JP2020103284A - 肉の骨の判別装置等の判別装置及び肉の骨判別方法等の判別方法、ならびに肉の骨判別プログラム等の判別プログラム - Google Patents
肉の骨の判別装置等の判別装置及び肉の骨判別方法等の判別方法、ならびに肉の骨判別プログラム等の判別プログラム Download PDFInfo
- Publication number
- JP2020103284A JP2020103284A JP2019231162A JP2019231162A JP2020103284A JP 2020103284 A JP2020103284 A JP 2020103284A JP 2019231162 A JP2019231162 A JP 2019231162A JP 2019231162 A JP2019231162 A JP 2019231162A JP 2020103284 A JP2020103284 A JP 2020103284A
- Authority
- JP
- Japan
- Prior art keywords
- image
- light
- visible light
- image data
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 138
- 235000013372 meat Nutrition 0.000 title claims abstract description 125
- 238000000605 extraction Methods 0.000 claims abstract description 194
- 238000003384 imaging method Methods 0.000 claims abstract description 83
- 238000013135 deep learning Methods 0.000 claims abstract description 74
- 230000001678 irradiating effect Effects 0.000 claims abstract description 60
- 241001474374 Blennius Species 0.000 claims description 183
- 235000013305 food Nutrition 0.000 claims description 127
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 claims description 96
- 229920002554 vinyl polymer Polymers 0.000 claims description 96
- 238000000638 solvent extraction Methods 0.000 claims description 84
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 74
- 229910052799 carbon Inorganic materials 0.000 claims description 74
- 238000006243 chemical reaction Methods 0.000 claims description 72
- 238000010801 machine learning Methods 0.000 claims description 57
- 235000015170 shellfish Nutrition 0.000 claims description 56
- 241000251468 Actinopterygii Species 0.000 claims description 46
- 241000238557 Decapoda Species 0.000 claims description 46
- 235000015277 pork Nutrition 0.000 claims description 45
- 235000013311 vegetables Nutrition 0.000 claims description 39
- 235000009419 Fagopyrum esculentum Nutrition 0.000 claims description 32
- 241000219051 Fagopyrum Species 0.000 claims description 23
- 240000008620 Fagopyrum esculentum Species 0.000 claims description 9
- 238000012634 optical imaging Methods 0.000 claims description 9
- 235000003434 Sesamum indicum Nutrition 0.000 claims description 4
- 241000207961 Sesamum Species 0.000 claims 2
- 230000005855 radiation Effects 0.000 abstract 1
- 238000010191 image analysis Methods 0.000 description 52
- 210000000845 cartilage Anatomy 0.000 description 45
- 238000013473 artificial intelligence Methods 0.000 description 30
- 210000004027 cell Anatomy 0.000 description 28
- 239000006071 cream Substances 0.000 description 17
- 240000005856 Lyophyllum decastes Species 0.000 description 14
- 235000013194 Lyophyllum decastes Nutrition 0.000 description 14
- 210000003195 fascia Anatomy 0.000 description 14
- 244000046052 Phaseolus vulgaris Species 0.000 description 7
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 7
- 235000012149 noodles Nutrition 0.000 description 6
- 241000143060 Americamysis bahia Species 0.000 description 5
- 241000224489 Amoeba Species 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 235000020989 red meat Nutrition 0.000 description 4
- 241000282373 Panthera pardus Species 0.000 description 3
- 244000061456 Solanum tuberosum Species 0.000 description 3
- 235000002595 Solanum tuberosum Nutrition 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000008014 freezing Effects 0.000 description 3
- 238000007710 freezing Methods 0.000 description 3
- 210000001087 myotubule Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 244000000231 Sesamum indicum Species 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000000578 peripheral nerve Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241000237503 Pectinidae Species 0.000 description 1
- 241001261506 Undaria pinnatifida Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 235000019625 fat content Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 210000003516 pericardium Anatomy 0.000 description 1
- 235000020637 scallop Nutrition 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Abstract
【課題】紫外線光、紫色の可視光、青色の可視光の照射を利用して、肉のブロックを切り分けたとき、肉の切断面又はその近傍に存在する骨部の判別を可能とする。【解決手段】暗所で、切断面に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外光撮影部と、切断面に紫色光を照射して該紫色光の反射光を取り入れ紫色光画像を得る紫色光撮影部と、切断面に青色光を照射して該青色光の反射光を取り入れ青色光画像を得る青色光撮影部と、から得られる、画像データから抽出対象物を抽出するにあたり、肉の切断面の骨部を判別するディープラーニングの手法による肉の骨判別装置。【選択図】図１
Description
本発明は、肉のブロックを切り分けたとき、骨と軟骨を見分ける、肉の骨判別装置等の判別装置及び肉の骨の判別方法等の判別方法、ならびに肉の骨の判別プログラム等の判別プログラムに係る。
肉のブロックを切り分けたとき、骨と軟骨を見分ける肉の切断面の骨と肉との判別装置及び判別方法としては、Ｘ線を利用して位置情報を得る技術、あるいは赤外線と可視光とを併用した技術が知られている。
特許文献１「食肉の骨部判別装置及び食肉の骨部判別方法」記載の発明は、「食肉の切断面の骨部を検出する骨位置検出装置であって、前記切断面に波長が１１００nm乃至１７００nmの赤外光を照射して該赤外光の反射光を取り入れ第１画像を得る第１撮影部１２と、前記切断面に可視光を照射して該可視光の反射光を取り入れ第２画像を得る第２撮影部１８と、前記第１画像と前記第２画像とを減算処理して前記骨部の領域を識別表示した差分画像を得る減算部と、を備える。」。そして、「食肉切断面の骨部の自動判別を可能にする。」とされる。
特許文献２「食肉の骨部判別装置及び食肉の骨部判別方法」記載の発明は、「食肉の切断面の骨部を検出する骨部判別装置１０であって、前記切断面に可視光を照射し該可視光の反射光で第１画像を得る第１撮影部１６と、前記切断面に波長が１１００nm乃至１７００nmの赤外光を照射し、該赤外光の反射光で第２画像を得る第２撮影部２２と、前記切断面の赤身部、骨部及び脂肪部における前記反射光の輝度値の差に基づいて前記第１画像を二値化処理し、前記脂肪部の領域を抽出する第１二値化処理部と、前記切断面の前記赤身部、前記骨部及び前記脂肪部における前記反射光の輝度値の差によって前記第２画像を二値化処理し、前記骨部及び前記脂肪部の領域を抽出する第２値化処理部と、前記第１二値化処理部で抽出した前記脂肪部の領域と前記第２二値化処理部で抽出した前記脂肪部及び前記骨部の領域とを差分して前記骨部の領域を抽出する骨部抽出部と、を備える。」そして、「食肉切断面の骨部の自動判別を可能にする。」とされる。
「食肉切断面の３つの構成要素である赤身部、骨部及び脂肪部は、含水率及び脂肪含有率等が夫々異なる。他方、波長１１００nm〜１７００nm（以下「波長Ａ」とも言う。
）の赤外光は、例えば、１４５０nm付近を中心として水吸収能のピークを有する。これらの違いによって、食肉切断面に赤外光又は可視光を照射した場合、赤身部、骨部及び脂肪部ごとに反射光の輝度値は異なる。」、
「上記第１画像及び上記第２画像の赤身部及び脂肪部の反射光の輝度値は同一であり、骨部の反射光の輝度値は異なるため、上記減算部において、第１画像と第２画像とを減算処理すると、骨部のみを識別表示した差分画像を得ることができる。」、
）の赤外光は、例えば、１４５０nm付近を中心として水吸収能のピークを有する。これらの違いによって、食肉切断面に赤外光又は可視光を照射した場合、赤身部、骨部及び脂肪部ごとに反射光の輝度値は異なる。」、
「上記第１画像及び上記第２画像の赤身部及び脂肪部の反射光の輝度値は同一であり、骨部の反射光の輝度値は異なるため、上記減算部において、第１画像と第２画像とを減算処理すると、骨部のみを識別表示した差分画像を得ることができる。」、
「これによって、食肉の切断面又はその近傍に存在する骨部の自動判別が可能になる。
また、得られた骨部の位置情報を脱骨装置に用いることで、食肉切断面上又は食肉切断面近傍に存在する骨部の自動脱骨が可能になる。
ここで、「食肉切断面近傍に存在する骨部」とは、切断面からの距離が幾つかの実施形態によって骨部を識別可能な距離にある骨部を意味する。」とされる（特許文献１［０００７］）
また、得られた骨部の位置情報を脱骨装置に用いることで、食肉切断面上又は食肉切断面近傍に存在する骨部の自動脱骨が可能になる。
ここで、「食肉切断面近傍に存在する骨部」とは、切断面からの距離が幾つかの実施形態によって骨部を識別可能な距離にある骨部を意味する。」とされる（特許文献１［０００７］）
特許文献１、同２記載発明は、赤外線又は可視光を利用して、肉のブロックを切り分けたとき、骨と軟骨を見分ける、肉の切断面又はその近傍に存在する骨部の自動判別を可能とするものである。
しかしながら、後工程での輝度などを特徴づけする画像処理などが必要になり、そこで人間の目を使った調整が必要になり、二値値化、周縁明瞭化処理、「赤外光を照射して該赤外光の反射光を取り入れ第１画像を得る第１撮影部と、前記切断面に可視光を照射して該可視光の反射光を取り入れ第２画像を得る第２撮影部と、前記第１画像と前記第２画像とを減算処理して前記骨部の領域を識別表示した差分画像を得る減算部」も必要とするなど、作業が複雑化する課題を有する。
しかしながら、後工程での輝度などを特徴づけする画像処理などが必要になり、そこで人間の目を使った調整が必要になり、二値値化、周縁明瞭化処理、「赤外光を照射して該赤外光の反射光を取り入れ第１画像を得る第１撮影部と、前記切断面に可視光を照射して該可視光の反射光を取り入れ第２画像を得る第２撮影部と、前記第１画像と前記第２画像とを減算処理して前記骨部の領域を識別表示した差分画像を得る減算部」も必要とするなど、作業が複雑化する課題を有する。
他方、発明者は、第１実施例関係で、以下知見した。
１．肉のブロックを切り分けたとき、骨と軟骨を見分けるのに、紫外線（波長10 - 400 nm）、紫色の可視光（波長380 - 450 nm）、青色の可視光（波長450 - 495 nm）を照射することが有効である。
２．紫外線（波長10 - 400 nm）では、骨が白に見える。骨の周りの、筋膜の部分が紫色の豹紋状アメーバ状にみえる。
３．紫色可視光（波長380 - 450 nm）では、骨は白黄色にみえる。骨の周りの、筋膜の部分が薄紫色の豹紋状アメーバ状にみえる。
４．青色可視光（波長450 - 495 nm）では、骨は黄色にみえる。骨の周りの、筋膜の部分は、検出可能な色形ともない。
１．肉のブロックを切り分けたとき、骨と軟骨を見分けるのに、紫外線（波長10 - 400 nm）、紫色の可視光（波長380 - 450 nm）、青色の可視光（波長450 - 495 nm）を照射することが有効である。
２．紫外線（波長10 - 400 nm）では、骨が白に見える。骨の周りの、筋膜の部分が紫色の豹紋状アメーバ状にみえる。
３．紫色可視光（波長380 - 450 nm）では、骨は白黄色にみえる。骨の周りの、筋膜の部分が薄紫色の豹紋状アメーバ状にみえる。
４．青色可視光（波長450 - 495 nm）では、骨は黄色にみえる。骨の周りの、筋膜の部分は、検出可能な色形ともない。
５．フィルターについて
紫色可視光及び青色可視光は、オレンジあるいは黄色あるいはフィルターを通してみるとはっきり見え、骨が他と識別容易となる。
６．氷の影響について
肉は冷凍してある。紫色、青色の可視光は氷の影響を受けにくい。しかし、紫外線は、氷の影響を受け、照射すると乱反射をする。それで、暗闇の中で、例えば、青色、紫色、赤外線の順で照射し、得られた画像を重ね合わせすることで、骨と軟骨を見分けるのに有効である。
７.作業環境について
作業は、暗所で行うのが望ましい。暗所でないと骨の発光する光がとても弱いのでコンピュータで輝度を処理して２値化したり、エッジ処理（周縁明瞭化処理）が必須となる。
紫色可視光及び青色可視光は、オレンジあるいは黄色あるいはフィルターを通してみるとはっきり見え、骨が他と識別容易となる。
６．氷の影響について
肉は冷凍してある。紫色、青色の可視光は氷の影響を受けにくい。しかし、紫外線は、氷の影響を受け、照射すると乱反射をする。それで、暗闇の中で、例えば、青色、紫色、赤外線の順で照射し、得られた画像を重ね合わせすることで、骨と軟骨を見分けるのに有効である。
７.作業環境について
作業は、暗所で行うのが望ましい。暗所でないと骨の発光する光がとても弱いのでコンピュータで輝度を処理して２値化したり、エッジ処理（周縁明瞭化処理）が必須となる。
他方、発明者は、更に、以下知見した。
第２実施例関係
海藻類であるもずくに黄色の釣糸が入っている。釣糸の蛍光発光はつよい。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸は蛍光発光して見える。隙間から見える下地となるコンベアの白地は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
釣糸は見える。
可視光のみの照射では、釣糸は光りにくい。
第２実施例関係
海藻類であるもずくに黄色の釣糸が入っている。釣糸の蛍光発光はつよい。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸は蛍光発光して見える。隙間から見える下地となるコンベアの白地は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
釣糸は見える。
可視光のみの照射では、釣糸は光りにくい。
第３実施例関係
海藻類であるもずくに緑色の釣糸が入っている。釣糸の蛍光発光は微弱である。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸は見える。漁網の破片は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
釣糸は見えない。
可視光のみの照射では、釣糸は光りにくい。
海藻類であるもずくに緑色の釣糸が入っている。釣糸の蛍光発光は微弱である。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸は見える。漁網の破片は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
釣糸は見えない。
可視光のみの照射では、釣糸は光りにくい。
第４実施例関係
海藻類であるもずくに茶色の釣糸が入っている。茶色の釣糸は、蛍光発光がある。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
釣糸はかすかに見える。
可視光のみの照射では、釣糸は光りにくい。
海藻類であるもずくに茶色の釣糸が入っている。茶色の釣糸は、蛍光発光がある。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
釣糸はかすかに見える。
可視光のみの照射では、釣糸は光りにくい。
第５実施例関係
海藻類であるもずくにエビが入っている。蛍光発光がある。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
エビは見える。隙間から見える下地となるコンベアの白地が見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
エビ、隙間、は見えない。
可視光のみの照射では、エビは光にくい。
海藻類であるもずくにエビが入っている。蛍光発光がある。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
エビは見える。隙間から見える下地となるコンベアの白地が見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
エビ、隙間、は見えない。
可視光のみの照射では、エビは光にくい。
第６実施例関係
海藻類であるもずくに魚が入っている。魚は蛍光発光がある。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
魚は見える。隙間から見える下地となるコンベアの白地は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
魚は薄く見える。隙間は、見えない。
可視光のみの照射では、魚は光りにくい。
海藻類であるもずくに魚が入っている。魚は蛍光発光がある。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
魚は見える。隙間から見える下地となるコンベアの白地は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
魚は薄く見える。隙間は、見えない。
可視光のみの照射では、魚は光りにくい。
第７実施例関係
海藻類であるもずくに貝が入っている。貝は蛍光発光がある。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
貝は見える。隙間から見える下地となるコンベアの白地は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
貝は薄く見える。隙間は、見えない。
可視光のみの照射では、貝は光りにくい。
海藻類であるもずくに貝が入っている。貝は蛍光発光がある。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
貝は見える。隙間から見える下地となるコンベアの白地は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
貝は薄く見える。隙間は、見えない。
可視光のみの照射では、貝は光りにくい。
第８実施例関係
海藻類であるもずくに異種海藻が入っている。異種海藻は、蛍光発光がある。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
異種海藻は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
異種海藻は薄く見える。
可視光のみの照射では、異種海藻は光りにくい。
海藻類であるもずくに異種海藻が入っている。異種海藻は、蛍光発光がある。
（１）可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
異種海藻は見える。
（２）紫外線（波長 10 - 400 nm）を照射する。
異種海藻は薄く見える。
可視光のみの照射では、異種海藻は光りにくい。
第９実施例関係
根野菜であるもやしに根腐れ部位が入っている。根腐れ部位は、蛍光発光はない。
（１）可視光（波長 400 nm-700 nm）を照射する。
根腐れ部位は見える。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
根腐れ部位は薄く見える。
根野菜であるもやしに根腐れ部位が入っている。根腐れ部位は、蛍光発光はない。
（１）可視光（波長 400 nm-700 nm）を照射する。
根腐れ部位は見える。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
根腐れ部位は薄く見える。
第１０実施例関係
根野菜であるもやしに黒変した傷み部位が入っている。傷み部位に蛍光発光はない。
（１）可視光（波長 400 nm-700 nm）を照射する。
傷み部位は見える。茎は見える。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
黒変した傷み部位は薄く見える。
根野菜であるもやしに黒変した傷み部位が入っている。傷み部位に蛍光発光はない。
（１）可視光（波長 400 nm-700 nm）を照射する。
傷み部位は見える。茎は見える。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
黒変した傷み部位は薄く見える。
第１１実施例関係
根野菜であるもやしに黒変した傷み部位が入っている。黒変した傷み部位は、蛍光発光はない。
（１）可視光（波長 400 nm-700 nm）を照射する。
傷み部位は見える。茎は見える。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
黒変した傷み部位は薄く見える。茎はぼんやり映る。
根野菜であるもやしに黒変した傷み部位が入っている。黒変した傷み部位は、蛍光発光はない。
（１）可視光（波長 400 nm-700 nm）を照射する。
傷み部位は見える。茎は見える。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
黒変した傷み部位は薄く見える。茎はぼんやり映る。
第１２実施例関係
乾燥海藻類である乾燥海苔にカーボン漁網が入っている。漁網は、蛍光発光はない。
（１）近赤外線（波長 0.7 - 2.5 μm）を照射する。
カーボン漁網は見える。
横から近赤外線光を当てた。
（２）近赤外線光以外の光を当てた。
乾燥海藻類である乾燥海苔にカーボン漁網が入っている。漁網は、蛍光発光はない。
（１）近赤外線（波長 0.7 - 2.5 μm）を照射する。
カーボン漁網は見える。
横から近赤外線光を当てた。
（２）近赤外線光以外の光を当てた。
第１３実施例関係
乾燥海藻類である乾燥わかめにカーボン漁網が入っている。カーボン漁網は、蛍光発光はない。
（１）近赤外線（波長 0.7 - 2.5 μm）を照射する。
カーボン漁網は見える。側面から近赤外線を照射したため、側面は白色に映り見やすくなる。
横から近赤外線光を当てた。
（２）近赤外線光以外の光を当てた。
乾燥海藻類である乾燥わかめにカーボン漁網が入っている。カーボン漁網は、蛍光発光はない。
（１）近赤外線（波長 0.7 - 2.5 μm）を照射する。
カーボン漁網は見える。側面から近赤外線を照射したため、側面は白色に映り見やすくなる。
横から近赤外線光を当てた。
（２）近赤外線光以外の光を当てた。
第１４実施例関係
蕎麦麺に極小羽虫が入っている。蛍光発光はない。
（１）近赤外線（波長 0.7 - 2.5 μm）を照射する。
極小羽虫は見える。
横から近赤外線光を当てた。側面から近赤外線を照射したため、側面は白色に映り見やすくなる。
（２）白色光を照射した。
蕎麦麺に極小羽虫が入っている。蛍光発光はない。
（１）近赤外線（波長 0.7 - 2.5 μm）を照射する。
極小羽虫は見える。
横から近赤外線光を当てた。側面から近赤外線を照射したため、側面は白色に映り見やすくなる。
（２）白色光を照射した。
第１５実施例関係
透明ビニル入り豚肉こまぎれに透明ビニルが入っている。透明ビニルは、蛍光発光はない。乱反射はある。
（１）可視光（波長 400 nm-700 nm）を照射する。透明ビニルは乱反射あり。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
透明ビニル入り豚肉こまぎれに透明ビニルが入っている。透明ビニルは、蛍光発光はない。乱反射はある。
（１）可視光（波長 400 nm-700 nm）を照射する。透明ビニルは乱反射あり。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
第１６実施例関係
透明ビニル入り豚肉こまぎれに透明ビニルが入っている。透明ビニルの蛍光発光はない。乱反射はある。
（１）可視光（波長 400 nm-700 nm）を照射する。透明ビニル袋の乱反射あり。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
透明ビニル入り豚肉こまぎれに透明ビニルが入っている。透明ビニルの蛍光発光はない。乱反射はある。
（１）可視光（波長 400 nm-700 nm）を照射する。透明ビニル袋の乱反射あり。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
第１７実施例関係
透明ビニル入り豚肉こまぎれに透明ビニルが入っている。透明ビニルは、蛍光発光はない。乱反射はある。
（１）可視光（波長 400 nm-700 nm）を照射する。乱反射あり。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
透明ビニル入り豚肉こまぎれに透明ビニルが入っている。透明ビニルは、蛍光発光はない。乱反射はある。
（１）可視光（波長 400 nm-700 nm）を照射する。乱反射あり。
（２）可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
第１８実施例関係
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物であるコロッケである。
（１）可視光（青色光のみ）（波長450 - 495 nm）を照射した。
（２）可視光（赤色光のみ）（波長 620-750 nm）を照射した。
（３）可視光（白色光）を照射した。
（４）可視光（緑色光のみ）（波長 495-570 nm）を照射した。
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物であるコロッケである。
（１）可視光（青色光のみ）（波長450 - 495 nm）を照射した。
（２）可視光（赤色光のみ）（波長 620-750 nm）を照射した。
（３）可視光（白色光）を照射した。
（４）可視光（緑色光のみ）（波長 495-570 nm）を照射した。
第１９実施例関係
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物であるクリームコロッケである。
（１）可視光（青色光のみ）（波長450 - 495 nm）を照射した。
（２）可視光（赤色光のみ）（波長 620-750 nm）を照射した。
（３）可視光（白色光）を照射した。
（４）可視光（緑色光のみ）（波長 495-570 nm）を照射した。
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物であるクリームコロッケである。
（１）可視光（青色光のみ）（波長450 - 495 nm）を照射した。
（２）可視光（赤色光のみ）（波長 620-750 nm）を照射した。
（３）可視光（白色光）を照射した。
（４）可視光（緑色光のみ）（波長 495-570 nm）を照射した。
第２０実施例関係
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物であるフライドチキンである。
（１）可視光（青色光のみ）（波長450 - 495 nm）を照射した。
（２）可視光（赤色光のみ）（波長 620-750 nm）を照射した。
（３）可視光（緑色光のみ）（波長 495-570 nm）を照射した。
（４）可視光（青プラス白色）を照射した。
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物であるフライドチキンである。
（１）可視光（青色光のみ）（波長450 - 495 nm）を照射した。
（２）可視光（赤色光のみ）（波長 620-750 nm）を照射した。
（３）可視光（緑色光のみ）（波長 495-570 nm）を照射した。
（４）可視光（青プラス白色）を照射した。
それぞれ、異なる光をあてることで、検出部位の精度を上げることが可能となった。
この発明は、
暗所で、
切断面に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外光撮影部と、
切断面に紫色光を照射して該紫色光の反射光を取り入れ紫色光画像を得る紫色光撮影部と、
切断面に青色光を照射して該青色光の反射光を取り入れ青色光画像を得る青色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、肉の切断面の骨部を判別する肉の骨部判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする肉の骨判別装置、
からなる。
暗所で、
切断面に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外光撮影部と、
切断面に紫色光を照射して該紫色光の反射光を取り入れ紫色光画像を得る紫色光撮影部と、
切断面に青色光を照射して該青色光の反射光を取り入れ青色光画像を得る青色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、肉の切断面の骨部を判別する肉の骨部判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする肉の骨判別装置、
からなる。
この発明は、更に、
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする肉の骨判別装置、からなる。
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする肉の骨判別装置、からなる。
この発明は、更に、
紫色光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする肉の骨部判別装置、からなる。
紫色光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする肉の骨部判別装置、からなる。
この発明は、更に、
青色光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする肉の骨部判別装置、からなる。
青色光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする肉の骨部判別装置、からなる。
この発明は、
暗所で、
切断面に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外光撮影部と、
切断面に紫色光を照射して該紫色光の反射光を取り入れ紫色光画像を得る紫色光撮影部と、
切断面に青色光を照射して該青色光の反射光を取り入れ青色光画像を得る青色光撮影部と、
から得られる、
画像データから抽出対象物を抽出するにあたり、肉の切断面の骨部を判別する肉の骨部判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、
前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理
を行う画像処理ステップと
を含むことを特徴とする肉の骨部判別方法、からなる。
暗所で、
切断面に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外光撮影部と、
切断面に紫色光を照射して該紫色光の反射光を取り入れ紫色光画像を得る紫色光撮影部と、
切断面に青色光を照射して該青色光の反射光を取り入れ青色光画像を得る青色光撮影部と、
から得られる、
画像データから抽出対象物を抽出するにあたり、肉の切断面の骨部を判別する肉の骨部判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、
前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理
を行う画像処理ステップと
を含むことを特徴とする肉の骨部判別方法、からなる。
この発明は、更に、
紫色光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする肉の骨部判別方法、からなる。
紫色光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする肉の骨部判別方法、からなる。
この発明は、更に、
青色光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする肉の骨部判別方法、からなる。
青色光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする肉の骨部判別方法、からなる。
この発明は、
暗所で、
切断面に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外光撮影部と、
切断面に紫色光を照射して該紫色光の反射光を取り入れ紫色光画像を得る紫色光撮影部と、
切断面に青色光を照射して該青色光の反射光を取り入れ青色光画像を得る青色光撮影部と、
から得られる、
画像データから抽出対象物を抽出するにあたり、肉の切断面の骨部を判別する肉の骨部判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、
前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とするプログラム、からなる。
暗所で、
切断面に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外光撮影部と、
切断面に紫色光を照射して該紫色光の反射光を取り入れ紫色光画像を得る紫色光撮影部と、
切断面に青色光を照射して該青色光の反射光を取り入れ青色光画像を得る青色光撮影部と、
から得られる、
画像データから抽出対象物を抽出するにあたり、肉の切断面の骨部を判別する肉の骨部判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、
前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とするプログラム、からなる。
この発明は、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別装置、からなる。
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別装置、からなる。
この発明は、更に、
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする、釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別装置、からなる。
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする、釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別装置、からなる。
この発明は、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別方法置、からなる。
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別方法置、からなる。
この発明は、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
この発明は、
根腐れ部位または傷み部位が混在した根野菜に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
根腐れ部位または傷み部位が混在した根野菜に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別装置、からなる。
根腐れ部位または傷み部位が混在した根野菜に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
根腐れ部位または傷み部位が混在した根野菜に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別装置、からなる。
この発明は、更に、
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別装置、からなる。
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別装置、からなる。
この発明は、
根腐れ部位または傷み部位が混在した根野菜に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
根腐れ部位または傷み部位が混在した根野菜に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別方法置、からなる。
根腐れ部位または傷み部位が混在した根野菜に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
根腐れ部位または傷み部位が混在した根野菜に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別方法置、からなる。
この発明は、
根腐れ部位または傷み部位が混在した根野菜に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
根腐れ部位または傷み部位が混在した根野菜に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
根腐れ部位または傷み部位が混在した根野菜に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
根腐れ部位または傷み部位が混在した根野菜に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
この発明は、
カーボン漁網が混在した乾燥海藻類に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
カーボン漁網が混在した乾燥海藻類に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、カーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とするカーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別装置、からなる。
カーボン漁網が混在した乾燥海藻類に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
カーボン漁網が混在した乾燥海藻類に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、カーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とするカーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別装置、からなる。
この発明は、更に、
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とするカーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別装置、からなる。
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とするカーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別装置、からなる。
この発明は、
カーボン漁網が混在した乾燥海藻類に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
カーボン漁網が混在した乾燥海藻類に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、カーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とするカーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別方法置、からなる。
カーボン漁網が混在した乾燥海藻類に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
カーボン漁網が混在した乾燥海藻類に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、カーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とするカーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別方法置、からなる。
この発明は、
カーボン漁網が混在した乾燥海藻類に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
カーボン漁網が混在した乾燥海藻類に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、カーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
カーボン漁網が混在した乾燥海藻類に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
カーボン漁網が混在した乾燥海藻類に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、カーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
この発明は、
極小羽虫が混在した蕎麦に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
極小羽虫が混在した蕎麦に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする極小羽虫が混在した蕎麦から極小羽虫判別する極小羽虫の判別装置、からなる。
極小羽虫が混在した蕎麦に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
極小羽虫が混在した蕎麦に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする極小羽虫が混在した蕎麦から極小羽虫判別する極小羽虫の判別装置、からなる。
この発明は、更に、
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別装置。
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別装置。
この発明は、
極小羽虫が混在した蕎麦に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
極小羽虫が混在した蕎麦に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別方法置、からなる。
極小羽虫が混在した蕎麦に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
極小羽虫が混在した蕎麦に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別方法置、からなる。
この発明は、
極小羽虫が混在した蕎麦に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
極小羽虫が混在した蕎麦に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
極小羽虫が混在した蕎麦に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
極小羽虫が混在した蕎麦に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
この発明は、
透明ビニルが混在した豚肉こまぎれに可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
透明ビニルが混在した豚肉こまぎれに他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする透明ビニルが混在した豚肉こまぎれから透明ビニル判別する透明ビニルの判別装置、からなる。
透明ビニルが混在した豚肉こまぎれに可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
透明ビニルが混在した豚肉こまぎれに他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする透明ビニルが混在した豚肉こまぎれから透明ビニル判別する透明ビニルの判別装置、からなる。
この発明は、更に、
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別装置、からなる。
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別装置、からなる。
この発明は、
透明ビニルが混在した豚肉こまぎれに可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
透明ビニルが混在した豚肉こまぎれに他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別方法置、からなる。
透明ビニルが混在した豚肉こまぎれに可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
透明ビニルが混在した豚肉こまぎれに他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別方法置、からなる。
この発明は、
透明ビニルが混在した豚肉こまぎれに可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
透明ビニルが混在した豚肉こまぎれに他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
透明ビニルが混在した豚肉こまぎれに可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
透明ビニルが混在した豚肉こまぎれに他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
この発明は、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別装置、からなる。
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別装置、からなる。
この発明は、更に、
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別装置、からなる。
前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別装置、からなる。
この発明は、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別方法置、からなる。
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別方法置、からなる。
この発明は、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム、からなる。
紫外線光、紫色の可視光、青色の可視光の照射を利用して、肉のブロックを切り分けたとき、肉の切断面又はその近傍に存在する骨部の判別を可能とするものである。
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類において、釣り糸またはえびまたは魚または貝または異種海藻の判別を可能とするものである。
根腐れ部位または傷み部位が混在したもやし等の根野菜において、根腐れ部位または傷み部位の判別を可能とするものである。
カーボン漁網が混在した乾燥海藻類等の乾燥海苔または乾燥わかめにおいて、カーボン漁網の判別を可能とするものである。
極小羽虫が混在した蕎麦において、極小羽虫の判別を可能とするものである。
透明ビニルが混在した豚肉こまぎれにおいて、透明ビニルの判別を可能とするものである。
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物において、揚げ物の衣の剥がれまたは凍結部位の判別を可能とするものである。
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類において、釣り糸またはえびまたは魚または貝または異種海藻の判別を可能とするものである。
根腐れ部位または傷み部位が混在したもやし等の根野菜において、根腐れ部位または傷み部位の判別を可能とするものである。
カーボン漁網が混在した乾燥海藻類等の乾燥海苔または乾燥わかめにおいて、カーボン漁網の判別を可能とするものである。
極小羽虫が混在した蕎麦において、極小羽虫の判別を可能とするものである。
透明ビニルが混在した豚肉こまぎれにおいて、透明ビニルの判別を可能とするものである。
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物において、揚げ物の衣の剥がれまたは凍結部位の判別を可能とするものである。
以下、本発明の一実施の形態の第１実施例の画像解析装置について、図１〜図１５に基づき説明する。
図１１は、画像解析装置１が有する機能について説明するための機能ブロック図である。
図１１は、画像解析装置１が有する機能について説明するための機能ブロック図である。
画像解析装置１は、照射部１１、画像データ取得部２１、操作入力情報取得部１２、画像データ分割処理部１３、画像識別処理部１４、識別結果変換処理部１５、画像処理部１６、出力処理部１７、および、記憶部１８を有する。
照射部１１は、紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部を構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３からなる。この実施の形態では、紫色光照射部１１２では紫色可視光（９１０nm）を使用した。青色光照射部１１３では、この実施の形態では、青色可視光（９５０nm）を使用した。
画像データ取得部２１は、紫外光撮影部を構成する紫外線光用画像データ取得部２１１、紫色光用画像データ取得部２１２、青色光用画像データ取得部２１３を有する。
紫外光撮影部、紫色光撮影部、青色光撮影部を成す画像データ取得部２１は、照射部１１からの反射光を受光する。２２１は、フィルターである。フィルター２２１は、オレンジあるいは黄色のフィルターからなる。
照射部１１は、紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部を構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３からなる。この実施の形態では、紫色光照射部１１２では紫色可視光（９１０nm）を使用した。青色光照射部１１３では、この実施の形態では、青色可視光（９５０nm）を使用した。
画像データ取得部２１は、紫外光撮影部を構成する紫外線光用画像データ取得部２１１、紫色光用画像データ取得部２１２、青色光用画像データ取得部２１３を有する。
紫外光撮影部、紫色光撮影部、青色光撮影部を成す画像データ取得部２１は、照射部１１からの反射光を受光する。２２１は、フィルターである。フィルター２２１は、オレンジあるいは黄色のフィルターからなる。
画像データ取得部２１は、例えば、デジタルスチルカメラ、ラインセンサカメラ等により撮像された、検査対象物の画像データを取得し、画像データ分割処理部１３に供給する。
図３乃至図９に図示する紫色光で受光した画像、および青色光で受光した画像、赤外線光で受光された画像を重ね合わせた画像を得る。
図３乃至図９に図示する紫色光で受光した画像、および青色光で受光した画像、赤外線光で受光された画像を重ね合わせた画像を得る。
肉のブロックを切り分けたとき、骨と軟骨を見分ける、紫外線と、紫色可視光線および青色視光線を併用して骨を検知する装置及び方法肉の骨判別装置及び肉の骨判別方法、ならびに肉の骨判別プログラムの実施の形態について、説明する。
この発明の実施の形態である紫色可視光を照射した肉のブロックを切り分けたときの骨と軟骨が併存する切断面図である図３乃至図９において、Ａ、Ｂ、Ｃ、Ｄは、硬骨、Ｅは軟骨である。Ｆは、筋繊維の束である。Ｇは、筋内膜である。Ｈは、筋周膜である。
この発明の実施の形態である紫筋膜の切断面の概念図である図１０において、Ｆは、筋繊維の束である。Ｇは、筋内膜である。Ｈは、筋周膜である。Ｉは、筋上膜である。
図２は、自然光を照射し、フィルターを掛けることなく受光した、肉のブロックＷを切り分けたときの硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する切断面である。硬骨Ａ、硬骨Ｂ、
硬骨Ｃ、硬骨Ｄ、軟骨Ｅが白く見える。
この発明の実施の形態である紫色可視光を照射した肉のブロックを切り分けたときの骨と軟骨が併存する切断面図である図３乃至図９において、Ａ、Ｂ、Ｃ、Ｄは、硬骨、Ｅは軟骨である。Ｆは、筋繊維の束である。Ｇは、筋内膜である。Ｈは、筋周膜である。
この発明の実施の形態である紫筋膜の切断面の概念図である図１０において、Ｆは、筋繊維の束である。Ｇは、筋内膜である。Ｈは、筋周膜である。Ｉは、筋上膜である。
図２は、自然光を照射し、フィルターを掛けることなく受光した、肉のブロックＷを切り分けたときの硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する切断面である。硬骨Ａ、硬骨Ｂ、
硬骨Ｃ、硬骨Ｄ、軟骨Ｅが白く見える。
（１）LED紫外線と、紫色可視光線および青色視光線３色を使用した時の肉部位の見え方について
紫外線（波長 10 - 400 nm）
図１５に図示するように、紫外線受光には透過フィルターは使用しない。紫外線では、氷は、白く帯状に見える。赤身は、赤黒く見えるが形状は検出可能な特徴がない。脂肪は、白色に見えるが形状は検出可能な特徴がない。硬骨Ａ、Ｂ、Ｃ、Ｄは、白色で浮島状に見える。軟骨Ｅは、白色で浮島状に見える。筋（すじ）は、白色の筋状に見える。筋膜は、紫色でアメーバ状に見える。筋膜の断面は豹紋柄になる。
筋膜の近傍、側面に軟骨Ｅはある。筋膜の存在が判ることで、軟骨Ｅの位置が判る。
図１５に図示するように、紫外線受光には透過フィルターは使用しない。紫外線では、氷は、白く帯状に見える。赤身は、赤黒く見えるが形状は検出可能な特徴がない。脂肪は、白色に見えるが形状は検出可能な特徴がない。硬骨Ａ、Ｂ、Ｃ、Ｄは、白色で浮島状に見える。軟骨Ｅは、白色で浮島状に見える。筋（すじ）は、白色の筋状に見える。筋膜は、紫色でアメーバ状に見える。筋膜の断面は豹紋柄になる。
筋膜の近傍、側面に軟骨Ｅはある。筋膜の存在が判ることで、軟骨Ｅの位置が判る。
紫色（波長380 - 450 nm）
図１５に図示するように、この発明の実施の形態である紫色可視光を照射した肉のブロックを切り分けたときの硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する切断面図である図３乃至図９において、脂肪は、白色に見えるが形状は検出可能な特徴がない。硬骨Ａ、Ｂ、Ｃ、Ｄは、白黄色で浮島状に見える。軟骨Ｅは、薄白色で浮島状に見える。筋（すじ）は、白黄色の筋状に見える。筋膜は、紫色でアメーバ状に見える。
この実施の形態では、紫色可視光（９１０nm）を使用したが、紫色可視光の受光には、黄色もしくは、橙色のフィルターを使用する。紫色可視光では、氷は、色形とも検出可能な特徴がない。赤身は、赤黒く見えるが形状は検出可能な特徴がない。
図１５に図示するように、この発明の実施の形態である紫色可視光を照射した肉のブロックを切り分けたときの硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する切断面図である図３乃至図９において、脂肪は、白色に見えるが形状は検出可能な特徴がない。硬骨Ａ、Ｂ、Ｃ、Ｄは、白黄色で浮島状に見える。軟骨Ｅは、薄白色で浮島状に見える。筋（すじ）は、白黄色の筋状に見える。筋膜は、紫色でアメーバ状に見える。
この実施の形態では、紫色可視光（９１０nm）を使用したが、紫色可視光の受光には、黄色もしくは、橙色のフィルターを使用する。紫色可視光では、氷は、色形とも検出可能な特徴がない。赤身は、赤黒く見えるが形状は検出可能な特徴がない。
青色（波長450 - 495 nm）
図１５に図示するように、この実施の形態では、青色可視光（９５０nm）を使用したが、青色可視光の受光には、黄色もしくは、橙色のフィルターを使用する。
青色可視光では、氷は、色形とも検出可能な特徴がない。赤身は、赤黒く見えるが形は検出可能な特徴がない。脂肪は、白色に見えるが形状は検出可能な特徴がない。硬骨Ａ、Ｂ、Ｃ、Ｄは、黄色で浮島状に見える。軟骨Ｅは、薄白色で浮島状に見える。筋（すじ）は、黄色の筋状に見えるは、色形とも検出可能な特徴がない。
図１５に図示するように、この実施の形態では、青色可視光（９５０nm）を使用したが、青色可視光の受光には、黄色もしくは、橙色のフィルターを使用する。
青色可視光では、氷は、色形とも検出可能な特徴がない。赤身は、赤黒く見えるが形は検出可能な特徴がない。脂肪は、白色に見えるが形状は検出可能な特徴がない。硬骨Ａ、Ｂ、Ｃ、Ｄは、黄色で浮島状に見える。軟骨Ｅは、薄白色で浮島状に見える。筋（すじ）は、黄色の筋状に見えるは、色形とも検出可能な特徴がない。
（２）硬骨の検出の仕方
紫外線光、紫色光、青色光いずれも浮き島のように小さい点として検出されるため色と形状をAIに学習させることが出来る（写真参照）。
紫外線光、紫色光、青色光いずれも浮き島のように小さい点として検出されるため色と形状をAIに学習させることが出来る（写真参照）。
（３）軟骨の検出の仕方
紫外線光、紫色光、青色光いずれも浮き島のように小さい点として検出されるが、紫外線光と紫色光で検出される筋膜が近傍にあることで硬骨Ａ、Ｂ、Ｃ、Ｄと区別ができ、筋膜の近傍には軟骨がある可能性が高いとAIに学習させることが出来る。
紫外線光、紫色光、青色光いずれも浮き島のように小さい点として検出されるが、紫外線光と紫色光で検出される筋膜が近傍にあることで硬骨Ａ、Ｂ、Ｃ、Ｄと区別ができ、筋膜の近傍には軟骨がある可能性が高いとAIに学習させることが出来る。
（４）筋の検出の仕方
紫外線光、紫色光、青色光いずれもすじ状に分布して検出されるため色と形状をAIに学習させることが出来る。
紫外線光、紫色光、青色光の画像を重ね合わせる。
硬骨Ａ、Ｂ、Ｃ、Ｄ、軟骨Ｅと色が同じであるためAIを用いて形状によって識別させる。
紫外線光、紫色光、青色光いずれもすじ状に分布して検出されるため色と形状をAIに学習させることが出来る。
紫外線光、紫色光、青色光の画像を重ね合わせる。
硬骨Ａ、Ｂ、Ｃ、Ｄ、軟骨Ｅと色が同じであるためAIを用いて形状によって識別させる。
（５）筋膜の検出の仕方
紫外線光、紫色光によって紫色で豹紋柄のアメーバのような形状で検出されるため色と形状をAIに学習させることが出来る。
筋膜は筋肉から骨を脱骨したさいの断面として露わになっている。そのため骨の位置と密接な関係があり、筋膜の位置をAIに学習させることで硬骨Ａ、Ｂ、Ｃ、Ｄ、軟骨Ｅの位置検出の参考にすることが出来る。下図の筋肉の構造をみるとたしかに豹紋に検出できるのも納得できる。
紫外線光、紫色光によって紫色で豹紋柄のアメーバのような形状で検出されるため色と形状をAIに学習させることが出来る。
筋膜は筋肉から骨を脱骨したさいの断面として露わになっている。そのため骨の位置と密接な関係があり、筋膜の位置をAIに学習させることで硬骨Ａ、Ｂ、Ｃ、Ｄ、軟骨Ｅの位置検出の参考にすることが出来る。下図の筋肉の構造をみるとたしかに豹紋に検出できるのも納得できる。
（６）検出のためのその他の注意点
３種類のLEDを使用して骨を検出するためには必ず暗所で作業を行う必要がある。周囲が明るい状況では不可能。昼白色のLEDを併用したり蛍光灯下で検出しようとすると骨の発光色が非常に弱く、骨だと分かる発光に強弱が付きすぎてしまう。そのため後工程での輝度などを特徴づけする画像処理などが必要になってしまい、そこで人間の目を使った調整が必要になってしまう。二値化は、不要である。
ディープラーニングを用いたAIに学習させる方法をとらないと色と形状を用いた骨の検出が困難であるので必ずディープラーニングを用いたAIを使用する必要がある。
人工知能 (AI) の一部であるディープラーニングは、人間と同じように、コンピューターがrawデータから新しい概念を習得できるようにするものである。ディープラーニングシステムでは、特定のイメージをそれぞれ数千通り確認すると、その違いを特定できる。
３種類のLEDを使用して骨を検出するためには必ず暗所で作業を行う必要がある。周囲が明るい状況では不可能。昼白色のLEDを併用したり蛍光灯下で検出しようとすると骨の発光色が非常に弱く、骨だと分かる発光に強弱が付きすぎてしまう。そのため後工程での輝度などを特徴づけする画像処理などが必要になってしまい、そこで人間の目を使った調整が必要になってしまう。二値化は、不要である。
ディープラーニングを用いたAIに学習させる方法をとらないと色と形状を用いた骨の検出が困難であるので必ずディープラーニングを用いたAIを使用する必要がある。
人工知能 (AI) の一部であるディープラーニングは、人間と同じように、コンピューターがrawデータから新しい概念を習得できるようにするものである。ディープラーニングシステムでは、特定のイメージをそれぞれ数千通り確認すると、その違いを特定できる。
氷の影響について
肉は冷凍してある。紫色光、青色光は氷の影響を受けにくい。紫外線光は、氷の影響を受け、乱反射をする。
暗闇の中で、青色光、紫色光、紫外線光の順で照射する。青色光、紫色光、それぞれの画像をオレンジあるいは黄色あるいは、オレンジのフィルターを通してみるとはっきり見える。
得られた画像を重ね合わせ、ＡＩで判断する。
肉は冷凍してある。紫色光、青色光は氷の影響を受けにくい。紫外線光は、氷の影響を受け、乱反射をする。
暗闇の中で、青色光、紫色光、紫外線光の順で照射する。青色光、紫色光、それぞれの画像をオレンジあるいは黄色あるいは、オレンジのフィルターを通してみるとはっきり見える。
得られた画像を重ね合わせ、ＡＩで判断する。
赤外線、特に遠赤外線（波長がおよそ4 - 1000 μm）を肉に照射すると、肉の部分が見やすい。
近赤外線は、波長がおよそ0.7 - 2.5 μm
中赤外線は、波長がおよそ2.5 - 4 μm
遠赤外線は、波長がおよそ4 - 1000 μm
とされる。
本発明では、赤外線を併用してもよい。
図３乃至図９に図示する紫色光で受光した画像および青色光で受光した画像、赤外線光で受光された画像を得て、重ね合わせた画像を得る。
近赤外線は、波長がおよそ0.7 - 2.5 μm
中赤外線は、波長がおよそ2.5 - 4 μm
遠赤外線は、波長がおよそ4 - 1000 μm
とされる。
本発明では、赤外線を併用してもよい。
図３乃至図９に図示する紫色光で受光した画像および青色光で受光した画像、赤外線光で受光された画像を得て、重ね合わせた画像を得る。
操作入力情報取得部１２は、入力部２から入力される、ユーザの操作入力を取得し、画像データ分割処理部１３、画像識別処理部１４、識別結果変換処理部１５、画像処理部１６、および、出力処理部１７の各部に、ユーザの操作入力に対応する情報を供給する。
画像データ分割処理部１３は、画像データ取得部２１から供給された図３乃至図９に図示する紫色光で受光した画像および青色光で受光した画像、赤外線光で受光された画像を重ね合わせた画像についての画像データを区分分割し、所定の大きさの正方形のセルとして、画像識別処理部１４、または、画像処理部１６に供給する。
画像データ分割処理部１３により分割されるセルの大きさは、ユーザにより指定可能である。画像データ分割処理部１３は、区分分割手段に対応する。また、セルは、区分分割手段により分割された区分に対応する。なお、セルは、画像データ分割処理部１３により分割された区分に対応する所定の大きさの画像領域であり、縦横同画素数数からなる画素の正方形の領域で構成しても、縦横のサイズの異なる長方形の領域で構成されるようにしてもよい。
画像データ分割処理部１３により分割されるセルの大きさは、ユーザにより指定可能である。画像データ分割処理部１３は、区分分割手段に対応する。また、セルは、区分分割手段により分割された区分に対応する。なお、セルは、画像データ分割処理部１３により分割された区分に対応する所定の大きさの画像領域であり、縦横同画素数数からなる画素の正方形の領域で構成しても、縦横のサイズの異なる長方形の領域で構成されるようにしてもよい。
画像識別処理部１４は、ディープラーニング（Deep learning）の手法を用いた抽出対象物の学習結果を有しており、供給された画像データから抽出対象物の特徴量を発見する。例えば、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する多くの画像から、ディープラーニングの手法を用いた肉のブロックを切り分けたとき生ずる、併存する硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅを見分ける特徴量の学習を行った画像識別処理部１４は、供給された画像データから抽出対象物である骨を識別することが可能である。
ディープラーニングは、人間の脳の神経細胞のネットワーク（ニューラルネットワーク）を模倣したものであり、ニューラルネットワーク（多層ネットワーク）の層を深くすることによって、画像や音声などに含まれる特徴量を学習結果に基づいて発見することが可能な情報処理技術である。
従来の、画像や音声等の認識・識別技術では、ユーザが特徴量を設定し、その後、その特徴量を基に分類アルゴリズムにかけて、抽出対象物が分類されていたが、ディープラーニングを用いて、画像識別処理部１４に機械学習を行わせることにより、ユーザによる特徴量の設定を必要とすることなく、抽出対象物を抽出することが可能である。画像識別処理部１４は、画像データ分割処理部１３、または、画像処理部１６から供給された画像データを構成するそれぞれのセルが抽出対象物である確率を算出し、識別結果変換処理部１５に供給する。画像識別処理部１４は、画像識別手段に対応する。
従来の、画像や音声等の認識・識別技術では、ユーザが特徴量を設定し、その後、その特徴量を基に分類アルゴリズムにかけて、抽出対象物が分類されていたが、ディープラーニングを用いて、画像識別処理部１４に機械学習を行わせることにより、ユーザによる特徴量の設定を必要とすることなく、抽出対象物を抽出することが可能である。画像識別処理部１４は、画像データ分割処理部１３、または、画像処理部１６から供給された画像データを構成するそれぞれのセルが抽出対象物である確率を算出し、識別結果変換処理部１５に供給する。画像識別処理部１４は、画像識別手段に対応する。
識別結果変換処理部１５は、画像識別処理部１４から供給された、画像データを構成するそれぞれのセルが抽出対象物である確率を後述する方法によって画素値に変換し、各セルをその変換された画素値に応じた画像データを生成し、画像処理部１６に供給する。識別結果変換処理部１５は、例えば、トーンカーブ（または、ルックアップテーブル）を参照し、それぞれのセルが対象物である確率（０％から１００％）を、０から２５５の値を有する画素値に変換する。例えば、抽出対象物であるセルの確率が１００％であった場合にはトーンカーブに基づいて画素値を２５５に変換する。識別結果変換処理部１５は、識別結果変換手段に対応する。
画像処理部１６は、識別結果変換処理部１５から供給された、各セルの画素値が抽出対象物である確率を示す画像データに対して、または、画像データ分割処理部１３から供給された、区分分割されたセル画像データに対して、例えば、閾値などを用いたノイズ除去、肉のブロックを切り分けたとき生ずる、併存する硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅを見分ける処理者の知見、膨張処理、クロージング処理、骨格線抽出処理などを反映した画像処理を実行し、処理後の画像データを、画像識別処理部１４、または、出力処理部１７に供給する。画像処理部１６は、画像処理手段に対応する。
ここで、画像データ分割処理部１３によりセルに分割された画像データは、画像識別処理部１４および画像処理部１６のうちのどちらで先に処理をされるものであっても構わない。また、画像データ分割処理部１３によりセルに分割された画像データは、画像識別処理部１４または画像処理部１６において、複数回処理されるものであっても構わない。画像解析装置１においては、入力部２により入力されたユーザの操作入力に基づいて、入力される画像データおよび抽出対象物の特徴に適するように、画像識別処理部１４および画像処理部１６における処理の順序および回数を設定することが可能である。
出力処理部１７は、画像処理部１６から供給された処理後の画像データを、出力部３に供給して出力させたり、記憶部１８に供給して記憶させる。また、出力処理部１７は、記憶部１８に記憶されている処理後の画像データを読み出し、出力部３に供給して出力させる。
記憶部１８は、内蔵された記憶媒体、または、装着されたリムーバブル記憶媒体に、出力処理部１７から供給された処理後の画像データを記憶する。
画像解析装置１においては、画像識別処理部１４において識別された、画像データを構成するそれぞれのセルが抽出対象物である確率を、識別結果変換処理部１５において、画像データに変換し、その画像データを処理することにより、抽出対象物を検出することができる。したがって、異なる時期に撮影した画像の全体的な輝度等が異なる場合であっても、解析結果はその影響を受けることがなく、同部分の経時変化を比較する場合に用いて好適である。
次に、図１２のフローチャートを参照して、画像解析装置１が実行する処理の一例として、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの多くの画像から、ディープラーニングの手法を用いた肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの特徴量の学習を行った画像識別処理部１４を備える画像解析装置１が実行する画像解析処理１について説明する。
ステップＳ１において、画像データ取得部２１は、例えば、図１１に示されるような、解析する対象となる画像データを取得し、画像データ分割処理部１３に供給する。
ステップＳ２において、画像データ分割処理部１３は、解析する画像データを区分分割し、画像識別処理部１４に供給する。区分分割された１セルの大きさは、解析する画像データの種類や抽出対象物によってユーザが設定可能であってもよい。１つのセルは、解析する画像データを、例えば、縦６４画素×横６４画素のように正方形で構成されるようにしてもよいし、縦横のサイズの異なる長方形で構成されるようにしてもよい。また、１つのセルは、例えば、実際の肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの１ｃｍ四方を１セルにしてもよいし、５ｃｍ四方を１セルにしてもよい。単位画素あたりの画像解像度を自由に設定することが可能である。
ステップＳ３において、図１３を用いて後述する画像識別処理が実行される。
ステップＳ４において、識別結果変換処理部１５は、画像識別処理による識別結果、すなわち、画像識別処理部１４により算出された、それぞれのセルが抽出対象物である確率を、例えば、トーンカーブに基づいて、画素値に変換し、画像処理部１６に供給する。
ステップＳ５において、図１４を用いて後述する従来型画像処理１が実行される。
ステップＳ６において、出力処理部１７は、画像処理部１６から供給された処理後の画像解析結果を記憶部１８に供給する。記憶部１８は、供給された画像解析結果を記憶する。また、出力処理部１７は、画像処理部１６から供給された処理後の画像解析結果を出力部３に供給して出力させ、処理が終了される。
このような処理により、画像データを構成するそれぞれのセルが抽出対象物である確率が、画像データに変換され、その画像データを用いて、抽出対象物が検出されるので、画像の全体的な輝度等が異なる場合であっても、解析結果はその影響を受けることがない。
また、このようにして得られた対象物の抽出結果には、例えば、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの骨と紛らわしい部分が骨とともに抽出されてしまうことがなく、目視の確認に近い解析結果を得ることが可能となる。
また、このようにして得られた対象物の抽出結果には、例えば、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの骨と紛らわしい部分が骨とともに抽出されてしまうことがなく、目視の確認に近い解析結果を得ることが可能となる。
次に、図１３のフローチャートを参照して、図１２のステップＳ３において実行される画像識別処理について説明する。
ステップＳ１１において、画像識別処理部１４は、操作入力情報取得部１２から供給されるユーザの操作入力に基づいて、識別するべきターゲットの指定を受ける。ここでは、画像識別処理部１４は、識別するべきターゲットとして、骨の指定を受ける。
ステップＳ１２において、画像識別処理部１４は、学習結果に基づいて、ターゲットの識別処理を実行する。
ステップＳ１３において、画像識別処理部１４は、ステップＳ１２の処理による識別結果に基づいて、セルごとに、ターゲットに含まれる画素の画素値が抽出対象である確率を算出して、識別結果変換処理部１５に供給し、処理は、図１２のステップＳ４に戻る。
このような処理により、画像識別処理部１４は、ディープラーニングの手法を用いて、例えば、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する
肉のブロックの多くの画像から得た特徴量の学習結果に基づいて、ユーザによる特徴量の設定を必要とすることなく、骨と紛らわしい部分等に対応する部分を排除して、抽出対象物を抽出することが可能である。
肉のブロックの多くの画像から得た特徴量の学習結果に基づいて、ユーザによる特徴量の設定を必要とすることなく、骨と紛らわしい部分等に対応する部分を排除して、抽出対象物を抽出することが可能である。
次に、図１４のフローチャートを参照して、図１２のステップＳ５において実行される従来型画像処理１について説明する。
ステップＳ２１において、画像処理部１６は、識別結果変換処理部１５から供給された画素値を有するセル画像データ、すなわち、セル画像の画素値が抽出対象物である確率を示す画像データに対して、所定の閾値以下の画素値を有するセル画像の画素値を０とする。識別結果変換処理部１５から供給された画像データが、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの中で骨の存在する確率が高いセルが画素値の高いドットで示され、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの中で骨の存在する確率が低いセルが画素値の低いドットで示されている画像データである。
画素値の７０％を閾値として、それ以下の画素値を有するセルについては、画素値を０とした場合、例えば、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの中で存在する骨の特徴と近い特徴を有している骨と紛らわしい部分によるノイズ成分がある程度除去された画像データが得られる。
ステップＳ２２において、画像処理部１６は、ステップＳ２１の処理により画素値ありとなったドットの面積を広げる膨張処理を実行する。この処理により、図３乃至図９等の画像のうち、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの中で存在する骨が途切れているように検出されている部分が、表される。
ステップＳ２３において、画像処理部１６は、ステップＳ２２の処理により得られた画像データから、連続している画素の長さを検出し、所定の閾値以下の長さとなる成分を除去する。この処理により、図３乃至図９等の画像データのうち、骨と紛らわしい部分や、ステップＳ２１の処理によって削除できなかったノイズ成分が除去された画像データを得ることができる。
ステップＳ２４において、画像処理部１６は、ステップＳ２３の処理により得られた画像データのエッジ部分を滑らかにするクロージング処理を実行する。この処理により、図３乃至図９等に示された画像データから、画像データを得ることができる。
ステップＳ２５において、画像処理部１６は、ステップＳ２４の処理により得られた画像データに対して、骨格線抽出処理を実行することにより、ステップＳ２２の膨張処理により膨張された、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの中で存在する骨に近い形状に戻して、画像データを得ることができる。
ステップＳ２６において、画像処理部１６は、ステップＳ２５の処理により得られた画像データの連続している画素の長さを検出し、所定の閾値以下の長さとなる成分を除去する。この処理により、画像データのうち、骨と紛らわしい部分や、ステップＳ２１およびステップＳ２３の処理によって削除できなかったノイズ成分が除去され、図１３に示されるような画像データを得ることができる。ステップＳ２６の処理の終了後、処理は、図１２のステップＳ６に戻る。
このような処理により、画像処理部１６は、識別結果変換処理部１５から供給され、各ドットの画素値が抽出対象物である確率を示す画像データに対して、従来行われていた画像処理をさらに行うことにより、ディープラーニングの手法を用いた抽出対象物の学習結果を有している識別器による画像識別結果よりも精度良く、検出するべき対象物を抽出することが可能となる。
これに対して、抽出結果を出力可能な識別器と同等の能力を有する画像識別処理部１４を用いて検出された、それぞれのセルが抽出対象物である確率を、識別結果変換処理部１５により画像データに変換し、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの中で存在する骨に関する知見を反映した画像処理機能を有する画像処理部１６によって処理した場合、肉のブロックを切り分けたとき生ずる、硬骨Ａ、Ｂ、Ｃ、Ｄと軟骨Ｅが併存する肉のブロックの中で存在する骨に近いノイズ成分が除去された抽出結果を得ることが可能となる。このようにして、画像解析装置１を用いて、目視の確認に近い解析結果を得ることが可能となる。
上述した一連の処理は、ハードウェアにより実行することもできるし、ソフトウェアにより実行することもできる。一連の処理をソフトウェアにより実行する場合には、そのソフトウェアを構成するプログラムが、専用のハードウェアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどに、プログラム記録媒体からインストールされる。
図１６、図１７に図示する、第２実施例について説明する。第２実施例では、海藻類であるもずく１６−１に黄色の釣糸１６−２が入っている。釣糸１６−２の蛍光発光はつよい。
（１）第２実施例の図１６に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸１６−２は蛍光発光して見える。１６−３は、隙間から見える下地となるコンベアの白地である。
（２）第２実施例の図１７に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
釣糸１６−２は見える。コンベアの白地１６−３は、見えない。
可視光のみの照射では、釣糸１６−２は光りにくい。
（１）第２実施例の図１６に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸１６−２は蛍光発光して見える。１６−３は、隙間から見える下地となるコンベアの白地である。
（２）第２実施例の図１７に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
釣糸１６−２は見える。コンベアの白地１６−３は、見えない。
可視光のみの照射では、釣糸１６−２は光りにくい。
第２実施例では、図１６乃至図１７に図示する可視光と紫外線で受光した画像、および紫外線で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく１６−１に黄色の釣糸１６−２が入り、隙間１６−３が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、海藻類であるもずく１６−１と黄色の釣糸１６−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく１６−１に黄色の釣糸１６−２が入り、隙間１６−３が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、海藻類であるもずく１６−１と黄色の釣糸１６−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
図１８、図１９に図示する、第３実施例について説明する。第３実施例では、海藻類であるもずく１８−１に緑色の釣糸１８−２が入っている。釣糸１８−２の蛍光発光は微弱である。
（１）第３実施例の図１８に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸１８−２は見える。１８−３は、漁網の破片である。
（２）第３実施例の図１９に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
釣糸１８−２は見えない。
可視光のみの照射では、釣糸１８−２は光りにくい。
（１）第３実施例の図１８に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸１８−２は見える。１８−３は、漁網の破片である。
（２）第３実施例の図１９に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
釣糸１８−２は見えない。
可視光のみの照射では、釣糸１８−２は光りにくい。
第３実施例では、図１８、図１９に図示する可視光と紫外線で受光した画像、および紫外線で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく１８−１に緑色の釣糸１８−２が入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、海藻類であるもずく１８−１と緑色の釣糸１８−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく１８−１に緑色の釣糸１８−２が入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、海藻類であるもずく１８−１と緑色の釣糸１８−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
図２０、図２１に図示する、第４実施例について説明する。第４実施例では、海藻類であるもずく２０−１に茶色の釣糸２０−２が入っている。茶色の釣糸２０−２は、蛍光発光がある。
（１）第４実施例の図２０に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸２０−２は見える。
（２）第４実施例の図２１に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
釣糸２０−２はかすかに見える。
可視光のみの照射では、釣糸２０−２は光りにくい。
（１）第４実施例の図２０に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
釣糸２０−２は見える。
（２）第４実施例の図２１に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
釣糸２０−２はかすかに見える。
可視光のみの照射では、釣糸２０−２は光りにくい。
第４実施例では、図２０、図２１に図示する可視光と紫外線で受光した画像、および紫外線で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく２０−１に茶色の釣糸２０−２が入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、もずく２０−１と茶色の釣糸２０−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく２０−１に茶色の釣糸２０−２が入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、もずく２０−１と茶色の釣糸２０−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
図２２、図２３に図示する、第５実施例について説明する。第５実施例では、海藻類であるもずく２２−１にエビ２２−２が入っている。海藻類であるもずくは、蛍光発光がある。
（１）第５実施例の図２２に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
エビ２２−２は見える。２２−３は、隙間から見える下地となるコンベアの白地である。
（２）第５実施例の図２３に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
エビ２２−２、隙間２２−３は、見えない。
可視光のみの照射では、エビ２２−２は光りにくい。
（１）第５実施例の図２２に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
エビ２２−２は見える。２２−３は、隙間から見える下地となるコンベアの白地である。
（２）第５実施例の図２３に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
エビ２２−２、隙間２２−３は、見えない。
可視光のみの照射では、エビ２２−２は光りにくい。
第５実施例では、図２２、図２３に図示する可視光と紫外線で受光した画像、および紫外線で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく２２−１にエビ２２−２が入り、隙間２２−３が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、海藻類であるもずく２２−１とエビ２２−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく２２−１にエビ２２−２が入り、隙間２２−３が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、海藻類であるもずく２２−１とエビ２２−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
図２４、図２５に図示する、第６実施例について説明する。第６実施例では、海藻類であるもずく２４−１に魚２４−２が入っている。魚２４−２は、蛍光発光がある。
（１）第６実施例の図２４に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
魚２４−２は見える。２４−３は、隙間から見える下地となるコンベアの白地である。
（２）第６実施例の図２５に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
魚２４−２は薄く見える。隙間２４−３は、見えない。
可視光のみの照射では、魚２４−２は光りにくい。
（１）第６実施例の図２４に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
魚２４−２は見える。２４−３は、隙間から見える下地となるコンベアの白地である。
（２）第６実施例の図２５に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
魚２４−２は薄く見える。隙間２４−３は、見えない。
可視光のみの照射では、魚２４−２は光りにくい。
第６実施例では、図２４、図２５に図示する可視光と紫外線で受光した画像、および紫外線で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく２４−１に魚２４−２が入り、隙間２４−３が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、海藻類であるもずく２４−１と魚２４−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく２４−１に魚２４−２が入り、隙間２４−３が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、海藻類であるもずく２４−１と魚２４−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
図２６、図２７に図示する、第７実施例について説明する。第７実施例では、もずく２６−１に貝２６−２が入っている。貝２６−２は、蛍光発光がある。
（１）第７実施例の図２６に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
貝２６−２は見える。２６−３、２６−４は、隙間から見える下地となるコンベアの白地である。
（２）第７実施例の図２７に図示する状態では、紫外線（波長 10 - 400nm）を照射する。
貝２６−２は薄く見える。隙間２６−３、２６−４は、見えない。
可視光のみの照射では、貝２６−２は光りにくい。
（１）第７実施例の図２６に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
貝２６−２は見える。２６−３、２６−４は、隙間から見える下地となるコンベアの白地である。
（２）第７実施例の図２７に図示する状態では、紫外線（波長 10 - 400nm）を照射する。
貝２６−２は薄く見える。隙間２６−３、２６−４は、見えない。
可視光のみの照射では、貝２６−２は光りにくい。
第７実施例では、図２６、図２７に図示する可視光と紫外線で受光した画像、および紫外線で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく２６−１に貝２６−２が入り、隙間２６−３、２６−４が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、もずく２６−１と貝２６−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく２６−１に貝２６−２が入り、隙間２６−３、２６−４が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、もずく２６−１と貝２６−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
図２８、図２９に図示する、第８実施例について説明する。第８実施例では、もずく２８−１に異種海藻２８−２が入っている。異種海藻２８−２は、蛍光発光がある。
（１）第８実施例の図２８に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
異種海藻２８−２は見える。
（２）第８実施例の図２９に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
異種海藻２８−２は薄く見える。
可視光のみの照射では、異種海藻２８−２は光りにくい。
（１）第８実施例の図２８に図示する状態では、可視光（波長 400 nm-700 nm）と紫外線（波長 10 - 400 nm）を併用して照射する。
異種海藻２８−２は見える。
（２）第８実施例の図２９に図示する状態では、紫外線（波長 10 - 400 nm）を照射する。
異種海藻２８−２は薄く見える。
可視光のみの照射では、異種海藻２８−２は光りにくい。
第８実施例では、図２８、図２９に図示する可視光と紫外線で受光した画像、および紫外線で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく２８−１に異種海藻２８−２が入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、海藻類であるもずく２８−１と異種海藻２８−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、海藻類であるもずく２８−１に異種海藻２８−２が入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、海藻類であるもずく２８−１と異種海藻２８−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、紫外光撮影部を設ける。
図３０、図３１に図示する、第９実施例について説明する。第９実施例では、根野菜であるもやし３０−１に根腐れ部位３０−２が入っている。根腐れ部位３０−２は、蛍光発光はない。
（１）第９実施例の図３０に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。
根腐れ部位３０−２は見える。
（２）第９実施例の図３１に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
根腐れ部位３０−２は薄く見える。
（１）第９実施例の図３０に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。
根腐れ部位３０−２は見える。
（２）第９実施例の図３１に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
根腐れ部位３０−２は薄く見える。
第９実施例では、図３０、図３１に図示する可視光で受光した画像、およびと可視光（赤のみ）で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、根野菜であるもやし３０−１に根腐れ部位３０−２が入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、根野菜であるもやし３０−１と根腐れ部位３０−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、根野菜であるもやし３０−１に根腐れ部位３０−２が入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、根野菜であるもやし３０−１と根腐れ部位３０−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
図３２、図３３に図示する、第１０実施例について説明する。第１０実施例では、根野菜である根野菜であるもやし３２−１に黒変した傷み部位３２−２が入っている。傷み部位３２−２に蛍光発光はない。
（１）第１０実施例の図３２に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。
傷み部位３２−２は見える。３２−３は茎である。
（２）第１０実施例の図３３に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
黒変した傷み部位３２−２は薄く見える。
（１）第１０実施例の図３２に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。
傷み部位３２−２は見える。３２−３は茎である。
（２）第１０実施例の図３３に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
黒変した傷み部位３２−２は薄く見える。
第１０実施例では、図３２、図３３に図示する可視光で受光した画像、およびと可視光（赤のみ）で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、根野菜であるもやし３２−１に黒変した傷み部位３２−２が入り、茎３２−３が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、根野菜であるもやし３２−１と黒変した傷み部位３２−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、根野菜であるもやし３２−１に黒変した傷み部位３２−２が入り、茎３２−３が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、根野菜であるもやし３２−１と黒変した傷み部位３２−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
図３４、図３５に図示する、第１１実施例について説明する。第１１実施例では、根野菜であるもやし３４−１に黒変した傷み部位３４−２が入っている。黒変した傷み部位３４−２は、蛍光発光はない。
（１）第１１実施例の図３４に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。
傷み部位３４−２は見える。３４−３は茎である。
（２）第１１実施例の図３５に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
黒変した傷み部位３４−２は薄く見える。茎３４−３はぼんやり映る。
（１）第１１実施例の図３４に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。
傷み部位３４−２は見える。３４−３は茎である。
（２）第１１実施例の図３５に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
黒変した傷み部位３４−２は薄く見える。茎３４−３はぼんやり映る。
第１１実施例では、図３４、図３５に図示する可視光で受光した画像、およびと可視光（赤のみ）で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、根野菜であるもやし３４−１に黒変した傷み部位３４−２が入り、茎３４−３が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、根野菜であるもやし３４−１と黒変した傷み部位３４−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、根野菜であるもやし３４−１に黒変した傷み部位３４−２が入り、茎３４−３が映った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、根野菜であるもやし３４−１と黒変した傷み部位３４−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
図３６、図３７、図３８、図３９、図４０、図４１に図示する、第１２実施例について説明する。第１２実施例では、乾燥海藻類である乾燥海苔３６−１にカーボン漁網３６−２、３６−３が入っている。漁網３６−２、３６−３は、蛍光発光はない。
（１）第１２実施例の図３６乃至図４１に図示する状態では、近赤外線（波長 0.7 - 2.5 μm）を照射する。
カーボン漁網３６−２は見える。
（２）図３６、図３７、図３９、図４０、図４１に図示する第１２実施例では、横から近赤外線光を当てた。横から近赤外線を照射したため、側面は白色に映り見やすくなる。
（１）第１２実施例の図３６乃至図４１に図示する状態では、近赤外線（波長 0.7 - 2.5 μm）を照射する。
カーボン漁網３６−２は見える。
（２）図３６、図３７、図３９、図４０、図４１に図示する第１２実施例では、横から近赤外線光を当てた。横から近赤外線を照射したため、側面は白色に映り見やすくなる。
第１２実施例では、図３６乃至図４１に図示する近赤外線光または、近赤外線光以外の可視光で受光した画像で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、乾燥海藻類である乾燥海苔３６−１にカーボン漁網３６−２、３６−３が入っている状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、乾燥海藻類である乾燥海苔３６−１とカーボン漁網３６−２、３６−３の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、近赤外線光撮影部、近赤外線光以外の可視光撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、乾燥海藻類である乾燥海苔３６−１にカーボン漁網３６−２、３６−３が入っている状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、乾燥海藻類である乾燥海苔３６−１とカーボン漁網３６−２、３６−３の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、近赤外線光撮影部、近赤外線光以外の可視光撮影部を設ける。
図４２、図４３、図４４、図４５に図示する、第１３実施例について説明する。第１３実施例では、乾燥海藻類である乾燥わかめ４２−１にカーボン漁網４２−２が入っている。カーボン漁網４２−２は、蛍光発光はない。
（１）第１３実施例の図３６乃至図４１に図示する状態では、近赤外線光（波長 0.7 - 2.5 μm）を照射する。
カーボン漁網４２−２は見える。側面４２−３から近赤外線光を照射したため、側面４２−３は白色に映り見やすくなる。
（２）図４３、図４４、図４５に図示する実施例では、横から近赤外線光を当てた。
（１）第１３実施例の図３６乃至図４１に図示する状態では、近赤外線光（波長 0.7 - 2.5 μm）を照射する。
カーボン漁網４２−２は見える。側面４２−３から近赤外線光を照射したため、側面４２−３は白色に映り見やすくなる。
（２）図４３、図４４、図４５に図示する実施例では、横から近赤外線光を当てた。
第１３実施例では、図４２乃至図４５に図示する近赤外線または可視光で受光した画像で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、乾燥海藻類である乾燥わかめ４２−１にカーボン漁網４２−２が入っている状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、乾燥海藻類である乾燥わかめ４２−１とカーボン漁網４２−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、近赤外線光撮影部、近赤外線光以外の可視光撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、乾燥海藻類である乾燥わかめ４２−１にカーボン漁網４２−２が入っている状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、乾燥海藻類である乾燥わかめ４２−１とカーボン漁網４２−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、近赤外線光撮影部、近赤外線光以外の可視光撮影部を設ける。
図４６、図４７、図４８、図４９に図示する、第１４実施例について説明する。第１４実施例では、蕎麦麺４６−１に極小羽虫４６−２、４６−３、４６−４、４６−５が入っている。蛍光発光はない。
（１）第１４実施例の図４６乃至図４９に図示する状態では、近赤外線光（波長 0.7 - 2.5 μm）を照射する。
極小羽虫４６−２は見える。
図４６乃至図４９に図示する第１４実施例では、横から近赤外線光を当てた。側面から近赤外線光を照射したため、側面は白色に映り見やすくなる。
（２）白色光を照射した（図示せず）。
（１）第１４実施例の図４６乃至図４９に図示する状態では、近赤外線光（波長 0.7 - 2.5 μm）を照射する。
極小羽虫４６−２は見える。
図４６乃至図４９に図示する第１４実施例では、横から近赤外線光を当てた。側面から近赤外線光を照射したため、側面は白色に映り見やすくなる。
（２）白色光を照射した（図示せず）。
第１４実施例では、図４６乃至図４９に図示する近赤外線光または、可視光および白色光で受光した画像で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、蕎麦麺４６−１に極小羽虫４６−２が入っている状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、蕎麦麺４６−１と極小羽虫４６−２、４６−３、４６−４、４６−５の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、近赤外線光撮影部、近赤外線光以外の可視光撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、蕎麦麺４６−１に極小羽虫４６−２が入っている状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、蕎麦麺４６−１と極小羽虫４６−２、４６−３、４６−４、４６−５の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、近赤外線光撮影部、近赤外線光以外の可視光撮影部を設ける。
図５０、図５１に図示する、第１５実施例について説明する。第１５実施例では、透明ビニル入り豚肉こまぎれ５０−１に透明ビニル５０−２が入っている。透明ビニル５０−２は、蛍光発光はない。乱反射はある。５０−４は透明ビニル袋である。
（１）第１５実施例の図５０に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。透明ビニル袋５０−４の乱反射５０−３あり。
（２）第１５実施例の図５１に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
（１）第１５実施例の図５０に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。透明ビニル袋５０−４の乱反射５０−３あり。
（２）第１５実施例の図５１に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
第１５実施例では、図５０、図５１に図示する可視光で受光した画像、および可視光（赤のみ）で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、透明ビニル入り豚肉こまぎれ５０−１に透明ビニル５０−２が入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、透明ビニル入り豚肉こまぎれ５０−１と透明ビニル５０−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、透明ビニル入り豚肉こまぎれ５０−１に透明ビニル５０−２が入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、透明ビニル入り豚肉こまぎれ５０−１と透明ビニル５０−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
図５２、図５３に図示する、第１６実施例について説明する。第１６実施例では、透明ビニル入り豚肉こまぎれ５２−１に透明ビニル５２−２が入っている。透明ビニル５２−２の蛍光発光はない。乱反射はある。５２−４は透明ビニル袋である。
（１）第１６実施例の図５２に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。透明ビニル袋５２−４の乱反射５２−３あり。
（２）第１６実施例の図５３に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
（１）第１６実施例の図５２に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。透明ビニル袋５２−４の乱反射５２−３あり。
（２）第１６実施例の図５３に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
第１６実施例では、図５２、図５３に図示する可視光で受光した画像、およびと可視光（赤のみ）で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、透明ビニル入り豚肉こまぎれ５２−１に透明ビニルが入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、透明ビニル入り豚肉こまぎれ５２−１と透明ビニル５２−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、透明ビニル入り豚肉こまぎれ５２−１に透明ビニルが入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、透明ビニル入り豚肉こまぎれ５２−１と透明ビニル５２−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
図５４、図５５に図示する、第１７実施例について説明する。第１７実施例では、透明ビニル入り豚肉こまぎれ５４−１に透明ビニル５４−２が入っている。透明ビニル５４−２は、蛍光発光はない。乱反射はある。５４−４は透明ビニル袋である。
（１）第１７実施例の図５２に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。透明ビニル袋５４−４の乱反射５４−３あり。
（２）第１７実施例の図５５に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
（１）第１７実施例の図５２に図示する状態では、可視光（波長 400 nm-700 nm）を照射する。透明ビニル袋５４−４の乱反射５４−３あり。
（２）第１７実施例の図５５に図示する状態では、可視光（赤のみ）（波長 620-750 nm）を照射する。蛍光発光するものが無いため赤色可視光を照射した。
第１７実施例では、図５４、図５５に図示する可視光で受光した画像、および可視光（赤のみ）で受光された複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、透明ビニル入り豚肉こまぎれ５４−１に透明ビニルが入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、透明ビニル入り豚肉こまぎれ５４−１と透明ビニル５４−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、透明ビニル入り豚肉こまぎれ５４−１に透明ビニルが入った状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、透明ビニル入り豚肉こまぎれ５４−１と透明ビニル５４−２の判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光撮影部、可視光（赤のみ）撮影部を設ける。
図５６乃至図５９に図示する、第１８実施例について説明する。第１８実施例では、揚げ物の衣の剥がれまたは凍結部位５６−２が混在した揚げ物であるコロッケ５６−１である。
第１８実施例の図５６に図示する状態では、揚げ物の衣の剥がれまたは凍結部位５６−２を、有する揚げ物であるコロッケ５６−１に可視光（青色光のみ）（波長450 - 495 nm）を照射した。
第１８実施例の図５７に図示する状態では、揚げ物の衣の剥がれまたは凍結部位５６−２を、有する揚げ物であるコロッケ５６−１に可視光（赤色光のみ）（波長 620-750 nm）を照射した。
第１８実施例の図５８に図示する状態では、揚げ物の衣の剥がれまたは凍結部位５６−２を、有する揚げ物であるコロッケ５６−１に可視光（白色光）を照射した。
第１８実施例の図５９に図示する状態では、揚げ物の衣の剥がれまたは凍結部位５６−２を、有する揚げ物であるコロッケ５６−１に可視光（緑色光のみ）（波長 495-570 nm）を照射した。
コロッケ５６−１（ポテトコロッケ）の場合は白色光プラス赤色光で衣の剥がれまたは凍結部位５６−２がきれいに確認できる。
第１８実施例の図５６に図示する状態では、揚げ物の衣の剥がれまたは凍結部位５６−２を、有する揚げ物であるコロッケ５６−１に可視光（青色光のみ）（波長450 - 495 nm）を照射した。
第１８実施例の図５７に図示する状態では、揚げ物の衣の剥がれまたは凍結部位５６−２を、有する揚げ物であるコロッケ５６−１に可視光（赤色光のみ）（波長 620-750 nm）を照射した。
第１８実施例の図５８に図示する状態では、揚げ物の衣の剥がれまたは凍結部位５６−２を、有する揚げ物であるコロッケ５６−１に可視光（白色光）を照射した。
第１８実施例の図５９に図示する状態では、揚げ物の衣の剥がれまたは凍結部位５６−２を、有する揚げ物であるコロッケ５６−１に可視光（緑色光のみ）（波長 495-570 nm）を照射した。
コロッケ５６−１（ポテトコロッケ）の場合は白色光プラス赤色光で衣の剥がれまたは凍結部位５６−２がきれいに確認できる。
第１８実施例では、図５６乃至図５９に図示する可視光で受光した複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、揚げ物の衣の剥がれまたは凍結部位５６−２が混在した揚げ物であるコロッケ５６−１状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。
第１実施例における「肉の骨判別」の代わりに、揚げ物であるコロッケ５６−１と揚げ物の衣の剥がれまたは凍結部位５６−２との判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光（青色光のみ）撮影部、可視光（赤色光のみ）撮影部、可視光（白色光）撮影部、可視光（緑色光のみ）撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、揚げ物の衣の剥がれまたは凍結部位５６−２が混在した揚げ物であるコロッケ５６−１状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。
第１実施例における「肉の骨判別」の代わりに、揚げ物であるコロッケ５６−１と揚げ物の衣の剥がれまたは凍結部位５６−２との判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光（青色光のみ）撮影部、可視光（赤色光のみ）撮影部、可視光（白色光）撮影部、可視光（緑色光のみ）撮影部を設ける。
図６０乃至図６３に図示する、第１９実施例について説明する。第１９実施例では、揚げ物の衣の剥がれまたは凍結部位６０−２が混在した揚げ物であるクリームコロッケ６０−１である。
第１９実施例の図６０に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６０−２を、有する揚げ物であるクリームコロッケ６０−１に可視光（青色光のみ）（波長450 - 495 nm）を照射した。
第１９実施例の図６１に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６０−２を、有する揚げ物であるクリームコロッケ６０−１に可視光（赤色光のみ）（波長 620-750 nm）を照射した。
第１９実施例の図６０に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６０−２を、有する揚げ物であるクリームコロッケ６０−１に可視光（青色光のみ）（波長450 - 495 nm）を照射した。
第１９実施例の図６１に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６０−２を、有する揚げ物であるクリームコロッケ６０−１に可視光（赤色光のみ）（波長 620-750 nm）を照射した。
第１９実施例の図６２に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６０−２を、有する揚げ物であるクリームコロッケ６０−１に可視光（白色光）を照射した。
第１９実施例の図６３に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６０−２を、有する揚げ物であるクリームコロッケ６０−１に可視光（緑色光のみ）（波長 495-570 nm）を照射した。
クリームコロッケ６０−１の場合は白色光プラス赤色光で衣の剥がれまたは凍結部位６０−２がきれいに確認できる。
第１９実施例の図６３に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６０−２を、有する揚げ物であるクリームコロッケ６０−１に可視光（緑色光のみ）（波長 495-570 nm）を照射した。
クリームコロッケ６０−１の場合は白色光プラス赤色光で衣の剥がれまたは凍結部位６０−２がきれいに確認できる。
第１９実施例では、図６０乃至図６３に図示する可視光で受光した複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、揚げ物の衣の剥がれまたは凍結部位６０−２が混在した揚げ物であるクリームコロッケ６０−１状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、揚げ物であるクリームコロッケ６０−１と揚げ物の衣の剥がれまたは凍結部位６０−２との判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光（青色光のみ）撮影部、可視光（赤色光のみ）撮影部、可視光（白色光）撮影部、可視光（緑色光のみ）撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、揚げ物の衣の剥がれまたは凍結部位６０−２が混在した揚げ物であるクリームコロッケ６０−１状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、揚げ物であるクリームコロッケ６０−１と揚げ物の衣の剥がれまたは凍結部位６０−２との判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光（青色光のみ）撮影部、可視光（赤色光のみ）撮影部、可視光（白色光）撮影部、可視光（緑色光のみ）撮影部を設ける。
図６４乃至図６７に図示する、第２０実施例について説明する。第２０実施例では、揚げ物の衣の剥がれまたは凍結部位６４−２が混在した揚げ物であるフライドチキン６４−１である。
第２０実施例の図６４に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６４−２を、有する揚げ物であるフライドチキン６４−１に可視光（青色光のみ）（波長450 - 495 nm）を照射した。
第２０実施例の図６５に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６４−２を、有する揚げ物であるフライドチキン６４−１に可視光（赤色光のみ）（波長 620-750 nm）を照射した。
第２０実施例の図６４に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６４−２を、有する揚げ物であるフライドチキン６４−１に可視光（青色光のみ）（波長450 - 495 nm）を照射した。
第２０実施例の図６５に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６４−２を、有する揚げ物であるフライドチキン６４−１に可視光（赤色光のみ）（波長 620-750 nm）を照射した。
第２０実施例の図６６に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６４−２を、有する揚げ物であるフライドチキン６４−１に可視光（緑色光のみ）（波長 495-570 nm）を照射した。
第２０実施例の図６７に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６４−２を、有する揚げ物であるフライドチキン６４−１に可視光（青プラス白色）を照射した。
フライドチキン６４−１の場合は白色光プラス赤色光で衣の剥がれまたは凍結部位６４−２がきれいに確認できる。
第２０実施例の図６７に図示する状態では、揚げ物の衣の剥がれまたは凍結部位６４−２を、有する揚げ物であるフライドチキン６４−１に可視光（青プラス白色）を照射した。
フライドチキン６４−１の場合は白色光プラス赤色光で衣の剥がれまたは凍結部位６４−２がきれいに確認できる。
第２０実施例では、図６４乃至図６７に図示する可視光で受光した複数の画像を重ね合わせた画像を得る。これら画像を重ね合わせ、AIを用いて形状によって識別させる。
複数の画像から、ディープラーニングの手法を用いた、揚げ物の衣の剥がれまたは凍結部位６４−２が混在した揚げ物であるフライドチキン６４−１状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、揚げ物であるクリームコロッケ６０−１と揚げ物の衣の剥がれまたは凍結部位６４−２との判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光（青色光のみ）撮影部、可視光（赤色光のみ）撮影部、可視光（緑色光のみ）撮影部、可視光（青プラス白色）撮影部を設ける。
複数の画像から、ディープラーニングの手法を用いた、揚げ物の衣の剥がれまたは凍結部位６４−２が混在した揚げ物であるフライドチキン６４−１状態の特徴量の学習を行った画像識別処理部１４による画像解析装置１が実行する画像解析処理を、第１実施例と同様に処理する。第１実施例における「肉の骨判別」の代わりに、揚げ物であるクリームコロッケ６０−１と揚げ物の衣の剥がれまたは凍結部位６４−２との判別を［００６５］乃至［０１１３］にしたがっておこなう。第１実施例を構成する紫外光撮影部を構成する紫外線光照射部１１１、紫色光撮影部構成する紫色光照射部１１２、青色光撮影部を構成する青色光照射部１１３の代わりに、可視光（青色光のみ）撮影部、可視光（赤色光のみ）撮影部、可視光（緑色光のみ）撮影部、可視光（青プラス白色）撮影部を設ける。
コロッケの衣が剥がれている部分を検出するにあたり、クリームコロッケ、ポテトコロッケ同じ揚げ物であるにもかかわらず、剥がれている部分に反応する色は白色すなわち可視光とどれかもう一つ別の可視色を使用する。
クリームコロッケの場合は 白＋緑で衣の剥がれ部位がきれいに確認できる。ポテトコロッケの場合は 白＋赤で衣の剥がれ部位がきれいに確認できる。フライドチキンの場合は 白＋青で衣の剥がれ部位がきれいに確認できる。
このように揚げ物の剥離した部位を探す際に特徴抽出が可能な光を照射し、その結果2画面をAIに学習させることにより、揚げ物の剥離した部位を検出する精度を上げることが出来る。
クリームコロッケの場合は 白＋緑で衣の剥がれ部位がきれいに確認できる。ポテトコロッケの場合は 白＋赤で衣の剥がれ部位がきれいに確認できる。フライドチキンの場合は 白＋青で衣の剥がれ部位がきれいに確認できる。
このように揚げ物の剥離した部位を探す際に特徴抽出が可能な光を照射し、その結果2画面をAIに学習させることにより、揚げ物の剥離した部位を検出する精度を上げることが出来る。
１ 画像解析装置
２ 入力部
３ 出力部
１１ 照射部
１１１ 紫外線光照射部
１１２ 紫色光照射部
１１３ 青色光照射部
１２ 操作入力情報取得部
１３ 画像データ分割処理部
１４ 画像識別処理部
１５ 識別結果変換処理部
１６ 画像処理部
１７ 出力処理部
１８ 記憶部
２１ 画像データ取得部
Ａ 硬骨
Ｂ 硬骨
Ｃ 硬骨
Ｄ 硬骨
Ｅ 軟骨
Ｆ 筋繊維の束
Ｇ 筋内膜
Ｈ 筋周膜
１６−１ もずく
１６−２ 釣糸（黄色）
１８−１ もずく
１８−２ 釣糸（緑色）
２０−１ もずく
２０−２ 釣糸（茶色）
２２−１ もずく
２２−２ エビ
２４−１ もずく
２４−２ 魚
２６−１ もずく
２６−２ 貝
２８−１ もずく
２８−２ 異種海藻
３０−１ もやし
３０−２ 根腐れ部位
３２−１ もやし
３２−２ 黒変した傷み部位もやし
３４−１ もやし
３４−２ 黒変した傷み部位
３６−１ 乾燥海苔
３６−２ カーボン漁網
３６−３ カーボン漁網
４２−１ 乾燥わかめ
４２−２ カーボン漁網
４６−１ 蕎麦麺
４６−２ 極小羽虫
４６−３ 極小羽虫
４６−４ 極小羽虫
４６−５ 極小羽虫
５０−１ 透明ビニル入り豚肉こまぎれ
５０−２ 透明ビニル
５０−３ 乱反射
５０−４ 透明ビニル袋
５２−１ 透明ビニル入り豚肉こまぎれ
５２−２ 透明ビニル
５２−３ 乱反射
５２−４ 透明ビニル袋
５４−１ 透明ビニル入り豚肉こまぎれ
５４−２ 透明ビニル
５４−３ 乱反射
５４−４ 透明ビニル袋
５６−１ 揚げ物であるコロッケ
５６−２ 揚げ物の衣の剥がれまたは凍結部位
６０−１ クリームコロッケ
６０−２ 揚げ物の衣の剥がれまたは凍結部位
６４−１ フライドチキン
６４−２ 揚げ物の衣の剥がれまたは凍結部位
２ 入力部
３ 出力部
１１ 照射部
１１１ 紫外線光照射部
１１２ 紫色光照射部
１１３ 青色光照射部
１２ 操作入力情報取得部
１３ 画像データ分割処理部
１４ 画像識別処理部
１５ 識別結果変換処理部
１６ 画像処理部
１７ 出力処理部
１８ 記憶部
２１ 画像データ取得部
Ａ 硬骨
Ｂ 硬骨
Ｃ 硬骨
Ｄ 硬骨
Ｅ 軟骨
Ｆ 筋繊維の束
Ｇ 筋内膜
Ｈ 筋周膜
１６−１ もずく
１６−２ 釣糸（黄色）
１８−１ もずく
１８−２ 釣糸（緑色）
２０−１ もずく
２０−２ 釣糸（茶色）
２２−１ もずく
２２−２ エビ
２４−１ もずく
２４−２ 魚
２６−１ もずく
２６−２ 貝
２８−１ もずく
２８−２ 異種海藻
３０−１ もやし
３０−２ 根腐れ部位
３２−１ もやし
３２−２ 黒変した傷み部位もやし
３４−１ もやし
３４−２ 黒変した傷み部位
３６−１ 乾燥海苔
３６−２ カーボン漁網
３６−３ カーボン漁網
４２−１ 乾燥わかめ
４２−２ カーボン漁網
４６−１ 蕎麦麺
４６−２ 極小羽虫
４６−３ 極小羽虫
４６−４ 極小羽虫
４６−５ 極小羽虫
５０−１ 透明ビニル入り豚肉こまぎれ
５０−２ 透明ビニル
５０−３ 乱反射
５０−４ 透明ビニル袋
５２−１ 透明ビニル入り豚肉こまぎれ
５２−２ 透明ビニル
５２−３ 乱反射
５２−４ 透明ビニル袋
５４−１ 透明ビニル入り豚肉こまぎれ
５４−２ 透明ビニル
５４−３ 乱反射
５４−４ 透明ビニル袋
５６−１ 揚げ物であるコロッケ
５６−２ 揚げ物の衣の剥がれまたは凍結部位
６０−１ クリームコロッケ
６０−２ 揚げ物の衣の剥がれまたは凍結部位
６４−１ フライドチキン
６４−２ 揚げ物の衣の剥がれまたは凍結部位
Claims (32)
- 暗所で、
切断面に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外光撮影部と、
切断面に紫色光を照射して該紫色光の反射光を取り入れ紫色光画像を得る紫色光撮影部と、
切断面に青色光を照射して該青色光の反射光を取り入れ青色光画像を得る青色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、肉の切断面の骨部を判別する肉の骨部判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする肉の骨判別装置。 - 前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする請求項１に記載の肉の骨判別装置。 - 紫外光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする請求項１又は請求項２のいずれかに記載の肉の骨部判別装置。
- 青色光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする請求項１又は請求項２又は請求項３のいずれかに記載の肉の骨部判別装置。
- 暗所で、
切断面に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外光撮影部と、
切断面に紫色光を照射して該紫色光の反射光を取り入れ紫色光画像を得る紫色光撮影部と、
切断面に青色光を照射して該青色光の反射光を取り入れ青色光画像を得る青色光撮影部と、
から得られる、
画像データから抽出対象物を抽出するにあたり、肉の切断面の骨部を判別する肉の骨部判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする肉の骨部判別方法。 - 紫色光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする請求項５記載の肉の骨部判別方法。
- 青色光撮影部にオレンジあるいは黄色のフィルターを通して画像を得ることを特徴とする請求項５又は請求項６のいずれかに記載の肉の骨部判別方法。
- 暗所で、
切断面に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外光撮影部と、
切断面に紫色光を照射して該紫色光の反射光を取り入れ紫色光画像を得る紫色光撮影部と、
切断面に青色光を照射して該青色光の反射光を取り入れ青色光画像を得る青色光撮影部と、
から得られる、
画像データから抽出対象物を抽出するにあたり、肉の切断面の骨部を判別する肉の骨部判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム。 - 釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別装置。 - 前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする請求項９に記載の釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別装置。 - 釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別方法置。 - 釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類に紫外光を照射して該紫外光の反射光を取り入れ紫外光画像を得る紫外色光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、釣り糸またはえびまたは魚または貝または異種海藻が混在した海藻類から釣り糸またはえびまたは魚または貝または異種海藻を判別する釣り糸またはえびまたは魚または貝または異種海藻の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム。 - 根腐れ部位または傷み部位が混在した根野菜に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
根腐れ部位または傷み部位が混在した根野菜に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別装置。 - 前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする請求項１３に記載の根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別装置。 - 根腐れ部位または傷み部位が混在した根野菜に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
根腐れ部位または傷み部位が混在した根野菜に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別方法置。 - 根腐れ部位または傷み部位が混在した根野菜に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
根腐れ部位または傷み部位が混在した根野菜に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、根腐れ部位または傷み部位が混在した根野菜から根腐れ部位または傷み部位を判別する根腐れ部位または傷み部位の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム。 - カーボン漁網が混在した乾燥海藻類に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
カーボン漁網が混在した乾燥海藻類に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、カーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とするカーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別装置。 - 前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする請求項１７に記載のカーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別装置。 - カーボン漁網が混在した乾燥海藻類に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
カーボン漁網が混在した乾燥海藻類に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、カーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とするカーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別方法置。 - カーボン漁網が混在した乾燥海藻類に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
カーボン漁網が混在した乾燥海藻類に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、カーボン漁網が混在した乾燥海藻類からカーボン漁網を判別するカーボン漁網の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム。 - 極小羽虫が混在した蕎麦に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
極小羽虫が混在した蕎麦に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする極小羽虫が混在した蕎麦から極小羽虫判別する極小羽虫の判別装置。 - 前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする請求項２１に記載の極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別装置。 - 極小羽虫が混在した蕎麦に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
極小羽虫が混在した蕎麦に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別方法置。 - 極小羽虫が混在した蕎麦に近赤外線光を照射して該近赤外線光の反射光を取り入れ近赤外線光画像を得る近赤外線光撮影部と、
極小羽虫が混在した蕎麦に近赤外線光以外の光を照射して該近赤外線光以外の光の反射光を取り入れ近赤外線光以外の光画像を得る近赤外線光以外の光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、極小羽虫が混在した蕎麦から極小羽虫を判別する極小羽虫の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム。 - 透明ビニルが混在した豚肉こまぎれに可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
透明ビニルが混在した豚肉こまぎれに他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする透明ビニルが混在した豚肉こまぎれから透明ビニル判別する透明ビニルの判別装置。 - 前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする請求項２５に記載の透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別装置。 - 透明ビニルが混在した豚肉こまぎれに可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
透明ビニルが混在した豚肉こまぎれに他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別方法置。 - 透明ビニルが混在した豚肉こまぎれに可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
透明ビニルが混在した豚肉こまぎれに他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、透明ビニルが混在した豚肉こまぎれから透明ビニルを判別する透明ビニルの判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム。 - 揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別装置であって、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と
を備えることを特徴とする揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別装置。 - 前記画像処理手段は、前記区分分割手段により分割された前記画像データに画像処理を行い、
前記画像識別手段は、前記画像処理手段により画像処理された前記画像データに対して、前記画像データの前記区分ごとに、前記抽出対象物である確率を算出することを特徴とする請求項２９に記載の揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別装置。 - 揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別方法であって、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと
を含むことを特徴とする揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別方法置。 - 揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に可視光を照射して該可視光の反射光を取り入れ可視光画像を得る可視光撮影部と、
揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物に他の可視光を照射して該他の可視光の反射光を取り入れ他の可視光画像を得る他の可視光撮影部と、
から得られる、画像データから抽出対象物を抽出するにあたり、揚げ物の衣の剥がれまたは凍結部位が混在した揚げ物から揚げ物の衣の剥がれまたは凍結部位を判別する揚げ物の衣の剥がれまたは凍結部位の判別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、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、
を含むことを特徴とするプログラム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018241565 | 2018-12-25 | ||
| JP2018241565 | 2018-12-25 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2020103284A true JP2020103284A (ja) | 2020-07-09 |
Family
ID=71449801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019231162A Pending JP2020103284A (ja) | 2018-12-25 | 2019-12-23 | 肉の骨の判別装置等の判別装置及び肉の骨判別方法等の判別方法、ならびに肉の骨判別プログラム等の判別プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2020103284A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020218513A1 (ja) * | 2019-04-26 | 2020-10-29 | 株式会社前川製作所 | 特徴点の認識システムおよび認識方法 |
| WO2023063215A1 (ja) * | 2021-10-13 | 2023-04-20 | 株式会社前川製作所 | 食肉用の作用点演算システム、食肉加工システム、及び、食肉用の作用点演算方法 |
| JP7413583B1 (ja) | 2023-03-31 | 2024-01-15 | 株式会社電通 | 魚の品質判定システム |
-
2019
- 2019-12-23 JP JP2019231162A patent/JP2020103284A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020218513A1 (ja) * | 2019-04-26 | 2020-10-29 | 株式会社前川製作所 | 特徴点の認識システムおよび認識方法 |
| WO2023063215A1 (ja) * | 2021-10-13 | 2023-04-20 | 株式会社前川製作所 | 食肉用の作用点演算システム、食肉加工システム、及び、食肉用の作用点演算方法 |
| JP7413583B1 (ja) | 2023-03-31 | 2024-01-15 | 株式会社電通 | 魚の品質判定システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2020103284A (ja) | 肉の骨の判別装置等の判別装置及び肉の骨判別方法等の判別方法、ならびに肉の骨判別プログラム等の判別プログラム | |
| Jackman et al. | Automatic segmentation of beef longissimus dorsi muscle and marbling by an adaptable algorithm | |
| Folkestad et al. | Rapid and non-invasive measurements of fat and pigment concentrations in live and slaughtered Atlantic salmon (Salmo salar L.) | |
| Lino et al. | Image processing techniques for lemons and tomatoes classification | |
| Trinderup et al. | Comparison of a multispectral vision system and a colorimeter for the assessment of meat color | |
| Cheng et al. | Integration of classifiers analysis and hyperspectral imaging for rapid discrimination of fresh from cold-stored and frozen-thawed fish fillets | |
| Windham et al. | Visible/NIR spectroscopy for characterizing fecal contamination of chicken carcasses | |
| Bulanon et al. | Citrus black spot detection using hyperspectral image analysis | |
| CN106296670B (zh) | 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法 | |
| Chao et al. | High throughput spectral imaging system for wholesomeness inspection of chicken | |
| Song et al. | Detection of fish bones in fillets by Raman hyperspectral imaging technology | |
| Li et al. | Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging | |
| CA2383726C (en) | Method of detecting and removing unstripped residual shell left on shellfish, and apparatus therefor | |
| Stien et al. | Automated image analysis as a tool to quantify the colour and composition of rainbow trout (Oncorhynchus mykiss W.) cutlets | |
| Al-Rahbi et al. | Detecting surface cracks on dates using color imaging technique | |
| Stien et al. | Rapid estimation of fat content in salmon fillets by colour image analysis | |
| Pau | Fish quality control by computer vision | |
| CN102184389B (zh) | 用于心材与边材高色差树种的年轮自动识别方法 | |
| Arnarson et al. | Vision applications in the fishing and fish product industries | |
| Stormo et al. | Effects of single wavelength selection for anisakid roundworm larvae detection through multispectral imaging | |
| Sheng et al. | Detection of fish bones in cod fillets by UV illumination | |
| ES2552405A1 (es) | Sistema y método de detección de parásitos Anisakis en filetes de pescado | |
| KR102205445B1 (ko) | 다분광 형광 영상을 이용한 가공 채소류 측 이물질 검출시스템 및 검출방법 | |
| JP2022180641A (ja) | 異物判別方法、加工農作物の製造方法、食品検査装置、及び異物除去システム | |
| JP7248284B2 (ja) | 異物の検出装置及び異物の検出方法ならびに異物の検出プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AA64 | Notification of invalidation of claim of internal priority (with term) |
Free format text: JAPANESE INTERMEDIATE CODE: A241764 Effective date: 20200204 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200205 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20210401 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221019 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231114 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240111 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240304 |