JP2021120205A - プリンタ、プログラム、印字方法、ユニークｉｄ生成方法 - Google Patents

Abstract

【課題】商品にバーコード又は２次元コード等のユニークシンボルを付する場合のオペレータの作業負荷を低減する。【解決手段】本発明のある態様は、複数の物品の各々に対応する印字媒体を発行するプリンタであって、プリンタの位置に関する位置情報を取得する第１情報取得部と、物品毎に異なるタイミングで発生するイベントの発生時刻に関する時刻情報を取得する第２情報取得部と、各物品の種別に関する種別情報と、第１情報取得部が取得した位置情報と、第２情報取得部が取得した時刻情報とに基づいて、各物品に対するユニークＩＤを生成する第１生成部と、ユニークＩＤに対応するユニークシンボルを生成する第２生成部と、各物品に対応する印字媒体に、各物品に対して生成されたユニークシンボルを印字する印字部と、を備える。【選択図】図２

Description

本発明は、プリンタ、プログラム、印字方法、および、ユニークＩＤ生成方法に関する。

従来から、商品の流通段階での商品の識別機能あるいは商品のトレーサビリティを確保する観点から、商品の製造工程あるいは倉庫において、商品に対してユニークシンボルであるバーコード又は２次元コードを付することが行われている。ユニークシンボルを商品に付する行為としては、バーコード又は２次元コードを印字したラベルを商品に貼付することが一般に行われる。このとき、バーコード又は２次元コードがない商品に対しては、オペレータは、ハンディターミナルに当該商品の識別番号等の情報を手入力し、プリンタが、ハンディターミナルから受信した商品の識別番号を基にバーコード又は２次元コードを印字したラベルを発行する。プリンタが発行したラベルをオペレータが商品に貼付した後、商品が出荷される。
特許文献１には、ハンディターミナルから無線通信によって印字データを取得してラベルを発行するプリンタが記載されている。

特開２０１１−０６２８６２号公報

上述したように、オペレータは従来、商品にユニークシンボルを付する場合にハンディターミナルに当該商品の識別番号等の情報を手入力しなければならず、特に大量の商品にユニークシンボルを付する場合に作業負荷が高いものとなっていた。
そこで、本発明の目的は、商品にバーコード又は２次元コード等のユニークシンボルを付する場合のオペレータの作業負荷を低減することである。

本発明のある態様は、複数の物品の各々に対応する印字媒体を発行するプリンタであって、前記プリンタの位置に関する位置情報を取得する第１情報取得部と、物品毎に異なるタイミングで発生するイベントの発生時刻に関する時刻情報を取得する第２情報取得部と、各物品の種別に関する種別情報と、前記第１情報取得部が取得した位置情報と、前記第２情報取得部が取得した時刻情報とに基づいて、各物品に対するユニークＩＤを生成する第１生成部と、前記ユニークＩＤに対応するユニークシンボルを生成する第２生成部と、各物品に対応する印字媒体に、各物品に対して生成されたユニークシンボルを印字する印字部と、を備えたプリンタである。

本発明のある態様によれば、商品にバーコード又は２次元コード等のユニークシンボルを付する場合のオペレータの作業負荷を低減できる。

第１の実施形態に係るラベル発行システムによるラベルの発行態様を示す図である。 第１の実施形態に係るラベル発行システムを構成する各装置のハードウェア構成を示すブロック図である。 第１の実施形態に係るプリンタによって印字データの生成方法を説明する図である。 第２の実施形態に係るラベル発行システムによるラベルの発行態様を示す図である。 第２の実施形態に係るラベル発行システムを構成する各装置のハードウェア構成を示すブロック図である。 第２の実施形態に係るプリンタにおいて深層学習を行うときの制御部の機能ブロック図を示す。 第２の実施形態に係るプリンタの学習部におけるニューラルネットワークを概略的に示す図である。 第２の実施形態に係るプリンタにおいて印字データを生成するときの制御部の機能ブロック図を示す。 第３の実施形態に係るラベル発行システムによるラベルの発行態様を示す図である。

本開示において「物品」とは、例えば製品、半製品（製造途中にある中間段階の製品）、農産物、畜産物若しくは水産物を含む商品等の有体物を意味する。
本開示において「物品の種別」とは、所定の観点から物品を識別するための種類、区別、区分、あるいは分類である。「物品の種別」は、複数種類の物品の中から特定の種類の物品自体を示す場合もある。
プリンタでは一般に、例えばラベルに対する印字が終了若しくは完了した場合に、当該ラベルが直ちにプリンタから外部に排出（つまり、発行）されることになる。そのため、本開示において、ラベル等の印字媒体が未印字又は印字済みであることは、実質的に印字媒体が未発行又は発行済みであることを意味する。

（１）第１の実施形態
以下、図１〜図３を参照して、第１の実施形態のラベル発行システムについて説明する。

（１−１）システム概要
例えばシリアル番号等のユニークＩＤが商品に印字されていてもユニークシンボルが印字されていない場合、ユニークＩＤを容易に認識することができないため、流通段階での当該商品の管理が困難となる。例えば農産物等、元々ユニークＩＤが付されていない商品については尚更である。
そこで、本実施形態のラベル発行システム１では、例えば製造現場や倉庫において各商品に対してユニークシンボルが印字されたラベルを発行するように構成される。ユニークシンボルとしては、例えばバーコード、２次元コードが挙げられる。

本実施形態のラベル発行システム１は、多数の同一種別、かつ種別が既知または上位システム等から取得可能な商品に対してユニークシンボルの元となるユニークＩＤを生成し、生成したユニークＩＤに対応するユニークシンボルを生成する。ここで生成されるユニークＩＤは、多数の同一種別の商品に対して場所と時刻によって特定される情報とする。同一種別の商品に対してラベルを発行する場合、ラベルを発行する場所と、ラベルを発行するときのトリガとなる時刻とが、２枚以上のラベルに対して一致することは想定し得ないためである。

例えば、図１Ａに示すように、工場の出荷ラインにおいて多数の商品をコンベアＣにより搬送し、そのコンベアＣにより搬送される各商品Ｐに対するラベルＰＬをプリンタ２によって発行する場合、プリンタ２の位置によってコンベアＣに搬送される商品Ｐを関連付けることができる。また、商品Ｐに対してラベルＰＬを発行するオペレータの操作入力やコンベアＣの所定位置を商品が通過したことをセンサが検出したこと等をトリガとすることで、各商品Ｐに対して異なる時刻を関連付けることができる。

本実施形態のラベル発行システム１では、プリンタ２がＧＰＳ(Global Positioning System)衛星から信号（以下、「ＧＰＳ信号」という。）を受信し、当該信号に基づいて自身の位置を測位する場合について説明するが、その限りではない。室内でプリンタ２を測位する場合には、例えば天井にロケータを設けることでプリンタ２を測位する方法を採ることもできる。この方法では、プリンタ２が所定のプロトコルのビーコン信号をブロードキャストし、当該ビーコン信号をロケータが受信する。ロケータがビーコン信号を受信したときの到来角度（ＡｏＡ：Angle of Arrival）を計測し、得られた到来角度に基づいてプリンタ２の位置が特定される。この技術の一例として、Bluetooth （登録商標）Low Energy（BLE）を用いた実用例が知られている。

プリンタ２は、場所と時刻によって特定される情報であるユニークＩＤに対応するユニークシンボルを印字したラベルＰＬを発行する。オペレータは、識別番号等の情報の手入力から解放され、プリンタ２によって発行されたラベルＰＬを各商品に貼り付けるだけでよいため、商品にユニークシンボルを付する場合のオペレータの作業負荷を低減することができる。

図１Ｂに例示するラベルＰＬには、２次元コード１１０のほか、商品名称１０１、ロット番号１０２（ユニークＩＤの一例）、位置１０３、日付１０４、および、時刻１０５を含むが、その限りではない。少なくとも２次元コード１１０が印字されていれば商品Ｐを管理することができる。しかし、商品名称１０１、ロット番号１０２（ユニークＩＤの一例）、位置１０３、日付１０４、および、時刻１０５のうち少なくともいずれかの情報が印字されている場合、商品Ｐの流通業者や消費者にとって追加の情報を視覚的に認識でき、有用である。

（１−２）ラベル発行システム１の構成
次に、図２を参照して、ラベル発行システム１の構成について説明する。
図２は、本実施形態に係るラベル発行システム１を構成する各装置のハードウェア構成を示すブロック図である。

図２に示すように、ラベル発行システム１は、プリンタ２と管理サーバ５を含む。プリンタ２と管理サーバ５は、例えばインターネットやＬＡＮ(Local Area Network)等のネットワークＮＷを介して通信可能に構成される。ラベル発行システム１では、好ましくは、プリンタ２で生成されたユニークＩＤが管理サーバ５に送信され、管理サーバ５で記録される。
図２では、管理サーバ５とプリンタ２が１対１で接続されている場合を示しているが、その限りではない。管理サーバ５は、複数の工場や倉庫で複数のプリンタ２によって生成されるユニークＩＤを一括して記録してもよい。

図２に示すように、本実施形態のプリンタ２は、制御部２１、ストレージ２２、操作入力部２３、表示部２４、搬送部２５、印字部２６、通信部２７、および、ＧＰＳ受信部２８を備える。
プリンタ２の印字形式は特に限定するものではないが、例えば、プリンタ２はサーマルプリンタである。

制御部２１は、マイクロプロセッサを主体として構成され、プリンタ２の全体を制御する。
ストレージ２２は、不揮発性のメモリであり、例えばフラッシュメモリ等のＳＳＤであってもよい。ストレージ２２は、ファームウェアのほか、各商品Ｐに対応するユニークシンボルを生成するためのシンボル生成プログラムを格納する。
後述するが、ファームウェアとシンボル生成プログラムを制御部２１のマイクロプロセッサが実行することで、各商品ＰのユニークＩＤに対応するユニークシンボルを含む印字データ（ビットマップデータ）を生成する。ストレージ２２には、制御部２１によって生成されたユニークＩＤを含むユニークＩＤデータベース（ユニークＩＤ ＤＢ）２２１が格納される。
ユニークＩＤデータベース２２１の各レコードには、商品Ｐを識別する商品コードと、ユニークＩＤと、当該ユニークＩＤを生成するときの基礎となる時刻情報および位置情報と、を含む。

制御部２１は、印字データのライン毎のデータであるラインデータを順次、印字部２６へ送出する。搬送部２５および印字部２６は、順次送出されるラインデータに基づいて印字を行う。
搬送部２５は、プラテンローラ（図示せず）、および、図示しないモータ駆動回路およびモータを含み、プリンタ２内の連続紙の搬送を行う。連続紙は、例えば帯状の台紙に複数枚のラベルが仮着された状態の用紙である。ファームウェアによる搬送要求に基づき、モータ駆動回路が、プラテンローラの回転を制御するモータを駆動することによって、連続紙を搬送させる。
印字部２６は、サーマルヘッドおよびヘッド駆動回路（共に図示せず）を含む。ヘッド駆動回路は、ラインデータに基づきサーマルヘッドの各発熱素子に選択的に電流を流すことで、連続紙のラベル上に印字を行う。

通信部２７は、管理サーバ５との間で通信を行う通信インタフェースである。通信部２７は、管理サーバ５とプリンタ２の間で予め定義された通信プロトコルに従って通信を行う。
ＧＰＳ受信部２８は、ＧＰＳ衛星からＧＰＳ信号を受信し、プリンタ２の測位のためにＧＰＳ信号を制御部２１に送信する。

本実施形態の管理サーバ５は、制御部５１、ストレージ５２、および、通信部５３を備える。
制御部５１は、マイクロプロセッサを主体として構成され、管理サーバ５の全体を制御する。
ストレージ５２は、不揮発性のメモリであり、例えばＨＤＤ（Hard Disk Drive）等の大容量記憶装置である。ストレージ５２には、プリンタ２からアップロードされたユニークＩＤデータベースが格納される。例えば、ストレージ５２には、複数の場所に配置されている多数のプリンタ２で生成されるユニークＩＤが一括して記録される。その場合、図示しない情報処理装置から管理サーバ５にアクセスすることで、商品のトレーサビリティを確保することが容易となる。
通信部５３は、プリンタ２との間で通信を行う通信インタフェースである。通信部５３は、管理サーバ５とプリンタ２の間で予め定義された通信プロトコルに従って通信を行う。

（１−３）印字データ生成の流れ
次に、印字データ生成の流れについて、図３を参照して説明する。
図３は、本実施形態に係るプリンタ２によって印字データの生成方法を説明する図であり、制御部２１の印字データ生成部２１０の機能ブロック図を示している。印字データ生成部２１０に含まれる各部は、シンボル生成プログラムとファームウェアを実行することで印字データを作成するときのプログラムモジュールを示している。
図３に示すように、印字データ生成部２１０は、測位部２１１、時刻取得部２１２、ユニークＩＤ生成部２１３、シンボル生成部２１４、および、描画エンジン２１８を備える。

測位部２１１（第１情報取得部の一例）は、プリンタ２の位置に関する位置情報を取得し、ユニークＩＤ生成部２１３に出力する。測位部２１１は、ＧＰＳ受信部２８から取得したＧＰＳ信号に基づいて測位計算を行うことで、プリンタ２の位置情報を取得する。

時刻取得部２１２（第２情報取得部の一例）は、所定のイベントデータが入力されたときの時刻情報を、図示しないリアルタイムクロック（ＲＴＣ）から取得し、ユニークＩＤ生成部２１３に出力する。イベントデータは、商品Ｐ毎に異なるタイミングで発生するイベントのデータであればよい。そのようなイベントの例としては、例えばオペレータがプリンタ２の操作入力部２３に対する所定の操作（ラベル発行指示操作）を行ったことが挙げられる。その場合、コンベアＣにより搬送される各商品Ｐのタイミングに応じて順にオペレータがラベル発行指示操作を行うことになるため、各商品Ｐに対して異なるタイミングでイベントが発生することになる。

ユニークＩＤ生成部２１３（第１生成部の一例）は、品目データ（種別情報の一例）と、各商品Ｐの種別に関する種別情報と、測位部２１１が取得した位置情報と、時刻取得部２１２が取得した時刻情報とに基づいて、各商品Ｐに対するユニークＩＤを生成する。品目データとは、商品Ｐの種別を示すコードであり、例えばストレージ５２から読み出されるデータであってもよい。図１Ｂに示す例では、「みかん（１ｋｇ）」という文字列が品目データに相当する。
ユニークＩＤの生成方法は限定するものではないが、単に品目データ、位置情報および時刻情報を直接に連結したコードとしてもよいし、品目データ、位置情報および時刻情報を基に所定の演算を行って得られたコードとしてもよい。
ユニークＩＤ生成部２１３は、ユニークＩＤを生成する度に、生成したユニークＩＤをユニークＩＤデータベース２２１に記録する。ユニークＩＤデータベース２２１は、好ましくは、管理サーバ５上のユニークＩＤデータベース５２と、通信部５３を介して適切な頻度で同期が取られることが望ましい。

シンボル生成部２１４（第２生成部の一例）は、ユニークＩＤ生成部２１３によって生成されたユニークＩＤに対応するユニークシンボルＳＭＢを生成する。ユニークシンボルは、好ましくは、図１Ｂに例示したように２次元コード１１０である。

描画エンジン２１８は、ユニークＩＤ生成部２１３により生成されたユニークＩＤと、シンボル生成部２１４により生成されたユニークシンボルとを所定のレイアウトに配置した印字データ（ビットマップデータ）を作成する。描画エンジン２１８は、例えば、ファームウェアの一部を構成するプログラムモジュールである。なお、印字データにユニークＩＤを含むことは必須ではない。
描画エンジン２１８によって作成される印字データには、商品Ｐの名称を示す文字列（つまり、品目データに対応する文字列）、測位部２１１で取得された位置情報を示す文字列、および、時刻取得部２１２で取得された時刻情報を示す文字列のうち少なくともいずれかを含むようにしてもよい。

以上説明したように、本実施形態のラベル発行システム１では、プリンタ２が、品目データと位置情報と時刻情報に基づいてユニークＩＤを生成し、当該ユニークＩＤに対応するユニークシンボルを生成し、当該ユニークシンボルを印字したラベルＰＬを発行する。そのため、オペレータは、プリンタ２によって発行されたラベルＰＬを各商品Ｐに貼り付けるたけでよく、例えばハンディターミナル等に商品Ｐの識別番号等の情報を手入力する必要がないため、商品Ｐにユニークシンボルを付する場合のオペレータの作業負荷を低減することができる。

なお、本実施形態では、ユニークＩＤを生成した後に、当該ユニークＩＤに対応するユニークシンボルを生成し、当該ユニークシンボルを印字したラベルを発行する場合について説明したが、その限りではない。ユニークシンボルの生成、および、当該ユニークシンボルのラベル上の印字は、必須ではない。すなわち、本実施形態では、以下の複数のステップを有するユニークＩＤ生成方法を含む。
(i) 複数の商品Ｐの各々に対するユニークＩＤを生成する位置に関する位置情報を取得するステップ
(ii) 商品Ｐ毎に異なるタイミングで発生するイベントの発生時刻に関する時刻情報を取得するステップ
(iii) 各商品の品目データ（種別情報の一例）と、取得した位置情報と、取得した時刻情報とに基づいて、各商品Ｐに対するユニークＩＤを生成するステップ

（２）第２の実施形態
次に、図４〜図８を参照して、第２の実施形態のラベル発行システム１Ａについて説明する。
本実施形態のラベル発行システム１Ａは、各商品Ｐに対するユニークＩＤを発行するに際し、各商品Ｐの種別を自動的に判定する点に特徴がある。限定するものではないが、以下の例示的な説明では、商品Ｐがリンゴであり、商品Ｐの種別がリンゴの等級である場合について説明する。

（２−１）システム概要
図４Ａを参照すると、本実施形態のラベル発行システム１Ａでは、ライン（選果ライン）において多数の商品Ｐ（リンゴ）をコンベアＣにより例えば所定の速度で搬送し、搬送される各リンゴに対するラベルＰＬがプリンタ２Ａによって発行される。ラインに沿ってプリンタ２Ａが配置されている。プリンタ２Ａは、撮像部を備えており、コンベアＣにより搬送される各リンゴの画像を取得する。
プリンタ２Ａは、リンゴの画像からディープニューラルネットワークを利用した深層学習を行うことで得られる学習済みモデルを備えており、この学習済みモデルを用いることで、リンゴの画像に対して精度の高い等級判定を自動で行うように構成されている。なお、ディープニューラルネットワークを利用した深層学習は一例に過ぎず、他の機械学習手法を適宜適用することができる。
なお、ここで撮像部と学習済みモデルは、プリンタ２Ａの外部モジュールに搭載されていてもよい。この場合、モジュールとプリンタ２Ａ間に適切な通信手段とプロトコルが用意されているものとする。

深層学習を行うために、例えばリンゴＡが写っている画像には「等級１」、リンゴＢが写っている画像には「等級２」といった具合に、画像に写っている対象物の等級に関するデータ（以下、「ラベルデータ」という。）を画像に付加するアノテーションと呼ばれる作業を行う。このようにして作成した画像とラベルのデータセットで学習を実行し、生成されるニューラルネットワーク（つまり、学習済みモデル）を用いて画像に含まれるリンゴの等級を判定（推定）する。

図４Ｂに例示するように、プリンタ２Ａによって発行されるラベルＰＬには、２次元コード１１０のほか、リンゴの等級１０６の情報が印字される。
また、図４Ｂに示すラベルＰＬには、商品名称１０１、ロット番号１０２（ユニークＩＤの一例）、位置１０３、日付１０４、および、時刻１０５を含む。ラベルＰＬには２次元コード１１０と等級１０６の情報が印字されていればよいが、第１の実施形態においても述べたように、商品名称１０１、ロット番号１０２（ユニークＩＤの一例）、位置１０３、日付１０４、および、時刻１０５のうち少なくともいずれかの情報が印字されることが好ましい。

本実施形態のラベル発行システム１Ａでは、さらに好ましくは、ラベルＰＬに商品Ｐであるリンゴの画像１１２が印字される。すなわち、図４Ａに示すように、本実施形態のプリンタ２Ａは、撮像部によって取得した画像を、対応するリンゴに貼付すべきラベルＰＬに印字することが好ましい。それによって、流通業者や消費者は、等級１０６の判定結果と、判定結果に対応した画像とを認識することができ、安心感を得ることができる。

（２−２）ラベル発行システム１Ａの構成
次に、図５を参照して、ラベル発行システム１Ａの構成について説明する。
図５は、本実施形態に係るラベル発行システム１Ａを構成する各装置のハードウェア構成を示すブロック図である。図５では、第１の実施形態のラベル発行システム１（図２参照）と同一の構成要素については同一の符号を付して重複説明を適宜省略する。

本実施形態のプリンタ２Ａは、第１の実施形態のプリンタ２と比較して、測距センサ２９と撮像部３０をさらに備える。測距センサ２９は、対象物（本実施形態の例では、商品Ｐ（リンゴ））までの距離を検出する。測距センサ２９として赤外線タイプ、レーザタイプ等があるが、センサタイプは問わない。測距センサ２９は、コンベアＣにより搬送される撮像対象のリンゴとの距離を検出し、検出結果を制御部２１Ａに送信する。

撮像部３０は、ＣＣＤ(Charged-coupled devices)やＣＭＯＳ(Complementary metal-oxide-semiconductor)等の撮像素子を含む。撮像部３０は、制御部２１Ａからの撮像指令に基づいて、コンベアＣにより搬送されるリンゴの画像を取得して制御部２１Ａに送る。なお、画像の取得とは、撮像素子で撮像された画像を例えばストレージ２２Ａに記録することを意味する。
好ましくは、撮像部３０は、測距センサ２９の検出結果に基づいて撮像対象のリンゴとの距離が所定距離以内となった場合に制御部２１Ａから撮像指令を受信し、当該リンゴの画像を取得する。
より好ましくは、撮像部３０は、測距センサ２９によって検出された撮像対象のリンゴとの距離に応じて焦点距離を調整する合焦機能を備える。撮像部３０は、制御部２１Ａから撮像指令を受信すると、測距センサ２９によって検出された距離に応じて焦点距離の調整を行い、撮像対象のリンゴを撮像する。撮像部３０は、リンゴの画像を取得する度に画像を制御部２１Ａに送る。
なお、測距センサ２９と撮像部３０は、ＴＯＦカメラのような測距とカラー画像撮影機能を兼ね備えるデバイスを採用することで、一体制御することができる。

なお、コンベアＣの幅を狭くする等して、コンベアＣにより搬送される各リンゴと撮像部３０の距離が撮像タイミングにおいて一定距離にするようにコンベアＣを構成する場合には、撮像部３０は合焦機能を備えなくてもよい。その場合、例えば、コンベアＣ上の各リンゴが所定の位置を通過することを検出するスイッチあるいはセンサをプリンタ２Ａの外部に設けてもよい。スイッチあるいはセンサの検出結果に基づいて制御部２１Ａが撮像指令を撮像部３０に送信することで撮像部３０が適切な画像を取得できるように、撮像部３０の焦点を調整しておいてもよい。

本実施形態のラベル発行システム１Ａのストレージ２２Ａは、ラベル発行システム１のストレージ２２と比較して、学習済みモデル２２２を備える点が異なる。学習済みモデル２２２については後述する。

（２−３）運用前の学習段階
次に、図６および図７を参照して、プリンタ２Ａによってラベル発行の運用が行われる前に実行されるべき深層学習について説明する。
図６は、プリンタ２Ａにおいて深層学習を行うときの制御部２１Ａおよびストレージ２２Ａの機能ブロック図を示す。図７は、制御部２１Ａの学習部２１９におけるニューラルネットワークを概略的に示す図である。

図６は、プリンタ２Ａのハードウェアおよびソフトウェアを利用して深層学習を行うための制御部２１Ａの部分的なブロック構成であるモデル生成部２１０Ａを示している。モデル生成部２１０Ａは、ストレージ２２Ａに格納されるべき学習済みモデル２２２を生成するために設けられている。
なお、モデル生成部２１０Ａは必ずしも制御部２１Ａ内に設ける必要はない。プリンタ２Ａ以外の他の情報処理装置により学習済みモデル２２２を生成し、生成した学習済みモデル２２２をストレージ２２Ａに格納するように構成した場合には、モデル生成部２１０Ａは制御部２１Ａには必要ない。

深層学習を行うためには、リンゴの画像と当該リンゴのラベルデータ（つまり、複数の等級のうちいずれかの等級を示すデータ）の複数の組合せデータからなる入力データセットを用意し、操作入力部２３によってモデル生成部２１０Ａに入力する。

画像処理部２１５は、入力データセットに含まれるリンゴの画像を、学習部２１９において深層学習を行うために好適な画像に変換するための画像処理を行う。この画像処理は、リンゴの等級推定を行うために、リンゴの画像から特徴抽出を行う処理に相当する。
画像処理部２１５によって行われる画像処理は、例えば以下の処理(i)〜(iv)を含み得るが、必らずしも処理(i)〜(iv)のすべての処理が必要となるものではない。

(i) 画像処理部２１５に入力される画像（「入力画像」という。）に含まれる画素単位のＲ(red)信号、Ｇ(green)信号、Ｂ(blue)信号をＨＬＳ色空間、つまり、色相（Hue）、輝度（Lightness/Luminance 又はIntensity）、彩度（Saturation）の３つの成分からなる信号に変換する処理を行う。ＲＧＢ色空間とＨＬＳ色空間には公知の関係がある。
なお、ＲＢＧ色空間からＨＬＳ色空間に変換する処理を行うことは必須ではない。

(ii) 入力画像には、例えばリンゴの背景部分やリンゴのツルの部分等、等級判定を行う上で不要な画素が含まれているため、(i)の処理で得られた画像から不要な画素を除去するためにトリミングを行う。トリミングでは、リンゴの画像のうちリンゴの輪郭よりも内側の部分を切り出してもよい。

(iii) 入力画像に含まれるリンゴの大きさはリンゴ毎に異なるため、適切に等級判定を行うことができるように、(ii)の処理で得られた画像からリンゴのサイズを一定にするためのサイズ変換を行う。

学習用データセット生成部２１７は、入力画像に対して画像処理部２１５による画像処理が施された画像（特徴抽出された画像；以下、「処理済画像」という。）と、入力画像に対応するラベルデータ（つまり、入力データセットにおいて、入力画像とセットになっているラベルデータ）との複数の組合せデータからなる学習用データセットを作成する。つまり、学習用データセットは、例えば、｛処理済画像Ａ，等級２｝，｛処理済画像Ｂ，等級１｝，…といった具合に、処理済画像と正解データであるラベルデータの複数の組合せデータからなるデータセットである。なお、学習用データセットは、学習の準備段階においてストレージ２２Ａに格納（蓄積）されてもよい。

学習部２１９は、学習用データセット生成部２１７によって作成された学習用データセットを用いて深層学習の学習ソフトウェアを実行し、リンゴの等級判定（推定）に対する教師あり学習を実行する。学習部２１９は、学習用データセットに含まれる処理済画像とラベルデータの組合せデータに基づく学習を反復実行することで、判定対象の処理済画像に対応するリンゴ対する等級の推定が高い精度で行うことができるようになる。

図７は、学習部２１９において教師あり学習を進める際に用いられるニューラルネットワークを模式的に示している。図７に示すように、ニューラルネットワークは、入力層Ｌｉと隠れ層Ｌｈと出力層Ｌｏを含み、各層がニューロンを模擬したモデルである。図７に示すニューラルネットワークは、便宜的に各層が３つのノードからなる場合を図示しているが、その限りではなく、ノードの数は、適宜設定可能である。
入力層Ｌｉは、学習用データセットに含まれる処理済画像を入力するための層である。例えば、入力層Ｌｉは、処理済画像の画素数×３（ＨＬＳ色空間あるいはＲＧＢ色空間の３成分）に相当する数のノードから構成される。図７に例示する入力層Ｌｉは、入力Ｘ_１，Ｘ_２，Ｘ_３を含む。
隠れ層Ｌｈは、深層学習の場合には複数の層から構成される。隠れ層Ｌｈに含まれる層数および各層のノード数は、良好な推定精度を得るために適宜設定可能である。
出力層Ｌｏは、リンゴに対する複数の等級の各々に判定される確率を出力するための層であり、等級の数に相当する数のノードから構成される。図７に例示する出力層Ｌｏは、出力Ｚ_１，Ｚ_２，Ｚ_３を含む。

図７に示すニューラルネットワークでは、例えば、入力層Ｌｉの入力Ｘ_１，Ｘ_２，Ｘ_３の各々に対して重みを乗算して加算した結果を、隠れ層Ｌｈの第１層のノードＹ_１に出力する。同様に、入力層Ｌｉの入力Ｘ_１，Ｘ_２，Ｘ_３の各々に対して重みを乗算して加算した結果を、隠れ層Ｌｈの第１層のノードＹ_２に出力する。入力層Ｌｉの入力Ｘ_１，Ｘ_２，Ｘ_３の各々に対して重みを乗算して加算した結果を、隠れ層Ｌｈの第１層のノードＹ_３に出力する。入力Ｘ_１，Ｘ_２，Ｘ_３の各々に対する重み（図７の例では、３×３の９個の重み）はそれぞれ独立に設定可能であり、図７では総称して重みＷ_１と表記している。
同様にして、出力層Ｌｏまでの隣接する層間の各ノードに対して、重みＷ_２，…，Ｗ_Ｎ−１，Ｗ_Ｎを乗算して加算する処理を順次行っていくことで、出力Ｚ_１，Ｚ_２，Ｚ_３を得る。

出力Ｚ_１，Ｚ_２，Ｚ_３は、教師データＴ_１，Ｔ_２，Ｔ_３と比較される。ここで、教師データは、入力層Ｌｉに入力される処理済画像に対応する正解データ（つまり、学習用データセットにおいて処理済画像と組み合わされているラベルデータ）である。
深層学習では、ニューラルネットワークの各層の重みを少しずつ調整し、教師データとの誤差を小さくする処理が行われる。すなわち、学習の初期段階では、すぐに期待した通りの値は出力されないため、教師データと出力値（図７の例では、出力Ｚ_１，Ｚ_２，Ｚ_３）の誤差をとり、誤差を各層に逆伝播（バックプロパゲーション）させて正解データに近付くように各層の重みを調整する。

なお、学習部２１９は、上述した深層学習を訓練と検証の２つのフェーズに分けて処理を行うことが好ましい。この場合、学習用データセットは、訓練用データセットと検証用データセットに分けられる。
訓練フェーズでは、学習部２１９は、上述したようにして、訓練用データセットに含まれる複数の組合せデータの各々の中の処理済画像を入力層Ｌｉに入力し、教師データと出力値（つまり、処理済画像に対応するラベルデータ）の誤差が少なくなるように各層の重みを調整する。

次いで、検証フェーズでは、学習部２１９は、訓練フェーズで調整された重みが設定されたニューラルネットワークに対して、検証用データセット（つまり、重みの設定に関与していないデータセット）に含まれる複数の組合せデータの各々の中の処理済画像を入力層Ｌｉに入力する。学習部２１９は、出力値と、入力された処理済画像とを比較し、誤差が少ない場合には汎化性能があると判断して、訓練フェーズで設定された重みをプリンタ２Ａによってラベル発行の運用に使用することを決定する。誤差が大きい場合には汎化性能が十分ではないと判断して、訓練フェーズに戻り、再度各層の重みが調整される。
汎化性能があると判断されたニューラルネットワークは、学習済みモデル２２２としてストレージ２２Ａに格納される。

（２−４）印字データ生成の流れ
次に、図８を参照して、プリンタ２Ａによってラベル発行の運用が行われる場合の印字データ生成の流れについて説明する。
図８は、プリンタ２Ａにおいて印字データを生成するときの制御部２１Ａおよびストレージ２２Ａの機能ブロック図を示す。図８は、プリンタ２Ａのハードウェアおよびソフトウェアを利用して印字データを生成するための制御部２１Ａの部分的なブロック構成である印字データ生成部２１０Ｂを示している。

印字データ生成部２１０Ｂに含まれる各部は、シンボル生成プログラム、学習プログラム、および、ファームウェアを実行することで印字データを作成するときのプログラムモジュールを示している。
図８に示すように、印字データ生成部２１０Ｂは、測位部２１１、時刻取得部２１２、ユニークＩＤ生成部２１３、シンボル生成部２１４、画像処理部２１５、推定部２１６、および、描画エンジン２１８を備える。なお、図８に示す印字データ生成部２１０Ｂにおいて、第１の実施形態の印字データ生成部２１０（図３参照）に含まれる構成要素と同一の構成要素については、同一の符号を付して詳細な説明は適宜省略する。

画像処理部２１５は、撮像部３０によって取得された各リンゴの画像を入力し、入力した画像（入力画像）に対して、モデル生成部２１０Ａ（図６）に含まれるものと同じ画像処理を行う。すなわち、画像処理部２１５は、撮像部３０から送信される入力画像（リンゴの画像）に対して、上述した画像処理（つまり、処理(i)：色空間変換処理、処理(ii)：トリミング、処理(iii)：サイズ変換）を施す。画像処理部２１５は、画像処理を施すことで得られた処理済画像（つまり、特徴抽出が施された画像）を推定部２１６に渡す。

推定部２１６（種別推定部の一例）は、運用前の学習段階で作成されてストレージ２２Ａに格納された学習済みモデル２２２を使用して、画像処理部２１５から渡された処理済画像を基にリンゴの等級（種別の一例）を推定する。すなわち、推定部２１６は、撮像部３０によって取得された各リンゴの等級を推定し、推定結果をユニークＩＤ生成部２１３に送る。
なお、プリンタ２Ａで例えばコストダウン目的で低スペックのＣＰＵを採用する場合、撮像部３０、画像処理部２１５、推定部２１６、および学習済みモデル２２２は、外部モジュールに搭載しても良い。この場合、外部モジュールとプリンタ２Ａは適切な通信手段で結ばれ、推定結果を外部モジュールからプリンタ２Ａ上のユニークＩＤ生成部２１３に伝送する。また、画像を印字に含める場合、外部モジュール上の撮像部３０で撮影した画像を、プリンタ２Ａ上の描画エンジン２１８に伝送する。

ユニークＩＤ生成部２１３は、品目データ（例えば、リンゴを示す商品コード）と、測位部２１１が取得した位置情報と、時刻取得部２１２が取得した時刻情報と、推定部２１６から得られるリンゴの等級の推定結果とに基づいて、コンベアＣにより搬送される各リンゴに対するユニークＩＤを生成する。ユニークＩＤは、図４Ｂのロット番号１０２に相当する。ここで、時刻取得部２１２が時刻取得するきっかけとなるイベントは、推定部２１６による推定結果のユニークＩＤ生成部２１３への通知とすることが好ましい。
ユニークＩＤの生成方法は限定するものではないが、単に、品目データと位置情報と時刻情報と等級の推定結果とを直接に連結したコードとしてもよいし、品目データと位置情報と時刻情報と等級の推定結果を基に所定の演算を行って得られたコードとしてもよい。
ユニークＩＤ生成部２１３は、ユニークＩＤを生成する度に、生成したユニークＩＤをユニークＩＤデータベース２２１に記録する。ユニークＩＤデータベース２２１は、好ましくは、管理サーバ５上のユニークＩＤデータベース５２と、通信部５３を介して適切な頻度で同期が取られることが望ましい。

シンボル生成部２１４は、ユニークＩＤ生成部２１３によって生成されたユニークＩＤに対応するユニークシンボルＳＭＢを生成する。ユニークシンボルは、好ましくは、図４Ｂに例示したように２次元コード１１０である。

描画エンジン２１８は、ユニークＩＤ生成部２１３により生成されたユニークＩＤと、シンボル生成部２１４により生成されたユニークシンボルとを所定のレイアウトに配置した印字データ（ビットマップデータ）を作成する。描画エンジン２１８は、例えば、ファームウェアの一部を構成するプログラムモジュールである。なお、印字データにユニークＩＤを含むことは必須ではない。
描画エンジン２１８によって作成される印字データには、測位部２１１で取得された位置情報を示す文字列、時刻取得部２１２で取得された時刻情報を示す文字列、および、推定部２１６の推定結果（リンゴの等級）を示す文字列のうち少なくともいずれかを含むようにしてもよい。

制御部２１Ａは、第１の実施形態と同様に、生成した印字データのライン毎のデータであるラインデータを順次、印字部２６へ送出する。搬送部２５および印字部２６は、順次送出されるラインデータに基づいて印字を行い、例えば図４Ｂに示したラベルＰＬを発行する。

以上説明したように、本実施形態のラベル発行システム１Ａでは、プリンタ２Ａが、品目データと位置情報と時刻情報と等級の推定結果とに基づいてユニークＩＤを生成し、当該ユニークＩＤに対応するユニークシンボルを生成し、当該ユニークシンボルを印字したラベルＰＬを発行する。そのため、オペレータは、プリンタ２Ａによって発行されたラベルＰＬを各商品Ｐ（リンゴ）に貼り付けるたけでよい。よって、第１の実施形態と同様に、例えばハンディターミナル等に商品Ｐの識別番号等の情報を手入力する必要がないため、商品Ｐにユニークシンボルを付する場合のオペレータの作業負荷を低減することができる。

さらに、本実施形態のラベル発行システム１Ａでは、ラベルＰＬに商品Ｐであるリンゴの等級の情報が印字されるように構成される。
従来は、リンゴの等級の判定は、リンゴの色合等を基に熟練した作業員が視認することで行われていた。しかし、人間の感覚に頼った判定は個人差や環境差によりばらつきが多く、信頼性を高める上では限界があった。また、収穫期が一時に集中する一方、判定には高度な熟練が求められ、アルバイトで対応するには元来無理のある業務であった。
それに対して本実施形態のラベル発行システム１Ａでは、推定部２１６によって学習済みモデル２２２を使用し、商品Ｐであるリンゴの等級が極めて精度良く推定され、その推定結果がラベルＰＬに印字される。すなわち、いったんリンゴの等級推定の学習を行った後は、熟練した作業員の判定に頼らずに、プリンタ２Ａが自動的にリンゴの等級を高い精度で推定し、その推定結果がラベルＰＬに印字される。そのため、熟練した作業員が必要なく、従来よりも工場又は倉庫での省力化、自動化を図ることができる。

本実施形態のラベル発行システム１Ａにおいて、印字部２６は、各リンゴに対応するラベルに、撮像部３０によって取得された対応する画像を印字することが好ましい。すなわち、描画エンジン２１８は、印字データに、撮像部３０によって取得されたリンゴの画像を含むようにすることが好ましい。それによって、ラベルＰＬが貼付された商品Ｐ（リンゴ）を見た流通業者や消費者は、リンゴの等級の判定結果（推定結果）と、判定結果に対応したリンゴの画像とを認識することができ、安心感を得ることができる。

（２−５）変形例
第２の実施形態のラベル発行システム１Ａの変形例について、以下説明する。
図４〜図８を参照して、プリンタ２Ａが単一の商品Ｐ（リンゴ）の画像を取得し、取得した画像に基づいて、当該単一の商品Ｐ（リンゴ）の種別として等級を推定する場合を挙げたが、その限りではない。本変形例では、コンベアＣによって搬送される商品に、複数の異なる種類の果実（例えば、リンゴ、みかん、オレンジ、梨；物品の一例）が含まれる場合が想定される。

本変形例では、プリンタ２Ａは、コンベアＣによって搬送される複数の異なる種類の果実の画像を１つずつ取得し、各果実の画像から、学習済みモデルを利用して複数の種類の果実の中からいずれの種類の果実であるか推定する。
ラベル発行の運用を開始する前には、プリンタ２Ａは、所与の画像に対して、リンゴ、みかん、オレンジ、梨のいずれかの種類の果実であるか推定できるように学習部２１９に学習させる。学習する際には、果実の画像と果実の種類を示すラベルデータ（すなわち、リンゴ、みかん、オレンジ、梨のいずれか）の複数の組合せからなる学習用データセットを用意する。学習部２１９は、プリンタ２Ａの運用前に、学習用データセットを基に学習済みモデルを作成する。

ラベル発行の際には、プリンタ２Ａの推定部２１６は、各果実の入力画像を基に、学習済みモデルを参照して複数の種類の果実のいずれかの果実であるか推定する。推定部２１６による推定結果は、ユニークＩＤ生成部２１３によって生成されるユニークＩＤに反映される。また、推定部２１６による推定結果がラベルに表示されるように、描画エンジン２１８が印字データを生成することが好ましい。それによって、果実の種類が印字されたラベルが果実に貼付されることになるため、果実に貼付されるラベルを見た流通業者や消費者は、果実の種類が一見して認識できない場合であっても果実の種類をラベルから認識することができ、安心感を得ることができる。

本変形例では、プリンタ２Ａのストレージ２２Ａ（記憶部の一例）には、複数の種類の果実の各々に対応する印字レイアウトに関する印字レイアウト情報が格納される。印字レイアウトは、ラベル上に印字されるべき印字内容が、果実の種類に応じて最適な位置に配置されるように構成されている。
好ましくは、描画エンジン２１８は、推定部２１６によって推定された果実に対応する印字レイアウトに関する印字レイアウト情報をストレージ２２Ａから読み出し、読み出した印字レイアウト情報を適用して印字データを生成する。それによって、果実の種類に応じたレイアウトを有する最適なラベルを自動的に発行することができる。

（３）第３の実施形態
次に、図９を参照して、第３の実施形態のラベル発行システムについて説明する。なお、本実施形態のラベル発行システムのハードウェア構成は、概ね、第２の実施形態（図５）と同一でよい。

本実施形態のラベル発行システムでは、プリンタ２Ａは、コンベアＣによって搬送される複数の異なる種類の商品を含むパッケージ商品ＰＫＧに貼付すべきラベルＰＬ（目録）を発行する。図９Ｂに示すラベルＰＬには、商品目録１１５として、商品である商品Ｐ１，Ｐ２，Ｐ３，Ｐ４の数量と製造日（例えばラベル発行日）が印字されるとともに、２次元コード１１０が印字される。
本実施形態のラベル発行システムでは、ユニークＩＤは、例えば、測位部２１１が取得した位置情報と、時刻取得部２１２が取得した時刻情報とに基づいて作成される。２次元コード１１２は、ユニークＩＤを基に作成される。

図９Ａに示すように、プリンタ２Ａの撮像部３０は、パッケージ商品とすべき複数の種類の商品を含む画像を一括して取得する。
プリンタ２Ａの制御部２１Ａは、撮像部３０によって取得された画像をトリミングすることで、各商品の外形上の特徴抽出がなされた画像（以下、「商品画像」という。）を取得し、取得した商品画像から各商品の種類を推定する。ここで、各商品の種類の推定の際には、学習済みモデルが利用される。

すなわち、ラベル発行の運用を開始する前には、プリンタ２Ａは、所与の画像に含まれる複数の商品画像に対して、少なくとも商品Ｐ１，Ｐ２，Ｐ３，Ｐ４を含む複数の種類の商品のいずれかの種類の商品であるか推定できるように学習部２１９に学習させる。学習する際には、複数の種類の商品の各商品画像と各商品の種類を示すラベルデータの複数の組合せからなる学習用データセットを用意する。学習部２１９は、プリンタ２Ａの運用前に、学習用データセットを基に例えば深層学習を行い、学習済みモデルを作成する。

プリンタ２Ａの推定部２１６は、作成された学習済みモデルを使用することで、撮像部３０によって取得された画像に含まれる複数の商品画像の各々の種類を、精度良く推定することができる。プリンタ２Ａの制御部２１Ａは、撮像部３０によって取得された画像から複数の商品画像をトリミングした結果と、各商品画像の推定結果とに基づいて、推定された商品の種類と、商品の種類ごとの数量とを特定する。特定された商品の種類と商品の種類ごとの数量とがラベルＰＬに印字されるように、印字データが生成される。

以上説明したように、本実施形態のラベル発行システムでは、コンベアＣによって搬送される複数の種類の商品を含む画像を取得して、取得した画像に含まれる各商品の商品画像に基づいて、各商品の種類と個数とを含む商品目録１１５をラベルＰＬに印字する。すなわち、パッケージ商品ＰＫＧの商品目録１１５が自動的に作成されることからめ、工場又は倉庫において、商品目録を作成するときに省力化を図ることができる。

以上、本発明のプリンタ、プログラム、および、印字方法の実施形態について詳細に説明したが、本発明は上記の実施形態に限定されない。また、上記の実施形態は、本発明の主旨を逸脱しない範囲において、種々の改良や変更が可能である。

例えば、第２の実施形態のラベル発行システム１Ａでは、物品の一例としてリンゴを挙げ、物品の種別の一例としてリンゴの等級を挙げたが、その限りではない。物品の画像を基に特徴抽出がなされた画像と物品の種別とを機械学習させた学習済みモデルを利用して、画像の種別を推定することができれば、物品と物品の種別は問わない。
例えば、物品はリンゴ以外の果実や野菜等の農作物でもよく、物品の種別は農作物の等級、ランク、品種、正常／欠陥等であってもよい。あるいは、物品は工業製品や医療材料等でもよく、その場合、物品の種別は、物品の外観上の正常あるいは欠陥（若しくは異常）であってもよい。

第２の実施形態のラベル発行システム１Ａの変形例では、入力画像を基に、複数の異なる種類の果実からいずれかの果実を推定する場合について説明したが、その限りではない。果実は物品の一例に過ぎず、複数の異なる工業製品や複数の異なる医療材料等に適用可能である。すなわち、物品の外形形状の特徴量等に基づいて学習し、物品の種類を推定可能である限り、如何なる種類の物品に対しても適用可能である。

１，１Ａ…ラベル発行システム
２，２Ａ…プリンタ
２１，２１Ａ…制御部
２１０Ａ…モデル生成部
２１０，２１０Ｂ…印字データ生成部
２１１…測位部
２１２…時刻取得部
２１３…ユニークＩＤ生成部
２１４…シンボル生成部
２１５…画像処理部
２１６…推定部
２１７…学習用データセット生成部
２１８…描画エンジン
２１９…学習部
２２…ストレージ
２２１…ユニークＩＤデータベース
２２２…学習済みモデル
２３…操作入力部
２４…表示部
２５…搬送部
２６…印字部
２７…通信部
２８…ＧＰＳ受信部
２９…測距センサ
３０…撮像部
５…管理サーバ
５１…制御部
５２…ストレージ
５３…通信部
ＮＷ…ネットワーク
Ｐ…商品
ＰＫＧ…パッケージ商品
ＰＬ…ラベル
１０１…商品名称
１０２…ロット番号
１０３…位置
１０４…日付
１０５…時刻
１１０，１１２…２次元コード
１１５…商品目録

Claims (8)

1. 複数の物品の各々に対応する印字媒体を発行するプリンタであって、
   前記プリンタの位置に関する位置情報を取得する第１情報取得部と、
   物品毎に異なるタイミングで発生するイベントの発生時刻に関する時刻情報を取得する第２情報取得部と、
   各物品の種別に関する種別情報と、前記第１情報取得部が取得した位置情報と、前記第２情報取得部が取得した時刻情報とに基づいて、各物品に対するユニークＩＤを生成する第１生成部と、
   前記ユニークＩＤに対応するユニークシンボルを生成する第２生成部と、
   各物品に対応する印字媒体に、各物品に対して生成されたユニークシンボルを印字する印字部と、
   を備えたプリンタ。
2. 各物品の画像を取得する画像取得部と、
   物品の画像と当該物品の種別とを機械学習させた学習済みモデルを利用して、前記画像取得部によって取得された画像の種別を推定する種別推定部と、をさらに備え、
   前記種別情報は、前記種別推定部によって推定された種別に関する情報である、
   請求項１に記載されたプリンタ。
3. 前記印字部は、各物品に対応する印字媒体に、前記画像取得部によって取得された対応する画像を印字する、
   請求項２に記載されたプリンタ。
4. 物品の複数の種別の各々に対応する印字レイアウトに関する印字レイアウト情報を記憶する記憶部、をさらに備え、
   前記印字部は、前記種別推定部によって推定された種別に対応する印字レイアウトを適用する、
   請求項２又は３に記載されたプリンタ。
5. 前記印字部は、各物品に対応する印字媒体に、各物品に対応する前記種別情報、前記位置情報、前記時刻情報、および、前記ユニークＩＤのうち少なくともいずれかの情報を印字する、
   請求項１から４のいずれか一項に記載されたプリンタ。
6. 複数の物品の各々に対する印字媒体をプリンタに発行させるためのプログラムであって、コンピュータに、
   前記プリンタの位置に関する位置情報を取得する手順と、
   物品毎に異なるタイミングで発生するイベントの発生時刻に関する時刻情報を取得する手順と、
   各物品の種別に関する種別情報と、取得した前記位置情報と、取得した前記時刻情報とに基づいて、各物品に対するユニークＩＤを生成する手順と、
   前記ユニークＩＤに対応するユニークシンボルを生成する手順と、
   各物品に対応する印字媒体に、各物品に対して生成されたユニークシンボルを印字する手順と、
   を実行させるプログラム。
7. 複数の物品の各々に対してプリンタにより情報を印字媒体に印字する印字方法であって、
   前記プリンタの位置に関する位置情報を取得し、
   物品毎に異なるタイミングで発生するイベントの発生時刻に関する時刻情報を取得し、
   各物品の種別に関する種別情報と、取得した前記位置情報と、取得した前記時刻情報とに基づいて、各物品に対するユニークＩＤを生成し、
   前記ユニークＩＤに対応するユニークシンボルを生成し、
   各物品に対応する印字媒体に、各物品に対して生成されたユニークシンボルを印字する、
   印字方法。
8. 複数の物品の各々に対するユニークＩＤを生成するユニークＩＤ生成方法であって、
   ユニークＩＤを生成する位置に関する位置情報を取得し、
   物品毎に異なるタイミングで発生するイベントの発生時刻に関する時刻情報を取得し、
   各物品の種別に関する種別情報と、取得した前記位置情報と、取得した前記時刻情報とに基づいて、各物品に対するユニークＩＤを生成する、
   ユニークＩＤ生成方法。

Images