JP7400651B2 - 箱選定装置、梱包実績修正方法、及び梱包実績修正プログラム - Google Patents

Description

本発明は、箱選定装置、梱包実績修正方法、及び梱包実績修正プログラムに関する。

従来、例えば特許文献１に記載されるような箱選定装置が知られている。箱選定装置は、対象となる積荷の容積などのデータに基づいて、積荷とコンテナの組み合わせを選んでいる。この箱選定装置は、コンテナの総容量が積荷の総容積以上となるようなコンテナの組み合わせを全て選んでいる。

特開２０１６－８８６３０号公報

上述のような箱選定装置は、条件を満たすようなコンテナ（箱）の組み合わせを全て選んでいる。しかし、このような方法を採用した場合、箱の種類数が増えると組合せの数が急増し、組合せの全てに対して、全物品が積載可能かどうかを毎回計算する必要が生じる。この場合、当該方法を採用することが、計算コストなどの観点から困難になるという問題がある。このような課題に対して、梱包実績に基づいて学習したニューラルネットワーク演算部を用いて箱を選定する場合、計算量を抑制しながら、箱の選定精度を向上することが求められる。

本発明の目的は、梱包実績に基づいて学習したニューラルネットワーク演算部を用いて箱を選定する場合において、計算量を抑制しながら、箱の選定精度を向上できる箱選定装置、梱包実績修正方法、及び梱包実績修正プログラムを提供することである。

本発明の一態様に係る箱選定装置は、予め学習された学習情報に基づき、物品を梱包する箱を選定する箱選定装置であって、箱選定装置の制御部は、学習情報及び箱情報を記憶する記憶部と、物品に関する入力情報を作成する入力情報受付部と、入力情報を入力層に入力し、梱包実績に基づいて予め学習された学習情報に基づくニューラルネットワーク演算によって、箱に関する評価値の算出を行うニューラルネットワーク演算部と、ニューラルネットワーク演算部の出力層から出力された評価値に基づいて箱を選定する選定部と、を有し、入力情報受付部は、学習に用いられる梱包実績に関する物品リスト内の物品の識別情報を所定の法則にてソートする識別情報ソート処理部と、複数の物品リストを所定の法則にてソートする物品リストソート処理部と、ソートされた複数の物品リスト、及び各物品リストのソートされた識別情報における規則性に基づき、修正対象となる複数の物品リストを抽出し、抽出された物品リストにおける箱の選定結果を修正する箱修正処理部と、を有する。

箱選定装置において、ニューラルネットワーク演算部は、物品に関する入力情報を入力層に入力し、学習情報に基づくニューラルネットワーク演算によって、箱に関する評価値の算出を行う。そして、選定部は、ニューラルネットワーク演算部の出力層から出力された評価値に基づいて、梱包の対象となる物品に適した箱を選定することができる。ここで、学習情報は、梱包実績に基づいて予め学習されたものである。すなわち、ニューラルネットワーク演算部は、例えば物品の形状、梱包先の環境情報などの複雑な条件を考慮することを省略し、過去の梱包実績に基づく学習を行うだけで、梱包する物品に適した箱を選定するための評価値を出力することができる。そのため、箱選定装置は、計算コストを低減した状態で、容易に箱を選定することができる。ここで、入力情報受付部は、修正対象となる複数の物品リストを抽出し、抽出された物品リストにおける箱の選定結果を修正する箱修正処理部を有している。このように、箱修正処理部が、箱の選定結果を修正することによって、梱包実績における箱の選定結果にばらつきがある場合に、当該ばらつきを低減することができる。これにより、ニューラルネットワーク演算部を適切に学習させることが可能となり、箱の選定精度を向上することができる。また、識別情報ソート処理部が、学習に用いられる梱包実績に関する物品リスト内の物品の識別情報を所定の法則にてソートし、物品リストソート処理部が、複数の物品リストを所定の法則にてソートする。そして、箱修正処理部は、ソートされた複数の物品リスト、及び各物品リストのソートされた識別情報における規則性に基づき、修正対象となる複数の物品リストを抽出することができる。この場合、物品リストの数が膨大となった場合でも、箱修正処理部は、規則性に基づいて効率よく、修正対象となる複数の物品リストを抽出できる。そのため、箱修正処理部の計算量を抑制することができる。以上より、梱包実績に基づいて学習したニューラルネットワーク演算部を用いて箱を選定する場合において、計算量を抑制しながら、箱の選定精度を向上できる。

識別情報ソート処理部は、クイックソート処理によって識別情報をソートしてよい。この場合、識別情報ソート処理部は、計算量を抑制した状態で識別情報をソートできる。

入力情報受付部は、識別情報ソート処理部での識別情報のソートを行った後、物品リストソート処理部での物品リストのソートを行ってよい。この場合、物品リストソート処理部による物品リストのソートを行う際の計算量を抑制することができる。

箱修正処理部は、識別情報の組み合わせが全て共通する物品リストを抽出し、抽出された物品リストにおける箱を統一するように箱の選定結果を修正してよい。この場合、物品の組み合わせが共通する物品リストに対応する選定結果を統一することができる。これにより、梱包実績における選定結果のばらつきを低減することができる。

箱修正処理部は、抽出された物品リストにおける箱の選定結果のうち最も小さい箱で統一してよい。この場合、ニューラルネットワーク演算部は、梱包効率のよい箱を選定できるように学習することができる。

箱修正処理部は、抽出された物品リストにおける箱の選定結果のうち最も多い箱で統一してよい。この場合、ニューラルネットワーク演算部は、選定される頻度が高い箱を選定できるように学習することができる。

識別情報は各物品に対して所定文字数の文字列で管理されており、識別情報は、予め定められた行及び列を有する情報テーブルに入力され、入力情報受付部は、行及び列において文字の数を超過する場合は超過する分の文字を破棄し、行及び列において文字が不足する場合は、当該不足箇所を所定文字で埋めてよい。この場合、一部の物品の文字列が不規則なものであった場合であっても、入力情報受付部は、情報テーブルに対して整合された状態にて、物品の識別情報をニューラルネットワーク演算部に入力することができる。

本発明の一態様に係る梱包実績修正方法は、予め学習された学習情報、及び物品を梱包する箱の箱情報を記憶する記憶ステップと、物品に関する入力情報を作成する入力情報受付ステップと、入力情報を入力層に入力し、梱包実績に基づいて予め学習された学習情報に基づくニューラルネットワーク演算によって、箱に関する評価値の算出を行うニューラルネットワーク演算ステップと、ニューラルネットワーク演算ステップにおいて出力層から出力された評価値に基づいて箱を選定する選定ステップと、を有する箱選定方法で用いられる学習情報の基となる梱包実績を修正する梱包実績修正方法であって、学習に用いられる梱包実績に関する物品リスト内の物品の識別情報を所定の法則にてソートする識別情報ソート処理ステップと、複数の物品リストを所定の法則にてソートする物品リストソート処理ステップと、ソートされた複数の物品リスト、及び各物品リストのソートされた識別情報における規則性に基づき、修正対象となる複数の物品リストを抽出し、抽出された物品リストにおける箱の選定結果を修正する箱修正処理ステップと、を有する。

本発明の一態様に係る梱包実績修正プログラムは、予め学習された学習情報、及び物品を梱包する箱の箱情報を記憶する記憶ステップと、物品に関する入力情報を作成する入力情報受付ステップと、入力情報を入力層に入力し、梱包実績に基づいて予め学習された学習情報に基づくニューラルネットワーク演算によって、箱に関する評価値の算出を行うニューラルネットワーク演算ステップと、ニューラルネットワーク演算ステップにおいて出力層から出力された評価値に基づいて箱を選定する選定ステップと、をコンピュータシステムに実行させる箱選定プログラムで用いられる学習情報の基となる梱包実績を修正する梱包実績修正プログラムであって、学習に用いられる梱包実績に関する物品リスト内の物品の識別情報を所定の法則にてソートする識別情報ソート処理ステップと、複数の物品リストを所定の法則にてソートする物品リストソート処理ステップと、ソートされた複数の物品リスト、及び各物品リストのソートされた識別情報における規則性に基づき、修正対象となる複数の物品リストを抽出し、抽出された物品リストにおける箱の選定結果を修正する箱修正処理ステップと、をコンピュータシステムに実行させる。

これらの梱包実績修正方法、及び梱包実績修正プログラムによれば、上述の箱選定装置と同趣旨の作用・効果を得ることができる。

本発明によれば、梱包実績に基づいて学習したニューラルネットワーク演算部を用いて箱を選定する場合において、計算量を抑制しながら、箱の選定精度を向上できる箱選定装置、梱包実績修正方法、及び梱包実績修正プログラムが提供される。

本発明の一実施形態に係る箱選定装置を示す概略構成図である。 箱選定装置がニューラルネットワークを用いて輸送箱の選定を行う場合の処理イメージを示す模式図である。 箱選定装置のニューラルネットワーク演算部が過去の梱包実績を教師データとして学習を行う場合の処理イメージを示す模式図である。 箱選定装置の処理内容の具体例を示す模式図である。 入力情報受付部が、情報テーブルに識別情報を入力する際の処理内容を示す図である。 識別情報のソート処理の様子を示す図である。 部品リストのソート処理の様子を示す図である。 箱の選定結果を修正する箱修正処理の様子を示す図である。 箱選定装置の制御部による制御処理の内容を示すフローチャートである。 箱選定装置の制御部による梱包実績修正方法の処理内容を示すフローチャートである。 箱選定装置の効果を説明するための図である。

以下、本発明の実施形態について、図面を参照して詳細に説明する。なお、図面において、同一または同等の要素には同じ符号を付し、重複する説明を省略する。

図１は、本発明の一実施形態に係る箱選定装置１００を示す概略構成図である。箱選定装置１００は、倉庫などの物流現場において、複数の物品を箱に梱包する際に、どの箱に梱包すべきかを選定する装置である。なお、箱を選定した後、当該箱に物品をどのような位置、順序で梱包するかについては、他の方法によって自動的に決定がなされる。なお、本実施形態では、梱包対象となる物品として部品を例示しており、箱として輸送箱を例示している。ただし、物品及び箱の種類は特に限定されるものではない。

図１に示すように、箱選定装置１００は、情報入力部２と、情報出力部３と、制御部１０と、を備える。箱選定装置１００は、予め学習された学習情報に基づき、部品を梱包する輸送箱を選定する装置である。なお、箱選定装置１００の各構成要素を説明するために、図２及び図３を参照する場合がある。図２は、箱選定装置１００がニューラルネットワークを用いて輸送箱の選定を行う場合の処理イメージを示す模式図である。図３は、箱選定装置１００のニューラルネットワーク演算部１２が過去の梱包実績を教師データとして学習を行う場合の処理イメージを示す模式図である。

情報入力部２は、各種情報を入力するインターフェースである。例えば、情報入力部２は、キーボード、マウス、タッチパネルなどによって構成される。あるいは、情報入力部２は、記憶媒体や通信を介して情報を入力されてもよい。情報出力部３は、各種情報を出力するインターフェースである。例えば、情報出力部３は、モニタ、スピーカーなどによって情報を出力してよい。あるいは、情報出力部３は、記憶媒体や通信を介して情報を出力してもよい。

制御部１０は、ＣＰＵ、ＲＡＭ、ＲＯＭ等により構成されている。制御部１０は、入力情報受付部１１と、ニューラルネットワーク演算部１２と、選定部１３と、記憶部１４と、を有している。制御部１０は、プログラムに従って動作する１つ以上のプロセッサ、ＡＳＩＣ等の１つ以上の専用のハードウェア回路、あるいは、それらの組み合わせを含む回路として構成し得る。プロセッサはＣＰＵ、並びにＲＡＭ及びＲＯＭ等のメモリを有する。メモリには、情報の処理を行うための種々のプログラムが記憶され、ＣＰＵは各種プログラムの読み出し、による演算を行う。

入力情報受付部１１は、部品に関する入力情報を作成する。入力情報受付部１１は、情報入力部２にて入力された情報を取得し、当該情報を用いて入力情報を作成する。入力情報受付部１１は、複数の部品にそれぞれ紐付けられた識別情報、及び部品の個数などに関する情報を取得する。入力情報は、部品に関する情報をニューラルネットワーク演算を行い易い態様に調整された情報である。図２に示すように、入力情報受付部１１は、梱包作業の前段階において、梱包する部品の部品リスト、すなわち、どの部品が何個、梱包対象となっているかを示すリストを取得する。また、図３に示すように、入力情報受付部１１は、学習時において、実際に梱包された部品の部品リスト、及びどの輸送箱が梱包に用いられたかの情報を取得する。なお、部品に紐付けられた識別情報の具体的な内容、及び入力情報の具体的な内容については後述する。また、入力情報受付部１１は、効率良く学習を行えるように梱包実績を修正することができる。このような梱包実績の修正の詳細については後述する。

ニューラルネットワーク演算部１２は、梱包実績に基づいて予め学習された学習情報に基づくニューラルネットワーク演算によって、輸送箱に関する評価値の算出を行う。ニューラルネットワーク演算部１２は、過去の梱包実績に基づく教師データを用いて学習を行うことで学習情報を取得する（図３参照）。また、ニューラルネットワーク演算部１２は、当該学習情報を用いて実際の作業現場において梱包する部品リストに適した輸送箱として、どの輸送箱がよいかを選定するための評価値を演算する（図２参照）。

ニューラルネットワーク演算部１２は、学習部１６を有する。学習部１６は、機械学習のモデルを学習情報として生成する。学習段階（図３参照）において、学習部１６は、最も予測精度が高いと推定される最良のニューラルネットワークをモデルとして生成する。学習部１６は、教師データ（過去の梱包実績のサンプル）を記憶部１４などから読み出し、学習をさせるニューラルネットワークに個々のサンプルを逐次入力しながら機械学習を実行する。なお、このようなニューラルネットワークは、例えば、ニューロンのモデルを模した演算部や記憶部等によって構成できる。例えば、学習部１６は、多層ニューラルネットワークを用いる深層学習を実行することでモデルを生成してもよい。機械学習の種類は深層学習に限定されず、学習部１６は他の手法を用いてモデルを生成してもよい。なお、ニューラルネットワーク演算部１２の具体的な構成、及び処理内容については後述する。

選定部１３は、ニューラルネットワーク演算部１２の出力層から出力された評価値に基づいて輸送箱を選定する。選定部１３は、評価値を取得して、当該評価値を用いて、部品を梱包する上で、最も適した輸送箱を選定する。選定部１３は、予め記憶部１４に記憶された輸送箱リスト（箱情報）の中から、最も適した輸送箱を選定する。なお、選定部１３の具体的な処理内容については、後述する。

記憶部１４は、箱選定装置１００における各種情報を記憶する部分である。記憶部１４は、少なくとも学習情報（ニューラルネットワークのモデル）、及び箱情報を記憶している。箱情報は、作業現場において用いられる複数の輸送箱に関する情報であり、箱選定作業の前段階で事前に記憶部１４に記憶される。記憶部１４は、複数の輸送箱のそれぞれの大きさや形状等の情報を含んだ輸送箱リスト（図２参照）の形態で、箱情報を記憶する。

次に、図２及び図３を参照して、ニューラルネットワーク演算部１２の処理の具体例について説明する。まず、図３を参照して、箱選定装置１００のニューラルネットワーク演算部１２が過去の梱包実績を教師データとして学習を行う場合について説明する。なお、本実施形態では、入力情報受付部１１によって修正された後の梱包実績が用いられる。ここでは、梱包実績として、「部品ａが２個」「部品ｂが１個」「部品ｃが２個」「部品ｄが１個」という部品リストの場合に、「輸送箱Ｚ」が用いられたというデータが用いられる。なお、この場合の部品リストを「部品リストＰＬ１」と称する場合がある。また、梱包に用いることができる輸送箱は、「輸送箱Ｕ，Ｖ，Ｗ，Ｘ，Ｙ，Ｚ」という６種類（図２参照）の輸送箱が登録された輸送箱リストの中から、選定されるものとする。当該輸送箱リストを「輸送箱リストＢＬ１」と称する場合がある。

図３に示すように、ニューラルネットワーク演算部１２は、梱包実績のデータから、梱包した部品リストＰＬ１を抽出し、当該部品リストに対し、梱包した輸送箱として「輸送箱Ｚ」が選定されたことを抽出する。ニューラルネットワーク演算部１２の学習部１６（図１参照）は、当該部品リストＰＬ１をニューラルネットワークのモデルＭに入力したときに、輸送箱Ｚが選定されるような評価値が出力されるように、モデルＭを適宜更新する。ニューラルネットワーク演算部１２は、複数種類の部品リストと、当該部品リストに対して選定された輸送箱に関する多数の梱包実績に基づく教師データを用いて学習を行う。

次に、図２を参照して、箱選定装置１００が輸送箱の選定を行う場合について説明する。図２に示すように、箱選定装置１００は、予め輸送箱リストＢＬ１を取得しておく。そして、輸送箱の選定を行うときには、箱選定装置１００は、梱包の対象となる部品を示す情報として、前述の部品リストＰＬ１を取得する。ニューラルネットワーク演算部１２は、図３に示す学習によって更新したニューラルネットワークのモデルＭを用いて輸送箱に関する評価値を算出する。ニューラルネットワーク演算部１２は、学習の結果、輸送箱リストＢＬ１のうち、輸送箱Ｚが最も選定され易くなるような評価値を出力する。従って、選定部１３は、当該評価値に基づいて、輸送箱Ｚを選定する。箱選定装置１００は、輸送箱Ｚを選定した旨を出力する。

次に、図４を参照して、ニューラルネットワーク演算部１２の詳細な構成、及びその処理内容について説明する。図４は、箱選定装置１００の処理内容の具体例を示す模式図である。まず、入力情報受付部１１が入力情報を作成する際の処理について説明する。本実施形態では、入力情報は、予め定められた行及び列を有する情報テーブル５０を有している。これにより、ニューラルネットワーク演算部１２及び選定部１３は、情報テーブル５０に基づいて、評価値の算出及び輸送箱の選定をそれぞれ行う。

図４に示す情報テーブル５０は、「Ｎ行×Ｍ列」の格納部５１を有している。一つあたりの格納部５１には、文字が一つ格納される。情報テーブル５０の一行あたりの文字数はＭ個で固定されている。また、情報テーブル５０の行数はＮ行で固定されている。これに対し、各部品の識別情報は、品番などを示す文字列によって構成される。識別情報は各部品に対して所定文字数の文字列で管理される。ここでは、部品一つあたりの識別情報の文字数は、情報テーブル５０の一行あたりの文字数に合わせて、Ｍ個に設定されることが好ましい。図４に示す例では、「部品ａ」の識別情報は、「１１１・・・１」という、Ｍ個の「１」という数字で構成されている。

入力情報受付部１１は、情報テーブル５０に識別情報を入力する。このように、情報テーブル５０の各格納部に各部品の識別情報に係る文字を格納することによって、入力情報が作成される。なお、一つの部品に対応する識別情報は、情報テーブル５０のいずれか一行分の格納部５１に格納される。従って、部品リストの部品の数がＮ個である場合、全ての部品の識別情報を余りなく情報テーブル５０の全ての行に格納することができる。なお、識別情報を示す文字は、数字に限定されず、部品を識別できればよく、アルファベットなどであってもよく、記号のような特殊文字などでもよい。

ここで、入力情報受付部１１は、情報テーブル５０に対して、行及び列において文字の数を超過する場合は、整合処理として超過する分の文字を破棄する。また、入力情報受付部１１は、情報テーブル５０に対して、行及び列において文字が不足する場合は、整合処理として当該不足箇所を所定文字で埋める。具体的には、図５（ａ）で示すように、情報テーブル５０の列の数、すなわち一行分の格納部５１の数が６で固定されているものとする（Ｍ＝６）。ここで、部品ｆの識別情報（品番）は、列の数よりも少ない４個の文字で構成されている。この場合、部品ｆに対応する行には、二つ分の格納部５１の不足箇所５３が形成される。このように、情報テーブル５０に対して列において文字が不足する場合、入力情報受付部１１は、整合処理として当該不足箇所５３を所定文字（ここでは「０」という数字）で埋める。一方、部品ｇの識別情報（品版）は、列の数よりも多い８個の文字で構成されている。この場合、部品ｇに対応する行には、二つ分の超過箇所５４が発生する。このように、情報テーブル５０に対して列において所定文字数（ここでは６）を超過する場合、入力情報受付部１１は、整合処理として超過する分の文字（超過箇所５４の文字）を破棄する。

また、図５（ｂ）で示すように、情報テーブル５０の行の数、すなわち一列分の格納部５１の数が４で固定されているものとする（Ｎ＝４）。ここで、部品リストの部品の数は、行の数よりも少ない３個である。この場合、４行目には、格納部５１の不足箇所５６が形成される。このように、情報テーブル５０に対して行において文字が不足する場合、入力情報受付部１１は、整合処理として当該不足箇所５６を所定文字（ここでは「０」という数字）で埋める。一方、図５（ｃ）においては、部品リストの部品の数が、行の数よりも多い５個である。この場合、５行目には、超過箇所５７が発生する。このように、情報テーブル５０に対して行において文字の数（ここでは４）を超過する場合、入力情報受付部１１は、整合処理として超過する分の文字（超過箇所５７の文字）を破棄する。

なお、同じ部品が複数存在していることを入力情報内で表現したい場合、入力情報受付部１１は、同じ部品の個数分の行数に対し、同じ品番を連続で入力してよい。例えば、図５（ｄ）に示すように、部品ｇが３個ある場合、３～５行目に対して、部品ｇの品番を連続で入力することで、品番連続部５８を形成している。

図４に戻り、入力情報受付部１１は、情報テーブル５０に各部品の識別情報（品番）を格納して入力情報を作成したら、各行に格納された文字の情報をニューラルネットワーク演算部１２へ入力する。

ニューラルネットワーク演算部１２は、ニューラルネットワークのモデルとして、入力層２１と、中間層２２と、出力層２３と、を有する。入力層２１は、ニューラルネットワーク演算を行うためのパラメータを入力するための層である。中間層２２は、入力されたパラメータに対して所定の演算を行う層である。出力層２３は、評価値を出力する層である。各層２１～２３は、入力されるパラメータの数に応じたノードＮＤを有している。例えば、入力層２１は、ｍ個のパラメータを成分とする入力ベクトルｘ＝（ｘ_１，ｘ_２，…ｘ_ｍ）をそのまま中間層２２に出力する。中間層２２は各層の重みと活性化関数により総入力を出力に変換してその出力を出力層２３に渡す。出力層２３も各層の重みと活性化関数により総入力を出力に変換する。この出力は、ｎ個のパラメータを成分とするニューラルネットワークの出力ベクトルｙ＝（ｙ_１，ｙ_２，…，ｙ_ｎ）である。この出力ベクトルｙは評価値を示す。なお、学習時においては（図３参照）一つの入力ベクトルｘに対する出力ベクトルの正解をｄ＝（ｄ_１，ｄ_２，…，ｄ_ｎ）とすると、その出力ベクトルｙが正解ｄに近くなるように各層の重みｗが更新される。これが学習という情報処理である。

本実施形態においては、入力層２１のノードＮＤの数は、情報テーブル５０の行の数（Ｎ）、すなわち入力情報に含まれる部品の数と同じに設定される。中間層２２は、全結合、畳込み層、プーリング層などのニューラルネットワークにおける一般的な層によって構成され、作業現場に応じて適切に構成される。

出力層２３のノードＮＤの数は、選定可能な輸送箱の数、すなわち輸送箱リストＢＬ１（図２参照）中の輸送箱の数と同じに設定される。出力層２３の各ノードＮＤには、各輸送箱が割り当てられ、対応するノードＮＤの出力値を各輸送箱の評価値とする。ここで、ニューラルネットワーク演算部１２は、ソフトマックス関数を利用して評価値を算出する。具体的には、出力層２３が、ソフトマックス関数を利用して評価値を算出する。ソフトマックス関数を以下の数式（１）に示す。なお、ソフトマックス関数は、全ノードＮＤの出力の総和が１となるように各ノードＮＤの出力を計算する。出力層２３は、この出力値を各ノードＮＤに割り当てられた転送箱の評価値とする。これにより、出力層２３は、記憶部１４に記憶された箱情報の中の複数の輸送箱のそれぞれに対する評価値を出力することができる。なお、評価値が大きいほど、梱包する輸送箱として適していることを示す。

選定部１３は、ニューラルネットワーク演算部１２の出力値を各輸送箱の評価値とする。例えば、選定部１３は、輸送箱Ｕに対する出力値を評価値ｙ１とし、輸送箱Ｖに対する出力値を評価値ｙ２とし、輸送箱Ｚに対する出力値を評価値ｙｎとして取得する。そして、選定部１３は、評価値が最大となる輸送箱を選定する。

次に、入力情報受付部１１による梱包実績の修正処理について詳細に説明する。図１に示すように、入力情報受付部１１は、情報処理部３１と、識別情報ソート処理部３２と、部品リストソート処理部３３（物品リストソート処理部）と、箱修正処理部３４と、を備える。

情報処理部３１は、入力情報受付部１１における各種情報処理を行う。例えば、情報処理部３１は、上述した内容に係る入力情報受付部１１の処理を実行する。また、情報処理部３１は、梱包情報の修正処理に関わる各種処理を行う。例えば、梱包実績を修正するためには、部品リストの順序を変更するため情報処理部３１は、部品リストを元の順序に直すための処理を行う。具体的に、図６では、複数の部品リスト、及び、各部品リストに対して選定された輸送箱を複数行並べたような梱包実績データ６１が示されている。情報処理部３１は、このような梱包実績データ６１に対して、部品リスト及び輸送箱の組み合わせを１組として、昇順に行番号を付与して行番号欄６２に格納する。また、情報処理部３１は、後述の部品リストのソートによって、部品リストの並び順が変化した後でも、各部品リストに付与された行番号に基づいて、各部品リストを元の順序に直すことができる。

識別情報ソート処理部３２は、学習に用いられる梱包実績に関する部品リスト内の物品の識別情報を所定の法則にてソートする。識別情報ソート処理部３２は、品番等の昇順または降順でソートしてよい。例えば、図６では、梱包実績データ６１の中の「行番号１」の部品リストの情報テーブル５０が示されている。図６では、識別情報ソート処理部３２は、品番を降順でソートしたソート済み情報テーブル６３を作成する。なお、図５（ｃ）に示すように、既に品番が降順で並んでいる情報テーブル５０は、同様の並びのソート済み情報テーブル６３となる。また、図５（ｂ）において最後の行の不足箇所５６に「０」が入力された場合、当該行はソート済み情報テーブル６３においても最後の行に配置される。識別情報ソート処理部３２のソートの手法は特に限定されないが、計算量が小さい手法にてソートすることが好ましい。例えば、識別情報ソート処理部３２は、公知のソート手法として、クイックソート処理によって識別情報をソートする。

部品リストソート処理部３３は、複数の部品リストを所定の法則にてソートする。部品リストソート処理部３３は、各部品リストに対応するソート済み情報テーブル６３内に含まれる品番を互いに比較することによってソートを行う。部品リストソート処理部３３は、昇順または降順でソートしてよい。部品リストソート処理部３３のソートの手法は特に限定されないが、計算量が小さい手法にてソートすることが好ましい。例えば、部品リストソート処理部３３は、公知のソート手法として、クイックソート処理によって部品リストをソートする。なお、入力情報受付部１１は、識別情報ソート処理部３２での識別情報のソートを行った後、部品リストソート処理部３３での部品リストのソートを行う。

部品リストソート処理部３３は、ソート済み情報テーブル６３内の各格納部６４に比較を行う上での順序を付与する。例えば、一行目から下段側の行へ進むに従って順序が後になるものとする。また、同じ行の中では、一列目から左側の列に進むに従って順序が後になるものとする。例えば、部品リストソート処理部３３は、各部品リストのソート済み情報テーブル６３のうち「最上位桁」の格納部６４の数字を比較して、部品リストをソートする。部品リストソート処理部３３は、以降、左側の格納部６４から順に比較し、一行目の最後の数字として、「最上位桁－５」の格納部６４の数字を比較する。次は、部品リストソート処理部３３は、二行目へ以降し、同様の順序で比較を行う。部品リストソート処理部３３は、最下段の行では、「最下位桁＋５」の格納部６４の数字を比較し、最後に「最下位桁」の格納部６４の数字の比較を行う。

図７を参照して、部品リストのソートの具体的内容について説明する。図７では、梱包実績に含まれる複数の部品リストのうち、四つの部品リストｎ～ｎ＋３が示されている。このうち、部品リストｎ＋２の「最上位桁」が他の部品リストの最上位桁の「７」よりも大きい「８」となっている。また、部品リストｎ＋１の「最下位桁」が他の部品リストの最下位桁の「０」よりも大きい「１」となっている。その他の桁については、各部品リストについて同じ数字になっている。部品リストソート処理部３３は、「最上位桁」の数字の比較を行う。このとき、部品リストｎ＋２の数字が「８」であるため、一番目に並び替えられる（図７の下段を参照）。以降は各部品リストの各格納部６４の数字が同じであるため、部品リストの順序に変更はない。最後の比較において、部品リストソート処理部３３は、「最下位桁」の数字の比較を行う。このとき、部品リストｎ＋１の数字が「１」であるため、二番目に並び替えられる（図７の下段を参照）。部品リストｎと部品リストｎ＋３は、全ての格納部６４について数字が同じであるため、並び替えが行われない。従って、部品リストソート処理部３３は、部品リストｎを三番目とし、部品リストｎ＋３を四番目とする。

なお、部品リストソート処理部３３は、各部品リスト内での識別情報のソートを識別情報ソート処理部３２において事前に行っていたために、上述のような部品リストのソートが可能となっている。すなわち、識別情報ソート処理部３２内において、一行目から順に降順で識別情報がソートされているために、部品リストソート処理部３３は、各部品リストについて、一行目から順に降順で数字の比較を行うことができる。

図１へ戻り、箱修正処理部３４は、ソートされた複数の部品リスト、及び各部品リストのソートされた識別情報における規則性に基づき、修正対象となる複数の部品リストを抽出する。また、箱修正処理部３４は、抽出された部品リストにおける輸送箱の選定結果を修正する。具体的に、箱修正処理部３４は、部品リストソート処理部３３によってソートされた部品リストの中から、互いに一致するグループを抽出する。箱修正処理部３４は、ソートされた部品リストの中から、識別情報の組み合わせが全て共通する部品リストを抽出する。識別情報の組み合わせが全て共通する場合、部品リストに含まれる部品の組み合わせが共通することを意味する。このように、部品の組み合わせが互いに共通するような複数の部品リストが修正対象となる部品リストとなる。

例えば、図７の下段に示す例では、箱修正処理部３４は、一番目の部品リストｎ＋２と二番目の部品リストｎ＋１との識別情報の組み合わせについて比較する。このとき、各部品リストは、一行目の識別情報及び最下段の行の識別情報において互いに異なっている。従って、箱修正処理部３４は、一番目の部品リストｎ＋２は、二番目の部品リストｎ＋１と部品の組み合わせが共通していないと判断する。次に、箱修正処理部３４は、二番目の部品リストｎ＋１と三番目の部品リストｎとの識別情報の組み合わせについて比較する。このとき、各部品リストは、最下段の行の識別情報において互いに異なっている。従って、箱修正処理部３４は、二番目の部品リストｎ＋１は、三番目の部品リストｎと部品の組み合わせが共通していないと判断する。次に、箱修正処理部３４は、三番目の部品リストｎと四番目の部品リストｎ＋３との識別情報の組み合わせについて比較する。このとき、各部品リストは、何れの行においても識別情報が共通している。従って、箱修正処理部３４は、三番目の部品リストｎは、四番目の部品リストｎ＋３と部品の組み合わせが共通していると判断する。以上より、箱修正処理部３４は、識別情報の組み合わせが全て共通する部品リストとして、部品リストｎ及び部品リストｎ＋３のグループを抽出する。

なお、部品リストソート処理部３３にて事前に部品リストのソートが行われているため、箱修正処理部３４は、部品リスト同士の比較を行うときは、隣の部品リストの比較をおこなうだけでよい。例えば、図７の上段側の並びの場合、箱修正処理部３４は、互いに共通する部品リストｎ及び部品リストｎ＋３を抽出するには、部品リストｎと部品リストｎ＋３の比較だけではなく、部品リストｎ＋１及び部品リストｎ＋２との比較も行わなくてはならない。一方、図７の下段の並びであれば、部品リストｎ＋１と部品リストｎとが異なるということが分かった時点で、部品リストｎ＋１よりも上流に並べられた部品リストｎ＋２は、当然部品リストｎと異なることが把握できる。従って、箱修正処理部３４は、部品リストｎと部品リストｎ＋２との比較、すなわち部品リストｎと隣り合っていない部品リストとの比較を省略することができる。

このように、ソートされた複数の部品リスト、及び各部品リストのソートされた識別情報（品番）においては、修正対象となる部品リストを抽出するときに、「隣りに並べられた部品リストと比較を行う」という規則性、及び「一行目の品番から、且つ一列目の番号から順に比較を行う」という規則性が成り立つ。従って、箱修正処理部３４は、部品の組み合わせが共通する部品リストを抽出するときには、上記の規則性に従って抽出を行う。

箱修正処理部３４は、抽出された部品リストに対応する輸送箱を統一するように梱包実績の中の輸送箱の選定結果を修正する。すなわち、箱修正処理部３４は、抽出された複数の部品リストのグループの各々の輸送箱の内容を把握する。そして、ある部品リストの輸送箱が、他の部品リストの輸送箱と異なっている場合、グループ内の輸送箱が全て同じになるように、実際の梱包実績で選定されたものから輸送箱を修正する。例えば、図８に示すように、部品リストｋ～ｋ＋３が、一致するグループとして抽出される。このとき、部品リストｋ＋１に対応する輸送箱だけが「輸送箱Ｒ」であり、他の部品リストに対応する輸送箱は「輸送箱Ｚ」である。箱修正処理部３４は、部品リストｋ～ｋ＋３に対応する輸送箱が共通となるように修正処理を行う。

箱修正処理部３４は、抽出された物品リストにおける箱の選定結果のうち最も小さい箱で統一してよい。すなわち、複数の物品リストにおいて同じ部品の組み合わせであっても、実際に選定された輸送箱のサイズがばらついている場合、より小さい輸送箱での梱包実績があるなら、そちらを優先する。図８（ａ）において、輸送箱Ｚよりも輸送箱Ｒの方がサイズ（容積）が小さい場合、箱修正処理部３４は、グループ内の部品リストｋ～ｋ＋３に対応する輸送箱を全て輸送箱Ｒに修正する。

または、箱修正処理部３４は、抽出された物品リストにおける箱の選定結果のうち最も多い輸送箱で統一してよい。すなわち、複数の物品リストにおいてある部品の組み合わせの場合に、梱包実績において最も多く選定される輸送箱があるなら、当該輸送箱を優先する。図８（ｂ）に示すように、輸送箱Ｒよりも輸送箱Ｚの方がグループ内での選定頻度が多い。従って、箱修正処理部３４は、グループ内の部品リストｋ～ｋ＋３に対応する輸送箱を全て輸送箱Ｚに修正する。

次に、図９を参照して、箱選定方法について説明する。図９は、箱選定装置１００の制御部１０による制御処理の内容を示すフローチャートである。箱選定方法は、予め学習された学習情報に基づき、部品を梱包する輸送箱を選定する方法である。なお、各ステップにおける詳細な処理内容は、箱選定装置１００の各構成要素の説明においてなされたものと同様であるため、説明を省略する。

図９に示すように、記憶部１４に学習情報及び輸送箱の箱情報を記憶させる記憶ステップＳ１０が実行される。なお、記憶ステップＳ１０は、図９の処理が実行される前段階において予め実行されてよい。ここでは、図３で説明したように、学習情報として、ニューラルネットワークのモデルが生成、または更新される。

次に、入力情報受付部１１は、部品に関する情報を取得すると共に、取得した情報に基づいて入力情報を作成する入力情報受付ステップＳ２０を実行する。次に、ニューラルネットワーク演算部１２は、入力情報受付ステップＳ２０で作成された入力情報を入力層２１に入力し、記憶部１４に記憶された学習情報に基づくニューラルネットワーク演算によって、輸送箱に関する評価値の算出を行うニューラルネットワーク演算ステップＳ３０を実行する。次に、選定部１３は、ニューラルネットワーク演算ステップＳ３０において出力層２３から出力された評価値に基づいて輸送箱を選定する選定ステップＳ４０を実行する。以上により、図６に示す制御処理が終了する。なお、別の部品リストに対する輸送箱の選定を行うときは、入力情報受付ステップＳ２０から再び処理を繰り返してよい。

次に、図１０を参照して、上述の箱選定方法で用いられる梱包実績を修正する梱包実績修正方法について説明する。図１０は、箱選定装置１００の制御部１０による梱包実績修正方法の処理内容を示すフローチャートである。図１０に示す処理内容は、入力情報受付部１１にて実行される。図１０に示す梱包実績修正方法は、上述の箱選定方法で用いられる学習情報の基となる梱包実績を修正する方法である。

図１０に示すように、情報処理部３１は、梱包実績を取得する梱包実績取得ステップＳ１００を実行する。次に、情報処理部３１は、梱包実績に行番号を付与する行番号付与ステップＳ１１０を実行する。行番号付与ステップＳ１１０では、情報処理部３１は、梱包実績に含まれる部品リスト及び輸送箱の組み合わせに対して、行番号を付与する（図６参照）。

次に、識別情報ソート処理部３２は、学習に用いられる梱包実績に関する部品リスト内の部品の識別情報を所定の法則にてソートする識別情報ソート処理ステップＳ１２０を実行する。次に、部品リストソート処理部３３は、複数の部品リストを所定の法則にてソートする部品リストソート処理ステップＳ１３０を実行する。なお、部品リストソート処理ステップＳ１３０では、ソートした部品リストに対して、並び順にインデックスとなる数字を付与する。例えば、図７の下段に示す例の場合、「１：部品リストｎ＋２、２：部品リストｎ＋１、３：部品リストｎ、４：部品リストｎ＋３」という１～４のインデックスが付与される。

次に、情報処理部３１は、輸送箱の修正処理を行う上で必要なカウンタを初期値に設定する初期値設定ステップＳ１４０を実行する。初期値設定ステップＳ１４０では、部品リストソート処理ステップＳ１３０でソートされた部品リストに対して付与されたインデックスを示すカウンタが「ｉ」であり、初期値として「１」が設定される。また、修正対象となる部品リストのグループにおける始点となる部品リストのインデックスを示すカウンタが「ｊ」であり、初期値として「１」が設定される。

次に、箱修正処理部３４は、カウンタｉが梱包実績に係る部品リストの最終行と一致するか否かを判定するカウンタ判定ステップＳ１６０を実行する。カウンタ判定ステップＳ１６０において、カウンタｉが最終行ではないと判定された場合、箱修正処理部３４は、ｉ番目の部品リストと、ｉ＋１番目の部品リストの識別情報を比較すると共に、両者が一致するか否かを判定する部品リスト判定ステップＳ１７０を実行する。当該ステップでは、両者の部品の組み合わせが共通するか否かの判定が行われる。部品リスト判定ステップＳ１７０において、両者の識別情報が一致すると判定された場合、箱修正処理部３４は、カウンタｉの数字を一つ進めるカウンタ設定ステップＳ１８０を実行する。そして、カウンタ判定ステップＳ１６０から処理を繰り返す。

一方、部品リスト判定ステップＳ１７０において、両者の識別情報が一致しないと判定された場合、箱修正処理部３４は、ｊ番目からｉ番目の部品リストが互いに一致するため、修正対象となる部品リストのグループとして抽出し、当該グループの部品リストの輸送箱を修正する箱修正ステップＳ１９０を実行する。なお、カウンタ判定ステップＳ１６０において、カウンタｉが最終行であると判定された場合は、箱修正ステップＳ１９０へ移行する。

次に、箱修正処理部３４は、カウンタｉが梱包実績に係る部品リストの最終行と一致するか否かを判定するカウンタ判定ステップＳ２１０を実行する。カウンタ判定ステップＳ２１０において、カウンタｉが最終行ではないと判定された場合、箱修正処理部３４は、カウンタｊの値として「ｉ＋１」を設定するカウンタ設定ステップＳ２２０が実行される。その後、カウンタ設定ステップＳ１８０が実行され、カウンタ判定ステップＳ１６０から処理が繰り返される。

一方、カウンタ判定ステップＳ２１０において、カウンタｉが最終行であると判定された場合、情報処理部３１は、梱包実績を行番号に従ってソートする行番号ソートステップＳ２３０を実行する。行番号ソートステップＳ２３０では、情報処理部３１は、梱包実績に含まれる部品リストを行番号付与ステップＳ１１０で付与した行番号に従った順序にソートする。

上述のステップのうち、ステップＳ１６０～Ｓ２２０が箱修正処理ステップに該当する。箱修正処理ステップは、ソートされた複数の部品リスト、及び各部品リストのソートされた識別情報における規則性に基づき、修正対象となる複数の部品リストを抽出し、抽出された部品リストにおける箱の選定結果を修正するステップである。

なお、ステップＳ１６０～Ｓ２２０の処理について、具体例を示して説明する。例えば、ソート後の１０個の部品リストのうち、１番目から４番目の部品リストが一致しており、５番目から９番目の部品リストが一致しており、１０番目の部品リストが独立しているものとする。この場合、箱修正処理部３４は、１番目の部品リスト（ｉ＝１、ｊ＝１）においては、カウンタｉは最終行ではないと判定する（Ｓ１６０）。次に、箱修正処理部３４は、１番目の部品リストと２番目の部品リストとを比較して、両者が一致すると判定し（Ｓ１７０）、カウンタｉを一つ進める（Ｓ１８０、ｉ＝２、ｊ＝１）。箱修正処理部３４は、４番目の部品リストまで、同様の処理を繰り返す。箱修正処理部３４は、４番目の部品リストと５番目の部品リストとを比較して、両者が一致しないと判定する（Ｓ１７０、ｉ＝４、ｊ＝１）。これにより、箱修正処理部３４は、カウンタｊが示す１番目からカウンタｉが示す４番目の部品リストを修正対象となる部品リストのグループとして抽出すると共に、当該グループの部品リストの輸送箱を修正する（Ｓ１９０）。

次に、箱修正処理部３４は、４番目の部品リスト（ｉ＝４、ｊ＝１）においては、カウンタｉは最終行ではないと判定する（Ｓ２１０）。従って、箱修正処理部３４は、カウンタｊを５（＝４＋１）に設定する（Ｓ２２０）。箱修正処理部３４は、カウンタｉを一つ進める（Ｓ１８０、ｉ＝５、ｊ＝５）。箱修正処理部３４は、５番目から９番目の部品リストについて、１番目から４番目の部品リストと同様の処理を行うことで、カウンタｊが示す５番目からカウンタｉが示す９番目の部品リストを修正対象となる部品リストのグループとして抽出すると共に、当該グループの部品リストの輸送箱を修正する（Ｓ１９０）。

次に、箱修正処理部３４は、９番目の部品リスト（ｉ＝９、ｊ＝５）においては、カウンタｉは最終行ではないと判定する（Ｓ２１０）。従って、箱修正処理部３４は、カウンタｊを１０（＝９＋１）に設定する（Ｓ２２０）。箱修正処理部３４は、カウンタｉを一つ進める（Ｓ１８０、ｉ＝１０、ｊ＝１０）。ここで、箱修正処理部３４は、１０番目の部品リストは最終行であると判定する（Ｓ１６０）。このとき、箱修正ステップＳ１９０では、１０番目の部品リストだけが抽出されるため、輸送箱の修正は行われず、箱修正処理ステップが終了する。

次に、本実施形態に係る箱選定装置１００の作用・効果について説明する。

箱選定装置１００において、ニューラルネットワーク演算部１２は、部品に関する入力情報を入力層２１に入力し、学習情報に基づくニューラルネットワーク演算によって、箱に関する評価値の算出を行う。そして、選定部１３は、ニューラルネットワーク演算部１２の出力層２３から出力された評価値に基づいて、梱包の対象となる部品に適した箱を選定することができる。ここで、学習情報は、梱包実績に基づいて予め学習されたものである。すなわち、ニューラルネットワーク演算部１２は、例えば部品の形状、梱包先の環境情報などの複雑な条件を考慮することを省略し、過去の梱包実績に基づく学習を行うだけで、梱包する部品に適した箱を選定するための評価値を出力することができる。そのため、箱選定装置１００は、計算コストを低減した状態で、容易に箱を選定することができる。ここで、入力情報受付部１１は、修正対象となる複数の部品リストを抽出し、抽出された部品リストにおける箱の選定結果を修正する箱修正処理部３４を有している。このように、箱修正処理部３４が、箱の選定結果を修正することによって、梱包実績における箱の選定結果にばらつきがある場合に、当該ばらつきを低減することができる。これにより、ニューラルネットワーク演算部１２を適切に学習させることが可能となり、箱の選定精度を向上することができる。また、識別情報ソート処理部３２が、学習に用いられる梱包実績に関する部品リスト内の部品の識別情報を所定の法則にてソートし、部品リストソート処理部３３が、複数の部品リストを所定の法則にてソートする。そして、箱修正処理部３４は、ソートされた複数の部品リスト、及び各部品リストのソートされた識別情報における規則性に基づき、修正対象となる複数の部品リストを抽出することができる。この場合、部品リストの数が膨大となった場合でも、箱修正処理部３４は、規則性に基づいて効率よく、修正対象となる複数の部品リストを抽出できる。そのため、箱修正処理部３４の計算量を抑制することができる。以上より、梱包実績に基づいて学習したニューラルネットワーク演算部１２を用いて箱を選定する場合において、計算量を抑制しながら、箱の選定精度を向上できる。

ここで、箱修正処理部３４は、ソートされた複数の部品リスト、及び各部品リストのソートされた識別情報における規則性に基づき、修正対象となる複数の部品リストを抽出することの効果について、図１１を参照して説明する。例えば、識別情報及び部品リストのソートを行うことなく、部品の組み合わせが共通する部品リストを抽出する場合について、図１１（ａ）を参照して説明する。この場合、二つの部品リストの各桁の識別情報を比較する場合は、総当たりで比較を行う必要があり、計算量が増加する。すなわち、部品リストｋの一桁の識別情報に対し、部品リストｋ＋１の全桁の識別情報を比較しなくてはならない。更に、部品リストｋと同じ部品の組み合わせに係る部品リストを抽出する場合、他の全ての部品リスト（部品リスト１～ｋ－１、及び部品リストｋ＋１～ｎ）と比較を行わなくてはならない。

これに対し、本実施形態に係る箱選定装置１００では、識別情報のソート処理が行われているため、部品リストｋの一桁の識別情報に対しては、部品リストｋ＋１の同じ桁の識別情報のみを比較すればよい。また、部品リストのソート処理が行われているため、部品リストｋと部品の組み合わせが共通する部品リストを抽出するには、隣の部品リストｋ＋１のみと比較すればよい。次の部品リストｋ＋１が隣の部品リストｋ＋２との比較を行って共通することが分かれば、部品リストｋと部品リストｋ＋２とを比較しなくても、両者の部品の組み合わせが共通していることを把握できるためである。図１１（ｃ）は、総当たりで比較を行う際の計算量と、本願の実施例に係る箱選定装置の計算量を示す表である。部品リストの数が増えれば増えるほど、両者の計算量の差が大きくなっている。このことより、膨大な部品リストを扱う際には、本実施形態に係る箱選定装置１００を採用することで、効率良く教師データを修正できることが分かる。

識別情報ソート処理部３２は、クイックソート処理によって識別情報をソートしてよい。この場合、識別情報ソート処理部３２は、計算量を抑制した状態で識別情報をソートできる。

入力情報受付部１１は、識別情報ソート処理部３２での識別情報のソートを行った後、部品リストソート処理部３３での部品リストのソートを行ってよい。この場合、部品リストソート処理部３３による部品リストのソートを行う際の計算量を抑制することができる。

箱修正処理部３４は、識別情報の組み合わせが全て共通する部品リストを抽出し、抽出された部品リストにおける箱を統一するように箱の選定結果を修正してよい。この場合、部品の組み合わせが共通する部品リストに対応する選定結果を統一することができる。これにより、梱包実績における選定結果のばらつきを低減することができる。

箱修正処理部３４は、抽出された物品リストにおける箱の選定結果のうち最も小さい箱で統一してよい。この場合、ニューラルネットワーク演算部１２は、梱包効率のよい箱を選定できるように学習することができる。

箱修正処理部３４は、抽出された物品リストにおける箱の選定結果のうち最も多い箱で統一してよい。この場合、ニューラルネットワーク演算部１２は、選定される頻度が高い箱を選定できるように学習することができる。

識別情報は各部品に対して所定文字数の文字列で管理されており、識別情報は、予め定められた行及び列を有する情報テーブルに入力され、入力情報受付部１１は、行及び列において文字の数を超過する場合は超過する分の文字を破棄し、行及び列において文字が不足する場合は、当該不足箇所を所定文字で埋めてよい。この場合、一部の部品の文字列が不規則なものであった場合であっても、入力情報受付部１１は、情報テーブルに対して整合された状態にて、部品の識別情報をニューラルネットワーク演算部１２に入力することができる。

本実施形態に係る梱包実績修正方法は、予め学習された学習情報、及び部品を梱包する箱の箱情報を記憶する記憶ステップＳ１０と、部品に関する入力情報を作成する入力情報受付ステップＳ２０と、入力情報を入力層に入力し、梱包実績に基づいて予め学習された学習情報に基づくニューラルネットワーク演算によって、箱に関する評価値の算出を行うニューラルネットワーク演算ステップＳ３０と、ニューラルネットワーク演算ステップＳ３０において出力層から出力された評価値に基づいて箱を選定する選定ステップＳ４０と、を有する箱選定方法で用いられる学習情報の基となる梱包実績を修正する梱包実績修正方法であって、学習に用いられる梱包実績に関する部品リスト内の部品の識別情報を所定の法則にてソートする識別情報ソート処理ステップＳ１２０と、複数の部品リストを所定の法則にてソートする部品リストソート処理ステップＳ１３０と、ソートされた複数の部品リスト、及び各部品リストのソートされた識別情報における規則性に基づき、修正対象となる複数の部品リストを抽出し、抽出された部品リストにおける箱の選定結果を修正する箱修正処理ステップＳ１６０～Ｓ２２０と、を有する。

本実施形態に係る梱包実績修正プログラムは、予め学習された学習情報、及び部品を梱包する箱の箱情報を記憶する記憶ステップＳ１０と、部品に関する入力情報を作成する入力情報受付ステップＳ２０と、入力情報を入力層に入力し、梱包実績に基づいて予め学習された学習情報に基づくニューラルネットワーク演算によって、箱に関する評価値の算出を行うニューラルネットワーク演算ステップＳ３０と、ニューラルネットワーク演算ステップＳ３０において出力層から出力された評価値に基づいて箱を選定する選定ステップＳ４０と、をコンピュータシステムに実行させる箱選定プログラムで用いられる学習情報の基となる梱包実績を修正する梱包実績修正プログラムであって、学習に用いられる梱包実績に関する部品リスト内の部品の識別情報を所定の法則にてソートする識別情報ソート処理ステップＳ１２０と、複数の部品リストを所定の法則にてソートする部品リストソート処理ステップＳ１３０と、ソートされた複数の部品リスト、及び各部品リストのソートされた識別情報における規則性に基づき、修正対象となる複数の部品リストを抽出し、抽出された部品リストにおける箱の選定結果を修正する箱修正処理ステップＳ１６０～Ｓ２２０と、をコンピュータシステムに実行させる。

これらの梱包実績修正方法、及び梱包実績修正プログラムによれば、上述の箱選定装置と同趣旨の作用・効果を得ることができる。

本発明は、上述の実施形態に限定されるものではない。

例えば、上述の実施形態では、識別情報及び部品リストのソート処理の手法としてクイックソートが採用されていたが、ソート処理の手法は特に限定されない。例えば、ヒープソート、バスケットソート、マージソート、基数ソート、及びバブルソートなどを採用してもよい。

また、箱修正処理部が修正処理を行う際の法則についても、上述の実施形態で例示したものに限定されない。例えば、箱修正処理部は、サイズが最大の箱で統一してもよく、箱コストが最小の箱に統一してもよく、輸送コストが最小の箱に統一してもよい。

１０…制御部、１１…入力情報受付部、１２…ニューラルネットワーク演算部、１３…選定部、１４…記憶部、２１…入力層、２３…出力層、３２…識別情報ソート処理部、３３…部品リストソート処理部、３４…箱修正処理部、１００…箱選定装置。

Claims (9)

1. 予め学習された学習情報に基づき、物品を梱包する箱を選定する箱選定装置であって、
   前記箱選定装置の制御部は、
   前記学習情報及び箱情報を記憶する記憶部と、
   前記物品に関する入力情報を作成する入力情報受付部と、
   前記入力情報を入力層に入力し、梱包実績に基づいて予め学習された前記学習情報に基づくニューラルネットワーク演算によって、前記箱に関する評価値の算出を行うニューラルネットワーク演算部と、
   前記ニューラルネットワーク演算部の出力層から出力された前記評価値に基づいて前記箱を選定する選定部と、を有し、
   前記入力情報受付部は、
   学習に用いられる前記梱包実績に関する物品リスト内の前記物品の識別情報を所定の法則にてソートする識別情報ソート処理部と、
   複数の前記物品リストを所定の法則にてソートする物品リストソート処理部と、
   ソートされた複数の物品リスト、及び各物品リストのソートされた前記識別情報における規則性に基づき、修正対象となる複数の物品リストを抽出し、抽出された物品リストにおける前記箱の選定結果を修正する箱修正処理部と、を有する、箱選定装置。
2. 前記識別情報ソート処理部は、クイックソート処理によって前記識別情報をソートする、請求項１に記載の箱選定装置。
3. 前記入力情報受付部は、前記識別情報ソート処理部での前記識別情報のソートを行った後、前記物品リストソート処理部での前記物品リストのソートを行う、請求項１又は２に記載の箱選定装置。
4. 前記箱修正処理部は、前記識別情報の組み合わせが全て共通する前記物品リストを抽出し、抽出された前記物品リストにおける前記箱を統一するように前記箱の選定結果を修正する、請求項１～３の何れか一項に記載の箱選定装置。
5. 前記箱修正処理部は、抽出された物品リストにおける前記箱の選定結果のうち最も小さい箱で統一する、請求項４に記載の箱選定装置。
6. 前記箱修正処理部は、抽出された物品リストにおける前記箱の選定結果のうち最も多い箱で統一する、請求項４に記載の箱選定装置。
7. 前記識別情報は各物品に対して所定文字数の文字列で管理されており、
   前記識別情報は、予め定められた行及び列を有する情報テーブルに入力され、
   前記入力情報受付部は、
   行及び列において文字の数を超過する場合は超過する分の文字を破棄し、
   行及び列において文字が不足する場合は、当該不足箇所を所定文字で埋める、整合処理を行う、請求項１～６の何れか一項に記載の箱選定装置。
8. 予め学習された学習情報、及び物品を梱包する箱の箱情報を記憶する記憶ステップと、
   前記物品に関する入力情報を作成する入力情報受付ステップと、
   前記入力情報を入力層に入力し、梱包実績に基づいて予め学習された前記学習情報に基づくニューラルネットワーク演算によって、前記箱に関する評価値の算出を行うニューラルネットワーク演算ステップと、
   前記ニューラルネットワーク演算ステップにおいて出力層から出力された前記評価値に基づいて前記箱を選定する選定ステップと、をコンピュータシステムが実行する箱選定方法で用いられる前記学習情報の基となる前記梱包実績を修正する梱包実績修正方法であって、
   学習に用いられる前記梱包実績に関する物品リスト内の前記物品の識別情報を所定の法則にてソートする識別情報ソート処理ステップと、
   複数の前記物品リストを所定の法則にてソートする物品リストソート処理ステップと、
   ソートされた複数の物品リスト、及び各物品リストのソートされた前記識別情報における規則性に基づき、修正対象となる複数の物品リストを抽出し、抽出された物品リストにおける前記箱の選定結果を修正する箱修正処理ステップと、をコンピュータシステムが実行する、梱包実績修正方法。
9. 予め学習された学習情報、及び物品を梱包する箱の箱情報を記憶する記憶ステップと、
   前記物品に関する入力情報を作成する入力情報受付ステップと、
   前記入力情報を入力層に入力し、梱包実績に基づいて予め学習された前記学習情報に基づくニューラルネットワーク演算によって、前記箱に関する評価値の算出を行うニューラルネットワーク演算ステップと、
   前記ニューラルネットワーク演算ステップにおいて出力層から出力された前記評価値に基づいて前記箱を選定する選定ステップと、をコンピュータシステムが実行する箱選定方法で用いられる前記学習情報の基となる前記梱包実績を修正する梱包実績修正プログラムであって、
   学習に用いられる前記梱包実績に関する物品リスト内の前記物品の識別情報を所定の法則にてソートする識別情報ソート処理ステップと、
   複数の前記物品リストを所定の法則にてソートする物品リストソート処理ステップと、
   ソートされた複数の物品リスト、及び各物品リストのソートされた前記識別情報における規則性に基づき、修正対象となる複数の物品リストを抽出し、抽出された物品リストにおける前記箱の選定結果を修正する箱修正処理ステップと、をコンピュータシステムに実行させる、梱包実績修正プログラム。

Images