JP2002312762A

JP2002312762A - ニューラルネットワークを利用した穀粒選別装置

Info

Publication number: JP2002312762A
Application number: JP2001114125A
Authority: JP
Inventors: Tadashi Hamaguchi; 正浜口; Satoshi Shimauchi; 聡島内; Takeo Tsuzuki; 建夫都築; Hiroshi Kadota; 浩門田
Original assignee: Seirei Industry Co Ltd
Current assignee: Yanmar Agribusiness Co Ltd
Priority date: 2001-04-12
Filing date: 2001-04-12
Publication date: 2002-10-25

Abstract

(57)【要約】【課題】現在、精米工場などで使用されている米選別
用色彩選別機は、ある一定のしきい値を用いて米の選別
を行う。故に、取り扱う米の量によって米の選別率が変
化するといった問題点がある。この問題点を解決するた
めに、本発明ではニューロテンプレートマッチング選別
手法を新たに色彩選別機に搭載するアルゴリズムとして
使用するものである。【解決手段】ニューラルネットワークを利用した穀粒
選別装置において、米の種類数の分だけテンプレートを
用意し、システムの構成法としてニューラルネットワー
クをニューロテンプレートマッチング選別手法とし、あ
いまいな画像にも高性能な選別を可能とした。また、切
れ目のない状態で落下する穀粒をカメラで撮像し、一定
の画像フレームを構成し、該構成された画像から、複数
の米画像を１粒ごとに切り出し、選別システムの対象と
したものである。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、穀粒の中で特に玄
米を色彩選別及び形状選別する穀粒選別装置を、ニュー
ラルネットワークを使用した選別機構により構成したも
のである。現在、精米工場などで使用されている米選別
用色彩選別機は、ある一定のしきい値を用いて米の選別
を行う。故に、取り扱う米の量によって米の選別率が変
化するといった問題点がある。こうした問題点を解決す
るために、本発明ではニューロテンプレートマッチング
選別手法を新たに色彩選別機に搭載するアルゴリズムと
して使用するものである。

【０００２】本発明では、現状の米用色彩選別機の問題
点を解決する上で、非線形処理能力を有し、紙幣識別、
掌紋、指紋、顔画像、筆圧による個人認証などで、その
有用性が示されているニューラルネットワーク（神経回
路網、ＮＮと略記）による選別手法と、従来の判別手法
の一つであるテンプレートマッチング選別手法を融合さ
せたニューロテンプレートマッチング選別手法による効
率的な米の選別を提案するものである。また、本発明で
は、この手法を用いての米の色彩選別シミュレーション
をパソコン上で実施し、米の色彩選別においてニューロ
テンプレートマッチング選別手法が有効であることを示
した。

【０００３】

【従来の技術】これまでの選別機は、機構内のシュータ
を落下してくる米を撮影し、米内部の白色部分と選別機
内の米の色彩に対する選別感度を単純なしきい値で比較
し、選別を実施していた。比較した結果、しきい値より
低ければその米を被害粒と見なして、その米に空圧を吹
きつけて排除する。このような従来の色彩選別機は、米
の落下流量が適正量であれば、９０％以上の選別率を保
てるが、落下流量が適正量を超えるとになると、選別率
は９０％を保てなくなる。９０％以上の選別率を保つた
めに落下流量を少なく（適正量以下を維持）すれば米の
監査時間が長くなるなどの問題点を残している。

【０００４】このように、選別感度のしきい値を変更せ
ず、米の落下流量を適正量以上に増加すると被害粒の除
去率は９０％を下回ることが予想される。この点に対し
ては、常に米の落下流量を適正量以下に設定し、選別感
度のしきい値も高く設定しておくことも考えられる。し
かしながら、実際の精米工場にて取り扱う米の量は膨大
な量になることもあり、この為に、取り扱う米の量を適
正量以下に設定すると、すべての米の選別に膨大な時間
を要することとなる。すなわち、高い被害粒除去率を維
持するために、落下流量を減らせば米の選別時間が長く
なり、これにより作業効率が劣化する。逆に、落下流量
を増やし、米の選別時間を短くすると、被害粒の除去率
が低下し、良品である標準米の中に被害粒が混入すると
いう問題が生じる。

【０００５】

【発明が解決しようとする課題】このような落下流量に
関する問題点を解決するために、本件では米用色彩選別
機に非線形識別能力を持つニューラルネットワークを適
用し、高性能な選別性能を得ることを目的とする。この
ニューラルネットワークによる選別手法は、テンプレー
トマッチング識別手法のテンプレートマッチングを、ニ
ューラルネットワークで構成したものであり、学習能力
と汎化能力を併せ持つ知的情報処理技術の一つである。
とくに、学習能力においては、人の視点で標準米と被害
米のとの区別する機構を選別システムに構築可能であ
り、さらに、汎化能力においては、標準米と被害米のあ
いまいな区別も高精度で実施できる可能性を有している
のである。

【０００６】本発明により米の選別を高精度および高効
率に実施することが可能となる。このような落下流量に
関する問題点を解決するために、本発明では、この米用
色彩選別機に非線形識別能力を持つニューラルネットワ
ークによる選別手法を使用し、高性能な選別結果を得る
ものである。このＮＮによる選別手法は、紙幣識別や筆
跡による個人認証など、選別分野において幅広い応用力
を有する。さらに、ＮＮによる選別手法と、テンプレー
トマッチング識別手法を融合させたニューロテンプレー
トマッチング選別手法を搭載することにより、種々の被
害米の分類にも対応でき、米の選別を効率よく行うこと
が出来るのである。

【０００７】また、現状の米用色彩選別機では処理でき
なかった米を、１粒ずつ切り出すアルゴリズムをラベリ
ングを用いて行なうのである。さらに、提案手法と切り
出しアルゴリズムをＤＳＰ（画像処理用高速演算プロセ
ッサ）を核とする自律型ニューロボードに搭載し、この
ニューロボードを色彩選別機に搭載し、従来以上の処理
速度の向上を実現可能とするのである。この選別手法の
有効性を実データを用いたシミュレーションシステムを
用いて定量的に示す。

【０００８】まず最初に、標準米と、被害米１又は被害
米２等のデータ採取が行われる。次に、米のデータ採取
が完了すると、つぎに選別シミュレーションシステムを
起動する。シミュレーションシステムの流れは、まず、
米の種類数や学習用サンプル画像、さらにテンプレート
の個数などを設定する。つぎに、撮影装置で採取した画
像データをシミュレーションシステム用データに変換す
る。最後に、ニューラルネットワークを利用した穀粒選
別方法による学習、選別シミュレーションを実施する。
この穀粒選別用のニューロテンプレートマッチング選別
手法は、ＮＮ部分の出力層のユニット数などの構成の違
いにより、出力ユニット数が１つの構成（ＮＮ１）と出
力ユニット数が２つの構成（ＮＮ２）がある。本発明で
は、ＮＮ１とＮＮ２を使用した米選別のシミュレーショ
ンを実施する。以上により、ＮＮ１あるいはＮＮ２を用
いて、米の選別用実験を実施している。

【０００９】また、米を１粒ずつ切り出すアルゴリズム
については、近傍収縮処理とラベリング処理を基にアル
ゴリズムを作成する。さらに、このアルゴリズムを基に
米を１粒ずつ切り出すシステムを作成する。この切り出
しシステムの性能を確認する上で、機構内を落下する米
の状態を擬似的に再現する。その画像に対して切り出し
システムを起動させ、米を正確に切り出すのである。

【００１０】

【課題を解決するための手段】請求項１においては、米
の選別に階層構造のニューラルネットワーク（神経回路
網）を用い、標準米と被害米の選別を行うことを特徴と
するニューラルネットワークを利用したものである。

【００１１】請求項２においては、請求項１記載のニュ
ーラルネットワークを利用した穀粒選別装置において、
米の種類数の分だけテンプレートを用意し、そのテンプ
レートとニューラルネットワークで構成したニューロテ
ンプレートマッチング選別手法とし、あいまいな画像に
も高性能な選別を可能としたものである。

【００１２】請求項３においては、請求項１記載のニュ
ーラルネットワークを利用した穀粒選別装置において、
切れ目のない状態で落下する穀粒をカメラで撮像し、一
定の画像フレームを構成し、該構成された画像から、複
数の米画像を１粒ごとに切り出し、選別システムの対象
とするものである。

【００１３】請求項４においては、請求項３記載のニュ
ーラルネットワークを利用した穀粒選別装置において、
切り出しに際し、画像処理のラベリング手法と縮小手法
を用い、物理的に米がお互いに接した状態においても、
１粒の切り出しを可能としたものである。

【００１４】請求項５においては、請求項２記載のニュ
ーラルネットワークを利用した穀粒選別装置において、
１粒毎に切り出して分離した穀粒画像の、中心位置を求
めるものである。

【００１５】請求項６においては、請求項５記載のニュ
ーラルネットワークを利用した穀粒選別装置において、
複数の穀粒が重複した画像を構成している場合に、該穀
粒画像のエッジ部分を収縮させて、隣接する穀粒と強制
的に分離するものである。

【００１６】請求項７においては、請求項１記載のニュ
ーラルネットワークを利用した穀粒選別装置において、
特徴量抽出処理において、カメラで撮像した穀粒画像か
ら白い部分を検出し、エッジ検出を行ない穀粒の形を抽
出し、抽出した穀粒画像エリアを複数の画素に分割し、
各画素から被覆されない画素・又は被覆された画素の合
計値である特徴量を抽出し、ニューラルネットワークへ
の入力としたものである。

【００１７】請求項８においては、請求項２記載のニュ
ーラルネットワークを利用した穀粒選別装置において、
標準米、被害米その１、被害米その２の如く、米の種類
数の分だけテンプレートを用意し、またその出力層のユ
ニットは一つであり、選別する目的テンプレートに対し
て目的パターンを提示した場合は“１”を教師し、目的
外のパターンを提示した場合は“０”を教師し、また、
その出力層は一つのユニットを有し、選別結果の最終判
定は、出力ユニットの反応値に適当なしきい値を設定
し、このしきい値を用いて目的パターンか目的外パター
ンかを判断するものである。

【００１８】請求項９においては、請求項２記載のニュ
ーラルネットワークを利用した穀粒選別装置において、
標準米、被害米その１、被害米その２の如く、米の種類
数の分だけテンプレートを用意し、またその出力層のユ
ニットは二つであり、選別する目的テンプレートに対し
て、目的パターンのテンプレートを提示した場合、目的
パターンに対応するユニットには“１”を、他方の目的
外パターンに対応するユニットには“０”を教師し、ま
た、目的外パターンのテンプレートを提示した場合、目
的パターンに対応するには“０”を目的外パターンに対
応するユニットには“１”を教師し、また、その出力層
は二つのユニットを有し、選別結果の最終判定は、目的
パターンのユニット値と目的外パターンのユニット値の
大小関係で判断すべく構成したものである。

【００１９】

【発明の実施の形態】次に、本発明の実施の形態を説明
する。図１においては、穀粒選別装置の米選別部概要の
詳細部分を図示している。ニューラルネットワークで構
成する穀粒選別装置の選別部の基本構成は、穀粒の中
で、本発明では特に米の場合で説明する。米１を撮影す
るラインセンサ（カメラ）Ｓ部分、米が流れてくるシュ
ータ２の部分、米１の除去を行なうための空気銃３など
である。本発明においては、さらに、入力された米の画
像データを学習・評価し、撮影された量の米から１粒ず
つの米の画像データに切り出すことが新たに必要とな
る。

【００２０】この色彩選別機の制御フローは、米１を選
別機に投入する前に、判断基準となる米（良品粒、被害
粒）の画像データをシステム化する。つぎに、実際に選
別機内のシュータ２を自由落下してくる、米１の画像デ
ータをラインセンサＳで取込む。ラインセンサＳで取込
んだ米の画像データを１フレーム（取込単位）に変換す
る。その後、判断基準となる米１粒の画像を切り出す。
切り出した画像には位置情報を付ける。あらかじめシス
テムに学習させておいた米の画像データを基に、位置情
報付きの米１粒の画像データを選別する。最後に、選別
した結果、標準米と識別された米４はそのまま落下し、
米袋に集められる。被害米と識別された米５は、位置情
報を基にしてその部分に空圧を当て除去を行なう。

【００２１】現状の米用色彩選別機は、大量の米の選別
を行う際に異色異物（屑米、石、着色粒）の除去率が低
下し、異色異物の除去率を高く維持するために米の供給
量を少なくしなければならないという落下流量の問題点
がある。本発明では、このような問題点を解決するため
に、紙幣識別、掌紋、筆圧による個人認証などで、有用
性が示されている非線形識別手法による選別手法と線形
識別手法のテンプレートマッチング選別手法と融合させ
たニューロテンプレートマッチング選別手法として米の
選別を行なうものである。

【００２２】また、現状の選別機では処理できなかった
米を１粒ずつ切り分けるラベリング処理を応用したアル
ゴリズムを提案する。さらに、提案手法と米の切り出し
アルゴリズムをＤＳＰを核とする自律型ニューロボード
に搭載し、新たに色彩選別機に搭載することも提案す
る。このニューロボードを搭載することにより、米画像
データの装置単体での学習、および高速な選別が可能に
なる。また、提案した選別手法と融合させた新しい米用
色彩選別機の基本構成や色彩選別機全体の制御フロー、
ＮＮの構成、色彩選別機内の米を１粒ずつ切り出すソフ
トウェア部分を含めて説明する。

【００２３】ＮＮで構成する色彩選別機の基本構成は、
米を撮影するラインセンサＳの部分や米１が落下してく
るシュータ２の部分、米１の除去を行なうための空気銃
３などである。本発明のニューラルネットワークを利用
した穀粒選別装置は、入力された米の画像データを学
習、選別を行なう。その前提として、大量の米が撮影さ
れている画像データから１粒ずつの米の画像データに切
り出すことが可能である。本発明の、選別手法を融合さ
せる米用色彩選別機全体の制御の流れについて説明す
る。米を選別機に投入する前に、判断基準となる米（良
品粒、被害粒）の画像データを用いテンプレート作成の
ために、選別するニューロボードであらかじめ学習す
る。

【００２４】次に、実際に選別機内のシュータを自由落
下してくる米をラインセンサで取込む。そして、ライン
センサＳで取込んだ米の画像データを１フレーム（取込
単位）に変換する。その後、判断基準となる米１粒の画
像を切り出す。その際、フレーム画像から米１粒を対象
とした切り出し手法を用いる。また、切り出した画像に
は位置情報を付けておく。あらかじめニューロボードに
学習させておいた複数（良品、被害米１、被害米２等）
テンプレートを基に、位置情報付きの米１粒画像データ
を選別する。最後に、選別した結果、良品と選別された
米はそのまま落下し米袋に集められる。被害米と選別さ
れた米は、位置情報を基にしてその部分に空圧を当て除
去を行なう。

【００２５】次に、米の切り出しアルゴリズム（判断方
法又は計算方法）を説明する。まず、撮影時に数多く存
在する米を、１粒ずつ切り分けるアルゴリズムは、以下
の通りである。２５６色のＢＭＰ（ＢｉｔＭａｐ）フ
ァイルから米粒画像データを取り出し、ＲＧＢ（赤・緑
・青）の内、青だけ取り出して画像処理を行なう。次
に、しきい値を用いて、画像データを２値化する。（ａ）：しきい値以上の画素を“１”画素とする。（ｂ）：しきい値より小さい画素を“０”画素とする。
ここで、“１”画素は米の部分であり、“０”画素は、
米以外のその他の背景部分になる。しきい値は、青の色
レベルで決定する。

【００２６】さらに、画像内のノイズを除去するため
に、８−近傍収縮処理を行なう。この８−近傍収縮処理
に関しては、収縮回数を１回から１００回までの内から
任意に決めることが可能である。８−近傍収縮処理を行
なうために以下のラベリング処理を行なう。（１）：“１”画素を探す。（２）：さがした“１”画素に、現在のラベル番号を付
ける。（３）：現在のラベル番号の８近傍に“１”画素があれ
ば、その画素にラベル番号を設定する。最後に、求めた
ラベル領域ごとに、領域の位置の最大値、最小値を求め
る。その後、各々のラベル領域の中心位置を求める。こ
の切り出しソフトの処理の制限として、抽出できるラベ
ル領域の個数は、最大で２５５個である。画像ファイル
の大きさの制限は、最大幅３２０画素、最大高さ２００
画素である。

【００２７】ここでは、切り出しソフトの性能確認の実
験を実施し、その結果について検討する。図２は、重複
して隣合う米を切り出した場合に、収縮回数が少なくて
切り出すことが出来なかった状態を示す図面、図３は、
複数回数の収縮を行って、２粒に切り出しが出来た状態
の図面、図４は、連続する米１の１２粒の画像データの
図面、図５は、収縮回数が少なくて、切り出しが出来な
い状態を示す図面、図６は、１１粒に切り出しが出来た
状態を示す図面、図７は、収縮回数が多すぎて、細った
状態の図面である。米の撮影時の隣り合う米の内接間距
離を測定する。米は縦に平行に並んでいる２粒のみの距
離間を測定する。

【００２８】収縮回数が１回の場合の性能実験の結果を
表１に示している。

【００２９】

【表１】

【００３０】上記した表１に示す如く、収縮回数が１回
の場合、隣接間距離が０．２ｃｍ以下になると、図２に
示す如く、米を２粒に切り出すことが不可能になるので
ある。次に、収縮回数が２回の場合の性能実験の結果
を、表２に示している。

【００３１】

【表２】

【００３２】ここでは、前述の表１の場合よりも、収縮
回数を増やし、同様の性能確認実験を実施した。実験条
件は以下のように設定する。米の撮影時の隣り合う米の
内接間距離を測定する。米は縦に平行に並んでいる２粒
のみの距離間を測定する。収縮回数は２回とする。性能
実験の結果は、表２に示すように、隣り合うお米の間隔
が１ｍｍの場合においても、図３に示す如く、正確に米
の画像を切り出すことが可能である。また、実際の落下
状態を図４で示すように擬似的に再現し、切り出し実験
を実施する。収縮回数が少ないと、図５に示す如く、切
り出しが不可能となる。正確に、図６に図示する如く、
１粒ずつお米を切り出せる収縮回数は平均４回程度であ
る。ただし、収縮回数を多くすると、図７で示すように
切り出し領域が小さくなりすぎて、必要以上に米を切り
出す。そのため、今後、切り出す領域の面積にあらがじ
め制限を付けて米を必要以上に切り出さないようにす
る。また、切り出しには演算時間を多く要するので、収
縮なしで切り出された画像の大きさを調査し、米の面積
を大きく超える場合のみ収縮を実施している。

【００３３】次に、ニュ−ロテンプレートマッチング選
別手法について説明する。米選別用に提案するニューロ
テンプレートマッチング識別手法の基本的な構成は、個
々の選別パターンごとのテンプレートをニューラルネッ
トワークで構成し、非線形識別によりマッチング処理を
行なう。そのニューラルネットワークの構造は、非線形
識別が可能な最小構成の三層構造の階層型である。な
お、各テンプレートに対応するニューラルネットワーク
は目的とするパターン（目的パターン）と、目的としな
いパターン（目的外パターン）の２つだけを分離する機
能を有する。

【００３４】また、ＮＮの出力ユニットの構成法は２種
類ある。１つは、識別パターンに対し出力層に、目的ユ
ニットと目的外ユニットの２つを設定する方法である
（以下ＮＮ２と略記）。もう１つは、出力層に１つのユ
ニットを設定し、適当なしきい値より出力値がしきい値
より大きければ目的ユニット、出力値がしきい値より小
さければ目的外ユニットと判断する手法である（以下、
ＮＮ１と略記）。ＮＮの入力値として画像データを使用
する際、複数の画素の有効／無効を選択する必要があ
る。この有効／無効を表すデータを特徴量抽出処理が有
している。また、この特徴量抽出処理に基づいて有効な
画素値を総和したものを特徴量とする。

【００３５】次に、図８のＮＮ１の基本構成と図９の複
数テンプレートの結果を最終判断するフローチャートを
示す図面に従って、ＮＮ１の基本構成について説明す
る。ＮＮ１の基本構成は、入力ユニットは５０種類の有
効／無効データにより特徴が抽出された米の特徴量を入
力として対応させるために、ユニット数は５０とし、中
間層のユニット数は２０とする。出力ユニット数は１と
する。よって、ニューラルネットワークの構成は５０×
２０×１（入力層ユニット数×中間層ユニット数×出力
層ユニット数）の３層の階層型ネットワークとなる。テ
ンプレートに関しては、米の種類数の分だけテンプレー
トを用意する。例えば、標準米、被害米その１（少しの
被害）、被害米その２（極端な被害）などである。ＮＮ
１による学習において、目的テンプレートに対して目的
パターンを提示した場合は“１”を教師し、目的外のパ
ターンを提示した場合は“０”を教師する。選別結果の
最終判定は、出力ユニットの反応値に適当なしきい値を
設定し、このしきい値を用いて目的パターンか目的外パ
ターンかを判断する。

【００３６】次に、図１０のＮＮ２の基本構成と図１１
の複数テンプレートの結果を最終判断するフローチャー
トを示す図面に従って、ＮＮ２の基本構成について説明
する。個々のＮＮの構成は５０×２０×２（入力層ユニ
ット数×中間層ユニット数×出力層ユニット数）の３層
の階層型となる。また、テンプレートの数はＮＮ１の時
と同様で米の種類数と同じである。ＮＮ２による学習に
おいて、出力層の二つのユニットの内、目的パターンの
データを提示した場合、目的パターンに対応するユニッ
トには“１”を、他方の目的外パターンに対応するユニ
ットには“０”を教師する。また、目的外パターンの提
示した場合、目的パターンに対応するには“０”を目的
外パターンに対応するユニットには“１”を教師する。

【００３７】選別結果の最終判定は、ＮＮ１と違い、目
的パターンのユニット値と目的外パターンのユニット値
の大小関係で判断する。目的パターンのユニット値が目
的外パターンのユニット値より大きい場合のみを正解と
する。特に、ＮＮ２を使用した場合、ノイズを多く含ん
だ未学習データに対するニューラルネットワークの挙動
をユニットの反応値の大小関係のみで明確に見極めるこ
とが可能になる。また、反応値の大小関係で識別を行な
うのでＮＮ１のように唯一ひとつのしきい値を用いる必
要はない。ただし、テンプレートの大きさは、ニューラ
ルネットワークのウエイトの個数で表され、ＮＮ１でテ
ンプレートを構成した場合、１つのテンプレートの大き
さは（５０×２０）＋（２０×１）であり、ＮＮ２では
（５０×２０）＋（２０×２）となり、ＮＮ２のテンプ
レートが多少大きくなる。

【００３８】提案した識別手法のＮＮ１とＮＮ２を用い
て、米選別の学習と未学習データによる選別実験をシミ
ュレーションで実施する。このシミュレーション実験で
使用する識別対象の米は、インディカ種の標準米と被害
米、ジャポニカ種の標準米と被害米を使用する。実験条
件は、表３に示した通りであり、学習アルゴリズムは、
数１で示した式を用いるものとする。

【００３９】

【表３】

【００４０】

【数１】

【００４１】ＮＮ１による実験結果が、表４に示されて
いる。

【００４２】

【表４】

【００４３】表３に示した実験条件を基に、ＮＮ１を使
用してのシミュレーション実験の結果は以下の通りであ
る。評価方法は、標準米データを、標準米のテンプレー
トで選別する、被害米１のデータを被害米１のテンプレ
ートで選別、被害米２のデータを被害米２のテンプレー
トで選別する方法である。

【００４４】次の表５においては、ＮＮ１による結果
（２０個学習）を図示している。学習データ数１０個時
の識別シミュレーションの結果、誤認識した米の画像デ
ータを学習データに追加し、学習データ数を２０個にし
て再度、シミュレーションを実施する。追加学習シミュ
レーション結果は、表５の通りである。

【００４５】

【表５】

【００４６】次にＮＮ２による実験結果を説明する。表
３の実験条件を基に、ＮＮ２を使用してのシミュレーシ
ョン実験の結果は以下の通りである。評価方法は、ＮＮ
１の使用時と同様である。表６においては、ＮＮ２の実
験結果（１０個学習）を示している。

【００４７】

【表６】

【００４８】ＮＮ２のシミュレーションにおいても、Ｎ
Ｎ１使用時と同様に、１０個学習シミュレーションの結
果、誤認識した米の画像データを追加し、学習データ数
を２０個にして再度、シミュレーションを実施する。追
加学習シミュレーション結果は以下の通りである。表７
においては、ＮＮ２による実験結果（２０個学習）が示
されている。

【００４９】

【表７】

【００５０】実際の米からシミュレーション用画像デー
タは以下の通り採取する。まず、撮影用筐体とＵＳＢカ
メラを用いて、米を撮影し、撮影した画像データをグレ
ースケール、２５６階調のビットマップファイルに変換
する。米の画像データの数は、標準米・被害米１の各１
００個ずつ、被害米２を２００個撮影し、計４１０個用
意する。その後、グレースケール、２５６階調のビット
マップデータに変換した画像データをＮＮ１、ＮＮ２学
習シミュレーション用画像データに変換する。その際、
SCANDEMO.EXEというデータ変換用プログラムを起動し
て、画像データをシミュレ−ション用の画像データに変
換する。画像データを変換した後、標準米用のデータフ
ァイル（以下DATA01．DBと表記）と、被害米１用のデー
タファイル（以下DATA02．DBと表記）被害米２用のデー
タファイル（以下DATA03．DB）の３種類のデータファイ
ルを作成する。各ファイルには、各々１００個ずつ（Ｄ
ＡＴＡ０３．ＤＢは２１０個）のシミュレーション用に
変換された画像データが保存される。

【００５１】次に、ＮＮ１、ＮＮ２学習シミュレーショ
ンシステムの設定やシミュレーションの流れについて説
明する。まず、シミュレーションシステムの各設定につ
いて説明する。シミュレーションシステムの設定部分
は、シミュレーションシステムの内、NEURO.CFG で入力
層のユニット数や出力層のユニット数、学習個数、最大
学習回数などのＮＮの学習・選別シミュレーションにお
ける基本的な設定を行なう。また、DATABASE.CFGで、シ
ミュレーション用に変換したDATA01.DB 、DATA02.DB 、
DATA03.DB などのデータファイルの指定を行なう。ま
た、シミュレーションシステムの初期値などは、DEFIN
E.Hというヘッダファイル内で設定を行なう。

【００５２】次に、学習シミュレーション手順を説明す
る。学習のメカニズムは、前述の如く、与えられた入力
に対して期待する出力が得られるようにネットワークの
内部状態を調整することである。学習シミュレーション
システムの処理の流れについて説明する。シミュレーシ
ョン起動は、MODULE.BATで行なう。シミュレーションを
起動すると、先に設定したNEURO.CFG やDATABASE.CFGな
どの確認を行なう。それが完了すると、学習を行なうた
めの画像データをDATA01.DB 、DATA02．DBとDATA03.DB
から抽出する。抽出する画像データは、NEURO.CFG で設
定した学習枚数分だけを各DATAの先頭部から抽出する。
抽出した画像データの特徴を抽出するための処理を行な
う。

【００５３】特徴量抽出処理の手続きは、米粒画像を部
分的に被覆し、被覆されない画素の合計値を米粒の特徴
量として、ＮＮへの入力としている。具体的に、この特
徴量抽出処理では、まず、エッジ検出を行なう。このエ
ッジ検出は上下左右から画像の白い部分を検出し、米の
形を検出する。つぎに、米内部に薄紅色に被覆した部分
から画像データの特徴を抽出する。詳しく説明すると、
抽出する画像エリアを５０画素に分割し各画素から画像
の特徴量を抽出する。また、MASK.TXTで特徴量抽出処理
における１画素の縦方向、横方向のサイズ単位、採取エ
リアなどを設定する。特徴量を抽出、作成が完了する
と、選別基準となる教師信号を作成する。学習の基とな
る学習データを作成するために各画像データから抽出し
た特徴量を並び替えて１つの学習データを作成する。最
後に学習を行なう。

【００５４】

【発明の効果】本発明は以上の如く構成したので、次の
ような効果を奏するものである。第１に、米の選別に階
層構造のＮＮを用い、標準米と被害米の選別を実施す
る。特に、システムの構成法としてＮＮをテンプレート
としているのであいまいな画像にも高性能な選別が実施
できるのである。第２に、切れ目のない米の落下状態を
ラインセンサで撮像し、一定の画像フレームを構成す
る。この構成された画像から複数の米画像を１粒ごとに
切り出し、選別システムの対象とする。この際に、画像
処理のラベリング手法と縮小手法を用い、物理的に米が
お互いに接した状態においても、１粒の切り出しが可能
となったのである。このように、米１の１粒ずつを切り
出して、テンプレートのパターンと比較判断を、ニュー
ロテンプレートマッチング選別手法により選別するの
で、従来の如く、このあたりの米の色の相違により、そ
の当たりに空気銃３を当てることによって弾き出すとい
う場合よりも、正確に１粒ずつの選別判断が可能となっ
たのである。

【００５５】また、切り出しに際して、ラベリングや収
縮操作を行うことにより、シュータ２の部分を重複して
流れてくる米１を、分離することが出来るのである。故
に、２粒を一緒にした状態で１粒として判断することが
ないので、選別精度を向上させることが出来たのであ
る。第３に、１粒毎に切り出して分離した穀粒画像の、
中心位置を求め、複数の穀粒が重複した画像を構成して
いる場合に、エッジ部分を中心方向へ収縮させて、隣接
する穀粒との間を分離して切り離すことにより、穀粒の
画像データを、中心位置の周囲に正確に得ることがで
き、特徴量抽出処理の後に、ニューロテンプレートマッ
チング選別手法に選別する場合においても、標準米と、
被害米の選別を確実に行うことが出来るようになったの
である。

【００５６】第４に、選別の仕組みをＮＮの学習能力に
より構築している。とくに、被害米の種類は無限である
が、既存の種々の被害米画像により、より多くの被害米
のカテゴリを分類することが可能となったのである。第
５に、被害米の判断基準は設計者が現物で判断し、色の
違いによる被害米、形状の違いによる被害米、そして、
被害の程度も事前に分類して、学習能力により選別シス
テムに構築可能となったのである。第６に、この選別手
法を使用することにより、従来の色彩選別機と異なり、
しきい値や取り扱う米の量に関係なく、常に高い認識率
を維持することが可能である。第７に、ＮＮ１とＮＮ２
のどちらの選別手法を使用する場合においても、９０％
以上を超える高い選別結果を示す。ＮＮ１を使用する場
合、ある一定のしきい値を設定しなければならないの
で、若干しきい値により選別性能に影響を及ぼす可能性
がある。一方、ＮＮ２を使用する場合、ＮＮ１を使用す
る場合と異なり、しきい値を設定することがなく出力層
のユニットの反応値の大小関係で明確に見極めるので、
ＮＮよりもより細かい選別が実現可能となったのであ
る。

【００５７】第８に、標準米と、被害米の画像データを
テンプレート作成時に、明瞭に図示して、ニューロテン
プレートマッチング選別手法に与えることにより、正確
に判別することができるのである。第９に、テンプレー
トの数を増加することにより、被害米の種類と形状を多
様に設定することができるので、より正確なニューラル
ネットワークを利用した穀粒選別装置とすることができ
るものである。第１０に、特徴量抽出処理において、ラ
インセンサで撮像した穀粒画像から白い部分を検出し、
エッジ検出を行ない穀粒の形を抽出し、特徴量抽出処理
において抽出した穀粒画像エリアを複数の画素に分割
し、各画素から被覆されない画素、または被覆された画
素の合計値である特徴量を抽出し、ニューラルネットワ
ークへの入力としたので、その後の段のニューロテンプ
レートマッチング選別手法により判断できる選別データ
を簡単で確実な形のデータとして供給できるので、選別
性能のより向上に寄与することが出来るのである。

【図面の簡単な説明】

【図１】穀粒選別装置の米選別部概要の詳細部分を示す
図面。

【図２】重複して隣合う米を切り出した場合に、収縮回
数が少なくて切り出すことが出来なかった状態を示す図
面。

【図３】複数回数の収縮を行って、２粒に切り出しが出
来た状態の図面。

【図４】連続する米１の１２粒の画像データの図面。

【図５】収縮回数が少なくて、切り出しが出来ない状態
を示す図面。

【図６】１１粒に切り出しが出来た状態を示す図面。

【図７】収縮回数が多すぎて、細った状態の図面。

【図８】ＮＮ１の基本構成を示す図面。

【図９】ＮＮ１における複数テンプレートの結果を最終
判断するフローチャートを示す図面。

【図１０】ＮＮ２の基本構成を示す図面。

【図１１】ＮＮ２における複数テンプレートの結果を最
終判断するフローチャートを示す図面。

【記号の説明】

Ｓラインセンサ１米２シュータ３空気銃４標準米と識別された米５被害米と識別された米

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号ＦＩテーマコート゛(参考）Ｇ０６Ｔ 1/40 Ｇ０６Ｔ 1/40 ５Ｌ０９６ 7/00 ３５０ 7/00 ３５０Ｃ // Ｈ０４Ｎ 7/18 Ｈ０４Ｎ 7/18 Ｂ (72)発明者都築建夫岡山市江並428番地セイレイ工業株式会社内 (72)発明者門田浩岡山市江並428番地セイレイ工業株式会社内Ｆターム(参考） 2G051 AA04 CA03 DA01 DA06 DA13 EA12 EA17 EB01 EC01 ED04 ED30 2G059 AA05 BB11 DD12 EE02 EE13 FF01 KK04 MM01 MM05 MM09 MM10 3F079 AC15 CA23 CA32 CA41 CB25 CB29 CC03 CC13 DA06 DA28 5B057 AA15 CA01 CA08 CB01 CB06 DA03 DC14 DC32 DC40 5C054 AA01 AA05 CA04 CC02 CE16 CH01 EA01 FC00 HA11 5L096 AA02 AA07 BA03 BA18 CA02 EA35 EA43 EA45 GA34 HA11 JA09

Claims

【特許請求の範囲】

【請求項１】米の選別にニューラルネットワーク（神
経回路網）を用い、標準米と被害米の選別を行うことを
特徴とするニューラルネットワークを利用した穀粒選別
装置。
【請求項２】請求項１記載のニューラルネットワーク
を利用した穀粒選別装置において、米の種類数の分だけ
テンプレートを用意し、そのテンプレートとニューラル
ネットワークで構成したニューロテンプレートマッチン
グ選別手法とし、あいまいな画像にも高性能な選別を可
能としたことを特徴とするニューラルネットワークを利
用した穀粒選別装置。
【請求項３】請求項１記載のニューラルネットワーク
を利用した穀粒選別装置において、切れ目のない状態で
落下する穀粒をカメラで撮像し、一定の画像フレームを
構成し、該構成された画像から、複数の米画像を１粒ご
とに切り出し、選別システムの対象とすることを特徴と
するニューラルネットワークを利用した穀粒選別装置。
【請求項４】請求項３記載のニューラルネットワーク
を利用した穀粒選別装置において、切り出しに際し、画
像処理のラベリング手法と縮小手法を用い、物理的に米
がお互いに接した状態においても、１粒の切り出しを可
能としたことを特徴とするニューラルネットワークを利
用した穀粒選別装置。
【請求項５】請求項２記載のニューラルネットワーク
を利用した穀粒選別装置において、１粒毎に切り出して
分離した穀粒画像の、中心位置を求めることを特徴とす
るニューラルネットワークを利用した穀粒選別装置。
【請求項６】請求項５記載のニューラルネットワーク
を利用した穀粒選別装置において、複数の穀粒が重複し
た画像を構成している場合に、該穀粒画像のエッジ部分
を収縮させて、隣接する穀粒と強制的に分離することを
特徴とするニューラルネットワークを利用した穀粒選別
装置。
【請求項７】請求項１記載のニューラルネットワーク
を利用した穀粒選別装置において、特徴量抽出処理にお
いて、カメラで撮像した穀粒画像から白い部分を検出
し、エッジ検出を行ない穀粒の形を抽出し、抽出した穀
粒画像エリアを複数の画素に分割し、各画素から被覆さ
れない画素・又は被覆された画素の合計値である特徴量
を抽出し、ニューラルネットワークへの入力としたこと
を特徴とするニューラルネットワークを利用した穀粒選
別装置。
【請求項８】請求項２記載のニューラルネットワーク
を利用した穀粒選別装置において、標準米、被害米その
１、被害米その２の如く、米の種類数の分だけテンプレ
ートを用意し、またその出力層のユニットは一つであ
り、選別する目的テンプレートに対して目的パターンを
提示した場合は“１”を教師し、目的外のパターンを提
示した場合は“０”を教師し、また、その出力層は一つ
のユニットを有し、選別結果の最終判定は、出力ユニッ
トの反応値に適当なしきい値を設定し、このしきい値を
用いて目的パターンか目的外パターンかを判断すること
特徴とするニューラルネットワークを利用した穀粒選別
装置。
【請求項９】請求項２記載のニューラルネットワーク
を利用した穀粒選別装置において、標準米、被害米その
１、被害米その２の如く、米の種類数の分だけテンプレ
ートを用意し、またその出力層のユニットは二つであ
り、選別する目的テンプレートに対して、目的パターン
のテンプレートを提示した場合、目的パターンに対応す
るユニットには“１”を、他方の目的外パターンに対応
するユニットには“０”を教師し、また、目的外パター
ンのテンプレートを提示した場合、目的パターンに対応
するには“０”を目的外パターンに対応するユニットに
は“１”を教師し、また、その出力層は二つのユニット
を有し、選別結果の最終判定は、目的パターンのユニッ
ト値と目的外パターンのユニット値の大小関係で判断す
べく構成したことを特徴とするニューラルネットワーク
を利用した穀粒選別装置。