JPWO2018038123A1 - 食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法 - Google Patents
食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法 Download PDFInfo
- Publication number
- JPWO2018038123A1 JPWO2018038123A1 JP2018529319A JP2018529319A JPWO2018038123A1 JP WO2018038123 A1 JPWO2018038123 A1 JP WO2018038123A1 JP 2018529319 A JP2018529319 A JP 2018529319A JP 2018529319 A JP2018529319 A JP 2018529319A JP WO2018038123 A1 JPWO2018038123 A1 JP WO2018038123A1
- Authority
- JP
- Japan
- Prior art keywords
- food
- specific wavelength
- wavelength
- foreign
- learning
- 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.)
- Granted
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 96
- 238000007689 inspection Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000000126 substance Substances 0.000 claims abstract description 58
- 239000013585 weight reducing agent Substances 0.000 claims abstract description 39
- 238000003384 imaging method Methods 0.000 claims abstract description 35
- 230000003287 optical effect Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 230000002950 deficient Effects 0.000 claims description 63
- 239000000463 material Substances 0.000 claims description 12
- 230000001678 irradiating effect Effects 0.000 claims description 5
- 238000004148 unit process Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000006471 dimerization reaction Methods 0.000 abstract 1
- 239000000047 product Substances 0.000 description 58
- 208000016261 weight loss Diseases 0.000 description 31
- 230000003595 spectral effect Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000000862 absorption spectrum Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/845—Objects on a conveyor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medicinal Chemistry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
異物の検出を高速に行うことができる食品検査装置を提供する。
本発明の食品検査装置（１）は、搬送手段（２）と、光照射手段（３）と、検査対象物（Ａ）の映像を撮像する撮像手段（４）と、第１の光学フィルター（５１）及び／又は第２の光学フィルター（５２）、ないし波長特異的な光源を用いて、３００ｎｍ以上１１００ｎｍ以下の光から異物（Ｆ）に特徴的な異物特定波長を強調する波長強調手段（５）と、異物（Ｆ）を識別する識別処理装置（６）と、を備え、識別処理装置（６）は、撮像された映像を、光強度に応じた２５６段階以下の階調で正規化し、軽量化データとする軽量化手段（６１）と、軽量化データから異物特定波長を識別する処理を、あらかじめディープラーニングさせた識別手段（６２）と、を有し、識別手段（６２）は、検査対象物（Ａ）の搬送中に撮像して得られた軽量化データから、異物（Ｆ）又は良品（Ｓ）をインラインで識別するものである。
本発明の食品検査装置（１）は、搬送手段（２）と、光照射手段（３）と、検査対象物（Ａ）の映像を撮像する撮像手段（４）と、第１の光学フィルター（５１）及び／又は第２の光学フィルター（５２）、ないし波長特異的な光源を用いて、３００ｎｍ以上１１００ｎｍ以下の光から異物（Ｆ）に特徴的な異物特定波長を強調する波長強調手段（５）と、異物（Ｆ）を識別する識別処理装置（６）と、を備え、識別処理装置（６）は、撮像された映像を、光強度に応じた２５６段階以下の階調で正規化し、軽量化データとする軽量化手段（６１）と、軽量化データから異物特定波長を識別する処理を、あらかじめディープラーニングさせた識別手段（６２）と、を有し、識別手段（６２）は、検査対象物（Ａ）の搬送中に撮像して得られた軽量化データから、異物（Ｆ）又は良品（Ｓ）をインラインで識別するものである。
Description
本発明は、食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法に関する。
＜背景技術の説明＞
従来、食品などの検査対象物に混在する異物を検出する食品検査装置に関し、金属検知やＸ線検査など各種の技術が提案されている。近年は、撮影画像を画像処理して、異物を検出するものも提案されている（特許文献１及び２）。
従来、食品などの検査対象物に混在する異物を検出する食品検査装置に関し、金属検知やＸ線検査など各種の技術が提案されている。近年は、撮影画像を画像処理して、異物を検出するものも提案されている（特許文献１及び２）。
＜特許文献１の説明＞
特許文献１（請求項１参照）には、食品と、食品に含まれる異物及び夾雑物の少なくとも何れかと、に光を照射することによって得られる反射光の可視光及び近赤外光の吸収スペクトルを測定し、吸収スペクトルに対して２次微分処理を行い、食品と異物及び夾雑物の少なくとも何れかとの間で異なる２次微分スペクトルを示す波長帯を選定し、食品について、波長帯の光によって得られる分光画像を撮像手段によって取得し、波長帯の吸収スペクトルに対して２次微分処理を行って２次微分分光画像を作成することによって、食品に含まれる異物及び夾雑物の少なくとも何れかを検出することが記載されている。
特許文献１（請求項１参照）には、食品と、食品に含まれる異物及び夾雑物の少なくとも何れかと、に光を照射することによって得られる反射光の可視光及び近赤外光の吸収スペクトルを測定し、吸収スペクトルに対して２次微分処理を行い、食品と異物及び夾雑物の少なくとも何れかとの間で異なる２次微分スペクトルを示す波長帯を選定し、食品について、波長帯の光によって得られる分光画像を撮像手段によって取得し、波長帯の吸収スペクトルに対して２次微分処理を行って２次微分分光画像を作成することによって、食品に含まれる異物及び夾雑物の少なくとも何れかを検出することが記載されている。
＜特許文献２の説明＞
特許文献２（請求項１参照）には、食物の腐敗する物質の腐敗部サンプルと健全部サンプルについてそれぞれの分光画像を取得し、各サンプルについての吸光スペクトルの違いを利用して統計的手法により腐敗部か否かを判定する検量式を作成し、検量式に未知サンプルの分光画像を当てはめて未知サンプルが腐敗部か否かを判断することが記載されている。
特許文献２（請求項１参照）には、食物の腐敗する物質の腐敗部サンプルと健全部サンプルについてそれぞれの分光画像を取得し、各サンプルについての吸光スペクトルの違いを利用して統計的手法により腐敗部か否かを判定する検量式を作成し、検量式に未知サンプルの分光画像を当てはめて未知サンプルが腐敗部か否かを判断することが記載されている。
＜要望される技術−１＞
しかしながら、特許文献１の検出方法では、特定の波長帯の光によって得られる分光画像を得るのに時間がかかり、また分光画像から２次微分分光画像を作成するために検出装置の処理手段は処理能力を必要とする。また、特許文献２の判定方法では、検査対象物を複数の分割領域にして、複数の分光画像を平均化し、未知サンプルの分光画像とし、検量式に当てはめるため、判定装置の処理手段の検出精度が落ちる。
しかしながら、特許文献１の検出方法では、特定の波長帯の光によって得られる分光画像を得るのに時間がかかり、また分光画像から２次微分分光画像を作成するために検出装置の処理手段は処理能力を必要とする。また、特許文献２の判定方法では、検査対象物を複数の分割領域にして、複数の分光画像を平均化し、未知サンプルの分光画像とし、検量式に当てはめるため、判定装置の処理手段の検出精度が落ちる。
＜要望される技術−２＞
そのため、これらの検出又は判定方法を、検出精度を維持しながら検査対象物の搬送中にインラインで行うには、処理手段を非常に高い処理能力のものとするか、検査対象物の搬送速度をかなり遅くするしかなく、実質的に不可能な状況であった。
そのため、これらの検出又は判定方法を、検出精度を維持しながら検査対象物の搬送中にインラインで行うには、処理手段を非常に高い処理能力のものとするか、検査対象物の搬送速度をかなり遅くするしかなく、実質的に不可能な状況であった。
＜背景技術の課題＞
そこで、本発明は、このような事情に鑑みてなされたものであり、その目的は、異物の検出を高速に行うことができる食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法を提供することにある。
そこで、本発明は、このような事情に鑑みてなされたものであり、その目的は、異物の検出を高速に行うことができる食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法を提供することにある。
＜請求項１の内容＞
このような目的を達成するため、本発明は、以下の構成によって把握される。
（１）本発明は、異物の混在がないことを確認する食品を検査対象物として搬送する搬送手段と、前記検査対象物に光を照射する光照射手段と、前記検査対象物の映像を撮像する撮像手段と、前記食品又は前記異物の少なくとも一方が反射する特徴的な波長を強調する波長強調手段と、前記食品又は前記異物の少なくとも一方を識別する識別処理装置と、を備え、前記波長強調手段は、前記光照射手段又は前記撮像手段に取付けた第１の光学フィルター、及び／又は、補光器に取付けた第２の光学フィルター、ないし波長特異的な光源を用いて、３００ｎｍ以上１１００ｎｍ以下の光から少なくとも、前記異物に特徴的な異物特定波長又は前記食品の良品が反射する特徴的な良品特定波長を強調し、前記識別処理装置は、前記撮像手段により撮像された映像を、光強度に応じた２５６段階以下の階調で正規化し、軽量化データとする軽量化手段と、前記軽量化データから前記異物特定波長を識別する処理を、複数枚の前記軽量化データを用いて、あらかじめディープラーニングさせた識別手段と、を有し、前記識別手段は、前記搬送手段による前記食品の搬送中に撮像して得られた前記軽量化データから、前記異物又は前記良品をインラインで識別するものである。
このような目的を達成するため、本発明は、以下の構成によって把握される。
（１）本発明は、異物の混在がないことを確認する食品を検査対象物として搬送する搬送手段と、前記検査対象物に光を照射する光照射手段と、前記検査対象物の映像を撮像する撮像手段と、前記食品又は前記異物の少なくとも一方が反射する特徴的な波長を強調する波長強調手段と、前記食品又は前記異物の少なくとも一方を識別する識別処理装置と、を備え、前記波長強調手段は、前記光照射手段又は前記撮像手段に取付けた第１の光学フィルター、及び／又は、補光器に取付けた第２の光学フィルター、ないし波長特異的な光源を用いて、３００ｎｍ以上１１００ｎｍ以下の光から少なくとも、前記異物に特徴的な異物特定波長又は前記食品の良品が反射する特徴的な良品特定波長を強調し、前記識別処理装置は、前記撮像手段により撮像された映像を、光強度に応じた２５６段階以下の階調で正規化し、軽量化データとする軽量化手段と、前記軽量化データから前記異物特定波長を識別する処理を、複数枚の前記軽量化データを用いて、あらかじめディープラーニングさせた識別手段と、を有し、前記識別手段は、前記搬送手段による前記食品の搬送中に撮像して得られた前記軽量化データから、前記異物又は前記良品をインラインで識別するものである。
＜請求項２の内容＞
（２）本発明は、上記（１）の構成において、前記波長強調手段は、前記異物特定波長を少なくとも１つ、及び前記良品特定波長を少なくとも１つ、強調し、前記識別手段は、前記搬送手段による前記食品の搬送中に撮像して得られた前記軽量化データから、前記良品をインラインで識別するものである。
（２）本発明は、上記（１）の構成において、前記波長強調手段は、前記異物特定波長を少なくとも１つ、及び前記良品特定波長を少なくとも１つ、強調し、前記識別手段は、前記搬送手段による前記食品の搬送中に撮像して得られた前記軽量化データから、前記良品をインラインで識別するものである。
＜請求項３の内容＞
（３）本発明は、上記（１）又は（２）の構成において、前記波長強調手段は、前記異物特定波長として第１の異物特定波長及び第２の異物特定波長の２つの波長を強調し、前記識別手段は、前記撮像手段により撮像された前記映像を疑似ＲＧＢ映像として処理するものである。
（３）本発明は、上記（１）又は（２）の構成において、前記波長強調手段は、前記異物特定波長として第１の異物特定波長及び第２の異物特定波長の２つの波長を強調し、前記識別手段は、前記撮像手段により撮像された前記映像を疑似ＲＧＢ映像として処理するものである。
＜請求項４の内容＞
（４）本発明は、食品検査装置の識別手段の学習方法であって、異物の混在がないことを確認する食品を撮像した学習映像から、前記異物が反射する特徴的な波長を異物特定波長として、また、前記食品の良品が反射する特徴的な波長を良品特定波長として、抽出するステップと、前記異物特定波長と前記良品特定波長とを少なくとも含む疑似ＲＧＢ学習映像を複数枚準備するステップと、前記疑似ＲＧＢ学習映像を、光強度に応じた２５６段階以下の階調で正規化し、軽量化学習データに軽量化するステップと、前記軽量化学習データから、前記異物特定波長又は前記良品特定波長を識別する処理を、前記識別手段にディープラーニングさせるステップと、を含むものである。
（４）本発明は、食品検査装置の識別手段の学習方法であって、異物の混在がないことを確認する食品を撮像した学習映像から、前記異物が反射する特徴的な波長を異物特定波長として、また、前記食品の良品が反射する特徴的な波長を良品特定波長として、抽出するステップと、前記異物特定波長と前記良品特定波長とを少なくとも含む疑似ＲＧＢ学習映像を複数枚準備するステップと、前記疑似ＲＧＢ学習映像を、光強度に応じた２５６段階以下の階調で正規化し、軽量化学習データに軽量化するステップと、前記軽量化学習データから、前記異物特定波長又は前記良品特定波長を識別する処理を、前記識別手段にディープラーニングさせるステップと、を含むものである。
＜請求項５の内容＞
本発明は、上記（４）の構成によって学習させた識別手段を備える食品検査装置である。
本発明は、上記（４）の構成によって学習させた識別手段を備える食品検査装置である。
＜請求項６の内容＞
上記（１）から（３）及び（５）までのいずれか１つの構成の食品検査装置によって、検査対象物の食品に異物の混在がないことを確認する食品の検査方法である。
上記（１）から（３）及び（５）までのいずれか１つの構成の食品検査装置によって、検査対象物の食品に異物の混在がないことを確認する食品の検査方法である。
本発明によれば、異物の検出を高速に行うことができる食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法を提供することができる。
＜実施形態の説明−１＞
以下、添付図面を参照して、本発明を実施するための形態（以下、「実施形態」と称する）について詳細に説明する。実施形態の説明の全体を通して同じ要素には同じ符号を付している。
以下、添付図面を参照して、本発明を実施するための形態（以下、「実施形態」と称する）について詳細に説明する。実施形態の説明の全体を通して同じ要素には同じ符号を付している。
＜実施形態の説明−２＞
まず、異物Ｆｎの混在がないことを確認したい食品Ｂ（検査対象物Ａ）から、異物Ｆｎをインラインで識別する食品検査装置１について、図１に基づいて説明する。図１は本発明の実施形態に係る食品検査装置を示す概略図である。図２は、検査対象物の識別状態を示す概略図である。
まず、異物Ｆｎの混在がないことを確認したい食品Ｂ（検査対象物Ａ）から、異物Ｆｎをインラインで識別する食品検査装置１について、図１に基づいて説明する。図１は本発明の実施形態に係る食品検査装置を示す概略図である。図２は、検査対象物の識別状態を示す概略図である。
＜食品検査装置の全体構成−１＞
図１に示される食品検査装置１は、搬送手段２と、光照射手段３と、撮像手段４と、波長強調手段５と、識別処理装置６と、を備える。この食品検査装置１で検査される検査対象物Ａは、加工前の野菜や果実や、加工後の加工品や調理品などの食品Ｂである。これらの食品Ｂ中に混在し得る異物Ｆnとしては、例えば、果実の実のみを良品Ｓとすると、枝葉・萼、毛髪、虫、金属、石などが異物Ｆｎであり、また、正常な状態の食品Ｂを良品Ｓとすると、傷部、欠け部、腐敗部、焦げ部などを有する不良品も異物Ｆｎとなり、さらに、ある食品Ｂに対して、別の食品も異物Ｆｎとなる。また、これらが複合して、良品Ｓ及び異物Ｆｎとされることもある。
図１に示される食品検査装置１は、搬送手段２と、光照射手段３と、撮像手段４と、波長強調手段５と、識別処理装置６と、を備える。この食品検査装置１で検査される検査対象物Ａは、加工前の野菜や果実や、加工後の加工品や調理品などの食品Ｂである。これらの食品Ｂ中に混在し得る異物Ｆnとしては、例えば、果実の実のみを良品Ｓとすると、枝葉・萼、毛髪、虫、金属、石などが異物Ｆｎであり、また、正常な状態の食品Ｂを良品Ｓとすると、傷部、欠け部、腐敗部、焦げ部などを有する不良品も異物Ｆｎとなり、さらに、ある食品Ｂに対して、別の食品も異物Ｆｎとなる。また、これらが複合して、良品Ｓ及び異物Ｆｎとされることもある。
＜搬送手段の構成−１＞
搬送手段２は、検査対象物Ａを上流工程から検査部Ｃでの検査工程を経て下流工程を搬送するもので、ベルトコンベアなどから構成されている。搬送手段２は、２ｍ／分から２０ｍ／分程度の搬送速度で検査対象物Ａを搬送する。
搬送手段２は、検査対象物Ａを上流工程から検査部Ｃでの検査工程を経て下流工程を搬送するもので、ベルトコンベアなどから構成されている。搬送手段２は、２ｍ／分から２０ｍ／分程度の搬送速度で検査対象物Ａを搬送する。
＜検査部の構成−１＞
検査部Ｃは、搬送手段２の上方に配置された、光照射手段３と、撮像手段４と、波長強調手段５と、識別処理装置６と、から構成され、異物Ｆｎの混在ないことを確認したい搬送中の食品Ｂから、異物Ｆｎをインラインで識別する。
検査部Ｃは、搬送手段２の上方に配置された、光照射手段３と、撮像手段４と、波長強調手段５と、識別処理装置６と、から構成され、異物Ｆｎの混在ないことを確認したい搬送中の食品Ｂから、異物Ｆｎをインラインで識別する。
＜光照射手段の構成−１＞
光照射手段３は、検査対象物Ａに光、例えば３００ｎｍ以上１１００ｎｍの波長を含む光を照射するもので、ハロゲンランプなどが用いられる。ハロゲンランプであれば、近紫外線領域から可視光領域及び近赤外線領域までの光を照射することができる。なお、本実施形態では、光照射手段３には、後述する第２の光学フィルター５２が取付けられた補光器３２も含まれる。
光照射手段３は、検査対象物Ａに光、例えば３００ｎｍ以上１１００ｎｍの波長を含む光を照射するもので、ハロゲンランプなどが用いられる。ハロゲンランプであれば、近紫外線領域から可視光領域及び近赤外線領域までの光を照射することができる。なお、本実施形態では、光照射手段３には、後述する第２の光学フィルター５２が取付けられた補光器３２も含まれる。
＜撮像手段の構成−１＞
撮像手段４は、搬送中の検査対象物Ａを撮像するもので、ＣＣＤカメラや、ハイパースペクトルカメラなどで構成される。この撮像手段４には、後述する第１の光学フィルター５１が取付けられている。なお、第１の光学フィルター５１は、撮像手段４でなく、上述の光照射手段３に取付けてもよい。また、解像度は、食品Ｂの平均ピクセル長が１０〜１００ピクセルで撮像できる解像度が好ましく、２０〜４０ピクセルでの撮像が最も好ましい。食品Ｂの平均ピクセル長が１０ピクセルよりも小さいと後に十分な特徴検出が行えず、１００ピクセルを超えると食品検査としての十分な処理能力を得られない。なおここで、食品Ｂの平均ピクセル長とは、対象となる食品Ｂを撮像したときの縦・横いずれかの最大ピクセル数を計測し、１０個撮像したときの平均値である。
撮像手段４は、搬送中の検査対象物Ａを撮像するもので、ＣＣＤカメラや、ハイパースペクトルカメラなどで構成される。この撮像手段４には、後述する第１の光学フィルター５１が取付けられている。なお、第１の光学フィルター５１は、撮像手段４でなく、上述の光照射手段３に取付けてもよい。また、解像度は、食品Ｂの平均ピクセル長が１０〜１００ピクセルで撮像できる解像度が好ましく、２０〜４０ピクセルでの撮像が最も好ましい。食品Ｂの平均ピクセル長が１０ピクセルよりも小さいと後に十分な特徴検出が行えず、１００ピクセルを超えると食品検査としての十分な処理能力を得られない。なおここで、食品Ｂの平均ピクセル長とは、対象となる食品Ｂを撮像したときの縦・横いずれかの最大ピクセル数を計測し、１０個撮像したときの平均値である。
＜波長強調手段の構成−１＞
波長強調手段５は、検査対象物Ａ中の食品Ｂの良品Ｓ又は異物Ｆｎの少なくとも一方が反射する特徴的な波長Ｗｎを強調する。波長強調手段５は、例えば、光照射手段３又は撮像手段４に取付けた第１の光学フィルター５１を用いて、異物Ｆ１に特徴的な異物特定波長（第１の異物特定波長）Ｗｆ１を少なくとも１つ、又は、食品Ｂの良品Ｓが反射する特徴的な良品特定波長Ｗｓを少なくとも１つ、強調する。本実施形態では、異物Ｆ１以外の異物Ｆ２に特徴的な第２の異物特定波長Ｗｆ２も、第２の光学フィルター５２を用いて同時に強調する。
波長強調手段５は、検査対象物Ａ中の食品Ｂの良品Ｓ又は異物Ｆｎの少なくとも一方が反射する特徴的な波長Ｗｎを強調する。波長強調手段５は、例えば、光照射手段３又は撮像手段４に取付けた第１の光学フィルター５１を用いて、異物Ｆ１に特徴的な異物特定波長（第１の異物特定波長）Ｗｆ１を少なくとも１つ、又は、食品Ｂの良品Ｓが反射する特徴的な良品特定波長Ｗｓを少なくとも１つ、強調する。本実施形態では、異物Ｆ１以外の異物Ｆ２に特徴的な第２の異物特定波長Ｗｆ２も、第２の光学フィルター５２を用いて同時に強調する。
＜波長強調手段の構成−２＞
第１の光学フィルター５１及び第２の光学フィルター５２には、長波長カットや短波長カットフィルタ、又は、バンドパスフィルタなどが用いられる。また、撮像手段４がＣＣＤカメラである場合、第１の光学フィルター５１及び第２の光学フィルター５２として、ＣＣＤカメラのＣＣＤセルのウェル電圧及び／又はサブストレート電圧を外部から制御するＣＣＤセル電圧外部制御装置であってもよい。ＣＣＤセル電圧外部制御装置を用いれば、一般的に入手できる３ＣＣＤタイプのＣＣＤカメラを用いながらも、ダイクロイックプリズムの表面加工を変化させることなく、ウェル電圧及び／又はサブストレート電圧を制御することで、撮像素子に入り込む光子（波長によりエネルギー量が異なる）が電荷パケットに入る応答特性を変化させることが可能となり、異物Ｆに特徴的な異物特定波長Ｗｆを少なくとも１つ、又は、食品Ｂの良品Ｓが反射する特徴的な良品特定波長Ｗｓを少なくとも１つ、強調することができる。
第１の光学フィルター５１及び第２の光学フィルター５２には、長波長カットや短波長カットフィルタ、又は、バンドパスフィルタなどが用いられる。また、撮像手段４がＣＣＤカメラである場合、第１の光学フィルター５１及び第２の光学フィルター５２として、ＣＣＤカメラのＣＣＤセルのウェル電圧及び／又はサブストレート電圧を外部から制御するＣＣＤセル電圧外部制御装置であってもよい。ＣＣＤセル電圧外部制御装置を用いれば、一般的に入手できる３ＣＣＤタイプのＣＣＤカメラを用いながらも、ダイクロイックプリズムの表面加工を変化させることなく、ウェル電圧及び／又はサブストレート電圧を制御することで、撮像素子に入り込む光子（波長によりエネルギー量が異なる）が電荷パケットに入る応答特性を変化させることが可能となり、異物Ｆに特徴的な異物特定波長Ｗｆを少なくとも１つ、又は、食品Ｂの良品Ｓが反射する特徴的な良品特定波長Ｗｓを少なくとも１つ、強調することができる。
＜波長強調手段の構成−３＞
さらに、波長強調手段５は、第１の異物特定波長Ｗｆ１及び第２の異物特定波長Ｗｆ２に加えて、食品Ｂの良品Ｓが反射する特徴的な良品特定波長Ｗｓも強調可能になっている。なお、第１の光学フィルター５１及び第２の光学フィルター５２は、それぞれ逆の特定波長を強調するように構成されてもよい。
さらに、波長強調手段５は、第１の異物特定波長Ｗｆ１及び第２の異物特定波長Ｗｆ２に加えて、食品Ｂの良品Ｓが反射する特徴的な良品特定波長Ｗｓも強調可能になっている。なお、第１の光学フィルター５１及び第２の光学フィルター５２は、それぞれ逆の特定波長を強調するように構成されてもよい。
＜波長強調手段の構成−４＞
これらの第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓは、前もって検査対象物Ａを撮像し、得られた映像Ｄ０から抽出しておく必要がある。
これらの第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓは、前もって検査対象物Ａを撮像し、得られた映像Ｄ０から抽出しておく必要がある。
＜識別処理装置の構成−１＞
識別処理装置６は、検査対象物Ａ中の食品Ｂの良品Ｓ又は異物Ｆ１，Ｆ２を識別するものである。識別処理装置６は、撮像手段４により撮像された映像Ｄ１を軽量化データＤ３とする軽量化手段６１と、軽量化データＤ３から第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２又は良品特定波長Ｗｓを識別する識別手段６２と、を有する。
識別処理装置６は、検査対象物Ａ中の食品Ｂの良品Ｓ又は異物Ｆ１，Ｆ２を識別するものである。識別処理装置６は、撮像手段４により撮像された映像Ｄ１を軽量化データＤ３とする軽量化手段６１と、軽量化データＤ３から第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２又は良品特定波長Ｗｓを識別する識別手段６２と、を有する。
＜軽量化手段の構成−１＞
軽量化手段６１は、まず、撮像手段４により搬送中の検査対象物Ａを撮像した映像Ｄ１を、疑似ＲＧＢ映像Ｄ２とする。このとき、映像Ｄ１の第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを、ＲＧＢ信号のいずれかに１対１で対応させることで、疑似ＲＧＢ映像Ｄ２とすることができる。この疑似ＲＧＢ映像Ｄ２は、必要に応じてモニタなどの表示手段に表示してもよい。
軽量化手段６１は、まず、撮像手段４により搬送中の検査対象物Ａを撮像した映像Ｄ１を、疑似ＲＧＢ映像Ｄ２とする。このとき、映像Ｄ１の第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを、ＲＧＢ信号のいずれかに１対１で対応させることで、疑似ＲＧＢ映像Ｄ２とすることができる。この疑似ＲＧＢ映像Ｄ２は、必要に応じてモニタなどの表示手段に表示してもよい。
＜軽量化手段の構成−２＞
そして、この疑似ＲＧＢ映像Ｄ２を、光強度に応じた２５６段階以下の階調で正規化し、軽量化データＤ３とする。なお、軽量化データＤ３で最も軽いものは、２値化データである。
そして、この疑似ＲＧＢ映像Ｄ２を、光強度に応じた２５６段階以下の階調で正規化し、軽量化データＤ３とする。なお、軽量化データＤ３で最も軽いものは、２値化データである。
＜軽量化手段の構成−３＞
ここで、映像のデータ容量について説明すると、撮像手段４に３０万画素（６４０×４８０）のＣＣＤカメラを用いる場合、フルカラー（１６７７万色）で撮像された映像Ｄ１及び疑似ＲＧＢ画像Ｄ２は、１枚当たり約３．６ＭＢのデータ容量となるが、２５６段階以下の階調に正規化することで、軽量化データＤは、１枚当たり約０．３ＭＢ以下のデータ容量となり、またさらに１６段階以下にすることで、さらにデータ量を０．１５ＭＢ以下にできる。
ここで、映像のデータ容量について説明すると、撮像手段４に３０万画素（６４０×４８０）のＣＣＤカメラを用いる場合、フルカラー（１６７７万色）で撮像された映像Ｄ１及び疑似ＲＧＢ画像Ｄ２は、１枚当たり約３．６ＭＢのデータ容量となるが、２５６段階以下の階調に正規化することで、軽量化データＤは、１枚当たり約０．３ＭＢ以下のデータ容量となり、またさらに１６段階以下にすることで、さらにデータ量を０．１５ＭＢ以下にできる。
＜識別手段の構成−１＞
識別手段６２は、軽量化データＤ３に基づいて、搬送手段２によって搬送中の検査対象物Ａから異物Ｆ１，Ｆ２をインラインで識別する。このとき、識別手段６２は、逆に良品Ｓをインラインで識別してもよい。この識別手段６２は、検査対象物Ａから異物Ｆ１、異物Ｆ２又は良品Ｓを識別する処理を、あらかじめディープラーニングにより学習している。
識別手段６２は、軽量化データＤ３に基づいて、搬送手段２によって搬送中の検査対象物Ａから異物Ｆ１，Ｆ２をインラインで識別する。このとき、識別手段６２は、逆に良品Ｓをインラインで識別してもよい。この識別手段６２は、検査対象物Ａから異物Ｆ１、異物Ｆ２又は良品Ｓを識別する処理を、あらかじめディープラーニングにより学習している。
＜識別手段の学習方法の説明−１＞
識別処理装置６の識別手段６２の学習方法について説明する。図３は、識別手段の学習フロー図である。
識別処理装置６の識別手段６２の学習方法について説明する。図３は、識別手段の学習フロー図である。
＜特定波長抽出ステップの説明−１＞
まず、特定波長抽出ステップＳ１では、異物Ｆ１，Ｆ２の混在がないことを確認したい食品Ｂを撮像手段４で、前もって撮像した学習映像ｄ１から、異物Ｆ１及び異物Ｆ２が反射する特徴的な波長をそれぞれ第１の異物特定波長Ｗｆ１及び第２の異物特定波長Ｗｆ２として、また、食品Ｂの良品Ｓが反射する特徴的な波長を良品特定波長Ｗｓとして、抽出する。なお、異物Ｆ１のみを識別する場合は、第１の異物特定波長Ｗｆ１のみを抽出すればよい。
まず、特定波長抽出ステップＳ１では、異物Ｆ１，Ｆ２の混在がないことを確認したい食品Ｂを撮像手段４で、前もって撮像した学習映像ｄ１から、異物Ｆ１及び異物Ｆ２が反射する特徴的な波長をそれぞれ第１の異物特定波長Ｗｆ１及び第２の異物特定波長Ｗｆ２として、また、食品Ｂの良品Ｓが反射する特徴的な波長を良品特定波長Ｗｓとして、抽出する。なお、異物Ｆ１のみを識別する場合は、第１の異物特定波長Ｗｆ１のみを抽出すればよい。
＜学習映像準備ステップの説明−１＞
学習映像準備ステップＳ２では、特定波長抽出ステップＳ１で抽出された第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを強調する波長強調手段５を用い、撮像手段４で検査対象物Ａを撮像する。そして、撮像した学習映像ｄ１から、第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを含む疑似ＲＧＢ学習映像ｄ２を作成し、複数枚、例えば１０００枚以上準備する。このとき、学習映像ｄ１中の第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを、ＲＧＢ信号のいずれかに１対１で対応させることで、疑似ＲＧＢ学習映像ｄ２が得られる。
学習映像準備ステップＳ２では、特定波長抽出ステップＳ１で抽出された第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを強調する波長強調手段５を用い、撮像手段４で検査対象物Ａを撮像する。そして、撮像した学習映像ｄ１から、第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを含む疑似ＲＧＢ学習映像ｄ２を作成し、複数枚、例えば１０００枚以上準備する。このとき、学習映像ｄ１中の第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを、ＲＧＢ信号のいずれかに１対１で対応させることで、疑似ＲＧＢ学習映像ｄ２が得られる。
＜映像軽量化ステップの説明−１＞
映像軽量化ステップＳ３では、複数枚の疑似ＲＧＢ学習映像ｄ２を、光強度に応じた２５６段階以下の階調で正規化し、軽量化学習データｄ３に軽量化する。
映像軽量化ステップＳ３では、複数枚の疑似ＲＧＢ学習映像ｄ２を、光強度に応じた２５６段階以下の階調で正規化し、軽量化学習データｄ３に軽量化する。
＜学習ステップの説明−１：ディープラーニング＞
学習ステップＳ４では、軽量化学習データｄ３から、第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを識別する処理を、識別手段６２にディープラーニングさせる。ディープラーニングとしては、いわゆる畳み込みニューラルネットワーク、再帰型ニューラルネットワークなどがあるが、学習後は、その瞬間に入力され疑似ＲＧＢ映像Ｄ２を処理する必要性から、畳み込みニューラルネットワークが望ましい。
学習ステップＳ４では、軽量化学習データｄ３から、第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを識別する処理を、識別手段６２にディープラーニングさせる。ディープラーニングとしては、いわゆる畳み込みニューラルネットワーク、再帰型ニューラルネットワークなどがあるが、学習後は、その瞬間に入力され疑似ＲＧＢ映像Ｄ２を処理する必要性から、畳み込みニューラルネットワークが望ましい。
＜学習ステップの説明−２：畳み込みニューラルネットワーク＞
またさらに、畳み込みニューラルネットワークの中でも、自己符号化器を用いた再構成や、輝度を用いた色再構成をいると、良品Ｓのみを用いた学習が可能となり、学習ステップを効率的に進められるため望ましい。この場合、再構成された画像は、「もし仮に撮像された食品Ｂが全て良品Ｓであった場合を予測した画像」であり、軽量化学習データｄ３とのピクセルごとの差分を計算し、予め定めた閾値を超えるピクセルを「良品でない物体」として検出することが可能となる。
またさらに、畳み込みニューラルネットワークの中でも、自己符号化器を用いた再構成や、輝度を用いた色再構成をいると、良品Ｓのみを用いた学習が可能となり、学習ステップを効率的に進められるため望ましい。この場合、再構成された画像は、「もし仮に撮像された食品Ｂが全て良品Ｓであった場合を予測した画像」であり、軽量化学習データｄ３とのピクセルごとの差分を計算し、予め定めた閾値を超えるピクセルを「良品でない物体」として検出することが可能となる。
＜学習ステップの説明−３：自己符号化器を用いた再構成＞
自己符号化器を用いた再構成の詳細を説明する。
軽量化学習データｄ３は、自己符号化器を用いた再構成の畳み込みニューラルネットワークの中で、カーネル画像が取り出され、次に複数のノードをもつニューラルネットワーク層で特徴抽出され、次に復号化層で再構成される。さらに、カーネルへの取り出しから復号化までを複数回入れ子状に繰り返すことで、より概念的な特徴抽出が可能となる。
この自己符号化器の学習は、最終復号化層からの出力が元に入力された軽量化学習データｄ３と極力一致するように、つまり差分を表す損失関数が極力低くなるように学習される。この時の損失関数は、ＢＣＥ（Ｂｉｎａｒｙ Ｃｒｏｓｓ−ｅｎｔｒｏｐｙ）といった損失関数が利用できる。
自己符号化器を用いた再構成の詳細を説明する。
軽量化学習データｄ３は、自己符号化器を用いた再構成の畳み込みニューラルネットワークの中で、カーネル画像が取り出され、次に複数のノードをもつニューラルネットワーク層で特徴抽出され、次に復号化層で再構成される。さらに、カーネルへの取り出しから復号化までを複数回入れ子状に繰り返すことで、より概念的な特徴抽出が可能となる。
この自己符号化器の学習は、最終復号化層からの出力が元に入力された軽量化学習データｄ３と極力一致するように、つまり差分を表す損失関数が極力低くなるように学習される。この時の損失関数は、ＢＣＥ（Ｂｉｎａｒｙ Ｃｒｏｓｓ−ｅｎｔｒｏｐｙ）といった損失関数が利用できる。
＜学習ステップの説明−４：輝度を用いた色再構成＞
輝度を用いた色再構成の詳細を説明する。
軽量化学習データｄ３は、ＲＧＢ空間からＬａｂ空間に換算され、Ｌ値（輝度）を用いた色再構成の畳み込みニューラルネットワークにかけられる。また同じく、Ｌａｂ空間に換算されたａ値とｂ値は、ａ−ｂ空間上を特定のカテゴリ数に区分したカテゴリに分類され、カテゴリカル表現を得る。
Ｌ値（輝度）を用いた色再構成の畳み込みニューラルネットワークにおいて、第１の畳み込み層で、カーネル画像が取り出され、次に複数のノードを持つニューラルネットワーク層で特徴抽出される。次に逆畳み込み層を用いて、元の画像サイズのピクセル数を再現する。これらを複数回入れ子状（第２、３、…、第ｎ層）に繰り返すことで、より概念的な特徴抽出が可能となる。最後の層である第ｎ層では、カーネルサイズは元の画像サイズのピクセル数とし、かつ、ノード数は上記特定のカテゴリ数として特徴抽出する。
畳み込み適用間隔（ストライド）は、第１の畳み込み層では２より大きく、複数のピクセルから特徴抽出して集約する。逆に、第ｎ−１の逆畳み層では、配列サイズ（ピクセルサイズ）は第１の畳み込み層と同じにしながら、畳み込み適用間隔を第１の畳み込み層と同じにしつつ、１つの配列変数から複数のピクセルへ特徴を再構成する。
この輝度を用いた色再構成の学習では、まず軽量化学習データｄ３またはその画像処理データのＬ値を入力し、第ｎ−１の畳み込み層から得られた色再構成された色再構成ａ値および色再構成ｂ値が得られるので、この色再構成ａ値および色再構成ｂ値と、元画像である小型学習用データのａ値およびｂ値との損失関数（ＢＣＥ）が極力低くなるように学習される。
また、この輝度を用いた色再構成の学習で、第ｎの畳み込み層は、元画像である軽量化学習データｄ３またはその画像処理データのａ値およびｂ値を入力し、特定のカテゴリ数に区分したカテゴリに分類するよう学習する。また第ｎの畳み込み層は、ノード数を上記特定のカテゴリ数とし、そのノード数は１００以上１６００未満が好ましい。ノード数（およびカテゴリ数）が１００以下であると、ａ−ｂ空間上の重み変化を十分にとらえきれず、１６００を超えるとカテゴリに分類して演算効率を高めようとした効果が薄くなる。
この輝度を用いた色再構成の検査では、小型学習用データのＬ値を第１の畳み込み層に入力して第ｎ層から得られたカテゴリカル表現と、小型学習用データのａ値およびｂ値を第ｎ−１の畳み込み層に入力して第ｎ層から得られたカテゴリカル表現との差分を求め、その差分に対して予め定めた閾値を超えるピクセルを「良品でない物体」として検出する。
輝度を用いた色再構成の詳細を説明する。
軽量化学習データｄ３は、ＲＧＢ空間からＬａｂ空間に換算され、Ｌ値（輝度）を用いた色再構成の畳み込みニューラルネットワークにかけられる。また同じく、Ｌａｂ空間に換算されたａ値とｂ値は、ａ−ｂ空間上を特定のカテゴリ数に区分したカテゴリに分類され、カテゴリカル表現を得る。
Ｌ値（輝度）を用いた色再構成の畳み込みニューラルネットワークにおいて、第１の畳み込み層で、カーネル画像が取り出され、次に複数のノードを持つニューラルネットワーク層で特徴抽出される。次に逆畳み込み層を用いて、元の画像サイズのピクセル数を再現する。これらを複数回入れ子状（第２、３、…、第ｎ層）に繰り返すことで、より概念的な特徴抽出が可能となる。最後の層である第ｎ層では、カーネルサイズは元の画像サイズのピクセル数とし、かつ、ノード数は上記特定のカテゴリ数として特徴抽出する。
畳み込み適用間隔（ストライド）は、第１の畳み込み層では２より大きく、複数のピクセルから特徴抽出して集約する。逆に、第ｎ−１の逆畳み層では、配列サイズ（ピクセルサイズ）は第１の畳み込み層と同じにしながら、畳み込み適用間隔を第１の畳み込み層と同じにしつつ、１つの配列変数から複数のピクセルへ特徴を再構成する。
この輝度を用いた色再構成の学習では、まず軽量化学習データｄ３またはその画像処理データのＬ値を入力し、第ｎ−１の畳み込み層から得られた色再構成された色再構成ａ値および色再構成ｂ値が得られるので、この色再構成ａ値および色再構成ｂ値と、元画像である小型学習用データのａ値およびｂ値との損失関数（ＢＣＥ）が極力低くなるように学習される。
また、この輝度を用いた色再構成の学習で、第ｎの畳み込み層は、元画像である軽量化学習データｄ３またはその画像処理データのａ値およびｂ値を入力し、特定のカテゴリ数に区分したカテゴリに分類するよう学習する。また第ｎの畳み込み層は、ノード数を上記特定のカテゴリ数とし、そのノード数は１００以上１６００未満が好ましい。ノード数（およびカテゴリ数）が１００以下であると、ａ−ｂ空間上の重み変化を十分にとらえきれず、１６００を超えるとカテゴリに分類して演算効率を高めようとした効果が薄くなる。
この輝度を用いた色再構成の検査では、小型学習用データのＬ値を第１の畳み込み層に入力して第ｎ層から得られたカテゴリカル表現と、小型学習用データのａ値およびｂ値を第ｎ−１の畳み込み層に入力して第ｎ層から得られたカテゴリカル表現との差分を求め、その差分に対して予め定めた閾値を超えるピクセルを「良品でない物体」として検出する。
＜識別手段の構成−２＞
このようにして、異物Ｆ１、異物Ｆ２及び良品Ｓと、第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓとの関係を学習した識別手段６２は、軽量化データＤ３に基づいて、図２に示すように、検査対象物Ａから異物Ｆ１、異物Ｆ２又は良品Ｓを識別する。なお、図２において、異物Ｆ１は、毛髪や石などであり、異物Ｆ２は、腐敗部である。
このようにして、異物Ｆ１、異物Ｆ２及び良品Ｓと、第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓとの関係を学習した識別手段６２は、軽量化データＤ３に基づいて、図２に示すように、検査対象物Ａから異物Ｆ１、異物Ｆ２又は良品Ｓを識別する。なお、図２において、異物Ｆ１は、毛髪や石などであり、異物Ｆ２は、腐敗部である。
＜識別手段の構成−３＞
このとき、識別手段６２は、検査対象物Ａから得られた実際の軽量化データＤ３を追加で学習し、学習結果を更新してもよい。
このとき、識別手段６２は、検査対象物Ａから得られた実際の軽量化データＤ３を追加で学習し、学習結果を更新してもよい。
＜食品検査装置の全体構成−２＞
そして、検査部Ｃで、異物Ｆ１、異物Ｆ２又は良品Ｓと識別されたものは、食品検査装置１の下流に設けられた分岐・分離手段（図示なし）などにより、分岐又は分離され、別の経路に排出される。分岐・分離手段には、分岐コンベアやロボットなどが用いられる。あるいは、食品検査装置１が異物Ｆ１及び異物Ｆ２を識別した場合に、作業員に報知し、作業員が取除くように構成してもよい。
そして、検査部Ｃで、異物Ｆ１、異物Ｆ２又は良品Ｓと識別されたものは、食品検査装置１の下流に設けられた分岐・分離手段（図示なし）などにより、分岐又は分離され、別の経路に排出される。分岐・分離手段には、分岐コンベアやロボットなどが用いられる。あるいは、食品検査装置１が異物Ｆ１及び異物Ｆ２を識別した場合に、作業員に報知し、作業員が取除くように構成してもよい。
＜実施形態の効果−１＞
以上、説明した実施形態の効果について述べる。
実施形態の食品検査装置１は、異物Ｆｎの混在がないことを確認する食品Ｂを検査対象物Ａとして搬送する搬送手段２と、検査対象物Ａに光を照射する光照射手段３と、検査対象物Ａの映像を撮像する撮像手段４と、食品Ｂ又は異物Ｆｎの少なくとも一方が反射する特徴的な波長Ｗを強調する波長強調手段５と、食品Ｂ又は異物Ｆｎの少なくとも一方を識別する識別処理装置６と、を備え、波長強調手段５は、光照射手段３又は撮像手段４に取付けた第１の光学フィルター５１、及び／又は、補光器３２に取付けた第２の光学フィルター５２、ないし波長特異的な光源を用いて、３００ｎｍ以上１１００ｎｍ以下の光から少なくとも、異物Ｆｎに特徴的な異物特定波長Ｗｆ、又は、食品Ｂの良品Ｓが反射する特徴的な良品特定波長Ｗｓを強調し、識別処理装置６は、撮像手段４により撮像された映像Ｄ１を、光強度に応じた２５６段階以下の階調で正規化し、軽量化データＤ３とする軽量化手段６１と、軽量化データＤ３から異物特定波長Ｗｆを識別する処理を、複数枚の軽量化学習データｄ３を用いて、あらかじめディープラーニングさせた識別手段６２と、を有し、識別手段６２は、搬送手段２による食品Ｂの搬送中に撮像して得られた軽量化データＤ３から、異物Ｆｎ又は良品Ｓをインラインで識別するものである。これにより、高速な処理手段を用いなくても、識別精度を落とすことなく、識別速度を高速化することができる。
以上、説明した実施形態の効果について述べる。
実施形態の食品検査装置１は、異物Ｆｎの混在がないことを確認する食品Ｂを検査対象物Ａとして搬送する搬送手段２と、検査対象物Ａに光を照射する光照射手段３と、検査対象物Ａの映像を撮像する撮像手段４と、食品Ｂ又は異物Ｆｎの少なくとも一方が反射する特徴的な波長Ｗを強調する波長強調手段５と、食品Ｂ又は異物Ｆｎの少なくとも一方を識別する識別処理装置６と、を備え、波長強調手段５は、光照射手段３又は撮像手段４に取付けた第１の光学フィルター５１、及び／又は、補光器３２に取付けた第２の光学フィルター５２、ないし波長特異的な光源を用いて、３００ｎｍ以上１１００ｎｍ以下の光から少なくとも、異物Ｆｎに特徴的な異物特定波長Ｗｆ、又は、食品Ｂの良品Ｓが反射する特徴的な良品特定波長Ｗｓを強調し、識別処理装置６は、撮像手段４により撮像された映像Ｄ１を、光強度に応じた２５６段階以下の階調で正規化し、軽量化データＤ３とする軽量化手段６１と、軽量化データＤ３から異物特定波長Ｗｆを識別する処理を、複数枚の軽量化学習データｄ３を用いて、あらかじめディープラーニングさせた識別手段６２と、を有し、識別手段６２は、搬送手段２による食品Ｂの搬送中に撮像して得られた軽量化データＤ３から、異物Ｆｎ又は良品Ｓをインラインで識別するものである。これにより、高速な処理手段を用いなくても、識別精度を落とすことなく、識別速度を高速化することができる。
＜実施形態の効果−２＞
実施形態の食品検査装置１では、波長強調手段５は、良品Ｓが反射する良品特定波長Ｗｓを強調する。これにより、検査対象物Ａから異物Ｆｎを識別できるとともに、良品Ｓを識別することができる。検査対象物Ａ（食品Ｂ）から良品Ｓ及び異物Ｆｎを識別できるため、良品Ｓ及び異物Ｆｎの頻出度に応じて、分岐・分離手段の処理内容を設定することができる。
実施形態の食品検査装置１では、波長強調手段５は、良品Ｓが反射する良品特定波長Ｗｓを強調する。これにより、検査対象物Ａから異物Ｆｎを識別できるとともに、良品Ｓを識別することができる。検査対象物Ａ（食品Ｂ）から良品Ｓ及び異物Ｆｎを識別できるため、良品Ｓ及び異物Ｆｎの頻出度に応じて、分岐・分離手段の処理内容を設定することができる。
＜実施形態の効果−３＞
実施形態の食品検査装置１では、波長強調手段５は、異物特定波長Ｗｆとして第１の異物特定波長Ｗｆ１及び第２の異物特定波長Ｗｆ２の２つの波長を強調する。これにより、第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを、ＲＧＢ信号のいずれかに１対１で対応させることができ、撮像手段４で撮像した映像Ｄ１を疑似ＲＧＢ映像Ｄ２として処理することができる。
実施形態の食品検査装置１では、波長強調手段５は、異物特定波長Ｗｆとして第１の異物特定波長Ｗｆ１及び第２の異物特定波長Ｗｆ２の２つの波長を強調する。これにより、第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓを、ＲＧＢ信号のいずれかに１対１で対応させることができ、撮像手段４で撮像した映像Ｄ１を疑似ＲＧＢ映像Ｄ２として処理することができる。
＜実施形態の効果−４＞
実施形態の食品検査装置１の識別手段６２の学習方法は、異物Ｆｎの混在がないことを確認する食品Ｂを撮像した学習映像ｄ１から、異物Ｆｎが反射する特徴的な波長を異物特定波長Ｗｆとして、また、食品Ｂの良品Ｓが反射する特徴的な波長を良品特定波長Ｗｓとして、探査するステップと、異物特定波長Ｗｆと良品特定波長Ｗｓとを少なくとも含む疑似ＲＧＢ学習映像ｄ２を複数枚準備するステップと、疑似ＲＧＢ学習映像ｄ２を、光強度に応じた２５６段階以下の階調で正規化し、軽量化学習データｄ３に軽量化するステップと、軽量化学習データｄ３から、異物特定波長Ｗｆ又は良品特定波長Ｗｓを識別する処理を、識別手段６２にディープラーニングさせるステップと、を含むものである。これにより、異物Ｆｎ及び良品Ｓと、異物特定波長Ｗｆ及び良品特定波長Ｗｓとの関係を、効率よく識別手段６２に学習させることができる。
実施形態の食品検査装置１の識別手段６２の学習方法は、異物Ｆｎの混在がないことを確認する食品Ｂを撮像した学習映像ｄ１から、異物Ｆｎが反射する特徴的な波長を異物特定波長Ｗｆとして、また、食品Ｂの良品Ｓが反射する特徴的な波長を良品特定波長Ｗｓとして、探査するステップと、異物特定波長Ｗｆと良品特定波長Ｗｓとを少なくとも含む疑似ＲＧＢ学習映像ｄ２を複数枚準備するステップと、疑似ＲＧＢ学習映像ｄ２を、光強度に応じた２５６段階以下の階調で正規化し、軽量化学習データｄ３に軽量化するステップと、軽量化学習データｄ３から、異物特定波長Ｗｆ又は良品特定波長Ｗｓを識別する処理を、識別手段６２にディープラーニングさせるステップと、を含むものである。これにより、異物Ｆｎ及び良品Ｓと、異物特定波長Ｗｆ及び良品特定波長Ｗｓとの関係を、効率よく識別手段６２に学習させることができる。
＜変形例の説明−１＞
食品検査装置１の変形例を説明する。
上記実施形態では、波長強調手段５は、第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓの合計３つの波長を強調したが、少なくとも１つの第１の異物特定波長Ｗｆ１（Ｗｆ２）と、少なくとも１つの良品特定波長Ｗｓとを強調してもよく、第１の異物特定波長Ｗｆ１のみを強調してもよい。少なくとも、第１の異物特定波長Ｗｆ１を強調することで、食品Ｂの中から異物Ｆｎを識別することができる。あるいは、良品特定波長Ｗｓのみを強調してもよい。なお、異物特定波長Ｗｆ及び良品特定波長Ｗｓを合計４つ以上強調するように構成してもよい。
食品検査装置１の変形例を説明する。
上記実施形態では、波長強調手段５は、第１の異物特定波長Ｗｆ１、第２の異物特定波長Ｗｆ２及び良品特定波長Ｗｓの合計３つの波長を強調したが、少なくとも１つの第１の異物特定波長Ｗｆ１（Ｗｆ２）と、少なくとも１つの良品特定波長Ｗｓとを強調してもよく、第１の異物特定波長Ｗｆ１のみを強調してもよい。少なくとも、第１の異物特定波長Ｗｆ１を強調することで、食品Ｂの中から異物Ｆｎを識別することができる。あるいは、良品特定波長Ｗｓのみを強調してもよい。なお、異物特定波長Ｗｆ及び良品特定波長Ｗｓを合計４つ以上強調するように構成してもよい。
＜変形例の説明−２＞
上記実施形態では、波長強調手段５は、補光器に取付けた第２の光学フィルター５２でなく、所定波長範囲の光のみを放出する波長特異的な光源、例えばＬＥＤ素子や半導体レーザーであってもよい。ＬＥＤ素子であれば、ＬＥＤチップに含まれる材料の種類を変更することで、２００ｎｍから１０００ｎｍ程度の領域内で、所望の波長範囲の光を放出するように構成することができる。
上記実施形態では、波長強調手段５は、補光器に取付けた第２の光学フィルター５２でなく、所定波長範囲の光のみを放出する波長特異的な光源、例えばＬＥＤ素子や半導体レーザーであってもよい。ＬＥＤ素子であれば、ＬＥＤチップに含まれる材料の種類を変更することで、２００ｎｍから１０００ｎｍ程度の領域内で、所望の波長範囲の光を放出するように構成することができる。
以上、実施形態を用いて本発明を説明したが、本発明の技術的範囲は上記実施形態に記載の範囲には限定されないことは言うまでもない。上記実施形態に、多様な変更又は改良を加えることが可能であることが当業者に明らかである。また、その様な変更又は改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
１ 食品検査装置
２ 搬送手段
３ 光照射手段
３２ 補光器
４ 撮像手段
５ 波長強調手段
５１ 第１の光学フィルター
５２ 第２の光学フィルター
６ 識別処理装置
６１ 軽量化手段
６２ 識別手段
Ａ 検査対象物
Ｂ 食品、Ｓ 良品、Ｆｎ 異物
Ｗｎ 特定波長
２ 搬送手段
３ 光照射手段
３２ 補光器
４ 撮像手段
５ 波長強調手段
５１ 第１の光学フィルター
５２ 第２の光学フィルター
６ 識別処理装置
６１ 軽量化手段
６２ 識別手段
Ａ 検査対象物
Ｂ 食品、Ｓ 良品、Ｆｎ 異物
Ｗｎ 特定波長
Claims (6)
- 異物の混在がないことを確認する食品を検査対象物として搬送する搬送手段と、
前記検査対象物に光を照射する光照射手段と、
前記検査対象物の映像を撮像する撮像手段と、
前記食品又は前記異物の少なくとも一方が反射する特徴的な波長を強調する波長強調手段と、
前記食品又は前記異物の少なくとも一方を識別する識別処理装置と、を備え、
前記波長強調手段は、
前記光照射手段又は前記撮像手段に取付けた第１の光学フィルター、及び／又は、補光器に取付けた第２の光学フィルター、ないし波長特異的な光源を用いて、３００ｎｍ以上１１００ｎｍ以下の光から少なくとも、前記異物に特徴的な異物特定波長又は前記食品の良品が反射する特徴的な良品特定波長を強調し、
前記識別処理装置は、
前記撮像手段により撮像された映像を、光強度に応じた２５６段階以下の階調で正規化し、軽量化データとする軽量化手段と、
前記軽量化データから前記異物特定波長を識別する処理を、複数枚の前記軽量化データを用いて、あらかじめディープラーニングさせた識別手段と、を有し、
前記識別手段は、前記搬送手段による前記食品の搬送中に撮像して得られた前記軽量化データから、前記異物又は前記良品をインラインで識別する、食品検査装置。 - 請求項１に記載の食品検査装置であって、
前記波長強調手段は、前記異物特定波長を少なくとも１つ、及び前記良品特定波長を少なくとも１つ、強調し、
前記識別手段は、前記搬送手段による前記食品の搬送中に撮像して得られた前記軽量化データから、前記良品をインラインで識別する、食品検査装置。 - 請求項２に記載の食品検査装置であって、
前記波長強調手段は、前記異物特定波長として第１の異物特定波長及び第２の異物特定波長の２つの波長を強調し、
前記識別手段は、前記撮像手段により撮像された前記映像を疑似ＲＧＢ映像として処理する、食品検査装置。 - 食品検査装置の識別手段の学習方法であって、
異物の混在がないことを確認する食品を撮像した学習映像から、前記異物が反射する特徴的な波長を異物特定波長として、また、前記食品の良品が反射する特徴的な波長を良品特定波長として、抽出するステップと、
前記異物特定波長と前記良品特定波長とを少なくとも含む疑似ＲＧＢ学習映像を複数枚準備するステップと、
前記疑似ＲＧＢ学習映像を、光強度に応じた２５６段階以下の階調で正規化し、軽量化学習データに軽量化するステップと、
前記軽量化学習データから、前記異物特定波長又は前記良品特定波長を識別する処理を、前記識別手段にディープラーニングさせるステップと、を含む、識別手段の学習方法。 - 請求項４に記載の識別手段の学習方法によって学習させた識別手段を備える食品検査装置。
- 請求項１から３及び５までのいずれか１項に記載の食品検査装置によって、
検査対象物の食品に異物の混在がないことを確認する食品の検査方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019109491A JP6940215B2 (ja) | 2016-08-22 | 2019-06-12 | 検査装置及び検査装置の識別手段の学習方法 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016162112 | 2016-08-22 | ||
| JP2016162112 | 2016-08-22 | ||
| PCT/JP2017/029996 WO2018038123A1 (ja) | 2016-08-22 | 2017-08-22 | 食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019109491A Division JP6940215B2 (ja) | 2016-08-22 | 2019-06-12 | 検査装置及び検査装置の識別手段の学習方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2018038123A1 true JPWO2018038123A1 (ja) | 2018-08-30 |
| JP6542477B2 JP6542477B2 (ja) | 2019-07-10 |
Family
ID=61245016
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018529319A Active JP6542477B2 (ja) | 2016-08-22 | 2017-08-22 | 食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法 |
| JP2019109491A Active JP6940215B2 (ja) | 2016-08-22 | 2019-06-12 | 検査装置及び検査装置の識別手段の学習方法 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019109491A Active JP6940215B2 (ja) | 2016-08-22 | 2019-06-12 | 検査装置及び検査装置の識別手段の学習方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11079334B2 (ja) |
| JP (2) | JP6542477B2 (ja) |
| CN (1) | CN109791111B (ja) |
| WO (1) | WO2018038123A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020183876A (ja) * | 2019-04-26 | 2020-11-12 | 株式会社前川製作所 | 特徴点認識システムおよびワーク処理システム |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109791111B (zh) * | 2016-08-22 | 2022-01-11 | 丘比株式会社 | 食品检查装置、食品检查方法以及食品检查装置的识别机构的学习方法 |
| CN112218729A (zh) * | 2018-06-11 | 2021-01-12 | 克里奥瓦克公司 | 用于检测外来物品的产品流的内置检查的过程和系统 |
| CN109239075B (zh) * | 2018-08-27 | 2021-11-30 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
| JP7228981B2 (ja) * | 2018-09-25 | 2023-02-27 | 株式会社明治 | 食品の検査方法及び検査装置 |
| JP2020051982A (ja) * | 2018-09-28 | 2020-04-02 | Ｊｆｅテクノリサーチ株式会社 | 画像検査装置及び検査モデル構築システム |
| JP2020051981A (ja) * | 2018-09-28 | 2020-04-02 | Ｊｆｅテクノリサーチ株式会社 | 検査装置 |
| JP7250545B2 (ja) * | 2019-02-05 | 2023-04-03 | アヲハタ株式会社 | 食品検査装置 |
| WO2020178913A1 (ja) * | 2019-03-01 | 2020-09-10 | 株式会社安川電機 | 検査システム |
| NL2023271B1 (en) * | 2019-06-06 | 2020-12-22 | Aweta G&P B V | Apparatus and method for determining a property of products |
| KR102110192B1 (ko) * | 2019-07-11 | 2020-05-14 | 농심엔지니어링 주식회사 | 이물질 검출을 위한 복합검사장치 |
| KR102116137B1 (ko) * | 2019-11-07 | 2020-05-28 | 주식회사 대양식품 | 이물질 선별기의 제어 방법 및 장치 |
| WO2021119946A1 (en) * | 2019-12-16 | 2021-06-24 | Mekitec Oy | Food inspection solution |
| JP2021099261A (ja) * | 2019-12-23 | 2021-07-01 | セイコーエプソン株式会社 | 付着物判定方法、付着物判定装置、及び付着物判定プログラム |
| JP7450917B2 (ja) * | 2020-03-10 | 2024-03-18 | 株式会社エヌテック | マルチスペクトル画像撮像装置、検査装置及びマルチスペクトル画像撮像方法 |
| US20230148640A1 (en) * | 2020-04-30 | 2023-05-18 | Takai Tofu & Soymilk Equipment Co. | Tofu production system |
| US20230145715A1 (en) * | 2020-04-30 | 2023-05-11 | Takai Tofu & Soymilk Equipment Co. | Inspection device for tofu products, manufacturing system for tofu products, inspection method for tofu products, and program |
| JP7248316B2 (ja) * | 2020-04-30 | 2023-03-29 | 株式会社高井製作所 | 豆腐類検査装置、豆腐類製造システム、豆腐類の検査方法、およびプログラム |
| JP7248317B2 (ja) * | 2020-04-30 | 2023-03-29 | 株式会社高井製作所 | 豆腐類製造システム |
| JP7487069B2 (ja) | 2020-10-29 | 2024-05-20 | 株式会社Ryoden | 混入金属識別方法および装置 |
| CN112508930A (zh) * | 2020-12-17 | 2021-03-16 | 无锡日联科技股份有限公司 | 基于深度学习的食品异物检测方法和装置 |
| KR102576213B1 (ko) * | 2022-12-27 | 2023-09-08 | 농심엔지니어링 주식회사 | 학습 모듈을 이용한 품질관리 시스템 및 방법 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03242773A (ja) * | 1990-02-21 | 1991-10-29 | Hitachi Ltd | 画像検査装置 |
| US5086479A (en) * | 1989-06-30 | 1992-02-04 | Hitachi, Ltd. | Information processing system using neural network learning function |
| JP2009115613A (ja) * | 2007-11-06 | 2009-05-28 | Hitachi High-Tech Control Systems Corp | 異物検査装置 |
| WO2012153695A1 (ja) * | 2011-05-10 | 2012-11-15 | 国立大学法人豊橋技術科学大学 | 機能性光源を用いた検査装置と検査方法及び機能性光源とその設計方法 |
| JP2016045861A (ja) * | 2014-08-26 | 2016-04-04 | 株式会社豊田中央研究所 | 異常診断装置及びプログラム |
| JP2016110290A (ja) * | 2014-12-03 | 2016-06-20 | 株式会社リコー | 情報処理装置及び情報処理方法 |
| JP2016142601A (ja) * | 2015-01-30 | 2016-08-08 | 前田建設工業株式会社 | 施工品質評価プログラム、施工品質評価方法及び施工品質評価装置 |
| JP2018506168A (ja) * | 2014-12-03 | 2018-03-01 | ケーエルエー−テンカー コーポレイション | サンプリング及びフィーチャ選択を伴わない自動欠陥分類 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06281592A (ja) * | 1993-03-29 | 1994-10-07 | Sumitomo Metal Ind Ltd | 表面検査方法 |
| JPH08136466A (ja) * | 1994-11-10 | 1996-05-31 | Dainippon Screen Mfg Co Ltd | 画像パターン検査装置 |
| JPH10300689A (ja) | 1997-04-21 | 1998-11-13 | Techno Ishii:Kk | 容器内の異物検出方法とその装置 |
| JP2001099783A (ja) | 1999-09-30 | 2001-04-13 | Japan Tobacco Inc | 光学式異物検出装置 |
| JP4220285B2 (ja) | 2003-03-31 | 2009-02-04 | 日世株式会社 | 食品中の異物・夾雑物の検出方法 |
| JP2005181244A (ja) * | 2003-12-24 | 2005-07-07 | Yokogawa Electric Corp | 光量分布補正方法およびバイオチップ読取装置 |
| JP2005201636A (ja) | 2004-01-13 | 2005-07-28 | Shizuoka Prefecture | 腐敗部判定方法及び判定装置 |
| JP2006275895A (ja) * | 2005-03-30 | 2006-10-12 | Olympus Corp | 生体関連物質の測定情報の表示方法 |
| US8351672B2 (en) * | 2007-09-26 | 2013-01-08 | Industry Vision Automation Corp. | Machine imaging apparatus and method for detecting foreign materials |
| US8159525B2 (en) * | 2008-06-13 | 2012-04-17 | The United States Of America, As Represented By The Secretary Of Agriculture | Portable multispectral imaging systems |
| JP2012189390A (ja) | 2011-03-09 | 2012-10-04 | Sumitomo Electric Ind Ltd | 毛髪検出装置 |
| JP6082321B2 (ja) * | 2013-06-10 | 2017-02-15 | 住友電気工業株式会社 | 手術用顕微鏡システム |
| JP2015197361A (ja) | 2014-04-01 | 2015-11-09 | セイコーエプソン株式会社 | 表面検査装置および表面検査方法 |
| CN104155312B (zh) * | 2014-08-11 | 2017-06-16 | 华北水利水电大学 | 基于近红外计算机视觉的粮粒内部害虫检测方法和装置 |
| JP2016091359A (ja) * | 2014-11-06 | 2016-05-23 | 株式会社リコー | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
| CN104677920B (zh) * | 2015-02-09 | 2017-04-05 | 浙江大学 | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 |
| CN109791111B (zh) * | 2016-08-22 | 2022-01-11 | 丘比株式会社 | 食品检查装置、食品检查方法以及食品检查装置的识别机构的学习方法 |
-
2017
- 2017-08-22 CN CN201780051728.9A patent/CN109791111B/zh active Active
- 2017-08-22 US US16/325,365 patent/US11079334B2/en active Active
- 2017-08-22 WO PCT/JP2017/029996 patent/WO2018038123A1/ja active Application Filing
- 2017-08-22 JP JP2018529319A patent/JP6542477B2/ja active Active
-
2019
- 2019-06-12 JP JP2019109491A patent/JP6940215B2/ja active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5086479A (en) * | 1989-06-30 | 1992-02-04 | Hitachi, Ltd. | Information processing system using neural network learning function |
| JPH03242773A (ja) * | 1990-02-21 | 1991-10-29 | Hitachi Ltd | 画像検査装置 |
| JP2009115613A (ja) * | 2007-11-06 | 2009-05-28 | Hitachi High-Tech Control Systems Corp | 異物検査装置 |
| WO2012153695A1 (ja) * | 2011-05-10 | 2012-11-15 | 国立大学法人豊橋技術科学大学 | 機能性光源を用いた検査装置と検査方法及び機能性光源とその設計方法 |
| JP2016045861A (ja) * | 2014-08-26 | 2016-04-04 | 株式会社豊田中央研究所 | 異常診断装置及びプログラム |
| JP2016110290A (ja) * | 2014-12-03 | 2016-06-20 | 株式会社リコー | 情報処理装置及び情報処理方法 |
| JP2018506168A (ja) * | 2014-12-03 | 2018-03-01 | ケーエルエー−テンカー コーポレイション | サンプリング及びフィーチャ選択を伴わない自動欠陥分類 |
| JP2016142601A (ja) * | 2015-01-30 | 2016-08-08 | 前田建設工業株式会社 | 施工品質評価プログラム、施工品質評価方法及び施工品質評価装置 |
Non-Patent Citations (2)
| Title |
|---|
| SA ET AL.: "DeepFruits: A Fruit Detection System Using Deep Neural Networks", SENSORS, vol. 16, 1222, JPN6017042473, 3 August 2016 (2016-08-03), ISSN: 0003957573 * |
| SAKAI ET AL.: "Deep Learning-based Image Recognition Applications", NTT DOCOMO TECHNICAL JOURNAL, vol. 18, 1, JPN6017042474, July 2016 (2016-07-01), pages 36 - 43, ISSN: 0003957574 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020183876A (ja) * | 2019-04-26 | 2020-11-12 | 株式会社前川製作所 | 特徴点認識システムおよびワーク処理システム |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200386690A1 (en) | 2020-12-10 |
| JP6940215B2 (ja) | 2021-09-22 |
| CN109791111B (zh) | 2022-01-11 |
| JP2019174481A (ja) | 2019-10-10 |
| WO2018038123A1 (ja) | 2018-03-01 |
| US11079334B2 (en) | 2021-08-03 |
| JP6542477B2 (ja) | 2019-07-10 |
| CN109791111A (zh) | 2019-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6940215B2 (ja) | 検査装置及び検査装置の識別手段の学習方法 | |
| US10527558B2 (en) | Method and system of detecting foreign materials within an agricultural product stream | |
| US7787111B2 (en) | Simultaneous acquisition of fluorescence and reflectance imaging techniques with a single imaging device for multitask inspection | |
| Ariana et al. | Hyperspectral waveband selection for internal defect detection of pickling cucumbers and whole pickles | |
| Zareiforoush et al. | Potential applications of computer vision in quality inspection of rice: a review | |
| US8841570B2 (en) | System and method for aflatoxin detection | |
| Eissa et al. | Understanding color image processing by machine vision for biological materials | |
| Mo et al. | On-line fresh-cut lettuce quality measurement system using hyperspectral imaging | |
| KR101750858B1 (ko) | 결함 검출 시스템 및 결함 검출 방법 | |
| Lunadei et al. | Image-based screening for the identification of bright greenish yellow fluorescence on pistachio nuts and cashews | |
| Kim et al. | Visible to SWIR hyperspectral imaging for produce safety and quality evaluation | |
| Dong et al. | Detection of thrips defect on green-peel citrus using hyperspectral imaging technology combining PCA and B-spline lighting correction method | |
| Jayas et al. | Grain quality evaluation by computer vision | |
| JP2009168743A (ja) | 検査方法および検査装置 | |
| Mo et al. | Discrimination methods for biological contaminants in fresh-cut lettuce based on VNIR and NIR hyperspectral imaging | |
| Huang et al. | Early detection of bruises on apples using near-infrared hyperspectral image | |
| Jayas et al. | Wheat quality evaluation | |
| Singh et al. | Near-infrared hyperspectral imaging for quality analysis of agricultural and food products | |
| KR101203990B1 (ko) | 형광영상을 이용한 방울토마토 열과 검출 방법 | |
| Hasankhani et al. | Qualitative sorting of potatoes by color analysis in machine vision system | |
| Toyofuku et al. | Advances in automated nut sorting | |
| Li et al. | Multispectral imaging for early decay detection in citrus fruit | |
| Huang et al. | Quality of Vegetable Products: Assessment of Physical, Chemical, and Microbiological Changes in Vegetable Products by Nondestructive Methods | |
| Peng et al. | Real-time detection of natural bruises in apple surface using machine vision | |
| AU2008246096B2 (en) | Simultaneous acquisition of fluorescence and reflectance imaging techniques with a single imaging device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180606 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180606 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20180606 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20180709 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180821 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181019 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190122 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190322 |
|
| 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: 20190514 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190612 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6542477 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |