JPH06100536B2 - 海苔鑑別方法 - Google Patents
海苔鑑別方法Info
- Publication number
- JPH06100536B2 JPH06100536B2 JP63284129A JP28412988A JPH06100536B2 JP H06100536 B2 JPH06100536 B2 JP H06100536B2 JP 63284129 A JP63284129 A JP 63284129A JP 28412988 A JP28412988 A JP 28412988A JP H06100536 B2 JPH06100536 B2 JP H06100536B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- grade
- light
- seaweed
- color band
- 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.)
- Expired - Fee Related
Links
Description
【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、乾海苔製品の等級を決定する色、つや、くも
りを自動的に検出して等級の鑑別を行う方法に関する。
りを自動的に検出して等級の鑑別を行う方法に関する。
乾海苔製品の品質は、海苔表面の色、光に対する反射か
らくるつや、あるいはくもりを考慮して判断され、等級
が決定される。
らくるつや、あるいはくもりを考慮して判断され、等級
が決定される。
従来は、海苔の鑑定人が乾海苔製品の束を手でもって色
や光沢(つや)の具合を見て、長年の経験により評価を
していた。
や光沢(つや)の具合を見て、長年の経験により評価を
していた。
たとえば、評価基準として、ある団体では、次のような
等級区分の規格を定めている。
等級区分の規格を定めている。
優等:原藻及び抄き方優秀なもの 黒褐色濃く、光沢優秀なもの 香味優秀なもの 特等:原藻及び抄き方優良なもの 黒褐色濃く、光沢優良なもの 香味優良なもの 一等:原藻及び抄き方良好なもの 黒褐色やや濃く、光沢良好なもの 香味良好なもの 二等:原藻及び抄き方普通なもの 黒褐色やや濃く、光沢普通なもの 香味一等品に及ばない 〜 (三等〜七等):それぞれ上の等級に及ばない
もの また、前記の等級のほか、品種の区分として次のものを
定義している(例示)。
もの また、前記の等級のほか、品種の区分として次のものを
定義している(例示)。
「上」:同一等級を二階級に細分する場合の上位のもの
で四等迄とする。
で四等迄とする。
「黒」:普通等級と同程度又は、それ以上の黒味を有す
るが、光沢が不足しているもので三等までとする。
るが、光沢が不足しているもので三等までとする。
「ク」:水洗い不足、乾燥等によるくもりの軽微なも
の。
の。
「別」:腐れ、乾燥等によるくもりの甚だしいもの。
なお、ここでいう「くもり」とは、乾燥海苔の表面に見
られるつやの無い部分である。このくもりが生ずる原因
は、細胞の死んだ海苔が混じったものである。逆に、
「つや」は、海苔細胞に含まれるグルテン質が関係して
いると言われている。
られるつやの無い部分である。このくもりが生ずる原因
は、細胞の死んだ海苔が混じったものである。逆に、
「つや」は、海苔細胞に含まれるグルテン質が関係して
いると言われている。
このほかにも品質を区分する基準が、厚さの過不足、夾
雑物の混入、乾燥の過不足、縮み、破れ、穴あき、寸法
不足など色々あり、地域、年度、時期によっても基準が
変わることがある。
雑物の混入、乾燥の過不足、縮み、破れ、穴あき、寸法
不足など色々あり、地域、年度、時期によっても基準が
変わることがある。
ところが、このような基準が設けられているとしても、
その等級や品質の基準は感覚的なものであいまいなた
め、鑑定人によっては等級付けがまちまちになり勝ちで
ある。また、同じ鑑定人でも、その都度の鑑定結果にば
らつきを生じたり、長時間にわたる鑑定では、疲労によ
りばらつきの程度が大きくなったりする。
その等級や品質の基準は感覚的なものであいまいなた
め、鑑定人によっては等級付けがまちまちになり勝ちで
ある。また、同じ鑑定人でも、その都度の鑑定結果にば
らつきを生じたり、長時間にわたる鑑定では、疲労によ
りばらつきの程度が大きくなったりする。
さらに、最近では、鑑定人の後継者が少なくなってい
る。
る。
そこで、業界からは、鑑定人に代わって、熟練を要せず
に、客観的判断ができる自動化の要望が高まっている。
に、客観的判断ができる自動化の要望が高まっている。
このような要望に対し、海苔の検査を機械化することが
試みられている。昭和61年2月1日付け及び昭和62年2
月1日付け全国海苔貝類漁業共同組合連合会発行の「海
苔タイムス」には、海苔品質自動検査装置の記事が掲載
されている。
試みられている。昭和61年2月1日付け及び昭和62年2
月1日付け全国海苔貝類漁業共同組合連合会発行の「海
苔タイムス」には、海苔品質自動検査装置の記事が掲載
されている。
この装置は、乾海苔を製品の束(通常、10枚の海苔を二
つ折りしたものをさらに10束、紙の帯で結束したもの)
から抜き出し、平らに伸ばしてこれに光を照射し、多数
のセンサーにより色と反射光量とを検出して判定するも
のである。
つ折りしたものをさらに10束、紙の帯で結束したもの)
から抜き出し、平らに伸ばしてこれに光を照射し、多数
のセンサーにより色と反射光量とを検出して判定するも
のである。
ところが、この従来の自動検査装置では、次のような問
題があった。
題があった。
海苔を広げて測定する必要があるため、100枚毎に
結束された海苔の束をほどいて測定し、測定後、再び結
束する手間がかかる。したがって、識別作業の自動化が
できない。
結束された海苔の束をほどいて測定し、測定後、再び結
束する手間がかかる。したがって、識別作業の自動化が
できない。
測定方法及びデータ処理方法が不完全なため、くも
り判定ができない。
り判定ができない。
多数のセンサーを設けなければならないため、構造
が複雑コスト高になる。
が複雑コスト高になる。
本発明は、このような従来の問題点を解消することを目
的とする。
的とする。
この目的を達成するため、本発明の海苔鑑別方法は、次
のステップよりなることを特徴とする。
のステップよりなることを特徴とする。
(a)予め等級が分かっている乾海苔のサンプルの表面
に光を照射し、撮像素子により、乾海苔表面のある領域
内における反射光の色帯別の反射光量を検出する。
に光を照射し、撮像素子により、乾海苔表面のある領域
内における反射光の色帯別の反射光量を検出する。
(b)検出されたデータの各色帯に対する光量の大きさ
を要素とするデータとする。
を要素とするデータとする。
(c)前記(a),(b)のステップを各等級毎に必要
数の乾海苔サンプルについて行う。
数の乾海苔サンプルについて行う。
(d)得られたデータについて、各色帯毎に適当数に区
分けされた光量レベル毎のデータの個数を集計する。
分けされた光量レベル毎のデータの個数を集計する。
(e)集計されたデータの色帯毎のパラメータに基づ
き、設定色帯数に応じて次元空間における各等級毎の空
間分布を求め、この空間分布を判定基準とする。
き、設定色帯数に応じて次元空間における各等級毎の空
間分布を求め、この空間分布を判定基準とする。
(f)鑑別しようとしている乾海苔の表面に光を照射
し、前記撮像素子により、当該乾海苔表面の色帯別の反
射光量を検出する。
し、前記撮像素子により、当該乾海苔表面の色帯別の反
射光量を検出する。
(g)検出されたデータの各色帯に対する光量の大きさ
を要素とするデータとする。
を要素とするデータとする。
(h)このデータが前記(e)で分類したグループのど
のグループに属するかを判定する。
のグループに属するかを判定する。
(i)判定した結果に基づいて乾海苔の等級付けを行
い、その等級を表示装置等に出力する。
い、その等級を表示装置等に出力する。
この方法において、(e)のステップで各等級毎の空間
分布を求める際、集計された各色帯各光量レベル毎のデ
ータのうち、距離の最も近い隣接したデータ空間同士を
統合し、この処理を繰り返して適当な数のグループに纏
める処理過程を設けることができる。
分布を求める際、集計された各色帯各光量レベル毎のデ
ータのうち、距離の最も近い隣接したデータ空間同士を
統合し、この処理を繰り返して適当な数のグループに纏
める処理過程を設けることができる。
また、(e)及び(h)のステップにおける判定の際、
基準空間との距離と基準空間のデータの広がりの大きさ
を加味して所属基準空間を判定することもできる。
基準空間との距離と基準空間のデータの広がりの大きさ
を加味して所属基準空間を判定することもできる。
以下、本発明を実施例に基づいて具体的に説明する。
(1)原理 海苔のサンプルデータの分布を例えばある2つの色帯
(色のある範囲の波長帯)について表示したとき、第1
図のようになる。i1〜i5は等級を示す。海苔を選別する
場合、与えられたデータの分布を調べて、予め与えられ
ている各等級のどのデータ分布と似ているかを計算し、
最も近い分布をもつ等級に選別することになる。したが
って、分布同士の類似性が計算できれば、各等級に違い
がある限り選別できる。
(色のある範囲の波長帯)について表示したとき、第1
図のようになる。i1〜i5は等級を示す。海苔を選別する
場合、与えられたデータの分布を調べて、予め与えられ
ている各等級のどのデータ分布と似ているかを計算し、
最も近い分布をもつ等級に選別することになる。したが
って、分布同士の類似性が計算できれば、各等級に違い
がある限り選別できる。
そこで、いま、2つの等級i,jの分布を第2図の実線で
あるとしたとき、データ空間を図の破線のように部分空
間(成分)A,B,Cに分割する。このとき、2つの等級の
データが各部分空間に属する百分率は第1表のように計
算され、3次元データとなる。
あるとしたとき、データ空間を図の破線のように部分空
間(成分)A,B,Cに分割する。このとき、2つの等級の
データが各部分空間に属する百分率は第1表のように計
算され、3次元データとなる。
いま、等級の不明なデータが与えられたとき、そのデー
タが第2図で定義したそれぞれの部分空間に属する確率
を百分率(ak,bk,ck)で計算できる(第3図参照)。
タが第2図で定義したそれぞれの部分空間に属する確率
を百分率(ak,bk,ck)で計算できる(第3図参照)。
このとき、2つの分布から得られた3次元データ(ai,b
i,ci),(ak,bk,ck)の距離を2つの分布の類似性とし
て使うことができる。
i,ci),(ak,bk,ck)の距離を2つの分布の類似性とし
て使うことができる。
したがって、海苔選別の手順は次のようになる。
(a)サンプルデータの分布より、データ空間を適当な
個数の部分空間(成分)に分割する。
個数の部分空間(成分)に分割する。
(b)各等級について、いくつかのサンプルデータよ
り、成分の含有率データを計算し、その統計量(平均
値、標準偏差値等)を計算する。
り、成分の含有率データを計算し、その統計量(平均
値、標準偏差値等)を計算する。
(c)選別したいデータが与えられたとき、その成分の
含有率を計算し、含有率が(b)で計算されたどの等級
のものに近いかを判定する。
含有率を計算し、含有率が(b)で計算されたどの等級
のものに近いかを判定する。
以上の手順を第4図に示す。
(2)データ空間の分割(LUTの作成) 与えられたサンプルデータをもとに、データ空間を次の
方法で分割(クラスタリング)する。
方法で分割(クラスタリング)する。
(a)データを各色帯についてlレベルに再量子化し、
ln個の部分空間に分割する(nは色帯数)。
ln個の部分空間に分割する(nは色帯数)。
(b)ln個の部分空間に属するデータ数を数える。
(c)初期クラスタの作成 属するデータのない部分空間は、最も近い属するデータ
のある部分空間に統合し、新しい部分空間(クラスタ)
を作る。
のある部分空間に統合し、新しい部分空間(クラスタ)
を作る。
(d)クラスタの一次結合 属するデータ数の最も少ないクラスを、最も近い隣接し
たクラスタに統合し、これを繰り返すことにより、クラ
スタ数を減らす。
たクラスタに統合し、これを繰り返すことにより、クラ
スタ数を減らす。
(e)クラスタの二次統合 距離の最も近い隣接したクラスタ同士を統合することに
より、適当なクラスタ数にする。
より、適当なクラスタ数にする。
以上の過程で、最初のln個の部分空間が最終的にクラス
タ(成分)に属したかを示すテーブル(LUT:Look Up Ta
ble)を作成する。
タ(成分)に属したかを示すテーブル(LUT:Look Up Ta
ble)を作成する。
ただし、クラスタ間の距離dは次のように定義する。
Xi=(xi1,・・・・,xin)・・・クラスタiの代表点 Xj=(xj1,・・・・,xjn)・・・クラスタjの代表点 ここで代表点とは、初期のクラスタでの代表点は属する
データのあるlレベルのn次元空間内の点である。一
次、二次結合による代表点の変化は次のようになる。
データのあるlレベルのn次元空間内の点である。一
次、二次結合による代表点の変化は次のようになる。
Xi,Xjは統合前の2つのクラスタの代表点 hi,hjは統合前の2つのクラスタに属するデータ数 Yは統合後のクラスタの代表点 (3)ティーチング(教示) 各等級について、予め等級が分かっているいくつかのサ
ンプル海苔を入力して、下記のステップで成分の含有率
を計算して、その統計量を計算する。
ンプル海苔を入力して、下記のステップで成分の含有率
を計算して、その統計量を計算する。
(a)等級毎の各サンプルについて 各バンドをlレベルに再量子化する。
ステップ(2)で得られたLUTより、各クラスに属
するデータ数(ヒストグラム)を計算する。
するデータ数(ヒストグラム)を計算する。
ヒストグラムより含有量(百分率)を計算する。
(b)等級毎の全サンプルより含有率の統計量を計算す
る。
る。
ここで、Xiはi番目のサンプルの含有率 mはサンプルデータ(含有率)の個数、すなわち画像入
力の回数 tは配置行列を示す Xiは(x1,x2,・・・,xn)なるベクトルを示す。
力の回数 tは配置行列を示す Xiは(x1,x2,・・・,xn)なるベクトルを示す。
但し、nは色分け数、xiはi番目の色の百分率 (4)判別 ステップ(3)で計算した各等級の含有率データは、含
有率空間上で、第5図に示すように分布している。い
ま、等級を判定したい海苔が与えられたとき、その成分
の含有率が点Pであったとき、Pはどの等級に属するか
を判定する。
有率空間上で、第5図に示すように分布している。い
ま、等級を判定したい海苔が与えられたとき、その成分
の含有率が点Pであったとき、Pはどの等級に属するか
を判定する。
このような判定を行う一般的な方法は、統計学上、最尤
法と呼ばれる方法で、次のような方法である。
法と呼ばれる方法で、次のような方法である。
log|Vk|+dk 2 但し、Vk…クラス(等級)kの分散共分散行列 dk 2=(X−k)tVk -1(X−k)…マハラビスの
汎距離 X…与えられたデータ(点P)k …クラスkの平均値 が最小となるクラスを求める。
汎距離 X…与えられたデータ(点P)k …クラスkの平均値 が最小となるクラスを求める。
最尤法では、与えられる等級のサンプルデータによって
は、等級の分散共分散行列の逆数が存在しない場合があ
る。また成分の個数(データの次元)が多いと、大きい
サイズの実数値行列の計算が必要になり、時間がかか
る。このようなとき、データの主成分分析を行い、デー
タの次元を減らし、逆行列を求め易くする方法がある
が、実数型行列の計算を行うため、高速演算のできる計
算機とソフトウエアを必要とする。
は、等級の分散共分散行列の逆数が存在しない場合があ
る。また成分の個数(データの次元)が多いと、大きい
サイズの実数値行列の計算が必要になり、時間がかか
る。このようなとき、データの主成分分析を行い、デー
タの次元を減らし、逆行列を求め易くする方法がある
が、実数型行列の計算を行うため、高速演算のできる計
算機とソフトウエアを必要とする。
そこで、簡略な方法として、次式で示す距離によって、
その最小のクラスに分類することにする。
その最小のクラスに分類することにする。
X=(x1,・・・,xn)…対象データベクトルk =(x1k,・・・,xnk)…クラスkの平均値ベクト
ル この式の直観的意味を第6図に示す。この図において、
クラスBに属するデータはまとまりがよく、そこからは
み出るデータは殆どないことを示し、クラスAに属する
データはより広い範囲に分布していることを示してい
る。したがって、ユークリット距離では点PはクラスB
に近いが、クラスBに属する可能性より、クラスAに属
する可能性の方が大きいことになる。
ル この式の直観的意味を第6図に示す。この図において、
クラスBに属するデータはまとまりがよく、そこからは
み出るデータは殆どないことを示し、クラスAに属する
データはより広い範囲に分布していることを示してい
る。したがって、ユークリット距離では点PはクラスB
に近いが、クラスBに属する可能性より、クラスAに属
する可能性の方が大きいことになる。
第7図は本発明の実施例を示す概略構成図である。同図
において、基台1の上には支柱2が支持されており、こ
の支柱に、撮像装置3及び光源4が取り付けられてい
る。撮像装置3は、第8図に示すように外光を遮断する
ためのフード5,海苔の表面に照射された光を集光するた
めのレンズ部6、集光された光の周波数成分を取り出す
ための例えば赤、黄、緑、青のフィルター7R,7Y,7G,7B
(第9図参照)を備えた回転自在のフィルター板7及び
フィルターを通過した光の光度を検出するためのCD(固
体撮像素子)8を備えている。フィルター7R,7Y,7G,7B
の特性を第2表に例示する。
において、基台1の上には支柱2が支持されており、こ
の支柱に、撮像装置3及び光源4が取り付けられてい
る。撮像装置3は、第8図に示すように外光を遮断する
ためのフード5,海苔の表面に照射された光を集光するた
めのレンズ部6、集光された光の周波数成分を取り出す
ための例えば赤、黄、緑、青のフィルター7R,7Y,7G,7B
(第9図参照)を備えた回転自在のフィルター板7及び
フィルターを通過した光の光度を検出するためのCD(固
体撮像素子)8を備えている。フィルター7R,7Y,7G,7B
の特性を第2表に例示する。
ただし、Tmaxは最大透過率(%)、λmaxは最大透過率
を示す中心波長、Δλ1/2はTmax/2における波長幅(半
幅値)である。
を示す中心波長、Δλ1/2はTmax/2における波長幅(半
幅値)である。
CCD8としては、ドラムスキャナを用いることができる。
フード5の内部は、乱反射による不用なデータをカット
するために内面を黒く塗装するか、逆に少ないデータを
有効にCCD8に取り込むために内面を鏡面に仕上げるか金
属メッキを施して海苔からの反射光を全反射させてレン
ズ部6に導くことができる。また、フード5の形状も、
円筒形、円錐形とすることができる。
するために内面を黒く塗装するか、逆に少ないデータを
有効にCCD8に取り込むために内面を鏡面に仕上げるか金
属メッキを施して海苔からの反射光を全反射させてレン
ズ部6に導くことができる。また、フード5の形状も、
円筒形、円錐形とすることができる。
光源4として、完全放射体のエネルギー分布に近い、例
えば色温度3300Kのハロゲンランプを1個又は複数個使
用することができる。海苔に当てる照射光の照度が高過
ぎると光による海苔の劣化や温度上昇を招いて、海苔を
変質させるおそれがあり、またくもりが検出されないと
いう問題を生じるので、照度は適度の範囲に収めるのが
よく、実施例では海苔検出面の照度を6000〜9000ルック
スとすることで、良好な結果を得た。この照度の範囲に
収めれば、光源4の個数は任意であるし、照射角度も適
宜選択できる。
えば色温度3300Kのハロゲンランプを1個又は複数個使
用することができる。海苔に当てる照射光の照度が高過
ぎると光による海苔の劣化や温度上昇を招いて、海苔を
変質させるおそれがあり、またくもりが検出されないと
いう問題を生じるので、照度は適度の範囲に収めるのが
よく、実施例では海苔検出面の照度を6000〜9000ルック
スとすることで、良好な結果を得た。この照度の範囲に
収めれば、光源4の個数は任意であるし、照射角度も適
宜選択できる。
乾海苔の測定に際しては、乾海苔の束を結束したままの
状態で(一般には100枚1束としている)、あるいは乾
海苔一枚を取り出してフード5の直下にセットする。こ
のときの乾海苔の表面の平面度は測定結果に影響がある
ので、測定表面を押えて固定する方法が用いられてい
る。例えば、直径0.16mmのステンレス線等の細い線材を
格子状に編んだものを押えとして用いるか、あるいは測
定部のみを開口した押え板や透明なガラス板を用いる。
状態で(一般には100枚1束としている)、あるいは乾
海苔一枚を取り出してフード5の直下にセットする。こ
のときの乾海苔の表面の平面度は測定結果に影響がある
ので、測定表面を押えて固定する方法が用いられてい
る。例えば、直径0.16mmのステンレス線等の細い線材を
格子状に編んだものを押えとして用いるか、あるいは測
定部のみを開口した押え板や透明なガラス板を用いる。
CCD8によって検出された4色についての画像データは、
画像処理部に入力され、データ処理演算部(CPU)によ
り演算処理され、その結果がCRT及びプリンタに出力さ
れる。外部記憶装置としてフロッピーディスクドライブ
装置を設けており、産地別,時期別の判定基準を予め設
定記憶したLUTやティーチングデータを記録、保管して
いる。CCD8の画像データはモニターにも出力され、CCD8
で撮像した海苔の画像をそのまま表示し、被判定サンプ
ルの位置の正否をチェックする。
画像処理部に入力され、データ処理演算部(CPU)によ
り演算処理され、その結果がCRT及びプリンタに出力さ
れる。外部記憶装置としてフロッピーディスクドライブ
装置を設けており、産地別,時期別の判定基準を予め設
定記憶したLUTやティーチングデータを記録、保管して
いる。CCD8の画像データはモニターにも出力され、CCD8
で撮像した海苔の画像をそのまま表示し、被判定サンプ
ルの位置の正否をチェックする。
以上に述べたように、本発明においては、乾海苔の反射
光の色帯別の反射光量を検出し、得られたデータに基づ
いてクラスタリングを行い、各等級毎の空間分布を求
め、鑑別しようとする乾海苔の反射光量のデータがその
空間分布のどこに属するかを判定して等級付けをするこ
ととしている。このように、反射光量を用いることによ
り乾海苔束の結束帯を解くことなく等級識別ができ、効
率化を図ることができる。また、本発明の測定方法、デ
ータ処理方法によれば、従来はできなかったくもりも判
定することが可能であることが確認された。さらに、撮
像素子として単一のものを使用するため、構造が単純化
でき、コストダウンを図ることができる。
光の色帯別の反射光量を検出し、得られたデータに基づ
いてクラスタリングを行い、各等級毎の空間分布を求
め、鑑別しようとする乾海苔の反射光量のデータがその
空間分布のどこに属するかを判定して等級付けをするこ
ととしている。このように、反射光量を用いることによ
り乾海苔束の結束帯を解くことなく等級識別ができ、効
率化を図ることができる。また、本発明の測定方法、デ
ータ処理方法によれば、従来はできなかったくもりも判
定することが可能であることが確認された。さらに、撮
像素子として単一のものを使用するため、構造が単純化
でき、コストダウンを図ることができる。
第1図〜第3図は本発明のデータ処理の原理を示す説明
図、第4図は本発明による等級判定の手順を示すフロー
チャート、第5図は最尤法による等級判定を説明するた
めの図、第6図は等級付けの方法の説明図、第7図は本
発明の実施装置の例を示す概略図、第8図は撮像装置の
拡大図、第9図はフィルターの配置を示す平面図であ
る。 1:基台、2:支柱 3:撮像装置、4:光源 5:フード、6:レンズ部 7:フィルター板 7R,7Y,7G,7B:フィルター 8:CCD(固体撮像素子)
図、第4図は本発明による等級判定の手順を示すフロー
チャート、第5図は最尤法による等級判定を説明するた
めの図、第6図は等級付けの方法の説明図、第7図は本
発明の実施装置の例を示す概略図、第8図は撮像装置の
拡大図、第9図はフィルターの配置を示す平面図であ
る。 1:基台、2:支柱 3:撮像装置、4:光源 5:フード、6:レンズ部 7:フィルター板 7R,7Y,7G,7B:フィルター 8:CCD(固体撮像素子)
───────────────────────────────────────────────────── フロントページの続き (72)発明者 阿部 勝海 東京都多摩市永山6丁目21番6号 株式会 社グラフィカ内 (56)参考文献 特開 昭63−52862(JP,A) 特開 昭58−148960(JP,A) 実公 昭60−27946(JP,Y2)
Claims (3)
- 【請求項1】次のステップよりなる海苔鑑別方法。 (a)予め等級が分かっている乾海苔のサンプルの表面
に光を照射し、撮像素子により、乾海苔表面のある領域
内における反射光の色帯別の反射光量を検出する。 (b)検出されたデータの各色帯に対する光量の大きさ
を要素とするデータとする。 (c)前記(a),(b)のステップを各等級毎に必要
数の乾海苔サンプルについて行う。 (d)得られたデータについて、各色帯毎に適当数に区
分けされた光量レベル毎のデータの個数を集計する。 (e)集計されたデータの色帯毎のパラメータに基づ
き、設定色帯数に応じた次元空間における各等級毎の空
間分布を求め、この空間分布を判定基準とする。 (f)鑑別しようとしている乾海苔の表面に光を照射
し、前記撮像素子により、当該乾海苔表面の色帯別の反
射光量を検出する。 (g)検出されたデータの各色帯に対する光量の大きさ
を要素とするデータとする。 (h)このデータが前記(e)で分類したグループのど
のグループに属するかを判定する。 (i)判定した結果に基づいて乾海苔の等級付けを行
い、その等級を表示装置等に出力する。 - 【請求項2】請求項1の(e)のステップで各等級毎の
空間分布を求める際、集計された各色帯各光量レベル毎
のデータのうち、距離の最も近い隣接したデータ空間同
士を統合し、この処理を繰り返して適当な数のグループ
に纏める処理過程を設けた海苔鑑別方法。 - 【請求項3】請求項1の(e)及び(h)のステップに
おける判定の際、基準空間との距離と基準空間のデータ
の広がりの大きさを加味して所属基準空間を判定するこ
とを特徴とする海苔鑑別方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP63284129A JPH06100536B2 (ja) | 1988-11-09 | 1988-11-09 | 海苔鑑別方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP63284129A JPH06100536B2 (ja) | 1988-11-09 | 1988-11-09 | 海苔鑑別方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH02129535A JPH02129535A (ja) | 1990-05-17 |
JPH06100536B2 true JPH06100536B2 (ja) | 1994-12-12 |
Family
ID=17674543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP63284129A Expired - Fee Related JPH06100536B2 (ja) | 1988-11-09 | 1988-11-09 | 海苔鑑別方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH06100536B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2678411B2 (ja) * | 1991-07-26 | 1997-11-17 | ニッカ電測株式会社 | 海苔の検査方法および装置 |
JPH05107180A (ja) * | 1991-10-17 | 1993-04-27 | Iseki & Co Ltd | 米の品質分析装置 |
JP2002162355A (ja) * | 2000-11-27 | 2002-06-07 | Hiroyuki Konno | レーザ反射光による粒状斑点模様の直接撮像方法とその装置 |
JP2006038511A (ja) * | 2004-07-23 | 2006-02-09 | Tokyo Univ Of Agriculture & Technology | 土壌分析方法及び土壌分析装置 |
FR2961597B1 (fr) * | 2010-06-16 | 2017-02-24 | Spectralys Innovation | Procede de caracterisation d'un produit agroalimentaire et appareil pour la mise en oeuvre d'un tel procede. |
-
1988
- 1988-11-09 JP JP63284129A patent/JPH06100536B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPH02129535A (ja) | 1990-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5898388B2 (ja) | 食品の品質をスコア付け及び制御するための方法及び装置 | |
Blasco et al. | Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features | |
Makky et al. | Development of an automatic grading machine for oil palm fresh fruits bunches (FFBs) based on machine vision | |
Edreschi et al. | Classification of potato chips using pattern recognition | |
Converse et al. | Discrimination of whole from broken corn kernels with image analysis | |
Zhang et al. | Applications of computer vision techniques to cotton foreign matter inspection: A review | |
Ansari et al. | Inspection of paddy seed varietal purity using machine vision and multivariate analysis | |
WO2007068056A1 (en) | Stain assessment for cereal grains | |
WO2016133175A1 (ja) | 莢果選別システム、莢果選別装置及び莢果選別方法 | |
WO2003025858A2 (en) | Method for identifying and quantifying characteristics of seeds and other small objects | |
CN102601063B (zh) | 一种竹片自动识别分级方法 | |
Jinorose et al. | Development of a computer vision system and novel evaluation criteria to characterize color and appearance of rice | |
CN110243805A (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
Liu et al. | Application of statistical modeling of image spatial structures to automated visual inspection of product quality | |
Mohamadzadeh Moghadam et al. | Nondestructive classification of saffron using color and textural analysis | |
JPH06100536B2 (ja) | 海苔鑑別方法 | |
Al-Shekaili et al. | Computer vision technique to classify dates based on hardness. | |
Borah et al. | Non-destructive testing of tea fermentation using image processing | |
CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
CN113340914B (zh) | 一种基于高光谱遥感的水体富营养化状态测算方法 | |
Fu et al. | Distinguishing overripe berries of Japanese blue honeysuckle using hyperspectral imaging analysis | |
Bharati | Multivariate image analysis and regression for industrial process monitoring and product quality control | |
Niskanen | A visual training based approach to surface inspection | |
Mendoza et al. | Predicting ripening stages of bananas (Musa cavendish) by computer vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |