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
Description
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。
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。
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。
<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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。』
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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 |