JP2024036806A - 青果物の形状判別装置 - Google Patents

Abstract

【課題】 青果物の形状を、簡単により正確に判別できる、青果物の形状判別装置を提供することである。
【解決手段】 検査対象物である青果物１にＸ線を照射する照射部５と、上記照射部５から照射されて上記検査対象物を透過したＸ線を検出する検出部６と、上記検出部６が検出したＸ線量に応じて上記検査対象物のＸ線透過画像を形成する画像形成部８と、上記画像形成部８が形成したＸ線透過画像の情報を、基準画像記憶部９が予め記憶している基準画像の情報と対比して、上記検査対象物に対応した形状グループを特定する判別部１０とを備えている。
【選択図】 図１

Description

この発明は、青果物の形状判別装置に関する。

青果物の品質の基準として、味や栄養価、大きさなどのほか、見た目の美しさも重要な要素であり、特に高価な果物などでは、整った形状が好まれる。
そのため、青果物を等級分けする際には、形状の判別が重要な要素になる。
従来は、コンベアなどによる青果物の搬送工程で、ベテランの作業員が、青果物の個々の大きさや形状を目視で判断して青果物を等級別に箱詰めすることがあった。しかし、作業員の能力によって、判別結果にばらつきが出てしまったり作業性が悪かったりするため、青果物を撮影してその画像から形状を判別する装置が考えられていた。

例えば、コンベアで搬送される検査対象物の大きさや形状を、搬送過程で判別する装置が、特許文献１に記載されている。この装置は、移動する検査対象物の上方から、幅方向に視野を有するラインセンサＳで検査対象物を上方から撮影し、その撮影画像を二値化処理し、そのデータから大きさ及び形状を判別するというもので、ナスなどの判別に利用されていた。

特開平１０－１８５５３２号公報 特開２００４－１９８２９７号公報

上記のように、ラインセンサＳで青果物を上方から撮影した画像は、上方から目視した場合と同様で、ラインセンサＳと反対側で、陰になった部分の形状がわからないことがある。
例えば、図５に示す、苺１ａと、苺１ｂは、横から見ると先端部分の形状が違う。ところが、これらの苺１ａ，１ｂを平面２に載置した状態で、その上方に配置したラインセンサＳに対し、苺１ａ及び１ｂを矢印α方向に移動させて撮影した画像１ａ´，１ｂ´は、図６に示すように、ほとんど同じになる。

このような画像１ａ´と画像１ｂ´からは、苺１ａ，苺１ｂとの先端部分の形状の違いを区別することができない。本来なら、整った円錐形の苺１ａの方が、先端がつぶれた苺１ｂより等級が上になるはずであるが、上記装置では正確な判別ができなかった。
一方、ラインセンサＳに対し、苺の向きを様々に変えて、陰になる部分がなくなるようにすれば、正確な三次元画像を取得することもできる。しかし、苺を傷つけないように向きを換えるようにするのは、装置が複雑になるうえ、検査に時間がかかってしまうという問題が生じる。

さらに、様々な角度からの画像を同時に取得するために、撮影手段の数を多くした装置も考えられている（特許文献２参照）。しかし、このような装置は、構造が複雑になり、高価なものになってしまう。

この発明の目的は、青果物の形状を、簡単により正確に判別できる、青果物の形状判別装置を提供することである。

第１の発明は、検査対象物である青果物にＸ線を照射する照射部と、上記照射部から照射されて上記検査対象物を透過したＸ線を検出する検出部と、上記検出部が検出したＸ線量に応じて上記検査対象物のＸ線透過画像を形成する画像形成部と、上記画像形成部が形成したＸ線透過画像の情報を、予め設定された複数の形状グループごとに対応する基準画像の情報と対比して、上記検査対象物に対応した形状グループを特定する判別部とを備えたことを特徴とする。

第２の発明は、上記基準画像の情報が、各形状グループに分類されるサンプルの青果物に対して、複数の角度からＸ線を照射したＸ線透過画像から得た情報であることを特徴とする。

第１の発明によれば、青果物の二次元情報と青果物の厚みデータとを同時に取得できる。したがって、より正確な形状判別ができ、ベテランに頼らなくても、形状による商品の等級分けができるようになる。

第２の発明によれば、複数の向きからＸ線を照射したサンプルのＸ線透過画像から得た情報を、基準画像の情報として記憶しているので、検査対象物となる青果物の置き方によらず、検査対象物と一致する基準画像を見つけて、形状を判別することができる。
また、基準画像の数が多くても、それらは予め記憶させておくことができるので、検査時に、検査対象物の向きを変えて複数の画像情報を取得する場合のように、時間がかかるようなこともない。

図１は、本発明の実施形態の、形状判別装置のブロック図である。 図２は、実施形態の形状判別装置で作成されたＸ線透過画像である。（ａ）は苺１ａのＸ線透過画像である。（ｂ）は苺１ｂのＸ線透過画像である。 図３は、実施形態の形状判別結果の表示例である。 図４は、実施形態における基準画像の形成方法の説明図である。 図５は、検査対象物となる苺の外観例である。 図６は、従来の形状判別方法による判定画像の例である。

［実施形態］
以下にこの発明の実施形態を、苺１の形状を判別する例を用いて説明する。図１は、実施形態の形状判別装置のブロック図である。図２は実施形態の画像形成部が形成したＸ線透過画像であり、（ａ）は苺１ａのＸ線透過画像、（ｂ）は苺１ｂのＸ線透過画像である。図３は実施形態の形状判別結果の表示例である。図４は、基準画像の形成方法の説明図である。

この実施形態の形状判別装置は、図１に示すように、検査対象物である苺１をトレイ３に複数載せて、矢印α方向へ搬送するコンベアなどの搬送手段４を備えている。トレイ３には、複数の苺１が縦横に列をなし載置されている。上記トレイ３及び搬送手段４は、いずれもＸ線を透過する材質で形成されている。
また、搬送手段４の上方には苺１に向かってＸ線を照射する照射部５を設けるとともに、搬送手段４を挟んで照射部５と対向する位置には、Ｘ線を検出する検出部６が設けられている。そして、検出部６にはデータ処理部７が接続されている。

上記照射部５は、苺１の搬送方向αに直交する方向にＸ線を照射でき、照射部５の下を通過する全ての苺１の全幅をカバーすることができる機能を備えている。また、検出部６は、照射部５から照射されるＸ線の照射範囲に対応した長さを備えたライン状のセンサである。

上記検出部６は、苺１、トレイ３及び搬送手段４を透過したＸ線をライン状に配置されたセルで検出し、検出したＸ線の強度データがデータ処理部７に入力されるようにしている。
データ処理部７は、検出部６から入力されたＸ線の強度データに基づいて、検査対象物（苺）のＸ線透過画像を形成する画像形成部８と、基準画像の情報が記憶された基準画像記憶部９と、画像形成部８で形成された検査対象物のＸ線透過画像と基準画像の情報とを対比して、検査対象物の形状を判別する判別部１０とを備えている。

上記基準画像記憶部９が記憶している基準画像とは、検査対象物の形状判別の基準となる画像であり、詳細は後で説明するが、予め決められた等級に対応した形状グループごとに分類されたサンプルのＸ線透過画像である。例えば、予め決められた等級が５つの等級であれば、５つの形状グループごとに分類されたサンプルのＸ線透過画像である。

上記判別部１０は、画像形成部８で形成された検査対象物のＸ線透過画像の情報と基準画像の情報とを対比して、苺１の形状グループを特定する機能を備えている。そして、判別部１０による苺１の形状判別の結果は、出力部１１に出力される。出力部１１は、形状判別の結果として、特定した形状グループに対応する等級の情報を出力する。
なお、図１，４では、データの流れを破線の矢印で示している。

［作用・効果等］
実施形態の形状判別装置を用いて、苺１の形状グループを判別する例を説明する。
図１に示すようにトレイ３に載った苺１が搬送され、照射部５の真下を通過する際に、苺１にＸ線が照射される。なお、上記トレイ３には搬送手段４の幅方向に複数の苺１が配置されているが、ここでは１個の苺１のみに着目して説明する。

苺１に照射されたＸ線は、苺１及びトレイ３を透過して検出部６が検出する。検出部６が検出する透過Ｘ線強度は、Ｘ線が透過した部分の物質の厚みに応じて変化する。
具体的には、透過Ｘ線強度は、照射部５と検出部６との間に介在した吸収物の厚みの増加にしたがって指数関数的に減少し、下記の式のようになる。

ここで、Ｉ_０は吸収物を透過する前のＸ線強度、Ｉは吸収物を透過した透過Ｘ線強度、μはＸ線の吸収係数、ｔは吸収物の厚みである。
したがって、検出部６が画素ごとに検出した透過Ｘ線強度Ｉから、画素ごとの吸収物の厚みを算出することができる。

そして、トレイ３の底面の影響は無視し、苺１がほぼ水分でできているとみなせば、水の吸収率μと検出された透過Ｘ線強度Ｉとに基づいて、水相当厚みを算出できる。したがって、画像形成部８は、上記水相当厚みを苺１の厚みｔとして求める。画像形成部８が算出した画素ごとの厚みデータを含んだ画像情報が、苺１のＸ線透過画像である。

図２（ａ），（ｂ）には、異なる形状の苺１ａと苺１ｂについて、画像形成部８で形成されるＸ線透過画像Ｘ１ａ，Ｘ１ｂを示している。
これらのＸ線透過画像Ｘ１ａ，Ｘ１ｂは、苺１ａ，１ｂがトレイ３に載置されて照射部５を通過したときに、画像形成部８が、苺１ａ，１ｂを透過した透過Ｘ線強度を基に形成した画像である。
なお、苺１ａ及び苺１ｂは、従来例の説明に用いた図５に示したものと同じで、先端部分の形状が異なる別の苺である。

そして、図２（ａ），（ｂ）の上記Ｘ線透過画像Ｘ１ａ，Ｘ１ｂは、画像形成部８が上記のようにして、検出部６が画素ごとに検出した透過Ｘ線の強度データに基づいて算出した厚みデータに応じた色分けをしている。
検査対象である苺１ａと苺１ｂとは、図５に示すように先端部分の形状が異なるものであるが、上方からの目視では先端形状の区別がつきにくかった（図６参照）。しかし、図２（ａ），（ｂ）に示すＸ線透過画像Ｘ１ａ，Ｘ１ｂでは、両者の先端部分の形状が異なることを識別できる。

一方、上記基準画像記憶部９には、等級に対応した形状グループごとに分類されるサンプルとしての苺のＸ線透過画像が基準画像として記憶されている。
そこで、判別部１０は、画像形成部８で形成されたＸ線透過画像Ｘ１ａ，Ｘ１ｂそれぞれを、基準画像記憶部９に記憶されている基準画像の情報と対比する。検査対象物のＸ線透過画像の情報と、基準画像の情報との対比手順は、予め判別部１０に設定されている。

そして、判定部１０は、各Ｘ線透過画像Ｘ１ａ，Ｘ１ｂに最も近い基準画像の形状グループを特定し、特定した形状グループの等級を出力部１１へ出力する。
出力部１１は、例えば図３に示すように、トレイ３上の苺１の位置に形状の等級を示す等級マークＡ，Ｂ，Ｃ，・・・などを配置した画像を表示させる。

次に、基準画像記憶部９に、記憶させた基準画像の形成方法について、図４を用いて説明する。
上記したように、基準画像は、等級に対応した形状グループに含まれるサンプルのＸ線透過画像である。この基準画像は、この実施形態の形状判別装置を用いて形成することができる。
まず、特定の形状グループＧ１のサンプルとなる苺１ｓを、上記照射部５と検出部６との間で矢印α方向に搬送しながらＸ線を照射するとともに、透過Ｘ線を検出部６で検出する。

検出部６は検出した透過Ｘ線の強度データを画像形成部８へ送る。この透過Ｘ線の強度データを受信した画像形成部８は上記強度データに基づいて厚みデータを含んだＸ線透過画像を作成する。ここまでは、上記検査時と同じ手順である。その後、作成されたＸ線透過画像は、形状グループＧ１の基準画像として基準画像記憶部９に記憶される。
同様に、全ての等級に対応した形状グループのサンプルについて、基準画像を形成し、基準画像記憶部９に記憶させる。

なお、この実施形態では、ひとつのサンプルについて様々な角度からＸ線を照射して複数のＸ線透過画像を形成し、それらの画像群を、ひとつの形状グループの基準画像としている。例えば、搬送手段４上に載置されたサンプルとしての苺１ｓを、図４に示す状態から、軸線Ｏ周りに角度θずつ回転させ、その角度ごとにＸ線透過画像を形成して記憶させる。なお、上記軸線Ｏは、Ｘ線の照射方向と交差し、苺１ｓの略中央を通過する軸である。ただし、基準画像を形成する際のサンプルの配置等は上記に限定されない。
さらに、多少変形していても同じ等級に含まれる形状のサンプルについては、上記と同様にＸ線透過画像を形成し、対応する形状グループの基準画像として基準画像記憶部９に記憶させている。

この実施形態では、上記したＸ線透過画像情報を用いることで、二次元情報のみでは判別できなかった形状を判別できるようになった。
また、基準画像として、複数の角度のＸ線透過画像を記憶させているので、検査対象物の向きを厳密に管理しなくても、検査対象物のＸ線透過画像に対応する基準画像を特定することができる。

検査対象物に対して様々な角度からＸ線を照射してＸ線透過画像を形成していたのでは、検査に時間がかかりすぎてしまうが、この実施形態では、基準画像は予め記憶させておくことができるので、その情報量が多くても検査に掛かる時間がそれほど大きくなってしまうことはない。
しかも、正確な三次元画像を得るために、多数の撮影手段を用意する場合と比べて、よりシンプルな装置構成で正確な形状の判別ができる。

なお、上記実施形態では、画像形成部８において、厚みデータを色分けしたＸ線透過画像を作成しているが、画像の色分けは必須ではない。基準画像の情報と対比するＸ線透過画像情報は、Ｘ線の吸収物である検査対象の厚みデータに相当するものであればよく、厚み分布を示す数値同士を画像の情報として対比してもよい。
または、透過Ｘ線の強度データをそのまま、画像の情報として用いてもよい。

上記では、検査対象物を透過するＸ線強度から厚みデータを算出する例を説明したが、Ｘ線の吸収量は吸収物質の厚みに依存しているので、透過量と吸収量のどちらを基準にして厚みデータを算出してもよい。
さらに、この形状判別装置において、Ｘ線透過量又は吸収量に基づいて、検査対象物である苺１の重量を同時に測定することもできる。

また、ＡＩ学習（機械学習）を利用して、形状グループの等級を出力部１１から出力することもできる。すなわち、基準画像の情報と形状グループの等級とを基にＡＩエンジン（判定部、出力部相当）に学習させる。例えば、基準画像の情報、形状グループの等級をそれぞれ教師データの特徴量データ、正解データとしＡＩエンジンに学習させる。その学習後、入力された検査対象物のＸ線透過画像の情報に対応する形状グループの等級をＡＩエンジンから出力するようにする。

なお、上記の形状判別装置は、苺以外の青果物にも適用できる。特に、Ｘ線の吸収率にばらつきが少い検査対象物に適している。

様々な青果物の形状判別に有効である。

１，１ａ，１ｂ （検査対象物）苺
１ｓ サンプル（苺）
５ 照射部
６ 検出部
７ データ処理部
８ 画像形成部
９ 基準画像記憶部
１０ 判別部
１１ 出力部
Ｘ１ａ，Ｘ１ｂ Ｘ線透過画像
θ 角度

Claims (2)

1. 検査対象物である青果物にＸ線を照射する照射部と、
   上記照射部から照射されて上記検査対象物を透過したＸ線を検出する検出部と、
   上記検出部が検出したＸ線量に応じて上記検査対象物のＸ線透過画像を形成する画像形成部と、
   上記画像形成部が形成したＸ線透過画像の情報を、予め設定された複数の形状グループごとに対応する基準画像の情報と対比して、上記検査対象物に対応した形状グループを特定する判別部と
   を備えた青果物の形状判別システム。
2. 上記基準画像の情報は、
   各形状グループに分類されるサンプルの青果物に対して、複数の角度からＸ線を照射したＸ線透過画像から得た情報である請求項１に記載の青果物の形状判別システム。
   

Images