JP2016118475A - 識別装置及び識別方法 - Google Patents
識別装置及び識別方法 Download PDFInfo
- Publication number
- JP2016118475A JP2016118475A JP2014258664A JP2014258664A JP2016118475A JP 2016118475 A JP2016118475 A JP 2016118475A JP 2014258664 A JP2014258664 A JP 2014258664A JP 2014258664 A JP2014258664 A JP 2014258664A JP 2016118475 A JP2016118475 A JP 2016118475A
- Authority
- JP
- Japan
- Prior art keywords
- value
- variable
- identification
- calculating
- sectional profile
- 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
Abstract
【課題】鉄スクラップの破砕片から炭素鋼由来の破砕片と特殊鋼由来の破砕片とを、高精度で効率良く且つ簡便に識別可能な識別装置等を提供すること。【解決手段】本発明の識別装置は、少なくとも鉄スクラップの破砕片の３次元形状を測定する測定部と、前記測定部で測定された前記３次元形状の測定値の入力に基づき、前記破砕片ごとの前記３次元形状の変数値として少なくとも前記破砕片表面の凹凸形状を指標する表面微分パラメータ値を算出する変数算出手段、及び、前記変数値に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムが予め設定され、前記変数算出手段で算出された識別対象の前記破砕片の前記変数値の入力に基づき、前記識別アルゴリズムに応じた識別結果を出力する識別手段を有する演算処理部と、を有することを特徴とする。【選択図】図１
Description
本発明は、鉄スクラップの破砕片から炭素鋼由来の破砕片と特殊鋼由来の破砕片とを識別する識別装置及び識別方法に関する。
廃自動車シュレッダー処理施設等において磁力選別によって回収される鉄スクラップには炭素鋼（普通鋼）と特殊鋼とが混在している。
前記炭素鋼とは、鉄の中にＣ、Ｓｉ、Ｍｎ、Ｐ、Ｓの５元素を含んでいる鋼であり、自動車のボディ等に用いられる圧延鋼板が前記鉄スクラップの大部分を占めている。一方、前記特殊鋼とは、前記炭素鋼にＣｒ、Ｎｉ、Ｍｏなど各種元素を加え耐食性や耐熱性などを向上させた鋼であり、エンジン、サスペンション、トランスミッションなどの部品として使用されるクロムモリブデン鋼、ステンレス鋼、工具鋼、ばね鋼、軸受鋼、耐熱鋼などの多種多様な鋼材が前記鉄スクラップ中に含まれる。
前記炭素鋼とは、鉄の中にＣ、Ｓｉ、Ｍｎ、Ｐ、Ｓの５元素を含んでいる鋼であり、自動車のボディ等に用いられる圧延鋼板が前記鉄スクラップの大部分を占めている。一方、前記特殊鋼とは、前記炭素鋼にＣｒ、Ｎｉ、Ｍｏなど各種元素を加え耐食性や耐熱性などを向上させた鋼であり、エンジン、サスペンション、トランスミッションなどの部品として使用されるクロムモリブデン鋼、ステンレス鋼、工具鋼、ばね鋼、軸受鋼、耐熱鋼などの多種多様な鋼材が前記鉄スクラップ中に含まれる。
自動車のボディ等に用いられる圧延鋼板は、圧延性を向上させるために、ＣやＭｎといった鋼の強度を向上させる元素の含有率が低く抑えられており、基準値は、概ねＣ：０．１２ｗｔ％以下、Ｍｎ：０．５０ｗｔ％以下となっている。上述のように、前記特殊鋼は、前記圧延鋼板と化学組成が異なっており、前記特殊鋼の種類ごとに主な相違点を挙げると、前記クロムモリブデン鋼（Ｃｒ：０．８５ｗｔ％〜１．２５ｗｔ％、Ｍｏ：０．１５ｗｔ％〜０．４５ｗｔ％）、前記ステンレス鋼（Ｃｒ：１２ｗｔ％以上）、前記工具鋼（Ｃ：０．６０ｗｔ％〜１．５０ｗｔ％）、前記ばね鋼（Ｍｎ：０．６ｗｔ％〜１．００ｗｔ％、Ｃｒ：０．６０ｗｔ％〜１．１０ｗｔ％）、前記軸受鋼（Ｃｒ：０．９０ｗｔ％〜１．６０ｗｔ％）、前記耐熱鋼（Ｃｒ：７．５０ｗｔ％〜２７．００ｗｔ％）などとなる。
前記鉄スクラップは、電炉・高炉メーカの精錬所に運ばれて再資源化されるが、それが前記炭素鋼であるか前記特殊鋼を含むものかで大きく利用価値を異にする。高純度な前記炭素鋼からなる前記圧延鋼板等は、前記炭素鋼及び前記特殊鋼の二次原料となり得るために利用価値が高いが、これに雑多な前記特殊鋼が多量に含まれていると、成分調整のための希釈配合にコストを要することから利用価値が低くなる。したがって、スクラップの状態で前記炭素鋼と前記特殊鋼とを選別しておくことが重要となるが、このような選別は、現在行われていない状況にある。
前記炭素鋼と特殊鋼を選別する方法としては、例えば、人手や画像処理によって外観の違いによって選別する方法や、蛍光Ｘ線分析やレーザー誘起プラズマ分光分析によってスクラップの化学組成を同定して選別する方法が考えられる（非特許文献１参照）。
前記人手による選別方法は、破砕片の形状の違いを目視で認識することで特殊鋼スクラップを識別して除去するものであり、炭素鋼の純度を一定程度向上させることが可能である。しかし、前記人手による選別方法では、騒音や汚れなどの作業環境上の問題や、作業員一人当たりの作業効率には限界があり大量に処理するにはコスト高となる問題がある。
また、前記画像処理による選別方法では、前記鉄スクラップの破砕片に含まれる前記炭素鋼と前記特殊鋼の色調が似通っており、その形状も多岐にわたることから、選別精度が不十分となる問題がある。
また、前記蛍光Ｘ線分析や前記レーザー誘起プラズマ分光分析を用いた選別方法では、物体表面近傍の情報を得る分析手法であるため、廃棄物を対象にした場合、表層不純物（土、油、塗装、めっき等）の影響によって、主材である前記炭素鋼及び前記特殊鋼の正確な分析ができず、選別精度が不十分となる問題がある。また、前記表層不純物を洗浄等により予め取り除いた後に選別を実施することも考えられるが、こうした選別は、効率的でない問題がある。即ち、一般の処理施設で処理される前記鉄スクラップの量は膨大であることから前記鉄スクラップの処理に選別が間に合わない問題がある。
前記人手による選別方法は、破砕片の形状の違いを目視で認識することで特殊鋼スクラップを識別して除去するものであり、炭素鋼の純度を一定程度向上させることが可能である。しかし、前記人手による選別方法では、騒音や汚れなどの作業環境上の問題や、作業員一人当たりの作業効率には限界があり大量に処理するにはコスト高となる問題がある。
また、前記画像処理による選別方法では、前記鉄スクラップの破砕片に含まれる前記炭素鋼と前記特殊鋼の色調が似通っており、その形状も多岐にわたることから、選別精度が不十分となる問題がある。
また、前記蛍光Ｘ線分析や前記レーザー誘起プラズマ分光分析を用いた選別方法では、物体表面近傍の情報を得る分析手法であるため、廃棄物を対象にした場合、表層不純物（土、油、塗装、めっき等）の影響によって、主材である前記炭素鋼及び前記特殊鋼の正確な分析ができず、選別精度が不十分となる問題がある。また、前記表層不純物を洗浄等により予め取り除いた後に選別を実施することも考えられるが、こうした選別は、効率的でない問題がある。即ち、一般の処理施設で処理される前記鉄スクラップの量は膨大であることから前記鉄スクラップの処理に選別が間に合わない問題がある。
ところで、本発明者らは、先に、物体の重量値と１台のレーザー３次元計測器による３次元形状測定によって得られる見掛け密度、体積、面積、縦長、横長、最大高、及び重心点高の７通りの測定値とを用いて算出される１３〜１４種類の変数を用いた演算処理工程（ニューラルネットワークや判別関数による）の結果に基づいて、物体の材質や形状を自動的に識別する方法を提案している（特許文献１〜３参照）。
しかし、この方法を前記炭素鋼と前記特殊鋼の識別に適用する場合、前記炭素鋼と前記特殊鋼の真比重には殆ど差がなく見掛け密度値にも大きな差が生じにくいこと、前記廃自動車シュレッダー処理施設等で回収される前記特殊鋼のスクラップには湾曲したパイプやばね状の部品など前記７通りの測定値を用いた変数では前記圧延鋼板との違いを抽出しにくい破砕片が見られることなどから、十分な識別精度を得るためには事前に大量の形状データを取得しなければならず、また、前記形状データに基づく前記演算処理工程が煩雑となる問題がある。
しかし、この方法を前記炭素鋼と前記特殊鋼の識別に適用する場合、前記炭素鋼と前記特殊鋼の真比重には殆ど差がなく見掛け密度値にも大きな差が生じにくいこと、前記廃自動車シュレッダー処理施設等で回収される前記特殊鋼のスクラップには湾曲したパイプやばね状の部品など前記７通りの測定値を用いた変数では前記圧延鋼板との違いを抽出しにくい破砕片が見られることなどから、十分な識別精度を得るためには事前に大量の形状データを取得しなければならず、また、前記形状データに基づく前記演算処理工程が煩雑となる問題がある。
「粉体精製と湿式処理−基礎と応用−」ｐ．１０８〜ｐ．１１１、環境資源工学会（２０１２年）
本発明は、従来技術における前記諸問題を解決し、前記鉄スクラップの破砕片から前記炭素鋼由来の破砕片と前記特殊鋼由来の破砕片とを、高精度で効率良く且つ簡便に識別可能な識別装置及び識別方法を提供することを目的とする。
本発明者らは、前記目的のため鋭意検討を行い、以下の知見を得た。
即ち、前記圧延鋼板では、板厚が比較的薄いため（例えば、０．１５ｍｍ〜３．２ｍｍ）、シュレッダー破砕すると、破断・屈曲する際に表面に波状の凹凸形状が生じ易いのに対して、前記特殊鋼で形成される各種部品では、このような凹凸形状が殆ど見られない。
したがって、前記圧延鋼板と前記部品の破砕片が混在した鉄スクラップに対し、前記破砕片の凹凸形状の差異を抽出するパラメータを導入した自動識別を実施すれば、前記圧延鋼板の破砕片と前記部品の破砕片とを高精度で効率良く且つ簡便に識別することができ、延いては、前記圧延鋼板の形成材料である前記炭素鋼と、前記部品の形成材料である前記特殊鋼とを高精度で効率良く且つ簡便に識別することができることの知見を得た。
即ち、前記圧延鋼板では、板厚が比較的薄いため（例えば、０．１５ｍｍ〜３．２ｍｍ）、シュレッダー破砕すると、破断・屈曲する際に表面に波状の凹凸形状が生じ易いのに対して、前記特殊鋼で形成される各種部品では、このような凹凸形状が殆ど見られない。
したがって、前記圧延鋼板と前記部品の破砕片が混在した鉄スクラップに対し、前記破砕片の凹凸形状の差異を抽出するパラメータを導入した自動識別を実施すれば、前記圧延鋼板の破砕片と前記部品の破砕片とを高精度で効率良く且つ簡便に識別することができ、延いては、前記圧延鋼板の形成材料である前記炭素鋼と、前記部品の形成材料である前記特殊鋼とを高精度で効率良く且つ簡便に識別することができることの知見を得た。
本発明は、前記知見に基づくものであり、前記課題を解決するための手段としては、以下の通りである。即ち、
＜１＞ 少なくとも鉄スクラップの破砕片の３次元形状を測定する測定部と、前記測定部で測定された前記３次元形状の測定値の入力に基づき、前記破砕片ごとの前記３次元形状の変数値として少なくとも前記破砕片表面の凹凸形状を指標する表面微分パラメータ値を算出する変数算出手段、及び、前記変数値に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムが予め設定され、前記変数算出手段で算出された識別対象の前記破砕片の前記変数値の入力に基づき、前記識別アルゴリズムに応じた識別結果を出力する識別手段を有する演算処理部と、を有することを特徴とする識別装置。
＜２＞ 識別アルゴリズムが、破砕片ごとに算出された変数値で構成される個々のケースデータ及びその演算用情報を一群のデータとして記録可能なデータベースと、前記データベースに記録された前記データを入力して得られた識別結果に基づき、演算内容を再設定可能なニューラルネットワークとを有して構成される前記＜１＞に記載の識別装置。
＜３＞ 変数算出手段が、３次元形状の測定値から下記式（１）で表される破砕片の断面プロファイルｚｉを算出する断面プロファイル算出手段と、下記式（２）に基づき前記断面プロファイルｚｉの移動平均データを算出する移動平均データ算出手段と、下記式（３）に基づき前記移動平均データの微分データを算出する微分データ算出手段と、前記微分データに対して下記式（４）の条件を満たす場合に前記破砕片表面の凹凸形状の数を計数し、これを表面微分パラメータ値とする表面微分パラメータ値算出手段とを有する前記＜１＞から＜２＞のいずれかに記載の識別装置。
ただし、前記式（１）中、ｚ及びｙは、前記３次元形状として測定された前記破砕片のｘ方向、ｙ方向、ｚ方向の直交座標の数値データ（ｘ，ｙ，ｚ）のうち、ｘの数値を特定したときのｚ及びｙの数値を示し、添え字のｉは、前記３次元形状の特定に関与する座標範囲として前記破砕片を内包する直方体を決定し、この直方体の各辺がｘ−ｙ平面上においてｘ０〜ｘｍｘ、ｙ０〜ｙｍｙの範囲にあるものとしたとき、前記ｙ０における画素を０番目の画素として順番付けされる前記ｙｍｙまでの前記ｙ方向における前記画素の並び順、及び、前記並び順で特定される前記画素の前記ｚ方向における並び順であり、０以上かつｍｙ以下の整数を示す。また、前記式（２）中、ｋは、前記断面プロファイルの移動平均データを算出する際に考慮する画素数に関係する変数であり、前記ｉの数値範囲から選択される任意の整数を示し、ｚ− ｉは、前記断面プロファイル中のｉ番目の画素における移動平均値を意味し、ｉがｋ以上の場合に算出される。また、前記式（３）中、ｌは、差分を取る画素の間隔を表す変数であり、前記ｉの数値範囲から選択されるｌ以上の整数を示し、ｚ−’ ｉは、前記断面プロファイル中のｉ番目の画素における微分値を意味し、ｉがｌ以上の場合に算出される。また、前記式（４）中、ｐは、前記破砕片表面の凹凸形状の計数を制御するための設定値であり、０以上の任意の値から選択される数値を示す。
＜４＞ ｋ及びｌが、相互に独立して、３〜９の数値範囲から選択される整数であり、ｐが０．１〜３．０の数値範囲から選択される数値であり、断面プロファイルｚｉを取得するｘ方向における間隔を示すΔｘが、ｘ０における画素を０番目の画素として順番付けされるｘｍｘまでのｘ方向における画素の並び順であり、０以上かつｍｘ以下の整数を示すｎの数値範囲から選択され、かつ、２〜１０の数値範囲から選択される整数である前記＜３＞に記載の識別装置。
＜５＞ 測定部が積載される破砕片の重量を測定可能なベルトコンベアと、前記ベルトコンベア上で搬送される前記破砕片の３次元形状を測定可能なレーザー計測器とで構成され、変数算出手段が変数値として更に前記破砕片ごとの重量値を算出する手段として構成され、識別手段が前記重量値を含む前記破砕片ごとの前記変数値の組み合わせ情報に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムが予め設定され、前記変数算出手段で算出された識別対象の前記破砕片の前記組み合わせ情報の入力に基づき、前記識別アルゴリズムに応じた識別結果を出力する手段として構成される前記＜１＞から＜４＞のいずれかに記載の識別装置。
＜６＞ 少なくとも鉄スクラップの破砕片の３次元形状を測定する測定ステップと、前記測定ステップで測定される前記３次元形状の測定値の入力に基づき、前記破砕片ごとの前記３次元形状の変数値として少なくとも前記破砕片表面の凹凸形状を指標する表面微分パラメータ値を算出する変数算出ステップと、前記変数値に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別可能な識別アルゴリズムに対して、前記変数算出ステップで算出された識別対象の前記破砕片の前記変数値を入力し、前記識別アルゴリズムに応じた識別結果を出力させる識別ステップと、を有することを特徴とする識別方法。
＜７＞ 変数算出ステップが、３次元形状の測定値から下記式（１）で表される破砕片の断面プロファイルｚｉを算出する断面プロファイル算出ステップと、下記式（２）に基づき前記断面プロファイルｚｉの移動平均データを算出する移動平均データ算出ステップと、下記式（３）に基づき前記移動平均データの微分データを算出する微分データ算出ステップと、前記微分データに対して下記式（４）の条件を満たす場合に前記破砕片表面の凹凸形状の数を計数し、これを表面微分パラメータ値とする表面微分パラメータ値算出ステップとを有する前記＜６＞に記載の識別方法。
ただし、前記式（１）中、ｚ及びｙは、前記３次元形状として測定された前記破砕片のｘ方向、ｙ方向、ｚ方向の直交座標の数値データ（ｘ，ｙ，ｚ）のうち、ｘの数値を特定したときのｚ及びｙの数値を示し、添え字のｉは、前記３次元形状の特定に関与する座標範囲として前記破砕片を内包する直方体を決定し、この直方体の各辺がｘ−ｙ平面上においてｘ０〜ｘｍｘ、ｙ０〜ｙｍｙの範囲にあるものとしたとき、前記ｙ０における画素を０番目の画素として順番付けされる前記ｙｍｙまでの前記ｙ方向における前記画素の並び順、及び、前記並び順で特定される前記画素の前記ｚ方向における並び順であり、０以上かつｍｙ以下の整数を示す。また、前記式（２）中、ｋは、前記断面プロファイルの移動平均データを算出する際に考慮する画素数に関係する変数であり、前記ｉの数値範囲から選択される任意の整数を示し、ｚ− ｉは、前記断面プロファイル中のｉ番目の画素における移動平均値を意味し、ｉがｋ以上の場合に算出される。また、前記式（３）中、ｌは、差分を取る画素の間隔を表す変数であり、前記ｉの数値範囲から選択されるｌ以上の整数を示し、ｚ−’ ｉは、前記断面プロファイル中のｉ番目の画素における微分値を意味し、ｉがｌ以上の場合に算出される。また、前記式（４）中、ｐは、前記破砕片表面の凹凸形状の計数を制御するための設定値であり、０以上の任意の値から選択される数値を示す。
＜８＞ ｋ及びｌが、相互に独立して、３〜９の数値範囲から選択される整数であり、ｐが０．１〜３．０の数値範囲から選択される数値であり、断面プロファイルｚｉを取得するｘ方向における間隔を示すΔｘが、ｘ０における画素を０番目の画素として順番付けされるｘｍｘまでのｘ方向における画素の並び順であり、０以上かつｍｘ以下の整数を示すｎの数値範囲から選択され、かつ、２〜１０の数値範囲から選択される整数である前記＜７＞に記載の識別方法。
＜９＞ 変数算出ステップが変数値として更に破砕片ごとの重量値を算出するステップを有し、識別ステップが前記重量値を含む前記変数値の組み合わせ情報に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムに対して、前記変数算出ステップで算出された識別対象の前記破砕片の前記組み合わせ情報を入力し、前記識別アルゴリズムに応じた識別結果を出力するステップである前記＜６＞から＜８＞のいずれかに記載の識別方法。
＜１＞ 少なくとも鉄スクラップの破砕片の３次元形状を測定する測定部と、前記測定部で測定された前記３次元形状の測定値の入力に基づき、前記破砕片ごとの前記３次元形状の変数値として少なくとも前記破砕片表面の凹凸形状を指標する表面微分パラメータ値を算出する変数算出手段、及び、前記変数値に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムが予め設定され、前記変数算出手段で算出された識別対象の前記破砕片の前記変数値の入力に基づき、前記識別アルゴリズムに応じた識別結果を出力する識別手段を有する演算処理部と、を有することを特徴とする識別装置。
＜２＞ 識別アルゴリズムが、破砕片ごとに算出された変数値で構成される個々のケースデータ及びその演算用情報を一群のデータとして記録可能なデータベースと、前記データベースに記録された前記データを入力して得られた識別結果に基づき、演算内容を再設定可能なニューラルネットワークとを有して構成される前記＜１＞に記載の識別装置。
＜３＞ 変数算出手段が、３次元形状の測定値から下記式（１）で表される破砕片の断面プロファイルｚｉを算出する断面プロファイル算出手段と、下記式（２）に基づき前記断面プロファイルｚｉの移動平均データを算出する移動平均データ算出手段と、下記式（３）に基づき前記移動平均データの微分データを算出する微分データ算出手段と、前記微分データに対して下記式（４）の条件を満たす場合に前記破砕片表面の凹凸形状の数を計数し、これを表面微分パラメータ値とする表面微分パラメータ値算出手段とを有する前記＜１＞から＜２＞のいずれかに記載の識別装置。
＜４＞ ｋ及びｌが、相互に独立して、３〜９の数値範囲から選択される整数であり、ｐが０．１〜３．０の数値範囲から選択される数値であり、断面プロファイルｚｉを取得するｘ方向における間隔を示すΔｘが、ｘ０における画素を０番目の画素として順番付けされるｘｍｘまでのｘ方向における画素の並び順であり、０以上かつｍｘ以下の整数を示すｎの数値範囲から選択され、かつ、２〜１０の数値範囲から選択される整数である前記＜３＞に記載の識別装置。
＜５＞ 測定部が積載される破砕片の重量を測定可能なベルトコンベアと、前記ベルトコンベア上で搬送される前記破砕片の３次元形状を測定可能なレーザー計測器とで構成され、変数算出手段が変数値として更に前記破砕片ごとの重量値を算出する手段として構成され、識別手段が前記重量値を含む前記破砕片ごとの前記変数値の組み合わせ情報に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムが予め設定され、前記変数算出手段で算出された識別対象の前記破砕片の前記組み合わせ情報の入力に基づき、前記識別アルゴリズムに応じた識別結果を出力する手段として構成される前記＜１＞から＜４＞のいずれかに記載の識別装置。
＜６＞ 少なくとも鉄スクラップの破砕片の３次元形状を測定する測定ステップと、前記測定ステップで測定される前記３次元形状の測定値の入力に基づき、前記破砕片ごとの前記３次元形状の変数値として少なくとも前記破砕片表面の凹凸形状を指標する表面微分パラメータ値を算出する変数算出ステップと、前記変数値に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別可能な識別アルゴリズムに対して、前記変数算出ステップで算出された識別対象の前記破砕片の前記変数値を入力し、前記識別アルゴリズムに応じた識別結果を出力させる識別ステップと、を有することを特徴とする識別方法。
＜７＞ 変数算出ステップが、３次元形状の測定値から下記式（１）で表される破砕片の断面プロファイルｚｉを算出する断面プロファイル算出ステップと、下記式（２）に基づき前記断面プロファイルｚｉの移動平均データを算出する移動平均データ算出ステップと、下記式（３）に基づき前記移動平均データの微分データを算出する微分データ算出ステップと、前記微分データに対して下記式（４）の条件を満たす場合に前記破砕片表面の凹凸形状の数を計数し、これを表面微分パラメータ値とする表面微分パラメータ値算出ステップとを有する前記＜６＞に記載の識別方法。
＜８＞ ｋ及びｌが、相互に独立して、３〜９の数値範囲から選択される整数であり、ｐが０．１〜３．０の数値範囲から選択される数値であり、断面プロファイルｚｉを取得するｘ方向における間隔を示すΔｘが、ｘ０における画素を０番目の画素として順番付けされるｘｍｘまでのｘ方向における画素の並び順であり、０以上かつｍｘ以下の整数を示すｎの数値範囲から選択され、かつ、２〜１０の数値範囲から選択される整数である前記＜７＞に記載の識別方法。
＜９＞ 変数算出ステップが変数値として更に破砕片ごとの重量値を算出するステップを有し、識別ステップが前記重量値を含む前記変数値の組み合わせ情報に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムに対して、前記変数算出ステップで算出された識別対象の前記破砕片の前記組み合わせ情報を入力し、前記識別アルゴリズムに応じた識別結果を出力するステップである前記＜６＞から＜８＞のいずれかに記載の識別方法。
本発明によれば、従来技術における前記諸問題を解決することができ、前記鉄スクラップの破砕片から前記炭素鋼由来の破砕片と前記特殊鋼由来の破砕片とを、高精度で効率良く且つ簡便に識別可能な識別装置及び識別方法を提供することができる。
（識別装置）
本発明の識別装置は、少なくとも測定部と演算処理部とを有する。
本発明の識別装置は、少なくとも測定部と演算処理部とを有する。
＜測定部＞
前記測定部は、少なくとも鉄スクラップの破砕片の３次元形状を測定する部である。
前記３次元形状を測定する手段としては、特に制限はなく、公知の光学的手段が挙げられ、例えば、公知のレーザー計測器等が挙げられる。
また、前記破砕片の重量を変数として用いて識別を行う場合、前記破砕片の重量を測定する手段を有する。
中でも、膨大な量の前記鉄スクラップに対して効率的に識別を行う観点から、積載される破砕片の重量を測定可能なベルトコンベアと、前記ベルトコンベア上で搬送される前記破砕片の３次元形状を測定可能なレーザー計測器とで構成されることが好ましい。
前記測定部は、少なくとも鉄スクラップの破砕片の３次元形状を測定する部である。
前記３次元形状を測定する手段としては、特に制限はなく、公知の光学的手段が挙げられ、例えば、公知のレーザー計測器等が挙げられる。
また、前記破砕片の重量を変数として用いて識別を行う場合、前記破砕片の重量を測定する手段を有する。
中でも、膨大な量の前記鉄スクラップに対して効率的に識別を行う観点から、積載される破砕片の重量を測定可能なベルトコンベアと、前記ベルトコンベア上で搬送される前記破砕片の３次元形状を測定可能なレーザー計測器とで構成されることが好ましい。
前記測定部の構成例を図１を参照しつつ説明する。なお、図１は、測定部の構成例及び測定状況を説明する説明図である。
この測定部は、前記ベルトコンベア、３Ｄカメラ（レーザー３次元計測器）、線状レーザー及び近接センサで構成され、前記ベルトコンベア上に前記破砕片を積載して前記破砕片の重量が測定可能とされる。また、前記線状レーザーでは、前記ベルトコンベアの積載面（水平面）に対して鉛直下向きの線状レーザー光を照射し、その反射光に基づき、前記ベルトコンベアの搬送方向と逆方向にｘ、ベルト幅方向にｙ、高さ方向にｚの直交座標系を設定して、前記破砕片の前記３次元形状に関する数値データ（ｘ，ｙ，ｚ）を取得可能とされる。また、前記近接センサでは、前記ベルトコンベア上を移動する前記破砕片の通過を検出し、その検出信号を前記３Ｄカメラに出力可能とされる。前記３Ｄカメラでは、前記検出信号を受信すると瞬時に撮像を開始し、ｘ方向に対して所定数の断面プロファイルを取得可能とされる。前記３Ｄカメラの撮像範囲は、ｘ方向及びｙ方向に対して所定数の画素群で充足される範囲とされ、例えば、図１の長方形ＯＡＢＣ内の範囲が撮像範囲に相当する。前記３Ｄカメラの分解能（１画素当たりの長さ）としては、測定対象とする前記破砕片の平均的な大きさに応じて、例えば、ｘ方向に０．１ｍｍ〜１０ｍｍ、ｙ方向に０．０１ｍｍ〜１ｍｍの範囲で設定する。ｚ方向については、前記破砕片表面の形状に応じて上下に従動する線状レーザーの反射光ラインの動きを前記ベルコンベア搬送先の前方斜め上に配置した前記３Ｄカメラで一定の時間間隔で検知することで、前記断面プロファイル上の各画素における高さ方向のｚ値を取得する。なお、より詳細な構成としては、前記特許文献１を参照することができ、前記３Ｄカメラとしては、ジック（株）製、Ｒａｎｇｅｒ ３Ｄカメラ、前記線状レーザーとしては、竹中オプトニック（株）製、ＬＤＣ９０６６０ＨＦＬＷ−Ａ又はこれに相当する製品を用いることができる。
この測定部は、前記ベルトコンベア、３Ｄカメラ（レーザー３次元計測器）、線状レーザー及び近接センサで構成され、前記ベルトコンベア上に前記破砕片を積載して前記破砕片の重量が測定可能とされる。また、前記線状レーザーでは、前記ベルトコンベアの積載面（水平面）に対して鉛直下向きの線状レーザー光を照射し、その反射光に基づき、前記ベルトコンベアの搬送方向と逆方向にｘ、ベルト幅方向にｙ、高さ方向にｚの直交座標系を設定して、前記破砕片の前記３次元形状に関する数値データ（ｘ，ｙ，ｚ）を取得可能とされる。また、前記近接センサでは、前記ベルトコンベア上を移動する前記破砕片の通過を検出し、その検出信号を前記３Ｄカメラに出力可能とされる。前記３Ｄカメラでは、前記検出信号を受信すると瞬時に撮像を開始し、ｘ方向に対して所定数の断面プロファイルを取得可能とされる。前記３Ｄカメラの撮像範囲は、ｘ方向及びｙ方向に対して所定数の画素群で充足される範囲とされ、例えば、図１の長方形ＯＡＢＣ内の範囲が撮像範囲に相当する。前記３Ｄカメラの分解能（１画素当たりの長さ）としては、測定対象とする前記破砕片の平均的な大きさに応じて、例えば、ｘ方向に０．１ｍｍ〜１０ｍｍ、ｙ方向に０．０１ｍｍ〜１ｍｍの範囲で設定する。ｚ方向については、前記破砕片表面の形状に応じて上下に従動する線状レーザーの反射光ラインの動きを前記ベルコンベア搬送先の前方斜め上に配置した前記３Ｄカメラで一定の時間間隔で検知することで、前記断面プロファイル上の各画素における高さ方向のｚ値を取得する。なお、より詳細な構成としては、前記特許文献１を参照することができ、前記３Ｄカメラとしては、ジック（株）製、Ｒａｎｇｅｒ ３Ｄカメラ、前記線状レーザーとしては、竹中オプトニック（株）製、ＬＤＣ９０６６０ＨＦＬＷ−Ａ又はこれに相当する製品を用いることができる。
＜演算処理部＞
前記演算処理部は、変数算出手段と識別手段とを有する。
前記演算処理部としては、特に制限はなく、例えば、前記変数算出手段と前記識別手段とが実行可能に設定された公知のコンピュータ等の演算処理装置を挙げることができる。
前記演算処理部は、変数算出手段と識別手段とを有する。
前記演算処理部としては、特に制限はなく、例えば、前記変数算出手段と前記識別手段とが実行可能に設定された公知のコンピュータ等の演算処理装置を挙げることができる。
−変数算出手段−
前記変数算出手段は、前記測定部で測定された前記３次元形状の測定値の入力に基づき、前記破砕片ごとの前記３次元形状の変数値として少なくとも前記破砕片表面の凹凸形状を指標する表面微分パラメータ値を算出する手段である。
また、識別に用いる前記破砕片として、前記表面微分パラメータとそれ以外の変数値とを用いる場合、前記破砕片ごとにこれらの変数値の組み合わせ情報を算出する手段として構成される。
前記表面微分パラメータ以外の変数値としては、前記測定部の測定値から公知の方法で算出される、重量、体積、面積、縦長、横長、最大高、重心高の一次変数値に加え、前記一次変数値から公知の方法で算出される、見掛け密度（重量／体積）、体積／面積といった二次変数値から適宜選択することができ、中でも、理由は後述するが、前記表面微分パラメータ以外の変数値として前記重量が特に有効である。
なお、重量計を兼ねたベルトコンベアに複数の前記破砕片を積載させる場合、前記ベルトコンベアで測定される重量の変化から、先に積載させた前記破砕片の重量と次に積載させた前記破砕片の重量との差分を取る形で、個々の前記破砕片の重量値を算出することができる。
前記変数算出手段は、前記測定部で測定された前記３次元形状の測定値の入力に基づき、前記破砕片ごとの前記３次元形状の変数値として少なくとも前記破砕片表面の凹凸形状を指標する表面微分パラメータ値を算出する手段である。
また、識別に用いる前記破砕片として、前記表面微分パラメータとそれ以外の変数値とを用いる場合、前記破砕片ごとにこれらの変数値の組み合わせ情報を算出する手段として構成される。
前記表面微分パラメータ以外の変数値としては、前記測定部の測定値から公知の方法で算出される、重量、体積、面積、縦長、横長、最大高、重心高の一次変数値に加え、前記一次変数値から公知の方法で算出される、見掛け密度（重量／体積）、体積／面積といった二次変数値から適宜選択することができ、中でも、理由は後述するが、前記表面微分パラメータ以外の変数値として前記重量が特に有効である。
なお、重量計を兼ねたベルトコンベアに複数の前記破砕片を積載させる場合、前記ベルトコンベアで測定される重量の変化から、先に積載させた前記破砕片の重量と次に積載させた前記破砕片の重量との差分を取る形で、個々の前記破砕片の重量値を算出することができる。
前記表面微分パラメータ値の具体的な算出手法を、再び図１に示した例を参照しつつ説明する。なお、この前記表面微分パラメータ値及びその算出手法は、一例として説明するものであり、前記表面微分パラメータ値及びその算出手法としては、前記破砕片表面の前記凹凸形状を指標して算出するものであれば、特に制限はない。
先ず、前記変数算出手段では、前記測定部で測定された前記破砕片の前記３次元形状に関する数値データ（ｘ，ｙ，ｚ）と、ｘ方向、ｙ方向及びｚ方向の実値が前記分解能（１画素当たりの長さ）で特定され、ｘ方向に対して所定数取得された前記破砕片の断面プロファイルとを取得した後、ｚ値が一定の閾値以上にある範囲を抽出し、前記破砕片の前記３次元形状の特定に関与する座標範囲（前記破砕片を内包する直方体）を決定する。今、この直方体の各辺がｘ−ｙ平面上においてｘ０〜ｘｍｘ、ｙ０〜ｙｍｙの範囲にあるものとする。
図２に、前記破砕片の前記断面プロファイルの概念例を示す。この概念例は、前記破砕片の断面を図１に示す前記ベルトコンベア搬送先である前方から見た状態を示している。
この状態に関し、ｘ＝ｘｎ（図１参照）における前記破砕片の前記断面プロファイルは、次式で示される。ここで、添え字のｎは、前記ｘ０における画素を０番目の画素として順番付けされる前記ｘｍｘまでの前記ｘ方向における前記画素の並び順であり、０以上かつｍｘ以下の整数を示す。
図２に、前記破砕片の前記断面プロファイルの概念例を示す。この概念例は、前記破砕片の断面を図１に示す前記ベルトコンベア搬送先である前方から見た状態を示している。
この状態に関し、ｘ＝ｘｎ（図１参照）における前記破砕片の前記断面プロファイルは、次式で示される。ここで、添え字のｎは、前記ｘ０における画素を０番目の画素として順番付けされる前記ｘｍｘまでの前記ｘ方向における前記画素の並び順であり、０以上かつｍｘ以下の整数を示す。
前記変数算出手段では、先ず、この断面プロファイルを下記式（２）で算出される移動平均値の集合データである移動平均データに変換し、平滑化させる。
ただし、前記式（２）中、ｋは、前記断面プロファイルの移動平均データを算出する際に考慮する画素数に関係する変数であり、前記ｉの数値範囲から選択される任意の整数を示す。また、ｚ− ｉは、前記断面プロファイル中のｉ番目の画素における移動平均値を意味し、ｉがｋ以上の場合に算出可能である。
前記式（２）による平滑化の計算例を図３（ａ）〜（ｄ）に示す。なお、図３（ａ）は、破砕片の断面プロファイルの一例を示す図であり、図３（ｂ）は、ｋ＝１で平滑化させた計算例を示す図であり、図３（ｃ）は、ｋ＝５で平滑化させた計算例を示す図であり、図３（ｄ）は、ｋ＝１０で平滑化させた計算例を示す図である。即ち、図３（ａ）に示すような断面プロファイル（ｙ方向（ベルト幅方向）の３１箇所の画素に対応する各ｚ方向の値）が得られたとき、このデータをｋ＝１、５、１０の条件下で平滑化すると、それぞれ図３（ｂ）〜（ｄ）の計算結果が得られる。
これらの計算結果から、ｋの値が増加するのに伴い平滑化処理が強調されることが分かる。前記３Ｄカメラにおける前記断面プロファイルの高さ方向ｚの分解能は、通常０．０５ｍｍ程度であるので、目視では確認できない極めて微小な前記凹凸形状も測定可能とされる。これに加え、測定データには微弱なノイズが含まれる。これらの影響を前記式（２）による平滑化により低減させることができる。
これらの計算結果から、ｋの値が増加するのに伴い平滑化処理が強調されることが分かる。前記３Ｄカメラにおける前記断面プロファイルの高さ方向ｚの分解能は、通常０．０５ｍｍ程度であるので、目視では確認できない極めて微小な前記凹凸形状も測定可能とされる。これに加え、測定データには微弱なノイズが含まれる。これらの影響を前記式（２）による平滑化により低減させることができる。
次に、この平滑化した断面プロファイルデータ使って、前記移動平均値から下記式（３）で算出される微分値の集合データとして微分データを取得する。
前記（３）式による前記微分データの計算例を図４（ａ）〜（ｄ）に示す。なお、図４（ａ）は、平滑化後の断面プロファイルの一例を示す図であり、図４（ｂ）は、ｌ＝１で前記微分データを計算した計算例を示す図であり、図４（ｃ）は、ｌ＝５で前記微分データを計算した計算例を示す図であり、図４（ｄ）は、ｌ＝１０で前記微分データを計算した計算例を示す図である。即ち、前記平滑化後の断面プロファイルが、図４（ａ）に示される特性を有するとき、この特性に対してｌ＝１、５、１０の各条件下で前記微分データを計算すると図４（ｂ）〜（ｄ）の結果が得られる。
図４（ａ）において、前記平滑化後の断面プロファイルでは、６箇所の凸部（Ｐ１〜Ｐ６）と５箇所の凹部（Ｖ１〜Ｖ５）が存在する。ｌ＝１の条件下で得られた微分計算後の断面プロファイルと（図４（ｂ））、前記平滑化後の断面プロファイル（図４（ａ）とを比較すると、前記平滑化後の断面プロファイルにおける減少過程（Ｐ→Ｖ）では、前記微分値が負の値を取り、増加過程（Ｖ→Ｐ）では、前記微分値が正の値を取ることが分かる。また、前記微分計算後の断面プロファイル（図４（ｂ））では、前記微分値が正から負に変化するポイントと負から正に変化するポイントが合計１１箇所存在し、この値が前記平滑化後の断面プロファイルの前記凸部（Ｐ１〜Ｐ６）と前記凹部（Ｖ１〜Ｖ５）の総数に一致することが分かる。
一方、ｌ＝５の条件下で計算した場合（図４（ｃ））は、前記微分値が正から負に変化するポイントと負から正に変化するポイントが合計６箇所となる。これは差分の間隔を５画素に拡大したことによって、差分計算ができないｙ＝０〜５の範囲の情報が失われ、前記平滑化後の断面プロファイルにおけるＰ１が計数されないこと、並びに、Ｐ３とＰ４、及び、Ｐ５とＰ６をそれぞれ同一の凸部と認識したことによって、Ｖ３とＶ５が計数されなかったことによる。
また、ｌ＝１０の条件下で計算した場合（図４（ｄ））は、こうした傾向が更に顕著になり、前記微分値が正から負に変化するポイントと負から正に変化するポイントが合計２箇所となる。このように、ｌの値を変化させることによって、前記破砕片表面において認識する凹部、凸部の幅（周期）を選択することができる。
図４（ａ）において、前記平滑化後の断面プロファイルでは、６箇所の凸部（Ｐ１〜Ｐ６）と５箇所の凹部（Ｖ１〜Ｖ５）が存在する。ｌ＝１の条件下で得られた微分計算後の断面プロファイルと（図４（ｂ））、前記平滑化後の断面プロファイル（図４（ａ）とを比較すると、前記平滑化後の断面プロファイルにおける減少過程（Ｐ→Ｖ）では、前記微分値が負の値を取り、増加過程（Ｖ→Ｐ）では、前記微分値が正の値を取ることが分かる。また、前記微分計算後の断面プロファイル（図４（ｂ））では、前記微分値が正から負に変化するポイントと負から正に変化するポイントが合計１１箇所存在し、この値が前記平滑化後の断面プロファイルの前記凸部（Ｐ１〜Ｐ６）と前記凹部（Ｖ１〜Ｖ５）の総数に一致することが分かる。
一方、ｌ＝５の条件下で計算した場合（図４（ｃ））は、前記微分値が正から負に変化するポイントと負から正に変化するポイントが合計６箇所となる。これは差分の間隔を５画素に拡大したことによって、差分計算ができないｙ＝０〜５の範囲の情報が失われ、前記平滑化後の断面プロファイルにおけるＰ１が計数されないこと、並びに、Ｐ３とＰ４、及び、Ｐ５とＰ６をそれぞれ同一の凸部と認識したことによって、Ｖ３とＶ５が計数されなかったことによる。
また、ｌ＝１０の条件下で計算した場合（図４（ｄ））は、こうした傾向が更に顕著になり、前記微分値が正から負に変化するポイントと負から正に変化するポイントが合計２箇所となる。このように、ｌの値を変化させることによって、前記破砕片表面において認識する凹部、凸部の幅（周期）を選択することができる。
このように前記変数算出手段では、前記微分値ｚ− ｉの符号が正から負に変化する回数と負から正に変化する回数の総数ｊを計数する。このとき、隣り合う微分値の積の絶対値が設定値ｐを下回る場合は計数しない。即ち、下記式（４）の条件を満たす場合に、ｊ＝ｊ＋１（ｊの初期値は０）とする。なお、ｐは、ｊの計数を制御するための設定値であり、０以上の任意の値から選択される数値を示す。
逆に、下記式（４）の条件を満たさず、下記式（５）の条件に該当する場合には、ｊ＝ｊ（ｊの加算なし）とする。
図４（ｂ）〜（ｄ）に示す前記各微分データ計算後の断面プロファイルにおける前記式（４）及び前記式（５）の計算状況を下記表１（ａ）及び表１（ｂ）に示す。
ここで、前記表１（ａ）では、隣り合う前記微分値の積が負となる場合の積の絶対値を示している。図４（ｂ）に示すように、ｌ＝１の場合、隣り合う前記微分値の積が負となるポイントは１１箇所存在するが、各ポイントにおける積の絶対値は、０〜１９の値を取る。この値は、微分値が正から負、または、負から正への変化する際の鋭さに対応しており、大きな値となる程、断面プロファイルの凹凸部の形状が鋭いことを意味する。
また、前記表１（ｂ）では、前記式（４）及び（５）の設定値ｐの違いによる計数値ｊの変化を示している。ｐの値を大きく設定すると、形状の滑らかな凹凸部が計数から除外されることが分かる。
このように前記変数算出手段では、識別対象となる前記破砕片間の表面形状の違いに応じてｋ、ｌ、ｐを適宜設定することで、前記凹凸形状の計数値ｊに顕著な違いを与えることができる。
また、前記表１（ｂ）では、前記式（４）及び（５）の設定値ｐの違いによる計数値ｊの変化を示している。ｐの値を大きく設定すると、形状の滑らかな凹凸部が計数から除外されることが分かる。
このように前記変数算出手段では、識別対象となる前記破砕片間の表面形状の違いに応じてｋ、ｌ、ｐを適宜設定することで、前記凹凸形状の計数値ｊに顕著な違いを与えることができる。
前記変数算出手段では、以上の計算過程によって破砕片の位置ｘ＝ｘｎにおける前記断面プロファイルの凸部（山）と凹部（谷）の個数を抽出するが、こうした計算を前記３Ｄカメラで測定されるｘ０〜ｘｍｘの範囲にある前記破砕片を横切る全ての断面プロファイル（Ｌ本とする）対して行うのではなく、一定間隔Δｘごとに前記断面プロファイルを抽出して取得して前記式（１）〜（５）に基づく演算処理を行うことで、前記演算処理に要する時間を短縮して選別処理効率の低下を防止する。即ち、前記Δｘは、前記断面プロファイルを取得する前記ｘ方向における間隔を示し、前記ｎの数値範囲から選択される１以上かつｍｘ以下の整数である（図１参照）。例えば、前記３Ｄカメラ測定時のｘ方向分解能が１ｍｍのとき、ｘ方向に長さ１５０ｍｍの物体に対しては、前記分解能に応じて１５１本（Ｌ本：ｘ方向分解能に応じて取得可能な断面プロファイル数）の前記断面プロファイルが取得可能とされる。このとき、Δｘ＝１０と設定すると、１０ｍｍ間隔で１６本の断面プロファイルを抽出して、前記演算処理を行うこととなる。
このように前記変数算出手段では、演算対象とする前記断面プロファイル総数を、断面プロファイルの位置をｘ＝ｘｎ（ｎ＝０，Δｘ，２Δｘ，３Δｘ，・・・）とすることで、（Ｌ−１＋Δｘ）／Δｘ本に制限して前記演算処理を行い、最終的に加算される計数値ｊを前記破砕片の表面微分パラメータ値とする。
このように前記変数算出手段では、演算対象とする前記断面プロファイル総数を、断面プロファイルの位置をｘ＝ｘｎ（ｎ＝０，Δｘ，２Δｘ，３Δｘ，・・・）とすることで、（Ｌ−１＋Δｘ）／Δｘ本に制限して前記演算処理を行い、最終的に加算される計数値ｊを前記破砕片の表面微分パラメータ値とする。
−識別手段−
前記識別手段は、前記変数値に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムが予め設定され、前記変数算出手段で算出された識別対象の前記破砕片の前記変数値の入力に基づき、前記識別アルゴリズムに応じた識別結果を出力する手段である。
前記識別手段は、前記変数値に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムが予め設定され、前記変数算出手段で算出された識別対象の前記破砕片の前記変数値の入力に基づき、前記識別アルゴリズムに応じた識別結果を出力する手段である。
−−識別アルゴリズムの設定−−
以下に、前記識別手段に用いられる前記識別アルゴリズムの設定方法の一例を説明する。前記圧延鋼板の破砕片と前記特殊鋼部品の破砕片の識別を行うにあたっては、先ず、予め前記圧延鋼板に由来するものか、前記特殊鋼部品に由来するものかが既知である代表的な複数のサンプルを抽出し、これらサンプルの重量及び３次元形状を前記測定部で繰り返し測定する。これらの測定値から、ここでは、１例として、重量、体積、面積、縦長、横長、最大高、重心高、表面微分パラメータの一次変数値と、前記一次変数値を用いて算出される下記表２に示す二次変数値との合計１５通りの変数値Ｘ１〜Ｘ１５を前記変数算出手段で算出し、その算出結果のデータベースを作成する。このとき、ある破砕片を測定したときに得られる１５個の変数値の組み合わせ情報を１つのケースデータとし、前記ケースデータを一群のデータとして前記データベースに登録する。重量値を除く変数値Ｘ２〜Ｘ１５は、前記破砕片の前記３次元形状の他に、前記ベルトコンベアの搬送方向に対する前記破砕片の配置にも依存し、同一の破砕片でも配置が異なる場合は異なる値を取るので、前記破砕片１個当たり少なくとも、裏表、前後方向の異なる４通り（望ましくは各２回ずつ計８通り）の前記ケースデータを登録する。
以下に、前記識別手段に用いられる前記識別アルゴリズムの設定方法の一例を説明する。前記圧延鋼板の破砕片と前記特殊鋼部品の破砕片の識別を行うにあたっては、先ず、予め前記圧延鋼板に由来するものか、前記特殊鋼部品に由来するものかが既知である代表的な複数のサンプルを抽出し、これらサンプルの重量及び３次元形状を前記測定部で繰り返し測定する。これらの測定値から、ここでは、１例として、重量、体積、面積、縦長、横長、最大高、重心高、表面微分パラメータの一次変数値と、前記一次変数値を用いて算出される下記表２に示す二次変数値との合計１５通りの変数値Ｘ１〜Ｘ１５を前記変数算出手段で算出し、その算出結果のデータベースを作成する。このとき、ある破砕片を測定したときに得られる１５個の変数値の組み合わせ情報を１つのケースデータとし、前記ケースデータを一群のデータとして前記データベースに登録する。重量値を除く変数値Ｘ２〜Ｘ１５は、前記破砕片の前記３次元形状の他に、前記ベルトコンベアの搬送方向に対する前記破砕片の配置にも依存し、同一の破砕片でも配置が異なる場合は異なる値を取るので、前記破砕片１個当たり少なくとも、裏表、前後方向の異なる４通り（望ましくは各２回ずつ計８通り）の前記ケースデータを登録する。
次に、前記データベースに登録した全ての前記ケースデータを重量Ｘ１の大きさ順でソートし、Ｘ１について適当な閾値を設定して複数の第１ケースデータ群にグループ分けする。続いて、グループ分けした各ケース群を更にＸ２〜Ｘ１５のいずれかの変数Ｘの大きさ順でソートし、Ｘについて適当な閾値を設定して複数の第２ケースデータ群に再度グループ分けする。最終的に得られた前記各第２ケースデータ群に対し、ニューラルネットワークを適用して、あるケースデータとして測定される前記破砕片が、前記圧延鋼板に由来するもの（以下、単に「鋼板」と表記することがある）なのか、あるいは前記特殊鋼部品に由来するもの（以下、単に「部品」と表記することがある）なのかを識別する識別アルゴリズムを決定する。
前記ニューラルネットワークとしては、例えば「ニューロコンピュータ工学ｐ３１〜ｐ７５、工業調査会（１９９２）」に示されているが、その概要は、次の通りである。
即ち、『ニューラルネットワークは、人間の脳の構造を真似て作った情報処理の手法である。ニューラルネットワークを用いる場合は、変数間の関係を見つけるためのデータ（本発明における「ケースデータ群」に相当）を用意して、このデータを用いてニューラルネットワークに学習させ、その後、変数データを入力してニューラルネットワークの出力から結果を解釈するという手順を取る。ニューラルネットワークの優れた点として、任意の関数関係のモデル化が可能であり、一度の計算で２つ以上のグループに識別できる点が挙げられる。また、いったん学習が終了したニューラルネットワークでも学習データを追加して再学習させると、識別性能を向上させることができる。』
即ち、『ニューラルネットワークは、人間の脳の構造を真似て作った情報処理の手法である。ニューラルネットワークを用いる場合は、変数間の関係を見つけるためのデータ（本発明における「ケースデータ群」に相当）を用意して、このデータを用いてニューラルネットワークに学習させ、その後、変数データを入力してニューラルネットワークの出力から結果を解釈するという手順を取る。ニューラルネットワークの優れた点として、任意の関数関係のモデル化が可能であり、一度の計算で２つ以上のグループに識別できる点が挙げられる。また、いったん学習が終了したニューラルネットワークでも学習データを追加して再学習させると、識別性能を向上させることができる。』
前記ニューラルネットワークとしては、いくつかのモデルが存在し、いずれのモデルを用いても識別は可能であるが、ここでは最も一般的な階層型モデルを用いた例について図５を参照しつつ説明する。なお、図５は、破砕片を「鋼板」と「部品」の２種に識別するためのニューラルネットワークの構成例を示す概念図である。
図５に示す構成のニューラルネットワークでは、入力層に変数値Ｘ１〜Ｘ１５に対応する１５個のユニットを設定し、出力層に「鋼板」と「部品」に対応する２個のユニットを設定する。また、識別する前記ケースデータ群の特性に応じて複数個のユニットを中間層に設定する。これらユニット間を適当に重み付けされたネットワークを介して結合させる。
図５に示す構成のニューラルネットワークでは、入力層に変数値Ｘ１〜Ｘ１５に対応する１５個のユニットを設定し、出力層に「鋼板」と「部品」に対応する２個のユニットを設定する。また、識別する前記ケースデータ群の特性に応じて複数個のユニットを中間層に設定する。これらユニット間を適当に重み付けされたネットワークを介して結合させる。
ここで、前記入力層の前記各ユニットには、下記式（６）を用いて０〜１の間に正規化した変数値Ｘ１〜Ｘ１５を入力する。また、前記中間層の前記各ユニットでは、前記入力層の前記各ユニットからの入力値に重みを掛けて総和を取り、閾値との差をＳ字状の非線形関数（シグモイド関数）に入力し、その出力値（０〜１の間の値となる）を前記出力層の前記各ユニットに出力する。前記出力層の前記各ユニットにおいても、これと同様の計算によって０〜１の間の値を出力する。
正規化後の値＝（正規化前の値−最小値）／（最大値−最小値） （６）
ただし、前記式（６）中、前記最大値と前記最小値とは、それぞれ、前記全ケースデータ群を前記変数値の大きさごとにグループ分けしたときの前記各グループ内における前記変数値の最大値と最小値を示す。
正規化後の値＝（正規化前の値−最小値）／（最大値−最小値） （６）
ただし、前記式（６）中、前記最大値と前記最小値とは、それぞれ、前記全ケースデータ群を前記変数値の大きさごとにグループ分けしたときの前記各グループ内における前記変数値の最大値と最小値を示す。
前記ニューラルネットワークの学習は、前記式（６）を用いて変数値Ｘ１〜Ｘ１５を正規化した前記各ケースデータに、「鋼板」の場合は（１，０）、「部品」の場合は（０，１）の２つの整数値（教師信号）を追加した全１７個の前記変数値を用いて、誤差逆伝播法により、前記ユニット間の結合の重みと各ユニットの閾値を修正し、前記ニューラルネットワークを最適化させることで行うことができる。前記誤差逆伝播法の詳細については、「学習とニューラルネットワークｐ５１〜ｐ７５、森北出版（１９９８）」に示されている。なお、前記誤差逆伝播法における学習回数、許容誤差等の条件設定としては、識別対象となる前記破砕片の前記ケースデータ群の性質に応じて適宜決定することができる。
学習済みの前記ニューラルネットワークに対して、前記式（６）を用いて正規化した変数値Ｘ１〜Ｘ１５を前記入力層に入力して計算を実行したとき、前記出力層に（Ｙ１、Ｙ２）の２つの値が得られる。このときＹ１の値とＹ２の値を比較して、Ｙ１の値の方が大きい場合には「鋼板」、Ｙ２の値の方が大きい場合には「部品」といった手順で識別を行う。このように、前記ニューラルネットワークを用いると前記出力層に出力される２つの数値から直ちに前記破砕片の種別を決定することができる。
識別の対象となる前記破砕片の前記ケースデータ数が少数の場合には、１個の前記ニューラルネットワークによっても前記破砕片の種別の識別が可能である。しかし、前記ケースデータが大量に存在する場合、１個の前記ニューラルネットワークでは正確な識別が困難となる。この場合、前記ニューラルネットワークを複数個設定することで精度を高めることが可能である。以下、その設定方法について、図６を参照しつつ説明する。なお、図６は、識別アルゴリズムの設定例を示す図である。
図６に示す識別アルゴリズムでは、前記全ケースデータ群を重量Ｘ１の大きさ順に９つのグループ（区間）に分割後、両端の区間１と区間９については直ちに「鋼板」と判定する。また、ケース数の比較的少ない区間２についてはそのまま１個のニューラルネットワーク２−１（ＮＮ２−１）によって識別処理を行う。前記ニューラルネットワークに対する説明に従って、前記階層型モデルを設定し、識別対象の前記ケースデータ群での学習を行うことで、最適なニューラルネットワーク構造（中間層ユニット数、ユニット間の結合の重み、各ユニット閾値）を決定する。
その他の区間３〜区間８については、更に最大高Ｘ６の大きさ順に２つのグループに分割する。例えば、区間３においては、最大高Ｘ６が閾値２．７４ｃｍ以上のグループに移行した前記ケースデータ群については、ニューラルネットワーク３−１（ＮＮ３−１）によって識別処理を行う。前記ニューラルネットワークに対する説明に従って、前記階層型モデルを設定し、対象ケース群を学習させることで、最適なニューラルネットワーク構造（中間層ユニット数、ユニット間の結合の重み、各ユニット閾値）を決定する。最大高Ｘ６が閾値２．７４ｃｍより小さなグループに移行したケースデータ群についても、ニューラルネットワーク３−２（ＮＮ３−２）において、これと同様の計算処理を行う。このように、ニューラルネットワーク３−１とニューラルネットワーク３−２では、解析の対象となるケースデータの“メンバー”が異なるので、これらを分離するためのニューラルネットワーク構造も当然異なることになる。区間４〜区間８に属するケース群ついても、まったく同様の手順で最大高Ｘ６の閾値及び最適なニューラルネットワーク構造を設定し、前記破砕片の識別に至る識別アルゴリズムを決定する。
なお、前記ケースデータ群をグループ分けする際の重量や最大高の境界値や分割後のグループ数は、必ずしも図６と同一にする必要はなく、取り扱う母集団の規模、性質に応じて任意に設定可能である。
図６に示す識別アルゴリズムでは、前記全ケースデータ群を重量Ｘ１の大きさ順に９つのグループ（区間）に分割後、両端の区間１と区間９については直ちに「鋼板」と判定する。また、ケース数の比較的少ない区間２についてはそのまま１個のニューラルネットワーク２−１（ＮＮ２−１）によって識別処理を行う。前記ニューラルネットワークに対する説明に従って、前記階層型モデルを設定し、識別対象の前記ケースデータ群での学習を行うことで、最適なニューラルネットワーク構造（中間層ユニット数、ユニット間の結合の重み、各ユニット閾値）を決定する。
その他の区間３〜区間８については、更に最大高Ｘ６の大きさ順に２つのグループに分割する。例えば、区間３においては、最大高Ｘ６が閾値２．７４ｃｍ以上のグループに移行した前記ケースデータ群については、ニューラルネットワーク３−１（ＮＮ３−１）によって識別処理を行う。前記ニューラルネットワークに対する説明に従って、前記階層型モデルを設定し、対象ケース群を学習させることで、最適なニューラルネットワーク構造（中間層ユニット数、ユニット間の結合の重み、各ユニット閾値）を決定する。最大高Ｘ６が閾値２．７４ｃｍより小さなグループに移行したケースデータ群についても、ニューラルネットワーク３−２（ＮＮ３−２）において、これと同様の計算処理を行う。このように、ニューラルネットワーク３−１とニューラルネットワーク３−２では、解析の対象となるケースデータの“メンバー”が異なるので、これらを分離するためのニューラルネットワーク構造も当然異なることになる。区間４〜区間８に属するケース群ついても、まったく同様の手順で最大高Ｘ６の閾値及び最適なニューラルネットワーク構造を設定し、前記破砕片の識別に至る識別アルゴリズムを決定する。
なお、前記ケースデータ群をグループ分けする際の重量や最大高の境界値や分割後のグループ数は、必ずしも図６と同一にする必要はなく、取り扱う母集団の規模、性質に応じて任意に設定可能である。
このように決定した重量Ｘ１と最大高Ｘ６の閾値、及び全てのニューラルネットワーク構造を前記識別アルゴリズムとして前記識別手段に設定する。
以上の準備が終了後、種別が未知の試料を搬送して識別を行う。
以上の準備が終了後、種別が未知の試料を搬送して識別を行う。
−−識別−−
下記表３及び４を参照しつつ、種別が未知の前記破砕片に対する前記識別アルゴリズムに基づく識別過程をより具体的に説明する。先ず、下記表３は、「鋼板」と識別される破砕片の変数値（正規化前）、変数値（正規化後）、ニューラルネットワーク出力値の例を示す表である。
下記表３及び４を参照しつつ、種別が未知の前記破砕片に対する前記識別アルゴリズムに基づく識別過程をより具体的に説明する。先ず、下記表３は、「鋼板」と識別される破砕片の変数値（正規化前）、変数値（正規化後）、ニューラルネットワーク出力値の例を示す表である。
前記破砕片に対する前記測定部の測定値が前記演算処理部に入力されると、前記変数算出部で、前記表２に示した定義に基づき、前記表３に示したＸ１〜Ｘ１５の「変数値（正規化前）」が直ちに算出される。前記破砕片の重量Ｘ１が８１．５３ｇなので、このケースデータは図６における区間４に属しており、最大高Ｘ６が２．７８ｃｍなので、ニューラルネットワーク４−１（ＮＮ４−１）を用いて識別を行うことになる。即ち、前記式（６）によって正規化した各変数値（前記表３参照）をニューラルネットワーク４−１に入力すると、前述の方法で予め最適化された前記ニューラルネットワークの演算により、出力値Ｙ１＝１．０、Ｙ２＝０．０が得られる。Ｙ１の値がＹ２の値よりも大きいので、最終的に識別対象の前記破砕片を「鋼板」と識別することができる。
次に、下記表４は、「部品」と識別される破砕片の変数値（正規化前）、変数値（正規化後）、ニューラルネットワーク出力値の例を示す表であり、この破砕片に対して「鋼板」の場合と同様の演算を行った結果、Ｙ１の値がＹ２の値よりも小さいので、前記破砕片を「部品」と識別する。
前記識別アルゴリズムを用いた前記演算処理部の演算によって、前記圧延鋼板（炭素鋼）に由来する破砕片と前記特殊鋼部品（特殊鋼）に由来する破砕片の効果的な識別が可能となる理由を図７（ａ），（ｂ）及び図８（ａ），（ｂ）を参照しつつ補足説明する。なお、図７（ａ）は、鋼板に対し、ｋ＝５，ｌ＝５，ｐ＝３，Δｘ＝５の設定で表面微分パラメータ値を計算した計算例を示す図であり、図７（ｂ）は、部品に対し、ｋ＝５，ｌ＝５，ｐ＝３，Δｘ＝５の設定で表面微分パラメータ値を計算した計算例を示す図である。また、図８（ａ）は、鋼板に対し、ｋ＝１０，ｌ＝１０，ｐ＝５，Δｘ＝１０の設定で表面微分パラメータ値を計算した計算例を示す図であり、図８（ｂ）は、部品に対し、ｋ＝１０，ｌ＝１０，ｐ＝５，Δｘ＝１０の設定で表面微分パラメータ値を計算した計算例を示す図である。
これら図７（ａ），（ｂ）及び図８（ａ），（ｂ）に示す表面微分パラメータ値は、前記３Ｄカメラの分解能を、ｘ方向に０．９６ｍｍ、ｙ方向に０．３ｍｍ、ｚ方向に０．０３ｍｍとして得たものである。測定試料は、後述の実施例で用いた鉄スクラップであり、「鋼板」３３０個、「部品」１１２個について、測定した表面微分パラメータＸ８を縦長Ｘ４に対してプロットしている。
図７（ａ），（ｂ）に示すグラフでは、「鋼板」と「部品」の破砕片の表面微分パラメータ値に違いが見られ、特に縦長が７．５ｃｍ以上となる比較的大きな破砕片において、両者の表面の凹凸形状の違いが顕著となることが分る。一方、図８（ａ），（ｂ）のグラフでは、このような違いが明確ではなく、破砕片表面の性状に応じてｋ、ｌ、ｐ，Δｘを適切に設定することが重要なことを示している。
前記表面微分パラメータ値を用いて「鋼板」と「部品」を高精度に識別するには、ｋ値、ｌ値については、相互に独立して、概ね３〜９の範囲にある整数値を、ｐ値については、概ね０．１〜３の範囲にある数値を、Δｘ値については、概ね２〜１０の範囲にある整数値をそれぞれ設定すればよい。
図７（ａ），（ｂ）に示すグラフでは、「鋼板」と「部品」の破砕片の表面微分パラメータ値に違いが見られ、特に縦長が７．５ｃｍ以上となる比較的大きな破砕片において、両者の表面の凹凸形状の違いが顕著となることが分る。一方、図８（ａ），（ｂ）のグラフでは、このような違いが明確ではなく、破砕片表面の性状に応じてｋ、ｌ、ｐ，Δｘを適切に設定することが重要なことを示している。
前記表面微分パラメータ値を用いて「鋼板」と「部品」を高精度に識別するには、ｋ値、ｌ値については、相互に独立して、概ね３〜９の範囲にある整数値を、ｐ値については、概ね０．１〜３の範囲にある数値を、Δｘ値については、概ね２〜１０の範囲にある整数値をそれぞれ設定すればよい。
下記表５に、前記鉄スクラップの「鋼板」３３０個、「部品」１１２個について測定した変数Ｘ１〜Ｘ８の平均値と標準偏差（かっこ内の数値）を示す。この表から、表面微分パラメータＸ８は、他の変数と比較して「鋼板」と「部品」の違いが最も反映されやすい変数であることが分かる。このことは、前記表面微分パラメータ値を算出して変数Ｘ８及びＸ１５（上記表２参照）等として前記ニューラルネットワークに入力することが、前記圧延鋼板と前記特殊鋼部品の識別に極めて有利に作用することを示している。
前記識別手段の例として、前記データベースと前記ニューラルネットワークとを有して構成される前記識別アルゴリズムを挙げて、これを説明したが、前記識別手段としては、これら前記データベースと前記ニューラルネットワーク自体で構成される必要は、必ずしもなく、例えば、前記データベースと学習により最適化された状態の前記ニューラルネットワークが有する識別特性とを公知の判別関数で表現した識別アルゴリズムを有して構成することもできる。
また、前記演算処理部の例では、前記変数値として重量を用いて説明している。
これに対して、前記特許文献１に示される識別方法では、物体の見掛け密度値（重量値／３Ｄ測定で得られる体積値）を識別用の変数として採用している。しかしながら、３Ｄ測定で得られる体積値は、本発明の識別装置が識別対象とする前記圧延鋼板と前記特殊鋼部品の前記破砕片のように非対称の形状を持つ物体の場合、同じ物体でも前記ベルトコンベア上での配置によって異なる値を取る。一方、重量値にはこうした配置による違いがなく、再現性が見掛け密度値よりも確実に優れる。従って、同じ物体の測定データが同じグループの前記データベースに所属する確率が高くなり、特に見掛け密度値の違いが比較的小さな前記破砕片を識別する際には前記ケースデータ数の削減に有利に作用することになる。
これに対して、前記特許文献１に示される識別方法では、物体の見掛け密度値（重量値／３Ｄ測定で得られる体積値）を識別用の変数として採用している。しかしながら、３Ｄ測定で得られる体積値は、本発明の識別装置が識別対象とする前記圧延鋼板と前記特殊鋼部品の前記破砕片のように非対称の形状を持つ物体の場合、同じ物体でも前記ベルトコンベア上での配置によって異なる値を取る。一方、重量値にはこうした配置による違いがなく、再現性が見掛け密度値よりも確実に優れる。従って、同じ物体の測定データが同じグループの前記データベースに所属する確率が高くなり、特に見掛け密度値の違いが比較的小さな前記破砕片を識別する際には前記ケースデータ数の削減に有利に作用することになる。
なお、前記識別装置では、測定値が前記測定部から前記演算処理部に入力されると、瞬時に前記破砕片の識別結果を出力可能であるため、例えば、前記識別結果の入力を受けて、前記ベルトコンベアの搬出先に設けた前記圧延鋼板の回収部及び前記特殊鋼部品の回収部に前記圧延鋼板と識別された破砕片と前記特殊鋼部品と識別された破砕片とを選別して回収させる選別手段を設けてもよい。
（識別方法）
本発明の識別方法は、少なくとも前記鉄スクラップの前記破砕片の前記３次元形状を測定する測定ステップと、前記測定ステップで測定される前記３次元形状の測定値の入力に基づき、前記破砕片ごとの前記３次元形状の変数値として少なくとも前記破砕片表面の凹凸形状を指標する表面微分パラメータ値を算出する変数算出ステップと、前記変数値に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別可能な識別アルゴリズムに対して、前記変数算出ステップで算出された識別対象の前記破砕片の前記変数値を入力し、前記識別アルゴリズムに応じた識別結果を出力させる識別ステップと、を有することを特徴とする方法である。
なお、前記各ステップの詳細は、前記識別装置で説明した識別手法と同じ方法であるため、重複した説明を省略する。
本発明の識別方法は、少なくとも前記鉄スクラップの前記破砕片の前記３次元形状を測定する測定ステップと、前記測定ステップで測定される前記３次元形状の測定値の入力に基づき、前記破砕片ごとの前記３次元形状の変数値として少なくとも前記破砕片表面の凹凸形状を指標する表面微分パラメータ値を算出する変数算出ステップと、前記変数値に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別可能な識別アルゴリズムに対して、前記変数算出ステップで算出された識別対象の前記破砕片の前記変数値を入力し、前記識別アルゴリズムに応じた識別結果を出力させる識別ステップと、を有することを特徴とする方法である。
なお、前記各ステップの詳細は、前記識別装置で説明した識別手法と同じ方法であるため、重複した説明を省略する。
（実施例）
廃自動車シュレッダー処理施設において磁力選別で回収された鉄スクラップ（６７４個、約４２ｋｇ）を入手し、それらを前記圧延鋼板由来の破砕片と前記特殊鋼部品由来の破砕片とに識別する試験を行った。
先ず、個々の破砕片の形状の違いと蛍光Ｘ線分析計による化学組成の測定結果に従って、「鋼板」と「部品」に手作業で分別した。前記形状の評価においては、表面に波状の凹凸形状が確認できるものを「鋼板」と判断し、それ以外を「部品」と判断した。前記化学組成の評価においては、前記破砕片の表面を手作業で研磨して表層不純物を除き、下地に含まれるＭｎの含有率が０．６ｗｔ％以下であり、かつ、Ｃｒ、Ｎｉ、Ｍｏ等の特殊鋼に使用される元素が検出されないものを「鋼板」と判断し、これ以外を「部品」と判断した。こうした形状と化学組成に関する判断基準の両方で「鋼板」と判断されたものを最終的に「鋼板」として分類し、どちらか一方でも「部品」と判断されたものを最終的に「部品」として分類することで、前記鉄スクラップ中に「鋼板」が５６２個、「部品」が１１２個存在すると判断した。このうち、「鋼板」から３３０個、「部品」から７２個を抽出してデータベース登録用の試料とした。
廃自動車シュレッダー処理施設において磁力選別で回収された鉄スクラップ（６７４個、約４２ｋｇ）を入手し、それらを前記圧延鋼板由来の破砕片と前記特殊鋼部品由来の破砕片とに識別する試験を行った。
先ず、個々の破砕片の形状の違いと蛍光Ｘ線分析計による化学組成の測定結果に従って、「鋼板」と「部品」に手作業で分別した。前記形状の評価においては、表面に波状の凹凸形状が確認できるものを「鋼板」と判断し、それ以外を「部品」と判断した。前記化学組成の評価においては、前記破砕片の表面を手作業で研磨して表層不純物を除き、下地に含まれるＭｎの含有率が０．６ｗｔ％以下であり、かつ、Ｃｒ、Ｎｉ、Ｍｏ等の特殊鋼に使用される元素が検出されないものを「鋼板」と判断し、これ以外を「部品」と判断した。こうした形状と化学組成に関する判断基準の両方で「鋼板」と判断されたものを最終的に「鋼板」として分類し、どちらか一方でも「部品」と判断されたものを最終的に「部品」として分類することで、前記鉄スクラップ中に「鋼板」が５６２個、「部品」が１１２個存在すると判断した。このうち、「鋼板」から３３０個、「部品」から７２個を抽出してデータベース登録用の試料とした。
図１に示す測定部の構成で、前記破砕物に対しベルトコンベア上での配置を変えながら各４回測定を繰り返し、前記表２に示した１５の変数についてのデータベースを作成し、重量Ｘ１及び最大高Ｘ６を使ってグーループ分けを行った。識別アルゴリズムは、図６に示す構成と同様に、重量Ｘ１の大きさで９区間にグループ分割し、両端の区間（区間１，９）を除く各区間において、最大高Ｘ６の閾値を１．９０〜２．７４ｃｍの範囲内に設定して更に２つのグループに分割し、各グループに属するケースデータに対してニューラルネットワーク２−１〜８−２を適用することによって識別する構成とした。
次に、データベースに登録した破砕片を試料として識別を行い、前記形状と化学組成に関する判断基準で判断された「鋼板」、「部品」の分類結果と照らした識別の的中率が「鋼板」と「部品」共に９０％以上になるまで、ニューラルネットワーク２−１〜８−２の再学習を繰り返した。この再学習においては、選別に失敗したケースデータのみを抽出して前記データベースに追加し、各ニューラルネットワークを修正した。その後、前記データベースに未登録の破砕片２７２個（「鋼板」２３２個、「部品」４０個）に対して、配置を変えながら各２回測定を行い、前記識別の的中率を調べた。結果を下記表６に示す。
２回の再学習を経ることで、前記データベースに未登録であった「鋼板」と「部品」の破砕片が共に９０％以上の精度で識別が可能であった。このとき使用した前記ニューラルネットワークの総数は、１４個であり、最終的に要した前記ケースデータの総数は、２，１３１個であった。
一方、破砕片の重量の代わりに見掛け密度を変数値として使用し、見掛け密度値の大きさに従ってグループ分けしたデータベースを作成してニューラルネットッワークを設定する方式によって同様の識別試験を行った場合、上記の「鋼板」５６２個と「部品」１１２個を９０％以上の精度で識別するためには、重量を変数値として使用した場合と比較して、前記データベースの分割区間数と前記ニューラルネットワーク数を増やす必要があり、最終的に要した前記ニューラルネットワークの総数は、５２個であり、前記ケースデータの総数は、８，８６０個であった。このように、重量を変数値として使用すると、前記ケースデータ数と前記ニューラルネットワーク数を大幅に削減できる。
一方、破砕片の重量の代わりに見掛け密度を変数値として使用し、見掛け密度値の大きさに従ってグループ分けしたデータベースを作成してニューラルネットッワークを設定する方式によって同様の識別試験を行った場合、上記の「鋼板」５６２個と「部品」１１２個を９０％以上の精度で識別するためには、重量を変数値として使用した場合と比較して、前記データベースの分割区間数と前記ニューラルネットワーク数を増やす必要があり、最終的に要した前記ニューラルネットワークの総数は、５２個であり、前記ケースデータの総数は、８，８６０個であった。このように、重量を変数値として使用すると、前記ケースデータ数と前記ニューラルネットワーク数を大幅に削減できる。
また、上述の蛍光Ｘ線分析による破砕片の化学組成分析の結果から、実験に用いた全破砕片６７４個の平均の元素含有率は、Ｍｎ：０．６２±０．０３ｗｔ％、Ｃｒ：０．１１±０．０６ｗｔ％、Ｎｉ：０．１６±０．０２ｗｔ％、Ｍｏ：０．０２±０．０１ｗｔ％であった。これを前記表６に示す３回目の識別試験で「鋼板」と識別された破砕片に対して、同様の化学組成分析を行ったところ、平均の元素含有率は、Ｍｎ：０．２８±０．０１ｗｔ％、Ｃｒ：０．０５±０．０１ｗｔ％、Ｎｉ：測定不能（＜０．０１ｗｔ％）、Ｍｏ：測定不能（＜０．０１ｗｔ％）となり、炭素鋼の成分基準値をほぼ満足した。このように本発明の手法による識別を行うことで、廃自動車シュレッダー施設等において、回収した鉄スクラップの中から利用価値の高い炭素鋼を選別して回収することが可能となる。
本発明の識別装置及び識別方法は、鉄スクラップの再資源化分野において広く用いることができる。
Claims (9)
- 少なくとも鉄スクラップの破砕片の３次元形状を測定する測定部と、
前記測定部で測定された前記３次元形状の測定値の入力に基づき、前記破砕片ごとの前記３次元形状の変数値として少なくとも前記破砕片表面の凹凸形状を指標する表面微分パラメータ値を算出する変数算出手段、及び、前記変数値に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムが予め設定され、前記変数算出手段で算出された識別対象の前記破砕片の前記変数値の入力に基づき、前記識別アルゴリズムに応じた識別結果を出力する識別手段を有する演算処理部と、
を有することを特徴とする識別装置。 - 識別アルゴリズムが、破砕片ごとに算出された変数値で構成される個々のケースデータ及びその演算用情報を一群のデータとして記録可能なデータベースと、前記データベースに記録された前記データを入力して得られた識別結果に基づき、演算内容を再設定可能なニューラルネットワークとを有して構成される請求項１に記載の識別装置。
- 変数算出手段が、３次元形状の測定値から下記式（１）で表される破砕片の断面プロファイルｚｉを算出する断面プロファイル算出手段と、下記式（２）に基づき前記断面プロファイルｚｉの移動平均データを算出する移動平均データ算出手段と、下記式（３）に基づき前記移動平均データの微分データを算出する微分データ算出手段と、前記微分データに対して下記式（４）の条件を満たす場合に前記破砕片表面の凹凸形状の数を計数し、これを表面微分パラメータ値とする表面微分パラメータ値算出手段とを有する請求項１から２のいずれかに記載の識別装置。
- ｋ及びｌが、相互に独立して、３〜９の数値範囲から選択される整数であり、ｐが０．１〜３．０の数値範囲から選択される数値であり、断面プロファイルｚｉを取得するｘ方向における間隔を示すΔｘが、ｘ０における画素を０番目の画素として順番付けされるｘｍｘまでのｘ方向における画素の並び順であり、０以上かつｍｘ以下の整数を示すｎの数値範囲から選択され、かつ、２〜１０の数値範囲から選択される整数である請求項３に記載の識別装置。
- 測定部が積載される破砕片の重量を測定可能なベルトコンベアと、前記ベルトコンベア上で搬送される前記破砕片の３次元形状を測定可能なレーザー計測器とで構成され、
変数算出手段が変数値として更に前記破砕片ごとの重量値を算出する手段として構成され、識別手段が前記重量値を含む前記破砕片ごとの前記変数値の組み合わせ情報に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムが予め設定され、前記変数算出手段で算出された識別対象の前記破砕片の前記組み合わせ情報の入力に基づき、前記識別アルゴリズムに応じた識別結果を出力する手段として構成される請求項１から４のいずれかに記載の識別装置。 - 少なくとも鉄スクラップの破砕片の３次元形状を測定する測定ステップと、
前記測定ステップで測定される前記３次元形状の測定値の入力に基づき、前記破砕片ごとの前記３次元形状の変数値として少なくとも前記破砕片表面の凹凸形状を指標する表面微分パラメータ値を算出する変数算出ステップと、
前記変数値に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別可能な識別アルゴリズムに対して、前記変数算出ステップで算出された識別対象の前記破砕片の前記変数値を入力し、前記識別アルゴリズムに応じた識別結果を出力させる識別ステップと、
を有することを特徴とする識別方法。 - 変数算出ステップが、３次元形状の測定値から下記式（１）で表される破砕片の断面プロファイルｚｉを算出する断面プロファイル算出ステップと、下記式（２）に基づき前記断面プロファイルｚｉの移動平均データを算出する移動平均データ算出ステップと、下記式（３）に基づき前記移動平均データの微分データを算出する微分データ算出ステップと、前記微分データに対して下記式（４）の条件を満たす場合に前記破砕片表面の凹凸形状の数を計数し、これを表面微分パラメータ値とする表面微分パラメータ値算出ステップとを有する請求項６に記載の識別方法。
- ｋ及びｌが、相互に独立して、３〜９の数値範囲から選択される整数であり、ｐが０．１〜３．０の数値範囲から選択される数値であり、断面プロファイルｚｉを取得するｘ方向における間隔を示すΔｘが、ｘ０における画素を０番目の画素として順番付けされるｘｍｘまでのｘ方向における画素の並び順であり、０以上かつｍｘ以下の整数を示すｎの数値範囲から選択され、かつ、２〜１０の数値範囲から選択される整数である請求項７に記載の識別方法。
- 変数算出ステップが変数値として更に破砕片ごとの重量値を算出するステップを有し、識別ステップが前記重量値を含む前記変数値の組み合わせ情報に基づいて前記破砕片が炭素鋼由来の破砕片か特殊鋼由来の破砕片であるかを識別する識別アルゴリズムに対して、前記変数算出ステップで算出された識別対象の前記破砕片の前記組み合わせ情報を入力し、前記識別アルゴリズムに応じた識別結果を出力するステップである請求項６から８のいずれかに記載の識別方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014258664A JP6425243B2 (ja) | 2014-12-22 | 2014-12-22 | 識別装置及び識別方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014258664A JP6425243B2 (ja) | 2014-12-22 | 2014-12-22 | 識別装置及び識別方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016118475A true JP2016118475A (ja) | 2016-06-30 |
| JP6425243B2 JP6425243B2 (ja) | 2018-11-21 |
Family
ID=56244023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014258664A Active JP6425243B2 (ja) | 2014-12-22 | 2014-12-22 | 識別装置及び識別方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6425243B2 (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018012346A1 (ja) * | 2016-07-15 | 2018-01-18 | 国立研究開発法人産業技術総合研究所 | Ｌｉｂｓ型物体選別装置 |
| WO2018056417A1 (ja) | 2016-09-23 | 2018-03-29 | 株式会社アーステクニカ | 選別装置及び選別方法 |
| JP2018048996A (ja) * | 2016-09-14 | 2018-03-29 | リコーエレメックス株式会社 | 検査システム |
| CN108273761A (zh) * | 2018-03-12 | 2018-07-13 | 华侨大学 | 一种分拣建筑垃圾的装置及方法 |
| KR102147079B1 (ko) * | 2019-12-02 | 2020-08-24 | (주)탱크런 | 철스크랩 자동분류 시스템 |
| KR20220130027A (ko) * | 2021-03-17 | 2022-09-26 | 시바우라 기카이 가부시키가이샤 | 공구 형상 이상 검출 장치 및 공구 형상 이상 검출 방법 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08261742A (ja) * | 1995-03-27 | 1996-10-11 | Nippon Steel Corp | 鉄道用レ−ルの形状測定方法 |
| JPH10192794A (ja) * | 1997-01-10 | 1998-07-28 | Hitachi Ltd | 金属の選別回収装置 |
| DE19849793C1 (de) * | 1998-10-28 | 2000-03-16 | Fraunhofer Ges Forschung | Vorrichtung und Verfahren zur berührungslosen Erfassung von Unebenheiten in einer gewölbten Oberfläche |
| US6133948A (en) * | 1995-12-04 | 2000-10-17 | Virginia Tech Intellectual Properties, Inc. | Automatic identification of articles having contoured surfaces |
| JP2008089566A (ja) * | 2006-09-08 | 2008-04-17 | Jfe Steel Kk | 面歪の測定装置及び方法 |
| JP5263776B2 (ja) * | 2009-01-28 | 2013-08-14 | 独立行政法人産業技術総合研究所 | 非磁性金属の識別方法 |
| WO2013117186A1 (de) * | 2012-02-10 | 2013-08-15 | Conti Temic Microelectronic Gmbh | Bestimmung einer beschaffenheit einer fahrbahnoberfläche mittels einer 3d-kamera |
| JP5311376B2 (ja) * | 2008-04-22 | 2013-10-09 | 独立行政法人産業技術総合研究所 | 非磁性金属の識別方法 |
-
2014
- 2014-12-22 JP JP2014258664A patent/JP6425243B2/ja active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08261742A (ja) * | 1995-03-27 | 1996-10-11 | Nippon Steel Corp | 鉄道用レ−ルの形状測定方法 |
| US6133948A (en) * | 1995-12-04 | 2000-10-17 | Virginia Tech Intellectual Properties, Inc. | Automatic identification of articles having contoured surfaces |
| JPH10192794A (ja) * | 1997-01-10 | 1998-07-28 | Hitachi Ltd | 金属の選別回収装置 |
| DE19849793C1 (de) * | 1998-10-28 | 2000-03-16 | Fraunhofer Ges Forschung | Vorrichtung und Verfahren zur berührungslosen Erfassung von Unebenheiten in einer gewölbten Oberfläche |
| JP2008089566A (ja) * | 2006-09-08 | 2008-04-17 | Jfe Steel Kk | 面歪の測定装置及び方法 |
| JP5311376B2 (ja) * | 2008-04-22 | 2013-10-09 | 独立行政法人産業技術総合研究所 | 非磁性金属の識別方法 |
| JP5263776B2 (ja) * | 2009-01-28 | 2013-08-14 | 独立行政法人産業技術総合研究所 | 非磁性金属の識別方法 |
| WO2013117186A1 (de) * | 2012-02-10 | 2013-08-15 | Conti Temic Microelectronic Gmbh | Bestimmung einer beschaffenheit einer fahrbahnoberfläche mittels einer 3d-kamera |
| JP2015510119A (ja) * | 2012-02-10 | 2015-04-02 | コンティ テミック マイクロエレクトロニック ゲゼルシャフト ミットベシュレンクテル ハフツングＣｏｎｔｉ Ｔｅｍｉｃ ｍｉｃｒｏｅｌｅｃｔｒｏｎｉｃ ＧｍｂＨ | ３ｄカメラを用いた道路表面の状態の割り出し |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11077467B2 (en) | 2016-07-15 | 2021-08-03 | National Institute Of Advanced Industrial Science And Technology | LIBS-type object sorting device |
| JPWO2018012346A1 (ja) * | 2016-07-15 | 2019-02-14 | 国立研究開発法人産業技術総合研究所 | Ｌｉｂｓ型物体選別装置 |
| WO2018012346A1 (ja) * | 2016-07-15 | 2018-01-18 | 国立研究開発法人産業技術総合研究所 | Ｌｉｂｓ型物体選別装置 |
| JP2018048996A (ja) * | 2016-09-14 | 2018-03-29 | リコーエレメックス株式会社 | 検査システム |
| WO2018056417A1 (ja) | 2016-09-23 | 2018-03-29 | 株式会社アーステクニカ | 選別装置及び選別方法 |
| KR20190086436A (ko) | 2016-09-23 | 2019-07-22 | 가부시키가이샤 아-스 테크니카 | 선별장치 및 선별방법 |
| JPWO2018056417A1 (ja) * | 2016-09-23 | 2019-08-29 | 株式会社アーステクニカ | 選別装置及び選別方法 |
| EP3517933A4 (en) * | 2016-09-23 | 2020-04-22 | Kabushiki Kaisha Earthtechnica | SORTING DEVICE AND SORTING METHOD |
| KR102242948B1 (ko) * | 2016-09-23 | 2021-04-21 | 가부시키가이샤 아-스 테크니카 | 선별장치 및 선별방법 |
| CN108273761A (zh) * | 2018-03-12 | 2018-07-13 | 华侨大学 | 一种分拣建筑垃圾的装置及方法 |
| KR102147079B1 (ko) * | 2019-12-02 | 2020-08-24 | (주)탱크런 | 철스크랩 자동분류 시스템 |
| KR20220130027A (ko) * | 2021-03-17 | 2022-09-26 | 시바우라 기카이 가부시키가이샤 | 공구 형상 이상 검출 장치 및 공구 형상 이상 검출 방법 |
| CN115106840A (zh) * | 2021-03-17 | 2022-09-27 | 芝浦机械株式会社 | 刀具形状异常检测装置以及刀具形状异常检测方法 |
| JP2022143420A (ja) * | 2021-03-17 | 2022-10-03 | 芝浦機械株式会社 | 工具の形状異常検出装置、工具の形状異常検出方法 |
| JP7332645B2 (ja) | 2021-03-17 | 2023-08-23 | 芝浦機械株式会社 | 工具の形状異常検出装置、工具の形状異常検出方法 |
| CN115106840B (zh) * | 2021-03-17 | 2023-12-08 | 芝浦机械株式会社 | 刀具形状异常检测装置以及刀具形状异常检测方法 |
| KR102645396B1 (ko) * | 2021-03-17 | 2024-03-11 | 시바우라 기카이 가부시키가이샤 | 공구 형상 이상 검출 장치 및 공구 형상 이상 검출 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6425243B2 (ja) | 2018-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6425243B2 (ja) | 識別装置及び識別方法 | |
| JP5263776B2 (ja) | 非磁性金属の識別方法 | |
| Landstrom et al. | Morphology-based crack detection for steel slabs | |
| CN101996405B (zh) | 一种快速的玻璃图像缺陷检测及分类方法及其装置 | |
| JP5311376B2 (ja) | 非磁性金属の識別方法 | |
| Song et al. | Automatic recognition of surface defects on hot-rolled steel strip using scattering convolution network | |
| Zhang et al. | An improved estimation of coal particle mass using image analysis | |
| CN102567744A (zh) | 基于机器学习的虹膜图像质量确定方法 | |
| JP2003344300A (ja) | 表面欠陥判別方法 | |
| CN105719291A (zh) | 品种可选择的表面缺陷图像分类系统 | |
| JP2008077403A (ja) | 評価装置、評価方法及び評価プログラム | |
| Wei et al. | Beamlet transform based pavement image crack detection | |
| CN101995412A (zh) | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 | |
| Lee et al. | Review on the recent welding research with application of CNN-based deep learning part II: Model evaluation and visualizations | |
| CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
| Disser et al. | Transformations of the chemical signature of slag inclusions throughout experimental refining and first shaping of bloomery iron: New methodological developments | |
| CN114881998A (zh) | 一种基于深度学习的工件表面缺陷检测方法及系统 | |
| Xu et al. | Classification and rating of steel scrap using deep learning | |
| CN103514445A (zh) | 基于多流形学习的带钢表面缺陷识别方法 | |
| Liu et al. | A roughness measurement method based on genetic algorithm and neural network for microheterogeneous surface in deep-hole parts | |
| Zirngibl et al. | Approach for the automated analysis of geometrical clinch joint characteristics | |
| Mogireddy et al. | A new approach to simulate characterization of particulate matter employing support vector machines | |
| Hu et al. | Method for detecting micron cracks on a magnetic rotor surface based on a support vector machine | |
| Karthikeyan et al. | DWT based LCP features for the classification of steel surface defects in SEM images with KNN classifier | |
| Li et al. | Application of Machine Learning Algorithms in Cold-Rolled Strip Steel Surface Defect Grading Systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171025 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171025 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171129 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180912 |
|
| 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: 20181002 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181017 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6425243 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| 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 |