CN112154463A - 信息处理装置、信息处理方法以及信息处理程序 - Google Patents

信息处理装置、信息处理方法以及信息处理程序 Download PDF

Info

Publication number
CN112154463A
CN112154463A CN201880093387.6A CN201880093387A CN112154463A CN 112154463 A CN112154463 A CN 112154463A CN 201880093387 A CN201880093387 A CN 201880093387A CN 112154463 A CN112154463 A CN 112154463A
Authority
CN
China
Prior art keywords
image processing
processing program
image
original images
unit
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
Application number
CN201880093387.6A
Other languages
English (en)
Inventor
长门毅
冈本浩明
肥塚哲男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
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 Fujitsu Ltd filed Critical Fujitsu Ltd
Publication of CN112154463A publication Critical patent/CN112154463A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供信息处理装置，具备：特征量计算部，根据多个学习用的原图像来计算图像特征量；分类部，通过使用上述图像特征量对上述多个原图像进行聚类来将上述多个原图像分类为各类别；评价部，按照通过上述分类部分类的每个类别，计算对于上述多个原图像的图像处理程序的评价值；程序生成部，基于按照类别计算出的上述评价值通过遗传程序设计来生成图像处理程序；以及储存部，将上述评价值满足规定条件的图像处理程序与各类别建立关联并储存。

Description

信息处理装置、信息处理方法以及信息处理程序
技术领域
本发明涉及信息处理装置、信息处理方法以及信息处理程序。
背景技术
公开了准备学习用的原图像和目标图像，通过遗传程序设计自动地生成适应度较高的图像处理程序的技术(例如，参照专利文献1)。
专利文献1：日本特开2008－299687号公报
然而，由于拍摄环境的不同等，而有生成对特定的原图像具有较高的适应度的图像处理程序的情况。这样的图像处理程序并不对其它的原图像也具有较高的适应度，所以有在生存选择时被淘汰的可能性。该情况下，有到得到所希望的精度为止的学习时间较长的可能。
发明内容
在一个侧面，本发明的目的在于提供能够在短时间生成精度较高的图像处理程序的信息处理装置、信息处理方法以及信息处理程序。
在一个方式中，信息处理装置具备：特征量计算部，根据多个学习用的原图像来计算图像特征量；分类部，通过使用上述图像特征量对上述多个原图像进行聚类来将上述多个原图像分类为各类别；评价部，按照通过上述分类部分类的每个类别，计算对于上述多个原图像的图像处理程序的评价值；程序生成部，基于按照类别计算出的上述评价值通过遗传程序设计来生成图像处理程序；以及储存部，将上述评价值满足规定条件的图像处理程序与各类别建立关联并储存。
能够在短时间生成精度较高的图像处理程序。
附图说明
图1(a)～(c)是例示图像处理的图。
图2是例示图像处理程序的修正的图。
图3是用于说明遗传程序设计的概要的图。
图4是例示遗传的处理的图。
图5是例示适应度的图。
图6是例示图像处理程序的评价的图。
图7是例示实施例1的图像处理装置的整体构成的框图。
图8是例示表示在学习处理时通过信息处理装置执行的各处理的流程图的图。
图9是例示学习处理的概要的图。
图10是例示表示在检查处理时通过信息处理装置执行的各处理的流程图的图。
图11是例示检查处理的概要的图。
图12是用于说明信息处理装置的硬件构成的框图。
具体实施方式
在实施例的说明之前，对外观检查的概要进行说明。
在外观检查中，使用照相机等拍摄装置拍摄检查对象的外观，判定缺陷的有无。特别是，在FA(工厂自动化)领域中，在拍摄图像产生与现场的拍摄环境对应的噪声、阴影、亮度的变动等的情况较多。例如，如图1(a)以及图1(b)所例示的那样，有亮度产生变动的情况。在这样的情况下，图像处理程序也期望对环境变化稳健的处理。例如，如图1(c)所例示的那样，期望能够从亮度不同的图像得到相同的图像。
另外，在开发检查装置并开始了实际的制造之后，如图2所例示的那样，有亮度等装置环境变化而识别率降低的情况。该情况下，修正图像处理程序。另外，有部件使用变更，而部件的方向等检查对象变更的情况。在这种情况下识别率也降低，所以重建图像处理程序。为了这些修正、重建，需要使生产线停止。因此，需要迅速地修正图像处理程序的技术。
作为图像处理程序的自动生成方法，考虑使用遗传程序设计(GP：GeneticProgramming)。图像处理程序具备用于进行彼此独立的图像处理的多个处理程序。通过以树结构的形式组合这些多个处理程序执行一系列的程序处理，能够实现作为目标的图像处理。通过对树结构状的处理程序的集团实施交叉或者突变等遗传处理，进行适应度较高的图像处理程序的生成。适应度是指自动生成的树结构状的处理程序的输出结果相对于作为目标的结果在何种程度良好的指标。在得到具有规定的阈值以上的适应度的树结构状的处理程序的情况下视为学习完成。在该情况下得到的树结构状的处理程序成为执行目标的图像处理的图像处理程序。
图3是用于说明遗传程序设计的概要的图。首先，制成多个初始个体。在图3中，作为圆形的“个体”示出的个体分别表示具有树结构状的处理程序的图像处理程序。即，一个个体是一个图像处理程序，具有树结构状的处理程序。在图3中，包含于图像处理程序的“F1”～“F5”是处理程序(过滤器)，“I”是输入图像，“O”是输出图像。通过生成多个初始个体，能够生成母体(集合)。
接下来，从母体选择多个个体并取出。接下来，对取出的多个个体进行遗传处理，生成多个子个体。遗传处理是指如图4所例示的那样，对树结构状的处理程序进行交叉或者突变的遗传处理的处理。
接下来，对各子个体计算适应度。图5是例示适应度的图。首先，准备学习数据。学习数据包含有多个原图像、和作为各原图像的目标的结果亦即多个目标图像。例如，各目标图像1～N分别与原图像1～N对应。如图5所例示的那样，能够通过对各原图像1～N进行各个体的处理，并将成为处理结果的各输出图像1～N与各目标图像1～N进行比较来计算适应度。例如，适应度是各输出图像1～N与各目标图像1～N的相似度越高其值越高的指标。在图5的例子中，过滤器结构1的个体的适应度(＝0.9)比过滤器结构2的个体的适应度(＝0.6)高。
如图3所例示的那样，接着进行生存选择。首先，根据适应度决定一个个体。例如，将适应度最高的个体决定为最佳个体。另外，通过基于轮盘的随机选择决定个体。接下来，将决定的多个个体与母体的个体更换。接下来，在母体中，若各个体的适应度中最大值超过阈值，则将适应度超过阈值的个体保存为最佳个体。
由此，通过准备原图像的集合和目标图像的集合作为学习数据，能够自动地构建最佳的图像处理程序。另外，通过准备多个拍摄环境不同的原图像的集合和目标图像的集合，能够自动构成稳健的图像处理程序。
为了自动构成稳健的图像处理程序，将考虑了拍摄环境的变化(例如亮度的变动)的多个原图像设定为学***均。然而，在基于平均的评价方法中，有淘汰在特定的拍摄环境中评价较高的树结构的可能性。
例如，如图6所例示那样，假定在利用学***均值最高。该情况下，在基于上述的平均的评价方法中，通过生存选择在下一代剩下来图像处理程序3，淘汰在特定环境下评价较高的图像处理程序1以及图像处理程序2。因此，在基于平均的评价方法中有先进行有通用性的树结构的构建，到得到所希望的精度为止的学习速度较慢的问题。因此，需要长时间的学习执行，或者对学习数据进行分割使进行多次学习，从而高效的学习方法的确立成为课题。
因此，在以下的实施例中，对能够在短时间自动生成精度较高的图像处理程序的信息处理装置、信息处理方法以及信息处理程序进行说明。
实施例1
图7是例示实施例1的图像处理装置200的整体构成的框图。如图7所例示的那样，图像处理装置200具备信息处理装置100、拍摄装置101、输入装置102、以及显示装置103等。信息处理装置100具备示教部10、特征量计算部20、类别分类部30、数据存储部40、程序生成部50、程序处理部60、以及类别判定部70等。程序生成部50具备适应度计算部51。
拍摄装置101是照相机等装置。拍摄装置101拍摄对象物。对象物是指检查对象。输入装置102是用于对输入到信息处理装置100的图像的图像种类(原图像、目标图像以及检查用图像)进行输入的装置，是键盘、鼠标等。显示装置103是显示信息处理装置100的处理结果的装置，是液晶显示器等。
拍摄装置101获取的图像作为输入图像输入到信息处理装置100。用户使用输入装置102对输入图像的图像种类进行输入。示教部10将图像种类与输入图像建立关联。在学习处理中，各输入图像作为学习数据输入。将原图像或者目标图像与各输入图像建立关联。数据存储部40储存与图像种类建立了关联的输入图像。例如，成对地储存原图像、和根据该原图像得到的目标图像。在分别输入多个原图像以及目标图像的情况下，对原图像1～N储存与该原图像1～N对应的目标图像1～N。
(学习处理)
图8是例示表示在学习处理时，通过信息处理装置100执行的各处理的流程图的图。以下，参照图8，对学习处理进行说明。首先，特征量计算部20计算储存于数据存储部40的原图像1～N各自的图像特征量(步骤S1)。例如，图像处理程序是图像处理中的空间过滤器、阈值处理的树结构状的组合。在图像的整个区域实施基于图像处理程序的图像处理。因此，在本实施例中，将原图像的图像特征考虑为图像整体的亮度、清晰度，将图像的亮度直方图、空间频率信息等作为图像特征量。
类别分类部30使用特征量计算部20计算出的图像特征量，通过K－means：K均值法等，对原图像1～N进行聚类(步骤S2)。由此，类别分类部30将原图像1～N分类为各类别。数据存储部40对各原图像1～N，与所属的类别建立关联，并作为类别信息储存。另外，数据存储部40将原图像1～N的图像特征量的分布以及成为各类别的中心的图像特征量与各类别建立关联，并作为图像特征量分布储存(步骤S3)。
接下来，程序生成部50使用原图像1～N生成多个初始个体作为母体(初始程序组)(步骤S4)。生成的程序储存于数据存储部40。步骤S4在图3中相当于初始个体的生成。接下来，适应度计算部51使用分类为各类别的原图像，按照类别，对母体的各个体计算适应度(评价值)(步骤S5)。例如，在类别1包含原图像1～3的情况下，计算对原图像1～3进行图像处理的情况下的各输出图像1～3与各目标图像1～3的相似度的平均值等作为适应度。
接下来，程序生成部50决定下一代的母体(步骤S6)。例如，程序生成部50通过均匀随机数从母体随机地决定与类别数M数目相同的个体。
接下来，程序生成部50通过进化过程(交叉和突变)从在步骤S6选择的母体，生成多个子个体(步骤S7)。例如，通过均匀随机数从在步骤S6选择的M个个体选择两个个体进行交叉。接下来，适应度计算部51按照类别，计算各子个体的适应度(步骤S8)。接下来，程序生成部50按照类别，判定条件是否成立(步骤S9)。例如，按照类别，判定子个体的适应度的最大值是否在阈值以上。
在步骤S9判定为“否”的情况下，程序生成部50根据每个类别的评价值的分布，从子个体组选择多个子个体，并与母体更换来更新母体(步骤S10)。作为该情况下的选择方法，例如能够使用各类别中评价值最大的M个子个体、与评价值对应的轮盘选择等。例如，能够使用评价值越高被选择的概率越高，评价值越低被选择的概率越低的轮盘选择。例如，将在步骤S10选择的M个子个体替换为在步骤S6决定的个体。其后，从步骤S6再次执行。在步骤S9判定为“是”的情况下，程序生成部50按照类别输出具有最大的适应度的个体(图像处理程序)(步骤S11)。输出的图像处理程序与各类别建立关联，并储存于数据存储部40。
图9是例示以上的学***均的适应度。在对类别A以及类别B的平均值中，图像处理程序3具有最高的适应度。因此，在基于平均的评价方法中，图像处理程序3成为生存个体。与此相对，在本实施例中，图像处理程序1成为对于类别A的生存个体，图像处理程序2成为对于类别B的生存个体。因此，根据本实施例，对一部分的学习数据非常有效的图像处理程序不被淘汰而剩到下一代。
(检查处理)
图10是例示表示在检查处理时，通过信息处理装置100执行的各处理的流程图的图。以下，参照图10，对检查处理进行说明。针对检查对象，拍摄装置101所获取的图像作为输入图像输入到信息处理装置100。在检查处理中，示教部10将输入图像的种类作为检查用图像。特征量计算部20根据检查用图像计算图像特征量(步骤S21)。该情况下的图像特征量的种类与在学习处理使用的图像特征量相同。类别判定部70计算储存于数据存储部40的各类别中心的图像特征量与在步骤S21计算出的图像特征量的距离(步骤S22)。例如，能够使用距离类别中心的图像特征量的欧几里得距离、马哈拉诺比斯距离等。
接下来，类别判定部70将距离最短的类别判定为对象类别(步骤S23)。接下来，程序处理部60使用储存于数据存储部40的图像处理程序中在步骤S23判定出的对象类别的图像处理程序，对检查用图像进行图像处理(步骤S24)。其后，例如进行优劣判定等。
图11是例示以上的检查处理的概要的图。如图11所例示的那样，根据检查用图像计算图像特征量。使用计算出的图像特征量，进行类别判定。在判定为检查用图像属于类别A的情况下，通过类别A的最佳的图像处理程序进行图像处理。在判定为检查用图像属于类别B的情况下，通过类别B的最佳的图像处理程序进行图像处理。由此，进行适当的图像处理。
根据本实施例，通过使用根据多个学***均的评价的情况下学习数据的选定需要经验，但在本实施例中能够不管学习数据的图像特征之差而进行学习。由此，不是专家也能够通过简单的图像示教构建高性能的图像处理程序，能够实现生产线的更换时的早期构建、对异常动作的迅速的改善。
图12是用于说明信息处理装置100的硬件构成的框图。如图12所例示的那样，信息处理装置100具备CPU201、RAM202、存储装置203等。CPU(Central Processing Unit：中央处理器)201是中央运算处理装置。CPU201包含一个以上的核。RAM(Random Access Memory：随机存储器)202是暂时存储CPU201执行的程序、CPU201进行处理的数据等的易失性存储器。存储装置203是非易失性存储装置。作为存储装置203，例如能够使用ROM(Read OnlyMemory：只读存储器)、闪存等固盘(SSD)、被硬盘驱动器驱动的硬盘等。存储装置203存储信息处理程序。CPU201通过执行存储于存储装置203的信息处理程序，实现信息处理装置100的各部。此外，信息处理装置100的各部也可以是专用的电路等硬件。
在上述实施例中，特征量计算部20作为根据多个学习用的原图像计算图像特征量的特征量计算部的一个例子发挥作用。类别分类部30作为通过使用上述图像特征量对上述多个原图像进行聚类而将上述多个原图像分类为各类别的分类部的一个例子发挥作用。适应度计算部51作为对通过上述分类部进行了分类的每个类别计算对上述多个原图像的图像处理程序的评价值的评价部的一个例子发挥作用。程序生成部50作为通过遗传程序设计基于对每个类别计算出的上述评价值生成图像处理程序的程序生成部的一个例子发挥作用。数据存储部40作为将上述评价值满足规定条件的图像处理程序与各类别建立关联并储存的储存部的一个例子发挥作用。
以上，对本发明的实施例进行了详述，但本发明并不限定于这样的特定的实施例，在技术方案所记载的本发明的主旨的范围内能够进行各种变形·变更。
附图标记说明
10…示教部，20…特征量计算部，30…类别分类部，40…数据存储部，50…程序生成部，51…适应度计算部，60…程序处理部，70…类别判定部，100…信息处理装置，101…拍摄装置，102…输入装置，103…显示装置，200…图像处理装置。

Claims (6)

1.一种信息处理装置，其特征在于，具备：
特征量计算部，根据多个学习用的原图像来计算图像特征量；
分类部，通过使用上述图像特征量对上述多个原图像进行聚类来将上述多个原图像分类为各类别；
评价部，按照通过上述分类部分类的每个类别，计算对于上述多个原图像的图像处理程序的评价值；
程序生成部，基于按照类别计算出的上述评价值通过遗传程序设计来生成图像处理程序；以及
储存部，将上述评价值满足规定条件的图像处理程序与各类别建立关联并储存。
2.根据权利要求1所述的信息处理装置，其特征在于，
上述评价部按照每个类别计算上述评价值的最大值作为上述图像处理程序的评价值。
3.根据权利要求1或者2所述的信息处理装置，其特征在于，
上述程序生成部在通过上述遗传程序设计生成图像处理程序时，在生存选择时使用各类别中上述评价值最大的图像处理程序作为下一代的母体。
4.根据权利要求1～3中任意一项所述的信息处理装置，其特征在于，
上述分类部使用上述特征量计算部对检查用图像计算出的特征量进行聚类，
具备图像处理部，该图像处理部从上述储存部获取与通过上述聚类得到的类别建立关联的图像处理程序，并通过该图像处理程序对上述检查用图像数据进行图像处理。
5.一种信息处理方法，其特征在于，
特征量计算部根据多个学习用的原图像来计算图像特征量，
分类部通过使用上述图像特征量对上述多个原图像进行聚类来将上述多个原图像分类为各类别，
评价部按照通过上述分类部分类的每个类别，计算对于上述多个原图像的图像处理程序的评价值，
程序生成部基于按照类别计算出的上述评价值通过遗传程序设计来生成图像处理程序，
储存部将上述评价值满足规定条件的图像处理程序与各类别建立关联并储存。
6.一种信息处理程序，其特征在于，
使计算机执行以下处理，
根据多个学习用的原图像来计算图像特征量；
通过使用上述图像特征量对上述多个原图像进行聚类来将上述多个原图像分类为各类别；
按照分类的每个类别，计算对于上述多个原图像的图像处理程序的评价值；
基于按照类别计算出的上述评价值通过遗传程序设计来生成图像处理程序；以及
将上述评价值满足规定条件的图像处理程序与各类别建立关联并储存。
CN201880093387.6A 2018-05-18 2018-05-18 信息处理装置、信息处理方法以及信息处理程序 Pending CN112154463A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/019232 WO2019220608A1 (ja) 2018-05-18 2018-05-18 情報処理装置、情報処理方法および情報処理プログラム

Publications (1)

Publication Number Publication Date
CN112154463A true CN112154463A (zh) 2020-12-29

Family

ID=68539982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880093387.6A Pending CN112154463A (zh) 2018-05-18 2018-05-18 信息处理装置、信息处理方法以及信息处理程序

Country Status (4)

Country Link
US (1) US20210042550A1 (zh)
JP (1) JP7028317B2 (zh)
CN (1) CN112154463A (zh)
WO (1) WO2019220608A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2578769B (en) 2018-11-07 2022-07-20 Advanced Risc Mach Ltd Data processing systems
GB2583061B (en) * 2019-02-12 2023-03-15 Advanced Risc Mach Ltd Data processing systems

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH114415A (ja) * 1997-06-12 1999-01-06 Sony Corp 画像変換装置、画像変換方法、学習装置、学習方法、および、伝送媒体
WO2014104151A1 (ja) * 2012-12-28 2014-07-03 富士通株式会社 画像処理装置及び特徴検出方法
WO2017068675A1 (ja) * 2015-10-22 2017-04-27 富士通株式会社 プログラム生成装置、プログラム生成方法および生成プログラム
CN107636698A (zh) * 2015-06-25 2018-01-26 富士通株式会社 程序生成装置、程序生成方法以及生成程序

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08329032A (ja) * 1995-05-31 1996-12-13 Sanyo Electric Co Ltd ニュ−ラルネット型パターン認識装置及びニュ−ラルネットの学習方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH114415A (ja) * 1997-06-12 1999-01-06 Sony Corp 画像変換装置、画像変換方法、学習装置、学習方法、および、伝送媒体
WO2014104151A1 (ja) * 2012-12-28 2014-07-03 富士通株式会社 画像処理装置及び特徴検出方法
CN107636698A (zh) * 2015-06-25 2018-01-26 富士通株式会社 程序生成装置、程序生成方法以及生成程序
WO2017068675A1 (ja) * 2015-10-22 2017-04-27 富士通株式会社 プログラム生成装置、プログラム生成方法および生成プログラム

Also Published As

Publication number Publication date
WO2019220608A1 (ja) 2019-11-21
US20210042550A1 (en) 2021-02-11
JP7028317B2 (ja) 2022-03-02
JPWO2019220608A1 (ja) 2021-02-25

Similar Documents

Publication Publication Date Title
JP7074460B2 (ja) 画像検査装置および方法
US9002101B2 (en) Recognition device, recognition method, and computer program product
Sznitman et al. Active testing for face detection and localization
US9779329B2 (en) Image processing apparatus, image processing method and program
US20190286982A1 (en) Neural network apparatus, vehicle control system, decomposition device, and program
US9152926B2 (en) Systems, methods, and media for updating a classifier
JP6641195B2 (ja) 最適化方法、最適化装置、プログラムおよび画像処理装置
US20200090036A1 (en) Classification device, classification method, and computer program product
JP5353443B2 (ja) データ分類器作成装置、データ分類装置、データ分類器作成方法、データ分類方法、データ分類器作成プログラム、データ分類プログラム
CN109800781A (zh) 一种图像处理方法、装置及计算机可读存储介质
WO2020012523A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
JP2007128195A (ja) 画像処理システム
WO2021132099A1 (ja) 学習支援装置、学習装置、学習支援方法及び学習支援プログラム
CN112154463A (zh) 信息处理装置、信息处理方法以及信息处理程序
CN112149825A (zh) 神经网络模型的训练方法及装置、电子设备、存储介质
CN114417095A (zh) 一种数据集划分方法及装置
CN111666991A (zh) 基于卷积神经网络的模式识别方法、装置和计算机设备
Divya et al. Segmentation of Defected Regions in Leaves using K-Means and OTSU's Method
CN107403199B (zh) 数据处理方法和装置
KR102504319B1 (ko) 영상 객체 속성 분류 장치 및 방법
JP2016062249A (ja) 識別辞書学習システム、認識辞書学習方法および認識辞書学習プログラム
JP7206892B2 (ja) 画像検査装置、画像検査のための学習方法および画像検査プログラム
US20200167927A1 (en) Apparatus, method, and recording medium
US11284038B2 (en) Information processing apparatus, information processing method, and computer-readable recording medium recording information processing program
Nguyen et al. GMKIT2-FCM: a genetic-based improved multiple kernel interval type-2 fuzzy C-means clustering

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination