JP7481691B2 - 品質評価装置、教師データの作成方法、品質評価処理プログラムおよび品質評価方法 - Google Patents
品質評価装置、教師データの作成方法、品質評価処理プログラムおよび品質評価方法 Download PDFInfo
- Publication number
- JP7481691B2 JP7481691B2 JP2020065309A JP2020065309A JP7481691B2 JP 7481691 B2 JP7481691 B2 JP 7481691B2 JP 2020065309 A JP2020065309 A JP 2020065309A JP 2020065309 A JP2020065309 A JP 2020065309A JP 7481691 B2 JP7481691 B2 JP 7481691B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- shellfish
- quality evaluation
- image parameter
- quality
- 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
- 238000013441 quality evaluation Methods 0.000 title claims description 158
- 238000000034 method Methods 0.000 title claims description 63
- 238000004364 calculation method Methods 0.000 claims description 224
- 230000000694 effects Effects 0.000 claims description 156
- 235000015170 shellfish Nutrition 0.000 claims description 121
- 241000237502 Ostreidae Species 0.000 claims description 113
- 235000020636 oyster Nutrition 0.000 claims description 113
- 238000005259 measurement Methods 0.000 claims description 58
- 230000002950 deficient Effects 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 23
- 235000013372 meat Nutrition 0.000 claims description 21
- 230000001172 regenerating effect Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 238000001303 quality assessment method Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 description 76
- 238000010586 diagram Methods 0.000 description 49
- 230000010365 information processing Effects 0.000 description 28
- 238000007781 pre-processing Methods 0.000 description 28
- 238000002474 experimental method Methods 0.000 description 18
- 230000015654 memory Effects 0.000 description 17
- 230000001364 causal effect Effects 0.000 description 9
- 230000008092 positive effect Effects 0.000 description 8
- 125000004122 cyclic group Chemical group 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000008929 regeneration Effects 0.000 description 4
- 238000011069 regeneration method Methods 0.000 description 4
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000237519 Bivalvia Species 0.000 description 1
- 241000237858 Gastropoda Species 0.000 description 1
- 241000237503 Pectinidae Species 0.000 description 1
- 235000020639 clam Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 101150013335 img1 gene Proteins 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 235000020637 scallop Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Description
以下、図1~図8を用いて本発明の実施形態1について説明する。説明の便宜上、実施形態1にて説明した部材と同じ機能を有する部材については、後掲の実施形態2では、同じ符号を付記し、その説明を繰り返さない。
図1を用いて、実施形態1に係る情報処理装置100等の概要を説明する。情報処理装置100は、各種情報を処理するとともに貝類の品質評価が可能な装置である。情報処理装置100および後掲の情報処理装置200による品質評価の対象となる貝類の種類は、特に限定されない。一例として、栄螺、鮑、常節などの巻貝を挙げることができる。なお、前記品質評価の対象となる貝類としては、帆立貝、浅利、阿古屋貝などの二枚貝であることが好ましく、同じく二枚貝の牡蠣であることがより好ましい。実施形態1および後掲の実施形態2では、前記品質評価の対象となる貝類として、牡蠣(不図示)を例に挙げて説明する。
図2~図5を用いて、品質評価装置10による品質評価処理の流れの一例について説明する。はじめに、画像パラメータ取得部11は、X線画像生成装置6から牡蠣のX線画像を取得する(S101)。次に、画像パラメータ取得部11は、複数種類の前段処理パラメータ(第2画像パラメータ)を設定する(S102)。
σB;BDW推定値Bの標準偏差
r;T’とD’との相関係数
TWW実測値-BDW実測値の分布をグラフ化した場合、例えば図4に示すようなグラフとなる。図4に示すグラフにおいて、基準データ群は図中の破線で囲まれた領域となる。同グラフにおける前記領域から外れた箇所にプロットされた点の集合は、通常品および良品と評価された牡蠣のTWW実測値-BDW実測値の分布を示す。
図6~図8を用いて、品質評価装置10による推定式の生成・再生成処理の流れを説明する。
はじめに、画像パラメータ取得部11から画像特徴パラメータセットを取得したスコア算出部12は、画像パラメータサンプルの中から単位空間サンプルと信号サンプルとを選択する(S201)。
ST11;全変動 (f=l)
Sβ11;比例項の変動 (f=1)
Se11;誤差変動 (f=l-1)
Ve11;誤差分散
実施形態1および後掲の実施形態2では、スコア算出部12は、第1~第k基準化項目のそれぞれにおける第1・第2比例定数β1・β2および第1・第2SN比η1・η2について、下記の表7に示すように算出したものとする。
Bnew;未知サンプルのBDW推定値
スコア算出部12は、生成したTWW推定式(式(18))およびBDW推定式(式(19))を記憶装置4あるいはスコア算出部12のメモリに一旦格納する。その後は、スコア算出部12が、未知サンプルの第1~第k基準化項目を実際に算出してTWW推定式およびBDW推定式のそれぞれに代入することで、未知サンプルのTWW推定値TnewおよびBDW推定値Bnewを算出する。
次にスコア算出部12は、未知サンプルの全メンバーに含まれる第1~第k基準化項目およびTWW・BDW実測値を基準化した上で、未知サンプルの全メンバーについて、TWW・BDW推定値T・Bを算出する(S206)。具体的にはスコア算出部12は、記憶装置4あるいはスコア算出部12のメモリから、未知サンプル、TWW推定式(式(18))およびBDW推定式(式(19))を呼び出す。そしてスコア算出部12は、第iメンバー(i=1、2、…、l)を構成する第1~第k基準化項目Xi1~XikのそれぞれをTWW・BDW推定式に代入することで、第iメンバーのTWW・BDW推定値Ti・Biを算出する。
r;有効除数
ST;全変動 (f=l)
Sβ;比例項の変動 (f=1)
Se;誤差変動 (f=l-1)
Ve;誤差分散
そしてスコア算出部12は、未知サンプルの全メンバー、TWW・BDW推定式精度を、要因効果算出部14に出力する。
上述した品質評価装置10による推定式の生成・再生成処理はあくまで一例であり、他の生成・再生成処理を採用してもよい。例えば品質評価装置10は、推定式の生成処理のみを実行し、推定式の再生成処理を実行しなくてもよい。この場合、品質評価装置10は、要因効果算出部14を備えていなくてもよい。
以下、図1を用いて本発明の実施形態2について説明する。実施形態2に係る情報処理装置200は、品質評価装置20のスコア算出部12が、学習済みモデルを用いて画像パラメータサンプルの各メンバーを構成する画像特徴パラメータを決定する点で、実施形態1に係る情報処理装置100と異なる。実施形態2に係る品質評価装置・情報処理装置20・200の構成自体は、図1に示すように、実施形態1に係る品質評価装置・情報処理装置10・100の構成と同様である。
品質評価装置20のスコア算出部12は、学習済みモデルを用いて、記憶装置4から取得した未知サンプルの各データセットを構成する複数種類の画像特徴パラメータの中から、画像パラメータサンプルを構成する画像特徴パラメータを選択する。なお、スコア算出部12は、未知サンプルを当該スコア算出部12のメモリから取得してもよい。
品質評価装置10・20の制御ブロック(特に画像パラメータ取得部11、スコア算出部12および品質評価部13)は、集積回路(ICチップ)等に形成された論理回路(ハードウェア)によって実現してもよいし、ソフトウェアによって実現してもよい。
以下、図9~図13を用いて本発明の一実施例について説明する。本実施例では、下記の表12に示す性質・生育条件の牡蠣を3081個体収集し、X線画像生成装置6のX線管(X線照射部)の電圧を「弱」・「中」・「強」の3段階に設定して複数種類の態様の牡蠣のそれぞれについて、X線画像を取得した。また本実施例では、実施形態1に係る情報処理装置100を用いて、当該情報処理装置100のユーザ(品質評価の作業者;以下、「ユーザ」)が各種の調査を行ったものとする。X線画像の取得条件およびX線画像の取得枚数を下記の表13に示す。
次に、牡蠣の殻を開ける(破壊する)ことなく得られる外観情報を用いた、ユーザの目視による品質評価を検証するために、外観情報の一例である牡蠣のTWWおよび殻の形状(ともに実測値)と牡蠣の品質との関係を調査した。殻の形状については、殻高、殻幅および殻長の3つの項目を設けた。調査結果を図10のグラフに示す。図10に示すように、縦軸・横軸ともに同じ項目のグラフ、および、縦軸と横軸とで項目が異なるグラフのすべてについて、不良品・通常品・良品の各品質分布に明確な差は見られなかった。このことから、牡蠣のTWWおよび殻の形状からでは、牡蠣の品質を推定することが困難であることが判明した。
次に、画像パラメータ取得部11が第2要因効果図を用いて再設定(図6のフローチャートのS215参照)した複数種類の前段処理パラメータの条件(以下、「再設定条件」と称する)について、第2要因効果図の条件再現性を調査した。なお、本実施例では、第2TWW要因効果図の条件再現性についてのみ調査した。また、本実施例の再設定条件は、実施形態1および2の再設定条件と同様に、複数種類の前段処理パラメータのすべてについて第1~第3パターンの中で第2TWW要因効果が最も高い条件とした。
次に、実際に生成した推定式を用いて、当該推定式から得られる品質情報の推定値と実測値との関係を調査した。なお本実施例では、BDW推定式から得られるBDW推定値Bと、BDW実測値との関係についてのみ調査した。
次に、ユーザの目視による品質評価と、本発明の一態様に係る品質評価とで、それぞれ実証実験を行った。なお、ユーザは、平均的な品質評価能力を有する牡蠣生産出荷業者と同等の品質評価能力を有するものとする。以下、前記の目視による品質評価を「人間判別」と称する。また、本発明の一態様に係る品質評価を「画像判別」と称する。
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
11 画像パラメータ取得部
12 スコア算出部
13 品質評価部
14 要因効果算出部
B BDW推定値(推定値)
E 閾値
E1 第1閾値(閾値)
E2 第2閾値(閾値)
T TWW推定値(推定値)
MD マハラノビス距離
β 比例定数
β1 第1比例定数(比例定数)
β2 第2比例定数(比例定数)
η SN比
η1 第1SN比(SN比)
η2 第2SN比(SN比)
ηt 総合推定のSN比(推定式精度)
Claims (21)
- 貝類の軟体部の全体に対する外観が透明な部分の割合である前記貝類の身入りの程度により前記貝類の品質を評価する品質評価装置であって、
前記貝類のX線画像を取得して当該X線画像を解析することにより、前記貝類の身入りの程度を示す第1画像パラメータを複数種類取得する画像パラメータ取得部と、
前記画像パラメータ取得部が取得した複数種類の前記第1画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出部と、
前記スコア算出部が算出した前記スコアに基づいて前記貝類の品質を評価する品質評価部と、を備えていることを特徴とする品質評価装置。 - 前記スコア算出部は、
1つの前記X線画像から取得される複数種類の前記第1画像パラメータと前記品質情報の実測値とを1つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、
複数種類の前記第1画像パラメータごとに、
前記単位空間サンプルの前記第1画像パラメータの平均値である第1平均値を算出して、対応する前記信号サンプルの前記第1画像パラメータのそれぞれから前記第1平均値を差し引くことで基準化第1画像パラメータを算出し、
前記単位空間サンプルの前記実測値の平均値である第2平均値を算出して、対応する前記信号サンプルの前記実測値のそれぞれから前記第2平均値を差し引くことで基準化実測値を算出し、
前記基準化第1画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第1画像パラメータの比例定数と、SN比とを算出し、
複数種類の前記第1画像パラメータごとの前記比例定数および前記SN比を用いて、前記所定の推定式を生成することを特徴とする請求項1に記載の品質評価装置。 - 前記スコア算出部は、
前記画像パラメータ取得部が取得した複数種類の前記第1画像パラメータを前記所定の推定式に代入することにより、前記品質情報の推定値を算出し、
不良品と評価した前記貝類に関する前記品質情報の実測値の分布と前記推定値とのマハラノビス距離を、前記スコアとして算出し、
前記品質評価部は、前記マハラノビス距離と閾値とを比較することにより、前記貝類の品質を評価することを特徴とする請求項2に記載の品質評価装置。 - 前記画像パラメータサンプルを用いて、複数種類の前記第1画像パラメータごとに、前記所定の推定式から算出された前記推定値が前記基準化実測値にどの程度近似しているかを示す推定式精度に関する第1要因効果を算出する要因効果算出部をさらに備え、
前記スコア算出部は、前記要因効果算出部が算出した前記第1要因効果を用いて、前記所定の推定式を再生成することを特徴とする請求項3に記載の品質評価装置。 - 前記要因効果算出部は、前記X線画像の処理および解析に関連する複数種類の第2画像パラメータごとに、前記推定式精度に関する第2要因効果を算出し、
前記画像パラメータ取得部は、前記要因効果算出部が算出した前記第2要因効果を用いて、前記複数種類の第2画像パラメータの少なくともいずれか1つを再設定することを特徴とする請求項4に記載の品質評価装置。 - 前記スコア算出部は、
前記画像パラメータサンプルの複数の前記データセットを教師データとした機械学習により生成された学習済みモデルを用いて、前記画像パラメータ取得部から取得した複数種類の前記第1画像パラメータの中から、前記画像パラメータサンプルを構成する前記第1画像パラメータを選択し、
選択した前記第1画像パラメータで構成される前記画像パラメータサンプルを用いて、前記所定の推定式を再生成することを特徴とする請求項2から5のいずれか1項に記載の品質評価装置。 - 前記貝類は、牡蠣であることを特徴とする請求項1から6のいずれか1項に記載の品質評価装置。
- 貝類の身入りの程度により前記貝類の品質を評価する品質評価装置であって、
前記貝類のX線画像を取得して当該X線画像を解析することにより、前記貝類の身入りの程度を示す第1画像パラメータを複数種類取得する画像パラメータ取得部と、
前記画像パラメータ取得部が取得した複数種類の前記第1画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出部と、
前記スコア算出部が算出した前記スコアに基づいて前記貝類の品質を評価する品質評価部と、を備えており、
前記スコア算出部は、
1つの前記X線画像から取得される複数種類の前記第1画像パラメータと前記品質情報の実測値とを1つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、
複数種類の前記第1画像パラメータごとに、
前記単位空間サンプルの前記第1画像パラメータの平均値である第1平均値を算出して、対応する前記信号サンプルの前記第1画像パラメータのそれぞれから前記第1平均値を差し引くことで基準化第1画像パラメータを算出し、
前記単位空間サンプルの前記実測値の平均値である第2平均値を算出して、対応する前記信号サンプルの前記実測値のそれぞれから前記第2平均値を差し引くことで基準化実測値を算出し、
前記基準化第1画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第1画像パラメータの比例定数と、SN比とを算出し、
複数種類の前記第1画像パラメータごとの前記比例定数および前記SN比を用いて、前記所定の推定式を生成することを特徴とする品質評価装置。 - 前記スコア算出部は、
前記画像パラメータ取得部が取得した複数種類の前記第1画像パラメータを前記所定の推定式に代入することにより、前記品質情報の推定値を算出し、
不良品と評価した前記貝類に関する前記品質情報の実測値の分布と前記推定値とのマハラノビス距離を、前記スコアとして算出し、
前記品質評価部は、前記マハラノビス距離と閾値とを比較することにより、前記貝類の品質を評価することを特徴とする請求項8に記載の品質評価装置。 - 前記画像パラメータサンプルを用いて、複数種類の前記第1画像パラメータごとに、前記所定の推定式から算出された前記推定値が前記基準化実測値にどの程度近似しているかを示す推定式精度に関する第1要因効果を算出する要因効果算出部をさらに備え、
前記スコア算出部は、前記要因効果算出部が算出した前記第1要因効果を用いて、前記所定の推定式を再生成することを特徴とする請求項9に記載の品質評価装置。 - 前記要因効果算出部は、前記X線画像の処理および解析に関連する複数種類の第2画像パラメータごとに、前記推定式精度に関する第2要因効果を算出し、
前記画像パラメータ取得部は、前記要因効果算出部が算出した前記第2要因効果を用いて、前記複数種類の第2画像パラメータの少なくともいずれか1つを再設定することを特徴とする請求項10に記載の品質評価装置。 - 貝類の身入りの程度により前記貝類の品質を評価する品質評価装置であって、
前記貝類のX線画像を取得して当該X線画像を解析することにより、前記貝類の身入りの程度を示す第1画像パラメータを複数種類取得する画像パラメータ取得部と、
前記画像パラメータ取得部が取得した複数種類の前記第1画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出部と、
前記スコア算出部が算出した前記スコアに基づいて前記貝類の品質を評価する品質評価部と、を備えており、
前記スコア算出部は、
1つの前記X線画像から取得される複数種類の前記第1画像パラメータと前記品質情報の実測値とを1つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、
複数種類の前記第1画像パラメータごとに、
前記単位空間サンプルの前記第1画像パラメータの平均値である第1平均値を算出して、対応する前記信号サンプルの前記第1画像パラメータのそれぞれから前記第1平均値を差し引くことで基準化第1画像パラメータを算出し、
前記単位空間サンプルの前記実測値の平均値である第2平均値を算出して、対応する前記信号サンプルの前記実測値のそれぞれから前記第2平均値を差し引くことで基準化実測値を算出し、
前記基準化第1画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第1画像パラメータの比例定数と、SN比とを算出し、
複数種類の前記第1画像パラメータごとの前記比例定数および前記SN比を用いて、前記所定の推定式を生成し、
前記画像パラメータサンプルの複数の前記データセットを教師データとした機械学習により生成された学習済みモデルを用いて、前記画像パラメータ取得部から取得した複数種類の前記第1画像パラメータの中から、前記画像パラメータサンプルを構成する前記第1画像パラメータを選択し、
選択した前記第1画像パラメータで構成される前記画像パラメータサンプルを用いて、前記所定の推定式を再生成することを特徴とする品質評価装置。 - コンピュータにより実行されるとともに、貝類のX線画像を解析することにより、前記貝類の軟体部の全体に対する外観が透明な部分の割合である前記貝類の身入りの程度を示す第1画像パラメータを複数種類取得する画像パラメータ取得部と、前記画像パラメータ取得部が取得した複数種類の前記第1画像パラメータに基づいて所定の推定式を生成するスコア算出部と、を備えた、前記貝類の身入りの程度により前記貝類の品質を評価することを機械学習する品質評価装置に適用される、学習済みモデルを生成するための教師データの作成方法であって、
前記教師データは、前記スコア算出部が前記所定の推定式を生成する処理に用いられる、1つの前記X線画像から取得される複数種類の前記第1画像パラメータと、前記貝類の身入りの程度の指標となる品質情報の実測値と、を1つのデータセットとした複数の前記データセットのそれぞれに含まれる、複数種類の前記第1画像パラメータと、前記実測値と、を含み、
前記スコア算出部は、
学習モデルに前記教師データを与えて機械学習させることにより、前記学習済みモデルを生成し、
特定の前記第1画像パラメータを前記学習済みモデルに入力することにより、前記学習済みモデルから出力された前記実測値の予測値を取得し、
前記スコア算出部が、複数の前記データセットのそれぞれに含まれる、複数種類の前記第1画像パラメータと、前記実測値と、を前記品質評価装置から取得するステップを含んでいることを特徴とする教師データの作成方法。 - 請求項1ならびに8から12のいずれか1項に記載の品質評価装置としてコンピュータを機能させるための品質評価処理プログラムであって、前記画像パラメータ取得部、前記スコア算出部および前記品質評価部としてコンピュータを機能させるための品質評価処理プログラム。
- 貝類の軟体部の全体に対する外観が透明な部分の割合である前記貝類の身入りの程度により前記貝類の品質を評価する品質評価装置により実行される品質評価方法であって、
前記貝類のX線画像を取得して当該X線画像を解析することにより、前記貝類の身入りの程度を示す第1画像パラメータを複数種類取得する画像パラメータ取得ステップと、
前記画像パラメータ取得ステップにて取得した複数種類の前記第1画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出ステップと、
前記スコア算出ステップにて算出した前記スコアに基づいて前記貝類の品質を評価する品質評価ステップと、を含んでいることを特徴とする品質評価方法。 - 前記貝類は、牡蠣であることを特徴とする請求項15に記載の品質評価方法。
- 貝類の身入りの程度により前記貝類の品質を評価する品質評価装置により実行される品質評価方法であって、
前記貝類のX線画像を取得して当該X線画像を解析することにより、前記貝類の身入りの程度を示す第1画像パラメータを複数種類取得する画像パラメータ取得ステップと、
前記画像パラメータ取得ステップにて取得した複数種類の前記第1画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出ステップと、
前記スコア算出ステップにて算出した前記スコアに基づいて前記貝類の品質を評価する品質評価ステップと、を含んでおり、
前記スコア算出ステップでは、
1つの前記X線画像から取得される複数種類の前記第1画像パラメータと前記品質情報の実測値とを1つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、
複数種類の前記第1画像パラメータごとに、
前記単位空間サンプルの前記第1画像パラメータの平均値である第1平均値を算出して、対応する前記信号サンプルの前記第1画像パラメータのそれぞれから前記第1平均値を差し引くことで基準化第1画像パラメータを算出し、
前記単位空間サンプルの前記実測値の平均値である第2平均値を算出して、対応する前記信号サンプルの前記実測値のそれぞれから前記第2平均値を差し引くことで基準化実測値を算出し、
前記基準化第1画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第1画像パラメータの比例定数と、SN比とを算出し、
複数種類の前記第1画像パラメータごとの前記比例定数および前記SN比を用いて、前記所定の推定式を生成することを特徴とする品質評価方法。 - 前記スコア算出ステップでは、
前記画像パラメータ取得ステップにて取得した複数種類の前記第1画像パラメータを前記所定の推定式に代入することにより、前記品質情報の推定値を算出し、
不良品と評価した前記貝類に関する前記品質情報の実測値の分布と前記推定値とのマハラノビス距離を、前記スコアとして算出し、
前記品質評価ステップでは、前記マハラノビス距離と閾値とを比較することにより、前記貝類の品質を評価することを特徴とする請求項17に記載の品質評価方法。 - 前記画像パラメータサンプルを用いて、複数種類の前記第1画像パラメータごとに、前記所定の推定式から算出された前記推定値が前記基準化実測値にどの程度近似しているかを示す推定式精度に関する第1要因効果を算出する要因効果算出ステップをさらに含んでおり、
前記スコア算出ステップでは、前記要因効果算出ステップにて算出した前記第1要因効果を用いて、前記所定の推定式を再生成することを特徴とする請求項18に記載の品質評価方法。 - 前記要因効果算出ステップでは、前記X線画像の処理および解析に関連する複数種類の第2画像パラメータごとに、前記推定式精度に関する第2要因効果を算出し、
前記画像パラメータ取得ステップでは、前記要因効果算出ステップにて算出した前記第2要因効果を用いて、前記複数種類の第2画像パラメータの少なくともいずれか1つを再設定することを特徴とする請求項19に記載の品質評価方法。 - 貝類の身入りの程度により前記貝類の品質を評価する品質評価装置により実行される品質評価方法であって、
前記貝類のX線画像を取得して当該X線画像を解析することにより、前記貝類の身入りの程度を示す第1画像パラメータを複数種類取得する画像パラメータ取得ステップと、
前記画像パラメータ取得ステップにて取得した複数種類の前記第1画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出ステップと、
前記スコア算出ステップにて算出した前記スコアに基づいて前記貝類の品質を評価する品質評価ステップと、を含んでおり、
前記スコア算出ステップでは、
1つの前記X線画像から取得される複数種類の前記第1画像パラメータと前記品質情報の実測値とを1つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、
複数種類の前記第1画像パラメータごとに、
前記単位空間サンプルの前記第1画像パラメータの平均値である第1平均値を算出して、対応する前記信号サンプルの前記第1画像パラメータのそれぞれから前記第1平均値を差し引くことで基準化第1画像パラメータを算出し、
前記単位空間サンプルの前記実測値の平均値である第2平均値を算出して、対応する前記信号サンプルの前記実測値のそれぞれから前記第2平均値を差し引くことで基準化実測値を算出し、
前記基準化第1画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第1画像パラメータの比例定数と、SN比とを算出し、
複数種類の前記第1画像パラメータごとの前記比例定数および前記SN比を用いて、前記所定の推定式を生成し、
前記画像パラメータサンプルの複数の前記データセットを教師データとした機械学習により生成された学習済みモデルを用いて、前記画像パラメータ取得ステップにて取得した複数種類の前記第1画像パラメータの中から、前記画像パラメータサンプルを構成する前記第1画像パラメータを選択し、
選択した前記第1画像パラメータで構成される前記画像パラメータサンプルを用いて、前記所定の推定式を再生成することを特徴とする品質評価方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020065309A JP7481691B2 (ja) | 2020-03-31 | 2020-03-31 | 品質評価装置、教師データの作成方法、品質評価処理プログラムおよび品質評価方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020065309A JP7481691B2 (ja) | 2020-03-31 | 2020-03-31 | 品質評価装置、教師データの作成方法、品質評価処理プログラムおよび品質評価方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021163278A JP2021163278A (ja) | 2021-10-11 |
JP7481691B2 true JP7481691B2 (ja) | 2024-05-13 |
Family
ID=78005006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020065309A Active JP7481691B2 (ja) | 2020-03-31 | 2020-03-31 | 品質評価装置、教師データの作成方法、品質評価処理プログラムおよび品質評価方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7481691B2 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010145135A (ja) | 2008-12-16 | 2010-07-01 | Ishida Co Ltd | X線検査装置 |
CN110720937A (zh) | 2019-10-15 | 2020-01-24 | 中国海洋大学 | 一种快速的活体无损检测和评价贝类肌肉量的方法 |
-
2020
- 2020-03-31 JP JP2020065309A patent/JP7481691B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010145135A (ja) | 2008-12-16 | 2010-07-01 | Ishida Co Ltd | X線検査装置 |
CN110720937A (zh) | 2019-10-15 | 2020-01-24 | 中国海洋大学 | 一种快速的活体无损检测和评价贝类肌肉量的方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021163278A (ja) | 2021-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kukreja et al. | A Deep Neural Network based disease detection scheme for Citrus fruits | |
US20210368747A1 (en) | Analysis and sorting in aquaculture | |
US20210368748A1 (en) | Analysis and sorting in aquaculture | |
CN115099297B (zh) | 一种基于改进型YOLO v5模型的大豆植株表型数据统计方法 | |
WO2023084543A1 (en) | System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis | |
CN115908257A (zh) | 缺陷识别模型训练方法及果蔬缺陷识别方法 | |
CN111428655A (zh) | 一种基于深度学习的头皮检测方法 | |
CN114203300A (zh) | 一种健康状态评估方法及系统、服务端、存储介质 | |
Raihen et al. | Prediction modeling using deep learning for the classification of grape-type dried fruits | |
KR20220007030A (ko) | 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법 | |
CN117315380A (zh) | 一种基于深度学习的肺炎ct图像分类方法及系统 | |
JP7481691B2 (ja) | 品質評価装置、教師データの作成方法、品質評価処理プログラムおよび品質評価方法 | |
Qian et al. | A study on phenotypic micro-variation of stored melon based on weight loss rate | |
CN114708634A (zh) | 基于人脸图像的相对体重分析方法、装置及电子设备 | |
Tahir et al. | A methodology of customized dataset for cotton disease detection using deep learning algorithms | |
CN114550918A (zh) | 一种基于绘画特征数据的心理障碍测评方法及系统 | |
Samaniego et al. | Image Processing Model for Classification of Stages of Freshness of Bangus using YOLOv8 Algorithm | |
Singh et al. | Rice kernels classification with deep learning using a modified dataset mimicking real-world conditions | |
Kumari et al. | CertiMart: Use Computer Vision to Digitize and Automate Supermarket with Fruit Quality Measuring and Maintaining | |
Pamungkas et al. | Segmentation of enhalus acoroides seagrass from underwater images using the Mask R-CNN method | |
Irianto et al. | Identification of lung cancer using a back propagation neural network | |
Mesran et al. | Investigating the Impact of ReLU and Sigmoid Activation Functions on Animal Classification Using CNN Models | |
Thomas et al. | Classification of dates varieties and effect of motion blurring on standardized moment features | |
Lumpay et al. | Android-Based Application for Ripeness Classification and Shelf-Life Determination of Philippine Bananas | |
Bhuvana et al. | Covid-19 Detection using Chest X-Rays with Image based Deep Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230125 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231122 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240201 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240220 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240318 |
|
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: 20240402 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240417 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7481691 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |