JP2020148620A - 卵分類装置、卵分類方法及びコンピュータプログラム - Google Patents

Abstract

【課題】卵を従来よりも適切に分類することを可能にする卵分類装置、卵分類方法及びコンピュータプログラムを提供する。【解決手段】卵分類装置は、卵を透過した光を表す透過光データを取得する透過光取得部と、卵の内部の状態を表す状態情報及び前記卵についての透過光データを含む教師データを用いてパラメータが学習されており、前記透過光取得部が取得した透過光データが入力された場合に卵の内部の状態を表す状態情報を出力する深層学習モデルと、該深層学習モデルが出力する状態情報に応じて、卵の分類先を決定する決定部とを備える。【選択図】図２

Description

本発明は、卵を内部の状態に応じて分類する卵分類装置、卵分類方法及びコンピュータプログラムに関する。

卵殻を有する卵は、集荷された後、洗浄され、大きさに応じて分類され、容器に収容され、出荷される。以下、卵殻を有する卵を単に卵と言う。卵は、例えば、鶏卵である。卵には、鶏卵以外の卵殻を有する卵も含まれ得る。卵は、出荷前に、汚れの有無、汚れの程度、卵殻の破損の有無、及び破損の程度が検査される。また、卵が血卵、みだれ卵、無黄卵又は腐敗卵等の内部異常卵であるか否かが検査される。検査の結果に応じて、卵は出荷前に分類される。例えば、内部異常卵は、内部異常の無い出荷用の卵とは別の分類先に分類される。卵の検査を行うために、種々の装置が開発されている。特許文献１には、卵に光を照射し、卵を透過した光に基づいて卵の内部の状態を判定する技術が開示されている。

特開２００４−１８４１１３号公報

特許文献１に開示された技術では、卵が内部異常卵であった場合に特定の波長で光の透過率が変化することに基づいて、卵の内部の状態を判定する。しかしながら、卵の色又はサイズ等、卵を透過する光に影響を与える要因は多く、卵によっては正確に検査を行って分類することが困難になることがある。

本発明は、斯かる事情に鑑みてなされたものであって、その目的とするところは、卵を従来よりも適切に分類することを可能にする卵分類装置、卵分類方法及びコンピュータプログラムを提供することにある。

本発明に係る卵分類装置は、卵を分類する卵分類装置において、卵を透過した光を表す透過光データを取得する透過光取得部と、卵の内部の状態を表す状態情報及び前記卵についての透過光データを含む教師データを用いてパラメータが学習されており、前記透過光取得部が取得した透過光データが入力された場合に卵の内部の状態を表す状態情報を出力する深層学習モデルと、該深層学習モデルが出力する状態情報に応じて、卵の分類先を決定する決定部とを備えることを特徴とする。

本発明に係る卵分類装置は、前記状態情報は、卵の内部の状態の種類、又は卵の内部の状態の程度を表すことを特徴とする。

本発明に係る卵分類装置は、予め定められたルールに基づいて、前記透過光取得部が取得した透過光データに応じて、卵の内部の状態を判定する判定部を更に備え、前記決定部は、前記深層学習モデルが出力する状態情報及び前記判定部による判定結果に応じて、卵の分類先を決定することを特徴とする。

本発明に係る卵分類装置は、卵の内部の状態を表す状態情報を受け付ける受付部と、同一の卵について前記透過光取得部が取得した透過光データ及び前記受付部が受け付けた前記状態情報を含むデータを教師データとして、前記深層学習モデルの再学習を行う再学習部とを更に備えることを特徴とする。

本発明に係る卵分類装置は、卵の色に関する情報を取得する第１情報取得部と、取得した前記情報に応じて、状態情報を出力させるために用いる深層学習モデルを複数の深層学習モデルの中から選択するか、又は前記決定部で状態情報に応じて卵の分類先を決定する基準を調整する第１調整部を更に備えることを特徴とする。

本発明に係る卵分類装置は、品質を指定する情報を取得する第２情報取得部と、取得した前記情報に応じて、状態情報を出力させるために用いる深層学習モデルを複数の深層学習モデルの中から選択するか、又は前記決定部で状態情報に応じて卵の分類先を決定する基準を調整する第２調整部を更に備えることを特徴とする。

本発明に係る卵分類装置は、推定される産卵からの経過時間を表す情報を取得する第３情報取得部と、取得した前記情報に応じて、状態情報を出力させるために用いる深層学習モデルを複数の深層学習モデルの中から選択するか、又は前記決定部で状態情報に応じて卵の分類先を決定する基準を調整する第３調整部を更に備えることを特徴とする。

本発明に係る卵分類方法は、卵を分類する卵分類方法において、卵を透過した光を表す透過光データを取得し、卵の内部の状態を表す状態情報及び前記卵についての透過光データを含む教師データを用いてパラメータが学習されており、透過光データが入力された場合に卵の内部の状態を表す状態情報を出力する深層学習モデルを用いて、取得した透過光データに応じて、状態情報を生成し、生成した状態情報に応じて、卵の分類先を決定することを特徴とする。

本発明に係るコンピュータプログラムは、コンピュータに、卵を分類するための処理を実行させるコンピュータプログラムにおいて、コンピュータに、卵を透過した光を表す透過光データ及び前記卵の内部の状態を表す状態情報を含む教師データを用いてパラメータが学習されており、透過光データが入力された場合に卵の内部の状態を表す状態情報を出力する深層学習モデルを用いて、取得された透過光データに応じて、状態情報を生成するステップと、生成された状態情報に応じて、卵の分類先を決定するステップとを含む処理を実行させることを特徴とする。

本発明においては、卵分類装置は、卵を透過した光を表す透過光データを取得し、深層学習モデルによって、透過光データに応じて卵の内部の状態を判定し、判定結果に応じて卵の分類先を決定する。卵の内部の状態を判定するために深層学習モデルを利用することにより、正確に卵の内部の状態を判定し、適切に卵を分類することが可能となる。

本発明の一形態においては、卵分類装置は、卵の内部の状態の種類、又は卵の内部の状態の程度を判定する。正常卵における卵殻・卵白・卵黄の構成比若しくは鮮度等の品質、血卵、みだれ卵、無黄卵若しくは腐敗卵等の卵の内部の状態の種類、又は卵の内部の状態の程度は、卵を分類する際の指標となる。これらの状態に応じて卵を分類することにより、卵の選別を適切に行うことが可能となる。

本発明の一形態においては、卵分類装置は、ルールに基づいた判定と深層学習モデルを用いた判定とを組み合わせることにより、適切な判定を行い、適切に卵を分類することが可能となる。

本発明の一形態においては、卵分類装置は、卵の内部の状態を表す状態情報を受け付け、卵を透過した光を表す透過光データを取得し、状態情報及び透過光データを教師データとして深層学習モデルの再学習を行う。実際の卵の内部の状態に応じて深層学習モデルが再学習され、より正確に卵の内部の状態を判定することができるように深層学習モデルが更新される。

本発明の一形態においては、卵分類装置は、卵の色に応じて、卵の内部の状態を判定するために用いる深層学習モデルを調整するか、又は卵の分類先を決定するための基準を調整する。これにより、適切に卵を分類することを可能にする。

本発明の一形態においては、卵分類装置は、指定された卵の品質に応じて、卵の内部の状態を判定するために用いる深層学習モデルを調整するか、又は卵の分類先を決定するための基準を調整する。これにより、必要な品質の卵が得られるように適切に卵を分類することが可能となる。

本発明の一形態においては、卵分類装置は、推定される産卵からの経過時間に応じて、卵の内部の状態を判定するために用いる深層学習モデルを調整するか、又は卵の分類先を決定するための基準を調整する。これにより、適切に卵を分類することを可能にする。

本発明にあっては、卵の内部の状態の判定に影響を与える種々の要因が存在する中でも、より正確に卵の内部の状態を判定し、より適切に卵を分類することが可能となる等、優れた効果を奏する。

卵を分類して出荷するために用いられる卵分類システムの構成例を示す模式図である。 透過光分析装置の機能構成例を示すブロック図である。 透過光取得部の第１の構成例を示す模式図である。 透過光取得部の第２の構成例を示す模式図である。 透過光分析装置の分析部が行う卵を分類するための処理の手順を示すフローチャートである。 判定処理の手順を示すフローチャートである。 深層学習モデルの機能構成例を示す概念図である。 設定処理の手順を示すフローチャートである。 透過光分析装置の分析部が行う再学習の処理の手順を示すフローチャートである。 再学習を外部で行う透過光分析装置の機能構成例を示すブロック図である。 記憶装置の内部構成例を示すブロック図である。

以下本発明をその実施の形態を示す図面に基づき具体的に説明する。
図１は、卵を分類して出荷するために用いられる卵分類システム１００の構成例を示す模式図である。多数の卵が養鶏場等の生産場から集荷され、卵分類システム１００で処理される。卵分類システム１００は、卵を線状に搬送する搬送装置１１を備えている。搬送装置１１は、多数の卵を載置され、載置された卵を搬送する搬送路を用いて構成されている。搬送装置１１は、例えば、多数のローラを備えたコンベヤであり、ローラ上に卵が載置され、ローラが移動することによって卵を搬送する。図１には卵の搬送方向を矢印で示している。集荷された多数の卵は、搬送装置１１によって搬送され、搬送されながら種々の処理を受ける。

卵は、長径方向が搬送方向に交差するように、搬送路上に載置される。卵は、長径方向に沿った軸を回転軸として回転しながら搬送される。例えば、卵が載置されたローラが回転することによって、卵が回転させられる。卵は、搬送方向に沿って複数の卵が列状に並んだ状態で搬送される。また、卵は、搬送方向に交差する方向に複数の列が並んだ状態で搬送される。

搬送装置１１には、移動量検出装置３６が接続されている。移動量検出装置３６は、搬送装置１１の動作を測定し、搬送装置１１の動作に基づいて、搬送装置１１で搬送されている個々の卵の移動量を検出する。例えば、移動量検出装置３６は、ローラコンベヤが有する個々のローラの通過を検出するセンサを備え、センサの検出結果に基づいて各ローラの移動を検出する。移動量検出装置３６は、検出したローラの移動に基づいて、搬送されている個々の卵の移動量を検出する。更に、移動量検出装置３６は、個々の卵の移動量を表す情報を出力する。

卵分類システム１００は、洗浄機３１を備える。洗浄機３１は、搬送装置１１で搬送される卵を洗浄する。卵分類システム１００は、破卵検出装置４１を備える。破卵検出装置４１は、洗浄された後で搬送される卵に含まれる破卵を検出する。破卵は、卵殻が破損した卵である。破卵検出装置４１は、夫々の卵の画像を撮像し、画像解析により、卵が破卵であるか否かを判定する。また、破卵検出装置４１は、破卵と判定した卵を搬送装置１１から排除する。また、破卵検出装置４１は、卵殻の破損の程度を判定してもよい。卵分類システム１００は、乾燥機３２を備える。乾燥機３２は、搬送装置１１で搬送される卵を乾燥させる。

卵分類システム１００は、卵画像分析装置４２を備えている。卵画像分析装置４２は、搬送装置１１で搬送される夫々の卵の画像を撮像し、画像解析により、卵の状態を判定する。例えば、卵画像分析装置４２は、卵の状態を表す情報及び卵の画像を表す画像データを含む教師データを用いて学習された学習モデルを有している。卵画像分析装置４２は、卵を撮影した画像を表す画像データを取得し、学習モデルによって、取得した画像データに基づいて卵の状態を判定し、判定結果に応じて卵の分類先を決定する。例えば、卵画像分析装置４２は、卵を撮像した画像に基づいて、卵殻の色、卵殻の汚れの有無、汚れの程度、汚れの種類、又は表面性状を判定する。また、卵画像分析装置４２は、卵を撮像した画像に基づいて、卵の形状又はサイズを計測してもよい。例えば、卵画像分析装置４２は、卵を撮像した画像から、卵の形状を表す値として、卵の長径及び短径を計測する。例えば、卵画像分析装置４２は、卵のサイズを表す値として、卵を撮像した画像中の卵の面積を計測する。卵画像分析装置４２は、夫々の卵の状態を表す情報を出力する。

卵分類システム１００は、サイズ測定器３３を備えている。サイズ測定器３３は、搬送装置１１で搬送される夫々の卵のサイズを計測する。例えば、サイズ測定器３３は、発光器及び受光器を有し、発光器からの光が卵に遮られて受光器で受光できない時間を計測し、計測した時間と搬送装置１１による卵の移動速度とに基づいて、卵の搬送方向の長さを計測する。

卵分類システム１００は、打撃分析装置５を備えている。打撃分析装置５は、搬送装置１１で搬送される夫々の卵に対して打撃を付与し、打撃によって発生する現象を測定し、測定結果に基づいて卵殻の状態を判定する。例えば、打撃分析装置５は、卵に打撃を付与することによって発生する現象を表す打撃データ及び卵殻の状態を表す情報を含む教師データを用いて学習された学習モデルを有している。打撃分析装置５は、卵に打撃を付与することによって発生する現象を表す打撃データを取得し、学習モデルによって、取得した打撃データに基づいて卵殻の状態を判定し、判定結果に応じて卵の分類先を決定する。打撃分析装置５は、打撃によって発生する音を測定する。また、打撃分析装置５は、測定結果に基づいて、卵殻の破損の有無、破損の大きさの程度、卵殻の厚み、卵殻の強度、又は卵殻の剛性等を判定する。打撃分析装置５は、卵殻の状態を表す情報を出力する。

卵分類システム１００は、搬送装置１１で搬送される卵を殺菌する殺菌機３４を備えている。例えば、殺菌機３４は、卵に紫外線を照射することによって、卵殻表面を殺菌する。洗浄機３１、破卵検出装置４１、乾燥機３２、卵画像分析装置４２、計量機３５、打撃分析装置５及び殺菌機３４は、搬送装置１１の搬送路に沿って配置されている。卵分類システム１００は、卵の重量を計量する計量機３５を備えている。計量機３５は搬送装置１１の搬送路の終端付近に配置されている。

卵分類システム１００は、卵を線状に搬送する分配装置１２を備えている。分配装置１２は、キャリアを備え、計量機３５で重量を計量された後の卵をキャリアで搬送する。例えば、キャリアは、個別に卵を載置させて移動するバケット、又は、個別に卵を掴んで持ち運ぶフィンガ及びアームである。分配装置１２には、分配装置１２を制御する制御装置３７が接続されている。制御装置３７は、各卵の位置を特定し、卵を載置させたバケットの底を開くか、卵を掴んだフィンガを動作させることにより、卵をキャリアの外へ放出させることができる。

卵分類システム１００は、透過光分析装置６を備えている。透過光分析装置６は、分配装置１２で搬送される夫々の卵に対して光を照射し、卵を透過した光に基づいて夫々の卵の内部の状態を判定する。例えば、透過光分析装置６は、卵が血卵、みだれ卵、無黄卵又は腐敗卵等の内部異常卵であるか否かを判定する。また、例えば、透過光分析装置６は、卵の異常の種類又は異常の程度を判定する。なお、透過光分析装置６については、後ほど詳細に説明する。

本実施形態では、移動量検出装置３６、卵画像分析装置４２、サイズ測定器３３、打撃分析装置５、計量機３５、透過光分析装置６及び制御装置３７を用いて、搬送装置１１及び分配装置１２で搬送される複数の卵を分類する。移動量検出装置３６、卵画像分析装置４２、サイズ測定器３３、打撃分析装置５、計量機３５、透過光分析装置６及び制御装置３７は、互いに接続されている。卵画像分析装置４２、打撃分析装置５、及び透過光分析装置６は、判定結果に基づいて、夫々の卵を分類すべき分類先を決定する。例えば、分類先は、出荷先の異なる卵のグループである。例えば、卵画像分析装置４２は、卵殻の汚れに応じて卵を分類し、打撃分析装置５は、卵殻の破損に応じて卵を分類し、透過光分析装置６は、内部の異常に応じて卵を分類する。卵画像分析装置４２、打撃分析装置５、及び透過光分析装置６は、夫々の卵の分類先を示す情報を出力する。

卵分類システム１００は、分配装置１２と交差する複数のコンベヤを備えている。図１には、分配装置１２と交差するコンベヤ１３及び１４を示す。分配装置１２と交差する夫々のコンベヤは夫々の分類先に対応する。例えば、コンベヤ１３は、一般の商店へ出荷されるべき卵に分類された卵が搬送され、コンベヤ１４は、卵殻の破損等のために一般の商店以外へ出荷されるべき卵に分類された卵が搬送される。分配装置１２に交差するコンベヤの数は３個以上であってもよい。出荷されない卵が搬送されるコンベヤがあってもよい。制御装置３７は、卵画像分析装置４２、サイズ測定器３３、打撃分析装置５、計量機３５及び透過光分析装置６のうちの少なくとも一つからの情報を受け付け、夫々の卵の位置を特定し、分配装置１２を制御して、夫々の卵の分類先に対応するコンベヤへ卵を移動させる。このようにして、卵が分類される。また、卵分類システム１００は、一般の商店へ出荷されるべき卵について、さらに卵のグレード（例えば、卵殻・卵白・卵黄の構成比、鮮度、卵黄色等）別に卵を分類してもよい。

分配装置１２から放出された卵は、コンベヤ１３上で容器に収容されて出荷されるものとする。コンベヤ１３上には、容器内画像分析装置４３が配置されている。また、コンベヤ１３上には、賞味期限等の卵に関する情報を記載したラベルを容器内に収容するか、又は容器若しくは卵に貼り付ける機能を有するラベル配置装置があってもよい。

容器内画像分析装置４３は、容器に収容された卵の画像を撮像し、画像解析により、容器中の卵の状態を判定する。例えば、容器内画像分析装置４３は、画像に基づいて、容器中の卵の卵殻の汚れの有無、汚れの程度、汚れの種類、卵殻の破損の有無、又は破損の程度を判定する。容器内画像分析装置４３は、判定した卵の状態に応じて、容器中の卵を分類すべき分類先を決定する。一つの容器に収容された複数の卵は、容器ごとに同一の分類先へ分類される。例えば、汚れ又は卵殻の破損によって出荷すべきでない卵が容器に収容されていれば、その容器に収容された卵は出荷すべきでない卵に分類される。容器内画像分析装置４３は、夫々の容器について分類先を示す情報を出力する。

卵分類システム１００は、卵の分類に関係する情報を入力される入力装置３８を備えている。例えば、入力装置３８は、使用者が操作するキーボード等の操作部を備え、使用者が操作部を操作することにより情報が入力される。例えば、入力装置３８は、通信インタフェースを備え、通信インタフェースを通じて情報が入力される。例えば、入力装置３８は、卵分類システム１００外の図示しない通信ネットワークに接続されており、通信ネットワークを介して情報が入力される。入力装置３８は、卵画像分析装置４２、打撃分析装置５、透過光分析装置６及び容器内画像分析装置４３に接続されている。

入力装置３８には、出荷すべき卵の品質を指定する情報が入力される。例えば、生産場から集荷された卵の状態に応じた品質を指定する情報が入力装置３８へ入力される。また、例えば、顧客からの要求に応じた品質を指定する情報が入力装置３８へ入力される。入力装置３８は、入力された情報を、卵画像分析装置４２、打撃分析装置５、透過光分析装置６及び容器内画像分析装置４３へ出力する。卵画像分析装置４２、打撃分析装置５、透過光分析装置６及び容器内画像分析装置４３は、入力装置３８から出力された情報を受け付け、受け付けた情報に応じて、卵の分類先を決定するための基準を調整する。例えば、集荷された卵の状態に特定の傾向がある場合に、その傾向がある卵を分類するための基準が用いられる。例えば、特定の用途のために要求された卵の数が多い場合に、その用途のための卵を多く確保できるように基準が調整される。また、例えば、要求された品質の高低に応じて基準が調整される。

また、入力装置３８は、卵が産卵されてからの経過時間に関する情報が入力されてもよい。例えば、入力装置３８は、卵が産卵されてから卵分類システム１００へ搬入されるまでの経過時間の推定値を表す情報が入力される。また、例えば、入力装置３８は、生産場にて飼育されている家禽の点灯管理時間及び卵分類システム１００への卵の搬入時刻を表す情報が入力される。家禽は光感受性が非常に高く、産卵時刻は光線の管理や飼料摂取と密接な関係にある。従って、家禽の産卵タイミングを点灯管理によってある程度調整することが可能である。つまり、明暗周期より産卵時刻を推定することができる。入力装置３８は、入力された情報が表す照明の時刻から産卵時刻の推定値を計算し、産卵時刻の推定値と卵が搬入された時刻とに基づいて、産卵から搬入までの経過時間の推定値を計算する。

入力装置３８は、卵が産卵されてからの経過時間を表す情報を、卵画像分析装置４２、打撃分析装置５、透過光分析装置６及び容器内画像分析装置４３へ出力する。産卵からの経過時間によって、卵を撮影した画像、卵に打撃を付与したときに発生する現象、及び卵の透過光は、若干変化する。卵画像分析装置４２、打撃分析装置５、透過光分析装置６及び容器内画像分析装置４３は、入力装置３８から出力された情報を受け付け、受け付けた情報に応じて、卵の分類先を決定するための基準を調整する。

図１に示した卵分類システム１００の構成は一例であり、卵分類システム１００の構成は図１に示した例に限るものではない。卵分類システム１００に含まれる複数の装置は、図１に示した順とは異なる順番で配置されていてもよい。卵分類システム１００は、図１に示した各装置の一部を備えていなくてもよい。例えば、卵分類システム１００は、洗浄機３１および乾燥機３２を備えていなくてもよい。卵分類システム１００により分類された卵は、出荷されずに保管されてもよい。

本実施形態では、透過光分析装置６は、卵分類装置に対応し、卵分類方法を実行する。図２は、透過光分析装置６の機能構成例を示すブロック図である。透過光分析装置６は、情報処理を行う分析部６１と、分配装置１２で搬送される夫々の卵に対して光を照射し、卵を透過した光を表す透過光データを取得する透過光取得部６３とを備えている。透過光取得部６３は、分析部６１に接続されている。

分析部６１は、コンピュータを用いて構成されている。分析部６１は、演算部６１１と、演算に伴って発生する一時的なデータを記憶するメモリ６１２と、光ディスク等の記録媒体６０から情報を読み取るドライブ部６１３と、ハードディスク等の不揮発性の記憶部６１４とを備えている。演算部６１１は、例えばＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit）、又はマルチコアＣＰＵを用いて構成されている。また、演算部６１１は、量子コンピュータを用いて構成されていてもよい。メモリ６１２は、例えばＲＡＭ（Random Access Memory）である。また、分析部６１は、卵を透過した光を表す透過光データに応じて卵の内部の状態を判定するために用いられる深層学習モデル６１５を備えている。

また、分析部６１は、使用者からの操作を受け付ける操作部６１６と、画像を表示する表示部６１７と、インタフェース部６１８とを備えている。操作部６１６は、使用者からの操作を受け付けることにより、テキスト等の情報を受け付ける。操作部６１６は、例えば、タッチパネル、キーボード又はポインティングデバイスである。表示部６１７は、例えば液晶ディスプレイ又はＥＬディスプレイ（Electroluminescenct Display）である。また、分析部６１は、通信部を備え、通信部を通じて、分析部６１外のスマートフォン等の操作部から情報を受け付け、分析部６１外のスマートフォン等の表示部に画像を表示する機能を有していてもよい。インタフェース部６１８は、卵画像分析装置４２、サイズ測定器３３、移動量検出装置３６及び入力装置３８と接続されている。分析部６１は、インタフェース部６１８を介して、卵画像分析装置４２、サイズ測定器３３、移動量検出装置３６及び入力装置３８との間で情報を入出力する。

演算部６１１は、記録媒体６０に記録されたコンピュータプログラム６２をドライブ部６１３に読み取らせ、読み取ったコンピュータプログラム６２を記憶部６１４に記憶させる。演算部６１１は、記憶部６１４に記憶されたコンピュータプログラム６２に従った処理を実行する。例えば、演算部６１１は、必要に応じてコンピュータプログラム６２を記憶部６１４からメモリ６１２へロードし、ロードしたコンピュータプログラム６２に従って、分析部６１に必要な処理を実行する。なお、コンピュータプログラム６２は、分析部６１の外部からダウンロードされてもよい。この場合は、分析部６１はドライブ部６１３を備えていなくてもよい。

深層学習モデル６１５は、卵を透過した光を表す透過光データに応じて卵の内部の状態を判定する処理を行うための学習済みの深層学習モデルである。深層学習モデル６１５は、コンピュータプログラム６２に従って演算部６１１が情報処理を実行することにより実現される。また、深層学習モデル６１５は、プロセッサと、必要なプログラム及びデータを記憶するメモリとを含んで構成されていてもよい。また、深層学習モデル６１５は、量子コンピュータを用いて実現されてもよい。

図３は、透過光取得部６３の第１の構成例を示す模式図である。透過光取得部６３は、白色光を卵２へ照射する照射部６３１を有している。照射部６３１は、ハロゲンランプ又はＬＥＤ（発光ダイオード；light emitting diode）等の白色光源を用いて構成されている。照射部６３１は、白色光を発光し、卵２へ白色光を照射する。照射された白色光は、卵２を透過する。図３には、照射部６３１が照射する照射光、及び卵２を透過した透過光を矢印で示している。照射部６３１は、分配装置１２で搬送される卵２に対し、横方向又は上下方向に光を照射することができる位置に配置されている。なお、透過光取得部６３は、バケット若しくはフィンガ、又は搬送装置１１のローラを用いて卵２を保持する機構を有し、照射部６３１は保持された卵２へ光を照射する形態であってもよい。

透過光取得部６３は、分光器６３２及び検出器６３３を備えている。分光器６３２は、卵２を透過した透過光を分光し、検出器６３３は分光された光を検出する。分光器６３２は、透過光を複数の波長に分光し、検出器６３３は、複数の波長の夫々における透過光の強度を検出する。検出器６３３は、検出した透過光を表す透過光データを生成する。透過光データは、例えば、透過光の波長と強度との関係を表したスペクトルのデータである。透過光のスペクトルは、光のエネルギー又は波数と強度との関係を表していてもよい。

なお、透過光取得部６３は、分光器６３２が透過光ではなく照射光を分光し、分光された光が照射され、検出器６３３が透過光を検出する形態であってもよい。また、透過光取得部６３は、分光器６３２を備えておらず、検出器６３３が波長又はエネルギー別に光を検出することができる形態であってもよい。また、透過光取得部６３は、分光器６３２を備えておらず、互いに異なる波長の単色光を検出する複数の検出器を有する形態であってもよい。

図４は、透過光取得部６３の第２の構成例を示す模式図である。透過光取得部６３は、互いに波長の異なる単色光を卵２へ照射する複数の照射部６３１ａ、６３１ｂ、６３１ｃを有している。照射部６３１ａ、６３１ｂ、６３１ｃは、ＬＥＤ等の単色光源を用いて構成されており、単色光を発光し、卵２へ単色光を照射する。透過光取得部６３は、光を検出する検出器６３３を有している。検出器６３３は、照射部６３１ａ、６３１ｂ、６３１ｃが発光する複数の単色光と同じ波長の光の強度を検出する。即ち、検出器６３３は、照射部６３１ａ、６３１ｂ、６３１ｃが発光して卵２を透過した透過光の夫々の強度を検出する。

検出器６３３は、検出した透過光を表す透過光データを生成する。透過光データは、例えば、透過光のスペクトルを表すデータ、又は複数の透過光の強度を表すデータである。図４には、照射光及び透過光を矢印で示している。図４の例では照射部の数を三個としているが、照射部の数は二個でもよく四個以上であってもよい。複数の照射部は、順次的に卵２へ光を照射してもよい。また、透過光取得部６３は、複数の検出器を備えてもよい。

図３及び図４を用いて説明したようにして、透過光取得部６３は、卵２を透過した光を表す透過光データを取得する。透過光取得部６３は、取得した透過光データを分析部６１へ入力する。透過光取得部６３は、ミラー、レンズ及び光学フィルタ等の図示しない光学部品を含んでいてもよい。また、透過光取得部６３は、照射部６３１及び検出器６３３、又は複数の照射部６３１ａ、６３１ｂ、６３１ｃ及び検出器６３３の組を複数組備え、一つの卵２についての透過光データを複数回取得してもよい。

分析部６１は、卵２を透過した光を表す透過光データに基づいて、夫々の卵２の内部の状態を判定し、判定結果に応じて、夫々の卵２の分類先を決定する処理を行う。分析部６１は、卵２が、正常卵、又は血卵、みだれ卵、無黄卵、腐敗卵若しくは異物混入卵等の内部異常卵の何れであるかを判定する。また、分析部６１は、内部異常卵の状態がどの程度であるかを判定する。血卵は、卵白に血が混入した状態である。血の量等によって血卵の程度は異なる。みだれ卵は、卵黄と卵白とが混濁している状態である。卵黄と卵白とが混濁した程度は様々である。無黄卵は、卵２の中に卵黄が存在しない状態である。腐敗卵は、卵２の内部が腐敗した状態である。異物混入卵は、卵２の中に血腫卵胞等の異物が含まれている状態である。

また、分析部６１は、卵２の内部の状態として、卵２の品質に関する状態を判定してもよい。例えば、分析部６１は、卵殻・卵白・卵黄の構成比、卵２の鮮度に関係する卵白のｐＨ（potential of hydrogen ）若しくは産卵からの経過日数、卵殻色、又は卵黄色を判定してもよい。

卵２を透過した光は、卵２の内部の状態の種類、及び卵２の内部の状態の程度に応じて変化する。このため、透過光データに応じて卵２の内部の状態を判定することが可能である。特許文献１に開示されているように、卵２が血卵である場合は、光が卵２を透過する際に卵２に吸収される光の波長が変化する。血卵の程度によって、光の吸収量は変化し、透過光データも変化する。例えば、血卵によって変化しない波長での透過光強度と血卵の程度によって変化する波長での透過光強度とを比較することによって、血卵の程度を判定することができる。このように、卵２を透過した光の透過光データに基づいて、卵２が血卵であるか否か、又は血卵の程度を判定することができる。同様にして、他の内部異常卵についても、卵２が夫々の内部異常卵の状態になっているか否か、又は状態の程度を判定することができる。また、透過光データは、卵２の品質に関する状態に応じても変化する。即ち、卵２を透過した光から、卵２の内部の状態を判定することができる。

図５は、透過光分析装置６の分析部６１が行う卵２を分類するための処理の手順を示すフローチャートである。以下、ステップをＳと略す。分析部６１の演算部６１１は、コンピュータプログラム６２に従って以下の処理を実行する。分析部６１は、インタフェース部６１８で移動量検出装置３６からの情報を受け付け、演算部６１１は、移動量検出装置３６からの情報に基づいて夫々の卵２の位置を特定する。演算部６１１は、位置を特定した一の卵２を透過した光を表す透過光データを透過光取得部６３から取得する（Ｓ１）。Ｓ１では、演算部６１１は、位置を特定した卵２を透過した光を検出した検出器６３３から、透過光データを取得する。演算部６１１は、透過光データを記憶部６１４に記憶する。演算部６１１は、次に、卵２を分類するための設定を行う設定処理を行う（Ｓ２）。設定処理の詳細については後述する。演算部６１１は、Ｓ１とＳ２との処理を逆の順で実行してもよい。

演算部６１１は、次に、卵２を透過した光に基づいて、卵２の内部の状態を判定する判定処理を行う（Ｓ３）。図６は、判定処理の手順を示すフローチャートである。演算部６１１は、ルールベースで卵２の内部の状態を判定する（Ｓ３１）。Ｓ３１では、演算部６１１は、予め定められているルールに基づいて、透過光データに応じて卵２の内部の状態を判定する。演算部６１１は、従来知られている方法により、卵２の内部の状態を判定する処理を行ってよい。例えば、演算部６１１は、二つの特定の波長における透過光強度の比等の指標値を計算し、計算した指標値と所定の閾値との比較に基づいて、卵２の内部の状態を判定する。演算部６１１は、卵２の内部の状態が正常卵であるか又は内部異常卵のいずれかであるかを判定する。又は、演算部６１１は、卵２の内部の状態の程度を判定する。又は、演算部６１１は、卵２の品質に関する状態を判定する。Ｓ３１の処理は、判定部に対応する。

演算部６１１は、次に、深層学習モデル６１５を用いて卵２の内部の状態を判定する（Ｓ３２）。深層学習モデル６１５は、卵２を透過した光を表す透過光データと光が透過した卵２の内部の状態を表す状態情報とを含む教師データを用いて、透過光データから卵２の内部の状態を判定するように、予め学習がなされている。

図７は、深層学習モデル６１５の機能構成例を示す概念図である。深層学習モデル６１５は、夫々に複数のノードを有する入力層、複数の中間層及び出力層を備えたニューラルネットワークを用いる。入力層は、卵２を透過した光を表す透過光データが入力される複数のノード６４１を有する。例えば、夫々の波長における透過光強度がいずれかのノード６４１へ入力される。入力層へは、透過光データに加えて、卵の色に関する情報、品質を指定する情報、産卵からの経過時間を表す情報の少なくとも１つが入力されてもよい。深層学習モデル６１５はｎ（ｎは２以上の整数）層の中間層を有している。第１の中間層は、入力層のノード６４１から入力されるデータにパラメータを用いて演算する複数のノード６４２１を有する。複数のノード６４２１は、第２の中間層に含まれる複数のノード６４２２へ演算結果のデータを出力する。各中間層に含まれるノードは、前の中間層のノードから入力されるデータにパラメータを用いて演算し、後の中間層のノードへデータを出力する。第ｎの中間層に含まれる複数のノード６４２ｎは、出力層に含まれる複数のノード６４３へデータを出力する。

出力層は、中間層のノード６４２ｎから演算されたデータを受け付け、卵２の内部の状態を表す状態情報を出力する複数のノード６４３を有する。例えば、夫々のノード６４３は、卵２が正常卵である確率、卵２が内部異常卵の夫々である確率、卵２の内部の状態の程度が特定の程度である確率、又は卵２の品質に関する状態が特定の程度である確率をスコアとして出力する。深層学習モデル６１５は、ニューラルネットワークとして、畳みこみニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）、又は再帰型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）を用いてもよい。

深層学習モデル６１５は、教師データを用いて予め学習がなされている。内部の状態が正常卵である多数の卵２を含む、内部の状態が判明している多数の卵２について、透過光データが取得され、教師データが作成される。教師データに含まれる各卵２についての透過光データが入力層の各ノード６４１へ入力され、教師データに含まれる情報が示す各卵２の内部の状態に合致したスコアを出力層の各ノード６４３が出力されるように、各ノードの演算のパラメータが調整される学習がなされている。例えば、学習では、出力層の各ノード６４３の出力値及び教師データから期待される出力値を変数とする誤差関数により誤差を計算し、誤差逆伝搬法によって当該誤差が最小となるように、各ノードの演算のパラメータを調整している。

深層学習モデル６１５の学習は透過光分析装置６で行ってもよい。例えば、内部の状態が判明している卵２の透過光データを透過光取得部６３で取得することで教師データが作成され、分析部６１が学習のための情報処理を実行する。代替的に、透過光分析装置６の外部から教師データが入力され、分析部６１が学習のための情報処理を実行してもよい。代替的に、透過光分析装置６の外部にある学習装置で学習が行われ、学習の結果に基づいて深層学習モデル６１５が作成されていてもよい。学習装置は、コンピュータを用いて構成される。卵２の透過光データが取得され、透過光データが取得された後の卵２の内部の状態が破壊検査等の方法で調べられ、透過光データと調べられた卵２の内部の状態を表す情報とを含む教師データが作成されてもよい。学習装置は、学習装置の外部で作成された教師データを入力され、深層学習モデルの学習を行ってもよい。学習装置は、透過光データと卵殻の状態を表す情報とを入力され、入力されたデータ及び情報を含む教師データを作成し、作成した教師データを用いて深層学習モデルの学習を行ってもよい。学習装置によって学習された深層学習モデル６１５が透過光分析装置６に備えられる。例えば、学習装置によって学習された深層学習モデル６１５を実現するべく調整されたコンピュータプログラム６２が記憶部６１４に記憶され、コンピュータプログラム６２に従って演算部６１１が情報処理を実行することにより深層学習モデル６１５が実現される。

演算部６１１は、深層学習モデル６１５の出力に応じて、卵２の内部の状態を判定する。例えば、演算部６１１は、正常卵及び複数種類の内部異常卵の内で確率が最大になっている状態を、卵２の内部の状態であると判定する。例えば、演算部６１１は、卵２の内部の状態の程度を、スコアが最大の値になっている程度であると判定する。一つの卵２を透過した光を表す透過光データが複数回取得される場合は、深層学習モデル６１５の入力層には、複数の透過光データが入力されてもよい。Ｓ３２での判定結果を表す情報、又は出力層のノード６４３が出力するスコアは、状態情報に対応する。

また、深層学習モデル６１５は、卵２の内部の状態が正常卵及び複数種類の内部異常卵の内の何れの状態であるかを判定するための深層学習モデル、卵２の内部の状態の程度を判定するための深層学習モデル、又は卵２の品質に関する状態を判定するための深層学習モデルを、個別に含んでいてもよい。Ｓ３２では、演算部６１１は、夫々の深層学習モデルを用いて夫々の判定を行う。

また、深層学習モデル６１５は、卵２を透過した光を表す透過光データとして、画像データを入力され、卵２の内部の状態を出力する形態であってもよい。透過光データである画像データは、例えば、光の波長と透過光強度との関係を表したグラフの画像データである。Ｓ３２では、演算部６１１は、画像データを生成して深層学習モデル６１５へ入力し、卵２の内部の状態を判定する。Ｓ３１の処理とＳ３２の処理とは逆の順番で実行されてもよく、並列に実行されてもよい。

演算部６１１は、次に、Ｓ３１での判定結果及びＳ３２での判定結果に基づいて、卵２の内部の状態の判定結果を確定する（Ｓ３３）。Ｓ３３では、Ｓ３１のルールベースでの判定結果とＳ３２の深層学習モデル６１５を用いた判定結果とを組み合わせて、卵２の内部の状態の判定結果を確定する。例えば、Ｓ３１で卵２の内部の状態が不明であるという判定が可能であるとしておき、演算部６１１は、Ｓ３１での判定結果が不明でない場合はＳ３３ではＳ３１での判定結果を採用し、Ｓ３１での判定結果が不明である場合は、Ｓ３２の処理を行い、Ｓ３３ではＳ３２での判定結果を採用する。また、例えば、演算部６１１は、Ｓ３２の処理で得られたスコアと所定の閾値とを比較し、比較結果に応じて、Ｓ３１での判定結果とＳ３２での判定結果とのどちらを採用するのかを決定する。また、例えば、演算部６１１は、Ｓ３２の処理を先に行い、スコアの値が所定の閾値未満である等、Ｓ３２で卵２の内部の状態が不明である場合に、Ｓ３１の処理を行ってＳ３３ではＳ３１での判定結果を採用し、Ｓ３２での判定結果が不明でない場合はＳ３３ではＳ３２での判定結果を採用する。例えば、演算部６１１は、Ｓ３２及びＳ３３で卵２の内部の状態が複数の状態の夫々である確率を表すスコアを生成し、Ｓ３２及びＳ３３で得られたスコアを合計、平均又は重み付平均等の所定の計算方法で組み合わせた組み合わせスコアを計算し、組み合わせスコアに基づいて判定結果を確定する。Ｓ３３が終了した後、演算部６１１は、処理をメインの処理へ戻す。ルールベースでの判定と深層学習モデル６１５を用いた判定とを組み合わせることにより、適切な判定を行うことができる。なお、Ｓ３の処理では、ルールベースでの判定を行わず、深層学習モデル６１５を用いた判定の処理のみを行ってもよい。

演算部６１１は、次に、卵２の内部の状態の判定結果を出力する（Ｓ４）。Ｓ４では、演算部６１１は、判定結果を含む画像を表示部６１７に表示させる。例えば、演算部６１１は、正常卵の状態にある卵２の数、複数種類の内部異常卵の夫々の状態にある卵２の数、卵２の内部の状態の程度が所定の範囲に含まれる卵２の数、又は品質に関する内部の状態の程度が所定の範囲に含まれる卵２の数を表示部６１７に表示する。演算部６１１は、Ｓ３１のルールベースでの判定結果とＳ３２の深層学習モデル６１５を用いた判定結果との夫々を表示部６１７に表示させてもよい。また、演算部６１１は、インタフェース部６１８を通じて、卵２の内部の状態を表すデータを透過光分析装置６の外部へ出力する。

演算部６１１は、次に、卵２の内部の状態の判定結果に応じて、卵２の分類先を決定する（Ｓ５）。例えば、演算部６１１は、卵２が正常卵である場合に、卵２の分類先は出荷可能な卵２のグループであると決定する。例えば、卵２が複数種類の内部異常卵の何れかである場合に、卵２の分類先は、食用不適な卵２のグループであると決定する。判定結果が卵２の内部の状態の程度である場合、又は判定結果が卵２の品質に関する内部の状態の程度である場合にも、演算部６１１は、所定の基準に基づいて、卵２の内部の状態に応じて卵２の分類先を決定する。Ｓ５の処理は決定部に対応する。

演算部６１１は、次に、インタフェース部６１８を通じて、卵２の分類先を表す分類先データを透過光分析装置６の外部へ出力する（Ｓ６）。制御装置３７は、分類先データを取得し、分類先データに基づいて分配装置１２を制御し、卵２の分類先に対応するコンベヤ上の容器へ卵２を移動させることにより、卵２の分配を行う。演算部６１１は、以上で卵２を分類するための処理を終了する。分析部６１は、Ｓ１〜Ｓ６の処理を、分配装置１２で搬送される複数の卵２の夫々について実行する。分析部６１は、複数の卵２についての処理を順次的に行ってもよく、並列に行ってもよい。

次に、Ｓ２の設定処理を説明する。図８は、設定処理の手順を示すフローチャートである。Ｓ２の処理では、まず、演算部６１１は、位置を特定した一の卵２の卵殻の色を表す情報を取得する（Ｓ２１）。例えば、演算部６１１は、卵殻の色を表す情報を、卵画像分析装置４２からインタフェース部６１８を通じて受け付ける。Ｓ２１の処理は、第１情報取得部に対応する。

卵殻の色に応じて、特定の波長の光が卵２に吸収されるので、卵２を透過した光は変化する。卵殻の色が異なれば、光が卵２を透過する際に卵２に吸収される光の波長が変化する。このため、正確に卵２の内部の状態を判定し、適切に卵２を分類するためには、卵殻の色に応じて、卵２の内部の状態を判定するために用いる深層学習モデル６１５を調整することが望ましい。或いは、判定された卵２の内部の状態に応じて卵２の分類先を決定するための基準を、卵殻の色に応じて調整することによっても、適切に卵２を分類することが可能となる。なお、卵黄色以外の卵２の内部の状態を表す状態情報を出力する場合には、上述した「卵殻の色」に代えて、「卵黄色」を用いてもよい。この場合の卵黄色は、品種ごとに設定される方法、又はルールベースで判定を行う方法等、深層学習モデルを用いる方法とは別の方法で求められていてもよい。

演算部６１１は、次に、出荷すべき卵２の品質を指定する情報を取得する（Ｓ２２）。集荷された卵２の状態に応じた卵２の品質が、入力装置３８で設定され、Ｓ２２では、演算部６１１は、入力装置３８から、設定された品質を指定する情報をインタフェース部６１８を通じて受け付ける。又は、顧客からの要求に応じた品質を指定する情報が入力装置３８へ入力され、演算部６１１は、入力装置３８から、品質を指定する情報をインタフェース部６１８を通じて受け付ける。Ｓ２２の処理は、第２情報取得部に対応する。

出荷すべき卵２の品質に応じて、卵２の分類先を決定するための基準は調整される必要がある。卵２の分類先を決定するための基準を調整することにより、必要な品質の卵２が得られるように適切に卵２を分類することが可能となる。或いは、出荷すべき卵２の品質に応じて、卵２の内部の状態を判定するために用いる深層学習モデル６１５を調整することによっても、判定した卵２の内部の状態に応じて適切に卵２を分類することが可能となる。

演算部６１１は、次に、卵２の産卵からの経過時間を表す情報を取得する（Ｓ２３）。Ｓ２３では、演算部６１１は、入力装置３８から、卵２が産卵されてからの経過時間の推定値を表す情報をインタフェース部６１８を通じて受け付ける。又は、演算部６１１は、入力装置３８から、生産場にて飼育されている家禽を照明する時刻及び卵２が搬入された時刻を表す情報を受け付け、受け付けた情報に基づいて産卵からの経過時間の推定値を計算してもよい。Ｓ２３の処理は、第３情報取得部に対応する。

産卵されてからの経過時間に応じて、卵２の状態は変化する。例えば、卵２の内部の状態が血卵である場合、卵２の中で血がより広がる。このため、産卵されてからの経過時間に応じて、光が卵２を透過する際の光の吸収量は変化し、卵２を透過する光は変化する。例えば、経過時間に応じて、透過光のスペクトル波形が変化する。正確に卵２の内部の状態を判定し、適切に卵２を分類するためには、卵２が産卵されてからの経過時間に応じて、卵２の内部の状態を判定するために用いる深層学習モデル６１５を調整することが望ましい。或いは、判定された卵２の内部の状態に応じて卵２の分類先を決定するための基準を、卵２が産卵されてからの経過時間に応じて調整することによっても、適切に卵２を分類することが可能となる。

演算部６１１は、次に、Ｓ３２の処理で用いるべき深層学習モデルを選択する（Ｓ２４）。深層学習モデル６１５は、パラメータの異なる複数の深層学習モデルを含んでいる。Ｓ２４では、演算部６１１は、深層学習モデル６１５が含んでいる複数の深層学習モデルから、Ｓ３２の処理で用いるべき深層学習モデルを選択する。より詳しくは、演算部６１１は、卵殻の色、出荷すべき卵２の品質、並びに産卵からの経過時間に応じて、適切な深層学習モデルを選択する。Ｓ３２の処理では、Ｓ２４で選択された深層学習モデルが使用され、適切に卵２の内部の状態が判定される。

演算部６１１は、次に、Ｓ５の処理で用いるべき卵２の分類の基準を調整する（Ｓ２５）。Ｓ２５では、演算部６１１は、卵殻の色、出荷すべき卵２の品質、並びに産卵からの経過時間に応じて、卵２の分類の基準を調整する。例えば、演算部６１１は、卵２の分類先を決定するために利用される卵２の異常の程度の基準を、変更する。Ｓ５の処理では、Ｓ２５で調整された基準が使用され、適切に卵２の分類先が決定される。Ｓ２４及びＳ２５の処理は、第１調整部、第２調整部及び第３調整部に対応する。Ｓ２５が終了した後、演算部６１１は、処理をメインの処理へ戻す。

なお、分析部６１は、Ｓ２４及びＳ２５の処理の内、いずれか一方のみを実行してもよい。また、分析部６１は、Ｓ２１〜Ｓ２３の処理の内、一部のみを実行し、実行した処理で取得した情報に基づいてＳ２４又はＳ２５の処理を実行してもよい。また、Ｓ２２及びＳ２３の処理で取得される情報は、複数の卵２に共通する情報であるので、分析部６１は、各卵２について行うＳ１〜Ｓ６の処理とは別に、Ｓ２２及びＳ２３の処理と設定とを行ってもよい。例えば、複数の卵２を搬送する前に、分析部６１は、Ｓ２２及びＳ２３の一部又は全部の処理を行い、取得した情報に応じて、深層学習モデルの選択又は分類の基準の調整を行う。Ｓ２の設定処理では、演算部６１１は、Ｓ２１の処理を行い、取得した情報に応じて、深層学習モデルの選択又は分類の基準の調整を行う。

以上詳述した如く、本実施形態においては、透過光分析装置６は、夫々の卵２に光を照射し、卵２を透過した光を表す透過光データを取得し、深層学習モデル６１５によって、透過光データに応じて卵２の内部の状態を判定し、判定結果に応じて卵２の分類先を決定する。卵２の内部の状態を判定するために深層学習モデル６１５を利用することにより、卵２の内部の状態の判定に影響を与える種々の要因が存在する中でも、より正確に卵２の内部の状態を判定し、より適切に卵２を分類することが可能となる。また、本実施形態においては、透過光分析装置６は、卵２の内部の状態の種類、又は卵２の内部の状態の程度を判定する。卵２の内部の状態の種類、又は卵２の内部の状態の程度は、卵２を分類する際の指標となる。これらの状態に応じて卵２を分類することにより、卵の選別を適切に行うことが可能となる。

本実施形態では、透過光分析装置６は、深層学習モデル６１５を再学習することが可能である。図９は、透過光分析装置６の分析部６１が行う再学習の処理の手順を示すフローチャートである。分析部６１の演算部６１１は、コンピュータプログラム６２に従って以下の処理を実行する。複数の卵２の内部の状態は、ルールベースで判定を行う方法等、深層学習モデルを用いる方法とは別の方法で求めておき、予め内部の状態が判明している卵について再学習を行ってもよい。また、先に透過光データを取得した後に卵２を割る等して、後から卵２の内部の状態に関する設定を行ってもよく、又は卵２の内部の状態を当初想定した異常の有無と異なる内容に修正してから再学習を行ってもよい。本実施形態では、例えば、別の方法で予め内部の状態が判明している正常卵を用いて再学習を行う例を示す。

再学習を行う際には、卵２を透過した光を表す透過光データを取得し、卵２の内部の状態を表す状態情報と取得した透過光データとを教師データとして、再学習を行う。まず、使用者は、分配装置１２を停止させた状態で、卵２を分配装置１２の搬送路上に配置する。分析部６１は、使用者が操作部６１６を操作することによって、卵２の内部の状態を表す状態情報を含む、卵２に関する設定を受け付ける（Ｓ４１）。演算部６１１は、受け付けた設定の内容を表すデータを記憶部６１４に記憶する。Ｓ４１の処理は受付部に対応する。

演算部６１１は、次に、夫々の卵２を透過した光を表す透過光データを取得する（Ｓ４２）。Ｓ４２では、タッチパネルの操作画面上で使用者が開始ボタンを押下する等、使用者が操作部６１６を操作することにより、演算部６１１は、透過光データの取得の指示を受け付ける。分配装置１２は卵２を搬送し、演算部６１１は、Ｓ１の処理と同様にして、透過光取得部６３から、夫々の卵２を透過した光を表す透過光データを取得する。演算部６１１は、透過光データを記憶部６１４に記憶する。

演算部６１１は、次に、判定処理を行う（Ｓ４３）。Ｓ４３では、タッチパネルの操作画面上で使用者が終了ボタンを押下する等、使用者が操作部６１６を操作することにより、演算部６１１は、判定の指示を受け付ける。演算部６１１は、Ｓ３の処理と同様にして、取得した透過光データに基づいて卵２の内部の状態を判定する判定処理を行う。演算部６１１は、卵２の内部の状態の判定結果を表示部６１７に表示させる。

演算部６１１は、次に、透過光データのチェックを行う（Ｓ４４）。透過光取得部６３等の機器の不具合、又は迷光等によって、透過光データが異常になることがある。透過光データが異常である場合は、透過光データを利用した再学習は不正確な学習になる。このため、透過光データのチェックが必要となる。Ｓ４４では、タッチパネルの操作画面上で使用者がチェックボタンを押下する等、使用者が操作部６１６を操作することにより、演算部６１１は、チェックの指示を受け付ける。演算部６１１は、機器の不具合の有無を判定するか、又は所定の基準に基づいて透過光データに異常があるか否かを判定する等の方法により、透過光データのチェックを行う。

演算部６１１は、次に、チェックの結果、透過光データに異常があったか否かを判定する（Ｓ４５）。異常があった場合は（Ｓ４５：ＹＥＳ）、異常があったことを表示部６１７に表示させ、処理を終了する。異常が無かった場合は（Ｓ４５：ＮＯ）、異常が無かったことを表示部６１７に表示させ、次に、再学習の処理を行う（Ｓ４６）。

透過光データに異常が無かった場合は、タッチパネルの操作画面上で使用者が教示ボタンを押下する等、使用者が操作部６１６を操作することにより、演算部６１１は、再学習の指示を受け付ける。透過光データに異常がある場合は、教示ボタンが使用できないようになっており、使用者は再学習の指示を入力することができない。

Ｓ４６では、演算部６１１は、Ｓ４１で受け付けた設定に含まれる状態情報と、Ｓ４２で取得した各卵２についての透過光データとの関係を教師データとして、深層学習モデル６１５の機械学習を行う。深層学習モデル６１５は、透過光データが入力層のノード６４１へ入力され、設定に含まれる状態情報が出力層のノード６４３から出力されることができるように、教師データに基づいて複数の中間層に含まれる各ノードのパラメータを調整する機械学習を行う。機械学習によって、再学習された深層学習モデル６１５が得られる。Ｓ４６の処理は再学習部に対応する。

分析部６１は、以上で再学習の処理を終了する。Ｓ４１〜Ｓ４６の処理は必要に応じて実行される。Ｓ４１〜Ｓ４６の処理では、複数の卵２についての透過光データの何れかに異常があれば深層学習モデル６１５の再学習を行わない。代替的に、分析部６１は、透過光データに異常のある卵２と透過光データに異常の無い卵２との両方がある場合に、透過光データに異常の無い卵２のみについて再学習を行ってもよい。

前述の再学習の例では、内部の状態が同じカテゴリーに分けられる複数の卵２を用いて再学習を行う例を示したが、透過光分析装置６は、卵２の内部の状態が異なるカテゴリーに分けられる複数の卵２を用いて再学習を行う形態であってもよい。また、前述の再学習の例では、内部の状態が正常である卵２を用いた例を示したが、内部の状態が異常を有する卵２を用いて再学習を行ってもよい。

なお、透過光分析装置６は、再学習を外部で行う形態であってもよい。図１０は、再学習を外部で行う透過光分析装置６の機能構成例を示すブロック図である。分析部６１は、通信部６１９を備える。通信部６１９は、インターネット等の通信ネットワークＮに接続する。通信ネットワークＮには、記憶装置７が接続されている。分析部６１は、通信部６１９により、通信ネットワークＮを介して記憶装置７との間で通信を行う。

図１１は、記憶装置７の内部構成例を示すブロック図である。記憶装置７は、サーバ装置等のコンピュータである。記憶装置７は、演算部７１と、メモリ７２と、ハードディスク等の不揮発性の記憶部７３と、通信部７４とを備えている。通信部７４は、通信ネットワークＮに接続する。記憶部７３は、コンピュータプログラム７３１を記憶している。演算部７１は、コンピュータプログラム７３１に従って処理を実行する。

Ｓ４６では、分析部６１は、Ｓ４１で受け付けた設定に含まれる状態情報とＳ４２で取得した各卵２についての透過光データとを含む教師データを、記憶装置７へ送信する。記憶装置７は、通信部７４で教師データを受信し、演算部７１は教師データを記憶部７３に記憶する。演算部７１は、教師データを用いて、深層学習モデルの機械学習を行い、深層学習モデルの学習結果を表した深層学習結果データを記憶部７３に記憶する。更に、演算部７１は、通信部７４に透過光分析装置６へ深層学習結果データを送信させる。分析部６１は、通信部６１９で深層学習結果データを受信し、演算部６１１は、深層学習結果データに基づいて深層学習モデル６１５を更新する。このようにして、深層学習モデル６１５の再学習が行われる。

以上詳述した如く、本実施形態においては、透過光分析装置６は、卵２の内部の状態を表す状態情報を受け付け、卵２を透過した光を表す透過光データを取得し、状態情報及び透過光データを教師データとして深層学習モデル６１５の再学習を行う。実際の卵の内部の状態に応じて深層学習モデル６１５が再学習されるので、より正確に卵２の内部の状態を判定することができるように深層学習モデル６１５が更新される。このため、より正確に卵２の内部の状態を判定し、より適切に卵２を分類することが可能となる。

本実施形態においては、透過光分析装置６が自身で卵２の内部の状態を判定する形態を示したが、卵分類システム１００は、透過光分析装置６の外部で卵２の内部の状態を判定する形態であってもよい。例えば、学習済みの深層学習モデルを含んだ判定装置が透過光分析装置６の外部に設けられている。透過光分析装置６は、透過光データを取得し、透過光データを判定装置へ入力する。判定装置は、深層学習モデルによって、入力された透過光データに応じて、卵２の内部の状態を判定する。判定装置は、判定結果を透過光分析装置６へ入力し、透過光分析装置６は、入力された判定結果に応じて、卵２の分類先を決定する。判定装置は、コンピュータを用いて構成されている。判定装置は、複数のコンピュータで構成されてもよく、クラウドを利用して実現されてもよい。

本発明は上述した実施の形態の内容に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。即ち、請求項に示した範囲で適宜変更した技術的手段を組み合わせて得られる実施形態も本発明の技術的範囲に含まれる。

（付記１）
卵を分類するための卵分類システムにおいて、
卵の分類先を決定する第１の卵分類装置及び第２の卵分類装置と、
前記第１の卵分類装置又は前記第２の卵分類装置が決定した分類先に応じて、卵を分配する分配装置とを備え、
前記第１の卵分類装置は、
卵を透過した光を表す透過光データを取得する透過光取得部と、
卵の内部の状態を表す状態情報及び卵についての透過光データを含む教師データを用いてパラメータが学習されており、前記透過光取得部が取得した透過光データが入力された場合に卵の内部の状態を表す状態情報を出力する深層学習モデルと、
該深層学習モデルが出力する状態情報に応じて、卵の分類先を決定する決定部とを有し、
前記第２の卵分類装置は、卵に打撃を付与することによって発生する現象を表す打撃データ及び卵殻の状態を表す情報を含む教師データを用いて学習された学習モデルを有し、卵に打撃を付与することによって発生する現象を表す打撃データを取得し、前記学習モデルによって、取得した前記打撃データに基づいて卵殻の状態を判定し、卵殻の状態の判定結果に応じて、卵の分類先を決定すること
を特徴とする卵分類システム。

（付記２）
卵の分類先を決定する第３の卵分類装置を更に備え、
前記第３の卵分類装置は、卵の状態を表す情報及び前記卵を撮影した画像を表す画像データを含む教師データを用いて学習された学習モデルを有し、卵を撮影した画像を表す画像データを取得し、前記学習モデルによって、取得した前記画像データに基づいて卵の状態を判定し、卵の状態の判定結果に応じて、卵の分類先を決定し、
前記分配装置は、前記第１の卵分類装置、前記第２の卵分類装置又は前記第３の卵分類装置が決定した分類先に応じて、卵を分配すること
を特徴とする付記１に記載の卵分類システム。

（付記３）
卵を分類するための卵分類システムにおいて、
卵の分類先を決定する第１の卵分類装置及び第３の卵分類装置と、
前記第１の卵分類装置又は前記第３の卵分類装置が決定した分類先に応じて、卵を分配する分配装置とを備え、
前記第１の卵分類装置は、
卵を透過した光を表す透過光データを取得する透過光取得部と、
卵の内部の状態を表す状態情報及び卵についての透過光データを含む教師データを用いてパラメータが学習されており、前記透過光取得部が取得した透過光データが入力された場合に卵の内部の状態を表す状態情報を出力する深層学習モデルと、
該深層学習モデルが出力する状態情報に応じて、卵の分類先を決定する決定部とを有し、
前記第３の卵分類装置は、卵の状態を表す情報及び前記卵を撮影した画像を表す画像データを含む教師データを用いて学習された学習モデルを有し、卵を撮影した画像を表す画像データを取得し、前記学習モデルによって、取得した前記画像データに基づいて卵の状態を判定し、卵の状態の判定結果に応じて、卵の分類先を決定すること
を特徴とする卵分類システム。

１１ 搬送装置
１２ 分配装置
１３、１４ コンベヤ
２ 卵
６ 透過光分析装置
６１ 分析部
６１１ 演算部
６１５ 深層学習モデル
６２ コンピュータプログラム
６３ 透過光取得部
６３１、６３１ａ、６３１ｂ、６３１ｃ 照射部
６３３ 検出器
７ 記憶装置
Ｎ 通信ネットワーク

Claims (9)

1. 卵を分類する卵分類装置において、
   卵を透過した光を表す透過光データを取得する透過光取得部と、
   卵の内部の状態を表す状態情報及び前記卵についての透過光データを含む教師データを用いてパラメータが学習されており、前記透過光取得部が取得した透過光データが入力された場合に卵の内部の状態を表す状態情報を出力する深層学習モデルと、
   該深層学習モデルが出力する状態情報に応じて、卵の分類先を決定する決定部と
   を備えることを特徴とする卵分類装置。
2. 前記状態情報は、卵の内部の状態の種類、又は卵の内部の状態の程度を表すこと
   を特徴とする請求項１に記載の卵分類装置。
3. 予め定められたルールに基づいて、前記透過光取得部が取得した透過光データに応じて、卵の内部の状態を判定する判定部を更に備え、
   前記決定部は、前記深層学習モデルが出力する状態情報及び前記判定部による判定結果に応じて、卵の分類先を決定すること
   を特徴とする請求項１又は２に記載の卵分類装置。
4. 卵の内部の状態を表す状態情報を受け付ける受付部と、
   同一の卵について前記透過光取得部が取得した透過光データ及び前記受付部が受け付けた前記状態情報を含むデータを教師データとして、前記深層学習モデルの再学習を行う再学習部と
   を更に備えることを特徴とする請求項１乃至３のいずれか一つに記載の卵分類装置。
5. 卵の色に関する情報を取得する第１情報取得部と、
   取得した前記情報に応じて、状態情報を出力させるために用いる深層学習モデルを複数の深層学習モデルの中から選択するか、又は前記決定部で状態情報に応じて卵の分類先を決定する基準を調整する第１調整部を更に備えること
   を特徴とする請求項１乃至４のいずれか一つに記載の卵分類装置。
6. 品質を指定する情報を取得する第２情報取得部と、
   取得した前記情報に応じて、状態情報を出力させるために用いる深層学習モデルを複数の深層学習モデルの中から選択するか、又は前記決定部で状態情報に応じて卵の分類先を決定する基準を調整する第２調整部を更に備えること
   を特徴とする請求項１乃至５のいずれか一つに記載の卵分類装置。
7. 推定される産卵からの経過時間を表す情報を取得する第３情報取得部と、
   取得した前記情報に応じて、状態情報を出力させるために用いる深層学習モデルを複数の深層学習モデルの中から選択するか、又は前記決定部で状態情報に応じて卵の分類先を決定する基準を調整する第３調整部を更に備えること
   を特徴とする請求項１乃至６のいずれか一つに記載の卵分類装置。
8. 卵を分類する卵分類方法において、
   卵を透過した光を表す透過光データを取得し、
   卵の内部の状態を表す状態情報及び前記卵についての透過光データを含む教師データを用いてパラメータが学習されており、透過光データが入力された場合に卵の内部の状態を表す状態情報を出力する深層学習モデルを用いて、取得した透過光データに応じて、状態情報を生成し、
   生成した状態情報に応じて、卵の分類先を決定すること
   を特徴とする卵分類方法。
9. コンピュータに、卵を分類するための処理を実行させるコンピュータプログラムにおいて、
   コンピュータに、
   卵を透過した光を表す透過光データ及び前記卵の内部の状態を表す状態情報を含む教師データを用いてパラメータが学習されており、透過光データが入力された場合に卵の内部の状態を表す状態情報を出力する深層学習モデルを用いて、取得された透過光データに応じて、状態情報を生成するステップと、
   生成された状態情報に応じて、卵の分類先を決定するステップと
   を含む処理を実行させることを特徴とするコンピュータプログラム。

Images