JP2012189390A - 毛髪検出装置 - Google Patents
毛髪検出装置 Download PDFInfo
- Publication number
- JP2012189390A JP2012189390A JP2011051974A JP2011051974A JP2012189390A JP 2012189390 A JP2012189390 A JP 2012189390A JP 2011051974 A JP2011051974 A JP 2011051974A JP 2011051974 A JP2011051974 A JP 2011051974A JP 2012189390 A JP2012189390 A JP 2012189390A
- Authority
- JP
- Japan
- Prior art keywords
- hair
- wavelength
- wavelength range
- wavelengths
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
【課題】検査対象物中に混在する毛髪の検出精度が高められた毛髪検出装置を提供する。
【解決手段】検査対象物に対して1940nm〜2400nmの波長範囲から選ばれる複数波長の光を照射することで得られる反射スペクトルを用いて毛髪を検出する。毛髪の反射スペクトルは、波長2000nm、2120nm、2240nmにおいて反射強度が大きくなり、波長2060nm、2180nmにおいて低くなるため、反射スペクトルが上記のような特徴を有しているか否かを判定することによって毛髪を検出する方法が、毛髪の検出感度の向上に効果的である。
【選択図】図3
【解決手段】検査対象物に対して1940nm〜2400nmの波長範囲から選ばれる複数波長の光を照射することで得られる反射スペクトルを用いて毛髪を検出する。毛髪の反射スペクトルは、波長2000nm、2120nm、2240nmにおいて反射強度が大きくなり、波長2060nm、2180nmにおいて低くなるため、反射スペクトルが上記のような特徴を有しているか否かを判定することによって毛髪を検出する方法が、毛髪の検出感度の向上に効果的である。
【選択図】図3
Description
本発明は、検査対象物中に混在する毛髪を検出する毛髪検出装置に関する。
従来から、加工ライン上を流れる検査対象物に混在する毛髪等の繊維状異物の検知を目的として種々の技術が検討されている。例えば、特許文献1では、単色のラインセンサを用いて検査対象物を撮像した後、演算方法を工夫することにより異物の検知率の向上が図られている。また、特許文献2では、可視光を測定光として検査対象物のカラー画像を撮像する際、検査対象物の背景色を検査対象物の表面色の補色となる色とすることにより異物の検知率を向上させる方法が開示されている。さらに、特許文献3では、生体由来の異物を紫外線により識別する方法等も検討されている。
しかしながら、検査対象物に混在する異物が毛髪である場合、可視光を測定対象物に照射することにより撮像される画像から、毛髪であると推測される黒いライン状の領域を検出する処理を施した場合、検査対象物に亀裂がある場合や、検査対象物の周縁等も毛髪として検出される場合があり、誤検出が多発する可能性がある。そのため、誤検出率を低減させるべく、毛髪の検出感度を下げると、元来検出すべき毛髪の検出精度が低下してしまい、結果として毛髪を検出する装置としての機能を十分に果たすことができない可能性がある。また、検査対象物が黒色の物質である場合、可視光を用いた測定では毛髪の検出が不可能となり、この場合も毛髪の検出精度が著しく悪くなると考えられる。
本発明は上記を鑑みてなされたものであり、検査対象物中に混在する毛髪の検出精度が高められた毛髪検出装置を提供することを目的とする。
上記目的を達成するため、本発明に係る毛髪検出装置は、検査対象物を撮像して得られたハイパースペクトル画像に基づいて、該検査対象物中に混在する毛髪を検出する毛髪検出装置であって、検査対象物に対して1940nm〜2400nmの波長範囲から選ばれる複数波長の光を照射する照射手段と、照射手段より照射された光による検査対象物からの反射光、透過光、又は散乱光を受光することで、検査対象物を撮像してハイパースペクトル画像を得る撮像手段と、撮像手段による撮像により得られたハイパースペクトル画像に含まれる複数波長のスペクトル強度について、基準スペクトルに対する相対強度を求め、これを用いて検査対象物に混在する毛髪を検出する分析手段と、を備えることを特徴とする。
上記の毛髪検出装置によれば、検査対象物に対して1940nm〜2400nmの波長範囲から選ばれる複数波長の光を照射することによる検査対象物からの反射光、透過光、又は散乱光を受光し、ハイパースペクトル画像を得る。そして、このスペクトル画像に含まれるスペクトル強度について、基準スペクトルに対する相対強度を求め、これを用いて検査対象物に混在する毛髪を検出する。このように、波長範囲1940nm〜2400nmの光を測定に用いることで、毛髪の検出精度を高めることができる。
ここで、分析手段において、複数波長における相対強度または複数波長における相対強度から計算された複数の量を特徴量として、サポートベクターマシンを用いて解析し、検査対象物に混在する毛髪を検出する態様とすることが好ましい。
上記のようにサポートベクターマシンを用いて毛髪の検出に係る解析を行う場合、より高い精度での毛髪の検出が実現される。
さらに上記作用を効果的に奏する構成として具体的には、相対強度から計算された複数の量として、複数波長における前記相対強度に含まれるベース成分が除去されたものが用いられる態様が挙げられる。
また、相対強度から計算された複数の量として、複数波長における相対強度から選ばれた2つの波長における相対強度の差分が用いられる態様とすることができる。
ここで、2つの波長は、その間隔が25nm以上85nm以下であることが好ましい。
また、分析手段は、ハイパースペクトル画像を参照し、波長範囲1980〜2035nmを第1波長範囲、波長範囲2035〜2070nmを第2波長範囲、波長範囲2080〜2150nmを第3波長範囲、波長範囲2150〜2210nmを第4波長範囲、波長範囲2210〜2260nmを第5波長範囲として、第n波長範囲に含まれる波長における相対強度、または、第n波長範囲に含まれる複数の波長における相対強度の平均値を第n波長データとしたとき、下記の4つの条件;
第1波長データ−第2波長データ≧A
第3波長データ−第2波長データ≧B
第3波長データ−第4波長データ≧C
第5波長データ−第4波長データ≧D (A〜Dは設定された閾値)
のうち、3つ以上の条件を満たす場合に、測定対象物に毛髪が混在していると判定する態様とすることができる。
第1波長データ−第2波長データ≧A
第3波長データ−第2波長データ≧B
第3波長データ−第4波長データ≧C
第5波長データ−第4波長データ≧D (A〜Dは設定された閾値)
のうち、3つ以上の条件を満たす場合に、測定対象物に毛髪が混在していると判定する態様とすることができる。
本発明によれば、検査対象物中に混在する毛髪の検出精度が高められた毛髪検出装置が提供される。
以下、添付図面を参照して、本発明を実施するための最良の形態を詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。
(毛髪検出システムの構成)
本実施形態に係る毛髪検出システム100について図1を用いて説明する。本実施形態に係る毛髪検出システム100は、ベルトコンベア2上に分散載置された検査対象物3(図1では検査対象物の載置位置を示す)に混入した毛髪を検出する装置である。本実施形態に係る毛髪検出システム100の検査対象物3としては、食品や医薬品等の原材料や製品等が挙げられる。本実施形態に係る毛髪検出システム100において検出対象となるのは、生体由来物である毛髪である。毛髪がどの生物のものであるか、また、毛髪の色等は特に限定されない。毛髪検出システム100は、測定光を検査対象物3に対して照射することにより得られる拡散反射光のスペクトルを測定し、そのスペクトルに基づいて検査対象物3に付着した毛髪を検出する。このため、毛髪検出システム100は、照射手段10、撮像手段20、及び分析手段30を備える。
本実施形態に係る毛髪検出システム100について図1を用いて説明する。本実施形態に係る毛髪検出システム100は、ベルトコンベア2上に分散載置された検査対象物3(図1では検査対象物の載置位置を示す)に混入した毛髪を検出する装置である。本実施形態に係る毛髪検出システム100の検査対象物3としては、食品や医薬品等の原材料や製品等が挙げられる。本実施形態に係る毛髪検出システム100において検出対象となるのは、生体由来物である毛髪である。毛髪がどの生物のものであるか、また、毛髪の色等は特に限定されない。毛髪検出システム100は、測定光を検査対象物3に対して照射することにより得られる拡散反射光のスペクトルを測定し、そのスペクトルに基づいて検査対象物3に付着した毛髪を検出する。このため、毛髪検出システム100は、照射手段10、撮像手段20、及び分析手段30を備える。
照射手段10は、一定の波長帯域を有する測定光を、ベルトコンベア2上における所定の照射領域A1へ向けて照射する。照射手段10が照射する測定光の波長範囲は、検査対象物3や、検出対象となる検査対象物3に付着した異物や変質等の異状に応じて適宜選択される。測定光としては、波長範囲が1940nm〜2400nmの光を含む近赤外光が好適に用いられ、この波長範囲に含まれて波長が互いに異なる複数の光が測定に用いられる。なお、本実施形態では、ハロゲンランプ11を含む照射手段10について説明する。
照射領域A1とは、検査対象物3を載置するベルトコンベア2の表面(載置面2b)の一部の領域である。この照射領域A1は、載置面2bの進行方向2a(図1のy軸方向)と垂直な幅方向(x軸方向)に広がり、載置面2bの一方の端から他方の端までを覆うライン状に延びる領域である。そして、照射領域A1の延在方向に垂直な方向(y軸方向)における照射領域A1の幅は10mm以下とされる。
照射手段10は、ハロゲンランプ11と、照射部12と、ハロゲンランプ11と照射部12とを接続するバンドル光ファイバ13と、を備える。ハロゲンランプ11は、近赤外光を含む広帯域光を発生させる。
バンドル光ファイバ13はライトガイド(例えば1500本)を含み、ライトガイドはバンドル光ファイバ13の一端側では円形に束ねられ、他端側では断面が矩形(例えば3本×500本のマトリックス)になるように配列されている。ハロゲンランプ11により発生された近赤外光は、バンドル光ファイバ13の円形に束ねられた端面へ入射され、矩形に配列された端面から出射する。バンドル光ファイバ13を使うことにより、効率よくライン状の光源を実現することが可能である。
照射部12は、バンドル光ファイバ13の端面から出射される近赤外光を検査対象物3が載置される照射領域A1に対して照射する。照射部12は、バンドル光ファイバ13から出射される近赤外光を入射して、照射領域A1に対応した1次元のライン状に出射するため、照射部12としてシリンドリカルレンズが好適に用いられる。このように照射部12においてライン状に整形された近赤外光L1が、照射部12から照射領域A1に対して照射される。
照射手段10から出力された近赤外光L1は、照射領域A1上に載置された検査対象物3により拡散反射される。そして、その一部が、拡散反射光L2として撮像手段20に入射する。
撮像手段20は、ハイパースペクトル画像を取得するハイパースペクトルセンサとしての機能を有する。ここで、本実施形態におけるハイパースペクトル画像について図2を用いて説明する。図2は、ハイパースペクトル画像についてその概略を説明する図である。図2に示すように、ハイパースペクトル画像とは、N個の画素P1〜PNにより構成されている画像である。図2ではそのうちの一例として2個の画素Pn及びPmについて具体的に示している。画素Pn及びPmには、それぞれ複数の強度データからなるスペクトル情報Sn及びSmが含まれている。この強度データとは、特定の波長(又は波長帯域)におけるスペクトル強度を示すデータであり、図2では、15個の強度データがスペクトル情報Sn及びSmとして保持されていて、これらを重ね合わせた状態で示している。このように、ハイパースペクトル画像Hは、画像を構成する画素毎に、それぞれ複数の強度データを持つという特徴から、画像としての二次元的要素と、スペクトルデータとしての要素をあわせ持った三次元的構成のデータである。なお、本実施形態では、ハイパースペクトル画像Hとは、1画素あたり少なくとも5つの波長帯域における強度データを保有している画素によって構成された画像のことをいう。なお、図2では検査対象物3もあわせて示している。すなわち、図2においてPnは検査対象物3を撮像した画素であり、Pmは背景(例えば、ベルトコンベア)を撮像した画素である。
図1に戻り、本実施形態に係る撮像手段20は、カメラレンズ24と、スリット21と、分光器22と、受光部23と、を備える。この撮像手段20は、その視野領域20sがベルトコンベア2の進行方向2aと垂直な方向(x軸方向)に延びている。撮像手段20の視野領域20sは、載置面2bの照射領域A1に含まれるライン状の領域であって、スリット21を通過した拡散反射光L2が受光部23上に像を結ぶ領域である。
スリット21は、照射領域A1の延在方向(x軸方向)と平行な方向に開口が設けられる。撮像手段20のスリット21に入射した拡散反射光L2は、分光器22へ入射する。
分光器22は、スリット21の長手方向、すなわち照射領域A1の延在方向に垂直な方向(y軸方向)に拡散反射光L2を分光する。分光器22により分光された光は、受光部23によって受光される。
受光部23は、複数の受光素子が2次元に配列された受光面を備え、各受光素子が光を受光する。これにより、受光部23がベルトコンベア2上の幅方向(x軸方向)に沿った各位置で反射した拡散反射光L2の各波長の光をそれぞれ受光することとなる。各受光素子は、受光した光の強度に応じた信号を位置と波長とからなる二次元平面状の一点に関する情報として出力する。この受光部23の受光素子から出力される信号が、ハイパースペクトル画像に係る画像データとして、撮像手段20から分析手段30に送られる。
分析手段30は、入力された信号により拡散反射光L2の反射スペクトルを得て、この得られたスペクトルに基づいて検査を行う。そして、この分析手段30による分析の結果は、例えば分析手段30に接続されるモニタや、プリンタ等に出力することによって、この異状検査システム100のオペレータに通知される。
この分析手段30は、CPU(Central Processing Unit)、主記憶装置であるRAM(Random Access Memory)及びROM(Read Only Memory)、撮像手段等の他の機器との間の通信を行う通信モジュール、並びにハードディスク等の補助記憶装置等のハードウェアを備えるコンピュータとして構成される。
(毛髪検出システムによる検出方法)
次に、上記の毛髪検出システムにより撮像されたハイパースペクトル画像を用いて毛髪を検出する方法について説明する。この毛髪の検出に係る処理は、分析手段30において行われる。
次に、上記の毛髪検出システムにより撮像されたハイパースペクトル画像を用いて毛髪を検出する方法について説明する。この毛髪の検出に係る処理は、分析手段30において行われる。
上記の毛髪検出システム100の分析手段30における毛髪の検出の原理について図3を用いて説明する。図3は、赤外領域(1000nm〜2400nm)における毛髪、検査対象物、及び、検査対象物に毛髪が付着したものの反射スペクトルを示す図である。なお、図3では、検査対象物として豆を用いた場合について示している。また、図3の反射スペクトルを測定する際には、背景には、全ての波長の反射率が5%以下となる黒色の吸収板を用いている。
図3に示すように、毛髪の反射スペクトルでは、波長1400nm、1650nm、1900nm、2000nm、2120nm、2240nm付近に特徴的なピークを有する。一方、毛髪は、赤外領域の光に対しての透過率が高いため、他の物質等のスペクトルの影響を受けやすい。例えば、検査対象物が豆のよう動植物由来の物質(食品)である場合、図3に示すように、波長1900nm以下の波長範囲にて特徴的な反射スペクトルが現れる。しかしながら、動植物由来の物質の反射スペクトルは、個体差が大きく、特徴的なピークがある波長範囲は特定されていてもそのピークの強度は個体によって変化する可能性がある。したがって、豆と毛髪とのスペクトルを重ね合わせた場合、波長1900nm以下の波長範囲では豆のスペクトルの変化によってそのスペクトルの形状が大きく変わるため、この範囲の反射スペクトルを毛髪の検出に利用したとしても検出感度を高めることは困難であると考えられる。
一方、図3に示す波長範囲のうち、1940nm以上の範囲では水の吸収が大きいため、反射率が低く平坦になる。一般に動植物由来の物質では水分を含むことが多く、1940nm以上に現れる毛髪由来の反射スペクトルを識別に利用することで毛髪検出感度を上げることができる。豆においても1940nm以上2400nm以下の領域でスペクトルの形状が平坦になり、その強度も小さくなるので、この波長範囲における反射スペクトルを用いて毛髪を検出することで検出感度を高められる。具体的には、毛髪の反射スペクトルは、波長2000nm、2120nm、2240nmにおいて反射強度が大きくなり、波長2060nm、2180nmにおいて低くなる。したがって、毛髪が混入している可能性がある検査対象物の反射スペクトルを取得し、反射スペクトルが上記のような特徴を有しているか否かを判定することによって毛髪を検出する方法が、毛髪の検出感度の向上に効果的である。
具体的な方法としては、第1の方法として、検査対象物に対して波長範囲1940〜2400nmの近赤外光を照射しその結果得られた反射スペクトルのうち、毛髪において特徴的なピーク形状を示す複数の波長を選択し、特定の波長におけるスペクトル強度について、基準スペクトルに対する相対強度を求め、この相対強度や、複数の波長から選ばれた2つの波長における相対強度の強度比や差分等が特定の範囲にある場合に検査対象物に毛髪が混入していると判断するように条件を選択し、毛髪の検出感度を測定する方法がある。ここで相対強度を求めるための基準スペクトルとしては、例えば、波長範囲1940〜2400nmでの反射率が実質的に一定である標準反射板に近赤外光を照射して得られるスペクトル等を用いることができる。(なお、一連の測定で使用する標準反射板が一種類のみであれば、標準反射板の反射率は未知であっても構わない。異なる種類の標準反射板を使って得た複数の相対強度を利用する場合は、反射率の波長依存性が既知の標準反射板を使用する必要がある。)また、ベース成分を除去するためのスペクトル演算を基準スペクトルによる相対強度への補正と組み合わせて利用することもできる。
上記の差分を利用する方法の一例として以下の方法を採用することができる。波長範囲1980〜2035nmを第1波長範囲、波長範囲2035〜2070nmを第2波長範囲、波長範囲2080〜2150nmを第3波長範囲、波長範囲2150〜2210nmを第4波長範囲、波長範囲2210〜2260nmを第5波長範囲として、第n波長範囲に含まれる波長における基準スペクトルに対する相対強度、または、第n波長範囲に含まれる複数の波長における基準スペクトルに対する相対強度の平均値を第n波長データとしたとき、下記の4つの条件のうち、3つ以上の条件を満たす場合に、測定対象物に毛髪が混在していると判定する方法がある。
第1波長データ−第2波長データ≧A
第3波長データ−第2波長データ≧B
第3波長データ−第4波長データ≧C
第5波長データ−第4波長データ≧D (A〜Dは設定された閾値)
上記の4つの条件は、図3に示した毛髪の反射スペクトルの形状から導かれるものである。なお、A〜Dの閾値は、測定条件等によって適宜変更することができる。このような方法で判定を行うことで、反射スペクトルの形状から毛髪の有無を判断することができる。ただし、同じ検査対象物について複数回の測定を行った場合に、検出率が向上し実用性が高くなる。
第1波長データ−第2波長データ≧A
第3波長データ−第2波長データ≧B
第3波長データ−第4波長データ≧C
第5波長データ−第4波長データ≧D (A〜Dは設定された閾値)
上記の4つの条件は、図3に示した毛髪の反射スペクトルの形状から導かれるものである。なお、A〜Dの閾値は、測定条件等によって適宜変更することができる。このような方法で判定を行うことで、反射スペクトルの形状から毛髪の有無を判断することができる。ただし、同じ検査対象物について複数回の測定を行った場合に、検出率が向上し実用性が高くなる。
一方、検査対象物の1回の測定で、ノイズに埋もれた情報から有意な情報をより高い精度で識別する方法としては、学習型アルゴリズムのサポートベクターマシン(Support Vector Machines:SVM)を採用することが好ましい。SVMを用いた分析とは、特定の検出対象の有無の判定を行う手法であり、区別したい2つの対象のサンプルの画像データを学習用データとして学習することによって、それらに対する識別境界を生成する公知の識別アルゴリズムである。
更にSVMに学習させるデータとして1940〜2400nmの波長範囲に含まれる特定の2つの波長間におけるスペクトル強度の差分を用いると共に、照明条件を最適化することで検出率がさらに上昇することを見いだした。毛髪は赤外域で透明であるため、下地に特徴的な吸収が無い波長域を選んだとしても、下地からの反射光量が変化するとその影響がベースラインの変動として毛髪スペクトルに乗ってくる。波長に依存しない強度の変化であれば、2波長間の差分を取ることでその影響を取り除くことができる。そのため、波長差分をSVMの特徴量とすることで検出率が上昇する。
ここで、実際に測定対象物を撮像し、その画像データを用いて解析を行った結果について説明する。
はじめにカメラレンズに蓋をして(遮光して)、その測定値を0%とする。この操作により受光素子の暗電流に起因した出力がキャンセルされる。次に、反射率が98%以上である標準反射板を測定し、その結果得られたスペクトルのスペクトル強度を100%として扱う。この処理を行うことにより、光源と分光器の波長依存性がキャンセルされることになる。各波長に対して上記の補正を行うことで、測定値は試料の反射率スペクトルを反映した値、すなわち相対強度(規格化スペクトル強度)となる。このように、暗電流に起因した出力をキャンセルした上で標準反射板の反射スペクトルを基準スペクトルとして用いて、この基準スペクトルに対する相対強度を求めて、分析に用いた。以下で用いるデータの撮像では、分光器が付いたラインセンサタイプのハイパースペクトルカメラを使用しており、受光素子のX軸には空間のX軸が対応し、受光素子のY軸には波長軸λが対応するため、上述の100%、0%の補正を1回行うことで各波長に対する基準スペクトルの取得を行った。
2波長間の差分を用いたSVMの解析に関して、波長間隔が60nmである2つの波長における2つの波長データの差分を特徴量としてSVMにより毛髪検出を行った際の検出率と誤検出率を算出したものを表1として示す。実施例1では、特徴量として、波長2000nmにおける規格化スペクトル強度と波長1940nmにおける規格化スペクトル強度との差分から、波長2400nmにおける規格化スペクトル強度と波長2340nmにおける規格化スペクトル強度との差分まで、の範囲から選ばれた複数個の差分値を利用した。
また、比較対象として、測定波長範囲を1000〜2130nmとした場合(実施例2)及び測定波長範囲を1000〜1920nmとした場合(比較例)について、同様に2波長間の差分を用いたSVMの解析を行い、その結果を比較した。なお、特徴量は、それぞれの波長範囲に対応した範囲の規格化スペクトル強度から選ばれた複数個の差分値を使用した。
なお、各ピクセルにおいて上記の波長データの差分を特徴量として毛髪検出を行った後に、当該ピクセルが毛髪ピクセルか否かの判定に関して、当該ピクセルを中心とした近隣25ピクセル(5ピクセル×5ピクセル)の内、毛髪が検出されたとされるピクセルが3ピクセル以上存在する場合に、その部分には毛髪が存在すると判定した。画像中に存在する毛髪の一部でも検出できればその毛髪は検出できたと判断し、全体の毛髪本数に対して検出できた毛髪本数の比率を検出率と定義した。
また、誤検出率は以下のように定義した。すなわち、全体の画像を1cm毎のマス目に分割した後、毛髪が存在しないにも係わらず毛髪が存在すると判定されたエリアを含むマス目を「誤検出したマス目」と定義し、全体のマス目に対する誤検出したマス目の比率を誤検出率とした。
上記の結果を表1に示す。
表1から分かるように、波長範囲1940〜2400nmのデータを用いた場合(実施例1)の検出率は99.5%となり、誤検出率は0.03%となった。一方、波長範囲を1000〜1920nmとした場合(比較例)、検出率は33.3%に低下し、誤検出率は2.6%に上昇した。さらに、波長範囲1940〜2400nmの一部の波長データを使用した例として、波長範囲1000〜2130nmとした場合(実施例2)には誤検出率は2.3%に上昇するが、検出率は91.1%となった。
上記の3つの条件での毛髪検出画像の例を図4〜図6に示す。図4は波長範囲1940〜2400nmにおいて撮像したもの(実施例1)であり、図5は、波長範囲1000〜2130nmにおいて撮像したもの(実施例2)であり、図6は、波長範囲1000〜1920nmにおいて撮像したもの(比較例)である。図4〜図6においては、毛髪であると判定したピクセルを白く示している。なお、図4では、実際に毛髪が存在するエリアも合わせて示している。
図4に示すように、波長範囲1940〜2400nmで撮像した画像から毛髪を検出した場合、毛髪があるエリアではでは全て検出している。ピクセルレベルでは誤検出があるものの、近隣25ピクセル(5ピクセル×5ピクセル)のうち3ピクセル以上で毛髪があると検出されたエリア(毛髪を誤検出したエリア)はなかった。
次に、波長範囲1940〜2400nmにおいての撮像データを用いて、波長間隔が60nmである2つの波長間の差分を特徴量としてSVMを使用した場合の結果と、同一データを用いて波長間の差分などを組み合わせて判定する方法(実施例3)を使用した場合の結果を比較した。
波長間の差分等から毛髪を検出した際には、以下の方法を採用した。すなわち、下記の4つの条件のうち3つ以上の条件を満たすピクセルにおいて毛髪を検出したと判断した。
(条件1)第1波長データ−第2波長データ≧Aに相当;
2018nm−2056nm≧0.001(0.1%)
(条件2)第3波長データ(6点の平均)−第2波長データ(3点の平均)≧Bに相当;
(2106、2112、2119、2125、2131、2138nmのスペクトル強度の平均値)−(2049、2056、2062nmのスペクトル強度の平均値)≧0.0024(0.24%)
(条件3)第3波長データ(6点の平均)−第4波長データ(3点の平均)≧Cに相当;
(2106、2112、2119、2125、2131、2138nmのスペクトル強度の平均値)−(2175、2182、2188nmのスペクトル強度の平均値)≧0.0029(0.29%)
(条件4)第5波長データ−第4波長データ≧Dに相当;
2226nm−2175nm≧0.001(0.1%)
(条件1)第1波長データ−第2波長データ≧Aに相当;
2018nm−2056nm≧0.001(0.1%)
(条件2)第3波長データ(6点の平均)−第2波長データ(3点の平均)≧Bに相当;
(2106、2112、2119、2125、2131、2138nmのスペクトル強度の平均値)−(2049、2056、2062nmのスペクトル強度の平均値)≧0.0024(0.24%)
(条件3)第3波長データ(6点の平均)−第4波長データ(3点の平均)≧Cに相当;
(2106、2112、2119、2125、2131、2138nmのスペクトル強度の平均値)−(2175、2182、2188nmのスペクトル強度の平均値)≧0.0029(0.29%)
(条件4)第5波長データ−第4波長データ≧Dに相当;
2226nm−2175nm≧0.001(0.1%)
なお、SVMの場合と同様に、近隣25ピクセルのエリア内に毛髪を検出したと判断されたピクセルが3点以上存在する場合に、その部分には毛髪が存在すると判定するアルゴリズムを採用した。また検出率及び誤検出率については、SVMによる解析と同様の方法で毛髪検出を行った結果、検出率は68%、誤検出率は0.2%であった。
なお、上記のように差分を利用する方法に代えて、2次差分を利用して毛髪の検出を行う方法もある。例えば、上記で用いた条件1〜4のうち、条件2と条件3とを組み合わせて、新たな条件5とし、条件1,4,5を用いて判断を行う方法もある。
(条件1)第1波長データ−第2波長データ≧Aに相当;
2018nm−2056nm≧0.001(0.1%)
(条件4)第5波長データ−第4波長データ≧Dに相当;
2226nm−2175nm≧0.001(0.1%)
(条件5)条件2と条件3との和;第3波長データ(6点の平均)の2倍−第2波長データ(3点の平均)−第4波長データ(3点の平均)≧B+Cに相当;
2×(2106、2112、2119、2125、2131、2138nmの平均値)−(2049、2056、2062nmの平均値)−(2175、2182、2188nmの平均値)≧0.0053(0.53%)
(条件1)第1波長データ−第2波長データ≧Aに相当;
2018nm−2056nm≧0.001(0.1%)
(条件4)第5波長データ−第4波長データ≧Dに相当;
2226nm−2175nm≧0.001(0.1%)
(条件5)条件2と条件3との和;第3波長データ(6点の平均)の2倍−第2波長データ(3点の平均)−第4波長データ(3点の平均)≧B+Cに相当;
2×(2106、2112、2119、2125、2131、2138nmの平均値)−(2049、2056、2062nmの平均値)−(2175、2182、2188nmの平均値)≧0.0053(0.53%)
上記の場合は、条件1,4,5の全てを満たす場合に、毛髪を検出したと判断することが必要である。このように、実際に解析を行う場合には上記の条件1〜4を適宜変更して判断基準を作ることもできる。
次に、1940〜2400nmの波長範囲のスペクトル画像に含まれるデータを用いて、差分を求める対象となる波長間隔を変更した場合の、SVMによる判定結果を示す。具体的には、差分を求める波長間隔を25nm(実施例4)、60nm(実施例1)、85nm(実施例5)と変更し、それぞれの間隔で求めた規格化スペクトル強度の差分を特徴量とし、SVMによる解析を行った。
表3に示すように、波長間隔を60nmとした場合に他の場合と比較してよりよい結果が得られた。これは、1940〜2400nmの波長範囲において、毛髪の反射スペクトルは、ほぼ60nm間隔で凹凸を繰り返すような波形を示していることに由来すると考えられる。したがって、毛髪の反射スペクトルの形状の特徴を考慮すると波長間隔を60nmとして得られた波長データの差分をSVMの特徴量として学習させることが好ましいと考えられる。ただし、SVMによる解析は、それ自体の精度が非常に高いので、表3に示すように大きな差はなかった。しかしながら、SVMによる解析ではなく、波長間の差分等を組み合わせて毛髪の有無を判断する場合には、差分を取得する対象となる波長の間隔による影響が大きくなると考えられる。
以上、本発明の実施形態について説明したが、本発明は上記の実施形態に限定されず、種々の変更を行うことができる。
例えば、上記実施形態では、毛髪測定システム100に分析手段30が組み込まれた構成について説明したが、本発明に係る毛髪測定システム装置は、例えば、他の工業製品の異状分析等を行うシステムに組み込んで利用することもできる。また、分析手段30は、上記実施形態のように画像データの撮像を行うカメラ20と接続されている必要はなく、単体で使用することができる。
また、上記実施形態では、検査対象物に対して光を照射し、その反射光(あるいは散乱光)を受光し、反射スペクトルを撮像して分析を行う構成について説明したが、透過光を利用して分析を行うことも可能である。
100…毛髪検出システム、2…ベルトコンベア、3…検査対象物、10…照射手段、11…ハロゲンランプ、12…照射部、13…バンドル光ファイバ、20…撮像手段、21…スリット、22…分光器、23…受光部、30…分析手段。
Claims (6)
- 検査対象物を撮像して得られたハイパースペクトル画像に基づいて、該検査対象物中に混在する毛髪を検出する毛髪検出装置であって、
前記検査対象物に対して1940nm〜2400nmの波長範囲から選ばれる複数波長の光を照射する照射手段と、
前記照射手段より照射された光による前記検査対象物からの反射光、透過光、又は散乱光を受光することで、前記検査対象物を撮像してハイパースペクトル画像を得る撮像手段と、
前記撮像手段による撮像により得られたハイパースペクトル画像に含まれる複数波長のスペクトル強度について、基準スペクトルに対する相対強度を求め、これを用いて前記検査対象物に混在する毛髪を検出する分析手段と、
を備えることを特徴とする毛髪検出装置。 - 前記分析手段において、複数波長における前記相対強度または複数波長における前記相対強度から計算された複数の量を特徴量として、サポートベクターマシンを用いて解析し、前記検査対象物に混在する毛髪を検出することを特徴とする請求項1記載の毛髪検出装置。
- 前記相対強度から計算された複数の量として、複数波長における前記相対強度に含まれるベース成分が除去されたものが用いられることを特徴とする請求項2記載の毛髪検出装置。
- 前記相対強度から計算された複数の量として、前記複数波長における相対強度から選ばれた2つの波長における相対強度の差分が用いられることを特徴とする請求項3記載の毛髪検出装置。
- 前記2つの波長は、その間隔が25nm以上85nm以下であることを特徴とする請求項4記載の毛髪検出装置。
- 前記分析手段は、
前記ハイパースペクトル画像を参照し、波長範囲1980〜2035nmを第1波長範囲、波長範囲2035〜2070nmを第2波長範囲、波長範囲2080〜2150nmを第3波長範囲、波長範囲2150〜2210nmを第4波長範囲、波長範囲2210〜2260nmを第5波長範囲として、第n波長範囲に含まれる波長における前記相対強度、または、第n波長範囲に含まれる複数の波長における前記相対強度の平均値を第n波長データとしたとき、下記の4つの条件;
第1波長データ−第2波長データ≧A
第3波長データ−第2波長データ≧B
第3波長データ−第4波長データ≧C
第5波長データ−第4波長データ≧D (A〜Dは設定された閾値)
のうち、3つ以上の条件を満たす場合に、前記測定対象物に毛髪が混在していると判定することを特徴とする請求項1記載の毛髪検出装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011051974A JP2012189390A (ja) | 2011-03-09 | 2011-03-09 | 毛髪検出装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011051974A JP2012189390A (ja) | 2011-03-09 | 2011-03-09 | 毛髪検出装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2012189390A true JP2012189390A (ja) | 2012-10-04 |
Family
ID=47082740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011051974A Pending JP2012189390A (ja) | 2011-03-09 | 2011-03-09 | 毛髪検出装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2012189390A (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014119659A1 (ja) * | 2013-01-31 | 2014-08-07 | 株式会社日立ハイテクノロジーズ | 検査方法および検査装置 |
JP2016155790A (ja) * | 2015-02-26 | 2016-09-01 | 花王株式会社 | 化粧肌の自然な仕上りを評価する方法 |
WO2018038123A1 (ja) * | 2016-08-22 | 2018-03-01 | キユーピー株式会社 | 食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法 |
JP2018048841A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 劣化情報取得装置、劣化情報取得システム、劣化情報取得方法及び劣化情報取得プログラム |
JPWO2017010261A1 (ja) * | 2015-07-10 | 2018-04-26 | ソニー株式会社 | 検査装置、検査方法、及び、プログラム |
CN110735283A (zh) * | 2018-07-18 | 2020-01-31 | 青岛海尔智能技术研发有限公司 | 洗衣机及其衣物洗涤控制方法 |
JP2021515885A (ja) * | 2018-03-06 | 2021-06-24 | オムロン株式会社 | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003004628A (ja) * | 2001-06-18 | 2003-01-08 | Shiseido Co Ltd | 分光分析用セル及び分光分析方法 |
JP2007505733A (ja) * | 2003-09-20 | 2007-03-15 | キネテイツク・リミテツド | 廃棄物の流れ中の目標物を分類する装置および方法 |
JP2008209211A (ja) * | 2007-02-26 | 2008-09-11 | Hitachi High-Tech Control Systems Corp | 異物検査装置および異物検査方法 |
US20090185165A1 (en) * | 2008-01-18 | 2009-07-23 | Sumitomo Electric Industries, Ltd. | Method of inspecting food and inspection apparatus implementing the same |
JP2009168747A (ja) * | 2008-01-18 | 2009-07-30 | Sumitomo Electric Ind Ltd | 食品検査方法及び食品検査装置 |
JP2010032259A (ja) * | 2008-07-25 | 2010-02-12 | Sumitomo Electric Ind Ltd | 異物の検出装置及び検出方法 |
JP2010276361A (ja) * | 2009-05-26 | 2010-12-09 | Sumitomo Electric Ind Ltd | 異状検査装置 |
-
2011
- 2011-03-09 JP JP2011051974A patent/JP2012189390A/ja active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003004628A (ja) * | 2001-06-18 | 2003-01-08 | Shiseido Co Ltd | 分光分析用セル及び分光分析方法 |
JP2007505733A (ja) * | 2003-09-20 | 2007-03-15 | キネテイツク・リミテツド | 廃棄物の流れ中の目標物を分類する装置および方法 |
JP2008209211A (ja) * | 2007-02-26 | 2008-09-11 | Hitachi High-Tech Control Systems Corp | 異物検査装置および異物検査方法 |
US20090185165A1 (en) * | 2008-01-18 | 2009-07-23 | Sumitomo Electric Industries, Ltd. | Method of inspecting food and inspection apparatus implementing the same |
JP2009168747A (ja) * | 2008-01-18 | 2009-07-30 | Sumitomo Electric Ind Ltd | 食品検査方法及び食品検査装置 |
JP2010032259A (ja) * | 2008-07-25 | 2010-02-12 | Sumitomo Electric Ind Ltd | 異物の検出装置及び検出方法 |
JP2010276361A (ja) * | 2009-05-26 | 2010-12-09 | Sumitomo Electric Ind Ltd | 異状検査装置 |
Non-Patent Citations (2)
Title |
---|
"V.スペクトルイメージングの食品評価への応用", 食料 その科学と技術, JPN6014032012, 23 March 2009 (2009-03-23), JP, pages 61 - 73, ISSN: 0002867380 * |
蔦瑞樹: "スペクトルイメージングによる食品加工現場における混入異物の検知・可視化技術の開発", 平成18年度 食に関する助成研究調査報告書, vol. 第20号, JPN6014032013, October 2007 (2007-10-01), JP, pages 107 - 118, ISSN: 0002867381 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014119659A1 (ja) * | 2013-01-31 | 2014-08-07 | 株式会社日立ハイテクノロジーズ | 検査方法および検査装置 |
JP2016155790A (ja) * | 2015-02-26 | 2016-09-01 | 花王株式会社 | 化粧肌の自然な仕上りを評価する方法 |
JPWO2017010261A1 (ja) * | 2015-07-10 | 2018-04-26 | ソニー株式会社 | 検査装置、検査方法、及び、プログラム |
EP3321661A4 (en) * | 2015-07-10 | 2019-01-16 | Sony Corporation | INSPECTION DEVICE, INSPECTION PROCEDURE AND PROGRAM |
WO2018038123A1 (ja) * | 2016-08-22 | 2018-03-01 | キユーピー株式会社 | 食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法 |
US11079334B2 (en) | 2016-08-22 | 2021-08-03 | Kewpie Corporation | Food inspection apparatus, method of inspecting food, and method of learning in identification unit of food inspection apparatus |
JP2018048841A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 劣化情報取得装置、劣化情報取得システム、劣化情報取得方法及び劣化情報取得プログラム |
JP2021515885A (ja) * | 2018-03-06 | 2021-06-24 | オムロン株式会社 | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 |
JP7131617B2 (ja) | 2018-03-06 | 2022-09-06 | オムロン株式会社 | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 |
US11631230B2 (en) | 2018-03-06 | 2023-04-18 | Omron Corporation | Method, device, system and computer-program product for setting lighting condition and storage medium |
CN110735283A (zh) * | 2018-07-18 | 2020-01-31 | 青岛海尔智能技术研发有限公司 | 洗衣机及其衣物洗涤控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7094576B2 (ja) | 食肉の骨のスキャンのための方法と装置 | |
JP2012189390A (ja) | 毛髪検出装置 | |
JP2014215177A (ja) | 検査装置及び検査方法 | |
US9164029B2 (en) | Method of classifying and discerning wooden materials | |
JP5206335B2 (ja) | 主成分分析方法、主成分分析装置、異種品検出装置、主成分分析プログラム、及び、主成分分析プログラムが記録された記録媒体 | |
JP2012098181A (ja) | 検出装置及び検出方法 | |
US20110261355A1 (en) | Portable device and method for spectroscopic analysis | |
WO2016059946A1 (ja) | 分光測定方法及び分光測定装置 | |
JP2011141809A (ja) | 画像データ分析装置及び画像データ分析方法 | |
JP2013164338A (ja) | 植物または植物加工品の異物検出方法 | |
Lohumi et al. | Raman hyperspectral imaging and spectral similarity analysis for quantitative detection of multiple adulterants in wheat flour | |
US20170254741A1 (en) | Quality evaluation method and quality evaluation device | |
JP6295798B2 (ja) | 検査方法 | |
JP5644580B2 (ja) | 異状判定装置及び異状判定方法 | |
JP2016090476A (ja) | 異物検出方法 | |
JP2014044070A (ja) | 食品検査装置 | |
JP2015102542A (ja) | 生体検査装置 | |
JP5298684B2 (ja) | 異物の検出装置及び検出方法 | |
KR20220034883A (ko) | 분광계 장치 | |
JP2010276361A (ja) | 異状検査装置 | |
JP2015014527A (ja) | 異状検出装置及び異状検出方法 | |
JP2017203658A (ja) | 検査方法及び光学測定装置 | |
JP2015040818A (ja) | 穀物分類方法及び穀物分類装置 | |
KR101096790B1 (ko) | 멀티 채널 카메라를 이용한 농산물 부피 측정장치 | |
JP2017133953A (ja) | 錠剤検査装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140116 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140716 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140805 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20141202 |