JP3344766B2 - 画像処理装置およびこの装置を用いた牛枝肉格付システム - Google Patents
画像処理装置およびこの装置を用いた牛枝肉格付システムInfo
- Publication number
- JP3344766B2 JP3344766B2 JP10783693A JP10783693A JP3344766B2 JP 3344766 B2 JP3344766 B2 JP 3344766B2 JP 10783693 A JP10783693 A JP 10783693A JP 10783693 A JP10783693 A JP 10783693A JP 3344766 B2 JP3344766 B2 JP 3344766B2
- Authority
- JP
- Japan
- Prior art keywords
- color
- value
- luminance
- threshold value
- fat
- 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.)
- Expired - Fee Related
Links
Description
【０００１】
【産業上の利用分野】本発明は、撮像装置によって得ら
れた画像データを所定の色毎に分離し、さらに、分離さ
れた画像データを色の濃さによって幾つかに分類する画
像処理装置およびこれを用いて、牛枝肉の格付を行う牛
枝肉格付システムに関する。
れた画像データを所定の色毎に分離し、さらに、分離さ
れた画像データを色の濃さによって幾つかに分類する画
像処理装置およびこれを用いて、牛枝肉の格付を行う牛
枝肉格付システムに関する。
【０００２】
【従来の技術】従来より、ＣＣＤカメラ、画像処理装置
等から成る画像処理システムを用いて画像データを幾つ
かの色に分離する場合、ＣＣＤカメラによって得られた
輝度情報をＲＧＢ毎に分離処理することによって行うこ
とが知られている。このしきい値の決定方法としては、
固定しきい値法と、可変しきい値法がある。
等から成る画像処理システムを用いて画像データを幾つ
かの色に分離する場合、ＣＣＤカメラによって得られた
輝度情報をＲＧＢ毎に分離処理することによって行うこ
とが知られている。このしきい値の決定方法としては、
固定しきい値法と、可変しきい値法がある。
【０００３】固定しきい値法は、濃淡画像の各画素の輝
度値を固定された基準値に基づいて０と１に分けること
によって濃淡画像を分離させる処理である。このしきい
値は、多くの場合経験的に求められるが、統計的に求め
るｐ−タイル法、モード法、判別分析法等も知られてい
る。
度値を固定された基準値に基づいて０と１に分けること
によって濃淡画像を分離させる処理である。このしきい
値は、多くの場合経験的に求められるが、統計的に求め
るｐ−タイル法、モード法、判別分析法等も知られてい
る。
【０００４】可変しきい値法は、分離を行う画素の周囲
画素の輝度によってしきい値を変化させるものである。
画素の輝度によってしきい値を変化させるものである。
【０００５】また、牛枝肉の格付業務は、公正な取引と
流通の円滑化、適正な価格の形成、そして、肉牛生産の
合理化等を目的として行われている。実際の牛枝肉の等
級判定は牛枝肉を切開し、格付員が目視などにより判定
を行い、歩留等級と、肉質等級の二つの要素から総合的
に評価される。歩留等級は、切開面におけるロース肉芯
の面積、皮下脂肪の面積等を定規やプレートで測定し、
ランク付けしたものである。これに対し、肉質等級は、
「肉色」、「脂肪色」、「脂肪交雑」、「締まり・き
め」の４項目ついて判定を行うが肉色、脂肪色、脂肪交
雑については基準規格見本と実際の牛枝肉とを各々照合
比較し、評価を行っている。
流通の円滑化、適正な価格の形成、そして、肉牛生産の
合理化等を目的として行われている。実際の牛枝肉の等
級判定は牛枝肉を切開し、格付員が目視などにより判定
を行い、歩留等級と、肉質等級の二つの要素から総合的
に評価される。歩留等級は、切開面におけるロース肉芯
の面積、皮下脂肪の面積等を定規やプレートで測定し、
ランク付けしたものである。これに対し、肉質等級は、
「肉色」、「脂肪色」、「脂肪交雑」、「締まり・き
め」の４項目ついて判定を行うが肉色、脂肪色、脂肪交
雑については基準規格見本と実際の牛枝肉とを各々照合
比較し、評価を行っている。
【０００６】脂肪交雑の判別方法は、シリコン樹脂で作
成されたロース肉芯の脂肪の分布密度が高くなる程度を
表した１２段階調を示す牛脂肪交雑基準（Beef Marblin
g Standard:BMS）を用いて行う。
成されたロース肉芯の脂肪の分布密度が高くなる程度を
表した１２段階調を示す牛脂肪交雑基準（Beef Marblin
g Standard:BMS）を用いて行う。
【０００７】肉色および脂肪色の判定には、それぞれ７
段階の牛肉色基準（Beef Color Standard:BCS ）および
牛脂肪色基準（Beef Fat Standard:BFS ）が用意されて
おり、規格に対応するものを目測で判別している。
段階の牛肉色基準（Beef Color Standard:BCS ）および
牛脂肪色基準（Beef Fat Standard:BFS ）が用意されて
おり、規格に対応するものを目測で判別している。
【０００８】締まり・きめに関しては基準見本は無く、
経験的な判断を含めて目視により５段階に判別してい
る。そして最終的な肉質等級判別は、これら３項目の基
準から各項目毎に判定を行い５段階からなる等級に統一
される。
経験的な判断を含めて目視により５段階に判別してい
る。そして最終的な肉質等級判別は、これら３項目の基
準から各項目毎に判定を行い５段階からなる等級に統一
される。
【０００９】
【発明が解決しようとする課題】しかしながら、固定し
きい値法では、経験的にしきい値を求めるため、オペレ
ータ間でしきい値にばらつきが生じるという問題があ
る。また、ｐ−タイル法、モード法、判別分析法では、
統計的にしきい値を求めるため、人の感覚に合わない場
合がある。さらに、設定されたしきい値で複数の画像デ
ータの色を分離する場合、明るさにばらつきがあるとき
は正確に色を分離することができないという問題があ
る。
きい値法では、経験的にしきい値を求めるため、オペレ
ータ間でしきい値にばらつきが生じるという問題があ
る。また、ｐ−タイル法、モード法、判別分析法では、
統計的にしきい値を求めるため、人の感覚に合わない場
合がある。さらに、設定されたしきい値で複数の画像デ
ータの色を分離する場合、明るさにばらつきがあるとき
は正確に色を分離することができないという問題があ
る。
【００１０】可変しきい値法は、照明の影響やＣＣＤカ
メラの特性変動によって背景の濃度が緩やかに変化して
いる画像に対して有効な処理であるが、大きく明るさが
変動する場合は、良好な結果は得にくいという問題があ
る。
メラの特性変動によって背景の濃度が緩やかに変化して
いる画像に対して有効な処理であるが、大きく明るさが
変動する場合は、良好な結果は得にくいという問題があ
る。
【００１１】また、従来の牛枝肉の格付における脂肪交
雑の程度や肉色および脂肪色の分類は、基準規格見本と
の照合によって行うが、どの基準規格見本に近いかは格
付員の目視に頼るため経験や勘などの要素が大きく関わ
っている。また、作業環境の改善や近年の需要量の増大
にともない、敏速で客観的な等級判別の自動化が要望さ
れてきているが、画像処理技術などを用いて格付員の豊
富な知識や経験を内包した柔軟な視覚処理を行わせるこ
とは非常に困難であった。
雑の程度や肉色および脂肪色の分類は、基準規格見本と
の照合によって行うが、どの基準規格見本に近いかは格
付員の目視に頼るため経験や勘などの要素が大きく関わ
っている。また、作業環境の改善や近年の需要量の増大
にともない、敏速で客観的な等級判別の自動化が要望さ
れてきているが、画像処理技術などを用いて格付員の豊
富な知識や経験を内包した柔軟な視覚処理を行わせるこ
とは非常に困難であった。
【００１２】本発明は上記事情に鑑みて成されたもので
あり、その目的は、明るさにばらつきのある画像データ
を所定の色に分離することができる画像処理装置を提供
することにある。また、所定の色に分離された画像デー
タを基に、色をその濃さによって複数の段階に分類する
ことができる画像処理装置を提供することにある。さら
に、牛枝肉の肉色と脂肪色の格付を画像処理技術を用い
て行うことができる牛枝肉格付システムを提供すること
にある。
あり、その目的は、明るさにばらつきのある画像データ
を所定の色に分離することができる画像処理装置を提供
することにある。また、所定の色に分離された画像デー
タを基に、色をその濃さによって複数の段階に分類する
ことができる画像処理装置を提供することにある。さら
に、牛枝肉の肉色と脂肪色の格付を画像処理技術を用い
て行うことができる牛枝肉格付システムを提供すること
にある。
【００１３】
【課題を解決するための手段】上記の目的を達成するた
めに本発明は、被検査物を撮像して二次元に整列配置さ
れた画素毎の各輝度情報をＲ−Ｇ−Ｂ成分毎に得る撮像
装置と、前記撮像装置によって得られた各輝度情報の平
均値をＲ−Ｇ−Ｂ成分毎に算出する平均輝度算出部と、
前記撮像装置によって得られた各輝度情報を所定の色に
分離するためのＲ−Ｇ−Ｂ成分毎のしきい値を所定の輝
度サンプルについて複数求めておき、これを基にファジ
ィ推論によって平均輝度に対するしきい値を表したテー
ブルをＲ−Ｇ−Ｂ成分毎に作成するしきい値テーブル作
成部と、前記平均輝度算出部によって算出された平均輝
度に対応するしきい値を前記作成されたしきい値テーブ
ルを基にＲ−Ｇ−Ｂ成分毎に設定するしきい値設定部
と、前記撮像装置により得られた被検査物の画素毎の各
輝度情報を前記設定されたしきい値によってＲ−Ｇ−Ｂ
成分毎に分離処理して前記所定の色に分離する分離処理
部と、を備えたことを特徴としている。
めに本発明は、被検査物を撮像して二次元に整列配置さ
れた画素毎の各輝度情報をＲ−Ｇ−Ｂ成分毎に得る撮像
装置と、前記撮像装置によって得られた各輝度情報の平
均値をＲ−Ｇ−Ｂ成分毎に算出する平均輝度算出部と、
前記撮像装置によって得られた各輝度情報を所定の色に
分離するためのＲ−Ｇ−Ｂ成分毎のしきい値を所定の輝
度サンプルについて複数求めておき、これを基にファジ
ィ推論によって平均輝度に対するしきい値を表したテー
ブルをＲ−Ｇ−Ｂ成分毎に作成するしきい値テーブル作
成部と、前記平均輝度算出部によって算出された平均輝
度に対応するしきい値を前記作成されたしきい値テーブ
ルを基にＲ−Ｇ−Ｂ成分毎に設定するしきい値設定部
と、前記撮像装置により得られた被検査物の画素毎の各
輝度情報を前記設定されたしきい値によってＲ−Ｇ−Ｂ
成分毎に分離処理して前記所定の色に分離する分離処理
部と、を備えたことを特徴としている。
【００１４】また、所定の色に分離された各画像データ
の輝度の平均値、最頻値、最大値、最小値等を特徴値と
して算出する特徴値算出部と、予め色の濃さによって分
類された複数の段階の代表的なサンプルの特徴値を求め
ておき、この特徴値を基に前記複数の段階に分類するニ
ューラルネットワークを学習させ、前記特徴値算出部に
よって算出された被検査物の特徴値に最も近い代表サン
プルをこの学習されたニューラルネットワークを用いて
求め、求められた代表サンプルの所属する段階をその被
検査物の色の段階とする分類部と、を備えたことを特徴
としている。
の輝度の平均値、最頻値、最大値、最小値等を特徴値と
して算出する特徴値算出部と、予め色の濃さによって分
類された複数の段階の代表的なサンプルの特徴値を求め
ておき、この特徴値を基に前記複数の段階に分類するニ
ューラルネットワークを学習させ、前記特徴値算出部に
よって算出された被検査物の特徴値に最も近い代表サン
プルをこの学習されたニューラルネットワークを用いて
求め、求められた代表サンプルの所属する段階をその被
検査物の色の段階とする分類部と、を備えたことを特徴
としている。
【００１５】さらに、牛枝肉のロース部分の断面を撮像
して二次元に整列配置された画素毎の各輝度情報をＲ−
Ｇ−Ｂ成分毎に得る撮像装置と、前記撮像装置によって
得られた各輝度情報の平均値をＲ−Ｇ−Ｂ成分毎に算出
する平均輝度算出部と、肉色と脂肪色に分離するための
Ｒ−Ｇ−Ｂ成分毎のしきい値を所定の輝度サンプルにつ
いて複数求めておき、これを基にファジィ推論によって
平均輝度に対するしきい値を表したテーブルをＲ−Ｇ−
Ｂ成分毎に作成するしきい値テーブル作成部と、前記平
均輝度算出部によって算出された等級分類を行う牛枝肉
のロース部分の断面の平均輝度に対応するしきい値を前
記しきい値テーブルを基にＲ−Ｇ−Ｂ成分毎に設定する
しきい値設定部と、前記撮像装置により得られた等級分
類を行う牛枝肉のロース部分の断面の輝度情報を前記設
定されたＲ−Ｇ−Ｂ成分毎のしきい値によって分離処理
して肉色と脂肪色に分離した各画像データを得る分離処
理部と、前記肉色と脂肪色に分離した各画像データの輝
度の平均値、最頻値、最大値、最小値等を特徴値として
算出する特徴値算出部と、予め肉色と脂肪色をそれぞれ
の色の濃さによって分類した複数の等級の代表的なサン
プルの特徴値を求めておき、この特徴値を基に複数の等
級に分類するニューラルネットワークを学習させ、前記
特徴値算出部によって算出された等級分類を行う牛枝肉
のロース部分の断面の特徴値に最も近い肉色または脂肪
色の代表サンプルをこの学習されたそれぞれのニューラ
ルネットワークを用いて求め、求められた代表サンプル
の所属する等級をその牛枝肉の肉色または脂肪色の等級
とする分類部と、を備えたことを特徴としている。
して二次元に整列配置された画素毎の各輝度情報をＲ−
Ｇ−Ｂ成分毎に得る撮像装置と、前記撮像装置によって
得られた各輝度情報の平均値をＲ−Ｇ−Ｂ成分毎に算出
する平均輝度算出部と、肉色と脂肪色に分離するための
Ｒ−Ｇ−Ｂ成分毎のしきい値を所定の輝度サンプルにつ
いて複数求めておき、これを基にファジィ推論によって
平均輝度に対するしきい値を表したテーブルをＲ−Ｇ−
Ｂ成分毎に作成するしきい値テーブル作成部と、前記平
均輝度算出部によって算出された等級分類を行う牛枝肉
のロース部分の断面の平均輝度に対応するしきい値を前
記しきい値テーブルを基にＲ−Ｇ−Ｂ成分毎に設定する
しきい値設定部と、前記撮像装置により得られた等級分
類を行う牛枝肉のロース部分の断面の輝度情報を前記設
定されたＲ−Ｇ−Ｂ成分毎のしきい値によって分離処理
して肉色と脂肪色に分離した各画像データを得る分離処
理部と、前記肉色と脂肪色に分離した各画像データの輝
度の平均値、最頻値、最大値、最小値等を特徴値として
算出する特徴値算出部と、予め肉色と脂肪色をそれぞれ
の色の濃さによって分類した複数の等級の代表的なサン
プルの特徴値を求めておき、この特徴値を基に複数の等
級に分類するニューラルネットワークを学習させ、前記
特徴値算出部によって算出された等級分類を行う牛枝肉
のロース部分の断面の特徴値に最も近い肉色または脂肪
色の代表サンプルをこの学習されたそれぞれのニューラ
ルネットワークを用いて求め、求められた代表サンプル
の所属する等級をその牛枝肉の肉色または脂肪色の等級
とする分類部と、を備えたことを特徴としている。
【００１６】
【作用】上記構成によれば、撮像装置によって被検査物
を撮像して二次元に整列配置された画素毎の各輝度情報
をＲ−Ｇ−Ｂ成分毎に得、平均輝度算出部ではその各輝
度情報の平均値をＲ−Ｇ−Ｂ成分毎に算出する。そし
て、しきい値テーブル作成部では、撮像装置によって得
られた各輝度情報を所定の色に分離するためのＲ−Ｇ−
Ｂ成分毎のしきい値を所定の輝度サンプルについて複数
求めておき、これを基にファジィ推論によって平均輝度
に対するしきい値を表したテーブルをＲ−Ｇ−Ｂ成分毎
に作成する。その後、平均輝度算出部によって算出され
た平均輝度に対応するＲ−Ｇ−Ｂ成分毎のしきい値を作
成されたしきい値テーブルを基に分離処理部に設定し、
分離処理部では、設定されたしきい値で分離処理するこ
とにより撮像装置によって得られた各輝度情報を所定の
色に分離する。
を撮像して二次元に整列配置された画素毎の各輝度情報
をＲ−Ｇ−Ｂ成分毎に得、平均輝度算出部ではその各輝
度情報の平均値をＲ−Ｇ−Ｂ成分毎に算出する。そし
て、しきい値テーブル作成部では、撮像装置によって得
られた各輝度情報を所定の色に分離するためのＲ−Ｇ−
Ｂ成分毎のしきい値を所定の輝度サンプルについて複数
求めておき、これを基にファジィ推論によって平均輝度
に対するしきい値を表したテーブルをＲ−Ｇ−Ｂ成分毎
に作成する。その後、平均輝度算出部によって算出され
た平均輝度に対応するＲ−Ｇ−Ｂ成分毎のしきい値を作
成されたしきい値テーブルを基に分離処理部に設定し、
分離処理部では、設定されたしきい値で分離処理するこ
とにより撮像装置によって得られた各輝度情報を所定の
色に分離する。
【００１７】また、特徴値算出部は、所定の色に分離さ
れた各画像データの輝度の平均値、最頻値、最大値、最
小値等を特徴値として算出する。そして、分類部では、
予め色の濃さによって分類された複数の段階の代表的な
サンプルの特徴値を求めて、この特徴値を基に前記複数
の段階に分類するニューラルネットワークを学習させ、
前記特徴値算出部によって算出された被検査物の特徴値
に最も近い代表サンプルをこの学習されたニューラルネ
ットワークを用いて求め、求められた代表サンプルの所
属する段階をその被検査物の色の段階とする。
れた各画像データの輝度の平均値、最頻値、最大値、最
小値等を特徴値として算出する。そして、分類部では、
予め色の濃さによって分類された複数の段階の代表的な
サンプルの特徴値を求めて、この特徴値を基に前記複数
の段階に分類するニューラルネットワークを学習させ、
前記特徴値算出部によって算出された被検査物の特徴値
に最も近い代表サンプルをこの学習されたニューラルネ
ットワークを用いて求め、求められた代表サンプルの所
属する段階をその被検査物の色の段階とする。
【００１８】
【実施例】図１は、本発明の画像処理装置の第１実施例
を示すブロック図である。本実施例では、本発明の画像
処理装置を用いて牛肉を肉色と脂肪色に分離するときの
例を説明する。
を示すブロック図である。本実施例では、本発明の画像
処理装置を用いて牛肉を肉色と脂肪色に分離するときの
例を説明する。
【００１９】図１に示すように、第１実施例の画像処理
装置１は、ＣＣＤカメラ３と、平均輝度算出部５と、し
きい値テーブル作成部７と、しきい値設定部９と、分離
処理部１１と、から構成される。
装置１は、ＣＣＤカメラ３と、平均輝度算出部５と、し
きい値テーブル作成部７と、しきい値設定部９と、分離
処理部１１と、から構成される。
【００２０】ＣＣＤカメラ３は、被検査物を撮像して二
次元に整列配置された画素毎の各輝度情報をＲ−Ｇ−Ｂ
成分毎に得る。
次元に整列配置された画素毎の各輝度情報をＲ−Ｇ−Ｂ
成分毎に得る。
【００２１】平均輝度算出部５は、ＣＣＤカメラ３によ
って得られた各輝度情報の平均値をＲ−Ｇ−Ｂ成分毎に
算出する。
って得られた各輝度情報の平均値をＲ−Ｇ−Ｂ成分毎に
算出する。
【００２２】しきい値テーブル作成部７は、肉色と脂肪
色に分離するためのＲ−Ｇ−Ｂ成分毎のしきい値を所定
の輝度サンプルについて複数求めておき、これを基に後
件部の実数値を最急降下法により逐次改善する１入力１
出力の学習型簡略ファジィ推論によって各平均輝度に対
するしきい値のテーブルをＲ−Ｇ−Ｂ成分毎に作成して
記憶する。
色に分離するためのＲ−Ｇ−Ｂ成分毎のしきい値を所定
の輝度サンプルについて複数求めておき、これを基に後
件部の実数値を最急降下法により逐次改善する１入力１
出力の学習型簡略ファジィ推論によって各平均輝度に対
するしきい値のテーブルをＲ−Ｇ−Ｂ成分毎に作成して
記憶する。
【００２３】しきい値設定部９は、平均輝度算出部５に
よって算出された平均輝度に対応するしきい値を前記し
きい値テーブルを基に求めて分離処理部１１にＲ−Ｇ−
Ｂ成分毎にそれぞれ設定する。また、初期設定のしきい
値テーブル作成時には、オペレータにより入力されたし
きい値を分離処理部１１に設定する。
よって算出された平均輝度に対応するしきい値を前記し
きい値テーブルを基に求めて分離処理部１１にＲ−Ｇ−
Ｂ成分毎にそれぞれ設定する。また、初期設定のしきい
値テーブル作成時には、オペレータにより入力されたし
きい値を分離処理部１１に設定する。
【００２４】分離処理部１１は、しきい値設定部９によ
って設定されたしきい値によってＲ−Ｇ−Ｂ成分毎に分
離処理して牛肉を肉色と脂肪色に分離する。
って設定されたしきい値によってＲ−Ｇ−Ｂ成分毎に分
離処理して牛肉を肉色と脂肪色に分離する。
【００２５】次に本実施例の画像処理装置１の初期設定
であるしきい値テーブルの作成の動作を図２のフローチ
ャートを用いて説明する。
であるしきい値テーブルの作成の動作を図２のフローチ
ャートを用いて説明する。
【００２６】まず平均輝度の異なる実物の牛肉サンプル
を輝度の全領域に渡って複数用意し、その牛肉をＣＣＤ
カメラ３によって撮像して輝度情報をＲ−Ｇ−Ｂ成分毎
に得る（ステップＳＴ１）。そしてそれを基に平均輝度
算出部５では、平均輝度をＲ−Ｇ−Ｂ成分毎に算出する
（ステップＳＴ３）。
を輝度の全領域に渡って複数用意し、その牛肉をＣＣＤ
カメラ３によって撮像して輝度情報をＲ−Ｇ−Ｂ成分毎
に得る（ステップＳＴ１）。そしてそれを基に平均輝度
算出部５では、平均輝度をＲ−Ｇ−Ｂ成分毎に算出する
（ステップＳＴ３）。
【００２７】一方、オペレータはＲ−Ｇ−Ｂ成分毎のし
きい値をしきい値設定部９に入力し、分離処理部１１に
よって分離処理させる。オペレータは、分離処理された
画面を見ながらしきい値を調整していき最適なしきい値
をＲ−Ｇ−Ｂ成分毎に求める（ステップＳＴ５）。この
処理を用意された全牛肉サンプルについて行う。これに
よって複数の平均輝度に対する各しきい値がＲ−Ｇ−Ｂ
成分毎に求められる（ステップＳＴ７ＹＥＳ）。
きい値をしきい値設定部９に入力し、分離処理部１１に
よって分離処理させる。オペレータは、分離処理された
画面を見ながらしきい値を調整していき最適なしきい値
をＲ−Ｇ−Ｂ成分毎に求める（ステップＳＴ５）。この
処理を用意された全牛肉サンプルについて行う。これに
よって複数の平均輝度に対する各しきい値がＲ−Ｇ−Ｂ
成分毎に求められる（ステップＳＴ７ＹＥＳ）。
【００２８】複数の平均輝度に対する各しきい値が求め
られると、しきい値テーブル作成部７では、平均輝度を
入力変数とし、その平均輝度に対するしきい値をルール
結論部として後件部の実数値を最急降下法により逐次改
善する１入力１出力の学習型簡略ファジィ推論によって
各平均輝度に対するしきい値のテーブルを図３に示すよ
うにＲ−Ｇ−Ｂ成分毎に作成して記憶する（ステップＳ
Ｔ９）。
られると、しきい値テーブル作成部７では、平均輝度を
入力変数とし、その平均輝度に対するしきい値をルール
結論部として後件部の実数値を最急降下法により逐次改
善する１入力１出力の学習型簡略ファジィ推論によって
各平均輝度に対するしきい値のテーブルを図３に示すよ
うにＲ−Ｇ−Ｂ成分毎に作成して記憶する（ステップＳ
Ｔ９）。
【００２９】次に、本実施例の画像処理装置１を用いて
牛肉を肉色および脂肪色に分離する動作を図４のフロー
チャートを用いて説明する。
牛肉を肉色および脂肪色に分離する動作を図４のフロー
チャートを用いて説明する。
【００３０】まず、分類を行う牛肉をＣＣＤカメラ３に
よって撮像して二次元に整列配置された画素毎の各輝度
情報をＲ−Ｇ−Ｂ成分毎に得る（ステップＳＴ１１）。
よって撮像して二次元に整列配置された画素毎の各輝度
情報をＲ−Ｇ−Ｂ成分毎に得る（ステップＳＴ１１）。
【００３１】輝度情報が得られると平均輝度算出部５で
は、平均輝度をＲ−Ｇ−Ｂ成分毎に算出する（ステップ
ＳＴ１３）。そして、しきい値設定部９では、しきい値
テーブル作成部７に記憶されているしきい値テーブルを
基にその求められた平均輝度に対応するしきい値を分離
処理部１１にＲ−Ｇ−Ｂ成分毎に設定する（ステップＳ
Ｔ１５）。
は、平均輝度をＲ−Ｇ−Ｂ成分毎に算出する（ステップ
ＳＴ１３）。そして、しきい値設定部９では、しきい値
テーブル作成部７に記憶されているしきい値テーブルを
基にその求められた平均輝度に対応するしきい値を分離
処理部１１にＲ−Ｇ−Ｂ成分毎に設定する（ステップＳ
Ｔ１５）。
【００３２】分離処理部１１では、設定されたしきい値
でＲ−Ｇ−Ｂ成分毎に分離処理を行う（ステップＳＴ１
７）。これによってＣＣＤカメラ３によって撮像された
牛肉が肉色と脂肪色に分離される。
でＲ−Ｇ−Ｂ成分毎に分離処理を行う（ステップＳＴ１
７）。これによってＣＣＤカメラ３によって撮像された
牛肉が肉色と脂肪色に分離される。
【００３３】このように、肉色と脂肪色に分離するため
のＲ−Ｇ−Ｂ成分毎のしきい値を所定の輝度サンプルに
ついて経験的に複数求めておき、これを基にファジィ推
論によって平均輝度に対するしきい値を表したテーブル
をＲ−Ｇ−Ｂ成分毎に作成する。そして、肉色と脂肪色
に分離する牛肉をＣＣＤカメラ３によって撮像し、それ
によって得られた輝度情報の平均値を求め、その平均輝
度に対応したしきい値を前記しきい値テーブルを基に分
離処理部１１に設定し、そのしきい値でＲ−Ｇ−Ｂ成分
毎に分離処理することによって肉色と脂肪色を分離する
ようにしているので、牛肉のように肉色と脂肪色の色や
混ざり具合によって明るさにばらつきのあるものでも肉
色と脂肪色に分離することができる。
のＲ−Ｇ−Ｂ成分毎のしきい値を所定の輝度サンプルに
ついて経験的に複数求めておき、これを基にファジィ推
論によって平均輝度に対するしきい値を表したテーブル
をＲ−Ｇ−Ｂ成分毎に作成する。そして、肉色と脂肪色
に分離する牛肉をＣＣＤカメラ３によって撮像し、それ
によって得られた輝度情報の平均値を求め、その平均輝
度に対応したしきい値を前記しきい値テーブルを基に分
離処理部１１に設定し、そのしきい値でＲ−Ｇ−Ｂ成分
毎に分離処理することによって肉色と脂肪色を分離する
ようにしているので、牛肉のように肉色と脂肪色の色や
混ざり具合によって明るさにばらつきのあるものでも肉
色と脂肪色に分離することができる。
【００３４】図５は、本発明の画像処理装置の第２実施
例を示すブロック図である。本実施例では、第１実施例
の画像処理装置１を用いて牛枝肉のロース部分の断面を
肉色と脂肪色に分離した後さらにそれぞれを色の濃さに
よって複数の等級に分類するときの例を説明する。
例を示すブロック図である。本実施例では、第１実施例
の画像処理装置１を用いて牛枝肉のロース部分の断面を
肉色と脂肪色に分離した後さらにそれぞれを色の濃さに
よって複数の等級に分類するときの例を説明する。
【００３５】図５に示すように第２実施例の画像処理装
置２０は、図１に示す画像処理装置１に特徴値算出部２
１と、分類部２３を追加した構成となっている。なお、
図１に示す第１実施例と同一部材には同一番号を付して
説明を省略する。
置２０は、図１に示す画像処理装置１に特徴値算出部２
１と、分類部２３を追加した構成となっている。なお、
図１に示す第１実施例と同一部材には同一番号を付して
説明を省略する。
【００３６】特徴値算出部２１は、分離処理部１１によ
って肉色と脂肪色に分離された画像データの輝度ヒスト
グラムを求め、その輝度ヒストグラムから平均値、最頻
値、最大値、最小値等の特徴値をそれぞれ算出する。
って肉色と脂肪色に分離された画像データの輝度ヒスト
グラムを求め、その輝度ヒストグラムから平均値、最頻
値、最大値、最小値等の特徴値をそれぞれ算出する。
【００３７】分類部２３は、予め肉色と脂肪色を色の濃
さによって分類した複数の等級の代表的なサンプルの特
徴値を求めておき、各等級の代表的なサンプルの特徴値
を教師信号としてニューラルネットワークを学習させ、
分類を行う牛枝肉の特徴値に最も近い代表サンプルをそ
の学習されたニューラルネットワークを用いて求め、求
められた代表サンプルの所属する等級をその牛枝肉の肉
色または脂肪色の等級とする。
さによって分類した複数の等級の代表的なサンプルの特
徴値を求めておき、各等級の代表的なサンプルの特徴値
を教師信号としてニューラルネットワークを学習させ、
分類を行う牛枝肉の特徴値に最も近い代表サンプルをそ
の学習されたニューラルネットワークを用いて求め、求
められた代表サンプルの所属する等級をその牛枝肉の肉
色または脂肪色の等級とする。
【００３８】次に本実施例の画像処理装置２０の初期設
定であるニューラルネットワークの学習動作を図６のフ
ローチャートを用いて説明する。
定であるニューラルネットワークの学習動作を図６のフ
ローチャートを用いて説明する。
【００３９】分類部２３による肉色および脂肪色を複数
の等級に分類するためのニューラルネットワークの学習
は、まず、肉色および脂肪色の各等級の代表的な牛肉サ
ンプルを複数用意し、ＣＣＤカメラ３によって撮像して
輝度情報をＲ−Ｇ−Ｂ成分毎の得る（ステップＳＴ２
１）。そして、輝度情報が得られると平均輝度算出部５
では、平均輝度をＲ−Ｇ−Ｂ成分毎に算出する（ステッ
プＳＴ２３）。その後、しきい値テーブル設定部では、
その平均値に対応したしきい値をしきい値テーブル作成
部７に記憶されているしきい値テーブルを基にＲ−Ｇ−
Ｂ成分毎に設定する（ステップＳＴ２５）。そして分離
処理部１１では、設定されたしきい値で分離処理する。
の等級に分類するためのニューラルネットワークの学習
は、まず、肉色および脂肪色の各等級の代表的な牛肉サ
ンプルを複数用意し、ＣＣＤカメラ３によって撮像して
輝度情報をＲ−Ｇ−Ｂ成分毎の得る（ステップＳＴ２
１）。そして、輝度情報が得られると平均輝度算出部５
では、平均輝度をＲ−Ｇ−Ｂ成分毎に算出する（ステッ
プＳＴ２３）。その後、しきい値テーブル設定部では、
その平均値に対応したしきい値をしきい値テーブル作成
部７に記憶されているしきい値テーブルを基にＲ−Ｇ−
Ｂ成分毎に設定する（ステップＳＴ２５）。そして分離
処理部１１では、設定されたしきい値で分離処理する。
【００４０】特徴値算出部２１では、肉色と脂肪色に分
離された画像データの輝度ヒストグラムを求め、その輝
度ヒストグラムから平均値、最頻値、最大値、最小値等
の特徴値をそれぞれ算出する（ステップＳＴ２７）。こ
の処理を各等級の全代表サンプルについて行う。これに
よって肉色および脂肪色の各等級の代表サンプルの特徴
値が所定量求められる。
離された画像データの輝度ヒストグラムを求め、その輝
度ヒストグラムから平均値、最頻値、最大値、最小値等
の特徴値をそれぞれ算出する（ステップＳＴ２７）。こ
の処理を各等級の全代表サンプルについて行う。これに
よって肉色および脂肪色の各等級の代表サンプルの特徴
値が所定量求められる。
【００４１】各等級の代表的なサンプルの特徴値が所定
量求められると、分類部２３ではその特徴値を教師信号
としてニューラルネットワークを学習させる（ステップ
ＳＴ２９ＹＥＳ，ＳＴ３１）。
量求められると、分類部２３ではその特徴値を教師信号
としてニューラルネットワークを学習させる（ステップ
ＳＴ２９ＹＥＳ，ＳＴ３１）。
【００４２】このニューラルネットワークとしては、図
７に示すように、誤差逆伝搬法を採用した階層型ネット
ワークとパターンマッチング等の応用において有用であ
る対向伝搬ネットワークＣＰＮ（Counter Propagation
Network ）を組み合わせた構成で、収束が速く、追加学
習ができ、さらに、近似識別能力に優れるハイブリッド
・ニューラルネットワークＨＮＮ（Hybrid Neural Netw
ork ）を用いることによってより効果的に学習させるこ
とも可能である。
７に示すように、誤差逆伝搬法を採用した階層型ネット
ワークとパターンマッチング等の応用において有用であ
る対向伝搬ネットワークＣＰＮ（Counter Propagation
Network ）を組み合わせた構成で、収束が速く、追加学
習ができ、さらに、近似識別能力に優れるハイブリッド
・ニューラルネットワークＨＮＮ（Hybrid Neural Netw
ork ）を用いることによってより効果的に学習させるこ
とも可能である。
【００４３】このハイブリッド・ニューラルネットワー
クＨＮＮは、図７に示すように階層型ニューラルネット
ワークＮＮに対向伝搬ネットワークＣＰＮを組み合わせ
たものであり、また対向伝搬ネットワークＣＰＮは図８
に示すように入力層、競合層およびグロスバーグ層の３
層から構成されている。この対向伝搬ネットワークＣＰ
Ｎは、対象パターンの中で類似した特徴を持つパターン
を同じカテゴリーに分類する能力を持っている。
クＨＮＮは、図７に示すように階層型ニューラルネット
ワークＮＮに対向伝搬ネットワークＣＰＮを組み合わせ
たものであり、また対向伝搬ネットワークＣＰＮは図８
に示すように入力層、競合層およびグロスバーグ層の３
層から構成されている。この対向伝搬ネットワークＣＰ
Ｎは、対象パターンの中で類似した特徴を持つパターン
を同じカテゴリーに分類する能力を持っている。
【００４４】学習により生成される分類カテゴリー数
は、競合層のユニット数に依存する。そこで、対象パタ
ーン（特徴値）数と比較し十分に多く設定しておく必要
がある。これは、対象パターン数に対して少ない分類カ
テゴリー数を競合層で設定した場合、１つのユニットに
対する負担が増大し、パターン分類能力が低下するから
である。
は、競合層のユニット数に依存する。そこで、対象パタ
ーン（特徴値）数と比較し十分に多く設定しておく必要
がある。これは、対象パターン数に対して少ない分類カ
テゴリー数を競合層で設定した場合、１つのユニットに
対する負担が増大し、パターン分類能力が低下するから
である。
【００４５】しかし、生成される分類カテゴリー数は競
合層のユニット数に対応して増加するため、システム全
体の規模が大きくなりすぎてしまう。対向伝搬ネットワ
ークＣＰＮのカテゴリー分類能力は非常に高く、生成さ
れる分類カテゴリー数は可能な限り少ない方が良い。そ
こで、グロスバーグ層を用いて学習を行うことで生成カ
テゴリー数を任意に設定する。
合層のユニット数に対応して増加するため、システム全
体の規模が大きくなりすぎてしまう。対向伝搬ネットワ
ークＣＰＮのカテゴリー分類能力は非常に高く、生成さ
れる分類カテゴリー数は可能な限り少ない方が良い。そ
こで、グロスバーグ層を用いて学習を行うことで生成カ
テゴリー数を任意に設定する。
【００４６】図７に示すように、中間層を分割した階層
型ニューラルネットワークＮＮと対向伝搬ネットワーク
ＣＰＮは、入力層を共有している。階層型ニューラルネ
ットワークＮＮの第１中間層の分割数は対向伝搬ネット
ワークＣＰＮによって分類されるカテゴリー数に対応し
ている。この各分割されたグループのユニット数は任意
に設定することができる。本システムでは、分割された
グループのユニット数は入力層のユニット数に対応して
いる。
型ニューラルネットワークＮＮと対向伝搬ネットワーク
ＣＰＮは、入力層を共有している。階層型ニューラルネ
ットワークＮＮの第１中間層の分割数は対向伝搬ネット
ワークＣＰＮによって分類されるカテゴリー数に対応し
ている。この各分割されたグループのユニット数は任意
に設定することができる。本システムでは、分割された
グループのユニット数は入力層のユニット数に対応して
いる。
【００４７】そしてハイブリッド・ニューラルネットワ
ークＨＮＮに入力されたパターンが対向伝搬ネットワー
クＣＰＮによってカテゴリー分類されるとそのカテゴリ
ーに対応する中間層グループのみが使用され、そのグル
ープのユニットに付随するウェイトが更新される。した
がって、中間層を分割したことによりパターンの特徴を
効果的に学習する仕組みになっている。
ークＨＮＮに入力されたパターンが対向伝搬ネットワー
クＣＰＮによってカテゴリー分類されるとそのカテゴリ
ーに対応する中間層グループのみが使用され、そのグル
ープのユニットに付随するウェイトが更新される。した
がって、中間層を分割したことによりパターンの特徴を
効果的に学習する仕組みになっている。
【００４８】対向伝搬ネットワークＣＰＮのカテゴリー
出力をベクトルＣ＝（Ｃ1 ，Ｃ2 ，…，Ｃs ）とする
と、ベクトルＣの各ユニットは、｛０／１｝の２値で表
現され、活性化したユニットのみが１となる。また、対
向伝搬ネットワークＣＰＮからのカテゴリー出力は、階
層型ニューラルネットワークＮＮの第１中間層グループ
にそれぞれ対応している。このとき、中間層の第ｋグル
ープの第ｊユニットｕj k は、ｐ番目の入力パターンベ
クトルをＸp （Ｘ1 p ，Ｘ2 p ，…，Ｘn p ），（ｐ＝
1,2,…, m ）とすると次式で表される。
出力をベクトルＣ＝（Ｃ1 ，Ｃ2 ，…，Ｃs ）とする
と、ベクトルＣの各ユニットは、｛０／１｝の２値で表
現され、活性化したユニットのみが１となる。また、対
向伝搬ネットワークＣＰＮからのカテゴリー出力は、階
層型ニューラルネットワークＮＮの第１中間層グループ
にそれぞれ対応している。このとき、中間層の第ｋグル
ープの第ｊユニットｕj k は、ｐ番目の入力パターンベ
クトルをＸp （Ｘ1 p ，Ｘ2 p ，…，Ｘn p ），（ｐ＝
1,2,…, m ）とすると次式で表される。
【００４９】ｕj k ＝Ｃk ＊（Ｗi k j ＊Ｘi p ） ｐ＝1,2,…, m ，ｉ＝1,2,…, n ただし、Ｃk は対向伝搬ネットワークＣＰＮの出力、Ｗ
i k j は入力層の第ｉユニットと中間層の第ｋグループ
の第ｊユニットの間のウェイトである。
i k j は入力層の第ｉユニットと中間層の第ｋグループ
の第ｊユニットの間のウェイトである。
【００５０】入力層と中間層の各グループのユニット間
のウェイトの更新は、次式に示す学習係数ηk および慣
性係数αk を用いる。
のウェイトの更新は、次式に示す学習係数ηk および慣
性係数αk を用いる。
【００５１】ηk ＝Ｃk ＊η，αk ＝Ｃk ＊α ただし、η、αはそれぞれ学習係数および慣性係数の初
期値である。中間層と出力層のウェイトの更新は通常の
バックプロパゲーション法と同様に行う。
期値である。中間層と出力層のウェイトの更新は通常の
バックプロパゲーション法と同様に行う。
【００５２】次に本実施例の画像処理装置２０を用いて
牛枝肉のロース部分の断面の肉および脂肪を色の濃さに
応じて複数の等級にそれぞれ分類する動作を図９のフロ
ーチャートを用いて説明する。
牛枝肉のロース部分の断面の肉および脂肪を色の濃さに
応じて複数の等級にそれぞれ分類する動作を図９のフロ
ーチャートを用いて説明する。
【００５３】まず、第１実施例の動作と同様にして牛枝
肉のロース部分の断面を肉色と脂肪色に分離する動作を
行う。
肉のロース部分の断面を肉色と脂肪色に分離する動作を
行う。
【００５４】そして、特徴値算出部２１では分離された
肉色と脂肪色の画像データの輝度ヒストグラムを求め、
その輝度ヒストグラムから輝度の平均値、最頻値、最大
値、最小値を特徴値としてそれぞれ算出する（ステップ
ＳＴ４１）。
肉色と脂肪色の画像データの輝度ヒストグラムを求め、
その輝度ヒストグラムから輝度の平均値、最頻値、最大
値、最小値を特徴値としてそれぞれ算出する（ステップ
ＳＴ４１）。
【００５５】肉色と脂肪色の画像データの特徴値が求め
られると分類部２３では、学習されたニューラルネット
ワークを用いてその特徴値に最も近い代表サンプルを求
める（ステップＳＴ４３）。そして求められた代表サン
プルの等級をその牛枝肉の肉色または脂肪色の等級とす
る（ステップＳＴ４５）。
られると分類部２３では、学習されたニューラルネット
ワークを用いてその特徴値に最も近い代表サンプルを求
める（ステップＳＴ４３）。そして求められた代表サン
プルの等級をその牛枝肉の肉色または脂肪色の等級とす
る（ステップＳＴ４５）。
【００５６】このように、を分離処理部１１によって肉
色と脂肪色に分離された画像データから肉色と脂肪色の
特徴値をそれぞれ求め、学習されたニューラルネットワ
ークを用いてその特徴値に最も近い肉色と脂肪色の代表
サンプルを求め、求められた代表サンプルの等級をその
牛枝肉の肉色または脂肪色の等級としているので、牛枝
肉のように肉色と脂肪色の混ざり具合によって同じ色で
も明るさにばらつきが生じてしまうものでも画像データ
を基に肉色および脂肪色を複数の等級に分類することが
できる。
色と脂肪色に分離された画像データから肉色と脂肪色の
特徴値をそれぞれ求め、学習されたニューラルネットワ
ークを用いてその特徴値に最も近い肉色と脂肪色の代表
サンプルを求め、求められた代表サンプルの等級をその
牛枝肉の肉色または脂肪色の等級としているので、牛枝
肉のように肉色と脂肪色の混ざり具合によって同じ色で
も明るさにばらつきが生じてしまうものでも画像データ
を基に肉色および脂肪色を複数の等級に分類することが
できる。
【００５７】なお、第１実施例では、牛肉を肉色と脂肪
色の二色に分離する例を示したが、Ｒ−Ｇ−Ｂ成分の各
しきい値の組み合わせを変更してＲ−Ｇ−Ｂ成分毎のし
きい値テーブルを作成することで他の被検査物を他の色
に分離することも可能である。
色の二色に分離する例を示したが、Ｒ−Ｇ−Ｂ成分の各
しきい値の組み合わせを変更してＲ−Ｇ−Ｂ成分毎のし
きい値テーブルを作成することで他の被検査物を他の色
に分離することも可能である。
【００５８】さらに第１実施例では、牛肉を肉色と脂肪
色の二色に分離しているがこれに限らずＲ−Ｇ−Ｂ成分
の各しきい値を二つ以上設けることで三色以上の分離が
可能となる。
色の二色に分離しているがこれに限らずＲ−Ｇ−Ｂ成分
の各しきい値を二つ以上設けることで三色以上の分離が
可能となる。
【００５９】さらに第２実施例では、肉色と脂肪色の色
の濃さに応じて等級分けしているがこれに限らず、同色
系の色をその色に濃さによって複数の段階に分類するこ
とが可能となる。
の濃さに応じて等級分けしているがこれに限らず、同色
系の色をその色に濃さによって複数の段階に分類するこ
とが可能となる。
【００６０】さらに第２実施例では、第１実施例の画像
処理装置１に特徴値算出部２１と分類部２３を追加した
構成になっているがこれに限らず、第１実施例以外の画
像処理装置を用いて色を分離するようにしても良い。
処理装置１に特徴値算出部２１と分類部２３を追加した
構成になっているがこれに限らず、第１実施例以外の画
像処理装置を用いて色を分離するようにしても良い。
【００６１】さらに第２実施例では、肉色と脂肪色に分
離された画像データの輝度の平均値、最頻値、最大値、
最小値を特徴値として、分類部２３のニューラルネット
ワークを学習させ、これを基に肉色と脂肪色の等級分類
を行っているが、脂肪全体の面積および周囲長を特徴値
としてニューラルネットワークを学習させておけば、脂
肪交雑についても分類できるようになる。
離された画像データの輝度の平均値、最頻値、最大値、
最小値を特徴値として、分類部２３のニューラルネット
ワークを学習させ、これを基に肉色と脂肪色の等級分類
を行っているが、脂肪全体の面積および周囲長を特徴値
としてニューラルネットワークを学習させておけば、脂
肪交雑についても分類できるようになる。
【００６２】
【発明の効果】以上説明したように本発明によれば、撮
像装置によって得られた各輝度情報を所定の色に分離す
るためのＲ−Ｇ−Ｂ成分毎のしきい値を所定の輝度サン
プルについて複数求めておき、これを基にファジィ推論
によって平均輝度に対するしきい値を表したテーブルを
Ｒ−Ｇ−Ｂ成分毎に作成し、平均輝度算出部によって算
出された平均輝度に対応するしきい値を前記しきい値テ
ーブルを基に設定し、そのしきい値によりＲ−Ｇ−Ｂ成
分毎に分離処理することによって所定の色に分離するよ
うにしているので、明るさにばらつきのある画像データ
を所定の色に適確に分離することができる。
像装置によって得られた各輝度情報を所定の色に分離す
るためのＲ−Ｇ−Ｂ成分毎のしきい値を所定の輝度サン
プルについて複数求めておき、これを基にファジィ推論
によって平均輝度に対するしきい値を表したテーブルを
Ｒ−Ｇ−Ｂ成分毎に作成し、平均輝度算出部によって算
出された平均輝度に対応するしきい値を前記しきい値テ
ーブルを基に設定し、そのしきい値によりＲ−Ｇ−Ｂ成
分毎に分離処理することによって所定の色に分離するよ
うにしているので、明るさにばらつきのある画像データ
を所定の色に適確に分離することができる。
【００６３】また、予め色の濃さによって分類された複
数の段階の代表的なサンプルの特徴値を求めて、この特
徴値を基に前記複数の段階に分類するニューラルネット
ワークを学習させ、特徴値算出部によって算出された被
検査物の特徴値に最も近い代表サンプルをこの学習され
たニューラルネットワークを用いて求め、求められた代
表サンプルの所属する段階をその被検査物の色の段階と
するようにしたので、被検査物の画像データを基に、色
をその濃さによって複数の段階に分類することが可能と
なる。
数の段階の代表的なサンプルの特徴値を求めて、この特
徴値を基に前記複数の段階に分類するニューラルネット
ワークを学習させ、特徴値算出部によって算出された被
検査物の特徴値に最も近い代表サンプルをこの学習され
たニューラルネットワークを用いて求め、求められた代
表サンプルの所属する段階をその被検査物の色の段階と
するようにしたので、被検査物の画像データを基に、色
をその濃さによって複数の段階に分類することが可能と
なる。
【００６４】さらに、本発明によれば、画像処理技術を
用いて牛枝肉のロース部分の肉色と脂肪色の等級分類が
可能となる。
用いて牛枝肉のロース部分の肉色と脂肪色の等級分類が
可能となる。
【図１】本発明の画像処理装置の第１実施例を示すブロ
ック図である。
ック図である。
【図２】図１に示した実施例の画像処理装置のしきい値
テーブルの作成の動作を示すフローチャートである。
テーブルの作成の動作を示すフローチャートである。
【図３】Ｒ−Ｇ−Ｂ成分毎のしきい値テーブルを示す説
明図である。
明図である。
【図４】図１に示す実施例の画像処理装置を用いて牛肉
を肉色および脂肪色に分離する動作を示すフローチャー
トである。
を肉色および脂肪色に分離する動作を示すフローチャー
トである。
【図５】本発明の画像処理装置の第２実施例を示すブロ
ック図である。
ック図である。
【図６】図５に示した実施例の画像処理装置のニューラ
ルネットワークの学習動作を示すフローチャートであ
る。
ルネットワークの学習動作を示すフローチャートであ
る。
【図７】ハイブリッド・ニューラルネットワークの構成
を示す説明図である。
を示す説明図である。
【図８】対向伝搬ネットワークの構成を示す説明図であ
る。
る。
【図９】図５に示した実施例の画像処理装置を用いて肉
色および脂肪色を色の濃さに応じて複数の等級に分類す
る動作を示すフローチャートである。
色および脂肪色を色の濃さに応じて複数の等級に分類す
る動作を示すフローチャートである。
１，２０ 画像処理装置 ３ ＣＣＤカメラ ５ 平均輝度算出部 ７ しきい値テーブル作成部 ９ しきい値設定部 １１ 分離処理部 ２１ 特徴値算出部 ２３ 分類部
フロントページの続き (56)参考文献 特開 平６−242102（ＪＰ，Ａ) 特開 平４−291679（ＪＰ，Ａ) 特開 平４−260179（ＪＰ，Ａ) 特開 平２−119379（ＪＰ，Ａ) 特開 昭63−155369（ＪＰ，Ａ) 特表 平１−501965（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) G06T 1/00 280 G06T 7/00 100
Claims (3)
- 【請求項１】 被検査物を撮像して二次元に整列配置さ
れた画素毎の各輝度情報をＲ−Ｇ−Ｂ成分毎に得る撮像
装置と、 前記撮像装置によって得られた各輝度情報の平均値をＲ
−Ｇ−Ｂ成分毎に算出する平均輝度算出部と、 前記撮像装置によって得られた各輝度情報を所定の色に
分離するためのＲ−Ｇ−Ｂ成分毎のしきい値を所定の輝
度サンプルについて複数求めておき、これを基にファジ
ィ推論によって平均輝度に対するしきい値を表したテー
ブルをＲ−Ｇ−Ｂ成分毎に作成するしきい値テーブル作
成部と、 前記平均輝度算出部によって算出された平均輝度に対応
するしきい値を前記作成されたしきい値テーブルを基に
Ｒ−Ｇ−Ｂ成分毎に設定するしきい値設定部と、 前記撮像装置により得られた被検査物の画素毎の各輝度
情報を前記設定されたしきい値によってＲ−Ｇ−Ｂ成分
毎に分離処理して前記所定の色に分離する分離処理部
と、 を備えたことを特徴とする画像処理装置。 - 【請求項２】 所定の色に分離された各画像データの輝
度の平均値、最頻値、最大値、最小値等を特徴値として
算出する特徴値算出部と、 予め色の濃さによって分類された複数の段階の代表的な
サンプルの前記特徴値を求めておき、この特徴値を基に
前記複数の段階に分類するニューラルネットワークを学
習させ、前記特徴値算出部によって算出された被検査物
の特徴値に最も近い代表サンプルをこの学習されたニュ
ーラルネットワークを用いて求め、求められた代表サン
プルの所属する段階をその被検査物の色の段階とする分
類部と、 を備えたことを特徴とする請求項１記載の画像処理装
置。 - 【請求項３】 牛枝肉のロース部分の断面の肉と脂肪の
色の濃さによってその牛枝肉の肉色と脂肪色の格付を行
うシステムであって、 牛枝肉のロース部分の断面を撮像して二次元に整列配置
された画素毎の各輝度情報をＲ−Ｇ−Ｂ成分毎に得る撮
像装置と、 前記撮像装置によって得られた各輝度情報の平均値をＲ
−Ｇ−Ｂ成分毎に算出する平均輝度算出部と、 肉色と脂肪色に分離するためのＲ−Ｇ−Ｂ成分毎のしき
い値を所定の輝度サンプルについて複数求めておき、こ
れを基にファジィ推論によって平均輝度に対するしきい
値を表したテーブルをＲ−Ｇ−Ｂ成分毎に作成するしき
い値テーブル作成部と、 前記平均輝度算出部によって算出された等級分類を行う
牛枝肉のロース部分の断面の平均輝度に対応するしきい
値を前記しきい値テーブルを基にＲ−Ｇ−Ｂ成分毎に設
定するしきい値設定部と、 前記撮像装置により得られた等級分類を行う牛枝肉のロ
ース部分の断面の輝度情報を前記設定されたＲ−Ｇ−Ｂ
成分毎のしきい値によって分離処理して肉色と脂肪色に
分離した各画像データを得る分離処理部と、 前記肉色と脂肪色に分離した各画像データの輝度の平均
値、最頻値、最大値、最小値等を特徴値として算出する
特徴値算出部と、 予め肉色と脂肪色をそれぞれの色の濃さによって分類し
た複数の等級の代表的なサンプルの特徴値を求めてお
き、この特徴値を基に複数の等級に分類するニューラル
ネットワークを学習させ、前記特徴値算出部によって算
出された等級分類を行う牛枝肉のロース部分の断面の特
徴値に最も近い肉色または脂肪色の代表サンプルをこの
学習されたそれぞれのニューラルネットワークを用いて
求め、求められた代表サンプルの所属する等級をその牛
枝肉の肉色または脂肪色の等級とする分類部と、 を備えたことを特徴とする牛枝肉格付システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10783693A JP3344766B2 (ja) | 1993-05-10 | 1993-05-10 | 画像処理装置およびこの装置を用いた牛枝肉格付システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10783693A JP3344766B2 (ja) | 1993-05-10 | 1993-05-10 | 画像処理装置およびこの装置を用いた牛枝肉格付システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06318244A JPH06318244A (ja) | 1994-11-15 |
| JP3344766B2 true JP3344766B2 (ja) | 2002-11-18 |
Family
ID=14469281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP10783693A Expired - Fee Related JP3344766B2 (ja) | 1993-05-10 | 1993-05-10 | 画像処理装置およびこの装置を用いた牛枝肉格付システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3344766B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100421823C (zh) * | 2005-10-13 | 2008-10-01 | 南京农业大学 | 一种猪肉颜色质量等级的划分方法 |
| CN103592031A (zh) * | 2013-11-29 | 2014-02-19 | 中国肉类食品综合研究中心 | 牲畜宰后劣质肉肉色测定装置及劣质肉检测方法 |
| US20160150813A1 (en) * | 2012-06-05 | 2016-06-02 | Safefresh Technologies, Llc | Mechanical processes for separating tallow and lean beef from a single boneless beef supply |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08190623A (ja) * | 1995-01-10 | 1996-07-23 | Mitsubishi Agricult Mach Co Ltd | 農作物の画像処理測定法 |
| JP2004045072A (ja) * | 2002-07-09 | 2004-02-12 | Ishii Ind Co Ltd | 食肉識別方法及びその食肉識別装置 |
| JPWO2019151393A1 (ja) * | 2018-01-31 | 2020-12-03 | 株式会社ニチレイフーズ | 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法 |
| JP6913953B2 (ja) * | 2018-11-07 | 2021-08-04 | 有限会社 ワーコム農業研究所 | 肉質等級の品質基準のデジタル化方法、それによる品質基準を利用した品質評価のデジタル処理方法、それらを利用した自動肉質評価装置、および、それに搭載されるソフトウェア |
| JP7125802B1 (ja) * | 2021-06-15 | 2022-08-25 | 有限会社 ワーコム農業研究所 | 牛肉品質判定装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DK157380C (da) * | 1986-11-06 | 1991-08-12 | Lumetech As | Fremgangsmaade til optisk, befoeringsfri maaling af koedtekstur |
| JPH07113962B2 (ja) * | 1986-12-19 | 1995-12-06 | マツダ株式会社 | 画像処理方法 |
| JP2718718B2 (ja) * | 1988-10-28 | 1998-02-25 | 株式会社東芝 | 画像読取装置 |
| JP3097153B2 (ja) * | 1991-02-14 | 2000-10-10 | 井関農機株式会社 | 青果物等の等級検定装置 |
| JPH04291679A (ja) * | 1991-03-20 | 1992-10-15 | Hitachi Plant Eng & Constr Co Ltd | 鮪の等級判別装置 |
| JP3142976B2 (ja) * | 1993-02-23 | 2001-03-07 | 雪印乳業株式会社 | 肉組織の検査方法及び装置 |
-
1993
- 1993-05-10 JP JP10783693A patent/JP3344766B2/ja not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100421823C (zh) * | 2005-10-13 | 2008-10-01 | 南京农业大学 | 一种猪肉颜色质量等级的划分方法 |
| US20160150813A1 (en) * | 2012-06-05 | 2016-06-02 | Safefresh Technologies, Llc | Mechanical processes for separating tallow and lean beef from a single boneless beef supply |
| US10212960B2 (en) * | 2012-06-05 | 2019-02-26 | Anthony J. M. Garwood | Mechanical processes for separating tallow and lean beef from a single boneless beef supply |
| CN103592031A (zh) * | 2013-11-29 | 2014-02-19 | 中国肉类食品综合研究中心 | 牲畜宰后劣质肉肉色测定装置及劣质肉检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH06318244A (ja) | 1994-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816092B (zh) | 深度神经网络训练方法、装置、电子设备及存储介质 | |
| CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| CN106407917B (zh) | 基于动态尺度分配的视网膜血管提取方法及系统 | |
| US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
| CN112435221A (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
| CN109191459A (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
| CN113537099B (zh) | 一种公路隧道火灾烟雾动态检测方法 | |
| CN110400293B (zh) | 一种基于深度森林分类的无参考图像质量评价方法 | |
| CN109816625A (zh) | 一种视频质量评分实现方法 | |
| CN110598560A (zh) | 基于神经网络增强的夜间监控识别方法和系统 | |
| CN112241762A (zh) | 一种用于病虫害图像分类的细粒度识别方法 | |
| CN106570855A (zh) | 猪肉新鲜度快速判定的方法及系统 | |
| CN107292307A (zh) | 一种倒置汉字验证码自动识别方法及系统 | |
| JP3344766B2 (ja) | 画像処理装置およびこの装置を用いた牛枝肉格付システム | |
| She et al. | Intelligent animal fiber classification with artificial neural networks | |
| CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
| Marzan et al. | Automated tobacco grading using image processing techniques and a convolutional neural network | |
| CN114863125A (zh) | 一种书法/美术作品智能评分方法及系统 | |
| CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测系统 | |
| Sulaiman et al. | Automatic grading system for oil palm fruit ripeness | |
| CN110443277A (zh) | 基于注意力模型的少量样本分类方法 | |
| KR102242011B1 (ko) | 딥러닝 기반의 축산물 이미지 등급 분류 장치 | |
| CN112115824A (zh) | 果蔬检测方法、装置、电子设备以及计算机可读介质 | |
| Swargiary et al. | Classification of basmati rice grains using image processing techniques | |
| CN113139936B (zh) | 一种图像分割处理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20020723 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070830 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080830 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090830 Year of fee payment: 7 |
|
| LAPS | Cancellation because of no payment of annual fees |