JP3648728B2 - 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム - Google Patents
自己組織化特徴マップを用いた鋼材表面の劣化度評価システム Download PDFInfo
- Publication number
- JP3648728B2 JP3648728B2 JP2002151871A JP2002151871A JP3648728B2 JP 3648728 B2 JP3648728 B2 JP 3648728B2 JP 2002151871 A JP2002151871 A JP 2002151871A JP 2002151871 A JP2002151871 A JP 2002151871A JP 3648728 B2 JP3648728 B2 JP 3648728B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- chromaticity
- self
- feature map
- organizing feature
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Spectrometry And Color Measurement (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Description
【産業上の利用分野】
本発明は、鋼材表面の劣化状態を検出し、判定するための自己組織化特徴マップを用いた鋼材表面の劣化度評価システムに関するものである。
【0002】
【従来の技術】
従来、鋼材表面の劣化状態を評価するには、人の視覚や写真による評価に始まり、色標による評価や、超音波によって鋼材の厚さを計測するものなどがある。しかし、人の視覚に頼る調査では、同じものを評価しても定量的に判断するのは難しく、個人によってその評価が異る問題が生じる。超音波測定においては、部分部分は比較的定量的な評価が可能であるが、広い範囲になると、評価に時間と労力がかかり、構造によっては、測定できない個所も生じる問題があった。
【0003】
また、鋼材表面の画像をRGB表色系に変換し、YIQ表色系のデータに変換した後、クラスタリングを行い、各クラスタ毎に鋼材表面の劣化度を評価する方法がとられてきた。
【0004】
しかし、YIQ表色系は、感覚的な色度の差と色度点間の距離が一致していないことで、距離の概念を導入したクラスタリング法を使用した場合に精度が悪くなり、またどのような環境および状況で撮影された画像であるのかを分類する過程が無いことにより、撮影時の光量や光源の違いによって、適切な評価が得られない問題が生じた。
【0005】
【発明が解決しようとする課題】
本発明は、このような問題点に鑑みてなされたものであり、感覚的な色度の差が色度点間の距離に比例しているUCS表色系を用いること、自己組織化特徴マップ(以下SOMと略す)により対象画像の撮影環境および状況を色度の分布状況から分類を行ない、修正対向伝搬ネットワーク(以下MCPと略す)により、対象画像がどの評価パターンに対応するのかを判断することで、鋼材表面の劣化度評価の精度を向上できる、自己組織化特徴マップを用いた鋼材表面の劣化度評価システムを提供しようとするものである。
【0006】
【課題を解決するための手段】
上記目的を達成するために、本発明における自己組織化特徴マップを用いた鋼材表面の劣化度評価システムは、図1の劣化度評価システムのフローチャートに示すように、鋼材表面を撮影した画像をUCS表色系に変換する前処理過程、SOMとMCPを用いた画像の分類過程、クラスタリング法を用いて類似した色度を持つ領域にグループ分けを行う色度による領域の分類過程とクラスタリング結果と劣化度基準とのファジイマッチングにより劣化度レベルを判断する劣化度判別過程で構成されている。
【0007】
画像の前処理過程では、画像をRGB表色系のデータで表した後、異常値の影響を軽減するために画像の平滑化を行う。そして、RGB表色系における色度座標(r,g,b)を、感覚的な色度の差が色度点間の距離に比例するようにUCS表色系における色度座標(u',v',y)に変換する。
【0008】
画像の分類過程では、まず、SOMを用いて対象画面がどのような環境および状況で撮影された画像であるのかを色度の分布状況から分類する。その分類結果に基づき、MCPを用いて画像がどのパターンの評価方法を採用すればよいかの分類を行う。
【0009】
色度による領域の分類過程では、前処理過程より得られる画像のu',v',y色度データと画像の分類過程により得られる評価パターンパラメータを入力として、核抽出法とk平均法クラスタリングにより分類する。まず、初期クラスタおよびクラスタ数を決定するために、核抽出法による階層型クラスタリングを行う。核抽出クラスタリングによって求めたクラスタを初期クラスタとして、k平均法による非階層型クラスタリングを行ない、最終クラスタを決定する。
【0010】
劣化度判別過程では、色度による領域の分類過程により得られた画像のクラスタリング結果と劣化度のファジイ集合を用いて、劣化度の判定を行う。劣化度は、劣化度1から劣化度4と評価対象外領域(便宜上、劣化度5とする)の5段階で表す。劣化度のファジイ集合は、u'−v'平面上の劣化度1から劣化度4の領域と評価対象外領域を表す。それぞれのクラスタについて、すべての劣化度のファジイ集合に対する適合度の計算を行ない、その適合度の大きさにより、各クラスタの劣化度への帰属度が順位付けられる。
【0011】
【発明の実施の形態】
以下、発明の実施の形態を実施例にもとづき図面を参照して説明する。
【0012】
図1は、自己組織化特徴マップを用いた鋼材表面の劣化度評価システムのフローチャートである。画像の前処理過程2では、鋼材表面を撮影した画像1をRGB表色系のデータで表し、異常値による影響を軽減するために、画像の平滑化を行なう。画像の平滑化の例として、ある画素とそれを中心とした5×5の周囲24点について、図2に示すような比重の重みを用いて、「式1」で示される重みつき平均をとり、その値を中心画素の値とする方法を行う。この時、f(i,j)は平滑化前の座標(i,j)の階調ベクトル、g(i,j)は平滑化後の座標(i,j)の階調ベクトル、a(k,l)は重み係数を表す。
【式1】
【0013】
平滑化を行なったRGB表色系における色度座標(r,g,b)を「式2」に従い、(u',v',y)に変換する。色の明るさは、yの値によってのみ表現されている。
【式2】
【0014】
次に、画像の前処理過程2により得られたu’,v’,y色度データを用いて画像の分類5を行う。撮影対象および撮影時の光量・光源の違いを簡単に特徴付けるために色度分布を採用し、UCS色度平面と明るさyの軸によって張られる空間を例えば、0.185<u’<0.235、0.455<v’<0.505を20点、0.2<yく0.8を2点に等間隔に離散化を行う。対象となる画像に対して、離散化された色度の頻度分布を求め、各離散化色度の頻度を、相対頻度が一定値以上であれば1、一定値未満であれば0を割り当てて2値化する。この時、明らかに鋼材の色でない色度ならびに赤錆を示す色度に関しては、予め除去するものとする。この一例を図3、図4、図5に示す。各マス目が離散値に対応しており、着色部分が1に対応している。
【0015】
この画像の分布を用いて、SOMによりどのような環境および状況で撮影された画像であるのかを色度の分布から分類3する。SOMは、大脳皮質の視覚野を人工的に模倣したものであり、図6に示すような入力層とマップ層の2層構造ネットワークである。SOMの出力層であるKohonen層は入力ベクトルをよく似たベクトルにグループ分けし、それを識別する。このグループ分けは、よく似た入力ベクトルに対して同じKohonenニューロンが反応するように、Kohonen層の重みを調節することによって行なわれる。
【0016】
まず、様々な環境および状況で撮影された画像を用いて、SOM上にマッピングを行ない、何度も学習させて、様々な撮影環境および状況に対応したSOMを作成する。
【0017】
SOMの学習は、下に示す手順からなる。
[SOMの学習手順]
(1)近傍関数の初期値h0、学習関数の初期値a0および学習回数Tを定める。次に、入力層とKohonen層の間の重み行列W={wij} を乱数を用いて小さな値に初期化する。
(2)入力ベクトルX={x1,x2,…,xn}をn次元空間の単位ベクトルのみ変換する。つまり、各入力ベクトルを、その先がn次元超球上にあるような矢印として表現する。
(3)Kohonenニューロンへの重みと入力ベクトルの類似度を内積によって定義する。つまり、入力ベクトルをX={x1,x2,…,xn}、KohonenニューロンKjへの重みを{w1j,…,wnj}(重み行列Wの第j列ベクトル)とするとき、Kohonenニューロンの類似度sjを「式3」で与える。
【式3】
そして、類似度が最大となるKohonenニューロンを勝ちニューロンと呼び、Kj*と表す。
(4)勝ちニューロンKj*とその近傍のニューロンへの重みを、「式4」に基づいて更新する。
【式4】
ここで、hj*(j,t,T)は近傍関数と呼ばれ、「式5」で表される。a(t,T)は学習関数と呼ばれ、「式6」で表される。
【式5】
【式6】
ただし、T、a0、h0は、それぞれ学習回数、学習関数、近傍関数に関する定数、|j*-j|はKohonen層での2次元座標上での距離を表す。
(5)学習回数tが、規程の学習回数T以下であれば、(2)から(5)までの手続きを繰り返す。
以上の事から、SOMでは、勝ちニューロンとその近くのKohonenニューロンはすべてその時の入力ベクトルに近づく。
【0018】
得られたマップは、学習に用いた画像に類似した色度分布を持つ画像に対して、それぞれに選択的に反応する。さらに、マップ上のニューロンの近さは、色度分布の近さに対応しており、入力画像の識別細胞の役割を果たしている。この学習させたSOMを用いることで、判定を行う画像が、どのような環境および状況で撮影された画像であるのかを分類することができる。
【0019】
画像の分類手順は、判定を行う画像に対して、画像の前処理を行ない、[SOMの学習手順]の(2)と同様に特徴ベクトルを求める。次に、学習させたSOMに対して、特徴ベクトルを入力し、[SOMの学習手順]の(3)と同様の方法で勝ちニューロンを決定させて分類を行う。
【0020】
SOMの例を図7に示す。ここで、中心に点が描かれている六角形はKohonenニューロンに対応し、各ニューロン間の6角形の濃淡はそれぞれニューロンへの重みベクトルの類似度を表している。濃いほど類似度は低いことを示している。これからも分かるように、色度の頻度分布による特徴ベクトル化とSOMの組み合わせによる分類は、人の行う直感的分類(識別)過程を模倣したものとなっている。
【0021】
次に、MCPを用いて、SOMにより分類された結果を、さらに予備解析等の経験に基づいて適切な評価パターンに分類4する。ここで、使用するネットワークの例を図8に示す。本ネットワークは、訓練モードと認識モードがあり、訓練モードでは、SOMによって得られた直感的分類と予備解析等の経験に基づいた評価パターンの分類の対応を学習させる。認識モードでは、訓練モードによって得られた結合荷重をネットワークに読み込んだ後、入力された各画像に対して、適切な評価パターンを出力する。
【0022】
訓練モードの手順は、まずKohonen層−出力層間の結合荷重zjkをゼロに初期化する。次に、Kohonen層−出力層間では、画像毎の(入力層−Kohonen層における)勝ちニューロンKj*および近傍関数hj*で定義される近傍領域Sj*に含まれるニューロンと、予備解析等によって得られる評価パターンパラメータに対応した出力ニューロンCk*との結合荷重zjkを「式7」により更新する。
【式7】
ここで、hj*(j,t,T)は「式8」で表され、r(t,T)は「式9」で表される。
【式8】
【式9】
ただし、|j*-j|はKohonen層上での2次元座標上での距離、H0、R0は定数、Tは規定の学習回数を表す。学習回数tが規定の学習回数T以下であれば「式7」の手続きを繰り返す。
【0023】
認識モードでは、訓練モードによって得られた結合荷重をネットワークに読み込んだ後、Kohonen層の勝ちニューロンKj*と出力層の各ニューロンPk間との結合荷重zj*kの大きさを比較して、最大値を持つ出力層のニューロンに対応する評価パターンが第1位となる。同様にして、第2位以下の候補が決定される。第1位のみを判定に用いれば、学習ベクトル量子化と同様の判定ができ、第2位以下の候補も用いれば順位付きの評価パターン判定もできる。
【0024】
次に、前処理過程2より得られる画像のu',v',y色度データと画像の分類過程5により得られる評価パターンパラメータを入力として、色度による領域の分類8を行う。まず、yを基準に2つのクラスタ(明るい画素と暗い画素)に分類し、それぞれのクラスタを色度に基づいて、核抽出法6とk平均法クラスタリング7によりさらに分類する。
【0025】
画像の分類過程5により得られる評価パターンパラメータは、各評価パターン(パターン1からパターン5までの5段階)ごとのヒストグラムセルHi(H1,H2,…,Hn)、核となるための最低頻度F0、およびデータの標準偏差に対するクラスタ半径の最小比率D0などを表したものである。パターン1の場合のパラメータは、例えば、「ヒストグラムセルHi(H1,H2,…,Hn)は、(u',v')平面上の0.0025×0.0025の矩形平面、核となるための最低頻度F0は(全データ数)/(頻度が1以上のセルの数)もしくは90点のうち小さい方の値、データの標準偏差に対するクラスタ半径の最小比率D0は1、ただし、標準偏差が0.006以下の場合は、クラスタ半径を0.006とする。」という値で与えられる。
【0026】
まず、初期クラスタおよびクラスタ数を決定するために、前処理によって得られた1つのクラスタに配置されているu',v',yデータをu'−v'平面に射影したものを被クラスタリングデータとし、これを画像の分類過程5から得られる評価パターンパラメータに基づいて、核抽出クラスタリング6を行う。
【0027】
核抽出クラスタリング6は、まずヒストグラムセルHi(H1,H2,…,Hn)、核となるための最低相対頻度F0、およびデータの標準偏差に対するクラスタ半径の最小比率D0などのクラスタリングパラメータの設定を行ない、対象となるすべての被クラスタリングデータを暫定第1クラスタに配置し、対象暫定第1クラスタに属しているデータに対して、以下の再帰的手順を行う。
[核抽出クラスタリングの手順]
(1)与えられた暫定クラスタに属するデータをヒストグラムセルに基づいて、ヒストグラムを作成する。また、同時に対象データ数Nおよび、データの標準偏差sdを求める。
(2)頻度順にヒストグラムセルHiを並び替える。また、一般性を失うことなしに、i<j ⇒|Hi|≧|Hj|とできる。ここで、|Hi|をHiの頻度とする。
(3)i=1、j=iとして、H1を第i核Ciとする。
(4)k=argmin d(Hj,H1) over 1∈{1,…,i}とする。ここで、d(Hj,H1)をHjとH1の中心値間の距離とする。そして、次の手順で順次、核と暫定クラスタを構成する。
(5)d(Hj,Hk)<D0・sdまたは、|Hj|<F0・Nならば、Hjの要素をCkを核とする暫定クラスタに配置する。
(6)d(Hj,Hk)≧D0・sdかつ、|Hj|≧F0・Nならば、i=i+1として、Hjを第i核Ciとする。
(7)j<Mである限り、j=j+1として、(4)(5)(6)を繰り返す。j=Mならば、(8)に進む。
(8)i=1ならば、Ciを核とする暫定クラスタを、1つの最終クラスタとして固定する。
i>1ならば、すべてh∈{1,…,i}に対して、Chを核とする暫定クラスタに対して、再クラスタリングを行う。
【0028】
次に、核抽出クラスタリング6によって求めたクラスタを初期クラスタとして、k平均クラスタリング7を行ない、最終クラスタを決定する。
【0029】
k平均クラスタリング7は、下記の手順からなる。
[k平均クラスタリングの手順]
(1)クラスタの数k、再配置の収束条件などのクラスタリングパラメータを設定する。また、被クラスタリングパラメータを暫定的にk個の初期クラスタに配置する。
(2)k個の各初期クラスタの重心(各クラスタ内の全データの算術平均)を求める。
(3)各被クラスタリングデータに対して、すべてのクラスタ重心との距離(ユークリッド距離)を計算し、それぞれのデータが距離が最小となるクラスタに再配置する。
(4)再配置されたデータで、各クラスタの重心を再計算する。
(5)所属するクラスタを変えたデータの数が、ある閾値以下であれば、収束したとみなし、最終クラスタとして決定する。またそれ以外の時は(3)へ戻って繰り返す。
【0030】
色度による領域の分類過程8により得られた画像のクラスタリング結果と画像の分類過程5により得られた評価パラメータパターンに依存する劣化度ファジイ集合を用いて、劣化度の判定9を行う。劣化度ファジイ集合は、u'−v'平面上の劣化度1から劣化度4の領域と評価対象外領域(便宜上、劣化度5とする)を表す。u'−v'平面(U'×V')上のクラスタの集合をC={Ci} i ∈ {1, … ,k}、クラスタCiの要素をX(i)={xj(i)} j ∈ {1, … ,n(i)}とする。また、劣化度のファジイ集合Ap (p ∈ { 1 , 2 , … , 5 })、そのメンバーシップ関数をμAp(u',v'):U'×V'→[0,1]で表す。この時、クラスタCiと劣化度Apとの適合度s(i,p)∈[0,1]を「式10」を用いて計算する。そして、その適合度の大きさにより、各クラスタの劣化度への帰属度が順位付けられる。一般的には、第1位のみを用いればよいが、第2位以下の候補も用いれば、順位付きの判定もできる。
【式10】
【0031】
図10および図12は、判定結果画像10の例である。図9に示す構造物の外面を撮影した画像を本発明で劣化度評価を行った結果は、図10のように撮影された鋼材表面上に劣化度ごとに異なる色で着色される。同様に、図11に示す鋼管の内面を撮影した画像を本発明で劣化度評価を行った結果は、図12のように撮影された鋼材表面上に劣化度ごとに異なる色で着色され、元画像の各部分の劣化状態を一目で把握することが出来る。
【0032】
【発明の効果】
本発明は、以上に説明した手順で行うことにより、以下に記載するような効果を奏する。
【0033】
鋼材表面の劣化度評価システムに、感覚的な色度の差が色度点間の距離に比例しているUCS表色系を用いることで、距離の概念を導入したクラスタリング法を使用する際に、劣化度評価の精度を上げることができる。
【0034】
また、本発明はSOMにより対象画像の撮影環境および状況を色度の分布状況から画像の分類を行ない、MCPにより対象画像がどのパターンの評価方法を採用すればよいかを予備解析等の経験から分類を行うことで、撮影時の光量・光源の違いによる色度分布の違いに対応できる。
【図面の簡単な説明】
【図1】自己組織化特徴マップを用いた劣化度評価システムのフローチャート
【図2】画像の平滑化の例
【図3】鋼管内面画像の例
【図4】離散化した色度の頻度分布の例
【図5】離散化した色度の頻度分布の例
【図6】自己組織化特徴マップのネットワーク図
【図7】自己組織化特徴マップ
【図8】修正対向伝搬ネットワーク図
【図9】構造物外面画像
【図10】構造物外面画像の判定結果画像
【図11】鋼管内面画像
【図12】鋼管内面画像の判定結果画像
【符号の説明】
1 画像
2 画像の前処理過程
3 SOMによる分類
4 MCPによる分類
5 画像の分類過程
6 核抽出クラスタリング
7 k平均クラスタリング
8 色度による領域の分類過程
9 劣化度判定過程
10 判定結果画像
Claims (2)
- 鋼材表面を撮影した画像を用いて、鋼材表面の劣化度を画像処理により評価する方法において、画像データをUCS表色系に変換する前処理過程と、対象画像がどのような環境および状況で撮影された画像であるかを分類する画像の分類過程と、クラスタリング法を用いて類似した色度を持つ領域にグループ分けを行う色度による領域の分類過程と、クラスタリング結果と劣化度基準とのファジイマッチングにより劣化度レベルを判断する劣化度判別過程により、鋼材表面の劣化度を評価することを特徴とする、自己組織化特徴マップを用いた鋼材表面の劣化度評価システム。
- 請求項1に記載の画像の分類過程において、様々な環境および状況で撮影された画像を用いて学習させた自己組織化特徴マップにより、対象画像の撮影環境および状況を色度の分布状況から分類を行うこと、自己組織化特徴マップによる分類結果に基づいて、対象画像がどの評価パターンに対応するのかを修正対向伝搬ネットワークにより、判断することを特徴とする、自己組織化特徴マップを用いた鋼材表面の劣化度評価システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002151871A JP3648728B2 (ja) | 2002-05-27 | 2002-05-27 | 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002151871A JP3648728B2 (ja) | 2002-05-27 | 2002-05-27 | 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2003344270A JP2003344270A (ja) | 2003-12-03 |
JP3648728B2 true JP3648728B2 (ja) | 2005-05-18 |
Family
ID=29769330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002151871A Expired - Fee Related JP3648728B2 (ja) | 2002-05-27 | 2002-05-27 | 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3648728B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111603100A (zh) * | 2020-05-08 | 2020-09-01 | 江苏美的清洁电器股份有限公司 | 扫地机清扫地图的存储和复用方法、及存储和复用装置 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7716169B2 (en) | 2005-12-08 | 2010-05-11 | Electronics And Telecommunications Research Institute | System for and method of extracting and clustering information |
US20070206844A1 (en) * | 2006-03-03 | 2007-09-06 | Fuji Photo Film Co., Ltd. | Method and apparatus for breast border detection |
JP5375398B2 (ja) * | 2008-06-30 | 2013-12-25 | 株式会社デンロコーポレーション | 塗装劣化診断方法および装置 |
JP7292979B2 (ja) * | 2019-05-31 | 2023-06-19 | 株式会社東芝 | 画像処理装置及び画像処理方法 |
JP2021056117A (ja) * | 2019-09-30 | 2021-04-08 | 日立造船株式会社 | 評価装置、評価システム、制御プログラム、および評価方法 |
CN111401764B (zh) * | 2020-03-24 | 2022-05-10 | 福建江夏学院 | 一种基于cpn网络模型的图书馆用户满意度综合评估方法 |
CN117648591B (zh) * | 2024-01-30 | 2024-04-30 | 南昌工程学院 | 一种计及高海拔环境影响的复合绝缘子劣化状态评价方法 |
-
2002
- 2002-05-27 JP JP2002151871A patent/JP3648728B2/ja not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111603100A (zh) * | 2020-05-08 | 2020-09-01 | 江苏美的清洁电器股份有限公司 | 扫地机清扫地图的存储和复用方法、及存储和复用装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2003344270A (ja) | 2003-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN101563710B (zh) | 识别由视频监视摄像机检测到的对象的特性的方法及装置 | |
CN104680524B (zh) | 一种叶类蔬菜病害诊断方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN109509196B (zh) | 一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
Arumugadevi et al. | Color image segmentation using feedforward neural networks with FCM | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
Wang et al. | GKFC-CNN: Modified Gaussian kernel fuzzy C-means and convolutional neural network for apple segmentation and recognition | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
CN113326735B (zh) | 一种基于YOLOv5的多模态小目标检测方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN109598200B (zh) | 一种铁水罐罐号的图像智能识别***及方法 | |
JP3648728B2 (ja) | 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム | |
Chang et al. | An unsupervised neural network approach for automatic semiconductor wafer defect inspection | |
Wang et al. | An edge detection method by combining fuzzy logic and neural network | |
CN103226698B (zh) | 一种人脸检测方法 | |
GB2604706A (en) | System and method for diagnosing small bowel cleanliness | |
CN117372332A (zh) | 一种基于改进YOLOv7模型的织物瑕疵检测方法 | |
CN116485021A (zh) | 一种煤炭企业技术技能人才人岗匹配预测方法与*** | |
CN113077002A (zh) | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 | |
Posokhov et al. | Method and algorithms for cascade classification of sulfur print images of billet transverse templates | |
CN106780471B (zh) | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 | |
Sharma et al. | Voting classification method with clustering method for the plant disease detection | |
CN117853926B (zh) | 一种基于人工神经网络分类的建筑物检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20041227 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20050125 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050204 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 3648728 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080225 Year of fee payment: 3 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080225 Year of fee payment: 3 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090225 Year of fee payment: 4 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100225 Year of fee payment: 5 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110225 Year of fee payment: 6 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120225 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130225 Year of fee payment: 8 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140225 Year of fee payment: 9 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |