JPH06100536B2

JPH06100536B2 - 海苔鑑別方法

Info

Publication number: JPH06100536B2
Application number: JP63284129A
Authority: JP
Inventors: 和義槙; 貞巳原田; 勝海阿部
Original assignee: 株式会社戸上電機製作所; 株式会社グラフィカ
Priority date: 1988-11-09
Filing date: 1988-11-09
Publication date: 1994-12-12
Anticipated expiration: 2009-12-12
Also published as: JPH02129535A

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。

〔従来の技術〕

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。

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。

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。

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）。

「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。

「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。

「ク」：水洗い不足、乾燥等によるくもりの軽微なも
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。

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。

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。

さらに、最近では、鑑定人の後継者が少なくなってい
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。

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。

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。

〔発明が解決しようとする課題〕

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。

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。

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。

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。

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。

〔課題を解決するための手段〕

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。

（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。

（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。

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。

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。

〔実施例〕

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。

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。

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（a_k,b_k,c_k）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（a_i,b
_i,c_i），（a_k,b_k,c_k）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。

（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。

（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。

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。

（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）。

（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。

（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。

（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。

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。

ただし、クラスタ間の距離ｄは次のように定義する。

X_i＝（x_i1，・・・・，x_in）・・・クラスタｉの代表点 X_j＝（x_j1，・・・・，x_jn）・・・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。

X_i,X_jは統合前の２つのクラスタの代表点 h_i,h_j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。

（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。

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。

ここで、X_i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 X_iは（x₁,x₂，・・・，x_n）なるベクトルを示す。

但し、ｎは色分け数、x_i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。

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。

log|V_k｜＋d_k ² 但し、V_k…クラス（等級）ｋの分散共分散行列 d_k ²＝（Ｘ−_ｋ）^ｔV_k ^-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。

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。

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。

Ｘ＝（x₁，・・・，x_n）…対象データベクトル_ｋ＝（x_1k，・・・，x_nk）…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。

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。

ただし、T_maxは最大透過率（％）、λ_maxは最大透過率
を示す中心波長、Δλ1/2はT_max/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。

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。

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。

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。

〔発明の効果〕

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。

【図面の簡単な説明】

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）

───────────────────────────────────────────────────── 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

【特許請求の範囲】

【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。