JP5707399B2 - 微生物検出方法、微生物検出装置及びプログラム - Google Patents

Description

本発明は、例えば、大腸菌などの細菌や真核生物などの微生物の検出により食品等の検査対象物を検査する微生物検出方法、微生物検出装置及びプログラムに関する。

特許文献１には、食品などに含まれる微生物を検出する方法が開示されている。この文献の検出方法では、ＣＣＤラインセンサによって、微生物の培養前と培養後とで微生物検出用プレートを撮像する。そして、得られた画像情報を比較することにより、微生物のコロニー数を計測する。特許文献２には、予め特定した色情報により微生物を検出する方法が開示されている。

ところで、特許文献１の検出方法では、単に画像情報の比較によりコロニー数を計測する。このため、培養前と培養後とで撮像時におけるカメラと培地との相対位置が変化したり、培地の色と微生物のコロニーの色とが同色系であったりする場合に、微生物の検出精度を十分に確保できない虞がある。また、特許文献２の検出方法では、予め特定した色情報により微生物を検出する。このため、微生物の色が変化したり、培地の色と微生物のコロニーの色とが同色系であったりする場合に、微生物の検出精度を十分に確保できない虞がある。

特開２０００−６９９９４号公報 特開平１１−２２１０７０号公報

本発明の目的は、検査対象物の培地に発生した微生物のコロニーを精度良く検出することのできる微生物検出方法、微生物検出装置及びプログラムを提供することにある。

上記課題を解決するため、本発明の第一の態様によれば、培地に培養された微生物のコロニーを検出する微生物検出方法が提供される。この方法によれば、培地領域内において微生物のコロニーが存在しない又は存在する学習対象物をカラー画像で撮影し、撮影されたカラー画像のうち培地領域内の少なくとも一部にトレーニング対象領域を設定し、トレーニング対象領域内にある培地点及び微生物点の少なくとも一方の色情報を学習情報とし、その学習情報を分類器に入力して色情報の特徴ベクトルを取得し、分類器により、特徴ベクトルで規定される点群を分離して培地のクラス及び微生物のクラスのうち少なくとも一方のクラスを分類するトレーニングステップと、培地領域内において微生物のコロニーの有無を検査するために撮影された検査対象物のカラー画像のうち、培地領域内の少なくとも一部の検査対象領域内の各検査点の色情報を、トレーニング済みの分類器に入力して色情報の特徴ベクトルを取得し、分類器により、特徴ベクトルで規定される点がトレーニングステップで分類されたどのクラスに属するか否かを判定し、その判定の結果に基づきコロニーを識別する識別ステップとを備える。

この構成によれば、トレーニングステップでは、培地点及び微生物点のうち少なくとも一方の色情報が学習情報として分類器に入力されて、色情報の特徴ベクトルが取得される。そして、分類器により、特徴ベクトルで規定される点群が分離されて、培地のクラス及び微生物のクラスのうち少なくとも一方が色分類される。識別ステップでは、検査対象物を撮影したカラー画像のうち検査対象領域内の各検査点の色情報が、トレーニング済みの分類器に入力されて、色情報の特徴ベクトルが取得される。分類器は、特徴ベクトルで規定される点がどのクラスに属するか否かについて判定する。そして、その判定の結果に基づきコロニーを識別する。このように、培地及び微生物のうち少なくとも一方を色分類（分離）できる特徴空間において培地であるか、或いは微生物であるかを判定することができる。このため、コロニーの色が変化したり、培地の色と類似している場合であっても、コロニーを精度よく識別することができる。また、トレーニング時と識別時とで撮像手段と検査対象物との相対位置が多少ずれたとしても、コロニーを精度よく検出することができる。従って、検査対象物に発生した微生物のコロニーを精度よく検出することができる。

上記の微生物検出方法において、トレーニングステップでは、培地領域内に微生物のコロニーが存在しない学習対象物を撮影したカラー画像におけるトレーニング対象領域内の培地点の色情報を学習情報として分類器に入力して色情報の特徴ベクトルを取得し、分類器により、特徴ベクトルで規定される点群から外側へ規定距離だけ離れた位置に閾値を設定することで培地のクラスが分類され、識別ステップでは、検査対象物を撮影したカラー画像における検査対象領域内の各検査点の色情報を、トレーニング済みの分類器に入力して色情報の特徴ベクトルを取得し、分類器により、特徴ベクトルで規定される検査点が培地のクラスに属するか否かを判定し、培地のクラスに属さないと判定した検査点に基づきコロニーを識別することが好ましい。

この構成によれば、培地の色情報をトレーニングし、識別ステップにおいて、培地のクラスに属さないと判定した検査点に基づきコロニーを識別する。この場合、培地だけの簡単なトレーニングを行えばよい。よって、検出処理が比較的簡単に行える。

上記の微生物検出方法において、トレーニングステップでは、学習対象物を撮影したカラー画像におけるトレーニング対象領域内の培地点の色情報と微生物点の色情報とを学習情報として分類器に入力して色情報の特徴ベクトルを取得し、分類器により、特徴ベクトルで規定される培地点の点群と微生物点の点群とを分離して培地のクラスと微生物のクラスとを分類し、識別ステップでは、検査対象物を撮影したカラー画像における検査対象領域内の各検査点の色情報を、トレーニング済みの分類器に入力して色情報の特徴ベクトルを取得し、分類器により、特徴ベクトルで規定される検査点が培地のクラスと微生物のクラスのいずれに属するか否かを判定し、微生物のクラスに属すると判定した検査点に基づきコロニーを識別することが好ましい。

この構成によれば、分類器が、培地の色情報と微生物点の色情報とをトレーニングする。そして、分類器により、培地のクラスと微生物のクラスとが分類される。識別ステップでは、トレーニング済みの分類器が、検査点が培地のクラス及び微生物のクラスのいずれに属するか否かを判定して、コロニーを識別する。よって、コロニーの検出精度がより一層向上する。

上記の微生物検出方法において、トレーニングステップ及び識別ステップにおいて、分類器へ入力される情報は、色情報の他に、形状情報と面積情報とのうち少なくとも１つを含むことが好ましい。

この構成によれば、トレーニングに際し、色情報の他に、形状情報及び面積情報のうち少なくとも一方の情報が分類器に入力される。よって、コロニーの検出精度がより一層向上する。

上記の微生物検出方法において、トレーニングステップにおいて、クラスの分類とは別に、培地領域内に存在するノイズ点に関するノイズ情報を収集し、識別ステップにおいて、微生物のクラスに属する検査点がノイズ点であるか否かをノイズ情報に基づき判別し、ノイズ点でないと判別した検査点に基づきコロニーを識別することが好ましい。

この構成によれば、トレーニングステップではノイズ情報を収集する。識別ステップでは、微生物のクラスに属する検査点がノイズ点であるか否かをノイズ情報に基づき判別する。そして、ノイズ点でないと判別した検査点に基づきコロニーが識別される。よって、培地領域内に存在するノイズ点を微生物点として誤って検出することを抑制できる。

上記の微生物検出方法において、識別ステップでは、培地領域を外周領域と中央領域とに分割し、培地の中央領域を検査対象領域として識別を行い、外周領域については色エッジ検出により検出された色エッジに基づきコロニーを検出することが好ましい。

この構成によれば、培地内の中央領域では、特徴ベクトルで規定される検査点がクラスに属するか否かの判定結果に基づいてコロニーが検出される。一方、培地内の外周領域では、色エッジ検出により検出された色エッジに基づきコロニーが検出される。よって、培地領域の全域に亘ってコロニーを精度良く検出することができる。

上記の微生物検出方法において、トレーニングステップでは、培養開始からコロニー発生前の所定期間内における検査対象物を学習対象物として使用して、培地点を学習させる分類器のトレーニングを行って培地のクラスを分類し、識別ステップでは、所定期間以後の検査対象物が撮影されたカラー画像を用いることが好ましい。

この構成によれば、トレーニング時には、培養開始からコロニー発生前の所定期間内における検査対象物が学習対象物として用いられる。識別時には、所定期間を過ぎた以後の検査対象物を撮影したカラー画像が用いられる。よって、検査対象物を用いてトレーニングを行うため、高い検出精度が得られると共に、トレーニングと識別とを比較的効率よく行うことができる。

上記課題を解決するため、本発明の第二の態様によれば、培地に培養された微生物のコロニーの有無を検査する微生物検出装置が提供される。この装置は、培地領域内において微生物のコロニーが存在しない又は存在する学習対象物をカラー画像で撮影し、撮影されたカラー画像のうち培地領域内の少なくとも一部にトレーニング対象領域を設定し、トレーニング対象領域内にある培地点及び微生物点の少なくとも一方の色情報を学習情報とし、その学習情報を分類器に入力して色情報の特徴ベクトルを取得し、特徴ベクトルで規定される点群を分離して培地のクラス及び微生物のクラスのうち少なくとも一方のクラスを分類する分類器を含むトレーニング手段と、培地領域内において微生物のコロニーの有無を検査するために撮影された検査対象物のカラー画像のうち、培地領域内の少なくとも一部の検査対象領域内の各検査点の色情報を、トレーニング済みの分類器に入力して色情報の特徴ベクトルを取得し、分類器により、特徴ベクトルで規定される点がトレーニング手段により分類されたどのクラスに属するか否かを判定し、その判定の結果に基づきコロニーを識別する識別手段とを備える。

この構成によれば、上記の微生物検出方法の発明と同様の効果が得られる。

上記課題を解決するため、本発明の第三の態様によれば、培地に培養された微生物のコロニーを検出する微生物検出処理をコンピュータに実行させるためのプログラムが提供される。このプログラムは、コンピュータに、培地領域内において微生物のコロニーが存在しない又は存在する学習対象物をカラー画像で撮影し、撮影されたカラー画像のうち培地領域内の少なくとも一部にトレーニング対象領域を設定し、トレーニング対象領域内にある培地点及び微生物点の少なくとも一方の色情報を学習情報とし、その学習情報を分類器に入力して色情報の特徴ベクトルを取得し、分類器により、特徴ベクトルで規定される点群を分離して培地のクラス及び微生物のクラスのうち少なくとも一方のクラスを分類するトレーニングステップと、培地領域内において微生物のコロニーの有無を検査するために撮影された検査対象物のカラー画像のうち、培地領域内の少なくとも一部の検査対象領域内の各検査点の色情報を、トレーニング済みの分類器に入力して色情報の特徴ベクトルを取得し、分類器により、特徴ベクトルで規定される点がトレーニングステップで分類されたどのクラスに属するか否かを判定し、その判定の結果に基づきコロニーを識別する識別ステップとを実行させる。

この構成によれば、コンピュータによりトレーニングステップと識別ステップとが実行される。これにより、上記の微生物検出方法の発明と同様の効果が得られる。

上記の微生物検出方法において、識別ステップでは、微生物のクラスに属すると判定した検査点が連続して存在する閉領域であるコロニー候補の面積を求め、面積が微生物種に応じて設定された面積条件を満たした場合、コロニー候補をコロニーであると識別することが好ましい。

上記の微生物検出方法において、トレーニングステップ及び識別ステップにおいて、分類器へは色情報と形状情報とが少なくとも入力され、トレーニングステップでは、コロニーの色情報及び形状情報を学習情報として分類器に入力して色情報及び形状情報の特徴ベクトルを取得し、分類器により特徴ベクトルで規定される点群を分離してコロニーのクラスが分類され、識別ステップでは、検査点は検査対象領域内の色で区別した領域で示されるコロニー候補点であって、コロニー候補点の色情報と形状情報とを、トレーニング済みの分類器に入力して色情報及び形状情報の特徴ベクトルを取得し、分類器により特徴ベクトルで規定される点がコロニーのクラスに属するか否かを判定し、その判定の結果に基づきコロニーを識別することが好ましい。

上記の微生物検出方法において、分類器は、カーネル法に基づくサポートベクターマシン、ニューラルネットワーク、ガウス混合分布モデルのうち少なくとも１つを含むことが好ましい
上記の微生物検出方法であって、分類器は、カーネル法に基づくサポートベクターマシンであり、トレーニングステップでは、培地点及び微生物点のうち少なくとも一方の色情報の特徴ベクトルを、分類器の写像部を用いてカーネル法により高次元特徴空間へ写像して、高次元特徴ベクトルを取得し、分類器により高次元特徴ベクトルで規定される点群を線形分離して培地のクラスと微生物のクラスとのうち少なくとも一方のクラスが分類され、識別ステップでは、検査点の色情報の特徴ベクトルを、分類器の写像部を用いてカーネル法により高次元特徴空間へ写像して、高次元特徴ベクトルを取得し、分類器により高次元特徴ベクトルで規定される点がトレーニングステップで分類されたどのクラスに属するか否かについて判定され、その判定の結果に基づきコロニーを識別することが好ましい。

この方法によれば、カーネル法により高次元空間へ写像して得られた高次元特徴ベクトルにより規定される点群について線形分離することができる。よって、クラスの分類を適切に行うことができ、微生物を精度良く検出することができる。

上記の微生物検出装置において、カラー画像を取得するための撮像手段と、識別手段がコロニーと識別した場合に、コロニーが検出された旨を報知する報知手段とを備えることが好ましい。

本発明の第１実施形態における検査システムを示す模式平面図。 検査装置の電気的構成を示すブロック図。 検査装置の模式正面図。 分類器の機能を説明するグラフ。 （ａ）〜（ｄ）各段階における試料の画像を示す模式図。 分類器のトレーニングを説明するグラフ。 （ａ）（ｂ）分類器による微生物の識別を説明するグラフ。 （ａ）（ｂ）検出処理装置による検出菌数を示すグラフ。 微生物検出処理ルーチンを示すフローチャート。 トレーニング処理ルーチンを示すフローチャート。 識別処理ルーチンを示すフローチャート。 本発明の第２実施形態におけるトレーニング及び識別を説明するグラフ。 本発明の第３実施形態におけるトレーニング及び識別を説明するグラフ。

（第１実施形態）
以下、本発明を具体化した一実施形態を図１〜図１１に基づいて説明する。

図１に示すように、微生物検査システム（以下、単に「検査システム１１」と称す）は、周囲を壁部１２で囲まれた恒温室１３を備えている。恒温室１３の温度は、空調機１４により所定の温度に保たれている。検査システム１１は、恒温室１３の図１における右下部分に、投入棚１５、取出棚１６、及び取出棚１７を備えている。投入棚１５からは、検査対象物の一例である試料Ｓ（例えば、培地を収容するシャーレ）が恒温室１３内へ投入される。恒温室１３からは、検査結果が良品である試料Ｓが取出棚１６より取り出され、検査結果が不良品である試料Ｓが取出棚１７より取り出される。恒温室１３内には、複数の収納棚１８、試料Ｓを検査するための微生物検査装置（以下、単に「検査装置１９」と称す）、及び搬送ロボット２０が設けられている。各収納棚１８には、恒温室１３内へ投入された試料Ｓが培養のために収納される。搬送ロボット２０は、各棚１５〜１８と検査装置１９との間で試料Ｓを搬送する。各棚１５〜１７には、恒温室１３の内側と外側とを繋ぐコンベア１５ａ〜１７ａがそれぞれ設けられている。試料Ｓを投入及び取出す際は、コンベア１５ａ〜１７ａの外側の端部と中間部とに設けられた二重のシャッタ２１，２２が片方ずつ順番に開放される。こうすることで、外部から恒温室１３内への微生物等の浸入が防止される。

搬送ロボット２０は、恒温室１３内の床面に配置された回転式の本体２０ａと、本体２０ａから延出する複数の間接を有するアーム２０ｂとを有している。試料Ｓは、アーム２０ｂの先端部のチャック部２０ｃにより把持されて、各棚１５〜１８と検査装置１９との間を搬送される。

検査装置１９は、試料Ｓを載置するための検査台２３（検査用ステージ）と、検査台２３上の試料Ｓを撮影するためのカメラ２４とを備えている。収納棚１８に収納された試料Ｓは、培養期間中に定期的に検査装置１９により検査される。検査装置１９は、カメラ２４で撮影した試料Ｓのカラー画像に基づいて、試料Ｓの培地における微生物のコロニーを検出する。コロニーが検出されないまま所定の培養期間を終えた試料Ｓは、良品用の取出棚１６から搬出される。一方、コロニーが検出された試料Ｓは、不良品用の取出棚１７から搬出される。

検査システム１１は、恒温室１３の外側に、コントローラ２５とパーソナルコンピュータ２６とを備えている。コントローラ２５は、空調機１４、搬送ロボット２０、コンベア１５ａ〜１７ａ及びシャッタ２１，２２などを制御する。検査装置１９を構成するパーソナルコンピュータ２６には、カメラ２４により撮影された試料Ｓのカラー画像データが入力される。パーソナルコンピュータ２６では、所定のアルゴリズムにより、色情報を用いて試料Ｓの培地と微生物とを識別してコロニーを検出する微生物検出処理を行う。

図３に示すように、検査装置１９は、検査台２３と、検査台２３上の試料Ｓを照明する環状の光源２８と、反射板２９と、検査台２３上の試料Ｓを撮影するカメラ２４と、微生物検出処理装置（以下、単に「検出処理装置４０」と称す）とを有している。反射板２９は、光源２８に対して検査台２３と反対側に配置されている。検出処理装置４０は、カメラ２４からの画像データが取り込まれるパーソナルコンピュータ２６の本体３１に内蔵されている。

検査台２３は、ガラス等の透光性材料からなる。検査台２３は、不図示の支持部により可動な状態に支持されている。光源２８は、環状を有しており、カメラ２４と検査台２３との間に配置されている。光源２８の中心軸は、カメラ２４の光軸と一致している。カメラ２４は、光源２８の開口を通じて、検査台２３上の試料Ｓの全体を撮影する。反射板２９は、例えば、拡散板からなる。反射板２９は、光源２８から照射された光を拡散光として反射する。そのため、検査台２３上の試料Ｓの像だけがカメラ２４により撮像される。

試料Ｓは、培地Ｍ（寒天培地等）を収容するシャーレ３５（例えば、ガラスシャーレ）である。シャーレ３５は、皿部３５ａに蓋３５ｂを被せてから上下反転させた状態で、蓋３５ｂをカメラ２４と反対側に向けて、検査台２３上に載置されている。これは、蓋３５ｂを外すことにより恒温室１３内の微生物が培地Ｍに混入することを防止するためである。恒温室１３の清浄度が十分高ければ、蓋３５ｂを外して検査してもよい。

皿部３５ａには、検査対象である飲料液が所定割合で混合された培地Ｍが収容されている。シャーレ３５内の培地Ｍは、恒温室１３内において所定の温度条件下で所定の培養期間、培養される。シャーレ３５は、検査装置１９により、培養開始時と培養期間中の複数の設定時期とにそれぞれ検査される。搬送ロボット２０による検査台２３上へのシャーレ３５の移動が繰り返されるうちに、検査台２３上に配置されるシャーレ３５の位置が数ｍｍ〜１ｃｍ程度、シャーレ３５の角度が数度〜３０度程度、元の位置から変化することがある。

カメラ２４は、Ｒ（Red）・Ｇ（Green）・Ｂ（Blue）用の３つの撮像素子３６を備えた３板式のカラーカメラである。撮像素子３６として、ＣＣＤ（Charge Coupled Device）イメージセンサ又はＣＭＯＳイメージセンサ等が使用される。カメラ２４は、自動合焦（オートフォーカス）機能及びズーム機能を有するレンズユニット３７を備えている。カメラ２４は、検査台２３上の試料Ｓ（シャーレ３５）を所定の倍率で撮像する。レンズユニット３７を通じたカメラ２４内への入射光は、不図示のダイクロイックミラー又はダイクロイックプリズムによりＲＧＢ３原色の光に分離される。分離されたＲＧＢの各光は、各撮像素子３６にそれぞれ受光される。カメラ２４として、単板式カラーカメラを用いることもできる。

パーソナルコンピュータ２６は、本体３１と、マウス３２ｍ及びキーボード３２ｋよりなる入力操作部３２と、モニタ３３（表示部）とを備えている。カメラ２４は、本体３１に接続されている。カメラ２４内の各撮像素子３６から出力されたアナログ信号は、カメラ２４内でＡ／Ｄ変換されてから、ＲＧＢカラー画像データとして本体３１へと入力される。本体３１に内蔵された検出処理装置４０は、カメラ２４から入力した試料Ｓのカラー画像データに基づいて培地Ｍ中の微生物コロニーを検出する。検出処理装置４０は、発明に係る微生物検出装置に相当する。

本体３１の内部には、ＣＰＵ（中央処理装置）及びメモリ（例えばＲＡＭ）を有するマイクロコンピュータ（以下、単に「コンピュータ３８」）（図２参照）が内蔵されている。本体３１内のメモリには、ＣＤ−ＲＯＭ等の記憶媒体からインストールされた微生物検出処理用のプログラムが記憶されている。コンピュータ３８は、メモリから読み出したプログラムを実行する検出処理装置４０として機能する。検出処理装置４０による微生物検出処理の詳細については後述する。

図２に示すように、本体３１内のコンピュータ３８は、カメラ２４及び光源２８と接続されている。コンピュータ３８は、カメラ２４の撮影制御（フォーカス制御及びズーム制御など）と、光源２８による照明の制御とを行う。また、コンピュータ３８は、入力操作部３２及びモニタ３３と接続されている。コンピュータ３８は、入力操作部３２からの各種設定データをメモリ４２に記憶し、試料Ｓの画像やコロニーの検出結果などをモニタ３３に表示する。

図２において、検出処理装置４０内に示された各機能ブロックは、コンピュータ３８が検出処理用プログラムを実行することにより実現される。検出処理装置４０は、制御部４１、メモリ４２、入力情報生成部４３、分類器４５、トレーニング処理部４６及び識別処理部４７を備えている。

制御部４１は、検出処理の全体を制御したり、設定データをメモリ４２に記憶したりする。また、制御部４１は、カメラ２４が撮影した試料Ｓの画像及びコロニー検出結果をモニタ３３に表示する。制御部４１は、モニタ３３に設定画面を表示する。作業者は、入力操作部３２を操作して、培養期間、トレーニング期間（学習期間）、識別期間（検査期間）、学習間隔時間（学習サンプリング間隔）、識別間隔時間（識別サンプリング間隔）、ノイズ収集の有無、閾値設定用距離、最外周検出の有無、判別の有無、コロニー識別条件（面積条件又は径の条件）などの各種設定データを入力してこれらをメモリ４２に記憶させる。メモリ４２には、ハードディスクやＲＡＭの一部の記憶領域が使用される。

制御部４１は、計時部４１ａを備えている。計時部４１ａは、培養開始から培養期間の終了までの経過時間を計時する。培養期間は、培養開始から所定時間を経過するまでの「トレーニング期間」と、所定時間を経過してから培養期間終了までの「識別期間」とに分けられる。培養期間は、検出対象の微生物の品種などに応じて定められた期間であって、例えば、１０〜３０時間の範囲内（例えば、１８時間）に定められている。制御部４１は、計時部４１ａの計時時間に基づいて、現在がトレーニング期間と識別期間のどちらに属するか、学習及び検査の各サンプリング時期に達したこと、培養期間の終了などを把握する。

入力情報生成部４３は、カメラ２４から入力したカラー画像データ（入力画像）から、分類器４５に入力すべき入力情報を取得する。入力情報には、色情報が少なくとも含まれる。詳しくは、入力情報生成部４３は、カメラ２４から入力したカラー画像データのうち指定範囲内の画素の色情報（ＲＧＢ階調値）を１画素ずつ取得する。色情報は、Ｒ・Ｇ・Ｂを２５６階調で表現した階調値として与えられる。色情報の階調数は適宜変更してよい。

分類器４５は、カーネル法に基づくサポートベクターマシン（ＳＶＭ：Support VectorMachine）、ニューラルネットワーク（ＭＬＰ：Multi−Layer Perceptron）、ガウス混合分布モデル（ＧＭＭ：Gaussian Mixture Models）のうち少なくとも１つのアルゴリズムからなる。分類器４５は、ＳＶＭ、ＭＬＰ、ＧＭＭのうち２つ又は３つを備えている。作業者がＳＶＭ、ＭＬＰ、ＧＭＭのうちからマニュアルで選択してもよく、検出処理装置４０がＳＶＭ、ＭＬＰ、ＧＭＭのうち検出対象に適切と判定したものを自動で選択してもよい。

分類器４５は、特徴抽出部５１、写像部５２、線形分離部５３、及び判定部５４（識別部）を備えている。特徴抽出部５１は、上記のＳＶＭ、ＭＬＰ、ＧＭＭのうち少なくとも１つの公知の関数アルゴリズムにより構成されている。特徴抽出部５１は、入力情報生成部４３からの入力情報を入力変数とし、関数アルゴリズムに従って特徴抽出演算を行う。これにより、特徴ベクトル（特徴ベクトルデータ）ｘが生成される。画素の色情報（ＲＧＢ階調値）を用いる場合、特徴ベクトルｘは、ＲＧＢ３色の特徴ベクトル成分（ｘr，ｘg，ｘb）を含む３次元のベクトルで表される。特徴ベクトルｘは、ＲＧＢ色と、ＲＧＢ色空間以外の他の色空間（例えば、ＨＳＶ色空間）の少なくとも一部の色成分情報とを組み合わせて用いてもよい。以下、色情報を、ＲＧＢ階調値の３次元情報として説明する。

写像部５２は、分類器４５がサポートベクターマシン（ＳＶＭ）である場合に備えられる。写像部５２は、特徴抽出部５１から出力された特徴ベクトルで規定される入力点ｘを、カーネル法による演算アルゴリズムに従って高次元特徴空間へと写像する。そして、写像部５２は、高次元特徴ベクトル（高次元特徴ベクトルデータ）を生成し、この高次元特徴ベクトルで規定される出力点（写像点）ψ（ｘ）を出力する。以下、分類器４５を、カーネル法に基づくサポートベクターマシン（ＳＶＭ）として説明する。

図４は、入力空間（特徴空間）から高次元特徴空間への写像を説明するグラフである。図４における左側は、特徴ベクトルで規定される入力点ｘ＝（ｘr，ｘg，ｘb）が存在する入力空間を示している。図４における右側は、高次元特徴ベクトルで規定される出力点（写像点）ψ（ｘ）（＝ψ（ｘr，ｘg，ｘb））が存在する高次元特徴空間を示している。図４では、ＳＶＭの特徴を説明する便宜上、入力空間に、培地の入力点ｘ1（培地点）と微生物の入力点ｘ2（微生物点）とを示している。入力点ｘは、色特徴量（ｘr，ｘg，ｘb）を含む３次元データからなる。説明の便宜上、図４では、Ｒ・Ｇ２色の色特徴量を座標軸とする２次元の入力空間（特徴空間）として示している。

入力空間における３次元の入力点ｘ1，ｘ2は、写像部５２により追加次元（Additional Dimension）が付加された高次元空間に写像されて、高次元特徴ベクトルで規定される出力点ψ（ｘr，ｘg，ｘb）として出力される。出力点ψ（ｘr，ｘg，ｘb，…）は、ｎ（ｎ＞３）次元の特徴ベクトルデータであり、ｎ個の成分（ψｘr，ψｘg，ψｘb，…）を有する。（ｘr，ｘg，ｘb）と（ψｘr，ψｘg，ψｘb，…）は、各ベクトルの終点の座標である。

図４に示す入力空間では、培地の点群ｘ1と微生物の点群ｘ2とは線形分離不可能である。しかしながら、写像先の高次元特徴空間では、培地点ｘ1を写像した点群ψ（ｘ1）と微生物点ｘ2を写像した点群ψ（ｘ2）とが、マージン最大化により設定される超平面によって線形分離可能となる。但し、第１実施形態では、入力点ｘは培地点ｘ1のみであるため、マージン最大化によるのではなく点群ψ（ｘ1）から外側へ規定距離（閾値設定用距離ΔＬ）だけ離れた閾値から規定される超平面によって、培地のクラスＣ１のみが分類される（図６参照）。

線形分離部５３は、培地点の点群ψ（ｘ1）と微生物点の点群ψ（ｘ2）とのうちトレーニング期間に取得した少なくとも一方の点群ψ（ｘ）を、超平面（分離平面）によって線形分離する。そして、線形分離部５３は、培地のクラスＣ１と微生物のクラスＣ２とのうち少なくとも一方のクラスＣを分類する。

図６に示すように、培地の色情報のみを学習情報として分類器４５をトレーニングする本例では、入力空間に示す培地点ｘ1のみ入力点とし、その入力点の写像先となる高次元特徴空間では、培地の点群ψ（ｘ1）のみが生成される。線形分離部５３は、点群ψ（ｘ1）を超平面で線形分離して、培地のクラスＣ１のみ色分類する。このように分類すべきクラスが１つである場合、超平面を規定するための設定データとして閾値設定用距離ΔＬのデータがメモリ４２に記憶されている。線形分離部５３は、点群ψ（ｘ1）のうち最も外側の点（例えば、サポートベクターとなる複数点）から外側へ距離ΔＬの位置に閾値を設定する。こうして、図６に示す超平面を規定することにより、線形分離部５３は、培地のクラスＣ１を色分類する。分類するクラスが１つの場合、分類器４５は、カーネル法に基づくサポートベクターマシン（ＳＶＭ）、ガウス混合分布モデル（ＧＭＭ：Gaussian Mixture Models）のうち少なくとも一方からなる。

図２に示す判定部５４（識別部）は、識別期間において検査点がどのクラスに属するかを識別する際に使用される。図２に示すトレーニング処理部４６は、分類器４５のトレーニングを行ううえで必要な構成として、トレーニング制御部５６、培地領域検出部５７及びノイズ収集部５８を備えている。トレーニング制御部５６は、トレーニングに必要な設定データや各種指示を分類器４５に与えたり、トレーニングに必要な指示を培地領域検出部５７及びノイズ収集部５８に与えたりする。トレーニング処理部４６及び分類器４５により、トレーニング手段が構成されている。

ここで、カメラ２４が撮影した試料Ｓの画像について説明する。図５（ａ）〜図５（ｄ）は、培養期間中にカメラ２４が撮影した試料の画像を示す。図５（ａ）はトレーニング中の画像、図５（ｂ）は識別開始時の画像、図５（ｃ）は識別中におけるコロニー発生時の画像、図５（ｄ）はカメラの撮影画像にコロニー検出結果を重畳させて表示したモニタ３３の画像を示す。図５（ａ）に示す例の培地Ｍには、検査対象の飲料液中の不溶固形成分がノイズＮとして存在する。検査対象が例えば果実等を含む飲料液の場合、その中に含まれる果皮、果肉、繊維、種子などの微小固形物が、コロニーの誤検出を誘発するノイズＮとなる。

培地領域検出部５７は、試料を撮影した画像中における培地Ｍの領域（以下、「培地領域ＭＡ」と称す）を検出するとともに、その培地領域ＭＡ内のトレーニング局所領域ＴＡ（図５（ａ）参照）を検出する。トレーニング局所領域ＴＡとは、分類器４５が培地Ｍの色を学習するトレーニング対象領域である。本例では、トレーニング処理の負担を軽減するため、培地領域ＭＡの一部の領域がトレーニング局所領域ＴＡとして設定されている。詳しくは、培地領域検出部５７は、シャーレ３５の領域と培地領域ＭＡとを画像処理で区分し、さらに培地領域ＭＡ内においてノイズＮを含まない局所領域を検出して、これをトレーニング局所領域ＴＡに設定する。このとき、ノイズＮと培地Ｍとの色の違いを利用して、色の異なる領域の境界が色エッジとして検出される。作業者が入力操作部３２を操作して、トレーニング局所領域ＴＡをマニュアルで設定してもよい。トレーニング局所領域ＴＡの数と形状は適宜設定してよい。

ノイズ収集部５８は、ノイズデータを収集する。ノイズデータは、ノイズとコロニーとの判別を位置に基づき判別する位置判別において用いられる。ノイズ収集部５８は、トレーニング期間中に色エッジ検出又は分類器４５を用いてノイズＮを検出する。そして、ノイズ収集部５８は、検出したノイズＮの位置を含むノイズデータを収集する。例えば、分類器４５を用いる場合、トレーニング局所領域ＴＡでのトレーニングを少なくとも１回行って培地のクラスＣ１を分類した後、ノイズ収集部５８は、培地領域ＭＡ内の画素毎の入力情報を分類器４５に入力し、出力点として得られた点群ｘ又は点群ψ（ｘ）のうち培地のクラスＣ１に属さない点をノイズ点とする。そして、ノイズ収集部５８は、ノイズ点が連続する閉領域をノイズ領域として取得し、ノイズ領域の位置を演算してノイズデータとする。ノイズデータには、ノイズ領域の面積や色濃淡値などが含まれていてもよい。

識別処理部４７は、識別期間において、培地Ｍ上の各点の入力情報を基に特徴抽出部５１が生成した検査点ｘj（ＧＭＭの場合）、或いは、検査点ｘjを写像部５２により写像して得られる写像点ψ（ｘj）（ＳＶＭの場合）が、クラスに属するか否かを判定する。そして、識別処理部４７は、その判定結果に基づき検査点ｘjが培地点であるか、或いは微生物点であるかを識別する。さらに、識別処理部４７は、微生物点であると識別された点（画素）が連続して存在する閉領域を抽出する。そして、識別処理部４７は、種々の判定条件に照らしてその閉領域が微生物のコロニーであるかどうかを識別する。このような識別処理を行うために、識別処理部４７は、識別制御部６１、培地領域分割部６２、最外周検出部６３、判別部６４、ラベリング処理部６５及びコロニー検出部６６を備えている。識別処理部４７及びトレーニング済み（学習済み）の分類器４５により、識別手段が構成されている。

識別制御部６１は、識別処理を行う際に、分類器４５及び各部６２〜６６に対し指示を与える。培地領域分割部６２は、最外周検出「あり」の設定の場合に起動される。この場合、培地領域分割部６２は、図５（ｂ）に示すように、画像中の培地領域ＭＡを、中央部のメイン領域Ａ１（中央領域）と最外周局所領域Ａ２（外周領域）とに分割する。中央領域と外周領域とが部分的に重なっていてもよい。

計時部４１ａの計時時間がトレーニング期間中にあるとき、制御部４１は、トレーニング処理部４６を起動させて、分類器４５のトレーニングを行う。計時時間が識別期間（検査期間）に入ると、制御部４１は、識別処理部４７を起動させ、トレーニング済みの分類器４５を用いて検査を行う。

本実施形態では、分類器４５を用いた微生物の検出処理がメイン領域Ａ１に対して行われる。分類器４５の特徴抽出処理は、特徴抽出部５１が、トレーニングのときと同様のアルゴリズムに従って行う。すなわち、カメラ２４からの画像データ中のメイン領域Ａ１における全画素の入力情報が、入力情報生成部４３から分類器４５へと１画素分ずつ順次入力される。特徴抽出部５１は、入力情報を基にアルゴリズムに従って特徴ベクトルｘj（検査点）を生成する。分類器４５がＳＶＭである場合、写像部５２は、特徴ベクトルで規定される検査点ｘjを高次元特徴空間へと写像して高次元特徴ベクトルψ（ｘj）を生成する。そして、分類器４５内の判定部５４は、特徴ベクトルで規定される点ｘj又は点ψ（ｘj）が、トレーニングで分類器４５が分類したクラスＣ（本例では培地のクラスＣ１）に属するか否かを判定し、その判定結果に基づいてその検査点ｘjが培地点であるか、或いは微生物点であるかを判定する。

図７は、分類器がＳＶＭである場合の例であり、判定部５４による判定方法を説明するグラフである。判定部５４は、図７（ａ）に示すように、高次元特徴空間へ写像された点ψ（ｘj）（ｊは、ｊ＝1,2,…）が培地のクラスＣ１に属する場合、検査点ｘjを培地点と判定する。一方、図７（ｂ）に示すように、点ψ（ｘj）が培地のクラスＣ１に属さない場合、判定部５４は、検査点ｘjを微生物点と判定する。この段階では、微生物点がノイズである可能性もある。

図２に示す最外周検出部６３は、最外周局所領域Ａ２における微生物検出を、メイン領域Ａ１とは異なる別の方法を用いて行う。これは、培地領域ＭＡの最外周付近の環状領域が、例えば、シャーレ３５の側壁部で屈折した光や側壁部の影が培地Ｍの色に影響を与える領域であるためである。そのため、最外周検出部６３は、最外周局所領域Ａ２内で色の異なる領域の境界（色エッジ）を検出する色エッジ検出を行う。そして、最外周検出部６３は、色エッジにより囲まれた領域にモフォロジー処理を施して形状を特定したものをコロニー候補とする。

判別部６４は、判別「あり」の設定の場合に起動される。判別部６４は、形状判別、色判別、位置判別を行って、メイン領域Ａ１で検出された微生物点が連続して存在する閉領域として決定される検出物（コロニー候補）及び最外周局所領域Ａ２で検出された検出物（コロニー候補）の中からノイズＮ以外のコロニーを判別する。形状判別では、特徴抽出などにより取得した検出物の面積、円形度、凸度、最小外接円などの特徴が、予め設定された又は学習したコロニーの形状条件を満たしているがどうかが判別される。判別部６４は、検出部のうち上記の形状条件を満たしているものを、コロニーとして判別する。また、色判別では、検出物と培地領域の特定の色度合いをそれぞれ計算し、両者の色度合いの差が予め設定した閾値以上であるかどうかが判別される。判別部６４は、色度合いの差が閾値以上である場合、その検出物をコロニーとして判別する。色判別は、検出物に対して１画素分ずつ行う。位置判別では、トレーニングステップで収集したノイズデータに基づくノイズの位置と検出物の位置とを比較してコロニーが判別される。位置判別で検出物がノイズと重なるために判別できない場合は、検出物の面積及び色濃淡値を用いて位置判別が行われる。

ラベリング処理部６５は、メイン領域Ａ１及び最外周局所領域Ａ２内でコロニーであると検出又は判別した検出物にラベルを貼るラベリング処理を行う。このとき、ノイズＮではないと検出又は判別された検出物にはラベルが貼られるが、ノイズＮであると検出又は判別された検出物にはラベルが貼られない。

コロニー検出部６６は、ラベリングされた検出物の面積が予め設定された面積条件を満たすかどうかを判定し、面積条件を満たす検出物をコロニーとして検出する。例えば、検出物の面積Ｓdが、下限Ｓlowerと上限Ｓupperとを用いて規定される面積条件Ｓlower≦Ｓd≦Ｓupperを満たせば、その検出物はコロニーとして検出される。面積条件として、下限だけ又は上限だけを設定してもよい。

制御部４１は、識別処理部４７から取得したコロニー検出結果をモニタ３３に表示する。コロニーが検出されなければ、検出コロニー個数の表示は「０」のままである。コロニーが検出されれば、検出されたコロニーの個数が表示される。それとともに、図５（ｄ）に示すように、培地Ｍの画像には、検出されたコロニーを囲むマーク７０が重畳表示される。

次に、コンピュータ３８の微生物検出処理について図９〜図１１に示すフローチャートを参照して説明する。微生物検出処理は、ソフトウェアにより、図２に示す検出処理装置４０によって行われる。

図９に示すように、まず、作業者は、培養開始前に入力操作部３２を操作して、ノイズ収集の有無、閾値設定用距離、最外周検出の有無、判別の有無、面積条件など設定値を、パーソナルコンピュータ２６に入力する。入力された各種の設定値は、メモリ４２に記憶される。そして、作業者が入力操作部３２を用いて検査開始操作を開始すると、コンピュータ３８（検出処理装置４０）により微生物検出処理が開始される。

ステップＳ１０では、コンピュータ３８は、メモリ４２から、ノイズ収集の有無、閾値設定用距離、最外周検出の有無、判別の有無、面積条件などの設定値を読み出す。

ステップＳ２０では、コンピュータ３８は、トレーニング期間において、カメラ２４が撮影した培地Ｍの画像を用いて、分類器４５に培地の少なくとも色を学習させる。ステップＳ２０のトレーニング処理がトレーニングステップに相当する。

ステップＳ３０では、コンピュータ３８は、識別期間において、培地領域における微生物コロニーの有無を識別する識別処理を行う。ステップＳ３０の識別処理が識別ステップに相当する。

コンピュータ３８は、Ｓ２０のトレーニング処理で図１０に示すトレーニング処理ルーチン、Ｓ３０の識別処理で図１１に示す識別処理ルーチンをそれぞれ実行する。以下、トレーニング処理及び識別処理の詳細を、図１０及び図１１の各フローチャートに従ってそれぞれ説明する。まず、トレーニング処理部４６により、カメラ２４により撮影された画像データを基づき、入力情報生成部４３及び分類器４５を用いて、トレーニング処理が行われる。

図１０におけるステップＳ１１０では、検査対象の培地Ｍが収容されたシャーレ３５が、カメラ２４により、１〜１０回、例えば、５回撮影される。

ステップＳ１２０では、撮影した画像データに基づいて、画像中の培地領域ＭＡが検出される（図５（ａ）参照）。

ステップＳ１３０では、培地領域ＭＡ中に、トレーニング局所領域ＴＡが設定される（図５（ａ）参照）。例えば、培地領域ＭＡ内でノイズＮを探索し、ノイズＮを含まない領域が、トレーニング局所領域ＴＡとして設定される。

ステップＳ１４０では、トレーニング局所領域ＴＡを対象に、学習アルゴリズムを用いて、分類器４５のトレーニングが行われる。詳しくは、図２に示す入力情報生成部４３が、トレーニング局所領域ＴＡ内の１画素ずつの色情報を含む入力情報を生成する。そして、入力情報生成部４３は、入力情報を学習情報として分類器４５に順次出力する。分類器４５内の特徴抽出部５１は、入力情報を基に、アルゴリズムに従って特徴ベクトルｘ1を生成する。分類器４５がＳＶＭである場合、図６に示すように、特徴ベクトルで規定される培地点ｘ1が、写像部５２により高次元特徴空間へと順次写像される。こうして、写像先の高次元特徴ベクトルで規定される点群ψ（ｘ1）が得られる。点群ψ（ｘ1）から外側へ閾値設定用距離ΔＬだけ離れた位置に、超平面のかたちで閾値が設定される。この超平面により高次元特徴空間が線形分離されて、培地のクラスＣ１が色分類される。

ステップＳ１５０では、ノイズ収集の有無が判断される。ノイズ収集「あり」の設定であればステップＳ１６０に進み、ノイズ収集「なし」の設定であればステップＳ１７０に進む。

ステップＳ１６０では、ノイズデータが収集される。ノイズ収集部５８は、培地領域ＭＡ内で色エッジを検出し、色エッジから培地Ｍと色相の異なる領域をノイズＮとして検出する。ノイズ収集部５８は、検出したノイズＮの位置を計算してその位置情報を少なくとも含むノイズデータを生成し、メモリ４２に記憶させる。

ステップＳ１７０では、追加トレーニングの有無が判断される。ここで、トレーニング期間中、トレーニングを何回でも行うことができ、追加トレーニングにより学習データを追加することができる。学習データ追加許容期間（所定時間）として、微生物群の生成時間より短い値であれば適宜な値を設定してもよい。追加トレーニングがあれば、Ｓ１１０に戻り、学習サンプリング間隔をおいた次の実施時期に、試料Ｓが再び検査台２３に搬送される。そして、カメラ２４が撮影した試料Ｓの画像データを用いて、Ｓ１１０〜Ｓ１７０の処理が同様に行われる。追加トレーニングがなければ、トレーニング処理ルーチンは終了する。

トレーニング処理は、培養開始（時刻０）から所定時間（例えば５時間）経過するまでのトレーニング期間に、学習サンプリング間隔（例えば３０分又は１時間）毎に行われる。このトレーニングによって、分類器４５は、培地のクラスＣ１を分類する。このため、例えば、トレーニング期間中に培地Ｍの色の変化が学習される。それと共に、飲料液中に含まれる乳化鉄等の金属成分が酸化して発生した析出物（酸化鉄等）に関するデータも、ノイズＮとして収集される。

計時部４１ａの計時時間が所定時間（例えば５時間）を経過すると、トレーニング期間から識別期間へと移行する。そして、コンピュータ３８は、図１１に示す識別処理ルーチンを開始する。ここでは、識別処理部４７により、入力情報生成部４３及び分類器４５を用いて、識別処理が行われる。

図１１に示すように、まず、ステップＳ２１０では、検査対象の培地Ｍを収容したシャーレ３５が、カメラ２４により、トレーニングのときと同じ回数だけ撮影される。

次のステップＳ２２０では、撮影した画像データに基づいて、培地領域ＭＡが検出される。

ステップＳ２３０では、培地領域ＭＡ中に、メイン領域Ａ１と最外周局所領域Ａ２とが設定される。

ステップＳ２４０では、ＬＵＴ（ルックアップテーブル）による輝度変換が行われる。輝度変換では、コントラスト調整及びガンマ補正などが行われる。

次のステップＳ２５０では、メイン領域Ａ１を対象に、分類器４５により学習アルゴリズムを用いて微生物点が検出される。詳しくは、図２に示す入力情報生成部４３が、メイン領域Ａ１内の１画素ずつの色情報を含む入力情報を生成し、分類器４５へと順次出力する。分類器４５内において、特徴抽出部５１は、入力情報を基に、特徴ベクトルｘj（但し、j＝1,2,…）（検査点）を生成する。分類器４５がＳＶＭである場合、図６に示す特徴ベクトルで規定される検査点ｘjが、写像部５２により高次元特徴空間へと順次写像される。こうして、高次元特徴ベクトルで規定される写像点ψ（ｘj）（図７を参照）が得られる。図７（ａ）に示すように写像点ψ（ｘj）が培地のクラスＣ１に属する場合は、検査点ｘjは培地点であると判定（識別）される。一方、図７（ｂ）に示すように写像点ψ（ｘj）が培地のクラスＣ１に属さない場合、検査点ｘjは微生物点であると判定（識別）される。図５（ｃ）に示すように、識別ステップへ移行後に例えば３〜５時間経過すると、コロニーＣＬが発生することがある。この場合、コロニーＣＬ中の画素の入力情報に基づく検査点ｘjを写像して得られた点ψ（ｘj）（但しＳＶＭの場合）は、図７（ｂ）に示すように培地のクラスＣ１に属することはなく、微生物点として検出される。このような検出処理は、メイン領域Ａ１の全画素について行われる。

ステップＳ２６０では、最外周検出の有無が判断される。最外周検出「あり」の設定であればステップＳ２７０に進み、最外周検出「なし」の設定であればステップＳ２９０に進む。

ステップＳ２７０では、最外周局所領域Ａ２内で色エッジを検出して、培地との色相の違いからコロニー領域が検出される。コロニー領域は、ノイズ領域である可能性もある検出物（コロニー候補）の領域である。

続くステップＳ２８０では、領域モフォロジー処理を行って、検出物の形状を、例えば、円形状や楕円形状に適正化する。

ステップＳ２９０では、判別処理の有無が判断される。判別処理「あり」の設定の場合はステップＳ３００に進み、判別処理「なし」の設定の場合はステップＳ３１０に進む。

ステップＳ３００では、形状、色、位置から検出物が判別される。メイン領域Ａ１と最外周局所領域Ａ２の各検出結果が統合される。そして、統合して得られた結果について、まず、微生物点が連続して存在する閉領域について特徴抽出を行い、検出物（コロニー候補）が検出される。形状判別では、まず、検出物の面積、円形度、凸度、最小外接円などが演算される。そして、特徴抽出されたこれらの特徴量がコロニーの形状条件を満たしている検出物についてはコロニー候補であると判別される。色判別では、まず、検出物と培地領域の特定の色度合いをそれぞれ計算する。そして、両者の色度合いの差が予め設定した閾値以上になった検出物についてはコロニー候補であると判別される。位置判別では、まず、メモリ４２から読み出したノイズデータから決まるノイズの位置と、演算した検出物の位置とが比較される。そして、ノイズと位置が重ならない検出物についてはコロニー候補であると判別される。位置判別で検出物がノイズと重なるために判別できない場合は、検出物の面積及び色濃淡値を用いて判別される。こうして、判別ステップにより、検出物のうちノイズＮ等はコロニーとして判別されず、検出物（コロニー候補）はさらに絞り込まれる。

ステップＳ３１０では、検出又は判別後の検出物にラベリングが付される。つまり、メイン領域Ａ１及び最外周局所領域Ａ２の各検出結果を統合し、培地領域ＭＡの全域に亘り検出又は判別された全ての検出物にラベリングが付される。このとき、Ｓ３００の判別処理を行った場合、判別処理でノイズであると判別された検出物についてはラベリングの対象から除外される。

ステップＳ３２０では、面積条件に基づき検出物がコロニーであるか否かが判定される。コロニー検出部６６は、ラベリングされた検出物の面積がメモリ４２から読み出した面積条件を満たすか否かを調べる。検出物の面積Ｓdが面積条件Ｓlower≦Ｓd≦Ｓupperを満たした場合、検出物はコロニーＣＬであると判定される。

ステップＳ３３０では、コロニー検出結果がモニタ３３に表示されると共に、コロニー検出結果に応じた制御信号が出力される。即ち、識別処理部４７から受け付けたコロニー検出結果が検出数「０」であれば、制御部４１は、検出コロニー個数「０」である旨をモニタ３３に表示する。一方、コロニー検出結果が検出数「Ｎ」（Ｎ≧１）であれば、制御部４１は、検出コロニー個数「Ｎ」をモニタ３３に表示すると共に、モニタ３３に表示された試料Ｓの画像中に、図５（ｄ）に示すように、検出されたコロニーＣＬを囲むようにマーク７０を重畳表示させる。このようなマーク７０の表示によって、恒温室１３の室外でモニタ３３を見ている作業者は、検査中の試料Ｓで発生したコロニーの発生状況を容易に把握することができる。また、制御部４１から出力された制御信号がコントローラ２５へと送られる。コロニー検出数「Ｎ」（Ｎ≧１）の場合、コロニーが検出された時点で検査は中止されて、制御部４１は、コントローラ２５に対し、試料Ｓを搬出する旨の制御信号を出力する。この結果、コントローラ２５は、搬送ロボット２０を制御して、不良品と判別された試料Ｓを取出棚１７へ搬送すると共に、コンベア１７ａを駆動してその試料Ｓを室外へと搬出する。一方、コロニー検出結果が検出数「０」の場合、試料Ｓは収納棚１８に戻される。培養期間を終了してもコロニーが検出されなかった試料Ｓは、搬送ロボット２０により良品用の取出棚１６へ運ばれ、コンベア１６ａにより室外へと搬出される。

従来、培養期間の終了時点で検査を行いコロニーが１個でも検出された場合、飲料品の生産をロット毎中止しなければならなかった。本実施形態の検査装置１９によれば、培養期間の途中でもコロニーを検出でき、コロニーを検出した時点で、早期に飲料品の生産を中止することができる。よって、飲料品の不良品数を極力少なく抑えられる。

図８は、検査装置１９を用いて試料Ｓを検査したときの検出菌数、検出実菌数及び目視検出菌数を比較したグラフである。飲料液の試料液を混合した培地Ｍに大腸菌を付与し、１８時間に亘って培養した。横軸が培養開始からの経過時間（hr）、縦軸がコロニー数（個）をそれぞれ示している。図８（ａ）及び図８（ｂ）の各試料Ｓでは、検査対象の飲料液の色の違いによって培地の色が異なる。グラフにおける検出菌数とは、検出処理装置４０が一定時間毎に検出した菌の数である。検出実菌数は、培養期間の各時点における極微小なコロニーを含む菌の数の実測値である。目視検出菌数は、熟練した検査員が一定時間毎に培地を目視で検査して検出できた菌の数である。図８の例では、培養開始から５時間を経過するまでの期間がトレーニング期間であり、５時間経過後の期間が識別期間（検査期間）である。図８（ａ）及び図８（ｂ）の各グラフから分かるように、トレーニング期間では、検出菌数と検出実菌数とが共に「０」で推移している。培養開始から６〜８時間で微生物が検出され始める。検出菌数は、識別期間の全体に亘って、検出実菌数とほぼ同数で推移している。この結果は、培地の色の影響を受けることなく、検出処理装置４０による菌検出精度が高いことを示している。また、識別期間において、検出菌数は目視検出菌数よりも多い状態で推移している。この結果より、検査装置１９を用いれば目視検査よりもコロニーを小さな段階から早期に検出できることが判った。また、検査装置１９により検出可能な微生物のコロニーのサイズは、目視ではほぼ検出不可能なサイズ、具体的には、約０．００８平方ミリメートルであった。

以上詳述したようにこの第１実施形態によれば、以下の効果が得られる。

（１）色情報をもつ入力情報を基に分類器４５により得られた特徴ベクトルで規定される検査点ｘj又は写像点ψ（ｘj）が、トレーニングステップ（Ｓ２０）で色分類した培地のクラスＣ１に属するか否かについて判定される。そして、この判定結果に基づき、検査点ｘｊがコロニーであるか否かが識別される。このため、コロニーを的確に検出することができる。例えば、培地ＭとコロニーＣＬとが同系色であっても、ＳＶＭの分類器４５を用いることで、高次元特徴空間における培地とコロニーとを線形分離することができ、コロニーを的確に検出することができる。また、色の特徴からコロニーを識別する方法であるため、トレーニング時と識別時とで検査台２３上のシャーレ３５の位置や角度が元の位置からずれたり、カメラ２４とシャーレ３５との相対位置が変化したりしても、コロニーを的確に検出することができる。

（２）例えば、大腸菌のコロニーは赤系、酵母菌のコロニーは緑系といったように、微生物の品種によってコロニーの色が異なる場合であっても、分類器４５の同じアルゴリズムを用いて、微生物（細菌）のコロニーを的確に検出することができる。

（３）乳化鉄などの金属成分が酸化した析出物がコロニーと同系色に発色する場合があるが、トレーニングステップでは、培養開始後に後発的に発生した析出物等のノイズＮの学習データも蓄積されるうえ、析出物等のノイズＮのノイズデータも収集される。この場合、析出物等の検査点は培地のクラスＣ１に属するものと判定される。仮に、この検査点が培地のクラスＣ１に属さずに、コロニーである可能性を有する検出物として検出されたとしても、形状・色・位置からノイズとして検出物からこの検査点は除かれる。よって、析出物等がコロニーであると誤って検出されることを回避することができ、コロニーを的確に検出することができる。

（４）トレーニングステップでは、検査対象物（試料Ｓ）が学習対象物として使用されると共に、微生物コロニー発生前の所定期間（培養開始から所定時間（一例として５時間））がトレーニング期間として設定されている。このため、トレーニング期間に培地Ｍの色が変化しても、変化した色は培地Ｍの色として学習される。従って、培地の色が変化する場合でも、コロニーを的確に検出することができる。検査対象である飲料液の色の影響を受けて、検査対象が変わる度に培地の色が変化しても、検査対象毎にトレーニングを行って培地の色が学習されるため、コロニーを的確に検出することができる。

（５）検査点ｘj又は写像点ψ（ｘj）が培地のクラスＣ１に属さないと判定された微生物点が連続して存在する閉領域について、特徴抽出によりメイン領域Ａ１内で検出又は判別した検出物と、色エッジ検出及び領域モフォロジー処理により最外周局所領域Ａ２内で検出又は判別した検出物とが統合される。そして、上記検出物にラベリングが付与されると共にそれら検出物のうち面積条件を満たすものがコロニーとして識別される。よって、検出物のうちノイズである虞のあるものは取り除かれるため、コロニーをより精度良く検出することができる。

（６）果皮などのノイズＮ（異物）が混ざった検査対象物の場合、判別ステップにおいて、形状判別、色判別、位置判別により、検出物のうちコロニーとノイズとが判別される。このため、ノイズＮがコロニーであると誤って検出されることを効果的に抑制することができる。このため、コロニーと同系色の果皮や果肉のある培地においても、培養された微生物のコロニーを精度良く検出することができる。

（７）トレーニングステップでは、培地だけを学習させるため、コロニーを学習する方法に比べ、必要な処理や作業が簡単である。コロニーを学習する方法の場合、作業者がコロニーを特定し、その特定したコロニーの領域をコンピュータ３８に入力指定する入力作業が必要になる。その点、培地Ｍだけを学習させる本実施形態の方法よれば、コロニー領域の特定や入力のための作業が不要であり、コンピュータ３８に自動で学習させることができる。

（８）微生物コロニー発生前の所定時間（例えば５時間）までを培地のトレーニング期間とし、所定時間以降の期間を微生物の識別（検出）を行う識別期間として検査を行う。よって、検査対象の試料Ｓを用いてトレーニングが行えるため、コロニーの検出精度が向上する。コロニーを学習させる方法の場合、検査対象（試料Ｓ）の培養期間中にトレーニングを行うことができない。このため、トレーニング対象と検査対象とが異なることに起因するコロニー検出精度の低下が懸念される。また、検査期間とは別にトレーニング期間を設けることで、トレーニングと識別とを行うための所要時間が長くなることも懸念される。その点、本実施形態によれば、コロニー発生前の期間をトレーニングとして利用できるため、トレーニングと識別との所要時間を短くすることができる。

（９）モニタ３３に表示された試料Ｓの画像には、コロニーＣＬを囲むようにマーク７０が重畳表示される。このため、検出したコロニーが視覚的に表示されるため、オペレータは、コロニーの発生状況を容易に視認することができる。

（１０）食品等の製造現場では、各工程における衛生状況の把握、商品の早期出荷が求められている。上記のとおり、本実施形態の検査装置１９を食品等の製造現場に採用すれば、迅速かつ精度よくコロニーを検出することができる。このため、各工程における衛生状況の把握、商品の早期出荷にも対応することができる。また、微生物検査の迅速化により、問題のある製品の出荷停止を早期に判断することができる。このため、リスク管理においても非常に有用である。

（第２実施形態）
次に、第２実施形態を図１２に基づいて説明する。第２実施形態は、トレーニングステップ（Ｓ２０）において、培地及び微生物群（コロニー）の両方をトレーニングする例である。検査装置１９（図１，図３）及び検出処理装置４０（図２）の構成、微生物検出処理ルーチン（図９〜図１１）の処理内容は、第１実施形態と基本的に同様である。

図１２は、分類器がＳＶＭである場合の入力空間から高次元特徴空間への写像を説明するグラフである。図１２では、入力空間に培地の入力点ｘ1（培地点）とコロニーの入力点ｘ2（微生物点）とが示されている。図１２に示すように、培地点ｘ1を高次元特徴空間へ写像した特徴ベクトルで規定される培地点の点群ψ（ｘ1）と、微生物の入力点ｘ2を高次元特徴空間へ写像した特徴ベクトルで規定される微生物点の点群ψ（ｘ2）とが、線形分離可能である。

線形分離部５３は、高次元特徴空間における培地点の点群ψ（ｘ1）と、微生物点の点群ψ（ｘ2）とを、各々のサポートベクター（最接近点）からのマージンを最大化させる位置に設定した超平面により線形分離する。これにより、培地のクラスＣ１とコロニー（微生物）のクラスＣ２とが分類される。

この場合、培地を対象とする分類器４５のトレーニングは、第１実施形態と同様の方法で行われる。一方、コロニーを対象とする分類器４５のトレーニングは以下のように行われる。即ち、同一品種のコロニーが発生した培地を用いて、作業者は、モニタ３３の培地Ｍを見ながら入力操作部３２によりコロニー領域を指定する。そして、その指定されたコロニー領域を対象に分類器４５のトレーニングが行われる。また、分類器４５のトレーニングは、人工的に作成したコロニーを学習させるトレーニングであってもよい。複数のクラスを分類する場合、分類器４５として、カーネル法に基づくサポートベクターマシン（ＳＶＭ）、ガウス混合分布モデル（ＧＭＭ）に加え、ニューラルネットワーク（ＭＬＰ）を採用することもできる。

識別ステップ（Ｓ３０）では、第１実施形態と同様に、図２に示す入力情報生成部４３が、メイン領域Ａ１内の１画素ずつの色情報を含む入力情報を生成する。そして、入力情報生成部４３は、入力情報を学習情報として分類器４５に順次出力する。分類器４５内の特徴抽出部５１は、入力情報を入力変数として関数アルゴリズムに従う特徴抽出演算を行うことにより、特徴ベクトルｘj（検査点）を生成する。また、分類器４５がＳＶＭである場合、写像部５２は、特徴ベクトルｘjで規定される検査点ｘjを図１２に示す高次元特徴空間へ写像して高次元特徴ベクトルψ（ｘj）を生成する。判定部５４は、高次元特徴ベクトルψ（ｘj）で規定される点ψ（ｘj）が培地のクラスＣ１及びコロニーのクラスＣ２のうちどちらに属するかを判定し、微生物点を検出する。点ψ（ｘj）がコロニーのクラスＣ２に属する場合、この点が微生物点として検出される。図１０及び図１１において、分類器４５のトレーニング対象が培地とコロニーであること（Ｓ１４０）、検査点ｘj又は点ψ（ｘj）がコロニーのクラスＣ２に属する場合にこの点を微生物点として検出すること（Ｓ２５０）以外は、基本的に第１実施形態と同様である。また、分類器４５がＧＭＭ又はＭＬＰである場合、高次元特徴空間への写像がないだけで、Ｓ２５０において、ＧＭＭ又はＭＬＰの関数アルゴリズムに従う特徴抽出演算により生成された検査点ｘjがコロニーのクラスに属するか否かについて判定される。

第２実施形態によれば、第１実施形態における効果（１），（３），（５），（６），（９），（１０）の効果に加え、以下の効果が得られる。

（１１）トレーニングステップにおいて、培地のクラスＣ１とコロニーのクラスＣ２とが分類されて、培地と、コロニーと、培地及びコロニー以外とが識別される。このため、第１実施形態に比べ、検査点ｘjが培地であるか或いは微生物点であるかそれ以外かを一層的確に判定することができる。よって、コロニーの検出精度がより一層向上する。

（１２）トレーニングステップにおいて、分類器４５がＳＶＭである場合、写像部５２は、高次元特徴空間における培地の点群ψ（ｘ1）とコロニーの点群ψ（ｘ2）とを生成する。線形分離部５３は、高次元特徴空間にある培地の点群ψ（ｘ1）とコロニーの点群ψ（ｘ2）とを、各々のサポートベクターからのマージン（距離）を最大化させる超平面により線形分離する。これにより、２つのクラスＣ１，Ｃ２を適切に色分類することができる。識別ステップでは、検査点ｘjを写像して得た高次元特徴ベクトルの点ψ（ｘj）がコロニーのクラスＣ２に属するか否かについて判定されるため、識別ステップにおけるコロニーの識別精度を高めることができる。

（第３実施形態）
次に、第３実施形態を図１３に基づいて説明する。第３実施形態では、トレーニングステップにおいて、培地と微生物群（コロニー）のうち微生物群だけをトレーニングする。この場合、第２実施形態においてコロニー領域を対象に分類器４５をトレーニングする場合と同様の方法でトレーニングが行われる。検査装置１９（図１，図３）及び検出処理装置４０（図２）の構成、微生物検出処理ルーチン（図９〜図１１）の処理内容は、第１実施形態と基本的に同様である。

図１３は、分類器がＳＶＭである場合の入力空間から高次元特徴空間への写像を説明するグラフである。図１３では、入力空間にコロニーの入力点ｘ2（微生物点）が示されている。図１３に示すように、微生物点ｘ2を高次元特徴空間へ写像した高次元特徴ベクトルで規定される微生物点の点群ψ（ｘ2）が、点群ψ（ｘ2）から外側へ閾値設定用距離ΔＬだけ離れた超平面により線形分離されて、コロニーのクラスＣ２が分類される。分類するクラスが１つの場合、分類器４５は、カーネル法に基づくサポートベクターマシン（ＳＶＭ）、ガウス混合分布モデル（ＧＭＭ）のうち少なくとも一方からなる。

識別ステップ（Ｓ３０）では、第１実施形態と同様に、図２に示す入力情報生成部４３が、メイン領域Ａ１内の１画素ずつの色情報を含む入力情報を生成する。そして、入力情報生成部４３は、入力情報を学習情報として分類器４５に順次出力する。分類器４５内の特徴抽出部５１は、入力情報を入力変数として関数アルゴリズムに従う特徴抽出演算を行うことにより、特徴ベクトルｘj（検査点）を生成する。また、分類器４５がＳＶＭである場合、写像部５２は、特徴ベクトルｘjで規定される検査点ｘjを図１３に示す高次元特徴空間へ写像して高次元特徴ベクトルψ（ｘj）を生成する。判定部５４は、高次元特徴ベクトルψ（ｘj）で規定される点ψ（ｘj）がコロニーのクラスＣ２に属するか否かを判定する。点ψ（ｘj）がコロニーのクラスＣ２に属する場合、点ψ（ｘj）が微生物点として検出される。図１０及び図１１において、分類器４５のトレーニング対象がコロニーであること（Ｓ１４０）、検査点ｘj又は点ψ（ｘj）がコロニーのクラスＣ２に属する場合にこの点を微生物点として検出すること（Ｓ２５０）以外は、基本的に第１実施形態と同様である。また、分類器４５がＧＭＭである場合、高次元特徴空間への写像がないだけで、Ｓ２５０において、ＧＭＭの関数アルゴリズムに従う特徴抽出演算により生成された検査点ｘjがコロニーのクラスに属するか否かについて判定（識別）される。

第３実施形態によれば、第１実施形態における効果（１），（３），（５），（６），（９），（１０）の効果に加え、以下の効果が得られる。

（１３）トレーニングステップにおいて、コロニーのクラスＣ２が分類されるため、第１実施形態に比べ、検査点ｘjが微生物点である否かを一層的確に判定することができる。よって、コロニーの検出精度がより一層向上する。

（１４）予めトレーニングステップにおいて学習対象物である試料Ｓを培養して全培養期間に亘りコロニーの色の変化を学習できるため、識別ステップにおいて、検査対象物である試料Ｓ中に発生したコロニーの色が時間の経過と共に変化しても、コロニーを的確に識別することができる。

（第４実施形態）
前記各実施形態では、分類器への入力情報として色情報を採用したが、本実施形態では、色情報の他に、形状情報を加えた。例えば、細菌（大腸菌等）のコロニーは円や楕円等の略円形状を有しており、果皮や析出物などのノイズ（異物）の形状と区別することができる。第２実施形態において、培地及びコロニーのそれぞれの色情報に加え、コロニーの形状情報を入力情報として分類器４５へ出力する変形例を挙げることができる。また、第３実施形態において、コロニーの色情報に加え、コロニーの形状情報を入力情報として分類器４５へ出力する変形例を挙げることもできる。前者の場合、分類器４５にＳＶＭ、ＭＬＰ、ＧＭＭを利用でき、後者の場合、分類器４５にＳＶＭ、ＧＭＭを利用できる。

トレーニングステップでは、コロニーを含む培地Ｍを撮影したカラー画像に基づき、作業者が入力操作又は画像処理してコロニーを特定する。そして、コロニーであると特定された領域の形状を正規化することで、形状情報が取得される。コロニーの色情報及び形状情報を含む入力情報は、入力情報生成部４３から学習情報として分類器４５へと入力される。分類器４５内の特徴抽出部５１は、入力情報を入力変数として関数アルゴリズムに従う特徴抽出演算を行うことにより、特徴ベクトルｘ2＝（ｘr，ｘg，ｘb，ｘshape）（微生物点）を生成する。また、分類器４５がＳＶＭである場合、写像部５２は、特徴ベクトルで規定される微生物点ｘ2を高次元特徴空間に写像して高次元特徴ベクトルψ（ｘ2）を取得する。線形分離部５３は、特徴ベクトルの点群ｘ2（ＭＬＰ、ＧＭＭの場合）、又は高次元特徴ベクトルの点群ψ（ｘ2）（ＳＶＭの場合）から外側へ閾値設定用距離ΔＬ（規定距離）だけ離れた位置に、超平面のかたちで閾値を設定する。この超平面により、コロニーのクラスＣ２が、色と形状の特徴に基づき分類される。

識別ステップでは、例えば、画像処理で培地とそれ以外（異物又はコロニー等）が、色によって区別される。そして、培地以外のものの領域の形状を演算し、演算した形状を正規化して形状情報が取得される。また、培地以外の各領域の色情報が、領域内の画素の色を平均化して取得される。入力情報生成部４３は、領域毎に、色情報と形状情報とを含む入力情報を生成する。入力情報生成部４３は、入力情報を学習情報として分類器４５に出力する。分類器４５内の特徴抽出部５１は、入力情報を入力変数として関数アルゴリズムに従う特徴抽出演算を行うことで、特徴ベクトルｘj＝（ｘr，ｘg，ｘb，ｘshape）（検査点）を生成する。

分類器４５がＳＶＭである場合、写像部５２は、特徴ベクトルｘjで規定される検査点ｘjを高次元特徴空間に写像して高次元特徴ベクトルψ（ｘj）を取得する。そして、特徴ベクトルｘjで規定された点ｘjと閾値との比較（ＭＬＰ、ＧＭＭの場合）、又は高次元特徴ベクトルψ（ｘj）で規定された点ψ（ｘj）と閾値との比較（ＳＶＭの場合）により、点ｘj又は点ψ（ｘj）がコロニーのクラスＣ２に属するか否かが判定される。点ｘj又は点ψ（ｘj）がクラスＣ２に属する場合は、検査点ｘjがコロニーであると識別される。

上記の方法では、色情報と形状情報との各特徴ベクトルを共通の特徴空間に生成したが、これに限定されない。例えば、色情報と形状情報との各特徴ベクトルを別々に特徴空間に生成して、トレーニング及び識別を行ってもよい。この場合、予め、コロニーの色情報と形状情報とで別々にトレーニングを行って、別々の特徴空間にコロニーのクラスＣcolor，Ｃshapeをそれぞれ分類しておく。識別ステップでは、まず、特徴抽出部５１が、分類器４５に入力した色情報（Ｒ値・Ｇ値・Ｂ値）を入力変数として関数アルゴリズムに従う特徴抽出演算を行うことで、特徴ベクトルｘj＝（ｘr，ｘg，ｘb）（検査点）を生成する。また、分類器４５がＳＶＭである場合、特徴ベクトルで規定される点ｘjを高次元特徴空間に写像して高次元特徴ベクトルψ（ｘj）が生成される。続いて、得られた点ｘj（ＭＬＰ、ＧＭＭの場合）又は点ψ（ｘr，ｘg，ｘb）（ＳＶＭの場合）がコロニーのクラスＣcolorに属するか否かについて判定される。点ｘj又は点ψ（ｘr，ｘg，ｘb）がクラスＣcolorに属する場合、点ｘjがコロニー候補として識別される。次に、コロニー候補の形状情報が分類器４５に入力される。特徴抽出部５１は、形状情報を入力変数として関数アルゴリズムに従う特徴抽出演算を行うことより、特徴ベクトルｘj＝（ｘshape）（検査点）を生成する。分類器４５がＳＶＭである場合、特徴ベクトルで規定される点ｘjを高次元特徴空間に写像して高次元特徴ベクトルψ（ｘj）が生成される。そして、得られた点ｘj（ＭＬＰ、ＧＭＭの場合）又は点ψ（ｘshape）（ＳＶＭの場合）がコロニーのクラスＣshapeに属するか否かについて判定される。点ｘj又は点ψ（ｘshape）がクラスＣshapeに属する場合、点ｘjがコロニーであると識別される。

上記２種類の方法のいずれにおいても、識別ステップでは、コロニーと異物（果皮等）とを形状の違いから識別することができる。このため、判別ステップを省略できる。また、判別ステップを採用した方法に比べ、コロニーの検出精度が向上する。

前記実施形態は上記に限定されず、以下の態様に変更することもできる。

・入力情報の要素の１つとして、面積情報を加えることができる。第４実施形態における形状情報と同様の手法で特定した領域の面積（例えば画素数）が求められる。次に、この面積情報を要素に含む入力情報が分類器４５に入力される。そして、特徴ベクトルｘ＝（ｘr，ｘg，ｘb，ｘshape，ｘarea）又はｘ＝（ｘr，ｘg，ｘb，ｘarea）（入力点又は検査点）が取得される。分類器４５の特徴抽出部５１が、面積情報と色情報とを少なくとも含む入力情報から特徴ベクトルｘj（検査点）を生成する。分類器４５がＳＶＭである場合、写像部５２により特徴ベクトルで規定される検査点ｘjを高次元特徴空間に写像して、高次元特徴ベクトル点ψ（ｘj）が生成される。得られた特徴ベクトルで規定される点ｘj（ＭＬＰ、ＧＭＭの場合）、又は高次元特徴ベクトルで規定される点ψ（ｘj）（ＳＶＭの場合）がコロニーのクラスに属する否かについて判定し、その判定結果に基づきコロニーが識別される。

・判別ステップでは、形状判別、色判別、位置判別のうち少なくとも１つを採用すればよい。また、形状判別、色判別、位置判別のうち１つ又は２つのみを採用してもよい。さらに、判別ステップも省略してもよい。

・培地学習の対象は、検査対象（試料Ｓ）の微生物コロニー発生前の所定時間（トレーニング期間）における培地に限定されない。培地学習の対象は、（ａ）検査する画像中の培地部分、（ｂ）同一品種の実際のコロニーを撮影した画像（予め培養したコロニーが発生したサンプル画像、或いは過去撮影した不良サンプル画像）中の培地部分、（ｃ）人工的に作成されたコロニーの画像中の培地部分であってもよい。また、コロニー学習の対象として、（ａ）同一品種の実際のコロニーを撮影した画像（予め培養したコロニーが発生したサンプル画像、或いは過去撮影した不良サンプル画像）中のコロニー部分、（ｂ）人工的に作成されたコロニーの画像中のコロニー部分などを挙げることができる。

・検査対象領域はメイン領域Ａ１に限定されず、培地領域の全域であってもよい。

・入力情報は画素単位に限らず、複数の画素からなる領域単位であってもよい。

・微生物検出方法を検査以外の用途に使用してもよい。例えば、飲食物の製品開発段階における実験データを取得する用途で使用してもよい。

・トレーニング対象領域は、培地領域の全域としてもよい。例えば、ノイズＮがない培地であれば、分類器４５は培地の全域を学習できる。

・コロニー検出結果を知らせる報知手段は、モニタのような表示手段以外に、スピーカやランプ、プリンタであってもよい。

・搬送ロボットとして、３軸直交ロボットを採用することもできる。３軸直交ロボットは、大型の棚に沿って水平方向（Ｘ方向）に走行可能な走行台と、走行台に対して上下方向（Ｚ方向）に昇降可能な昇降台と、昇降台から棚に向かう方向（Ｙ方向）に出退可能な把持部（チャック部）とを有している。３軸直交ロボットを用いることで、棚の任意の番地の棚部に対して試料を投入したり、取り出したりすることができる。

・微生物は、真正細菌、古細菌のみならず、真核生物（藻類、原生生物、菌類、粘菌）等であってもよい。微生物のサイズには、コロニーのサイズが肉眼で観察可能なサイズや、顕微鏡による観察を必要とするサイズが含まれる。

第１〜第４実施形態を組み合わせて用いてもよい。例えば、第２実施形態において、第１実施形態の分類器に培地点を学習させるトレーニングを行ってもよい。

Claims (14)

1. 培地に培養された微生物のコロニーを検出する微生物検出方法であって、
   培地領域内において微生物のコロニーが存在しない学習対象物をカラー画像で撮影し、撮影されたカラー画像のうち培地領域内の少なくとも一部にトレーニング対象領域を設定し、トレーニング対象領域内にある培地点の色情報を学習情報とし、その学習情報を分類器に入力して前記色情報の特徴ベクトルを取得し、前記分類器により、前記特徴ベクトルで規定される点群から外側へ規定距離だけ離れた位置に超平面のかたちで閾値を設定することで分離して培地のクラスを分類するトレーニングステップと、
   培地領域内において微生物のコロニーの有無を検査するために撮影された検査対象物のカラー画像のうち、培地領域内の少なくとも一部の検査対象領域内の各検査点の色情報を、トレーニング済みの前記分類器に入力して前記色情報の特徴ベクトルを取得し、前記分類器により、前記特徴ベクトルで規定される検査点が前記トレーニングステップで分類された前記培地のクラスに属するか否かを判定し、前記培地のクラスに属さない検査点は微生物点であると判定し、その判定の結果に基づきコロニーを識別する識別ステップと
   を備えたことを特徴とする微生物検出方法。
2. 請求項１記載の微生物検出方法において、
   前記トレーニング対象領域は、培地領域内においてノイズを含まない局所領域を検出して設定されることを特徴とする微生物検出方法。
3. 請求項１記載の微生物検出方法において、
   前記分類器は、特徴抽出部、写像部、線形分離部及び判定部を備えていることを特徴とする微生物検出方法。
4. 請求項１〜３のいずれか一項に記載の微生物検出方法において、
   前記トレーニングステップ及び前記識別ステップにおいて、前記分類器へ入力される情報は、前記色情報の他に、形状情報と面積情報とのうち少なくとも１つを含むことを特徴とする微生物検出方法。
5. 請求項１〜４のいずれか一項に記載の微生物検出方法において、
   前記トレーニングステップにおいて、前記クラスの分類とは別に、前記培地領域内に存在するノイズ点に関するノイズ情報を収集し、
   前記識別ステップにおいて、前記微生物点がノイズ点であるか否かを前記ノイズ情報に基づき判別し、ノイズ点でないと判別した検査点に基づきコロニーを識別することを特徴とする微生物検出方法。
6. 請求項１〜５のいずれか一項に記載の微生物検出方法において、
   前記識別ステップでは、前記培地領域を外周領域と中央領域とに分割し、
   前記培地の前記中央領域を前記検査対象領域として前記識別を行い、
   前記外周領域については色エッジ検出により検出された色エッジに基づき前記コロニーを検出することを特徴とする微生物検出方法。
7. 請求項１〜６のいずれか一項に記載の微生物検出方法において、
   前記トレーニングステップでは、培養開始からコロニー発生前の所定期間内における前記検査対象物を前記学習対象物として使用して、前記培地点を学習させる前記分類器のトレーニングを行って前記培地のクラスを分類し、
   前記識別ステップでは、前記所定期間以後の前記検査対象物が撮影されたカラー画像を用いることを特徴とする微生物検出方法。
8. 培地に培養された微生物のコロニーの有無を検査する微生物検出装置であって、
   培地領域内において微生物のコロニーが存在しない学習対象物をカラー画像で撮影し、撮影されたカラー画像のうち培地領域内の少なくとも一部にトレーニング対象領域を設定し、トレーニング対象領域内にある培地点の色情報を学習情報とし、その学習情報を分類器に入力して前記色情報の特徴ベクトルを取得し、前記特徴ベクトルで規定される点群から外側へ規定距離だけ離れた位置に超平面のかたちで閾値を設定することで分離して培地のクラスを分類する前記分類器を含むトレーニング手段と、
   培地領域内において微生物のコロニーの有無を検査するために撮影された検査対象物のカラー画像のうち、培地領域内の少なくとも一部の検査対象領域内の各検査点の色情報を、トレーニング済みの前記分類器に入力して前記色情報の特徴ベクトルを取得し、前記分類器により、前記特徴ベクトルで規定される検査点が前記トレーニング手段により分類された前記培地のクラスに属するか否かを判定し、前記培地のクラスに属さない検査点は微生物点であると判定し、その判定の結果に基づきコロニーを識別する識別手段と
   を備えたことを特徴とする微生物検出装置。
9. 培地に培養された微生物のコロニーを検出する微生物検出処理をコンピュータに実行させるためのプログラムであって、
   コンピュータに、
   培地領域内において微生物のコロニーが存在しない学習対象物をカラー画像で撮影し、撮影されたカラー画像のうち培地領域内の少なくとも一部にトレーニング対象領域を設定し、トレーニング対象領域内にある培地点の色情報を学習情報とし、その学習情報を分類器に入力して前記色情報の特徴ベクトルを取得し、前記分類器により、前記特徴ベクトルで規定される点群から外側へ規定距離だけ離れた位置に超平面のかたちで閾値を設定することで分離して培地のクラスを分類するトレーニングステップと、
   培地領域内において微生物のコロニーの有無を検査するために撮影された検査対象物のカラー画像のうち、培地領域内の少なくとも一部の検査対象領域内の各検査点の色情報を、トレーニング済みの前記分類器に入力して前記色情報の特徴ベクトルを取得し、前記分類器により、前記特徴ベクトルで規定される検査点が前記トレーニングステップで分類された前記培地のクラスに属するか否かを判定し、前記培地のクラスに属さない検査点は微生物点であると判定し、その判定の結果に基づきコロニーを識別する識別ステップと
   を実行させるためのプログラム。
10. 請求項１〜７のいずれか一項に記載の微生物検出方法において、
    前記識別ステップでは、前記微生物点が連続して存在する閉領域であるコロニー候補の面積を求め、前記面積が微生物種に応じて設定された面積条件を満たした場合、前記コロニー候補をコロニーであると識別することを特徴とする微生物検出方法。
11. 請求項４〜７のいずれか一項に記載の微生物検出方法において、
    前記トレーニングステップ及び前記識別ステップにおいて、前記分類器へは前記色情報と前記形状情報とが少なくとも入力され、前記トレーニングステップで微生物のコロニーが存在する場合には、前記コロニーの色情報及び形状情報を学習情報として前記分類器に入力して前記色情報及び形状情報の特徴ベクトルを取得し、前記分類器により、特徴ベクトルで規定される点群を分離して前記コロニーのクラスが分類され、前記識別ステップでは、前記検査点は前記検査対象領域内の色で区別した領域で示されるコロニー候補点であって、前記コロニー候補点の色情報と形状情報とを、前記トレーニング済みの分類器に入力して前記色情報及び形状情報の特徴ベクトルを取得し、前記分類器により、前記特徴ベクトルで規定される点が前記コロニーのクラスに属するか否かを判定し、その判定の結果に基づきコロニーを識別することを特徴とする微生物検出方法。
12. 請求項１〜７のいずれか一項に記載の微生物検出方法において、
    前記分類器は、カーネル法に基づくサポートベクターマシン、ニューラルネットワーク、ガウス混合分布モデルのうち少なくとも１つを含むことを特徴とする微生物検出方法。
13. 請求項１〜７、１０〜１２のいずれか一項に記載の微生物検出方法であって、
    前記分類器は、カーネル法に基づくサポートベクターマシンであり、前記トレーニングステップでは、前記培地点の色情報の特徴ベクトルを、前記分類器の写像部を用いてカーネル法により高次元特徴空間へ写像して高次元特徴ベクトルを取得し、前記分類器により、前記高次元特徴ベクトルで規定される点群を線形分離して培地のクラスが分類され、前記識別ステップでは、前記検査点の色情報の特徴ベクトルを、前記分類器の写像部を用いてカーネル法により高次元特徴空間へ写像して高次元特徴ベクトルを取得し、前記分類器により、前記高次元特徴ベクトルで規定される点が前記トレーニングステップで分類された前記培地のクラスに属するか否かについて判定され、その判定の結果に基づきコロニーを識別することを特徴とする微生物検出方法。
14. 請求項８記載の微生物検出装置において、
    前記カラー画像を取得するための撮像手段と、
    前記識別手段がコロニーと識別した場合に、コロニーが検出された旨を報知する報知手段と
    を備えたことを特徴とする微生物検出装置。

Images