TWI681182B - 粒狀物外觀品級判別裝置中的品級判別基準之製作方法 - Google Patents

粒狀物外觀品級判別裝置中的品級判別基準之製作方法 Download PDF

Info

Publication number
TWI681182B
TWI681182B TW104118053A TW104118053A TWI681182B TW I681182 B TWI681182 B TW I681182B TW 104118053 A TW104118053 A TW 104118053A TW 104118053 A TW104118053 A TW 104118053A TW I681182 B TWI681182 B TW I681182B
Authority
TW
Taiwan
Prior art keywords
grade
granular
photographic
information
photographic data
Prior art date
Application number
TW104118053A
Other languages
English (en)
Other versions
TW201546440A (zh
Inventor
森尾吉成
石突裕樹
石津任章
竹內宏明
越智龍彥
Original Assignee
日商佐竹股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日商佐竹股份有限公司 filed Critical 日商佐竹股份有限公司
Publication of TW201546440A publication Critical patent/TW201546440A/zh
Application granted granted Critical
Publication of TWI681182B publication Critical patent/TWI681182B/zh

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • 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
    • G01N21/85—Investigating moving fluids or granular solids
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • 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
    • G01N21/85—Investigating moving fluids or granular solids
    • G01N2021/8592—Grain or other flowing solid samples
    • 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
    • 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
    • G06T2207/30—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)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Sorting Of Articles (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本發明所成之粒狀物外觀品級判別裝置中的品級判別基準之製作方法，包括：粒狀物載置步驟，將多數個粒狀物依品級類別來區分並載置在攝影機構之攝影面；攝影資料取得步驟，將前述攝影面所載置的前述粒狀物藉由前述攝影機構加以攝影而取得攝影資料；品級資訊取得步驟，基於前述攝影資料而依前述品級類別來取得前述粒狀物的品級資訊；以及品級判別基準製作步驟，使用依前述品級類別而取得的前述品級資訊，製作品級判別基準。

Description

粒狀物外觀品級判別裝置中的品級判別基準之製作方法
本發明係關於粒狀物外觀品級判別裝置中的穀粒還有顆粒等粒狀物的品級判別基準之製作方法。
吾人已知有一種穀粒外觀品級判別裝置（例如參照專利文獻1），其藉由掃描器等攝影機構將多數穀粒加以攝影而取得攝影資料，並基於該攝影資料判別前述多數穀粒的品級。
上述穀粒外觀品級判別裝置，將成為品級判別對象之多數穀粒藉由攝影機構加以攝影而取得攝影資料，並基於前述攝影資料來取得穀粒的品級資訊（外形形狀、面積、長度、寬度、色彩（RGB資訊）、胴裂等），且將前述穀粒的品級資訊與事前已設定的品級判別基準加以比較，而判別前述穀粒的品級。
而且，依據上述穀粒外觀品級判別裝置，能容易且迅速地判別多數穀粒的品級。
此外，習知的穀粒外觀品級判別裝置，事前取得多數個樣本粒的攝影資料，且操作者以肉眼將前述攝影資料在顯示器上確認並依序指定各樣本粒的品級，藉以使用基於前述攝影資料而取得之前述各樣本粒的品級資訊，製作品級判別基準。
然而，因為操作者如上所述地在顯示器上確認前述攝影資料並指定品級時需要熟練，所以在穀粒外觀品級判別裝置上製作粒狀物的品級判別基準並不容易。 【先前技術文獻】 ﹝專利文獻﹞
專利文獻1：日本特開2011-242284號公報
﹝發明所欲解決之問題﹞
於是，本發明之目的為提供一種粒狀物外觀品級判別裝置中的品級判別基準之製作方法，即使非熟練的操作者亦能簡單地製作粒狀物的品級判別基準。 ﹝解決問題之方式﹞
為了達成上述目的，本發明係一種粒狀物外觀品級判別裝置中的品級判別基準之製作方法，藉由攝影機構將粒狀物加以攝影並取得攝影資料，且基於前述攝影資料而判別粒狀物的品級，其特徵在於，包括： 粒狀物載置步驟，將多數個粒狀物依品級類別來區分並載置在攝影機構之攝影面； 攝影資料取得步驟，將前述攝影面所載置的前述粒狀物藉由前述攝影機構加以攝影而取得攝影資料； 品級資訊取得步驟，基於前述攝影資料而依前述品級類別來取得前述粒狀物的品級資訊；以及 品級判別基準製作步驟，使用依前述品級類別而取得的前述品級資訊，製作品級判別基準。
前述粒狀物外觀品級判別裝置中的品級判別基準之製作方法，更能包括：品級名稱登記步驟，登記前述粒狀物之品級名稱。
前述粒狀物外觀品級判別裝置中的品級判別基準之製作方法，能定為：前述品級資訊步驟所取得的品級資訊，包含下述者之中至少一種：粒狀物之外形形狀、面積、長度、寬度、色彩、及胴裂。
在前述粒狀物載置步驟之中，能定為：前述攝影機構之攝影面所載置的多數個粒狀物，收容在區別成多數個區域的托盤，並依品級類別來區分。
前述品級判別基準製作步驟之中，能定為：使用機器學習演算法（machine learning algorithms）而製作前述品級判別基準。 ﹝發明之效果﹞
本發明所成之粒狀物外觀品級判別裝置中的品級判別基準之製作方法，包含：粒狀物載置步驟，將多數個粒狀物依品級類別來區分而載置在攝影機構之攝影面；且因為能處理事前已依品級類別來區別的粒狀物，所以即使非熟練的操作者，亦能簡單地製作粒狀物的品級判別基準。
此外，由於操作者將事前已依品級類別來區別的粒狀物載置在攝影機構之攝影面，故而電腦可以自動製作品級判別基準。
再者，因為能重複利用事前已依品級類別來區別的粒狀物，所以可以重複製作有著客觀性的品級判別基準。
若定前述品級判別基準製作步驟係使用機器學習演算法而製作前述品級判別基準，則可以簡單地製作高精度的品級判別基準。
﹝實施發明之較佳形態﹞
基於圖式說明本發明之實施形態。 ﹝粒狀物外觀品級判別裝置之構成﹞
圖1係顯示本發明方法所使用之粒狀物外觀品級判別裝置之一範例。
粒狀物外觀品級判別裝置1，包括：攝影機構2，將米、麥、豆、玉米等穀粒還有顆粒等粒狀物加以攝影；以及電腦4，利用纜線3與該攝影機構2連接。前述攝影機構2，可使用例如市售的掃描器或多功能事務機。
前述攝影機構2包括：本體2a；攝影面2b，設在該本體2a頂面；以及罩蓋2c，開閉該攝影面2b。此外，前述本體2a包括：光源，將光照射於前述攝影面2b所載置的粒狀物，且由白色螢光燈、還有白色LED等構成；以及受光部，接受來自該粒狀物的反射光，由彩色CCD線感測器等構成。而且，前述粒狀物G收容在托盤5上且載置在前述攝影面2b。
前述電腦4包括：影像處理部，影像處理藉由前述攝影機構2攝影之粒狀物的攝影資料，且提取該粒狀物的色彩等光學資訊及外形等形狀資訊等各種品級資訊；品級判別基準製作部，使用在該影像處理部之中提取的前述品級資訊而製作品級判別基準；品級判別基準記憶部，記憶所製作的品級判別基準；品級判別部，利用該品級判別基準記憶部所記憶之前述品級判別基準，而判別前述粒狀物的品級；以及顯示器，顯示該品級判別部所得到的結果。
上述粒狀物外觀品級判別裝置1，將前述攝影機構2所取得之多數個粒狀物的攝影訊號送至前述電腦4，於該電腦4判別前述各粒狀物的品級。
以下，說明粒狀物外觀品級判別裝置中的品級判別基準之製作方法。 ﹝品級判別基準之製作程序﹞
圖2顯示粒狀物外觀品級判別裝置中的品級判別基準之製作程序的流程。
（1）步驟S1： 攝影可使用圖1所示的攝影機構2。操作者將所欲分類之各品級的樣本粒，例如若係米粒，則事前準備好整粒、未熟粒、碎粒、胴裂粒、有色粒、異物等樣本粒並群組化（A、B、C、……），且將此等樣本粒在攝影機構2之攝影面2b按照每一群組區分並載置。於此，前述每一群組的樣本粒之數量亦可係一個，但宜多，以便取得較多下述品級資訊。另外，群組間樣本粒的數量不須一致。
如圖3所示，將前述樣本粒載置在前述攝影機構2之攝影面2b之際，能藉由收納在區別成多數區域的一只托盤5上，而依前述群組（A、B、C、…）類別來區分。此外，亦可對一群組使用一托盤，而將各群組的托盤分別載置在攝影面2b，且於不預備托盤的狀況下，亦可按照每一群組將載置的區域設在攝影面2，並以不與其它群組的樣本粒混合存在的形式，直接將樣本粒載置在攝影面2b上。
另外，前述樣本粒須要按照每一群組區分，但不須要使其整齊排列而載置。
（2）步驟S2： 將在步驟S1於攝影機構2的攝影面2b按照前述每一群組區分而載置的樣本粒加以攝影，取得各樣本粒的攝影資料。
（3）步驟S3： 電腦4基於在步驟S2取得的攝影資料按照每一群組取得各樣本粒的品級資訊（特徵資訊）（取得品級資訊）。
於此，前述品級資訊包含樣本粒的外形形狀、面積、長度、寬度、色彩（RGB資訊）、胴裂等。
（4）步驟S4： 操作者以顯示器確認在步驟S2取得的攝影資料，並且將各群組指定為良品、不良品中任一者（指定良品、不良品資訊）。
在此，本實施形態之中，上述指定良品、不良品資訊非必須。若進行上述指定良品、不良品資訊，則在下述粒狀物的品級判別之中，不僅將品級判別對象，即粒狀物在步驟S5依登記於電腦4的品級名稱類別來判別，還可以依良品、不良品的類別來分類。
（5）步驟S5： 操作者將前述各群組的名稱（品級名稱）登記（輸入）至電腦4（設定品級名稱）。由此，品級名稱與品級資訊、良品、不良品資訊產生關聯（設定品級類別資訊）。在此，以品級判別對象的樣本粒作為米粒，且設定為以下6種類的品級：整粒、未熟粒、碎粒、胴裂粒、有色粒、異物。
（6）步驟S6： 下述粒狀物的品級判別之際，為了於判別成符合二個以上品級之情況下，使之判別成僅符合一個品級，會設定優先順序（設定優先判別順序）。另一方面，亦能不設定前述優先順序，使之判別成所符合的全部品級。若進行優先判別順序設定，則一樣本粒計為一品級，若不進行優先判別順序設定，則一樣本會計為所符合的全部品級。
（7）步驟S7：
使用上述品級類別的品級資訊，而製作品級判別基準。本實施形態之中，使用集群分析及調適提升演算法[AdaBoost（機器學習演算法）]的分析，而由電腦4自動製作品級判別基準。集群分析例如請參照日本特開2010-60389等。調適提升演算法所進行之分析，例如請參照日本特開2013-33331等。 ＜品級判別基準製作範例＞
以下說明品級判別基準的製作範例。
圖4係步驟S7中的品級判別基準製作之一範例，顯示使用集群分析及調適提升演算法所進行之分析的品級判別基準的製作流程。 （a）集群分析
（1）步驟S10： 在進行集群分析時，取得此分析所使用之閾値及目標系統數。前述閾値及目標系統數係事前保存於電腦4的記憶體。前述閾値係使用於利用集群分析將各樣本粒系統地分類區別之時，且係用以判斷由輸入的品級資訊所計算的系統間距離是否為正確答案。前述目標系統數係藉由集群分析而分類區別的系統數量的目標値。
（2）步驟S11： 從在步驟S5登記的品級名稱之中選擇一品級，且對於其外的品級，即對於非選擇品級之樣本粒使用在步驟S3取得的品級資訊而進行集群分析。此分析係用以進行調適提升演算法所成之分析的前置處理，目的與在步驟S5的操作者所進行之品級名稱設定有別，係在於分類區別上述非選擇品級的樣本粒。藉由此集群分析所成之分類區別，可以將步驟S1之中，操作者事前準備各品級的樣本粒之際所發生的區別失誤等影響加以排除。
（3）步驟S12： 利用在步驟S11的集群分析所進行之分類區別，確認是否已分類區別成前述目標系統數。在本實施形態之中係將目標系統數定為6個。此係經實驗性求取判別結果優異的系統數。
在步驟S11的集群分析所進行之分類區別的結果為系統數與目標系統數相異的狀況下，變更前述閾値並重複集群分析直至與上述目標系統數一致。因為前述閾値由於其大小而使得系統數增減，所以自動變更閾値並重複分析直至區別成目標系統數。
（4）步驟S13： 保存將非選擇品級的樣本粒分類區別成目標系統數之結果。例如，若在步驟S11選擇的品級係整粒，則將整粒以外的樣本粒分類區別成6個系統，而不論操作者在步驟S5登記的品級。在步驟S13之中，係將此等系統以各品級加以保存。
（5）步驟S14： 在步驟S11的集群分析係在全部的品級進行。在本實施形態之中，因為已藉由步驟S5分類成6個品級，所以會按照此等全部品級的每一品級進行集群分析，並按照每一品級求取系統。 （b）調適提升演算法所進行之分析
（6）步驟S15： 在步驟S15之中，選擇一個在步驟S5登記的品級，並利用此選擇品級之樣本粒與分類區別成此品級的系統（本實施形態係6個）之中一系統的樣本粒，使用在步驟S3取得的品級資訊而進行調適提升演算法所進行之分析，算出各品級資訊的閾値、正負值、加權係數。在本實施形態之中，前述各品級資訊的閾値、正負值、加權係數成為品級判別基準。
（7）步驟S16： 在步驟S16之中，保存利用步驟S15的分析而算出之每一品級資訊的閾値、正負值、加權係數等分析結果。
（8）步驟S17： 確認步驟S15選擇的品級之樣本粒是否已在全部的系統進行調適提升演算法所進行之分析。調適提升演算法所進行之分析係對每一系統進行。
（9）步驟S18： 在步驟S18之中，確認是否已在全部的品級進行調適提升演算法所進行之分析。在全部的品級按照每一品級進行調適提升演算法所進行之分析，並對全部的品級在全部的系統算出各品級資訊的閾値、正負值、加權係數，並作為品級判別基準保存，使得品級判別基準的製作結束，即學習完成。
﹝品級判別程序﹞ 圖5顯示粒狀物外觀品級判別裝置中的粒狀物之品級判別程序的流程。
（1）步驟S21： 將品級判別對象，即多數個粒狀物，載置在攝影機構2之攝影面2b。
（2）步驟S22： 將在步驟S21載置在攝影機構2之攝影面2b的粒狀物加以攝影，取得各粒狀物的攝影資料。
（3）步驟S23： 電腦4基於在步驟S22取得的攝影資料，而取得各狀物粒的品級資訊。此品級資訊係與步驟S3的相同。
（4）步驟S24： 使用在步驟S23取得的品級資訊與事前已製作的品級判別基準，而利用調適提升演算法所進行之分析判別各粒狀物的品級。
（5）步驟S25： 電腦4基於步驟S24之判別結果與步驟S4之良品、不良品資訊，而將各粒狀物分類成良品或不良品其中之一，並保存資料。
（6）步驟S26： 保存步驟S24之品級判別結果。
（7）步驟S27： 基於步驟S25的分類結果，將分類成良品或不良品的各粒狀物適當地以顯示器加以顯示。
（8）步驟S28： 基於步驟S24的品級判別結果，將已判別的各粒狀物按照每一品級適當地以顯示器加以顯示。 ＜品級判別範例＞
圖6係基於步驟S24中的品級判別基準的品級判別之一範例，且顯示品級判別流程。
（1）步驟S31： 首先，在步驟S31選擇一個品級。
（2）步驟S32： 對選擇的品級而言，因為藉由集群分析而求出目標値（本實施形態係6個）的系統，所以選擇其中一個系統。
（3）步驟S33： 從記憶體讀入所選擇的品級及系統的調適提升演算法所進行之每一品級資訊的閾値、正負值、加權係數等分析結果，即在步驟S16之中保存之物。
（4）步驟S34： 從藉由攝影而取得的攝影資料之中選擇一個粒狀物。
（5）步驟S35： 選擇一個關於所選擇之粒狀物的品級資訊。
以下係調適提升演算法所進行之分析。
（6）步驟S36： 關於在步驟S34選擇的粒狀物，判斷在步驟S35選擇的品級資訊是否大於在步驟S33讀入的閾値。
（7）步驟S37及步驟S38： 於上述品級資訊大於上述閾値的狀況下，藉由步驟S37確認正負值。相反地，於上述品級資訊小於上述閾値的狀況下，則藉由步驟S38確認正負值。藉由上述正負值確認結果，求取加總値。
於此，本實施形態之正負值係一種基準（旗標），據以判斷位在以下哪一側之狀況下符合所選擇的品級：上述品級資訊位在上述閾値之正值側的狀況；以及上述品級資訊位在上述閾値之負值側的狀況。
（8）步驟S39： 藉由步驟S39，將在步驟S37或步驟S38求得的加總値加計於按照每一系統求取的可靠度（或類似度）。
（9）步驟S40： 確認是否已對全部的品級資訊進行步驟S36～步驟S39之操作。在步驟S36的判斷係對所使用的全部的品級資訊進行。
（10）步驟S41： 確認是否已對全部的粒狀物進行步驟S36～步驟S39之操作。在步驟S36的判斷係對所攝影之全部的粒狀物進行。
（11）步驟S42： 確認是否已對全部的系統進行步驟S36～步驟S39之操作。步驟S36的判斷係對所選擇品級之全部的系統進行。
（12）步驟S43： 確認是否已對全部的品級進行步驟S36～步驟S39之操作。步驟S36的判斷係對在步驟S5設定之全部的品級進行。
（13）步驟S44： 按照所攝影的每一粒狀物求取多數個可靠度，且基於此可靠度的大小等，而判別各粒狀物的品級。由此，結束品級的判別。
依據本發明之實施形態，因為係將多數樣本粒按照每一群組（每一品級）區分而載置在攝影機構2之攝影面2b，且能處理事前已群組化的樣本粒，所以即使非熟練的操作者，亦能簡單地製作粒狀物的品級判別基準。
此外，依據本發明之實施形態，可以藉由操作者將事前已群組化的樣本粒按照每一群組區分而載置在攝影機構2之攝影面2b，使得電腦4自動製作品級判別基準。
再者，依據本發明之實施形態中的品級判別基準的製作方法，因為能重複利用事前已按照每一群組區別的粒狀物，所以可以重複製作具客觀性的品級判別基準。
本發明之實施形態，因為使用集群分析及調適提升演算法所進行之分析而製作前述品級判別基準，所以可以製作高精度的品級判別基準。
另外，在上述本發明之實施形態之中，對品級判別基準的製作而言，使用了集群分析及調適提升演算法所進行之分析，但前述品級判別基準能使用其它機器學習演算法所進行之分析或是其它的公知方法而製作。
本發明當然不限於上述實施形態，可在不超出發明的範圍之中適當變更其構成。 【產業利用可能性】
本發明，因為即使非熟練的操作者亦能簡單地製作粒狀物品級判別基準，所以利用價値非常高。
1‧‧‧粒狀物外觀品級判別裝置 2‧‧‧攝影機構（掃描器） 2a‧‧‧本體 2b‧‧‧攝影面 2c‧‧‧罩蓋 3‧‧‧纜線 4‧‧‧電腦 5‧‧‧托盤 G‧‧‧粒狀物 S1~S7、S10~S18、S21~S28、S31~S44‧‧‧步驟
圖1(a)(b)係顯示本發明方法所使用之粒狀物外觀品級判別裝置之一範例的說明圖。 圖2係品級判別基準之製作程序的流程圖。 圖3係將粒狀物載置在攝影機構之攝影面的模樣的說明圖。 圖4係品級判別基準之製作範例的流程圖。 圖5係品級判別程序的流程圖。 圖6係品級判別範例的流程圖。
S1~S7‧‧‧步驟

Claims (6)

  1. 一種粒狀物外觀品級判別裝置中的品級判別基準之製作方法，藉由攝影機構將事前已依品級類別來區別的粒狀物加以攝影而取得攝影資料，且基於該攝影資料來判別粒狀物的品級，其特徵在於包括：粒狀物載置步驟，將該粒狀物依品級類別來區分並載置在該攝影機構之攝影面；攝影資料取得步驟，將該攝影面所載置的該粒狀物藉由該攝影機構加以攝影而取得攝影資料；品級資訊取得步驟，基於該攝影資料來取得該粒狀物的品級資訊；以及品級判別基準製作步驟，使用依該品級類別而取得的該品級資訊，以製作品級判別基準；其中，依各品級類別區分之該粒狀物的數量為1個以上，該品級資訊取得步驟所取得的該品級資訊，包含：該粒狀物的外形形狀、面積、長度、寬度、色彩、及胴裂之中至少一種，在該粒狀物載置步驟之中，該攝影機構之攝影面所載置的該粒狀物係收容在區別成多數個區域的托盤，並依品級類別來區分，在該品級判別基準製作步驟之中，使用機器學習演算法而製作該品級判別基準。
  2. 如申請專利範圍第1項之粒狀物外觀品級判別裝置中的品級判別基準之製作方法，其中，更包括：品級名稱登記步驟，登記該粒狀物的品級名稱。
  3. 如申請專利範圍第1項之粒狀物外觀品級判別裝置中的品級判別基準之製作方法，其中，該機器學習演算法為調適提升演算法。
  4. 一種粒狀物外觀品級判別裝置中的品級判別基準之製作方法，藉由攝影機構將事前已依品級類別來區別的粒狀物加以攝影而取得攝影資料，且基於該攝影資料來判別粒狀物的品級，其特徵在於包括：將已依品級類別來區別的樣本粒直接或間接地載置在該攝影機構之攝影面；將該樣本粒藉由該攝影機構加以攝影而取得攝影資料；使用與該判別裝置連接的電腦，從該樣本粒的該攝影資料取得品級資訊；使用事前保存於該電腦之記憶體的閾值及目標系統數與所取得的品級資訊，藉由集群分析，將該樣本粒對全部的品級分類區別；使用機器學習演算法，藉由依品級類別算出各品級資訊的閾值、正負值、加權係數而製作品級判別基準；以及將該品級判別基準記憶在該電腦之該記憶體。
  5. 如申請專利範圍第4項之粒狀物外觀品級判別裝置中的品級判別基準之製作方法，其中，該品級資訊，包含：粒狀物的外形形狀、面積、長度、寬度、色彩、及胴裂之中至少一種。
  6. 如申請專利範圍第4項之粒狀物外觀品級判別裝置中的品級判別基準之製作方法，其中，該機器學習演算法為調適提升演算法。
TW104118053A 2014-06-05 2015-06-04 粒狀物外觀品級判別裝置中的品級判別基準之製作方法 TWI681182B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014117106A JP6481263B2 (ja) 2014-06-05 2014-06-05 粒状物外観品位判別装置における品位判別基準の作成方法
JP2014-117106 2014-06-05

Publications (2)

Publication Number Publication Date
TW201546440A TW201546440A (zh) 2015-12-16
TWI681182B true TWI681182B (zh) 2020-01-01

Family

ID=54766777

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104118053A TWI681182B (zh) 2014-06-05 2015-06-04 粒狀物外觀品級判別裝置中的品級判別基準之製作方法

Country Status (7)

Country Link
US (1) US10386307B2 (zh)
JP (1) JP6481263B2 (zh)
KR (1) KR102382399B1 (zh)
CN (1) CN106662534A (zh)
BR (1) BR112016028473B1 (zh)
TW (1) TWI681182B (zh)
WO (1) WO2015186708A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6560707B2 (ja) * 2017-04-20 2019-08-14 ファナック株式会社 加工面品位評価装置
CN107862230B (zh) * 2017-11-14 2020-12-22 安徽虚境科技有限公司 一种等级决定及录入方法
JP7023180B2 (ja) * 2018-05-10 2022-02-21 大阪瓦斯株式会社 酒米分析装置
CN109539996B (zh) * 2018-12-12 2021-06-04 安徽省农业科学院水稻研究所 一种水稻柱头长度的测量方法
CN110044269A (zh) * 2019-04-08 2019-07-23 安徽省农业科学院水稻研究所 一种水稻柱头长度测量最佳取样时期的方法
JP7345776B2 (ja) * 2019-06-11 2023-09-19 近江度量衡株式会社 農産物の選別装置
WO2022080504A1 (ja) * 2020-10-16 2022-04-21 国立研究開発法人農業・食品産業技術総合研究機構 判定装置、学習装置、判定方法、学習方法及び制御プログラム
CN116596339B (zh) * 2023-05-22 2024-05-31 江苏辰威生物科技有限公司 一种饲料原料生产调节方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200415005A (en) * 2003-02-10 2004-08-16 Sheng Hiuam Co Ltd Mold for manufacturing upper stopper of nylon safety zipper
TW201144795A (en) * 2010-05-19 2011-12-16 Satake Eng Co Ltd Method for calculating weight ratio by quality in grain appearance quality discrimination device
US20140147015A1 (en) * 2012-11-26 2014-05-29 Frito-Lay North America, Inc. Method for Scoring and Controlling Quality of Food Products in a Dynamic Production Line

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL82037A0 (en) * 1987-03-29 1987-10-20 Kalman Peleg Method and apparatus for automatically inspecting and classifying different objects
JP2000146847A (ja) * 1998-11-16 2000-05-26 Kett Electric Laboratory クラスタリング及びボロノイ分割を利用したニューラル ネットワークを用いた穀類粒判別装置
JP2002312762A (ja) * 2001-04-12 2002-10-25 Seirei Ind Co Ltd ニューラルネットワークを利用した穀粒選別装置
JP2010060389A (ja) 2008-09-02 2010-03-18 Horiba Ltd 粒子解析装置、データ解析装置、ｘ線分析装置、粒子解析方法及びコンピュータプログラム
EP2341329B1 (en) * 2008-10-09 2019-05-01 Satake Corporation Tray for image reading device
JP5565869B2 (ja) 2011-08-01 2014-08-06 株式会社ユニバーサルエンターテインメント 識別装置及び識別プログラム
ES2704429T3 (es) * 2012-03-27 2019-03-18 Satake Eng Co Ltd Máquina clasificadora de gránulos de tipo óptico
JP6024949B2 (ja) 2012-06-27 2016-11-16 株式会社サタケ 穀粒外観測定装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200415005A (en) * 2003-02-10 2004-08-16 Sheng Hiuam Co Ltd Mold for manufacturing upper stopper of nylon safety zipper
TW201144795A (en) * 2010-05-19 2011-12-16 Satake Eng Co Ltd Method for calculating weight ratio by quality in grain appearance quality discrimination device
US20140147015A1 (en) * 2012-11-26 2014-05-29 Frito-Lay North America, Inc. Method for Scoring and Controlling Quality of Food Products in a Dynamic Production Line

Also Published As

Publication number Publication date
JP2015230265A (ja) 2015-12-21
JP6481263B2 (ja) 2019-03-13
BR112016028473B1 (pt) 2021-08-17
KR20170015338A (ko) 2017-02-08
BR112016028473A8 (pt) 2020-10-20
US10386307B2 (en) 2019-08-20
CN106662534A (zh) 2017-05-10
BR112016028473A2 (pt) 2017-08-22
KR102382399B1 (ko) 2022-04-01
WO2015186708A1 (ja) 2015-12-10
US20170199132A1 (en) 2017-07-13
TW201546440A (zh) 2015-12-16

Similar Documents

Publication Publication Date Title
TWI681182B (zh) 粒狀物外觀品級判別裝置中的品級判別基準之製作方法
Paliwal et al. Grain kernel identification using kernel signature
JP5533245B2 (ja) 穀粒外観品位判別装置における品位別重量比率の算出方法
JP6490365B2 (ja) 微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラム
TW201019237A (en) Method and system for item identification
CN111812013A (zh) 用于光学地检测生物标志物的方法
TW202242390A (zh) 缺陷檢查裝置、缺陷檢查方法以及製造方法
Birla et al. An efficient method for quality analysis of rice using machine vision system
JPS61107139A (ja) 米粒品位測定装置
CN114972230A (zh) 一种生产线上电路板缺陷检测方法及系统
Aznan et al. Rice seed varieties identification based on extracted colour features using image processing and artificial neural network (ANN)
JPH08189904A (ja) 表面欠陥検出装置
TW202209173A (zh) 瑕疵檢測方法、瑕疵分類方法及其系統
TWM606740U (zh) 瑕疵檢測系統
TWI823261B (zh) 支援裝置以及支援方法
JPH07198714A (ja) 細胞活性度判定方法及び装置
CN112200200B (zh) 一种led灯光颜色检测方法
JP2016017832A (ja) 穀粒外観品位判別装置の白度値表示方法
CN112070847A (zh) 木地板颜色分选方法和装置
JPH06160298A (ja) 自動色調判定方法
JP6761201B2 (ja) 粒状物外観品位判別装置
Pearson et al. Camera attachment for automatic measurement of single-wheat kernel size on a Perten SKCS 4100
JP2009019997A (ja) 欠点検査装置および欠点検査方法
TW201712634A (zh) 紙式檢測裝置之顏色辨識方法
CN116012314A (zh) 基于机器视觉的谷糙分界线识别方法、装置、设备及介质