JP2010112887A - Principal component analysis method, principal component analyzer, different kind article detection device, principal component analysis program, and recording medium for recording the principal component analysis program - Google Patents
Principal component analysis method, principal component analyzer, different kind article detection device, principal component analysis program, and recording medium for recording the principal component analysis program Download PDFInfo
- Publication number
- JP2010112887A JP2010112887A JP2008287009A JP2008287009A JP2010112887A JP 2010112887 A JP2010112887 A JP 2010112887A JP 2008287009 A JP2008287009 A JP 2008287009A JP 2008287009 A JP2008287009 A JP 2008287009A JP 2010112887 A JP2010112887 A JP 2010112887A
- Authority
- JP
- Japan
- Prior art keywords
- principal component
- wavelength
- data
- component analysis
- item
- 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.)
- Granted
Links
- 238000012847 principal component analysis method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims description 29
- 238000000513 principal component analysis Methods 0.000 claims abstract description 59
- 238000000926 separation method Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000001228 spectrum Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 46
- 230000003595 spectral effect Effects 0.000 claims description 37
- 238000007689 inspection Methods 0.000 claims description 22
- 238000013500 data storage Methods 0.000 claims description 19
- 238000003384 imaging method Methods 0.000 claims description 15
- 230000001678 irradiating effect Effects 0.000 claims description 4
- 238000004611 spectroscopical analysis Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 58
- 239000000047 product Substances 0.000 description 48
- 238000010586 diagram Methods 0.000 description 23
- 238000009499 grossing Methods 0.000 description 17
- 230000002950 deficient Effects 0.000 description 13
- 238000007781 pre-processing Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000002835 absorbance Methods 0.000 description 9
- 235000013399 edible fruits Nutrition 0.000 description 8
- 238000012937 correction Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 4
- 238000004451 qualitative analysis Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 235000012055 fruits and vegetables Nutrition 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002861 polymer material Substances 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000001179 sorption measurement Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000005070 ripening Effects 0.000 description 2
- 238000003324 Six Sigma (6σ) Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 239000000825 pharmaceutical preparation Substances 0.000 description 1
- 229940127557 pharmaceutical product Drugs 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Abstract
Description
本発明は、複数の波長を含むスペクトルデータのスペクトル解析に際して利用できる主成分分析方法に関し、特には、前記主成分分析方法の実施に際して、前記複数の波長から適した波長を選択する技術に関するものである。
さらには、前記主成分分析手法を利用して、医薬品（錠剤、カプセル剤等）、ゴム栓等のように、ある一つの固定した形を持つ検査対象物（以下、「対象物」という。）に、同じ形の異種品が混入していないかどうかを検査する技術に関するものである。
The present invention relates to a principal component analysis method that can be used for spectral analysis of spectrum data including a plurality of wavelengths, and more particularly to a technique for selecting a suitable wavelength from the plurality of wavelengths when performing the principal component analysis method. is there.
Furthermore, using the principal component analysis method, an inspection object having a certain fixed shape (hereinafter referred to as “object”), such as a pharmaceutical product (tablet, capsule, etc.), a rubber plug, or the like. In particular, the present invention relates to a technique for inspecting whether or not different types of products of the same shape are mixed.
従来の主成分分析方法を用いた異種品検出装置としては、特許文献1に記載された発明などが提案されている。
この異種品検出装置は、搬送される対象物を平面分光器を用いて高い分解能で異種品の検出を可能とすることを目的とした発明であり、順次搬送される複数の対象物に近赤外線を照射して、前記対象物から反射される近赤外線の反射光を平面分光して、反射光のスペクトルデータを得て、主成分分析手法を用いて前記複数の対象物の中から異種品を検出するものである。
前記異種品検出装置に用いた主成分分析手法においては、スペクトルデータの所定の波長帯のデータだけを選択して主成分分析するように構成されている。
The invention described in Patent Document 1 has been proposed as a foreign product detection apparatus using a conventional principal component analysis method.
This heterogeneous product detection apparatus is an invention aiming at enabling detection of different products with high resolution using a plane spectroscope on the object to be conveyed. The near-infrared reflected light reflected from the object is plane-spectroscopically obtained to obtain spectral data of the reflected light, and a dissimilar product is selected from the plurality of objects using a principal component analysis technique. It is to detect.
The principal component analysis method used in the heterogeneous product detection apparatus is configured to perform principal component analysis by selecting only data in a predetermined wavelength band of spectrum data.
前記異種品検出装置によれば、平面分光器を用いるとともに、主成分分析手法において特徴のあるアルゴリズムでデータの補間・平滑化等の処理を行うことにより高い分解能が得られ、広範囲にわたる複数点の成分分析をインラインで安定して行うことが可能となった。
このように、搬送される全品のインライン成分モニタリングが可能となり、異種品の混入していない安定した品質の製品を出荷することが可能となったのである。
さらに、前記異種品検出装置によれば、スペクトルデータの所定の波長帯のデータだけを選択して主成分分析を行うことにより、従来より精度の高い異種品検出が可能となったのである。
同様に、波長を選択して主成分分析に用いる方法として、青果物の品質検査において、近赤外線等を青果の中央と下部にあてて吸光度の差をとり、これを主成分分析して熟成を判断する場合において、使用される投射光の一定波長範囲のうちの２波長における吸光度の差を用いることにより、青果物の大小に関わらず正常果と異常果をより正確に判別することを可能した発明（特許文献２）が提案されている。
According to the heterogeneous product detection device, a high resolution can be obtained by performing processing such as data interpolation and smoothing with a characteristic algorithm in the principal component analysis method, while using a plane spectrometer, and a wide range of multiple points can be obtained. Component analysis can be performed stably in-line.
In this way, it is possible to monitor in-line components of all conveyed products, and it is possible to ship products of stable quality that are not mixed with different types of products.
Furthermore, according to the heterogeneous product detection apparatus, it is possible to detect a heterogeneous product with higher accuracy than before by selecting only data in a predetermined wavelength band of spectral data and performing principal component analysis.
Similarly, as a method of selecting the wavelength and using it for principal component analysis, in the quality inspection of fruits and vegetables, the near infrared rays are applied to the center and the bottom of the fruits and the difference in absorbance is taken, and this is analyzed by principal component analysis to determine ripening In this case, by using the difference in absorbance at two wavelengths in the fixed wavelength range of the projection light to be used, it is possible to discriminate between normal fruits and abnormal fruits more accurately regardless of the size of fruits and vegetables ( Patent Document 2) has been proposed.
しかし、前記異種品検出装置によれば、主成分分析（Principal Component Analysis．以下においてはＰＣＡと表記する。）におけるＰＣＡ図の作成や、計算対象とする波長を種々変更したり、微分回数などの条件を変更して試行錯誤する手順に、自動化できない部分があるので、分析作業を短縮できないという問題があった。また、分析者の違いなどによって判断がバラついてしまうと分析作業の効率や品質にバラツキが発生するという問題があったので、自動的に適した波長を選択できるアルゴリズムの提供が待たれている。
また、特許文献２においては、複数の波長における差吸光度を用いても、正常果と異常果の分布が重なって分離しない領域がある旨が記載されている。これは、前記複数の波長は、単に複数としただけであって、正常果と異常果の分布がよく分離されるような波長を意図して選択したものではないからである。このように、複数の波長を用いたとしても、波長を意図して選択していないものや、範囲の上端と下端の波長のみを削除したものでは、十分な識別力が得られなかった。
However, according to the heterogeneous product detection apparatus, it is possible to create a PCA diagram in principal component analysis (Principal Component Analysis, hereinafter referred to as PCA), change various wavelengths to be calculated, There is a problem that the analysis work cannot be shortened because there is a part that cannot be automated in the procedure of trial and error by changing the conditions. In addition, if there is a difference in analysis due to differences in analysts, there is a problem in that the efficiency and quality of the analysis work vary, and there is a need to provide an algorithm that can automatically select a suitable wavelength.
Further, Patent Document 2 describes that there is a region where the distributions of normal fruits and abnormal fruits overlap and are not separated even if differential absorbances at a plurality of wavelengths are used. This is because the plurality of wavelengths are merely a plurality of wavelengths, and are not intended to select wavelengths so that the distribution of normal fruits and abnormal fruits is well separated. As described above, even when a plurality of wavelengths are used, sufficient discriminating power cannot be obtained with a wavelength not intentionally selected or with only the wavelengths at the upper and lower ends of the range deleted.
そこで、本発明は、上記問題を解決して、主成分分析における手順をさらに自動化して、分析作業をさらに短縮するとともに、分析者の違いなどによる品質のバラツキの発生を抑え、厳密な分析・識別を可能とする技術を提供することを目的としてなされたものである。
Therefore, the present invention solves the above problems, further automates the procedure in principal component analysis, further shortens the analysis work, suppresses the occurrence of quality variations due to differences in analysts, etc. The purpose is to provide a technique that enables identification.
上記課題を解決するために、本発明においては以下の手段を講じた。
請求項１に係る主成分分析方法の発明は、
複数の波長を含むスペクトルデータのスペクトル解析に用いる主成分分析方法において、
各波長における２以上の変数の分離度を求め、
求めた分離度が良い順に少なくとも２つの波長を選択し、
選択された波長を用いて主成分分析することを特徴としている。
請求項２の発明は、
データ入力手段、データ記憶手段、データ処理手段、及びデータ出力手段を備えたコンピュータを用いた主成分分析方法であって、
前記データ入力手段を用いて、複数の波長を含むスペクトルデータをコンピュータに入力して前記データ記憶手段に記憶させ、
前記データ処理手段を用いて、
各波長における２以上の変数の分離度を求めさせ、
求めた分離度の良い順に少なくとも２つの波長を順位付けさせ、
分離度が所定の順位以上の波長を選択させ、
選択された波長を用いて主成分分析させるように構成した。
請求項３の発明では、
前記分離度として、以下に示される距離D(λ)を用いる。
距離D(λ)＝ Max（（MinX0(λ)− MaxX1(λ)），（MaxX1(λ)− MinX0(λ))）／σ0(λ)
ただし、
MinX0(λ) ：読み込みデータの波長域λでの着目品目の最小値。
MaxX1(λ) ：読み込みデータの波長域λでの着目品目以外の最大値。
MaxX0(λ) ：読み込みデータの波長域λでの着目品目の最大値。
MinX1(λ) ：読み込みデータの波長域λでの着目品目以外の最小値。
σ0(λ) ：着目品目の波長域λでの標準偏差。
Max(A,B) ：A と B の大きい方の値を選択する。
請求項４の発明は、
被検体の識別に用いる主成分分析方法において、
被検体を複数の波長を含む光を用いて撮像してスペクトルデータを得て、
得られたスペクトルデータの各波長における２以上の変数の分離度を求め、
求めた分離度の良い順に少なくとも２つの波長を順位付けし、
分離度が所定の順位以上の波長を選択し、
選択された波長を用いて主成分分析する。
請求項５の発明は、
異種品検査に用いる主成分分析方法において、
異種品を含んだ被検体を複数の波長を含む光を用いて撮像してスペクトルデータを得て、
得られたスペクトルデータの各波長における２以上の変数の分離度を求め、
求めた分離度の良い順に少なくとも２つの波長を順位付けし、
分離度が所定の順位以上の波長を選択し、
選択された波長を用いて主成分分析する。
請求項６に係る主成分分析装置は、
データ入力手段、データ記憶手段、データ処理手段、及びデータ出力手段を備えたコンピュータを用いた主成分分析装置であって、
前記データ入力手段を用いて、複数の波長を含むスペクトルデータをコンピュータに入力させて前記データ記憶手段に記憶させる処理手段と、
前記データ処理手段を用いて、各波長における２以上の変数の分離度を求める分離度演算手段と、
前記分離度演算手段で求めた分離度の良い順に少なくとも２つの波長を順位付けする順位付け手段と、
分離度が所定の順位以上の波長を選択する選択手段と、
選択された波長を用いて主成分分析する分析手段と、
を備えている。
請求項７では、
前記分離度演算手段は、以下に示される距離D(λ)を分離度として演算する。
距離D(λ)＝ Max（（MinX0(λ)− MaxX1(λ)），（MaxX1(λ)− MinX0(λ))）／σ0(λ)
ただし、
MinX0(λ) ：読み込みデータの波長域λでの着目品目の最小値。
MaxX1(λ) ：読み込みデータの波長域λでの着目品目以外の最大値。
MaxX0(λ) ：読み込みデータの波長域λでの着目品目の最大値。
MinX1(λ) ：読み込みデータの波長域λでの着目品目以外の最小値。
σ0(λ) ：着目品目の波長域λでの標準偏差。
Max(A,B) ：A と B の大きい方の値を選択する。
請求項８では、
前記スペクトルデータとして、近赤外領域の波長を用いて得られたスペクトルデータを用いる。
請求項９では、
前記データ処理手段は、波長を選択する前にスペクトルデータを前処理する。
請求項１０の異種品検出装置は、
複数の対象物を搬送する搬送手段と、
該搬送手段によって搬送される前記複数の対象物に近赤外線を照射する照射手段と、
該照射手段によって近赤外線が照射される前記複数の対象物から反射される近赤外線の反射光を平面分光する平面分光器と、
該平面分光器にて平面分光された反射光を近赤外線カメラで電気信号に変換する撮像手段と、
該撮像手段にて得られる前記電気信号を解析して前記反射光のスペクトルデータを得て、コンピュータを用いて、各波長における２以上の変数の分離度を求め、求めた分離度の良い順に、少なくとも２つの波長を順位付けし、分離度が所定の順位以上の波長を自動的に選択し、選択された波長を用いて主成分分析を行って前記複数の対象物の中から異種品を検出する解析手段と、
を備えている。
請求項１１のプログラムは、
データ入力手段、データ記憶手段、データ処理手段、及びデータ出力手段を備えたコンピュータを用いて主成分分析を行わせるように構成したプログラムであって、
前記データ処理手段を用いて、
各波長における２以上の変数の分離度を求める手順と、
求めた分離度の良い順に、少なくとも２つの波長を順位付けする手順と、
分離度が所定の順位以上の波長を自動的に選択する手順と、
選択された波長を用いて主成分分析する手順と、
を含んでいる。
請求項１２のプログラムは、
前記分離度として、以下に示される距離D(λ)を用いる。
距離D(λ)＝ Max（（MinX0(λ)− MaxX1(λ)），（MaxX1(λ)− MinX0(λ))）／σ0(λ)
ただし、
MinX0(λ) ：読み込みデータの波長域λでの着目品目の最小値。
MaxX1(λ) ：読み込みデータの波長域λでの着目品目以外の最大値。
MaxX0(λ) ：読み込みデータの波長域λでの着目品目の最大値。
MinX1(λ) ：読み込みデータの波長域λでの着目品目以外の最小値。
σ0(λ) ：着目品目の波長域λでの標準偏差。
Max(A,B) ：A と B の大きい方の値を選択する。
請求項１３の記録媒体は、
データ入力手段、データ記憶手段、データ処理手段、及びデータ出力手段を備えたコンピュータを用いて主成分分析を行わせるように構成されたプログラムが記録されたコンピュータ読み取り可能な記録媒体であって、
前記データ処理手段を用いて、
各波長における２以上の変数の分離度を求める手順と、
求めた分離度の良い順に、少なくとも２つの波長を順位付けする手順と、
分離度が所定の順位以上の波長を自動的に選択する手順と、
選択された波長を用いて主成分分析する手順と、
を含んでいるプログラムが記録されている。
請求項１４の記録媒体は、
前記分離度として、以下に示される距離D(λ)を用いる。
距離D(λ)＝ Max（（MinX0(λ)− MaxX1(λ)），（MaxX1(λ)− MinX0(λ))）／σ0(λ)
ただし、
MinX0(λ) ：読み込みデータの波長域λでの着目品目の最小値。
MaxX1(λ) ：読み込みデータの波長域λでの着目品目以外の最大値。
MaxX0(λ) ：読み込みデータの波長域λでの着目品目の最大値。
MinX1(λ) ：読み込みデータの波長域λでの着目品目以外の最小値。
σ0(λ) ：着目品目の波長域λでの標準偏差。
Max(A,B) ：A と B の大きい方の値を選択する。
In order to solve the above-mentioned problems, the following measures are taken in the present invention.
The invention of the principal component analysis method according to claim 1
In the principal component analysis method used for spectrum analysis of spectrum data including a plurality of wavelengths,
Find the separation of two or more variables at each wavelength,
Select at least two wavelengths in order of good resolution.
It is characterized by principal component analysis using a selected wavelength.
The invention of claim 2
A principal component analysis method using a computer provided with data input means, data storage means, data processing means, and data output means,
Using the data input means, spectral data including a plurality of wavelengths is input to a computer and stored in the data storage means,
Using the data processing means,
Let the resolution of two or more variables at each wavelength be determined,
Rank at least two wavelengths in order of good resolution.
Select a wavelength with a resolution higher than a predetermined order,
The principal component analysis was performed using the selected wavelength.
In the invention of claim 3,
The distance D (λ) shown below is used as the degree of separation.
Distance D (λ) = Max ((MinX 0 ( λ ) − MaxX 1 ( λ ) )), (MaxX 1 ( λ ) − MinX 0 ( λ ) )) / σ 0 ( λ )
However,
MinX 0 ( λ ) : Minimum value of the item of interest in the wavelength range λ of the read data.
MaxX 1 ( λ ) : Maximum value other than the item of interest in the wavelength range λ of the read data.
MaxX 0 ( λ ) : Maximum value of the item of interest in the wavelength range λ of the read data.
MinX 1 ( λ ) : Minimum value other than the target item in the wavelength range λ of the read data.
σ 0 (λ): standard deviation of the wavelength range of interest items λ.
Max (A, B): Select the larger value of A and B.
The invention of claim 4
In the principal component analysis method used to identify the subject,
Spectral data is obtained by imaging the subject using light containing multiple wavelengths,
Obtain the degree of separation of two or more variables at each wavelength of the obtained spectral data,
Rank at least two wavelengths in order of good resolution.
Select a wavelength with a resolution greater than a predetermined level,
Principal component analysis is performed using the selected wavelength.
The invention of claim 5
In the principal component analysis method used for inspection of different products,
Spectral data is obtained by imaging a specimen containing different products using light containing multiple wavelengths.
Obtain the degree of separation of two or more variables at each wavelength of the obtained spectral data,
Rank at least two wavelengths in order of good resolution.
Select a wavelength with a resolution greater than a predetermined level,
Principal component analysis is performed using the selected wavelength.
A principal component analyzing apparatus according to claim 6 comprises:
A principal component analyzer using a computer provided with data input means, data storage means, data processing means, and data output means,
Processing means for inputting spectral data including a plurality of wavelengths into a computer and storing the data in the data storage means using the data input means;
A degree-of-separation calculating means for obtaining a degree of separation of two or more variables at each wavelength using the data processing means;
Ranking means for ranking at least two wavelengths in order of good separation obtained by the separation calculating means;
A selection means for selecting a wavelength having a degree of separation equal to or higher than a predetermined order;
An analysis means for principal component analysis using the selected wavelength;
It has.
In claim 7,
The separation degree calculation means calculates a distance D (λ) shown below as a separation degree.
Distance D (λ) = Max ((MinX 0 ( λ ) − MaxX 1 ( λ ) )), (MaxX 1 ( λ ) − MinX 0 ( λ ) )) / σ 0 ( λ )
However,
MinX 0 ( λ ) : Minimum value of the item of interest in the wavelength range λ of the read data.
MaxX 1 ( λ ) : Maximum value other than the item of interest in the wavelength range λ of the read data.
MaxX 0 ( λ ) : Maximum value of the item of interest in the wavelength range λ of the read data.
MinX 1 ( λ ) : Minimum value other than the target item in the wavelength range λ of the read data.
σ 0 ( λ ) : Standard deviation in the wavelength range λ of the item of interest.
Max (A, B): Select the larger value of A and B.
In claim 8,
As the spectral data, spectral data obtained using wavelengths in the near infrared region is used.
In claim 9,
The data processing means preprocesses spectrum data before selecting a wavelength.
The heterogeneous product detection apparatus according to claim 10 comprises:
Conveying means for conveying a plurality of objects;
Irradiating means for irradiating the plurality of objects conveyed by the conveying means with near infrared rays;
A plane spectroscope for performing plane spectroscopy of reflected light of near infrared rays reflected from the plurality of objects irradiated with near infrared rays by the irradiation means;
Imaging means for converting the reflected light plane-spectrized by the plane spectrograph into an electrical signal by a near-infrared camera;
Analyzing the electrical signal obtained by the imaging means to obtain the spectrum data of the reflected light, using a computer, obtain the degree of separation of two or more variables at each wavelength, Ranks at least two wavelengths, automatically selects wavelengths with a degree of separation above a predetermined level, and performs principal component analysis using the selected wavelengths to detect different types of objects from the plurality of objects Analysis means to
It has.
The program of claim 11 comprises:
A program configured to perform principal component analysis using a computer provided with data input means, data storage means, data processing means, and data output means,
Using the data processing means,
A procedure for determining the degree of separation of two or more variables at each wavelength;
A procedure for ranking at least two wavelengths in the order of good resolution obtained;
A procedure for automatically selecting a wavelength with a resolution of a predetermined order or higher;
A procedure for principal component analysis using selected wavelengths;
Is included.
The program of claim 12 is:
The distance D (λ) shown below is used as the degree of separation.
Distance D (λ) = Max ((MinX 0 ( λ ) − MaxX 1 ( λ ) )), (MaxX 1 ( λ ) − MinX 0 ( λ ) )) / σ 0 ( λ )
However,
MinX 0 ( λ ) : Minimum value of the item of interest in the wavelength range λ of the read data.
MaxX 1 ( λ ) : Maximum value other than the item of interest in the wavelength range λ of the read data.
MaxX 0 (λ): The maximum value of the target item in the wavelength range λ of the read data.
MinX 1 ( λ ) : Minimum value other than the target item in the wavelength range λ of the read data.
σ 0 ( λ ) : Standard deviation in the wavelength range λ of the item of interest.
Max (A, B): Select the larger value of A and B.
The recording medium of claim 13 is:
A computer-readable recording medium on which a program configured to perform principal component analysis using a computer provided with data input means, data storage means, data processing means, and data output means is recorded,
Using the data processing means,
A procedure for determining the degree of separation of two or more variables at each wavelength;
A procedure for ranking at least two wavelengths in the order of good resolution obtained;
A procedure for automatically selecting a wavelength with a resolution of a predetermined order or higher;
A procedure for principal component analysis using selected wavelengths;
A program containing is recorded.
The recording medium of claim 14 comprises:
The distance D (λ) shown below is used as the degree of separation.
Distance D (λ) = Max ((MinX 0 ( λ ) − MaxX 1 ( λ ) )), (MaxX 1 ( λ ) − MinX 0 ( λ ) )) / σ 0 ( λ )
However,
MinX 0 ( λ ) : Minimum value of the item of interest in the wavelength range λ of the read data.
MaxX 1 ( λ ) : Maximum value other than the item of interest in the wavelength range λ of the read data.
MaxX 0 ( λ ) : Maximum value of the item of interest in the wavelength range λ of the read data.
MinX 1 ( λ ) : Minimum value other than the target item in the wavelength range λ of the read data.
σ 0 ( λ ) : Standard deviation in the wavelength range λ of the item of interest.
Max (A, B): Select the larger value of A and B.
本発明の請求項１に係る主成分分析方法によれば、各波長における２以上の変数の分離度を求めて、求めた分離度が良い順に少なくとも２つの波長を選択し、選択された波長を用いて主成分分析するので、精度の高い分析を行うことができる。
請求項２に係る主成分分析方法によれば、コンピュータを用いて、主成分分析方法における波長の選択を自動化することによって、主成分分析を安定して短時間で行うことができ、被検体の識別や、異種品検査に用いる主成分分析方法をバラツキの少ない安定したものとすることができる。
請求項３に係る主成分分析方法によれば、分離度として距離D(λ)を用いるので、波長の選択を自動化することができる。したがって、分析を行う者の違いによる波長選択のバラツキを防ぐことができるので、安定した分析が可能となる。
請求項４に係る主成分分析方法によれば、被検体を撮像して得たスペクトルデータの各波長から、分離度の良い順に２以上の波長を選択するので、高い識別力で分析することができる。
請求項５に係る主成分分析方法によれば、異頻出を含む被検体を撮像して得たスペクトルデータの各波長から、分離度の良い順に２以上の波長を選択するので、高い識別力で異品種を分析することができる。
請求項６及び７に係る主成分分析装置によれば、コンピュータを用いて、主成分分析方法をバラツキの少ない安定したものとすることができる。
請求項８に係る主成分分析装置によれば、近赤外領域の波長を用いて得られたスペクトルデータを用いることにより、外乱の影響の少ない分析が可能となる。
請求項９に係る主成分分析装置によれば、波長を選択する前にスペクトルデータを前処理することによって、より精度の高い分析が可能となる。
請求項１０に係る異種品検出装置では、対象物から反射される近赤外線の反射光を平面分光器を用いてスペクトルに分解して電気信号に変換するので、安定した異種品検出が短時間で可能となる。
請求項１１及び１２に係る主成分分析プログラムは、コンピュータにインストールすることによって、バラツキの少ない安定した主成分分析方法を実施できる。
請求項１３及び１４に係る記録媒体は、コンピュータに読み取らせることによってインストールして、バラツキの少ない安定した主成分分析方法を実施できる。
According to the principal component analysis method according to claim 1 of the present invention, the degree of separation of two or more variables at each wavelength is obtained, and at least two wavelengths are selected in order of the obtained degree of separation, and the selected wavelengths are selected. Since the principal component analysis is used, a highly accurate analysis can be performed.
According to the principal component analysis method according to claim 2, by using a computer to automate wavelength selection in the principal component analysis method, the principal component analysis can be performed stably and in a short time. The principal component analysis method used for identification and inspection of different products can be made stable with little variation.
According to the principal component analysis method of the third aspect, since the distance D (λ) is used as the degree of separation, the wavelength selection can be automated. Therefore, it is possible to prevent variation in wavelength selection due to the difference in the person performing the analysis, so that stable analysis is possible.
According to the principal component analysis method according to claim 4, since two or more wavelengths are selected in order of good resolution from each wavelength of the spectrum data obtained by imaging the subject, it is possible to analyze with high discrimination power. it can.
According to the principal component analysis method according to claim 5, since two or more wavelengths are selected in order of good resolution from each wavelength of the spectrum data obtained by imaging the subject including irregularities, with high discrimination power. Different varieties can be analyzed.
According to the principal component analysis apparatus according to claims 6 and 7, the principal component analysis method can be made stable with little variation using a computer.
According to the principal component analyzer according to the eighth aspect, by using the spectrum data obtained by using the wavelength in the near infrared region, it is possible to perform the analysis with less influence of the disturbance.
According to the principal component analyzer according to the ninth aspect, it is possible to perform analysis with higher accuracy by preprocessing the spectrum data before selecting the wavelength.
In the foreign object detection device according to claim 10, since the near-infrared reflected light reflected from the object is decomposed into a spectrum using a plane spectrograph and converted into an electric signal, stable foreign object detection can be performed in a short time. It becomes possible.
The principal component analysis program according to claims 11 and 12 can be installed in a computer to implement a stable principal component analysis method with little variation.
The recording medium according to the thirteenth and fourteenth aspects can be installed by being read by a computer, and a stable principal component analysis method with little variation can be implemented.
図１は、本発明にかかる異種品検出装置の実施形態の構成図である。
図中、１は前記平面分光器を用いた異種品検出装置であり、平面分光器２、撮像手段としての近赤外線カメラ３、照射手段としてのライトガイド４、解析手段としてのコンピュータ５、及び搬送手段11から構成されている。
11は後述する吸着ドラム式の搬送手段であり、図示しないホッパから供給される例えば錠剤等の対象物Ｔを吸着ドラム12の表面に吸着して、例えば７列で搬送するように構成されている。
図２は、本発明にかかる異種品検出装置の実施形態の要部の平面構成図である。
図２の正面図に示したように、前記吸着ドラム12の表面においては、搬送方向に直角な方向に複数の前記対象物Ｔが配列された状態で多列搬送されるように構成されている。
FIG. 1 is a configuration diagram of an embodiment of a foreign product detection apparatus according to the present invention.
In the figure, reference numeral 1 denotes a heterogeneous product detection apparatus using the plane spectroscope. The plane spectroscope 2, a near-infrared camera 3 as an imaging means, a light guide 4 as an irradiation means, a computer 5 as an analysis means, and a transport Means 11 are configured.
Reference numeral 11 denotes a suction drum type transporting unit which will be described later, and is configured to suck a target T such as a tablet supplied from a hopper (not shown) onto the surface of the suction drum 12 and transport it in, for example, seven rows. .
FIG. 2 is a plan configuration diagram of a main part of an embodiment of the foreign product detection apparatus according to the present invention.
As shown in the front view of FIG. 2, the surface of the suction drum 12 is configured to be conveyed in multiple rows in a state where a plurality of the objects T are arranged in a direction perpendicular to the conveyance direction. .
前記ライトガイド４は前記対象物Ｔの列に対してできるだけ均等に近赤外線を照射するように構成されている。即ち、前記ライトガイド４は前記対象物Ｔの列を挟むように一対の近赤外線光源から構成され、各対象物Ｔにできるだけ陰が生じないように、また、均等に照射されるように配置されている。このライトガイド４の位置は調節可能に配置されている。
前記近赤外線光源としては、例えばハロゲンランプと、近赤外線フィルターと、光ファイバー束等の導光手段とで構成することができる。
そして、前記近赤外線カメラ３は、波長900〜1700 nmの近赤外線領域に対して十分な感度を有したものとする。
なお、６は光量補正板であり、前記ライトガイド４によって近赤外線が照射される位置に、前記ライトガイド４と同様に固定されている。
前記平面分光器２は、前記対象物Ｔより反射した近赤外線の反射光が効率よく入射するように配設されている。即ち、近赤外線が照射される対象物Ｔと前記吸着ドラム11の断面の中心とを結ぶ半径の延長線状に、その光軸を前記対象物Ｔに向けて配設されている。前記平面分光器２の光軸は調節可能に配置されている。
The light guide 4 is configured to irradiate near infrared rays as evenly as possible to the row of the objects T. In other words, the light guide 4 is composed of a pair of near-infrared light sources so as to sandwich the row of the objects T, and is arranged so that each object T is not shaded as much as possible and is evenly irradiated. ing. The position of the light guide 4 is arranged to be adjustable.
The near-infrared light source can be composed of, for example, a halogen lamp, a near-infrared filter, and a light guide means such as an optical fiber bundle.
And the said near-infrared camera 3 shall have sufficient sensitivity with respect to the near-infrared area | region of wavelength 900-1700 nm.
Reference numeral 6 denotes a light amount correction plate, which is fixed at a position where near infrared rays are irradiated by the light guide 4 in the same manner as the light guide 4.
The plane spectroscope 2 is arranged so that reflected light of near infrared reflected from the object T is efficiently incident. That is, the optical axis of the object T is arranged toward the object T in an extension line of a radius connecting the object T irradiated with near infrared rays and the center of the cross section of the suction drum 11. The optical axis of the plane spectroscope 2 is arranged to be adjustable.
図３は、本発明にかかる異種品検出装置を用いてスペクトルデータを得る様子を示した模式図である。
前記平面分光器２には、前記各対象物Ｔからの反射光が入射され、搬送方向（副走査方向：矢印Ｙ方向）の幅は微少であって、前記吸着ドラム11の搬送幅方向（主走査方向：矢印Ｘ方向）に長く、断面がライン状の光束Ａ（図３参照）を得て、この光束Ａを平面分光することによって、例えば、横軸が搬送幅方向の位置、縦軸が波長に対応した平面状の分光スペクトルＢ（図３参照）が得られる。この平面状の分光スペクトルＢの１辺近傍には前記光量補正板６から得られた基準となるスペクトルデータも含まれている。
前記コンピュータ５は、図１に示したように、前記スペクトルデータを取り込むためのデータ入力手段５１と、取り込んだスペクトルデータを記憶するとともに、処理に必要なプログラムやデータが記憶されているデータ記憶手段５２と、処理内容や処理結果等を表示する表示手段５３とを備えている。その他、キーボードやマウスなどの操作情報を入力する手段も備えている。
FIG. 3 is a schematic diagram showing how spectrum data is obtained using the heterogeneous product detection apparatus according to the present invention.
Reflected light from each object T is incident on the plane spectroscope 2, and the width in the transport direction (sub-scanning direction: arrow Y direction) is very small. By obtaining a light beam A (see FIG. 3) that is long in the scanning direction (arrow X direction) and has a cross-section in a line shape, and the light beam A is subjected to plane spectroscopy, for example, the horizontal axis is the position in the conveyance width direction and the vertical axis is A planar spectral spectrum B (see FIG. 3) corresponding to the wavelength is obtained. In the vicinity of one side of the planar spectral spectrum B, reference spectral data obtained from the light amount correction plate 6 is also included.
As shown in FIG. 1, the computer 5 stores data input means 51 for capturing the spectrum data, and data storage means for storing the acquired spectrum data and storing programs and data necessary for processing. 52 and display means 53 for displaying the processing contents, processing results, and the like. In addition, a means for inputting operation information such as a keyboard and a mouse is also provided.
図4は、前記吸着ドラム式の搬送手段に代えて、コンベア式の搬送手段を用いた場合の構成を示した図である。図４において、図１と同じ構成に関しては、同じ符号を付してその説明を省略した。
13はコンベア式の搬送手段であり、例えば、対象物収納部が形成された樹脂シート（ＰＴＰシート）の前記対象物収納部に収納されて多列搬送される錠剤等の対象物Ｔを、送り出しロールから受け取りロールへ搬送するように構成されている。
図５は、本発明にかかる異種品検出装置の要部の平面構成図である。
図５の正面図に示したように、前記ＰＴＰシートによって、搬送方向に直角な方向に複数の前記対象物Ｔが配列された状態で多列搬送されるように構成されている。
FIG. 4 is a diagram showing a configuration in which a conveyor-type transport unit is used instead of the suction drum-type transport unit. 4, the same components as those in FIG. 1 are denoted by the same reference numerals and the description thereof is omitted.
Reference numeral 13 denotes a conveyor type conveying means, for example, sending out an object T such as a tablet which is stored in the object storage part of a resin sheet (PTP sheet) on which the object storage part is formed and is conveyed in multiple rows. It is comprised so that it may convey from a roll to a receiving roll.
FIG. 5 is a plan configuration diagram of the main part of the heterogeneous product detection apparatus according to the present invention.
As shown in the front view of FIG. 5, the PTP sheet is configured to be conveyed in multiple rows in a state where a plurality of the objects T are arranged in a direction perpendicular to the conveying direction.
なお、６は光量補正板であり、前記ライトガイド４によって近赤外線が照射される位置であって、且つ、前記近赤外線カメラ３の視野内に、前記ライトガイド４と同様に固定されている。
７は、バタツキ防止板であり、前記ライトガイド４によって近赤外線が照射される位置に、前記ライトガイド４や光量補正板６等と同様に固定されている。このバタツキ防止板７には、対象物Ｔの撮像を妨げないように透孔71が形成されている。従って、ＰＴＰシートで搬送される対象物Ｔであっても前記透孔71を通して撮像することができる。
前記平面分光器２では、上記同様に、例えば、横軸が搬送幅方向の位置、縦軸が波長に対応した平面状の分光スペクトルＢ（図３参照）が得られる。
なお、対象物からの近赤外線の反射光はＰＴＰシートのフィルムを透過するので、ＰＴＰシートのフィルムの上からであっても異品種の有無を測定することができる。
Reference numeral 6 denotes a light amount correction plate, which is a position at which near-infrared rays are irradiated by the light guide 4 and is fixed in the field of view of the near-infrared camera 3 in the same manner as the light guide 4.
Reference numeral 7 denotes a flutter prevention plate, which is fixed at a position where near infrared rays are irradiated by the light guide 4 in the same manner as the light guide 4 and the light amount correction plate 6. The flutter prevention plate 7 is formed with a through hole 71 so as not to disturb the imaging of the object T. Therefore, even the object T conveyed by the PTP sheet can be imaged through the through hole 71.
In the plane spectroscope 2, as described above, for example, a planar spectral spectrum B (see FIG. 3) in which the horizontal axis corresponds to the position in the transport width direction and the vertical axis corresponds to the wavelength is obtained.
In addition, since the near-infrared reflected light from a target object permeate | transmits the film of a PTP sheet, even if it is from the film of a PTP sheet, the presence or absence of a different kind can be measured.
以上のような吸着ドラム式もしくはコンベア式の搬送手段によって対象物は多列搬送されるように構成されている。
そして、前記平面分光器２にて得られた平面状のスペクトルデータは、近赤外線カメラ３の撮像面上に結像し、例えばＣＣＤ素子等の撮像素子によって電気信号に変換され、さらにデジタル信号に変換されて、前記コンピュータ５に送信される。
なお、前記搬送手段によって搬送される対象物が所定の位置に到達したタイミングで得られるトリガー信号に同期して画像を取り込み、前記コンピュータ５に送信するように構成することができる。
前記コンピュータ５では、送信されたスペクトルデータを、新たに開発した後述する主成分分析プログラムにより処理し、対象物Ｔを良品と異種品とに識別する。
後述する主成分分析プログラムは、スペクトル解析に有効なケモメトリックスの一つである主成分分析を自動的に行うプログラムを含んだものである。
The object is configured to be conveyed in multiple rows by the suction drum type or conveyor type conveying means as described above.
The planar spectral data obtained by the plane spectroscope 2 is imaged on the imaging surface of the near-infrared camera 3 and converted into an electrical signal by an imaging element such as a CCD element, and further converted into a digital signal. It is converted and transmitted to the computer 5.
Note that an image can be captured in synchronization with a trigger signal obtained when the object conveyed by the conveying means reaches a predetermined position and transmitted to the computer 5.
The computer 5 processes the transmitted spectrum data by a newly developed principal component analysis program, which will be described later, and identifies the target T as a non-defective product and a different product.
The principal component analysis program described later includes a program for automatically performing principal component analysis, which is one of chemometrics effective for spectrum analysis.
以上の構成の異種品検出装置における処理は以下の段階に分けることができる。
第１段階：前述したように前記平面分光器２と前記近赤外線カメラ３を用いて画像データを得る。
前記平面分光器２にて得られた平面状のスペクトルデータは、近赤外線カメラ３
で撮像されてデジタル信号としてコンピュータ５に送信される。
コンピュータ５においては、まず、データ入力回路もしくは記録媒体読み取り装 置などのデータ入力手段５１を介して取り込まれ、ハードディスクなどのデータ
記憶手段５２のファイル記憶領域に記憶される。
第２段階：前記第１段階で得られた画像データをスペクトルデータに変換して、
生データファイル（以下、単に「ＲＡＷファイル」と言う。）として出力する。
第３段階：前記スペクトルデータを統計解析処理（前処理）する。
第４段階：前記ＲＡＷファイルを、ローディングベクトルを用いて主成分分析する。
第５段階：主成分分析に基づいて判定結果を出力する。
Processing in the heterogeneous product detection apparatus having the above configuration can be divided into the following stages.
First stage: As described above, image data is obtained using the plane spectroscope 2 and the near-infrared camera 3.
The planar spectrum data obtained by the plane spectroscope 2 is obtained from the near infrared camera 3.
Is captured and transmitted to the computer 5 as a digital signal.
In the computer 5, first, it is taken in via a data input means 51 such as a data input circuit or a recording medium reading device, and stored in a file storage area of a data storage means 52 such as a hard disk.
Second stage: The image data obtained in the first stage is converted into spectral data,
The data is output as a raw data file (hereinafter simply referred to as “RAW file”).
Third stage: The spectrum data is subjected to statistical analysis processing (preprocessing).
Fourth step: The RAW file is subjected to principal component analysis using a loading vector.
Fifth stage: A determination result is output based on the principal component analysis.
なお、データ入力手段５１、データ記憶手段５２を含むコンピュータ５が、特許請求の範囲に記載された処理手段に対応している。
主成分分析プログラムがインストールされたコンピュータ５は、特許請求の範囲に記載された分離度演算手段、順位付け手段、選択手段、及び分析手段に対応している。
The computer 5 including the data input means 51 and the data storage means 52 corresponds to the processing means described in the claims.
The computer 5 in which the principal component analysis program is installed corresponds to the degree-of-separation calculation means, ranking means, selection means, and analysis means described in the claims.
前記第４段階において用いるローディングベクトルは、対象物に応じて予め算出しておく必要があり、そのローディングベクトルの算出に際しては、実際に主成分分析して判定する際に用いる装置と同じ装置を用い、同じ条件下で、前述した第１段階〜第３段階を経て、第４段階の主成分分析を行い、良品と異品種とを精度良く識別できるローディングベクトルを算出しておく必要がある。
以下においては、上記構成の平面分光器を用いた異種品検出装置１を用いて、良品と異品種とを良く識別できる分離度の良いローディングベクトルを算出することのできる波長を、予め、複数の波長の中から少なくとも２つ選択する手順を説明する。
The loading vector used in the fourth stage needs to be calculated in advance according to the object, and the same apparatus as that used for the actual principal component analysis is used for the calculation of the loading vector. Under the same conditions, it is necessary to perform a principal component analysis of the fourth stage through the above-described first to third stages, and calculate a loading vector capable of accurately discriminating good products from different products.
In the following, using the heterogeneous product detection apparatus 1 using the planar spectroscope having the above-described configuration, a wavelength capable of calculating a loading vector with good separation that can distinguish good products from different products in advance is set to a plurality of wavelengths. A procedure for selecting at least two wavelengths will be described.
まず、良品として判定できる対象物を、前記第１段階で撮像して画像データを得て、前記第２段階では、前記第１段階で得られた画像データをスペクトルデータに変換してＲＡＷファイルを出力する。
前記第１段階と第２段階において設定された測定条件は、当該装置を構成するハードウエアの設置条件と、安定した画像データを取得するためのデータ処理条件を含んでいる。このような条件による処理が完了したものがＲＡＷファイルとして出力され、データ記憶手段５２に記憶される。
なお、前記測定条件は、概略以下の要素を含んでいる。
＜測定条件＞
(1)光学系の条件
平面分光器の波長軸分解能：平面分光器の精度に応じて所望の分解能とすることができ
るが、一態様として3.18ｎｍが挙げられる。
近赤外線カメラの使用レンズ：ｆ（焦点距離）＝本発明の装置に着脱可能なレンズであ
れば、所望の焦点距離のものを使用できるが、一態様として16ｍｍが挙げら
れる。
平面分光器及びカメラの取得波長：用いるスペクトルに応じて所望の範囲の波長とする
ことができるが、一態様として近赤外領域である900〜1700ｎｍが挙げら
れる。
First, an object that can be determined as a non-defective product is imaged in the first stage to obtain image data, and in the second stage, the image data obtained in the first stage is converted into spectral data to obtain a RAW file. Output.
The measurement conditions set in the first stage and the second stage include installation conditions for hardware constituting the apparatus and data processing conditions for acquiring stable image data. What has been processed under such conditions is output as a RAW file and stored in the data storage means 52.
Note that the measurement conditions include the following elements.
<Measurement conditions>
(1) Conditions of optical system Wavelength axis resolution of a plane spectrometer: Although it can be set to a desired resolution according to the accuracy of the plane spectrometer, 3.18 nm is mentioned as one aspect.
Lens used for near-infrared camera: f (focal length) = If the lens can be attached to and detached from the apparatus of the present invention, a lens having a desired focal length can be used, but one mode is 16 mm.
Wavelength acquired by plane spectroscope and camera: The wavelength can be set in a desired range depending on the spectrum to be used, but one embodiment includes the near infrared region of 900 to 1700 nm.
(2)搬送系の条件
取得列数：１列以上の複数列に適宜設定できるが、一態様として10列が挙げられる。
移動速度：本発明の効果を達成できる速度であれば所望の速度に設定できるが、一態様
として、167mm／ｓが挙げられる。
(3)データ処理系の処理条件
波長軸移動平均数：所望の数に設定できるが、一態様として３が挙げられる。
具体的には、縦軸に反射率、横軸に波長を示したグラフの波長軸方向に対し、 例えば３〜２０点の移動平均をとり、波形に乗った微小なノイズの影響を減少さ せることができる。移動平均は３〜２０点に限定されるものではなく、さらに少 ない点もしくはさらに多い点での移動平均をとることもできる。
測定位置最適化処理：「有り」が好ましいが「無し」とすることもできる。
具体的には、空間軸方向のポイント毎に反射率を積算して積算値を計算し、縦 軸に積算値、横軸に空間軸ポイント数を示したプロファイル（図６の（Ａ）参照 ）に対し一次微分をかけ、その極大値と極小値を対象物の縁（即ち「エッジ」） として認識させ（図６の（Ｂ）参照）、両エッジの中点から中心位置と半径とを 得ることができる。（図６の（Ｃ）参照）
空間軸平均数：所望の数に設定できるが、一態様として３が挙げられる。
具体的には、測定位置最適化処理により求めた対象物の中心より対象物のエッ ジまでの間の任意のポイント数分において各波長毎の反射率の平均値を求める。 この処理によって、対象物の一点のみの反射光ではなく、対象物の複数個所にお ける反射光の平均値に基づいたスペクトルデータを得ることができる。
(2) Condition acquisition column number of transport system: It can be appropriately set to a plurality of columns of one column or more, but one mode includes 10 columns.
Movement speed: Any speed that can achieve the effects of the present invention can be set to a desired speed, but one aspect is 167 mm / s.
(3) Processing conditions of data processing system Wavelength axis moving average number: Although it can be set to a desired number, 3 is mentioned as one aspect.
Specifically, for example, a moving average of 3 to 20 points is taken with respect to the wavelength axis direction of the graph in which the vertical axis represents the reflectance and the horizontal axis represents the wavelength, thereby reducing the influence of minute noise on the waveform. be able to. The moving average is not limited to 3 to 20 points, and a moving average at fewer points or more points can be taken.
Measurement position optimization processing: “Yes” is preferable, but “No” can also be set.
Specifically, the reflectance is integrated for each point in the spatial axis direction to calculate the integrated value, and the profile indicating the integrated value on the vertical axis and the number of spatial axis points on the horizontal axis (see (A) in Fig. 6) First, the maximum and minimum values are recognized as the edges (ie, “edges”) of the object (see FIG. 6B), and the center position and radius are obtained from the midpoint of both edges. be able to. (See (C) in FIG. 6)
Spatial axis average number: Although it can be set to a desired number, 3 is mentioned as one aspect.
Specifically, the average value of the reflectance for each wavelength is obtained for an arbitrary number of points between the center of the object obtained by the measurement position optimization process and the edge of the object. By this processing, it is possible to obtain spectral data based on the average value of the reflected light at a plurality of locations of the object, not the reflected light of only one point of the object.
さらに、前記スペクトルデータを平滑化し、ＭＳＣ手法によって補正する処理、オートスケール、レンジスケール、分散スケーリング等の処理を採用することもできる。 Furthermore, processing such as smoothing the spectral data and correcting by the MSC method, processing such as auto scale, range scale, and dispersion scaling can be employed.
なお、ＰＣＡ図にプロットしたときに、予め設定された良品範囲内にあれば良品とするが、前記良品範囲外なら異種品としてローディングベクトルの算出には使用しない場合も可能である。
前記測定位置最適化処理で用いたプロファイルに対して一次微分をかけた波形の極大値に対ししきい値を設け、しきい値に満たないデータを欠品として検知することもできる。
欠品を検出した場合には、他の処理が残っている場合でも、それらの処理を省略して、検査対象に対して「欠品」との判定を行い、ローディングベクトルの算出には使用しない場合も可能である。
When plotted on the PCA diagram, the product is determined to be a non-defective product if it is within a preset good product range. However, if it is outside the non-defective product range, it may be used as a different product and not used for calculating the loading vector.
It is also possible to provide a threshold value for the maximum value of the waveform obtained by first-order differentiation of the profile used in the measurement position optimization process, and detect data that does not satisfy the threshold value as a missing item.
When a missing item is detected, even if other processes remain, those processes are omitted and the inspection object is determined to be “out of stock” and is not used to calculate the loading vector. It is also possible.
次に、前記第３段階の一部において、前記ＲＡＷファイルを主成分分析を実施しやすい形に、以下の解析条件で処理してもよい。
＜解析条件＞
ラグランジェ補間：波長軸分解能に合わせて適宜設定することができるが、一態様として
２nmが挙げられる。
ここで、ラグランジェ補間とは、前記スペクトルデータをラグランジェの２次
補間を用いて補間する補間処理であり、反射率（吸光度）に変換されたスペク
トルデータが、例えば5nm間隔の場合、このスペクトルデータに対し2次の
Lagrange補間をかけ、例えば2nm間隔の滑らかな波形にすることができる。
統計処理波長：用いるスペクトルに応じて適宜選択できるが、好ましくは近赤外領域
である1000〜1600nmが好ましい。
取得した波長データ（900〜1700nmが好ましいが、更に広い範囲の波長データ を取得することもできる。）のうち、解析に使用する範囲。取得した波長データ のうち、平面分光器及び近赤外線カメラなどのハードウエアに起因する感度の関 係で、波長範囲の両端部分にはノイズが乗りやすいので、処理効率化のために、 両端部分（100nmが好ましいが、更に広い又は狭い範囲を指定することも可能で ある）を削除することができる。
Next, in a part of the third stage, the RAW file may be processed under the following analysis conditions so that the principal component analysis can be easily performed.
<Analysis conditions>
Lagrangian interpolation: Although it can be appropriately set according to the wavelength axis resolution, 2 nm is mentioned as one aspect.
Here, the Lagrangian interpolation is an interpolation process for interpolating the spectral data using Lagrangian quadratic interpolation. When the spectrum data converted into reflectance (absorbance) is, for example, at intervals of 5 nm, Second order for spectral data
Lagrange interpolation can be applied to obtain a smooth waveform with an interval of, for example, 2 nm.
Statistical processing wavelength: Although it can be appropriately selected according to the spectrum to be used, it is preferably 1000 to 1600 nm in the near infrared region.
Of the acquired wavelength data (900-1700 nm is preferred, but a wider range of wavelength data can also be acquired), the range used for analysis. Of the acquired wavelength data, noise is likely to ride at both ends of the wavelength range due to the sensitivity caused by hardware such as a plane spectrometer and near-infrared camera. 100 nm is preferred, but a wider or narrower range can be specified).
さらに、前記第３段階の一部において、主成分分析するためのデータ変換を以下の計算条件の何れかを選択して設定し、請求項9に記載された前処理を実施してもよい。
＜前処理としての計算条件＞
スペクトルデータの吸収ピークを強調させる為に、例えば一次微分もしくは二次微分をかけることができる。また、ノイズの影響を減少させる為に、所望のポイント数で平滑化を書けることができるが、例えば５ポイント〜２５ポイント毎に平滑化をかけることが好ましい。一次微分もしくは二次微分、平滑化は例えばSavitzky-Golayの最小二乗法を用いることができる。又は、ＭＳＣ手法によって補正処理を行うことは、光の散乱の影響等を排除することに効果的である。その他にも、ノーマライズ、スムーシング、減算、乗算、SNV等の変換処理を採用することもできる。
Furthermore, in a part of the third stage, data conversion for principal component analysis may be set by selecting any of the following calculation conditions, and the preprocessing described in claim 9 may be performed.
<Calculation conditions as pre-processing>
In order to emphasize the absorption peak of the spectrum data, for example, a first derivative or a second derivative can be applied. In order to reduce the influence of noise, smoothing can be written with a desired number of points. For example, it is preferable to apply smoothing every 5 to 25 points. For example, Savitzky-Golay least square method can be used for the first derivative, second derivative, and smoothing. Alternatively, performing the correction process by the MSC method is effective in eliminating the influence of light scattering and the like. In addition, conversion processing such as normalization, smoothing, subtraction, multiplication, and SNV can be employed.
微分 ：「無し」又は、「有り」とすることができる。
例えば、Savitzky-Golayの1次微分・２次微分を用いることができる。
スペクトルの吸収ピークの顕在化、及び、粒子系の違いによるベースライン
シフトの影響低減を図るため、微分処理を行う。
平滑化次数：所望の次数を選択することができるが、０、２、又は4次が好ましい。
例えば、Savitzky-Golay平滑化
スペクトルの平滑化を行う為、Svitzky-Golayの平滑化の演算処理を行う。
平滑化ポイント：所望のポイント数を選択することができるが、５〜２５ポイントの
範囲が好ましい。平均化するポイント数
吸光度変換：「無し」又は、「有り」とすることができる。
大きな数値に対して小さな数値を強調するために対数変換を行う。
対数変換として、例えば−ｌｏｇ１０を積算する
標準化 ：「無し」又は、「有り」とすることができる。
比率で標準化：スペクトルデータを所定値との比に基づいて標準化する処理、
具体的には、スペクトルデータの標準偏差で各波長のデータを割って
標準化して、各スペクトルデータ間のバラツキの影響を除外する処理。
差分で標準化：スペクトルデータを所定値との差分に基づいて標準化する処理、
具体的には、スペクトルデータの標準偏差と各波長のデータとの差分
を求めて標準化して、各スペクトルデータ間のバラツキの影響を除外
する処理。
平均化 ：「無し」又は、「有り」とすることができる。
データ集合の中心に原点を移動させる処理
具体的には、スペクトルデータの平均値を各波長のデータより引いて正負の
データに変換する処理。
平均化及び標準化の計算式の例を以下に示す。
Differentiation: “None” or “Yes” can be set.
For example, Savitzky-Golay first and second derivatives can be used.
Differentiation is performed to reveal the absorption peak of the spectrum and reduce the effect of baseline shift due to differences in particle systems.
Smoothing order: The desired order can be selected, but 0, 2, or 4th order is preferred.
For example, in order to smooth the Savitzky-Golay spectrum, Svitzky-Golay smoothing is performed.
Smoothing points: A desired number of points can be selected, but a range of 5 to 25 points is preferred. Point number absorbance conversion to be averaged: “None” or “Yes”.
Perform logarithmic transformation to emphasize small numbers over large numbers.
As logarithmic conversion, for example, standardization of adding -log10: “No” or “Yes” can be made.
Standardization by ratio: The process of standardizing spectral data based on the ratio to a predetermined value,
Specifically, the process of standardizing by dividing the data of each wavelength by the standard deviation of the spectral data to eliminate the influence of the variation between the spectral data.
Standardize by difference: Standardization of spectrum data based on the difference from the specified value,
Specifically, the process of obtaining the difference between the standard deviation of spectral data and the data of each wavelength and standardizing them, and excluding the influence of variation between the spectral data.
Averaging: “None” or “Yes” can be set.
Processing to move the origin to the center of the data set Specifically, processing to subtract the average value of spectral data from the data of each wavelength and convert it to positive and negative data.
Examples of averaging and standardization calculation formulas are shown below.
次に、前記第４段階においては、選択された前記計算条件で主成分分析を行い、ローディングベクトルを算出する。
そして、前記算出されたローディングベクトルを評価する。この評価は、実際には、下記の式を用いて行列計算することにより、主成分得点を算出し、算出した主成分得点を一次元以上のＰＣＡ図にプロットする。
Ｓ＝Ｘ・Ｌa
Ｓ：主成分得点 Ｘ：スペクトルデータ Ｌa：ローディングベクトル
一般的に、二次元の主成分分析を行うことで十分であるが、三次元以上の主成分分析を行うことも可能である。
このようにして作成されたＰＣＡ図もしくは主成分得点に基づいて分離度を算出し、分離度の良いローディングベクトルの算出に用いた波長を、分離度の良い順に並べ替えて、良い方から少なくとも２つの波長を選択する。
Next, in the fourth stage, a principal component analysis is performed under the selected calculation condition to calculate a loading vector.
Then, the calculated loading vector is evaluated. In this evaluation, the principal component score is actually calculated by performing matrix calculation using the following formula, and the calculated principal component score is plotted on a one-dimensional or higher PCA diagram.
S = X ・ La
S: Principal component score X: Spectral data La: Loading vector Generally, it is sufficient to perform a two-dimensional principal component analysis, but it is also possible to perform a principal component analysis of three or more dimensions.
The degree of separation is calculated based on the PCA diagram or the principal component score created in this manner, and the wavelengths used for calculating the loading vector with good degree of separation are rearranged in the order of good degree of separation, and at least 2 from the good one. Select one wavelength.
前記分離度の算出は、以下の距離D(λ)を分離度として用いて演算し、距離を演算するたびに、この距離の大きい順に順位付けして並べ替える。
距離D(λ)＝ Max（（MinX0(λ)− MaxX1(λ)），（MaxX1(λ)− MinX0(λ))）／σ0(λ)
ただし、
良品とするものを着目品目として
MinX0(λ) ：読み込みデータの波長域λでの着目品目の最小値。
MaxX1(λ) ：読み込みデータの波長域λでの着目品目以外の最大値。
MaxX0(λ) ：読み込みデータの波長域λでの着目品目の最大値。
MinX1(λ) ：読み込みデータの波長域λでの着目品目以外の最小値。
σ0(λ) ：着目品目の波長域λでの標準偏差。
Max(A,B) ：A と B の大きい方の値を選択する。
とする。
The calculation of the degree of separation is performed using the following distance D (λ) as the degree of separation, and each time the distance is calculated, the separation is performed in order of increasing distance.
Distance D (λ) = Max ((MinX 0 ( λ ) − MaxX 1 ( λ ) )), (MaxX 1 ( λ ) − MinX 0 ( λ ) )) / σ 0 ( λ )
However,
As a focus item
MinX 0 ( λ ) : Minimum value of the item of interest in the wavelength range λ of the read data.
MaxX 1 ( λ ) : Maximum value other than the item of interest in the wavelength range λ of the read data.
MaxX 0 ( λ ) : Maximum value of the item of interest in the wavelength range λ of the read data.
MinX 1 ( λ ) : Minimum value other than the target item in the wavelength range λ of the read data.
σ 0 ( λ ) : Standard deviation in the wavelength range λ of the item of interest.
Max (A, B): Select the larger value of A and B.
And
このようにして、良品と異品種とを精度良く識別できる分離度の良いローディングベクトルを算出することのできる波長を、複数の波長の中から少なくとも２つ選択するのである。 In this way, at least two wavelengths are selected from among a plurality of wavelengths for calculating a loading vector with a good degree of separation that can accurately discriminate between good products and different products.
以下においては、スペクトルデータの解析に用いる主成分分析プログラムを説明する。この主成分分析プログラムは、本発明にかかる異品種検出装置にも用いることができる。
図７−１２は、本発明にかかる主成分分析プログラムのフローチャートである。
前記主成分分析プログラムは、以下の各ルーチンを備えている。
１）自動実行メインルーチン
２）ファイル選択サブルーチン
３）ＲＡＷファイル（生データファイル）作成サブルーチン
４）計算条件設定サブルーチン
５）主成分分析サブルーチン
６）ＩＮＩファイル（初期設定ファイル）作成サブルーチン
なお、前記自動実行メインルーチンは、前記ファイル選択サブルーチン、ＲＡＷファイル作成サブルーチン、計算条件設定サブルーチン、主成分分析サブルーチン、もしくはＩＮＩファイル作成サブルーチンを、必要に応じて適宜呼び出して処理するように構成されている。
In the following, a principal component analysis program used for analyzing spectrum data will be described. This principal component analysis program can also be used in the different product detection apparatus according to the present invention.
FIG. 7-12 is a flowchart of the principal component analysis program according to the present invention.
The principal component analysis program includes the following routines.
1) Automatic execution main routine 2) File selection subroutine 3) Raw file (raw data file) creation subroutine 4) Calculation condition setting subroutine 5) Principal component analysis subroutine 6) INI file (initial setting file) creation subroutine The main routine is configured to call and process the file selection subroutine, RAW file creation subroutine, calculation condition setting subroutine, principal component analysis subroutine, or INI file creation subroutine as necessary.
前記ファイル選択サブルーチンは、図７に示したように、前記ファイル記憶領域に記憶されたスペクトルデータを含んだファイルを選択して読み出し、操作者がキーボードなどの文字入力手段を用いて検査対象とする品目名を入力すると、スペクトルデータのみからなるＲＡＷファイルと、ファイルの情報を含んだｈｄｒ（ヘッダー）ファイルとを別に生成して、データ記憶手段５２に記憶させる。
前記計算条件設定サブルーチンは、図８に示したように、前処理や変換処理等の計算条件や、良品範囲などの判定基準が、操作者によって選択・指定されると、それらの指定された条件の組み合わせ数が、コンピュータ５の処理能力の限度を越えているか否かを予測して確認し、越えていた場合は修正を促し、越えていなければ、種々の計算条件が設定された設定ファイルを生成して、データ記憶手段５２に記憶させる。
計算条件設定サブルーチンにおいて、コンピュータ５の表示手段５３には、以下のような計算条件を設定するための画面が表示される。
この画面が表示されている状態で、マウスやキーボードを用いて、画面の各チェックボックスにチェックマークを付与したり、画面の各選択窓のデータを増減させて設定したりして、計算条件を設定する。
As shown in FIG. 7, the file selection subroutine selects and reads out a file containing spectrum data stored in the file storage area, and the operator uses the character input means such as a keyboard as an inspection target. When an item name is input, a RAW file consisting only of spectrum data and an hdr (header) file containing file information are separately generated and stored in the data storage means 52.
As shown in FIG. 8, the calculation condition setting subroutine, when calculation conditions such as pre-processing and conversion processing, and judgment criteria such as a non-defective range are selected / designated by the operator, the designated conditions. It is predicted whether the number of combinations exceeds the limit of the processing capacity of the computer 5, and if so, correction is prompted. If not, a setting file in which various calculation conditions are set is displayed. Generated and stored in the data storage means 52.
In the calculation condition setting subroutine, the display unit 53 of the computer 5 displays a screen for setting the following calculation conditions.
While this screen is displayed, use the mouse or keyboard to add a check mark to each check box on the screen, or increase or decrease the data for each selection window on the screen to set the calculation conditions. Set.
この画面では、例えば以下の各計算条件としては、それぞれの括弧内に記載された条件の中から選択、もしくは、括弧内の条件を選択して、それらの条件を組み合わせることができる。
（１）平滑化多項式次数の設定（0,2,4の何れか）
（２）平滑化点数の設定（5,7,9,11,13,15,17,19,21,23,25の何れか）
（３）微分次数の設定（0,1,2の何れか）
（４）微分点数の設定（5,7,9,11,13,15,17,19,21,23,25の何れか）
（５）微分多項式次数の設定（2,4の何れか）
（６）吸光度変換の有無の設定（有り，無しの何れか）
（７）統計前処理の設定（平均化，比率標準化，差分標準化の組み合わせ）
（８）有効列数の設定（数値設定）
（９）良品範囲の設定（σ値を設定）
（１０）波長選択数の設定（上限の設定，下限の設定）
これらの設定の組み合わせが複雑すぎて、コンピュータ５の処理能力に対して過大な負荷となることが予測される場合には設定の変更が促される。
In this screen, for example, the following calculation conditions can be selected from the conditions described in the parentheses, or the conditions in the parentheses can be selected and combined.
(1) Smoothing polynomial order setting (0, 2, or 4)
(2) Setting the number of smoothing points (5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25)
(3) Setting of differential order (0, 1 or 2)
(4) Setting the number of differential points (5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25)
(5) Differential polynomial order setting (2 or 4)
(6) Absorbance conversion setting (with or without)
(7) Statistical preprocessing settings (combination of averaging, ratio standardization, and difference standardization)
(8) Setting the number of valid columns (numeric setting)
(9) Non-defective range setting (Set σ value)
(10) Setting the number of wavelength selection (upper limit setting, lower limit setting)
If the combination of these settings is too complex and it is predicted that the processing capacity of the computer 5 will be excessive, a change in the settings is prompted.
前記自動実行メインルーチンでは、図９に示したように、
ＲＡＷファイルをライン毎に分割して分割ファイルを出力し、結果を出力するための結果出力ファイルを作成してから自動実行ループを開始する。（ステップＳ１参照）
自動実行ループにおいては、まず、計算条件を、前記設定ファイルにおいて指定された１つの計算条件に変更して、前述した複数の前処理としての計算条件のうちの少なくとも何れか１つの計算条件を用いて変換処理を行う。（ステップＳ２参照）
In the automatic execution main routine, as shown in FIG.
The RAW file is divided for each line, a divided file is output, a result output file for outputting the result is created, and then an automatic execution loop is started. (See step S1)
In the automatic execution loop, first, the calculation condition is changed to one calculation condition specified in the setting file, and at least one of the plurality of calculation conditions as the preprocessing described above is used. To perform the conversion process. (Refer to step S2)
つぎに、前述した計算式を用いて分離度としての距離D(λ)を演算し（ステップ３参照）、距離を演算するたびに、この距離の大きい順に順位付けして並べ替える（ステップ４参照）。 Next, the distance D (λ) as the degree of separation is calculated using the above-described calculation formula (see step 3), and each time the distance is calculated, the distance is ranked in descending order (see step 4). ).
なお、距離の演算は、図１０に示したような距離計算サブルーチンで行われる。
この距離計算サブルーチンにおいては、計算ラインを分割されたラインの何れか１つに設定して、そのラインの全データを読み込み、最大値、最小値、平均値、分散、標準偏差を演算し、そのラインにおける距離を計算する。
つぎに、波長範囲を変更して再度、距離を計算する（ステップ５参照）。
そのラインにおける距離の計算を終了した後は、次のラインに変更して（ステップ６参照）、そのラインの全データに対して上記同様の距離の計算を行い、計算した各距離をファイルに書き出して記憶する。（ステップ７参照）。
全てのライン、全ての波長、全ての計算条件における距離の計算を終了したしたことを確認する（ステップ８参照）。
The distance calculation is performed by a distance calculation subroutine as shown in FIG.
In this distance calculation subroutine, the calculation line is set to one of the divided lines, all the data of the line is read, the maximum value, minimum value, average value, variance, standard deviation are calculated, Calculate the distance in the line.
Next, the wavelength range is changed and the distance is calculated again (see step 5).
After completing the distance calculation for that line, change to the next line (see step 6), calculate the same distance for all the data for that line, and write the calculated distances to a file. Remember. (See step 7).
It is confirmed that the calculation of distances for all lines, all wavelengths, and all calculation conditions has been completed (see step 8).
以上の自動実行メインルーチンのステップ４における距離距離の大きい順に順位付けする処理は、図１１に示したような順序付けサブルーチンで行われる。
この順序付けサブルーチンにおいては、ファイルに書き出された距離データを読み込み（ステップ１１参照）、距離の大きい順に並べ替える（ステップ１２参照）。
並べ替えた順位に沿った配列に、各距離データを入れる（ステップ１３参照）。
前記配列を含んだファイルを順位ファイルとして書き出して記憶する（ステップ１４参照）。
The process of ranking in order of increasing distance in step 4 of the automatic execution main routine described above is performed by an ordering subroutine as shown in FIG.
In this ordering subroutine, the distance data written in the file is read (see step 11) and rearranged in descending order of distance (see step 12).
Each distance data is put into the array along the rearranged order (see step 13).
The file containing the sequence is written and stored as a rank file (see step 14).
以上の順序付けサブルーチンを終了後、再び、図９の自動実行メインルーチンに戻り、
選択された別の波長数に設定し（ステップ５参照）、選択された計算ラインに設定する（ステップ６参照）。
そして、ステップ７においては、共分散を計算し、固有値、固有ベクトルを計算し、ＰＣＡ得点を計算して、計算結果を表示手段５３に表示する。
前記ステップ７においては、
計算条件と計算結果をファイルに出力して記憶する。
そして、ローディングベクトルを作成し、良品と判定できる良品範囲ファイルを出力して記憶する。
このような処理を、ステップ８においては、ラインを順次変更しながら、また、波長を順次変更しながら、全ての計算条件で処理する。
なお、前記表示手段５３の画面の一部には現在処理中のラインを表示するとよい。
全ての計算条件での処理が終了した後に、結果出力ファイルを閉じて（ステップ９参照）、記憶手段５２への書き込みを完了し、この自動実行ルーチンを終了する。
After completing the above ordering subroutine, the process returns to the automatic execution main routine of FIG.
The selected number of wavelengths is set (see step 5), and the selected calculation line is set (see step 6).
In step 7, covariance is calculated, eigenvalues and eigenvectors are calculated, PCA scores are calculated, and the calculation results are displayed on the display means 53.
In step 7,
Calculation conditions and calculation results are output to a file and stored.
Then, a loading vector is created, and a non-defective range file that can be determined as non-defective is output and stored.
In step 8, such processing is performed under all the calculation conditions while sequentially changing the line and sequentially changing the wavelength.
Note that a line currently being processed may be displayed on a part of the screen of the display means 53.
After the processing under all the calculation conditions is finished, the result output file is closed (see step 9), the writing to the storage means 52 is completed, and this automatic execution routine is finished.
前述した自動実行メインルーチンを実行中に表示される画面には、読み込んだ計算条件ファイルに基づいた計算条件が表示される。ここでは、選択された全組み合わせが表示され、１つの計算条件の計算が終了するたびにカウント数が増加されるようにすることができる。
そして、データファイルと条件設定ファイルが正しく読み込まれたことが確認されると、例えば、画面に表示される自動実行ボタンが有効になり、操作者が自動実行ボタンをクリック等することによって、自動実行が開始されるように構成できる。
自動実行中の画面の一部には計算された波形が表示され、着目品目の波形、着目品目以外の波形、距離Ｄ、選択された波長領域が、それぞれ識別可能なように色分けして表示されるように構成できる。
また、例えば、画面の一部に表示されたＰＣＡ図表示領域には、ローディングベクトルを用いて計算されたＰＣＡ得点を順次プロットすることができる。
A calculation condition based on the read calculation condition file is displayed on the screen displayed during the execution of the automatic execution main routine described above. Here, all the selected combinations are displayed, and the number of counts can be increased each time calculation of one calculation condition is completed.
When it is confirmed that the data file and the condition setting file have been read correctly, for example, the automatic execution button displayed on the screen is enabled, and the automatic execution is performed when the operator clicks the automatic execution button. Can be configured to start.
The calculated waveform is displayed on a part of the screen during automatic execution, and the waveform of the target item, the waveform other than the target item, the distance D, and the selected wavelength region are displayed in different colors so that they can be identified. Can be configured.
Further, for example, PCA scores calculated using the loading vector can be sequentially plotted in the PCA diagram display area displayed on a part of the screen.
ＰＣＡ得点は、第１成分、第２成分の２次元空間における広がりの最も大きい方向の成分をＸ軸、それに直交する方向の成分をＹ軸となるように回転させ、各軸に投影したときの平均値が０となるように平行移動して表示すると見やすい画面表示とすることができる。
そして、各軸上の標準偏差で正規化してグラフ上にプロットすることでＰＣＡ図が生成されて、表示することができる。
選択された計算条件を順次変更しながら計算を行い、現在の計算条件での計算結果と、それまでの計算条件での計算結果の中から最も良い計算結果を、画面に設定された数値表示ボックスに表示することができる。
ここで表示される計算結果としての数値は，着目品目以外の計算値で、最も中心に近い計算結果の中心からの距離を表している。この数値が大きいほど、異種品目を識別する能力が高いと言える。
前記数値表示ボックスの中で、全ラインで最も中心に近い点の距離の最大値を表示するボックスを設けることができる。この値が最も大きくなる計算条件が、最適な計算条件といえる。この数値は、全ての計算条件について、各設定値と共にファイルにも保存されるので、どの条件が最適であったかは，そのファイルを見ることで確認することができる。
The PCA score is obtained by rotating the component of the first component and the second component in the two-dimensional space with the largest spread in the X axis and rotating the component in the direction orthogonal thereto to the Y axis, and projecting them on each axis. If the images are translated and displayed so that the average value becomes 0, the screen can be easily viewed.
Then, the PCA diagram can be generated and displayed by normalizing with the standard deviation on each axis and plotting on the graph.
The numerical calculation box set on the screen displays the calculation result under the current calculation condition and the calculation result under the previous calculation condition while changing the selected calculation conditions sequentially. Can be displayed.
The numerical value as the calculation result displayed here is a calculation value other than the item of interest and represents the distance from the center of the calculation result closest to the center. It can be said that the larger this value is, the higher the ability to identify different items.
Among the numerical display boxes, a box for displaying the maximum value of the distance of the point closest to the center in all lines can be provided. The calculation condition that maximizes this value can be said to be the optimal calculation condition. This numerical value is stored in a file together with each setting value for all the calculation conditions, so it is possible to confirm which condition is optimal by looking at the file.
前記数値表示ボックスの中には、各計算条件で計算した結果が、着目品目以外の点で着目品目の広がりの中心に最も近い点までの距離を「最短距離」として表示され、その最短距離が大きいほど良い結果という判定ができる。
最良値の表示欄は、現在までに計算された条件のうち、最も良い結果が得られた時の最短距離と、その時の条件を表示することができる。計算条件としては、例えば、微分階数、微分点数、微分多項式次数、平滑化点数、平滑化多項式次数、選択波長数の順に表示することができる。
さらに、各計算条件毎に、ライン毎の最短距離が表示される最短距離表示欄、ライン毎の、現在までの最短距離の最大値が表示される最大値表示欄、及び最大値を出した条件の時の良品の広がりが表示される良品σ表示欄などを表示することができる。ここで表示される数値は，着目品目の全データの広がりの標準偏差σで正規化した値とする。
通常の検査では、６σで分離できていれば、生産上の歩留り誤検知率として許容できる範囲であると考えられている（いわゆる「シックスシグマ」）。本発明では、より厳しい条件である７σを用いて表示することもできる。
In the numerical display box, the result calculated under each calculation condition is displayed as the “shortest distance” as the distance from the point other than the target item to the point closest to the center of the spread of the target item. The larger the value, the better the result.
The display column of the best value can display the shortest distance when the best result is obtained among the conditions calculated so far and the condition at that time. As calculation conditions, for example, the differential rank, the differential point number, the differential polynomial order, the smoothing point number, the smoothing polynomial order, and the selected wavelength number can be displayed in this order.
Furthermore, for each calculation condition, the shortest distance display field for displaying the shortest distance for each line, the maximum value display field for displaying the maximum value of the shortest distance for each line, and the condition for giving the maximum value It is possible to display a non-defective product σ display column in which the spread of non-defective products at the time is displayed. The numerical value displayed here is a value normalized by the standard deviation σ of the spread of all data of the item of interest.
In normal inspection, if it can be separated by 6σ, it is considered that it is within an acceptable range as a production yield error detection rate (so-called “six sigma”). In the present invention, display can also be performed using 7σ, which is a stricter condition.
なお、図１２に示したＩＮＩファイル作成サブルーチンが実行されるときには、検査条件のデフォルトの値が読み込まれるものとする。
まず、操作者は、ローディングベクトルを選択する。
自動実行で作成されたローディングベクトルは、ファイル名から，計算条件がわかるようになっており、それに対応した良品範囲の楕円式も同時に読み込まれる。
検査条件が前記デフォルトの検査条件と異なる場合には、適合する検査条件の書かれた INI ファイルを読み込む。
ローディングベクトルの読込が終わると、操作者は、検査品目名を入力（任意）して、INI ファイルに名前を付けて保存する。
When the INI file creation subroutine shown in FIG. 12 is executed, the default value of the inspection condition is read.
First, the operator selects a loading vector.
The loading vector created by the automatic execution is such that the calculation condition can be understood from the file name, and the oval formula corresponding to the non-defective range is also read at the same time.
If the inspection conditions are different from the default inspection conditions, an INI file in which the applicable inspection conditions are written is read.
When the loading vector is read, the operator inputs the inspection item name (optional), names the INI file, and saves it.
次に、本発明の平面分光器を用いた異種品検出装置でインラインの全数検査をする手順の概要を以下に説明する。
１）先ず、同種品もしくは異種品の判定を行う対象の全ての種類の対象物に関して、上述した手順で予めローディングベクトルを作成する。このとき、前記主成分分析プログラムによって波長の選択を自動的に行う。
２）ＰＣＡ図作成後に良品範囲を設定する。
インライン検査を行う時は、前記ローディングベクトルと前記良品範囲を使用する。
Next, the outline of the procedure for in-line 100% inspection using the heterogeneous product detection apparatus using the planar spectrometer of the present invention will be described below.
1) First, a loading vector is created in advance by the above-described procedure for all types of objects for which the same type or different types of objects are to be determined. At this time, the wavelength is automatically selected by the principal component analysis program.
2) Set the non-defective range after creating the PCA diagram.
When performing in-line inspection, the loading vector and the non-defective range are used.
３）インライン検査においては、得られたスペクトルデータに対し、先ず平均・平滑・補間処理を行い、次に欠品検査を行う。欠品検査に合格した場合には、測定位置最適化処理を行い、その後に、前処理、変換処理を行う。
４）このスペクトルデータに対し主成分分析を行うために、前記ローディングベクトルと、得られたスペクトルデータを行列計算させることにより主成分得点を算出する。この方法を採ることにより、主成分分析を用いたインライン検査を可能にした。
５）算出した主成分得点は予め作成された良品範囲と比較されて良否判定される。
3) In the in-line inspection, the obtained spectrum data is first averaged / smoothed / interpolated, and then the missing item is inspected. When the shortage inspection is passed, the measurement position optimization process is performed, and then the pre-process and the conversion process are performed.
4) In order to perform principal component analysis on the spectrum data, a principal component score is calculated by matrix calculation of the loading vector and the obtained spectrum data. By adopting this method, in-line inspection using principal component analysis was made possible.
5) The calculated principal component score is compared with a preliminarily produced non-defective range to determine whether it is acceptable.
上述したように、本発明にかかる異種品検出装置に用いる前記主成分分析においては、波長の選択を自動的に行うので、操作者の違いによるバラツキの少ない分析を行うことができる。 As described above, in the principal component analysis used in the heterogeneous product detection apparatus according to the present invention, the wavelength is automatically selected, so that analysis with little variation due to differences in operators can be performed.
以下に実施例を挙げて本発明をさらに具体的に説明するが、これらは単なる例示であって本発明の範囲を何ら限定するものではない。 EXAMPLES The present invention will be described more specifically with reference to the following examples. However, these are merely examples and do not limit the scope of the present invention.
次に、本発明に係る異種品検出装置を、２種類の錠剤品目（Ａ，Ｂ）を対象物として、１列又は１０列でドラム式の搬送手段を用いて搬送しながら、検査した実施例を示す。
まず、各品目それぞれについて、1列あたり100錠を搬送して波長を測定した。１品目につき3ロットのデータを取得し、それぞれのロットにつき、3つの異なる条件でデータを読み込んだ。錠剤には、印刷又は刻印のあるものも含まれる。
Next, an example in which the heterogeneous product detection apparatus according to the present invention was inspected while conveying two types of tablet items (A, B) as an object using a drum-type conveying means in one or ten rows. Indicates.
First, for each item, 100 tablets per row were conveyed and the wavelength was measured. Three lots of data were acquired for each item, and data was read under three different conditions for each lot. Tablets include those that are printed or stamped.
この実施例での各種条件は次の通りであった。
＜測定対象＞
錠剤 ：AとBの2種
大きさ：φ6mm
色 ：うすい黄色
＜測定条件＞
使用レンズ ： ｆ（焦点距離）＝16mm
取得列数 ： 1列又は10列
移動速度 ： 167mm/s
波長軸分解能 ： 3.18nm
取得波長 ： 900〜1700nm
波長軸移動平均数： 3
空間軸平均数 ： 3
Various conditions in this example were as follows.
<Measurement target>
Tablet: 2 types of A and B Size: φ6mm
Color: Light yellow <Measurement conditions>
Lens used: f (focal length) = 16mm
Number of acquired rows: 1 row or 10 rows Moving speed: 167mm / s
Wavelength resolution: 3.18nm
Acquisition wavelength: 900-1700nm
Wavelength axis moving average: 3
Average number of spatial axes: 3
＜解析条件＞
データ数 ： 900錠（各列100錠×9条件）
ラグランジュ補間： 2nm
統計処理波長 ：1000〜1600nm （取得波長900〜1700nmから上下両端の100nmを除いた）
＜計算条件＞
微分 ：なし
平滑化次数 ：2次
平滑化ポイント ：15ポイント
吸光度変換 ：有り
標準化 ：有り
平均化 ：有り
選択波長 ：本発明に係る主成分分析プログラムにより自動選定
<Analysis conditions>
Number of data: 900 tablets (100 tablets per row x 9 conditions)
Lagrange interpolation: 2nm
Statistical processing wavelength: 1000 to 1600 nm (excluding 100 nm at the upper and lower ends from the acquisition wavelength 900 to 1700 nm)
<Calculation conditions>
Differentiation: None Smoothing order: Secondary smoothing point: 15 points Absorbance conversion: Available Standardization: Available averaging: Available Selected wavelength: Automatically selected by the principal component analysis program according to the present invention
（１）分光スペクトル取得
前記測定条件にて、平面分光器（フィンランドSpecim社製）と、近赤外線カメラ(米国Sensors Unlimited社製)とを用いて撮像して平面状のスペクトルデータを得る。
例えば、光量のバラツキやシートのバタツキ等で条件の悪いデータを使用して、識別力の高いローディングベクトルの算出を行う。
(1) Spectral spectrum acquisition Under the above measurement conditions, planar spectral data is obtained by imaging using a planar spectrometer (manufactured by Finnish Specim) and a near-infrared camera (manufactured by Sensors Unlimited, USA).
For example, a loading vector having a high discriminating power is calculated using data with poor conditions such as variations in light amount and sheet flutter.
（２）波長の選択
図１３は、微分階数を０、微分点数を５、微分次数を２、平滑化点数を１５、平滑化次数を２、吸光度変換有り、統計前処理を平均化＋標準化として、波長選択数を５０とした場合の主成分分析の結果であり、図１３（ａ）は、スペクトル上における波長選択領域を示し、図１３（ｂ）は、そのＰＣＡ図を示している。
比較例として示した図１４は、本発明のアルゴリズムによる波長の自動的な選択を行わなかった場合の波形図と、そのＰＣＡ図を示している。
本発明によれば、図１３（ｂ）に示したように、通常用いられる６σよりも分離が困難である７σでも、２種類の錠剤品目（Ａ，Ｂ）のグループが、離れた集合に明確に分離されて（最短距離＝8.084）いる。このように、図１３（ｂ）によれば、２種類の錠剤品目（Ａ，Ｂ）に関しての識別力が高くなっていることが明らかである。なお、図１４の比較例では、２種類の錠剤品目（Ａ，Ｂ）のグループが近接しており、７σでは分離されていない（最短距離＝約2.7）。
(2) Wavelength selection FIG. 13 shows that the differential rank is 0, the differential point is 5, the differential order is 2, the smoothing point is 15, the smoothing order is 2, the absorbance conversion is performed, and the statistical preprocessing is averaged and standardized. FIG. 13A shows the result of principal component analysis when the number of wavelength selections is 50, FIG. 13A shows the wavelength selection region on the spectrum, and FIG. 13B shows the PCA diagram.
FIG. 14 shown as a comparative example shows a waveform diagram and its PCA diagram when the wavelength is not automatically selected by the algorithm of the present invention.
According to the present invention, as shown in FIG. 13B, the group of two types of tablet items (A, B) is clearly defined in a distant set even at 7σ, which is more difficult to separate than 6σ that is normally used. (Shortest distance = 8.084). Thus, according to FIG.13 (b), it is clear that the discrimination power regarding two types of tablet items (A, B) is high. In the comparative example of FIG. 14, groups of two types of tablet items (A, B) are close to each other and are not separated by 7σ (shortest distance = about 2.7).
図１５は、波長選択数を７５に変え、微分階数等の他の条件は同条件とした場合の主成分分析の結果であり、図１５（ａ）は、スペクトル上における波長選択領域を示し、図１５（ｂ）は、そのＰＣＡ図を示している。本発明によれば、図１５（ｂ）に示したように、７σで明確に分離されて（最短距離＝8.720）、識別力が高くなっていることが明らかである。
図１６は、波長選択数を１００に変え、微分階数等の他の条件は同条件とした場合の主成分分析の結果であり、図１６（ａ）は、スペクトル上における波長選択領域を示し、図１６（ｂ）は、そのＰＣＡ図を示している。本発明によれば、図１６（ｂ）に示したように、７σで明確に分離されて（最短距離＝9.682）、識別力が高くなっていることが明らかである。
図１７は、波長選択数を１２５に変え、微分階数等の他の条件は同条件とした場合の主成分分析の結果であり、図１７（ａ）は、スペクトル上における波長選択領域を示し、図１７（ｂ）は、そのＰＣＡ図を示している。本発明によれば、図１７（ｂ）に示したように、７σで明確に分離されて（最短距離＝7.365）、識別力が高くなっていることが明らかである。
図１８は、波長選択数を１５０に変え、微分階数等の他の条件は同条件とした場合の主成分分析の結果であり、図１８（ａ）は、スペクトル上における波長選択領域を示し、図１８（ｂ）は、そのＰＣＡ図を示している。本発明によれば、図１８（ｂ）に示したように、７σで明確に分離されて（最短距離＝7.626）、識別力が高くなっていることが明らかである。
FIG. 15 shows the result of principal component analysis when the wavelength selection number is changed to 75 and the other conditions such as the differential rank are the same. FIG. 15A shows the wavelength selection region on the spectrum. FIG. 15B shows the PCA diagram. According to the present invention, as shown in FIG. 15 (b), it is clearly separated at 7σ (shortest distance = 8.720), and it is clear that the discrimination power is high.
FIG. 16 shows the result of principal component analysis when the wavelength selection number is changed to 100 and other conditions such as the differential rank are the same. FIG. 16 (a) shows the wavelength selection region on the spectrum. FIG. 16B shows the PCA diagram. According to the present invention, as shown in FIG. 16B, it is clearly separated at 7σ (shortest distance = 9.682), and it is clear that the discrimination power is high.
FIG. 17 shows the result of principal component analysis when the wavelength selection number is changed to 125 and the other conditions such as the differential rank are the same. FIG. 17A shows the wavelength selection region on the spectrum. FIG. 17B shows the PCA diagram. According to the present invention, as shown in FIG. 17B, it is clearly separated at 7σ (shortest distance = 7.365), and it is clear that the discrimination power is high.
FIG. 18 shows the result of principal component analysis when the number of wavelength selections is changed to 150 and the other conditions such as the differential rank are the same. FIG. 18A shows the wavelength selection region on the spectrum. FIG. 18B shows the PCA diagram. According to the present invention, as shown in FIG. 18B, it is clearly separated at 7σ (shortest distance = 7.626), and it is clear that the discrimination power is high.
なお、最短距離が長いほど分離が良いことを示すが、50−150の波長選択数のうち波長選択数を100個としたときに最も明確に分離されている（最短距離＝9.682）。本発明によれば、波長の選択を自動で行うため、複数の条件（ここでは波長選択数）を全て実行し、最も識別力が高くなる条件を選ぶことができる。
このようにして、本発明によれば、主成分分析における識別力の分析品質の向上とスピードの向上が可能となる。
なお、本発明によれば、１列に限らず10列でも、高い識別力で、且つ優れたスピードで解析が可能であった。
また、錠剤の表面に文字や図形等の印刷があっても、従来の画像処理による識別方法のように影響を受けることなく正確な識別が可能となる。
以上のようにして、複数の条件を全て自動的に実行し、最も識別力が高くなる条件を自動的に選び、その波長を用いてローディングベクトルを作成する。
（３）異種品検出
上記主成分分析の結果を元に異種品の検出を行う。
The longer the shortest distance, the better the separation, but the clearest separation is achieved when the number of wavelength selections is 50 out of 50 to 150 (the shortest distance = 9.682). According to the present invention, since the wavelength is automatically selected, all of a plurality of conditions (here, the number of wavelength selections) are executed, and the condition with the highest discriminating power can be selected.
In this way, according to the present invention, it is possible to improve the analysis quality and speed of discrimination power in principal component analysis.
In addition, according to the present invention, analysis can be performed with high discriminating power and excellent speed even in 10 rows as well as 1 row.
Even if characters, graphics, or the like are printed on the surface of the tablet, accurate identification is possible without being affected as in the conventional identification method using image processing.
As described above, all of the plurality of conditions are automatically executed, the condition with the highest discriminating power is automatically selected, and the loading vector is created using the wavelength.
(3) Foreign product detection Based on the result of the principal component analysis, the foreign product is detected.
以上のように、主成分分析に用いる条件として、複数の条件を全て自動的に実行し、最も識別力が高くなる条件を自動的に選び、その波長を用いてローディングベクトルを作成するので、分析者の違いによる影響を受けずに、信頼性の高い異種品検出が可能となる。
なお、前記主成分分析プログラムは、例えば、ＤＶＤ−ＲＯＭやＣＤ−ＲＯＭ等の記録媒体に書き込んで、コンピュータ５に読み取らすことにより、インストールすることができる。
As described above, all the multiple conditions are automatically executed as the principal component analysis conditions, the condition with the highest discriminating power is automatically selected, and the loading vector is created using the wavelength. It is possible to detect a different type of product with high reliability without being affected by the difference between the users.
The principal component analysis program can be installed by writing it in a recording medium such as a DVD-ROM or CD-ROM and reading it by the computer 5.
本発明に係る主成分分析方法は、上述したような錠剤の異種品検出装置に限らず、例えば、種々の品質検査、定性・定量分析、画像処理等に利用することができる。
品質検査においては、例えば、錠剤識別システムにおいて、識別対象の錠剤の画像をRGBカラー画像で撮影してグレイ画像に変換し、濃淡地ベクトルを抽出し、あらかじめ学習したデータにより識別する場合に、識別力を上げることを目的として主成分分析が用いられているが（例えば、特開平07-287753号公報参照）、このとき、本発明に係る主成分分析方法を適用して、分離度の良い波長を自動的に選択してから分析することにより効率のよい識別が可能となる。
また、定性・定量分析においては、例えば、高分子材料に含まれる添加剤の定性分析又は定量分析において、高分子材料に含まれる添加剤の違いによって光の吸収率や反射率が異なる波長を含む近赤外線を用いて近赤外線スペクトルのデータを得て、コンピュータを用いたデータ解析手法によって、高分子材料に含まれる添加剤の違い又は添加量を識別する場合（例えば、特開２００４−５３４４０号公報参照）でも、本発明に係る主成分分析方法を適用して、分離度の良い波長を自動的に選択して分析すると、感度の高い識別を行うことができる。
また、品質検査においては、例えば、青果物の品質検査において、近赤外線等を青果の中央と下部にあてて吸光度の差をとり、これを主成分分析して熟成を判断する場合（例えば、特許第3481108号公報参照）にも、本発明に係る主成分分析方法を適用して、分離度の良い波長を自動的に選択して分析すると、厳密な識別が可能となる。
これらの技術にかぎらず、医学分野における細胞組織の判定等のように種々の分野の定性分析関連にも適用できる。
The principal component analysis method according to the present invention is not limited to the tablet heterogeneous product detection apparatus as described above, and can be used for various quality inspections, qualitative / quantitative analysis, image processing, and the like.
In quality inspection, for example, in a tablet identification system, an image of a tablet to be identified is captured as an RGB color image, converted to a gray image, a gray background vector is extracted, and identification is performed using previously learned data. Principal component analysis is used for the purpose of increasing power (see, for example, Japanese Patent Laid-Open No. 07-287753). At this time, by applying the principal component analysis method according to the present invention, a wavelength with good resolution is used. Efficient identification is possible by automatically selecting and analyzing.
In the qualitative / quantitative analysis, for example, in the qualitative analysis or quantitative analysis of the additive contained in the polymer material, the light absorption rate or the reflectance varies depending on the additive contained in the polymer material. When obtaining near-infrared spectrum data using near-infrared light and identifying the difference or addition amount of additives contained in the polymer material by a data analysis method using a computer (for example, Japanese Patent Application Laid-Open No. 2004-53440) However, when the principal component analysis method according to the present invention is applied to automatically select and analyze a wavelength with good resolution, discrimination with high sensitivity can be performed.
In the quality inspection, for example, in the quality inspection of fruits and vegetables, when near infrared rays or the like are applied to the center and the bottom of the fruits and the difference in absorbance is taken and this is subjected to principal component analysis to determine ripening (for example, patent No. 1). (See Japanese Patent Publication No. 3481108), when the principal component analysis method according to the present invention is applied to automatically select and analyze a wavelength having a good degree of separation, strict discrimination becomes possible.
Not limited to these techniques, it can also be applied to qualitative analysis related to various fields such as determination of cellular tissue in the medical field.
１ 平面分光器を用いた異種品検出装置
２ 平面分光器
３ 近赤外線カメラ
４ ライトガイド
５ コンピュータ
５１ データ入力手段
５２ データ記憶手段
５３ 表示手段
11 吸着ドラム式の搬送手段
12 吸着ドラム
13 コンベア式の搬送手段
Ｔ 対象物
DESCRIPTION OF SYMBOLS 1 Dissimilar goods detection apparatus using a plane spectrometer 2 Planar spectrometer 3 Near-infrared camera 4 Light guide 5 Computer 51 Data input means 52 Data storage means 53 Display means
11 Adsorption drum type conveying means
12 Adsorption drum
13 Conveyor-type transport means T Object
Claims (14)
各波長における２以上の変数の分離度を求め、
求めた分離度が良い順に少なくとも２つの波長を選択し、
選択された波長を用いて主成分分析することを特徴とする主成分分析方法。 In the principal component analysis method used for spectrum analysis of spectrum data including a plurality of wavelengths,
Find the separation of two or more variables at each wavelength,
Select at least two wavelengths in order of good resolution.
A principal component analysis method comprising performing principal component analysis using a selected wavelength.
前記データ入力手段を用いて、複数の波長を含むスペクトルデータをコンピュータに入力して前記データ記憶手段に記憶させ、
前記データ処理手段を用いて、
各波長における２以上の変数の分離度を求めさせ、
求めた分離度の良い順に少なくとも２つの波長を順位付けさせ、
分離度が所定の順位以上の波長を選択させ、
選択された波長を用いて主成分分析させるように構成したことを特徴とする主成分分析方法。 A principal component analysis method using a computer provided with data input means, data storage means, data processing means, and data output means,
Using the data input means, spectral data including a plurality of wavelengths is input to a computer and stored in the data storage means,
Using the data processing means,
Let the resolution of two or more variables at each wavelength be determined,
Rank at least two wavelengths in order of good resolution.
Select a wavelength with a resolution higher than a predetermined order,
A principal component analysis method configured to perform principal component analysis using a selected wavelength.
距離D(λ)＝ Max（（MinX0(λ)− MaxX1(λ)），（MaxX1(λ)− MinX0(λ))）／σ0(λ)
ただし、
MinX0(λ) ：読み込みデータの波長域λでの着目品目の最小値。
MaxX1(λ) ：読み込みデータの波長域λでの着目品目以外の最大値。
MaxX0(λ) ：読み込みデータの波長域λでの着目品目の最大値。
MinX1(λ) ：読み込みデータの波長域λでの着目品目以外の最小値。
σ0(λ) ：着目品目の波長域λでの標準偏差。
Max(A,B) ：A と B の大きい方の値を選択する。 The principal component analysis method according to claim 1, wherein a distance D (λ) shown below is used as the degree of separation.
Distance D (λ) = Max ((MinX 0 ( λ ) − MaxX 1 ( λ ) )), (MaxX 1 ( λ ) − MinX 0 ( λ ) )) / σ 0 ( λ )
However,
MinX 0 ( λ ) : Minimum value of the item of interest in the wavelength range λ of the read data.
MaxX 1 ( λ ) : Maximum value other than the item of interest in the wavelength range λ of the read data.
MaxX 0 ( λ ) : Maximum value of the item of interest in the wavelength range λ of the read data.
MinX 1 ( λ ) : Minimum value other than the target item in the wavelength range λ of the read data.
σ 0 ( λ ) : Standard deviation in the wavelength range λ of the item of interest.
Max (A, B): Select the larger value of A and B.
被検体を複数の波長を含む光を用いて撮像してスペクトルデータを得て、
得られたスペクトルデータの各波長における２以上の変数の分離度を求め、
求めた分離度の良い順に少なくとも２つの波長を順位付けし、
分離度が所定の順位以上の波長を選択し、
選択された波長を用いて主成分分析することを特徴とする主成分分析方法。 In the principal component analysis method used to identify the subject,
Spectral data is obtained by imaging the subject using light containing multiple wavelengths,
Obtain the degree of separation of two or more variables at each wavelength of the obtained spectral data,
Rank at least two wavelengths in order of good resolution.
Select a wavelength with a resolution greater than a predetermined level,
A principal component analysis method comprising performing principal component analysis using a selected wavelength.
異種品を含んだ被検体を複数の波長を含む光を用いて撮像してスペクトルデータを得て、
得られたスペクトルデータの各波長における２以上の変数の分離度を求め、
求めた分離度の良い順に少なくとも２つの波長を順位付けし、
分離度が所定の順位以上の波長を選択し、
選択された波長を用いて主成分分析することを特徴とする主成分分析方法。 In the principal component analysis method used for inspection of different products,
Spectral data is obtained by imaging a specimen containing different products using light containing multiple wavelengths.
Obtain the degree of separation of two or more variables at each wavelength of the obtained spectral data,
Rank at least two wavelengths in order of good resolution.
Select a wavelength with a resolution greater than a predetermined level,
A principal component analysis method comprising performing principal component analysis using a selected wavelength.
前記データ入力手段を用いて、複数の波長を含むスペクトルデータをコンピュータに入力させて前記データ記憶手段に記憶させる処理手段と、
前記データ処理手段を用いて、各波長における２以上の変数の分離度を求める分離度演算手段と、
前記分離度演算手段で求めた分離度の良い順に少なくとも２つの波長を順位付けする順位付け手段と、
分離度が所定の順位以上の波長を選択する選択手段と、
選択された波長を用いて主成分分析する分析手段と、
を備えていることを特徴とする主成分分析装置。 A principal component analyzer using a computer provided with data input means, data storage means, data processing means, and data output means,
Processing means for inputting spectral data including a plurality of wavelengths into a computer and storing the data in the data storage means using the data input means;
A degree-of-separation calculating means for obtaining a degree of separation of two or more variables at each wavelength using the data processing means;
Ranking means for ranking at least two wavelengths in order of good separation obtained by the separation calculating means;
A selection means for selecting a wavelength having a degree of separation of a predetermined order or more;
An analysis means for principal component analysis using the selected wavelength;
A principal component analyzer characterized by comprising:
距離D(λ)＝ Max（（MinX0(λ)− MaxX1(λ)），（MaxX1(λ)− MinX0(λ))）／σ0(λ)
ただし、
MinX0(λ) ：読み込みデータの波長域λでの着目品目の最小値。
MaxX1(λ) ：読み込みデータの波長域λでの着目品目以外の最大値。
MaxX0(λ) ：読み込みデータの波長域λでの着目品目の最大値。
MinX1(λ) ：読み込みデータの波長域λでの着目品目以外の最小値。
σ0(λ) ：着目品目の波長域λでの標準偏差。
Max(A,B) ：A と B の大きい方の値を選択する。 The principal component analyzer according to claim 6, wherein the degree-of-separation calculating unit calculates a distance D (λ) shown below as the degree of separation.
Distance D (λ) = Max ((MinX 0 ( λ ) − MaxX 1 ( λ ) )), (MaxX 1 ( λ ) − MinX 0 ( λ ) )) / σ 0 ( λ )
However,
MinX 0 ( λ ) : Minimum value of the item of interest in the wavelength range λ of the read data.
MaxX 1 ( λ ) : Maximum value other than the item of interest in the wavelength range λ of the read data.
MaxX 0 ( λ ) : Maximum value of the item of interest in the wavelength range λ of the read data.
MinX 1 ( λ ) : Minimum value other than the target item in the wavelength range λ of the read data.
σ 0 ( λ ) : Standard deviation in the wavelength range λ of the item of interest.
Max (A, B): Select the larger value of A and B.
該搬送手段によって搬送される前記複数の対象物に近赤外線を照射する照射手段と、
該照射手段によって近赤外線が照射される前記複数の対象物から反射される近赤外線の反射光を平面分光する平面分光器と、
該平面分光器にて平面分光された反射光を近赤外線カメラで電気信号に変換する撮像手段と、
該撮像手段にて得られる前記電気信号を解析して前記反射光のスペクトルデータを得て、コンピュータを用いて、各波長における２以上の変数の分離度を求め、求めた分離度の良い順に、少なくとも２つの波長を順位付けし、分離度が所定の順位以上の波長を自動的に選択し、選択された波長を用いて主成分分析を行って前記複数の対象物の中から異種品を検出する解析手段と、
を備えていることを特徴とする異種品検出装置。 Conveying means for conveying a plurality of objects;
Irradiating means for irradiating the plurality of objects conveyed by the conveying means with near infrared rays;
A plane spectroscope for performing plane spectroscopy of reflected light of near infrared rays reflected from the plurality of objects irradiated with near infrared rays by the irradiation means;
Imaging means for converting the reflected light plane-spectrized by the plane spectrograph into an electrical signal by a near-infrared camera;
Analyzing the electrical signal obtained by the imaging means to obtain the spectrum data of the reflected light, using a computer, obtain the degree of separation of two or more variables at each wavelength, Ranks at least two wavelengths, automatically selects wavelengths with a degree of separation above a predetermined level, and performs principal component analysis using the selected wavelengths to detect different types of objects from the plurality of objects Analysis means to
A heterogeneous product detection apparatus comprising:
前記データ処理手段を用いて、
各波長における２以上の変数の分離度を求める手順と、
求めた分離度の良い順に、少なくとも２つの波長を順位付けする手順と、
分離度が所定の順位以上の波長を自動的に選択する手順と、
選択された波長を用いて主成分分析する手順と、
を含んでいることを特徴とするコンピュータを用いて主成分分析を行うプログラム。 A program configured to perform principal component analysis using a computer provided with data input means, data storage means, data processing means, and data output means,
Using the data processing means,
A procedure for determining the degree of separation of two or more variables at each wavelength;
A procedure for ranking at least two wavelengths in the order of good resolution obtained;
A procedure for automatically selecting a wavelength with a resolution of a predetermined order or higher;
A procedure for principal component analysis using selected wavelengths;
A program for performing principal component analysis using a computer characterized in that
距離D(λ)＝ Max（（MinX0(λ)− MaxX1(λ)），（MaxX1(λ)− MinX0(λ))）／σ0(λ)
ただし、
MinX0(λ) ：読み込みデータの波長域λでの着目品目の最小値。
MaxX1(λ) ：読み込みデータの波長域λでの着目品目以外の最大値。
MaxX0(λ) ：読み込みデータの波長域λでの着目品目の最大値。
MinX1(λ) ：読み込みデータの波長域λでの着目品目以外の最小値。
σ0(λ) ：着目品目の波長域λでの標準偏差。
Max(A,B) ：A と B の大きい方の値を選択する。 The program according to claim 11, wherein a distance D (λ) shown below is used as the degree of separation.
Distance D (λ) = Max ((MinX 0 ( λ ) − MaxX 1 ( λ ) )), (MaxX 1 ( λ ) − MinX 0 ( λ ) )) / σ 0 ( λ )
However,
MinX 0 ( λ ) : Minimum value of the item of interest in the wavelength range λ of the read data.
MaxX 1 ( λ ) : Maximum value other than the item of interest in the wavelength range λ of the read data.
MaxX 0 ( λ ) : Maximum value of the item of interest in the wavelength range λ of the read data.
MinX 1 ( λ ) : Minimum value other than the target item in the wavelength range λ of the read data.
σ 0 ( λ ) : Standard deviation in the wavelength range λ of the item of interest.
Max (A, B): Select the larger value of A and B.
前記データ処理手段を用いて、
各波長における２以上の変数の分離度を求める手順と、
求めた分離度の良い順に、少なくとも２つの波長を順位付けする手順と、
分離度が所定の順位以上の波長を自動的に選択する手順と、
選択された波長を用いて主成分分析する手順と、
を含んでいるプログラムが記録されたことを特徴とする記録媒体。 A computer-readable recording medium on which a program configured to perform principal component analysis using a computer provided with data input means, data storage means, data processing means, and data output means is recorded,
Using the data processing means,
A procedure for determining the degree of separation of two or more variables at each wavelength;
A procedure for ranking at least two wavelengths in the order of good resolution obtained;
A procedure for automatically selecting a wavelength with a resolution of a predetermined order or higher;
A procedure for principal component analysis using selected wavelengths;
A recording medium on which a program including the program is recorded.
距離D(λ)＝ Max（（MinX0(λ)− MaxX1(λ)），（MaxX1(λ)− MinX0(λ))）／σ0(λ)
ただし、
MinX0(λ) ：読み込みデータの波長域λでの着目品目の最小値。
MaxX1(λ) ：読み込みデータの波長域λでの着目品目以外の最大値。
MaxX0(λ) ：読み込みデータの波長域λでの着目品目の最大値。
MinX1(λ) ：読み込みデータの波長域λでの着目品目以外の最小値。
σ0(λ) ：着目品目の波長域λでの標準偏差。
Max(A,B) ：A と B の大きい方の値を選択する。 The recording medium according to claim 13, wherein a distance D (λ) shown below is used as the degree of separation.
Distance D (λ) = Max ((MinX 0 ( λ ) − MaxX 1 ( λ ) )), (MaxX 1 ( λ ) − MinX 0 ( λ ) )) / σ 0 ( λ )
However,
MinX 0 ( λ ) : Minimum value of the item of interest in the wavelength range λ of the read data.
MaxX 1 ( λ ) : Maximum value other than the item of interest in the wavelength range λ of the read data.
MaxX 0 ( λ ) : Maximum value of the item of interest in the wavelength range λ of the read data.
MinX 1 ( λ ) : Minimum value other than the target item in the wavelength range λ of the read data.
σ 0 ( λ ) : Standard deviation in the wavelength range λ of the item of interest.
Max (A, B): Select the larger value of A and B.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008287009A JP5206335B2 (en) | 2008-11-07 | 2008-11-07 | Principal component analysis method, principal component analysis apparatus, heterogeneous product detection apparatus, principal component analysis program, and recording medium on which principal component analysis program is recorded |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008287009A JP5206335B2 (en) | 2008-11-07 | 2008-11-07 | Principal component analysis method, principal component analysis apparatus, heterogeneous product detection apparatus, principal component analysis program, and recording medium on which principal component analysis program is recorded |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2010112887A true JP2010112887A (en) | 2010-05-20 |
| JP5206335B2 JP5206335B2 (en) | 2013-06-12 |
Family
ID=42301547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2008287009A Active JP5206335B2 (en) | 2008-11-07 | 2008-11-07 | Principal component analysis method, principal component analysis apparatus, heterogeneous product detection apparatus, principal component analysis program, and recording medium on which principal component analysis program is recorded |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5206335B2 (en) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102768196A (en) * | 2012-08-13 | 2012-11-07 | 中国计量学院 | Method for identifying different transgenic rice |
| CN102841072A (en) * | 2012-08-13 | 2012-12-26 | 中国计量学院 | Method for identifying transgenic rice and non-transgenic rice based on NIR (Near Infrared Spectrum) |
| WO2013002291A1 (en) | 2011-06-28 | 2013-01-03 | 大塚製薬株式会社 | Drug inspection device and drug inspection method |
| CN103234935A (en) * | 2013-03-29 | 2013-08-07 | 江苏康缘药业股份有限公司 | Detection method of cortex moutan |
| JP2015007621A (en) * | 2013-05-31 | 2015-01-15 | キヤノン株式会社 | Data processing method and device |
| KR101548455B1 (en) | 2014-02-27 | 2015-08-28 | 한양대학교 에리카산학협력단 | Method and apparatus for extracting object area |
| WO2015136620A1 (en) * | 2014-03-11 | 2015-09-17 | 株式会社東芝 | Tablet inspection device, tablet inspection method, and tablet inspection program |
| CN105092521A (en) * | 2015-08-13 | 2015-11-25 | 东北大学 | Milk curdling process real-time monitoring method based on incremental principal component analysis |
| CN105388123A (en) * | 2014-09-04 | 2016-03-09 | 中国石油化工股份有限公司 | Method for predicting crude oil characteristic through near infrared spectrum |
| JP2018136189A (en) * | 2017-02-21 | 2018-08-30 | Ｊｆｅテクノリサーチ株式会社 | Heterogenous article detection device |
| WO2018185954A1 (en) * | 2017-04-05 | 2018-10-11 | Ckd株式会社 | Testing device, ptp packaging machine, and method for manufacturing ptp sheets |
| WO2018198403A1 (en) * | 2017-04-27 | 2018-11-01 | Ckd株式会社 | Inspection device, ptp packaging machine, and method for producing ptp sheet |
| JP2019128250A (en) * | 2018-01-24 | 2019-08-01 | Ckd株式会社 | Inspection device, ptp packaging machine and calibration method of inspection device |
| WO2019187253A1 (en) * | 2018-03-29 | 2019-10-03 | Ckd株式会社 | Inspection device, ptp packaging machine, and inspection method |
| JP2020101564A (en) * | 2013-05-30 | 2020-07-02 | キヤノン株式会社 | Spectral image data processing apparatus and two-dimensional spectral apparatus |
| CN111595816A (en) * | 2020-07-24 | 2020-08-28 | 江西中医药大学 | Method for distinguishing tablet coating end point based on near-infrared PCA analysis and application thereof |
| CN111868506A (en) * | 2018-03-14 | 2020-10-30 | Ckd株式会社 | Inspection device, PTP packaging machine and inspection method |
| CN112262311A (en) * | 2018-05-30 | 2021-01-22 | Ckd株式会社 | Inspection device and PTP packaging machine |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09250983A (en) * | 1996-03-14 | 1997-09-22 | Nireco Corp | Method and apparatus for measuring taste value of rice |
| JPH09318626A (en) * | 1996-05-31 | 1997-12-12 | Kdk Corp | Method and device for measuring lactic acid in urine |
| JPH1048128A (en) * | 1996-05-13 | 1998-02-20 | Perstorp Analytical Inc | Identification method of substance by nir spectral method |
| JP3481108B2 (en) * | 1997-12-16 | 2003-12-22 | 三井金属鉱業株式会社 | Apparatus and method for determining internal quality of fruits and vegetables |
| WO2005038443A1 (en) * | 2003-10-17 | 2005-04-28 | Astellas Pharma, Inc. | Different-kind-of-object detector employing plane spectrometer |
| JP2005201636A (en) * | 2004-01-13 | 2005-07-28 | Shizuoka Prefecture | Method and device for judging putrid part |
| JP2008089529A (en) * | 2006-10-05 | 2008-04-17 | Fisheries Research Agency | Nondestructive measurement method of frozen ground fish meat component by near infrared analysis |
-
2008
- 2008-11-07 JP JP2008287009A patent/JP5206335B2/en active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09250983A (en) * | 1996-03-14 | 1997-09-22 | Nireco Corp | Method and apparatus for measuring taste value of rice |
| JPH1048128A (en) * | 1996-05-13 | 1998-02-20 | Perstorp Analytical Inc | Identification method of substance by nir spectral method |
| JPH09318626A (en) * | 1996-05-31 | 1997-12-12 | Kdk Corp | Method and device for measuring lactic acid in urine |
| JP3481108B2 (en) * | 1997-12-16 | 2003-12-22 | 三井金属鉱業株式会社 | Apparatus and method for determining internal quality of fruits and vegetables |
| WO2005038443A1 (en) * | 2003-10-17 | 2005-04-28 | Astellas Pharma, Inc. | Different-kind-of-object detector employing plane spectrometer |
| JP2005201636A (en) * | 2004-01-13 | 2005-07-28 | Shizuoka Prefecture | Method and device for judging putrid part |
| JP2008089529A (en) * | 2006-10-05 | 2008-04-17 | Fisheries Research Agency | Nondestructive measurement method of frozen ground fish meat component by near infrared analysis |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013002291A1 (en) | 2011-06-28 | 2013-01-03 | 大塚製薬株式会社 | Drug inspection device and drug inspection method |
| US8969806B2 (en) | 2011-06-28 | 2015-03-03 | Otsuka Pharmaceutical Co., Ltd. | Drug inspection device and drug inspection method |
| CN102768196A (en) * | 2012-08-13 | 2012-11-07 | 中国计量学院 | Method for identifying different transgenic rice |
| CN102841072A (en) * | 2012-08-13 | 2012-12-26 | 中国计量学院 | Method for identifying transgenic rice and non-transgenic rice based on NIR (Near Infrared Spectrum) |
| CN103234935A (en) * | 2013-03-29 | 2013-08-07 | 江苏康缘药业股份有限公司 | Detection method of cortex moutan |
| CN103234935B (en) * | 2013-03-29 | 2016-04-06 | 江苏康缘药业股份有限公司 | A kind of method detecting moutan bark |
| JP2020101564A (en) * | 2013-05-30 | 2020-07-02 | キヤノン株式会社 | Spectral image data processing apparatus and two-dimensional spectral apparatus |
| JP2015007621A (en) * | 2013-05-31 | 2015-01-15 | キヤノン株式会社 | Data processing method and device |
| KR101548455B1 (en) | 2014-02-27 | 2015-08-28 | 한양대학교 에리카산학협력단 | Method and apparatus for extracting object area |
| WO2015136620A1 (en) * | 2014-03-11 | 2015-09-17 | 株式会社東芝 | Tablet inspection device, tablet inspection method, and tablet inspection program |
| JP5917711B2 (en) * | 2014-03-11 | 2016-05-18 | 株式会社東芝 | Tablet inspection device, tablet inspection method, tablet inspection program |
| CN105388123A (en) * | 2014-09-04 | 2016-03-09 | 中国石油化工股份有限公司 | Method for predicting crude oil characteristic through near infrared spectrum |
| CN105092521A (en) * | 2015-08-13 | 2015-11-25 | 东北大学 | Milk curdling process real-time monitoring method based on incremental principal component analysis |
| JP2018136189A (en) * | 2017-02-21 | 2018-08-30 | Ｊｆｅテクノリサーチ株式会社 | Heterogenous article detection device |
| WO2018185954A1 (en) * | 2017-04-05 | 2018-10-11 | Ckd株式会社 | Testing device, ptp packaging machine, and method for manufacturing ptp sheets |
| JP2018179568A (en) * | 2017-04-05 | 2018-11-15 | Ckd株式会社 | Testing device, ptp packaging machine, and method for manufacturing ptp sheet |
| US11338950B2 (en) | 2017-04-05 | 2022-05-24 | Ckd Corporation | Inspection device, PTP packaging machine and PTP sheet manufacturing method |
| CN110476054A (en) * | 2017-04-05 | 2019-11-19 | Ckd株式会社 | The manufacturing method of check device, PTP packing machine and PTP sheet |
| WO2018198403A1 (en) * | 2017-04-27 | 2018-11-01 | Ckd株式会社 | Inspection device, ptp packaging machine, and method for producing ptp sheet |
| JP2019128250A (en) * | 2018-01-24 | 2019-08-01 | Ckd株式会社 | Inspection device, ptp packaging machine and calibration method of inspection device |
| WO2019146152A1 (en) * | 2018-01-24 | 2019-08-01 | Ckd株式会社 | Inspection device, ptp packaging machine, and calibration method of inspection device |
| CN111868506B (en) * | 2018-03-14 | 2024-03-08 | Ckd株式会社 | Inspection device, PTP packaging machine and inspection method |
| CN111868506A (en) * | 2018-03-14 | 2020-10-30 | Ckd株式会社 | Inspection device, PTP packaging machine and inspection method |
| WO2019187253A1 (en) * | 2018-03-29 | 2019-10-03 | Ckd株式会社 | Inspection device, ptp packaging machine, and inspection method |
| CN111902713A (en) * | 2018-03-29 | 2020-11-06 | Ckd株式会社 | Inspection device, PTP packaging machine, and inspection method |
| CN111902713B (en) * | 2018-03-29 | 2023-11-14 | Ckd株式会社 | Inspection device, PTP packaging machine, and inspection method |
| JP2019174328A (en) * | 2018-03-29 | 2019-10-10 | Ckd株式会社 | Inspection device, PTP packaging machine, and inspection method |
| US11448591B2 (en) | 2018-03-29 | 2022-09-20 | Ckd Corporation | Inspection device, PTP packaging machine and inspection method |
| CN112262311A (en) * | 2018-05-30 | 2021-01-22 | Ckd株式会社 | Inspection device and PTP packaging machine |
| US11414231B2 (en) * | 2018-05-30 | 2022-08-16 | Ckd Corporation | Inspection device and PTP packaging machine |
| EP3805740A4 (en) * | 2018-05-30 | 2022-03-09 | Ckd Corporation | Inspecting device, and ptp packing machine |
| CN111595816B (en) * | 2020-07-24 | 2020-11-20 | 江西中医药大学 | Method for distinguishing tablet coating end point based on near-infrared PCA analysis and application thereof |
| CN111595816A (en) * | 2020-07-24 | 2020-08-28 | 江西中医药大学 | Method for distinguishing tablet coating end point based on near-infrared PCA analysis and application thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| JP5206335B2 (en) | 2013-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5206335B2 (en) | Principal component analysis method, principal component analysis apparatus, heterogeneous product detection apparatus, principal component analysis program, and recording medium on which principal component analysis program is recorded | |
| JP2014215177A (en) | Inspection device and inspection method | |
| EP2907157B1 (en) | Detecting defects on a wafer using defect-specific information | |
| JP5103736B2 (en) | Heterogeneous product detection device using a planar spectrometer | |
| Wu et al. | Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique | |
| Barbedo et al. | Deoxynivalenol screening in wheat kernels using hyperspectral imaging | |
| Li et al. | Hyperspectral imaging and their applications in the nondestructive quality assessment of fruits and vegetables | |
| Mogol et al. | Computer vision‐based analysis of foods: A non‐destructive colour measurement tool to monitor quality and safety | |
| JP2006170669A (en) | Quality inspection device of vegetables and fruits | |
| JP2011141809A (en) | Equipment and method for analyzing image data | |
| EP2270475B1 (en) | Automated system for detecting aflatoxin in food | |
| JP2012098181A (en) | Device and method for detection | |
| KR20160032593A (en) | Method and apparatus for detecting defects on the glass substrate using hyper-spectral imaging | |
| JP6295798B2 (en) | Inspection method | |
| US20170254741A1 (en) | Quality evaluation method and quality evaluation device | |
| JP2013044729A (en) | Coating state measuring method | |
| CN111879789A (en) | Metal surface defect detection method and system | |
| CN111445469A (en) | Hyperspectrum-based apple damage parameter lossless prediction method after impact | |
| JP2017203658A (en) | Inspection method and optical measurement device | |
| JP2015040818A (en) | Method and apparatus for grain classification | |
| JP2016090476A (en) | Foreign matter detection method | |
| Noordam et al. | Detection and classification of latent defects and diseases on raw French fries with multispectral imaging | |
| JP2017133953A (en) | Tablet inspection device | |
| JP2017161262A (en) | Granular matter appearance quality discrimination device | |
| JP2013040832A (en) | Food discrimination apparatus and food discrimination method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110930 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20121220 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130122 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130204 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160301 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 5206335 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160301 Year of fee payment: 3 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160301 Year of fee payment: 3 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |