特開 2021-43116 卵分類装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】特開2021-43116(P2021-43116A)

(43)【公開日】2021年3月18日

(54)【発明の名称】卵分類装置

(51)【国際特許分類】

   G01N 33/08 20060101AFI20210219BHJP

   G01N 21/17 20060101ALI20210219BHJP

   G01N 21/85 20060101ALI20210219BHJP

【ＦＩ】

   G01N33/08

   G01N21/17 Z

   G01N21/85 A

【審査請求】未請求

【請求項の数】2

【出願形態】ＯＬ

【全頁数】8

(21)【出願番号】特願2019-166566(P2019-166566)

(22)【出願日】2019年9月12日

(71)【出願人】

【識別番号】597017812

【氏名又は名称】株式会社ナベル

(72)【発明者】

【氏名】藤谷 伸一

【テーマコード（参考）】

2G051

2G059

【Ｆターム（参考）】

2G051AA01

2G051AA90

2G051AC04

2G051AC21

2G051BA08

2G051CB02

2G051DA06

2G051DA13

2G051EA12

2G051EA14

2G051EA16

2G051EB02

2G051EC01

2G051EC06

2G059AA05

2G059BB08

2G059BB11

2G059DD12

2G059EE01

2G059EE12

2G059HH02

2G059KK01

2G059MM02

2G059MM09

2G059MM20

2G059NN05

2G059NN07

2G059NN08

(57)【要約】

【課題】ニューラルネットワークを用いた卵の分類装置であって、現場環境に応じて、より正確に卵分類を特定する。
【解決手段】卵の特徴を表す特徴量を入力する入力層４０、中間層５０、及び卵が所定の卵分類２６に属する可能性を推定結果として出力する出力層６０により構成されるニューラルネットワークを用いた推定部６と、出力層６０のバイアスＢの大きさを前記卵分類２６ごとに調整する調整部１６とを備える。調整部１６は、ユーザに提示される卵分類２６ごとのレベル設定用の操作画面を備えたユーザインタフェースに設けられる。
【選択図】図２

【特許請求の範囲】

【請求項1】

卵の特徴を表す特徴量を入力する入力層、中間層、及び前記卵が所定の卵分類に属する可能性を推定結果として出力する出力層により構成されるニューラルネットワークを用いた推定部と、
前記出力層のバイアスの大きさを前記卵分類ごとに調整する調整部とを備える、卵分類装置。

【請求項2】

前記調整部は、ユーザに提示される前記卵分類ごとのレベル設定用の操作画面を備えたユーザインタフェースに設けられる、請求項１記載の卵分類装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、卵をその状態に応じて分類する卵分類装置に関するものである。

【背景技術】

【0002】

卵を選別して包装するＧＰセンター（Ｇｒａｄｉｎｇ ａｎｄ Ｐａｃｋｉｎｇ Ｃｅｎｔｅｒ）では、卵は、集荷され、洗浄された後、容器に収容され、出荷される。その過程において、卵は、重量が計測されるとともに、卵殻上の汚れの有無、卵殻の割れの有無、血卵等の内部異常の有無等が検査され、計量結果や検査結果に基づいて分類される。

【0003】

検査の一例として、複数の波長の透過率を用いて血卵判定を行う検査装置が知られている（下記特許文献１を参照）。詳述すれば、まず、この検査装置は、マルチスペクトルカメラにより得られる各波長の画像の平均透過率を求める。そして、特定波長の平均透過率と基準波長の透過率の比を予め定めた閾値と比較して血卵判定を行う。この場合、閾値の調整、すなわち、ＧＰセンターなど現場での感度調整（判定レベル設定）が可能である。

【0004】

開発環境と現場の動作環境では、原卵の差（例えば、卵黄色の違い）、装置内の部品自体の性能や装置の汚れ・劣化による差（例えば、光源の明るさの違いや受光部の感度の違い）などにより、状況が異なるため、正常卵の誤判定や異常卵の見逃しが発生してしまう。そのため、現場での感度調整の要望は大きい。なお、このような要望は、他の原理を用いる卵の検査装置においても同様に存在する。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２００１−２１４９０号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

特許文献１には、各種の透過率比を入力としたニューラルネットワークを用いて判定性能の向上ができる旨の記載もある。開発環境から現場の動作環境への変化に追従させるためにニューラルネットワークの学習には多大な計算を要する。そのため、このような方法は、検査装置の開発環境では可能である一方、現場環境では実現が難しい。

【0007】

ニューラルネットワークを用いた卵の分類装置であっても、現場環境に応じて、より正確に卵分類を特定する技術が望まれている。

【課題を解決するための手段】

【0008】

本発明の卵分類装置は、推定部と、調整部とを備える。推定部は、ニューラルネットワークを用いたもので、卵の特徴を表す特徴量を入力する入力層、中間層、及び卵が所定の卵分類に属する可能性を推定結果として出力する出力層により構成される。調整部は、出力層のバイアスの大きさを卵分類ごとに調整する。

【発明の効果】

【0009】

本発明によれば、ニューラルネットワークを用いて卵の分類を行う装置において、現場環境に応じて、より正確に卵分類を特定することが可能となる。

【0010】

この発明の上記および他の目的、特徴、局面および利点は、添付の図面と関連して理解されるこの発明に関する次の詳細な説明から明らかとなるであろう。

【図面の簡単な説明】

【0011】

【図1】本発明の一実施形態の卵分類装置の機能構成例を示すブロック図である。

【図2】同実施形態にかかる学習工程および推定工程を実現するための構成の一例を示す図である。

【図3】同実施形態にかかるユーザインタフェースに設けられた操作画面例を示す模式図である。

【図4】実験結果を示す図である。

【図5】実験結果を示す図である。

【発明を実施するための形態】

【0012】

以下、本発明の一実施形態について、図１〜図３を参照して説明する。本実施形態にかかる卵分類装置１０は、卵Ｅを選別して包装するＧＰセンターで用いられる。卵分類装置１０は、例えば、透過光を用いて、異常卵か否かを分類するための卵検査装置である。卵分類装置１０は、例えば、卵Ｅが血卵、みだれ卵、無黄卵または腐敗卵などの内部異常卵であるか否かを判定する。

【0013】

図１は卵分類装置１０のハード構成の一例を示すブロック図である。卵分類装置１０は、情報処理を行う分析部１と、搬送される各卵Ｅに対して光を照射する光照射部２と、卵Ｅを透過した光を受ける受光部３とを備える。分析部１は、コンピュータを用いて構成されており、記憶部１３と、制御部１４と、ユーザインタフェース１５を備える。記憶部１３は、学習済モデル８を格納する。制御部１４は、ＣＰＵ等によって構成され、各種プログラムを実行することで卵分類装置１０の動作を制御する。ユーザインタフェース１５は、操作画面９を備える。ユーザインタフェース１５は、卵分類装置１０とは別に構成された外部の表示デバイスに画像を表示する画像信号を送出するものであってもよい。

【0014】

また、卵分類装置１０は、調整部１６をさらに備える。調整部１６は、学習済モデル８を用いて分析する際に、状況に応じてユーザが推定結果を操作するためのもので、ユーザインタフェース１５に設けられる。

【0015】

学習装置２０のハードウェア構成は、卵分類装置１０のハード構成に準ずるが調整部１６は備えない。学習装置２０のユーザインタフェース１５の操作画面９では、卵分類装置１０から収集した透過光量データ２５に対してラベル付けの作業を行う。学習装置２０は、透過光量データ２５と卵分類２６とが関連付けられたデータを学習用データセット２１として格納する。

【0016】

図２に示すように、学習システム３０は、卵分類装置１０と、学習装置２０とを含む。学習システム３０が実行する処理は、学習済モデル８を生成する学習工程と、生成された学習済モデル８に基づいて検査対象の卵Ｅの分類を推定する推定工程とに分けられる。

【0017】

まず、学習装置２０は、卵分類装置１０から透過光量データ２５を取得する。収集された透過光量データ２５の各々には、卵分類２６がラベル付けされる。ここでいう「卵分類２６」とは、卵Ｅの検査結果を区別するためのカテゴリーを意味する。卵分類２６がラベル付けされた透過光量データ２５は、学習用データセット２１として学習装置２０に蓄積される。

【0018】

本実施形態では、卵分類２６は、正常卵と、血卵と、みだれ卵と、腐敗卵に分類される。これらの分類は一例であり、学習用データセット２１で規定される卵分類２６の種類は、１種類であってもよいし、２種類以上であってもよい。卵分類２６のラベルは、入力デバイスを用いて手動で入力される。

【0019】

学習装置２０は、学習用データセット２１を用いて予め定められた学習処理を実行し、透過光量データ２５と卵分類２６との間の相関関係を学習する。学習処理により、透過光量データ２５の入力を受けて卵分類２６を出力する学習済モデル８が生成される。卵分類装置１０は、生成された学習済モデル８を記憶する。

【0020】

卵分類装置１０は、分類対象の卵Ｅについて透過光量データ４を取得すると、これに基づいて、学習済モデル８を用いて、当該透過光量データ４から分類対象の卵分類２６を推定する。

【0021】

学習装置２０は、学習工程を実現するための構成として、学習用データセット２１と、特徴量抽出部２２と、推定部２３（学習処理中における人工知能モデル）と、パラメータ更新部２４とを含む。

【0022】

特徴量抽出部２２は、透過光量データ２５から、卵Ｅの内部の特徴を表す複数の特徴量を抽出する。この特徴量は、卵分類２６に相関する指標を意味する。特徴量抽出部２２は、後述する特徴量抽出部５に準ずる。

【0023】

推定部２３は、特徴量抽出部２２から特徴量の入力を受けて、卵Ｅが予め定められた複数の卵分類２６の各々に属する可能性を推定結果として出力する。推定部２３は、後述する推定部６に準ずる。

【0024】

パラメータ更新部２４は、推定部２３から出力される推定結果と、学習用データセット２１に含まれるラベルとを比較し、当該推定結果がラベルによって示される正解値に近付くように、推定部２３の内部パラメータ（たとえば、重みやバイアスＢ）を更新する。パラメータの更新は、たとえば、誤差逆伝播法により実現される。

【0025】

卵分類装置１０は、推定工程を実現するための構成として、特徴量抽出部５と、推定部６（学習処理が完了した人工知能モデル）と、判定部７を含む。

【0026】

特徴量抽出部５は、検査対象の卵Ｅの透過光量データ４を取得し、複数の特徴量を抽出する。透過光量データ４は、卵分類装置１０の光照射部２が検査対象の卵Ｅに光を照射し、受光部３が検査対象の卵Ｅを透過した光を受けることで取得される。

【0027】

推定部６は、特徴量抽出部５によって抽出された複数の特徴量の入力を受けて、検査対象の卵Ｅが予め定められた複数の卵分類２６のそれぞれに属する可能性を推定結果として出力する。推定部６は、入力層４０と、中間層５０と、出力層６０を備えたニューラルネットワークを用いる。なお、ニューラルネットワークとして、畳みこみニューラルネットワーク（ＣＮＮ）または再帰型ニューラルネットワーク（ＲＮＮ）を用いてもよい。中間層５０は複数層であってもよい。出力層６０を構成するユニット数は、卵分類２６の種類数に応じて決められるが、一例として、「正常卵」、「血卵」、「みだれ卵」、「腐敗卵」の４種類のいずれかに分類する場合、４つとなる。４つの分類クラスの場合、クラスｋである確率の推定値ｙ_ｋは、次式で計算される。

【数1】

ここで、Ｖ、Ｃは、学習済のパラメータであり、Ｚは中間層５０の出力ベクトルである。記号＜Ａ｜Ｂ＞はベクトルＡとＢの内積である。添え字の１〜４は、それぞれ「正常卵」、「血卵」、「みだれ卵」、「腐敗卵」に対応する。

【0028】

判定部７は、推定部６から出力される推定結果に基づいて、予め定められた複数の卵分類２６の中から、検査対象の卵Ｅが属する卵分類２６を特定する。

【0029】

卵分類装置１０は、さらに調整部１６を含む。調整部１６は、出力層６０のバイアスＢの大きさを卵分類２６ごとに調整する。以下、バイアスＢの値をαとして、前記（式１）のＣ_ｋを以下の（式２）のようにＣ_ｋ’に置き換えて詳述する。
Ｃ_ｋ’＝Ｃ_ｋ＋α （式２）
ここで、αが正ならばｙ_ｋの値は大きくなり、他は小さくなる。逆に、αが負ならばｙ_ｋは小さくなり、他は大きくなる。具体的には、「正常卵」に対して推定結果が「血卵」と誤判定される正常卵誤判定が増えた場合には、Ｃ_１（正常卵）の値を大きくしＣ_２（血卵）の値を小さくすることで、正常卵誤判定率を下げることができる。すなわち、Ｃ_ｋの値を調整して判定の強弱を変えることができる。Ｃ_ｋの値の調整により、ｙ_ｋのグラフがシフトするためである。なお、（式２）の代わりに、（式３）のようなαを設定してもよく、その場合には、αが１よりも大ならばｙ_ｋの値は大きくなり、αが１よりも小ならばｙ_ｋは小さくなる。
Ｃ_ｋ’＝α・Ｃ_ｋ （式３）

【0030】

調整部１６は、ユーザに提示される卵分類２６ごとのレベル設定用の操作画面９を備えたユーザインタフェース１５に設けられる。図３は、操作画面９の一例である。図３は、卵殻色と異常の種類別に判定レベルを設定した表であり、卵殻色と異常の種類ごとに判定レベルが個別に設定されている。判定レベルは、異常卵を検出する感度を意味し、たとえば１〜８までの８段階設けられており、レベル８が最も検出感度が高い。判定レベルの大小は、αの値（言い換えれば、（式１）のＣ_ｋの値）の大小と紐付けられており、判定レベルを変更することによって、αの値が変更される。

【0031】

以上説明したように、本実施形態の卵分類装置１０は、推定部６と、調整部１６とを備える。推定部６は、ニューラルネットワークを用いたもので、卵Ｅの特徴を表す特徴量を入力する入力層４０、中間層５０、及び卵Ｅが所定の卵分類２６に属する可能性を推定結果として出力する出力層６０により構成される。調整部１６は、出力層６０のバイアスＢの大きさを前記卵分類２６ごとに調整する。このようなものであるため、一般的な再学習というアプローチではなく、（式１）におけるＣ_ｋの値を調整して判定の強弱を変えて、容易に正常卵誤判定率を下げることができる。

【0032】

調整部１６は、ユーザに提示される卵分類２６ごとのレベル設定用の操作画面９を備えたユーザインタフェース１５に設けられる。そのため、推定工程に用いる卵分類装置１０の状況に合わせて視覚的に調整できる。特に、卵殻色のカテゴリー別、異常の種類別に判定レベルの調整ができるので、学習済モデル８を基にしつつも、個々のＧＰセンターの事情に合わせることが可能となる。

【0033】

＜実験＞
以下、卵分類装置１０の一例による卵Ｅの分類について確認をするための実験を行った。

【0034】

卵殻色が白色の卵Ｅを６５個入手し、偶数番目の卵Ｅ（３２個）と、奇数番目の卵Ｅ（３３個）に分けた。偶数番目の卵Ｅによって学習済モデル８を作成し、その学習済モデル８を使って奇数番目の卵Ｅを判定する。２層のニューラルネットワークを用いた。入力層４０には、特徴量として、受光部３で得られた吸光度スペクトルのうち、５１４ｎｍ〜７１４ｎｍにおける１波長ごとの吸光度を入力した。中間層５０はノードを３つに設定した。出力層６０には、正常卵である確率と、血卵である確率と、みだれ卵である確率と、腐敗卵である確率との４つが出力され、出力結果に基づいて分類を行った。

【0035】

学習工程で用いられる光照射部２及び受光部３（以下「基準機」と記す。）と、推定工程で用いられる光照射部２及び受光部３（以下「製品機」と記す。）では、光照射部２の明るさや受光部３の感度の違いがある。また、製品機での光量制御の不具合や、光路上の汚れなど、基準機よりも製品機が正の方向に変化する要因と、負の方向に変化する要因とが存在する。そのため、ここでは、基準機で得られた吸光度と製品機で得られた吸光度との差を、上述した（式２）のαを変化させて実験を行う。

【0036】

図４は、αを正の方向に変化させたとき、具体的には0.05、0.1、0.2、0.3、0.4、0.5にそれぞれ変化させたときの結果である。表中の「機械の判定」は、卵分類装置１０の判定部７の判定結果を示す。図４より、αが0.1より正の方向に変化させたとき、正常卵誤判定が発生する。なお、α＝0.1とは、光照射部２から受光部３にいたる光路に付着した汚れによる透過光量の減光率が25％程度に相当する。

【0037】

図５は、αを負の方向に変化させたとき、具体的には-0.1、-0.2、-0.3、-0.4、-0.5にそれぞれ変化させたときの結果である。この場合は、正常卵誤判定は生じなかった。しかし、α＝-0.3より負の方向に変化させたとき、異常卵の分類に錯誤が生じた。

【0038】

なお、本発明は上述した実施形態に限られない。

【0039】

卵分類２６は、汚れの有無、汚れの種類、汚れの程度、卵殻の破損の有無、破損の程度、孵化途中卵の場合の胚の生死や性別などであってもよい。卵Ｅの特徴を表す特徴量は、卵Ｅに打撃を付与することによって発生する音のデータまたは振動データから抽出してもよいし、卵Ｅを撮影することによって得られる画像データから抽出してもよい。

【0040】

今回開示された実施の形態は例示であってこれに制限されるものではない。本発明は上記で説明した範囲ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲でのすべての変更が含まれることが意図される。

【産業上の利用可能性】

【0041】

本発明は、ニューラルネットワークを用いた卵分類装置に利用することができる。

【符号の説明】

【0042】

１０…卵分類装置
６…推定部
９…操作画面
１５…ユーザインタフェース
１６…調整部
２３…推定部
２６…卵分類
４０…入力層
５０…中間層
６０…出力層
Ｂ…出力層のバイアス
Ｅ…卵

【図1】

【図2】

【図3】

【図4】

【図5】