JP6742859B2 - 錠剤検知方法、錠剤検知装置および錠剤検知プログラム - Google Patents

Description

開示の実施形態は、錠剤検知方法、錠剤検知装置および錠剤検知プログラムに関する。

従来、調剤薬局などにおいて透明な袋に服用１回分ごとに分包された錠剤が、服用者へ処方された処方箋の内容通りに分包されているか否かを検知する技術が知られている（たとえば、特許文献１参照）。

なお、特許文献１に開示の技術は、袋ごとに撮像した各錠剤の画像データと、かかる各錠剤の基準画像データとを比較し、長径、短径、面積および色彩においてそれぞれ一致するか否かを照合することによって分包の正否を判定するものである。

特開２００８−０１８２３０号公報

しかしながら、上述した従来技術には、類似錠剤を精度よく識別するうえで、さらなる改善の余地がある。

具体的には、錠剤は、その形状パターンが比較的限られているため、異なる種別の錠剤同士でも、寸法や面積、色彩といった特徴量にほとんど差が見られない場合がある。このように特徴量が類似する類似錠剤は、上述の基準画像データとの比較においても差が出にくいため、上述した従来技術を用いた場合、正確に識別できないおそれがある。

また、錠剤は、服用１回分につき、１／２錠や１／４錠のように分割され、分割錠として処方される場合がある。かかる分割錠は、その割れ方などにより個々の見た目のばらつきが大きいことから、もともと上述の基準画像データと照合しづらい処方形態である。そのうえで、上述の類似錠剤が分割錠として処方された場合、さらに識別しづらくなることは想像に難くない。

実施形態の一態様は、上記に鑑みてなされたものであって、類似錠剤を精度よく識別することができる錠剤検知方法、錠剤検知装置および錠剤検知プログラムを提供することを目的とする。

実施形態の一態様に係る錠剤検知方法は、撮像工程と、切り出し工程と、第１識別工程と、第２識別工程とを含む。前記撮像工程は、服用１回分の１以上の錠剤が分包され、該錠剤が分割錠である場合を含む分包紙の反射光画像および透過光画像を撮像する。前記切り出し工程は、前記反射光画像および前記透過光画像に基づき、前記反射光画像中の前記錠剤に対応する領域である錠剤領域を切り出す。前記第１識別工程は、前記切り出し工程において切り出された前記錠剤領域それぞれの寸法および色を前記錠剤の形状および色に関するモデル情報と照合することによって、前記錠剤をそれぞれ一意に識別する識別値を出力する。前記第２識別工程は、前記第１識別工程において、切り出された前記錠剤領域に対し、特徴量のほぼ一致する基準データが複数存在してしまう場合又は特徴量がいずれの基準データにも一致しない場合であって、誤検知された前記識別値が出力された場合に、特徴量の類似する複数の前記錠剤である類似錠剤の画像を含む学習用データに基づく機械学習により生成された学習モデルを用いて、前記第１識別工程において誤検知された前記錠剤についての前記識別値を出力する。

実施形態の一態様によれば、類似錠剤を精度よく識別することができる。

図１Ａは、実施形態に係る錠剤検知方法の概要説明図（その１）である。 図１Ｂは、実施形態に係る錠剤検知方法の概要説明図（その２）である。 図１Ｃは、実施形態に係る錠剤検知方法の概要説明図（その３）である。 図１Ｄは、実施形態に係る錠剤検知方法の概要説明図（その４）である。 図２は、実施形態に係る錠剤検知システムのブロック図である。 図３は、形状モデルの説明図である。 図４Ａは、切り出し部のブロック図である。 図４Ｂは、切り出し部による切り出し処理の説明図（その１）である。 図４Ｃは、切り出し部による切り出し処理の説明図（その２）である。 図４Ｄは、切り出し部による切り出し処理の説明図（その３）である。 図４Ｅは、切り出し部による切り出し処理の説明図（その４）である。 図４Ｆは、切り出し部による切り出し処理の説明図（その５）である。 図４Ｇは、切り出し部による切り出し処理の説明図（その６）である。 図４Ｈは、切り出し部による切り出し処理の説明図（その７）である。 図５Ａは、第１識別部のブロック図である。 図５Ｂは、第１識別部による第１識別処理の説明図である。 図６Ａは、学習モデルの一例を示す図（その１）である。 図６Ｂは、学習モデルの一例を示す図（その２）である。 図６Ｃは、ＩＤ設定テーブルの一例を示す図である。 図６Ｄは、２種類の半錠剤のサンプル画像である。 図７Ａは、錠剤検知装置が実行する処理手順を示すフローチャート（その１）である。 図７Ｂは、錠剤検知装置が実行する処理手順を示すフローチャート（その２）である。 図７Ｃは、錠剤検知装置が実行する処理手順を示すフローチャート（その３）である。 図７Ｄは、錠剤検知装置が実行する処理手順を示すフローチャート（その４）である。 図７Ｅは、錠剤検知装置が実行する処理手順を示すフローチャート（その５）である。 図８は、錠剤検知装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下、添付図面を参照して、本願の開示する錠剤検知方法、錠剤検知装置および錠剤検知プログラムの実施形態を詳細に説明する。なお、以下に示す実施形態によりこの発明が限定されるものではない。

また、以下では、服用１回分の錠剤が分包される医療用の袋体のことを「分包紙」と記載する。かかる分包紙については、総称する場合、「分包紙Ｐｂ」と記載するが、区別の必要がある場合には、分包紙Ｐｂ−１のように「−ｎ」（ｎは自然数）の形式で付番する。

また、錠剤については、総称する場合、「錠剤ｔ」と記載するが、種別による区別の必要がある場合には、「錠剤Ａ」、「錠剤Ｂ」…のように大文字のアルファベットを付して表す場合がある。

錠剤ｔは、分包紙Ｐｂへ封入可能である意味から、本実施形態では、カプセル剤を含むものとする。また、以下では、１／２錠の分割錠を「半錠剤」と記載する。

まず、本実施形態に係る錠剤検知方法の概要について、図１Ａ〜図１Ｄを参照して説明する。図１Ａ〜図１Ｄは、実施形態に係る錠剤検知方法の概要説明図（その１）〜（その４）である。

図１Ａに示すように、錠剤ｔは、服用者に対する処方箋を基に、調剤薬局などで服用１回分ごとに分包紙Ｐｂへ分包される。分包紙Ｐｂは、セロファンやポリエチレンなどを用いて形成され、表側は中に封入されている錠剤ｔを視認可能な透明性を有している。

錠剤ｔは、図１Ａに示すように、円状、楕円状、半円状、カプセル状など形状が多様であり、また、その寸法や色なども多様であるが、特徴量の類似する類似錠剤の組み合わせが含まれる場合もある。図１Ａの場合は、半円状の２個の半錠剤がそれに相当する。

分包紙Ｐｂの裏側には、錠剤ｔを分包する分包機（図示略）により、必要に応じてたとえば「○山×男 様」のような服用者の氏名や、「△月□日」のような服用日、「朝食後」のような服用タイミングなどが印字される。かかる分包紙Ｐｂの裏側は、少なくとも光透過性を有している。

かかる分包紙Ｐｂは、前述の分包機から、図１Ｂに示すように、分包紙Ｐｂ−１，Ｐｂ−２，Ｐｂ−３…が一連なりとなった帯状体で出力される。分包紙Ｐｂ−１，Ｐｂ−２，Ｐｂ−３の各境目には切り離しが容易となるようにミシン目が設けられている。

そして、たとえば調剤薬局では、かかる分包紙Ｐｂ−１，Ｐｂ−２，Ｐｂ−３の分包内容がそれぞれ正しいか否かのチェックが行われる。本実施形態に係る錠剤検知システム１は、かかるチェックのために用いられる。

図１Ｃに示すように、本実施形態に係る錠剤検知システム１は、撮像部２と、錠剤検知装置１０とを備える。撮像部２は、カメラ２ａと、保持台２ｂと、白色光源２ｃと、バックライト光源２ｄとを備える。また、撮像部２は、図示略の上記帯状体の送り出し機構を備える。

カメラ２ａは、保持台２ｂの上方に設けられ、保持台２ｂに保持された分包紙Ｐｂを撮像する。保持台２ｂは、送り出し機構により順次送り出される分包紙Ｐｂ−１，Ｐｂ−２，Ｐｂ−３をそれぞれ、カメラ２ａによる撮像の間、保持する。

白色光源２ｃは、カメラ２ａと保持台２ｂとの間に設けられ、保持台２ｂに保持された分包紙Ｐｂに対し、反射光撮像を行うための白色光を照射する。バックライト光源２ｄは、保持台２ｂに保持された分包紙Ｐｂに対し、透過光撮像を行うためのたとえば赤色光を照射する。したがって、カメラ２ａは、分包紙Ｐｂのそれぞれにつき、白色光によるカラー画像と、透過光によるバックライト画像との２種類を撮像する。

錠剤検知装置１０は、撮像部２によって撮像された分包紙Ｐｂの撮像画像に基づき、切り出し処理を行う（ステップＳ１）。切り出し処理では、分包紙Ｐｂのカラー画像中から錠剤ｔのそれぞれが写っている領域である錠剤領域が個別に切り出される。

そして、錠剤検知装置１０は、切り出された錠剤ｔの錠剤領域それぞれの寸法および色を、カタログ情報に基づいて生成された形状モデル１２ａと照合することによって、錠剤ｔそれぞれの種別を識別する第１識別処理を行う（ステップＳ２）。

なお、かかる第１識別処理では、言わば基準データである形状モデル１２ａと各撮像領域との照合において、特徴量の差が所定範囲内であれば、すなわち閾値判定により特徴量が基準データと錠剤領域とでほぼ一致するとみなされるならば、その基準データに対応する種別が錠剤ｔの種別であると判定される（図１Ｃ中の「ＯＫ」参照）。

一方、切り出された錠剤領域に対し、特徴量のほぼ一致する基準データが複数存在してしまう場合や、いずれの基準データにも一致しない場合には、第１識別処理では、錠剤ｔの種別を一意に定められない（図１Ｃ中の「ＮＧ」参照）。かかる場合、第１識別処理では、たとえば切り出された錠剤領域と特徴量が最も近い基準データに対応する種別の識別値を出力する。

ただし、この場合は無論、誤検知である。従来の錠剤検知装置は、かかる閾値判定により識別できないケースにより、その検知精度を落としていた。ここでもし、第１識別処理では誤検知された錠剤ｔを、閾値判定によらない別の手法を用いて識別できるならば、分包紙Ｐｂの分包内容のチェックの精度をより高めることが可能となる。

そこで、本実施形態では、第１識別処理で識別ＮＧとなった錠剤ｔにつき、第２識別処理を行うこととした（ステップＳ３）。第２識別処理では、錠剤ｔのサンプル画像群を学習用データとして用いた機械学習により生成された、入力（切り出された錠剤領域）に対応すべき出力（錠剤ｔの識別値）を写像する関数である学習モデル１２ｂにより、錠剤ｔそれぞれの種別を識別する。

なお、第１識別処理で識別ＮＧとなった錠剤ｔに限らず、予め第１識別処理では識別しにくいことが予測されるすべての錠剤ｔにつき、第２識別処理を実行してもよい。

また、本実施形態では、機械学習のアルゴリズムとしてたとえばディープラーニングを用いる。ディープラーニングについては公知のため、詳細な説明は省略する。

学習モデル１２ｂは、第１識別処理では識別しにくいことが予測される錠剤ｔのサンプル画像群を学習対象とした機械学習により予め生成されたものである。

学習対象の一例としては類似錠剤が挙げられる。たとえば図１Ｄに示すように、錠剤ＩＤ（錠剤ｔの種別を一意に示すもの）が「００１」の「錠剤Ａ」と、錠剤ＩＤが「００２」の「錠剤Ｂ」があるものとする。これらはいずれも円状であり、径ｄも等しく、その色もほぼ同じであるとする。ただし、図１Ｄに示すように、「錠剤Ａ」には「錠剤Ｂ」にない縁取りが施されているものとする。

本実施形態では、これら形、少なくとも平面視での寸法、色がほぼ同じである複数の錠剤ｔを類似錠剤として取り扱い、たとえば「錠剤Ａ」と「錠剤Ｂ」を同一の類似グループ「０１」でグルーピングする。

また、これら「錠剤Ａ」および「錠剤Ｂ」の半錠剤である「錠剤Ａ １／２」と「錠剤Ｂ １／２」にはそれぞれ、たとえば順に「０１１」、「０１２」の錠剤ＩＤが割り付けられる。これらは、類似錠剤である「錠剤Ａ」および「錠剤Ｂ」の半錠剤であるので、無論同一の類似グループ、たとえば「０２」でグルーピングされる。

そして、本実施形態では、学習モデル１２ｂは、機械学習により、たとえばこれら類似グループごとの各錠剤ｔの基準空間が形成されるように生成される。

したがって、学習モデル１２ｂは、たとえば上述の縁取りを含む円状の錠剤領域と、かかる錠剤領域について第１識別処理で誤検知された識別値、たとえば錠剤ＩＤ「００２」とを入力として受け付けた場合、錠剤ＩＤ「００２」の属する類似グループ「０１」において入力の錠剤領域に対応する錠剤ｔは錠剤ＩＤ「００１」であると識別することが可能となる。

なお、このように、たとえば学習対象を類似錠剤に絞った学習モデル１２ｂを用いることで、類似錠剤以外の錠剤ｔにかかる機械学習のための諸コストを抑えることができる。

また、逆に、すべての種別の錠剤ｔを学習対象とした学習モデル１２ｂを用いることとしてもよい。また、この場合に、たとえば第１識別処理後、識別ＯＫ／ＮＧに関わりなく、無条件に第２識別処理を実行することとしてもよい。

かかる場合、第１識別処理で識別ＯＫだったものについては二重のチェックが行われ、第１識別処理で識別ＮＧだったものについては正確な識別が行われるので、錠剤ｔの検知精度をより高めることができる。

また、第２識別処理においてもなお識別ＮＧとなった錠剤ｔについては、その切り出された錠剤領域を拡張用の学習用データとして学習モデル１２ｂにフィードバックさせることで、学習モデル１２ｂの識別精度を向上させることができる。

図１Ｃの説明に戻る。第１識別処理および第２識別処理によって種別が識別された各錠剤ｔについては、計数処理が行われる（ステップＳ４）。計数処理によって計数された各錠剤ｔの種別およびその数は、図示略の出力部に出力され、薬剤師などに対し、分包内容の正否が提示される。

このように、本実施形態に係る錠剤検知方法では、服用１回分の１以上の錠剤ｔが分包された分包紙Ｐｂのカラー画像およびバックライト画像を撮像し、かかるカラー画像およびバックライト画像に基づき、カラー画像中の錠剤ｔに対応する領域である錠剤領域を切り出すこととした。

また、本実施形態に係る錠剤検知方法では、切り出された錠剤ｔの錠剤領域それぞれの寸法および色を、カタログ情報に基づいて生成された形状モデル１２ａと照合することによって、錠剤ｔそれぞれの種別を識別することとした。

また、本実施形態に係る錠剤検知方法では、錠剤ｔのサンプル画像群を学習用データとして用いた機械学習により生成された学習モデル１２ｂにより、少なくとも類似錠剤についての種別を識別することとした。

したがって、本実施形態に係る錠剤検知方法によれば、類似錠剤を精度よく識別することができる。

以下、上述した錠剤検知方法を適用した錠剤検知システム１の構成について、さらに具体的に説明する。

図２は、本実施形態に係る錠剤検知システム１のブロック図である。なお、図２では、本実施形態の特徴を説明するために必要な構成要素を機能ブロックで表しており、一般的な構成要素についての記載を省略している。

換言すれば、図２に図示される各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。たとえば、各機能ブロックの分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することが可能である。

なお、後に図４Ａおよび図５Ａにおいてもブロック図を示すが、上記した点はかかる図４Ａおよび図５Ａについても同様である。

図２に示すように、錠剤検知システム１は、撮像部２と、操作部３と、出力部４と、錠剤検知装置１０とを備える。なお、基本学習用データ５は、たとえば錠剤検知装置１０の運用前などに外部に記憶されていたデータであるものとする。

撮像部２については説明済みのため、説明を省略する。操作部３は、たとえば薬剤師などのオペレータからの操作を受け付ける入力デバイスであり、キーボードやマウス、タッチパネルなどに相当する。

出力部４は、オペレータに対し、錠剤検知装置１０の処理結果を提示する出力デバイスであり、ディスプレイやプリンタなどに相当する。

錠剤検知装置１０は、制御部１１と、記憶部１２とを備える。制御部１１は、登録部１１ａと、切り出し部１１ｂと、第１識別部１１ｃと、第２識別部１１ｄと、計数部１１ｅと、学習部１１ｆとを備える。第１識別部１１ｃおよび第２識別部１１ｄは、識別部を構成する。

記憶部１２は、ハードディスクドライブや不揮発性メモリ、レジスタといった記憶デバイスであって、形状モデル１２ａと、学習モデル１２ｂと、拡張学習用データ１２ｃとを記憶する。

制御部１１は、錠剤検知装置１０の全体制御を行う。登録部１１ａは、操作部３から入力されたオペレータのカタログ値指定操作に基づき、錠剤ｔに関する形状モデル１２ａを生成し、記憶部１２に記憶させる。

ここで、図３を用いて形状モデル１２ａについて説明しておく。図３は、形状モデル１２ａの説明図である。なお、図３では、白地の下向き矢印によって区切られた各領域を、上から順に上段、中段、下段と言い表す。また、ここでは錠剤ｔが楕円状であるものとする。

まず、オペレータは、カタログ情報に基づいて各錠剤ｔの寸法などを、操作部３を介し入力する。図３の上段に示すように、カタログ情報には、錠剤ｔの寸法情報、たとえば長径、短径および厚みが含まれ、オペレータはこれらの各値および形状の種別値（たとえば「楕円」を示す値）を入力する。

登録部１１ａは、オペレータからの入力値に基づき、錠剤ｔの形状モデル１２ａを生成する。このとき、登録部１１ａは、図３の中段に示す単位換算係数に基づいて寸法の単位、たとえばｍｍを画素に換算する。また、登録部１１ａは、同じく図３の中段に示す倍率換算係数に基づき、錠剤ｔの厚みに対し画像中考慮すべき倍率を換算する。なお、単位換算係数および倍率換算係数は、予め算出され、内部メモリ等に保持されている。

そして、登録部１１ａは、図３の下段に示すように、これら画素および倍率を適用した指定種別の錠剤ｔの形状モデル１２ａを自動的に生成し、記憶部１２へ記憶させる。なお、図３の下段では、錠剤ｔの内部領域を所定のパターンで塗りつぶしているが、これは色を表すものである。すなわち、色付きの錠剤ｔに対しては、形状モデル１２ａに色を示す特徴量を含ませることができる。また、記憶部１２は、識別対象となるすべての錠剤ｔについての形状モデル１２ａを記憶することとなる。

かかる形状モデル１２ａの自動生成は、錠剤ｔの形状パターンが少なく、その多くは円や楕円であることから容易に行うことができる。これにより、従来では、形状モデル１２ａの作成のために、たとえば錠剤ｔの一つ一つにつき基準画像データを撮像する必要があったのに対し、本実施形態では、オペレータがカタログ情報に含まれる寸法のカタログ値などを入力するという簡単な手順だけで、自動的に形状モデル１２ａを生成することができる。したがって、形状モデル１２ａの作成のための手間を大幅に省くことができる。

また、分割錠についても、分割数の指定さえあれば、分割されていない錠剤ｔの寸法に基づいて容易に寸法などを算出し、自動的に形状モデル１２ａを生成することが可能である。

なお、形状モデル１２ａは錠剤検知装置１０の運用前に予め別の装置などで生成され、事前に記憶部１２が記憶していてもよい。また、情報伝達可能に接続された図示略の上位装置から、カタログ情報の更新があるたびなどに、適宜ダウンロードされるものであってもよい。

図２の説明に戻り、つづいて切り出し部１１ｂについて説明する。切り出し部１１ｂは、撮像部２によって撮像された分包紙Ｐｂの撮像画像に基づく切り出し処理を行う。また、切り出し部１１ｂは、切り出し処理によって切り出された各錠剤ｔの錠剤領域を第１識別部１１ｃへ出力する。

ここで、図４Ａ〜図４Ｈを用いてさらに具体的に切り出し部１１ｂの構成について説明する。図４Ａは、切り出し部１１ｂのブロック図である。また、図４Ｂ〜図４Ｈは、切り出し部１１ｂによる切り出し処理の説明図（その１）〜（その７）である。

図４Ａに示すように、切り出し部１１ｂは、画像取得部１１ｂａと、ガウシアン差分部１１ｂｂと、ソーベルフィルタ部１１ｂｃと、合成部１１ｂｄと、領域抽出部１１ｂｅとを備える。

画像取得部１１ｂａは、撮像部２からのカラー画像およびバックライト画像を取得する。また、画像取得部１１ｂａは、取得したカラー画像をガウシアン差分部１１ｂｂへ出力し、取得したバックライト画像をソーベルフィルタ部１１ｂｃへ出力する。

ガウシアン差分部１１ｂｂは、画像取得部１１ｂａから渡されたカラー画像につき、公知のガウシアン差分アルゴリズムを用いて（たとえばガウシアン差分フィルタを適用して）カラー画像からエッジを抽出し、合成部１１ｂｄへ出力する。なお、図４Ｂには、サンプル画像として、かかるガウシアン差分部１１ｂｂからの出力画像例を示している。

ソーベルフィルタ部１１ｂｃは、画像取得部１１ｂａから渡されたバックライト画像につき、公知のソーベルフィルタを適用してバックライト画像からエッジを抽出し、合成部１１ｂｄへ出力する。なお、図４Ｃには、サンプル画像として、かかるソーベルフィルタ部１１ｂｃからの出力画像例を示している。ちなみに図４Ｃでは、破線の閉曲線で囲まれた部分にある２個の錠剤ｔについて、エッジが一連なりで抽出されていることが分かる。

合成部１１ｂｄは、ガウシアン差分部１１ｂｂからの出力画像、ソーベルフィルタ部１１ｂｃからの出力画像に対し、画像処理における収縮膨張を施した後、これらを合成し、合成した合成画像を領域抽出部１１ｂｅへ出力する。なお、合成部１１ｂｄは、合成に際し、カラー画像における色の差を参照することで、前述の一連なりのエッジを分離する。

図４Ｄには、サンプル画像として、図４Ｂおよび図４Ｃの各画像を合成した場合の合成部１１ｂｄからの出力画像例を示している。図４Ｄでは、破線の閉曲線で囲まれた部分にある前述の２個の錠剤ｔについて、エッジが分離されていることが分かる。

領域抽出部１１ｂｅは、合成部１１ｂｄから渡された合成画像につき、エッジに囲まれた領域を反転し、各錠剤ｔの面積分に対応する領域を抽出する。図４Ｅに、かかる抽出後のサンプル画像を示す。

また、領域抽出部１１ｂｅは、抽出した面積分に対応する領域のそれぞれに、たとえば図４Ｆに示す形状パターン情報の各々をマッチングさせるパターンマッチングに基づき、真に各錠剤ｔに対応する領域を絞り込む。

あわせて、領域抽出部１１ｂｅは、絞り込んだ各領域につき、必要があれば回転角を算出する。具体的には、図４Ｇに示すように、絞り込んだ領域がたとえば楕円であれば、水平軸ａｘＨに対する長軸ａｘＬの回転角を算出する。

そして、領域抽出部１１ｂｅは、図４Ｈに示すように、絞り込んだ各領域に対応する分包紙Ｐｂのカラー画像中の各領域を錠剤領域として切り出す。このとき、回転角を算出した領域については、回転角に基づいてたとえば楕円であれば前述の長軸ａｘＬを水平軸ａｘＨに揃えた後、切り出される。なお、錠剤領域は、図４Ｈ右側において各錠剤ｔを囲む破線の領域に対応する。

そして、領域抽出部１１ｂｅは、切り出した各錠剤領域を、第１識別部１１ｃへ出力する。図２の説明に戻り、つづいて第１識別部１１ｃについて説明する。第１識別部１１ｃは、切り出し部１１ｂによって切り出された錠剤ｔの錠剤領域それぞれの寸法および色を、形状モデル１２ａと照合することによって、錠剤ｔそれぞれの種別を識別する第１識別処理を行う。

また、第１識別部１１ｃは、第１識別処理において識別ＯＫとなった各錠剤ｔを計数部１１ｅへ通知する。また、第１識別部１１ｃは、第１識別処理において識別ＮＧとなった各錠剤ｔに対応する錠剤領域および最も近い錠剤ｔの識別値を第２識別部１１ｄへ出力する。

ここで、図５Ａおよび図５Ｂを用いてさらに具体的に第１識別部１１ｃの構成について説明する。図５Ａは、第１識別部１１ｃのブロック図である。また、図５Ｂは、第１識別部１１ｃによる第１識別処理の説明図である。

図５Ａに示すように、第１識別部１１ｃは、領域判定部１１ｃａと、寸法・色計測部１１ｃｂと、閾値判定部１１ｃｃとを備える。

領域判定部１１ｃａは、分包紙Ｐｂに含まれる錠剤ｔに応じて処理すべき形状をたとえば前述の形状パターン情報に基づいて選択し、選択した各形状によるサーチ（パターンマッチング）によって、切り出し部１１ｂから渡された各錠剤領域を個別に判定する。また、領域判定部１１ｃａは、判定した各錠剤領域を寸法・色計測部１１ｃｂへ通知する。

寸法・色計測部１１ｃｂは、領域判定部１１ｃａによって判定された各錠剤領域につき、寸法および色を計測する。具体的には、図５Ｂに示すように、寸法・色計測部１１ｃｂは、寸法につき、各錠剤ｔの錠剤領域（切り出し画像）に基づいてＸ，Ｙ方向それぞれのエッジを検出し、かかるエッジから錠剤ｔの形状パターンの輪郭近傍でエッジ強度の強い領域ｅＸ，ｅＹを抽出する。

そして、寸法・色計測部１１ｃｂは、抽出した領域ｅＸ間の距離および領域ｅＹ間の距離であるエッジ間距離ｄＸ，ｄＹをそれぞれ計測する。また、寸法・色計測部１１ｃｂは、色につき、各錠剤領域をＬａｂ変換したＬａｂ変換値を算出する。また、寸法・色計測部１１ｃｂは、計測したエッジ間距離ｄＸ，ｄＹおよび算出したＬａｂ変換値を閾値判定部１１ｃｃへ出力する。

閾値判定部１１ｃｃは、寸法・色計測部１１ｃｂから渡されたエッジ間距離ｄＸ，ｄＹおよびＬａｂ変換値について閾値判定を行い、これら特徴量が、ある形状モデル１２ａの特徴量とほぼ一致する所定範囲内にある場合に、かかる形状モデル１２ａに対応する錠剤ｔの種別の識別値を計数部１１ｅへ出力する。

また、閾値判定部１１ｃｃは、エッジ間距離ｄＸ，ｄＹおよびＬａｂ変換値がほぼ一致する形状モデル１２ａが複数存在してしまう場合や、いずれの形状モデル１２ａにも一致しない場合、たとえば特徴量が最も近い形状モデル１２ａに対応する種別の識別値と、錠剤領域とを第２識別部１１ｄへ出力する。

図２の説明に戻り、つづいて第２識別部１１ｄについて説明する。第２識別部１１ｄは、学習モデル１２ｂにより、錠剤ｔそれぞれの種別を識別する第２識別処理を行う。具体的には、第２識別部１１ｄは、第１識別部１１ｃから渡された錠剤ｔの識別値と錠剤領域とを学習モデル１２ｂへ入力し、かかる入力に対して学習モデル１２ｂが出力する、学習モデル１２ｂによる錠剤ｔの識別値を受け取る。また、第２識別部１１ｄは、受け取った識別値を計数部１１ｅへ出力する。

また、第２識別部１１ｄは、学習モデル１２ｂによってもたとえば識別値が不定となるなどして誤検知された場合に、これに対応する各錠剤領域を拡張学習用データ１２ｃとして記憶部１２に保存する。

計数部１１ｅは、第１識別部１１ｃおよび第２識別部１１ｄから渡された識別値ごとの錠剤ｔの数を計数する。また、計数部１１ｅは、各識別値が示す各錠剤ｔの種別およびそのそれぞれの計数結果を、薬剤師などが目視可能となるような形式で出力部４へ出力させる。

学習部１１ｆは、まず錠剤検知装置１０の運用前などに、各錠剤ｔのサンプル画像群である基本学習用データ５を「基本モデル生成用」のデータセットとして用いた機械学習を実行し、基本モデルとしての学習モデル１２ｂを生成し、記憶部１２へ記憶させる。

また、学習部１１ｆは、錠剤検知装置１０の運用中に保存された拡張学習用データ１２ｃを「モデル拡張用」のデータセットとして用いた機械学習を実行し、学習モデル１２ｂを拡張する。

なお、既に述べた内容と一部重複するが、ここで、本実施形態に係る学習モデル１２ｂについて図６Ａ〜図６Ｄを用いて説明する。図６Ａおよび図６Ｂは、学習モデル１２ｂの一例を示す図（その１）および（その２）である。図６Ｃは、ＩＤ設定テーブルの一例を示す図である。図６Ｄは、２種類の半錠剤のサンプル画像である。

図６Ａに示すように、学習モデル１２ｂは、特徴量の類似する錠剤ｔが同一の類似グループでグルーピングされ、これら類似グループごとで各錠剤ｔの基準空間が形成されるように学習部１１ｆによって生成される、錠剤ｔの種別の識別モデルである。

なお、学習モデル１２ｂでは、類似グループにはそれぞれ一意の「モデルＩＤ」が割り付けられる。図６Ａには、図１Ｄで既に示した類似グループ「０１」および「０２」に対し、同値のモデルＩＤ「０１」および「０２」が割り付けられた例を示している。

また、図６Ｂに示すように、同一のモデルＩＤに属するグループの中では、各錠剤ｔに対し「クラスＩＤ」が割り付けられ、同一モデルＩＤの各錠剤ｔは、かかる「クラスＩＤ」によって識別される。なお、仮に類似錠剤以外の「錠剤Ｃ」が学習対象に含まれた場合、図６Ｂに示すように、「錠剤Ｃ」に対しては「モデルＩＤ」および「クラスＩＤ」が割り付けられなくともよい。類似錠剤でなく、明らかな特徴量を有する錠剤ｔであるならば、「錠剤ＩＤ」のみ割り付けられていれば、それに対応する基準空間さえ形成されれば識別には十分だからである。

したがって、「錠剤ＩＤ」、「モデルＩＤ」および「クラスＩＤ」の割り付け例は、具体的には図６Ｃに示すＩＤ設定テーブルのようになる。図６Ｃに示すように、同一の「モデルＩＤ」の中では、各錠剤ｔは「クラスＩＤ」によって識別される。また、たとえば錠剤ＩＤ「００４」および「０２０」は、類似錠剤でない錠剤ｔであり、これらには「モデルＩＤ」および「クラスＩＤ」が割り付けられないことが分かる。なお、ＩＤ設定テーブルは、図示略の内部メモリなどに保持されている。

前述の第２識別部１１ｄは、たとえばかかるＩＤ設定テーブルと、第１識別部１１ｃから渡された錠剤ｔの識別値（「錠剤ＩＤ」）および錠剤領域とに基づき、学習モデル１２ｂから「錠剤ＩＤ」に対応する「モデルＩＤ」のモデルを読み込んで、かかるモデルへ錠剤領域を渡し、それに対する識別結果としてモデルから「クラスＩＤ」を受け取る。

そして、第２識別部１１ｄは、ＩＤ設定テーブルに基づき、受け取った「クラスＩＤ」を対応する「錠剤ＩＤ」へ変換し、錠剤ｔの識別値として計数部１１ｅへ渡すこととなる。

なお、本実施形態では、図６Ａ〜図６Ｃに示したモデル分けやクラス分けに基づいた機械学習を実行し、類似錠剤の識別を可能とする学習モデル１２ｂを生成することとしたので、たとえば類似錠剤のさらに分割錠であっても識別することが可能となる。

たとえば、図６Ｄには、類似錠剤の２種類の半錠剤、「錠剤Ａ １／２」および「錠剤Ｂ １／２」のサンプル画像を示した。分割錠は一見、寸法や色などの特徴量は似ていても、実際はそれぞれを組成する成分の違いなどにより、図中の断面部Ｍ１，Ｍ２などに個々の特徴が現れることが多い。

たとえば分かりやすいところでは、図６Ｄでは、「錠剤Ｂ １／２」の断面部Ｍ２の方が、「錠剤Ａ １／２」の断面部Ｍ１の方よりも、外見上粗い割れ方をしていることが分かる。異なる割れ方をしている以上、断面部Ｍ１，Ｍ２では、陰影の出方も異なるはずである。

陰影の出方の違いは、たとえば図中の矢印ａ１，ａ２の示す箇所などにも現れており、たとえば「錠剤Ａ １／２」側には、「錠剤Ｂ １／２」側にない縁取りの陰影があることが分かる。こうした違いが現れた錠剤ｔの画像データを用いて繰り返し機械学習を実行することによって生成された学習モデル１２ｂによれば、たとえば「錠剤Ａ １／２」および「錠剤Ｂ １／２」を高精度に識別することが可能となる。

次に、錠剤検知装置１０が実行する処理手順について、図７Ａ〜図７Ｅを用いて説明する。図７Ａ〜図７Ｅは、錠剤検知装置１０が実行する処理手順を示すフローチャート（その１）〜（その５）である。なお、ここでは、１つの分包紙Ｐｂを対象として実行される処理手順を示す。分包紙Ｐｂが複数あれば、たとえば図７Ａに示す処理手順は分包紙Ｐｂの個数分繰り返される。

図７Ａに示すように、まず切り出し部１１ｂが、撮像部２によって撮像された分包紙Ｐｂの撮像画像に基づき、切り出し処理を実行する（ステップＳ１０１）。切り出し処理の実行後、制御部１１は、ループカウンタｉへ初期値である１をセットする（ステップＳ１０２）。

そして、制御部１１は、ループカウンタｉが切り出した錠剤ｔの数以下であるか否かを判定する（ステップＳ１０３）。ここで、ステップＳ１０３の判定条件を満たす場合（ステップＳ１０３，Ｙｅｓ）、識別部（第１識別部１１ｃおよび第２識別部１１ｄに対応）が、識別処理（第１識別処理および第２識別処理）を実行する（ステップＳ１０４）。

識別処理の実行後、制御部１１は、拡張学習用データ１２ｃをデータ保存する必要があるか否かを判定する（ステップＳ１０５）。なお、データ保存する必要がある場合は、識別処理において誤検知があった場合や、新規の錠剤ｔが登場した場合などに相当する。

ここで、ステップＳ１０５の判定条件を満たす場合（ステップＳ１０５，Ｙｅｓ）、たとえば第２識別部１１ｄが、データ保存を行う（ステップＳ１０６）。また、ステップＳ１０５の判定条件を満たさない場合（ステップＳ１０５，Ｎｏ）、ステップＳ１０７へ制御を移す。

そして、制御部１１は、ループカウンタｉへ１を加算し（ステップＳ１０７）、ステップＳ１０３からの処理を繰り返す。なお、ステップＳ１０３の判定条件を満たさない場合（ステップＳ１０３，Ｎｏ）、計数部１１ｅが、計数処理を実行し（ステップＳ１０８）、計数結果を出力部４に出力させて、処理を終了する。

次に、切り出し部１１ｂによる切り出し処理について説明する。図７Ｂに示すように、画像取得部１１ｂａが、撮像部２から分包紙Ｐｂのカラー画像を取得する（ステップＳ２０１）。かかるカラー画像に基づき、ガウシアン差分部１１ｂｂはガウシアン差分処理を行う（ステップＳ２０２）。

また、画像取得部１１ｂａが、撮像部２から分包紙Ｐｂのバックライト画像を取得する（ステップＳ２０３）。かかるバックライト画像に基づき、ソーベルフィルタ部１１ｂｃはソーベルフィルタ処理を行う（ステップＳ２０４）。

つづいて、合成部１１ｂｄが、ガウシアン差分処理後およびソーベルフィルタ処理後の画像に必要な膨張収縮を施し（ステップＳ２０５）、画像合成する（ステップＳ２０６）。

そして、領域抽出部１１ｂｅが、合成画像につき、エッジに囲まれた領域を反転し（ステップＳ２０７）、各錠剤ｔの面積分および形状に対応する領域を抽出して（ステップＳ２０８）、各錠剤ｔの錠剤領域を切り出した後、処理を終了する。

次に、識別部による識別処理について説明する。図７Ｃに示すように、まず第１識別部１１ｃの領域判定部１１ｃａが、分包紙Ｐｂに含まれる錠剤ｔに応じた形状を選択し（ステップＳ３０１）、形状サーチで各錠剤領域を個別に判定する（ステップＳ３０２）。

つづいて、第１識別部１１ｃの寸法・色計測部１１ｃｂが、領域判定部１１ｃａによって判定された各錠剤領域につき、寸法および色を計測する（ステップＳ３０３）。

そして、第１識別部１１ｃの閾値判定部１１ｃｃが、寸法・色計測部１１ｃｂの計測結果について閾値判定による識別を行う（ステップＳ３０４）。ここで、識別ＮＧがある場合（ステップＳ３０５，Ｙｅｓ）、第２識別部１１ｄが第２識別処理を実行し（ステップＳ３０６）、処理を終了する。また、ステップＳ３０５の判定条件を満たさない場合（ステップＳ３０５，Ｎｏ）、処理を終了する。

なお、ステップＳ３０５を省略し、ステップＳ３０４の後に無条件にステップＳ３０６を実行してもよい。ただし、かかる場合、類似錠剤などを問わず、錠剤ｔのすべての種別を学習対象として生成された学習モデル１２ｂを予め用意しておく必要がある。

次に、第２識別部１１ｄによる第２識別処理の説明に先立ち、学習部１１ｆによる学習処理について説明しておく。なお、ここでは、学習モデル１２ｂ中の１つのモデルＩＤ分を想定した場合の処理手順を示す。

図７Ｄに示すように、学習部１１ｆは、まず初期モデルとしての基本モデル生成であるか否かを判定する（ステップＳ４０１）。ここで、基本モデル生成である場合（ステップＳ４０１，Ｙｅｓ）、学習部１１ｆは、対象となるモデルＩＤ分の基本モデル生成に移る（ステップＳ４０２）。

また、基本モデル生成でない場合（ステップＳ４０１，Ｎｏ）、学習部１１ｆは、既存の学習モデル１２ｂから対象のモデルＩＤ分を読み込む（ステップＳ４０３）。

つづいて、学習部１１ｆは、第１ループカウンタｉへ初期値である１をセットする（ステップＳ４０４）。そして、学習部１１ｆは、ループカウンタｉがモデルＩＤのクラス数以下であるか否かを判定する（ステップＳ４０５）。

ここで、ステップＳ４０５の判定条件を満たす場合（ステップＳ４０５，Ｙｅｓ）、学習部１１ｆは、第２ループカウンタｊへ初期値である１をセットする（ステップＳ４０６）。そして、学習部１１ｆは、第２ループカウンタｊが学習用データ数以下であるか否かを判定する（ステップＳ４０７）。

ここで、ステップＳ４０７の判定条件を満たす場合（ステップＳ４０７，Ｙｅｓ）、学習部１１ｆは、学習用データの読み込みを行い（ステップＳ４０８）、機械学習によってデータへクラスＩＤをラベル付けし（ステップＳ４０９）、モデルパラメータを更新する（ステップＳ４１０）。

そして、学習部１１ｆは、第２ループカウンタｊへ１を加算して（ステップＳ４１１）、ステップＳ４０７からの処理を繰り返す。一方、ステップＳ４０７の判定条件を満たさない場合（ステップＳ４０７，Ｎｏ）、学習部１１ｆは、第１ループカウンタｉへ１を加算して（ステップＳ４１２）、ステップＳ４０５からの処理を繰り返す。

そして、ステップＳ４０５の判定条件を満たさない場合（ステップＳ４０５，Ｎｏ）、学習部１１ｆは、対象となるモデルＩＤ分のモデルを保存し（ステップＳ４１３）、処理を終了する。

次に、第２識別部１１ｄによる第２識別処理について説明する。図７Ｅに示すように、第２識別部１１ｄは、第１識別部１１ｃから渡された錠剤ＩＤに対応するモデルの読み込みを行い（ステップＳ５０１）、同じく第１識別部１１ｃから渡された切り出し画像データ（錠剤領域）とモデルからクラス識別を行う（ステップＳ５０２）。

そして、識別したクラスＩＤから対応する錠剤ＩＤへの変換を行い（ステップＳ５０３）、変換後の錠剤ＩＤを錠剤ｔの識別値として計数部１１ｅへ出力し、処理を終了する。

なお、本実施形態に係る錠剤検知装置１０は、たとえば図８に示すような構成のコンピュータ６０によって実現される。図８は、錠剤検知装置１０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ６０は、ＣＰＵ（Central Processing Unit）６１、ＲＡＭ（Random Access Memory）６２、ＲＯＭ（Read Only Memory）６３、ＨＤＤ（Hard Disk Drive）６４、通信インタフェース（Ｉ／Ｆ）６５、入出力インタフェース（Ｉ／Ｆ）６６、およびメディアインタフェース（Ｉ／Ｆ）６７を備える。

ＣＰＵ６１は、ＲＯＭ６３またはＨＤＤ６４に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ６３は、コンピュータ６０の起動時にＣＰＵ６１によって実行されるブートプログラムや、コンピュータ６０のハードウェアに依存するプログラム等を格納する。

ＨＤＤ６４は、ＣＰＵ６１によって実行されるプログラムおよび当該プログラムによって使用されるデータ等を格納する。通信インタフェース６５は、たとえば上位装置といった他の機器との通信部（図示略）に対応し、通信ネットワークを介して他の機器からデータを受信してＣＰＵ６１へ送り、ＣＰＵ６１が生成したデータを、通信ネットワークを介して他の機器へ送信する。

ＣＰＵ６１は、入出力インタフェース６６を介して、ディスプレイやプリンタ等の出力部４、および、キーボードやマウス等の入力装置を制御する。ＣＰＵ６１は、入出力インタフェース６６を介して、入力装置からデータを取得する。また、ＣＰＵ６１は、生成したデータを、入出力インタフェース６６を介して出力装置へ出力する。

メディアインタフェース６７は、記録媒体６８に格納されたプログラムまたはデータを読み取り、ＲＡＭ６２を介してＣＰＵ６１に提供する。ＣＰＵ６１は、当該プログラムを、メディアインタフェース６７を介して記録媒体６８からＲＡＭ６２上にロードし、ロードしたプログラムを実行する。記録媒体６８は、たとえばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

コンピュータ６０が錠剤検知装置１０として機能する場合、コンピュータ６０のＣＰＵ６１は、ＲＡＭ６２上にロードされたプログラムを実行することにより、登録部１１ａ、切り出し部１１ｂ、第１識別部１１ｃ、第２識別部１１ｄ、計数部１１ｅおよび学習部１１ｆの各機能を実現する。また、ＨＤＤ６４は、記憶部１２の機能を実現し、形状モデル１２ａ、学習モデル１２ｂおよび拡張学習用データ１２ｃなどが格納される。

コンピュータ６０のＣＰＵ６１は、これらのプログラムを、記録媒体６８から読み取って実行するが、他の例として、他の装置から、通信ネットワークを介してこれらのプログラムを取得してもよい。

上述してきたように、実施形態に係る錠剤検知装置１０は、撮像部２と、切り出し部１１ｂと、第１識別部１１ｃと、第２識別部１１ｄとを備える。撮像部２は、服用１回分の１以上の錠剤ｔが分包された分包紙Ｐｂの反射光画像および透過光画像を撮像する。

切り出し部１１ｂは、反射光画像および透過光画像に基づき、反射光画像中の錠剤ｔに対応する領域である錠剤領域を切り出す。第１識別部１１ｃは、切り出し部１１ｂによって切り出された錠剤領域それぞれの寸法および色を、錠剤ｔの形状および色に関する形状モデル１２ａ（「モデル情報」の一例に相当）と照合することによって、錠剤ｔそれぞれの種別を識別する。

第２識別部１１ｄは、錠剤ｔの画像を含んだ基本学習用データ５または拡張学習用データ１２ｃ（「学習用データ」の一例に相当）を用いた機械学習が実行されることで生成された学習モデル１２ｂに基づいて少なくとも、種別は異なるが特徴量の類似する類似錠剤についての種別を識別する。

したがって、本実施形態に係る錠剤検知装置１０によれば、類似錠剤を精度よく識別することができる。

なお、上述した実施形態では、機械学習のアルゴリズムとしてディープラーニングを用いるものとしたが、機械学習の手法を限定するものではない。したがって、ＳＶＭ（Support Vector Machine）のようなパターン識別器を用いたサポートベクタ回帰などの回帰分析手法により機械学習を実行し、学習モデル１２ｂを生成してもよい。また、ここで、パターン識別器はＳＶＭに限らず、たとえばアダブースト（AdaBoost）などであってもよい。また、ランダムフォレストなどを用いてもよい。

さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。

１ 錠剤検知システム
２ 撮像部
２ａ カメラ
２ｂ 保持台
２ｃ 白色光源
２ｄ バックライト光源
３ 操作部
４ 出力部
５ 基本学習用データ
１０ 錠剤検知装置
１１ 制御部
１１ａ 登録部
１１ｂ 切り出し部
１１ｃ 第１識別部
１１ｄ 第２識別部
１１ｅ 計数部
１１ｆ 学習部
１２ 記憶部
１２ａ 形状モデル
１２ｂ 学習モデル
１２ｃ 拡張学習用データ
Ｐｂ 分包紙
ｔ 錠剤

Claims (10)

1. 服用１回分の１以上の錠剤が分包され、該錠剤が分割錠である場合を含む分包紙の反射光画像および透過光画像を撮像する撮像工程と、
   前記反射光画像および前記透過光画像に基づき、前記反射光画像中の前記錠剤に対応する領域である錠剤領域を切り出す切り出し工程と、
   前記切り出し工程において切り出された前記錠剤領域それぞれの寸法および色を前記錠剤の形状および色に関するモデル情報と照合することによって、前記錠剤をそれぞれ一意に識別する識別値を出力する第１識別工程と、
   前記第１識別工程において、切り出された前記錠剤領域に対し、特徴量のほぼ一致する基準データが複数存在してしまう場合又は特徴量がいずれの基準データにも一致しない場合であって、誤検知された前記識別値が出力された場合に、特徴量の類似する複数の前記錠剤である類似錠剤の画像を含む学習用データに基づく機械学習により生成された学習モデルを用いて、前記第１識別工程において誤検知された前記錠剤についての前記識別値を出力する第２識別工程と
   を含むことを特徴とする錠剤検知方法。
2. 前記学習用データは、
   前記類似錠剤の画像のみを含むものであって、
   前記第２識別工程は、
   前記学習モデルに基づいて前記類似錠剤に含まれる前記錠剤についてのみの前記識別値を出力すること
   を特徴とする請求項１に記載の錠剤検知方法。
3. 前記学習用データは、
   前記類似錠剤の画像および当該類似錠剤以外の前記錠剤の画像のいずれをも含むものであって、
   前記第２識別工程は、
   前記学習モデルに基づいて前記類似錠剤に含まれる前記錠剤および当該類似錠剤に含まれない前記錠剤のいずれについても前記識別値を出力可能であること
   を特徴とする請求項１に記載の錠剤検知方法。
4. 前記学習用データには少なくとも、
   前記錠剤が分割錠である場合の分割断面部が撮像された前記画像が含まれること
   を特徴とする請求項１、２または３に記載の錠剤検知方法。
5. 前記第２識別工程は、
   前記学習モデルに基づいて識別した前記錠剤の前記識別値が誤検知された場合に、該錠剤に対応する前記錠剤領域を前記学習モデルの拡張用データとして保存すること
   を特徴とする請求項１〜４のいずれか一つに記載の錠剤検知方法。
6. 前記学習用データを用いた前記機械学習を実行することによって基本となる前記学習モデルを生成する学習工程
   をさらに含み、
   前記学習工程は、
   前記第２識別工程において前記拡張用データが保存された場合に、該拡張用データを用いた前記機械学習を実行することによって前記学習モデルを拡張すること
   を特徴とする請求項５に記載の錠剤検知方法。
7. 前記モデル情報を登録する登録工程
   をさらに含み、
   前記登録工程は、
   前記錠剤のカタログ値に基づく演算によって前記モデル情報を自動生成すること
   を特徴とする請求項１〜６のいずれか一つに記載の錠剤検知方法。
8. 前記機械学習のアルゴリズムは、ディープラーニングであること
   を特徴とする請求項１〜７のいずれか一つに記載の錠剤検知方法。
9. 服用１回分の１以上の錠剤が分包され、該錠剤が分割錠である場合を含む分包紙の反射光画像および透過光画像を撮像する撮像部と、
   前記反射光画像および前記透過光画像に基づき、前記反射光画像中の前記錠剤に対応する領域である錠剤領域を切り出す切り出し部と、
   前記切り出し部によって切り出された前記錠剤領域それぞれの寸法および色を前記錠剤の形状および色に関するモデル情報と照合することによって、前記錠剤をそれぞれ一意に識別する識別値を出力する第１識別部と、
   前記第１識別部によって、切り出された前記錠剤領域に対し、特徴量のほぼ一致する基準データが複数存在してしまう場合又は特徴量がいずれの基準データにも一致しない場合であって、誤検知された前記識別値が出力された場合に、特徴量の類似する複数の前記錠剤である類似錠剤の画像を含む学習用データに基づく機械学習により生成された学習モデルを用いて、前記第１識別部によって誤検知された前記錠剤についての前記識別値を出力する第２識別部と
   を備えることを特徴とする錠剤検知装置。
10. コンピュータに、
    服用１回分の１以上の錠剤が分包され、該錠剤が分割錠である場合を含む分包紙について撮像された反射光画像および透過光画像に基づき、前記反射光画像中の前記錠剤に対応する領域である錠剤領域を切り出す切り出し手順と、
    前記切り出し手順によって切り出された前記錠剤領域それぞれの寸法および色を前記錠剤の形状および色に関するモデル情報と照合することによって、前記錠剤をそれぞれ一意に識別する識別値を出力する第１識別手順と、
    前記第１識別手順において、切り出された前記錠剤領域に対し、特徴量のほぼ一致する基準データが複数存在してしまう場合又は特徴量がいずれの基準データにも一致しない場合であって、誤検知された前記識別値が出力された場合に、特徴量の類似する複数の前記錠剤である類似錠剤の画像を含む学習用データに基づく機械学習により生成された学習モデルを用いて、前記第１識別手順において誤検知された前記錠剤についての前記識別値を出力する第２識別手順と
    を実行させることを特徴とする錠剤検知プログラム。