紙葉類の汚損度判定装置および汚損度判定方法
【課題】顧客の要求仕様ごとに変化する汚損特徴の重み付けに迅速に対応できる紙葉類の汚損度判定装置および汚損度判定方法を提供する。
【解決手段】紙幣やそれ以外の有価証券等の紙葉類から得られる複数の汚損特徴（折り目、しわ、しみ等）から当該紙葉類の最終的な汚損度を判定する紙葉類の汚損度判定装置において、複数の汚損特徴の値を入力し、この入力された複数の汚損特徴と、複数の汚損特徴ごとの寄与度と、複数の汚損特徴の分布を反映した参照ベクトルと、複数の汚損特徴の分布を反映した分散パラメータとから複数の評価値を算出し、この算出された評価値と評価値ごとの重みとに基づき最終的な汚損度を判定する。
【解決手段】紙幣やそれ以外の有価証券等の紙葉類から得られる複数の汚損特徴（折り目、しわ、しみ等）から当該紙葉類の最終的な汚損度を判定する紙葉類の汚損度判定装置において、複数の汚損特徴の値を入力し、この入力された複数の汚損特徴と、複数の汚損特徴ごとの寄与度と、複数の汚損特徴の分布を反映した参照ベクトルと、複数の汚損特徴の分布を反映した分散パラメータとから複数の評価値を算出し、この算出された評価値と評価値ごとの重みとに基づき最終的な汚損度を判定する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、たとえば、紙幣やそれ以外の有価証券等の紙葉類から得られる複数の汚損特徴（折り目、しわ、しみ等）から当該紙葉類の最終的な汚損度を判定する紙葉類の汚損度判定装置および汚損度判定方法に関する。
【背景技術】
【０００２】
たとえば、複数の汚損特徴（折り目、しわ、しみ等）から紙幣等の紙葉類の最終的な汚損度を判定する際、第１の公知技術として、各汚損特徴を重み付け線形結合した値を用いる方法がある（たとえば、特許文献１参照）。この方法は、各汚損特徴の汚損度に対する重み付け（寄与度）を簡単に調整できるという利点がある。
【０００３】
また、各汚損特徴を一旦非線形変換し、それらの値を線形結合することで汚損度のリニアリティを向上させる第２の公知技術として、多層パーセプトロン型ニューラルネットとその学習方法の応用が挙げられる（代表例として非特許文献１参照）。人工ニューラルネットは、元々は生体の模擬から生まれたものであるが、その工学的側面から非線形な信号処理系として様々な産業分野で用いられている。
【特許文献１】特開平７−１９０９５５号公報
【非特許文献１】Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ，Ｇ．Ｅ．Ｈｉｎｔｏｎ，Ｒ．Ｊ．Ｗｉｌｌｉａｍｓ：”Ｌｅａｒｎｉｎｇ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｙ ｂａｃｋ−ｐｒｏｐａｇａｔｉｎｇ ｅｒｒｏｒｓ”，Ｎａｔｕｒｅ ３２３，ｐｐ．５３３−５３６，１９８６．
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、各汚損特徴の頻度分布は一般に非線形であることが多く、第１の公知技術のように各汚損特徴を単に線形結合すると、汚損度の頻度のリニアリティが低くなり、所望の汚損判定率（汚損と判定される紙葉類の割合）を得ることが困難な場合がある。図１８は、汚損特徴の頻度分布を模式的に示したものである。図１８から明らかなように、汚損特徴のレベル（Ｌ１〜Ｌ５）間の頻度差が一定ではないため、汚損判定率をリニアにコントロールしたいという顧客要求が充分に満たされていない。
【０００５】
第２の公知技術では、前述した汚損度の頻度のリニアリティについては改善される。図１９は、第２の公知技術によって実現される汚損特徴の非線形変換を模式的に示したものである。ここで、ｒは汚損特徴、ｆ（ｒ）は非線形変換後の汚損特徴を表す。これによれば、非線形変換後の汚損特徴の累積頻度は、図２０に示すような理想直線に近づくことが期待できる。
【０００６】
しかしながら、第２の公知技術を紙葉類の汚損度判定に応用する場合、汚損特徴の学習結果が重みベクトルと呼ばれる内部パラメータでブラックボックス的（あるいは分散的）に表現される。そのため、各汚損特徴の寄与度を外部から調整したいとの顧客要求を満たすことについては、むしろ第１の公知技術よりも劣っている。
【０００７】
ここで、第２の公知技術について説明する。多層パーセプトロン型ニューラルネットとその学習方法については、これまで様々なものが提案されているが、基本的には非特許文献１で定式化されている。ここでは、非特許文献１に載っている３層パーセプトロン型ニューラルネットを複数の汚損特徴から最終的な汚損度への対応付け問題に応用することを考える。
【０００８】
図２１は、３層パーセプトロン型ニューラルネットの全体図を示したものである。３つの層は、それぞれ入力層、中間層（隠れ層）、出力層と呼ばれる。各層には１つ以上のユニットが存在する。ここでは、入力層ユニットの数を汚損特徴に対応する数（Ｉ個）とし、出力層ユニットの数を最終的な汚損度に対応して１個とする。なお、中間層ユニット数については所望の性能を得るのに充分な数（Ｊ個）とする。
【０００９】
３層パーセプトロン型ニューラルネットの特徴として、層内の結合はなく層間の結合のみが存在し、信号が入力層から出力層へとフィードフォワードで伝達される。まず、入力層ユニットの反応特性ｘｉは、入力される汚損特徴の値そのもの（恒等関数）である。次に、中間層ユニットの反応特性ｙｊおよび出力層ユニットの反応特性ｚは、それぞれ下記数１によって表される。
【数１】
【００１０】
ただし、ｕｊは重みベクトル
【数２】
【００１１】
による反応特性ｘｉの重み付け線形結合、言い換えれば、重みベクトル
【数３】
【００１２】
と反応特性ベクトル
【数４】
【００１３】
の内積である。同様に、ｖは重みベクトル
【数５】
【００１４】
による反応特性ｙｊの重み付け線形結合、すなわち、重みベクトル
【数６】
【００１５】
と反応特性ベクトル
【数７】
【００１６】
の内積である。
【００１７】
非特許文献１の特徴の１つは、中間層ユニットおよび出力層ユニットにおいて、線形な値ｕｊやｖに対して非線形変換を行なうことである。非線形変換の例として、図２２に示すようなシグモイド関数が挙げられる。線形な値ｒが非線形な値ｆ（ｒ）に変換される。
【００１８】
このように構成された３層パーセプトロン型ニューラルネットを汚損度判定系としてとらえてみると、汚損特徴の組
【数８】
【００１９】
をＪ通りの重み付け
【数９】
【００２０】
によって評価し、Ｊ通りの評価結果をさらに
【数１０】
【００２１】
で重み付け統合することで最終的な汚損度ｚを得ることがわかる。
【００２２】
非特許文献１のもう１つの特徴は、重みベクトル
【数１１】
【００２３】
が、出力ｚと望ましい値（教師信号）
【数１２】
【００２４】
との二乗誤差を最小にする方向へ準最適化（学習）されることである。このことは、一般的には長所として採り上げられる。なぜなら、複数の入力特徴と望ましい出力結果との対応付けを解析的に得ることが困難な場合（たとえば、パターン認識等）において、入力特徴と教師信号との組（学習サンプル）を適当な量だけ用意すれば、その対応付けの近似解（実用解）が得られるからである。
【００２５】
しかし、紙葉類の汚損度判定にとって、このことはむしろ好ましくない側面もある。なぜなら、汚損特徴の学習結果が重みベクトルでブラックボックス的（あるいは分散的）に表現されるため、各汚損特徴の寄与度を外部から調整したいという顧客要求に対応できないからである。たとえば、ｉ番目の汚損特徴の寄与度は、
【数１３】
【００２６】
の計Ｊ個の値で分散表現されており、さらにその上位の重みベクトル
【数１４】
【００２７】
にもｉ番目の汚損特徴の寄与度が影響していると考えることができる。
このように、１つの汚損特徴の寄与度が他のものと不可分な形で実装されていることが問題である。
【００２８】
そこで、本発明は、顧客の要求仕様ごとに変化する汚損特徴の重み付けに迅速に対応できる紙葉類の汚損度判定装置および汚損度判定方法を提供することを目的とする。
【００２９】
また、本発明は、汚損特徴ごとの寄与度の値は顧客の業態に合わせて随時設定、調整が可能となる紙葉類の汚損度判定装置および汚損度判定方法を提供することを目的とする。
【課題を解決するための手段】
【００３０】
本発明の紙葉類の汚損度判定装置は、紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、前記複数の汚損特徴ごとの寄与度を記憶する寄与度記憶手段と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、前記入力手段により入力された複数の汚損特徴と前記寄与度記憶手段に記憶された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、評価値ごとの重みを記憶する重み記憶手段と、前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段とを具備している。
【００３１】
また、本発明の紙葉類の汚損度判定装置は、紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、前記複数の汚損特徴ごとの寄与度を設定する寄与度設定手段と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、前記入力手段により入力された複数の汚損特徴と前記寄与度設定手段で設定された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、評価値ごとの重みを記憶する重み記憶手段と、前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段とを具備している。
【００３２】
また、本発明の紙葉類の汚損度判定装置は、紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、前記複数の汚損特徴ごとの寄与度の初期値を設定する寄与度初期値設定手段と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、前記入力手段により入力された複数の汚損特徴と前記寄与度初期値設定手段で設定された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、評価値ごとの重みを記憶する重み記憶手段と、前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段と、この判定手段の判定結果に応じて前記寄与度初期値設定手段で設定された寄与度をフィードバック調整するフィードバック調整手段とを具備している。
【００３３】
また、本発明の紙葉類の汚損度判定方法は、紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、この入力工程により入力された複数の汚損特徴と、前記複数の汚損特徴ごとの寄与度を記憶する寄与度記憶手段に記憶された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程とを具備している。
【００３４】
また、本発明の紙葉類の汚損度判定方法は、紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、前記複数の汚損特徴ごとの寄与度を設定する寄与度設定工程と、前記入力工程により入力された複数の汚損特徴と、前記寄与度設定工程で設定された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程とを具備している。
【００３５】
また、本発明の紙葉類の汚損度判定方法は、紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、前記複数の汚損特徴ごとの寄与度の初期値を設定する寄与度初期値設定工程と、前記入力工程により入力された複数の汚損特徴と、前記寄与度初期値設定工程で設定された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程と、この判定肯定の判定結果に応じて前記寄与度初期値設定工程で設定された寄与度をフィードバック調整するフィードバック調整工程とを具備している。
【発明の効果】
【００３６】
本発明によれば、最終的な汚損度判定への寄与度が入力される汚損特徴のそれぞれに独立して定義、蓄積されるため、顧客の要求仕様ごとに変化する汚損特徴の重み付けに迅速に対応できる紙葉類の汚損度判定装置および汚損度判定方法を提供できる。
【００３７】
また、本発明によれば、汚損特徴ごとの寄与度の値は、学習時には変化しないため、学習後（稼動時）、顧客の業態に合わせて随時設定、調整が可能となる紙葉類の汚損度判定装置および汚損度判定方法を提供できる。
【発明を実施するための最良の形態】
【００３８】
以下、本発明の実施の形態について図面を参照して説明する。
まず、第１の実施の形態について説明する。
図１は、第１の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すものである。この紙葉類の汚損度判定装置は、紙幣等の紙葉類から得られる複数（たとえば、折り目、しわ、しみ等）の汚損特徴の値を入力する入力手段としての入力部１１、上記複数の汚損特徴ごとの寄与度を記憶する寄与度記憶手段としての寄与度記憶部１２、上記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段としての参照ベクトル記憶部１３、上記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段としての分散パラメータ記憶部１４、入力部１１により入力された複数の汚損特徴と寄与度記憶部１２に記憶された寄与度と参照ベクトル記憶部１３に記憶された参照ベクトルと分散パラメータ記憶部１４に記憶された分散パラメータとから複数の評価値を算出する評価手段としての評価部１５、評価値ごとの重みを記憶する重み記憶手段としての重み記憶部１６、評価部１５により算出された評価値と重み記憶部１６に記憶された重みとに基づき当該紙葉類に対する最終的な汚損度を判定する判定手段としての判定部１７を有して構成されている。
【００３９】
次に、このような構成において図２に示すフローチャートを参照して第１の実施の形態に係る動作を説明する。
まず、入力部１１によりＩ個の汚損特徴ｘｉを評価部１５に入力する（ステップＳ１）。ここで、汚損特徴とは、たとえば、折り目、しわ、しみといった感覚量や濃度値、微分値といった計測量など、いずれも定量的に表現された特徴のことを意味する。
【００４０】
図３は、Ｉ個の汚損特徴を入力する処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｉに「１」をセットした後（ステップＳ１１）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ１２）、［ｉ≦Ｉ］であれば、汚損特徴ｘｉを入力し（ステップＳ１３）、変数ｉを「＋１」して（ステップＳ１４）、ステップＳ１２に戻り、上記同様な動作を繰り返す。ステップＳ１２におけるチェックの結果、［ｉ≦Ｉ］でなければ、当該処理を終了する。
【００４１】
次に、評価部１５は、寄与度記憶部１２からＩ個の汚損特徴ごとの寄与度ｍｉを読込む（ステップＳ２）。寄与度の導入は、本発明の最大の特徴とするところである。ここでの寄与度は、従来技術と異なり、汚損特徴ごとに定められており、言い換えれば、ある汚損特徴の最終的な汚損度判定への寄与度は、この値によってのみ定まる。
【００４２】
図４は、Ｉ個の寄与度を読込む処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｉに「１」をセットした後（ステップＳ２１）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ２２）、［ｉ≦Ｉ］であれば、寄与度ｍｉを読込み（ステップＳ２３）、変数ｉを「＋１」して（ステップＳ２４）、ステップＳ２２に戻り、上記同様な動作を繰り返す。ステップＳ２２におけるチェックの結果、［ｉ≦Ｉ］でなければ、当該処理を終了する。
【００４３】
次に、評価部１５は、参照ベクトル記憶部１３からＪ個のＩ次元参照ベクトル
【数１５】
【００４４】
を読込む（ステップＳ３）。ここでの参照ベクトルおよび後述する分散パラメータは、Ｉ個の汚損特徴によって張られるＩ次元空間での汚損特徴の分布を反映したものである。すなわち、汚損特徴の分布が混合分布によってモデル化できるものとし、分布を構成する各確率密度分布を上記の参照ベクトルや後述する分散パラメータで表現したものである。
【００４５】
図５は、Ｊ個のＩ次元参照ベクトルを読込む処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｊに「１」をセットした後（ステップＳ３１）、［ｊ≦Ｊ］かどうかをチェックし（ステップＳ３２）、［ｊ≦Ｊ］であれば、変数ｉに「１」をセットした後（ステップＳ３３）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ３４）、［ｉ≦Ｉ］であれば、参照ベクトルｐｊｉを読込み（ステップＳ３５）、変数ｉを「＋１」して（ステップＳ３６）、ステップＳ３４に戻り、上記同様な動作を繰り返す。ステップＳ３４におけるチェックの結果、［ｉ≦Ｉ］でなければ、変数ｊを「＋１」して（ステップＳ３７）、ステップＳ３２に戻り、上記同様な動作を繰り返す。ステップＳ３２におけるチェックの結果、［ｊ≦Ｊ］でなければ、当該処理を終了する。
【００４６】
次に、評価部１５は、分散パラメータ記憶部１４からＪ個の分散パラメータｓｊを読込む（ステップＳ４）。ここでの分散パラメータは、上述の通りである。
図６は、Ｊ個の分散パラメータを読込む処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｊに「１」をセットした後（ステップＳ４１）、［ｊ≦Ｊ］かどうかをチェックし（ステップＳ４２）、［ｊ≦Ｊ］であれば、分散パラメータｓｊを読込み（ステップＳ４３）、変数ｉを「＋１」して（ステップＳ４４）、ステップＳ４２に戻り、上記同様な動作を繰り返す。ステップＳ４２におけるチェックの結果、［ｊ≦Ｊ］でなければ、当該処理を終了する。
【００４７】
次に、評価部１５は、上記のように読込んだ汚損特徴ｘｉ、寄与度ｍｉ、参照ベクトル
【数１６】
【００４８】
、分散パラメータｓｊを基にＪ個の評価値ｙｊを算出し（ステップＳ５）、その算出結果を判定部１７へ送る。評価値の算出式は下記数１７の通りである。
【数１７】
【００４９】
ただし、ｕｊは寄与度ｍｉによる汚損特徴ｘｉと参照ベクトル要素ｐｊｉとの差の重み付け二乗和である。
【００５０】
図７は、Ｊ個の評価値を算出する処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｊに「１」をセットした後（ステップＳ５１）、［ｊ≦Ｊ］かどうかをチェックし（ステップＳ５２）、［ｊ≦Ｊ］であれば、重み付け二乗和ｕｊを「０」にセットする（ステップＳ５３）。
【００５１】
次に、変数ｉに「１」をセットした後（ステップＳ５４）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ５５）、［ｉ≦Ｉ］であれば、重み付け二乗和ｕｊの計算
ｕｊ＝ｕｊ＋ｍｉ（ｘｉ−ｐｊｉ）２
を行ない（ステップＳ５６）、その後、変数ｉを「＋１」して（ステップＳ５７）、ステップＳ５５に戻り、上記同様な動作を繰り返す。
【００５２】
ステップＳ５５におけるチェックの結果、［ｉ≦Ｉ］でなければ、評価値ｙｊの計算
ｙｊ＝ｅｘｐ（−ｕｊ／２ｓｊ２）
を行ない（ステップＳ５８）、その後、変数ｊを「＋１」して（ステップＳ５９）、ステップＳ５２に戻り、上記同様な動作を繰り返す。ステップＳ５２におけるチェックの結果、［ｊ≦Ｊ］でなければ、当該処理を終了する。
【００５３】
次に、判定部１７は、重み記憶部１６からＪ個の重みｗｊを読込む（ステップＳ６）。ここでの重みは評価値ごとに与えられたものであり、前述の混合分布モデルにおける「混合パラメータ」に相当する。
【００５４】
図８は、Ｊ個の重みを読込む処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｊに「１」をセットした後（ステップＳ６１）、［ｊ≦Ｊ］かどうかをチェックし（ステップＳ６２）、［ｊ≦Ｊ］であれば、重みｗｊを読込み（ステップＳ６３）、変数ｊを「＋１」して（ステップＳ６４）、ステップＳ６２に戻り、上記同様な動作を繰り返す。ステップＳ６２におけるチェックの結果、［ｊ≦Ｊ］でなければ、当該処理を終了する。
【００５５】
次に、判定部１７は、判定部１７から得た評価値と重み記憶部１６から読込んだ重みとに基づき最終的な汚損度ｚを判定し出力する（ステップＳ７）。この汚損度ｚは、Ｊ個の評価値の重み付き線形結合である（非線形変換は行なわない）。最終的な汚損度の算出式は下記数１８の通りである。
【数１８】
【００５６】
図９は、最終的な汚損度を判定する処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｊに「１」をセットした後（ステップＳ７１）、汚損度ｚを「０」にセットする（ステップＳ７２）。
【００５７】
次に、［ｊ≦Ｊ］かどうかをチェックし（ステップＳ７３）、［ｊ≦Ｊ］であれば、汚損度ｚの計算
ｚ＝ｚ＋ｗｊ＊ｙｊ
を行ない（ステップＳ７４）、その後、変数ｊを「＋１」して（ステップＳ７５）、ステップＳ７３に戻り、上記同様な動作を繰り返す。ステップＳ７３におけるチェックの結果、［ｊ≦Ｊ］でなければ、算出した汚損度ｚを出力し（ステップＳ７６）、当該処理を終了する。
【００５８】
なお、本発明は、公知の局所表現型ニューラルネットの考え方をベースとしている。公知の局所表現型ニューラルネットは、たとえば、下記非特許文献２で紹介されている。
【００５９】
Ｊ．Ｅ．Ｍｏｏｄｙ ａｎｄ Ｃ．Ｄａｒｋｅｎ：”Ｆａｓｔ ｌｅａｒｎｉｎｇ ｉｎ ｎｅｔｗｏｒｋｓ ｏｆ ｌｏｃａｌｌｙ−ｔｕｎｅｄ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔｓ”，Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ １，ｐｐ．２８１−２９４，１９８９．
ただし、これまで述べてきたように、特徴次元ごとのスタティックな寄与度を導入した点が本発明のポイントである。図１０は、本発明によって提案される局所表現型ニューラルネットの全体図を示したものである。３つの層は、それぞれ入力層、中間層（隠れ層）、出力層である。各層には１つ以上のユニットが存在する。ここでは、入力層ユニットの数を汚損特徴に対応する数（Ｉ個）とし、出力層ユニットの数を最終的な汚損度に対応して１個とする。なお、中間層ユニット数については所望の性能を得るのに充分な数（Ｊ個）とする。
【００６０】
局所表現型ニューラルネットは、３層パーセプトロン型ニューラルネットと同様に、層内の結合はなく層間の結合のみが存在し、信号が入力層から出力層へとフィードフォワードで伝達される。入力層ユニットの反応特性ｘｉは、入力される汚損特徴の値そのもの（恒等関数）である。中間層ユニットの反応特性ｙｊは、上で述べた通り、３層パーセプトロン型ニューラルネットで用いられるシグモイド関数のような特性ではなく、図１１に示すような確率密度分布型の特性となる。出力層ユニットの反応特性ｚは、前述した通り、線形結合である。
【００６１】
次に、第２の実施の形態について説明する。
図１２は、第２の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すものである。第２の実施の形態の第１の実施の形態と異なる点は、寄与度記憶部１２が複数の汚損特徴ごとの寄与度を設定する寄与度設定手段としての寄与度設定部１８に置き換わった点にあり、その外は第１の実施の形態と同様であるので、同一部分には同一符号を付して説明は省略し、異なる部分についてだけ説明する。
【００６２】
第２の実施の形態では、第１の実施の形態のように汚損特徴ごとの寄与度の蓄積を行なわず、寄与度設定部１８が人間行なう設定操作に応じて汚損度を設定（調整）するものである。
【００６３】
図１３は、第２の実施の形態に係る動作を説明するフローチャートを示している。第２の実施の形態の第１の実施の形態（図２）と異なる点は、寄与度読込みのステップＳ２が汚損度設定（調整）のステップＳ８に置き換わった点にあり、その外は第１の実施の形態（図２）と同様であるので、同一部分には同一符号を付して説明は省略する。
【００６４】
図１４は、Ｉ個の寄与度を設定（調整）する処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｉに「１」をセットした後（ステップＳ８１）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ８２）、［ｉ≦Ｉ］であれば、人間の操作に基づき寄与度ｍｉを設定（調整）し（ステップＳ８３）、変数ｉを「＋１」して（ステップＳ８４）、ステップＳ８２に戻り、上記同様な動作を繰り返す。ステップＳ８２におけるチェックの結果、［ｉ≦Ｉ］でなければ、当該処理を終了する。
【００６５】
第２の実施の形態で注目すべきは、本発明で導入した寄与度ｍｉが、モデルを表現する参照ベクトル
【数１９】
【００６６】
や分散パラメータｓｊとは独立であり、特徴次元ごとの寄与度をスタティックに定義した点である。つまり、寄与度ｍｉの値は、モデルの獲得（学習）によっては変化せず（たとえば、∀ｍｉ＝１のように固定にしておく）、学習後（稼動時）、顧客の業態に合わせて随時設定、調整するものとする。
【００６７】
次に、第３の実施の形態について説明する。
図１５は、第３の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すものである。第３の実施の形態の第１の実施の形態と異なる点は、初期設定された寄与度を判定部１７の判定結果に応じてフィードバック調整するフィードバック調整手段としてのフィードバック調整部１９が追加された点にあり、その外は第１の実施の形態と同様であるので、同一部分には同一符号を付して説明は省略し、異なる部分についてだけ説明する。
【００６８】
第３の実施の形態は、初期設定された（たとえば、∀ｍｉ＝１のように）汚損特徴ごとの寄与度に対し、汚損度の判定結果に応じてフィードバック調整する点が第１の実施の形態と異なる。たとえば、汚損特徴ごとの影響度を算出し、影響度の小さい汚損特徴の寄与度を小さくする。汚損特徴ｘｉの影響度Ｅｉを算出するには、たとえば、下記数式のように、その汚損特徴の寄与度を一時的に零としたときの出力差を用いるものがある。
【００６９】
Ｅｉ＝ｚ−ｚｍｉ＝０
図１６は、第３の実施の形態に係る動作を説明するフローチャートを示したものであり、以下、それについて説明する。まず、評価部１５は、寄与度記憶部１２からＩ個の汚損特徴ごとの寄与度ｍｉを読込み、初期値として設定する（ステップＳ９１）。寄与度ｍｉの読込みは、前述した図２のステップＳ２と同様である。
【００７０】
次に、入力部１１によりＩ個の汚損特徴ｘｉを評価部１５に入力する（ステップＳ９２）。汚損特徴ｘｉの入力は、前述した図２のステップＳ１と同様である。以降、参照ベクトル読込み（ステップＳ９３）、分散パラメータ読込み（ステップＳ９４）、表価値算出（ステップＳ９５）、重み読込み（ステップＳ９６）、汚損度判定（ステップＳ９７）まで順次行なう。これらステップＳ９３〜Ｓ９７までの処理は、前述した図２のステップＳ３〜Ｓ７と同様である。
【００７１】
次に、フィードバック調整部１９は、初期設定された汚損特徴ごとの寄与度に対し、判定部１７の判定結果に応じてフィードバック調整する（ステップＳ９８）。このフィードバック調整は、上述したように、たとえば、汚損特徴ごとの影響度を算出し、影響度の小さい汚損特徴の寄与度を小さくするように行なう。
【００７２】
次に、フィードバック調整部１９は、フィードバック調整の終了条件（あらかじめ定められたフィードバック調整回数）に達したか否かをチェックし（ステップＳ９９）、終了条件に達していない場合はステップＳ９２に戻って上記同様な動作を繰り返し、終了条件に達していれば、当該処理を終了する。
【００７３】
図１７は、Ｉ個の寄与度をフィードバック調整する処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｉに「１」をセットした後（ステップＳ１０１）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ１０２）、［ｉ≦Ｉ］であれば、汚損特徴ｘｉの影響度が少ないか否かをチェックする（ステップＳ１０３）。
【００７４】
このチェックの結果、汚損特徴ｘｉの影響度が少ない場合、［ｍｉ＝ｍｉ−Δｍｉ］の計算を行ない（ステップＳ１０４）、その後、変数ｉを「＋１」して（ステップＳ１０５）、ステップＳ１０２に戻り、上記同様な動作を繰り返す。
【００７５】
ステップＳ１０３におけるチェックの結果、汚損特徴ｘｉの影響度が少なくない場合、ステップＳ１０４をジャンプしてステップＳ１０５に進む。
ステップＳ１０２におけるチェックの結果、［ｉ≦Ｉ］でなければ、全ての寄与度ｍｉを再正規化し（ステップＳ１０６）、当該処理を終了する。
【００７６】
第３の実施の形態で注目すべきは、各汚損特徴の寄与度が汚損度の判定結果に応じて自動的に最適化されることである。また、フィードバック調整された結果が顧客にとって分かりやすいものであることは、既に述べたことから明らかである。
【００７７】
なお、第３の実施の形態は、これに限定されるものではなく、様々な形態で実施可能である。たとえば、寄与度のフィードバック調整においては、影響度の小さい汚損特徴の寄与度を小さくするのではなく、影響度の大きい汚損特徴の寄与度を大きくする、あるいは、その両方を実施するなどが考えられる。
【００７８】
以上説明したように、上記実施の形態によれば、最終的な汚損度判定への寄与度が入力される汚損特徴のそれぞれに独立して定義、蓄積されるため、顧客の要求仕様ごとに変化する汚損特徴の重み付けに迅速に対応できる。
また、汚損特徴ごとの寄与度の値は、学習時には変化しないため、学習後（稼動時）、顧客の業態に合わせて随時設定、調整が可能となる。
さらに、各汚損特徴の寄与度が汚損度判定結果に応じて自動的に最適化できるため、たとえば、顧客の要求を顧客自身が把握していない場合など、サンプルを評価するだけで顧客の潜在要求が抽出でき、かつ、その結果が従来技術のようにブラックボックス化されることなく、顧客にとってわかりやすいものとなる。
【図面の簡単な説明】
【００７９】
【図１】本発明の第１の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すブロック図。
【図２】第１の実施の形態に係る動作を説明するフローチャート。
【図３】汚損特徴を入力する処理を説明するフローチャート。
【図４】寄与度を読込む処理を説明するフローチャート。
【図５】参照ベクトルを読込む処理を説明するフローチャート。
【図６】分散パラメータを読込む処理を説明するフローチャート。
【図７】評価値を算出する処理を説明するフローチャート。
【図８】重みを読込む処理を説明するフローチャート。
【図９】最終的な汚損度を判定する処理を説明するフローチャート。
【図１０】局所表現型ニューラルネットの全体図。
【図１１】局所表現型ニューラルネットの中間層ユニットの反応特性を示すグラフ。
【図１２】本発明の第２の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すブロック図。
【図１３】第２の実施の形態に係る動作を説明するフローチャート。
【図１４】寄与度を設定（調整）する処理を説明するフローチャート。
【図１５】本発明の第３の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すブロック図。
【図１６】第３の実施の形態に係る動作を説明するフローチャート。
【図１７】寄与度をフィードバック調整する処理を説明するフローチャート。
【図１８】第１の公知技術における汚損特徴の頻度分布を模式的に示すグラフ。
【図１９】第２の公知技術によって実現される汚損特徴の非線形変換を模式的に示すグラフ。
【図２０】第２の公知技術における汚損特徴の頻度分布を模式的に示すグラフ。
【図２１】３層パーセプトロン型ニューラルネットの全体図。
【図２２】非線形変換の例としてシグモイド関数を説明するグラフ。
【符号の説明】
【００８０】
１１…入力部（入力手段）、１２…寄与度記憶部（寄与度記憶手段）、１３…参照ベクトル記憶部（参照ベクトル記憶手段）、１４…分散パラメータ記憶部（分散パラメータ記憶手段）、１５…評価部（評価手段）、１６…重み記憶部（重み記憶手段）、１７…判定部（判定手段）、１８…寄与度設定部（寄与度設定手段）、１９…フィードバック調整部（フィードバック調整手段）。
【技術分野】
【０００１】
本発明は、たとえば、紙幣やそれ以外の有価証券等の紙葉類から得られる複数の汚損特徴（折り目、しわ、しみ等）から当該紙葉類の最終的な汚損度を判定する紙葉類の汚損度判定装置および汚損度判定方法に関する。
【背景技術】
【０００２】
たとえば、複数の汚損特徴（折り目、しわ、しみ等）から紙幣等の紙葉類の最終的な汚損度を判定する際、第１の公知技術として、各汚損特徴を重み付け線形結合した値を用いる方法がある（たとえば、特許文献１参照）。この方法は、各汚損特徴の汚損度に対する重み付け（寄与度）を簡単に調整できるという利点がある。
【０００３】
また、各汚損特徴を一旦非線形変換し、それらの値を線形結合することで汚損度のリニアリティを向上させる第２の公知技術として、多層パーセプトロン型ニューラルネットとその学習方法の応用が挙げられる（代表例として非特許文献１参照）。人工ニューラルネットは、元々は生体の模擬から生まれたものであるが、その工学的側面から非線形な信号処理系として様々な産業分野で用いられている。
【特許文献１】特開平７−１９０９５５号公報
【非特許文献１】Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ，Ｇ．Ｅ．Ｈｉｎｔｏｎ，Ｒ．Ｊ．Ｗｉｌｌｉａｍｓ：”Ｌｅａｒｎｉｎｇ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｙ ｂａｃｋ−ｐｒｏｐａｇａｔｉｎｇ ｅｒｒｏｒｓ”，Ｎａｔｕｒｅ ３２３，ｐｐ．５３３−５３６，１９８６．
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、各汚損特徴の頻度分布は一般に非線形であることが多く、第１の公知技術のように各汚損特徴を単に線形結合すると、汚損度の頻度のリニアリティが低くなり、所望の汚損判定率（汚損と判定される紙葉類の割合）を得ることが困難な場合がある。図１８は、汚損特徴の頻度分布を模式的に示したものである。図１８から明らかなように、汚損特徴のレベル（Ｌ１〜Ｌ５）間の頻度差が一定ではないため、汚損判定率をリニアにコントロールしたいという顧客要求が充分に満たされていない。
【０００５】
第２の公知技術では、前述した汚損度の頻度のリニアリティについては改善される。図１９は、第２の公知技術によって実現される汚損特徴の非線形変換を模式的に示したものである。ここで、ｒは汚損特徴、ｆ（ｒ）は非線形変換後の汚損特徴を表す。これによれば、非線形変換後の汚損特徴の累積頻度は、図２０に示すような理想直線に近づくことが期待できる。
【０００６】
しかしながら、第２の公知技術を紙葉類の汚損度判定に応用する場合、汚損特徴の学習結果が重みベクトルと呼ばれる内部パラメータでブラックボックス的（あるいは分散的）に表現される。そのため、各汚損特徴の寄与度を外部から調整したいとの顧客要求を満たすことについては、むしろ第１の公知技術よりも劣っている。
【０００７】
ここで、第２の公知技術について説明する。多層パーセプトロン型ニューラルネットとその学習方法については、これまで様々なものが提案されているが、基本的には非特許文献１で定式化されている。ここでは、非特許文献１に載っている３層パーセプトロン型ニューラルネットを複数の汚損特徴から最終的な汚損度への対応付け問題に応用することを考える。
【０００８】
図２１は、３層パーセプトロン型ニューラルネットの全体図を示したものである。３つの層は、それぞれ入力層、中間層（隠れ層）、出力層と呼ばれる。各層には１つ以上のユニットが存在する。ここでは、入力層ユニットの数を汚損特徴に対応する数（Ｉ個）とし、出力層ユニットの数を最終的な汚損度に対応して１個とする。なお、中間層ユニット数については所望の性能を得るのに充分な数（Ｊ個）とする。
【０００９】
３層パーセプトロン型ニューラルネットの特徴として、層内の結合はなく層間の結合のみが存在し、信号が入力層から出力層へとフィードフォワードで伝達される。まず、入力層ユニットの反応特性ｘｉは、入力される汚損特徴の値そのもの（恒等関数）である。次に、中間層ユニットの反応特性ｙｊおよび出力層ユニットの反応特性ｚは、それぞれ下記数１によって表される。
【数１】
【００１０】
ただし、ｕｊは重みベクトル
【数２】
【００１１】
による反応特性ｘｉの重み付け線形結合、言い換えれば、重みベクトル
【数３】
【００１２】
と反応特性ベクトル
【数４】
【００１３】
の内積である。同様に、ｖは重みベクトル
【数５】
【００１４】
による反応特性ｙｊの重み付け線形結合、すなわち、重みベクトル
【数６】
【００１５】
と反応特性ベクトル
【数７】
【００１６】
の内積である。
【００１７】
非特許文献１の特徴の１つは、中間層ユニットおよび出力層ユニットにおいて、線形な値ｕｊやｖに対して非線形変換を行なうことである。非線形変換の例として、図２２に示すようなシグモイド関数が挙げられる。線形な値ｒが非線形な値ｆ（ｒ）に変換される。
【００１８】
このように構成された３層パーセプトロン型ニューラルネットを汚損度判定系としてとらえてみると、汚損特徴の組
【数８】
【００１９】
をＪ通りの重み付け
【数９】
【００２０】
によって評価し、Ｊ通りの評価結果をさらに
【数１０】
【００２１】
で重み付け統合することで最終的な汚損度ｚを得ることがわかる。
【００２２】
非特許文献１のもう１つの特徴は、重みベクトル
【数１１】
【００２３】
が、出力ｚと望ましい値（教師信号）
【数１２】
【００２４】
との二乗誤差を最小にする方向へ準最適化（学習）されることである。このことは、一般的には長所として採り上げられる。なぜなら、複数の入力特徴と望ましい出力結果との対応付けを解析的に得ることが困難な場合（たとえば、パターン認識等）において、入力特徴と教師信号との組（学習サンプル）を適当な量だけ用意すれば、その対応付けの近似解（実用解）が得られるからである。
【００２５】
しかし、紙葉類の汚損度判定にとって、このことはむしろ好ましくない側面もある。なぜなら、汚損特徴の学習結果が重みベクトルでブラックボックス的（あるいは分散的）に表現されるため、各汚損特徴の寄与度を外部から調整したいという顧客要求に対応できないからである。たとえば、ｉ番目の汚損特徴の寄与度は、
【数１３】
【００２６】
の計Ｊ個の値で分散表現されており、さらにその上位の重みベクトル
【数１４】
【００２７】
にもｉ番目の汚損特徴の寄与度が影響していると考えることができる。
このように、１つの汚損特徴の寄与度が他のものと不可分な形で実装されていることが問題である。
【００２８】
そこで、本発明は、顧客の要求仕様ごとに変化する汚損特徴の重み付けに迅速に対応できる紙葉類の汚損度判定装置および汚損度判定方法を提供することを目的とする。
【００２９】
また、本発明は、汚損特徴ごとの寄与度の値は顧客の業態に合わせて随時設定、調整が可能となる紙葉類の汚損度判定装置および汚損度判定方法を提供することを目的とする。
【課題を解決するための手段】
【００３０】
本発明の紙葉類の汚損度判定装置は、紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、前記複数の汚損特徴ごとの寄与度を記憶する寄与度記憶手段と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、前記入力手段により入力された複数の汚損特徴と前記寄与度記憶手段に記憶された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、評価値ごとの重みを記憶する重み記憶手段と、前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段とを具備している。
【００３１】
また、本発明の紙葉類の汚損度判定装置は、紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、前記複数の汚損特徴ごとの寄与度を設定する寄与度設定手段と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、前記入力手段により入力された複数の汚損特徴と前記寄与度設定手段で設定された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、評価値ごとの重みを記憶する重み記憶手段と、前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段とを具備している。
【００３２】
また、本発明の紙葉類の汚損度判定装置は、紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、前記複数の汚損特徴ごとの寄与度の初期値を設定する寄与度初期値設定手段と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、前記入力手段により入力された複数の汚損特徴と前記寄与度初期値設定手段で設定された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、評価値ごとの重みを記憶する重み記憶手段と、前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段と、この判定手段の判定結果に応じて前記寄与度初期値設定手段で設定された寄与度をフィードバック調整するフィードバック調整手段とを具備している。
【００３３】
また、本発明の紙葉類の汚損度判定方法は、紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、この入力工程により入力された複数の汚損特徴と、前記複数の汚損特徴ごとの寄与度を記憶する寄与度記憶手段に記憶された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程とを具備している。
【００３４】
また、本発明の紙葉類の汚損度判定方法は、紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、前記複数の汚損特徴ごとの寄与度を設定する寄与度設定工程と、前記入力工程により入力された複数の汚損特徴と、前記寄与度設定工程で設定された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程とを具備している。
【００３５】
また、本発明の紙葉類の汚損度判定方法は、紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、前記複数の汚損特徴ごとの寄与度の初期値を設定する寄与度初期値設定工程と、前記入力工程により入力された複数の汚損特徴と、前記寄与度初期値設定工程で設定された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程と、この判定肯定の判定結果に応じて前記寄与度初期値設定工程で設定された寄与度をフィードバック調整するフィードバック調整工程とを具備している。
【発明の効果】
【００３６】
本発明によれば、最終的な汚損度判定への寄与度が入力される汚損特徴のそれぞれに独立して定義、蓄積されるため、顧客の要求仕様ごとに変化する汚損特徴の重み付けに迅速に対応できる紙葉類の汚損度判定装置および汚損度判定方法を提供できる。
【００３７】
また、本発明によれば、汚損特徴ごとの寄与度の値は、学習時には変化しないため、学習後（稼動時）、顧客の業態に合わせて随時設定、調整が可能となる紙葉類の汚損度判定装置および汚損度判定方法を提供できる。
【発明を実施するための最良の形態】
【００３８】
以下、本発明の実施の形態について図面を参照して説明する。
まず、第１の実施の形態について説明する。
図１は、第１の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すものである。この紙葉類の汚損度判定装置は、紙幣等の紙葉類から得られる複数（たとえば、折り目、しわ、しみ等）の汚損特徴の値を入力する入力手段としての入力部１１、上記複数の汚損特徴ごとの寄与度を記憶する寄与度記憶手段としての寄与度記憶部１２、上記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段としての参照ベクトル記憶部１３、上記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段としての分散パラメータ記憶部１４、入力部１１により入力された複数の汚損特徴と寄与度記憶部１２に記憶された寄与度と参照ベクトル記憶部１３に記憶された参照ベクトルと分散パラメータ記憶部１４に記憶された分散パラメータとから複数の評価値を算出する評価手段としての評価部１５、評価値ごとの重みを記憶する重み記憶手段としての重み記憶部１６、評価部１５により算出された評価値と重み記憶部１６に記憶された重みとに基づき当該紙葉類に対する最終的な汚損度を判定する判定手段としての判定部１７を有して構成されている。
【００３９】
次に、このような構成において図２に示すフローチャートを参照して第１の実施の形態に係る動作を説明する。
まず、入力部１１によりＩ個の汚損特徴ｘｉを評価部１５に入力する（ステップＳ１）。ここで、汚損特徴とは、たとえば、折り目、しわ、しみといった感覚量や濃度値、微分値といった計測量など、いずれも定量的に表現された特徴のことを意味する。
【００４０】
図３は、Ｉ個の汚損特徴を入力する処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｉに「１」をセットした後（ステップＳ１１）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ１２）、［ｉ≦Ｉ］であれば、汚損特徴ｘｉを入力し（ステップＳ１３）、変数ｉを「＋１」して（ステップＳ１４）、ステップＳ１２に戻り、上記同様な動作を繰り返す。ステップＳ１２におけるチェックの結果、［ｉ≦Ｉ］でなければ、当該処理を終了する。
【００４１】
次に、評価部１５は、寄与度記憶部１２からＩ個の汚損特徴ごとの寄与度ｍｉを読込む（ステップＳ２）。寄与度の導入は、本発明の最大の特徴とするところである。ここでの寄与度は、従来技術と異なり、汚損特徴ごとに定められており、言い換えれば、ある汚損特徴の最終的な汚損度判定への寄与度は、この値によってのみ定まる。
【００４２】
図４は、Ｉ個の寄与度を読込む処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｉに「１」をセットした後（ステップＳ２１）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ２２）、［ｉ≦Ｉ］であれば、寄与度ｍｉを読込み（ステップＳ２３）、変数ｉを「＋１」して（ステップＳ２４）、ステップＳ２２に戻り、上記同様な動作を繰り返す。ステップＳ２２におけるチェックの結果、［ｉ≦Ｉ］でなければ、当該処理を終了する。
【００４３】
次に、評価部１５は、参照ベクトル記憶部１３からＪ個のＩ次元参照ベクトル
【数１５】
【００４４】
を読込む（ステップＳ３）。ここでの参照ベクトルおよび後述する分散パラメータは、Ｉ個の汚損特徴によって張られるＩ次元空間での汚損特徴の分布を反映したものである。すなわち、汚損特徴の分布が混合分布によってモデル化できるものとし、分布を構成する各確率密度分布を上記の参照ベクトルや後述する分散パラメータで表現したものである。
【００４５】
図５は、Ｊ個のＩ次元参照ベクトルを読込む処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｊに「１」をセットした後（ステップＳ３１）、［ｊ≦Ｊ］かどうかをチェックし（ステップＳ３２）、［ｊ≦Ｊ］であれば、変数ｉに「１」をセットした後（ステップＳ３３）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ３４）、［ｉ≦Ｉ］であれば、参照ベクトルｐｊｉを読込み（ステップＳ３５）、変数ｉを「＋１」して（ステップＳ３６）、ステップＳ３４に戻り、上記同様な動作を繰り返す。ステップＳ３４におけるチェックの結果、［ｉ≦Ｉ］でなければ、変数ｊを「＋１」して（ステップＳ３７）、ステップＳ３２に戻り、上記同様な動作を繰り返す。ステップＳ３２におけるチェックの結果、［ｊ≦Ｊ］でなければ、当該処理を終了する。
【００４６】
次に、評価部１５は、分散パラメータ記憶部１４からＪ個の分散パラメータｓｊを読込む（ステップＳ４）。ここでの分散パラメータは、上述の通りである。
図６は、Ｊ個の分散パラメータを読込む処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｊに「１」をセットした後（ステップＳ４１）、［ｊ≦Ｊ］かどうかをチェックし（ステップＳ４２）、［ｊ≦Ｊ］であれば、分散パラメータｓｊを読込み（ステップＳ４３）、変数ｉを「＋１」して（ステップＳ４４）、ステップＳ４２に戻り、上記同様な動作を繰り返す。ステップＳ４２におけるチェックの結果、［ｊ≦Ｊ］でなければ、当該処理を終了する。
【００４７】
次に、評価部１５は、上記のように読込んだ汚損特徴ｘｉ、寄与度ｍｉ、参照ベクトル
【数１６】
【００４８】
、分散パラメータｓｊを基にＪ個の評価値ｙｊを算出し（ステップＳ５）、その算出結果を判定部１７へ送る。評価値の算出式は下記数１７の通りである。
【数１７】
【００４９】
ただし、ｕｊは寄与度ｍｉによる汚損特徴ｘｉと参照ベクトル要素ｐｊｉとの差の重み付け二乗和である。
【００５０】
図７は、Ｊ個の評価値を算出する処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｊに「１」をセットした後（ステップＳ５１）、［ｊ≦Ｊ］かどうかをチェックし（ステップＳ５２）、［ｊ≦Ｊ］であれば、重み付け二乗和ｕｊを「０」にセットする（ステップＳ５３）。
【００５１】
次に、変数ｉに「１」をセットした後（ステップＳ５４）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ５５）、［ｉ≦Ｉ］であれば、重み付け二乗和ｕｊの計算
ｕｊ＝ｕｊ＋ｍｉ（ｘｉ−ｐｊｉ）２
を行ない（ステップＳ５６）、その後、変数ｉを「＋１」して（ステップＳ５７）、ステップＳ５５に戻り、上記同様な動作を繰り返す。
【００５２】
ステップＳ５５におけるチェックの結果、［ｉ≦Ｉ］でなければ、評価値ｙｊの計算
ｙｊ＝ｅｘｐ（−ｕｊ／２ｓｊ２）
を行ない（ステップＳ５８）、その後、変数ｊを「＋１」して（ステップＳ５９）、ステップＳ５２に戻り、上記同様な動作を繰り返す。ステップＳ５２におけるチェックの結果、［ｊ≦Ｊ］でなければ、当該処理を終了する。
【００５３】
次に、判定部１７は、重み記憶部１６からＪ個の重みｗｊを読込む（ステップＳ６）。ここでの重みは評価値ごとに与えられたものであり、前述の混合分布モデルにおける「混合パラメータ」に相当する。
【００５４】
図８は、Ｊ個の重みを読込む処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｊに「１」をセットした後（ステップＳ６１）、［ｊ≦Ｊ］かどうかをチェックし（ステップＳ６２）、［ｊ≦Ｊ］であれば、重みｗｊを読込み（ステップＳ６３）、変数ｊを「＋１」して（ステップＳ６４）、ステップＳ６２に戻り、上記同様な動作を繰り返す。ステップＳ６２におけるチェックの結果、［ｊ≦Ｊ］でなければ、当該処理を終了する。
【００５５】
次に、判定部１７は、判定部１７から得た評価値と重み記憶部１６から読込んだ重みとに基づき最終的な汚損度ｚを判定し出力する（ステップＳ７）。この汚損度ｚは、Ｊ個の評価値の重み付き線形結合である（非線形変換は行なわない）。最終的な汚損度の算出式は下記数１８の通りである。
【数１８】
【００５６】
図９は、最終的な汚損度を判定する処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｊに「１」をセットした後（ステップＳ７１）、汚損度ｚを「０」にセットする（ステップＳ７２）。
【００５７】
次に、［ｊ≦Ｊ］かどうかをチェックし（ステップＳ７３）、［ｊ≦Ｊ］であれば、汚損度ｚの計算
ｚ＝ｚ＋ｗｊ＊ｙｊ
を行ない（ステップＳ７４）、その後、変数ｊを「＋１」して（ステップＳ７５）、ステップＳ７３に戻り、上記同様な動作を繰り返す。ステップＳ７３におけるチェックの結果、［ｊ≦Ｊ］でなければ、算出した汚損度ｚを出力し（ステップＳ７６）、当該処理を終了する。
【００５８】
なお、本発明は、公知の局所表現型ニューラルネットの考え方をベースとしている。公知の局所表現型ニューラルネットは、たとえば、下記非特許文献２で紹介されている。
【００５９】
Ｊ．Ｅ．Ｍｏｏｄｙ ａｎｄ Ｃ．Ｄａｒｋｅｎ：”Ｆａｓｔ ｌｅａｒｎｉｎｇ ｉｎ ｎｅｔｗｏｒｋｓ ｏｆ ｌｏｃａｌｌｙ−ｔｕｎｅｄ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔｓ”，Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ １，ｐｐ．２８１−２９４，１９８９．
ただし、これまで述べてきたように、特徴次元ごとのスタティックな寄与度を導入した点が本発明のポイントである。図１０は、本発明によって提案される局所表現型ニューラルネットの全体図を示したものである。３つの層は、それぞれ入力層、中間層（隠れ層）、出力層である。各層には１つ以上のユニットが存在する。ここでは、入力層ユニットの数を汚損特徴に対応する数（Ｉ個）とし、出力層ユニットの数を最終的な汚損度に対応して１個とする。なお、中間層ユニット数については所望の性能を得るのに充分な数（Ｊ個）とする。
【００６０】
局所表現型ニューラルネットは、３層パーセプトロン型ニューラルネットと同様に、層内の結合はなく層間の結合のみが存在し、信号が入力層から出力層へとフィードフォワードで伝達される。入力層ユニットの反応特性ｘｉは、入力される汚損特徴の値そのもの（恒等関数）である。中間層ユニットの反応特性ｙｊは、上で述べた通り、３層パーセプトロン型ニューラルネットで用いられるシグモイド関数のような特性ではなく、図１１に示すような確率密度分布型の特性となる。出力層ユニットの反応特性ｚは、前述した通り、線形結合である。
【００６１】
次に、第２の実施の形態について説明する。
図１２は、第２の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すものである。第２の実施の形態の第１の実施の形態と異なる点は、寄与度記憶部１２が複数の汚損特徴ごとの寄与度を設定する寄与度設定手段としての寄与度設定部１８に置き換わった点にあり、その外は第１の実施の形態と同様であるので、同一部分には同一符号を付して説明は省略し、異なる部分についてだけ説明する。
【００６２】
第２の実施の形態では、第１の実施の形態のように汚損特徴ごとの寄与度の蓄積を行なわず、寄与度設定部１８が人間行なう設定操作に応じて汚損度を設定（調整）するものである。
【００６３】
図１３は、第２の実施の形態に係る動作を説明するフローチャートを示している。第２の実施の形態の第１の実施の形態（図２）と異なる点は、寄与度読込みのステップＳ２が汚損度設定（調整）のステップＳ８に置き換わった点にあり、その外は第１の実施の形態（図２）と同様であるので、同一部分には同一符号を付して説明は省略する。
【００６４】
図１４は、Ｉ個の寄与度を設定（調整）する処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｉに「１」をセットした後（ステップＳ８１）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ８２）、［ｉ≦Ｉ］であれば、人間の操作に基づき寄与度ｍｉを設定（調整）し（ステップＳ８３）、変数ｉを「＋１」して（ステップＳ８４）、ステップＳ８２に戻り、上記同様な動作を繰り返す。ステップＳ８２におけるチェックの結果、［ｉ≦Ｉ］でなければ、当該処理を終了する。
【００６５】
第２の実施の形態で注目すべきは、本発明で導入した寄与度ｍｉが、モデルを表現する参照ベクトル
【数１９】
【００６６】
や分散パラメータｓｊとは独立であり、特徴次元ごとの寄与度をスタティックに定義した点である。つまり、寄与度ｍｉの値は、モデルの獲得（学習）によっては変化せず（たとえば、∀ｍｉ＝１のように固定にしておく）、学習後（稼動時）、顧客の業態に合わせて随時設定、調整するものとする。
【００６７】
次に、第３の実施の形態について説明する。
図１５は、第３の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すものである。第３の実施の形態の第１の実施の形態と異なる点は、初期設定された寄与度を判定部１７の判定結果に応じてフィードバック調整するフィードバック調整手段としてのフィードバック調整部１９が追加された点にあり、その外は第１の実施の形態と同様であるので、同一部分には同一符号を付して説明は省略し、異なる部分についてだけ説明する。
【００６８】
第３の実施の形態は、初期設定された（たとえば、∀ｍｉ＝１のように）汚損特徴ごとの寄与度に対し、汚損度の判定結果に応じてフィードバック調整する点が第１の実施の形態と異なる。たとえば、汚損特徴ごとの影響度を算出し、影響度の小さい汚損特徴の寄与度を小さくする。汚損特徴ｘｉの影響度Ｅｉを算出するには、たとえば、下記数式のように、その汚損特徴の寄与度を一時的に零としたときの出力差を用いるものがある。
【００６９】
Ｅｉ＝ｚ−ｚｍｉ＝０
図１６は、第３の実施の形態に係る動作を説明するフローチャートを示したものであり、以下、それについて説明する。まず、評価部１５は、寄与度記憶部１２からＩ個の汚損特徴ごとの寄与度ｍｉを読込み、初期値として設定する（ステップＳ９１）。寄与度ｍｉの読込みは、前述した図２のステップＳ２と同様である。
【００７０】
次に、入力部１１によりＩ個の汚損特徴ｘｉを評価部１５に入力する（ステップＳ９２）。汚損特徴ｘｉの入力は、前述した図２のステップＳ１と同様である。以降、参照ベクトル読込み（ステップＳ９３）、分散パラメータ読込み（ステップＳ９４）、表価値算出（ステップＳ９５）、重み読込み（ステップＳ９６）、汚損度判定（ステップＳ９７）まで順次行なう。これらステップＳ９３〜Ｓ９７までの処理は、前述した図２のステップＳ３〜Ｓ７と同様である。
【００７１】
次に、フィードバック調整部１９は、初期設定された汚損特徴ごとの寄与度に対し、判定部１７の判定結果に応じてフィードバック調整する（ステップＳ９８）。このフィードバック調整は、上述したように、たとえば、汚損特徴ごとの影響度を算出し、影響度の小さい汚損特徴の寄与度を小さくするように行なう。
【００７２】
次に、フィードバック調整部１９は、フィードバック調整の終了条件（あらかじめ定められたフィードバック調整回数）に達したか否かをチェックし（ステップＳ９９）、終了条件に達していない場合はステップＳ９２に戻って上記同様な動作を繰り返し、終了条件に達していれば、当該処理を終了する。
【００７３】
図１７は、Ｉ個の寄与度をフィードバック調整する処理を行なうフローチャートを示したものであり、以下、それについて説明する。まず、変数ｉに「１」をセットした後（ステップＳ１０１）、［ｉ≦Ｉ］かどうかをチェックし（ステップＳ１０２）、［ｉ≦Ｉ］であれば、汚損特徴ｘｉの影響度が少ないか否かをチェックする（ステップＳ１０３）。
【００７４】
このチェックの結果、汚損特徴ｘｉの影響度が少ない場合、［ｍｉ＝ｍｉ−Δｍｉ］の計算を行ない（ステップＳ１０４）、その後、変数ｉを「＋１」して（ステップＳ１０５）、ステップＳ１０２に戻り、上記同様な動作を繰り返す。
【００７５】
ステップＳ１０３におけるチェックの結果、汚損特徴ｘｉの影響度が少なくない場合、ステップＳ１０４をジャンプしてステップＳ１０５に進む。
ステップＳ１０２におけるチェックの結果、［ｉ≦Ｉ］でなければ、全ての寄与度ｍｉを再正規化し（ステップＳ１０６）、当該処理を終了する。
【００７６】
第３の実施の形態で注目すべきは、各汚損特徴の寄与度が汚損度の判定結果に応じて自動的に最適化されることである。また、フィードバック調整された結果が顧客にとって分かりやすいものであることは、既に述べたことから明らかである。
【００７７】
なお、第３の実施の形態は、これに限定されるものではなく、様々な形態で実施可能である。たとえば、寄与度のフィードバック調整においては、影響度の小さい汚損特徴の寄与度を小さくするのではなく、影響度の大きい汚損特徴の寄与度を大きくする、あるいは、その両方を実施するなどが考えられる。
【００７８】
以上説明したように、上記実施の形態によれば、最終的な汚損度判定への寄与度が入力される汚損特徴のそれぞれに独立して定義、蓄積されるため、顧客の要求仕様ごとに変化する汚損特徴の重み付けに迅速に対応できる。
また、汚損特徴ごとの寄与度の値は、学習時には変化しないため、学習後（稼動時）、顧客の業態に合わせて随時設定、調整が可能となる。
さらに、各汚損特徴の寄与度が汚損度判定結果に応じて自動的に最適化できるため、たとえば、顧客の要求を顧客自身が把握していない場合など、サンプルを評価するだけで顧客の潜在要求が抽出でき、かつ、その結果が従来技術のようにブラックボックス化されることなく、顧客にとってわかりやすいものとなる。
【図面の簡単な説明】
【００７９】
【図１】本発明の第１の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すブロック図。
【図２】第１の実施の形態に係る動作を説明するフローチャート。
【図３】汚損特徴を入力する処理を説明するフローチャート。
【図４】寄与度を読込む処理を説明するフローチャート。
【図５】参照ベクトルを読込む処理を説明するフローチャート。
【図６】分散パラメータを読込む処理を説明するフローチャート。
【図７】評価値を算出する処理を説明するフローチャート。
【図８】重みを読込む処理を説明するフローチャート。
【図９】最終的な汚損度を判定する処理を説明するフローチャート。
【図１０】局所表現型ニューラルネットの全体図。
【図１１】局所表現型ニューラルネットの中間層ユニットの反応特性を示すグラフ。
【図１２】本発明の第２の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すブロック図。
【図１３】第２の実施の形態に係る動作を説明するフローチャート。
【図１４】寄与度を設定（調整）する処理を説明するフローチャート。
【図１５】本発明の第３の実施の形態に係る紙葉類の汚損度判定装置の構成を概略的に示すブロック図。
【図１６】第３の実施の形態に係る動作を説明するフローチャート。
【図１７】寄与度をフィードバック調整する処理を説明するフローチャート。
【図１８】第１の公知技術における汚損特徴の頻度分布を模式的に示すグラフ。
【図１９】第２の公知技術によって実現される汚損特徴の非線形変換を模式的に示すグラフ。
【図２０】第２の公知技術における汚損特徴の頻度分布を模式的に示すグラフ。
【図２１】３層パーセプトロン型ニューラルネットの全体図。
【図２２】非線形変換の例としてシグモイド関数を説明するグラフ。
【符号の説明】
【００８０】
１１…入力部（入力手段）、１２…寄与度記憶部（寄与度記憶手段）、１３…参照ベクトル記憶部（参照ベクトル記憶手段）、１４…分散パラメータ記憶部（分散パラメータ記憶手段）、１５…評価部（評価手段）、１６…重み記憶部（重み記憶手段）、１７…判定部（判定手段）、１８…寄与度設定部（寄与度設定手段）、１９…フィードバック調整部（フィードバック調整手段）。
【特許請求の範囲】
【請求項１】
紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、
前記複数の汚損特徴ごとの寄与度を記憶する寄与度記憶手段と、
前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、
前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、
前記入力手段により入力された複数の汚損特徴と前記寄与度記憶手段に記憶された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、
評価値ごとの重みを記憶する重み記憶手段と、
前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段と、
を具備したことを特徴とする紙葉類の汚損度判定装置。
【請求項２】
紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、
前記複数の汚損特徴ごとの寄与度を設定する寄与度設定手段と、
前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、
前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、
前記入力手段により入力された複数の汚損特徴と前記寄与度設定手段で設定された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、
評価値ごとの重みを記憶する重み記憶手段と、
前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段と、
を具備したことを特徴とする紙葉類の汚損度判定装置。
【請求項３】
紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、
前記複数の汚損特徴ごとの寄与度の初期値を設定する寄与度初期値設定手段と、
前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、
前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、
前記入力手段により入力された複数の汚損特徴と前記寄与度初期値設定手段で設定された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、
評価値ごとの重みを記憶する重み記憶手段と、
前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段と、
この判定手段の判定結果に応じて前記寄与度初期値設定手段で設定された寄与度をフィードバック調整するフィードバック調整手段と、
を具備したことを特徴とする紙葉類の汚損度判定装置。
【請求項４】
紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、
この入力工程により入力された複数の汚損特徴と、前記複数の汚損特徴ごとの寄与度を記憶する寄与度記憶手段に記憶された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、
この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程と、
を具備したことを特徴とする紙葉類の汚損度判定方法。
【請求項５】
紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、
前記複数の汚損特徴ごとの寄与度を設定する寄与度設定工程と、
前記入力工程により入力された複数の汚損特徴と、前記寄与度設定工程で設定された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、
この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程と、
を具備したことを特徴とする紙葉類の汚損度判定方法。
【請求項６】
紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、
前記複数の汚損特徴ごとの寄与度の初期値を設定する寄与度初期値設定工程と、
前記入力工程により入力された複数の汚損特徴と、前記寄与度初期値設定工程で設定された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、
この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程と、
この判定肯定の判定結果に応じて前記寄与度初期値設定工程で設定された寄与度をフィードバック調整するフィードバック調整工程と、
を具備したことを特徴とする紙葉類の汚損度判定方法。
【請求項１】
紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、
前記複数の汚損特徴ごとの寄与度を記憶する寄与度記憶手段と、
前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、
前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、
前記入力手段により入力された複数の汚損特徴と前記寄与度記憶手段に記憶された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、
評価値ごとの重みを記憶する重み記憶手段と、
前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段と、
を具備したことを特徴とする紙葉類の汚損度判定装置。
【請求項２】
紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、
前記複数の汚損特徴ごとの寄与度を設定する寄与度設定手段と、
前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、
前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、
前記入力手段により入力された複数の汚損特徴と前記寄与度設定手段で設定された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、
評価値ごとの重みを記憶する重み記憶手段と、
前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段と、
を具備したことを特徴とする紙葉類の汚損度判定装置。
【請求項３】
紙葉類から得られる複数の汚損特徴の値を入力する入力手段と、
前記複数の汚損特徴ごとの寄与度の初期値を設定する寄与度初期値設定手段と、
前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段と、
前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段と、
前記入力手段により入力された複数の汚損特徴と前記寄与度初期値設定手段で設定された寄与度と前記参照ベクトル記憶手段に記憶された参照ベクトルと前記分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価手段と、
評価値ごとの重みを記憶する重み記憶手段と、
前記評価手段により算出された評価値と前記重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定手段と、
この判定手段の判定結果に応じて前記寄与度初期値設定手段で設定された寄与度をフィードバック調整するフィードバック調整手段と、
を具備したことを特徴とする紙葉類の汚損度判定装置。
【請求項４】
紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、
この入力工程により入力された複数の汚損特徴と、前記複数の汚損特徴ごとの寄与度を記憶する寄与度記憶手段に記憶された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、
この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程と、
を具備したことを特徴とする紙葉類の汚損度判定方法。
【請求項５】
紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、
前記複数の汚損特徴ごとの寄与度を設定する寄与度設定工程と、
前記入力工程により入力された複数の汚損特徴と、前記寄与度設定工程で設定された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、
この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程と、
を具備したことを特徴とする紙葉類の汚損度判定方法。
【請求項６】
紙葉類から得られる複数の汚損特徴の値を入力する入力工程と、
前記複数の汚損特徴ごとの寄与度の初期値を設定する寄与度初期値設定工程と、
前記入力工程により入力された複数の汚損特徴と、前記寄与度初期値設定工程で設定された寄与度と、前記複数の汚損特徴の分布を反映した参照ベクトルを記憶する参照ベクトル記憶手段に記憶された参照ベクトルと、前記複数の汚損特徴の分布を反映した分散パラメータを記憶する分散パラメータ記憶手段に記憶された分散パラメータとから複数の評価値を算出する評価工程と、
この評価工程により算出された評価値と評価値ごとの重みを記憶する重み記憶手段に記憶された重みとに基づき前記紙葉類に対する最終的な汚損度を判定する判定工程と、
この判定肯定の判定結果に応じて前記寄与度初期値設定工程で設定された寄与度をフィードバック調整するフィードバック調整工程と、
を具備したことを特徴とする紙葉類の汚損度判定方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【公開番号】特開２００８−２０４３５２（Ｐ２００８−２０４３５２Ａ）
【公開日】平成２０年９月４日（２００８．９．４）
【国際特許分類】
【出願番号】特願２００７−４２２９２（Ｐ２００７−４２２９２）
【出願日】平成１９年２月２２日（２００７．２．２２）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
【公開日】平成２０年９月４日（２００８．９．４）
【国際特許分類】
【出願日】平成１９年２月２２日（２００７．２．２２）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
[ Back to top ]