CN1327502A - 使用得出的参量进行图象分类 - Google Patents
使用得出的参量进行图象分类 Download PDFInfo
- Publication number
- CN1327502A CN1327502A CN00801796A CN00801796A CN1327502A CN 1327502 A CN1327502 A CN 1327502A CN 00801796 A CN00801796 A CN 00801796A CN 00801796 A CN00801796 A CN 00801796A CN 1327502 A CN1327502 A CN 1327502A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- parameter
- pattern match
- algorithm
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- 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
Abstract
渐近算法得出用于图象分类系统的替换的结构和参量。在优选实施例中,采用一个学习系统,以及在学习系统的训练时间间隔期间,得出学习系统的结构,以便创建很适合于特定的分类问题组的学习系统。同样地,通过渐近算法(包括实施图象特征化,进行学习和分类的算法)得出图象分类系统的其它参量。初始的参量组和结构组被使用来创建一组尝试分类系统。多个预先分类的估值图象然后被加到每个系统,以及用于每个测试事例的每个系统的结果的分类与每个测试事例的正确的分类进行比较。根据较好的执行分类系统的参量和结构得出以后的尝试的分类系统。最好地执行的分类系统然后被选择为生产分类系统,用于分类新的图象。
Description
本发明涉及图象处理领域,具体地,涉及用于图象分类的图案识别。
图案识别技术常常被使用对图象或部分图象分类。用于分类的图案识别的具体的应用是制造物品的“视觉”监视。传统上,监视人员在制造的不同阶段观察物品,查找制造误差的警告证据。这种分阶段方法被使用来在由继续进行有缺陷的物品制造而引起以后的花费以前识别有缺陷的物品,和/或在缺陷的维修可经济地实行的阶段识别缺陷。总而言之,缺陷检测和校正的花费随每个处理步骤而指数地增加。
视觉监视的具体的例子是在制造显示器件,诸如阴极射线管(CRT)时。CRT的制造是多个步骤的过程。各种材料层在管子被密封和抽真空之前被施加到显示器表面的内部。在施加任何材料层时的关键缺陷会使得CRT不适合于销售,所以在管子被密封以前实行监视程序过程来识别这样的缺陷。通常,关键缺陷是可以通过“不进行”后面的制造步骤,并返回到引起关键缺陷的步骤而被校正。在CRT处理过程中,可以去除材料层,或可以在施加下一层以前校正缺陷。另外,如果引起缺陷的制造过程中的误差是系统性的,而不是随机性的,则快速识别缺陷可以使得由这种系统性误差产生的随后的物品数目最小化。制造误差常常产生视觉上明显的异常结构,它具有的特征可被使用来识别由异常结构造成的特定的制造误差。在CRT例子中,内部的部件之一是“多孔障板”,它在屏幕上具有相应于每个象素位置的一个孔,电子束在撞击到相应于每个象素的想要的颜色内容的发光的红色、绿色和蓝色荧光点之前穿过这个孔行进。多孔障板上的缺陷在视觉上呈现为覆盖所有三个荧光点的异常结构。如果三个相邻的红色、绿色、蓝色点位置基本上比周围的点更模糊,则多半是多孔障板上的相应的孔被遮挡,以及可以在进行其它的制造步骤(这会使得校正难以经济地实行)以前采取适当的校正性措施,清除遮挡物。带有不同的视觉特征的异常结构暗示其它类别的缺陷,以及不同的校正性措施典型地被施加来校正每种类型的缺陷。缺陷分类任务的自动化可以通过处理屏幕图象来搜索对于每种缺陷类别的特征图案,诸如三个相邻的模糊点,而被实施。
图案识别的另一个应用是图象的分类,用于以后的恢复。例如,可以把美术展览中每个图画分类为肖像画,风景画,图形,海景等等。分类任务的自动化可以包括,例如,扫描图画检测到中心的大面积的浅色(肖像画),上部的大的面积的蓝色和/或下面是白色带有一点蓝色含量(风景画),等等。边缘检测和边缘特征处理也常常被使用来分类图象的内容。
各种各样的技术可被提供来根据特征图案分类图象。如上所述,相应于每种分类可以规定一些算法、或法则,诸如“如果3个相邻的模糊点,则多孔障板有缺陷”,或“如果上部的区域是蓝色以及下部区域不是蓝色,则是风景画”,等等。当对于每种分类可以确定一组法则时,这样的系统是可行的。用于每种分类的法则必须足够宽,以便包容每种分类内特征图案的可能的范围,然而不要太宽到包括不正确地属于每个类别内的图象。
作为需要特定的规则的、基于法则的系统的替换例,通常采用学习系统来根据每种分类的代表性样本展开特征处理。通常采用神经网络来实施这样的学习系统。传统的神经网络包括一个或多个输入节点,一个或多个输出节点,以及单个中间的(或隐藏的)节点,它们被安排在输入与输出节点之间的一系列层中。在通常的神经网络结构中,每个输入节点被连接到在第一层节点的每个隐藏的节点,第一层节点的每个隐藏节点被连接到第二层节点的每个隐藏的节点,等等,直至最后一层节点的每个隐藏节点被连接到每个输出节点为止。每个节点的输出是加到节点的每个输入加权的组合函数。在前馈神经网络中,当一组输入值被加到输入节点时,加权值被传播到网络的每个层,直至产生结果的一组输出值为止。节点、互联、和结果传播的其它结构配置也是通用的。
在学习模式时,结果的一组输出值与适当地训练的网络产生的一组输出值进行比较,给出与每个输出节点有关的误差因子。在用于分类的图案匹配的情况下,每个输出节点可以相应于一个特定的类别。相应于一组输入值的真实类别的输出节点应当具有大的输出值,而不正确的类别输出值应当具有低的数值。误差因子被传播回网络,以便修改加到每个节点的每个输入的加权量,以使得误差因子的组合值最小化。观念上,贡献到不正确类别的输出的节点加权量被减小,而贡献到正确类别的输出的节点加权量被增加。
此后,下一组输入值被加上调整的加权量,误差因子被重新计算,以及加权量被重新调整。这个处理过程对于每组被使用来进行训练的输入值重复进行,然后,这个处理过程重复进行固定次数的叠代,或直至以后的叠代表明收敛到正确的类别为止,或直至达到某个其它的终结的准则为止。一旦加权量组被确定,最终的网络可被使用来通过从其它的物品的每个物品提供相应的一组输入值,和选择具有最高的输出节点值的类别,而分类其它的物品(不是训练组的一部分的物品)。应当指出,对加权量的反馈修改的幅度被选择为在过校正与欠校正之间的平衡。对于每个训练输入值的加权量的过校正会导致阻碍收敛的、加权值的振荡;对于每个训练输入值的加权量的欠校正可能需要为达到收敛的过多的叠代,或可能收敛到本地最小值。加权值的修改的幅度对于网络的每一层可以是不同的。
对于给定的问题组的神经网络的性能取决于各种各样因素,包括网络层的数目、每层中隐藏节点数目、加权调整因子等等。给定特定的网络因子组,或网络结构以后,不同的问题组将不同地执行。也就是,用于根据图案识别进行分类的神经网络的性能将取决于神经网络的选择的结构和与这种结构有关的各种因素。同样地,其它图案识别系统(诸如基于法则的系统)的性能将取决于对于识别过程所选择的特定的参量。
本发明的一个目的是提供不需要事前规定法则的图象分类系统。本发明的另一个目的是提供不需要事前规定特定的学习系统结构的图象分类系统。
这些目的和其它目的可以通过提供渐近的算法来达到,它提供用于图象分类系统的替换的结构和参量。在优选实施例中,采用一个学习系统,以及在学习系统的训练时间间隔期间,得出学习系统的结构,以便创建很适合于特定的分类问题组的学习系统。同样地,通过渐近算法(包括实施图象特征化,进行学习和分类的算法)得出图象分类系统的其它参量。初始的参量组和结构组被使用来创建一组尝试分类系统。多个预先分类的估值图象然后被加到每个系统,以及用于每个测试事例的每个系统的结果的分类与每个测试事例的正确的分类进行比较。根据较好的执行分类系统的参量和结构得出以后的尝试的分类系统。最好地执行的分类系统然后被选择为生产分类系统,用于分类新的图象。
现在参照附图,通过实例,更详细地说明本发明,其中:
图1显示按照本发明的图象分类系统的示例性方框图。
图2显示用于按照本发明的图象分类系统的训练系统的示例性方框图。
图3显示被包括在按照本发明的图象分类系统中的制造系统的示例性方框图。
图1显示按照本发明的图象分类系统100的示例性方框图。图象分类系统100包括图象处理器110,图案匹配器120,和分类器130,每个可以从渐近算法150接收参量,正如下面进一步讨论的。
图象处理器110处理图象,产生一组描述图象的图象特征111。在技术上通常可提供各种各样的技术来提供一组描述图象的特征111。通常的特征处理包括把图象划分成固定的数目的行和列,以及图象特征组111是一组表示每个分割段的数值。例如,每个分割段可以具有这样的特征:分割段的平均亮度,或照度;或关于分割段的更多的细节,分割段的主要颜色,或与每个颜色分量有关的平均亮度。图象通常也具有这样的特征:图象中边缘的出现。图象的每个分割段可以用分割段内的水平线和垂直线的数目表示。每个分割段的频率分析,诸如离散余弦变换(DCT),传送大量的关于每个分割段的内容的信息。
图案匹配器120处理图象特征,产生一组类别或然率121,代表图象相应于一组预定的图案类别的每个图案类别或然率。在优选实施例中,图案匹配器120工作在两个模式之一:训练模式或执行模式,由图1的开关129表示,虽然也可以使用非训练的图案匹配器,诸如基于法则的系统。在训练模式中,图案匹配器120发展在输入图象特征111与生产类别或然率121之间的多尺寸关系,正如由以上讨论的现有技术神经网络训练方案表征的。在训练模式中,相应于训练图象102A的图象特征111被提供给图案匹配器120,以及相应的正确的图案类别102B。也就是,每个训练图象102A具有相应的图象类别102B,例如由观看和分类训练图象102A的专家提供。通过使用学习系统的现有技术神经网络例子,加到每个节点的每个输入的加权值被调整,以使得导致在图案匹配器产生的类别与由专家提供的正确的类别102B之间的差别的加权值被减小,而导致在产生的类别与正确的类别102B之间的一致性的加权值被增加。这样,当由开关129设置在执行模式时,具有图象特征111的新的图象被加权值加偏置,产生类别或然率输出121,它类似于相应的正确的图案类别102B。如上所述,在技术上共同的各种各样的技术提供在一组图象特征111与预定的图案类别之间的一致性的度量121。
分类器130处理类别或然率因子121,来确定图象的分类。在简单的二进制分类中,类别的成员或非成员,把类别或然率因子121与门限值进行比较。如果或然率大于门限值,则声称一个类别成员;否则,声称一个非成员。正如技术上通常的情形,门限值的选择涉及在“类型I错误”,把非成员声称为成员,与“类型II错误”,把成员声称为非成员之间进行的折衷。高的门限值的选择减小把非成员声称为成员的潜在性,但增加不把成员声称为成员的潜在性。这种折衷选择典型地是根据不正确的确定的结果作出的。例如,在制造应用的例子中,如果在类别中声称成员关系引入额外的制造步骤,诸如重新应用以前的步骤,但非成员关系的错误的声称导致继续制造不能销售的物品,门限值将被设置得相当低。相反,迫使物品被丢弃的成员关系的声称可被设置得较高。
在多类别系统中,分类器130类似地评估类别或然率因子121,确定图象是多个类别的哪个类别的成员。门限值的类似的确定,典型地根据错误的结果,通常被使用来实施这样的许多个中的一个类别。特定的图象分类也可以根据多个图象类别。例如特定的图象分类可以被规定为某些特定的图案类别的同时的高的或然率因子,与其它的特定的图案类别的低的或然率因子相联系。另一个特定的图象分类可以包含“不关心”图案类别,其中特定的图案或然率的特定的组合表示在图象类别中的成员,与“不关心”图案类别的或然率因子无关。应当指出,多类别系统的类别之一对于在任何的规定的类别中不呈现占优势的高类别或然率121的那些图象,可以是“未知的”类别。
如上所述,显然,图象分类系统100的有效性取决于多个参量。每个处理块110,120和130具有可以影响决定图象101所属于的类别131的参量。在提供足够的信息用于图案识别时的图案特征111的有效性将取决于表征图象101的分割段的数目。有效性也可以取决于图象是否由颜色、特定的边缘取向等等表征。如上所述,在被使用于图案识别的神经网络的例子中,在提供足够的信息用于确定每个类别的或然率121时图案匹配器120的有效性将取决于一些参量,它们规定神经网络的结构,诸如每个级别的隐藏层和节点的数目。同样地,有效性也可以取决于与学习处理过程有关的参量,诸如加权量修改的大小,如以上讨论的。在图案匹配器120的非学习实施方案中,诸如传统的基于法则的系统,参量可包括用于特定的法则的门限电平,在投票系统中每个法则的加权值,等等。同样地,在提供许多个之一的选择时分类器130的有效性将取决于上述的、被使用来确定类别成员的判决门限电平,或在图象分类定义中规定的特定的图案类别。应当指出,每个处理器110,120和130是相互有联系的。图象的粗的特征111可以需要在图案匹配器120中的较少的输入节点,以及可能不需要许多隐藏层;在分类器130中松弛的准则组可以避免对于图象的详细的特征111的需要等等。在每个处理110,120和130中使用的参量之间的因果和相互依赖关系是难以用一个算法来描述的,如果不是不可能的话。因此,确定对于每个处理的每个参量的正确的值,和或在处理中间的测量值的组合以使得分类系统100的有效性最大化,通常不能用算法装置实行。
已经发现一类算法,被称为渐近算法,在确定产生最大的任务有效性的参量的组合而在执行任务时不需要具体确定每个参量的单独的或组合的有效性时是特别有用的。按照本发明,渐近算法被使用来进行替换的结构和参量的产生和评估,用来实施图象分类任务。
渐近算法通过叠代的支系产生过程运行。渐近算法包括遗传算法,突变算法等等。在典型的渐近算法中,某些属性,或基因,被假定为与执行给定的任务的能力有关,基因的不同组合导致执行该任务的有效性的不同水平。渐近算法对于其中在属性的组合与执行任务的有效性之间的关系没有闭合形式解的问题特别有效。
支系产生过程被使用来通过使用针对的试探和误差搜索来确定基因的特定的组合,它对于执行给定的任务是最有效的。基因或属性的组合被称为染色体。在渐近算法的遗传算法类别中,重新产生-重新组合循环被使用来传播支系的生成。具有不同染色体的族群的成员配对和生成支系。这些支系把属性从父代传下去,典型地来自每个父代的基因的某些随机组合。在经典的遗传算法中,在执行给定的任务时比其它更有效的各个被提供较高的机会来配对和生成支系。也就是,在希望支系继承允许父代有效地执行给定任务的基因时,具有优选的染色体的个体被给予较高的机会来生成支系。父代的下一代根据重新执行给定任务的有效性的父代的偏爱来被选择。这样,具有有效地执行给定任务的属性的支系的数目将随着每一代趋于增加。生成支系的其它方法的范例,诸如无性生殖、配对等等,也被使用来生成具有增加的改进执行给定任务的能力的或然率的支系
在本发明的上下文中,父代和支系的属性表示对于一个或多个处理过程110,120和130的参量151-153的选择。渐近算法产生在针对的试探和误差搜索中另一个参量组,用于检测提供用于有效的图象分类系统的一组参量。
按照本发明已有多个渐近算法可被利用。已经发现CHC自适应搜索算法对于复杂的组合工程任务是特别有效的。95年2月14日发布的、Larry J.Eshelman和James D.Schaffer的,题目为“Methodfor Optimizing the Configuration of a Pick and PlaceMachine(用于最佳化采集和放置机的配置的方法)”的美国专利5,390,283给出用于确定接近最佳分配“采集和放置”机中的部件的CHC算法的使用,该专利在此引用,以供参考。当与其它渐近算法进行比较时,CHC算法是利用“适者生存”选择的遗传算法,其中只有最好的执行个体,或者父代或者支系,被使用来生成以后的支系。为了抵销由这样的选择的生存会引入的有害的谱系影响,CHC算法避免乱伦配对,即在具有非常相似的属性的个体之间的配对。诸如本领域技术人员将会看到的,每个渐近算法对于被使用来实施叠代解决的方案都呈现正反两个方面,以及在本发明中所使用的渐近算法的特定的选择是可任选的。
图2显示按照本发明的示例性渐近算法150的更详细的方框图。初始族群201提供当前族群210的初始成员。族群210的每个成员被表示为染色体,它是在图象分类系统100中使用的特定的参量值的编码。在优选实施例中,例如,染色体包含一组基因,它规定在图案匹配器120中使用的神经网络中所使用的层数;另一组基因代表在每层内的隐藏节点数;以及另一个组的基因代表对于训练神经网络所使用的其它参量,诸如对于加到神经网络的节点的每个输入所使用的加权量修改的幅度。其它参量,诸如上述的用于分类的门限值,图象划分的数目,等等可作为基因编码被包括在族群210的每个成员染色体中,正如上面讨论的。应当指出,不是所有的、由图象处理器110、图案示波器120、和分类器130使用的参量都需要被渐近算法150评估或提供。从一个或多个处理器110,120,130选择参量被编码用于渐近开发,典型地根据确定用于参量的适当的数值的相对困难。选择参量的选择将取决于所利用的图象分类系统100的特定的结构配置和复杂性,以及可供使用来执行参量确定的时间。例如,确定神经网络中最有效的隐藏层数和节点数,典型地比起确定对于类别成员关系的有效的门限值更困难。在利用神经网络的优选实施例中的渐近算法150包括对于在神经网络中的隐藏层和节点的数目的基因编码,但门限值的基因编码是可任选的。
按照本发明,性能估值器220提供相应于族群210的每个成员的特征211,或染色体的参量给图象分类系统100。参量155包括图1的参量组151、152和153的一个或多个参量。图象分类系统100把每个参量155加到图1的它们相应的块110、120、130。也就是,例如,如果参量155包括图案匹配器120的神经网络中的层数。则图象分类系统100配置图案匹配器120,包含在它的神经网络中的特定的层数。如果图象分类系统100包含学习系统,则以上讨论的训练序列通过使用相应于当前族群210的特定的成员211的参量155的配置被加上。当图象分类系统100被适当地配置和训练时,一组评估图象103A被提供给图象分类系统100用于分类。每个评估图象103A的结果的分类通过图1的开关S2的相应的开关设置,被提供给性能估值器220。性能估值器220把评估图象组103A的结果的类别131与一组正确的图象类别103B进行比较,以便估值图象分类系统100当用族群210的每个成员211的特定的参量组155配置时的性能。对于每个估值图象103A的适当的图象分类103B典型地由特定的应用领域中的专家给出。例如,数量控制工程师可以提供用于制造监视系统的适当的图象分类组103B;博物馆馆长可以提供用于艺术分类系统的适当的图象分类组103B;或普通用户可以提供用于个人的图象分类系统的适当的图象分类组103B。在结果的分类131与适当的分类103B之间的一致性提供图象分类系统100在按照每个成员211的参量155被配置时的精度的度量。
性能估值器220提供相应于族群210的每个成员211的性能指示221。这个性能指示221是可被使用来排名族群210的每个成员211的性能的度量。按照本发明的另一个方面,图象分类系统100提供在这个排名处理过程中使用的其它的度量199。其它的度量199包括,例如,在确定类别或然率因子121时使用的中间值,或相关的性能度量,诸如对于图象分类系统100分类每个评估图象103A所需要的时间。如果对于一个成员的特征211被配置的系统100比起对于另一个成员的特征211’被配置的系统100’需要长得多的时间间隔来达到稍微大一点的精度,则其它的成员211’可被给予较好的性能指示221。多变量排名技术,包括加权平均等等,在技术上是常见的。
当前的族群210的每个成员211的性能度量221被提供给最好的执行者选择器240。在示例性CHC基因算法中,族群的较高排名的成员被选择为最好的执行者组241。这些选择的较高的排名成员在支系产生器260中生成支系。较高的排名成员和它们的支系形成新的族群261,它代替当前的族群210,以及以上的处理过程被重复进行。这样,对于每次叠代,每次叠代的最好的执行者被选择来生成继承它们的特征的支系,以便增加对于每次叠代产生更好的执行支系特征或图象分类参量的或然率。
终结确定器250确定是否继续进行支系生成和重新估值的叠代。在优选实施例中,终结是根据最好的执行者组241是否收敛,或是否已进行特定的叠代次数,或是否达到适当的分类性能,无论哪个事件首先发生。在优选实施例中,终结确定器也可任选地用在终结后的更换的最好执行者组重新启动处理过程,以避免可能收敛到本地最小值。当在图1上被设置在用于分类新的图象101的产生模式时,当处理过程在250处被终结时,单个最好执行成员241的特征251被选择为用于图象分类系统100的优选的参量。
图3显示按照本发明的制造系统300的示例性方框图。制造设备310产生在装配线315上出现的物品。照相机320提供相应于在装配线315上的物品的特定的方面的图象。任选的缺陷检测器325预先处理图象321,以便确定是否存在缺陷,避免对于无缺陷物品的以后的缺陷分类任务的化费。缺陷检测器325提供包含可疑的缺陷的图象或部分图象321’给缺陷分类器330。按照本发明,缺陷分类器330包括图象分类系统100,它提供缺陷分类输出331,它是根据由渐近算法150提供的至少一个参量值的,诸如以上讨论的。数量控制器340使用缺陷分类331来确定适当的校正行动341,诸如重复利用监视的物品,关闭系统等等。这种适当的校正行动341,如果有的话,被提供给制造设备310,以便实施所需要的校正行动。
以上仅仅说明了本发明的原理。因此,应当看到,虽然没有在这里明显地描述或显示但本领域技术人员应能够作出各种体现本发明的原理的安排,因此属于本发明的精神和范围。例如,对于每个评估图象103A的适当的图象分类103B典型地由人提供,虽然可信任的自动特征系统也可提供分类103B。也就是,渐近算法150可以提供与已知的分类系统相比的另一个配置结构,以便提供较低成本的或较快的替代系统。也应当指出,分类不一定是“形式上的”。用户可以创建图象分类系统,其中例如汽车的图象被分类为“喜欢”和“不喜欢”。如果在汽车图象中的图案与用户的“喜欢”和“不喜欢”的分类之间有联系,则系统100可以有效地被利用来识别用户可能喜欢的新的汽车图象。这样的系统100可被部署来搜索和归类在互联网上找到的图象,以使得无论何时找到用户可能喜欢的新的汽车图象时提醒用户。
在图上给出了结构配置和功能性划分用于说明的目的。例如,图2的性能估值器220可被包括在图象分类系统100中,而不是在所显示的渐近算法中。本发明的单元可以用硬件、软件、或二者的组合来实施。例如图案匹配器120可以用可编程门阵列来实施,硬件参量155被使用来重新编程门阵列,以便实施每个试探配置结构。替换地,图象处理器110可以是专用集成电路,而图案识别器是运行在通用处理器上的软件程序。这些替换的配置结构和系统最优化从本发明看来在技术上对于本领域技术人员来说是显而易见的,因此它们被包括在以下的权利要求的范围内。
Claims (18)
1.一种图象分类系统(100),包括:
图象处理器(110),处理图象(101)产生图象特征(111),
图案匹配器(120),用来耦合到图象处理器(110),处理图象特征(111),产生至少一个类别或然率因子(121),以及
分类器(130),用来耦合到图案匹配器(120),处理所述至少一个类别或然率因子(121),产生相应于图象(101)的图象分类(131),
其中
图象处理器(110)使用图象处理参量(151),
图案匹配器(120)使用图案匹配参量(152),
分类器(130)使用分类参量(153),以及
渐近算法(150)根据一组评估图象(103A)和相应的适当的图象分类(103B),确定以下参量的至少一个参量(155):图象处理参量(151),图案匹配参量(152),和分类参量(153)。
2.权利要求1的图象分类系统(100),其特征在于,还包括渐近算法(150)。
3.权利要求1的图象分类系统(100),其特征在于:
图案匹配器(120)包括神经网络,以及
由渐近算法(150)确定的至少一个参量(155)包括以下项目中的至少一项:神经网络中的多个层,神经网络的至少一层中的多个隐藏节点,和反馈学习参量。
4.权利要求1的图象分类系统(100),其特征在于:
图象处理器(110)把图象(101)划分成多个图象分割段,每个图象分割段具有分割段度量,其数值提供图象特征(111)的分量,以及
由渐近算法(150)确定的至少一个参量(155)包括以下项目中的至少一项:图象分割段数目和分割段度量。
5.权利要求1的图象分类系统(100),其特征在于:
由渐近算法(150)确定的至少一个参量(155)是门限值,它由图象处理器(110)、图案匹配器(120)和分类器(130)中的至少一个装置被使用来分别产生图象特征(111)、至少一个类别或然率因子(121),和图象分类(131)。
6.一种制造系统(300),包括:
制造装置(310),产生制造的物品;
照相机(320),提供制造的物品的图象(101),以及
缺陷分类器(330),用来被耦合到照相机(320),根据图象(101)提供缺陷分类(331),以便于确定要被施加到至少一个制造装置(310)或制造的物品上的校正性行动(341),
其中缺陷分类器(330)根据由渐近算法(150)提供的至少一个参量(155)提供缺陷分类(331)。
7.权利要求6的制造系统(300),其特征在于,缺陷分类器(330)包括:
图象处理器(110),处理图象(101)产生图象特征(111),
图案匹配器(120),用来耦合到图象处理器(110),处理图象特征(111),产生至少一个类别或然率因子(121),以及
图象分类器(130),用来耦合到图案匹配器(120),处理所述至少一个类别或然率因子(121),产生相应于制造的物品的缺陷分类(331),
其中
图象处理器(110)使用图象处理参量(151),
图案匹配器(120)使用图案匹配参量(152),
分类器(130)使用分类参量(153),以及
由渐近算法(150)提供的至少一个参量(155)包括以下参量的至少一个参量(155):图象处理参量(151),图案匹配参量(152),和分类参量(153)。
8.权利要求7的制造系统(300),其特征在于:
图案匹配器(120)包括神经网络;以及
由渐近算法(150)确定的至少一个参量(155)包括以下项目中的至少一项:神经网络中的多个层,神经网络的至少一层中的多个隐藏节点,和反馈学习参量。
9.权利要求7的制造系统(300),其特征在于:
图象处理器(110)把图象(101)划分成多个图象分割段,每个图象分割段具有分割段度量,其数值提供图象特征(111)的分量,以及
由渐近算法(150)确定的至少一个参量(155)包括以下项目中的至少一项:图象分割段数目和分割段度量。
10.权利要求7的制造系统(300),其特征在于:
由渐近算法(150)确定的至少一个参量(155)是门限值,它由图象处理器(110)、图案匹配器(120)和图象分类器(130)中的至少一个装置被使用来分别产生图象特征(111)、至少一个类别或然率因子(121),和缺陷分类(331)。
11.权利要求6的制造系统(300),其特征在于:
由渐近算法(150)提供的至少一个参量(155)是基于一组评估图象(103A)和相应的适当的图象分类(103B)。
12.权利要求6的制造系统(300),其特征在于:
缺陷检测器,用来耦合到照相机(320),根据缺陷的检测提供图象(101)给缺陷分类器(330)。
13.权利要求6的制造系统(300),其特征在于,还包括渐近算法(150)。
14.一种用于分类图象(101)的方法,包括:
根据图象处理参量(151),处理图象(101)产生图象特征(111),
根据图象匹配参量(152),处理图象特征(111),产生至少一个类别或然率因子(121),以及
根据分类参量(153),处理所述至少一个类别或然率因子(121),产生相应于图象(101)的图象分类(131),
其中
由渐近算法(150)提供以下参量的至少一个参量(155):图象处理参量(151),图案匹配参量(152),和分类参量(153)。
15.权利要求14的方法,其特征在于还包括:
根据一组评估图象(103A)和相应的适当的图象分类(103B),提供至少一个参量(155)。
16.权利要求14的方法,其特征在于,处理图象特征(111)包括:
把图象特征(111)加到神经网络的输入节点,
操练神经网络,产生神经网络的结果的输出,以及
根据神经网络的结果的输出,产生至少一个类别或然率因子(121),以及
其中
由渐近算法(150)确定的至少一个参量(155)包括:多个神经网络中的层、在神经网络的至少一层中的多个隐藏节点,以及反馈学习参量。
17.权利要求14的方法,其特征在于,处理图象(101)包括:
把图象(101)划分成多个图象分割段,每个图象分割段具有分割段度量,其数值提供图象特征(111)的分量,以及
其中
由渐近算法(150)确定的至少一个参量(155)包括以下项目中的至少一项:图象分割段数目和分割段度量。
18.权利要求14的方法,其特征在于:
由渐近算法(150)确定的至少一个参量(155)是门限值,它被使用来产生图象特征(111)、至少一个类别或然率因子(121),和图象分类(131)中的至少一项。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US09/343,649 | 1999-06-29 | ||
US09/343,649 US6480627B1 (en) | 1999-06-29 | 1999-06-29 | Image classification using evolved parameters |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1327502A true CN1327502A (zh) | 2001-12-19 |
Family
ID=23346995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN00801796A Pending CN1327502A (zh) | 1999-06-29 | 2000-06-27 | 使用得出的参量进行图象分类 |
Country Status (6)
Country | Link |
---|---|
US (1) | US6480627B1 (zh) |
EP (1) | EP1145185A3 (zh) |
JP (1) | JP2003503801A (zh) |
KR (1) | KR100845230B1 (zh) |
CN (1) | CN1327502A (zh) |
WO (1) | WO2001001328A2 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102341703A (zh) * | 2009-03-04 | 2012-02-01 | 日本电气株式会社 | 诊断成像支持设备、诊断成像支持方法和存储介质 |
CN109964278A (zh) * | 2017-03-30 | 2019-07-02 | 艾腾怀斯股份有限公司 | 通过并行评估分类器输出校正第一分类器中的误差的系统和方法 |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7039856B2 (en) * | 1998-09-30 | 2006-05-02 | Ricoh Co., Ltd. | Automatic document classification using text and images |
IT1311443B1 (it) * | 1999-11-16 | 2002-03-12 | St Microelectronics Srl | Metodo di classificazione di immagini digitali in base al lorocontenuto. |
US6999614B1 (en) * | 1999-11-29 | 2006-02-14 | Kla-Tencor Corporation | Power assisted automatic supervised classifier creation tool for semiconductor defects |
US8620110B2 (en) * | 2000-12-15 | 2013-12-31 | Comcast Cable Holdings, Llc | Method and system for distributing digital images |
US7356430B2 (en) * | 2001-05-24 | 2008-04-08 | Test Advantage, Inc. | Methods and apparatus for data analysis |
US20020165839A1 (en) * | 2001-03-14 | 2002-11-07 | Taylor Kevin M. | Segmentation and construction of segmentation classifiers |
US7088854B2 (en) * | 2001-04-25 | 2006-08-08 | Cotman Carl W | Method and apparatus for generating special-purpose image analysis algorithms |
US7191103B2 (en) * | 2001-08-08 | 2007-03-13 | Hewlett-Packard Development Company, L.P. | Predominant color identification in digital images |
US7283659B1 (en) | 2002-01-09 | 2007-10-16 | Kla-Tencor Technologies Corporation | Apparatus and methods for searching through and analyzing defect images and wafer maps |
JP4155497B2 (ja) * | 2002-04-25 | 2008-09-24 | 大日本スクリーン製造株式会社 | 欠陥分類方法、プログラムおよび欠陥分類装置 |
US20040167882A1 (en) * | 2003-02-21 | 2004-08-26 | Thomson William B. | System and method for determining a user preference for a candidate |
US7463765B2 (en) * | 2003-02-25 | 2008-12-09 | Lamda-Lite Enterprises Incorporated | System and method for detecting and reporting fabrication defects using a multi-variant image analysis |
US20060204107A1 (en) * | 2005-03-04 | 2006-09-14 | Lockheed Martin Corporation | Object recognition system using dynamic length genetic training |
US20060200307A1 (en) * | 2005-03-04 | 2006-09-07 | Lockheed Martin Corporation | Vehicle identification and tracking system |
DE102005049017B4 (de) * | 2005-10-11 | 2010-09-23 | Carl Zeiss Imaging Solutions Gmbh | Verfahren zur Segmentierung in einem n-dimensionalen Merkmalsraum und Verfahren zur Klassifikation auf Grundlage von geometrischen Eigenschaften segmentierter Objekte in einem n-dimensionalen Datenraum |
KR100815242B1 (ko) | 2006-06-13 | 2008-03-19 | 한국과학기술원 | 진화 알고리즘을 이용한 얼굴 검출 방법 |
CA2617119A1 (en) * | 2008-01-08 | 2009-07-08 | Pci Geomatics Enterprises Inc. | Service oriented architecture for earth observation image processing |
US9082080B2 (en) * | 2008-03-05 | 2015-07-14 | Kofax, Inc. | Systems and methods for organizing data sets |
US8026964B2 (en) * | 2008-07-08 | 2011-09-27 | Aptina Imaging Corporation | Method and apparatus for correcting defective imager pixels |
JP5543984B2 (ja) * | 2009-03-02 | 2014-07-09 | アプライド マテリアルズ イスラエル リミテッド | 類似構造要素を分類するcd計測システム及び方法 |
JP5381166B2 (ja) * | 2009-03-04 | 2014-01-08 | オムロン株式会社 | モデル画像取得支援装置、モデル画像取得支援方法およびモデル画像取得支援プログラム |
JP5714232B2 (ja) * | 2009-03-12 | 2015-05-07 | オムロン株式会社 | キャリブレーション装置および3次元計測のためのパラメータの精度の確認支援方法 |
JP2010210585A (ja) * | 2009-03-12 | 2010-09-24 | Omron Corp | 3次元視覚センサにおけるモデル表示方法および3次元視覚センサ |
JP5245938B2 (ja) * | 2009-03-12 | 2013-07-24 | オムロン株式会社 | 3次元認識結果の表示方法および3次元視覚センサ |
JP5282614B2 (ja) * | 2009-03-13 | 2013-09-04 | オムロン株式会社 | 視覚認識処理用のモデルデータの登録方法および視覚センサ |
US8693769B2 (en) * | 2009-12-28 | 2014-04-08 | Industrial Technology Research Institute | Image classification methods and systems |
CN102693409B (zh) * | 2012-05-18 | 2014-04-09 | 四川大学 | 一种快速的图像中二维码码制类型识别方法 |
US20180082115A1 (en) * | 2015-07-17 | 2018-03-22 | Hp Indigo B.V. | Methods of detecting moire artifacts |
CN108304856B (zh) * | 2017-12-13 | 2020-02-28 | 中国科学院自动化研究所 | 基于皮层丘脑计算模型的图像分类方法 |
JP7170000B2 (ja) | 2018-01-24 | 2022-11-11 | 富士フイルム株式会社 | 学習システム、方法及びプログラム |
JP7100901B2 (ja) * | 2019-10-25 | 2022-07-14 | 直己 岡田 | 重症度評価装置、重症度評価方法、及びプログラム |
KR102550869B1 (ko) * | 2021-01-27 | 2023-07-05 | 인하대학교 산학협력단 | 유전 알고리즘 및 cnn을 이용한 물체 분류 및 집계 방법 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5048100A (en) * | 1988-12-15 | 1991-09-10 | Michael Kuperstein | Self organizing neural network method and system for general classification of patterns |
US5214746A (en) * | 1991-06-17 | 1993-05-25 | Orincon Corporation | Method and apparatus for training a neural network using evolutionary programming |
DE19713382B4 (de) | 1996-03-28 | 2005-12-08 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Automatische Konfiguration von Prüf- und Diagnosesystemen |
US5815198A (en) * | 1996-05-31 | 1998-09-29 | Vachtsevanos; George J. | Method and apparatus for analyzing an image to detect and identify defects |
US6272479B1 (en) * | 1997-07-21 | 2001-08-07 | Kristin Ann Farry | Method of evolving classifier programs for signal processing and control |
-
1999
- 1999-06-29 US US09/343,649 patent/US6480627B1/en not_active Expired - Fee Related
-
2000
- 2000-06-27 WO PCT/EP2000/005950 patent/WO2001001328A2/en active Application Filing
- 2000-06-27 JP JP2001507265A patent/JP2003503801A/ja not_active Withdrawn
- 2000-06-27 EP EP00942138A patent/EP1145185A3/en not_active Withdrawn
- 2000-06-27 KR KR1020017002539A patent/KR100845230B1/ko not_active IP Right Cessation
- 2000-06-27 CN CN00801796A patent/CN1327502A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102341703A (zh) * | 2009-03-04 | 2012-02-01 | 日本电气株式会社 | 诊断成像支持设备、诊断成像支持方法和存储介质 |
US8787636B2 (en) | 2009-03-04 | 2014-07-22 | Nec Corporation | Diagnostic imaging support in which image data of high magnification is generated to image data of low magnification for classification thereof |
CN102341703B (zh) * | 2009-03-04 | 2015-10-07 | 日本电气株式会社 | 诊断成像支持设备、诊断成像支持方法和存储介质 |
CN109964278A (zh) * | 2017-03-30 | 2019-07-02 | 艾腾怀斯股份有限公司 | 通过并行评估分类器输出校正第一分类器中的误差的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2001001328A3 (en) | 2001-11-29 |
EP1145185A3 (en) | 2002-02-06 |
KR100845230B1 (ko) | 2008-07-09 |
JP2003503801A (ja) | 2003-01-28 |
WO2001001328A2 (en) | 2001-01-04 |
US6480627B1 (en) | 2002-11-12 |
KR20010073042A (ko) | 2001-07-31 |
EP1145185A2 (en) | 2001-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1327502A (zh) | 使用得出的参量进行图象分类 | |
US6272250B1 (en) | Color clustering for scene change detection and object tracking in video sequences | |
CN109816625A (zh) | 一种视频质量评分实现方法 | |
US11625811B2 (en) | Adaptive non-rigid targeted deformation of images for synthetic image generation | |
JPH0535707A (ja) | ニユ−ラルネツトを利用したパタ−ン分類方法および装置 | |
US11227193B2 (en) | Automated image measurement for process development and optimization | |
CN109087294A (zh) | 一种产品缺陷检测方法、系统及计算机可读存储介质 | |
WO2023116565A1 (zh) | 智能设计网络安全架构图的方法 | |
CN113906451A (zh) | 基于ai的预训练模型决定系统及利用该系统的用于产品生产线的基于ai的视觉检查管理系统 | |
WO2021090601A1 (ja) | 分類装置および画像分類システム | |
CN114299036A (zh) | 电子元件的检测方法及装置、存储介质、电子设备 | |
CN111767273B (zh) | 基于改进som算法的数据智能检测方法及装置 | |
JP2002366929A (ja) | 印刷物の不良欠点抽出処理方法及び装置 | |
CN109740527A (zh) | 一种视频帧中图像处理方法 | |
WO2019180868A1 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
CN112329879A (zh) | 基于反事实多智能体学习的图像场景图的生成方法和系统 | |
CN115861306B (zh) | 一种基于自监督拼图模块的工业品异常检测方法 | |
CN109671081A (zh) | 一种基于fpga查找表的坏簇统计方法及装置 | |
CN114611863A (zh) | 一种基于大数据的电商产品包装品质检测方法 | |
CN114565051A (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
WO2022029771A1 (en) | Adaptive system and method for inspection of imaged items | |
EP3748549B1 (en) | Learning device and learning method | |
JP2021131835A (ja) | 画像処理システム、及び画像処理プログラム | |
WO2023095416A1 (ja) | 表示装置の検査方法及び情報処理装置 | |
WO2023095417A1 (ja) | 画像のコントラスト強調方法及び情報処理装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20011219 |
|
C20 | Patent right or utility model deemed to be abandoned or is abandoned |