JP2016049055A - 微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラム - Google Patents

Abstract

【課題】検査対象物の培地に発生した微生物のコロニーを検出する微生物検査装置の検出精度を検証することができる微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラムを提供する。
【解決手段】検査対象物を撮影したカラー画像中の培地内の各点の色情報を入力して分類器が培地を学習する（S20）。検証実施の場合、サンプルコロニーを含むサンプル画像を取得し（S50）、サンプル画像をカラー画像中の培地の明るさ及び色合いに補正して補正画像を取得する（S60）。次に補正画像からサンプルコロニーの色、形状、位置を特定するサンプル情報を取得する（S70）。サンプル情報に基づくサンプルコロニーをカラー画像中の培地に組み込む画像合成処理を行って検証画像を生成する（S80）。検証画像にサンプル検出処理を行い（S90）、コロニーの検出結果に基づいて検査装置の検出精度を検証する（S100）。
【選択図】図１１

Description

本発明は、例えば大腸菌などの細菌や真核生物などの微生物の検出を行って食品等の検査対象物の検査を行う微生物検査装置が適正に機能しているかどうかを検証する微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラムに関する。

特許文献１には、食品などに含まれる微生物を検出する方法が開示されている。この文献の検出方法では、ＣＣＤラインセンサによって、微生物の培養前と培養後とで微生物検出用プレートを撮像する。そして、得られた画像情報を比較することにより、微生物のコロニー数を計測する。特許文献２には、予め特定した色情報により微生物を検出する方法が開示されている。

ところで、特許文献１の検出方法では、単に画像情報の比較によりコロニー数を計測する。このため、培養前と培養後とで撮像時におけるカメラと培地との相対位置が変化したり、培地の色と微生物のコロニーの色とが同色系であったりする場合に、微生物の検出精度を十分に確保できない虞がある。また、特許文献２の検出方法では、予め特定した色情報により微生物を検出する。このため、微生物の色が変化したり、培地の色と微生物のコロニーの色とが同色系であったりする場合に、微生物の検出精度を十分に確保できない虞がある。

これを解決するため、特許文献３の微生物検出方法では、コロニー発生前の期間の培地をカメラで撮影した画像を用いて分類器をトレーニングする。その後、コロニーが発生しうる期間で培地を撮像した画像（検査点）を分類器に入力する。分類器が取得した特徴ベクトルで規定される点が培地とコロニーのどちらのクラスに属するかを判定してコロニーを検出する。

特開２０００−６９９９４号公報 特開平１１−２２１０７０号公報 ＷＯ２０１１／１６２２１３

しかしながら、引用文献１〜３に記載の検査装置では、検査装置が、検査対象物の培地に発生した微生物のコロニーを適切に検出できる設定であるかどうかを検証することができなかった。そのため、仮にコロニーが検出されなかった場合に、本当にコロニーが存在しないかどうか、又はコロニーが検出された場合に異物と誤検出されていないかどうかなど、検査装置の検査結果が正しいものかどうかを検証する必要がある。この場合に、人が目視で拡大鏡を通してコロニーを検査した検査結果と検査装置の検査結果とを比べて定期的又は不定期に検証する作業を行う必要があった。

本発明の目的は、検査対象物の培地に発生した微生物のコロニーを検出する微生物検査装置の検出精度を検証することができる微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラムを提供することにある。

以下、上記課題を解決するための手段及びその作用効果について記載する。
上記課題を解決する微生物検査装置の検証方法は、培地に培養された微生物のコロニーを検出する微生物検査装置の検出精度を検証する検証方法であって、培地を含む検査対象物を撮影したカラー画像における前記培地の領域内に、コロニー及び異物のうち少なくとも一方であるサンプルの画像を組み込んで検証画像を生成する画像合成ステップと、前記検証画像を用いてコロニーの検出処理を行う検出ステップと、前記検出ステップによるコロニーの検出結果に基づいて微生物検査装置の検出精度を検証する検証ステップとを備えている。

この方法によれば、画像合成ステップでは、検査対象物を撮影したカラー画像における培地の領域内に、コロニー又は異物のサンプルの画像を組み込む画像合成処理によって検証画像が生成される。検出ステップでは、検証画像を用いてコロニーの検出処理が行われる。検証ステップでは、検出ステップによるコロニーの検出結果に基づいて微生物検査装置の検出精度が検証される。よって、微生物検査装置を用いて検査対象物を撮影したカラー画像を用いて生成された検証画像でコロニーの検出処理を行い、その検出結果に基づいて当該微生物検査装置の検出精度が検証されるので、微生物検査装置の検出精度を正しく検証できる。この結果、微生物検査装置の高い検出精度を維持することができる。

上記の検証方法において、前記検出ステップでは、コロニーの経時変化を特定可能なパラメータ情報を用い、前記カラー画像における培地領域又はコロニーにおける前記パラメータ情報がトレーニング済みである分類器に対して、前記検証画像中の各検査領域におけるパラメータ情報を入力して、コロニーの検出処理を行うことが好ましい。

この方法によれば、検出ステップでは、検証画像中の各検査領域におけるパラメータ情報を分類器に入力することで、コロニーの検出処理が行われる。ここで、パラメータ情報として、コロニーの経時変化を特定可能な情報が用いられる。分類器は、カラー画像中の培地領域又はコロニーにおけるパラメータ情報が予めトレーニング済みのものが使用される。よって、トレーニング済みの分類器は、入力された検証画像中の各検査領域におけるパラメータ情報の経時変化から各検査領域がコロニーであるかを判定し、コロニーを検出する。また、実際にトレーニングに使用したカラー画像を用いて検証画像を生成するため、実際の検査時の測定条件を反映した検証を行うことができる。この結果、微生物検査装置の検出精度を高い精度で検証できる。なお、トレーニングには、培地領域又はコロニーを使用できるが、培地領域を使用することが好ましい。トレーニングに培地領域を使用すれば、検査対象物の検査過程のトレーニング期間でトレーニングされた分類器を、検査におけるコロニーの識別ステップと検出ステップにおいて併用することができる。

上記の検証方法において、前記パラメータ情報は、前記コロニーの経時変化を特定可能な色情報、形状情報及び面積情報のうち少なくとも一つを含むことが好ましい。
この方法によれば、コロニーの発生・成長による経時変化を特定可能な色情報、形状情報及び面積情報のうち少なくとも一つを含むパラメータ情報が分類器に入力され、分類器によって色情報、形状情報及び面積情報のうち少なくとも一つの経時変化によってコロニーであるか否かが分類される。よって、パラメータ情報の経時変化をみて、色、形状、面積のうち少なくとも一つが経時変化するコロニーと、経時変化しない又は経時変化の仕方がコロニーとは異なる異物とを分けて検出できるので、一層高い検証精度が得られる。

上記の検証方法において、前記画像合成ステップでは、サンプルの画像として組み込まれたコロニーが経時的に変化している複数の検証画像を生成することが好ましい。
この方法によれば、サンプルの画像として組み込まれたコロニーが経時的に変化している複数の検証画像を用いて分類器によってコロニーの検出処理が行われる。そして、コロニーの検出結果に基づいて微生物検査装置の検証が行われる。よって、検証画像間におけるコロニーのパラメータ情報の経時変化から分類器が、コロニーを一層高い精度で検出できる。この結果、この高い精度のコロニーの検出結果に基づき、微生物検査装置の検出精度を一層正しく検証することができる。

上記の検証方法において、前記画像合成ステップでは、前記サンプルが培地と共にカラー撮影されたサンプル画像を取得し、当該サンプル画像における培地の色を、前記検査対象物のカラー画像における培地の色に合わせる色補正を前記サンプル画像に施し、当該色補正後のサンプル画像からコロニー及び異物のうち少なくとも一方の画像を取得して、当該コロニー及び異物のうち少なくとも一方の画像を前記検査対象物である前記培地の領域に組み込む画像合成を行うことが好ましい。

この方法によれば、例えば異物とコロニーのうち少なくとも一方のサンプルが培地と共にカラー撮影されたサンプル画像で検証する場合、過去に撮影したあるいは他の検査装置のカメラで撮影したサンプル画像をそのまま使用すると、過去の検査装置と現在の検査装置とのカメラ等（カメラや光源等）の光学条件（色合い、明るさ等）の違いや、培地の厚さ等に起因する培地の色の違いなどがある。この場合、現在の検査装置の検出精度を正しく検証できない虞がある。そして、コロニーや異物は、培地の色の影響を受けてその色が変化する。

しかし、サンプル画像における培地の色に、現在の検査装置の光学条件で撮影した画像の培地の色に合わせる色補正を施すので、サンプルのコロニー又は異物は現在の検査装置で撮影した培地の色の影響を受けた色、及び現在の検査装置の光学条件の影響を受けた色に補正される。そして、このような色補正後のコロニー又は異物の画像が、現在の検査装置に撮影された培地の画像に画像合成で組み込まれる。このため、サンプルを用いても現在の検査装置の検出精度を正しく検証することができる。

上記の検証方法において、前記検査対象物を撮影したカラー画像における培地の領域を学習して分類器をトレーニングするトレーニングステップと、前記トレーニングステップの終了後に前記検査対象物を撮影したカラー画像中の前記各検査領域における前記パラメータ情報を前記トレーニング済みの前記分類器に入力してコロニーを識別する識別ステップとを更に備え、前記検出ステップにおける前記検出処理は、前記トレーニングステップでトレーニングされた前記分類器を用いて行われることが好ましい。

この方法によれば、検査対象物のカラー画像を使って培地の領域で分類器をトレーニングし、そのトレーニング済みの同じ分類器を使って、その検査対象物の培地中のコロニーの識別と共に、サンプルの検出処理とが行われる。よって、識別ステップによる検査対象物の通常の検査と一緒に微生物検査装置の検出精度の検証とを行うことができる。

上記の検証方法において、前記画像合成ステップでは、前記サンプルの画像を、前記カラー画像における培地の周縁領域と当該周縁領域よりも内側の内側領域との両方に組み込むことが好ましい。

この方法によれば、サンプルは、検査対象物のカラー画像における培地の領域における周縁領域と、その周縁領域よりも内側の内側領域との両方に組み込まれる。よって、培地内の内側と周縁とで検出精度が異なる場合でも、培地全体の検出精度を正しく検証できる。例えばシャーレ等の容器内の培地の周縁領域は、メニスカスによって内側領域に比べて培地が厚くなり易く、また、撮影時の光源からの光がシャーレで反射や屈折をした反射光や屈折光の影響を受け易い。このため、培地の周縁領域はコロニーの誤検出や検出漏れが起き易い。しかし、培地の内側領域と共に周縁領域にもサンプルが配置されるので、微生物検査装置の検出精度を一層精度よく検証することができる。

上記の検証方法において、前記検証ステップでは、前記検出ステップで検出されなかった前記サンプルのコロニーが存在する場合、又はコロニーとして検出された前記サンプルの異物が存在する場合、当該サンプルのコロニーを検出可能な設定条件又は前記サンプルの異物を検出されなくする設定条件を解析し、当該設定条件を出力又は設定することが好ましい。

この方法によれば、検証ステップでは、検出ステップで検出されなかったサンプルのコロニーが存在する場合、当該サンプルのコロニーを検出可能な設定条件を解析し、その解析した設定条件を出力又は設定する。例えば作業者は、表示、印刷あるいは音声等により設定条件が出力された場合、その設定条件を微生物検査装置に設定する操作をすればよい。一方、検証ステップで設定条件を設定する場合には、作業者は設定条件変更のための操作を特にする必要がない。

上記の検証方法において、前記画像合成ステップでは、前記サンプルとして異物の画像を組み込む画像合成処理を行い、前記検証ステップでは、前記検出ステップで前記異物がコロニーとして検出された場合は不合格の旨の検証結果を出力することが好ましい。

この方法によれば、カラー画像の培地に異物の画像が組み込まれた検証画像における培地のパラメータ情報がトレーニング済みの分類器に入力されることで、コロニーの検出処理が行われる。異物がコロニーとして検出された場合は不合格の旨の検証結果が出力される。よって、異物がコロニーと検出される誤検出も検証できる。

上記課題を解決する微生物検査装置における検証装置において、培地に培養された微生物のコロニーの有無を検査する微生物検査装置が適正に機能することを検証する微生物検査装置の検証装置であって、培地を含む検査対象物を撮影したカラー画像における前記培地の領域内に、コロニー及び異物のうち少なくとも一方であるサンプルの画像を組み込んで検証画像を生成する画像合成部と、前記検証画像を用いてコロニーの検出処理を行う検出部と、前記検出部によるコロニーの検出結果に基づいて微生物検査装置の検出精度を検証する検証部とを備えている。この構成によれば、検証方法と同様の作用効果を得ることができる。

上記課題を解決するプログラムは、培地に培養された微生物のコロニーを検出する微生物検出処理が適正に機能することを検証する検証処理をコンピュータに実行させるためのプログラムであって、コンピュータに、培地を含む検査対象物を撮影したカラー画像における前記培地の領域内に、コロニー及び異物のうち少なくとも一方であるサンプルの画像を組み込んで検証画像を生成する画像合成ステップと、前記検証画像を用いてコロニーの検出処理を行う検出ステップと、前記検出ステップによるコロニーの検出結果に基づいて微生物検査装置の検出精度を検証する検証ステップとを実行させる。このプログラムによれば、コンピュータに実行させることにより、上記微生物検査装置の検証方法と同様の作用効果が得られる。

本発明によれば、検査対象物の培地に発生した微生物のコロニーを検出する微生物検査装置の検出精度を検証することができる、という優れた効果が得られる。

一実施形態における検査システムを示す模式平面図。 検査装置の電気的構成及び機能構成を示すブロック図。 検査装置の模式正面図。 分類器の機能を説明するグラフ。 分類器のトレーニングを説明するグラフ。 （ａ），（ｂ）は分類器による微生物の識別を説明するグラフ。 （ａ）〜（ｄ）は各段階における試料の画像を示す模式図。 （ａ）〜（ｈ）は検査装置の検出精度の検証処理を説明する模式図。 （ａ）〜（ｅ）は検証画像の生成工程を説明する模式図。 （ａ），（ｂ）は検証処理におけるサンプル菌数と検出菌数とを示すグラフ。 微生物検出処理ルーチンを示すフローチャート。 トレーニング処理ルーチンを示すフローチャート。 識別処理ルーチンを示すフローチャート。 変形例のサンプル画像を示す模式図。 図１４とは異なる変形例のサンプル画像を示す模式図。 図１５とは異なる変形例のサンプル画像を示す模式図。 変形例における分類器のトレーニング及び識別を説明するグラフ。 図１７と異なる変形例における分類器のトレーニング及び識別を説明するグラフ。

以下、微生物検査装置に係る一実施形態を、図面を参照して説明する。
図１に示すように、微生物検査システム（以下、単に「検査システム１１」と称す）は、周囲を壁部１２で囲まれた恒温室１３を備えている。恒温室１３の温度は、空調機１４により所定の温度に保たれている。検査システム１１は、恒温室１３の図１における右下部分に、投入棚１５、取出棚１６、及び取出棚１７を備えている。投入棚１５からは、検査対象物の一例である試料Ｓ（例えば、培地を収容するシャーレ）が恒温室１３内へ投入される。恒温室１３からは、検査結果が良品である試料Ｓが取出棚１６より取り出され、検査結果が不良品である試料Ｓが取出棚１７より取り出される。恒温室１３内には、複数の収納棚１８、試料Ｓを検査するための微生物検査装置（以下、単に「検査装置１９」と称す）、及び搬送ロボット２０が設けられている。各収納棚１８には、恒温室１３内へ投入された試料Ｓが培養のために収納される。搬送ロボット２０は、各棚１５〜１８と検査装置１９との間で試料Ｓを搬送する。各棚１５〜１７には、恒温室１３の内側と外側とを繋ぐコンベア１５ａ〜１７ａがそれぞれ設けられている。試料Ｓを投入及び取出す際は、コンベア１５ａ〜１７ａの外側の端部と中間部とに設けられた二重のシャッタ２１，２２が片方ずつ順番に開放される。こうすることで、外部から恒温室１３内への微生物等の浸入が防止される。

搬送ロボット２０は、恒温室１３内の床面に配置された回転式の本体２０ａと、本体２０ａから延出する複数の間接を有するアーム２０ｂとを有している。試料Ｓは、アーム２０ｂの先端部のチャック部２０ｃにより把持されて、各棚１５〜１８と検査装置１９との間を搬送される。

検査装置１９は、培養後の培地層中に生成された微生物のコロニーを検出するものである。検査装置１９は、試料Ｓを載置するための検査台２３（検査用ステージ）と、検査台２３上の試料Ｓを撮影するためのカメラ２４とを備えている。収納棚１８に収納された試料Ｓは、培養期間中に例えば定期的に検査装置１９により検査される。検査装置１９は、カメラ２４で撮影した試料Ｓのカラー画像に基づいて、試料Ｓの培地における微生物のコロニーを検出する。例えば、検査装置１９は、培養期間（通常０〜１８時間）中に１つのシャーレを設定された間隔で繰り返し撮影し、シャーレ全体の微生物コロニーを検出して、良品か不良品かの判断を行う。コロニーが検出されないまま所定の培養期間を終えた試料Ｓは、良品用の取出棚１６から搬出される。一方、コロニーが検出された試料Ｓは、不良品用の取出棚１７から搬出される。

検査システム１１は、恒温室１３の外側に、コントローラ２５とパーソナルコンピュータ２６とを備えている。コントローラ２５は、空調機１４、搬送ロボット２０、コンベア１５ａ〜１７ａ及びシャッタ２１，２２などを制御する。検査装置１９を構成するパーソナルコンピュータ２６には、カメラ２４により撮影された試料Ｓのカラー画像データが入力される。パーソナルコンピュータ２６は、所定のアルゴリズムにより、色情報を用いて試料Ｓの培地と微生物とを識別してコロニーを検出する微生物検出処理を行う。また、パーソナルコンピュータ２６は、所定のアルゴリズムにより、検査装置１９の微生物コロニーの検出精度を検証する検証処理を行う。

図３に示すように、検査装置１９は、検査台２３と、検査台２３上の試料Ｓを照明する環状の光源２８と、反射板２９と、検査台２３上の試料Ｓを撮影するカメラ２４と、微生物検出処理装置（以下、単に「検出処理装置４０」と称す）とを有している。反射板２９は、光源２８に対して検査台２３と反対側に配置されている。検出処理装置４０は、カメラ２４からの画像データが取り込まれるパーソナルコンピュータ２６の本体３１に内蔵されている。

検査台２３は、ガラス等の透光性材料からなる。検査台２３は、不図示の支持部により可動な状態に支持されている。光源２８は、環状を有しており、カメラ２４と検査台２３との間に配置されている。光源２８の中心軸は、カメラ２４の光軸と一致している。カメラ２４は、光源２８の開口を通じて、検査台２３上の試料Ｓの全体を撮影する。反射板２９は、例えば拡散板からなる。反射板２９は、光源２８から照射された光を拡散光として反射する。そのため、検査台２３上の試料Ｓの像だけがカメラ２４により撮像される。

試料Ｓは、培地Ｍ（寒天培地等）を収容するシャーレ３５（例えばガラスシャーレ）である。シャーレ３５は、皿部３５ａに蓋３５ｂを被せてから上下反転させた状態で、蓋３５ｂをカメラ２４と反対側に向けて、検査台２３上に載置されている。これは、蓋３５ｂを外すことにより恒温室１３内の微生物が培地Ｍに混入することを防止するためである。恒温室１３の清浄度が十分高ければ、蓋３５ｂを外して検査してもよい。

皿部３５ａには、検査対象である飲料液が所定割合で混合された培地Ｍが収容されている。シャーレ３５内の培地Ｍは、恒温室１３内において所定の温度条件下で所定の培養期間、培養される。シャーレ３５は、検査装置１９により、培養開始時と培養期間中の複数の設定時期とにそれぞれ検査される。

カメラ２４は、Ｒ（Red）・Ｇ（Green）・Ｂ（Blue）用の３つの撮像素子３６を備えた３板式のカラーカメラである。撮像素子３６として、ＣＣＤ（Charge Coupled Device）イメージセンサ又はＣＭＯＳイメージセンサ等が使用される。カメラ２４は、自動合焦（オートフォーカス）機能及びズーム機能を有するレンズユニット３７を備えている。カメラ２４は、検査台２３上の試料Ｓ（シャーレ３５）を所定の倍率で撮像する。レンズユニット３７を通じたカメラ２４内への入射光は、不図示のダイクロイックミラー又はダイクロイックプリズムによりＲＧＢ３原色の光に分離される。分離されたＲＧＢの各光は、各撮像素子３６にそれぞれ受光される。カメラ２４として、単板式カラーカメラを用いることもできる。

パーソナルコンピュータ２６は、本体３１と、マウス３２ｍ及びキーボード３２ｋよりなる入力操作部３２と、モニタ３３（表示部）とを備えている。カメラ２４は、本体３１に接続されている。カメラ２４内の各撮像素子３６から出力されたアナログ信号は、カメラ２４内でＡ／Ｄ変換されてから、ＲＧＢカラー画像データとして本体３１へと入力される。本体３１に内蔵された検出処理装置４０は、カメラ２４から入力した試料Ｓのカラー画像データに基づいて培地Ｍ中の微生物コロニーを検出する。なお、本実施形態では、検査装置１９を構成する検出処理装置４０の検証機能を実現する装置部分が、検証装置の一例を構成する。そして、この検証装置によって検査装置１９の検出精度が検証される。

本体３１の内部には、ＣＰＵ（中央処理装置）及びメモリ（例えばＲＡＭ）を有するマイクロコンピュータ（以下、単に「コンピュータ３８」という。）（図２参照）が内蔵されている。本体３１内のメモリには、微生物検出処理用のプログラムが記憶されている。コンピュータ３８は、メモリから読み出したプログラムを実行することにより、検証機能を備えた検出処理装置４０として機能する。検出処理装置４０による微生物検出機能及びその検出精度の検証機能の詳細は、後述する。

図２に示すように、本体３１内のコンピュータ３８は、カメラ２４及び光源２８と接続されている。コンピュータ３８は、カメラ２４の撮影制御（フォーカス制御及びズーム制御など）と、光源２８による照明の制御とを行う。また、コンピュータ３８は、入力操作部３２及びモニタ３３と接続されている。コンピュータ３８は、入力操作部３２の操作により入力された各種設定データをメモリ４２に記憶する。また、コンピュータ３８は、カメラ２４が撮影した試料Ｓの画像、試料Ｓに対するコロニーの検出結果及び検証結果などをモニタ３３に表示する。

図２において、検出処理装置４０内に示された各機能ブロックは、コンピュータ３８が微生物検出処理用プログラム及び検証用プログラムを実行することにより実現される。検出処理装置４０は、制御部４１、メモリ４２、入力情報生成部４３、分類器４５、トレーニング処理部４６、識別処理部４７及び検証処理部４８を備えている。検出処理装置４０は、コロニー検出のための処理として、画像入力、良品期間におけるトレーニング処理、良品期間終了後の識別期間における識別処理と判別処理、コロニー検出精度の検証処理、結果出力などを行う。なお、コロニー検出精度の検証処理は、全試料Ｓに対して行われるのではなく、検証の実施が設定されている試料Ｓに対してのみ行われる。

制御部４１は、検出処理及び検証処理の全体を制御したり、設定データをメモリ４２に記憶したりする。また、制御部４１は、カメラ２４が撮影した試料Ｓの画像、コロニー検出結果及びその検出精度の検証結果などをモニタ３３に表示する。制御部４１は、モニタ３３に設定画面を表示する。作業者は、入力操作部３２を操作して、培養期間、トレーニング期間Ｔ１（学習期間）、識別期間Ｔ２（検査期間）、学習間隔時間（学習サンプリング間隔）、識別間隔時間（識別サンプリング間隔）、検証期間Ｔ３などの期間条件に係る各種設定データを入力してこれらをメモリ４２に記憶させる。さらに制御部４１は、ノイズ収集の有無、閾値設定用距離、最外周検出の有無、判別の有無、コロニー識別条件（面積条件又は径の条件）などの検出や識別に係る各種設定データを入力してこれらをメモリ４２に記憶させる。

また、制御部４１は、検出精度の検証実施の有無、検証で使用するサンプル画像の指定などの検証に係る各種設定データを入力してこれらをメモリ４２に記憶させる。メモリ４２には、ハードディスクやＲＡＭの一部の記憶領域が使用される。そして、メモリ４２には、コロニー検出精度の検証処理に使用されるコロニーのサンプル画像が記憶されている。本例では、検査装置１９の工場導入時に、例えば試料Ｓの培地に入れた微生物（菌）を培養し、１時間ごとにカメラ２４で試料Ｓを撮影し、分類器４５のトレーニング終了後の識別期間Ｔ２におけるカメラ画像をサンプル画像として利用する。サンプル画像は、例えば果皮などの異物や乳化鉄等の析出物を含まない培地を使用して培養した試料Ｓを撮影したものを使用する。

制御部４１は、計時部４１ａを備えている。計時部４１ａは、培養開始から培養期間の終了までの経過時間を計時する。培養期間は、培養開始から所定時間を経過するまでの「トレーニング期間」と、所定時間を経過してから培養期間終了までの「識別期間」とに分けられる。培養期間は、検出対象の微生物の品種などに応じて定められた期間であって、例えば、１０〜３０時間の範囲内の値（例えば１８時間）に定められている。制御部４１は、計時部４１ａの計時時間に基づいて、現在がトレーニング期間Ｔ１と識別期間Ｔ２のどちらに属するか、学習及び検査の各サンプリング時期に達したこと、培養期間の終了などを把握する。また、本例では、識別期間Ｔ２を検証期間Ｔ３とし、識別期間Ｔ２における検査のサンプリング時期と、検証期間Ｔ３における検証のサンプリング時期とが同じになるようにしている。このため、識別期間Ｔ２（つまり検証期間Ｔ３）では１時間毎に識別処理と検証処理とが実施される。

ここで、培養開始からの一定期間（例えば５時間）をコロニーが発生しない良品期間とする。トレーニング処理部４６は、この良品期間を「トレーニング期間」として、分類器４５のトレーニングを行う。つまり、トレーニング処理部４６は、各試料Ｓ（シャーレ）に対して、培養開始から一定のトレーニング期間Ｔ１中に、分類器４５に色分類に係るトレーニングを行わせる。また、このトレーニング期間中に検出したものは良品情報として登録して、不良検出しないようにする。そして、識別処理部４７は、トレーニング期間終了以後に、色分類や差分の手法を用いて菌コロニーの検出を行う。すなわち、識別処理部４７は、検出結果とトレーニング期間に登録した良品情報とを比較することによって、良品か不良品かを判断する。識別処理部４７は、検出に際して、形状を判別する形状判別、色を判別する色判別、位置を判別する位置判別などの判別処理を行って、良品か不良品かを判断する。検出処理装置４０は、検出した結果をモニタ３３の画面に表示し、結果ファイルと画像をメモリ４２に保存する。

図２に示す入力情報生成部４３は、カメラ２４から入力したカラー画像データ（入力画像）から、分類器４５に入力すべき入力情報を取得する。入力情報生成部４３は、カメラ２４に予め決められた所定回数（例えば５回）撮影させて取得した所定枚数（例えば５枚）の画像から、１枚のカラーの検査画像を作成する。検査画像に基づく入力情報には、色情報が少なくとも含まれ、その他に、形状情報と位置情報とが含まれる。詳しくは、入力情報生成部４３は、カメラ２４から入力したカラー画像データのうち指定範囲内の画素の色情報（ＲＧＢ階調値）を１画素ずつ取得する。色情報は、Ｒ・Ｇ・Ｂを２５６階調で表現した階調値として与えられる。色情報の階調数は適宜変更してよい。

図２に示す分類器４５は、カーネル法に基づくサポートベクターマシン（ＳＶＭ：Support VectorMachine）、ニューラルネットワーク（ＭＬＰ：Multi−Layer Perceptron）、ガウス混合分布モデル（ＧＭＭ：Gaussian Mixture Models）のうち少なくとも１つのアルゴリズムからなる。分類器４５は、ＳＶＭ、ＭＬＰ、ＧＭＭのうち２つ又は３つを備えている。作業者がＳＶＭ、ＭＬＰ、ＧＭＭのうちからマニュアルで選択してもよく、検出処理装置４０がＳＶＭ、ＭＬＰ、ＧＭＭのうち検出対象に適切と判定したものを自動で選択してもよい。

分類器４５は、特徴抽出部５１、写像部５２、線形分離部５３、及び判定部５４（識別部）を備えている。特徴抽出部５１は、上記のＳＶＭ、ＭＬＰ、ＧＭＭのうち少なくとも１つの公知の関数アルゴリズムにより構成されている。特徴抽出部５１は、入力情報生成部４３からの入力情報を入力変数とし、関数アルゴリズムに従って特徴抽出演算を行う。これにより、特徴ベクトル（特徴ベクトルデータ）ｘが生成される。画素の色情報（ＲＧＢ階調値）を用いる場合、特徴ベクトルｘは、ＲＧＢ３色の特徴ベクトル成分（ｘr，ｘg，ｘb）を含む３次元のベクトルで表される。特徴ベクトルｘは、ＲＧＢ色と、ＲＧＢ色空間以外の他の色空間（例えば、ＨＳＶ色空間）の少なくとも一部の色成分情報とを組み合わせて用いてもよい。以下、色情報を、ＲＧＢ階調値の３次元情報として説明する。

写像部５２は、分類器４５がサポートベクターマシン（ＳＶＭ）である場合に備えられる。写像部５２は、特徴抽出部５１から出力された特徴ベクトルで規定される入力点ｘを、カーネル法による演算アルゴリズムに従って高次元特徴空間へと写像する。そして、写像部５２は、高次元特徴ベクトル（高次元特徴ベクトルデータ）を生成し、この高次元特徴ベクトルで規定される出力点（写像点）ψ（ｘ）を出力する。以下、分類器４５を、カーネル法に基づくサポートベクターマシン（ＳＶＭ）として説明する。

図４は、入力空間（特徴空間）から高次元特徴空間への写像を説明するグラフである。図４における左側は、特徴ベクトルで規定される入力点ｘ＝（ｘr，ｘg，ｘb）が存在する入力空間を示している。図４における右側は、高次元特徴ベクトルで規定される出力点（写像点）ψ（ｘ）（＝ψ（ｘr，ｘg，ｘb））が存在する高次元特徴空間を示している。図４では、ＳＶＭの特徴を説明する便宜上、入力空間に、培地の入力点ｘ1（培地点）と微生物の入力点ｘ2（微生物点）とを示している。入力点ｘは、色特徴量（ｘr，ｘg，ｘb）を含む３次元データからなる。説明の便宜上、図４では、Ｒ・Ｇ２色の色特徴量を座標軸とする２次元の入力空間（特徴空間）として示している。

入力空間における３次元の入力点ｘ1，ｘ2は、写像部５２により追加次元（Additional Dimension）が付加された高次元空間に写像されて、高次元特徴ベクトルで規定される出力点ψ（ｘr，ｘg，ｘb）として出力される。出力点ψ（ｘr，ｘg，ｘb，…）は、ｎ（ｎ＞３）次元の特徴ベクトルデータであり、ｎ個の成分（ψｘr，ψｘg，ψｘb，…）を有する。（ｘr，ｘg，ｘb）と（ψｘr，ψｘg，ψｘb，…）は、各ベクトルの終点の座標である。

図４に示す入力空間では、培地の点群ｘ1と微生物の点群ｘ2とは線形分離不可能である。しかしながら、写像先の高次元特徴空間では、培地点ｘ1を写像した点群ψ（ｘ1）と微生物点ｘ2を写像した点群ψ（ｘ2）とが、マージン最大化により設定される超平面によって線形分離可能となる。但し、本実施形態では、入力点ｘは培地点ｘ1のみであるため、マージン最大化によるのではなく点群ψ（ｘ1）から外側へ規定距離（閾値設定用距離ΔＬ）だけ離れた閾値から規定される超平面によって、培地のクラスＣ１のみが分類される（図５参照）。

図２に示す線形分離部５３は、図４において培地点の点群ψ（ｘ1）と微生物点の点群ψ（ｘ2）とのうちトレーニング期間に取得した少なくとも一方の点群ψ（ｘ）を、超平面（分離平面）によって線形分離する。そして、線形分離部５３は、培地のクラスＣ１と微生物のクラスＣ２とのうち少なくとも一方のクラスＣを分類する。

図５に示すように、培地の色情報のみを学習情報として分類器４５をトレーニングする本例では、入力空間に示す培地点ｘ1のみ入力点とし、その入力点の写像先となる高次元特徴空間では、培地の点群ψ（ｘ1）のみが生成される。線形分離部５３は、点群ψ（ｘ1）を超平面で線形分離して、培地のクラスＣ１のみ色分類する。このように分類すべきクラスが１つである場合、超平面を規定するための設定データとして閾値設定用距離ΔＬのデータがメモリ４２に記憶されている。線形分離部５３は、点群ψ（ｘ1）のうち最も外側の点（例えば、サポートベクターとなる複数点）から外側へ距離ΔＬの位置に閾値を設定する。こうして、図５に示す超平面を規定することにより、線形分離部５３は、培地のクラスＣ１を色分類する。分類するクラスが１つの場合、分類器４５は、カーネル法に基づくサポートベクターマシン（ＳＶＭ）、ガウス混合分布モデル（ＧＭＭ：Gaussian Mixture Models）のうち少なくとも一方からなる。

図２に示す判定部５４（識別部）は、識別期間Ｔ２において検査点（検査領域の一例）がどのクラスに属するかを識別する際に使用される。図２に示すトレーニング処理部４６は、分類器４５のトレーニングを行ううえで必要な構成として、トレーニング制御部５６、培地領域検出部５７及びノイズ収集部５８を備えている。トレーニング制御部５６は、トレーニングに必要な設定データや各種指示を分類器４５に与えたり、トレーニングに必要な指示を培地領域検出部５７及びノイズ収集部５８に与えたりする。なお、トレーニング処理部４６及び分類器４５により、トレーニング手段の一例が構成されている。

ここで、図７を参照して、カメラ２４が撮影した試料Ｓの画像について説明する。図７（ａ）〜（ｄ）は、培養期間中にカメラ２４が撮影した試料の画像を示す。図７（ａ）はトレーニング中の画像、図７（ｂ）は識別開始時（検証開始時）の画像、図７（ｃ）は識別中（検証中）におけるコロニー発生時の画像、図７（ｄ）はカメラの撮影画像にコロニー検出結果を重畳させて表示したモニタ３３の画像を示す。図７（ａ）に示す例の培地Ｍには、検査対象の飲料液中の不溶固形成分がノイズＮとして存在する。検査対象が例えば果実等を含む飲料液の場合、その中に含まれる果皮、果肉、繊維、種子などの微小固形物が、コロニーの誤検出を誘発するノイズＮとなる。

培地領域検出部５７は、試料Ｓを撮影した画像中における培地Ｍの領域（以下、「培地領域ＭＡ」と称す）を検出するとともに、その培地領域ＭＡ内のトレーニング局所領域ＴＡ（図７（ａ）参照）を検出する。トレーニング局所領域ＴＡとは、分類器４５が培地Ｍの色を学習するトレーニング対象領域である。本例では、トレーニング処理の負担を軽減するため、培地領域ＭＡの一部の領域がトレーニング局所領域ＴＡとして設定されている。詳しくは、培地領域検出部５７は、シャーレ３５の領域と培地領域ＭＡとを画像処理で区分し、さらに培地領域ＭＡ内においてノイズＮを含まない局所領域を検出して、これをトレーニング局所領域ＴＡに設定する。このとき、ノイズＮと培地Ｍとの色の違いを利用して、色の異なる領域の境界が色エッジとして検出される。作業者が入力操作部３２を操作して、トレーニング局所領域ＴＡをマニュアルで設定してもよい。トレーニング局所領域ＴＡの数と形状は適宜設定してよい。

ノイズ収集部５８は、ノイズデータを収集する。ノイズデータは、ノイズとコロニーとの判別を位置に基づき判別する位置判別において用いられる。ノイズ収集部５８は、トレーニング期間中に色エッジ検出又は分類器４５を用いてノイズＮを検出する。そして、ノイズ収集部５８は、検出したノイズＮの位置を含むノイズデータを収集する。例えば、分類器４５を用いる場合、トレーニング局所領域ＴＡでのトレーニングを少なくとも１回行って培地のクラスＣ１を分類した後、ノイズ収集部５８は、培地領域ＭＡ内の画素毎の入力情報を分類器４５に入力し、出力点として得られた点群ｘ又は点群ψ（ｘ）のうち培地のクラスＣ１に属さない点をノイズ点とする。そして、ノイズ収集部５８は、ノイズ点が連続する閉領域をノイズ領域として取得し、ノイズ領域の位置を演算してノイズデータとする。ノイズデータには、ノイズ領域の面積や色濃淡値などが含まれていてもよい。

識別処理部４７は、識別期間において、培地Ｍ上の各点の入力情報を基に特徴抽出部５１が生成した検査点ｘj（ＧＭＭの場合）、或いは、検査点ｘjを写像部５２により写像して得られる写像点ψ（ｘj）（ＳＶＭの場合）が、クラスに属するか否かを判定する。そして、識別処理部４７は、その判定結果に基づき検査点ｘjが培地点であるか、或いは微生物点であるかを識別する。さらに、識別処理部４７は、微生物点であると識別された点（画素）が連続して存在する閉領域を抽出する。そして、識別処理部４７は、種々の判定条件に照らしてその閉領域が微生物のコロニーであるかどうかを識別する。このような識別処理を行うために、識別処理部４７は、識別制御部６１、培地領域分割部６２、最外周検出部６３、判別部６４、ラベリング処理部６５及びコロニー検出部６６を備えている。識別処理部４７及びトレーニング済み（学習済み）の分類器４５により、識別部が構成されている。なお、検査点ｘjは、実際は領域を有しており検査領域の一例に相当する。

識別制御部６１は、識別処理を行う際に、分類器４５及び各部６２〜６６に対し指示を与える。培地領域分割部６２は、最外周検出「あり」の設定の場合に起動される。この場合、培地領域分割部６２は、図７（ｂ）に示すように、画像中の培地領域ＭＡを、中央部のメイン領域Ａ１（内側領域）と最外周局所領域Ａ２（周縁領域）とに分割する。メイン領域Ａ１と最外周局所領域Ａ２とが部分的に重なっていてもよい。

計時部４１ａの計時時間がトレーニング期間中にあるとき、制御部４１は、トレーニング処理部４６を起動させて、分類器４５のトレーニングを行う。計時時間が識別期間（検査期間）に入ると、制御部４１は、識別処理部４７を起動させ、トレーニング済みの分類器４５を用いて検査を行う。

本実施形態では、分類器４５を用いた微生物の検出処理がメイン領域Ａ１に対して行われる。分類器４５の特徴抽出処理は、特徴抽出部５１が、トレーニングのときと同様のアルゴリズムに従って行う。すなわち、カメラ２４からの画像データ中のメイン領域Ａ１における全画素の入力情報が、入力情報生成部４３から分類器４５へと１画素分ずつ順次入力される。特徴抽出部５１は、入力情報を基にアルゴリズムに従って特徴ベクトルｘj（検査点）を生成する。分類器４５がＳＶＭである場合、写像部５２は、特徴ベクトルで規定される検査点ｘjを高次元特徴空間へと写像して高次元特徴ベクトルψ（ｘj）を生成する。そして、分類器４５内の判定部５４は、特徴ベクトルで規定される点ｘj又は点ψ（ｘj）が、トレーニングで分類器４５が分類したクラスＣ（本例では培地のクラスＣ１）に属するか否かを判定し、その判定結果に基づいてその検査点ｘjが培地点であるか、或いは微生物点であるかを判定する。

図６は、分類器がＳＶＭである場合の例であり、判定部５４による判定方法を説明するグラフである。判定部５４は、図６（ａ）に示すように、高次元特徴空間へ写像された点ψ（ｘj）（ｊは、ｊ＝1,2,…）が培地のクラスＣ１に属する場合、検査点ｘjを培地点と判定する。一方、図６（ｂ）に示すように、点ψ（ｘj）が培地のクラスＣ１に属さない場合、判定部５４は、検査点ｘjを微生物点と判定する。この段階では、微生物点がノイズである可能性もある。

図２に示す最外周検出部６３は、最外周局所領域Ａ２における微生物検出を、メイン領域Ａ１とは異なる別の方法を用いて行う。これは、培地領域ＭＡの最外周付近の環状領域が、例えば、シャーレ３５の側壁部で屈折した光や側壁部の影が培地Ｍの色に影響を与える領域であるためである。そのため、最外周検出部６３は、最外周局所領域Ａ２内で色の異なる領域の境界（色エッジ）を検出する色エッジ検出を行う。そして、最外周検出部６３は、色エッジにより囲まれた領域にモフォロジー処理を施して形状を特定したものをコロニー候補とする。

図２に示す判別部６４は、判別「あり」の設定の場合に起動される。判別部６４は、形状判別、色判別、位置判別を行って、メイン領域Ａ１で検出された微生物点が連続して存在する閉領域として決定される検出物（コロニー候補）及び最外周局所領域Ａ２で検出された検出物（コロニー候補）の中からノイズＮ以外のコロニーを判別する。形状判別では、特徴抽出などにより取得した検出物の面積、円形度、凸度、最小外接円などの特徴が、予め設定された又は学習したコロニーの形状条件を満たしているがどうかが判別される。判別部６４は、検出部のうち上記の形状条件を満たしているものを、コロニーとして判別する。また、色判別では、検出物と培地領域の特定の色度合いをそれぞれ計算し、両者の色度合いの差が予め設定した閾値以上であるかどうかが判別される。判別部６４は、色度合いの差が閾値以上である場合、その検出物をコロニーとして判別する。色判別は、検出物に対して１画素分ずつ行う。位置判別では、トレーニングステップで収集したノイズデータに基づくノイズの位置と検出物の位置とを比較してコロニーが判別される。位置判別で検出物がノイズと重なるために判別できない場合は、検出物の面積及び色濃淡値を用いて位置判別が行われる。

ラベリング処理部６５は、メイン領域Ａ１及び最外周局所領域Ａ２内でコロニーであると検出又は判別した検出物にラベルを貼るラベリング処理を行う。このとき、ノイズＮではないと検出又は判別された検出物にはラベルが貼られるが、ノイズＮであると検出又は判別された検出物にはラベルが貼られない。

コロニー検出部６６は、ラベリングされた検出物の面積が予め設定された面積条件を満たすかどうかを判定し、面積条件を満たす検出物をコロニーとして検出する。例えば、検出物の面積Ｓdが、下限Ｓlowerと上限Ｓupperとを用いて規定される面積条件Ｓlower≦Ｓd≦Ｓupperを満たせば、その検出物はコロニーとして検出される。面積条件として、下限だけ又は上限だけを設定してもよい。

制御部４１は、識別処理部４７から取得したコロニー検出結果をモニタ３３に表示する。コロニーが検出されなければ、検出コロニー個数の表示は「０」のままである。コロニーが検出されれば、検出されたコロニーの個数が表示される。それとともに、図７（ｄ）に示すように、モニタ３３に表示される培地Ｍの画像には、検出されたコロニーを囲むマーク７０が重畳表示される。

トレーニング期間を終えると、検証処理部４８は、トレーニング期間Ｔ１の終了後の識別期間Ｔ２において、識別処理部４７による識別処理が行われる所定間隔（例えば１時間）毎にコロニー検出精度の検証処理を行う。菌個数が既知のサンプル画像からコロニーを、識別処理に使用する運用中の検査対象画像に組み込む画像合成処理を行って検証画像を作成し、その検証画像に対して識別処理と同様の作業を行う。コロニーのサンプルの画像の作成方法、微生物検査装置１９（検出処理装置４０）のコロニー検出精度の検証方法は後述する。検証処理部４８は、メモリ４２に記憶されたサンプル画像を読み出して取得する。ここで、サンプル画像とは、コロニーを撮影した撮影画像であったり、人工的に描画により作成された画像であったりする。検証処理部４８は、補正処理部７１、サンプル情報取得部７２、画像合成部７３、サンプル検出部７４及び検証部７５を備えている。

図８に示すように、トレーニング期間Ｔ１（図８（ａ）〜（ｂ））は、コロニーＣＬが発生しない良品期間である。この期間は、検査対象の試料Ｓの培地Ｍの画像を用いて分類器４５のトレーニングが行われる。図８の例では、０〜５時間の期間がトレーニング期間Ｔ１になっている。トレーニング期間Ｔ１終了後の次の識別期間Ｔ２では、試料Ｓの検査画像ＩＮに対してコロニーを識別して検出する識別処理が行われる。検証の実施が設定されているときは、識別期間Ｔ２が検証期間Ｔ３ともなり、識別処理と共に検証処理が行われる。検証処理部４８によって、サンプルの一例としてのサンプルコロニーＣＬｓ（ダミーコロニー）の画像を、トレーニング期間Ｔ１中にカメラ２４で撮影して取得した試料Ｓの培地を含むカラー画像からなるカメラ画像（検査画像）に組み込む画像合成処理を行って、検証に使用する検証画像ＩＶ（図９（ｅ）参照）を作成する。そして、検証処理部４８は、検証画像ＩＶを用いて、検出処理装置４０のコロニー検出精度を検証する検証処理を行う。

図８（ｃ）〜図８（ｈ）が検証画像ＩＶである。図８（ｃ）に示す６時間目の検証画像ＩＶには、まだコロニーが発生していない。図８（ｄ）に示す８時間の検証画像ＩＶからサンプルコロニーＣＬｓが発生しているが、まだサンプルコロニーＣＬｓは小さい。以後、図８（ｅ）〜図８（ｇ）に示す１２時間、１３時間、１４時間の検証画像ＩＶでは、サンプルコロニーＣＬｓが徐々に成長している。そして、図８（ｈ）に示す１８時間の検証画像ＩＶは、サンプルコロニーＣＬｓの成長速度が鈍化しており、１４時間のものとさほど変わらない。このような図８（ｃ）〜（ｈ）の検証画像ＩＶを用いて、検証処理部４８による検証処理が行われる。

図２に示す検証処理部４８は、日常自動で微生物コロニーの検査を行う検査装置１９の運用中に、通常の識別処理の後にそのときの試料Ｓの培養時間と同じ時間のサンプル画像をメモリ４２から読み込み、その読み込んだサンプル画像を用いて作成した各時間の検証画像ＩＶを用いてコロニーの検出処理を実施する。

この検証処理に使用される検証画像ＩＶは、図９に示すように、以下のように作成される。例えばＰ時間目（Ｐ＞Ｊ）に、トレーニング期間Ｔ１（０〜Ｊ時間）内に撮影された検査画像ＩＮ（カメラ画像）を使用して行う検証処理について説明する。日常の検査でトレーニング期間Ｔ１（例えばＪ時間目）に撮影された検査画像ＩＮ（図９（ａ））を用いる。次にメモリ４２からＰ時間目のサンプル画像ＩＳを読み込んで取得する。前述のように、本実施形態のサンプル画像ＩＳは、微生物検査システム１１（微生物検査装置１９）の工場導入時にテストのため、培地に菌を付けたテスト試料Ｓを用意し、そのテスト試料Ｓを撮影した画像を使用する。培養期間のうち良品期間（０〜Ｊ時間目）以外の期間、つまり（Ｊ＋１）時間目（例えば６時間）から（Ｊ＋Ｋ）時間目（例えば１８時間）までの識別期間Ｔ２のＫ枚のサンプル画像ＩＳが予めメモリ４２に記憶されている。

図２に示す補正処理部７１は、カメラ画像Ｉｃの明るさ、色合いでサンプル画像ＩＳを補正する。例えばサンプル画像ＩＳの培地の明るさ及び色合いを、カメラ画像である検査画像ＩＮの培地の明るさ及び色合いに合わせる補正処理を行う。つまり、補正処理部７１は、補正処理として明度補正処理と色補正処理とを行う。このような明るさや色合いを補正する理由は、サンプルコロニー（ダミーコロニー）の色はそれ自体の色ではなく、培地の色と合成した色で発色しており、培地の明るさや色合いに合わせる補正を行うことで、組み込み先の培地の色と合成されたときに発色する色に補正しておくためである。ここで、培地の明るさや色合いは、培地の種類や厚さに依存して変化する。また、カメラ２４や光源２８等の光学系の経年変化に起因する光学的特性変化によっても、カラー画像中のコロニーの発色の仕方等が異なる。このため、サンプル画像ＩＳの培地の明るさ及び色合いを検査画像ＩＮに合わせる補正処理をサンプル画像ＩＳの全体に施すことで、サンプルコロニーも一緒に補正する。こうして、培地の種類や厚さの影響、及び検査装置１９の光学的特性も加味された明るさ及び色合いに補正されたサンプルコロニーＣＬｓを含む補正画像ＩＲ（図９（ｃ））が作成される。なお、本実施形態では、サンプルコロニーの組み込み先のベース画像として使用するカメラ画像として、トレーニング期間Ｔ１の検査画像ＩＮを用いる。この検査画像ＩＮには、例えばトレーニング期間Ｔ１中の最後に撮影されたＪ時間目（本例では５時間目）のカメラ画像を使用する。

サンプル情報取得部７２は、図９（ｃ）に示す補正画像ＩＲから、図９（ｄ）に示すようなサンプルコロニーＣＬｓの形状情報、色情報及び位置情報等のサンプル情報を取得する。

画像合成部７３は、サンプル情報取得部７２が取得した形状情報、色情報及び位置情報等のサンプル情報に基づき、検査画像ＩＮ（図９（ａ））におけるシャーレ３５中の培地Ｍの領域に、形状情報から決まる形状かつ色情報から決まる色のサンプルコロニーＣＬｓを、位置情報に基づく位置に組み込む画像合成を行う。画像合成部７３は、この画像合成によって検査装置１９の機能を確認する検証に使用する検証画像ＩＶ（図９（ｅ））を作成する。

サンプル検出部７４は、サンプルコロニーＣＬｓを組み込んだ検証画像ＩＶに対して、識別処理部４７と同様の処理を検出処理として行う。すなわち、識別処理部４７は検査対象の検査画像ＩＮに対して識別処理を行うのに対して、サンプル検出部７４は、検証画像ＩＶに対して識別処理と同様の処理を検出処理として行う。サンプル検出部７４は、識別処理部４７が備える各部６１〜６６と同様の機能を有する、識別制御部、培地領域分割部、最外周検出部、判別部、ラベリング処理部及びコロニー検出部（いずれも図示略）を備えている。なお、サンプル検出部７４は、識別処理部４７の各部６１〜６６のうちの一部又は全部を利用する構成でもよい。

検証部７５は、サンプル検出部７４で検出された検出コロニー数と既知のサンプルコロニー数との比較結果に基づいて、検査装置１９の検出精度を検証する。このとき、コロニー検出位置とサンプルコロニーＣＬｓの組込み位置とを比較し、検出されたコロニーがノイズではなくサンプルコロニーＣＬｓであるかどうかも検証される。例えばサンプルコロニーＣＬｓの全てがコロニーとして検出されれば、検査装置１９の検出精度を合格とし、サンプルコロニーＣＬｓの１つでも検出されなければ不合格とする。また、サンプルコロニーＣＫｓ以外の例えばノイズＮをコロニーとして検出した場合も、不合格とする。そして、検証部７５は、その検証結果をモニタ３３に出力するとともに、不合格である場合はさらに警告音や警告灯等により作業者にその旨を知らせる。

次に、コンピュータ３８の微生物検出処理について図１１〜図１３に示すフローチャートを参照して説明する。微生物検出処理は、ソフトウェアにより、図２に示す検出処理装置４０によって行われる。

図１１に示すように、まずステップＳ１０では、作業者は、培養開始前に入力操作部３２を操作して、ノイズ収集の有無、閾値設定用距離、最外周検出の有無、判別の有無、面積条件など設定値を、パーソナルコンピュータ２６に入力する。入力された各種の設定値は、メモリ４２に記憶される。そして、作業者が入力操作部３２を用いて検査開始操作を行うと、コンピュータ３８（検出処理装置４０）により微生物検出処理が開始される。

ステップＳ１０では、コンピュータ３８は、メモリ４２から、ノイズ収集の有無、閾値設定用距離、最外周検出の有無、判別の有無、面積条件、検証実施の有無などの設定値を読み出す。

ステップＳ２０では、コンピュータ３８は、トレーニング期間Ｔ１において、カメラ２４が撮影した培地Ｍの画像を用いて、分類器４５に培地の少なくとも色を学習させる。ステップＳ２０のトレーニング処理がトレーニングステップの一例に相当する。このトレーニング期間Ｔ１では、検査開始時（０時間目）にカメラ２４で試料Ｓを撮影し、その後、１時間毎に試料Ｓを取り出して検査装置１９にセットするとともにカメラ２４でその試料Ｓを撮影して試料Ｓのカラー画像を取得する。そして、１時間毎の培地領域の少なくとも一部の領域（本例ではトレーニング局所領域）のカラー画像を使って分類器４５をトレーニングする。トレーニング期間Ｔ１における１時間毎のカラー画像のデータはメモリ４２に記憶される。こうして０時間目〜Ｊ時間目までの培地のカラー画像を用いてカラー画像中の一部の領域内の各点の少なくとも色情報を分類器４５に入力することで、カラー画像中の培地の色で分類器４５をトレーニングする。

ステップＳ３０では、コンピュータ３８は、識別期間において、培地領域における微生物コロニーの有無を識別する識別処理を行う。ステップＳ３０の識別処理が識別ステップの一例に相当する。

次のステップＳ４０〜Ｓ１００の処理が、検査装置１９のコロニー検出精度（検出機能）を検証する検証処理となる。以下、検証処理について説明する。
ステップＳ４０では、検証を実施するか否かを判断する。検証を実施する場合はステップＳ５０に進み、以下の検証のためのステップＳ５０〜ステップＳ１００の各処理を実行する。一方、検証を実施しない場合はステップＳ１１０に進んで、識別期間が終了したか否かを判断する。まだ識別期間が終了していなければ、つまり識別期間中であれば（Ｓ１１０で否定判定）、ステップＳ３０に進み、識別期間が終了すれば（Ｓ１１０で肯定判定）当該ルーチンを終了する。

つまり、検証の実施が設定されていない場合は、ステップＳ１１０で識別期間が終了と判断されるまで、ステップＳ３０の識別処理を設定時間（本例では１時間）毎に実施する。一方、検証の実施が設定されている場合は、設定時間（本例では１時間）毎に、ステップＳ３０の識別処理と、ステップＳ５０〜Ｓ１００の検証のための各処理とを実行することになる。このように本実施形態では、検証を実施する場合、通常検査のトレーニング後に、トレーニングした分類器４５を用いて、通常検査の識別処理を行うときに一緒に検証のための各処理を行う。検証を実施する場合（Ｓ４０で肯定判定）、以下の処理が行われる。

まずステップＳ５０では、サンプル画像を取得する。コンピュータ３８は、メモリ４２からそのときの検査対象の種類とそのときの時間に応じたサンプル画像ＩＳを読み出す。メモリ４２には、図８に示す検証画像ＩＶを生成するためのトレーニング期間Ｔ１終了後のＪ＋１時間目からＪ＋Ｐ時間目までの合計Ｐ枚のサンプル画像ＩＳが記憶されている。例えば今回がＫ時間目であれば、Ｋ時間目のサンプル画像ＩＳをメモリ４２から読み出す。例えば図９（ｂ）に示すサンプル画像ＩＳをメモリ４２から読み出して取得する。

次のステップＳ６０では、補正処理を行う。この補正処理では、サンプル画像ＩＳの培地Ｍ１の明るさ及び色合いを、検査画像ＩＮの培地Ｍの明るさ及び色合いに合わせる処理を、培地領域の全体に施す。つまり、本例では、補正処理として明度補正処理と色補正処理とを行う。明度補正処理は、培地Ｍ中にノイズＮが存在する場合は、ノイズＮの領域を検出してこれを避けて培地のみの領域を取得し、その培地のみの領域の明度を取得する。次に、サンプル画像ＩＳの培地Ｍ１のみの領域を取得し、その培地Ｍ１のみの領域の明度を、先に取得した培地Ｍの明度に合わせる明度補正をサンプル画像ＩＳの少なくともサンプルコロニーＣＬｓを含む領域（例えば画像全体又は培地領域全体）に施す。また、色補正処理は、例えばＲＧＢ別に行う。まず検査画像ＩＮの培地Ｍ中にノイズＮが存在する場合は、ノイズＮの領域を検出してこれを避けて培地のみの領域を取得し、その培地のみの領域のＲＧＢ値を取得する。そして、その培地のみの領域のＲＧＢの色別の平均値を取得する。

次に、明度補正後のサンプル画像ＩＳの培地Ｍ１のみの領域を取得し、その培地Ｍ１のみの領域のＲＧＢ値の色別の平均値を取得する。そして、培地Ｍ１のみの領域のＲＧＢ値の色別の平均値と、先に取得した培地ＭのＲＧＢの色別の平均値との差分を取得する。さらに、その培地Ｍ１のみの領域のＲＧＢ値を、先に取得したＲＧＢ値の色別の平均値の差分に相当する分だけ、培地ＭのＲＧＢ値に近づける色補正処理をサンプル画像ＩＳの少なくともサンプルコロニーＣＬｓを含む領域（例えば画像全体又は培地領域全体）に施す。

この補正処理をサンプル画像ＩＳに施すことにより、図９（ｃ）に示す補正画像ＩＲが得られる。この補正画像ＩＲでは培地Ｍ２の色合い及び明るさが、検査画像ＩＮの培地Ｍの色合い及び明るさと同じになることで、サンプルコロニーＣＬｓは、それ自体の色に検査画像ＩＮ中の培地Ｍの色の影響を受けた色になる。つまり、サンプルコロニーＣＬｓの色が、サンプル画像ＩＳの培地Ｍ１の色の影響を受けた色から、検査画像ＩＮの培地Ｍの色の影響を受けた色になる。こうして補正処理により補正画像ＩＲが取得される。

ステップＳ７０では、サンプル情報を取得する。つまり、コンピュータ３８は、補正画像ＩＲからサンプルコロニーＣＬｓの形状情報、色情報及び位置情報を取得する。
ステップＳ８０では、サンプルの画像合成処理を行う。すなわち、コンピュータ３８は、サンプルコロニーＣＬｓの形状情報及び色情報に基づくサンプルコロニーＣＬｓを、検査画像ＩＮに対して位置情報に基づく位置に組み込む画像合成処理を行う。この処理により検査画像ＩＮの培地Ｍ中の位置情報に基づく各位置に、複数のサンプルコロニーＣＬｓがそれぞれ形状情報に基づく形状かつ色情報に基づく色で組み込まれることにより、検証画像ＩＶが生成される。このとき、サンプルコロニーＣＬｓの色は組込み先の培地Ｍの色との合成色にはならず、補正画像ＩＲのときのサンプルコロニーＣＬｓと同じ色になる。

ここで、図９の例では、サンプルコロニーＣＬｓをサンプル画像ＩＳの培地Ｍ１における元の位置と同じ位置に組み込む例としたが、ステップＳ７０で位置情報は取得せず、ステップＳ８０で、培地Ｍにおける予め決められた位置にサンプルコロニーＣＬｓを組み込んでもよい。なお、ステップＳ５０〜Ｓ８０の各処理により、画像合成ステップの一例が構成される。

ステップＳ９０では、サンプル検出処理を行う。つまり、コンピュータ３８は、検証画像ＩＶに対して、検査画像ＩＮに対して行われる識別処理（Ｓ３０）と同様の処理を検出処理として行う。このため、コンピュータ３８は、分類器４５を用いて検証画像ＩＶに対して識別処理を行う。この結果、分類器４５が適正に設定されたものであれば、サンプルコロニーＣＬｓの全てがコロニーとして検出（識別）される。なお、Ｓ９０のサンプル検出処理が、検出ステップの一例に相当する。

ステップＳ１００では、検証処理を行う。時間毎のサンプルコロニーＣＬｓの数は既知でメモリ４２に記憶されている。コンピュータ３８は、メモリ４２から今回の時間に対応するサンプルコロニーＣＬｓの数を読み出し、そのサンプルコロニーＣＬｓの数とコロニー検出数との比較結果に基づいて検証する。例えばサンプルコロニーＣＬｓの数とコロニー検出数とが一致した場合は、検査装置１９の検出精度が合格であると判定され、一方、サンプルコロニーＣＬｓの数とコロニー検出数とが不一致の場合は、検査装置１９の検出精度が不合格であると判定される。このとき、コンピュータ３８は、検出コロニーの位置情報とサンプルコロニーＣＬｓの位置情報とに基づいて、その検出コロニーがサンプルコロニーＣＬｓであるかどうか、検出コロニーの中にサンプルコロニーＣＬｓ以外のノイズが含まれていないかどうかを判定する。また、コンピュータ３８は、サンプルコロニー数に対する検出コロニー数の割合（％）を時間別に計算する。さらに、検証の結果が不合格であるときなど、検出できなかったサンプルコロニーＣＬｓを検出できるようにするための適正な設定値又はその設定範囲、及びノイズをコロニーとして検出しないようにする適切な設定値又はその設定範囲などを含む適切な設定条件（判定条件）を解析する。そして、コンピュータ３８は、これらの検証結果及び設定条件の解析結果をモニタ３３に出力する。このとき、識別処理の結果として表示される図７（ｄ）に示す試料Ｓの画像と同様に、モニタ３３に図９（ｅ）に示す検証画像ＩＶが表示され、図７（ｄ）におけるコロニーＣＬに付されたものと同様のマーク７０が、検証画像ＩＶ中のサンプルコロニーＣＬｓに付される。この結果、作業者はモニタ３３の検証結果の画面を見ることで、どのようなサンプルコロニーＣＬｓがコロニーとして検出されず、どのようなノイズＮがコロニーとして誤検出されたかを視覚的に確認できる。また、コンピュータ３８は、解析した設定条件（検出用判定条件）を検査装置１９に設定することもできる。例えば解析結果から得られた各種の閾値や、コロニー識別条件（面積条件又は径の条件）、設定データの１つである閾値設定用距離ΔＬなどを含む設定条件が適切な値に変更される。

図１０（ａ），（ｂ）は、検証期間Ｔ３における検証結果の一例を示す。これらのグラフでは、横軸が経過時間（ｈｒ）で縦軸がコロニー数（個）である。各グラフにおいて黒三角マークがサンプル菌数（サンプルコロニー数）を示し、白抜きの四角マークが検出菌数（検出コロニー数）である。図１０に示すように、トレーニング期間Ｔ１はコロニーが発生しない良品期間であり、この期間で培地の画像を用いて分類器４５のトレーニングが行われる。つまり、０時間目〜５時間目では、分類器４５が培地を学習する。こうして通常検査のトレーニング期間Ｔ１で試料Ｓの培地が学習される。そして、検証期間Ｔ３（本例では識別期間Ｔ２でもある）では、トレーニングされた分類器４５を用いて、１時間毎に検証処理を行う。このように本実施形態では、通常検査の運用中に検証処理を行う。これらのグラフでは、検証期間の全ての時間でサンプル菌数と検出菌数が１００％で一致しており、検査装置１９の検証結果は合格となる。一方、この中の１つの時間でも、サンプル菌数当たりの検出菌数の割合が１００％でなかった場合は、不合格となる。但し、合否の決め方は作業者側の必要性に応じて適宜変更できる。

次に、図１２及び図１３を参照して、トレーニング処理及び識別処理の詳細について説明する。なお、図１１におけるサンプル検出処理（検出ステップの一例）は、以下のトレーニング処理でトレーニングされた分類器４５を用いて、検証画像ＩＶに対して以下の識別処理と同様の処理を行う処理である。つまり、以下の識別処理の説明は、検査対象を試料Ｓのカラー画像から検証画像ＩＶに替えれば、サンプル検出処理の説明となる。

コンピュータ３８は、Ｓ２０のトレーニング処理で図１２に示すトレーニング処理ルーチン、Ｓ３０の識別処理で図１３に示す識別処理ルーチンをそれぞれ実行する。以下、トレーニング処理及び識別処理の詳細を、図１２及び図１３の各フローチャートに従ってそれぞれ説明する。まず、トレーニング処理部４６により、カメラ２４により撮影された画像データを基づき、入力情報生成部４３及び分類器４５を用いて、トレーニング処理が行われる。

図１２におけるステップＳ２１０では、検査対象の培地Ｍが収容されたシャーレ３５が、カメラ２４により、１〜１０回の範囲内の所定回数、例えば５回撮影される。
ステップＳ２２０では、撮影した画像データに基づいて、画像中の培地領域ＭＡが検出される（図７（ａ）参照）。

ステップＳ２３０では、培地領域ＭＡ中に、トレーニング局所領域ＴＡが設定される（図７（ａ）参照）。例えば、培地領域ＭＡ内でノイズＮを探索し、ノイズＮを含まない領域が、トレーニング局所領域ＴＡとして設定される。

ステップＳ２４０では、トレーニング局所領域ＴＡを対象に、学習アルゴリズムを用いて、分類器４５のトレーニングが行われる。詳しくは、図２に示す入力情報生成部４３が、トレーニング局所領域ＴＡ内の１画素ずつの色情報を含む入力情報を生成する。そして、入力情報生成部４３は、入力情報を学習情報として分類器４５に順次出力する。分類器４５内の特徴抽出部５１は、入力情報を基に、アルゴリズムに従って特徴ベクトルｘ1を生成する。分類器４５がＳＶＭである場合、図６に示すように、特徴ベクトルで規定される培地点ｘ1が、写像部５２により高次元特徴空間へと順次写像される。こうして、写像先の高次元特徴ベクトルで規定される点群ψ（ｘ1）が得られる。点群ψ（ｘ1）から外側へ閾値設定用距離ΔＬだけ離れた位置に、超平面のかたちで閾値が設定される。この超平面により高次元特徴空間が線形分離されて、培地のクラスＣ１が色分類される。

ステップＳ２５０では、ノイズ収集の有無が判断される。ノイズ収集「あり」の設定であればステップＳ２６０に進み、ノイズ収集「なし」の設定であればステップＳ２７０に進む。

ステップＳ２６０では、ノイズデータが収集される。ノイズ収集部５８は、培地領域ＭＡ内で色エッジを検出し、色エッジから培地Ｍと色相の異なる領域をノイズＮとして検出する。ノイズ収集部５８は、検出したノイズＮの位置を計算してその位置情報を少なくとも含むノイズデータを生成し、メモリ４２に記憶させる。

ステップＳ２７０では、追加トレーニングの有無が判断される。ここで、トレーニング期間中、トレーニングを何回でも行うことができ、追加トレーニングにより学習データを追加することができる。学習データ追加許容期間（所定時間）として、微生物群（コロニー）の生成時間より短い値であれば適宜な値を設定してもよい。追加トレーニングがあれば、Ｓ２１０に戻り、学習サンプリング間隔をおいた次の実施時期に、試料Ｓが再び検査台２３に搬送される。そして、カメラ２４が撮影した試料Ｓの画像データを用いて、Ｓ２１０〜Ｓ２７０の処理が同様に行われる。追加トレーニングがなければ、トレーニング処理ルーチンは終了する。

トレーニング処理は、培養開始（時刻０）から所定時間（例えば５時間）経過するまでのトレーニング期間に、学習サンプリング間隔（例えば３０分又は１時間）毎に行われる。このトレーニングによって、分類器４５は、培地のクラスＣ１を分類する。このため、例えば、トレーニング期間中に培地Ｍの色の変化が学習される。それと共に、飲料液中に含まれる乳化鉄等の金属成分が酸化して発生した析出物（酸化鉄等）に関するデータも、ノイズＮとして収集される。

計時部４１ａの計時時間が所定時間（例えば５時間）を経過すると、トレーニング期間から識別期間へと移行する。そして、コンピュータ３８は、図１３に示す識別処理ルーチンを開始する。ここでは、識別処理部４７により、入力情報生成部４３及び分類器４５を用いて、識別処理が行われる。

図１３に示すように、まず、ステップＳ３１０では、検査対象の培地Ｍを収容したシャーレ３５が、カメラ２４により、トレーニングのときと同じ回数だけ撮影される。
次のステップＳ３２０では、撮影した画像データに基づいて、培地領域ＭＡが検出される。

ステップＳ３３０では、培地領域ＭＡ中に、メイン領域Ａ１と最外周局所領域Ａ２とが設定される。
ステップＳ３４０では、ＬＵＴ（ルックアップテーブル）による輝度変換が行われる。輝度変換では、コントラスト調整及びガンマ補正などが行われる。

次のステップＳ３５０では、メイン領域Ａ１を対象に、分類器４５により学習アルゴリズムを用いて微生物点が検出される。詳しくは、図２に示す入力情報生成部４３が、メイン領域Ａ１内の１画素ずつの色情報を含む入力情報を生成し、分類器４５へと順次出力する。分類器４５内において、特徴抽出部５１は、入力情報を基に、特徴ベクトルｘj（但し、j＝1,2,…）（検査点）を生成する。分類器４５がＳＶＭである場合、図５に示す特徴ベクトルで規定される検査点ｘjが、写像部５２により高次元特徴空間へと順次写像される。こうして、高次元特徴ベクトルで規定される写像点ψ（ｘj）（図６を参照）が得られる。図６（ａ）に示すように写像点ψ（ｘj）が培地のクラスＣ１に属する場合は、検査点ｘjは培地点であると判定（識別）される。一方、図６（ｂ）に示すように写像点ψ（ｘj）が培地のクラスＣ１に属さない場合、検査点ｘjは微生物点であると判定（識別）される。図７（ｃ）に示すように、識別ステップへ移行後に例えば３〜５時間経過すると、コロニーＣＬが発生することがある。この場合、コロニーＣＬ中の画素の入力情報に基づく検査点ｘjを写像して得られた点ψ（ｘj）（但しＳＶＭの場合）は、図６（ｂ）に示すように培地のクラスＣ１に属することはなく、微生物点として検出される。このような検出処理は、メイン領域Ａ１の全画素について行われる。

ステップＳ３６０では、最外周検出の有無が判断される。最外周検出「あり」の設定であればステップＳ３７０に進み、最外周検出「なし」の設定であればステップＳ３９０に進む。

ステップＳ３７０では、最外周局所領域Ａ２内で色エッジを検出して、培地との色相の違いからコロニー領域が検出される。コロニー領域は、ノイズ領域である可能性もある検出物（コロニー候補）の領域である。

続くステップＳ３８０では、領域モフォロジー処理を行って、検出物の形状を、例えば、円形状や楕円形状に適正化する。
ステップＳ３９０では、判別処理の有無が判断される。判別処理「あり」の設定の場合はステップＳ４００に進み、判別処理「なし」の設定の場合はステップＳ４１０に進む。

ステップＳ４００では、形状、色、位置から検出物が判別される。メイン領域Ａ１と最外周局所領域Ａ２の各検出結果が統合される。そして、統合して得られた結果について、まず、微生物点が連続して存在する閉領域について特徴抽出を行い、検出物（コロニー候補）が検出される。形状判別では、まず、検出物の面積、円形度、凸度、最小外接円などが演算される。そして、特徴抽出されたこれらの特徴量がコロニーの形状条件を満たしている検出物についてはコロニー候補であると判別される。色判別では、まず、検出物と培地領域の特定の色度合いをそれぞれ計算する。そして、両者の色度合いの差が予め設定した閾値以上になった検出物についてはコロニー候補であると判別される。位置判別では、まず、メモリ４２から読み出したノイズデータから決まるノイズの位置と、演算した検出物の位置とが比較される。そして、ノイズと位置が重ならない検出物についてはコロニー候補であると判別される。位置判別で検出物がノイズと重なるために判別できない場合は、検出物の面積及び色濃淡値を用いて判別される。こうして、判別ステップにより、検出物のうちノイズＮ等はコロニーとして判別されず、検出物（コロニー候補）はさらに絞り込まれる。

ステップＳ４１０では、検出又は判別後の検出物にラベリングが付される。つまり、メイン領域Ａ１及び最外周局所領域Ａ２の各検出結果を統合し、培地領域ＭＡの全域に亘り検出又は判別された全ての検出物にラベリングが付される。このとき、Ｓ４００の判別処理を行った場合、判別処理でノイズであると判別された検出物についてはラベリングの対象から除外される。

ステップＳ４２０では、面積条件に基づき検出物がコロニーであるか否かが判定される。コロニー検出部６６は、ラベリングされた検出物の面積がメモリ４２から読み出した面積条件を満たすか否かを調べる。検出物の面積Ｓdが面積条件Ｓlower≦Ｓd≦Ｓupperを満たした場合、検出物はコロニーＣＬであると判定される。

ステップＳ４３０では、コロニー検出結果がモニタ３３に表示されると共に、コロニー検出結果に応じた制御信号が出力される。即ち、識別処理部４７から受け付けたコロニー検出結果が検出数「０」であれば、制御部４１は、検出コロニー個数「０」である旨をモニタ３３に表示する。一方、コロニー検出結果が検出数「Ｎ」（Ｎ≧１）であれば、制御部４１は、検出コロニー個数「Ｎ」をモニタ３３に表示すると共に、モニタ３３に表示された試料Ｓの画像中に、図７（ｄ）に示すように、検出されたコロニーＣＬを囲むようにマーク７０を重畳表示させる。このようなマーク７０の表示によって、恒温室１３の室外でモニタ３３を見ている作業者は、検査中の試料Ｓで発生したコロニーの発生状況を容易に把握することができる。また、制御部４１から出力された制御信号がコントローラ２５へと送られる。コロニー検出数「Ｎ」（Ｎ≧１）の場合、コロニーが検出された時点で検査は中止されて、制御部４１は、コントローラ２５に対し、試料Ｓを搬出する旨の制御信号を出力する。この結果、コントローラ２５は、搬送ロボット２０を制御して、不良品と判別された試料Ｓを取出棚１７へ搬送すると共に、コンベア１７ａを駆動してその試料Ｓを室外へと搬出する。一方、コロニー検出結果が検出数「０」の場合、試料Ｓは収納棚１８に戻される。培養期間を終了してもコロニーが検出されなかった試料Ｓは、搬送ロボット２０により良品用の取出棚１６へ運ばれ、コンベア１６ａにより室外へと搬出される。

従来、培養期間の終了時点で検査を行いコロニーが１個でも検出された場合、飲料品の生産をロット毎中止しなければならなかった。本実施形態の検査装置１９によれば、培養期間の途中でもコロニーを検出でき、コロニーを検出した時点で、早期に飲料品の生産を中止することができる。よって、飲料品の不良品数を極力少なく抑えられる。

以上詳述したようにこの第１実施形態によれば、以下の効果が得られる。
（１）サンプル画像ＩＳ中のサンプルコロニーＣＬｓをトレーニング期間Ｔ１中の検査画像ＩＮに組み込む画像合成処理を行うことで検証画像ＩＶを作成した。そして、検証画像ＩＶを用いてコロニーを検出する検出処理を行い、その検出結果に基づいて検査装置１９の検出精度を検証する。このように通常検査のトレーニング期間Ｔ１中にカメラ２４が試料Ｓを撮影した検査画像ＩＮ中の培地にサンプルコロニーＣＬｓを組み込むので、検査装置１９の検出精度を高い精度で検証することができる。つまり、実際にトレーニングに使用したカラー画像を用いて検証画像ＩＶを作成するため、実際の測定条件（設定条件）を反映した検証を行うことができ、高い検出精度を維持することができる。

（２）コロニーの経時変化を特定可能な情報の一つである色情報（色特徴量）をパラメータ情報の一例として用い、培地領域の色情報（色特徴量）がトレーニング済みである分類器４５に検証画像ＩＶの色特徴量を入力してコロニーの検出処理を行う。このため、サンプルコロニーＣＬｓの検出結果に基づいて検査装置１９の検出精度を高い精度で検証することができる。

（３）画像合成ステップ（Ｓ８０）では、サンプルの画像として組み込まれたサンプルコロニーＣＬｓが経時的に変化している複数の検証画像ＩＶを作成する（図８（ｄ）〜（ｈ））。サンプルコロニーＣＬｓが経時的に変化している複数の検証画像ＩＶを用いて分類器４５によってコロニーの検出処理が行われる。よって、検証画像ＩＶ間におけるサンプルコロニーＣＬｓの色特徴量（パラメータ情報の一例）の経時変化から分類器４５が、コロニーを一層高い精度で検出でき、ひいては検査装置１９の検出精度を一層高い精度で検証することができる。

（４）トレーニングに使用する試料Ｓの培地の色合いは、試料の種類毎に異なるうえ、同種の試料でも培地の厚さなどによって異なるため、試料Ｓにコロニーが発生した場合のコロニーＣＬの色合いと、サンプル画像ＩＳのコロニーＣＬ１の色合いとが異なる。そこで、サンプル画像ＩＳの培地Ｍ１の色合いを検査画像ＩＮの培地Ｍの色合いに合わせる補正処理（色補正処理）をサンプル画像ＩＳに施して、サンプルコロニーＣＬｓの色合いを試料Ｓの培地Ｍに発生した場合を想定した色合いに補正した。このため、サンプル画像ＩＳと検査画像ＩＮとで培地の色合いが異なっていても、補正処理により、培地の色が異なることにより培地の色の影響を受けたコロニーを検出できなくなる不都合を回避できる。よって、日常検査で使用する試料Ｓとサンプル画像ＩＳとで培地の色合いが異なっても、検査装置１９の検出精度を正しく検証することができる。

（５）トレーニングに使用する試料Ｓの培地の明るさは、試料の種類毎に異なるうえ、同種の試料でも培地の厚さなどによって異なるため、試料Ｓの培地Ｍに発生した場合のコロニーＣＬの色合いと、サンプル画像ＩＳのコロニーＣＬ１の色合いとが異なる。そこで、サンプル画像ＩＳの培地Ｍ１の明るさを検査画像ＩＮの培地Ｍの明るさに合わせる補正処理（明度補正処理）をサンプル画像ＩＳに施して、サンプルコロニーＣＬｓの明るさを試料Ｓの培地Ｍに発生した場合を想定した明るさに補正した。このため、サンプル画像ＩＳと検査画像ＩＮとで培地の明るさが異なっていても、補正処理により、培地の明るさが異なることにより培地の明るさの影響を受けたコロニーを検出できなくなる不都合を回避できる。よって、日常検査で使用する試料Ｓとサンプル画像ＩＳとで培地の明るさが異なっても、検査装置１９の検出精度を正しく検証することができる。特に、本実施形態では、サンプル画像ＩＳに培地Ｍ１の明るさと色合いとの両方を補正する補正処理（明度補正処理と色補正処理）を施すので、日常検査で使用する試料Ｓとサンプル画像ＩＳとで培地の明るさ及び色合いが異なっても、検査装置１９の検出精度を一層正しく検証することができる。

（６）トレーニング期間Ｔ１の画像にサンプルコロニーＣＬｓの画像を組み込んで検証画像ＩＶを生成する。サンプルは、例えば検査装置１９の工場導入時に行ったテスト運行で時間毎にカメラ２４で撮影したカラー画像であって、識別期間Ｔ２のどこかでコロニーが発生した画像を少なくとも一枚含むカラー画像を利用する。このため、特に検証用の専用サンプルを用意しなくて済むうえ、その検査装置１９自体で撮影した画像データを用いるので、他の検査装置で撮影されたカラー画像や人工的に作成したサンプルコロニーのカラー画像を用いる場合に比べ、その検査装置１９の検証精度を高くできる。

（７）検証処理は、通常の検査のときの識別処理と一緒に行うことができる。試料Ｓの培地領域のパラメータ情報が分類器でトレーニングされるので、識別処理とは別に検証処理だけを行う構成とした場合に比べ、検証処理に要する時間を短く済ませられる。検査装置１９における単位時間当たりの日常検査の処理件数を、検証用検査の追加のために減る量を少なく済ませられる。

（８）検証ステップでは、検出ステップで検出されなかったサンプルコロニーＣＬｓが存在する場合、コンピュータ３８はサンプルコロニーＣＬｓを検出可能な設定条件を解析し、その解析した設定条件を出力又は検査装置１９に設定する。例えば作業者は、表示、印刷あるいは音声等により設定条件が出力された場合、その設定条件を検査装置１９に設定する操作をすればよい。一方、検証ステップで設定条件を検査装置１９に設定する場合、その設定はコンピュータ３８が行うので、作業者は例えばコンピュータ３８からの設定条件変更の問合せに対してその変更内容を確認して許可する操作を行う程度で済み、設定条件を入力し直して設定する面倒な操作を特にする必要がない。いずれの場合も、不合格の検証結果の場合に、適切な設定条件を見つけるためにトライアンドエラーすることなく適切な設定条件を設定できる。

（９）果皮などのノイズＮ（異物）が混ざった検査対象物の場合、検出ステップ（Ｓ９０）中の判別ステップ（Ｓ４００）において、形状判別、色判別、位置判別により、検出物のうちコロニーとノイズとが判別される。検証処理時には、コロニーと同系色の果皮や果肉等のノイズＮがあっても、検査装置１９の検出精度を正しく検証することができる。

（１０）サンプル菌数と検出菌数との比較結果に基づいて、検出精度が合格であるかどうかを検証する。一方、サンプル菌数と菌検出数とが一致しなければ、検出精度が低い旨の検証結果が得られる。モニタ３３に表示されたシャーレ３５にはサンプルコロニーＣＬｓを囲むマーク７０が重畳表示される。このため、検出精度が低い場合に検出したコロニーが視覚的に表示されるため、作業者は、コロニーの発生状況を容易に視認することができる。

（１１）食品等の製造現場では、各工程における衛生状況の把握、商品の早期出荷が求められている。検査装置１９の検出精度の検証時には、実際の検査対象物を撮影した画像を使用するので、検査終了後に改めて検証を行うことをしなくて済む。本実施形態の検査装置１９を食品等の製造現場に採用すれば、迅速かつ精度よく検査装置１９の検出精度を検証することができる。また、日常検査と同時並行で検証処理を行うので、検出精度が不合格の旨の場合に日常検査を早期に中断して、検査装置１９を適切な検出精度が得られる設定値に変更したうえで、日常検査を早期にやり直すことができる。

前記実施形態は、上記に限定されず、以下のように変更してもよい。
・画像合成ステップでは、サンプルを組み込む位置はサンプル画像の培地と同じ位置であることに限定されない。例えば検証に適した位置があれば、複数のサンプルコロニー（ダミーコロニー）を、サンプル画像における培地中の位置とは異なる位置に配置してもよい。例えばシャーレの周縁部は内側領域に比べ、メニスカス等の要因により培地が例えば斜状に盛り上がり、培地の内側に比べコロニーの検出が相対的に困難である。このため、このような培地の周縁領域に少なくとも一つのサンプルコロニーを組み込むことが好ましい。例えば図１４に示すように、検証画像ＩＶの培地Ｍ１のメイン領域Ａ１（内側領域）に複数のサンプルコロニーＣＬｓを配置し、残りの複数のサンプルコロニーＣＬｓを最外周局所領域Ａ２（周縁領域）に配置する。換言すれば、Ｎ個（但しＮは２以上の自然数）のサンプルコロニーＣＬｓを所定の個数割合となるように二群に分け、第１群に属するＭ個のサンプルコロニーＣＬｓを培地Ｍ１のメイン領域Ａ１内に組み込む一方、第２群に属する（Ｎ−Ｍ）個のサンプルコロニーＣＬｓを培地Ｍ１の最外周局所領域Ａ２内に組み込む。また、培地の最外周局所領域Ａ２に組み込む（Ｎ−Ｍ）個のサンプルコロニーＣＬｓは、周方向にばらつかせた位置に配置し、例えば図１４のように、周方向に等間隔となる位置に配置することが好ましい。サンプルコロニーＣＬｓの位置は、培地Ｍ１の最外周局所領域Ａ２内の径方向にもばらつかせることが好ましい。また、培地のメイン領域Ａ１内のＭ個のサンプルコロニーＣＬｓの位置も、メイン領域Ａ１内でばらつかせることが好ましい。例えば培地のメイン領域Ａ１内においてＭ個のサンプルコロニーＣＬｓを周方向及び径方向にばらつかせた位置に配置することが好ましい。

・前記実施形態では、培養時間の異なる時刻毎に組み込むサンプルコロニーを、それぞれ培養時間に合ったコロニーとしたが、サンプルコロニーとして培養時間の異なるコロニーを混在させた状態で画像の培地領域内に組み込んでもよい。図１５に示すように、例えば８時間の相対的に小さなサンプルコロニーＣＬｓ１と、１４時間又は１８時間の相対的に大きなサンプルコロニーＣＬｓ２とを混在させて培地領域内に組み込んでもよい。この場合も、図１４におけるメイン領域Ａ１と最外周局所領域Ａ２に少なくとも大小１つずつのサンプルコロニーＣＬｓ１，ＣＬｓ２を配置することが好ましい。

・サンプルは、サンプルコロニーに限定されない。例えば図１６に示すように、サンプルは異物Ｎ（ノイズ）でもよい。ダミーの異物Ｎの画像を検査画像ＩＮの培地Ｍの領域内に組み込んだ検証画像ＩＶを用いて検証を行ってもよい。ここで、異物としては、果皮、果肉、繊維等の経時変化しない異物Ｎ１、経時変化する泡Ｎ２などの異物を挙げることができる。例えば泡Ｎ２は、発生・成長し、経時変化するので、コロニーと誤検出される虞があるが、このような誤検出の虞のある異物Ｎの画像をサンプルとして培地Ｍの領域内に組み込んで、検証を行ってもよい。異物Ｎをサンプルとしてその画像を組み込む場合は図８（ａ），（ｂ）に示す検査画像ＩＮにおける培地Ｍにダミーの異物の画像を組み込んだ検証画像を用いて分類器４５のトレーニングを行う。この検証画像を生成するときには色補正と明度処理とのうち少なくとも一方、好ましくは両方を含む補正処理を行うことが好ましい。このトレーニングの結果、異物のクラスが分類される。そして、トレーニング後の検出ステップで、図８（ａ），（ｂ）に示す検査画像ＩＮにおける培地にダミーの異物とサンプルコロニーとのうち少なくともダミーの異物の画像を組み込んで作成した検証画像ＩＶに対して分類器４５でコロニーの検出を行う。泡Ｎ２等のダミーの異物をコロニーと検出した場合やサンプルコロニーを異物と検出した場合は、検査装置１９が適切に機能していないので不合格と検証できる。この場合、コンピュータ３８は、ダミーの異物をコロニーと検出せしない設定条件とサンプルコロニーを異物と検出しなくなる設定条件とのうち少なくとも一方を解析し、その解析により取得した適切な設定条件を表示又は印刷等で出力するか、以後の検査に使用される設定条件として自動更新して検査装置１９に設定する。この場合、事前にシミュレーションした更新後の設定条件でのコロニー検出結果画面（検出率含む）をモニタに表示し、検査員からの更新許可操作を受け付けると、その設定条件を更新することが好ましい。なお、サンプルコロニーＣＬｓとダミーの異物Ｎの両方をサンプルとしてそれらの画像を図８（ａ），（ｂ）に示す検査画像ＩＮにおける培地に組み込んで検出ステップを行うことが望ましい。

また、果肉等の異物Ｎ１が培地に混入されたシャーレ３５の撮影時のセット位置の回転ずれに起因して異物をコロニーと誤検出してしまう場合、検査装置１９が適切に機能していないので不合格と検証できる。この場合、コンピュータ３８は、試料Ｓの回転ずれが原因であると判断し、試料Ｓのセット位置の位置精度を高くする設定条件として、例えばアーム２０ｂやチャック部２０ｃの試料のセット位置に影響する過程の動作速度の低速化、試料Ｓを撮影した画像中のコロニーや異物の検出時に許容する回転方向の位置ずれ量の拡大化などの設定条件を出力又は検査装置１９に設定する。

・分類器４５のトレーニングは、図１７に示すように、培地及び微生物群（コロニー）の両方をトレーニングしてもよい。分類器４５がＳＶＭである場合の入力空間から高次元特徴空間への写像を説明する図１７のグラフでは、入力空間に培地の入力点ｘ1（培地点）とコロニーの入力点ｘ2（微生物点）とが示されている。培地点ｘ1を高次元特徴空間へ写像した特徴ベクトルで規定される培地点の点群ψ（ｘ1）と、微生物の入力点ｘ2を高次元特徴空間へ写像した特徴ベクトルで規定される微生物点の点群ψ（ｘ2）とが、各々のサポートベクター（最接近点）からのマージンを最大化させる位置に設定した超平面により線形分離可能である。これにより、培地のクラスＣ１とコロニー（微生物）のクラスＣ２とが分類される。

・分類器４５のトレーニングは、図１８に示すように、培地と微生物群（コロニー）のうち微生物群だけをトレーニングしてもよい。分類器４５がＳＶＭである場合の入力空間から高次元特徴空間への写像を説明する図１８のグラフでは、入力空間にコロニーの入力点ｘ2（微生物点）が示されている。微生物点ｘ2を高次元特徴空間へ写像した高次元特徴ベクトルで規定される微生物点の点群ψ（ｘ2）が、点群ψ（ｘ2）から外側へ閾値設定用距離ΔＬだけ離れた超平面により線形分離されて、コロニーのクラスＣ２が分類される。分類するクラスが１つの場合、分類器４５は、ＳＶＭ及びＧＭＭのうち少なくとも一方からなる。分類器４５は、ＳＶＭ、ＧＭＭ及びＭＬＰのうち少なくとも１つを採用することができる。

・前記実施形態では、コロニーの発生・成長と共に経時変化するパラメータ情報の一例として、色情報を用いたが、色情報、形状情報及び面積情報のうち少なくとも１つ（１種）を用いればよい。例えば形状情報のみをパラメータ情報として用いてもよいし、面積情報のみをパラメータ情報として用いてもよい。また、パラメータ情報として複数種の情報を用いてもよく、色情報と形状情報との組み合わせ、色情報と面積情報との組み合わせ、又は形状情報と面積情報との組み合わせでもよい。さらに色情報と形状情報と面積情報との組み合わせでもよい。形状情報の一例としては、例えば図１７又は図１８に示すようにコロニーでトレーニングする例で、円形度を挙げることができる。また、面積情報の一例としては、例えば図１７又は図１８に示すようにコロニーでトレーニングする例で、面積を挙げることができる。パラメータ情報として形状情報と面積情報のうち少なくとも一方を含む場合、検査点（検査領域）を、コロニー候補の領域である検査領域とし、検査領域の形状情報と面積情報とのうち少なくとも一方を分類器４５に入力して、トレーニングステップ及び検証ステップを行えばよい。また、形状情報と面積情報に色情報を加えた３つの情報を含むパラメータ情報とする場合、検査領域の平均色を色情報として用いればよい。また、各検査点の色情報でトレーニングされた分類器と、コロニー候補の検査領域の形状情報と面積情報とのうち少なくとも一方でトレーニングされた分類器との複数の分類器を用いて、トレーニングステップ及び検証ステップを行ってもよい。

・検証処理は検査終了後にまとめて行うことができる。その場合、検査中に取得した検査時刻の異なる複数の検査画像をメモリ４２に保存し、検査終了後にそれらの検査画像をメモリ４２から読み出して使用する。また、検査員は、微生物検査装置１９の入力操作部３２を用いて検証指示操作を行うと、この指示を受け付けたＣＰＵは、検証用プログラムを実行し、トレーニングステップ、画像合成ステップ、検出ステップ及び検証ステップを行う構成とする。

・前記実施形態では、Ｐ時間目の識別処理を行うときにＰ時間目の検出処理及び検証処理を行うことで、Ｋ回の検証を各時間（Ｊ＋１〜Ｊ＋Ｋ）毎に分けて行ったが、トレーニング処理の終了後の任意の時期に、Ｋ回の検証（検出処理及び検証処理）の演算をまとめて一度に行ってもよい。例えばＫ回分の検証の演算を、トレーニング期間Ｔ１の終了直後にまとめて一度に行ったり、識別期間Ｔ２の終了後にまとめて一度に行ったりしてもよい。また、トレーニング期間Ｔ１の途中のカラー画像を検査画像ＩＮに使用する場合は、その検査画像ＩＮを取得できた時点で、Ｋ回分の検証の演算を一度に行ってもよい。例えば識別期間Ｔ２の終了前の所定の時期にＫ回分の検証の演算を一度に行う場合は、識別期間Ｔ２の終了を待たずして早期に検証結果を取得でき、例えば検査装置１９の検査を早期に中断してその設定変更を行って早期に検査のやり直しを行うことができる。

・サンプルの画像を組み込み先の画像としてトレーニング期間中の画像を使用したが、識別期間Ｔ２におけるＰ時間目（Ｐは、６≦Ｐ≦１８の範囲内の自然数）のカメラ画像を毎回使用してもよい。この場合、識別処理で検出されたコロニー数が設定菌数より余分に検出されることになるが、識別処理で検出されたコロニー数と既知のサンプルコロニー数との和に等しい数のコロニーが検出されれば、合格とする検証方法とすればよい。この場合、識別処理でコロニーの検出漏れがあれば、サンプル検出処理でもサンプルコロニーＣＬｓの検出漏れが発生するはずなので、正しく検証することはできる。

・Ｋ回分の検証の演算をまとめて一度に行う場合、トレーニング処理も一緒に一度にまとめて行ってもよい。例えばメモリ４２に過去のトレーニング期間及び識別期間で取得した全カラー画像を記憶しておき、トレーニング処理（Ｓ２０）及び検証のための演算（Ｓ５０〜Ｓ１００）を、メモリ４２に記憶した過去のカラー画像を用いて行う。この場合、トレーニング処理用の少なくとも１枚の画像と、検証用の少なくとも２枚の画像があれば、検査装置１９の検出精度を検証することができる。このように画像に補正処理を施さない構成としてもよい。但し、例えば今回の日常検査のトレーニング期間に撮影したカラー画像あるいは比較的最近（例えば３日以内）のトレーニング期間に撮影したカラー画像の培地の明るさ及び色合いのうち少なくとも一方に合わせる補正処理を、過去（例えば装置導入時）の検査画像に施して検証画像ＩＶを取得するのが好ましい。

・前記実施形態は、識別期間Ｔ２と検証期間Ｔ３とが同じ設定であったが、識別期間Ｔ２と検証期間Ｔ３とを異なるように設定してもよい。また、識別期間Ｔ２における検査回数と、検証期間Ｔ３における検証回数とが異なってもよい。検証処理は少なくとも１回行われればよい。例えば識別期間Ｔ２の１回目の識別処理のときに検証処理を１回行うだけとしてもよいし、識別期間Ｔ２の最終回の識別処理のときに検証処理を１回行うだけでもよい。また、識別処理２回に対して１回の割で検証処理を行ってもよいし、識別処理の時間間隔（例えば１時間）の半分の時間間隔（例えば３０分）毎に検証処理を行ってもよい。このように検証処理は識別期間Ｔ２内であればいつ行ってもよいし何回行ってもよい。

・検証ステップにおける検証の仕方は適宜変更できる。サンプルコロニーの全てを検出できたら合格、１つでも検出できなければ不合格とする。また、サンプルコロニーの全数のうち閾値％以上の検出ができれば合格、そうでなければ不合格とする。また、複数のランクに分け、１００％であればＡランク、９０％以上であればＢランク、８０％以上であればＣランク、８０％未満はＤランク（不合格）としてもよい。

・トレーニング期間終了後において、毎回の画像を用いて検証を行う必要はなく、少なくともトレーニング期間の画像とトレーニング期間終了後の任意の時刻の一枚の画像とを用いて、両者の画像の経時変化をみて検証を行ってもよい。このように検証は、トレーニング期間終了後の全ての画像を用いることは必須ではなく少なくとも１つ（１つの時刻）の画像を用いれば足りる。

・検証に使用する分類器のトレーニング（学習）は、初期（スタート時）の画像を用いただけの１回のトレーニングでもよい。例えば、開始後、毎回撮影される画像を用いてトレーニング期間においても、検証を行えば、トレーニング期間の終了を待たずして早期に検証結果を取得できる。この場合、検証結果がＮＧの場合、トレーニング期間の終了を待たずして早期に検査をやり直すことができ、検査のやり直しによる検査結果取得時期の遅れを短くすることができる。

・サンプル画像を実際のコロニーが存在する培地の撮影画像としたが、ソフトウェアが自動作成した模造のダミーコロニー、検査員が画像作成ソフトウェアで作成した模造のダミーコロニーでもよい。このような人工的に作成したコロニーであれば、実際には作ることが困難な特殊な色のコロニーをサンプルコロニーとしてカラー画像の培地に組み込んだ検証画像を生成でき、検査装置１９が特殊な色のコロニーを検出できるかどうかを検証することができる。また、人工的に作成したコロニーにあれば、例えば毒性が比較的強い微生物のコロニーや過酷な環境条件の下で発生・成長する特殊な微生物のコロニーを検出できるかどうかを、実際の微生物（菌等）を使用しなくても、又は特殊な環境を作らなくても、検証することもできる。

・サンプル画像からコロニーのサンプル（ダミーコロニー）を抜き出す場合、明るさと色合いの両方でサンプル画像を補正したが、明るさと色合いのうち一方のみでサンプル画像を補正してもよい。このような明るさと色合いのうち一方のみによる補正でも、いずれの補正も行わない方法に比べ、検証の精度を高めることができる。

・サンプル画像からコロニーのサンプル（ダミーコロニー）を抜き出す場合、サンプル画像の培地の色を、検査対象画像の培地の色に合わせる色補正は必ずしも行う必要はない。例えばサンプル画像から抜き出したそのままの色のコロニーの画像を、検査対象画像の培地領域内に組み込むだけでもよい。この構成によっても、微生物検査装置（分類器）の検証を行うことはできる。

・微生物検査装置に検査対象物を撮影するカメラ２４及び光源２８等を含む撮影ユニットは必須ではない。例えば他の撮影ユニットで検査対象物を撮影したカラー画像データを入力してそのカラー画像データに対して検査処理を行う構成の微生物検査装置でもよい。この場合、微生物検査装置は、検出処理装置４０を有するパーソナルコンピュータ２６により構成されたり、検出処理装置４０の微生物検査機能を実現する装置部分により構成されたりする。

・検証装置は、微生物検査装置の一部として組み込まれた構成に限らず、微生物検査装置とは独立した一つの装置であってもよい。例えば微生物検査装置のパーソナルコンピュータとデータ交換可能にケーブル等で接続されて使用される他のパーソナルコンピュータにより構成されてもよい。検証装置は、検査装置のパーソナルコンピュータからトレーニング期間のカラー画像を取得して検証画像を作成しその作成した検証画像のデータを検査装置に送って識別処理を含む検査を行わせ、検査装置から受信した検査結果に基づいて検証を行う構成でもよい。

・コロニーは、赤系の色を呈し、赤、ピンク、オレンジ、濃赤、茶などの色をとりうるので、サンプルコロニーの色を、コロニーがとりうる種々の色に補正し、異なる複数種の色のダミーコロニーを検査画像ＩＮの培地に組み込んで検証画像ＩＶを作成してもよい。

１１…検査システム、１９…微生物検査装置、２４…カメラ（撮像手段）、２６…パーソナルコンピュータ、２８…光源、３１…本体、３２…入力操作部、３３…モニタ、３８…コンピュータ、４０…検証装置の一例としての検出処理装置、４１…制御部、４１ａ…計時部、４２…メモリ、４３…入力情報生成部、４５…分類器、４６…トレーニング処理部、４７…識別処理部、４８…検証処理部、７１…補正処理部、７２…サンプル情報取得部、７３…画像合成部、７４…検出部の一例としてのサンプル検出部、７５…検証部、Ｓ…検査対象物の一例である試料、Ｍ…培地、ＭＡ…培地領域、ＴＡ…トレーニング局所領域、Ｃ１…培地のクラス、Ｃ２…コロニー（微生物）のクラス、ＣＬ…コロニー、ＣＬｓ…サンプルの画像の一例としてのサンプルコロニー（ダミーコロニー）、Ｎ，Ｎ１，Ｎ２…異物の画像の一例としてのノイズ。

Claims (11)

1. 培地に培養された微生物のコロニーを検出する微生物検査装置の検出精度を検証する検証方法であって、
   培地を含む検査対象物を撮影したカラー画像における前記培地の領域内に、コロニー及び異物のうち少なくとも一方であるサンプルの画像を組み込んで検証画像を生成する画像合成ステップと、
   前記検証画像を用いてコロニーの検出処理を行う検出ステップと、
   前記検出ステップによるコロニーの検出結果に基づいて微生物検査装置の検出精度を検証する検証ステップと
   を備えたことを特徴とする微生物検査装置の検証方法。
2. 前記検出ステップでは、コロニーの経時変化を特定可能なパラメータ情報を用い、前記カラー画像における培地領域又はコロニーにおける前記パラメータ情報がトレーニング済みである分類器に対して、前記検証画像中の各検査領域におけるパラメータ情報を入力して、コロニーの検出処理を行うことを特徴とする請求項１に記載の微生物検査装置の検証方法。
3. 前記パラメータ情報は、前記コロニーの経時変化を特定可能な色情報、形状情報及び面積情報とのうち少なくとも一つを含むことを特徴とする請求項２に記載の微生物検査装置の検証方法。
4. 前記画像合成ステップでは、サンプルの画像として組み込んだコロニーが経時的に変化する複数の検証画像を生成することを特徴とする請求項１乃至３のいずれか一項に記載の微生物検査装置の検証方法。
5. 前記画像合成ステップでは、前記サンプルが培地と共にカラー撮影されたサンプル画像を取得し、当該サンプル画像における培地の色を、前記検査対象物のカラー画像における培地の色に合わせる色補正を前記サンプル画像に施し、当該色補正後のサンプル画像からコロニー及び異物のうち少なくとも一方の画像を取得して、当該コロニー及び異物のうち少なくとも一方の画像を前記検査対象物である前記培地の領域に組み込む画像合成を行うことを特徴とする請求項１乃至４のいずれか一項に記載の微生物検査装置の検証方法。
6. 前記検査対象物を撮影したカラー画像における培地の領域を学習して分類器をトレーニングするトレーニングステップと、
   前記トレーニングステップの終了後に前記検査対象物を撮影したカラー画像中の前記各検査領域における前記パラメータ情報を前記トレーニング済みの前記分類器に入力してコロニーを識別する識別ステップとを更に備え、
   前記検出ステップにおける前記検出処理は、前記トレーニングステップでトレーニングされた前記分類器を用いて行われることを特徴とする請求項１乃至５のいずれか一項に記載の微生物検査装置の検証方法。
7. 前記画像合成ステップでは、前記サンプルの画像を、前記カラー画像における培地の周縁領域と当該周縁領域よりも内側の内側領域との両方に組み込むことを特徴とする請求項１乃至６のいずれか一項に記載の微生物検査装置の検証方法。
8. 前記画像合成ステップでは、前記サンプルとして異物の画像を組み込む画像合成処理を行い、
   前記検証ステップでは、前記検出ステップで前記異物がコロニーとして検出された場合は不合格の旨の検証結果を出力することを特徴とする請求項１乃至７のいずれか一項に記載の微生物検査装置の検証方法。
9. 前記検証ステップでは、前記検出ステップで検出されなかった前記サンプルのコロニーが存在する場合、又はコロニーとして検出された前記サンプルの異物が存在する場合、当該サンプルのコロニーを検出可能な設定条件又は前記サンプルの異物を検出されなくする設定条件を解析し、当該設定条件を出力又は設定することを特徴とする請求項１乃至８のいずれか一項に記載の微生物検査装置の検証方法。
10. 培地に培養された微生物のコロニーの有無を検査する微生物検査装置が適正に機能することを検証する微生物検査装置の検証装置であって、
    培地を含む検査対象物を撮影したカラー画像における前記培地の領域内に、コロニー及び異物のうち少なくとも一方であるサンプルの画像を組み込んで検証画像を生成する画像合成部と、
    前記検証画像を用いてコロニーの検出処理を行う検出部と、
    前記検出部によるコロニーの検出結果に基づいて微生物検査装置の検出精度を検証する検証部と
    を備えたことを特徴とする微生物検査装置における検証装置。
11. 培地に培養された微生物のコロニーを検出する微生物検出処理が適正に機能することを検証する検証処理をコンピュータに実行させるためのプログラムであって、
    コンピュータに、
    培地を含む検査対象物を撮影したカラー画像における前記培地の領域内に、コロニー及び異物のうち少なくとも一方であるサンプルの画像を組み込んで検証画像を生成する画像合成ステップと、
    前記検証画像を用いてコロニーの検出処理を行う検出ステップと、
    前記検出ステップによるコロニーの検出結果に基づいて微生物検査装置の検出精度を検証する検証ステップと
    を実行させるためのプログラム。