CN106662534A - 粒状物外观等级判别装置的等级判别基准的生成方法 - Google Patents

粒状物外观等级判别装置的等级判别基准的生成方法 Download PDF

Info

Publication number
CN106662534A
CN106662534A CN201580029634.2A CN201580029634A CN106662534A CN 106662534 A CN106662534 A CN 106662534A CN 201580029634 A CN201580029634 A CN 201580029634A CN 106662534 A CN106662534 A CN 106662534A
Authority
CN
China
Prior art keywords
grade
shot
mentioned
particle
grade discrimination
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201580029634.2A
Other languages
English (en)
Inventor
森尾吉成
石突裕树
石津任章
竹内宏明
越智龙彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Satake Engineering Co Ltd
Satake Corp
Original Assignee
Satake Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Satake Corp filed Critical Satake Corp
Publication of CN106662534A publication Critical patent/CN106662534A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G01N2021/8592—Grain or other flowing solid samples
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Sorting Of Articles (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明的粒状物外观等级判别装置的等级判别基准的生成方法，具备以下步骤：将多个粒状物按照等级分类后载置在拍摄单元的拍摄面上的粒状物载置步骤；通过上述拍摄单元拍摄载置在上述拍摄面上的上述粒状物并取得拍摄数据的拍摄数据取得步骤；根据上述拍摄数据按照上述等级来取得上述粒状物的等级信息的等级信息取得步骤；以及使用按照上述等级取得的上述等级信息来生成等级判别基准的等级判别基准生成步骤。

Description

粒状物外观等级判别装置的等级判别基准的生成方法
技术领域
本发明涉及一种粒状物外观等级判别装置的谷粒或颗粒等粒状物的等级判别基准的生成方法。
背景技术
已知一种谷粒外观等级判别装置(例如参照专利文献1)，其通过扫描仪等拍摄单元拍摄多个谷粒并取得拍摄数据，根据该拍摄数据判别上述多个谷粒的等级。
上述谷粒外观等级判别装置通过拍摄单元拍摄成为等级判别对象的多个谷粒并取得拍摄数据，根据上述拍摄数据取得谷粒的等级信息(外形形状、面积、长度、宽度、色彩(RGB信息)、裂纹等)，并将上述谷粒的等级信息与事先设定的等级判别基准进行比较来判别上述谷粒的等级。
并且，根据上述谷粒外观等级判别装置能够容易且迅速地判别多个谷粒的等级。
但是，在现有的谷粒外观等级判别装置中，事先取得多个样品粒的拍摄数据，作业者一边通过目测在显示器上确认上述拍摄数据一边依次指定各样品粒的等级，由此使用根据上述拍摄数据取得的上述各样品粒的等级信息来生成等级判别基准。
但是，如上所述作业者需要熟练地一边在显示器上确认上述拍摄数据一边指定等级，因此在谷粒外观等级判别装置中生成粒状物的等级判别基准是不容易的。
现有技术文献
专利文献
专利文献1：日本特开2011-242284号公报
发明内容
发明要解决的问题
因此，本发明的目的在于提供一种即使不是熟练的作业者也能够简单地生成粒状物的等级判别基准的粒状物外观等级判别装置中的等级判别基准的生成方法。
用于解决问题的方法
为了达到上述目的，本发明的粒状物外观等级判别装置的等级判别基准的生成方法，通过拍摄单元拍摄粒状物并取得拍摄数据，根据上述拍摄数据判别粒状物的等级，该方法具备：将多个粒状物按照等级分类后载置在拍摄单元的拍摄面上的粒状物载置步骤；通过上述拍摄单元拍摄载置在上述拍摄面上的上述粒状物并取得拍摄数据的拍摄数据取得步骤；根据上述拍摄数据按照上述等级来取得上述粒状物的等级信息的等级信息取得步骤；以及使用按照上述等级取得的上述等级信息来生成等级判别基准的等级判别基准生成步骤。
上述粒状物外观等级判别装置的等级判别基准的生成方法还能够具备登记上述粒状物的等级名的等级名登记步骤。
上述粒状物外观等级判别装置的等级判别基准的生成方法中通过上述等级信息取得步骤取得的等级信息能够包括粒状物的外形形状、面积、长度、宽度、色彩以及裂纹中的至少一个。
在上述粒状物载置步骤中，将载置在上述拍摄单元的拍摄面上的多个粒状物收容在被隔开为多个区域的托盘中并按照等级进行分类。
在上述等级判别基准生成步骤中，能够使用机械学习算法来生成上述等级判别基准。
发明的效果
在本发明的粒状物外观等级判别装置的等级判别基准的生成方法中，具备将多个粒状物按照等级分类后载置到拍摄单元的拍摄面上的粒状物载置步骤，能够处理事先按照等级分类的粒状物，因此即使不是熟练的作业者也能够简单地生成粒状物的等级判别基准。
另外，通过将作业者事先按等级分拣的粒状物载置到拍摄单元的拍摄面上，计算机能够自动地生成等级判别基准。
进一步，能够重复使用事先按等级分类的粒状物，因此能够重复生成具有客观性的等级判别基准。
上述等级判别基准生成步骤如果使用机械学习算法生成上述等级判别基准，则能够简单地生成高精度的等级判别基准。
附图说明
图1是表示通过本发明的方法而使用的粒状物外观等级判别装置的一例的说明图。
图2是等级判别基准的生成步骤的流程图。
图3是将粒状物载置到拍摄单元的拍摄面上的情况的说明图。
图4是等级判别基准的生成例的流程图。
图5是等级判别步骤的流程图。
图6是等级判别例的流程图。
具体实施方式
根据附图说明本发明的实施方式。
[粒状物外观等级判别装置的结构]
图1表示通过本发明的一个实施方式而使用的粒状物外观等级判别装置的一例。
粒状物外观等级判别装置1具备拍摄米、麦、大豆、玉米等谷粒或颗粒等粒状物的拍摄单元2、通过电缆3与该拍摄单元2连接的计算机4。在上述拍摄单元2中例如能够使用市场销售的扫描仪或复合机。
上述拍摄单元2具备本体2a、设在该本体2a上面的拍摄面2b、开关该拍摄面2b的罩2c。另外，上述本体2a具备光源和由彩色CCD线传感器等组成的受光部，上述光源由将光照射到在上述拍摄面2b上载置的粒状物的白色荧光灯、白色LED等组成，上述彩色CCD线传感器接受来自该粒状物的反射光。并且，上述粒状物G被收容在托盘5中，并被载置在上述拍摄面2b上。
上述计算机4具备：图像处理部，其将通过上述拍摄单元2拍摄到的粒状物的拍摄数据进行图像处理，并提取该粒状物的色彩等光学信息以及外形等形状信息等各种等级信息；等级判别基准生成部，其使用在该图像处理部中提取出的上述等级信息来生成等级判别基准；等级判别基准存储部，其存储该生成的等级判别基准；等级判别部，其使用存储在该等级判别基准存储部中的上述等级判别基准来判别上述粒状物的等级；以及显示器，其显示通过该等级判别部得到的结果。
上述粒状物外观等级判别装置1将通过上述拍摄单元2取得的多个粒状物的拍摄信号发送给上述计算机4，在该计算机4中判别各上述粒状物的等级。
以下，说明粒状物外观等级判别装置中的等级判别基准的生成方法。
[等级判别基准的生成步骤]
图2表示粒状物外观等级判别装置中的等级判别基准的生成步骤的流程。
(1)步骤S1：
拍摄中能够使用图1所示的拍摄单元2。作业者要分类的各等级的样品粒例如如果是米粒，则事先准备整粒、未熟粒、碎粒、裂纹粒、着色粒、异物等的样品粒并进行分组(A、B、C、……)，按照每个组分类这些样品粒后载置到拍摄单元2的拍摄面2b上。这里，每个上述组的样品粒的数量可以是一个，但为了大量取得后述的等级信息优选为多粒。另外，不需要在组之间准备相同数量的样品粒。
如图3所示，当将上述样品粒载置到上述拍摄单元2的拍摄面2b上时，通过收纳到被分割为多个区域的一个托盘5上而能够按照上述组(A、B、C、……)进行分类。另外，也可以对一个组使用一个托盘，在拍摄面2b上分别载置各个组的托盘，也可以在不能够准备托盘的情况下等，在拍摄面2上设置按照每个组载置的区域，为了不与其他组的样品粒混杂，而直接将样品粒载置到拍摄面2b上。
另外，上述样品粒需要按照每个组进行分类，但是不需要排列进行载置。
(2)步骤S2：
拍摄在步骤S1按照每个上述组分类并被载置到拍摄单元2的拍摄面2b上的样品粒，取得各个样品粒的拍摄数据。
(3)步骤S3:
根据在步骤S2取得的拍摄数据，计算机4按照每个组取得各个样品粒的等级信息(特征信息)(等级信息取得)。
这里，上述等级信息包括样品粒的外形形状、面积、长度、宽度、色彩(RGB信息)、裂纹等。
(4)步骤S4：
通过显示器确认在步骤S2取得的拍摄数据，作业者指定各个组为优良产品/不良产品的哪一个(优良成品/不良产品信息指定)。
这里，在本实施方式中，上述优良成品/不良产品信息指定不是必须的。如果进行上述优良成品/不良产品的指定，则在后述的粒状物的等级判别中，除了按照在步骤S5登记到计算机4中的等级名来判别等级判别对象的粒状物，也能够分类为优良成品/不良产品。
(5)步骤S5：
作业者将上述各组的名称(等级名)登记(输入)到计算机4中(等级名设定)。这样，将等级名和等级信息、优良成品/不良产品信息关联起来(等级分类信息设定)。这里，将等级判别对象的样品粒设为米粒，设定为整粒、未熟粒、碎粒、裂纹粒、着色粒以及异物6种等级。
(6)步骤S6：
在后述的粒状物的等级判别时，在判别为相当于2个以上的等级的情况下，为了判别为只相当于一个等级，设定优先顺序(优先判别顺序设定)。另一方面，不设定上述优先顺序也能够判别为相应的所有的等级。如果进行优先判别顺序设定，一个样品粒被计数为一个等级，如果不进行优先判别顺序设定，一个样品被计数为相应的所有的等级。
(7)步骤S7：
使用上述按照等级分类的等级信息来生成等级判别基准。在本实施方式中，计算机4使用集群分析以及自适应增强算法(AdaBoost(机械学习算法))的分析自动生成等级判别基准。关于集群分析，例如参照日本特开2010-60389等。关于自适应增强算法，例如参照日本特开2013-33331等。
<等级判别基准生成例>
说明等级判别基准生成例。
图4是步骤S7的等级判别基准生成的一例，表示使用了集群分析以及自适应增强算法的分析的等级判别基准的生成流程。
(a)集群分析
(1)步骤S10：
在进行集群分析时，取得通过该分析使用的阈值以及目标系统数量。上述阈值以及目标系统数量被事先保存在计算机4的存储器中。在通过集群分析将各个样品粒分类划分为系统时使用上述阈值，为了判断根据输入的等级信息计算出的系统间的距离是否正确也使用上述阈值。上述目标系统数量是通过集群分析进行分类划分的系统数量的目标值。
(2)步骤S11：
从在步骤S5登记的等级名中选择一个等级，使用在步骤S3取得的等级信息对这以外的等级即非选择等级的样品粒进行集群分析。该分析是用于进行自适应增强算法的分析的预处理，与步骤S5的作业者进行的等级名设定不同，而以分类划分上述非选择等级的样品粒的情况为目的。通过利用该集群分析进行的分类划分，能够排除在步骤S1中作业者在事先准备各等级的样品粒时所产生的划分错误等的影响。
(3)步骤S12：
通过步骤S11的集群分析的分类划分，确认是否被分类划分为上述目标系统数量。在本实施方式中，将目标系统数设为6个。这是试验地求出判别结果优秀的系统数量。
当步骤S11的集群分析的分类划分的结果、系统数量与目标系统数量不同时，变更上述阈值并重复进行集群分析直到与上述目标系统数量一致为止。系统数量根据上述阈值的大小增减，所以自动变更阈值并重复进行分析直到划分为目标系统数量为止。
(4)步骤S13：
保存将非选择等级的样品粒分类划分为目标系统数量的结果。例如，如果在步骤S11选择出的等级是整粒，则整粒以外的样品粒与作业者在步骤S5进行登记的等级无关地被分类划分为6个系统。在步骤S13，以各个等级保存这些系统。
(5)步骤S14：
在所有的等级进行步骤S11的集群分析。在本实施方式中，通过步骤S5分类为6个等级，所以按照这些所有的每个等级来进行集群分析，按照每个等级来求出系统。
(b)自适应增强算法的分析
(6)步骤S15：
在步骤S15，选择一个在步骤S5登记的等级，通过该选择出的等级的样品粒和被分类划分为该等级下的系统(本实施方式中6个)中的一个的系统的样品粒，使用在步骤S3取得的等级信息来进行通过自适应增强算法的分析，计算各个等级信息的阈值/正负/权值系数。在本实施方式中，上述各等级信息的阈值/正负/权值系数成为等级判别基准。
(7)步骤S16：
在步骤S16中，保存通过步骤S15的分析计算出的每个等级信息的阈值/正负/权值系数等分析结果。
(8)步骤S17：
确认是否通过所有的系统对在步骤S15选择出的等级的样品粒进行了通过自适应增强算法的分析。按照每个系统进行通过自适应增强算法的分析。
(9)步骤S18：
在步骤S18中，确认是否以所有的等级进行了通过自适应增强算法的分析。以所有的等级按照每个等级进行通过自适应增强算法的分析，对所有的等级通过所有的系统计算各个等级信息的阈值/正负/权值系数，保存为等级判别基准，由此结束等级判别基准的生成即学习结束。
[等级判别步骤]
图5表示粒状物外观等级判别装置的粒状物的等级判别步骤的流程。
(1)步骤S21：
将等级判别对象的多个粒状物载置到拍摄单元2的拍摄面2b上。
(2)步骤S22：
拍摄在步骤S21被载置到拍摄单元2的拍摄面2b上的粒状物，取得各粒状物的拍摄数据。
(3)步骤S23：
根据在步骤S22取得的拍摄数据由计算机4取得各粒状物的等级信息。该等级信息与步骤S3的相同。
(4)步骤S24：
使用在步骤S23取得的等级信息和事先生成的等级判别基准，通过自适应增强算法进行的分析来判别各粒状物的等级。
(5)步骤S25：
根据步骤S24的判别结果和步骤S4的优良产品/不良产品信息，计算机4将各粒状物分类为优良产品或不良产品的哪一个并保存数据。
(6)步骤S26：
保存步骤S24的等级判别结果。
(7)步骤S27：
根据步骤S25的分类结果，通过适当的显示器显示被分类为优良产品或不良产品的各粒状物。
(8)步骤S28：
根据步骤S24的等级判别结果，通过适当的显示器按照每个等级显示被判别后的各粒状物。
<等级判别例>
图6是基于步骤24的等级判别基准的等级判别的一例，表示等级判别流程。
(1)步骤S31：
首先，在步骤S31选择一个等级。
(2)步骤S32：
在选择出的等级中，通过集群分析求出目标值(本实施方式中6个)的系统，所以选择其中之一的系统。
(3)步骤S33：
作为选择出的等级以及系统的自适应增强算法的每个等级信息的阈值/正负/权值系数等分析结果，从存储器读入在步骤S16中保存的结果。
(4)步骤S34：
从通过拍摄取得的拍摄数据中选择一个粒状物。
(5)步骤S35：
选择一个关于选择出的粒状物的等级信息。
以下是通过自适应增强算法进行的分析。
(6)步骤S36：
关于在步骤S34选择出的粒状物，判断在步骤S35选择出的等级信息是否比在步骤S33读入的阈值大。
(7)步骤S37以及步骤S38：
当上述等级信息比上述阈值大时，通过步骤S37确认正负。相反当上述等级信息比上述阈值小时，通过步骤S38确认正负。通过上述正负的确认结果来求出合计值。
这里，本实施方式的正负是在上述等级信息位于上述阈值的正侧和位于负侧的情况下，判断相当于在哪一侧的情况下选择出的等级的基准(标记)。
(8)步骤S39：
通过步骤S39将在步骤S37或步骤S38求出的合计值与按照每个系统求出的信任度(或类似度)相加。
(9)步骤S40：
确认是否针对所有的等级信息进行了步骤S36～步骤S39的作业。对所使用的所有等级信息进行步骤S36的判断。
(10)步骤S41：
确认是否针对所有的粒状物进行了步骤S36～步骤S39的作业。对拍摄到的所有的粒状物进行步骤S36的判断。
(11)步骤S42：
确认是否针对所有的系统进行了步骤S36～步骤S39的作业。对选择出的等级的所有系统进行步骤S36的判断。
(12)步骤S43：
确认是否针对所有的等级是否进行了步骤S36～步骤S39的作业。对在步骤5设定的所有等级进行步骤S36的判断。
(13)步骤S44：
按照拍摄到的每个粒状物求出多个信任度，根据该信任度的大小等来判别各粒状物的等级。由此结束等级的判别。
根据本发明的实施方式，将多个样品粒按照每个组(每个等级)进行分类后载置到拍摄单元2的拍摄面2b上，能够处理事先被分组的样品粒，因此即使不是熟练的作业者也能够简单地生成粒状物的等级判别基准。
另外，根据本发明的实施方式，作业者按照每个组分类事先被分组的样品粒并载置到拍摄单元2的拍摄面2b上，由此计算机4能够自动生成等级判别基准。
进一步，根据本发明实施方式的等级判别基准的生成方法，能够重复使用事先按照每个组划分的粒状物，因此能够重复生成有客观性的等级判别基准。
本发明的实施方式是使用集群分析以及通过自适应增强算法进行的分析来生成上述等级判别基准，因此能够生成高精度的等级判别基准。
另外，在上述本发明的实施方式中，在等级判别基准的生成中使用了集群分析以及通过自适应增强算法进行的分析，但是能够使用通过其它的机械学习算法进行的分析和其它的公知方法来生成上述等级判别基准。
本发明不限于上述实施方式而能够在不脱离发明的范围内适当变更其结构。
工业上的可使用性
关于本发明即使不是熟练的作业者也能够简单地生成粒状物等级判别基准，因此具有非常高的使用价值。
附图标记的说明
1：粒状物外观等级判别装置、2：拍摄单元(扫描仪)、2a：本体、2b：拍摄面、2c：罩、3：电缆、4：计算机、5：托盘。

Claims (5)

1.一种粒状物外观等级判别装置的等级判别基准的生成方法，通过拍摄单元拍摄粒状物并取得拍摄数据，根据上述拍摄数据判别粒状物的等级，其特征在于，
该方法具备：
将多个粒状物按照等级分类后载置在拍摄单元的拍摄面上的粒状物载置步骤；
通过上述拍摄单元拍摄载置在上述拍摄面上的上述粒状物并取得拍摄数据的拍摄数据取得步骤；
根据上述拍摄数据按照上述等级来取得上述粒状物的等级信息的等级信息取得步骤；以及
使用按照上述等级取得的上述等级信息来生成等级判别基准的等级判别基准生成步骤。
2.根据权利要求1所述的粒状物外观等级判别装置的等级判别基准的生成方法，其特征在于，
该方法还具备登记上述粒状物的等级名的等级名登记步骤。
3.根据权利要求1或2所述的粒状物外观等级判别装置的等级判别基准的生成方法，其特征在于，
通过上述等级信息取得步骤取得的等级信息包括粒状物的外形形状、面积、长度、宽度、色彩以及裂纹中的至少一个。
4.根据权利要求1～3中的任意一项所述的粒状物外观等级判别装置的等级判别基准的生成方法，其特征在于，
在上述粒状物载置步骤中，将载置在上述拍摄单元的拍摄面上的多个粒状物收容在被隔开为多个区域的托盘中并按照等级进行分类。
5.根据权利要求1～4中的任意一项所述的粒状物外观等级判别装置的等级判别基准的生成方法，其特征在于，
在上述等级判别基准生成步骤中，使用机械学习算法来生成上述等级判别基准。
CN201580029634.2A 2014-06-05 2015-06-02 粒状物外观等级判别装置的等级判别基准的生成方法 Pending CN106662534A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2014117106A JP6481263B2 (ja) 2014-06-05 2014-06-05 粒状物外観品位判別装置における品位判別基準の作成方法
JP2014-117106 2014-06-05
PCT/JP2015/065922 WO2015186708A1 (ja) 2014-06-05 2015-06-02 粒状物外観品位判別装置における品位判別基準の作成方法

Publications (1)

Publication Number Publication Date
CN106662534A true CN106662534A (zh) 2017-05-10

Family

ID=54766777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580029634.2A Pending CN106662534A (zh) 2014-06-05 2015-06-02 粒状物外观等级判别装置的等级判别基准的生成方法

Country Status (7)

Country Link
US (1) US10386307B2 (zh)
JP (1) JP6481263B2 (zh)
KR (1) KR102382399B1 (zh)
CN (1) CN106662534A (zh)
BR (1) BR112016028473B1 (zh)
TW (1) TWI681182B (zh)
WO (1) WO2015186708A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862230A (zh) * 2017-11-14 2018-03-30 安徽虚境科技有限公司 一种等级决定及录入方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6560707B2 (ja) * 2017-04-20 2019-08-14 ファナック株式会社 加工面品位評価装置
JP7023180B2 (ja) * 2018-05-10 2022-02-21 大阪瓦斯株式会社 酒米分析装置
CN109539996B (zh) * 2018-12-12 2021-06-04 安徽省农业科学院水稻研究所 一种水稻柱头长度的测量方法
CN110044269A (zh) * 2019-04-08 2019-07-23 安徽省农业科学院水稻研究所 一种水稻柱头长度测量最佳取样时期的方法
JP7345776B2 (ja) * 2019-06-11 2023-09-19 近江度量衡株式会社 農産物の選別装置
WO2022080504A1 (ja) * 2020-10-16 2022-04-21 国立研究開発法人農業・食品産業技術総合研究機構 判定装置、学習装置、判定方法、学習方法及び制御プログラム
CN116596339B (zh) * 2023-05-22 2024-05-31 江苏辰威生物科技有限公司 一种饲料原料生产调节方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102159938A (zh) * 2008-10-09 2011-08-17 株式会社佐竹 图像读取装置用托盘
CN102782481A (zh) * 2010-05-19 2012-11-14 株式会社佐竹 谷粒外观品质判别装置的按品质划分的重量比率的计算方法
WO2013145873A1 (ja) * 2012-03-27 2013-10-03 株式会社サタケ 光学式粒状物選別機
WO2014002636A1 (ja) * 2012-06-27 2014-01-03 株式会社サタケ 穀粒外観測定装置
US20140147015A1 (en) * 2012-11-26 2014-05-29 Frito-Lay North America, Inc. Method for Scoring and Controlling Quality of Food Products in a Dynamic Production Line

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL82037A0 (en) * 1987-03-29 1987-10-20 Kalman Peleg Method and apparatus for automatically inspecting and classifying different objects
JP2000146847A (ja) * 1998-11-16 2000-05-26 Kett Electric Laboratory クラスタリング及びボロノイ分割を利用したニューラル ネットワークを用いた穀類粒判別装置
JP2002312762A (ja) * 2001-04-12 2002-10-25 Seirei Ind Co Ltd ニューラルネットワークを利用した穀粒選別装置
TWI220011B (en) * 2003-02-10 2004-08-01 Sheng Shiuan Corp Mold for producing upper stop of nylon safety zipper
JP2010060389A (ja) 2008-09-02 2010-03-18 Horiba Ltd 粒子解析装置、データ解析装置、ｘ線分析装置、粒子解析方法及びコンピュータプログラム
JP5565869B2 (ja) 2011-08-01 2014-08-06 株式会社ユニバーサルエンターテインメント 識別装置及び識別プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102159938A (zh) * 2008-10-09 2011-08-17 株式会社佐竹 图像读取装置用托盘
CN102782481A (zh) * 2010-05-19 2012-11-14 株式会社佐竹 谷粒外观品质判别装置的按品质划分的重量比率的计算方法
WO2013145873A1 (ja) * 2012-03-27 2013-10-03 株式会社サタケ 光学式粒状物選別機
WO2014002636A1 (ja) * 2012-06-27 2014-01-03 株式会社サタケ 穀粒外観測定装置
US20140147015A1 (en) * 2012-11-26 2014-05-29 Frito-Lay North America, Inc. Method for Scoring and Controlling Quality of Food Products in a Dynamic Production Line

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862230A (zh) * 2017-11-14 2018-03-30 安徽虚境科技有限公司 一种等级决定及录入方法

Also Published As

Publication number Publication date
JP6481263B2 (ja) 2019-03-13
KR102382399B1 (ko) 2022-04-01
KR20170015338A (ko) 2017-02-08
WO2015186708A1 (ja) 2015-12-10
TW201546440A (zh) 2015-12-16
US20170199132A1 (en) 2017-07-13
JP2015230265A (ja) 2015-12-21
TWI681182B (zh) 2020-01-01
BR112016028473A8 (pt) 2020-10-20
BR112016028473A2 (pt) 2017-08-22
BR112016028473B1 (pt) 2021-08-17
US10386307B2 (en) 2019-08-20

Similar Documents

Publication Publication Date Title
CN106662534A (zh) 粒状物外观等级判别装置的等级判别基准的生成方法
JP5533245B2 (ja) 穀粒外観品位判別装置における品位別重量比率の算出方法
US8831313B2 (en) Method for detecting microorganisms, device for detecting microorganisms and program
KR102103048B1 (ko) 광학식 입상물 선별기
JP5163985B2 (ja) 粒状物品種検査装置
WO2014087689A1 (ja) 画像処理装置、画像処理システム及びプログラム
US20100272350A1 (en) Methods and apparatus to perform image classification based on pseudorandom features
US20160321825A1 (en) Measuring apparatus, system, and program
US20120067952A1 (en) Code Quality Evaluating Apparatus
KR102037560B1 (ko) 곡립 외관 측정 장치
Çınar et al. Determination of effective and specific physical features of rice varieties by computer vision in exterior quality inspection
EP1324283A1 (en) Document authenticity discriminating apparatus and method therefor
Aznan et al. Rice seed varieties identification based on extracted colour features using image processing and artificial neural network (ANN)
US9449255B2 (en) Method and apparatus for the determination of classification parameters for the classification of bank notes
JP2002163637A (ja) 画像検査装置及び画像検査方法
CN112236668B (zh) 谷物的光泽测定装置
CN107389511B (zh) 一种作物种籽表型测量方法及便携装置
JP6884584B2 (ja) 画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体
JP6122655B2 (ja) 農作物の農作物選定装置及び農作物選定方法
CN109543696A (zh) 一种基于神经网络的图像识别方法及其应用
JPH0755688A (ja) 粒子分類表示装置
Malyadri et al. Quality Testing of Rice Grains using SVM
Jaisharma RICE QUALITY ANALYSIS USING MACHINE LEARNING
WO2015004672A1 (en) A method and apparatus for inspection and quality assurance of material samples using qualified user definitions and data derived from images in a controlled environment
Smith Fast corn grading system verification and modification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170510