JP7097642B1 - 食品検査システム、食品検査学習装置および食品検査方法 - Google Patents
食品検査システム、食品検査学習装置および食品検査方法 Download PDFInfo
- Publication number
- JP7097642B1 JP7097642B1 JP2021065224A JP2021065224A JP7097642B1 JP 7097642 B1 JP7097642 B1 JP 7097642B1 JP 2021065224 A JP2021065224 A JP 2021065224A JP 2021065224 A JP2021065224 A JP 2021065224A JP 7097642 B1 JP7097642 B1 JP 7097642B1
- Authority
- JP
- Japan
- Prior art keywords
- food
- image
- defective product
- defective
- food inspection
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 287
- 238000007689 inspection Methods 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002950 deficient Effects 0.000 claims abstract description 236
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 230000032258 transport Effects 0.000 claims description 17
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 description 19
- 241001474374 Blennius Species 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 241000251468 Actinopterygii Species 0.000 description 5
- 241000238557 Decapoda Species 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 235000015170 shellfish Nutrition 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000002845 discoloration Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Input (AREA)
- Image Analysis (AREA)
Abstract
Description
特許文献1(国際公開2018/038123号公報)には、異物の検出を高速に行うことができる食品検査装置が開示されている。
特許文献4(特開2020-181333号公報)には、適度な品質感度での検査が可能となる学習モデルの生成方法等が開示されている。
この場合、検査した食品を良品とする判定基準を厳しくすれば不良品の混入はある程度防げるが、その場合には良品を不良品と判定する可能性が高くなる。したがって、良品と不良品との判定を正確に行うには、熟練した作業者の良品、不良品の判断を多層ニューラルネットワークに反映する仕組みが必要である。
したがって、食品を提供する会社の実際の食品の良品、不良品の判別の現場において、良品の画像と不良品の画像の情報を収集し、それらの情報を多層ニューラルネットワークに反映する仕組みが必要である。
特許文献2に記載の異物または異種海藻を判別する判別装置、特許文献3に記載の食品検査装置においても、同様である。
特許文献4に記載の学習済みモデルの生成方法では、納品先が不良と判断した要因情報を取得し、取得した前記要因情報に基づき、前記学習済みモデルの再学習を行う仕組みが組み込まれているが、納品先とのやり取りに時間を要するなどにより、迅速な再学習および良品と不良品との判定基準の更新は困難である。
本発明の第2の目的は、食品を良品と異物などの不良品とに判別する、食品検査システム、および食品検査方法において、食品検査システムおよび食品検査方法を利用するそれぞれの会社が、自社の良品と不良品との判定基準を、迅速かつ容易に食品検査装置の判定手段に反映することのできる食品検査システム、および食品検査方法を提供することにある。
一局面に従う食品検査システムは、食品検査装置と食品検査学習装置と搬送手段とを含む食品検査システムであって、搬送手段は食品検査装置から食品検査学習装置へと食品を搬送し、食品検査装置は、搬送手段上の食品を撮影する第1の撮影手段と、第1の撮影手段が撮影した食品の画像を入力して良品か不良品かを判定する判定手段と、判定手段が不良品と判定した食品を搬送手段上から除去する除去手段と、を含み、判定手段は多層ニューラルネットワークで構成され、あらかじめ良品の画像および/または不良品の画像を用いて学習され、食品検査学習装置は、作業者の手元を撮影する第2の撮影手段と、第2の撮影手段で撮影した画像を入力し、作業者が食品を不良品と判断して廃棄した場合に、第1の撮影手段で撮影した画像のうちから廃棄された不良品に該当する画像を保存する保存手段と、を含み、保存手段に保存された不良品の画像と、(あらかじめ準備した)良品の画像および/または不良品の画像とを用いて、食品検査装置の判定手段が再学習される。
この場合、食品検査装置を通さずに直接すべての食品を食品検査学習装置で作業者が判別することも不可能ではないが、作業者の負荷低減、集中力確保等の観点から、まず異物など明らかな不良品を食品検査装置で除去し、その食品検査装置を通過した食品を食品検査学習装置で作業者が判別することが望ましい。
食品検査は、異物など明らかな不良品を除去するだけではなく、食品の用途や加工の目的、加工段階によって(例えば、その後に油揚げするか否かなど)、検査段階における良品/不良品の基準は各社様々である。したがって、まず異物など明らかな不良品を食品検査装置で除去して、作業者は検査基準に適合しない食品の選別を行い、そして当該選別された食品を不良品として再学習することによって、効率的かつ正確に食品検査の判定を行うことができる。
そして、食品検査装置の判定手段の再学習により食品検査装置の良品不良品の判定の精度が所定のレベルまで向上した場合には、食品検査装置の良品をそのまま良品として出荷することも可能である。
第2の発明にかかる食品検査システムは、一局面に従う食品検査システムにおいて、保存手段に保存された不良品の画像のうちから、食品検査装置で不良品と判定すべき画像がさらに選別されて、食品検査装置の判定手段の再学習に用いられ、判定手段の再学習は、所定の検査時間または所定の検査された食品の個数ごとに行われてもよい。
食品検査学習装置では作業者は瞬時に不良品を見分ける必要があるため、作業者が不良品と判定し画像が保存された食品の中には、本来は良品と判定すべき食品が含まれている可能性がある。また、食品の検査は作業者の感覚に依存するところもあるため、良品/不良品の判断は必ずしも一義的に確定するものではなく、作業者によって検査結果にばらつきが生じる場合がある。したがって、保存手段に保存された不良品の画像のうちから、食品検査装置で不良品と判定すべき画像を選別して、それらの画像を食品検査装置の判定手段の再学習に用いることが望ましい。
また、再学習の効果をあげるには、追加の不良品と判定すべき画像を一定の数収集する必要があることから、判定手段の再学習は、所定の検査時間または所定の検査された食品の個数ごとに行われることが望ましい。
検査ラインの現場で不良品と判断された画像の群から、改めて再学習させるべき不良品の画像、および/または異物と誤判定された良品の画像を選択することによって、当該検査ラインの判定基準をより正確に反映させることができる。
第3の発明にかかる食品検査システムは、一局面または第2の発明にかかる食品検査システムにおいて、食品検査装置は、第1の撮影手段が撮影する食品を照射する光照射手段をさらに備え、光照射手段は特定の波長の光を強調するようにしてもよい。
なお、特定の波長の光を強調する光源を用いる代わりに、撮影手段の前面に特定の波長の光を強調するフィルタを配設してもよい。
あるいは、判定手段の多層ニューラルネットワークへの入力の前処理として、特定の波長の光を強調するフィルタの機能を有する回路を挿入してもよい。
第4の発明にかかる食品検査システムは、一局面から第3の発明にかかる食品検査システムにおいて、多層ニューラルネットワークの教師データは、良品、および異なる種類の不良品の画像ごとにそれぞれ別のラベルが指定されてもよい。
この場合、多層ニューラルネットワークに判定すべき食品の画像を入力すると、それらの食品のラベルが抽出され、良品不良品の判定だけでなく、不良品の種類をも検出することができる。
したがって多層ニューラルネットワークを用いることによって、異常部位を含むような不良品もより的確に選別することができ、検査基準に適合しない食品を効率的かつ正確に検査することができる。
他の局面に従う食品検査学習装置は、多層ニューラルネットワークで構成された、食品が良品か不良品かを判定する判定手段の学習のための検査学習装置であって、検査学習する食品を搬送する搬送手段と、搬送手段上の食品を撮影する第1の撮影手段と、作業者の手元を撮影する第2の撮影手段と、第2の撮影手段で撮影した画像を入力し、作業者が不良品と判断して廃棄した場合に、第1の撮影手段で撮影した画像のうちから廃棄された不良品に該当する画像を保存する保存手段と、を含み、保存手段に保存された不良品の画像が判定手段の再学習に用いられる。
さらに他の局面に従う食品検査方法は、食品の画像を入力して良品か不良品かを判定する食品検査方法であって、良品の画像および/または不良品の画像を教師データとして、多層ニューラルネットワークに良品か不良品かの判定を学習させる第1学習工程と、食品の画像を撮影し、食品の画像を多層ニューラルネットワークに入力して良品か不良品かを判定する第1判定工程と、第1判定工程で良品とされた食品の中から作業者が不良品を取り除く第2判定工程と、第2判定工程で取り除かれた不良品の画像と、(あらかじめ準備した)良品の画像および/または不良品の画像と、を用いて多層ニューラルネットワークを再学習させる第2学習工程と、を含む。
そして、第2学習工程での再学習により第1判定工程での判定の精度が所定のレベルまで向上した場合には、第1判定工程での良品をそのまま良品として出荷することも可能である。
また、この場合、第1判定工程を通さずに直接すべての食品を第2判定工程で作業者が判別することも不可能ではないが、作業者の負荷低減、集中力確保等の観点から、まず第1判定工程で判別し、その良品を第2判定工程で作業者が判別することが望ましい。
図1は第1の実施形態の食品検査システム100の全体構成を示す模式図である。
食品検査システム100は、ベルトコンベア11と食品検査装置110と食品検査学習装置120とで構成されている。ベルトコンベア11は食品検査装置110と食品検査学習装置120とを横断して配設されており、食品検査装置110から食品検査学習装置120へと食品60を搬送する。
食品検査装置110は、ベルトコンベア11、第1のカメラ21、照明装置24、判定手段30、および除去手段40を備えている。第1のカメラ21と照明装置24とはベルトコンベア11の上方に配置され、除去手段40は、ベルトコンベア11の側方に配置されている。
ベルトコンベア11に載置された食品60は、照明装置24で光を照射された状態で第1のカメラ21により画像を撮影される。撮影された食品60の画像は、判定手段30に入力されて良品か不良品かが判定される。判定手段30は、多層ニューラルネットワークで構成され、あらかじめ良品の画像および/または不良品の画像を用いて学習されている。
このようにすることで、再学習を開始する前の段階では、異物62、63など明らかな不良品のみを不良品と判定するようにする。そして、検査工程ごとに設けられる各社独自の検査基準(良品と不良品の境界付近の食品60)は、作業者70が良品と不良品とを選別し、当該選別された食品60を不良品として再学習することによって、効率的かつ正確な食品検査の判定を行うことができるようになる。
なお、特定の波長の光を強調する照明装置24を用いる代わりに、第1のカメラ21の前面に特定の波長の光を強調するフィルタを配設してもよい。
あるいは、判定手段30の多層ニューラルネットワークへの入力の前処理として、特定の波長の光を強調するフィルタの機能を有する回路を挿入してもよい。
食品検査学習装置120は、ベルトコンベア11、第2のカメラ22、保存手段50、および廃棄ボックス71から構成される。第2のカメラ22はベルトコンベア11の後方上部に配置されている。また、ベルトコンベア11の側方で、第2のカメラ22の近傍には作業者70が位置している。
食品検査学習装置120には食品検査装置110で良品と判定された食品60が搬送される。
本実施の形態では、第1のカメラ21および第2のカメラ22は、独立した2つのカメラを用いて撮影したが、広角カメラなど一つのカメラを用いて撮影してもよい。この場合、カメラは、ベルトコンベア11上の食品60と作業者70の手元とを一度に撮影する。
本実施形態の判定手段30の多層ニューラルネットワークとしては、画像データを入力してその特徴を抽出することのできるものであればよく、例えば、Yolo(You Look Only Onse)、エフィシェントネット(Efficient Net)、または、ResNet(Residual Network)を用いることができる。この多層ニューラルネットワークは、あらかじめ、基本的な良品の画像、または良品の画像および不良品の画像、を用いて学習されている。
Yoloは、物体検出を回帰問題としてモデル化し、物体検出の精度が高くリアルタイム処理が可能である。
エフィシェントネットは、従来の多層ニューラルネットワークと比較して、パラメータ数(1レイヤのサイズとレイヤの数と解像度との積)が小さく、良品、不良品の判定の高速化を実現することができる点で好ましい。
ResNetは、残差特徴量の学習により層を深くすることができる。
それぞれの食品60は順次第1のカメラ21で撮影される。図2の25は第1のカメラ21で撮影される画像の範囲を示す。この範囲25の画像が判定手段30に入力され、良品か不良品かが判定される。良品以外の食品60は除去手段40によって、ベルトコンベア11上から除去される。
例えば、食品60の一部に潰れがあっても、次工程でミンチ加工するなど検査基準上は問題がない場合がある。一方で、僅かであっても食品60に腐敗した部位が含まれる場合は、食品60全体を不良品として判定する場合がある。また、変色の場合に比べて腐敗の場合は判定確率が低い場合も不良品と判定するなど、不良の分類に応じて判定確率の閾値を変更してもよい。多層ニューラルネットワークでは食品60の不良をラベルによってクラス分けできるので、より正確に食品検査を行うことができる。
さらに、多層ニューラルネットワークではクラス分けされた不良品の発生状況をリアルタイムで把握することができる。したがって、例えば食品60の変色の頻度が高まっているので上流工程の温度管理に問題があるなど、工程の異常を効果的に把握することができる。
例えば、一部に変色がある食品60であっても、その変色の程度、色、大きさなどによって、当該食品60を良品とするか不良品とするかは、食品60の用途や加工の目的、加工段階によって各社様々である。したがって、検査ラインの現場で不良品と判断された画像の群から、改めて再学習させるべき不良品の画像を選択することによって、当該検査ラインの判定基準をより正確かつ効果的に反映させることができる。
そして、判定手段30の再学習をさせることによって、判定手段30は、現場の作業者70の判断、あるいは、食品検査システム100を利用する会社ごとの判断に合致した判別を行うことができるようになる。
また、食品検査装置110の判定手段30の再学習を繰り返すことにより、判定手段30の判定精度が十分高まった場合には、食品検査装置110の良品を食品検査学習装置120を通すことなく、そのまま良品として出荷してもよい。
図3に、食品検査システム100のフローチャートの模式図を示す。
以下、図3の各ステップについて説明する。
ステップS1:判定手段30の多層ニューラルネットワークの学習に用いる良品、不良品の画像を準備する。この場合、最初の学習では、良品の画像だけを準備して、学習させてもよい。
ステップS2:準備した画像に、ラベルを追加し、判定手段30の多層ニューラルネットワークに学習させる。このときの画像の数としては、少なくとも10、できれば100以上が望ましい。また、この段階では、良品と不良品の境界付近の食品60は良品と判定するように教師データを準備することが望ましい。
ステップS3:検査する食品60をベルトコンベア11に載せる。
ステップS4:第1のカメラ21で食品60の画像を撮影し、判定手段30で良品か不良品かを判定する。
ステップS5:判定手段30での判定結果が不良品の場合、除去手段40で不良品をベルトコンベア11から除去する。
ステップS6:すでに判定手段30の再学習が行われ、食品検査装置110の判定手段30の判定精度が十分高い場合はそのまま良品として出荷する(ステップS12)。この場合、以降、ステップS3~S6および良品出荷(ステップS12)を繰り返す。
ステップS8:作業者70が食品60を廃棄した場合、廃棄された時刻から、廃棄された食品60が第1のカメラ21で撮影された食品60のうちのどの食品60であるかを検知し、その食品60の画像を不良品の画像として保存する。
ステップS9:検査時間が所定の時間を超過するまで、あるいは検査個数が所定の個数を超過するまでステップS3(食品搬送)~ステップS8(不良品画像保存)が繰り返される。
ステップS10:検査時間が所定の時間を超過した場合、あるいは検査個数が所定の個数を超過した場合には、いったんステップS3~S8を停止し、保存手段50に保存された画像の中から、判定手段30再学習のために用いるべき不良品の画像を選別する。
ステップS11:保存手段50に保存された不良品の画像にラベルを追加し、ステップS1で準備した良品および不良品の画像と組み合わせて、判定手段30の多層ニューラルネットワークを再学習させる。再学習終了後は、再びステップS3~S8に沿って、食品60の検査、および再学習のための不良品画像の保存を繰り返す。
第2の実施形態の食品検査学習装置120aは、食品検査装置110の判定手段30を再学習するための教師データを収集する装置である。したがって、食品検査装置110は含まない。
図4は第2の実施形態の食品検査学習装置120aの構成を示す模式図である。第2の実施形態の食品検査学習装置120aは、ベルトコンベア11a、第1のカメラ21a、第2のカメラ22、保存手段50、および廃棄ボックス71から構成される。第2のカメラ22はベルトコンベア11aの後方上部に配置されている。また、ベルトコンベア11の側方で、第2のカメラ22の近傍には作業者70が位置している。
食品検査学習装置120aにおける作業者70の良品、不良品の判断は瞬時に行われなければならないため、作業者70が良品を不良品と判断してしまう可能性もある。したがって、保存手段50に保存された不良品の画像を判定手段30の再学習に用いるにあたっては、不良品の画像のうちから食品検査装置110で不良品と判定すべき画像を選別して食品検査装置110の判定手段30の再学習に用いることが望ましい。また、その際には、判定基準の精度向上のために、不良品と判定すべき画像のそれぞれを適切なラベルを指定することが望ましい。
21、21a 第1のカメラ
22 第2のカメラ
24 照明装置
30 判定手段
40 除去手段
50 保存手段
60 食品
70 作業者
100 食品検査システム
110 食品検査装置
120、120a 食品検査学習装置
Claims (6)
- 食品検査装置と食品検査学習装置と搬送手段とを含む食品検査システムであって、
前記搬送手段は前記食品検査装置から前記食品検査学習装置へと食品を搬送し、
前記食品検査装置は、
前記搬送手段上の食品を撮影する第1の撮影手段と、
前記第1の撮影手段が撮影した食品の画像を入力して良品か不良品かを判定する判定手段と、
前記判定手段が不良品と判定した食品を前記搬送手段上から除去する除去手段と、を含み、
前記判定手段は多層ニューラルネットワークで構成され、あらかじめ良品の画像および/または不良品の画像を用いて学習され、
前記食品検査学習装置は、
作業者の手の動きを撮影する第2の撮影手段と、
前記第2の撮影手段で撮影した画像を入力し、前記作業者が食品を不良品と判断して廃棄した場合、廃棄された食品が前記第1の撮影手段で撮影された食品のうちのどの食品であるかを検知し、検知された食品の画像を不良品の画像として保存する保存手段と、を含み、
前記保存手段に保存された前記不良品の画像と、前記良品の画像および/または不良品の画像とを用いて、前記食品検査装置の前記判定手段が再学習される、食品検査システム。 - 前記保存手段に保存された前記不良品の画像のうちから、前記食品検査装置で不良品と判定すべき画像がさらに選別されて、前記食品検査装置の前記判定手段の再学習に用いられ、
前記判定手段の再学習は、所定の検査時間または所定の検査された食品の個数ごとに行われる、請求項1に記載の食品検査システム。 - 前記食品検査装置は、前記第1の撮影手段が撮影する食品を照射する光照射手段をさらに備え、
前記光照射手段は特定の波長の光を強調する、請求項1または2に記載の食品検査システム。 - 前記多層ニューラルネットワークの教師データは、良品、および異なる種類の前記不良品の画像ごとにそれぞれ別のラベルが指定される、請求項1から3のいずれか1項に記載の食品検査システム。
- 多層ニューラルネットワークで構成された、食品が良品か不良品かを判定する判定手段の学習のための検査学習装置であって、
検査学習する食品を搬送する搬送手段と、
前記搬送手段上の食品を撮影する第1の撮影手段と、
作業者の手の動きを撮影する第2の撮影手段と、
前記第2の撮影手段で撮影した画像を入力し、前記作業者が不良品と判断して廃棄した場合、廃棄された食品が前記第1の撮影手段で撮影された食品のうちのどの食品であるかを検知し、検知された食品の画像を不良品の画像として保存する保存手段と、を含み、
前記保存手段に保存された前記不良品の画像が前記判定手段の再学習に用いられる、食品検査学習装置。 - 食品の画像を入力して良品か不良品かを判定する食品検査方法であって、
良品の画像および/または不良品の画像を教師データとして、多層ニューラルネットワークに良品か不良品かの判定を学習させる第1学習工程と、
食品の画像を撮影し、前記食品の画像を前記多層ニューラルネットワークに入力して良品か不良品かを判定する第1判定工程と、
前記第1判定工程で良品とされた食品の中から作業者が不良品を取り除く第2判定工程と、
作業者の手の動きを撮影し、前記第2判定工程で前記不良品が取り除かれた場合に、取り除かれた不良品が前記第1判定工程で撮影された食品のうちのどの食品であるかを検知し、取り除かれた食品の画像を不良品の画像として保存し、保存された前記不良品の画像と、前記良品の画像および/または不良品の画像とを用いて前記多層ニューラルネットワークを再学習させる第2学習工程と、を含む、食品検査方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021065224A JP7097642B1 (ja) | 2021-04-07 | 2021-04-07 | 食品検査システム、食品検査学習装置および食品検査方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021065224A JP7097642B1 (ja) | 2021-04-07 | 2021-04-07 | 食品検査システム、食品検査学習装置および食品検査方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7097642B1 true JP7097642B1 (ja) | 2022-07-08 |
JP2022160796A JP2022160796A (ja) | 2022-10-20 |
Family
ID=82356937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021065224A Active JP7097642B1 (ja) | 2021-04-07 | 2021-04-07 | 食品検査システム、食品検査学習装置および食品検査方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7097642B1 (ja) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015137919A (ja) | 2014-01-22 | 2015-07-30 | 大日本印刷株式会社 | 外観検査装置、外観検査方法、及び、プログラム |
JP2018165948A (ja) | 2017-03-28 | 2018-10-25 | 国立大学法人神戸大学 | 画像認識装置、画像認識方法、コンピュータプログラム、及び製品監視システム |
JP2019076819A (ja) | 2017-10-23 | 2019-05-23 | ファナック株式会社 | 仕分けシステム |
JP2019197441A (ja) | 2018-05-11 | 2019-11-14 | 株式会社 日立産業制御ソリューションズ | 学習装置、学習方法及び学習プログラム |
JP2019211288A (ja) | 2018-06-01 | 2019-12-12 | 埼玉県 | 食品検査システムおよびプログラム |
JP2020011182A (ja) | 2018-07-14 | 2020-01-23 | 株式会社京都製作所 | 商品検査装置、商品検査方法および商品検査プログラム |
JP2021149142A (ja) | 2020-03-16 | 2021-09-27 | 株式会社イシダ | 食肉判別装置 |
-
2021
- 2021-04-07 JP JP2021065224A patent/JP7097642B1/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015137919A (ja) | 2014-01-22 | 2015-07-30 | 大日本印刷株式会社 | 外観検査装置、外観検査方法、及び、プログラム |
JP2018165948A (ja) | 2017-03-28 | 2018-10-25 | 国立大学法人神戸大学 | 画像認識装置、画像認識方法、コンピュータプログラム、及び製品監視システム |
JP2019076819A (ja) | 2017-10-23 | 2019-05-23 | ファナック株式会社 | 仕分けシステム |
JP2019197441A (ja) | 2018-05-11 | 2019-11-14 | 株式会社 日立産業制御ソリューションズ | 学習装置、学習方法及び学習プログラム |
JP2019211288A (ja) | 2018-06-01 | 2019-12-12 | 埼玉県 | 食品検査システムおよびプログラム |
JP2020011182A (ja) | 2018-07-14 | 2020-01-23 | 株式会社京都製作所 | 商品検査装置、商品検査方法および商品検査プログラム |
JP2021149142A (ja) | 2020-03-16 | 2021-09-27 | 株式会社イシダ | 食肉判別装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2022160796A (ja) | 2022-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019151394A1 (ja) | 食品検査補助システム、食品検査補助装置、およびコンピュータプログラム | |
CN111325713A (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
WO2019151393A1 (ja) | 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法 | |
JP5414707B2 (ja) | 分析装置 | |
Arivazhagan et al. | External and internal defect detection of egg using machine vision | |
JP6357617B2 (ja) | 蒲鉾板の欠陥検査装置 | |
JP7191566B2 (ja) | 商品検査装置 | |
US6433293B1 (en) | Method and device for detecting dirt as present on articles, for example eggs | |
AU2020271090A1 (en) | System for in-line inspection of seal integrity | |
Chao et al. | Design of a dual-camera system for poultry carcasses inspection | |
EP3833951A1 (en) | Inspection of vacuum packaged product for detection of gas inside package | |
CN115128033A (zh) | 烟叶检测方法、装置和系统、存储介质 | |
WO2021193733A1 (ja) | 教師データ生成装置、検査装置及びプログラム | |
JP2010227892A (ja) | 異物選別方法および異物選別設備 | |
JP7097642B1 (ja) | 食品検査システム、食品検査学習装置および食品検査方法 | |
JP7248316B2 (ja) | 豆腐類検査装置、豆腐類製造システム、豆腐類の検査方法、およびプログラム | |
JP3614980B2 (ja) | 農産物の外観検査方法及び装置 | |
Cui et al. | Automated pattern recognition and defect inspection system | |
CN112697810A (zh) | 用于容器的光学检查的方法和装置 | |
EP4372677A1 (en) | System and method for detecting an unwanted structure in one or more x-ray images of a food product | |
Mindoro et al. | Automatic Visual Detection of Fresh Poultry Egg Quality Inspection using Image Processing | |
TWI826108B (zh) | 應用偽瑕疵影像建立瑕疵檢測模型的方法以及系統 | |
KR102578919B1 (ko) | 재활용 pet에 대한 자동 선별 분리 시스템 | |
US20210100256A1 (en) | Foreign Material Inspection System | |
KR102625717B1 (ko) | 비전 계란 선별 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211217 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20211217 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220215 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220325 |
|
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: 20220531 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220621 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7097642 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |