JP7482475B2 - 節類分類装置、節類分類方法、及び、節類分類プログラム - Google Patents

Description

本開示は、節類分類装置、節類分類方法、及び、節類分類プログラムに関する。

特許文献１には、熟練者により等級付けされた節類の吸光度を測定し、得られた吸光度から因子分析法に基づいて演算式を求め、他方、等級未知の試料節類の吸光度に基づいて上記演算式を演算し、等級未知の試料節類の等級を判定する技術が開示されている。

特開平３－１７６６４４号公報

しかしながら、特許文献１に開示される技術によれば、節類の水分量・油分量等を判定することはできない。よって、原材料である節類に対して、加工前にロットごとに抜き取り検査を行い、節類の水分量・油分量等を目視で推定することで当該ロットに含まれる節類の水分量・油分量等を一律に推定する必要があった。そのため、ロット内で節類の水分量・油分量等のばらつきがある場合には、節類ごとに適した加工を行うことができず、歩留まりが悪化するという問題が生じていた。

本開示は上述の状況を鑑みて成されたものである。即ち、本開示は、節類の分類を自動化し、節類の加工工程における歩留まりを向上させることができる節類分類装置、節類分類方法、及び、節類分類プログラムを提供することを目的とする。

本開示に係る節類分類装置は、分類対象となる節類の分光スペクトルを受信する受信部と、コントローラと、を有する。ここで、コントローラは、受信した分光スペクトルに基づく入力に対して節類の分類データを出力するモデルに基づいて、受信した分光スペクトルに対応する分類データを決定するよう構成される。また、上記モデルは、分類済節類の分光スペクトルと分類済節類の分類データを組とする教師データに基づく機械学習によって生成された学習モデルである。

上記分類データは、上記節類が含有する水分量のレベルを区別できる水分量レベルデータを含むものであってもよい。

上記分類データは、上記節類が含有する油分量のレベルを区別できる油分量レベルデータを含むものであってもよい。

上記分類データは、受信した上記分光スペクトルを測定した上記節類の面が、正肉、血合、皮のいずれであるかを区別できる面データを含むものであってもよい。

上記節類分類装置は、上記面データに基づいて、上記節類の頭尾軸を中心として上記節類を回転させる姿勢変更部を更に備えるものであってもよい。

上記分類データは、上記節類の搬送方向に対する上記節類の頭尾方向を区別できる方向データを含むものであってもよい。

上記節類分類装置は、上記方向データに基づいて、上記節類を回転させて上記節類の頭側と尾側の位置を入れ替える方向転換部を更に備えるものであってもよい。

上記節類分類装置は、上記分類データに基づいて、上記節類の搬送先を切り替える搬送先切替部を更に備えるものであってもよい。

上記節類分類装置は、決定した上記分類データを、ユーザに提示する表示部を更に備えるものであってもよい。

上記学習モデルは、ニューラルネットワークまたはサポートベクターマシンによって表現されるものであってもよい。

本開示に係る節類分類方法は、分類対象となる節類の分光スペクトルを受信し、受信した上記分光スペクトルに基づく入力に対して上記節類の分類データを出力するモデルに基づいて、受信した上記分光スペクトルに対応する上記分類データを決定する。ここで、上記モデルは、分類済節類の分光スペクトルと上記分類済節類の分類データを組とする教師データに基づく機械学習によって生成された学習モデルである。

本開示に係る節類分類プログラムは、コンピュータに、分類対象となる節類の分光スペクトルを受信するステップと、受信した上記分光スペクトルに基づいて分類データを決定するステップと、を実行させる。ここで、分類データを決定するステップでは、受信した上記分光スペクトルに基づく入力に対して上記節類の分類データを出力するモデルに基づいて、受信した上記分光スペクトルに対応する上記分類データを決定する。また、上記モデルは、分類済節類の分光スペクトルと上記分類済節類の分類データを組とする教師データに基づく機械学習によって生成された学習モデルである。

本開示によれば、節類の分類作業を自動化し、節類の削り工程における歩留まりを向上させることができる。

本開示の実施形態に係る節類分類装置を含む節類分類システムの概念図である。 節類分類装置の構成を示すブロック図である。 節類分類装置の処理手順を示すフローチャートである。 節類の水分量に関して推定の精度を示す図である。 節類の油分量に関して推定の精度を示す図である。

以下、いくつかの例示的な実施形態について、図面を参照して説明する。なお、各図において共通する部分には同一の符号を付し、重複する説明を省略する。

［節類分類システムの構成］
図１は、本開示の実施形態に係る節類分類装置を含む節類分類システムの概念図である。図１に示すように、節類分類システムは、コンベア４０と、光源５と、分光装置１０と、節類分類装置２０と、搬送変更装置３０と、を備える。分光装置１０及び搬送変更装置３０は、無線又は有線のネットワークによって節類分類装置２０と接続されている。

コンベア４０は、節類ＫＢを搬送方向ＴＤに搬送する。なお、コンベア４０に沿って光源５、分光装置１０、搬送変更装置３０は配置されており、特に、搬送変更装置３０は、光源５及び分光装置１０よりも搬送方向ＴＤに沿って下流側に配置される。

なお、コンベア４０によって搬送される節類ＫＢは、原材料の魚の頭尾方向を長手方向とする板状の形状を有している。具体的には、節類ＫＢが本節の場合には、原材料の魚を、中骨を境に分割した後に、更に背側と腹側に分割して、最終的に四分割された節の１つの形状を有する。節類ＫＢが亀節の場合には、原材料の魚を、中骨を境に分割して最終的に二分割された節の１つの形状を有する。

節類ＫＢの面のうち、原材料の魚の表面に由来する面を「皮」と呼び、中骨の延在方向に沿った面を「正肉」と呼び、背側と腹側に分割する際の方向に沿った面を「血合」と呼ぶ。節類ＫＢの頭尾軸（節類ＫＢの長手方向に沿う軸）に沿った側面は、正肉、血合、皮のうち、いずれかの面となる。

分光装置１０は、光源５からの入射光Ｒ１によって照らされた節類ＫＢからの散乱光Ｒ２を分光し、散乱光Ｒ２に含まれる光の波長ごとに光の強度を測定する。例えば、光源５は、入射光Ｒ１として、近赤外光（およそ波長８００ｎｍ～２６００ｎｍの連続した波長成分を含む光）を節類ＫＢに照射する。

そして、分光装置１０は、波長ごとに検出した光の強度を、基準となる光の強度（例えば波長ごとの、入射光Ｒ１の強度）で除算して得られる値の常用対数を計算し、吸収のある場合を正とするために計算結果に負号を付けて、波長ごとに吸光度を得る。波長ごとに吸光度を並べたデータは分光スペクトルと呼ばれる。分光スペクトルは、分光装置１０から節類分類装置２０に送信される。

なお、光源５が照射する光、分光装置１０が分光する光は、近赤外光に限定されるものではなく、例えば、紫外線、可視光線、赤外線、サブミリ波、ミリ波、マイクロ波などであってもよい。

節類分類装置２０は、分光装置１０から分光スペクトルを受信し、受信した分光スペクトルに基づいて節類ＫＢの分類データを決定する。節類分類装置２０の詳細については後述する。

なお、分類データとは、節類ＫＢが含有する成分の量、コンベア４０上の節類ＫＢの配置方向（姿勢、頭尾方向）などを示すデータである。

例えば、分類データとは、水分量レベルデータ、油分量レベルデータ、面データ、方向データのうち、少なくとも１つを含むデータである。ここで、水分量レベルデータは、節類ＫＢが含有する水分量のレベルを区別可能なデータである。油分量レベルデータは、節類ＫＢが含有する油分量のレベルを区別可能なデータである。面データは、分光スペクトルを測定するのに用いた節類ＫＢの面の種類（正肉、血合、皮のうちのいずれか）を区別可能なデータである。方向データは、節類ＫＢの搬送方向ＴＤに対する節類ＫＢの頭尾方向を区別可能なデータである。分類データは、ここに挙げた例に限定されない。

搬送変更装置３０は、節類分類装置２０からの制御信号に基づいて、節類分類装置２０の位置まで搬送された節類ＫＢに対して、節類ＫＢの分類データに応じた処理を行う。分類データに水分量レベルデータ、又は、油分量レベルデータが含まれている場合、搬送変更装置３０は、水分量レベルデータ、又は、油分量レベルデータに基づいて節類ＫＢの搬送先を切り替える搬送先切替部（例えば、ソーター）であってもよい。

分類データに面データが含まれている場合、搬送変更装置３０は、面データに基づいて、節類ＫＢの頭尾軸を中心として節類ＫＢを回転させる姿勢変更部であってもよい。

分類データに方向データが含まれている場合、搬送変更装置３０は、方向データに基づいて、節類ＫＢを回転させて節類ＫＢの頭側と尾側の位置を入れ替える方向転換部であってもよい。

［分類データの決定、分類データに応じた処理を行う理由］
節類分類装置２０により、ロットを構成する１本ずつの節類に対して、個別に分類データを決定する理由、および、搬送変更装置３０により、個別に分類データに応じた処理を行う理由は、次のように説明される。

節類の加工を行う前、通常、原材料である節類に対してロットごとに抜き取り検査を行い、水分量の多寡、油分量の多寡などに基づいて、節類をロットごとにカテゴリに分けて保存する。例えば、水分量が「並」かつ油分量が「並」であるカテゴリ、又は、水分量が「高」かつ油分量が「並」であるカテゴリに属する節類は、削り節用に使用される。一方、油分量が「高」であるカテゴリ、又は、水分量が「低」であるカテゴリに属する節類は、だし抽出用に使用される。

ロットに含まれる節類の一部の抜き取り検査のみで、ロットに含まれるすべての節類のカテゴリを決定する場合、ロット中には、決定したカテゴリ以外のカテゴリに属する節類も含まれる可能性がある。このため、節類を削って削り節を製造する削り工程で適切な水分量とならず、削り工程にて削り節の厚み不良が生じたり、削り節にならずに粉になる割合が増えたりするため、歩留まりが悪化する場合が起こりうる。また、低価格の製品を製造するために用いられるカテゴリに分類されたロット中に、本来であれば高価格の製品を製造するために用いられるべき節類が混じってしまう結果、利益率が低下してしまう場合が起こりうる。

他にも、削り工程では、削り機の刃先に対して、節類の所定の面、所定の方向が向くように節類を投入する必要がある。仮に、削り機の刃先に対して、誤った面、又は、誤った方向が向くように節類を投入すると、削り工程にて削り節の厚み不良が生じたり、削り節とならずに粉の割合が増えたりするため、歩留まりが悪化してしまう。

また、削り機の刃先に対して、所定の面、所定の方向が向くように節類を投入する必要があるにも関わらず、節類の面の判定、及び、方向の判定には熟練者による経験が必要で、自動化が難しかった。

よって、不良品の量を減らして歩留まりを向上させたり、利益率を向上させたり、自動化を進めて人件費などのコストを低減したりする必要がある。この必要から、節類分類装置２０により、ロットを構成する１本ずつの節類に対して、個別に分類データを決定し、さらには、搬送変更装置３０により、個別に分類データに応じた処理を行うのである。

［節類分類装置の構成］
図２は、節類分類装置の構成を示すブロック図である。図２に示すように、節類分類装置２０は、受信部２１と、データベース２３と、コントローラ２５と、操作部２７と、表示部２９と、を備える。コントローラ２５は、受信部２１、データベース２３、操作部２７、表示部２９と通信可能なように接続される。

その他、操作部２７及び表示部２９は、節類分類装置２０自体が備えていてもよいし、節類分類装置２０の外部に設置されて、節類分類装置２０と接続されるものであってもよい。

その他、節類分類装置２０は、搬送変更装置３０に制御信号を送信する出力部を備えるものであってもよい。

受信部２１は、無線又は有線によって分光装置１０と通信可能なように接続される。受信部２１は、節類分類装置２０から分光スペクトルを受信する。その他、受信部２１は、分光スペクトルを取得した日時を示すタイムスタンプを、分光スペクトルと共に受信するものであってもよい。

データベース２３は、分光装置１０によって取得した分光スペクトルを記録する。その他、データベース２３は、分光スペクトルに対応するタイムスタンプ、節類ＫＢの分類データの算出の前提となる各種のパラメータ、又は、後述するコントローラ２５の処理で用いられるモデル（学習モデル）を記録するものであってもよい。

また、データベース２３は、節類分類装置２０とは異なる方法によって分類データが既に決定されている節類（以下、分類済節類）について、教師データを記録するものであってもよい。ここで、教師データとは、分類済節類の分光スペクトル及び分類済節類の対応する分類データからなるデータである。

操作部２７は、節類分類システムの監視員・保守員など、ユーザが操作を行うことができる入力装置である。例えば、操作部２７は、キーボード、マウス、トラックボール、タッチパネルなどである。操作部２７は、ここに挙げた例に限定されない。操作部２７を介して入力されたユーザの操作内容は、コントローラ２５に送信される。

なお、操作部２７は、分類済節類について、監視員・保守員などから、当該分類済節類の分類データを受け付けるものであってもよい。その他、操作部２７に対する操作に基づいて、節類分類装置２０は、図示しない外部媒体から分類済節類の分光スペクトル及び分類済節類の対応する分類データを読み出すものであってもよい。

表示部２９は、コントローラ２５から受信した情報を表示する。また、表示部２９は、コントローラ２５によって決定された節類ＫＢの分類データを受信し、監視員、又は、保守員に知らせる。例えば、表示部２９は、複数の表示画素の組合せにより図形、文字を表示するディスプレイであってもよいし、回転灯、ブザーなどであってもよい。表示部２９は、ここに挙げた例に限定されない。

コントローラ２５（制御部）は、ＣＰＵ（中央処理装置）、メモリ、及び入出力部を備える汎用のマイクロコンピュータである。コントローラ２５には、節類分類装置２０として機能するためのコンピュータプログラム（節類分類プログラム）がインストールされている。コンピュータプログラムを実行することにより、コントローラ２５は、節類分類装置２０が備える複数の情報処理回路（２５１、２５３、２５５、２５７）として機能する。

本開示では、ソフトウェアによって複数の情報処理回路（２５１、２５３、２５５、２５７）を実現する例を示す。ただし、以下に示す各情報処理を実行するための専用のハードウェアを用意して、情報処理回路（２５１、２５３、２５５、２５７）を構成することも可能である。また、複数の情報処理回路（２５１、２５３、２５５、２５７）を個別のハードウェアにより構成してもよい。さらに、情報処理回路（２５１、２５３、２５５、２５７）は、分光装置１０、コンベア４０、搬送変更装置３０の監視または制御に用いる制御ユニットと兼用してもよい。

図２に示すように、コントローラ２５は、複数の情報処理回路（２５１、２５３、２５５、２５７）として、前処理部２５１、学習モデル設定部２５３、算出部２５５、後処理部２５７を備える。

前処理部２５１は、分光装置１０によって取得した分光スペクトルに対して前処理を行う。具体的には、節類ＫＢの含有成分による吸収ピークの特徴を明確にするため、移動平均による平滑化処理、１次微分処理、２次微分処理、ＳＮＶ（Ｓｔａｎｄａｒｄ Ｎｏｒｍａｌ Ｖａｒｉａｔｅ）変換処理などを行う。

平滑化処理はノイズの低減目的で使用し、分光スペクトル中の各波長の吸光度を、前後の波長における吸光度による平均で置き換えることでノイズを低減する。平滑化に使用する前後の波長の吸光度の個数が多いほど、ノイズの低減効果が高くなる。

１次微分処理は、ベースラインの影響を削除するために使用する。また、２次微分処理は、波長の１次関数で表現できるベースラインの変化の影響を削除し、さらに吸収ピークの差をより明確にするために使用する。分光スペクトルの波長に対する２次微分処理を行うと、ピークの位置、ピークの高さの相対的な関係は維持されるため、２次微分処理を行った後の分光スペクトルを元に定量的な分析を行うことができる。

ＳＮＶ（Ｓｔａｎｄａｒｄ Ｎｏｒｍａｌ Ｖａｒｉａｔｅ）変換処理は、分光スペクトルにおけるベースラインシフトを抑制するために使用する。分光スペクトルを吸光度の集合として扱い、集合の平均が０、分散が１となるようにスペクトル変換を行う。

その他、前処理部２５１は、分光スペクトルに含まれるスパイクノイズを除去するためにＨａｍｐｅｌフィルタを用いて外れ値を除去するものであってもよいし、データの欠損箇所を補うため、線形補間を行うものであってもよい。

また、前処理部２５１は、多重散乱補正処理、オフセット処理、トレンド除去、リサンプリング、ＦＦＴ（高速フーリエ変換）、Ｗａｖｅｌｅｔ変換などを用いて、分光スペクトルに対する前処理を行うものであってもよい。

学習モデル設定部２５３は、分類済節類の分光スペクトルと分類済節類の分類データを組とする教師データに基づいて、機械学習を行って学習モデルを作成する。

具体的には、学習モデル設定部２５３は、データベース２３に記憶されている、分類済節類の分光スペクトル及び分類済節類の対応する分類データを読み出す。そして、前処理部２５１を介して、分類済節類の分光スペクトルに対して前処理を行う。

そして、学習モデル設定部２５３は、前処理を行った後の分類済節類の分光スペクトルと分類済節類の対応する分類データを組とする教師データに対して機械学習による学習モデルを作成する。機械学習による学習モデルを作成する手法として、例えば、ニューラルネットワーク、サポートベクターマシン、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ、ＸＧＢｏｏｓｔ、ＬｉｇｈｔＧＢＭ、ＰＬＳ回帰、Ｒｉｄｇｅ回帰、Ｌａｓｓｏ回帰のうち，１つまたは２つ以上の組み合わせを用いる手法が挙げられる。機械学習によって学習モデルを作成する手法は、ここに挙げた例に限定されない。

例えば、学習モデル設定部２５３は、分光スペクトルをニューラルネットワークに入力した際に得られる出力と、入力した分光スペクトルに対応する分類データの誤差を算出する。そして、学習モデル設定部２５３は、誤差が最小となるようにニューラルネットワークを定義するパラメータの調整を行って、教師データを表現する特徴を学習する。この場合、学習モデルはニューラルネットワークによって表現される。

例えば、上記ニューラルネットワークは、分光スペクトルのデータが入力される入力層、出力値が出力される出力層、入力層と出力層の間に設けられる少なくとも１層以上の隠れ層とを含み、入力層、隠れ層、出力層の順番に信号が伝搬する。入力層、隠れ層、出力層の各層は、１つ以上のユニットから構成される。層間のユニット同士が結合しており、各ユニットは活性化関数（例えば、シグモイド関数、正規化線形関数、ソフトマックス関数など）を有する。ユニットへの複数の入力に基づいて重み付きの合計が算出され、合計値を変数とする活性化関数の値が、ユニットの出力となる。

例えば、学習モデル設定部２５３は、ニューラルネットワークを定義するパラメータのうち、各ユニットで重み付き合計を算出する際の重みを調整することにより、ニューラルネットワークの出力と分類データとの間の誤差を最小化する。複数の教師データに対して、ニューラルネットワークの出力に関する誤差の最小化には、最尤推定法などが適用可能である。

ニューラルネットワークの出力に関する誤差を最小化するため、例えば、学習モデル設定部２５３は、勾配降下法、確率的勾配降下法などを用いてもよい。学習モデル設定部２５３は、勾配降下法、確率的勾配降下法での勾配計算のため、誤差逆伝搬法を用いてもよい。

ニューラルネットワークによる機械学習では汎化性能（未知データに対する判別能力）と過適合（教師データに対して適合する一方で汎化性能が改善しない現象）が問題となりうる。

そこで、学習モデル設定部２５３における学習モデルの作成では、過適合を緩和するため、学習時の重みの自由度を制約する正則化などの手法を用いてもよい。その他にも、ニューラルネットワーク中のユニットを確率的に選別してそれ以外のユニットを無効化するドロップアウトなどの手法を用いてもよい。さらには、汎化性能を向上させるため、前処理部２５１において、教師データ中の偏りをなくすデータ正則化、データ標準化、データ拡張などの手法を用いてもよい。

その他、学習モデル設定部２５３は、複数の教師データを分類データに基づいて複数のグループに分け、グループごとに学習モデルを作成するものであってもよい。例えば、分類データが面データ（節類ＫＢの面の種類（正肉、血合、皮のうちのいずれか）を区別するデータ）を含んでいる場合、「正肉」のグループ、「血合」のグループ、「皮」のグループ、のそれぞれに対して教師データを作成するものであってもよい。

すべてのグループの教師データに対して学習モデルを作成する場合と比較して、グループごとに学習モデルを作成した場合、グループ内での教師データ中の偏りが減少する傾向にある。そのため、ニューラルネットワークによる機械学習が高速化され、さらには、汎化性能が向上する。

なお、学習モデル設定部２５３は、分光スペクトルを測定した節類の面が、正肉、血合、皮のいずれであるかを区別する学習モデルの作成のために、ニューラルネットワークの代わりに、サポートベクターマシンを用いるものであってもよい。この場合、学習モデルはサポートベクターマシンによって表現される。サポートベクターマシンによる機械学習には、局所解収束の問題がなく汎化性能が向上する傾向にある。

学習モデル設定部２５３によって作成された学習モデルは、算出部２５５、又は、データベース２３に送信され、算出部２５５での算出に用いられる。学習モデルは、ニューラルネットワークまたはサポートベクターマシンによって表現される。

算出部２５５は、節類ＫＢを測定して得られる分光スペクトルと学習モデルに基づいて、節類ＫＢの分類データを算出する。より具体的には、算出部２５５は、学習モデルを学習モデル設定部２５３から取得し、前処理部２５１によって前処理が行われた後の分光スペクトルを学習モデルに入力する。そして、算出部２５５が学習モデルの出力を算出することで、節類ＫＢの分光スペクトルに対応して定まる、節類ＫＢの分類データを得る。

算出部２５５は、分光スペクトルを測定した節類の面が、正肉、血合、皮のいずれであるかを区別する学習モデルを用いて、分光スペクトルに基づいて、分光スペクトルを測定した節類の面が、正肉、血合、皮のいずれであるかを判別するものであってもよい。そして、正肉、血合、皮のいずれであるかに基づいて、異なる学習モデルを使用して分類データを算出するものであってもよい。これにより、算出部２５５による分類データの算出の性能、すなわち、汎化性能が向上する。

その他、算出部２５５は、学習モデルを学習モデル設定部２５３から取得する代わりに、作成済の学習モデルをデータベース２３から取得するものであってもよい。

後処理部２５７は、算出部２５５によって算出された分類データに対して後処理を行う。具体的には、算出部２５５によって算出された分類データを、表示部２９での表示に適した形式、又は、搬送変更装置３０の制御に適した形式に変換する。

［節類分類装置の処理手順］
次に、本開示に係る節類分類装置の処理手順を、図３のフローチャートを参照して説明する。

図３に示されるフローチャートの処理は、ユーザが節類分類システムを稼働させた際に開始される。なお、節類分類システムによる節類の分類を始める時点で、学習モデル設定部２５３によって既に学習モデルが作成されているものとする。

ステップＳ１０１にて、受信部２１は、節類分類装置２０から分光スペクトルを受信する。

ステップＳ１０３にて、前処理部２５１は、分光装置１０によって取得した分光スペクトルに対して前処理を行う。

ステップＳ１０５にて、算出部２５５は、前処理部２５１によって前処理が行われた後の分光スペクトルと学習モデルに基づいて、節類ＫＢの分類データを算出する。

ステップＳ１０７にて、後処理部２５７は、算出部２５５によって算出された分類データに対して後処理を行う。

ステップＳ１０９にて、搬送変更装置３０は、後処理部２５７によって後処理が行われた後の分類データに基づいて、搬送変更装置３０の位置まで搬送された節類ＫＢに対して、節類ＫＢの分類データに応じた処理を行う。

［実施形態の効果］
以上詳細に説明したように、本開示に係る節類分類装置、節類分類方法、及び、節類分類プログラムは、分類対象となる節類の分光スペクトルを受信する。そして、受信した上記分光スペクトルに基づく入力に対して上記節類の分類データを出力するモデルに基づいて、受信した上記分光スペクトルに対応する上記分類データを決定する。ここで、上記モデルは、分類済節類の分光スペクトルと上記分類済節類の分類データを組とする教師データに基づく機械学習によって生成された学習モデルである。

これにより、節類の分類作業を自動化し、節類の削り工程における歩留まりを向上させることができる。

特に、ロットに含まれる節類の全数検査を実施することが容易になるため、ロット内で節類の水分量・油分量等のばらつきがある場合であっても、節類ごとに適した加工を行うことができ、その結果、歩留まりを向上させることができる。

上記分類データは、上記節類が含有する水分量のレベルを区別できる水分量レベルデータを含むものであってもよい。これにより、節類を削って削り節を製造する削り工程の前の、加水工程あるいは乾燥工程で、節類が含有する水分量に合わせて水分量を調節することが可能となる。そのため、削り工程にて削り節の厚み不良を抑制でき、また、削り節にならずに粉になる割合を減少させることができる。

上記分類データは、上記節類が含有する油分量のレベルを区別できる油分量レベルデータを含むものであってもよい。これにより、低価格の製品を製造するために用いられるカテゴリに分類されたロット中に、本来であれば高価格の製品を製造するために用いられるべき節類が混じってしまうことを防止できる。その結果、利益率を向上させることができる。さらに、削り工程にて削り節の厚み不良を抑制でき、また、削り節にならずに粉になる割合を減少させることができる。

上記分類データは、受信した上記分光スペクトルを測定した上記節類の面が、正肉、血合、皮のいずれであるかを区別できる面データを含むものであってもよい。これにより、節類の面の判定を自動化することができ、工程全体における熟練者への依存度を下げて省人化を図ることができる。その結果、人件費などのコストを抑えることができる。

さらには、面データに基づいて、分光スペクトルに基づいて分類データを推定する際の学習データを切り替えることが可能になるため、機械学習における汎化性能を向上させることができる。

上記節類分類装置、上記節類分類方法、及び、上記節類分類プログラムは、上記面データに基づいて、上記節類の頭尾軸を中心として上記節類を回転させる姿勢変更部を制御するものであってもよい。これにより、コンベアによって節類が搬送された先にある削り機に対して、節類の所定の面が向くように、節類を投入することができる。より具体的には、削り機の刃先に対して、節類の所定の面が向くように節類を投入することができる。その結果、削り工程にて削り節の厚み不良を抑制でき、また、削り節にならずに粉になる割合を減少させることができる。

上記分類データは、上記節類の搬送方向に対する上記節類の頭尾方向を区別できる方向データを含むものであってもよい。これにより、節類の面の判定を自動化することができ、工程全体における熟練者への依存度を下げて省人化を図ることができる。その結果、人件費などのコストを抑えることができる。

上記節類分類装置、上記節類分類方法、及び、上記節類分類プログラムは、上記方向データに基づいて、上記節類を回転させて上記節類の頭側と尾側の位置を入れ替える方向転換部を制御するものであってもよい。これにより、コンベアによって節類が搬送された先にある削り機に対して、節類の所定の方向が向くように、節類を投入することができる。より具体的には、削り機の刃先に対して、節類の所定の方向が向くように節類を投入することができる。その結果、削り工程にて削り節の厚み不良を抑制でき、また、削り節にならずに粉になる割合を減少させることができる。

上記節類分類装置、上記節類分類方法、及び、上記節類分類プログラムは、上記分類データに基づいて、上記節類の搬送先を切り替える搬送先切替部を制御するものであってもよい。これにより、分類データに基づいて節類の状態に応じた適切なカテゴリに節類を分類できるようになる。その結果、工程全体の歩留まりを向上させたり、利益率を向上させたりすることができる。

上記節類分類装置、上記節類分類方法、及び、上記節類分類プログラムは、決定した上記分類データを、表示部を介してユーザに提示するものであってもよい。これにより、ユーザは、熟練者に頼ることなく、節類の状態、向き、方向などの分類データを知ることができる。その結果、工程全体における熟練者への依存度を下げて省人化を図ることができる。その結果、人件費などのコストを抑えることができる。

上記学習モデルは、ニューラルネットワークまたはサポートベクターマシンによって表現されるものであってもよい。これにより、工程全体における熟練者への依存度を下げて、節類の分類作業を自動化し、さらには、節類の削り工程における歩留まりを向上させることができる。

学習モデルを、ニューラルネットワークまたはサポートベクターマシンによって教師データから作成することにより、実際に、節類の分類が可能であることを、図４Ａ、図４Ｂを用いて説明する。図４Ａは、節類の水分量に関して推定の精度を示す図であり、図４Ｂは、節類の油分量に関して推定の精度を示す図である。

なお、図４Ａ、図４Ｂにおいて、「学習データ」の点が示す「予測値」は、分類データが既知の節類についての分光スペクトルに基づいて、学習データを用いて算出した出力値を示す。「検証データ」の点が示す「予測値」は、分類データが未知の節類についての分光スペクトルに基づいて、学習データを用いて算出した出力値を示す。

図４Ａ、図４Ｂ共に、「学習データ」の点は予測値・測定値のズレ幅が±２％程度の範囲内に収まっており、学習データは教師データに十分適合している状態である。この状態において、分類データが既知の節類について、学習データに基づく分類データ（図４Ａでは水分量データ、図４Ｂでは油分量データ）の推定の精度を確かめた。その結果、「検証データ」の点についても、予測値・測定値のズレ幅が±５％程度の範囲内に収まっていることが確かめられた。したがって、学習モデルを、ニューラルネットワークまたはサポートベクターマシンによって教師データから作成することで、過適合を防ぎつつ、汎化性能を得ることができていることが分かる。

上述の実施形態で示した各機能は、１又は複数の処理回路によって実装されうる。処理回路には、プログラムされたプロセッサ、電気回路などが含まれ、さらには、特定用途向けの集積回路（ＡＳＩＣ）のような装置、又は、記載された機能を実行するよう配置された回路構成要素なども含まれる。

いくつかの実施形態を説明したが、上記開示内容に基づいて実施形態の修正または変形をすることが可能である。上記実施形態のすべての構成要素、及び請求の範囲に記載されたすべての特徴は、それらが互いに矛盾しない限り、個々に抜き出して組み合わせてもよい。

１０ 分光装置
２０ 節類分類装置
２１ 受信部
２３ データベース
２５ コントローラ
３０ 搬送変更装置
２５１ 前処理部
２５３ 学習モデル設定部
２５５ 算出部
２５７ 後処理部
ＫＢ 節類

Claims (10)

1. 分類対象となる節類の分光スペクトルを受信する受信部と、
   受信した前記分光スペクトルに基づく入力に対して前記節類の分類データを出力するモデルに基づいて、受信した前記分光スペクトルに対応する前記分類データを決定するよう構成され、姿勢変更部と接続されたコントローラと、を有し、
   前記モデルは、分類済節類の分光スペクトルと前記分類済節類の分類データを組とする教師データに基づく機械学習によって生成された学習モデルであり、
   前記分類データは、受信した前記分光スペクトルを測定した前記節類の面が、正肉、血合、皮のいずれであるかを区別できる面データを含み、
   前記コントローラは、前記姿勢変更部を介して、前記面データに基づいて、前記節類の頭尾軸を中心として前記節類を回転させる、節類分類装置。
2. 前記分類データは、前記節類が含有する水分量のレベルを区別できる水分量レベルデータを含む、請求項１に記載の節類分類装置。
3. 前記分類データは、前記節類が含有する油分量のレベルを区別できる油分量レベルデータを含む、請求項１または２に記載の節類分類装置。
4. 前記分類データは、前記節類の搬送方向に対する前記節類の頭尾方向を区別できる方向データを含む、請求項１～３のいずれか一項に記載の節類分類装置。
5. 前記コントローラは、前記方向データに基づいて、前記節類を回転させて前記節類の頭側と尾側の位置を入れ替える方向転換部と接続される、請求項４に記載の節類分類装置。
6. 前記コントローラは、前記分類データに基づいて、前記節類の搬送先を切り替える搬送先切替部と接続される、請求項１～５のいずれか一項に記載の節類分類装置。
7. 前記決定した前記分類データを、ユーザに提示する表示部を更に備える、請求項１～６のいずれか一項に記載の節類分類装置。
8. 前記学習モデルは、ニューラルネットワークまたはサポートベクターマシンによって表現される、請求項１～７のいずれか一項に記載の節類分類装置。
9. 分類対象となる節類の分光スペクトルを受信し、
   受信した前記分光スペクトルに基づく入力に対して前記節類の分類データを出力するモデルに基づいて、受信した前記分光スペクトルに対応する前記分類データを決定し、姿勢変更部を制御する
   節類分類方法であって、
   前記モデルは、分類済節類の分光スペクトルと前記分類済節類の分類データを組とする教師データに基づく機械学習によって生成された学習モデルであり、
   前記分類データは、受信した前記分光スペクトルを測定した前記節類の面が、正肉、血合、皮のいずれであるかを区別できる面データを含み、
   前記姿勢変更部を介して、前記面データに基づいて、前記節類の頭尾軸を中心として前記節類を回転させる、節類分類方法。
10. コンピュータに、
    分類対象となる節類の分光スペクトルを受信するステップと、
    受信した前記分光スペクトルに基づく入力に対して前記節類の分類データを出力するモデルに基づいて、受信した前記分光スペクトルに対応する前記分類データを決定するステップと、
    姿勢変更部を制御するステップと、
    を実行させるための節類分類プログラムであって、
    前記モデルは、分類済節類の分光スペクトルと前記分類済節類の分類データを組とする教師データに基づく機械学習によって生成された学習モデルであり、
    前記分類データは、受信した前記分光スペクトルを測定した前記節類の面が、正肉、血合、皮のいずれであるかを区別できる面データを含み、
    前記姿勢変更部を介して、前記面データに基づいて、前記節類の頭尾軸を中心として前記節類を回転させる、節類分類プログラム。

Images