JP6890789B2 - 魚選別装置、魚選別方法、魚種類推定装置、及び、魚種類推定方法 - Google Patents

Description

本発明は、魚選別装置、魚選別方法、魚種類推定装置、及び、魚種類推定方法に関する。

搬送されている魚を種類毎に選別する魚選別装置が知られている。例えば、特許文献１に記載の魚選別装置は、撮影部と、推定部と、選別部と、を備える。撮影部は、搬送されている魚を撮影することにより、撮影された魚を表す画像を取得する。推定部は、取得された画像に基づいて魚の種類を推定する。選別部は、推定された種類に基づいて魚を選別する。

国際公開第２０１６／０９２６４６号

ところで、魚は、種類が異なる魚間で、魚の表面の模様が類似していることがある。例えば、マサバ、ゴマサバ、及び、マサバとゴマサバとの間の雑種（換言すると、ハイブリッド）の間で、魚の表面の模様は、互いに類似している。
このため、上記魚選別装置においては、魚を種類毎に高い精度にて選別できない、という課題があった。なお、この種の課題は、サバ以外の魚においても同様に生じ得る。

本発明の目的の一つは、魚を種類毎に高い精度にて選別することである。

一つの側面では、魚選別装置は、搬送されている魚を種類毎に選別する。
更に、この魚選別装置は、
基準面にて所定の図形を形成するレーザ光を、上記魚に照射する照射部と、
上記レーザ光が照射された魚を撮影し、上記撮影された魚を表す画像を取得する撮影部と、
上記取得された画像に基づいて上記魚の種類を推定する推定部と、
上記推定された種類に基づいて上記魚を選別する選別部と、
を備える。

他の一つの側面では、魚選別方法は、搬送されている魚を種類毎に選別する。
更に、この魚選別方法は、
基準面にて所定の図形を形成するレーザ光を上記魚に照射し、
上記レーザ光が照射された魚を撮影し、上記撮影された魚を表す画像を取得し、
上記取得された画像に基づいて上記魚の種類を推定し、
上記推定された種類に基づいて上記魚を選別する、
ことを含む。

他の一つの側面では、魚種類推定装置は、魚の種類を推定する。
更に、この魚種類推定装置は、
基準面にて所定の図形を形成するレーザ光を上記魚に照射する照射部と、
上記レーザ光が照射された魚を撮影し、上記撮影された魚を表す画像を取得する撮影部と、
上記取得された画像に基づいて上記魚の種類を推定する推定部と、
を備える。

他の一つの側面では、魚種類推定方法は、魚の種類を推定する。
更に、この魚種類推定方法は、
基準面にて所定の図形を形成するレーザ光を上記魚に照射し、
上記レーザ光が照射された魚を撮影し、上記撮影された魚を表す画像を取得し、
上記取得された画像に基づいて上記魚の種類を推定する、
ことを含む。

魚を種類毎に高い精度にて選別できる。

第１実施形態の魚選別装置の斜視図である。 第１実施形態の魚選別装置の側面図である。 第１実施形態の魚選別装置の上面図である。 第１実施形態の制御部の構成を表すブロック図である。 第１実施形態の魚選別装置の、第２選別用案内部の位置が開位置である場合における上面図である。 第１実施形態の魚選別装置の、魚にレーザ光が照射されている場合における側面図である。 第１実施形態の照射部により照射されたレーザ光が基準面にて形成する図形を表す図である。 第１実施形態の魚選別装置の、魚にレーザ光が照射されている場合における上面図である。 第１実施形態の制御部の機能を表すブロック図である。 画像のうちの、魚の全体に対応する第１領域と、画像のうちの、魚の中でレーザ光が照射された部分に対応する第２領域と、を表す図である。 第１実施形態の魚選別装置の動作を表すフローチャートである。 第２実施形態の制御部の機能を表すブロック図である。 第３実施形態の照射部により照射されたレーザ光が基準面にて形成する図形を表す図である。 第３実施形態の制御部の機能を表すブロック図である。

以下、本発明の、魚選別装置、魚選別方法、魚種類推定装置、及び、魚種類推定方法に関する各実施形態について図１乃至図１４を参照しながら説明する。

＜第１実施形態＞
（概要）
第１実施形態の魚選別装置は、搬送されている魚を種類毎に選別する。更に、魚選別装置は、基準面にて所定の図形を形成するレーザ光を魚に照射する照射部と、レーザ光が照射された魚を撮影し、撮影された魚を表す画像を取得する撮影部と、取得された画像に基づいて魚の種類を推定する推定部と、推定された種類に基づいて魚を選別する選別部と、を備える。

これによれば、レーザ光が魚の立体的な形状（例えば、魚の体の曲率等）に応じて変形した画像を取得できる。これにより、レーザ光が照射されない場合よりも、魚の種類に応じた情報を画像に大きく反映できる。この結果、魚の種類を高い精度にて推定できるので、魚を種類毎に高い精度にて選別できる。
次に、第１実施形態の魚選別装置について、図１乃至図１１を参照しながら詳細に説明する。

（構成）
図１に表されるように、魚選別装置１は、魚ＦＳを搬送し、搬送されている魚ＦＳを種類毎に選別する。以下、図１乃至図３、図５、図６、及び、図８に表されるように、ｘ軸、ｙ軸、及び、ｚ軸を有する右手系の直交座標系を用いて、魚選別装置１を説明する。本例では、ｙ軸方向は、魚選別装置１が魚ＦＳを搬送する方向である。本例では、ｚ軸方向は、鉛直方向である。

図１は、魚選別装置１の斜視図である。図２及び図６は、魚選別装置１の側面図（換言すると、魚選別装置１をｘ軸の負方向にて見た図）である。図３、図５、及び、図８は、魚選別装置１の上面図（換言すると、魚選別装置１をｚ軸の負方向にて見た図）である。

図１乃至図３に表されるように、魚選別装置１は、制御部１０と、搬送部２１と、方向制御用案内部２２と、第１収容部２３−１と、第２収容部２３−２と、第３収容部２３−３と、第１傾斜部２４−１と、第２傾斜部２４−２と、第１選別用案内部２５−１と、第２選別用案内部２５−２と、照明部３１と、検出部３２と、照射部３３と、撮影部３４と、を備える。本例では、魚選別装置１を構成する各部は、図示されない支持部により支持される。本例では、制御部１０と、照射部３３と、撮影部３４と、は、魚種類推定装置に対応する。

図４に表されるように、制御部１０は、処理装置１１と、記憶装置１２と、を備える。本例では、制御部１０の少なくとも一部は、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）回路により構成される。なお、制御部１０の少なくとも一部は、プログラム可能な論理回路（例えば、ＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、又は、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ））により構成されてもよい。

制御部１０は、記憶装置１２に記憶されているプログラムを処理装置１１が実行することにより、魚選別装置１の各部を制御する。本例では、制御部１０による制御は、制御部１０が魚選別装置１の各部との間で信号を送受することにより行われる。本例では、制御部１０には、検出部３２、照射部３３、撮影部３４、第１選別用案内部２５−１、及び、第２選別用案内部２５−２が、信号を送受するための信号線により接続されている。
これにより、制御部１０は、後述する機能を実現する。

処理装置１１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、又は、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）を含んでもよい。また、記憶装置１２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、半導体メモリ、有機メモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、又は、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）を含んでもよい。

搬送部２１は、搬送面を有する。搬送面は、搬送部２１のうちの、ｚ軸の正方向における端面である。本例では、搬送面は、水平面と平行である。なお、搬送面は、水平面に対して傾斜していてもよい。
搬送部２１は、搬送面を所定の搬送方向（本例では、ｙ軸の正方向）にて移動させる。これにより、搬送部２１は、搬送面に載置された物体（本例では、魚ＦＳ）を搬送方向にて移動させる。

本例では、搬送部２１は、ベルト式のコンベヤを含む。なお、搬送部２１は、ベルト式以外のコンベヤ（例えば、チェーン式又はローラ式のコンベヤ）を含んでいてもよい。
本例では、ｙ軸の負方向、及び、ｙ軸の正方向は、上流方向、及び、下流方向とそれぞれ表されてもよい。

図１に表されるように、方向制御用案内部２２は、搬送面に対して立設する、一対の板状体を有する。方向制御用案内部２２の一対の板状体は、ｘ軸方向にて対向するとともに、下流方向へ向かうにつれて板状体間の距離が短くなる先細部と、先細部のうちの下流方向における端に連接するとともに、搬送方向に沿って互いに平行に延びる平行部と、を有する。本例では、平行部における板状体間の距離は、魚ＦＳの幅よりも僅かに長い。本例では、魚ＦＳの幅は、魚ＦＳの背側の縁と、魚ＦＳの腹側の縁と、の間の距離の最大値（換言すると、体高）である。

図２に表されるように、方向制御用案内部２２は、搬送部２１の搬送面から鉛直上方にて所定の間隔だけ隔てられた位置を有する。本例では、方向制御用案内部２２は、搬送部２１のうちの上流方向における端部に位置する。

このような構成により、方向制御用案内部２２は、魚ＦＳの搬送方向への移動に伴って、基準方向（本例では、ｙ軸方向、又は、搬送方向）に沿って魚ＦＳの体が延在するように魚ＦＳの体の方向を制御する。本例では、方向制御用案内部２２は、方向制御部に対応する。

図１に表されるように、第１収容部２３−１、第２収容部２３−２、及び、第３収容部２３−３のそれぞれは、鉛直上方向における端面にて開口する有底の容器である。第１収容部２３−１、第２収容部２３−２、及び、第３収容部２３−３のそれぞれは、搬送部２１のうちの下流方向における端部の近傍にて、搬送部２１の搬送面よりも鉛直下方向の位置を有する。

本例では、第１収容部２３−１の開口の少なくとも一部は、搬送部２１よりもｘ軸の正方向の位置を有し、第２収容部２３−２の開口の少なくとも一部は、搬送部２１よりもｘ軸の負方向の位置を有し、且つ、第３収容部２３−３の開口の少なくとも一部は、搬送部２１よりもｙ軸の正方向の位置を有する。

図１及び図３に表されるように、第１傾斜部２４−１、及び、第２傾斜部２４−２のそれぞれは、水平面に対して傾斜する傾斜面を有する。
本例では、第１傾斜部２４−１の傾斜面は、搬送部２１のうちの、下流方向における端部において、搬送面と第１収容部２３−１の開口の外縁とを接続する。換言すると、第１傾斜部２４−１の傾斜面は、搬送部２１の搬送面と第１収容部２３−１の開口とを接続する通路を構成する。第１傾斜部２４−１の傾斜面が構成する通路の幅（本例では、当該通路のｙ軸方向における長さ）は、搬送面の幅（本例では、搬送面のｘ軸方向における長さ）よりも広い。

同様に、本例では、第２傾斜部２４−２の傾斜面は、搬送部２１のうちの、下流方向における端部において、搬送面と第２収容部２３−２の開口の外縁とを接続する。換言すると、第２傾斜部２４−２の傾斜面は、搬送部２１の搬送面と第２収容部２３−２の開口とを接続する通路を構成する。第２傾斜部２４−２の傾斜面が構成する通路の幅（本例では、当該通路のｙ軸方向における長さ）は、搬送面の幅よりも広い。

第１選別用案内部２５−１、及び、第２選別用案内部２５−２のそれぞれは、搬送面に対して立設する板状体を有する。第１選別用案内部２５−１の板状体は、第１傾斜部２４−１の傾斜面が構成する通路の幅と略同じ長さを有する。第２選別用案内部２５−２の板状体は、第２傾斜部２４−２の傾斜面が構成する通路の幅と略同じ長さを有する。

図１及び図２に表されるように、第１選別用案内部２５−１、及び、第２選別用案内部２５−２のそれぞれは、搬送部２１の搬送面から鉛直上方向にて所定の間隔だけ隔てられた位置を有する。
本例では、第１選別用案内部２５−１、及び、第２選別用案内部２５−２のそれぞれは、搬送部２１のうちの下流方向における端部に位置する。

第１選別用案内部２５−１、及び、第２選別用案内部２５−２のそれぞれは、閉位置と、開位置と、の間で位置を変更可能である。

第１選別用案内部２５−１の閉位置は、搬送面が構成する通路における魚ＦＳの通過を許容し、且つ、第１傾斜部２４−１が構成する通路における魚ＦＳの通過を禁止する位置である。第１選別用案内部２５−１の開位置は、搬送面にて搬送される魚ＦＳを、第１傾斜部２４−１が構成する通路に案内（換言すると、導入）する位置である。

同様に、第２選別用案内部２５−２の閉位置は、搬送面が構成する通路における魚ＦＳの通過を許容し、且つ、第２傾斜部２４−２が構成する通路における魚ＦＳの通過を禁止する位置である。第２選別用案内部２５−２の開位置は、搬送面にて搬送される魚ＦＳを、第２傾斜部２４−２が構成する通路に案内する位置である。

本例では、第１選別用案内部２５−１、及び、第２選別用案内部２５−２のそれぞれは、揺動の中心軸が鉛直方向にて延びるように、下流方向における端部が揺動可能に支持される。

図３に表されるように、第１選別用案内部２５−１は、閉位置に位置する場合、第１傾斜部２４−１が構成する通路を横断するように、搬送面が構成する通路の外にて搬送方向に沿って延びる。同様に、第２選別用案内部２５−２は、閉位置に位置する場合、第２傾斜部２４−２が構成する通路を横断するように、搬送面が構成する通路の外にて搬送方向に沿って延びる。

図５に表されるように、第２選別用案内部２５−２は、開位置に位置する場合、搬送面が構成する通路を斜めに横断するように、搬送方向に対して傾斜する方向に沿って延びる。本例では、第２選別用案内部２５−２は、開位置に位置する場合、第２選別用案内部２５−２のうちの上流方向における端が搬送面のうちのｘ軸の正方向における端辺の近傍に位置し、且つ、第２選別用案内部２５−２のうちの下流方向における端が搬送面のうちのｘ軸の負方向における端辺の近傍に位置する。

同様に、第１選別用案内部２５−１は、開位置に位置する場合、搬送面が構成する通路を斜めに横断するように、搬送方向に対して傾斜する方向に沿って延びる。本例では、第１選別用案内部２５−１は、開位置に位置する場合、第１選別用案内部２５−１のうちの上流方向における端が搬送面のうちのｘ軸の負方向における端辺の近傍に位置し、且つ、第１選別用案内部２５−１のうちの下流方向における端が搬送面のうちのｘ軸の正方向における端辺の近傍に位置する。

このような構成により、制御部１０が、第１選別用案内部２５−１の位置、及び、第２選別用案内部２５−２の位置を制御することにより、搬送される魚ＦＳは、第１収容部２３−１、第２収容部２３−２、及び、第３収容部２３−３のうちの、１つの収容部に収容される。これにより、魚ＦＳが選別される。

本例では、図３に表されるように、第１選別用案内部２５−１の位置が閉位置であり、且つ、第２選別用案内部２５−２の位置が閉位置である場合、魚ＦＳは、第３収容部２３−３に収容される。また、本例では、図５に表されるように、第１選別用案内部２５−１の位置が閉位置であり、且つ、第２選別用案内部２５−２の位置が開位置である場合、魚ＦＳは、第２収容部２３−２に収容される。また、本例では、第１選別用案内部２５−１の位置が開位置であり、且つ、第２選別用案内部２５−２の位置が閉位置である場合、魚ＦＳは、第１収容部２３−１に収容される。
本例では、第１選別用案内部２５−１、及び、第２選別用案内部２５−２は、選別部に対応する。

図１乃至図３に表されるように、照明部３１は、搬送面にて搬送される魚ＦＳを照明する。本例では、照明部３１は、直線状の配列を有する、複数のＬＥＤ（Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）を含む。なお、照明部３１は、魚ＦＳを均一に照明するように光を拡散させる拡散板を含んでもよい。

検出部３２は、搬送面にて搬送される物体（本例では、魚ＦＳ）を検出する。本例では、検出部３２は、搬送面から鉛直上方にて所定の間隔だけ隔てられた位置にて搬送面を横断する光（本例では、赤外線）を出射する出射部と、出射部により出射された光を受光する受光部と、を有する。検出部３２は、出射部と受光部とが、搬送方向に直交する方向（本例では、ｘ軸方向）にて、搬送面を挟むように対向する位置を有する。検出部３２は、受光部により受光される光の強度に基づいて、搬送面にて搬送される物体（本例では、魚ＦＳ）を検出する。

図６乃至図８に表されるように、照射部３３は、基準面ＲＰにて所定の図形を形成するレーザ光ＬＬを、搬送面にて搬送される魚ＦＳに照射する。図６に表されるように、基準面ＲＰは、搬送面に対して傾斜する平面である。本例では、基準面ＲＰは、ｘ軸方向を回転の中心軸として、搬送面を所定の傾斜角（本例では、４５度）だけ回転させた平面である。また、本例では、基準面ＲＰは、レーザ光ＬＬが形成する図形の中心を通ってレーザ光ＬＬが伝搬する方向に直交する平面である。

図７における、ｘ’軸、及び、ｙ’軸は、基準面ＲＰに沿って延びるとともに、互いに直交する。図７におけるｘ’軸は、ｘ軸に平行である。図７におけるｙ’軸は、ｘ軸方向を回転の中心軸として、ｙ軸を傾斜角だけ回転させた軸である。

図７に表されるように、基準面ＲＰにおいて、レーザ光ＬＬが形成する図形は、ｘ’軸方向にて延びる線分を含む。換言すると、基準面ＲＰにおいて、レーザ光ＬＬが形成する図形に含まれる線分は、基準方向（本例では、ｙ軸方向、又は、搬送方向）に直交する。本例では、基準面ＲＰにおいて、レーザ光ＬＬが形成する図形に含まれる線分は、魚ＦＳの幅よりも長い。

撮影部３４は、照射部３３によりレーザ光が照射された魚ＦＳを撮影し、撮影された魚ＦＳを表す画像を取得する。本例では、撮影部３４は、カメラを含む。本例では、撮影部３４は、静止画像を取得する。撮影部３４が撮影する方向は、基準面ＲＰに直交する方向と異なる方向である。本例では、撮影部３４が撮影する方向は、鉛直方向に一致する。

次に、制御部１０の機能を図９を参照しながら説明する。
図９に表されるように、制御部１０の機能は、撮影制御部１１０と、推定部１２０と、選別制御部１３０と、を含む。

撮影制御部１１０は、検出部３２により、搬送面にて搬送される魚ＦＳが検出された場合、レーザ光ＬＬを魚ＦＳに照射するように照射部３３を制御する。更に、撮影制御部１１０は、魚ＦＳが検出された時点から所定の待機時間が経過した時点にて、レーザ光が照射された魚ＦＳを撮影するように撮影部３４を制御する。本例では、待機時間は、魚ＦＳのうちの、レーザ光ＬＬが照射された位置が、魚ＦＳの体のうちの所定の領域（本例では、胴部の中央部、又は、胴部のうちの体高を表す部分）に含まれる時点にて魚ＦＳの撮影が行われるように設定される。撮影制御部１１０は、撮影された魚ＦＳを表す画像を撮影部３４から取得する。

推定部１２０は、撮影制御部１１０により取得された画像に基づいて、魚ＦＳの種類を推定する。本例では、推定部１２０は、畳み込みニューラルネットワークを用いて、魚ＦＳの種類の推定を行う。なお、推定部１２０は、畳み込みニューラルネットワーク以外のニューラルネットワークを用いて、魚ＦＳの種類の推定を行ってもよい。

推定部１２０は、第１モデル処理部１２１と、統合情報生成部１２２と、第２モデル処理部１２３と、を含む。

第１モデル処理部１２１は、第１特徴情報取得部１２１１と、第２特徴情報取得部１２１２と、を含む。第１特徴情報取得部１２１１、及び、第２特徴情報取得部１２１２は、第１学習済みモデルに基づいて、第１特徴情報の取得、及び、第２特徴情報の取得をそれぞれ行う。

第１学習済みモデルは、画像のうちの、物体に対応する領域を推定するとともに、当該画像のうちの、推定された領域の特徴を表す特徴情報を取得し、当該取得された特徴情報に基づいて当該物体の種類を複数の第１候補の中から推定するモデルである。

第１学習済みモデルは、第１ニューラルネットワークを含む。本例では、第１学習済みモデルは、Ｆａｓｔｅｒ Ｒ−ＣＮＮ（Ｒｅｇｉｏｎｓ ｗｉｔｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｆｅａｔｕｒｅｓ）と呼ばれるモデルである。従って、本例では、第１ニューラルネットワークは、畳み込み層（Ｃｏｎｖｏｌｕｔｉｏｎ Ｌａｙｅｒ）と、プーリング層（Ｐｏｏｌｉｎｇ Ｌａｙｅｒ）と、全結合層（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｌａｙｅｒ）と、を含む。

なお、第１学習済みモデルは、Ｒ−ＣＮＮ、ＳＰＰｎｅｔ、Ｆａｓｔ Ｒ−ＣＮＮ、ＹＯＬＯ（Ｙｏｕ Ｏｎｌｙ Ｌｏｏｋ Ｏｎｃｅ）、又は、ＳＳＤ（Ｓｉｎｇｌｅ Ｓｈｏｔ ＭｕｌｔｉＢｏｘ Ｄｅｔｅｃｔｏｒ）と呼ばれるモデルであってもよい。

第１学習済みモデルは、魚ＦＳの全体を表す画像を、複数の第１候補のうちの１つとして学習するとともに、魚ＦＳの中でレーザ光ＬＬが照射された部分（換言すると、照射部分）を表す画像を、複数の第１候補のうちの他の１つとして学習することにより、第１ニューラルネットワークの重み付け係数が予め決定される。本例では、第１学習済みモデルは、魚ＦＳの種類毎に、魚ＦＳの全体を表す画像の学習と、魚ＦＳの中の照射部分を表す画像の学習と、を行うことにより、第１ニューラルネットワークの重み付け係数が予め決定される。

本例では、魚ＦＳの種類は、マサバと、ゴマサバと、マサバとゴマサバとの間の雑種（換言すると、ハイブリッド）と、からなる。従って、本例では、複数の第１候補は、マサバの全体、ゴマサバの全体、ハイブリッドの全体、マサバの中の照射部分、ゴマサバの中の照射部分、及び、ハイブリッドの中の照射部分からなる。なお、魚ＦＳの種類の数は、２、又は、４以上であってもよい。

図１０に表されるように、第１特徴情報取得部１２１１は、第１学習済みモデルと、撮影制御部１１０により取得された画像と、に基づいて、当該画像のうちの、魚ＦＳの全体に対応する第１領域Ｒ１の特徴を表す第１特徴情報を取得する。本例では、第１特徴情報は、第１領域Ｒ１に対して関心領域プーリング層（ＲｏＩ（Ｒｅｇｉｏｎｓ ｏｆ Ｉｎｔｅｒｅｓｔ） Ｐｏｏｌｉｎｇ Ｌａｙｅｒ）から出力される特徴マップ（Ｆｅａｔｕｒｅ Ｍａｐｓ）である。

本例では、特徴マップは、異なる特徴を表す、複数（本例では、５１２個）の層からなる。特徴マップの各層は、画像内の異なる複数の位置にそれぞれ対応する複数の情報を含む。

図１０に表されるように、第２特徴情報取得部１２１２は、第１学習済みモデルと、撮影制御部１１０により取得された画像と、に基づいて、当該画像のうちの、魚ＦＳの中でレーザ光ＬＬが照射された部分に対応する第２領域Ｒ２の特徴を表す第２特徴情報を取得する。本例では、第２特徴情報は、第２領域Ｒ２に対して関心領域プーリング層から出力される特徴マップである。

統合情報生成部１２２は、第１特徴情報取得部１２１１により取得された第１特徴情報と、第２特徴情報取得部１２１２により取得された第２特徴情報と、を含む統合情報を生成する。本例では、統合情報生成部１２２は、第１特徴情報と、第２特徴情報と、を連結することにより統合情報を生成する。本例では、統合情報は、第１特徴情報を構成する複数の層と、第２特徴情報を構成する複数の層と、からなる。従って、本例では、統合情報は、１０２４個の層からなる特徴マップである。

なお、統合情報生成部１２２は、統合情報に対して畳み込み処理を行うことにより、統合情報の情報量を削減してもよい。例えば、統合情報生成部１２２は、統合情報に対して畳み込み処理を行うことにより、統合情報を構成する層の数を削減してもよい（例えば、半減させてもよい）。

第２モデル処理部１２３は、種類推定部１２３１を含む。種類推定部１２３１は、第２学習済みモデルと、統合情報生成部１２２により生成された統合情報と、に基づいて、魚ＦＳの種類を推定する。

第２学習済みモデルは、画像のうちの、物体の全体に対応する領域の特徴を表す特徴情報と、当該物体の一部に対応する領域の特徴を表す特徴情報と、を含む統合情報に基づいて、当該物体の種類を複数の第２候補の中から推定するモデルである。

第２学習済みモデルは、第２ニューラルネットワークを含む。第２学習済みモデルは、統合情報を、複数の第２候補のうちの１つとして、魚ＦＳの種類毎に学習することにより、第２ニューラルネットワークの重み付け係数が予め決定される。
本例では、複数の第２候補は、マサバ、ゴマサバ、及び、ハイブリッドからなる。

選別制御部１３０は、推定部１２０により推定された、魚ＦＳの種類に基づいて、第１選別用案内部２５−１、及び、第２選別用案内部２５−２を制御する。

本例では、選別制御部１３０は、魚ＦＳの種類がゴマサバであると推定部１２０により推定された場合、第１選別用案内部２５−１の位置を開位置に制御し、且つ、第２選別用案内部２５−２の位置を閉位置に制御する。本例では、選別制御部１３０は、魚ＦＳの種類がマサバであると推定部１２０により推定された場合、第１選別用案内部２５−１の位置を閉位置に制御し、且つ、第２選別用案内部２５−２の位置を開位置に制御する。本例では、選別制御部１３０は、魚ＦＳの種類がハイブリッドであると推定部１２０により推定された場合、第１選別用案内部２５−１、及び、第２選別用案内部２５−２の両方の位置を閉位置に制御する。

（動作）
次に、第１実施形態の魚選別装置１の動作について図１１を参照しながら説明する。
制御部１０は、検出部３２により魚ＦＳが検出されるまで待機する（図１１のステップＳ１０１の「Ｎｏ」ルート）。
そして、魚ＦＳが、搬送部２１のうちの上流方向における端部にて搬送面に載置される。搬送部２１は、魚ＦＳを搬送方向にて搬送する。次いで、方向制御用案内部２２は、基準方向（本例では、ｙ軸方向、又は、搬送方向）に沿って魚ＦＳの体が延在するように魚ＦＳの体の方向を制御する。

次いで、検出部３２は、搬送面にて搬送される魚ＦＳを検出する。これにより、制御部１０は、ステップＳ１０１にて「Ｙｅｓ」と判定し、レーザ光ＬＬを魚ＦＳに照射するように照射部３３を制御する（図１１のステップＳ１０２）。

次いで、制御部１０は、魚ＦＳが検出された時点から所定の待機時間が経過した時点にて、レーザ光が照射された魚ＦＳを撮影するように撮影部３４を制御する。これにより、制御部１０は、撮影された魚ＦＳを表す画像を撮影部３４から取得する（図１１のステップＳ１０３）。

次いで、制御部１０は、取得された画像と、第１学習済みモデルと、に基づいて、第１特徴情報及び第２特徴情報を取得する（図１１のステップＳ１０４）。次いで、制御部１０は、取得された、第１特徴情報及び第２特徴情報に基づいて統合情報を生成する（図１１のステップＳ１０５）。

次いで、制御部１０は、生成された統合情報と、第２学習済みモデルと、に基づいて、魚ＦＳの種類を推定する（図１１のステップＳ１０６）。次いで、制御部１０は、推定された、魚ＦＳの種類に基づいて、第１選別用案内部２５−１、及び、第２選別用案内部２５−２を制御する（図１１のステップＳ１０７）。これにより、魚ＦＳが選別される。

その後、制御部１０は、図１１のステップＳ１０１へ戻り、ステップＳ１０１〜ステップＳ１０７の処理を繰り返し実行する。

以上、説明したように、第１実施形態の魚選別装置１は、基準面ＲＰにて所定の図形を形成するレーザ光ＬＬを魚ＦＳに照射する照射部３３と、レーザ光ＬＬが照射された魚を撮影し、撮影された魚ＦＳを表す画像を取得する撮影部３４と、取得された画像に基づいて魚ＦＳの種類を推定する推定部１２０と、推定された種類に基づいて魚ＦＳを選別する選別部（本例では、第１選別用案内部２５−１、及び、第２選別用案内部２５−２）と、を備える。

これによれば、レーザ光ＬＬが魚ＦＳの立体的な形状（例えば、魚ＦＳの体の曲率等）に応じて変形した画像を取得できる。これにより、レーザ光が照射されない場合よりも、魚ＦＳの種類に応じた情報を画像に大きく反映できる。この結果、魚ＦＳの種類を高い精度にて推定できるので、魚ＦＳを種類毎に高い精度にて選別できる。

更に、第１実施形態の魚選別装置１において、推定部１２０は、第１特徴情報取得部１２１１と、第２特徴情報取得部１２１２と、種類推定部１２３１と、を含む。第１特徴情報取得部１２１１は、画像のうちの、魚ＦＳの全体に対応する第１領域Ｒ１の特徴を表す第１特徴情報を取得する。第２特徴情報取得部１２１２は、画像のうちの、魚ＦＳの中でレーザ光ＬＬが照射された部分に対応する第２領域Ｒ２の特徴を表す第２特徴情報を取得する。種類推定部１２３１は、取得された第１特徴情報と、取得された第２特徴情報と、に基づいて魚ＦＳの種類を推定する。

ところで、同一の種類の魚であっても個体差が比較的大きい。このため、魚の種類が魚の立体的な形状に反映される場合もあれば、魚の表面の模様に反映される場合もある。このため、第１特徴情報及び第２特徴情報のうちの一方のみに基づいて魚の種類を推定した場合、十分に高い精度にて魚の種類を推定できないことがある。

これに対し、魚選別装置１によれば、第１特徴情報及び第２特徴情報の両方に基づいて魚ＦＳの種類を推定するので、魚ＦＳの種類を高い精度にて推定できる。この結果、魚ＦＳを種類毎に高い精度にて選別できる。

更に、第１実施形態の魚選別装置１において、推定部１２０は、第１学習済みモデルに基づいて、前記第１特徴情報、及び、前記第２特徴情報の取得を行う。第１学習済みモデルは、画像のうちの、物体に対応する領域を推定するとともに、当該画像のうちの、推定された領域の特徴を表す特徴情報を取得し、取得された特徴情報に基づいて当該物体の種類を複数の第１候補の中から推定するモデルである。

第１学習済みモデルは、第１ニューラルネットワークを含むとともに、魚の全体を表す画像を複数の第１候補のうちの１つとして学習するとともに、魚の中でレーザ光ＬＬが照射された部分を表す画像を複数の第１候補のうちの他の１つとして学習することにより、第１ニューラルネットワークの重み付け係数が決定される。

種類推定部１２３１は、第２学習済みモデルと、取得された第１特徴情報と、取得された第２特徴情報と、に基づいて、魚ＦＳの種類の推定を行う。第２学習済みモデルは、画像のうちの、物体の全体に対応する領域の特徴を表す特徴情報と、当該物体の一部に対応する領域の特徴を表す特徴情報と、を含む統合情報に基づいて、当該物体の種類を複数の第２候補の中から推定するモデルである。

第２学習済みモデルは、第２ニューラルネットワークを含むとともに、統合情報を複数の第２候補のうちの１つとして、魚の種類毎に学習することにより、第２ニューラルネットワークの重み付け係数が決定される。

これによれば、第１特徴情報と第２特徴情報とを含む統合情報を高い精度にて取得できる。更に、統合情報を用いた学習が行われるので、第１特徴情報、及び、第２特徴情報の両方を、魚ＦＳの種類の推定に適切に反映できる。この結果、魚ＦＳの種類を高い精度にて推定できるので、魚ＦＳを種類毎に高い精度にて選別できる。

更に、第１実施形態の魚選別装置１において、推定部１２０は、畳み込みニューラルネットワークを用いて、魚ＦＳの種類の推定を行う。

これによれば、魚ＦＳの種類を迅速に推定できるので、魚ＦＳを種類毎に迅速に選別できる。

更に、第１実施形態の魚選別装置１は、基準方向（本例では、ｙ軸方向、又は、搬送方向）に沿って魚ＦＳの体が延在するように魚ＦＳの体の方向を制御する方向制御部（本例では、方向制御用案内部２２）を備える。加えて、基準面ＲＰにてレーザ光ＬＬが形成する図形は、基準方向に直交する線分を含む。

これによれば、魚ＦＳの体が延在する方向に直交する断面における魚ＦＳの体の形状を画像に反映できる。この結果、魚ＦＳの種類を高い精度にて推定できるので、魚ＦＳを種類毎に高い精度にて選別できる。

なお、魚選別装置１において、照射部３３は、検出部３２により魚ＦＳが検出された場合に、レーザ光ＬＬの照射を行う。ところで、照射部３３は、搬送部２１が搬送面を移動させている間、レーザ光ＬＬの照射を継続してもよい。
魚選別装置１において、撮影部３４は、撮影する方向が互いに異なる複数のカメラを含んでいてもよい。

魚選別装置１において、基準面ＲＰにおいて、レーザ光ＬＬが形成する図形は、基準方向（本例では、ｙ軸方向、又は、搬送方向）に直交する線分を複数含んでいてもよい。また、当該図形は、基準方向に直交する第１線分と、当該第１線分に直交する第２線分と、からなる十字状であってもよい。また、当該図形は、基準方向に直交する、複数の第１線分と、当該複数の第１線分に直交する、複数の第２線分と、からなる格子状であってもよい。また、当該図形は、格子状の配列を有する、複数の点を含んでいてもよい。

また、魚選別装置１において、基準方向は、搬送方向に平行である。ところで、基準方向は、搬送方向に直交する方向であってもよい。
また、魚選別装置１は、サバの選別に適用される。ところで、魚選別装置１は、サバ以外の魚の選別に適用されてもよい。例えば、魚選別装置１は、生物学又は魚類学において同一の魚の、雄及び雌の選別に適用されてもよい。また、例えば、魚選別装置１は、特定の魚と、それ以外の魚と、の選別に適用されてもよい。

＜第２実施形態＞
次に、第２実施形態の魚選別装置１について説明する。第２実施形態の魚選別装置１は、第１実施形態の魚選別装置１に対して、複数の時点にて撮影を行うとともに複数の画像から選択された画像に基づいて魚ＦＳの種類を推定する点において相違している。以下、相違点を中心として説明する。なお、第２実施形態の説明において、第１実施形態にて使用した符号と同じ符号を付したものは、同一又は略同様のものである。

図１２に表されるように、第２実施形態の制御部１０の機能は、第１実施形態の撮影制御部１１０に代えて、撮影制御部１１０Ａを含むとともに、第１実施形態の推定部１２０に代えて、推定部１２０Ａを含む。

撮影制御部１１０Ａは、魚ＦＳが検出された時点から所定の撮影時間が経過するまでの撮影期間中の、複数の時点にて、レーザ光ＬＬが照射された魚ＦＳを撮影するように撮影部３４を制御する点が、第１実施形態の撮影制御部１１０と相違する。本例では、撮影時間は、魚ＦＳのうちの、レーザ光ＬＬが照射された位置が、魚ＦＳの体のうちの所定の領域（本例では、胴部の中央部、又は、胴部のうちの体高を表す部分）に含まれる時点が撮影期間に含まれるように設定される。撮影制御部１１０Ａは、複数の時点にて撮影された魚ＦＳをそれぞれ表す複数の画像を撮影部３４から取得する。

推定部１２０Ａは、推定部１２０の機能に加えて、画像選択部１２４を含む点が、第１実施形態の推定部１２０と相違する。
画像選択部１２４は、撮影制御部１１０Ａにより取得された複数の画像から、魚ＦＳのうちの、レーザ光ＬＬが照射された位置が、魚ＦＳの体のうちの所定の領域（本例では、胴部の中央部、又は、胴部のうちの体高を表す部分）に含まれる画像を選択する。例えば、画像選択部１２４は、第１モデル処理部１２１が用いる第１学習済みモデルを用いて画像の選択を行ってもよい。

第１モデル処理部１２１は、画像選択部１２４に選択された画像に基づいて、第１実施形態と同様に、第１特徴情報及び第２特徴情報を取得する。

以上、説明したように、第２実施形態の魚選別装置１によれば、第１実施形態の魚選別装置１と同様の作用及び効果が奏される。
更に、第２実施形態の魚選別装置１において、撮影部３４は、複数の時点にてレーザ光ＬＬが照射された魚ＦＳの撮影を行うことにより画像を複数取得する。推定部１２０Ａは、魚ＦＳのうちの、レーザ光ＬＬが照射された位置が、魚ＦＳの体のうちの所定の領域に含まれる画像を複数の画像から選択し、選択された画像に基づいて魚ＦＳの種類の推定を行う。

これによれば、魚ＦＳの体のうちの所定の領域における立体的な形状を画像に反映できる。この結果、魚ＦＳの種類を高い精度にて推定できるので、魚ＦＳを種類毎に高い精度にて選別できる。

＜第３実施形態＞
次に、第３実施形態の魚選別装置１について説明する。第３実施形態の魚選別装置１は、第１実施形態の魚選別装置１に対して、魚ＦＳの体の方向を推定し、推定された方向に基づいて、レーザ光ＬＬが形成する図形の回転角度を制御する点において相違している。以下、相違点を中心として説明する。なお、第３実施形態の説明において、第１実施形態にて使用した符号と同じ符号を付したものは、同一又は略同様のものである。

第３実施形態の照射部３３は、基準面ＲＰにおいてレーザ光ＬＬが形成する図形の、基準面ＲＰにおける回転角度を変更可能に構成される。図１３は、回転角度が変更されていない場合に照射部３３により照射されたレーザ光ＬＬ’が基準面ＲＰにて形成する図形と、回転角度が変更された場合に照射部３３により照射されたレーザ光ＬＬが基準面ＲＰにて形成する図形と、の一例を表す。

例えば、照射部３３は、基準面ＲＰに直交する方向を回転の中心軸として回転可能に支持されていてもよい。また、例えば、照射部３３は、基準面ＲＰに直交する方向を回転の中心軸として回転可能に支持される光学素子を備え、光学素子を回転させることにより、基準面ＲＰにおいてレーザ光ＬＬが形成する図形の、基準面ＲＰにおける回転角度を変更してもよい。

図１４に表されるように、第３実施形態の制御部１０の機能は、第１実施形態の撮影制御部１１０に代えて、撮影制御部１１０Ｂを含む。加えて、第３実施形態の制御部１０の機能は、方向推定部１４０と、回転角度制御部１５０と、を含む。

撮影制御部１１０Ｂは、魚ＦＳが検出された時点から所定の第１待機時間が経過した第１時点と、魚ＦＳが検出された時点から所定の第２待機時間が経過した第２時点と、のそれぞれにて、レーザ光ＬＬが照射された魚ＦＳを撮影するように撮影部３４を制御する点が、第１実施形態の撮影制御部１１０と相違する。

本例では、第１待機時間は、魚ＦＳのうちの、レーザ光ＬＬが照射された位置が、魚ＦＳの体のうちの所定の領域（本例では、胴部の中央部、又は、胴部のうちの体高を表す部分）に含まれる直前の時点にて魚ＦＳの撮影が行われるように設定される。本例では、第２待機時間は、第１待機時間よりも僅かに長い時間に設定される。撮影制御部１１０Ｂは、第１時点及び第２時点にて撮影された魚ＦＳをそれぞれ表す、第１画像及び第２画像を撮影部３４から取得する。

方向推定部１４０は、撮影制御部１１０Ｂにより取得された第１画像に基づいて魚ＦＳの体の方向を推定する。例えば、方向推定部１４０は、Ｈｏｕｇｈ変換を用いて、魚ＦＳの体の方向の推定を行ってもよい。また、方向推定部１４０は、ニューラルネットワークを用いて、魚ＦＳの体の方向の推定を行ってもよい。

回転角度制御部１５０は、方向推定部１４０により推定された方向に基づいて、基準面ＲＰにおいてレーザ光ＬＬが形成する図形の、基準面ＲＰにおける回転角度を制御するように照射部３３を制御する。本例では、回転角度制御部１５０は、推定された方向が基準方向に対して傾斜する角度と同じ角度だけ、当該図形を基準面ＲＰにおいて回転させるように当該回転角度の制御を行う。回転角度制御部１５０による回転角度の制御は、第２時点よりも前に行われる。

推定部１２０は、回転角度制御部１５０による回転角度の制御が実行された後に、撮影制御部１１０Ｂにより取得された第２画像に基づいて、第１実施形態と同様に、魚ＦＳの種類を推定する。

以上、説明したように、第３実施形態の魚選別装置１によれば、第１実施形態の魚選別装置１と同様の作用及び効果が奏される。
更に、第３実施形態の魚選別装置１において、撮影部３４は、第１時点にて、レーザ光ＬＬが照射された魚ＦＳの撮影を行うことにより第１画像を取得する。更に、制御部１０の機能は、取得された第１画像に基づいて魚ＦＳの体の方向を推定する方向推定部１４０を含むとともに、推定された方向に基づいて、基準面ＲＰにおいてレーザ光ＬＬが形成する図形の、基準面ＲＰにおける回転角度を制御する回転角度制御部１５０を含む。

更に、撮影部３４は、回転角度の制御が行われた後の第２時点にて、レーザ光ＬＬが照射された魚ＦＳの撮影を行うことにより第２画像を取得する。加えて、推定部１２０は、取得された第２画像に基づいて、魚ＦＳの種類の推定を行う。

これによれば、魚ＦＳの体が延在する方向が基準方向と異なる場合であっても、照射されたレーザ光ＬＬによって魚ＦＳの表面に描かれる図形を、魚ＦＳの体が延在する方向が基準方向と一致する場合に近づけることができる。この結果、魚ＦＳの種類を高い精度にて推定できるので、魚ＦＳを種類毎に高い精度にて選別できる。

なお、本発明は、上述した実施形態に限定されない。例えば、上述した実施形態に、本発明の趣旨を逸脱しない範囲内において当業者が理解し得る様々な変更が加えられてよい。

１ 魚選別装置
１０ 制御部
１１ 処理装置
１２ 記憶装置
１１０，１１０Ａ，１１０Ｂ 撮影制御部
１２０，１２０Ａ 推定部
１２１ 第１モデル処理部
１２１１ 第１特徴情報取得部
１２１２ 第２特徴情報取得部
１２２ 統合情報生成部
１２３ 第２モデル処理部
１２３１ 種類推定部
１２４ 画像選択部
１３０ 選別制御部
１４０ 方向推定部
１５０ 回転角度制御部
２１ 搬送部
２２ 方向制御用案内部
２３−１ 第１収容部
２３−２ 第２収容部
２３−３ 第３収容部
２４−１ 第１傾斜部
２４−２ 第２傾斜部
２５−１ 第１選別用案内部
２５−２ 第２選別用案内部
３１ 照明部
３２ 検出部
３３ 照射部
３４ 撮影部
ＦＳ 魚
ＬＬ レーザ光
Ｒ１ 第１領域
Ｒ２ 第２領域
ＲＰ 基準面

Claims (10)

1. 搬送されている魚を種類毎に選別する魚選別装置であって、
   基準面にて所定の図形を形成するレーザ光を、前記魚に照射する照射部と、
   前記レーザ光が照射された魚を撮影し、前記撮影された魚を表す画像を取得する撮影部と、
   前記取得された画像に基づいて前記魚の種類を推定する推定部と、
   前記推定された種類に基づいて前記魚を選別する選別部と、
   を備える、魚選別装置。
2. 請求項１に記載の魚選別装置であって、
   前記推定部は、
   前記画像のうちの、前記魚の全体に対応する第１領域の特徴を表す第１特徴情報を取得する第１特徴情報取得部と、
   前記画像のうちの、前記魚の中で前記レーザ光が照射された部分に対応する第２領域の特徴を表す第２特徴情報を取得する第２特徴情報取得部と、
   前記取得された第１特徴情報と、前記取得された第２特徴情報と、に基づいて前記魚の種類を推定する種類推定部と、
   を含む、魚選別装置。
3. 請求項２に記載の魚選別装置であって、
   前記推定部は、画像のうちの、物体に対応する領域を推定するとともに、前記画像のうちの、前記推定された領域の特徴を表す特徴情報を取得し、前記取得された特徴情報に基づいて前記物体の種類を複数の第１候補の中から推定する第１学習済みモデルに基づいて、前記第１特徴情報、及び、前記第２特徴情報の取得を行い、
   前記第１学習済みモデルは、第１ニューラルネットワークを含むとともに、魚の全体を表す画像を前記複数の第１候補のうちの１つとして学習するとともに、魚の中で前記レーザ光が照射された部分を表す画像を前記複数の第１候補のうちの他の１つとして学習することにより、前記第１ニューラルネットワークの重み付け係数が決定され、
   前記種類推定部は、画像のうちの、物体の全体に対応する領域の特徴を表す特徴情報と、前記物体の一部に対応する領域の特徴を表す特徴情報と、を含む統合情報に基づいて、前記物体の種類を複数の第２候補の中から推定する第２学習済みモデルと、前記取得された第１特徴情報と、前記取得された第２特徴情報と、に基づいて、前記魚の種類の推定を行い、
   前記第２学習済みモデルは、第２ニューラルネットワークを含むとともに、前記統合情報を前記複数の第２候補のうちの１つとして、魚の種類毎に学習することにより、前記第２ニューラルネットワークの重み付け係数が決定される、魚選別装置。
4. 請求項１乃至請求項３のいずれか一項に記載の魚選別装置であって、
   前記推定部は、畳み込みニューラルネットワークを用いて前記推定を行う、魚選別装置。
5. 請求項１乃至請求項４のいずれか一項に記載の魚選別装置であって、
   基準方向に沿って前記魚の体が延在するように前記体の方向を制御する方向制御部を備え、
   前記図形は、前記基準方向に直交する線分を含む、魚選別装置。
6. 請求項１乃至請求項５のいずれか一項に記載の魚選別装置であって、
   前記撮影部は、複数の時点にて前記撮影を行うことにより前記画像を複数取得し、
   前記推定部は、前記魚のうちの、前記レーザ光が照射された位置が、前記魚の体のうちの所定の領域に含まれる画像を前記複数の画像から選択し、前記選択された画像に基づいて前記推定を行う、魚選別装置。
7. 請求項１乃至請求項６のいずれか一項に記載の魚選別装置であって、
   前記撮影部は、第１時点にて前記撮影を行うことにより第１画像を取得し、
   前記魚選別装置は、
   前記取得された第１画像に基づいて前記魚の体の方向を推定する方向推定部と、
   前記推定された方向に基づいて、前記基準面における前記図形の回転角度を制御する回転角度制御部と、
   を備え、
   前記撮影部は、前記回転角度の制御が行われた後の第２時点にて前記撮影を行うことにより第２画像を取得し、
   前記推定部は、前記取得された第２画像に基づいて前記推定を行う、魚選別装置。
8. 搬送されている魚を種類毎に選別する魚選別方法であって、
   基準面にて所定の図形を形成するレーザ光を前記魚に照射し、
   前記レーザ光が照射された魚を撮影し、前記撮影された魚を表す画像を取得し、
   前記取得された画像に基づいて前記魚の種類を推定し、
   前記推定された種類に基づいて前記魚を選別する、
   ことを含む、魚選別方法。
9. 魚の種類を推定する魚種類推定装置であって、
   基準面にて所定の図形を形成するレーザ光を前記魚に照射する照射部と、
   前記レーザ光が照射された魚を撮影し、前記撮影された魚を表す画像を取得する撮影部と、
   前記取得された画像に基づいて前記魚の種類を推定する推定部と、
   を備える、魚種類推定装置。
10. 魚の種類を推定する魚種類推定方法であって、
    基準面にて所定の図形を形成するレーザ光を前記魚に照射し、
    前記レーザ光が照射された魚を撮影し、前記撮影された魚を表す画像を取得し、
    前記取得された画像に基づいて前記魚の種類を推定する、
    ことを含む、魚種類推定方法。

Images