JPH04361387A - 画像認識装置 - Google Patents
画像認識装置Info
- Publication number
- JPH04361387A JPH04361387A JP3136352A JP13635291A JPH04361387A JP H04361387 A JPH04361387 A JP H04361387A JP 3136352 A JP3136352 A JP 3136352A JP 13635291 A JP13635291 A JP 13635291A JP H04361387 A JPH04361387 A JP H04361387A
- Authority
- JP
- Japan
- Prior art keywords
- image
- feature
- input
- neural network
- image processing
- 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
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【０００１】
【産業上の利用分野】本発明は、画像処理などの分野に
おける物体の認識に関し、特に対象画像の特徴量をニュ
−ラルネットワ−クの入力とし、効率的に対象画像を認
識できるようにした装置に関するものである。
おける物体の認識に関し、特に対象画像の特徴量をニュ
−ラルネットワ−クの入力とし、効率的に対象画像を認
識できるようにした装置に関するものである。
【０００２】
【従来の技術】従来、ニュ−ラルネットワ−クを画像の
認識に用いる場合、ニュ−ラルネットワ−クの入力とし
ては各画素の値を使用していた。しかし、大きな画像を
認識するような場合には、ニュ−ラルネットワ−クが大
きくなり、非現実的なものであった。一方、画像から対
象物体の特徴量を求めて、認識を行う場合には、対象と
する物体群ごとに認識に有効な特徴量を探さなければな
らず、効率が悪かった。
認識に用いる場合、ニュ−ラルネットワ−クの入力とし
ては各画素の値を使用していた。しかし、大きな画像を
認識するような場合には、ニュ−ラルネットワ−クが大
きくなり、非現実的なものであった。一方、画像から対
象物体の特徴量を求めて、認識を行う場合には、対象と
する物体群ごとに認識に有効な特徴量を探さなければな
らず、効率が悪かった。
【０００３】
【発明が解決しようとする課題】本発明は上記従来技術
の課題を踏まえて成されたものであり、特徴量をニュ−
ラルネットワ−クの入力とすることにより、ニュ−ラル
ネットワ−クの規模が大きくならず、また、特徴量を選
択するという作業をニュ−ラルネットワ−クの学習機能
で行うことにより、アプリケ−ションによらず、効率的
に対象画像の認識を行うことのできる画像認識装置を提
供することを目的としたものである。
の課題を踏まえて成されたものであり、特徴量をニュ−
ラルネットワ−クの入力とすることにより、ニュ−ラル
ネットワ−クの規模が大きくならず、また、特徴量を選
択するという作業をニュ−ラルネットワ−クの学習機能
で行うことにより、アプリケ−ションによらず、効率的
に対象画像の認識を行うことのできる画像認識装置を提
供することを目的としたものである。
【０００４】
【課題を解決するための手段】上記課題を解決するため
の本発明の第１の構成は、物体の形状を画像としてとら
え、これを基にして形状を認識する画像認識装置におい
て、対象画像から画像内の物体の特徴量を求めることの
できる画像処理装置と、この画像処理装置からの特徴量
の値を入力とする学習機能を持つニュ−ラルネットワ−
クをシミュレ−トする回路とを備えた構成としたことを
特徴とするものである。また、第２の構成は、物体の形
状を画像としてとらえ、これを基にして形状を認識する
画像認識装置において、対象画像から画像内の物体の特
徴量を求めることのできる画像処理装置と、この画像処
理装置から入力される特徴量の属性を格納する属性テ−
ブルと、前記画像処理装置から入力される特徴量と前記
属性テ−ブルからの入力を受けて第１段階の選択を行う
ための第１のル−ル群と、この第１のル−ル群で選択さ
れた特徴量と前記属性テ−ブルからの入力を受けて無次
元量となる２次特徴量を生成するための第２のル−ル群
と、この第２のル−ル群で生成された２次特徴量と前記
属性テ−ブルからの入力を受けて認識に使用するための
特徴量を選択するための第３のル−ル群とからなるエキ
スパ−トシステムと、このエキスパ−トシステムで選択
された特徴量を用いて認識を行うニュ−ラルネットワ−
クと、前記画像処理装置からの特徴量を前記エキスパ−
トシステムで選択された特徴量に変換する特徴量生成器
とを備えた構成としたことを特徴とするものである。
の本発明の第１の構成は、物体の形状を画像としてとら
え、これを基にして形状を認識する画像認識装置におい
て、対象画像から画像内の物体の特徴量を求めることの
できる画像処理装置と、この画像処理装置からの特徴量
の値を入力とする学習機能を持つニュ−ラルネットワ−
クをシミュレ−トする回路とを備えた構成としたことを
特徴とするものである。また、第２の構成は、物体の形
状を画像としてとらえ、これを基にして形状を認識する
画像認識装置において、対象画像から画像内の物体の特
徴量を求めることのできる画像処理装置と、この画像処
理装置から入力される特徴量の属性を格納する属性テ−
ブルと、前記画像処理装置から入力される特徴量と前記
属性テ−ブルからの入力を受けて第１段階の選択を行う
ための第１のル−ル群と、この第１のル−ル群で選択さ
れた特徴量と前記属性テ−ブルからの入力を受けて無次
元量となる２次特徴量を生成するための第２のル−ル群
と、この第２のル−ル群で生成された２次特徴量と前記
属性テ−ブルからの入力を受けて認識に使用するための
特徴量を選択するための第３のル−ル群とからなるエキ
スパ−トシステムと、このエキスパ−トシステムで選択
された特徴量を用いて認識を行うニュ−ラルネットワ−
クと、前記画像処理装置からの特徴量を前記エキスパ−
トシステムで選択された特徴量に変換する特徴量生成器
とを備えた構成としたことを特徴とするものである。
【０００５】
【作用】本発明によれば、画像認識のアプリケ−ション
において、特徴量を使用するアルゴリズムでは、それぞ
れのアプリケ−ションによりどの特徴量を使用すれば、
効率良く認識できるか人間が判断して行う必要があった
が、ニュ−ラルネットワ−クを用いることにより、その
学習機能により、人間が行っている判断を代行させるこ
とができ、エンジニアリング工数を削減できるため、効
率良く画像認識を行える。また、エキスパ−トシステム
を用いた構成とすることにより、それぞれのアプリケ−
ションに有効であろう特徴量を選択することにより、ニ
ュ−ラルネットワ−クを単純化でき、学習回数などを減
少できるため、更に効率良く画像認識を行うことができ
る。
において、特徴量を使用するアルゴリズムでは、それぞ
れのアプリケ−ションによりどの特徴量を使用すれば、
効率良く認識できるか人間が判断して行う必要があった
が、ニュ−ラルネットワ−クを用いることにより、その
学習機能により、人間が行っている判断を代行させるこ
とができ、エンジニアリング工数を削減できるため、効
率良く画像認識を行える。また、エキスパ−トシステム
を用いた構成とすることにより、それぞれのアプリケ−
ションに有効であろう特徴量を選択することにより、ニ
ュ−ラルネットワ−クを単純化でき、学習回数などを減
少できるため、更に効率良く画像認識を行うことができ
る。
【０００６】
【実施例】以下、本発明を図面に基づいて説明する。図
１は本発明の画像認識装置の第１の実施例を示す構成図
である。図１において、１は対象画像から画像内の物体
の面積，穴の数，２次モ−メント，縦横比などの特徴量
を求めることのできる画像処理装置、２は学習機能を持
つニュ−ラルネットワ−クをシミュレ−トする回路であ
り、画像処理装置１からの特徴量の値を入力とする。
１は本発明の画像認識装置の第１の実施例を示す構成図
である。図１において、１は対象画像から画像内の物体
の面積，穴の数，２次モ−メント，縦横比などの特徴量
を求めることのできる画像処理装置、２は学習機能を持
つニュ−ラルネットワ−クをシミュレ−トする回路であ
り、画像処理装置１からの特徴量の値を入力とする。
【０００７】このような構成において、画像処理装置１
でカメラなどから取り入れた対象物体の画像を処理し、
幾つかの特徴量を求める。学習の段階では、認識すべき
対象の学習を行うための特徴量を幾つか求める。これら
の特徴量を用いて、ニュ−ラルネットワ−ク２の学習を
行う。学習の結果、ニュ−ラルネットワ−ク２が収束す
れば、学習の終了である。認識の段階では、上記手順で
学習させたニュ−ラルネットワ−ク２を用いる。認識さ
せたい対象の画像をカメラなどから取り入れ、その画像
を画像処理装置１にて処理し、特徴量を求める。それを
学習させたニュ−ラルネットワ−ク２に入力する。ニュ
−ラルネットワ−ク２では、入力された特徴量を用いて
、対象画像の認識が行われる。
でカメラなどから取り入れた対象物体の画像を処理し、
幾つかの特徴量を求める。学習の段階では、認識すべき
対象の学習を行うための特徴量を幾つか求める。これら
の特徴量を用いて、ニュ−ラルネットワ−ク２の学習を
行う。学習の結果、ニュ−ラルネットワ−ク２が収束す
れば、学習の終了である。認識の段階では、上記手順で
学習させたニュ−ラルネットワ−ク２を用いる。認識さ
せたい対象の画像をカメラなどから取り入れ、その画像
を画像処理装置１にて処理し、特徴量を求める。それを
学習させたニュ−ラルネットワ−ク２に入力する。ニュ
−ラルネットワ−ク２では、入力された特徴量を用いて
、対象画像の認識が行われる。
【０００８】図２は本発明の画像認識装置の第２の実施
例を示す構成図である。なお、図２において図１と同一
要素には同一符号を付して重複する説明は省略する。こ
こで、図１装置により、従来の装置に比べて、効率良く
画像認識を行えるようになるが、図１装置の構成では、
画像処理装置１にて求めた特徴量を単にニュ−ラルネッ
トワ−ク２に入力させる構成であったため、ニュ−ラル
ネットワ−クの学習回数が増加したり、ニュ−ラルネッ
トワ−クが収束しなかったり、また、ニュ−ラルネット
ワ−クの構造が複雑になるなどの課題があった。図２装
置はこの点も解決するものである。図２において、３は
画像処理装置１から入力される特徴量の属性を持つ属性
テ−ブル、４は画像認識に有効であろう特徴量を選択す
るためのエキスパ−トシステムであり、このエキスパ−
トシステム４は、画像処理装置１から入力される特徴量
と画像処理装置１から入力される特徴量の属性を持つ属
性テ−ブル３からの入力を受けて第１段階の選択を行う
ための第１のル−ル群４１と、この第１のル−ル群４１
で選択された特徴量と画像処理装置１から入力される特
徴量の属性を持つ属性テ−ブル３からの入力を受けて無
次元量となる２次特徴量を生成するための第２のル−ル
群４２と、この第２のル−ル群４２で生成された無次元
量となる２次特徴量と画像処理装置１から入力される特
徴量の属性を持つ属性テ−ブル３からの入力を受けて認
識に使用するための特徴量を選択するための第３のル−
ル群４３で構成される。５は画像処理装置１からの特徴
量をエキスパ−トシステム４で選択された特徴量に変換
するための特徴量生成器である。
例を示す構成図である。なお、図２において図１と同一
要素には同一符号を付して重複する説明は省略する。こ
こで、図１装置により、従来の装置に比べて、効率良く
画像認識を行えるようになるが、図１装置の構成では、
画像処理装置１にて求めた特徴量を単にニュ−ラルネッ
トワ−ク２に入力させる構成であったため、ニュ−ラル
ネットワ−クの学習回数が増加したり、ニュ−ラルネッ
トワ−クが収束しなかったり、また、ニュ−ラルネット
ワ−クの構造が複雑になるなどの課題があった。図２装
置はこの点も解決するものである。図２において、３は
画像処理装置１から入力される特徴量の属性を持つ属性
テ−ブル、４は画像認識に有効であろう特徴量を選択す
るためのエキスパ−トシステムであり、このエキスパ−
トシステム４は、画像処理装置１から入力される特徴量
と画像処理装置１から入力される特徴量の属性を持つ属
性テ−ブル３からの入力を受けて第１段階の選択を行う
ための第１のル−ル群４１と、この第１のル−ル群４１
で選択された特徴量と画像処理装置１から入力される特
徴量の属性を持つ属性テ−ブル３からの入力を受けて無
次元量となる２次特徴量を生成するための第２のル−ル
群４２と、この第２のル−ル群４２で生成された無次元
量となる２次特徴量と画像処理装置１から入力される特
徴量の属性を持つ属性テ−ブル３からの入力を受けて認
識に使用するための特徴量を選択するための第３のル−
ル群４３で構成される。５は画像処理装置１からの特徴
量をエキスパ−トシステム４で選択された特徴量に変換
するための特徴量生成器である。
【０００９】このような構成において、まず、ニュ−ラ
ルネットワ−クを学習するための段階について説明する
。画像処理装置１にて、認識すべき対象の画像をそれぞ
れの対象について数枚づつ取り入れ、特徴量を求める。 この特徴量は、エキスパ−トシステム４に入力される。 第一段階として、それぞれの特徴量の属性と行うアプリ
ケ−ションの特性に応じて、使用できる特徴量を第１の
ル−ル群４１にて選択する。例えば、向きに依存しない
認識を行う場合には、向きに依存する特徴量を除く。第
二段階では、第一段階で選択された特徴量同志の比を求
め、第２のル−ル群４２にて無次元の特徴量を生成する
。この時、特徴量の持つ属性より、例えば、長さの次元
を持つもの同志の比やモ−メントと長さの２乗の比など
のル−ルに基づいて無次元の特徴量を生成する。 第三段階では、第３のル−ル群４３にて、それぞれの無
次元の特徴量を統計的に処理する。学習のために用意し
た画像から、それぞれの特徴量を求め、それぞれのクラ
ス内分散やクラス外分散などを求める。これより、評価
関数Ｑを用いて、特徴量の選択を行う。選択された特徴
量の数により、ニュ−ラルネットワ−クの構造が変わっ
てくるので、中間層の数を次式により求める。 ｎ＝ｍａｘ （８＋（Ｎｔ −９）／２，Ｎｆ ／６）
ただし、Ｎｔ ：対象の数 Ｎｆ ：無次元の特徴量の総数 である。これで、ニュ−ラルネットワ−クの構造も決定
できるので、学習が行える。
ルネットワ−クを学習するための段階について説明する
。画像処理装置１にて、認識すべき対象の画像をそれぞ
れの対象について数枚づつ取り入れ、特徴量を求める。 この特徴量は、エキスパ−トシステム４に入力される。 第一段階として、それぞれの特徴量の属性と行うアプリ
ケ−ションの特性に応じて、使用できる特徴量を第１の
ル−ル群４１にて選択する。例えば、向きに依存しない
認識を行う場合には、向きに依存する特徴量を除く。第
二段階では、第一段階で選択された特徴量同志の比を求
め、第２のル−ル群４２にて無次元の特徴量を生成する
。この時、特徴量の持つ属性より、例えば、長さの次元
を持つもの同志の比やモ−メントと長さの２乗の比など
のル−ルに基づいて無次元の特徴量を生成する。 第三段階では、第３のル−ル群４３にて、それぞれの無
次元の特徴量を統計的に処理する。学習のために用意し
た画像から、それぞれの特徴量を求め、それぞれのクラ
ス内分散やクラス外分散などを求める。これより、評価
関数Ｑを用いて、特徴量の選択を行う。選択された特徴
量の数により、ニュ−ラルネットワ−クの構造が変わっ
てくるので、中間層の数を次式により求める。 ｎ＝ｍａｘ （８＋（Ｎｔ −９）／２，Ｎｆ ／６）
ただし、Ｎｔ ：対象の数 Ｎｆ ：無次元の特徴量の総数 である。これで、ニュ−ラルネットワ−クの構造も決定
できるので、学習が行える。
【００１０】認識時には、上記で学習したネットワ−ク
を用いる。画像処理装置１からの特徴量を特徴量生成器
５を通すことにより、選択された無次元の特徴量に変換
する。その特徴量をニュ−ラルネットワ−ク２に入力し
、画像の認識が行われる。
を用いる。画像処理装置１からの特徴量を特徴量生成器
５を通すことにより、選択された無次元の特徴量に変換
する。その特徴量をニュ−ラルネットワ−ク２に入力し
、画像の認識が行われる。
【００１１】
【発明の効果】以上、実施例と共に具体的に説明したよ
うに、本発明によれば、画像認識のアプリケ−ションに
おいて、特徴量を使用するアルゴリズムでは、それぞれ
のアプリケ−ションによりどの特徴量を使用すれば、効
率良く認識できるか人間が判断して行う必要があったが
、ニュ−ラルネットワ−クを用いることにより、その学
習機能により、人間が行っている判断を代行させること
ができるため、エンジニアリング工数を削減でき、効率
良く画像認識を行える。また、エキスパ−トシステムを
用いた構成とすることにより、それぞれのアプリケ−シ
ョンに有効であろう特徴量を選択することにより、ニュ
−ラルネットワ−クを単純化でき、学習回数などを減少
できるため、更に効率良く画像認識を行うことができる
画像認識装置を実現できる。
うに、本発明によれば、画像認識のアプリケ−ションに
おいて、特徴量を使用するアルゴリズムでは、それぞれ
のアプリケ−ションによりどの特徴量を使用すれば、効
率良く認識できるか人間が判断して行う必要があったが
、ニュ−ラルネットワ−クを用いることにより、その学
習機能により、人間が行っている判断を代行させること
ができるため、エンジニアリング工数を削減でき、効率
良く画像認識を行える。また、エキスパ−トシステムを
用いた構成とすることにより、それぞれのアプリケ−シ
ョンに有効であろう特徴量を選択することにより、ニュ
−ラルネットワ−クを単純化でき、学習回数などを減少
できるため、更に効率良く画像認識を行うことができる
画像認識装置を実現できる。
【図１】本発明の画像認識装置の第１の実施例を示す構
成図である。
成図である。
【図２】本発明の画像認識装置の第２の実施例を示す構
成図である。
成図である。
１ 画像処理装置
２ ニュ−ラルネットワ−ク
３ 属性テ−ブル
４ エキスパ−トシステム
５ 特徴量生成器
４１ 第１のル−ル群
４２ 第２のル−ル群
４３ 第３のル−ル群
Claims (2)
- 【請求項１】 物体の形状を画像としてとらえ、これ
を基にして形状を認識する画像認識装置において、対象
画像から画像内の物体の特徴量を求めることのできる画
像処理装置と、この画像処理装置からの特徴量の値を入
力とする学習機能を持つニュ−ラルネットワ−クをシミ
ュレ−トする回路とを備えた構成としたことを特徴とす
る画像認識装置。 - 【請求項２】 物体の形状を画像としてとらえ、これ
を基にして形状を認識する画像認識装置において、対象
画像から画像内の物体の特徴量を求めることのできる画
像処理装置と、この画像処理装置から入力される特徴量
の属性を格納する属性テ−ブルと、前記画像処理装置か
ら入力される特徴量と前記属性テ−ブルからの入力を受
けて第１段階の選択を行うための第１のル−ル群と、こ
の第１のル−ル群で選択された特徴量と前記属性テ−ブ
ルからの入力を受けて無次元量となる２次特徴量を生成
するための第２のル−ル群と、この第２のル−ル群で生
成された２次特徴量と前記属性テ−ブルからの入力を受
けて認識に使用するための特徴量を選択するための第３
のル−ル群とからなるエキスパ−トシステムと、このエ
キスパ−トシステムで選択された特徴量を用いて認識を
行うニュ−ラルネットワ−クと、前記画像処理装置から
の特徴量を前記エキスパ−トシステムで選択された特徴
量に変換する特徴量生成器とを備えた構成としたことを
特徴とする画像認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3136352A JPH04361387A (ja) | 1991-06-07 | 1991-06-07 | 画像認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3136352A JPH04361387A (ja) | 1991-06-07 | 1991-06-07 | 画像認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04361387A true JPH04361387A (ja) | 1992-12-14 |
Family
ID=15173183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3136352A Pending JPH04361387A (ja) | 1991-06-07 | 1991-06-07 | 画像認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04361387A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018088080A (ja) * | 2016-11-28 | 2018-06-07 | 株式会社東海理化電機製作所 | 学習装置及び学習方法 |
-
1991
- 1991-06-07 JP JP3136352A patent/JPH04361387A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018088080A (ja) * | 2016-11-28 | 2018-06-07 | 株式会社東海理化電機製作所 | 学習装置及び学習方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7537060B2 (ja) | 情報生成方法、装置、コンピュータ機器、記憶媒体及びコンピュータプログラム | |
| CN109816032B (zh) | 基于生成式对抗网络的无偏映射零样本分类方法和装置 | |
| DE60234900D1 (de) | Verfahren und Schaltungen zur Bildskalierung mit Hilfe neuronaler Netzwerke | |
| US5748769A (en) | Pattern recognition apparatus | |
| JPS6355106B2 (ja) | ||
| CN110689480B (zh) | 一种图像变换方法及装置 | |
| Dai | Real-time and accurate object detection on edge device with TensorFlow Lite | |
| CN112085164B (zh) | 一种基于无锚框网络的区域推荐网络提取方法 | |
| CN114492634A (zh) | 一种细粒度装备图片分类识别方法及系统 | |
| JPH04361387A (ja) | 画像認識装置 | |
| CN109697511A (zh) | 数据推理方法、装置及计算机设备 | |
| JP2020144411A (ja) | 属性推定装置、属性推定方法、属性推定器学習装置、及びプログラム | |
| US20020122592A1 (en) | Adaptive image processing unit for extracting characteristic portion from image | |
| Sharma et al. | LightNet: A Lightweight Neural Network for Image Classification | |
| CN112396602A (zh) | 基于帧间跨尺度相似性聚合的钢材涂层检测方法 | |
| CN118230113B (zh) | 一种基于多模态融合与注意力机制的目标检测方法及系统 | |
| JPH07152714A (ja) | 部分線形回帰モデル | |
| JPH01230164A (ja) | 自動学習型ニューラルネット・システム | |
| Mostafa et al. | Comparative Study of Visual Question Answering Algorithms | |
| HeXuan et al. | A Multi-focus Image Fusion Method Based on Cascade CNN Networks | |
| JPH0659898A (ja) | 機能自動生成装置 | |
| Artemchuk et al. | Neural Network based system for real-time organ recognition during surgical operation | |
| Lee et al. | A numerical projection-based approach to nonlinear model reduction and identification | |
| JPH04186402A (ja) | フアジイ推論における学習方式 | |
| JPH05257695A (ja) | ルール自動生成方式 |