JP2023115666A - コーヒー炒豆の焙煎度推定機能を備える焙煎度検査システムおよび焙煎度検査方法 - Google Patents

Abstract

【課題】コーヒー煎豆の焙煎度合を高精度に推定できる、コーヒー炒豆の焙煎度機能を備える焙煎度検査システムを提供する。【解決手段】コーヒー炒豆の焙煎度推定システム１０は、コーヒー炒豆の焙煎度合で少なくとも３以上に分類される画像データから得られる教師データであって、画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの濃度値の高い部分から全体の画素数に対して所定割合の画素数に対応する濃度値を教師データとして用いてニューラルネットワークによって生成される学習モデルを記憶する記憶装置１１と、コーヒー炒豆の画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの濃度値の高い部分から全体の画素数に対して所定割合の画素数に対応する濃度値が入力されると、前記学習モデルを用いて前記コーヒー炒豆の焙煎度合を示す焙煎度分類結果を出力する推定実行部１５４とを備える。【選択図】図１

Description

本発明は、コーヒー炒豆の焙煎度推定機能を備える焙煎度検査システムおよび焙煎度検査方法に関する。

コーヒー豆の焙煎工程において、その焙煎度合は目視検査で判定されている。また、色差計で炒豆の焙煎度を計測しＬ値で評価することが行われている。焙煎度は、浅煎り焙煎、中煎り焙煎、深煎り焙煎に分類される。浅煎り焙煎は、ライトロースト（例えばＬ値２７．０以上）、シナモンロースト（例えばＬ値２５．０から２７．０未満）に細分化される。中煎り焙煎は、ミディアムロースト（例えばＬ値２２．５から２５．０未満）、ハイロースト（例えばＬ値２０．５から２２．５未満）、シティロースト（例えばＬ値１８．５から２０．５未満）に細分化される。深煎り焙煎は、フルシティロースト（例えばＬ値１６．５から１８．５未満）、フレンチロースト（例えばＬ値１５．０から１６．５未満）、イタリアンロースト（例えばＬ値１５．０未満）に細分化されている。

目視検査では、個人差、経験値によるばらつきがある。また、浅煎り焙煎と深煎り焙煎の差は大きく目視検査も簡単であるが、中煎り焙煎、深煎り焙煎の細分化した違いを判断することも容易ではない。また、目視検査の結果と、色差計のＬ値の結果とを比較すると、再現性が低いことが問題であった。
色差計による測定を焙煎機に実装し、リアルタイムでＬ値を測定することも容易ではない。焙煎温度と焙煎時間を設定し、焙煎度測定するタイミングで焙煎機を停止し、焙煎機から炒豆を抜き取り、静置した状態の炒豆を色差計で測定する必要があった。

特許文献１は、コーヒー豆の初期焙煎度を測定する方法として、炒豆の表面温度から判断することを開示している。特許文献２は、コーヒー焙煎豆の選別方法であって、コーヒー焙煎豆中の３－メチルインドールの含有量を近赤外線により測定し、含有量が０．０００３５ｍｇ／ｇ未満であると判断されたコーヒー焙煎豆を分離する工程を開示している。特許文献３は、焙煎室内のコーヒー豆の表面色を検出する色差計からの信号と、あらかじめ設定された浅煎り、中煎り、深煎り等の焙煎度合の換算値とを比較し、表面色が設定値に達すると加熱装置を停止することが記載されている。

また、検査対象物を撮像した画像を学習させたニューラルネットワークを用いた検査方法が多く提案され実用化されている。特許文献４は、食肉、例えば鶏肉の血合いや異物を検出するためにニューラルネットワークを利用している。特許文献５は、複数種類のいりこなどが混在した検査対象物から選別したい物とそれ以外を識別するためにニューラルネットワークを利用している。

特表２０１６－５３６９８９号公報 特開２０１６－１６７９９３号公報 特開平４－３１１３４９号公報 国際公開第２０１９／１５１３９３号 特許第４８１２０８３号

特許文献１から３では、温度、色差計、近赤外線などから焙煎度合を判定することを記載しているにすぎず、ニューラルネットワークを用いた焙煎度合の高精度判定ではない。特許文献４および５は、ニューラルネットワークを用いて良品・不良品あるいは種別の分類を行っているに過ぎず、焙煎度合の高精度判定ではない。

本発明の目的は、コーヒー炒豆の焙煎度合（例えば、３分類以上、４分類以上、５分類以上、６分類以上）を高精度に推定できる、コーヒー炒豆の焙煎度推定機能を備える焙煎度検査システムおよび焙煎度検査方法を提供することである。

コーヒー炒豆の焙煎度推定システム（焙煎度推定機能）は、
コーヒー炒豆の焙煎度合で少なくとも３以上に分類される画像データから得られる教師データであって、画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの濃度値の高い部分から全体の画素数に対して所定割合（例えば、１０％から５０％）の画素数に対応する濃度値（輝度値）を教師データ（「訓練データ」ともいう。）として用いてニューラルネットワークによって生成される学習モデル（「識別器」ともいう。）を記憶する記憶装置と、
コーヒー炒豆の画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの濃度値の高い部分から全体の画素数に対して所定割合（例えば、１０％から５０％）の画素数に対応する濃度値（輝度値）が入力されると、前記学習モデルを用いて前記コーヒー炒豆の焙煎度合を示す焙煎度分類結果を出力する推定実行部とを備える。
「焙煎度分類結果」は、例えば、少なくとも３以上に分類された焙煎度ごとの確信度（「信頼度」ともいう。）を含んでいてもよい。
分類したい焙煎度の教師データを細分化するほど、得られる分類数も増加できる。例えば、Ｌ値の１桁あるいは小数点１位の桁での分類も可能である。

上記構成によれば、画像データを学習モデルに入力するだけで簡単に検査できる。

前記焙煎度推定システム（焙煎度推定機能）は、
撮像された画像データを前処理する前処理部を有していてもよい。
前記前処理部は、撮像された画像データ（例えば、１辺が３０ｃｍから３０ｃｍの正方形サイズ）からその中央領域の画像を所定サイズ（例えば、１辺が４ｃｍから２０ｃｍ）に切り出す処理であってもよい。
前記前処理部は、切り出された画像データから背景（検査対象物以外の画像）を切り抜く背景除去処理を行ってもよい。

前記焙煎度推定システム（焙煎度推定機能）は、
前処理された画像データあるいは撮像された画像データそのものから、ＲＧＢそれぞれの濃度ヒストグラムを求める濃度ヒストグラム算出部を有していてもよい。

前記焙煎度推定システム（焙煎度推定機能）は、
前記焙煎度分類結果から焙煎度分類を判定する分類判定部を有していてもよい。分類判定部は、焙煎度分類結果の確信度のうち最高値となる分類を選択してもよい。

前記焙煎度推定システム（焙煎度推定機能）は、
前記濃度ヒストグラム算出部で得られるＲＧＢそれぞれの濃度ヒストグラムから濃度値の高い部分から全体の画素数に対して所定割合（例えば、１０％から５０％）の画素数に対応する濃度値で構成される教師データを作成する教師データ作成部を有していてもよい。教師データ作成部は、ニューラルネットワークの入力層に入力できるように、前記所定割合のＲ濃度ヒストグラムの濃度値、前記所定割合のＧ濃度ヒストグラムの濃度値、前記所定割合のＢ濃度ヒストグラムの濃度値の順に並び替えてもよい。ニューラルネットワークの入力層の数は、前記所定割合で設定される画素数に対応する数である。
前記焙煎度推定システム（焙煎度推定機能）は、
前記濃度ヒストグラム算出部で得られるＲＧＢそれぞれの濃度ヒストグラムから濃度値の高い部分から全体の画素数に対して所定割合（例えば、１０％から５０％）の画素数に対応する濃度値で構成される入力データを作成する入力データ作成部を有していてもよい。入力データ作成部は、ニューラルネットワークの入力層に入力できるように、前記所定割合のＲ濃度ヒストグラムの濃度値、前記所定割合のＧ濃度ヒストグラムの濃度値、前記所定割合のＢ濃度ヒストグラムの濃度値の順に並び替えてもよい。
濃度ヒストグラムの高い部分を選択することで、豆位置ずれ、豆の重なる部分の影響を無視できる。

前記炒豆の焙煎度合は、浅煎り焙煎、中煎り焙煎、深煎り焙煎に分類される。浅煎り焙煎は、ライトロースト（例えばＬ値２７．０以上）、シナモンロースト（例えばＬ値２５．０から２７．０未満）に細分化される。中煎り焙煎は、ミディアムロースト（例えばＬ値２２．５から２５．０未満）、ハイロースト（例えばＬ値２０．５から２２．５未満）、シティロースト（例えばＬ値１８．５から２０．５未満）に細分化される。深煎り焙煎は、フルシティロースト（例えばＬ値１６．５から１８．５未満）、フレンチロースト（例えばＬ値１５．０から１６．５未満）、イタリアンロースト（例えばＬ値１５．０未満）に細分化されている。
焙煎度分類結果は、上記Ｌ値に対応した３以上の分類を含んでいてもよい。

前記ニューラルネットワークは、例えば、単層型あるいは多層階層型ニューラルネットワークなどが挙げられる。前記学習モデルは、ソフトウエアプログラムである。前記ニューラルネットワークは、６分類の焙煎度である場合に、例えば、入力層（前記所定割合に対応するノード数で設定される）、中間層、出力層（６ノード）であってもよい。中間層（「隠れ層」ともいう。）が多層であってもよい。

前記焙煎度推定システム（焙煎度推定機能）は、
教師データをニューラルネットワーク（学習モデル）に入力し学習を実行する学習実行部を有していてもよい。
前記学習実行部は、別の教師データを用いて再学習も実行する構成であってもよい。

前記焙煎度推定システム（焙煎度推定機能）は、
前記学習モデルから得られる結果から正解率（「正答率」ともいう。）、適合率、および／または再現率の精度結果を演算する精度評価部をさらに有していてもよい。精度評価部は、学習実行部による学習処理において実行されてもよく、推定実行部による推定処理において実行されてもよい。
前記焙煎度推定システム（焙煎度推定機能）は、
前記推定実行部で出力された焙煎度分類結果（各分類の確信度）、および／または前記精度評価部で演算された精度結果を出力する結果情報出力部をさらに有していてもよい。
前記推定実行部による出力および前記結果情報出力部による出力は、例えば、表示装置に表示する、別装置へ送信する、印刷する、音声を発する、記憶装置へ記憶するなどの各種手段で構成されていてもよい。

コーヒー炒豆の焙煎度推定機能を備える焙煎度検査システムは、
上記焙煎度推定システム（焙煎度推定機能）と、
搬送装置と
ドーム型照明装置と、
前記ドーム型照明装置のドーム型頂点に設けられる、検査対象物を撮像する撮像手段と、を備えていてもよい。
前記撮像手段で撮像された画像データは、前記学習モデルの入力データおよび／または前記教師データに用いてもよい。
ドーム型照明装置を採用することで、影や乱反射を低減した画像を取得できる。

前記搬送装置は、
駆動プーリおよび受動プーリ（「駆動ローラおよび受動ローラ」でもよい。）に掛け渡される無端ベルトと、
駆動プーリを回転駆動させるモータと、
無端ベルトに振動を与える振動発生器と、を有していてもよい。
振動発生器による振動で、背景が見えないように隙間なく、かつ大きな起伏もなく一定高さになるようにする。

コーヒー炒豆の焙煎度検査方法は、
コーヒー炒豆の焙煎度合で少なくとも３以上に分類される画像データから得られる教師データであって、画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合（１０％から５０％）の画素数に対応する濃度値を教師データとして用いてニューラルネットワークによって生成される学習モデルに、コーヒー炒豆の画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合（１０％から５０％）の画素数に対応する濃度値を入力し、前記コーヒー炒豆の焙煎度合を示す焙煎部分類結果を出力するステップを含む。
前記コーヒー炒豆の焙煎度検査方法は、
検査対象物を搬送装置で搬送しながら、（ドーム型照明装置のドーム型頂点に設けられる）撮像手段で撮像する撮像ステップと、
前記撮像ステップで得られた画像データを所定サイズに分割して切り出す前処理ステップと、
前記前処理ステップで前処理された画像データからＲＧＢそれぞれの濃度ヒストグラムを求める濃度ヒストグラム算出ステップと、
前記濃度ヒストグラム算出ステップで得られたＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合（１０％から５０％）の画素数に対応する濃度値で構成される入力データを作成する入力データ作成ステップと、
前記入力データ作成ステップで作成された入力データを、前記学習モデルに入力して焙煎度分類結果を出力する推定実行ステップと、
を含んでいてもよい。
前記コーヒー炒豆の焙煎度検査方法は、
前記学習モデルから得られる焙煎度分類結果から正解率、適合率、および／または再現率を演算する精度評価ステップを含んでいてもよい。
前記コーヒー炒豆の焙煎度検査方法は、
前記推定実行ステップで出力された前記焙煎度分類結果、および／または前記精度評価ステップで演算された精度結果を出力する結果情報出力ステップを含んでいてもよい。

情報処理装置は、
少なくとも１つのプロセッサーと、
前記プロセッサーで実行可能な命令を記憶するためのメモリと、を含み、
前記プロセッサーは、実行可能な命令を実行することにより前記コーヒー炒豆の焙煎度検査方法の各ステップを実現する、情報処理装置である。

コーヒー炒豆の焙煎度検査プログラムは、
少なくとも１つのプロセッサーにより、前記コーヒー炒豆の焙煎度検査方法の各ステップを実現するプログラムである。

コンピュータ命令が記憶されているコンピュータ読み取り可能な記録媒体は、
コーヒー炒豆の焙煎度合で少なくとも３以上に分類される画像データから得られる教師データであって、画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合（１０％から５０％）の画素数に対応する濃度値で構成される教師データを用いてニューラルネットワークによって生成される学習モデルを記憶する、コンピュータ読み取り可能な記録媒体である。

前記焙煎度推定システムの各構成部は、メモリ、プロセッサー、ソフトウエアプログラムを有する情報処理装置（例えば、コンピュータ、サーバ）や、専用回路、ファームウエアなどで構成してもよい。情報処理装置は、オンプレミスまたはクラウドのいずか一方、あるいは両方の組み合わせであってもよい。

実施形態１のコーヒー炒豆の焙煎度合の検査システムの一例を示す図である。 推定処理の動作フローの一例を示す図である。 表示画面の一例を示す図である。 実施例の正答率の結果を示す図である。 実施例の正答率の結果を示す図である。

（実施形態１）
図１は、実施形態１のコーヒー炒豆の焙煎度検査システム１の一例を示す。本実施形態１の焙煎度検査システム１は、焙煎度推定システム１０、搬送装置２、ドーム型照明装置２７、撮像手段２８を備える。

搬送装置２は、駆動プーリ２３と受動プーリ２２に掛け渡される無端ベルト２１と、駆動プーリ２３を回転駆動させるモータ（不図示）と、無端ベルト２１に振動を与える振動発生器２６と、投入ホッパ２４と、排出容器２５を備える。無端ベルト２１の上方にドーム型照明装置２７が設置され、撮像手段２８がドーム型照明装置２７のドーム型頂点に設けられる。
ドーム型照明装置２７は、内部に、蛍光灯、ＬＥＤ光、ハロゲン光から選択されるバー状、面上あるいはリング状光源と、ドーム型内壁面に反射材を有して構成されていてもよい。照明色は、ＲＧＢの階調値のそれぞれを変更できる。撮像手段２８として、例えば、カラーカメラが挙げられる。
振動発生部２６は、複数の突起が凹凸を形成するように設けられた回転ロールおよびその回転駆動モータで構成される。投入ホッパ２４とドーム型照明装置２７との間に、無端ベルト２１の裏側（コーヒー豆搬送面の裏側）に配置され、無端ベルト２１の裏面に、凹凸の突起が回転しながら接触させることで、無端ベルト２１に振動を与えることができる。

（撮影動作フロー）
投入ホッパ２４から検査対象物（炒豆）を投入し、無端ベルト２１を回転駆動する。振動発生器２６で振動が与えられた状態で無端ベルト２１が回転し、検査対象物を均一な厚みを持たせた状態で、排出容器２５まで搬送する。搬送途中にドーム型照明装置２７が配置されており、その天頂から垂直下方に向かって撮像手段２８が搬送されている状態の検査対象物を撮影する。撮像手段２８で撮像された画像データは、動画あるいは静止画として後述する焙煎度推定システム１０へ送られる。画像データは焙煎度推定システム１０の通信手段１４で受信され、記憶装置１１あるいは不図示のメモリに保存される。

焙煎度推定システム１０は、記憶装置１１、表示装置１３、通信手段１４、前処理部１５１、濃度ヒストグラム算出部１５２、入力データ作成部１５２１、学習実行部１５３、推定実行部１５４、分類判定部１５５、精度評価部１５６、結果情報出力部１５７を備える。

記憶装置１１は、学習済みの学習モデル１２を記憶している。学習モデルは、コーヒー炒豆の焙煎度合で少なくとも３以上に分類される画像データから得られる教師データであって、画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合（１０％から５０％）の画素数を取得し、その画素数に対応する濃度値を教師データとして用いたニューラルネットワークによって構成されている。記憶装置１１は、例えば、揮発性或いは不揮発性のメモリで構成されていてもよい。記憶装置１１は、１種の学習モデルでもよく、２種以上の学習モデルを記憶していてもよい。

前処理部１５１は、撮像手段２８で撮像された画像データを前処理する。画像データは、撮像手段２８から送られて通信手段１４で受信し、記憶装置１１で記憶されている。
前処理部１５１は、撮像して得られた静止画像データ（例えば、１辺が３０ｃｍから３０ｃｍの正方形サイズ）からその中央領域の画像を所定サイズ（例えば、１辺が４ｃｍから２０ｃｍ）に切り出す処理を行う。通信手段１４は、無線手段、有線手段のいずれであってもよい。

濃度ヒストグラム算出部１５２は、前処理した画像データからＲＧＢそれぞれの濃度ヒストグラムを求める。濃度ヒストグラム算出部１５２は、例えば、ＲＧＢそれぞれ、１２８階調、２５６階調あるいは１０２４階調でのヒストグラムを求めてもよい。
入力データ作成部１５２１は、濃度ヒストグラム算出部１５２で得られるＲＧＢそれぞれの濃度ヒストグラムから濃度値の高い部分から全体の画素数に対して所定割合（例えば、１０％から５０％）の画素数に対応する濃度値で構成される入力データを作成する。入力データ作成部１５２１は、さらに、ニューラルネットワークの入力層に入力できるように、Ｒ濃度ヒストグラムの濃度、Ｇ濃度ヒストグラムの濃度、Ｂ濃度ヒストグラムの濃度の順に並び替えを行う。本実施形態において、入力データ作成部１５２１は、教師データ作成部の機能を兼用している。

学習実行部１５３は、教師データをニューラルネットワーク（学習モデル）に入力し学習を実行する。

推定実行部１５４は、入力データ作成部１５２１で得られた入力データ（所定割合のＲＧＢそれぞれの濃度ヒストグラム濃度）が入力されると、学習モデル１２を用いてコーヒー炒豆の焙煎度分類結果（各分類の確信度）を出力する。
分類判定部１５５は、推定実行部１５４で出力された焙煎度分類結果から最適の分類を判定する。各分類の確信度が最も高い分類を検査結果として出力する。

精度評価部１５６は、学習モデルから得られた焙煎度分類結果から正解率、適合率、および／または再現率の精度結果を演算する。

結果情報出力部１５７は、焙煎度分類結果、判定結果（分類結果）、精度結果を出力する。本実施形態では、結果情報出力部１５７による出力は、例えば、表示装置１３に表示する。表示装置１３は、特に制限されず、液晶モニター、有機ＥＬモニター、ＣＲＴモニター、スマートフォン、タブレット、汎用パソコンのモニターなどが例示される。

（教師データおよび学習モデルの生成）
まず、教師データおよび学習モデルの生成について説明する。
各焙煎度の炒豆を撮像手段２８で撮像し画像データを生成する。各焙煎度の画像データは焙煎度推定システム１０へ送られ、記憶装置１１に記憶される。焙煎度推定システム１０が動画から静止画を生成してもよく、撮像手段２８が静止画を生成してもよい。
前処理部１５１、濃度ヒストグラム算出部１５２、入力データ作成部１５２１を実行し、教師データセット（訓練データセット）を作成する。
学習実行部１５３を実行し、教師データセットをニューラルネットワークに入力し、学習モデルを生成する。精度評価部１５６により、精度評価を行うことができる。最良結果であった学習モデル１２を記憶装置１１へ記憶する。

（推定処理の動作フロー）
図２に推定処理の動作フローを示す。図２（ａ）は、撮像手段２８で撮像された画像データ（静止画）を示す。画像サイズは縦３０ｃｍ×横４０ｃｍである。中央領域（例えば、縦横８ｃｍ×８ｃｍ）の画像データを識別判定画像に用いる。図２（ｂ）でＲＧＢそれぞれの２５６階調の濃度ヒストグラムを作成する。図２（ｂ）ではＲのヒストグラムのみを示している。図２（ｃ）で入力データ作成処理が実行される。入力データ作成部１５２１は、ＲＧＢそれぞれの濃度ヒストグラムにおいて、濃度値の高い部分から全体の画素数に対して所定割合（例えば、１０％から５０％）の画素数に対応する濃度値で構成される入力データを作成する。入力データ作成部１５２１は、さらに、ニューラルネットワークの入力層に入力できるように、Ｒ濃度ヒストグラムの濃度、Ｇ濃度ヒストグラムの濃度、Ｂ濃度ヒストグラムの濃度の順に並び替えを行う。図２（ｃ）では所定割合を３０％としている。入力データは、ＲＧＢでそれぞれ３０個であり合計９０個の入力データが作成される。
図４（ｄ）の学習モデル実行において、推定実行部１５４は、Ｒ濃度ヒストグラムの濃度、Ｇ濃度ヒストグラムの濃度、Ｂ濃度ヒストグラムの濃度の順に縦一列にしてそのまま、学習モデル１２の入力層（９０ノード）に入力する。学習モデル１２は入力層（９０ノード）、単層の中間層（９０以下ノード）、出力層（６ノード）で構成されている。出力層（６ノード）のそれぞれに、焙煎度の確信度（確信値）が出力される。
分類判定部１５５は、推定実行部１５４で出力された焙煎度の確信度（確信値）から最良の分類を判定する。確信度の最高い分類が選択される。

（表示画面の一例）
図３に表示装置１３の表示画面の一例を示す。撮像手段２８で撮像された画像データ（撮影動画）は、表示領域１３１に映される。検査ボタン１３２をクリックすると検査が実行される。検査対象の静止画像が、表示領域１３３に表示される。エリア設定１３３１において、検査静止画像から切り出す中央領域の座標（４角座標）を設定することができる。
焙煎度分類の確信度（値）は、バー表示、数値として表示領域１３５に表示される。分類判定部１５５による判定結果（Ｌ値）が表示領域１３６に表示される。
画面左下領域１３７の学習ボタンは、学習（再学習）を実行させるための指示ボタンである。評価ボタンは、精度評価部による演算を実行させるための指示ボタンである。

（実施例１）
Ｌ値が２４．０、２２．５、２１．０、１９．５、１８．０、１６．５の６分類の焙煎度の炒豆を準備し、各Ｌ値での画像データを４０枚（４０枚×６）撮像した。各画像データからその中央領域（縦横８ｃｍ×８ｃｍ）の画像を切り出し、ＲＧＢそれぞれの濃度ヒストグラム（２５６階調）（４０枚×６×３）を作成した。濃度ヒストグラムから抽出する所定割合（４パータン）を変えて検証した。濃度値の高い部分からの割合を１０％、２０％、３０％、４０％として学習データを作成し、図２のニューラルネットワーク(入力層（９０）、中間層（９０）、出力層（６）)に入力し学習させ、４パターンの学習モデルを生成した。
（結果）
上記学習データとは異なる画像データ（６０枚×６）での検証結果を図４に示す。４パターンの学習モデルの正答率を比較し、最良の割合は３０％であった。

（実施例２）
Ｌ値が２４．０、２１．０、１８．０、１６．５の４分類の焙煎度の炒豆を準備し、各Ｌ値での画像データを４０枚（４０枚×４）撮像した。各画像データからその中央領域（縦横８ｃｍ×８ｃｍ）の画像を切り出し、ＲＧＢそれぞれの濃度ヒストグラム（４０枚×４グレード×３）を作成した。濃度ヒストグラムから抽出する割合３０％として検証した。ニューラルネットワーク(入力層（９０）、中間層（９０）、出力層（４）)に入力し学習させ学習モデルを生成した。
（結果）
上記学習データ（４０枚）、これと異なる画像データ（６０枚）での検証結果を図５に示す。

（別実施形態）
（１）実施例では教師データ数が比較的少ないが、これに限定されず、教師データを増やすことで、汎化性を高めることが可能である。
（２）ニューラネットワークは、単層に限定されず、多階層型ニューラルネットワークであってもよい。
（４）ＲＧＢ濃度ヒストグラムの階調（度数）は、２５６階調に限定されない。

（検査方法）
コーヒー炒豆の焙煎度検査方法は、コーヒー炒豆の焙煎度合で少なくとも３以上に分類される画像データから得られる教師データであって、画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合（１０％から５０％）の画素数を取得し、その画素数に対応する濃度値を教師データとして用いてニューラルネットワークによって生成される学習モデルに、コーヒー炒豆の画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合（１０％から５０％）の画素数に対応する濃度値を入力し、前記コーヒー炒豆の焙煎度合を示す焙煎部分類結果を出力するステップを含む。
前記コーヒー炒豆の焙煎度検査方法は、検査対象物を搬送装置で搬送しながら、（ドーム型照明装置のドーム型頂点に設けられる）撮像手段で撮像する撮像ステップと、前記撮像ステップで得られた画像データを所定サイズに分割して切り出す前処理ステップと、前記前処理ステップで前処理された画像データからＲＧＢそれぞれの濃度ヒストグラムを求める濃度ヒストグラム算出ステップと、前記濃度ヒストグラム算出ステップで得られたＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合（１０％から５０％）の画素数に対応する濃度値で構成される入力データを作成する入力データ作成ステップと、前記入力データ作成ステップで作成された入力データを、前記学習モデルに入力して焙煎グレード結果を出力する推定実行ステップと、を含んでいてもよい。

（プログラム）
コーヒー炒豆の焙煎度検査プログラムは、少なくとも１つのプロセッサーにより、前記コーヒー炒豆の焙煎度検査方法の各ステップを実現するプログラムである。
コンピュータ命令が記憶されているコンピュータ読み取り可能な記録媒体は、コーヒー炒豆の焙煎度合で少なくとも３以上に分類される画像データから得られる教師データであって、画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合（１０％から５０％）の画素数に対応する濃度値で構成される教師データを用いてニューラルネットワークによって生成される学習モデルを記憶する、コンピュータ読み取り可能な記録媒体である。

１ 焙煎度検査システム
１０ 焙煎度推定システム
１１ 記憶装置
１２ 学習モデル
１３ 表示装置
１４ 通信手段
１５１ 前処理部
１５２ 濃度ヒストグラム算出部
１５２１ 入力データ作成部
１５３ 学習実行部
１５４ 推定実行部
１５５ 分類判定部
１５６ 精度評価部
１５７ 結果情報出力部
２ 搬送装置
２７ ドーム型照明装置
２８ 撮像手段

Claims (9)

1. コーヒー炒豆の焙煎度合で少なくとも３以上に分類される画像データから得られる教師データであって、画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの濃度値の高い部分から全体の画素数に対して所定割合の画素数に対応する濃度値を教師データとして用いてニューラルネットワークによって生成される学習モデルを記憶する記憶装置と、
   コーヒー炒豆の画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの濃度値の高い部分から全体の画素数に対して所定割合の画素数に対応する濃度値が入力されると、前記学習モデルを用いて前記コーヒー炒豆の焙煎度合を示す焙煎度分類結果を出力する推定実行部とを備える、
   コーヒー炒豆の焙煎度推定システム。
2. 前記撮像手段で撮像された画像データあるいは前処理した画像データからＲＧＢそれぞれの濃度ヒストグラムを求める濃度ヒストグラム算出部と、
   前記濃度ヒストグラム算出部で得られるＲＧＢそれぞれの濃度ヒストグラムから濃度値の高い部分から全体の画素数に対して所定割合の画素数に対応する濃度値で構成される入力データを作成する入力データ作成部と、を備える、
   請求項１に記載のコーヒー炒豆の焙煎度推定システム。
3. 前記焙煎度分類結果から焙煎度分類を判定する分類判定部を備える、
   請求項１または２に記載のコーヒー炒豆の焙煎度推定システム。
4. コーヒー炒豆の焙煎度推定機能を備える焙煎度検査システムであって、
   請求項１から３のいずれか１項に記載のコーヒー炒豆の焙煎度推定システムと、
   搬送装置と
   ドーム型照明装置と、
   前記ドーム型照明装置のドーム型頂点に設けられる、検査対象物を撮像する撮像手段と、備える、
   焙煎度検査システム。
5. コーヒー炒豆の焙煎度合で少なくとも３以上に分類される画像データから得られる教師データであって、画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合の画素数に対応する濃度値を教師データとして用いてニューラルネットワークによって生成される学習モデルに、コーヒー炒豆の画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合の画素数に対応する濃度値を入力し、前記コーヒー炒豆の焙煎度合を示す焙煎部分類結果を出力するステップを含む、
   コーヒー炒豆の焙煎度検査方法。
6. 検査対象物を搬送装置で搬送しながら、撮像手段で撮像する撮像ステップと、
   前記撮像ステップで得られた画像データを所定サイズに分割し、各分割されたブロックを加算平均する前処理ステップと、
   前記前処理ステップで前処理された画像データからＲＧＢそれぞれの濃度ヒストグラムを求める濃度ヒストグラム算出ステップと、
   前記濃度ヒストグラム算出ステップで得られたＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合の画素数に対応する濃度値で構成される入力データを作成する入力データ作成ステップと、
   前記入力データ作成ステップで作成された入力データを、前記学習モデルに入力して焙煎度分類結果を出力する推定実行ステップと、請求項５に記載のコーヒー炒豆の焙煎度検査方法。
7. コーヒー炒豆の焙煎度検査プログラムであって、
   少なくとも１つのプロセッサーにより、請求項５または６に記載のコーヒー炒豆の焙煎度検査方法を実現するプログラム。
8. コンピュータ命令が記憶されているコンピュータ読み取り可能な記録媒体であって、
   コーヒー炒豆の焙煎度合で少なくとも３以上に分類される画像データから得られる教師データであって、画像データから得られるＲＧＢそれぞれの濃度ヒストグラムの画素値の高い部分から全体の画素数に対して所定割合の画素数に対応する濃度値で構成される教師データを用いてニューラルネットワークによって生成される学習モデルを記憶する、コンピュータ読み取り可能な記録媒体。
9. 少なくとも１つのプロセッサーと、
   前記プロセッサーで実行可能な命令を記憶するためのメモリと、を含み、
   前記プロセッサーは、実行可能な命令を実行することにより請求項５または６に記載のコーヒー炒豆の焙煎度検査方法を実現する、情報処理装置。

Images