画像入力のホップフィールドネットワークと単純パーセプトロンによるダイズ葉形判別モデル

※アーカイブの成果情報は、発表されてから年数が経っており、情報が古くなっております。
同一分野の研究については、なるべく新しい情報を検索ください。

要約

ダイズ葉形の判別モデルとして,画像入力のホップフィールドネットワーク及び単純パーセプトロンを検討した.葉形分布によって学習させると,39品種を含むデータで最高80%以上の判別率を達成することができた.

  • 担当:農業研究センター・研究情報部・情報解析研究室
  • 連絡先:0298-38-8948
  • 部会名:情報研究
  • 専門:情報管理
  • 分類:研究

背景・ねらい

専門家の視覚的判断は優れた結果をもたらす一方で,長い経験が必要であり,作業の省力化・安定化のためにもそれを代替する定量的手法が望まれている.二次元形状も判断対象となる重要な形質の一つであるが,汎用性の高い定量的判別手法は確立されていない.そこで,特徴抽出の必要ない画像入力のニューラル ネットワークを用いた形状判別モデル開発の一例として,ダイズ葉形による品種判別を扱い,ホップフィールドネットワーク(Hopfield Network, HN)及び単純パーセプトロン(Simple Perceptron, SP)の適用を検討する.

成果の内容・特徴

  • 標準化楕円フーリエ係数で表現されたダイズ個葉(中央の小葉)の輪郭データ39品種375枚分から輪郭線を復元し,葉の内部を塗りつぶして個葉画像を作成した(図1).さらに学習データとして,同一品種内で,楕円フーリエ係数の平均から平均葉形画像を,個葉画像の輝度値の平均から葉形分布画像(図2)を作成した.いずれの画像も,サイズは16×16画素及び32×32画素の二種類とした.
  • HNによる連想記憶及びSPによる識別器の構造を,それぞれ図3,図4に示す.いずれも線形素子からなる.したがって結合係数は,学習データの入力と目標出力から作られる連立一次方程式の解として求められる.この解は二画像, 間の類似度に相当するオーバラップ: を用いて記述される.ただし, は画像 の第i成分である.HN(Hopfield, 1982)及びSP (Rosenblatt, 1962)のシミュレータを実装した.
  • オーバラップの二乗和を最小にする平均葉形及び葉形分布の集合をHN及びSPの学習データとし,記憶できる品種数を調べた.また,学習後のニューラルネットワークを評価するために,学習させた品種の個葉画像をテストデータとして入力し,品種判別率を求めた.ネットワーク構造,画像サイズ,学習データによる判別率の差異についても比較・検討した.
  • 記憶品種数と個葉画像の判別率を図5に示す.品種数が15以下のとき,平均葉形及び葉形分布で訓練して判別率を求めたが,平均葉形で訓練したほうが判別率の降下が著しかった.品種数16以上については,葉形分布のみで学習させた.このとき,HN及びSPは39品種すべてを記憶できた.判別率は品種数2のとき100%であり,品種数の増加とともに低下した.また,HNよりSPが高く,16×16画素より32×32画素のほうが高い値を示した.16×16画素では解像度が低く,画像間の相関が高く なって判別が困難になったと考えられる.32×32画素の葉形分布で訓練したSPでは,常に80%以上の判別率を達成し,有効性が示唆された.

成果の活用面・留意点

  • 種子,葉など比較的単純な形状を,判別する問題に容易に応用できる.
  • 画像中の対象の大きさ・位置・向きが一定になるよう規格化しておく必要がある.

具体的データ

図1:個葉画像と平均葉形・葉形分布
図1:個葉画像と平均葉形・葉形分布

図2:供試した品種の葉形分布
図2:供試した品種の葉形分布

図3:ホップフィールドネットワーク
図3:ホップフィールドネットワーク

図4:単純パーセプトロン
図4:単純パーセプトロン

図5:記憶品種数と判別率
図5:記憶品種数と判別率

その他

  • 研究課題名:農業における経験的判断のモデル化と意志決定支援システムの開発
  • 予算区分 :経常・総合的開発[軽労化]
  • 研究期間 :平8年度(平6~8年度)