JP7101719B2 - 製品を、特に食料品をｘ線検査する方法および装置 - Google Patents

Description

本発明は、製品を、特に食料品をＸ線検査する方法および装置に関する。

動いている製品のＸ線検査をするために、通常、調べられるべき製品の運動方向に対して横向きに設けられるライン検出器が使用される。製品を動かす代わりに、Ｘ線検査をする装置全体を、または少なくとも該当するＸ線放射検出装置を、調べられるべき製品に対して相対的に動かすこともできる。調べられるべき製品が、１つまたは複数のＸ線放射源により生成されるＸ線放射を検出するライン検出器によってスキャンされ、ラインごとに生成される画像データが、調べられるべき製品の画像へと変換される。画像を生成するために、画像データを適切な方式で処理することができる。こうして生成された画像を、画像処理によって検査することができる。特に、調べられるべき製品の画像を、１つまたは複数の所定の製品指標が成立ないし充足されているか否かに関して検査することができる。たとえば肉片などの食料品を、その中に骨破片、処理機械の金属屑、ガラス破片、石などの望ましくない異物があるかどうかに関して調べることができる。

そのために、該当するＸ線放射源によって生成されるＸ線放射のＸ線ビームの幅全体を事実上検出する、スペクトル積分型のライン検出器（非スペクトル検出器）を使用することが知られている。このような種類のライン検出器は、たとえば０．２ｍｍ前後の比較的高い位置解像度を、たとえば２００から８００ｍｍ以上の検出幅全体にわたって有している。このときライン検出器は、それぞれわずか数ピクセル（たとえばモジュール縁部ごとに１から２ピクセル）のごくわずかな隙間をもって、所望のスキャン幅が達成されるまで連結することができるモジュールの形態で構成されていてよい。したがって、このような種類の非スペクトル検出器によって、非常に小さな異物ないし汚染でも検出可能である。さらにこのような検出器型式は冷却を必要とせず、低コストに製造可能である。

しかし、このような種類の非スペクトル検出器はスペクトル積分の結果としてグレー値を生成するにすぎない。このときグレー値は、調べられるべき製品によって通過されたときのＸ線放射の減衰に依存する。このときさらに減衰は、製品の厚みと材料特性とに依存する。

このようなセンサ型式は、特に、たとえば金属破片などのきわめて小さく強い吸収性のある異物を検出するのに適している。

ライン検出器により生成される画像のコントラストの改善は、デュアルエネルギー法によって実現することができる。その際には２つのライン検出器が使用されて、これらのスキャン画像が重ね合わされる。このとき各ライン検出器は、製品によって通過されたＸ線放射のそれぞれ異なるスペクトル領域を検出する。このことは、非スペクトル検出器のうちの１つの手前で光路に配置される少なくとも１つのＸ線放射フィルタの利用によって実現される。ただし、このようなフィルタはハイパスフィルタとしてしか作用せず、しかも、所望のフィルタエッジに関して十分にフレキシブルに製造することができない。これに加えて、このようなフィルタは検出されるべきＸ線放射も所望のスペクトル領域で減衰させる。それぞれ異なるスペクトル領域が別々に検出されることで、それぞれのライン検出器の画像信号にはそれぞれ異なる情報が含まれる。重みづけされた重ね合わせ（たとえば重みづけされた画像データの正負記号の正しい加算）により、特定の異物材料の認識可能性に関してシングルエネルギー画像よりも改善されたコントラストを有する全体画像を生成することができる。しかし固定的なＸ線放射フィルタによっては、１つまたは複数の特定の材料についてしかコントラストを改善することができない。したがってデュアルエネルギー法は、適用事例に依存してＸ線放射フィルタが適切な仕方で選択されなければならないので、その適用に関してさほどフレキシブルではない。

そのうえ多くの場合、両方のライン検出器により検出されるＸ線放射のスペクトル領域が重ね合わされ、それにより、両方の画像信号の各々に同一の情報の部分が含まれる。それに伴い、最善のコントラスト改善を実現可能ではない。

しかしデュアルエネルギー法は、両方の画像信号が適切に組み合わされれば、２つの材料だけからなる製品の製品領域のフェードアウトを可能にする。たとえば製品の、すなわち第２の材料の内部で、異物の、すなわち第１の材料の領域におけるコントラストを最適化することができる。ただしこのことは、（Ｘ線放射について異なる減衰特性を有する）別の材料からなる異物が中に含まれる、単一の材料（またはＸ線放射についての減衰特性が非常に類似する材料との組み合わせ）からなる実質的に均一な製品にしか当てはまらない。

さらに近年では、同じくモジュール形式に連結することができる、スペクトル分解型のライン検出器が開発されている。しかし、２００から８００ｍｍの十分に広いスキャン幅を可能にするこのような種類のスペクトルライン検出器は、現在、比較的粗い位置解像度でしか、すなわち、たとえば０．８ｍｍの比較的大きいピクセルピッチでしか利用可能でない。このような種類のスペクトルライン検出器は、検出されるべきＸ線放射のスペクトル幅全体を、たとえば２０ｋｅＶから１６０ｋｅＶの範囲内で検出することができる。このような検出器はスペクトル分解のために多数の、たとえば最大で２５６個のエネルギーチャネルを提供する。したがって、このような種類のスペクトルライン検出器は、エネルギーチャネルの数に対応する数の部分画像を生成することを可能にする。

このような種類のライン検出器は、従来、実用においては多くの場合に特定の材料の認識のために利用され（たとえば欧州特許第２５８８８９２Ｂ１号明細書）、そのために、製品について判定されたエネルギースペクトルが、明画像のエネルギースペクトルによって、すなわち製品の存在なしに検出器により判定されたスペクトルによって正規化される。このとき、このように正規化されたスペクトルの自然対数は、製品についてのエネルギー依存的な吸収係数を製品の厚みと乗算した積に相当する。こうして未知の製品について判定されたエネルギー依存的な吸収係数のスペクトル推移を、既知の製品データと比較することができる。このようにして、未知の製品の材料を識別することが可能である。

食品産業では、製品汚染すなわち望まれる製品中の望まれない異物を認識するという問題がしばしば生じる。調べられるべき製品が厚みに関して変動を有しているとき、公知の方法は、１つまたは複数の非スペクトル分解型のライン検出器により生成された画像におけるグレー値の変動が、調べられるべき製品の厚みの変動によって、検出されるべき異物の存在なしに生成されたのか、それとも、Ｘ線放射に対して相違する吸収を示す異物の材料によって生成されたのかについて確実な情報をもたらさない。

さらに、製品のＸ線検査をする公知の方法および装置は、しばしば信頼できる評価のために十分なコントラストを有さないグレー値画像しか供給しない（このことはデュアルエネルギー法にも当てはまる）。

以上の従来技術を前提としたうえで、本発明の課題は、製品中の異物の認識を改善し、および／または少なくとも２つまたはそれ以上の成分からなる製品の厚みに関する見積りを、ないしは製品の１つまたは複数の成分の全体厚みに関する見積りを提供する、製品を、特に食料品をＸ線検査する方法を提供することにある。さらに本発明の課題は、この方法を実施する装置を提供することにある。

本発明は、請求項１ないし１１の構成要件によってこれらの課題を解決する。さらに別の実施形態は従属請求項から明らかとなる。

本発明が前提とする認識は、スペクトルデータが適切な仕方で組み合わされれば、スペクトル分解型のＸ線放射検出器を製品中の異物の認識のために好ましい仕方で利用できるというものである。さらに、製品の種類が、たとえば肉割合と脂割合を含む肉などの食料品の種類が既知であれば、検出されたデータから、製品の厚みに関する情報を得ることができる。

本発明の方法によると、Ｘ線放射に対してそれぞれ異なる吸収係数を有する少なくとも１つの第１および第２の成分からなる製品を含む、少なくとも１つの製品類型が定義される。食品産業で適用される場合、これは肉、油、および骨の各成分を有する肉片であり得る。このようなケースでは多くの場合、骨の存在とそのサイズおよび位置を判定するのが望ましい。さらに、肉割合と脂割合を少なくとも見積もるという要望がしばしば存在する。しかしながら食品産業において製品類型は、類似する特性に関して区別がなされるべきその他の任意の製品であってもよい。たとえばヨーグルトを、鋼くずやプラスチック粒子などの異物の存在に関して調べることができる。当然ながら、個別品ばかりでなくどのような種類の製品でも、たとえば穀類、小麦などのばら物でも、相応の仕方で調べることができる。

少なくとも１つの製品類型に属する調べられるべき製品は、本発明によると、所定のスペクトル幅を有するＸ線放射で透過照射され、製品を通過したＸ線放射がスペクトル分解型のＸ線放射検出器によって検出される。Ｘ線放射検出器は所定数のピクセルを有していて、これらのピクセルでＸ線放射がスペクトル分解型に検出される。このときＸ線放射量子がスペクトル分解のために、そのエネルギーに依存して、所定数のエネルギーチャネルに割り当てられる。このようにしてＸ線放射検出器は、各々のピクセルについてスペクトル値を選択された、または全部のエネルギーチャネルについて含む、および／または合計スペクトル値を１つまたは複数の群の隣り合うエネルギーチャネルについてについて含む、画像データを生成する。

本発明によると、画像データを全体画像へと処理するための少なくとも１つのマッピング規則が少なくとも１つの製品類型について規定され、各々のマッピング規則は、すべてのスペクトル値と合計スペクトル値が全体画像の画点の全体画像値にマッピングされるように構成され、マッピング規則はそれぞれすべてのピクセルまたは事前設定された群の１つまたは複数のピクセルに割り当てられる。マッピング規則がすべてのピクセルにではなく、１つの群のピクセルにのみ割り当てられる態様は、Ｘ線放射検出器がそれぞれ異なる感度を有する場合には、常に関心の対象となる。多くの場合、このような種類のスペクトル分解型のＸ線放射検出器は、Ｘ線放射量子を検出する役目を果たす結晶を有する。このような結晶は、多くの場合、所望の検出面積または検出長さに相当する幾何学的な広がりをもって製作されるのではないので、このような複数の結晶が組み合わされてＸ線放射検出器になっているとき、結晶のそれぞれ異なる感度が補償されなければならない。

ここで指摘しておくと、Ｘ線放射検出器はライン検出器または平面検出器として構成されていてよい。食品産業では、動いている製品を最大８００ｍｍもしくはそれ以上の幅にわたって調べる必要性がしばしば生じるので、このような幅を有する平面検出器は高価になりすぎることから、多くの場合にライン検出器が使用される。

本発明の第１の態様では、１つまたは複数のマッピング規則は、少なくとも１つの製品類型の製品の全体画像において、全部または選択されたスペクトル値および全部または選択された合計スペクトル値の単純な加算によって全体画点をなすように生成されるグレー値画像と比較したとき、１つまたは複数の成分が基準成分に対してコントラスト増大を受けるように規定される。換言すると、適切なマッピング規則を適用してのスペクトル評価は、単純なグレー値画像だけを生成する非スペクトル分解型のＸ線放射検出器の適用に比べて、それぞれ別の材料特性を有する製品領域の認識可能性の改善を可能にする。

本発明の別の態様では、１つまたは複数のマッピング規則は、画点の全体画像値が、透過照射方向で見て、第１の成分の全体厚みについての値を表すか、または第２の成分の全体厚みについての値を表すように選択される。本発明のこの態様は、特に、製品がちょうど２つの成分からなる製品類型について好ましく適用可能である。

この態様では、たとえば脂含有のある肉片などの既知の製品類型の製品を調べたときに肉割合の全体厚みに関する情報を供給する少なくとも１つの第１のマッピング規則が適用されるのが好ましい。ここで全体厚みとは、透過照射方向で見て肉だけからなる、または実質的に肉からなる、すべての層厚の合計であると理解される。さらに、脂割合の全体厚みに関する情報を供給する、少なくとも１つの第２のマッピング規則が適用される。このとき、少なくとも１つの第１または第２のマッピング規則は、いずれも製品の全体の厚みに関する情報を供給することはできない。しかし全体の厚みは、それぞれ少なくとも１つの第１のマッピング規則とそれぞれ少なくとも１つの第２のマッピング規則とによって決定される、個々の成分のそれぞれの全体厚みについての値を加算することで求めることができる。

本発明の好ましい実施形態では、少なくとも１つのマッピング規則は、少なくとも２つの成分を所定の分類に割り当てる分類子である。このとき各々の分類は、数値的な目標値によって表現される。たとえば肉と骨からなる肉片では、骨は望ましくないとみなすことができ（そして、望ましくない異物と同一視され）、肉割合は望ましいとみなすことができる。

このとき分類子は、特に、人工的なニューラルネットワークまたはサポートベクトルマシンであってよい。

別の実施形態では、少なくとも１つのマッピング規則は、各々のスペクトル値または各々の合計スペクトル値にマッピング係数が割り当てられ、各々のスペクトル値と各々の合計スペクトル値が割り当てられたマッピング係数と乗算されてその積が加算されることによって、調べられるべき製品の全体画像が生成されるように規定することができる。上に説明した態様は分類子の監視された学習を前提条件とするのに対し、この態様は監視されない学習も可能にする。

これに加えてこの態様は、少なくとも２つの群の選択された隣り合うエネルギーチャネルのスペクトル値または相応の合計スペクトル値がそれぞれ一定の重みづけ係数と乗算されてそれらの積が加算されることによって、画像データからデュアルエネルギー画像または多重エネルギー画像が生成されるようにこの線形のマッピング規則が規定されていると、デュアルエネルギー画像の好ましい生成を可能にする。

このときスペクトル分解型のＸ線放射検出器は、デュアルエネルギー画像の生成のために利用されるスペクトル領域を自由に選択するという可能性を提供する。このとき、スペクトル領域幅だけでなく、その位置も任意に選択することができる。さらに、それぞれ異なるマッピング規則を適用したうえで、特に、デュアルエネルギー画像をなすように組み合わされるそれぞれ異なるスペクトル領域を適用したうえで、単一のセットの画像データ（すなわち調べられるべき製品の画像）を、単一の検出プロセスをもって複数回評価することができる。このように、特に特定の材料（たとえば鋼材、プラスチック、骨など）からなる異物などの特定の材料の認識に関して最適化された全体画像を生成することができる。

別の実施形態では、少なくとも１つのマッピング規則は、隣り合うエネルギーチャネルの群がスペクトル的に重なり合わないように規定することができ、またはＸ線放射検出器は、重なり合わない群のエネルギーチャネルについてのスペクトル値だけを画像信号が含むように、または重なり合わない群のエネルギーチャネルについての合計スペクトル値をすでに含むように作動もしくは制御される。このように、完全に分離されたスペクトル領域の組み合わせによってデュアルエネルギー画像を生成することができる。それにより、従来式の非スペクトル分解型のＸ線放射検出器によって生成されるデュアルエネルギー画像に比べて、透過照射方向で相違する材料組み合わせを有する製品領域に相当する各画像領域の間の改善されたコントラストを生成することができる。

本発明の実施形態では、少なくとも１つのマッピング規則をマシンラーニング法によって規定することができ、学習モードのとき、それぞれ成分のうちの１つからなり相違する厚みを有する複数のトレーニング製品がスペクトル分解型のＸ線放射検出器によって検出され、各々のマッピング規則を規定するために、トレーニング製品について検出された全部または選択されたピクセルの、もしくは隣り合うピクセルの群の、スペクトル値または合計スペクトル値がマッピング規則の指標として利用され、所定の分類値がマッピング規則目標値として利用され、同一の成分からなるすべてのトレーニング製品について分類値は同一である。

この態様は、分類によって生じ、それに応じてスコア画像として把握することができる全体画像が生成されるように、少なくとも１つのマッピング規則の特性を規定する。

別の実施形態では、既知の材料を有する成分からなるトレーニング製品について得られる検出されたスペクトル値または合計スペクトル値に代えてシミュレーションデータを利用することができ、シミュレーションデータは、エネルギー依存的な質量減衰係数（吸収係数は質量変動係数に材料の密度を乗じたものに等しい）と、適切に選択された厚みとについての事前に既知の値からなる製品を含む。

このような方式が特に好適であるのは、たとえば鋼材や特定のプラスチックなどの既知の材料からなる、製品中の異物の認識が意図される場合、および、当該材料ついて、検査装置自体または外部のデータバンクに保存されたデータがエネルギー依存的な吸収係数についてすでに存在する場合である。したがって、この態様では該当する材料について、Ｘ線放射検出器のエネルギーチャネルの個所（ないしはそれぞれの領域）における吸収係数が決定されなければならない。該当する値が、材料の想定される厚みとそれぞれ乗算されなければならない。このような種類の値は、Ｘ線放射検出器がこの種の材料の透過照射をしたとき、それぞれの明画像に対して検出するはずの値に相当する。

トレーニング製品の厚みについては、およびシミュレーションデータの生成のための厚みについても、該当する製品類型の製品の試験時に実際に予想される領域をカバーする値が利用されるのが好ましい。

本発明の別の実施形態では、少なくとも１つのマッピング規則は少なくとも１つの製品類型について第１または第２の成分の全体厚みを決定するために同じくマシンラーニング法によって規定され、相応の学習モードのとき第１の成分の全体厚みを決定するための少なくとも１つの第１のマッピング規則および第２の成分の厚みを決定するための少なくとも１つの第２のマッピング規則が判定され、学習モードのとき両方の成分からなる複数のトレーニング製品がスペクトル分解型のＸ線放射検出器によって検出される。少なくとも１つのマッピング規則を規定するために、それぞれ相違する事前に既知の第１の成分の全体厚みと、同一または相違する第２の成分の全体厚みとを有するトレーニング製品が利用され、少なくとも１つの第２のマッピング規則を規定するために、それぞれ相違する事前に既知の第２の成分の全体厚みと、同一または相違する第１の成分の全体厚みとを有するトレーニング製品が利用される。別案として、少なくとも１つの第１および第２のマッピング規則を規定するために、それぞれ相違する第１の成分の事前に既知の全体厚みと、同一または相違する事前に既知の第２の成分の全体厚みとを有するトレーニング製品を利用することができる。少なくとも１つの第１および第２のマッピング規則を規定するために、トレーニング製品について検出された、全部または選択されたピクセルもしくは隣り合うピクセルの群のスペクトル値または合計スペクトル値をマッピング規則の指標として利用することができ、それぞれ事前に既知の全体厚みがマッピング規則の目標値として利用される。

本発明の１つの実施形態では複数の製品類型を定義することができ、各々の製品類型は、それぞれ同一の第１の成分と、Ｘ線放射に対して相違する吸収係数を有する少なくとも１つの第２の成分からなる製品を含む。このようにして、調べられるべき製品の同一の画像データを用いて複数の全体画像を生成することができ、各々の全体画像の生成のために、それぞれ別の製品類型について１つのマッピング規則が適用される。

次に、図面を参照しながら本発明について詳しく説明する。図面には次のものが示されている。

スペクトル分解型のライン検出器を有する、製品を検査する装置の実施形態の模式図を示している。 スペクトル分解型のライン検出器によって生成された一例としてのエネルギースペクトルを示している。 デュアルエネルギー画像を生成するために、図２に示すエネルギースペクトルのエネルギーチャネルを重みづけするための重みづけプロフィルを示している。 スコア画像を生成するために、図２に示すエネルギースペクトルのエネルギーチャネルを重みづけするための重みづけプロフィルを示している。 重なり合う製品と、第１および第２の材料からなる異物とのデュアルエネルギーグレー値画像（図５ａ）、ならびに、第１の材料からなる異物を視覚化するために最適化された第１のスコア画像（図５ｂ）、および、第２の材料からなる異物を視覚化するために最適化された第２のスコア画像（図５ｃ）を示している。 画像データについての評価方法を説明するための表を示している。

図１は、少なくとも１つのＸ線放射源１０６を備えた放射生成装置１０４と、ライン検出器として構成されたスペクトル分解型のＸ線放射検出器１１４を備えたＸ線放射検出装置１０８とを有する、製品１０２を、特に食料品をＸ線検査する装置１００の第１の実施形態の模式図を示している。

Ｘ線放射源１０６は、調べられるべき製品１０２がＸ線ビーム１１６を通って動く運動方向Ｂに対して垂直に向く中心平面を有する、扇型のＸ線ビーム１１６を生成する。Ｘ線ビーム１１６は運動平面Ｅで、調べられるべき製品１０２がその幅全体でＸ線ビーム１１６により透過照射されるように構成された開き角を有している。製品１０２を動かすために、たとえば搬送ベルトなどの搬送装置（図示せず）が設けられていてよい。

ライン検出器１１４は、たとえば０．８ｍｍの離散した位置解像度すなわちピクセルピッチを有することができる検出ライン１２２を含んでいる。ここでは検出器ライン１２２は、冷却体やその他のコンポーネントも支持することができる支持体１２６の上でほぼ中央に設けられている。冷却体が支持体１２６を構成することもできる。

ライン検出器１１４は、図１に示すとおり、放射線防護ハウジングとして構成されていてよいハウジング１２８の中に設けられていてよい。ハウジング１２８はその上面に、すなわちＸ線放射源１０６のほうを向く側に、ライン検出器１１４のピクセルライン１２２に向かう方向でハウジングへのＸ線ビーム１１６の進入を可能にする開口部１３０を有している。

ただ１つのスペクトル分解型のライン検出器１１４に代えて、２つまたはそれ以上のスペクトル分解型のライン検出器が設けられていてもよい。このことが好ましくあり得るのは、非スペクトル分解型のライン検出器が、それぞれ異なる最大スペクトル幅を検出するために構成される場合である。たとえばスペクトル分解型のライン検出器のうちの１つは、最大で２０ｋｅＶから１６０ｋｅＶのスペクトル幅を、２５６個のエネルギーチャネルのスペクトル分解能をもって有することができ、別のスペクトル分解型のライン検出器は、最大で２０ｋｅＶから８０ｋｅＶのスペクトル幅を、同じく２５６個のエネルギーチャネルの分解能のもとで有することができる。このように、別のスペクトル分解型のライン検出器は、第１のスペクトル分解型のライン検出器よりも２倍高い分解能を有する。

ライン検出器１１４は、評価・制御ユニット１３２に供給される画像データ信号を生成する。評価・制御ユニット１３２は、データ検出ユニット１３４と画像処理ユニット１３６を有することができる。データ検出ユニット１３４には、ライン検出器１１４の画像データが供給される。画像処理ユニット１３６は、画像データの以後の処理と分析のために構成されている。データ検出ユニット１３４は、ライン検出器１１４を特に走査時点に関して適切な仕方で制御するように構成されていてもよい。そのためにデータ検出ユニット１３４はライン検出器にクロック信号を供給することができ、画像データ検出をライン検出器によりクロック信号と同期化して行うことができる。

画像処理ユニット１３６は、ライン検出器１１４により検出された画像データを下記の仕方で処理することができる。

図２は、スペクトル分解型のライン検出器１１４により特定のピクセルについて供給される画像データを一例として示している。ここでは、一例として２０ｋｅＶから８０ｋｅＶの検出されたエネルギー領域全体が特定数のエネルギーチャネルに区分されており、各々のエネルギーチャネルが特定の（通常は一定の）スペクトル幅を有しており、このスペクトル幅は、検出されたスペクトル領域全体の幅を、たとえば１２８または２５６のエネルギーチャネルの数で割ることによって得られる。ライン検出器１１４は各々のエネルギーチャネルについて、図５に「カウント」で表示されたスペクトル値を供給する。このような種類のスペクトル分解型のライン検出器は、通常、個々のフォトンをカウントし、記録されたフォトンがそのエネルギーに依存して特定のエネルギーチャネルに割り当てられるからである。図５に示す推移は、Ｘ線ビーム１１６の光路で製品の存在なしにライン検出器１１４によって生成される典型的な明画像に相当する。このスペクトルは、特定の材料または特定の材料組み合わせからなる製品が、ピクセルによって検出されるＸ線放射の光路に位置しているとき、特徴的な仕方で変化する。

スペクトル値が画像信号とともに、評価・制御ユニット１３６へ画像データとして伝送される。評価・制御ユニット１３６は、この画像データをさまざまな種類の方式で評価することができる。

たとえばライン検出器１１４のスペクトル分解をする能力を活用して、デュアルエネルギー画像を生成することができる。そのために評価・制御ユニット１３６は、スペクトル値の任意の重みづけをピクセルごとに行うことができる。このような重みづけは、それぞれ個々のエネルギーチャネルに、それぞれのスペクトル値と乗算される係数が割り当てられることによって惹起することができる。それにより、選択されたエネルギーチャネルに係数ゼロが割り当てられれば、スペクトルの鋭利な制限を実現することもできる。

図３は、各々のエネルギーチャネルについて別々の重みづけ係数を有する重みづけプロフィルを示している。このプロフィルは複数のエネルギーチャネルについて、スペクトル全体の下側領域とスペクトルの上側領域とでそれぞれ一定の重みづけを意図しており、たとえば下側のスペクトル領域で係数１を有し、上側のスペクトル領域で係数－Ｒを有する。その他すべてのエネルギーチャネルは係数０で重みづけされる。こうして重みづけされたエネルギーチャネルのスペクトル値を、合計スペクトル値の生成のために加算することができ、それによってデュアルエネルギー画像がもたらされる。

すでに上で説明したとおり、スペクトル分解型のライン検出器１１４は、画像データ信号の枠内で評価・制御ユニット１３６にどのエネルギーチャネルが伝送されるかの事前選択を行うように構成されていてもよい。たとえばライン検出器１１４は手動式に、または評価・制御ユニット１３６により、特定のエネルギーチャネルだけを画像データ信号として出力するように設定することができる。ライン検出器１１４は、選択されたエネルギーチャネルをすでに積分して出力するように、すなわち選択されたエネルギーチャネルのスペクトル値を積算するように構成されていてもよい。このケースでは評価・制御ユニット１３６にとって、ライン検出器１１４の画像データの処理のための少ないコストがもたらされる。

このように非スペクトル分解型のライン検出器１１４は、フレキシブルなスペクトルを利用したうえでのデュアルエネルギー画像の生成を可能にする。このことは、ライン検出器１１４の画像データ信号の簡易な評価によって規定することができ、またはライン検出器１１４は、すでに相応のスペクトル的に制限された画像データを、ないしはさらに合計スペクトル値を供給するように制御される（上記参照）。

スペクトル分解型のライン検出器１１４のスペクトルは、調べられるべき製品の特定の製品指標がデュアルエネルギー画像の中でより良く、たとえばいっそう高いコントラストで認識可能となるように、変更することができる。

単一のスキャンによって得られる画像データの評価は、複数の評価が実行されるように行うこともできる。特に、スペクトル分解型のライン検出器１１４の異なる重みづけがなされた画像データを利用したうえで、それぞれ相違するデュアルエネルギー画像を生成することができる。たとえばライン検出器１１４の画像データのスペクトルは評価のときに、鋼材などの特定の材料からなる異物を高いコントラストで認識可能であるように選択することができる（たとえば相応の重みづけによって）。別の評価のときには、たとえばポリエチレンなどの別の材料からなる異物を高いコントラストで認識することができるデュアルエネルギー画像を生成するために、ライン検出器１１４の画像データのスペクトルを別様に選択することができる。

以下において、スペクトル画像データに含まれる完全な情報を、好ましい画像評価によってどのように利用することができるかを説明する。

そのためにまず学習段階が実行され、そのために、評価・制御ユニットを学習モードへと移行させることができる。学習モードでは、全部または選択されたスペクトル値と合計スペクトル値を全体画像の画点の全体画像値にマッピングする、または、全部または選択されたスペクトル値と合計スペクトル値を、透過照射される製品の成分の全体厚みについての値を透過照射方向で見て表す、全体画像の画点の全体画像値にマッピングする、少なくとも１つのマッピング規則が規定される。

たとえば学習段階では、撮影された製品画像の個々のピクセルをその帰属する２５６のエネルギーチャネルとともに表の形態で、図６に示すように配置することができる。このとき各ピクセルは行を形成し、いわゆるオブザベーションを形成する。各々のピクセルのエネルギーチャネルが列を形成し、指標と呼ばれる。

表の各々の行に、およびこれに伴って各々のピクセルに、分類値Ｙ（目標値）が割り当てられる。これは－用途に依存して－コントラスト最適化のケースでは、離散した分類名または分類識別番号であってよく、あるいは層厚決定のケースでは層厚値、たとえば単位ｍｍでの層厚であってよい。それに伴い学習段階では指標と分類値が既知であり、マッピング規則を規定することが重要となる。

異物による汚染を有することがあり得る、調べられるべき製品についてのコントラスト最適化のケースでは、学習プロセスのために第１の成分（汚染されていない製品）の複数の画像を、好ましくはそれぞれ異なる厚みで撮影することができる。これらの画像のピクセルに、たとえば「製品」の分類値が割り当てられる。これに加えて、第１の成分とは相違する吸収係数を有する別の成分の画像が撮影される。これらのピクセルにも、たとえば「汚染物」の分類値が割り当てられる。これら両方のデータセットが図６に示すように表にまとめられ、それに応じてこの表は少なくとも２つの異なる分類値Ｙを含む。

別の実施形態では、学習のために成分１だけをＸ線放射検出器によって検出することができる。少なくとも１つの別の成分については、測定データあるいはシミュレーションデータが機械に格納されていてよく、図６に示す表を作成するために利用することができる。

周期表のすべての元素のエネルギー依存的な質量減衰係数（質量減衰係数＝吸収係数を密度で除したもの）のシミュレーションデータを、データバンクで自由に利用可能である。これから分子の、およびこれに伴って材料汚染の、エネルギー依存的な質量減衰係数を決定することができる。

このようなデータは機械に留保しておき、現実の測定データとともにマッピング規則を規定するために利用することができる。このようなケースでは、学習のために非汚染製品（成分１）をＸ線放射検出器で検出する（スキャンする）だけでよく、潜在的な汚染（すなわち別の成分）はシミュレーションを通じて指標表に別の行として供給される。そのために、潜在的な汚染物（典型的には鉄、特殊鋼、プラスチック、ガラス）の質量減衰係数が、動作温度のときの汚染物の平均密度と、ならびに複数の現実的な厚みと乗算され、そのようにして汚染物の吸収特性を人工的に生起する。このような方式における利点は、利用者が自身の生産ラインから十分な数の（好ましくはその特性の断面を有する）製品を学習プロセスのためにスキャンするだけでよく、すなわちＸ線放射検出器によって相応のスペクトル値を生成するだけでよいことにあり、それは、必要な異物データ（汚染物データ）がすでに機械に存在しており、もしくはシミュレーションデータを通じて生成されるからである。

学習データが取得された後、－コントラスト改善のケースでは－指標をその分類値Ｙを用いて別の表現形式に、特にいわゆるスコア画像に変換するマッピング規則が探索される。スコア画像は、原画像に比べて改善された特性を有している。ただし、マッピング規則が直接的に分類を実行することもできる。

この関連におおける改善された特性は、たとえば第１の成分（たとえばヨーグルト）の全体画像値の、少なくとも１つの別の成分（たとえばガラス汚染物）に対する距離であり、この明細書の枠内ではこれをコントラストとも呼ぶ。目的は、別の（汚染）成分を、変換された画像の中で第１の成分に対していっそう明瞭に、すなわちコントラスト強化して表現することにある。理想的な場合、成分のうちの１つ（多くの場合には第１の成分）がフェードアウトされ、それにより他のすべての成分だけが目に見えるようになる。

図６の表にある分類値を通じて、どの成分がフェードアウトされるべきかを制御することができ、それは、マッピング規則がさまざまな分類値をベースとして分類距離の最大化を行うからである。複数の異なる成分を、１つの分類値にまとめることができる。

１つの特別な態様では、そのために各々のエネルギーチャネルにマッピング係数（重みづけ係数）ｃが割り当てられる。こうして形成された積が合算され、すなわち、それに伴って各指標の線形結合が形成される。

マッピング係数ｃを決定するために、多変量統計の分野の方法を、たとえば相関分析や判別分析を適用することができる。

学習段階でマッピング係数ｃが決定され、これが引き続いての生産段階でスコア画像（結果値）の計算のために適用される。生産段階で画像が撮影され、こうして生成された指標（すなわちエネルギーチャネルのスペクトル値）がマッピング係数ｃと相殺され、それによって新たな分類値Ｙ（結果値）を、いわゆるスコアを決定することができる。すなわちスコア画像では、個々の成分の間の全体画像値の距離が原画像に比べて高くなっている。これに後置される画像処理部が、スコア画像で明らかにいっそう容易に（いっそう確実にいっそう高い感度で）個々の成分を区別することができる。このことは特に異物検出にとって好ましく、それは、誤検出が低減され、小さい汚染物や吸収性の低い汚染物でも高い信頼度で認識されるからである。

図５は、デュアルエネルギー画像であり得る図５（ａ）に示すグレー値画像と、グレースケール画像でもかすかに認識可能である２つの異なる種類の汚染物（それぞれ相違する材料からなる）を明らかに認識することができる２つのスコア画像（図５（ｂ）および図５（ｃ））との比較を示している。すなわちこのケースでは、それぞれ異なる種類の汚染物を識別するために、２つの異なるマッピング規則が並行して適用されている。

別の実施形態ではマッピング規則は、生産段階で各々のピクセルに分類を割り当てる分類子として把握される。そして学習段階は、分類子をトレーニングするための役目を果たす。そのために－上に説明した変換に準じて－、図６に示す表が利用される。分類子として、たとえばサポートベクトルマシン（ＳＶＭ）を利用することができる。これは、両方の分類を、すなわち指標（エネルギーチャネルのスペクトル値）により記述される第１および別の成分を、可能な限り最善に互いに分離するハイパーレベルを探索する。ハイパーレベルは、もっとも単純なケースでは、両方の群を互いに分離する直線である。画分類を線形に分離可能ではないときは、指標を線形に分離可能であるいっそう高い次元の空間へと移行させる。高い次元の空間でのこのような分離線は、ハイパーレベルと呼ばれる。

マッピング規則は、分類子のケースでは、引き続き分析をしなければならない新たな画像値（スコア）へのエネルギーチャネルの本来の意味での変換なのではなく、各々のピクセル（オブザベーション）に分類帰属性（結果値）を直接的に割り当てる。

別の実施形態では、人工ニューラルネットワーク（ＡＮＮ）が利用される。これは、マッピング係数をスペクトル値および／または合計スペクトル値の事前係数として利用することができ－それに伴い、上に略述した線形結合のような変換を実行する－、またはＡＮＮは、生産段階で各々のピクセル（オブザベーション）に分類値を割り当てる分類子を直接的に形成する。

別の実施形態では、スコア画像へのエネルギーチャネルの変換は因子分析を用いて、特に主成分分析を用いて実行される。これはデータセットに含まれる変数を用いて、学習プロセスで既知である分類値を考慮することなく、指標（エネルギーチャネル）の変換を行う。

指標として把握されるエネルギーチャネルの個々のスペクトル値および／または合計スペクトル値のほか、エネルギーチャネル相互の、および／またはそれ自体との任意の組み合わせも考えられる。たとえば、エネルギーチャネルが二乗され、それに伴って２５６の別の指標が生起されるのが好ましいことがあり得る。指標相互の組み合わせ、いわゆる混合項も考えられる。上記の式では、チャネルは線形にのみ現れるのでなく、任意の次数で現れる。マッピング規則そのものは引き続き線形であり、入力データが前処理される。このことが特に好ましいのは、各分類を線形に分離可能ではないが、上に略述したような線形結合による変換が求められる場合である。

層厚決定のケースでは、学習プロセスはしばしば（少なくとも）２つの基準材料をもって行われる。このとき第１の成分の層厚が、他方の成分の層厚を同じにしたままで変更され、次いでこの逆が行われる。基準材料の各々のコンフィグレーションについて、両方の成分の層厚が既知であり、図６の表における分類値Ｙとして利用される。好ましい実施形態では、製品に含まれる各々の成分について別々のモデルが規定される。そのために各々の成分について、図６に示すような独自の表が作成される。それぞれの層厚の比率から、他方の成分に対する第１の成分の比率を決定することができる。ここでの１つの実際例は、しばしばケミカルリーン値（ＣＬ値）として表される肉中の脂割合の決定である。

図６に示す指標表が作成された後、層厚のエネルギーチャネルのスペクトル値および／または合計スペクトル値を成分のうちの少なくとも１つに割り当てるマッピング規則が同じく探索される。

第１の実施形態では、スペクトル値および／または合計スペクトル値の線形結合（各エネルギーチャネルの積も可能である）が形成され、すなわち、各々の指標にマッピング係数ｃが割り当てられる。

Ｙは、上記の式において成分の層厚を表す。

層厚を決定するためのマッピング規則は、回帰問題として把握される。マッピング係数ｃそのものは、第１の実施形態では、多重線形回帰（Ｏ－ＰＬＳ，ｏｒｄｉｎａｒｙ ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ）を用いて決定される。

生産段階で見出された係数が評価され、それに伴って層厚Ｙを予測する。

別の実施形態では、スペクトル値および／または合計スペクトル値をベースとして層厚Ｙを見積るために、人工ニューラルネットワーク（ＡＮＮ）が利用される。

このような回帰問題を解くために慣用されているその他の方法は、サポートベクトル回帰（ＳＶＲ）や、ガウスプロセス回帰（ＧＰＲ）である。

別の実施形態では、個別成分の層厚に代えて、製品中の各成分の（質量）比率が直接的に決定される。そして、図６の表では分類値は各成分の（質量）比率となり、（質量）比率を決定する元になる個々の成分の層厚ではない。

１００ Ｘ線検査をする装置
１０２ 製品
１０４ 放射生成装置
１０６ Ｘ線放射源
１０８ Ｘ線放射検出装置
１１４ スペクトル分解型のライン検出器
１１６ 扇型のＸ線ビーム
１１８ ピクセルライン
１２０ ピクセルライン
１２２ ピクセルライン
１２４ 支持体
１２６ 支持体
１２８ ハウジング
１３０ 開口部
１３２ 評価・制御ユニット
１３４ データ検出ユニット
１３６ 画像処理ユニット
２００ Ｘ線放射検出装置
Ｂ 運動方向

Claims (10)

1. Ｘ線放射に対して異なる吸収係数を有する複数の成分の割合で分類される所定の製品類型に属する製品を、特に食料品をＸ線放射検査する方法において、
   （ａ）Ｘ線放射に対してそれぞれ異なる吸収係数を有する少なくとも１つの第１および第２の成分からなる製品を含む少なくとも１つの製品類型が定義され、
   （ｂ）少なくとも１つの製品類型に属する調べられるべき製品が所定のスペクトル幅を有するＸ線放射で透過照射され、
   （ｃ）製品を通過したＸ線放射が、所定数のピクセルを有していてＸ線放射を各々のピクセルで離散的にスペクトル分解型に検出するスペクトル分解型のＸ線放射検出器によって検出され、前記Ｘ線放射検出器はＸ線放射量子をスペクトル分解のためにそのエネルギーに依存して所定数のエネルギーチャネルに割り当てて、各々のピクセルについて選択された、もしくは全部のエネルギーチャネルについてのスペクトル値を含む、および／または隣り合うエネルギーチャネルの１つまたは複数の群についての合計スペクトル値を含む画像データを生成し、
   （ｄ）少なくとも１つの製品類型について前記画像データを全体画像へと処理するために少なくとも１つのマッピング規則が少なくとも１つの製品類型について規定され、各々の前記マッピング規則は、全部の、または選択された前記スペクトル値と前記合計スペクトル値が全体画像の画点の全体画像値にマッピングされるように構成され、前記マッピング規則はそれぞれすべてのピクセルまたは事前設定された群の１つまたは複数のピクセルに割り当てられ、
   （ｅ）１つまたは複数の前記マッピング規則は、少なくとも１つの製品類型の製品の全体画像において、全部または選択された前記スペクトル値および全部または選択された前記合計スペクトル値の単純な加算によって全体画点をなすように生成されるグレー値画像と比較したとき、１つまたは複数の成分が基準成分に対してコントラスト増大を受けように規定され、
   （ｆ）少なくとも１つの前記マッピング規則は、各々の前記スペクトル値または各々の前記合計スペクトル値にマッピング係数が割り当てられるように規定され、各々の前記スペクトル値および各々の前記合計スペクトル値が割り当てられたマッピング係数と乗算されてそれらの積が加算されることによって、調べられるべき製品の全体画像が生成され、
   （ｇ）少なくとも１つの前記マッピング規則は少なくとも１つの製品類型についてマシンラーニング法によってコントラストを改善するために規定され、
   （ｉ）学習モードのとき、それぞれ成分のうちの１つからなりそれぞれ異なる厚みを有する複数のトレーニング製品がスペクトル分解型のＸ線放射検出器によって検出され、
   （ｉｉ）各々の前記マッピング規則を規定するために、
   （１）前記トレーニング製品について検出された、全部または選択されたピクセルもしくは隣り合うピクセルの群の前記スペクトル値または前記合計スペクトル値が前記マッピング規則の指標として利用され、
   （２）所定の分類値が前記マッピング規則の目標値として利用され、同一の成分からなるすべてのトレーニング製品についての分類値は同一であり、
   （３）全部または選択された前記スペクトル値および／または前記合計スペクトル値の線形結合の型式の少なくとも一つの前記マッピング規則は、多変量分析法を用いて規定される方法。
2. 少なくとも１つの前記マッピング規則は、少なくとも２つの成分を所定の分類に割り当てる分類子であることを特徴とする、請求項１に記載の方法。
3. 前記分類子は人工ニューラルネットワークであり、またはサポートベクトルマシンであることを特徴とする、請求項２に記載の方法。
4. 少なくとも１つの前記マッピング規則は、少なくとも２つの群の選択された隣り合うエネルギーチャネルの前記スペクトル値または相応の前記合計スペクトル値がそれぞれ一定の重みづけ係数と乗算されてそれらの積が加算されることによって、前記画像データからデュアルエネルギー画像または多重エネルギー画像が生成されるように規定されることを特徴とする、請求項１から３のいずれか１項に記載の方法。
5. 少なくとも１つの前記マッピング規則は、隣り合うエネルギーチャネルの群がスペクトル的に重なり合わないように規定され、または前記Ｘ線放射検出器は、重なり合わない群のエネルギーチャネルについての前記スペクトル値だけを画像信号が含むように、または重なり合わない群のエネルギーチャネルについての前記合計スペクトル値をすでに含むように作動または制御されることを特徴とする、請求項４に記載の方法。
6. 前記多変量分析法として相関分析または判別分析が使用されることを特徴とする、請求項１から５のいずれか１項に記載の方法。
7. 既知の材料を有する成分からなるトレーニング製品について得られた検出される前記スペクトル値または前記合計スペクトル値に代えてシミュレーションデータが利用され、シミュレーションデータは、エネルギー依存的な吸収係数についての事前に既知の値と、適切に選択された厚みとの積を含むことを特徴とする、請求項１から６のいずれか１項に記載の方法。
8. 複数の製品類型が定義され、各々の製品類型は、それぞれ同一の第１の成分と、Ｘ線放射に対して相違する吸収係数を有する少なくとも１つの第２の成分からなる製品とを含み、調べられるべき製品の同一の画像を利用して複数の全体画像が生成され、各々の全体画像の生成のためにそれぞれ異なる製品類型についての前記マッピング規則が適用されることを特徴とする、先行請求項１から７のうちいずれか１項に記載の方法。
9. Ｘ線放射に対して異なる吸収係数を有する複数の成分の割合で分類される所定の製品類型に属する製品を、特に食料品をＸ線検査する装置において、
   （ａ）所定のスペクトル幅を有するＸ線放射を生成するための少なくとも１つのＸ線放射源を有する放射生成装置と、
   （ｂ）所定数のピクセルを有し、調べられるべき製品を通過するＸ線放射を各々のピクセルで離散的にスペクトル分解して検出するスペクトル分解型のＸ線放射検出器とを有し、前記Ｘ線放射検出器はＸ線放射量子をスペクトル分解するためにそのエネルギーに依存して所定数のエネルギーチャネルに割り当てて、各々のピクセルについて選択された、または全部のエネルギーチャネルについてのスペクトル値を含む、および／または１つまたは複数の群の隣り合うエネルギーチャネルについての合計スペクトル値を含む画像データを生成し、および、
   （ｃ）前記Ｘ線放射検出器により生成される前記画像データが供給され、先行請求項１から８のうちいずれか１項に記載の方法を実施するために構成された評価・制御ユニットを有している装置。
10. 前記評価・制御ユニットはメモリまたはメモリ領域を有し、その中に少なくとも１つのマッピング規則が少なくとも１つの製品類型について、特に多数の製品類型について保存されることを特徴とする、請求項９に記載の装置。

Images