JP6535843B2 - 分光イメージングシステム - Google Patents
分光イメージングシステム Download PDFInfo
- Publication number
- JP6535843B2 JP6535843B2 JP2015013388A JP2015013388A JP6535843B2 JP 6535843 B2 JP6535843 B2 JP 6535843B2 JP 2015013388 A JP2015013388 A JP 2015013388A JP 2015013388 A JP2015013388 A JP 2015013388A JP 6535843 B2 JP6535843 B2 JP 6535843B2
- Authority
- JP
- Japan
- Prior art keywords
- spectral
- data
- wavelengths
- sample
- spectral image
- 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.)
- Active
Links
- 238000000701 chemical imaging Methods 0.000 title claims description 31
- 230000003595 spectral effect Effects 0.000 claims description 145
- 230000003287 optical effect Effects 0.000 claims description 94
- 238000007689 inspection Methods 0.000 claims description 92
- 238000005259 measurement Methods 0.000 claims description 43
- 238000007405 data analysis Methods 0.000 claims description 39
- 238000003384 imaging method Methods 0.000 claims description 37
- 239000000126 substance Substances 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 27
- 238000003909 pattern recognition Methods 0.000 claims description 25
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 2
- 238000000034 method Methods 0.000 description 25
- 235000013305 food Nutrition 0.000 description 19
- 238000001228 spectrum Methods 0.000 description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000009826 distribution Methods 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 235000021067 refined food Nutrition 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 235000013372 meat Nutrition 0.000 description 5
- 235000019465 surimi Nutrition 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000011109 contamination Methods 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 238000000862 absorption spectrum Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 235000015277 pork Nutrition 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 241000972773 Aulopiformes Species 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 235000019515 salmon Nutrition 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013332 fish product Nutrition 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Description
一般的に、異物検査の装置としては、X線異物検査装置や金属検出機(金属探知機)などが使用されているが、上記のような低密度、非金属の異物を検出することは困難である。そのため、多くは目視検査を実施している。
一方、高速搬送される食品は視検査自体が困難であり、検査精度を上げるには搬送速度を抑える必要がある。それは生産効率を低下させることになる。その逆に、生産効率を上げるには目視検査工程を簡略化する必要があるが、検査精度の低下を招くおそれもある。
このパターン認識アルゴリズムは、図10に示す計測領域113の一ライン分の分光データ115によって処理可能である。すなわち、このアルゴリズムは、サンプルSの全体の分光データ115a,115b,・・・を取得するのを待たずに、計測サンプル上の一ライン分の分光データごとに逐次処理できるので、サンプルSがコンベアラインで搬送されるような状況に有効な方法である。
したがって、従来の分光イメージングシステム110は、計測速度が遅いために、例えば食品工場の製造ラインに組み込む検査装置としては検査速度の点で課題があった。
このシステム110の場合、可視光領域から近赤外光領域(400〜1000nm)までを同時に取得しているので、計測後の波長の選択には自由度がある。例えば、データ解析段階において、全ての波長を使ってデータ解析を行う、或いは、特定の少ない数の波長を選んで解析することも可能である。しかし、常に可視光領域から近赤外光領域のスペクトルデータを取得しているので、少数の波長しか使わないとしても計測速度は変わらない。
また、フィルタ122a,122b,・・・の枚数が多くなると、その数に比例して全ての波長の分光画像を取得するには多くの時間がかかる。例えば、64波長分のフィルタ122a,122b,・・・を搭載している場合、30フレーム/秒のカメラで全てのフィルタの分光画像を取得するには、約2秒程度かかる。この間は、計測対象のサンプルSを固定しておく必要がある。したがって、波長選択の自由度はあるが、計測速度が遅いので、処理速度の向上が課題であった。
したがって、LCTFにおいても、波長選択の自由度はあるが、計測速度が遅いので、処理速度の向上が課題であった。
前記データ転送手段は、複数の前記光学モジュールの撮像素子に結像した複数の波長の分光画像データを同期して取得し、同時に前記複数の波長の分光画像データを全部又は選択的にデータ解析装置へ転送する分光イメージングシステムであって、
前記データ解析装置は、
前記マルチカメラの各光学モジュールが撮像したサンプル(検査対象物)の分光画像について解析・パターン認識を行う画像処理装置と、
正常なサンプルから取得した分光画像に基づいて解析された特徴量から、正常又は異物混入の判別境界となる固定の閾値を主成分分析により予め設定しておく一方、
検査装置としての運用時に、前記画像処理装置によるサンプル(検査対象物)の計測毎に取得される分光画像から主成分分析により特徴量を抽出し、その特徴量に対して、1−classサポートベクターマシンにより自動でサンプル(検査対象物)毎の閾値を設定し、前記固定の閾値による判別に加え、該サンプル(検査対象物)毎の閾値を利用して、該サンプル(検査対象物)が正常か否かを判別するパターン認識を行う比較判断装置とを備えたことを特徴としている。
光学モジュール20は、本実施形態では、図1に示すように、4つのレンズ21,21,・・・と、前記各レンズ21,21,・・・に対応して配置され、かつ互いに異なる波長の光を透過する4つの光学干渉フィルタ22a,22b,・・・と、前記各レンズ21,21,・・・及び各光学干渉フィルタ22a,22b,・・・を透過した検査対象物の像を結像する撮像素子23と、を備えて構成されている。
4つの光学干渉フィルタ22a,22b,・・・は、前記4つのレンズ21,21,・・・に対向する位置で縦横2つずつ隣り合って並ぶように、視野絞りケース27の内部に配置される。視野絞りケース27の内部は、4つの光学干渉フィルタ22a,22b,・・・を仕切るための仕切りを設けている。また、撮像素子23は、視野絞りケース27の後側に取り付けられる。
本実施形態では、図2(a)に示すように、一例として豚肉を検査対象物としている。撮像素子23には、図2(b)に示すように、4つの異なる波長の分光画像28a,28b,・・・の豚肉に関する画像が結像し、これらのデータがデータ解析装置30へ同時に転送されるようになっている。
したがって、データ転送手段は、n×m個の異なる波長の分光画像データを同期して取得し、同時にデータ解析装置30へ転送することができる。あるいは、n×m個の異なる波長の分光画像データから、選択的に所望位置の光学モジュール20,20,・・・を選んで、複数の異なる波長の分光画像データを同期して取得し、同時にデータ解析装置30(演算装置)へ転送することができる。なお、上記の複数の分光画像データは、高速転送可能な通信用インターフェイス31などを使用して高速転送することができる。
しかし、各列ごとに検査範囲の幅寸法を限定している場合は、各列ごとに4×4で合計16波長の分光画像データを同期して取得することになる。つまり、どの列も同じ16波長の分光画像データをそれぞれ独立して取得する。
図6(a)では、コンベア40から上を視たときの光学モジュール20,20,・・・の配置状態を示している。2列×8個の光学モジュール20,20,・・・の構成である。2つの基本モジュールでコンベア40の幅寸法をカバーする。つまり、各列は8個の光学モジュール20,20,・・・をコンベア40の搬送方向に並べて配置している。この場合は、枠で囲んだ4個の光学モジュール20,20,・・・毎に、16波長の分光画像データを同期して取得することができる。
詳しく説明すると、コンベアの幅方向の8列は、コンベアの幅をカバーするために配置されている。各列のコンベアの搬送方向における4個の光学モジュール20,20,・・・が計測速度に関係がある。この4個の光学モジュール20,20,・・・をコンベアの搬送方向で順にA,B,C,Dとして区別する。A,B,C,Dは、ある時刻の瞬間ではそれぞれ別々の撮像エリアのデータを取得する。そこで、Aの撮像エリアで取得した計測サンプルの部分は、1フレームに相当する時間の経過の後に、Bの撮像エリアに入るようにコンベア速度を設定する。
したがって、フレームレートが30フレーム/秒としてAの撮像エリアが30mmである場合、1秒間に900mm(=30×30mm)分のデータを取得することができる。すなわち、毎分54m(メートル)の速度となる。B,C,Dもそれぞれ同じ速度となる。
しかし、実際にはデータ解析のアルゴリズムの計算量や演算装置の速度との兼ね合いもあるため、いくらでも高速化できるものではないことと、現在のX線異物検査装置が20m/分程度で使われていることから、本実施形態ではコンベア速度を20m/分としている。
なお、演算装置が対応できる速度を持っているならば、上記の例では毎分54m(メートル)で計測することができる。さらに、CMOSカメラのフレームレートでは、100フレーム/秒であるので、毎分180m(メートル)のコンベア速度(約3,000mm/秒)で計測することが可能となる。
データ解析の方法の一つは、従来の技術で説明したように、計測で得られた複数のスペクトルデータに対して「主成分分析+1-classサポートベクターマシン」のパターン認識アルゴリズムを適用して、異物を識別する方法である。この処理は、検査対象物の表面の同一位置に対応する各分光画像28a,28b,・・・の画素から抽出して構成したスペクトルデータを対象に行う。
そこで、予め、画像処理装置で実施されたパターン認識を基にして、検査対象物と同一サンプルの正常データの特徴量を計算する。実際に、検査対象物を計測する際に、検査対象物から取得した複数の波長の分光画像データから計測データの特徴量を計算する。この計測データの特徴量と正常データの特徴量とを比較判断装置によってパターン認識を行い正常か否かを判断する。
正常な検査対象物の計測データの特徴量は、前記正常データの特徴量のバラツキの範囲内にあるはずである。一方、異物が混入している検査対象物の計測データの特徴量は、前記正常データの特徴量のバラツキの範囲から逸脱する。これを検出するのがパターン認識処理である。
本実施形態の光学モジュール20の撮像素子は、約400万画素ほど(=2048×2048)の画素数を有している。前記撮像素子上には4つの分光画像28a,28b,・・・が結像しているので、一つの分光画像28は約100万画素ほど(=1024×1024)の画素数を有する。そこで、複数波長の分光画像28a,28b,・・・における同一位置の1点の画素毎に、複数波長の分光画像28a,28b,・・・を合計すると、1点のスペクトルデータを取得することができる。したがって、分光画像28の全体では、約100万画素のうちの各点の画素毎にスペクトルデータを取得する計算になる。つまり、約100万のスペクトルデータをデータ解析することが可能となる。
まず、異物判別の基本的な考え方について説明する。空間軸と波長軸で構成される、サンプル上の計測領域1ライン分の分光画像では、各画素ごとのスペクトルデータとして、検査対象物の食品の「正常な」スペクトルデータと、異物の「異常な」スペクトルデータが得られる。
食品に対する異物の割合が数%という、ごく微量しか含まれていない場合は、計測領域1ライン分の分光画像から得られたスペクトルデータ全体に対して、食品のスペクトルデータがほぼ99〜100%に近い割合で存在する。一方、異物のスペクトルデータはほぼ数%の割合で存在することになる。そこで、計測領域1ライン分の全てのスペクトルデータについて主成分分析を行い、各画素ごとに特徴量を求めると、異物が混入している場合は、食品の特徴量の分布と異物の特徴量の分布が生じる。
そこで、前述したような1-classサポートベクターマシンを使って、自動でサンプルごとに閾値を設定する。これによって、食品の特徴量と異物の特徴量の差の大きさに関りなく、前記の自動で設定したサンプルごとの閾値に基づいて、よりいっそう精確に異物を判別することができる。
図8Aは、「CCDカメラ+イメージング分光器」によって取得した、サンプル上の1ライン分のスペクトルデータに対して主成分分析を行い、特徴量として第2主成分、第3主成分の主成分スコアを表示した図である。解析に用いた対象物は、正常なサンプルとして挽肉、異物として人毛が含まれているものを用いている。このうち、図8A(a)における矢印の部分が人毛、それ以外は挽肉であり、PC2,PC3の各軸に分散した(ばらついた)分布になっているとともに、黒い点が各スペクトルデータから計算した特徴量(PC2,PC3)を示している。つまり、正常な肉でもこの程度のばらつきが生じるということが示されている。
1-classサポートベクターマシンの処理では、任意に指定するパラメータが2つあり、1つは図8A(b)において正常と判別する略楕円形の領域50の形を決めるパラメータ「γ」 (このパラメータによって略楕円形の領域50の分布にフィットするような領域とする、或いは、より楕円形に近いような領域とすることが可能)、もう一つは異常の割合を決めるパラメータ「ν」である。νは0〜1の範囲で設定され、0の場合は全て正常、0.01の場合は異常が1%、1の場合は全て異常となる。
νは異物の有無に関わらず、図8A(b)の領域50の外側から抽出されることから、異物がなくても、必ず「異物候補」が抽出される。
一方、最初にオフラインで設定した閾値をもとに検査装置として運用しながら、バラツキを含むが正常(異物がない)と判断されるサンプルを計測し、順次学習させて閾値の更新を行う「オンライン」での設定も可能である。これによれば、よりいっそう確実に正常な食品を選別することができる。
水分含有量は、データ解析を行うことにより、定量推定が可能である。水の吸収ピーク位置は、波長約970〜980nmであることが既知である。また、物質には基準となる一定の波長があるので、少なくとも2つの波長の分光画像データを取得してデータ解析することができる。よりいっそう精度を上げるには、さらにいくつかの波長の分光画像データを取得して比較すると、水分含有量を推定することができる。
また、図8Bの(b)のように、連続した全ての波長(600〜1100nm)のデータを取得することも可能である。この場合においても異物が混入しているか否かを識別できる。
例えば、正常なすり身と類似したスペクトルデータを持つ「異物」が混入していた場合は、図8Bの(a)のように少数の波長を選択しただけではスペクトルデータの差異を明確にできない可能性があることから、一般的に判別は難しい。このような場合は、図8Bの(b)のように連続でデータを取得することで差異を細かく比較することによって、正確さが向上する。
なお、図9では(a),(b),(c),(d)の4波長の分光画像28a,28b,・・・を示しているが、さらに多くの数の波長の分光画像28a,28b,・・・に基づいて各ブロックごとの特徴量を高精度に算出することができる。
なお、この方法は、光学モジュール20の単位で処理可能であるので、各光学モジュール20のFPGA(Field Programmable Gate Array)などのプログラマブルデバイス上にて処理することができる。
この方法の場合、前述の画像処理装置としては、複数の波長の分光画像データにおける各分光画像28a,28b,・・・の特徴量をスペクトルデータとする。このとき、検査対象物上の各点におけるスペクトルデータは、複数の波長の分光画像の各点に対応する画素を抽出して波長の大きさの順番に並べて分布させる。また、前述の比較判断装置としては、前記スペクトルデータにおいて同じ位置の異なる波長の分光画像28a,28b,・・・のブロックごとに特徴量を比較する。
この方法における対応画素の抽出について説明すると、検査対象物上の各点におけるスペクトルデータは、複数の波長の分光画像の各点に対応する画素を抽出して波長の大きさの順番に並べることで、前記各点の特徴量の分布が明確になる。その結果、各分光画像28a,28b,・・・の対応する小ブロックについて特徴量の比較を行うとき、よりいっそう確実に異物を検出するパターン認識処理となる。
以上のように、データ解析装置30では、高速でデータ解析・パターン認識し、検査対象物の特徴量をもとに品質検査や異物検査を高速で実施することができ、計測時間の高速化に寄与する。また、データ解析する対象としては、異物だけでなく、水分含有量、たんぱく、糖度などの物質の定量推定を実施することができる。
20 光学モジュール 21 レンズ
22a,22b,・・・ 光学干渉フィルタ
23 撮像素子 24 開口絞りケース
25 絞り用孔 26 レンズホルダ
27 視野絞りケース 28a,28b,・・・ 分光画像
30 データ解析装置 31 通信用インターフェイス
40 コンベア
Claims (3)
- 互いに異なる波長の光を透過する複数の光学干渉フィルタと、前記複数の光学干渉フィルタを透過したサンプル(検査対象物)における複数の波長の分光画像が結像する撮像素子と、を備えた光学モジュールを構成するとともに、複数の該光学モジュールによってマルチカメラとし、
前記光学モジュールの撮像素子に結像した複数の波長の分光画像データを同期して取得し、同時に前記複数の波長の分光画像データをデータ解析装置へ転送するデータ転送手段を備え、
前記データ転送手段は、複数の前記光学モジュールの撮像素子に結像した複数の波長の分光画像データを同期して取得し、同時に前記複数の波長の分光画像データを全部又は選択的にデータ解析装置へ転送する分光イメージングシステムであって、
前記データ解析装置は、
前記マルチカメラの各光学モジュールが撮像したサンプル(検査対象物)の分光画像について解析・パターン認識を行う画像処理装置と、
正常なサンプルから取得した分光画像に基づいて解析された特徴量から、正常又は異物混入の判別境界となる固定の閾値を主成分分析により予め設定しておく一方、
検査装置としての運用時に、前記画像処理装置によるサンプル(検査対象物)の計測毎に取得される分光画像から主成分分析により特徴量を抽出し、その特徴量に対して、1−classサポートベクターマシンにより自動でサンプル(検査対象物)毎の閾値を設定し、前記固定の閾値による判別に加え、該サンプル(検査対象物)毎の閾値を利用して、該サンプル(検査対象物)が正常か否かを判別するパターン認識を行う比較判断装置とを備えたことを特徴とする分光イメージングシステム。 - 前記比較判断装置は、前記固定の閾値、又は自動設定される前記サンプル(検査対象物)毎の閾値に基づいて、検査装置として運用しながら、特徴量についてバラツキを含むサンプルを計測し、順次学習させて、該固定の閾値又はサンプル(検査対象物)毎の閾値の更新を行うことを特徴とする請求項1に記載の分光イメージングシステム。
- 前記マルチカメラの各光学モジュールにおいて得られる単一のサンプル(検査対象物)の分光画像を小ブロックに分割し、その各ブロックごとに前記画像処理装置によって解析・パターン認識を実施して特徴量を算出するとともに、該画像処理装置によって得られた各ブロック毎の分光画像の特徴量を前記比較判断装置で比較することにより、他と異なる特徴量のブロックを異常なブロックとして検出することを特徴とする請求項1又は2に記載の分光イメージングシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015013388A JP6535843B2 (ja) | 2015-01-27 | 2015-01-27 | 分光イメージングシステム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015013388A JP6535843B2 (ja) | 2015-01-27 | 2015-01-27 | 分光イメージングシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016138789A JP2016138789A (ja) | 2016-08-04 |
JP6535843B2 true JP6535843B2 (ja) | 2019-07-03 |
Family
ID=56560056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015013388A Active JP6535843B2 (ja) | 2015-01-27 | 2015-01-27 | 分光イメージングシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6535843B2 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101905840B1 (ko) * | 2017-04-17 | 2018-10-08 | 한국기계연구원 | 근적외선 분광기 및 그 제조 방법 |
KR102049088B1 (ko) * | 2017-07-20 | 2019-11-26 | 한국기계연구원 | 근적외선 분광기 |
CN112218729A (zh) | 2018-06-11 | 2021-01-12 | 克里奥瓦克公司 | 用于检测外来物品的产品流的内置检查的过程和系统 |
JP7090899B2 (ja) * | 2018-09-10 | 2022-06-27 | 地方独立行政法人北海道立総合研究機構 | 符号化された照明パターンを用いる画像処理装置および画像処理プログラム |
JP2020060407A (ja) * | 2018-10-09 | 2020-04-16 | 三井金属計測機工株式会社 | 学習機能を有する加工食品検査装置及び加工食品検査方法並びに加工食品検査プログラム |
CN109459441B (zh) * | 2019-01-15 | 2024-08-27 | 南京中禧智能科技有限公司 | 一种检测装置、系统及方法 |
CN113125008A (zh) * | 2019-12-31 | 2021-07-16 | 北京微视新纪元科技有限公司 | 一种高光谱相机、光谱仪及其制作方法 |
JP6778451B1 (ja) * | 2020-01-10 | 2020-11-04 | 日本分光株式会社 | 異物分析方法、異物分析プログラムおよび異物分析装置 |
JP2023018822A (ja) | 2021-07-28 | 2023-02-09 | パナソニックIpマネジメント株式会社 | 検査方法および検査装置 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3178508B2 (ja) * | 1996-06-26 | 2001-06-18 | 日産自動車株式会社 | 表面欠陥検査装置 |
JPH1030984A (ja) * | 1996-07-12 | 1998-02-03 | Satake Eng Co Ltd | 分光分析装置 |
JPH11326202A (ja) * | 1998-05-12 | 1999-11-26 | Kyowa Kikai Kk | 卵の自動検査装置 |
JP2000028544A (ja) * | 1998-07-08 | 2000-01-28 | Japan Tobacco Inc | 近赤外線式異物検出装置 |
JP4162319B2 (ja) * | 1999-03-10 | 2008-10-08 | 株式会社ニデック | 欠陥検査装置 |
JP2003130811A (ja) * | 2001-10-25 | 2003-05-08 | Dainippon Screen Mfg Co Ltd | 波長選択機能を利用した検査対象物の検査 |
JP4697764B2 (ja) * | 2001-09-28 | 2011-06-08 | 株式会社高井製作所 | ゲル形成性食品の品質判定方法 |
WO2003100925A2 (en) * | 2002-05-22 | 2003-12-04 | Beth Israel Deaconess Medical Center | Device for wavelength-selective imaging |
JP3923011B2 (ja) * | 2002-12-24 | 2007-05-30 | 株式会社クボタ | 果菜類の品質評価装置 |
JP3923018B2 (ja) * | 2003-01-20 | 2007-05-30 | 株式会社クボタ | 果菜類の品質評価装置 |
JP2004219375A (ja) * | 2003-01-17 | 2004-08-05 | Kubota Corp | 果菜類の品質評価装置 |
JP2005037294A (ja) * | 2003-07-17 | 2005-02-10 | Kubota Corp | 果菜類の品質評価装置 |
US8081311B2 (en) * | 2005-11-04 | 2011-12-20 | General Hospital Corporation | System for multispectral imaging |
JP5201350B2 (ja) * | 2006-07-14 | 2013-06-05 | 株式会社ニコン | 表面検査装置 |
JP2008209211A (ja) * | 2007-02-26 | 2008-09-11 | Hitachi High-Tech Control Systems Corp | 異物検査装置および異物検査方法 |
JP5565936B2 (ja) * | 2009-12-03 | 2014-08-06 | シブヤ精機株式会社 | 物品検査装置 |
JP5659507B2 (ja) * | 2010-03-05 | 2015-01-28 | 凸版印刷株式会社 | パターン描画装置の状態監視方法および状態監視装置 |
JP5888035B2 (ja) * | 2012-03-16 | 2016-03-16 | Jfeスチール株式会社 | 円筒体又は円柱体材料の表面欠陥検査方法及び装置 |
JP5956814B2 (ja) * | 2012-04-20 | 2016-07-27 | 株式会社キーエンス | 外観検査装置、外観検査方法及びコンピュータプログラム |
JP6123213B2 (ja) * | 2012-10-03 | 2017-05-10 | 株式会社ニコン | マルチバンドカメラ |
US9157800B2 (en) * | 2013-01-15 | 2015-10-13 | Chemimage Technologies Llc | System and method for assessing analytes using conformal filters and dual polarization |
JP6194592B2 (ja) * | 2013-02-22 | 2017-09-13 | セイコーエプソン株式会社 | 分光カメラ |
JP2016091359A (ja) * | 2014-11-06 | 2016-05-23 | 株式会社リコー | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
-
2015
- 2015-01-27 JP JP2015013388A patent/JP6535843B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2016138789A (ja) | 2016-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6535843B2 (ja) | 分光イメージングシステム | |
Tao et al. | A method for nondestructive prediction of pork meat quality and safety attributes by hyperspectral imaging technique | |
Barbin et al. | Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging | |
Li et al. | Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review | |
Zhang et al. | Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis | |
Wu et al. | Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique | |
Afshari-Jouybari et al. | Evaluation of Photoshop software potential for food colorimetry | |
Wu et al. | Potential of time series-hyperspectral imaging (TS-HSI) for non-invasive determination of microbial spoilage of salmon flesh | |
Liu et al. | Feasibility of using hyperspectral imaging to predict moisture content of porcine meat during salting process | |
Benalia et al. | Computer vision for automatic quality inspection of dried figs (Ficus carica L.) in real-time | |
US20140319351A1 (en) | Inspection apparatus and an inspection method | |
Nicolaï et al. | Nondestructive evaluation: Detection of external and internal attributes frequently associated with quality and damage | |
WO2012074372A2 (en) | A system for fruit grading and quality determination | |
WO2005038443A1 (ja) | 平面分光器を用いた異種品検出装置 | |
JP2012098181A (ja) | 検出装置及び検出方法 | |
Zhao et al. | Utilising near-infrared hyperspectral imaging to detect low-level peanut powder contamination of whole wheat flour | |
JP2013164338A (ja) | 植物または植物加工品の異物検出方法 | |
Lu | Imaging spectroscopy for assessing internal quality of apple fruit | |
Iqbal et al. | Assessment of a mobile phone for use as a spectroscopic analytical tool for foods and beverages | |
CA3027006A1 (en) | Microparticle measuring device and microparticle analysis method | |
EP2081013A1 (en) | Method of inspecting food and inspection apparatus implementing the same | |
US20220323997A1 (en) | Devices, systems and methods for sorting and labelling food products | |
Zhu et al. | Feasibility study on quantitative pixel-level visualization of internal quality at different cross sections inside postharvest loquat fruit | |
US20090185165A1 (en) | Method of inspecting food and inspection apparatus implementing the same | |
JP2009068850A (ja) | 分光画像法による農産物の残留農薬検査方法および装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180125 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181031 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181130 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20190125 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190315 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190320 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190326 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6535843 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |