CN111819598A - 分选装置、分选方法以及分选程序和计算机可读取的记录介质或存储设备 - Google Patents

Abstract

使得用户能够简单地设定、变更分选精度。为此，本发明具备：线传感器摄像机(11)；学习数据生成部(122)，根据由线传感器摄像机(11)获取到的类别物体的数据来生成学习数据(LD)；学习部(123)，使用学习数据(LD)来学习将混合物(MO)按照每个种类进行分类并设为类别物体的方法，并生成将通过该学习而获得的知识以及经验进行数据化的学习模型(GM)；分选对象选择部(124)，对分选对象物(SO)的种类进行选择；判断部(125)，基于学习模型(GM)，根据由线传感器摄像机(11)获取到的混合物(MO)的数据，计算识别率(RR)，并基于识别率(RR)来判断分选对象物(SO)的有无以及位置；以及空气喷射喷嘴(14)，基于判断部(125)的判断结果以及对识别率(RR)设置的阈值从混合物(MO)中对分选对象物(SO)进行分选。

Description

分选装置、分选方法以及分选程序和计算机可读取的记录介 质或存储设备

技术领域

本发明涉及从由多个种类的物体构成的混合物中对分选对象物进行分选的分选装置、分选方法以及分选程序和计算机可读取的记录介质或存储设备。

背景技术

近年来，将废弃物等进行再资源化并用作新产品的原料的再利用从环境保护的观点、企业形象的提高等目的出发，已经被众多企业所实施。

再利用领域涉及到多个方面，但是例如，在对废纸进行再利用并生产再生纸的领域中，若在废纸中，例如混入层压塑料等塑料，则存在纸的纯度下降这样的杂质的问题。此外，若混入有害物质，则会使该有害物质广范围地扩散。因此，在再利用之前，需要对用作原料的物体和杂质进行分选的工序。此外，期望例如像对白色的纸和着色的纸进行分选那样，能够根据再利用的用途自由地对分选对象物进行分选。

此外，不局限于再利用，在产品制造时，需要对合格品和不合格品进行分选，因此可以说将物体分选为两种以上的技术是制造业中不可缺少的技术之一。将这种物体分选为两种以上的种类的技术例如在专利文献1以及专利文献2中已经公开。

在专利文献1中，公开了一种涉及分选装置的技术，该分选装置具备由光源和光传感器构成的检测单元，并基于反射光的亮度对物体进行分选。

此外，在专利文献2中，公开了一种涉及分选装置的技术，该分选装置具备重力传感器和作为摄像装置的RGB摄像机、X射线摄像机、近红外线摄像机、3D摄像机，通过人工智能对物体进行自动分选。

在先技术文献

专利文献

专利文献1：JP特开2018-017639号公报

专利文献2：JP特开2017-109197号公报

发明内容

(发明要解决的课题)

但是，专利文献1中公开的分选装置需要预先设定基于反射光的亮度对物体进行分选的基准或算法，由于这些设定需要专门的知识、经验，因此用户无法容易地进行设定或设定的变更。

此外，使用了人工智能的专利文献2中公开的分选装置虽然不需要上述那样的设定，但是需要预先使人工智能学习进行分选的基准或方法的工序，并不是用户能够容易地设定的方式。

像这样，在现有的分选装置、分选方法中，不容易进行用于使分选装置对分选对象物进行分选的设定，因此用户被提供预先已经进行了与分选对象物相应的设定的分选装置，进行运转。因此，在混合物(废弃物等)或分选对象物发生变更的情况等下，存在用户即使想变更设定也无法容易变更这样的问题。

本发明鉴于现有的这样的问题点而提出。本发明的目的之一在于，提供一种即使用户没有专门的技术或知识，也能够容易地进行用于对分选对象物进行分选的设定的分选装置、分选方法以及分选程序和计算机可读取的记录介质或存储设备。

(用于解决课题的技术方案)

本发明的第一侧面所涉及的分选装置是从由多个种类的物体构成的混合物中对分选对象物进行分选的分选装置，其能够构成为，具备：数据获取部，获取基于类别物体或所述混合物的数据，所述类别物体是按每个种类而分类的所述物体；学习数据生成部，根据由所述数据获取部获取到的所述类别物体的数据来生成学习数据；学习部，学习使用由所述学习数据生成部生成的学习数据将混合物按每个种类进行分类并设为类别物体的方法，并生成将通过该学习而得到的知识以及经验进行了数据化的学习模型；分选对象选择部，从所述类别物体中选择所述分选对象物的种类；判断部，基于由所述学习部生成的学习模型，从由所述数据获取部获取到的混合物的摄像数据中判断由所述分选对象选择部选择出的种类的分选对象物的有无以及位置；分选部，基于所述判断部的判断结果从所述混合物中对所述分选对象物进行分选；以及操作部，接受来自用户的操作对所述各部给予指示。

根据上述结构，由于能够使用人工智能从混合物的摄像数据中判断分选对象物的有无以及位置，因此不需要分选物体的基准或算法的设定。此外，由于在各构件中具备接受来自用户的操作并给予指示的操作部，因此用户能够容易地生成学习模型，使人工智能学习的工序也能够容易地进行。

因此，根据本发明，能够使用操作部简单地进行操作，并能够使人工智能进行繁杂的设定作业的大部分，因此即使用户没有专门的技术或知识，也能够容易地进行用于对分选对象物进行分选的设定。

此外，本发明的第二侧面所涉及的分选装置能够构成为，所述操作部具备：数据获取指示部，对所述数据获取部指示数据的获取；学习数据生成指示部，对所述学习数据生成部指示所述学习数据的生成开始；学习开始指示部，对所述学习部指示所述学习模型的生成；分选对象选择指示部，对所述分选对象选择部指示所述分选对象物的种类的选择；以及运转开始指示部，使所述判别部判断所述分选对象物的有无以及位置，并使所述分选部基于该判断结果从所述混合物中对所述分选对象物进行分选。

此外，本发明的第三侧面所涉及的分选装置能够构成为，所述操作部具备模式切换指示部，所述模式切换指示部指示包含学习模式和运转模式的模式切换操作，所述学习模式至少显示所述数据获取指示部、学习数据生成指示部以及学习开始指示部，所述运转模式至少显示所述运转开始指示部。根据上述结构，用户能够在掌握处于学习模式和运转模式这样的分选装置的动作状况中的哪个动作状况下的同时，进行作业，并且由于学习模式中的设定作业集中配设有设定所涉及的指示部，因而容易防止误操作。

此外，本发明的第四侧面所涉及的分选装置能够构成为，所述操作部在一个画面中至少显示所述数据获取指示部、学习数据生成指示部、学习开始指示部、分选对象选择指示部以及运转开始指示部。根据上述结构，由于不像学习模式、运转模式这样作为模式进行区分而在一个画面中显示设定所涉及的指示部以及运转所涉及的指示部，因此能够不需要学习模式与运转模式的模式的切换操作。

此外，本发明的第五侧面所涉及的分选装置能够构成为，所述操作部为触摸面板。根据上述结构，用户能够简单地进行操作。

此外，本发明的第六侧面所涉及的分选装置能够构成为，所述数据获取部具备可视摄像机，由所述数据获取部获取到的数据为图像数据。根据上述结构，数据获取部具备可视摄像机，能够将数据获取为图像数据，因此能够基于分选对象物的形态或位置、大小、范围对该分选对象物进行分选。另外，例如在数据获取部为带分光器摄像机的情况下，数据能够获取为分光分布数据。

此外，本发明的第七侧面所涉及的分选装置能够构成为，具备存储部，该存储部将所述类别物体的图像数据与确定该类别物体的种类的信息建立关联地进行保存，所述学习数据生成部具有：图像提取部，生成提取图像数据，该提取图像数据是从由所述数据获取部获取到的所述类别物体的图像数据中去除背景并提取该类别物体而成的；图像合成部，生成学习用图像数据，该学习用图像数据是从由所述图像提取部生成的、所述混合物所包含的物体全部种类的所述提取图像数据中，随机选择一个或多个提取图像数据，并将由所述数据获取部摄像的背景的图像数据与该提取图像数据进行合成而成的；以及解答生成部，将由所述图像合成部生成的所述学习用图像数据和基于所述存储部所保存的信息而确定的所述学习用图像数据中包含的类别物体的种类以及位置的信息建立关联来生成所述学习数据。根据上述结构，由于通过用户的指示，能够控制使人工智能学习的学习数据数量，因此能够通过增加学习次数来提高分选的精度。

此外，本发明的第八侧面所涉及的分选装置能够构成为，所述分选部基于所述判断结果对所述分选对象物施加压缩的空气，从所述混合物中对所述分选对象物进行分选。

此外，本发明的第九侧面所涉及的分选装置能够构成为，所述判断部基于由所述学习部生成的学习模型，根据由所述数据获取部获取到的混合物的数据来计算表示所述混合物中的各物体为由所述分选对象选择部选择的分选对象物的概率的第一识别率，并基于该第一识别率，判断所述分选对象物的有无以及位置，所述分选部基于所述判断部的判断结果以及针对所述第一识别率设置的阈值从所述混合物中对所述分选对象物进行分选。根据上述结构，在从混合物中对分选对象物进行分选的运转时，使人工智能计算出表示混合物的各物体为分选对象物的概率的第一识别率，并将该识别率与用户能够设定的阈值相关联来判断分选对象，因此在使用人工智能的同时，用户也能够控制分选精度。换言之，分选的目的为从能够粗略地分类即可这样的情况到仅所希望的物体想要高精度地提取的情况等可设想的各种情况时，均能够进行与用户对分选精度的需求相应的分选。

此外，本发明的第十侧面所涉及的分选装置能够构成为，所述分选部对所述第一识别率为所述阈值以上的分选对象物进行分选。根据上述结构，通过将阈值设定得较高，能够高精度地进行分选，通过将阈值设定得较低，能够粗略地进行分选。

此外，本发明的第十一侧面所涉及的分选装置能够构成为，所述判断部基于由所述学习部生成的学习模型，根据由所述数据获取部获取到的混合物的数据来计算表示所述混合物中的各物体按每个所述类别物体而为该类别物体的概率的第二识别率，基于该第二识别率，确定所述混合物中的各物体的种类，并将该种类与所述分选对象物的种类一致的情况下的第二识别率视为所述第一识别率，来判断所述分选对象物的有无以及位置。根据上述结构，由于针对混合物的各物体，按每个类别物体计算出全部的第二识别率，因此能够将物体的种类判别为第二识别率为最高值的种类，并且由于针对被判别为种类与分选对象物相同的物体，与用户能够设定的阈值相关联地进行分选，因此即使在变更分选对象物的情况下，用户也无需重新生成专用于分选对象物的学习模型，能够容易地变更分选对象物。

此外，本发明的第十二侧面所涉及的分选装置能够构成为，具备阈值设定部，该阈值设定部针对所述第一识别率设定所希望的阈值，所述操作部具有阈值设定指示部，该阈值设定指示部对所述阈值设定部指示所述阈值的设定。根据上述结构，用户能够容易地设定、变更分选精度。

此外，本发明的第十三侧面所涉及的分选方法是从由多个种类的物体构成的混合物中对分选对象物进行分选的分选方法，其能够构成为，包括：数据获取工序，接受来自数据获取指示部的操作，获取基于类别物体或所述混合物的数据，所述类别物体是按每个种类而分类的所述物体；学习数据生成工序，接受来自学习数据生成指示部的操作，根据由所述数据获取工序获取到的所述类别物体的数据来生成学习数据；学习工序，接受来自学习开始指示部的操作，学习使用由所述学习数据生成工序生成的学习数据将混合物按每个种类进行分类并设为类别物体的方法，并生成将通过该学习而得到的知识以及经验进行了数据化的学习模型；分选对象选择工序，接受来自分选对象选择指示部的操作，从所述类别物体中选择所述分选对象物的种类；以及运转工序，接受来自运转开始指示部的操作，基于由所述学习工序生成的学习模型，从由所述数据获取工序获取到的混合物的数据中判断由所述分选对象选择工序选择的种类的分选对象物的有无以及位置，并基于该判断结果从所述混合物中对所述分选对象物进行分选。

此外，本发明的第十四侧面所涉及的分选方法能够构成为，接受来自模式切换指示部的操作，进行包含学习模式和运转模式的模式切换操作，所述学习模式至少显示所述数据获取指示部、学习数据生成指示部以及学习开始指示部，所述运转模式至少显示所述运转开始指示部。

此外，本发明的第十五侧面所涉及的分选方法能够构成为，在一个画面中至少显示所述数据获取指示部、学习数据生成指示部、学习开始指示部、分选对象选择指示部以及运转开始指示部。

此外，本发明的第十六侧面所涉及的分选方法能够构成为，在所述运转工序中，接受来自运转开始指示部的操作，基于由所述学习工序生成的学习模型，根据由所述数据获取工序获取到的混合物的数据来计算表示所述混合物中的各物体为由所述分选对象选择部选择的分选对象物的概率的第一识别率，基于该第一识别率，判断所述分选对象物的有无以及位置，并基于该判断结果以及针对所述第一识别率设置的阈值从所述混合物中对所述分选对象物进行分选。

此外，本发明的第十七侧面所涉及的分选方法能够构成为，在所述运转工序中，对所述第一识别率为所述阈值以上的分选对象物进行分选。

此外，本发明的第十八侧面所涉及的分选方法能够构成为，在所述运转工序中，基于由所述学习工序生成的学习模型，根据由所述数据获取工序获取到的混合物的数据来计算表示所述混合物中的各物体按每个所述类别物体为该类别物体的概率的第二识别率，基于该第二识别率，确定所述混合物中的各物体的种类，并将该种类与所述分选对象物的种类一致的情况下的第二识别率视为所述第一识别率，来判断所述分选对象物的有无以及位置。

此外，本发明的第十九侧面所涉及的分选程序是用于从由多个种类的物体构成的混合物中对分选对象物进行分选的分选程序，其能够构成为，所述分选程序使计算机实现如下功能：接受来自数据获取指示部的操作，获取基于按每个种类而分类的所述物体即类别物体或所述混合物的数据的功能；接受来自学习数据生成指示部的操作，根据所获取的所述类别物体的摄像数据来生成学习数据的功能；接受来自学习开始指示部的操作，学习使用所生成的所述学习数据将混合物按每个种类进行分类并设为类别物体的方法，并生成将通过该学习而得到的知识以及经验进行了数据化的学习模型的功能；接受来自分选对象选择指示部的操作，从所述类别物体中选择所述分选对象物的种类的功能；以及接受来自运转开始指示部的操作，基于所生成的所述学习模型，从所获取的所述混合物的数据中判断所选择的所述种类的分选对象物的有无以及位置，并基于该判断结果从所述混合物中对所述分选对象物进行分选的功能。

此外，本发明的第二十侧面所涉及的分选程序能够构成为，接受来自运转开始指示部的操作，基于所生成的所述学习模型，根据所获取的所述混合物的数据来计算表示所述混合物中的各物体为由所述分选对象选择部选择的分选对象物的概率的第一识别率，基于该第一识别率，判断所述分选对象物的有无以及位置，并基于该判断结果以及针对第一识别率设置的阈值从所述混合物中对所述分选对象物进行分选。

此外，本发明的第二十一侧面所涉及的分选程序能够构成为，使计算机实现对所述第一识别率为所述阈值以上的分选对象物进行分选的功能。

此外，本发明的第二十二侧面所涉及的分选程序能够构成为，使计算机实现如下功能：基于所生成的所述学习模型，根据所获取的所述混合物的数据来计算表示所述混合物中的各物体按每个所述类别物体而为该类别物体的概率的第二识别率，基于该第二识别率，确定所述混合物中的各物体的种类，并将该种类与所述分选对象物的种类一致的情况下的第二识别率视为所述第一识别率，来判断所述分选对象物的有无以及位置。

此外，本发明的第二十三侧面所涉及的记录介质或存储设备保存有所述程序。在记录介质中，包含CD-ROM、CD-R、CD-RW或软盘、磁带、MO、DVD-ROM、DVD-RAM、DVD-R、DVD+R、DVD-RW、DVD+RW、Blu-ray(注册商标)、BD-R、BD-RE、HD DVD(AOD)等磁盘、光盘、光磁盘、半导体存储器其他能够保存程序的介质。此外，在程序中，除了保存于所述记录介质来进行发布的程序以外，还包含经由因特网等网络线路通过下载来进行发布的方式的程序。进而，记录介质包括能够记录程序的设备，例如，所述程序以软件或固件等形式被安装于可执行的状态的通用或专用设备。此外，程序中包含的各处理、功能既可以通过由计算机能够执行的程序软件来执行，各部的处理也可以由给定的门阵列(FPGA、ASIC)等硬件实现、或者以程序软件与实现硬件的一部分要素的部分硬件模块混在的形式来实现。

附图说明

图1是本发明的实施方式涉及的分选装置的示意图。

图2是本发明的实施方式涉及的线传感器摄像机和输送机的位置关系的说明图。

图3是由本发明的实施方式涉及的线传感器摄像机生成的图像数据的说明图。

图4是从图像数据中提取物体映现的部分并生成提取图像数据的方法的说明图。

图5是从图像数据中提取物体映现的部分并生成提取图像数据的方法的说明图。

图6是生成人工的混合物的图像数据的方法的说明图。

图7是设定喷射区域以及每个空气喷射喷嘴的喷射定时的方法的说明图。

图8是本发明的实施方式涉及的分选装置的功能框图。

图9是示出学习模式中的分选装置的操作方法的流程的流程图。

图10是控制器所显示的画面的说明图。

图11是控制器所显示的画面的说明图。

图12是控制器所显示的画面的说明图。

图13是控制器所显示的画面的说明图。

图14是控制器所显示的画面的说明图。

图15是控制器所显示的画面的说明图。

图16是控制器所显示的画面的说明图。

图17是控制器所显示的画面的说明图。

图18是示出运转模式中的分选装置的操作方法的流程的流程图。

图19是控制器所显示的画面的说明图。

图20是控制器所显示的画面的说明图。

图21是控制器所显示的画面的说明图。

图22是控制器所显示的画面的说明图。

具体实施方式

以下，基于附图对本发明的实施方式进行说明。但是，以下所示的实施方式例示了用于将本发明的技术思想具体化的分选装置，本发明并不将它们限定于以下的实施方式。此外，本说明书绝非将权利要求书所示的构件限定于实施方式的构件。尤其是实施方式中记载的构成部件的尺寸、材质、形状、其相对配置等只要没有特别明确记载，就并非旨在将本发明的范围仅限定于此，仅仅是说明例而已。另外，各附图示出的构件的大小、位置关系等有时为了明确说明而进行了夸大。而且在以下的说明中，对同一名称、符号示出了同一或者同质的构件，并适当省略详细说明。而且，构成本发明的各要素既可以是将多个要素由同一构件构成并由一个构件兼作多个要素的方式，也能够反之将一个构件的功能由多个构件分担来实现。

(分选装置1)

关于本发明的实施方式涉及的分选装置1，基于作为示意图的图1、作为功能框图的图8、以及作为线传感器摄像机11与输送机13的位置关系的说明图的图2来进行说明。

如图1所示，本实施方式涉及的分选装置1是使用放出压缩空气的空气喷射喷嘴14从由供给装置2供给且在输送机13上流动的多个种类的物体所构成的混合物MO中对分选对象物SO进行分选的装置，主要由线传感器摄像机11(对应于技术方案中的“数据获取部”的一例)、第一控制部12、控制器15(对应于技术方案中的“操作部”的一例)、输送机13以及空气喷射喷嘴14构成。供给装置2例如由投入料斗21、移送输送机22和投入送料器23构成。投入料斗21构成为能够接收混合物MO。移送输送机22将从投入料斗21供给的混合物MO供给到投入送料器23。投入送料器23由振动送料器或电磁送料器等构成，通过进行振动，从而在防止混合物MO彼此的重叠的同时将混合物MO供给到输送机13。

分选装置1具备学习模式LM以及运转模式OM这两个模式。学习模式LM是进行用于使分选装置1动作的准备、设定的模式。另一方面，运转模式OM是实际从混合物MO对分选对象物SO进行分选的模式。

混合物MO由金属或纸、塑料等从通过线传感器摄像机11获取到的图像数据中能够识别各个物体并且通过空气喷射喷嘴14所进行的空气的喷射能够变更前进路线的多个种类的物体构成。作为混合物MO中包含的物体的种类，例如，可设想金属或纸、塑料等，但并不限定于例如金属这样的大类，被归类为更下层的铜、铝等从色彩和形状能够识别的物体全都可以成为对象。此外，本实施方式涉及的分选装置1能够一次识别达至5种类的物体，诸如铝、黄铜、金、银、铜这样，其构成为既能够从由这样的物体构成的混合物MO中，作为分选对象物SO而分选一种，例如仅分选铜，也能够同时分选多个种类，例如分选铝、黄铜、金。

以下，对各构件详细进行说明。另外，在以下的说明中，为了方便起见，设混合物MO由物体A～C(对应于技术方案中的“类别物体”的一例)构成，作为分选对象物SO而选择物体A。

(线传感器摄像机11)

分选装置1如图2所示，在输送机13的宽度方向上排列设置有两个线传感器摄像机11。线传感器摄像机11是如下构件，即：每次从输送机13的编码器131接受脉冲时就进行摄像，并从该摄像结果获取图像数据ID。

线传感器摄像机11的X方向对应于输送机13的宽度方向，Y方向对应于输送机13的行进方向，如图2所示，通过一个线传感器摄像机11，能够对给定的X方向摄像范围11a进行摄像。从该X方向范围11a中除去输送机13两端的排除范围11b和输送机13中央的排除范围11c而得到X方向有效范围11d，将两个X方向有效范围11d加在一起而得到X方向范围11e，并如图3所示，将该X方向范围11e在Y方向上以给定的Y方向范围11f提取而生成图像数据ID。所生成的图像数据ID中，从Y方向的一端起的所希望的重复范围11g是与之前最近生成的图像数据ID重复的范围。

学习模式中的线传感器摄像机11将混合物MO中包含的物体按每个物体进行摄像，并生成各物体的图像数据ID。具体而言，在多个物体A在输送机13上流动的状态下进行摄像，生成物体A的图像数据ID。物体B、C也同样地，生成物体B、C的图像数据ID。所生成的各物体的图像数据ID以与所摄像的物体的名称建立了关联的状态被发送并保存到图8所示的存储部121中。此外，在输送机13上未流动物体的状态下进行摄像，生成背景图像BI，所生成的背景图像BI被发送并保存到存储部121中。

此外，运转模式OM中的线传感器摄像机11在混合物MO在输送机13上流动的状态下进行摄像，并生成混合物MO的图像数据ID。所生成的混合物MO的图像数据ID被发送到判断部125。

另外，作为技术方案中的“数据获取部”的一例而对线传感器摄像机11进行了说明，但是“数据获取部”并不限定于此，也可以是面传感器摄像机，还可以使用可见光、红外线、X射线中的任意一者。在使用X射线的情况下，能够将X射线光源配置在由输送机输送的物体的上部并将X射线摄像机配置在输送机的输送带的下部，也可以反过来配置。

此外，所生成的各物体的图像数据ID除了与物体的名称建立关联以外，也可以与在后述的分选对象选择部124中对分选对象物SO进行选择时用户知道是何种物体的信息建立关联。

此外，不必一定由线传感器摄像机11进行摄像，并将所生成的背景图像BI保存于存储部121中，例如，也可以是背景图像BI在分选装置1的制造阶段另外准备并保存于存储部121中的方式。

此外，也可以取代背景图像BI而将输送机13的颜色的信息保存于存储部121中。

(第一控制部12)

第一控制部12具备：存储部121、学习数据生成部122、学习部123、分选对象选择部124、阈值设定部126以及判断部125。第一控制部12在运转模式OM中，根据由线传感器摄像机11获取到的混合物MO的图像数据ID来判断分选对象物SO的有无以及位置。此外，在学习模式LM中，进行了该判断用的准备、设定。以下，对各构件详细进行说明。

(存储部121)

存储部121是保存由线传感器摄像机11生成的物体A～C的图像数据ID以及与图像数据ID建立了关联的物体的名称、和背景图像BI的构件。

(学习数据生成部122)

学习数据生成部122根据由线传感器摄像机11摄像并获取的物体A～C的图像数据ID和背景图像BI，生成学习数据LD并进行保存。学习数据生成部122由图像提取部122a、图像合成部122b以及解答生成部122c这三个构件构成。各构件的结构如后所述。

所生成的学习数据LD用于由学习部123进行的学习。每一次的学习，使用一个学习数据LD，反复该学习的次数越多则运转模式OM中的分选的精度越提高。即，由学习数据生成部122生成的学习数据LD越多，则运转模式OM中的分选的精度越提高。另外，本发明的第一实施例涉及的分选装置1是将上限设为4万次且用户能够自由设定学习的反复次数的方式(详情在后面叙述)。

(图像提取部122a)

图像提取部122a从存储部121调出物体A～C的图像数据ID以及背景图像BI，并基于背景图像BI，从物体A～C的图像数据ID中提取物体映现的部分，生成提取图像数据SD。例如，在提取物体A的图像数据ID的情况下，如图4所示，将除了重复范围11g以外的范围按每一个像素与背景图像BI进行比较。比较的结果是，将与背景图像BI一致的部分以外切出为物体A映现的部分，生成物体A的提取图像数据SD。如上所述，基本上是以除了重复范围11g以外的范围进行比较，但如图5所示，在物体A位于从该范围溢出的位置的情况下，扩大范围到重复范围11g来进行比较。同样地，也根据物体B、C的图像数据ID来生成物体B、C的提取图像数据SD。

另外，也可以不仅是与背景图像BI完全一致的部分，还设定视为与背景图像BI一致的范围，切出这以外的部分，生成提取图像数据SD。据此，例如，即使在输送机13有伤痕或污垢、与背景图像BI不完全一致的情况下，也能够适当地切出物体，并生成该物体的提取图像数据SD。

此外，不必严格地仅提取物体映现的部分，也可以是以背景图像BI保留的方式切出物体，生成该物体的提取图像数据SD，例如，也能够切出为包含物体的部分的长方形状或圆形状。像这样，在以背景图像BI保留的方式切出物体的情况下，其形状并无特别限定，但是优选为所保留的背景图像BI的面积较小的形状。

(图像合成部122b)

如图6所示，图像合成部122b从由图像提取部122a生成的物体A～C的提取图像数据SD中，随机选择几个数据，以随机的位置、角度、尺寸合成到背景图像BI中，从而生成人工的混合物MO的图像数据ID。

即，图像合成部122b通过变更提取图像数据SD的位置、角度、尺寸，能够根据较少的物体A～C的图像数据ID，生成许多的人工的混合物MO的图像数据ID。另外，在如在图像提取部122a的项目中所说明的那样，设为以背景图像BI保留的方式切出物体来生成提取图像数据SD的方式的情况下，图像合成部122b不在提取图像数据SD彼此重叠的位置处合成提取图像数据SD而生成混合物MO的图像数据ID。这是为了防止该物体的形状由于提取图像数据SD的保留的背景图像BI的部分与其他提取图像数据SD的物体的部分重叠而变化。

(解答生成部122c)

解答生成部122c生成学习数据LD，所述学习数据LD是将记录了物体A～C中的哪一个被配置在由图像合成部122b生成的人工的混合物MO的图像数据ID的哪个位置的信息与人工的混合物MO的图像数据ID建立了关联的数据。

(学习部123)

学习部123具有人工智能，使用由学习数据生成部122生成的学习数据LD，学习对物体A～C进行判别的方法，生成学习模型GM。

具体而言，首先，计算在学习数据LD中的人工的混合物MO的图像数据ID中映现的各物体为物体A的概率。同样地，计算为物体B的概率以及为物体C的概率(以下，将这些计算出的概率称为识别率RR。此外，识别率RR对应于技术方案中的“第二识别率”的一例)。接着，将各物体预测为物体A～C的识别率RR当中最高的种类的物体，基于由解答生成部122c建立了关联的信息来调查预测是否准确。生成对反复此过程获得的知识、经验进行数据化而得到的学习模型GM，并进行保存。

(分选对象选择部124)

分选对象选择部124生成将用户从物体A～C中选择的分选对象物SO的信息与学习模型GM建立了关联的数据即准则(recipe)RE，并进行保存。在运转模式中，用户所选择的准则RE被读出到判断部125。

如上所述，分选装置1是使学习部123学习判别物体A～C的方法而不学习分选对象物SO是哪一个的方式。由此，例如，即使在想要将分选对象物SO从物体A变更为物体B的情况下，仅是在分选对象选择部124中选择物体B作为分选对象物SO即可，因此不需要使学习部123重新开始学习。另外，也可以设为在使学习部123学习之前，选择分选对象物SO的方式。

(阈值设定部126)

阈值设定部126针对分选对象物SO的识别率RR设定阈值。所设定的阈值的信息被发送到第二控制部141，在对分选对象物SO进行分选时进行参照(详情在后面叙述)。另外，阈值也可以不必设定。

(判断部125)

判断部125具有人工智能，在运转模式OM中，从分选对象选择部124中读出准则RE，基于该准则RE，从由线传感器摄像机11生成且发送的混合物MO的图像数据ID中，判断物体A的有无，并在有物体A的情况下，将其像素单位的位置的信息发送到第二控制部141。

物体A的有无的判断与学习部123同样地，计算各物体的物体A～C的识别率RR，并将物体A的识别率RR最高的物体判断为物体A。另外，同样地，物体B的识别率RR最高的物体判断为物体B，物体C的识别率RR最高的物体判断为物体C。

(输送机13)

输送机13是通过线传感器摄像机11的摄像范围，并使物体流动而移动到空气喷射喷嘴14的位置的构件。输送机13以给定的速度使物体移动。此外，在输送机13设置有编码器131，每当输送机13移动给定距离时，编码器131就向线传感器摄像机11、第一控制部12以及第二控制部141发送脉冲。线传感器摄像机11每当接收到该脉冲时进行摄像。即，由线传感器摄像机11摄像的图像数据ID的一个像素相当于给定距离。此外，第一控制部12以及第二控制部141基于该脉冲，确定物体的位置。

(空气喷射喷嘴14)

空气喷射喷嘴14是针对分选对象物SO的识别率RR为由阈值设定部126设定的阈值以上的分选对象物SO放出压缩空气，对分选对象物SO进行分选的构件。分选装置1在输送机13的整个宽度方向上以微小间隔配置多个空气喷射喷嘴14。通过所述结构，将识别率RR与用户能设定的阈值相关联来判断分选对象，因此在使用人工智能的同时，用户也能够控制分选精度，能够进行与用户对分选精度的需求相应的分选。具体地，如果将阈值设定得较低，则能够进行粗略的分类，如果将阈值设定得较高，则能够高精度地仅提取所希望的物体。另外，分选的对象并不限定于分选对象物SO的识别率RR为由阈值设定部126设定的阈值以上的分选对象物SO。例如，也可以设为对分选对象物SO的识别率RR大于由阈值设定部126设定的阈值的分选对象物SO进行分选的方式。此外，也可以设为设定上限和下限的阈值，对其间的识别率RR的分选对象物SO进行分选的方式，还可以设为不设定阈值而对所有的分选对象物SO进行分选的方式。进一步地，也可以设为针对分选对象物SO以外放出压缩空气，对分选对象物SO进行分选的方式。

此外，空气喷射喷嘴14由第二控制部141指示喷射压缩空气的定时即喷射定时。具体地，第二控制部，首先，如图7所示，基于从判断部125发送的物体A的位置信息，设定喷射压缩空气的喷射区域IR。接着，按每个空气喷射喷嘴14基于喷射区域IR来设定喷射定时。喷射定时相对于输送机13的行进方向以给定的时间间隔设置。即，若以图7所示的混合物MO的图像数据ID为例来考虑，则以图像数据ID的上端部到达空气喷射喷嘴14的位置的时间T0为基准，针对d～h列的空气喷射喷嘴14，指示为在空气喷射喷嘴14通过喷射区域IR的定时喷射压缩空气。

由空气喷射喷嘴14喷射压缩空气的物体A配置在输送机13的下部，通过按分选的材质的每个种类设置的回收料斗3的料斗31而被回收。由空气喷射喷嘴14未喷射压缩空气的物体B、物体C通过料斗32而被回收。

(控制器15)

控制器15是触摸面板式的控制器，用户通过使用控制器15，能够容易地操作分选装置1。控制器15具备：模式切换按钮15a(对应于技术方案中的“模式切换指示部”的一例)、摄像按钮15b(对应于技术方案中的“数据获取指示部”的一例)、学习数据生成按钮15c(对应于技术方案中的“学习数据生成指示部”的一例)、学习开始按钮15d(对应于技术方案中的“学习开始指示部”的一例)、分选对象选择按钮15e(对应于技术方案中的“分选对象选择指示部”的一例)、阈值设定按钮15h(对应于技术方案中的“阈值设定部”的一例)、运转开始按钮15f(对应于技术方案中的“运转开始指示部”的一例)以及运转结束按钮15g。

(分选装置1的操作方法)

以下，对使用控制器15操作分选装置1的方法进行说明。

(学习模式LM中的操作方法)

关于学习模式LM中的分选装置1的操作方法，基于图8的功能框图、图9的流程图以及图10～图17的控制器15所显示的画面的说明图来进行说明。

首先，在步骤ST101中使用模式切换按钮15a，将分选装置1切换为学习模式LM。因为在分选装置1的起动时，在控制器15显示图10所示的画面，所以通过按下学习模式按钮151a从而将分选装置1切换为学习模式LM，在控制器15显示图11所示的画面。

接着，在步骤ST102中使线传感器摄像机11生成物体A～C的图像数据ID以及背景图像BI。若用户在输送机上流动多个物体A，并按下图11所示的画面中的摄像按钮15b，则线传感器摄像机11开始摄像，并生成物体A的图像数据ID。当物体A的图像数据ID的获取完成时，在控制器15会显示图12所示的画面，所以用户在名称输入部151b输入物体A的名称，保存到存储部121中。当物体A的保存完成时，在控制器15会再次显示图11的画面，用户通过同样的过程，进行物体B、C以及背景图像BI的拍摄。

接下来，在步骤ST103中使学习数据生成部生成学习数据LD。若用户按下图11所示的画面中的学习数据生成按钮15c，则在控制器15显示图13所示的画面。用户通过按下物体选择按钮151c而从如图14所示显示的存储部121中保存的物体的名称的一览，选择在学习数据LD的生成中使用的物体(本说明的情况下为“物体A”、“物体B”、“物体C”)。当完成选择时，在控制器15会再次显示图13所示的画面，在数据数量输入部152c中输入要生成的学习数据LD的数量。当输入完成时，在控制器15如图15所示，显示待机画面，该待机画面向用户示出到学习数据LD的生成完成为止的预测时间。当学习数据LD的生成完成时，在控制器15显示图11所示的画面。

最后，在步骤ST104中使学习部123使用学习数据LD进行学习，并生成学习模型GM。若用户按下图11所示的画面中的学习开始按钮15d，则在控制器15显示图16所示的画面。用户从如图16所示显示的学习数据生成部122所保存的学习数据LD的一览(显示在学习数据LD的生成中使用的物体的名称)，选择用于学习部123的学习的学习数据LD(本说明的情况下为“物体A、物体B、物体C”)。当选择完成时，在控制器15如图17所示，显示向用户示出到学习模型GM的生成完成为止的预测时间的待机画面。当学习模型GM的生成完成时，在控制器15显示图11所示的画面。

(运转模式OM中的操作方法)

关于运转模式OM中的分选装置1的操作方法，基于图8的功能框图、图18的流程图以及图19～图21的控制器15所显示的画面的说明图来进行说明。

首先，在步骤ST201中使用模式切换按钮15a，将分选装置1切换为运转模式OM。在分选装置1的起动时，在控制器15显示图10所示的画面，因此分选装置1通过按下运转模式按钮152a而切换为运转模式OM，在控制器15显示图19所示的画面。

接着，在步骤ST202中对分选对象物SO选择物体A，使分选对象选择部124生成准则RE。若用户按下图19所示的画面中的分选对象选择按钮15e，则在控制器15显示图20所示的画面。用户从如图20所示显示的学习部123所保存的学习模型GM的一览(显示在学习模型GM的生成中使用的物体的名称)，选择用于判别的学习模型GM(该实施例的情况下为“物体A、物体B、物体C”)。当完成选择时，在控制器15显示图21所示的画面。用户从如图21所示显示的所选择的在学习模型GM的生成中使用的物体的一览，选择分选对象物SO(本说明的情况下为“物体A”)。当完成选择时，分选对象选择部124生成准则RE，并在控制器15显示图19所示的画面。

接着，在步骤ST203中针对分选对象物SO的识别率RR设定阈值。若用户按下图19所示的画面中的阈值设定按钮15h，则在控制器15显示图22所示的画面，在阈值输入部151h输入所希望的阈值。当输入完成时，阈值设定部126将阈值的信息发送到第二控制部141，并在控制器15显示图19所示的画面。

另外，在阈值输入部151h未输入所希望的阈值的情况下，判断为未设定阈值而对所有的分选对象物SO进行分选，即，对设定为分选对象物SO的物体的识别率RR最高的全部物体进行分选。此外，用户设定阈值的手段并不限定于显示于控制器15的触摸面板的阈值设定按钮15h。例如，也可以构成为取代阈值设定按钮15h而在触摸面板显示拖动条，能够使用该拖动条来进行阈值的设定。进一步来说，设定阈值的手段并不限定于使用触摸面板，例如，也可以构成为在控制器15设置按钮或旋转开关等，能够通过这些来进行阈值的设定，还可以是将上述的设定阈值的手段进行并用的方式。此外，阈值的设定不仅能够在步骤ST203中进行，还能够在后述的步骤ST204中进行。根据该结构，用户还能够确认实际的分选结果，对阈值进行微调。此时，如果设定阈值的手段使用上述的拖动条或旋转开关，则能够凭感觉进行操作，适宜于微调。

接着，在步骤ST204中对物体A进行分选。若用户在输送机上流动混合物MO，并按下图19所示的画面中的运转开始按钮15f，则线传感器摄像机11开始摄像，判断部125判断物体A的有无以及物体A的像素单位的位置，基于该判断，空气喷射喷嘴14对物体A进行分选。

最后，在步骤ST205中，按下运转结束按钮15g，结束分选。

另外，控制器15的方式、画面的显示并不限定于上述，可以适当变更使得用户能够容易地操作分选装置1。例如，也可以是使用了按压式按钮的控制器15，在该情况下，无需模式切换按钮15a。此外，也可以设为不设置模式切换按钮15a而在一个画面中显示所有的按钮的方式。此外，也可以在控制器15进行对用户指示下一操作的显示。

此外，在上述的实施方式中，使各个按钮分别具有不同的功能，但也可以使各个功能联动，或者使给定的按钮兼具各种功能。例如，也可以构成为通过按下学习数据生成按钮15c，从而生成学习数据LD，并且基于该学习数据来生成学习模型GM。此外，例如，也可以构成为运转开始按钮15f兼具指示运转结束的功能，在第一次的运转开始按钮15f的按下时开始运转，在第二次的按下时结束运转。此外，在上述的实施方式中，以物体A为分选对象而进行了说明，但也可以将多个物体设为分选对象，并相应地设置多个空气喷射喷嘴、料斗。

如以上说明的那样，应用了本发明的分选装置1能够使用人工智能从混合物MO的摄像数据中判断分选对象物SO的有无以及位置，因此不需要分选物体的基准、算法的设定，此外，使用控制器15所显示的各种按钮，包括设定阈值的工序在内，能够容易地操作。此外，由于使人工智能计算表示混合物的各物体为分选对象物的概率的识别率，并将该识别率与用户能够设定的阈值相关联来判断分选对象，因此用户能够控制分选精度。

因此，根据本发明，除了能够使人工智能进行繁杂的设定作业的大部分以外，还能够通过操作部来简单地操作，因此即使用户不具有专门的技术或知识，也能够容易地进行用于对分选对象物SO进行分选的设定。

产业上的可利用性

本发明所涉及的分选装置、分选方法以及分选程序以及计算机可读取的记录介质或存储设备能够应用于将物体分选为两种以上的种类的用途。

符号说明

1 分选装置

11 线传感器摄像机

11a X方向摄像范围；11b、11c 排除范围；11d X方向有效范围；11e X方向范围；11f Y方向范围；11g 重复范围

12 第一控制部

121 存储部

122 学习数据生成部；122a 图像提取部；122b 图像合成部；122c 解答生成部

123 学习部

124 种类选择部

126 阈值设定部

125 判断部

13 输送机

131 编码器

14 空气喷射喷嘴

141 第二控制部

15 控制器

15a 模式切换按钮；151a 学习模式按钮；152a 运转模式按钮

15b 摄像按钮；151b 名称输入部

15c 学习数据生成按钮；151c 物体选择按钮；152c 数据数量输入部

15d 学习开始按钮

15e 分选对象选择按钮

15h 阈值设定按钮；151h 阈值输入部

15f 运转开始按钮

15g 运转结束按钮

2 供给装置

21 投入料斗；22 移送输送机；23 投入送料器

3 回收料斗

31、32 料斗

MO 混合物

SO 分选对象物

ID 图像数据

LD 学习数据

SD 提取图像数据

BI 背景图像

GM 学习模型

RE 准则

RR 识别率

IR 喷射区域

LM 学习模式

OM 运转模式。

Claims (23)

1.一种分选装置，是从由多个种类的物体构成的混合物中对分选对象物进行分选的分选装置，其具备：

数据获取部，获取基于类别物体或所述混合物的数据，所述类别物体是按每个种类而分类的所述物体；

学习数据生成部，根据由所述数据获取部获取到的所述类别物体的数据来生成学习数据；

学习部，学习使用由所述学习数据生成部生成的学习数据将混合物按每个种类进行分类并设为类别物体的方法，并生成将通过该学习而得到的知识以及经验进行了数据化的学习模型；

分选对象选择部，从所述类别物体中选择所述分选对象物的种类；

判断部，基于由所述学习部生成的学习模型，根据由所述数据获取部获取到的混合物的摄像数据来判断由所述分选对象选择部选择出的种类的分选对象物的有无以及位置；

分选部，基于所述判断部的判断结果，从所述混合物中对所述分选对象物进行分选；以及

操作部，接受来自用户的操作对所述各部给予指示。

2.根据权利要求1所述的分选装置，其特征在于，

所述操作部具备：

数据获取指示部，对所述数据获取部指示数据的获取；

学习数据生成指示部，对所述学习数据生成部指示所述学习数据的生成开始；

学习开始指示部，对所述学习部指示所述学习模型的生成；

分选对象选择指示部，对所述分选对象选择部指示所述分选对象物的种类的选择；以及

运转开始指示部，使所述判别部判断所述分选对象物的有无以及位置，并使所述分选部基于该判断结果从所述混合物中对所述分选对象物进行分选。

3.根据权利要求1或2所述的分选装置，其特征在于，

所述操作部具备模式切换指示部，所述模式切换指示部指示包含学习模式和运转模式的模式切换操作，所述学习模式至少显示所述数据获取指示部、学习数据生成指示部以及学习开始指示部，所述运转模式至少显示所述运转开始指示部。

4.根据权利要求3所述的分选装置，其特征在于，

所述操作部在一个画面中至少显示所述数据获取指示部、学习数据生成指示部、学习开始指示部、分选对象选择指示部以及运转开始指示部。

5.根据权利要求1至4中任一项所述的分选装置，其特征在于，

所述操作部为触摸面板。

6.根据权利要求1至5中任一项所述的分选装置，其特征在于，

所述数据获取部具备可视摄像机，

由所述数据获取部获取到的数据为图像数据。

7.根据权利要求6所述的分选装置，其特征在于，

所述分选装置还具备存储部，该存储部将所述类别物体的图像数据与确定该类别物体的种类的信息建立关联地进行保存，

所述学习数据生成部具有：

图像提取部，生成提取图像数据，该提取图像数据是从由所述数据获取部获取到的所述类别物体的图像数据中去除背景并提取该类别物体而成的；

图像合成部，生成学习用图像数据，该学习用图像数据是从由所述图像提取部生成的、所述混合物所包含的物体全部种类的所述提取图像数据中，随机选择一个或多个提取图像数据，并将由所述数据获取部摄像出的背景的图像数据与该提取图像数据进行合成而成的；以及

解答生成部，将由所述图像合成部生成的所述学习用图像数据与基于所述存储部所保存的信息而确定的所述学习用图像数据中包含的类别物体的种类以及位置的信息建立关联来生成所述学习数据。

8.根据权利要求1至7中任一项所述的分选装置，其特征在于，

所述分选部基于所述判断结果对所述分选对象物施加压缩的空气，从所述混合物中对所述分选对象物进行分选。

9.根据权利要求1至8中任一项所述的分选装置，其特征在于，

所述判断部基于由所述学习部生成的学习模型，根据由所述数据获取部获取到的混合物的数据来计算表示所述混合物中的各物体为由所述分选对象选择部选择出的分选对象物的概率的第一识别率，并基于该第一识别率，判断所述分选对象物的有无以及位置，

所述分选部基于所述判断部的判断结果以及针对所述第一识别率设置的阈值，从所述混合物中对所述分选对象物进行分选。

10.根据权利要求9所述的分选装置，其特征在于，

所述分选部对所述第一识别率为所述阈值以上的分选对象物进行分选。

11.根据权利要求9或10所述的分选装置，其特征在于，

所述判断部基于由所述学习部生成的学习模型，根据由所述数据获取部获取到的混合物的数据来计算表示所述混合物中的各物体按每个所述类别物体而为该类别物体的概率的第二识别率，基于该第二识别率，确定所述混合物中的各物体的种类，并将该种类与所述分选对象物的种类一致的情况下的第二识别率视为所述第一识别率，来判断所述分选对象物的有无以及位置。

12.根据权利要求9至11中任一项所述的分选装置，其特征在于，

所述分选装置还具备阈值设定部，该阈值设定部针对所述第一识别率设定所希望的阈值，

所述操作部具有阈值设定指示部，该阈值设定指示部对所述阈值设定部指示所述阈值的设定。

13.一种分选方法，是从由多个种类的物体构成的混合物中对分选对象物进行分选的分选方法，其包括：

数据获取工序，接受来自数据获取指示部的操作，获取基于类别物体或所述混合物的数据，所述类别物体是按每个种类而分类的所述物体；

学习数据生成工序，接受来自学习数据生成指示部的操作，根据由所述数据获取工序获取到的所述类别物体的数据来生成学习数据；

学习工序，接受来自学习开始指示部的操作，学习使用由所述学习数据生成工序生成的学习数据将混合物按每个种类进行分类并设为类别物体的方法，并生成将通过该学习而得到的知识以及经验进行了数据化的学习模型；

分选对象选择工序，接受来自分选对象选择指示部的操作，从所述类别物体中选择所述分选对象物的种类；以及

运转工序，接受来自运转开始指示部的操作，基于由所述学习工序生成的学习模型，从由所述数据获取工序获取到的混合物的数据中判断由所述分选对象选择工序选择出的种类的分选对象物的有无以及位置，并基于该判断结果从所述混合物中对所述分选对象物进行分选。

14.根据权利要求13所述的分选方法，其特征在于，

接受来自模式切换指示部的操作，进行包含学习模式和运转模式的模式切换操作，所述学习模式至少显示所述数据获取指示部、学习数据生成指示部以及学习开始指示部，所述运转模式至少显示所述运转开始指示部。

15.根据权利要求13或14所述的分选方法，其特征在于，

在一个画面中至少显示所述数据获取指示部、学习数据生成指示部、学习开始指示部、分选对象选择指示部以及运转开始指示部。

16.根据权利要求13至15中任一项所述的分选方法，其特征在于，

在所述运转工序中，接受来自运转开始指示部的操作，基于由所述学习工序生成的学习模型，根据由所述数据获取工序获取到的混合物的数据来计算表示所述混合物中的各物体为由所述分选对象选择部选择出的分选对象物的概率的第一识别率，基于该第一识别率，判断所述分选对象物的有无以及位置，并基于该判断结果以及针对所述第一识别率设置的阈值从所述混合物中对所述分选对象物进行分选。

17.根据权利要求16所述的分选方法，其特征在于，

在所述运转工序中，对所述第一识别率为所述阈值以上的分选对象物进行分选。

18.根据权利要求16或17所述的分选方法，其特征在于，

在所述运转工序中，基于由所述学习工序生成的学习模型，根据由所述数据获取工序获取到的混合物的数据来计算表示所述混合物中的各物体按每个所述类别物体而为该类别物体的概率的第二识别率，基于该第二识别率，确定所述混合物中的各物体的种类，并将该种类与所述分选对象物的种类一致的情况下的第二识别率视为所述第一识别率，来判断所述分选对象物的有无以及位置。

19.一种分选程序，用于从由多个种类的物体构成的混合物中对分选对象物进行分选，所述分选程序使计算机实现如下功能：

接受来自数据获取指示部的操作，获取基于类别物体或所述混合物的数据的功能，所述类别物体是按每个种类而分类的所述物体；

接受来自学习数据生成指示部的操作，根据所获取的所述类别物体的摄像数据来生成学习数据的功能；

接受来自学习开始指示部的操作，学习使用所生成的所述学习数据将混合物按每个种类进行分类并设为类别物体的方法，并生成将通过该学习而得到的知识以及经验进行了数据化的学习模型的功能；

接受来自分选对象选择指示部的操作，从所述类别物体中选择所述分选对象物的种类的功能；以及

接受来自运转开始指示部的操作，基于所生成的所述学习模型，从所获取的所述混合物的数据中判断所选择的所述种类的分选对象物的有无以及位置，并基于该判断结果从所述混合物中对所述分选对象物进行分选的功能。

20.根据权利要求19所述的分选程序，其特征在于，

接受来自运转开始指示部的操作，基于所生成的所述学习模型，根据所获取的所述混合物的数据来计算表示所述混合物中的各物体为由所述分选对象选择部选择出的分选对象物的概率的第一识别率，基于该第一识别率，判断所述分选对象物的有无以及位置，并基于该判断结果以及针对第一识别率设置的阈值从所述混合物中对所述分选对象物进行分选。

21.根据权利要求20所述的分选程序，其特征在于，

对所述第一识别率为所述阈值以上的分选对象物进行分选。

22.根据权利要求20或21所述的分选程序，其特征在于，

基于所生成的所述学习模型，根据所获取的所述混合物的数据来计算表示所述混合物中的各物体按每个所述类别物体而为该类别物体的概率的第二识别率，基于该第二识别率，确定所述混合物中的各物体的种类，并将该种类与所述分选对象物的种类一致的情况下的第二识别率视为所述第一识别率，来判断所述分选对象物的有无以及位置。

23.一种计算机可读取的记录介质或存储设备，记录有权利要求19至22中任一项所述的程序。

Images