JPH08117694A - 青果物選果方法および装置 - Google Patents

Abstract

(57)【要約】 【目的】 青果物の品質判定用の多種のセンサーからの
多次元の出力信号を処理し、総合的な等級判定が行える
青果物選果方法および装置を開発する。 【構成】 選果対象物の外部品質および内部品質を複数
の検知手段により計測し、前記検知手段により得られた
データを該選果対象物の外部品質を表す特徴量および内
部品質を表す特徴量に加工し、等級判別用階層型ニュー
ラルネットワークへの入力データ形式に正規化して等級
判別用階層型ニューラルネットワークに入力し等級を判
定し、前記判定結果に応じて選別する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、青果物の外部品質や内
部品質を非破壊で計測する複数のセンサーの出力信号に
基づき、選果ライン上の判定対象青果物の等級判定を行
う選果システムに関する。

【０００２】

【従来の技術】消費者ニーズの多様化と産地の商品差別
化によって、青果物の等級化と同一等級内品質の均一化
が進められてきた。青果物の選別は供給者にとって不可
欠な作業となっている。このような状況下、従来の量や
長さによる階級付けだけでなく、熟度、糖度、病害虫害
による傷の有無などによる等級付けも行われている。

【０００３】青果物の選別はかつては人の目（目視）に
よって行われていたが、現在では機械化が進み、機械に
よる等級付け・選別が行われるようになってきている。

【０００４】人間の目による等級付けは、人手不足とそ
れに伴う熟練者の不足が問題の一つであるが、選果人の
経験、収穫時期、産地などによって基準が異なるために
粒揃えが必ずしも一定しないことが指摘されている。こ
のために各等級レベル内品質の安定化と選別の機械化は
不可欠なものとなっている。

【０００５】従来の選果機はイメージセンサー、カラー
センサーなどを用いて形状、果皮の着色度、熟度などの
物理量を非破壊で計測するとともに、選果人の設定する
閾値により、青果物の等級選別を行うことができる。

【０００６】上記の閾値を用いて選果する方法の他に、
選果に関する画像認識のためにニューラルネットワーク
が用いられている。なかでも階層型ニューラルネットワ
ークはパターン認識に優れた性能を発揮する。

【０００７】例えば、ニューラルネットワークを用いた
果実着色判定（特開平5-20426）、ニューラルネットワ
ークを用いて果物の模様を判定する果物表面模様判定装
置（特開平5-2632））、リンゴなどの果物の傷、日焼
け、錆などの周囲と異なる色の欠陥部分をニューラルネ
ットワークを使って検出する果実の欠陥検出装置（特開
平4-364449）などがあげられる。

【０００８】このように従来のニューラルネットワーク
を用いている選果装置では、ニューラルネットワークは
もっぱら青果物の外観の画像パターン認識に用いられて
いるだけであり、被選果対象物の内部品質をも含めた全
体を統合して等級を判定するものではない。

【０００９】

【発明が解決しようとする課題】上記の従来の選果装置
は青果物の種類毎に各種の機械が作られているが、市場
の要求が高度化するにつれ、さらに詳細な選果が要求さ
れ、糖度や熟度など新たなセンサーが導入されてきてい
る。

【００１０】多種類のセンサーからの情報に基づいて選
果することで詳細な選別ができるのであるが、センサー
からの情報は３次元程度までで、これ以上多くなると、
多くのデータを統合して予め設定された等級に選別する
ための手法が複雑になって実用的な装置を構成できな
い。実際には２次元のデータでも、等級に対応する適切
な閾値を選択することは困難な場合が少なくない。

【００１１】青果物共同選果包装施設の現場において、
各等級に対応する各センサーの閾値の範囲を設定するこ
とは、センサーからのデータの次元が増えると急速に難
しい作業になる。また、青果物の品種が変わると各セン
サーからのデータに対する閾値を変更しなければならな
いが、この作業も極めて難しい作業になる。結局、実際
の選果装置としてはセンサーは３次元以下のデータを計
測するようにしたものが多い。

【００１２】本発明は、青果物の品質判定用の多種のセ
ンサーからの多次元の出力信号を処理し、総合的な等級
判定が行える青果物選果方法および装置を開発すること
を目的とする。

【００１３】

【課題を解決するための手段】上記課題を解決するため
に、本発明の装置は複数のセンサーにより集められた青
果物の内部および外部品質データを階層型ニューラルネ
ットワークにより処理することにより、総合的な等級判
定を行うものである。ニューラルネットワークの学習法
としてはバックプロパゲーション法を用いる。

【００１４】図１に本発明の選果システムの選果処理の
流れを示す。ニューラルネットワークは学習と判断の二
つの機能をもち、ニューロン（神経細胞）の機能を情報
処理の機能素子としてモデル化した工学モデル（ユニッ
ト）を、相互に多数結合したソフトウェア上の計算モデ
ルである。

【００１５】本発明ではネットワークを階層的に構成
し、信号（データ）の流れが一方向である階層型ニュー
ラルネットワークを青果物の等級判定に適用する。ニュ
ーラルネットワークの入力は各種センサーからの信号で
あり、出力はニューラルネットワークの下した等級判定
である。

【００１６】このモデルの入力層は青果物の外部品質お
よび内部品質の特徴量を入力するためのユニット、出力
層は等級判定をシミュレーションした結果として得られ
る等級を出力するためのユニットである。

【００１７】図２は階層型ニューラルネットワークのモ
デルである。本発明のシステムの入力層（各種センサ
ー）から得られる情報とその結果として行われる処理を
説明する。

【００１８】ニューラルネットワークモデルの入力は各
種センサーから得られた情報であり、出力は特秀、秀、
特優、優、良、無印、格外といった等級である。ニュー
ラルネットワークモデルではシステムに学習させる必要
があるが、そのための情報処理手法としてバックプロパ
ゲーション学習法を用いる。

【００１９】図３はネットワークを構成するニューロン
モデルで、第ｋ層のｊユニットを中心に見たところであ
る。このユニットの入出力特性は以下のように表せる。

【００２０】

【数１】

【数２】

【００２１】ここでＩ^k _jは第ｋ層のｊユニットの入力の
総和、Ｏ^k _jは同ユニットの出力、ｆは入出力（伝達）関
数、Ｗ^k-1 _i ^k _jは第ｋ−１層のｉユニットから次のｋ層の
ｊユニットへの結合のウエイト、Ｏ^k-1 _iは第ｋ層ｊユニ
ットの入力側に結合した第ｋ−１層ｉユニットの出力、
θ^k _jは第ｋ層のｊユニットの閾値である。

【００２２】またユニットの入出力関数としてシグモイ
ド関数、 ｆ（ｘ）＝１／（１＋ｅｘｐ（−ｘ）） を用いる。

【００２３】階層型ニューラルネットワークモデルの学
習アルゴリズムは、Rumelhartらによって提案されたバ
ックプロパゲーション学習法を使用する。ＢＰ学習法と
は、入力パターンに対してネットワークが実際に出力す
る出力パターンと理想出力パターン（教師信号）との差
を最小になるように、誤差（(2)の演算結果Ｏと教師信
号ｔとの差）をフィードバックし、結合のウエイトと中
間および出力層のユニットの閾値を逐次修正していく学
習方法である。

【００２４】理想出力パターンすなわち教師信号は、熟
練者の目視判定結果である。ある入力パターンベクトル
Ｉ_pにおける出力層からの誤差の評価関数として二乗誤
差Ｅ_pを

【数３】 と定義すると、パターン全体の誤差Ｅは

【００２５】

【数４】 と表せる。ここでｔ_pjは出力層のｊユニットの教師信号
である。ＢＰ学習法では、最終的にＥが最小になるよう
に結合のウエイトＷと閾値θを求めることになる。途中
の計算を省くが、最終的に

【数５】

【００２６】

【数６】

【００２７】と計算できる。ここでＷ^k-1 _i ^k _j´は修正後
の結合のウエイト、θ^k _j´は同じく修正後の閾値、ｍ
_Wijは前のウエイトの変化量、ｍθ_jは前の閾値の変化
量、ηは学習係数、αは慣性項係数である。またδ^k _pj
は

【数７】 である。

【００２８】以下、順に第ｋ−１層、第ｋ−２層……と
中間層を戻していき、(4)および(5)の式を用いてＷ´と
θ´を求める（添え字が異なるが、基本的に同じ式。詳
細は略）。このようにして入力層を除く全ユニットに対
して、入力層に向かって逐次Ｗ´とθ´を求めること
を、１学習サイクルという。

【００２９】１学習サイクルが完了すると、すべての新
しいＷ´とθ´が求まるから、再度新しいＯを(2)式で
計算し、新しいウェイトと閾値に対する誤差評価を(3)
式で行う。誤差Ｅが指定した値以下になるまで、上式を
繰り返し計算する。

【００３０】図４は本発明選果システムの説明図であ
る。選果対象となる青果物を搬送するラインコンベア１
としてはＰＫ式、バケット式およびフリートレイ式など
が用いられる。

【００３１】ラインコンベア１のライン上に複数の非破
壊センサーを集積したインテグレイテッドセンサーユニ
ット２が配置されている。インテグレイテッドセンサー
ユニット２中をラインコンベア１で搬送される青果物が
通過する構造となっており、通過する際に各種センサー
による非破壊計測が行われる。

【００３２】このユニットの中には、内部品質を評価す
るためのセンサーである糖度センサー３、熟度センサー
４、ガスセンサー６、音響センサー７が設けられ、青果
物の外観の評価のためにＣＣＤカラーカメラを画像取り
込み部としたカメラセンサー５が設けられている。

【００３３】ガスセンサー６は青果物がその熟度の程度
により発散するガスを計測するセンサーである。音響セ
ンサー７は打音をもとに青果物の硬さと内部欠陥（空洞
程度）といった内部品質の評価を行うセンサーである。

【００３４】カメラセンサー５は青果物の果皮の画像情
報をこれによって取得し、ニューロ判定・ライン制御ユ
ニット８に画像データを送り、着色度、色均一度、傷害
度、病害虫害度といった各種外部品質の指数を算出す
る。

【００３５】ニューロ判定・ライン制御ユニット８で下
された等級判定に基づき、排果ヤード１０に青果物を排
果するタイミング信号を送る排果制御ユニット９が排果
ヤード１０の手前に置かれている。排果ヤード１０では
設定された等階級に基づいて決められた場所に排果され
る。

【００３６】以下、本発明の装置の選果動作について説
明する。選果ライン投入部で１玉ずつラインコンベア１
に載せられた青果物は順次、インテグレイテッドセンサ
ーユニット２の中を通過するが、その際に糖度センサー
３によって青果物の概略赤道部分の糖度計測が行われ
る。

【００３７】次に熟度センサー４により同部位の熟度の
計測が行われる。これら二つのセンサー３，４は特定の
波長の光の吸収度をもとに、果皮およびその近傍の果肉
に含まれる糖分やクロロフィル含有量を検量線を利用し
て測定する。いわゆる近赤外分光分析法を援用し、内部
品質を評価する。

【００３８】これら二つのセンサーによる計測後、青果
物はセンサーユニット２の中に設けられた、上部にスリ
ットとハロゲン光源を有する概略トンネル状の光学計測
部を通過する。

【００３９】このとき計測部の上部に設置されたカメラ
センサー５のＣＣＤカラーカメラにより、青果物の果梗
部を中心とした果皮表面情報、すなわちＲＧＢ出力信号
を得る。さらに同計測部においては、熟度に応じて発散
する特定ガスの濃度をガスセンサー６で検出する。

【００４０】また、光学計測部を通過した青果物の概略
赤道部に対して、振り子を振動させ、赤道外周に一定間
隔で配置した複数の音響センサー７で、果肉中を伝播す
る打音の位相差や波形を求め、該当青果物の硬さと空洞
程度を検出する。

【００４１】以上の各センサーで得た計測信号は、いず
れもニューロ判定・ライン制御ユニット８に送られる。
ここで、等級の判定因子として表面色（着色度、色均一
度、緑色比率）、傷害度（最大重傷害面積、重傷害比
率、軽傷害比率）、形状（変形度）、果皮模様パターン
（果皮模様パターン指数：ネットパターン面積比、模様
色合い比、ネットパターンブロック面積標準偏差、ネッ
トパターンブロック面積頻度および同確率密度曲線係数
など）などの外部品質を表す特徴量、および糖度、熟
度、空洞率などの内部品質を表す特徴量に加工して統合
化すると同時に、等級判定用ニューロプロセッサへの入
力データ形式に正規化する。

【００４２】また階級の判定要因として表面積、等価円
径なども併せて計算する。等級判定ニューロプロセッサ
はニューロ判定・ライン制御ユニットにあり、ニューラ
ルネットワークプログラムが組み込まれている。

【００４３】次に品質を表す特徴量にニューラルネット
ワーク処理を加え、特徴量のパターンに応じた等級判定
が行われる。判定結果は信号化され、排果制御ユニット
に送られる。その信号に従って選果ライン上の青果物を
１玉ごとに該当の等級に対応した排果ヤードに排果す
る。以上の処理をフローチャートにまとめたのが図５で
ある。

【００４４】ニューラルネットワークの推論・判断機能
による等級判定の結果は、排果制御ユニットに送られと
ともに、精算・編集出力コンピュータにも送られ、日
別、生産者別、品種の別等級、糖度、熟度、着色度、空
洞率、果皮模様パターン指数などの分布が選果データベ
ースに記録される。

【００４５】さらに住所、耕作面積、土質、天候記録、
散水、消毒および施肥の記録などを記録した生産者デー
タベースや、市場における日々の販売価格などを記録し
た販売データベース等とを組み合わせて利用することに
よって、各生産者に対して生産指導を行うことも可能で
ある。

【００４６】

【実施例】本発明の実施例として、サンつがる（リンゴ
の品種）に対して本発明のニューラルネットワーク法に
よる等級判定を行い、閾値法の結果と比較した。その際
用いたニューラルネットワークモデルは図６である。

【００４７】ここで選果のために用いたデータは、熟
度、着色度、目視レベルの３次元データである。このな
かで目視レベルだけはセンサーからのデータではない。
選果ラインの手選投入部において、手選投入員が生産者
より搬入されたリンゴの傷や病虫害の程度といった外部
品質を肉眼で観察し、レベルに応じてラインベルト上の
予め定められた位置にリンゴをおく。

【００４８】この実施例ではリンゴのおかれる位置をラ
インベルトの進行方向に向かって左外側、中央、右外側
の位置とすることにより三段階の評価を行っている。他
に、リンゴの置場所をラインベルト上を順次、複数領域
にわけて評価する方法もある。なお、ここで行われる手
選投入員の評価は最終的な等級の判別ではない。

【００４９】等級判定結果の一例を図７に示す。結果
は、熟練の選果人の目視判定に対する選果機の閾値法に
よる正答率がほぼ80%に対して、約１万回以上の学習を
行ったネットワークの加重平均正答率の値は、ほぼ４〜
７％の高い値を示しており、閾値法に対する優位性が認
められた。

【００５０】

【発明の効果】本発明の選果方法および装置によれば、
現行の閾値法を用いた装置では困難であった４次元以上
のデータに基づく等級判定が行え、熟練の選果人のレベ
ルにより近い高精度の等級判定が行えるようになった。
また、３次元以下のデータに基づく等級判定についても
閾値法に比べて容易に等級判定のための設定を行うこと
ができる。

【００５１】非破壊測定による品質・等級判定装置であ
るから、青果物を傷めることなく選果ライン上で等級判
定が行え、入荷から出荷までを一貫自動処理ができる。
各種のセンサーを備えた装置に構成できるので、特定の
青果物の品質・等級判定だけでなく、各種雑多の青果物
の等級判定も行える。等級判定の基礎になるデータ数が
多くとも対応できることから、新しい種類のセンサーが
登場した場合には、すぐに装置に組み込んで等級判定に
活かすことができるなどの効果がある。

【００５２】

【図面の簡単な説明】

【図１】本発明の選果システムの処理の流れの説明図で
ある。

【図２】本発明の選果システムにおいて用いられる階層
型ニューラルネットワークの説明図である。

【図３】ニューラルネットワークを構成するニューロン
モデルの説明図である。

【図４】本発明の選果装置の説明図である。

【図５】本発明の選果システムの流れ図である

【図６】本発明の実施例のニューラルネットワークの説
明図である。

【図７】本発明の実施例における学習サイクルと加重平
均正答率のグラフである。

【符号の説明】

１ ラインコンベア ２ インテグレイテッドセンサーユニット ３ 糖度センサー ４ 熟度センサー ５ カメラセンサー ６ ガスセンサー ７ 音響センサー ８ ニューロ判定・ライン制御ユニット ９ 排果制御ユニット １０ 排果ヤード

───────────────────────────────────────────────────── フロントページの続き (72)発明者 土方 亨 千葉県松戸市常盤平３−８−３全農常盤台 寮301

Claims (2)

【特許請求の範囲】
1. 【請求項１】 青果物の品質を検知し等級別に選別する
   選果装置において、選果対象物の外部品質および内部品
   質を複数の検知手段により計測し、前記検知手段により
   得られたデータを該選果対象物の外部品質を表す特徴量
   および内部品質を表す特徴量に加工し、等級判別用階層
   型ニューラルネットワークへの入力データ形式に正規化
   して等級判別用階層型ニューラルネットワークに入力し
   等級を判定し、前記判定結果に応じて選別することを特
   徴とする青果物選果方法。
2. 【請求項２】 青果物の品質を検知し等級別に選別する
   選果装置において、選果対象物の外部品質および内部品
   質を計測する複数の検知手段、前記検知手段により集め
   られたデータを該選果対象物の外部品質を表す特徴量お
   よび内部品質を表す特徴量に加工する手段、階層型ニュ
   ーラルネットワークによる等級判別手段、および前記階
   層型ニューラルネットワークへの入力データ形式に正規
   化する手段を備えたことを特徴とする青果物選果装置。