JP7248284B2 - 異物の検出装置及び異物の検出方法ならびに異物の検出プログラム - Google Patents
異物の検出装置及び異物の検出方法ならびに異物の検出プログラム Download PDFInfo
- Publication number
- JP7248284B2 JP7248284B2 JP2019022076A JP2019022076A JP7248284B2 JP 7248284 B2 JP7248284 B2 JP 7248284B2 JP 2019022076 A JP2019022076 A JP 2019022076A JP 2019022076 A JP2019022076 A JP 2019022076A JP 7248284 B2 JP7248284 B2 JP 7248284B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- light
- image data
- photographed
- exposure
- 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
Images
Landscapes
- Image Analysis (AREA)
- Catching Or Destruction (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Input (AREA)
Description
特許文献1「白色系食品の異物検出装置」には、「白色系食品20に混入した有色異物を検出する白色系食品の異物検出装置において、前記白色系食品を搬送する搬送コンベア10と、該搬送コンベアの上方に設置され前記食品の光学画像を撮像するカメラ14と、該画像に対して2値化処理を含む画像処理を行い異物を検出する画像処理手段と、を備えた装置であって、前記搬送コンベア10のうち前記食品20が載置されるベルト面10aを白色光透過性材料で形成するとともに、前記搬送コンベア上の撮像領域Aより上方に位置して前記撮像領域に向けて白色光を照射する第1の白色照明16、17と、該撮像領域に対して前記ベルト面の下方から白色光を照射する第2の白色照明18と、を備えた構成とする。」。そして、「凹凸のある検出対象であっても高精度で以って異物検出を行うことができる白色系食品の異物検出装置を提供する。」とされる。
1.異物(本件では昆虫)が付いた撮影対象物(本件ではレタス)に光を照射し、適正露出以上に露出を上げた状態を含む複数の状態で撮影し、異なる露出の画像を得る。
2.露出を上げると撮影対象物である背景は白っぽくなり、異物が見えやすくなる。
3.異なる露出の画像データを複数得る。
4.複数の異なる露出の画像データを基に、ディープラーニングの手法により異物を検出することで、異物の発見が容易となる。
5.異物(本件では昆虫)が付いた撮影対象物(本件ではレタス)に撮影対象物色と同色乃至近似した光を照射する。例えば、レタスの場合は、緑色の光の領域(波長495-570 nm)の光を照射し、撮影対象物である白色野菜に紫色光あるいは、青色光あるいは、紫外光を照射するとともに適正露出以上に露出を上げた状態を含む複数の状態で撮影し、異なる露出の画像を得ると、更に有効である。
この光の周波数を求めるため、撮影対象物(被写体)に紫外光から赤外線光までの波長の異なる例えばLED照明の光を連続変化させて撮影し、白く撮影されている面積をコンピュータで計算することによって、異物検出に必要な光の周波数を特定することができる。
そして、撮影対象物(被写体)に、異物検出に必要な光の周波数を特定した、周波数の光をあてることで、より効率良く異物を特定できる。
画像データから異物である抽出対象物を抽出した画像解析にあたり、
照射部で撮影対象物に光を照射するとともに適正露出以上に露出を上げた状態を含む複数の光の波長を撮影対象物に照射した状態で撮影した異なる露出の画像を画像データ取得部で得るとともに、画像データ取得部から得られる、画像データである前記画像から異物である前記抽出対象物を判別する処理をコンピュータに実行させる異物判別装置であって、
コンピュータは、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と、を備え、
撮影対象物に照射する光は、
異物である前記抽出対象物を含んでいる撮影対象物に、紫外光から赤外線光まで波長の異なる光を連続変化させて照射部で照射するとともに、適正露出以上に露出を上げて画像データ取得部で撮影し、
コンピュータは、画像データ取得部で得られた撮影したそれぞれの画像で白く撮影されている面積を演算し、それぞれの画像を比較することによって、画像で最も被写体が白く撮影されているものに使用された光の周波数が異物検出に適した光の周波数と判断し、
異物検出に必要な光の周波数を特定することを特徴とする異物の判別装置、
からなる。
それぞれの画像の比較は、得られた複数枚の画像を重ね合わせてAIで判断する異物の判別装置、
からなる。
画像データから異物である抽出対象物を抽出した画像解析にあたり、
照射部で撮影対象物に光を照射するとともに適正露出以上に露出を上げた状態を含む複数の光の波長を撮影対象物に照射した状態で撮影し、異なる露出の画像を画像データ取得部で得るとともに、画像データ取得部から得られる、画像データである前記画像から異物である前記抽出対象物を判別する処理をコンピュータに実行させる異物判別方法であって、
コンピュータでは、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、を備え、
撮影対象物に照射する光は、
異物である前記抽出対象物を含んでいる撮影対象物に、紫外光から赤外線光まで波長の異なる光を連続変化させて照射部で照射するとともに、適正露出以上に露出を上げて画像データ取得部で撮影し、
コンピュータは、画像データ取得部で得られた撮影したそれぞれの画像で白く撮影されている面積を演算し、それぞれの画像を比較することによって、画像で最も被写体が白く撮影されているものに使用された光の周波数が異物検出に適した光の周波数と判断し、
異物検出に必要な光の周波数を特定することを特徴とする異物の判別方法、
からなる。
それぞれの画像の比較は、得られた複数枚の画像を重ね合わせてAIで判断する異物の判別方法、
からなる。
画像データから異物である抽出対象物を抽出した画像解析にあたり、
照射部で撮影対象物に光を照射するとともに適正露出以上に露出を上げた状態を含む複数の光の波長を撮影対象物に照射した状態で撮影し、異なる露出の画像を画像データ取得部で得るとともに、画像データ取得部から得られる、画像データである前記画像から異物である前記抽出対象物を判別する処理をコンピュータに実行させるためのプログラムであって、
コンピュータでは、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、を備え、
撮影対象物に照射する光は、
異物である前記抽出対象物を含んでいる撮影対象物に、紫外光から赤外線光まで波長の異なる光を連続変化させて照射するとともに、適正露出以上に露出を上げて画像データ取得部で撮影し、コンピュータでは、画像データ取得部で得られた撮影したそれぞれの画像で白く撮影されている面積を演算し、それぞれの画像を比較することによって、画像で最も被写体が白く撮影されているものに使用された光の周波数が異物検出に適した光の周波数と判断し、
異物検出に必要な光の周波数を特定することを特徴とする異物の判別プログラム、
からなる。
それぞれの画像の比較は、得られた複数枚の画像を重ね合わせてAIで判断する異物の判別プログラム、
からなる。
第1実施例
異物の判別装置、異物の判別方法、ならびに異物の判別プログラムの実施の形態について、説明する。
異物の判別装置である画像判別装置1は、照射部(照射手段)11、画像データ取得部(画像データ取得手段)21、操作入力情報取得部(操作入力情報取得手段)12、画像データ分割処理部(画像データ分割処理手段、区分分割手段)13、画像識別処理部(画像識別処理手段)14、識別結果変換処理部(識別結果変換処理手段)15、画像処理部(画像処理手段)16、出力処理部(出力処理手段)17、および、記憶部(記憶手段)18を有する。
なお、可視光の波長は以下とされる。
紫 380-450 nm
青 450-495 nm
緑 495-570 nm
黄 570-590 nm
橙 590-620 nm
赤 620-750 nm
赤外線光の波長は、以下とされる。
近赤外線は、波長がおよそ0.7 - 2.5 μm
中赤外線は、波長がおよそ2.5 - 4 μm
遠赤外線は、波長がおよそ4 - 1000 μm
紫外線は、10 - 400 nm
モロヘイヤ、にら、さやいんげん、ささげ、藤豆、青梗菜(チンゲンサイ)、山椒(さんしょう)、枝豆、そら豆、ターツァイ、かぼす、ハーブ類、アボガド(アボカド)、アロエ、すだち、ライム、キウイ、すいか、メロン、ブロッコリー、つるむらさき、春菊、ほうれん草類、からし菜類、広島菜、壬生菜、セロリ、ふき、アーティチョーク、小松菜、きゅうり、レタス、サラダ菜、エンダイブ、オクラ、おかひじき、つる菜、えんどう、ピーマン、大阪白菜、クレソン、アスパラガス、あしたば、青じそ(大葉)、かぼちゃがある。
図1に図示するように、撮影対象物Wである、緑色野菜この実施例では、レタスには、抽出対象物である異物A、この実施例では昆虫Aがついている。
異物(本件では昆虫A)が付いた撮影対象物W(本件ではレタス)に撮影対象物色と同色乃至近似した光を照射する。レタスの場合は、緑色の光の領域(波長495-570 nm)を照射する。
レタスに、緑色光を照射するとともに、適正露出以上に露出を上げて撮影し、緑色光の反射光を取り入れ画像データを得て、画像データから異物を判別する異物の判別装置、異物の判別方法、ならびに異物の判別プログラムからなる。
露出を上げると撮影対象物W(本件ではレタス)である背景は白っぽくなり、異物Aが見えやすくなる。
そこで、適正露出の画像を含め、適正露出以上に露出を上げた露出過多の画像等、異なる露出の画像を複数得る。
得られた複数の画像を基に、ディープラーニングの手法によることで、異物の発見が容易となる。
図7この発明の実施の形態である第1実施例のレタスに、可視光である緑色光を照射し適正露出以上に露出を上げて撮影した画像図である。
図8は、この発明の実施の形態である第2実施例のレタスに、可視光である緑色光を照射し適正露出で撮影した画像図である。
図9、図10は、この発明の実施の形態である第2実施例のレタスに、可視光である緑色光を照射し適正露出以上に露出を上げて撮影した画像図である。
図11は、この発明の実施の形態である第3実施例のレタスに、可視光である緑色光を照射し適正露出で撮影した画像図である。
図12、図13は、この発明の実施の形態である第3実施例のレタスに、可視光である緑色光を照射し適正露出以上に露出を上げて撮影した画像図である。
図14は、この発明の実施の形態である第4実施例のレタスに、可視光である緑色光を照射し適正露出で撮影した画像図である。
図15、図16は、この発明の実施の形態である第4実施例のレタスに、可視光である緑色光を照射し適正露出以上に露出を上げて撮影した画像図である。
図17は、この発明の実施の形態である第5実施例のレタスに、可視光である緑色光を照射適正露出で撮影した画像図である。
図18、図19は、この発明の実施の形態である第5実施例のレタスに、可視光である緑色光を照射し適正露出以上に露出を上げて撮影した画像図である。
図20は、この発明の実施の形態である第6実施例のレタスに、可視光である緑色光を照射し適正露出で撮影した画像図である。
図21、図22、図23、図24、図25、図26、図27は、この発明の実施の形態である第6実施例のレタスに、可視光である緑色光を照射し適正露出以上に露出を上げて撮影した画像図である。
第7実施例に係るこの実施の形態では、赤色野菜、赤色果物Wでは、照射部11では同色同系色、近似した色の光であるLEDの赤色光(620-750 nm)あるいは、近赤外線(0.7 - 2.5 μm)を使用する。
赤色野菜、赤色果物としては、にんじん、トマト、いちご、スイカ、トウガラシ、パプリカ、茗荷(みょうが)、ビーツ、りんご、さくらんぼ、桃(もも)、ルバーブ、唐辛子、赤ピーマンがある。
図1に図示するように、撮影対象物Wである、赤色野菜、赤色果物Wこの実施例では、ニンジンには、異物A、この実施例では昆虫Aがついている。
異物(本件では昆虫A)が付いた撮影対象物W(本件ではニンジン)に撮影対象物色と同色乃至近似した光を照射する。ニンジンの場合は、赤色光(620-750 nm)あるいは、近赤外線(0.7 - 2.5 μm)を照射する。
適正露出以上に露出を上げて撮影し、赤色光または近赤外線光の反射光を取り入れ画像データを得て、画像データから異物を判別する異物の判別装置、異物の判別方法、ならびに異物の判別プログラムからなる。
そこで、適正露出の画像を含め、適正露出以上に露出を上げた露出過多の画像等、異なる露出の画像を複数得る。
得られた複数の画像を基に、ディープラーニングの手法によることで、異物の発見が容易となる。
第8実施例に係るこの実施の形態では、照射部11は、この実施の形態では、オレンジ色野菜、オレンジ色果実Wでは、照射部11では同色同系色、近似した色の光であるLEDのオレンジ色、橙色 光(590-620 nm)を使用する。
オレンジ色野菜、オレンジ色果実としては、かぼちゃ、にんじん、パパイヤ、柿、ゆず、マンゴー、あんず、オレンジ、びわがある。
図1に図示するように、撮影対象物Wである、オレンジ色野菜、オレンジ色果実この実施例では、かぼちゃには、異物A、この実施例では昆虫Aがついている。
異物(本件では昆虫A)が付いた撮影対象物W(本件ではかぼちゃ)に撮影対象物色と同色乃至近似した光を照射する。かぼちゃの場合は、オレンジ色、橙色 光(590-620 nm)の光の領域を照射する。
露出を上げると撮影対象物W(本件ではかぼちゃ)である背景は白っぽくなり、異物が見えやすくなる。
そこで、適正露出の画像を含め、適正露出以上に露出を上げた露出過多の画像等、異なる露出の画像を複数得る。
得られた複数の画像を基に、ディープラーニングの手法によることで、異物の発見が容易となる。
第9実施例に係るこの実施の形態では、照射部11は、この実施の形態では、黄色野菜、黄色果実Wでは、照射部11では同色同系色、近似した色の光であるLEDの黄色光(570-590 nm)を使用する。
黄色野菜、黄色果実としては、かぼちゃ、たまねぎ、レモン、きんかん、梨(ナシ)、パイナップル、グレープフルーツ、バナナ、とうもろこしがある。
図1に図示するように、撮影対象物Wである、黄色野菜、黄色果実この実施例では、たまねぎには、異物A、この実施例では昆虫Aがついている。
異物(本件では昆虫A)が付いた撮影対象物W(本件ではたまねぎ)に撮影対象物色と同色乃至近似した光を照射する。たまねぎの場合は、黄色光(570-590 nm)の光の領域を照射する。
たまねぎに、黄色光(570-590 nm)を照射するとともに、適正露出以上に露出を上げて撮影し、
黄色光(570-590 nm)の反射光を取り入れ画像データを得て、画像データから異物を判別する異物の判別装置、異物の判別方法、ならびに異物の判別プログラムからなる。
露出を上げると撮影対象物W(本件ではたまねぎ)である背景は白っぽくなり、異物が見えやすくなる。
そこで、適正露出の画像を含め、適正露出以上に露出を上げた露出過多の画像等、異なる露出の画像を複数得る。
得られた複数の画像を基に、ディープラーニングの手法によることで、異物の発見が容易となる。
第10実施例に係るこの実施の形態では、照射部11は、この実施の形態では、紫色野菜、紫色果実Wでは、照射部11では同色同系色、近似した色の光であるLEDの紫色光(380-450 nm)を使用する。
紫色野菜、紫色果実としては、ブルーベリー、なす、ベリー類、ぶどうがある。
図1に図示するように、撮影対象物Wである、紫色野菜、紫色果実この実施例では、なすには、異物A、この実施例では昆虫Aがついている。
異物(本件では昆虫A)が付いた撮影対象物W(本件ではなす)に撮影対象物色と同色乃至近似した光を照射する。なすの場合は、紫色光(380-450 nm)の光の領域を照射する。
なすに、紫色光(380-450 nm)を照射するとともに、適正露出以上に露出を上げて撮影し、
紫色光(380-450 nm)の反射光を取り入れ画像データを得て、画像データから異物を判別する異物の判別装置、異物の判別方法、ならびに異物の判別プログラムからなる。
露出を上げると撮影対象物W(本件ではなす)である背景は白っぽくなり、異物が見えやすくなる。
そこで、適正露出の画像を含め、適正露出以上に露出を上げた露出過多の画像等、異なる露出の画像を複数得る。
得られた複数の画像を基に、ディープラーニングの手法によることで、異物の発見が容易となる。
第11実施例に係るこの実施の形態では、照射部11は、この実施の形態では、白色野菜、白色果実Wでは、照射部11ではLEDの紫色光(380-450 nm)あるいは、青色光(450-495 nm)あるいは、紫外光(10 - 400 nm)を使用する。
白色野菜、白色果実としては、大根、キャベツ、わさび、ねぎ、にんにく、たまねぎ、セロリアック(セロリラブ)、かぶ、れんこん、ゆり根、もやし、かいわれ菜、うど、たけのこ、白菜、チコリ(アンディーブ)がある。
図1に図示するように、撮影対象物Wである、白色野菜、白色果実この実施例では、大根には、異物A、この実施例では昆虫Aがついている。
異物(本件では昆虫A)が付いた撮影対象物W(本件では大根)に大根の場合は、紫色光(380-450 nm)あるいは、青色光(450-495 nm)あるいは、紫外光(10 - 400 nm)の光の領域を照射する。
大根に、紫色光(380-450 nm)あるいは、青色光(450-495 nm)あるいは、紫外光(10 - 400 nm)を照射するとともに、適正露出以上に露出を上げて撮影し、紫色光(380-450 nm)等の反射光を取り入れ画像データを得て、画像データから異物を判別する異物の判別装置、異物の判別方法、ならびに異物の判別プログラムからなる。
露出を上げると撮影対象物W(本件では大根)である背景は白っぽくなり、異物が見えやすくなる。
そこで、適正露出の画像を含め、適正露出以上に露出を上げた露出過多の画像等、異なる露出の画像を複数得る。
得られた複数の画像を基に、ディープラーニングの手法によることで、異物の発見が容易となる。
第12実施例では、異物を含んでいる撮影対象物(被写体)に、紫外光から赤外線光まで波長の異なる例えばLED照明の光を連続変化させて照射する(光の周波数をスィープして)、とともに、適正露出以上に露出を上げて撮影した場合、画像で最も被写体が白く撮影されているものに使用された光の周波数が異物検出に適した光の周波数といえる。
この光の周波数を求めるため、撮影対象物(被写体)に紫外光から赤外線光までの波長の異なる例えばLED照明の光を連続変化させて撮影し、撮影したそれぞれの画像で白く撮影されている面積をコンピュータで演算、計算することによって、それぞれの画像を比較する。得られた画像で最も被写体が白く撮影されているものに使用された光の周波数が異物検出に適した光の周波数と判断し、異物検出に必要な光の周波数を特定し、その光の周波数を使用する。
図1に図示するように、撮影対象物Wである、緑色野菜この実施例では、レタスには、抽出対象物である異物A、この実施例では昆虫Aがついている。
異物(本件では昆虫A)が付いた撮影対象物W(本件ではレタス)に、適正露出以上に露出を上げて撮影した場合、画像で最も被写体が白く撮影されているものに使用された光の周波数の光を照射する。レタスの場合は、緑色の光の領域(波長495-570 nm)を照射する。
レタスに、緑色光を照射するとともに、適正露出以上に露出を上げて撮影し、緑色光の反射光を取り入れ画像データを得て、画像データから異物を判別する異物の判別装置、異物の判別方法、ならびに異物の判別プログラムからなる。
露出を上げると撮影対象物W(本件ではレタス)である背景は白っぽくなり、異物Aが見えやすくなる。
そこで、適正露出の画像を含め、適正露出以上に露出を上げた露出過多の画像等、異なる露出の画像を複数得る。
得られた複数の画像を基に、ディープラーニングの手法によることで、異物の発見が容易となる。
画像データ取得部(画像データ取得手段)21は、例えば、デジタルスチルカメラ、ラインセンサカメラ等により第1実施例乃至第12実施例で撮像された、検査対象物の画像データを取得し、画像データ分割処理部13に供給する。
図6乃至図27に図示する第1実施例乃至第12実施例で撮像された、異なる露出の画像データで受光された画像を重ね合わせた画像を得る。
第1実施例乃至第12実施例では、昆虫Aは、露出を変化させることで、白っぽい撮影対象物Wである背景に黒い点として検出されるため色と形状をAIに学習させ形状によって識別させることが出来る(図6乃至図27参照)。
ディープラーニングを用いたAIに学習させる方法をとらないと色と形状を用いた異物である昆虫Aの検出が困難であるので必ずディープラーニングを用いたAIを使用する必要がある。
人工知能 (AI) の一部であるディープラーニングは、人間と同じように、コンピューターがrawデータから新しい概念を習得できるようにするものである。ディープラーニングシステムでは、特定のイメージをそれぞれ数千通り確認すると、その違いを特定できる。
異なる露出で受光した画像を得て、重ね合わせた画像を得る。
画像データ分割処理部13により分割されるセルの大きさは、ユーザにより指定可能で
ある。画像データ分割処理部13は、区分分割手段に対応する。また、セルは、区分分割手段により分割された区分に対応する。なお、セルは、画像データ分割処理部13により分割された区分に対応する所定の大きさの画像領域であり、縦横同画素数数からなる画素の正方形の領域で構成しても、縦横のサイズの異なる長方形の領域で構成されるようにしてもよい。
従来の、画像や音声等の認識・識別技術では、ユーザが特徴量を設定し、その後、その特徴量を基に分類アルゴリズムにかけて、抽出対象物が分類されていたが、ディープラーニングを用いて、画像識別処理部14に機械学習を行わせることにより、ユーザによる特徴量の設定を必要とすることなく、抽出対象物を抽出することが可能である。画像識別処理部14は、画像データ分割処理部13、または、画像処理部16から供給された画像データを構成するそれぞれのセルが抽出対象物である確率を算出し、識別結果変換処理部15に供給する。画像識別処理部14は、画像識別手段に対応する。
記憶部18は、内蔵された記憶媒体、または、装着されたリムーバブル記憶媒体に、出力処理部17から供給された処理後の画像データを記憶する。
また、このようにして得られた対象物の抽出結果には、例えば、昆虫Aと紛らわしい部分が昆虫Aとともに抽出されてしまうことがなく、目視の確認に近い解析結果を得ることが可能となる。
2 入力部
3 出力部
11 照射部
12 操作入力情報取得部(操作入力情報取得手段)
13 画像データ分割処理部(画像データ分割処理手段、区分分割手段)
14 画像識別処理部(画像識別処理手段)
15 識別結果変換処理部(識別結果変換処理手段)
16 画像処理部(画像処理手段)
17 出力処理部(出力処理手段)
18 記憶部(記憶手段)
21 画像データ取得部(画像データ取得手段)
A 抽出対象物(昆虫)
W 撮影対象物
Claims (6)
- 画像データから異物である抽出対象物を抽出した画像解析にあたり、
照射部で撮影対象物に光を照射するとともに適正露出以上に露出を上げた状態を含む複数の光の波長を撮影対象物に照射した状態で撮影した異なる露出の画像を画像データ取得部で得るとともに、画像データ取得部から得られる、画像データである前記画像から異物である前記抽出対象物を判別する処理をコンピュータに実行させる異物判別装置であって、
コンピュータは、
前記画像データを区分分割する区分分割手段と、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果を有し、前記機械学習結果に基づいて、前記区分分割手段により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別手段と、
前記画像識別手段により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換手段と、
前記識別結果変換手段により変換された前記画素値を有する画像に画像処理を行う画像処理手段と、を備え、
撮影対象物に照射する光は、
異物である前記抽出対象物を含んでいる撮影対象物に、紫外光から赤外線光まで波長の異なる光を連続変化させて照射部で照射するとともに、適正露出以上に露出を上げて画像データ取得部で撮影し、
コンピュータは、画像データ取得部で得られた撮影したそれぞれの画像で白く撮影されている面積を演算し、それぞれの画像を比較することによって、画像で最も被写体が白く撮影されているものに使用された光の周波数が異物検出に適した光の周波数と判断し、
異物検出に必要な光の周波数を特定することを特徴とする異物の判別装置。 - それぞれの画像の比較は、得られた複数枚の画像を重ね合わせてAIで判断する請求項1記載の異物の判別装置。
- 画像データから異物である抽出対象物を抽出した画像解析にあたり、
照射部で撮影対象物に光を照射するとともに適正露出以上に露出を上げた状態を含む複数の光の波長を撮影対象物に照射した状態で撮影し、異なる露出の画像を画像データ取得部で得るとともに、画像データ取得部から得られる、画像データである前記画像から異物である前記抽出対象物を判別する処理をコンピュータに実行させる異物判別方法であって、
コンピュータでは、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、を備え、
撮影対象物に照射する光は、
異物である前記抽出対象物を含んでいる撮影対象物に、紫外光から赤外線光まで波長の異なる光を連続変化させて照射部で照射するとともに、適正露出以上に露出を上げて画像データ取得部で撮影し、
コンピュータは、画像データ取得部で得られた撮影したそれぞれの画像で白く撮影されている面積を演算し、それぞれの画像を比較することによって、画像で最も被写体が白く撮影されているものに使用された光の周波数が異物検出に適した光の周波数と判断し、
異物検出に必要な光の周波数を特定することを特徴とする異物の判別方法。 - それぞれの画像の比較は、得られた複数枚の画像を重ね合わせてAIで判断する請求項3記載の異物の判別方法。
- 画像データから異物である抽出対象物を抽出した画像解析にあたり、
照射部で撮影対象物に光を照射するとともに適正露出以上に露出を上げた状態を含む複数の光の波長を撮影対象物に照射した状態で撮影し、異なる露出の画像を画像データ取得部で得るとともに、画像データ取得部から得られる、画像データである前記画像から異物である前記抽出対象物を判別する処理をコンピュータに実行させるためのプログラムであって、
コンピュータでは、
前記画像データを区分分割する区分分割ステップと、
ディープラーニングの手法による前記抽出対象物の特徴量の機械学習結果に基づいて、前記区分分割ステップの処理により分割された前記画像データの前記区分ごとに、前記区分が前記抽出対象物である確率を算出する画像識別ステップと、
前記画像識別ステップの処理により算出された、前記区分ごとの前記抽出対象物である確率を画素値に変換する識別結果変換ステップと、
前記識別結果変換ステップの処理により変換された前記画素値を有する画像に画像処理を行う画像処理ステップと、を備え、
撮影対象物に照射する光は、
異物である前記抽出対象物を含んでいる撮影対象物に、紫外光から赤外線光まで波長の異なる光を連続変化させて照射するとともに、適正露出以上に露出を上げて画像データ取得部で撮影し、コンピュータでは、画像データ取得部で得られた撮影したそれぞれの画像で白く撮影されている面積を演算し、それぞれの画像を比較することによって、画像で最も被写体が白く撮影されているものに使用された光の周波数が異物検出に適した光の周波数と判断し、
異物検出に必要な光の周波数を特定することを特徴とする異物の判別プログラム。 - それぞれの画像の比較は、得られた複数枚の画像を重ね合わせてAIで判断する請求項5記載の異物の判別プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019022076A JP7248284B2 (ja) | 2019-02-08 | 2019-02-08 | 異物の検出装置及び異物の検出方法ならびに異物の検出プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019022076A JP7248284B2 (ja) | 2019-02-08 | 2019-02-08 | 異物の検出装置及び異物の検出方法ならびに異物の検出プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020128941A JP2020128941A (ja) | 2020-08-27 |
JP7248284B2 true JP7248284B2 (ja) | 2023-03-29 |
Family
ID=72175345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019022076A Active JP7248284B2 (ja) | 2019-02-08 | 2019-02-08 | 異物の検出装置及び異物の検出方法ならびに異物の検出プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7248284B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7195467B1 (ja) | 2022-02-28 | 2022-12-23 | 株式会社エクサウィザーズ | 学習モデルの生成方法、学習用データの生成方法、コンピュータプログラム及び情報処理装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004028930A (ja) | 2002-06-28 | 2004-01-29 | Hitachi Industries Co Ltd | 容器内異物検出装置および容器内異物検出方法 |
JP2010091530A (ja) | 2008-10-10 | 2010-04-22 | Hitachi Plant Technologies Ltd | 異物検査方法および異物検査装置 |
JP2016099175A (ja) | 2014-11-19 | 2016-05-30 | サムテック・イノベーションズ株式会社 | 物品検査装置 |
US20180172602A1 (en) | 2015-06-03 | 2018-06-21 | Christian Beck | System and method for inspecting containers using multiple radiation sources |
JP2018185552A (ja) | 2017-04-24 | 2018-11-22 | 公益財団法人鉄道総合技術研究所 | 画像解析装置および画像解析方法、ならびにプログラム |
-
2019
- 2019-02-08 JP JP2019022076A patent/JP7248284B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004028930A (ja) | 2002-06-28 | 2004-01-29 | Hitachi Industries Co Ltd | 容器内異物検出装置および容器内異物検出方法 |
JP2010091530A (ja) | 2008-10-10 | 2010-04-22 | Hitachi Plant Technologies Ltd | 異物検査方法および異物検査装置 |
JP2016099175A (ja) | 2014-11-19 | 2016-05-30 | サムテック・イノベーションズ株式会社 | 物品検査装置 |
US20180172602A1 (en) | 2015-06-03 | 2018-06-21 | Christian Beck | System and method for inspecting containers using multiple radiation sources |
JP2018185552A (ja) | 2017-04-24 | 2018-11-22 | 公益財団法人鉄道総合技術研究所 | 画像解析装置および画像解析方法、ならびにプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2020128941A (ja) | 2020-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Combination of laser-light backscattering imaging and computer vision for rapid determination of oil palm fresh fruit bunches maturity | |
Li et al. | Fast detection and visualization of early decay in citrus using Vis-NIR hyperspectral imaging | |
Moallem et al. | Computer vision-based apple grading for golden delicious apples based on surface features | |
Li et al. | Multispectral detection of skin defects of bi-colored peaches based on vis–NIR hyperspectral imaging | |
Wang et al. | Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging | |
Kodagali et al. | Computer vision and image analysis based techniques for automatic characterization of fruits-a review | |
Ganiron | Size properties of mangoes using image analysis | |
US10379035B2 (en) | Appearance inspection apparatus and appearance inspection method | |
Zhang et al. | Date maturity and quality evaluation using color distribution analysis and back projection | |
Bennedsen et al. | Performance of a system for apple surface defect identification in near-infrared images | |
Vadivambal et al. | Bio-imaging: principles, techniques, and applications | |
Zhang et al. | Detection of common defects on mandarins by using visible and near infrared hyperspectral imaging | |
Li et al. | Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging | |
Balasundaram et al. | Spectral reflectance characteristics of citrus canker and other peel conditions of grapefruit | |
CN113256575B (zh) | 一种基于结构化高光谱系统的水果缺陷检测方法 | |
JP7262766B2 (ja) | 異物の検出装置 | |
JP7248284B2 (ja) | 異物の検出装置及び異物の検出方法ならびに異物の検出プログラム | |
Alfatni et al. | Recent methods and techniques of external grading systems for agricultural crops quality inspection-review | |
Dong et al. | Detection of thrips defect on green-peel citrus using hyperspectral imaging technology combining PCA and B-spline lighting correction method | |
Li et al. | Pickled and dried mustard foreign matter detection using multispectral imaging system based on single shot method | |
JP7510145B2 (ja) | 肉の骨の判別装置等の判別装置及び肉の骨判別方法等の判別方法、ならびに肉の骨判別プログラム等の判別プログラム | |
Devi et al. | Machine vision applications to locate fruits, detect defects and remove noise: a review | |
Alam et al. | Apple defects detection using principal component features of multispectral reflectance imaging | |
KR102205445B1 (ko) | 다분광 형광 영상을 이용한 가공 채소류 측 이물질 검출시스템 및 검출방법 | |
Davies | Machine vision in the food industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20210401 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211224 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221206 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230117 |
|
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: 20230307 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230309 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7248284 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |