專利名稱：知識發(fā)現裝置、知識發(fā)現程序和知識發(fā)現方法
技術領域：
本發(fā)明涉及使用多對圖像和與圖像對應的屬性數據來分析圖像的特征量和屬性數據之間的關系，發(fā)現有關圖像的特征量和屬性數據之間關系的知識的知識發(fā)現裝置、知識發(fā)現程序和知識發(fā)現方法，特別涉及能夠從特征位于局部區(qū)域的像素值分布圖形中的圖像和特征位置及大小不明確的圖像中發(fā)現知識的知識發(fā)現裝置、知識發(fā)現程序和知識發(fā)現方法。
背景技術：
近年來，在制造業(yè)的設計和檢查、零售業(yè)的銷售等用途中使用圖像。例如，作為在制造業(yè)的檢查中的應用，有如下的應用定期拍攝工作中的設備的金屬部件，在設備發(fā)生故障時，觀察從發(fā)生故障時起之前的一定時間內的圖像上描畫的金屬部件的表面顏色和龜裂，由此發(fā)現某部位變?yōu)樘囟伾珪r、或某部位產生龜裂時的故障發(fā)生率。另外，作為在零售業(yè)的銷售等中的應用，有如下的應用分析在便利店等零售店中拍攝了商品的存貨分配狀態(tài)的圖像和與商品銷售額相關的數值數據之間的關系，由此發(fā)現提高銷售額的存貨分配的方法。
以往，這種作業(yè)采用下述方法，對人為發(fā)生故障的比率和商品銷售額等的屬性數據與圖像進行比較，發(fā)現圖像上的局部區(qū)域特征和位置與屬性數據之間的關系，該方法具有作業(yè)勞力大的缺點。因此，提出利用計算機自動算出圖像上的局部區(qū)域特征和位置與屬性數據之間的關系的方法(例如，參照非專利文獻1)。
該方法以發(fā)現對應于人的特定動作的腦部活動部位為目的，使用人進行某動作時的腦部的f-MRI斷層圖像數據組，分析縱橫分割各圖像時處于激活狀態(tài)的位置，自動發(fā)現對應于該動作的腦的部位。
非專利文獻1
M.Kakimoto，C.Morita，and H.TsukimotoData Mining fromFunctional Brain Images，In Proc.of ACM MDM/KDD2000，pp.91-97(2000).
非專利文獻2Yusuke Uehara，Susumu Endo，Shuichi Shiitani，Daiki Masumoto，andShigemi Nagata”A Computer-aided Visual Exploration System forKnowledge Discovery from Images”，In Proc.of ACM MDM/KDD2001，pp.102-109(2001).
非專利文獻3上原祐介、遠藤進、椎谷秀一、增本大器、長田茂美“仮想空間での情報構造表現に基づく畫像群かぅの知識発見支援システム”，人工知能學會研究會資料SIG-FAI/KBS-J-40，pp.243-250(2001).
但是，在該方法中，作為屬性數據，把是否進行特定動作的二值數據設為對象，因而例如在金屬設備部件的故障預測中，具有在需要分析圖像數據上的特定位置區(qū)域的像素值分布圖形時不能使用的問題。
并且，在該方法中，把以規(guī)定大小分割圖像時的分割圖像作為單位進行分析，因而例如像商品的存貨分配圖像的分析那樣，與屬性數據有關系的區(qū)域大小因情況而各種各樣，具有不能適用于不能預先確定區(qū)域大小的用途。
本發(fā)明就是為了解決上述以往技術中的問題而提出的，其目的在于，提供一種從特征位于局部區(qū)域的像素值分布圖形中的圖像和特征位置及大小不明確的圖像中也能發(fā)現知識的知識發(fā)現裝置、知識發(fā)現程序和知識發(fā)現方法。

發(fā)明內容
為了解決上述課題并達到上述目的，本發(fā)明是一種知識發(fā)現裝置，其使用多對圖像數據和與該圖像數據對應的屬性數據，分析圖像的特征量和屬性數據之間的關系，發(fā)現有關該關系的知識，其特征在于，具有特征量提取單元，其根據各圖像數據生成多重分辨率處理后的圖像數據，從該多重分辨率處理后的圖像數據中提取特征量；和關系分析單元，其分析利用上述特征量提取單元提取的特征量和屬性數據之間的關系。
并且，本發(fā)明是一種知識發(fā)現程序，使用多對圖像數據和與該圖像數據對應的屬性數據，分析圖像的特征量和屬性數據之間的關系，發(fā)現有關該關系的知識，其特征在于，使計算機執(zhí)行下述步驟特征量提取步驟，根據各圖像數據生成多重分辨率處理后的圖像數據，從該多重分辨率處理后的圖像數據中提取特征量；和關系分析步驟，分析通過上述特征量提取步驟提取的特征量和屬性數據之間的關系。
并且，本發(fā)明的知識發(fā)現方法，使用多對圖像數據和與該圖像數據對應的屬性數據，分析圖像的特征量和屬性數據之間的關系，發(fā)現有關該關系的知識，其特征在于，包括特征量提取步驟，根據各圖像數據生成多重分辨率處理后的圖像數據，從該多重分辨率處理后的圖像數據中提取特征量；和關系分析步驟，分析通過上述特征量提取步驟提取的特征量和屬性數據之間的關系。
根據本發(fā)明，根據各圖像數據生成多重分辨率處理后的圖像數據，從多重分辨率處理后的圖像數據中提取特征量，分析所提取的特征量和屬性數據之間的關系，所以從特征位于局部區(qū)域的像素值分布圖形中的圖像和特征位置及大小不明確的圖像中也能發(fā)現知識。


圖1是表示本實施方式1的知識發(fā)現裝置的結構的功能方框圖。
圖2是表示圖像數據存儲部存儲的圖像數據的一例的圖。
圖3是表示圖像數據存儲部存儲的屬性數據的一例的圖。
圖4是用于說明由特征量提取部進行的圖像數據的多重分辨率處理的說明圖。
圖5是用于說明圖像數據的小波變換的說明圖。
圖6是表示小波變換小波變換結果的顯示例的圖。
圖7是表示本實施方式1的知識發(fā)現裝置的處理過程的流程圖。
圖8是表示拍攝了設備的金屬部件表面的圖像的一例的圖。
圖9是表示顯示知識發(fā)現裝置從圖8所示的圖像中發(fā)現的知識的例的圖。
圖10是表示本實施方式2的知識發(fā)現裝置的結構的功能方框圖。
圖11是用于說明圖10所示的特征量提取部進行的圖像數據的多重分辨率處理的圖。
圖12是表示顯示本實施方式2的知識發(fā)現裝置發(fā)現的知識的例的圖。
圖13是表示執(zhí)行本實施方式1和2的知識發(fā)現程序的計算機系統(tǒng)的圖。
圖14是表示圖13所示的主體部的結構的功能方框圖。
具體實施例方式
以下，參照附圖詳細說明本發(fā)明的知識發(fā)現裝置、知識發(fā)現程序和知識發(fā)現方法的優(yōu)選實施方式。另外，在本實施方式1中，說明把本發(fā)明的知識發(fā)現裝置適用于設備的金屬部件的故障預測的情況，在本實施方式2中，說明把本發(fā)明的知識發(fā)現裝置適用于零售店的存貨分配的情況。
實施方式1首先，對本實施方式1的知識發(fā)現裝置的結構進行說明。圖1是表示本實施方式1的知識發(fā)現裝置的結構的功能方框圖。如該圖所示，該知識發(fā)現裝置100具有特征量提取部110；關系分析部120；規(guī)則生成部130；顯示部140；圖像數據存儲部150；屬性數據存儲部160；和控制部170。
特征量提取部110是對存儲在圖像數據存儲部150中的圖像數據進行多重分辨率處理，并從多重分辨率處理后的圖像數據中提取特征量的處理部。具體來講，該特征量提取部110對存儲在圖像數據存儲部150中的金屬部件的圖像數據實施小波變換，把圖像上的各位置的多個頻率的縱向、橫向及斜向的亮度變化程度作為特征量提取。
關系分析部120是使用由特征提取部110從多重分辨率處理圖像數據中提取的特征量和存儲在屬性數據存儲部160中的屬性數據，分析特征量和屬性數據之間的關系的處理部。具體來講，該關系分析部120算出特征量即圖像上的各位置的多個頻率的縱向、橫向及斜向的亮度變化程度、和屬性數據即截止到發(fā)生故障的經過時間之間的相關值，分析特征量和屬性數據之間的關系。另外，有關特征量提取部110和關系分析部120的處理將在后面詳細說明。
規(guī)則生成部130是根據關系分析部120的分析結果生成與特征量和屬性數據之間的關系相關的知識的處理部，具體來講，生成把特征量的內容作為條件部分、把屬性數據的內容作為結論部分的關聯規(guī)則。
例如，該規(guī)則生成部130生成下述關聯規(guī)則作為高頻的橫向亮度變化的程度，如果圖像上的右上部出現較大的值，則截止到發(fā)生故障的經過時間較短，即如果金屬部件表面的右上部分出現較細的縱紋龜裂，則在較短的時間內設備產生故障的可能性大。
另外，此處是生成把特征量的內容作為條件部分、把屬性數據的內容作為結論部分的關聯規(guī)則，但該規(guī)則生成部130也可以生成把屬性數據的內容作為條件部分、把特征量的內容作為結論部分的關聯規(guī)則。
顯示部140是在視覺上顯示關系分析部120的分析結果、特征量和屬性數據之間具有強烈相關的圖像上的位置的處理部，也與位置一起顯示該位置的相關值。并且，該顯示部140也顯示規(guī)則作成部130作成的關聯規(guī)則。
圖像數據存儲部150是存儲被提取特征量的圖像數據的存儲部，此處，存儲每隔一定時間拍攝設備的金屬部件表面所得的圖像數據。圖2是表示圖像數據存儲部150存儲的圖像數據的一例的圖。如該圖所示，該圖像數據存儲部150對應存儲用于識別各個圖像的圖像ID和存儲圖像數據主體的圖像數據存儲部150內的地址，作為圖像數據。
例如，圖像ID是“00001”的圖像數據，表示被存儲在圖像數據存儲部150內的“16A001”地址中，圖像ID是“00002”的圖像數據，表示被存儲在圖像數據存儲部150內的“16A282”地址中。
屬性數據存儲部160是存儲用于分析與圖像的特征量的關系的屬性數據的存儲部，此處，把拍攝了圖像的金屬部件截止到產生故障的經過時間存儲為屬性數據。圖3是表示屬性數據存儲部160存儲的屬性數據的一例的圖。如該圖所示，該屬性數據存儲部160對應存儲圖像ID和經過時間，作為屬性數據。
例如，圖像ID是“00001”的圖像，表示在拍攝該圖像并且經過時間“012681”后金屬部件產生故障，圖像ID是“00002”的圖像，表示在拍攝該圖像并且經過時間“013429”后金屬部件產生故障。
控制部170是控制整個知識發(fā)現裝置100的處理部，具體來講，通過進行各處理部之間的控制交接及各處理部和存儲部的數據授受，使知識發(fā)現裝置100作為一個裝置發(fā)揮作用。
下面，詳細說明特征量提取部110的處理。圖4是用于說明特征量提取部100進行的圖像數據的多重分辨率處理的圖。如該圖所示，該特征量提取部110根據原來的圖像數據生成將縱橫長度分別分階段地縮小為二分之一的縮小圖像，進行多重分辨率處理。另外，此處，分三個階段進行縮小，但該階段可以是任意數量的階段。
并且，特征量提取部110對所生成的各階段的縮小圖像實施使用了Haar母函數的小波變換。由此，關于各縮小圖像，獲得圖像上的各位置的縱向亮度變化程度、橫向亮度變化程度和斜向亮度變化程度作為特征量。
圖5是用于說明圖像數據的小波變換的圖。如該圖所示，通過對圖像數據實施小波變換，可以獲得表示縱向亮度變化程度、橫向亮度變化程度和斜向亮度變化程度的數值排列。
此處，對象圖像數據在右上部具有縱向亮度變化程度較大的區(qū)域、在左下部具有橫向亮度變化程度較大的區(qū)域，所以在表示縱向亮度變化程度的數值排列中，對應于圖像上的右上部位置的數值的值較大，在表示橫向亮度變化程度的數值排列中，對應于圖像上的左下部位置的數值的值較大。并且，在表示斜向亮度變化程度的數值排列中，對應于圖像上的右上部和左下部位置的數值的值為中等大小。
這樣，該特征量提取部110通過對所生成的各階段的縮小圖像實施小波變換，在從在小范圍內細微變化的高頻成分到在大范圍內緩慢變化的低頻成分之間，可以分階段地獲得縱向、橫向和斜向的各自亮度變化，作為特征量。即，該特征量提取部110可以從圖像數據中提取特定區(qū)域的像素的亮度分布圖形作為特征量。
另外，圖6是表示小波變換結果的顯示例的圖。在圖6中，HL是表示橫向、LH是表示縱向、HH是表示斜向的亮度變化程度的區(qū)域。并且，各個下標數字表示縮小階段，縮小階段的階段越大其數字越小。
下面，詳細說明關系分析部120的處理。關系分析部120針對由特征量提取部110從存儲在圖像數據存儲部150的圖像數據組中提取的、表示多個頻率成分的縱向、橫向和斜向的亮度變化程度的數值，使圖像上的每個位置的數值組和表示截止到故障發(fā)生時的時間長度的數值組相對應，并算出相關值。
例如，第i號圖像數據的第n階段縮小圖像的位置(x、y)的縱向(T)亮度變化程度為CTnxyi，且對應于第i個圖像數據的截止到故障發(fā)生時的經過時間為Ti時，該關系分析部120使用下述算式(1)求出第n階段縮小圖像的位置(x、y)的縱向(T)亮度變化程度和截止到故障發(fā)生時的經過時間之間的相關值CorrTxy。
CorrTxy=Σi=1m(CTnxyi-CTnxy‾)(Ti-T‾)Σi=1m(CTnxyi-CTnxy‾)Σi=1m(Ti-T‾)···(1)]]>m圖像數據數 第n階段縮小圖像的位置(x、y)的縱向(T)亮度變化程度的整個圖像數據的平均值T整個經過時間的平均值此處，利用算式(1)計算的相關值的范圍是[-1.0，1.0]，可以說值越大就具有越強的正相關，值越小就具有越強的負相關。因此，在圖像上某位置的某頻率成分的某方向的亮度變化程度(特征量)和截止到發(fā)生故障時的經過時間(屬性數據)之間具有較強的負相關關系時，如果該亮度變化程度較大，則截止到發(fā)生故障時的經過時間較短的可能性大，在短時間內產生故障的可能性大。
這樣，該關系分析部120通過對圖像上的各位置，算出多個頻率成分的縱向、橫向和斜向的亮度變化程度與截止到發(fā)生故障時的經過時間的相關值，可以發(fā)現有關金屬部件表面的特定區(qū)域的亮度分布圖形和金屬部件產生故障的可能性的關系的知識。
下面，說明本實施方式1的知識發(fā)現裝置100的處理步驟。圖7是表示本實施方式1的知識發(fā)現裝置100的處理步驟的流程圖。如該圖所示，該知識發(fā)現裝置100的特征量提取部110對存儲在圖像數據存儲部150中的圖像數據組進行多重分辨率處理(步驟S701)，對通過多重分辨率處理得到的各圖像實施使用了Haar母函數的小波變換(步驟S702)。
即，特征量提取部110對存儲在圖像數據存儲部150中的所有圖像數據，按照圖像上的各位置算出多個頻率成分的縱向、橫向和斜向的亮度變化程度，作為特征量。
并且，關系分析部120對由特征量提取部110提取的表示多個頻率成分的縱向、橫向和斜向的亮度變化程度的數值，使圖像上的每個位置的數值組和表示截止到故障發(fā)生時的時間長度的數值組相對應，并算出相關值(步驟S703)。
并且，規(guī)則生成部130使用算出小于等于預定相關值(例如[-0.7])的相關值的特征量內容即圖像上某位置的某頻率成分的某方向的亮度變化程度、和屬性數據的內容即截止到故障發(fā)生時的時間長度，生成關聯規(guī)則(步驟S704)。
并且，顯示部140顯示算出小于等于預定相關值(例如[-0.7])的相關值的頻率成分、亮度變化的方向和圖像上的位置、以及規(guī)則生成部130生成的關聯規(guī)則(步驟S705)。
下面，說明本實施方式1的知識發(fā)現裝置100發(fā)現的知識的顯示例。圖8是表示拍攝了設備的金屬部件表面的圖像的一例的圖，圖9是表示顯示知識發(fā)現裝置100從圖8所示的圖像中發(fā)現的知識的例的圖。
圖8所示的圖像在金屬部件表面的右上部分具有細微的縱紋龜裂，在左下半部分具有間隔較大的傾斜龜裂。知識發(fā)現裝置100在處理該圖像數據時，例如，在圖像右上部的高頻的橫向亮度變化程度較大這一特征量內容、和經過時間較短這一屬性數據內容之間，發(fā)現較強的負相關。
并且，知識發(fā)現裝置100如圖9所示，顯示下述情況作為發(fā)現的知識顯示縮小階段最小的HL區(qū)域、即表示高頻的橫向亮度變化程度的區(qū)域的右上部是與截止到發(fā)生故障時的經過時間負相關強的區(qū)域。
如上所述，在本實施方式1中，特征量提取部110使用小波變換從金屬部件的表面圖像數據中提取圖像上的每個位置的多個頻率成分的縱向、橫向和斜向的亮度變化程度，作為特征量，關系分析部120把截止到金屬部件發(fā)生故障時的經過時間作為屬性數據，算出屬性數據和特征量的相關值，規(guī)則生成部130使用相關值小于等于預定相關值(例如[-0.7])的特征量內容和屬性數據內容，生成關聯規(guī)則，所以像金屬部件的表面圖像那樣，從截止到故障發(fā)生時的特征位于特定區(qū)域的亮度分布圖形中的圖像也能發(fā)現知識。
實施方式2可是，在上述實施方式1中，說明了使用小波變換進行圖像數據的多重分辨率處理和多重分辨率圖像中的特征提取的情況，但是，也可以使用小波變換以外的方法進行圖像數據的多重分辨率處理和多重分辨率圖像中的特征提取。因此，在本實施方式2中，說明進行圖像數據的多重分辨率處理和多重分辨率圖像中的特征提取的其它方法。
另外，在本實施方式2中，說明根據拍攝了便利店等零售店的商品存貨分配狀態(tài)的圖像數據和商品銷售額數據，發(fā)現貨架上的商品包裝的顏色特征與位置和銷售額之間的關系，作為關聯規(guī)則。
圖10是表示本實施方式2的知識發(fā)現裝置的結構的功能方框圖。如該圖所示，該知識發(fā)現裝置1000具有提取特征量的特征量提取部1010；分析特征量和屬性數據之間的關系的關系分析部1020；顯示分析結果的顯示部1030；存儲拍攝了存貨分配方式和陳列商品不同的各種方式的存貨分配狀態(tài)而得到的圖數據的圖像數據存儲部1040；按照每個陳列商品對應存儲銷售額數據和圖像上的位置的屬性數據存儲部1050；和進行整體控制的控制部1060。
并且，圖11是用于說明圖10所示的特征量提取部1010進行的圖像數據的多重分辨率處理的說明圖。如該圖所示，該特征量提取部1010分階段地縱橫對半地分割圖像，算出各個階段的每個分割圖像的像素顏色的平均值，作為特征量。
并且，關系分析部1020按照各分割階段的每個分割區(qū)域，使由特征量提取部1010作為特征量而算出的顏色的平均值組與銷售額數值組對應，并且使用數據挖掘(data mining)方法，在把銷售額大于等于規(guī)定銷售額作為結論部分時，生成滿足所給予的支持度和可信度的關聯規(guī)則。
此處，所說支持度指與所生成的關聯規(guī)則相關的數據的比率，所說可信度指所生成的關聯規(guī)則的信賴度。
結果，例如，在獲得圖11的第二階段分割的左上區(qū)域中的條件部分為利用RGB值表示的R值為“250”～“255”、G值為“0”～“10”、B值為“0”～“5”(R、G、B值的范圍是
)的范圍內的一般被認為是紅色的顏色的關聯規(guī)則的情況下，如圖12所示，顯示部1030在對應的圖像上的位置以紅色顯示。并且，顯示部1030把分析結果得到的關聯規(guī)則與支持度和可信度一起提示給使用者。
這樣，知識發(fā)現裝置1000可以提示使用者如果把放置在與用紅色顯示的圖像上的區(qū)域對應的貨架位置的商品包裝顏色設為紅色，則銷售額提高。
如上所述，在本實施方式2中，特征量提取部1010分階段地對半地分割圖像，按照各階段的每個分割圖像算出像素的顏色平均值作為特征量，關系分析部1020使顏色的平均值組與各分割區(qū)域的銷售額數據的數值組對應，使用數據挖掘方法生成關聯規(guī)則，所以像商品的存貨分配圖像那樣，從特征部位或大小不明確的圖像中也能發(fā)現有關特征量和屬性數據之間的關系的知識。
另外，在本實施方式1和2中，說明了知識發(fā)現裝置，但通過利用軟件來實現該知識發(fā)現裝置具有的結構，可以獲得具有相同功能的知識發(fā)現程序。因此，對執(zhí)行該知識發(fā)現程序的計算機系統(tǒng)進行說明。
圖13是表示執(zhí)行本實施方式的知識發(fā)現程序的計算機系統(tǒng)的圖。如該圖所示，該計算機系統(tǒng)200具有主體部201；根據來自主體部201的指示，在顯示畫面202a上顯示信息的顯示器202；用于向該計算機系統(tǒng)200輸入各種信息的鍵盤203；用于指定顯示器202的顯示畫面202a上的任意位置的鼠標204；連接在局域網(LAN)206或廣域網(WAN)上的LAN接口；和連接在因特網等公共線路207上的調制解調器205。此處，LAN206將其它計算機系統(tǒng)(PC)211、服務器212、打印機213等與計算機系統(tǒng)200相連接。
并且，圖14是表示圖13所示的主體部201的結構的功能方框圖。如該圖所示，該主體部201具有CPU 221；RAM 222；ROM 223；硬盤驅動器(HDD)224；CD-ROM驅動器225；FD驅動器226；I/O接口227；和LAN接口228。
并且，在該計算機系統(tǒng)200中執(zhí)行的知識發(fā)現程序被存儲在軟盤(FD)208、CD-ROM 209、DVD盤、光磁盤、IC卡等攜帶型存儲介質中，從這些存儲介質中讀出，并安裝在計算機系統(tǒng)200上。
或者，該知識發(fā)現程序被存儲在通過LAN接口228連接的服務器212的數據庫、其它計算機系統(tǒng)(PC)211的數據庫、通過公共線路207連接的其它計算機系統(tǒng)的數據庫等中，從這些數據庫中讀出并安裝在計算機系統(tǒng)200上。
并且，所安裝的知識發(fā)現程序被存儲在HDD 224中，使用RAM 222、ROM 223等，通過CPU 221來執(zhí)行。
如上所述，根據本發(fā)明，根據各圖像數據生成多重分辨率處理后的圖像數據，從多重分辨率處理后的圖像數據中提取特征量，分析所提取的特征量和屬性數據之間的關系，所以能夠發(fā)揮從特征位于局部區(qū)域的像素值分布圖形中的圖像和特征位置及大小不明確的圖像中也能發(fā)現知識的效果。
如上所述，本發(fā)明的知識發(fā)現裝置、知識發(fā)現程序和知識發(fā)現方法，適合于從特征位于像素值分布圖形中的圖像和特征位置及大小不明確的圖像中發(fā)現知識的情況。
權利要求
1.一種知識發(fā)現裝置，使用多對圖像數據和與該圖像數據對應的屬性數據，分析圖像的特征量和屬性數據之間的關系，發(fā)現有關該關系的知識，其特征在于，具有特征量提取單元，其根據各圖像數據生成多重分辨率處理后的圖像數據，從該多重分辨率處理后的圖像數據中提取特征量；和關系分析單元，其分析所述特征量提取單元提取出的特征量和屬性數據之間的關系。
2.根據權利要求1所述的知識發(fā)現裝置，其特征在于，還具備規(guī)則生成單元，其根據所述關系分析單元的分析結果，生成把特征量的內容作為條件部分、把屬性數據的內容作為結論部分的關聯規(guī)則，或者把屬性數據的內容作為條件部分、把特征量的內容作為結論部分的關聯規(guī)則。
3.根據權利要求1或2所述的知識發(fā)現裝置，其特征在于，所述特征量提取單元從所述多重分辨率處理后的圖像數據中提取對應于圖像上的位置的特征量，所述關系分析單元計算對應于圖像上的位置的特征量和屬性數據之間的相關值，并且還具備分析結果顯示單元，其把所述相關值處于預定范圍內的圖像上的位置和相關值作為分析結果進行顯示。
4.根據權利要求3所述的知識發(fā)現裝置，其特征在于，所述特征量提取單元使用小波變換從所述圖像數據中提取圖像上的各位置的多個頻率成分的縱向、橫向和斜向的亮度變化程度，作為特征量。
5.根據權利要求1所述的知識發(fā)現裝置，其特征在于，所述特征量提取單元通過分階段地縱橫分割圖像，對所述圖像數據進行多重分辨率處理，把與各階段的分割所得到的圖像對應的圖像數據的顏色平均值用作為所述特征量。
6.根據權利要求1或5所述的知識發(fā)現裝置，其特征在于，所述關系分析單元使用數據挖掘方法分析特征量和屬性數據之間的關系。
7.一種知識發(fā)現程序，使用多對圖像數據和與該圖像數據對應的屬性數據，分析圖像的特征量和屬性數據之間的關系，發(fā)現有關該關系的知識，其特征在于，使計算機執(zhí)行下述步驟特征量提取步驟，根據各圖像數據生成多重分辨率處理后的圖像數據，從該多重分辨率處理后的圖像數據中提取特征量；和關系分析步驟，分析通過所述特征量提取步驟提取的特征量和屬性數據之間的關系。
8.根據權利要求7所述的知識發(fā)現程序，其特征在于，還使計算機執(zhí)行規(guī)則生成步驟根據所述關系分析步驟的分析結果，生成把特征量的內容作為條件部分、把屬性數據的內容作為結論部分的關聯規(guī)則，或者把屬性數據的內容作為條件部分、把特征量的內容作為結論部分的關聯規(guī)則。
9.根據權利要求7或8所述的知識發(fā)現程序，其特征在于，所述特征量提取步驟從所述多重分辨率處理后的圖像數據中提取對應于圖像上的位置的特征量，所述關系分析步驟計算對應于圖像上的位置的特征量和屬性數據之間的相關值，并且還使計算機執(zhí)行分析結果顯示步驟，把所述相關值處于預定范圍內的圖像上的位置和相關值作為分析結果進行顯示。
10.根據權利要求9所述的知識發(fā)現程序，其特征在于，所述特征量提取步驟使用小波變換從所述圖像數據中提取圖像上的各位置的多個頻率成分的縱向、橫向和斜向的亮度變化程度，作為特征量。
11.根據權利要求7所述的知識發(fā)現程序，其特征在于，所述特征量提取步驟通過分階段地縱橫分割圖像，對所述圖像數據進行多重分辨率處理，把與各階段的分割所得到的圖像對應的圖像數據的顏色平均值用作為所述特征量。
12.根據權利要求7或11所述的知識發(fā)現程序，其特征在于，所述關系分析步驟使用數據挖掘方法分析特征量和屬性數據之間的關系。
13.一種知識發(fā)現方法，使用多對圖像數據和與該圖像數據對應的屬性數據，分析圖像的特征量和屬性數據之間的關系，發(fā)現有關該關系的知識，其特征在于，包括特征量提取步驟，根據各圖像數據生成多重分辨率處理后的圖像數據，從該多重分辨率處理后的圖像數據中提取特征量；和關系分析步驟，分析通過所述特征量提取步驟提取的特征量和屬性數據之間的關系。
14.根據權利要求13所述的知識發(fā)現方法，其特征在于，還包括規(guī)則生成步驟根據所述關系分析步驟的分析結果，生成把特征量的內容作為條件部分、把屬性數據的內容作為結論部分的關聯規(guī)則，或者把屬性數據的內容作為條件部分、把特征量的內容作為結論部分的關聯規(guī)則。
15.根據權利要求13或14所述的知識發(fā)現方法，其特征在于，所述特征量提取步驟從所述多重分辨率處理后的圖像數據中提取對應于圖像上的位置的特征量，所述關系分析步驟計算對應于圖像上的位置的特征量和屬性數據之間的相關值，并且還包括分析結果顯示步驟，把所述相關值處于預定范圍內的圖像上的位置和相關值作為分析結果進行顯示。
16.根據權利要求15所述的知識發(fā)現方法，其特征在于，所述特征量提取步驟使用小波變換從所述圖像數據中提取圖像上的各位置的多個頻率成分的縱向、橫向和斜向的亮度變化程度，作為特征量。
17.根據權利要求13所述的知識發(fā)現方法，其特征在于，所述特征量提取步驟通過分階段地縱橫分割圖像，對所述圖像數據進行多重分辨率處理，把與各階段的分割所得到的圖像對應的圖像數據的顏色平均值用作為所述特征量。
18.根據權利要求13或17所述的知識發(fā)現方法，其特征在于，所述關系分析步驟使用數據挖掘方法分析特征量和屬性數據之間的關系。
全文摘要
一種知識發(fā)現裝置，使用多對圖像數據和與圖像數據對應的屬性數據，分析圖像的特征量和屬性數據之間的關系，發(fā)現有關圖像的特征量和屬性數據之間的關系的知識，具有特征量提取部，其使用小波變換從金屬部件的表面圖像數據中提取圖像上的每個位置的多個頻率成分的縱向、橫向和斜向的亮度變化程度，作為特征量；關系分析部，其把截止到金屬部件發(fā)生故障時的經過時間作為屬性數據，算出屬性數據和特征量的相關值；和規(guī)則生成部，其使用相關值小于等于預定相關值(例如[－0.7])的特征量內容和屬性數據內容，生成關聯規(guī)則。
文檔編號G06K9/00GK1729479SQ0382581
公開日2006年2月1日 申請日期2003年4月16日 優(yōu)先權日2003年4月16日
發(fā)明者上原祐介, 增本大器, 椎谷秀一, 遠藤進, 馬場孝之 申請人:富士通株式會社