[发明专利]图像分类以及分类数据制作系统和方法、存储介质

说明书

本发明涉及图像分类以及分类数据制作系统和方法、存储介质。一种图像分类程序，其用于将所输入的图像进行分类，该程序使计算机作为以下单元来发挥功能：网络，其构筑为对所输入的图像数据执行特征量提取处理和全连接处理；路径提取单元，其提取所述网络中的处理路径；以及判断部，其对由所述路径提取单元提取出的提取路径和与分类相关联的预先设定的多个设定路径进行比较，将与一致的路径相关联的分类设为所述所输入的图像的分类。

技术领域

本发明涉及一种图像分类系统、图像分类方法、分类数据制作系统、分类数据制作方法以及存储介质。

背景技术

以往，进行了使用卷积神经网络(CNN：Convolutional Neural Network)的图像识别处理。

这种卷积神经网络例如被如下地构筑为：作为特征量提取处理，交互地执行卷积处理和池化处理，在这些处理的后级中执行全连接处理。

在卷积处理中，通过对所输入的图像数据进行使用了学习完的多个滤波器的卷积(Convolution)处理来提取包含于图像数据中的特征量。在卷积处理之后的池化处理中，使用学习完的多个滤波器来进行池化处理并通过该处理来吸收特征量的微小变化，该池化处理是从通过卷积处理得到的特征量映射中的附近几个像素的区域中将最大值或者平均值作为特征量来输出的处理。

在全连接处理中，对通过卷积处理和池化处理提取得到的特征量进行使用了学习完的多个单元的全连接处理，由此将包含于图像数据中的对象物进行分类。

专利文献1：日本特开2016-115248号公报

发明内容

发明要解决的问题

这里，在将卷积神经网络例如应用到根据图像来判定产品为合格品还是残次品的系统中的情况下需要充分注意。

即，卷积神经网络能够发挥出较高的识别率。但是，当发挥不出避免发生将残次品判定为合格品的“漏检”那样的高的识别率(即，“漏检”的发生数量极为接近零那样的识别率)时，从精度方面考虑难以在用于判定合格品/残次品的系统中应用卷积神经网络。另外，为了将把残次品判定为合格品的图像改判为残次品，需要追溯到学习阶段，再次构筑网络来进行验证，因此从运用方面考虑也难以在用于判定合格品、残次品的系统中应用卷积神经网络。

本发明鉴于上述情况，其课题在于提供一种能够足够高精度地将图像进行分类的图像分类系统、图像分类方法、分类数据制作系统、分类数据制作方法以及存储介质。

用于解决问题的方案

本发明所涉及的图像分类系统用于将所输入的图像进行分类，该图像分类系统具备：网络，其构筑为对所输入的图像数据执行特征量提取处理和全连接处理；路径提取单元，其对所述网络中的处理路径进行提取；以及判断部，其对由所述路径提取单元提取出的提取路径和与分类相关联的预先设定的多个设定路径进行比较，将与一致的路径相关联的分类设为所述所输入的图像的分类。

在上述结构的图像分类系统中，优选的是，所述路径提取单元是提取以下路径的单元，该路径将从通过所述网络中的所述特征量提取处理得到的多个特征值中选择的至少一个特征值与从通过所述全连接处理得到的多个全连接输出值中选择的至少一个全连接输出值连接，被选择的所述特征值和被选择的所述全连接输出值中的至少一方包含有最大值。

在上述结构的图像分类系统中，优选的是，所述路径提取单元是提取以下路径的单元，该路径将从包含通过所述特征量提取处理得到的多个特征值的特征值群中选择的至少一个特征值与从包含通过所述全连接处理得到的多个全连接输出值的全连接输出值群中选择的至少一个全连接输出值连接，从所述特征值群和所述全连接输出值群中的至少任一方选择至少两个值，该两个值包含有选择源的值群所包含的多个值中的最大值。