JP5237596B2

JP5237596B2 - 判別装置

Info

Publication number: JP5237596B2
Application number: JP2007210379A
Authority: JP
Inventors: 大和神田
Original assignee: Olympus Corp
Current assignee: Olympus Corp
Priority date: 2007-08-10
Filing date: 2007-08-10
Publication date: 2013-07-17
Anticipated expiration: 2027-08-10
Also published as: CN101779213A; US9031882B2; US20100135533A1; JP2009043197A; CN101779213B; WO2009022529A1

Description

本発明は、判別対象に関する複数の特徴量を基に、判別対象のカテゴリを判別する判別装置に関するものである。

従来から、路面を撮影した画像を基に、自動的に路面の状態を判別する判別装置や、シリコンウエハを撮影した画像を基に、自動的にシリコンウエハ上の状態を判別する判別装置等が知られている。これらの判別装置は、画像中に撮影されている被写体の状態を複数のカテゴリに分類し、輝度、彩度等の画像の特徴量を基に、被写体がいずれのカテゴリに属するかを判別することによって、被写体の状態を判別する。

従来の判別装置は、例えば、特徴量を座標軸とした特徴空間において、各カテゴリの教師データの分布を正規分布の集合（混合正規分布）とみなし、各カテゴリのデータの生起確率を示す確率密度関数を推定して、この関数を基に対象データのカテゴリを判別する（特許文献１参照）。

また、従来の判別装置は、特徴空間において、各カテゴリの教師データの分布を代表するデータ（プロトタイプ）を決定して、プロトタイプと対象データとの特徴空間内での距離を基に、対象データのカテゴリを判別する（特許文献２参照）。

特開２００４−２７４４３１号公報特開２００６−１２０６９号公報

しかしながら、確率密度関数を基に対象データのカテゴリを判別する判別装置では、教師データの分布を正規分布の集合に近似させて確率密度関数を算出するので、教師データの分布が複雑な場合、近似精度が悪く、判別精度が低下するという問題点がある。

また、特徴空間におけるプロトタイプと対象データとの距離を基に対象データのカテゴリを判別する判別装置では、教師データの分布が複雑な場合、プロトタイプが少ないと判別精度が低下し、一方、プロトタイプが多いと判別精度は向上するが計算量が多くなるという問題点がある。

本発明は、上記に鑑みてなされたものであって、各カテゴリのデータ分布が複雑な場合にも、従来の判別装置と比較して、少ない計算量で精度よく、判別対象の属するカテゴリを判別することができる判別装置を提供することを特徴とする。

上述した課題を解決し、目的を達成するために、本発明にかかる判別装置は、複数の節点と該節点をつなぐ線分とよりなる閉領域であって、特徴空間における同一カテゴリのデータ分布形状に対応した前記閉領域についての情報である領域情報を記録する領域情報記録手段と、前記特徴空間における判別対象の位置と前記領域情報とに基づき、前記判別対象のカテゴリを決定するカテゴリ決定手段と、を備えることを特徴とする。

本発明にかかる判別装置によれば、カテゴリ決定手段が、特徴空間における判別対象の位置と、領域情報記録手段に記録されている各カテゴリの領域情報とに基づき判別対象のカテゴリを決定することにより、従来の判別装置と比較して、少ない代表データによって正確に教師データの分布を代表できる領域情報を用いて判別対象のカテゴリを決定するので、教師データの分布が複雑な場合であっても、従来の判別装置と比較して少ない計算量で精度良く、判別対象のカテゴリを判別できるとともに、判別処理にかかる時間を短縮できるという効果を奏する。

以下、添付図面を参照して、本発明を実施するための最良の形態である判別装置について説明する。なお、各実施の形態により本発明が限定されるものではない。また、図面の記載において、同一部分または相当する部分には同一の符号を付している。

（実施の形態）
図１は、本発明の実施の形態にかかる判別装置の概略構成を示すブロック図である。図１に示すように、判別装置１は、各種情報を記録する記録部１０と、記録部１０に記録された情報に基づき、判別対象が属するカテゴリを判別する演算を行う演算部２０とを備える。また、判別装置１には、各種情報を入力する入力部３０と、判別結果等を出力する出力部４０とが接続されている。

記録部１０は、更新記憶可能なフラッシュメモリ等のＲＯＭやＲＡＭといった各種ＩＣメモリ、内蔵或いはデータ通信端子で接続されたハードディスク、ＣＤ−ＲＯＭ等の情報記憶媒体及びその読取装置等によって実現され、各種処理プログラム、各処理の処理パラメータ、処理データ等、演算部２０で扱う情報を記録するメモリ１１を有する。

また、記録部１０は、各カテゴリの領域情報を記憶する領域情報記録部１２を有する。領域情報とは、特徴空間において、各カテゴリのデータの分布領域を示す情報であって、具体的には、特徴空間において、各カテゴリのデータの分布に応じて配置された複数の節点および節点どうしを結ぶ線分によって形成される閉領域についての情報である。

演算部２０は、記録部１０に記憶された各種処理プログラムを実行するＣＰＵによって実現される。特に、演算部２０は、領域情報を算出する領域情報算出部２１と、領域情報に基づいて、判別対象が属するカテゴリを決定するカテゴリ決定部２２とを備える。カテゴリ決定部２２は、特徴空間において、判別対象と各カテゴリの閉領域表面との距離を算出する領域表面間距離算出部２２１を有し、判別対象と閉領域表面との距離を基に、判別対象のカテゴリを決定する。なお、教師データおよび判別対象の特徴量を算出する機構は、判別対象に応じて異なり、本実施の形態では特に言及しない。

入力部３０は、各種スイッチ、入力キー、マウス、タッチパネルや、ＵＳＢ，ＩＥＥＥ１３９４等の通信用インターフェースによって実現され、外部からの各カテゴリの教師データおよび判別対象の特徴量についての情報の入力を受け付ける。なお、入力部３０は、各種メモリカード、ＣＤ、ＤＶＤ等の携帯型記憶媒体に対応するインターフェースによっても実現され、この携帯型記録媒体からの各カテゴリの教師データまたは領域情報等の入力を受け付けるようにしてもよい。

出力部４０は、液晶ディスプレイ等によって実現され、画像を含む各種情報を表示する。また、出力部４０は、オペレータに対して各種処理情報の入力を依頼するＧＵＩ（Graphical User Interface）画面を表示する。

次に、図２を参照し、判別対象のカテゴリ決定処理の手順を説明する。図２は、判別装置１のカテゴリ決定処理の流れを示すフローチャートである。まず、演算部２０は、判別対象Ｘの特徴ベクトルを取得する（ステップＳ１０１）。

ここで、特徴ベクトルとは、判別対象の特徴を示す複数の特徴量ｘ_j（ｊ＝１〜Ｋ）を、ベクトルとして表現したものであり、一般的には次式（１）に示すように示される。式（１）において、Ｔは転置、Ｋは特徴ベクトルの次元、すなわち判別対象Ｘを示す特徴量の種類の数を示す。本実施の形態では、特徴ベクトルの次元数は２次元（Ｋ＝２）とする。判別対象または教師データの特徴ベクトルは、特徴空間における判別対象または教師データの座標を示している。

Ｘ＝（ｘ₁、ｘ₂、・・・、ｘ_K）^T （１）

次に、カテゴリ決定部２２は、特徴空間における各カテゴリの領域情報を領域情報記録部１２より取得する（ステップＳ１０２）。次に、領域表面間距離算出部２２１は、特徴空間における、判別対象Ｘと閉領域Ｆｃの表面との距離Ｄｉｓｔ＿ＸＦｃを算出する（ステップＳ１０３）。その後、カテゴリ決定部２２は、領域情報記録部１２に記録されている全てのカテゴリについて距離Ｄｉｓｔ＿ＸＦｃを算出したかを判定し（ステップＳ１０４）、距離Ｄｉｓｔ＿ＸＦｃを算出していないカテゴリがある場合（ステップＳ１０４：Ｎｏ）、再度ステップＳ１０３の処理を行う。

全てのカテゴリについて距離Ｄｉｓｔ＿ＸＦｃを算出した場合（ステップＳ１０４：Ｙｅｓ）、カテゴリ決定部２２は、距離Ｄｉｓｔ＿ＸＦｃが最小となるカテゴリを判別対象Ｘが属するカテゴリと判別する（ステップＳ１０５）。その後、演算部２０は、判別対象Ｘのカテゴリ情報を出力部４０に出力し（ステップＳ１０６）、判別装置１での処理を終了する。このように、判別装置１は、特徴空間において、判別対象Ｘと閉領域Ｆｃの表面との距離に基づいて、判別対象Ｘの属するカテゴリを決定する。

ステップＳ１０２では、カテゴリ決定部２２は、予め領域情報算出部２１によって算出され、領域情報記録部１２に記録された領域情報を取得する。本実施の形態では、領域情報算出部２１は、自己組織化特徴写像（参考文献：Ｔ．コホネン著、徳高平蔵ほか監修：自己組織化マップ、改訂版：シュプリンガー・フェアラーク東京：２００５年）を用いて各カテゴリの領域情報を算出する。

自己組織化写像とは、ニューラルネットワークの一種で、例えば入力層と出力層とによって構成される２層のネットワークである。自己組織化写像によれば、事前に設定した代表ベクトル間の繋がり関係を維持したまま、特徴空間内のデータ分布に対応する代表ベクトルを決定することができる。本実施の形態では、各カテゴリの教師データがニューラルネットワークの入力層に入力され、代表ベクトルの繋がり関係が出力層の構成として示される。

以下に、領域情報算出部２１が行う領域情報算出処理について説明する。まず、領域情報算出部２１は、図３に示すような略円形状の出力層を構成する各節点に対し、特徴空間と同じ次元のランダムな数値ベクトルを割り当てる。この際の数値ベクトルを、節点の数値ベクトル、すなわち代表ベクトルの初期値とする。

その後、領域情報算出部２１は、教師データＸ_Lの特徴ベクトルに対して、最も類似する数値ベクトルが割り当てられた節点Ｎwを求める。次いで、領域情報算出部２１は、節点Ｎwおよび出力層において節点Ｎwの近傍に位置する節点の数値ベクトルを、教師データＸ_Lの特徴ベクトルに類似するように修正する。領域情報算出部２１は、一つの教師データについて、最も類似する節点の決定と、決定した節点および出力層においてこの節点の近傍に位置する節点の数値ベクトルの修正とを、所定回数、繰り返し行う。

領域情報算出部２１は、カテゴリごとに、複数の教師データを用いて節点の数値ベクトルを修正した後、最終的に各節点に割り当てられた数値ベクトルと、各節点の繋がり関係との情報を領域情報として、領域情報記録部１２に記録する。

なお、領域情報算出部２１が、節点Ｎwに対してどの程度近傍に位置する節点の数値ベクトルを、節点Ｎwの数値ベクトルとともに修正するか、および、各節点の数値ベクトルを教師データＸ_Lの特徴ベクトルにどの程度類似させるかは、自己組織化写像において用いられる所定の関数を用いて設定する。通常、領域情報算出部２１は、修正回数の増加に応じて修正量が少なくなるように設定する。

図４は、２次元特徴空間における教師データの分布の具体例を示す図であり、３種類のカテゴリの教師データの分布を示す図である。これに対し、図５は、図４に示す各カテゴリの教師データの分布に対して自己組織化写像を用いて算出した閉領域を示す図である。図５に示すように、特徴空間において、節点と各節点をつなぐ線分とによって囲まれる閉領域が、教師データの分布領域を示している。したがって、領域情報とは、特徴空間における各カテゴリのデータ分布に対応した代表ベクトルと、その繋がり関係を示す情報であることがわかる。なお、判別装置１は、図５に示すような、閉領域が互いに重なり合わないような複数のカテゴリより、判別対象のカテゴリを判別することとする。

なお、本実施の形態では、領域情報算出部２１が、自己組織化写像を用いて閉領域を算出したが、ユーザーが、特徴空間における教師データの分布を目視しながら、教師データの分布形状に合わせて節点の位置および節点の繋がり関係を指定して、教師データの分布領域の輪郭をとり、人為的に閉領域を作成してもよい。閉領域は、教師データの分布形状を反映していれば、教師データのすべてを閉領域に内包しなくてもよい。なお、閉領域は、必ず閉じており有限な領域とする。

また、ステップＳ１０３では、領域表面間距離算出部２２１は、以下の処理手順に従い、特徴空間における判別対象Ｘと各カテゴリの閉領域Ｆｃの表面との距離Ｄｉｓｔ＿ＸＦｃを算出する。図６は、判別対象Ｘと所定のカテゴリの閉領域Ｆｃとの距離を算出する手順を示すフローチャートである。図６に示すように、まず、領域表面間距離算出部２２１は、特徴空間において、判別対象Ｘと所定のカテゴリの閉領域Ｆｃの各節点Ｖｃｉとの距離Ｄｉｓｔ＿ＸＶｃｉを算出する（ステップＳ１０３１）。

その後、領域表面間距離算出部２２１は、節点Ｖｃｉのうち、判別対象Ｘに最も近い節点Ｖｃｉ’を求め、判別対象Ｘと節点Ｖｃｉ’との距離Ｄｉｓｔ＿ＸＶｃｉ’を記録部１０に記憶する（ステップＳ１０３２）。次に、領域表面間距離算出部２２１は、特徴空間において、節点Ｖｃｉ’と、節点Ｖｃｉ’と繋がり関係のある節点とを結ぶ線分によって規定される閉領域Ｆｃの表面に対し、判別対象Ｘより降ろした垂線が閉領域Ｆｃの表面と交わる交点Ｐｃを求める処理を行う（ステップＳ１０３３）。その後、領域表面間距離算出部２２１は、交点Ｐｃが存在するか否かを判断する（ステップＳ１０３４）。

交点Ｐｃが存在する場合（ステップＳ１０３４：Ｙｅｓ）、領域表面間距離算出部２２１は、特徴空間における判別対象Ｘと交点Ｐｃとの距離Ｄｉｓｔ＿ＸＰｃを算出し（ステップＳ１０３５）、この値を、判別対象Ｘと閉領域Ｆｃの表面との距離Ｄｉｓｔ＿ＸＦｃとして（ステップＳ１０３６）、距離Ｄｉｓｔ＿ＸＦｃ算出処理を終了する。一方、交点Ｐｃが存在しない場合（ステップＳ１０３４：Ｎｏ）、領域表面間距離算出部２２１は、距離Ｄｉｓｔ＿ＸＶｃｉ’を距離Ｄｉｓｔ＿ＸＦｃとし（ステップＳ１０３７）、距離Ｄｉｓｔ＿ＸＦｃ算出処理を終了する。このように、領域表面間距離算出部２２１は、特徴空間において、判別対象Ｘと閉領域Ｆｃとの最短距離を算出し、この最短距離を距離Ｄｉｓｔ＿ＸＦｃとする。

なお、ステップＳ１０３１，Ｓ１０３５では、領域表面間距離算出部２２１は、距離Ｄｉｓｔ＿ＸＶｃｉ’，Ｄｉｓｔ＿ＸＰｃとして、ユークリッド距離等を用いる。例えば、距離Ｄｉｓｔ＿ＸＶｃｉ’を算出する場合、ユークリッド距離であれば、次式（２）を用いて算出できる。

式（２）において、Ｋは、特徴ベクトルの次元数を示し、本実施の形態ではＫ＝２である。また、ｖｃｉ_jは、節点Ｖｃｉの数値ベクトルの成分（特徴量）を示し、ｘ_jは判別対象Ｘの特徴ベクトルの成分（特徴量）を示す。

また、ステップＳ１０３３では、領域表面間距離算出部２２１は、判別対象Ｘの特徴ベクトルと、節点の数値ベクトルとに基づき、交点Ｐｃを求める。図７は、２次元特徴空間における閉領域Ｆｃと交点Ｐｃと判別対象Ｘとの位置関係を示した図である。図７に示すように、節点Ｖｃｉ’と、節点Ｖｃｉ’と繋がり関係のある節点Ｖｃａとを結ぶ線分上に交点Ｐｃが存在する。特徴空間における交点Ｐｃの座標は、次式（３）を解くことによって算出できる。なお、次式（３）を解くことによって、交点Ｐｃの座標とともに、実数ｔも算出される。図７に示すように、閉領域Ｆｃの表面上に交点Ｐｃが存在する場合、ｔは、０以上１以下の値となる。

一方、節点Ｖｃａと同じく、特徴空間において、節点Ｖｃｉ’と、節点Ｖｃｉ’と繋がり関係のある節点Ｖｃｂとを通る直線に対し、判別対象Ｘより降ろした垂線とこの直線が交わる交点Ｐの座標も、式（３）の節点Ｖｃａの数値ベクトルと、節点Ｖｃｂの数値ベクトルとを置き換えることで算出できる。ただし、この場合、実数ｔは負の値となり、図７に示すように、交点Ｐは、節点Ｖｃｂと節点Ｖｃｉ’とを結ぶ線分の延長線上に存在し、閉領域Ｆｃの表面上に存在しない。

実際には、領域表面間距離算出部２２１は、式（３）を用いて、特徴空間において、節点Ｖｃｉ’と、節点Ｖｃｉ’と繋がり関係のある節点とを通る直線と、判別対象Ｘよりこの直線に対して降ろした垂線との交点の座標を算出するとともに、実数ｔを算出し、実数ｔが０以上１以下の値であるかにより、交点が閉領域Ｆｃの表面上に位置するかを判定し、位置する場合には、算出した座標を交点Ｐｃの座標とする。このように、領域表面間距離算出部２２１は、節点Ｖｃｉ’と、節点Ｖｃｉ’と繋がり関係のある節点とを用いて、交点Ｐｃの座標および実数ｔを算出する処理を行い、探索的に交点Ｐｃの座標を算出する。

このように、判別装置１は、２次元特徴空間において、各カテゴリの閉領域と判別対象との距離を算出し、判別対象に最も近い閉領域のカテゴリを、判別対象のカテゴリと判別する。閉領域は、従来の判別装置と比較して、少ない代表データで正確に、特徴空間における教師データの分布を代表するので、判別装置１によれば、特徴空間において教師データの分布が複雑な場合にも、少ない計算量で精度良く、判別対象が属するカテゴリを判別できる。したがって、判別処理にかかる時間が、短縮される。

（変形例）
また、上述した実施の形態では、特徴空間は２次元であったが、この実施の形態の変形例では、３次元とする。すなわち、特徴ベクトルを示す式（１）においてＫ＝３となり、カテゴリ決定部２２は、３次元特徴空間において、判別対象と閉領域との距離を算出し、判別対象のカテゴリを決定する。

この場合、領域情報算出部２１は、略球形状の出力層を構成する各節点の数値ベクトルを自己組織化写像によって修正して、図８に示すような立体的な閉領域を算出する。

また、領域表面間距離算出部２２１は、ステップＳ１０３１において、式（２）においてＫ＝３とし、判別対象Ｘと各節点との距離Ｄｉｓｔ＿ＸＶｃｉを算出する。さらに、領域表面間距離算出部２２１は、ステップＳ１０３３では、３次元特徴空間において、判別対象Ｘに最も近接する節点Ｖｃｉ’と、節点Ｖｃｉ’と繋がり関係のある２つの節点との３点を通る平面に対し、判別対象Ｘより降ろした垂線が交わる交点Ｐの座標を算出する。具体的には、図９に示すように、節点Ｖｃｉ’と、節点Ｖｃｉ’と繋がり関係のある節点Ｖｃｄ，Ｖｃｅの特徴ベクトルを用いて、次式（４）により、交点Ｐの座標を算出する。

結合係数ベクトルＺのベクトル成分が全て正である場合、領域表面間距離算出部２２１は、図９に示すように、交点Ｐが節点Ｖｃｉ’，Ｖｃｄ，Ｖｃｅによって囲まれる閉領域Ｆｃの表面上に位置すると判断し、交点Ｐの座標を交点Ｐｃの座標とする。一方、領域表面間距離算出部２２１は、結合係数ベクトルＺのベクトル成分に負の値をとる成分が含まれている場合、交点Ｐは閉領域Ｆｃの表面上には存在しないと判断する。領域表面間距離算出部２２１は、このように交点Ｐｃの座標を求め、距離Ｄｉｓｔ＿ＸＰｃを算出する。最終的に、領域表面間距離算出部２２１は、距離Ｄｉｓｔ＿ＸＶｃｉ’と距離Ｄｉｓｔ＿ＸＰｃとを比較して、距離の小さい方を距離Ｄｉｓｔ＿ＸＦｃとする。

このように、判別装置１によれば、３次元特徴空間においても、判別対象Ｘと各カテゴリの閉領域Ｆｃの表面との距離を算出できる。したがって、教師データおよび判別対象の特徴量が３種類の場合にも、従来の判別装置と比較して少ない計算量で精度良く、判別対象のカテゴリを判別できる。

本発明の実施の形態にかかる判別装置の構成を示すブロック図である。図１に示す判別装置が行う判別処理手順を示すフローチャートである。略円形の出力層を構成する各節点の初期値と各節点の繋がり関係を示す図である。教師データの分布の具体例を示す図である。２次元特徴空間における閉領域の具体例を示す図である。特徴空間において、判別対象と閉領域との距離を算出する処理手順を示すフローチャートである。２次元特徴空間において、判別対象と閉領域との距離を算出する処理を説明する図である。３次元特徴空間における閉領域の具体例を示す図である。３次元特徴空間において、判別対象と閉領域との距離を算出する処理を説明する図である。

符号の説明

１判別装置
１０記録部
１１メモリ
１２領域情報記録部
２０演算部
２１領域情報算出部
２２カテゴリ決定部
２２１領域表面間距離算出部
３０入力部
４０出力部
Ｄｉｓｔ＿ＸＦｃ判別対象Ｘと閉領域Ｆｃ表面との距離
Ｄｉｓｔ＿ＸＰｃ判別対象Ｘと交点Ｐｃとの距離
Ｄｉｓｔ＿ＸＶｃｉ判別対象Ｘと節点Ｖｃｉとの距離
Ｆｃ閉領域
Ｐ判別対象Ｘより閉領域Ｆｃの表面を含む表面に降ろした垂線とこの表面との交点
Ｐｃ判別対象Ｘより閉領域Ｆｃの表面に降ろした垂線と閉領域Ｆｃの表面との交点
Ｖｃｉ、Ｖｃｉ’、Ｖｃａ、Ｖｃｂ、Ｖｃｅ、Ｖｃｄ節点
Ｘ判別対象
Ｚ結合係数ベクトル

Claims

複数の節点と該節点をつなぐ線分とで形成され、特徴空間における同一カテゴリのデータ分布形状に対応した閉領域についての情報である領域情報を記録する領域情報記録手段と、
前記特徴空間における判別対象の位置と前記領域情報とに基づき、前記判別対象のカテゴリを決定するカテゴリ決定手段と、
前記特徴空間において、前記判別対象と前記閉領域の表面との距離を算出する領域表面間距離算出手段と、
を備え、
前記カテゴリ決定手段は、前記距離が最短となる前記カテゴリを前記判別対象の属する前記カテゴリと決定することを特徴とする判別装置。
前記領域情報記録手段は、複数の前記カテゴリに対する前記領域情報を記録することを特徴とする請求項１に記載の判別装置。
前記閉領域は互いに重なり合わないことを特徴とする請求項２に記載の判別装置。
前記特徴空間は２次元または３次元であることを特徴とする請求項１〜３のいずれか一つに記載の判別装置。
前記領域表面間距離算出手段は、前記複数の節点のうちで前記判別対象に最も近い節点と、該節点と繋がり関係のある節点とを結ぶ線分に対し、前記判別対象から降ろした垂線に基づいて、前記距離を算出することを特徴とする請求項１〜４のいずれか一つに記載の判別装置。
略円形状または略球形状を成す前記閉領域の各節点を、自己組織化特徴写像を用いて前記特徴空間内の前記同一カテゴリの前記データ分布形状に合うように配置し、前記閉領域を変形することで前記領域情報を算出する領域情報算出手段を更に備えることを特徴とする請求項１〜５のいずれか一つに記載の判別装置。
前記閉領域は、前記特徴空間における座標軸と非平行である前記線分を含むことを特徴とする請求項１〜６のいずれか一つに記載の判別装置。