▶ 田原 耕平の特許一覧 ▶ 株式会社ナノシーズの特許一覧 ▶ 独立行政法人産業技術総合研究所の特許一覧
特開2023-111351粉体物性予測システム、粉体物性予測方法および粉体物性予測用プログラム
(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】P2023111351
(43)【公開日】2023-08-10
(54)【発明の名称】粉体物性予測システム、粉体物性予測方法および粉体物性予測用プログラム
(51)【国際特許分類】
G01N 15/02 20060101AFI20230803BHJP
G01N 15/00 20060101ALI20230803BHJP
【ＦＩ】
G01N15/02 C
G01N15/00 A
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2022013166
(22)【出願日】2022-01-31
(71)【出願人】
【識別番号】518293424
【氏名又は名称】田原 耕平
(71)【出願人】
【識別番号】518089159
【氏名又は名称】株式会社ナノシーズ
(71)【出願人】
【識別番号】301021533
【氏名又は名称】国立研究開発法人産業技術総合研究所
(74)【代理人】
【識別番号】100096884
【弁理士】
【氏名又は名称】末成 幹生
(72)【発明者】
【氏名】田原 耕平
(72)【発明者】
【氏名】島田 泰拓
(72)【発明者】
【氏名】堀田 幹則
(72)【発明者】
【氏名】嶋村 彰紘
(72)【発明者】
【氏名】近藤 直樹
(57)【要約】 （修正有）
【課題】粉体の物性をより簡便に評価可能な技術を提供する。
【解決手段】粉体を構成する粒子の画像を解析し、粒子の粒度分布、粒子の形状に関係するパラメータ、および粒子の表面の状態に関係するパラメータ（画素分散値、表面特徴量）を取得する。これらパラメータと当該粉体の実測物性値との関係を深層学習により学習し、ＡＩ予測モデルを作成する。このＡＩ予測モデルに物性値が未知の粒子の画像から得た上記パラメータを入力し、当該粒子の物性値の予測を行う。
【選択図】図１
【解決手段】粉体を構成する粒子の画像を解析し、粒子の粒度分布、粒子の形状に関係するパラメータ、および粒子の表面の状態に関係するパラメータ（画素分散値、表面特徴量）を取得する。これらパラメータと当該粉体の実測物性値との関係を深層学習により学習し、ＡＩ予測モデルを作成する。このＡＩ予測モデルに物性値が未知の粒子の画像から得た上記パラメータを入力し、当該粒子の物性値の予測を行う。
【選択図】図１
【特許請求の範囲】
【請求項1】
粉体を構成する粒子を撮影することで得た画像の画像データを取得する画像データ取得部と、
前記画像データに基づき、前記粉体の粒度分布の算出、前記粒子の形状を特徴付ける形状パラメータの算出、および前記粒子における粒子表面の構造の凹凸の状態を示す表面パラメータの算出を行う画像解析部と、
前記粉体の粒度分布、前記形状パラメータおよび前記表面パラメータに基づき当該粉体の物性値を予測する粉体の物性値予測部と
を備える粉体物性予測システム。
前記画像データに基づき、前記粉体の粒度分布の算出、前記粒子の形状を特徴付ける形状パラメータの算出、および前記粒子における粒子表面の構造の凹凸の状態を示す表面パラメータの算出を行う画像解析部と、
前記粉体の粒度分布、前記形状パラメータおよび前記表面パラメータに基づき当該粉体の物性値を予測する粉体の物性値予測部と
を備える粉体物性予測システム。
【請求項2】
前記形状パラメータは、凸度、円形度、アスペクト比、線形度を含み、
前記凸度は、粒子を覆う凸多角形の周長と該粒子の周長の比であり、
前記円形度は、粒子の形状がどれだけ円に近いかを示すパラメータであり、
前記アスペクト比は、粒子の形状を楕円近似した場合における長軸と短軸の比であり、
前記線形度は、粒子の線状の程度を示すパラメータである請求項１に記載の粉体物性予測システム。
前記凸度は、粒子を覆う凸多角形の周長と該粒子の周長の比であり、
前記円形度は、粒子の形状がどれだけ円に近いかを示すパラメータであり、
前記アスペクト比は、粒子の形状を楕円近似した場合における長軸と短軸の比であり、
前記線形度は、粒子の線状の程度を示すパラメータである請求項１に記載の粉体物性予測システム。
【請求項3】
前記表面パラメータは、画素分散値と表面特徴量であり、
前記画素分散値は、画素値の分散の大小を評価するパラメータであり、
前記表面特徴量は、前記粒子表面の特徴の多少を評価するパラメータである請求項１または２に記載の粉体物性予測システム。
前記画素分散値は、画素値の分散の大小を評価するパラメータであり、
前記表面特徴量は、前記粒子表面の特徴の多少を評価するパラメータである請求項１または２に記載の粉体物性予測システム。
【請求項4】
記表面特徴量は、
特定の方向における画素の濃淡の変化に基づき算出され、
前記表面特徴量は、複数の表面特徴量候補の中から求められ、
前記複数の表面特徴量候補は、前記特定の方向として異なる複数の方向における表面特徴量であり、
前記複数の表面特徴量候補における最大のものが採用される請求項３に記載の粉体物性予測システム。
特定の方向における画素の濃淡の変化に基づき算出され、
前記表面特徴量は、複数の表面特徴量候補の中から求められ、
前記複数の表面特徴量候補は、前記特定の方向として異なる複数の方向における表面特徴量であり、
前記複数の表面特徴量候補における最大のものが採用される請求項３に記載の粉体物性予測システム。
【請求項5】
前記物性値には、粉体動摩擦角、応力伝達率、応力緩和率、圧縮率、かさ密度、内部摩擦角、せん断付着力、フローファクターから選ばれた２以上のものが含まれる請求項１～４のいずれか一項に記載の粉体物性予測システム。
【請求項6】
予め、
粒子の構造に関する複数の形状タイプと、
前記複数の形状タイプに対応した補正係数と
が用意されており、
前記画像データに基づき分類された前記形状タイプに対応する前記補正係数を用いて、前記予測された前記物性値が補正される請求項１～５のいずれか一項に記載の粉体物性予測システム。
粒子の構造に関する複数の形状タイプと、
前記複数の形状タイプに対応した補正係数と
が用意されており、
前記画像データに基づき分類された前記形状タイプに対応する前記補正係数を用いて、前記予測された前記物性値が補正される請求項１～５のいずれか一項に記載の粉体物性予測システム。
【請求項7】
前記物性値予測部は、前記粉体の粒度分布、前記形状パラメータおよび前記表面パラメータに基づき当該粉体の物性値を予測する物性値予測モデルを有し、
前記粒子の構造を示す複数の形状タイプのそれぞれに対応して前記物性値予測モデルは複数が用意されており、
前記複数の形状タイプの中の一つに対応した前記複数の物性値予測モデルの中の一つを用いて、前記物性値が予測される請求項１～５のいずれか一項に記載の粉体物性予測システム。
前記粒子の構造を示す複数の形状タイプのそれぞれに対応して前記物性値予測モデルは複数が用意されており、
前記複数の形状タイプの中の一つに対応した前記複数の物性値予測モデルの中の一つを用いて、前記物性値が予測される請求項１～５のいずれか一項に記載の粉体物性予測システム。
【請求項8】
前記形状タイプは、粒子の３次元構造の特徴に基づき分類されている請求項６または７に記載の粉体物性予測システム。
【請求項9】
前記形状タイプには、
円で近似した断面の径より長手方向の長さが２０倍以上ある細長い棒状である（Type1）、
最小の辺の長さと最大の辺の長さの比が２０倍未満の直方体である(Type2)、
厚みと短手方向の幅の比が１０倍以上である薄板状である(Type3)、
粒の集合体であり、粒の径が集合体の径の１／３０以下である（Type4）、
粒の集合体であり、粒の径が集合体の径の１／３０を超えている(Type5)、
Type2の直方体の表面に、それより小さい直方体が結合している(Type6)、
Type2の直方体の表面に、それより小さい丸い立体形状物が結合している(Type7)、
Type3の条件を満たす六角形の薄板状 (Type8)、
Type2の形状が多数集まった塊(Type9)、
Type3の条件を満たす五角以上不定形の薄板状の多角形状(Type10)、
Type3の条件を満たす平たい円板形状(Type11)、
球で近似した直径がType5の条件を満たす立方体が集まった形状(Type12)、
長手形状を有し、角が尖った細長い多角形状（木を砕いたような形状）(Type13)、
Type3の条件を満たす平たい楕円形状(Type14)、
瓢箪型の形状(Type15)、
Type3の条件を満たす薄板状の粒子が集まった形状(Type16)、
薄い不定形の粒子の集合で中央に孔が空いている形状(Type17)、
Type3の条件を満たす薄い不定形の粒子が多数重なっている形状(Type18)、
Type3の条件を満たす薄板状で尖った多数の角がある粒子が集まった形状(Type19)、
尖った多数の角がある粒子(Type20)、
中空パイプ状の粒子(Type21)、
Type1より径が太い円柱状の粒子(Type22)、
高さが三角形を構成する辺の長さより短い三角柱の形状の粒子(Type23)、
八面以上の多面体の粒子(Type24)、
中央に孔がある円板形状（ドーナツ形状）の粒子(Type25)、
球形で表面に複数の穴がある粒子(Type26)、
球形で表面に該球形に比較して相対的に小さな径の多数の粒子が埋め込まれている粒子(Type27)、
球形で表面に該球形の径に比較して１／５０未満の径の多数の粒子が付着している粒子(Type28)、
球形で表面に該球形の径に比較して１／１０～１／５０の径の多数の粒子が付着している粒子(Type29)から選ばれた一または複数が含まれる請求項６または７に記載の粉体物性予測システム。
円で近似した断面の径より長手方向の長さが２０倍以上ある細長い棒状である（Type1）、
最小の辺の長さと最大の辺の長さの比が２０倍未満の直方体である(Type2)、
厚みと短手方向の幅の比が１０倍以上である薄板状である(Type3)、
粒の集合体であり、粒の径が集合体の径の１／３０以下である（Type4）、
粒の集合体であり、粒の径が集合体の径の１／３０を超えている(Type5)、
Type2の直方体の表面に、それより小さい直方体が結合している(Type6)、
Type2の直方体の表面に、それより小さい丸い立体形状物が結合している(Type7)、
Type3の条件を満たす六角形の薄板状 (Type8)、
Type2の形状が多数集まった塊(Type9)、
Type3の条件を満たす五角以上不定形の薄板状の多角形状(Type10)、
Type3の条件を満たす平たい円板形状(Type11)、
球で近似した直径がType5の条件を満たす立方体が集まった形状(Type12)、
長手形状を有し、角が尖った細長い多角形状（木を砕いたような形状）(Type13)、
Type3の条件を満たす平たい楕円形状(Type14)、
瓢箪型の形状(Type15)、
Type3の条件を満たす薄板状の粒子が集まった形状(Type16)、
薄い不定形の粒子の集合で中央に孔が空いている形状(Type17)、
Type3の条件を満たす薄い不定形の粒子が多数重なっている形状(Type18)、
Type3の条件を満たす薄板状で尖った多数の角がある粒子が集まった形状(Type19)、
尖った多数の角がある粒子(Type20)、
中空パイプ状の粒子(Type21)、
Type1より径が太い円柱状の粒子(Type22)、
高さが三角形を構成する辺の長さより短い三角柱の形状の粒子(Type23)、
八面以上の多面体の粒子(Type24)、
中央に孔がある円板形状（ドーナツ形状）の粒子(Type25)、
球形で表面に複数の穴がある粒子(Type26)、
球形で表面に該球形に比較して相対的に小さな径の多数の粒子が埋め込まれている粒子(Type27)、
球形で表面に該球形の径に比較して１／５０未満の径の多数の粒子が付着している粒子(Type28)、
球形で表面に該球形の径に比較して１／１０～１／５０の径の多数の粒子が付着している粒子(Type29)から選ばれた一または複数が含まれる請求項６または７に記載の粉体物性予測システム。
【請求項10】
粉体を構成する粒子を撮影することで得た画像の画像データを取得し、
前記画像データに基づき、前記粉体の粒度分布の算出、前記粒子の形状を特徴付ける形状パラメータの算出、および前記粒子における粒子表面の構造の凹凸の状態を示す表面パラメータの算出を行い、
前記粉体の粒度分布、前記形状パラメータおよび前記表面パラメータに基づき当該粉体の物性値を予測する粉体物性予測方法。
前記画像データに基づき、前記粉体の粒度分布の算出、前記粒子の形状を特徴付ける形状パラメータの算出、および前記粒子における粒子表面の構造の凹凸の状態を示す表面パラメータの算出を行い、
前記粉体の粒度分布、前記形状パラメータおよび前記表面パラメータに基づき当該粉体の物性値を予測する粉体物性予測方法。
【請求項11】
コンピュータに読み取らせて実行させるプログラムであって、
コンピュータに
粉体を構成する粒子を撮影することで得た画像の画像データの取得と、
前記画像データに基づき、前記粉体の粒度分布の算出、前記粒子の形状を特徴付ける形状パラメータの算出、および前記粒子における粒子表面の構造の凹凸の状態を示す表面パラメータの算出を実行させ、
前記粉体の粒度分布、前記形状パラメータおよび前記表面パラメータに基づき当該粉体の物性値を予測させる粉体物性予測用プログラム。
コンピュータに
粉体を構成する粒子を撮影することで得た画像の画像データの取得と、
前記画像データに基づき、前記粉体の粒度分布の算出、前記粒子の形状を特徴付ける形状パラメータの算出、および前記粒子における粒子表面の構造の凹凸の状態を示す表面パラメータの算出を実行させ、
前記粉体の粒度分布、前記形状パラメータおよび前記表面パラメータに基づき当該粉体の物性値を予測させる粉体物性予測用プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、粉体の物性を予測する技術に関する。
【背景技術】
【0002】
医薬品、薬品、食品、セラミック製品、金属製品、化粧品、電子部品、トナー、３Ｄプリンタの原料、各種製品の材料として各種の粉体（粉末）が利用される。粉体は、付着性、流動性、圧縮性といった物性の評価が重要となる。この粉体の物性を評価する手法や装置については、例えば非特許文献１に記載されている。
【先行技術文献】
【非特許文献】
【0003】
【非特許文献1】粉体工学会誌２０１７年５４巻２号ｐ.９０－９６
【発明の概要】
【発明が解決しようとする課題】
【0004】
非特許文献１の技術は有効であるが、専用の計測装置が必要であり、また試料の扱いや計測機器を扱うための専門技術や専門知識が必要となる。また、現状の技術では、試料として、１００ｇ単位の粉体が必要であるが、医薬品等ではｇ単位の試料を用意することが容易でない場合がある。このような背景において、本発明は、粉体の物性をより簡便に評価できる技術の提供を目的とする。
【課題を解決するための手段】
【0005】
本発明は、粉体を構成する粒子を撮影することで得た画像の画像データを取得する画像データ取得部と、前記画像データに基づき、前記粉体の粒度分布の算出、前記粒子の形状を特徴付ける形状パラメータの算出、および前記粒子における粒子表面の構造の凹凸の状態を示す表面パラメータの算出を行う画像解析部と、前記粉体の粒度分布、前記形状パラメータおよび前記表面パラメータに基づき当該粉体の物性値を予測する粉体の物性値予測部とを備える粉体物性予測システムである。
【0006】
本発明において、前記形状パラメータは、凸度、円形度、アスペクト比、線形度を含み、前記凸度は、粒子を覆う凸多角形の周長と該粒子の周長の比であり、前記円形度は、粒子の形状がどれだけ円に近いかを示すパラメータであり、前記アスペクト比は、粒子の形状を楕円近似した場合における長軸と短軸の比であり、前記線形度は、粒子の線状の程度を示すパラメータである態様が挙げられる。
【0007】
本発明において、前記表面パラメータは、画素分散値と表面特徴量であり、前記画素分散値は、画素値の分散の大小を評価するパラメータであり、前記表面特徴量は、前記粒子表面の特徴の多少を評価するパラメータである態様が挙げられる。
【0008】
本発明において、前記表面特徴量は、特定の方向における画素の濃淡の変化に基づき算出され、前記表面特徴量は、複数の表面特徴量候補の中から求められ、前記複数の表面特徴量候補は、前記特定の方向として異なる複数の方向における表面特徴量であり、前記複数の表面特徴量候補における最大のものが採用される態様が挙げられる。
【0009】
本発明において、前記物性値には、粉体動摩擦角、応力伝達率、応力緩和率、圧縮率、かさ密度、内部摩擦角、せん断付着力、フローファクターから選ばれた２以上のものが含まれる態様が挙げられる。
【0010】
本発明において、予め、粒子の構造に関する複数の形状タイプと、前記複数の形状タイプに対応した補正係数とが用意されており、前記画像データに基づき分類された前記形状タイプに対応する前記補正係数を用いて、前記予測された前記物性値が補正される態様が挙げられる。
【0011】
本発明において、前記物性値予測部は、前記粉体の粒度分布、前記形状パラメータおよび前記表面パラメータに基づき当該粉体の物性値を予測する物性値予測モデルを有し、前記粒子の構造を示す複数の形状タイプのそれぞれに対応して前記物性値予測モデルは複数が用意されており、前記複数の形状タイプの中の一つに対応した前記複数の物性値予測モデルの中の一つを用いて、前記物性値が予測される態様が挙げられる。
【0012】
本発明において、前記形状タイプは、粒子の３次元構造の特徴に基づき分類されている態様が挙げられる。本発明において、前記形状タイプとして、円で近似した断面の径より長手方向の長さが２０倍以上ある細長い棒状である（Type1）、最小の辺の長さと最大の辺の長さの比が２０倍未満の直方体である(Type2)、厚みと短手方向の幅の比が１０倍以上である薄板状である(Type3)、粒の集合体であり、粒の径が集合体の径の１／３０以下である（Type4）、粒の集合体であり、粒の径が集合体の径の１／３０を超えている(Type5)、Type2の直方体の表面に、それより小さい直方体が結合している(Type6)、Type2の直方体の表面に、それより小さい丸い立体形状物が結合している(Type7)、Type3の条件を満たす六角形の薄板状 (Type8)、Type2の形状が多数集まった塊(Type9)、Type3の条件を満たす五角以上不定形の薄板状の多角形状(Type10)、Type3の条件を満たす平たい円板形状(Type11)、球で近似した直径がType5の条件を満たす立方体が集まった形状(Type12)、長手形状を有し、角が尖った細長い多角形状（木を砕いたような形状）(Type13)、Type3の条件を満たす平たい楕円形状(Type14)、瓢箪型の形状(Type15)、Type3の条件を満たす薄板状の粒子が集まった形状(Type16)、薄い不定形の粒子の集合で中央に孔が空いている形状(Type17)、Type3の条件を満たす薄い不定形の粒子が多数重なっている形状(Type18)、Type3の条件を満たす薄板状で尖った多数の角がある粒子が集まった形状(Type19)、尖った多数の角がある粒子(Type20)、中空パイプ状の粒子(Type21)、Type1より径が太い円柱状の粒子(Type22)、高さが三角形を構成する辺の長さより短い三角柱の形状の粒子(Type23)、八面以上の多面体の粒子(Type24)、中央に孔がある円板形状（ドーナツ形状）の粒子(Type25)、球形で表面に複数の穴がある粒子(Type26)、球形で表面に該球形に比較して相対的に小さな径の多数の粒子が埋め込まれている粒子(Type27)、球形で表面に該球形の径に比較して１／５０未満の径の多数の粒子が付着している粒子(Type28)、球形で表面に該球形の径に比較して１／１０～１／５０の径の多数の粒子が付着している粒子(Type29)から選ばれた一または複数を挙げることができる。
【0013】
本発明は、粉体を構成する粒子を撮影することで得た画像の画像データを取得し、前記画像データに基づき、前記粉体の粒度分布の算出、前記粒子の形状を特徴付ける形状パラメータの算出、および前記粒子における粒子表面の構造の凹凸の状態を示す表面パラメータの算出を行い、前記粉体の粒度分布、前記形状パラメータおよび前記表面パラメータに基づき当該粉体の物性値を予測する粉体物性予測方法として把握することもできる。
【0014】
本発明は、コンピュータに読み取らせて実行させるプログラムであって、コンピュータに粉体を構成する粒子を撮影することで得た画像の画像データの取得と、前記画像データに基づき、前記粉体の粒度分布の算出、前記粒子の形状を特徴付ける形状パラメータの算出、および前記粒子における粒子表面の構造の凹凸の状態を示す表面パラメータの算出を実行させ、前記粉体の粒度分布、前記形状パラメータおよび前記表面パラメータに基づき当該粉体の物性値を予測させる粉体物性予測用プログラムとして把握することもできる。
【発明の効果】
【0015】
本発明によれば、粉体の物性をより簡便に評価できる技術が得られる。
【図面の簡単な説明】
【0016】
【図1】粉体の物性を予測するシステムのイメージ図である。
【図2】粉体物性予測装置のブロック図である。
【図3】凸度、円形度、線形度、アスペクト比の定義を示す図である。
【図4】粒子のＳＥＭ画像の一例を示す図面代用写真（Ａ）および（Ｂ）である。
【図5】画素分散値の説明図である。
【図6】画素分散値の一例を示す図面代用写真（Ａ）および（Ｂ）である。
【図7】表面特徴量の算出方法を説明する図（Ａ）および（Ｂ）である。
【図8】画素値の規格化について説明する図である。
【図9】表面特徴量の一例を示す図面代用写真（Ａ）および（Ｂ）である。
【図10】表面特徴量の算出方法を説明する図（Ａ），（Ｂ）および（Ｃ）である。
【図11】粒子の形状タイプの一例を示す図（Ａ）～（Ｅ）である。
【図12】処理の手順を示すフローチャートである。
【図13】処理の手順を示すフローチャートである。
【発明を実施するための形態】
【0017】
１．第１の実施形態
（概要）
図１は、粉体の物性を予測するシステムのイメージ図である。この技術では、粉体を構成する粒子の画像を解析し、粒子の粒度分布、粒子の形状に関係する形状パラメータ、および粒子の表面の状態に関係する表面パラメータ（画素分散値、表面特徴量）を取得する。これらパラメータと当該粉体の実測物性値との関係を深層学習により学習し、物性値予測モデルであるＡＩ予測モデルを作成する。このＡＩ予測モデルに物性値が未知の粒子の画像から得た上記パラメータを入力し、物性値の予測を行う。
（概要）
図１は、粉体の物性を予測するシステムのイメージ図である。この技術では、粉体を構成する粒子の画像を解析し、粒子の粒度分布、粒子の形状に関係する形状パラメータ、および粒子の表面の状態に関係する表面パラメータ（画素分散値、表面特徴量）を取得する。これらパラメータと当該粉体の実測物性値との関係を深層学習により学習し、物性値予測モデルであるＡＩ予測モデルを作成する。このＡＩ予測モデルに物性値が未知の粒子の画像から得た上記パラメータを入力し、物性値の予測を行う。
【0018】
（ハードウェアの構成）
図２は、本発明を利用した粉体物性予測装置１００のブロック図である。粉体物性予測装置１００は、ＰＣ（パーソナル・コンピュータ）により構成されている。粉体物性予測装置１００を専用のコンピュータで構成することも可能である。また、データ処理サーバを用いて粉体物性予測装置１００を構成することも可能である。
図２は、本発明を利用した粉体物性予測装置１００のブロック図である。粉体物性予測装置１００は、ＰＣ（パーソナル・コンピュータ）により構成されている。粉体物性予測装置１００を専用のコンピュータで構成することも可能である。また、データ処理サーバを用いて粉体物性予測装置１００を構成することも可能である。
【0019】
粉体物性予測装置１００は、画像データ取得部１０１、画像解析部１０２、物性値予測部１０３、形状タイプ判定部１０４、補正係数取得部１０５、ＡＩ予測モデル選択部１０６を備える。これらの機能部は、アプリケーションソフトウェアを当該ＰＣにインストールすることでソフトウェア的に実現されている。これら機能部の一部をＦＰＧＡ等の専用のハードウェアで構成することも可能である。また、データ処理サーバにおいて図２の機能部を実現し、そこで処理を行う形態も可能である。
【0020】
粉体物性予測装置１００はデータ記憶部１０７を備える。データ記憶部１０７は、利用するＰＣが備える半導体メモリやハードディスク装置を利用して構成されている。なお、利用するＰＣは、入出力インターフェース、ＧＵＩに代表されるユーザインターフェースを備えている。外部の記憶装置にデータを記憶させる形態も可能である。
【0021】
画像データ取得部１０１は、物性値の予測の対象となる粉体粒子の拡大画像の画像データを取得する。この例では、当該粒子のＳＥＭ画像の画像データが画像データ取得部１０１において受け付けられる。
【0022】
画像解析部１０２は、粒子のＳＥＭ画像を解析し、粒度分布、形状パラメータ（図３に示す凸度、円形度、線形度、アスペクト比）を算出する。また、画像解析部１０２は、粒子のＳＥＭ画像を解析し、後述する表面パラメータ（画素分散度および当該粒子の表面特徴量）の算出を行う。
【0023】
物性値予測部１０３は、当該粒子のＳＥＭ画像から得られる粒度分布、形状パラメータ（凸度、円形度、線形度、アスペクト比）および表面パラメータ（画素分散度および当該粒子の表面特徴量）に基づき、当該粒子により構成される粉体の物性値を、ＡＩ予測モデルを用いて予測する。粒度分布、形状パラメータおよび表面パラメータについては後述する。
【0024】
粉体の物性値としては、粉体動摩擦角（角度）、応力伝達率（％）、応力緩和率（％）、圧縮率（％）、かさ密度（kg/m3）、内部摩擦角（角度）、せん断付着力(kPa)、フローファクター(ffc)が挙げられる。これらの物性値の実測は、せん断力測定装置を用い、ＪＩＳ規格（ＪＩＳ－Ｚ８８３５）に制定されている手法により行われる。せん断応力測定装置としては、例えば株式会社ナノシーズ社製の「粉体層せん断力測定装置ＮＳ－Ｓ」が利用される。これらの物性値により、粉体の流動性、摩擦性、付着性、圧縮性、充填性を評価することができる。
【0025】
以下、各物性値について説明する。粉体動摩擦角は、ＪＩＳ－Ｚ８８３５で定義され、運動中の粉体層の摩擦特性を示し、小さいほど流動性が高く、付着しにくいことを示す。
【0026】
応力伝達率は、せん断垂直応力を上部垂直応力で除した値で、粉体層とセル壁面との摩擦性を表している。応力緩和率は、緩和応力と初期応力との比（％）であり、変形させた場合に元に戻らない程度を示す。応力緩和率は、粉体の圧密特性のひとつである。圧縮率は、圧縮のし易さを評価する指標である。
【0027】
内部摩擦角は、ＪＩＳ－Ｚ８８３５で定義され、粒子同士のせん断力に対する抵抗の程度を示す。例えば、粉体の山の崩れにくさが内部摩擦角で評価される。せん断付着力(kPa)は、粉体の付着力を評価する指標である。
【0028】
フローファクター(ffc)は、粉体の流動性を評価する指標である。フローファクター(ffc)は、単軸崩壊応力fcと最大主応力σ１の関係を表しており，ffc=σ１/fcで与えられる。流動性は、1<ffc<2：非常に流れ難い、2<ffc<4：やや流れ難い、4<ffc<10：流れ易い、ffc>10：非常に流れ易い、と評価される。
【0029】
一般に、せん断付着力(kPa)が大きければ、フローファクター(ffc)は小さく、せん断付着力(kPa)が小さければ、フローファクター(ffc)は大きい。
【0030】
応力緩和率、応力伝達率、せん断付着力(kPa)、フローファクター(ffc)については、粉体工学会誌２０１７年５４巻２号ｐ.９０－９６（J. Soc. Powder Technol., Japan, 54, 90－96 (2017)）に記載されている。
【0031】
形状タイプ判定部１０４、補正係数取得部１０５、ＡＩ予測モデル選択部１０６は、第１の実施形態では利用しない。これらの機能部については後述する。
【0032】
データ記憶部１０７には、粉体物性予測装置１００を動作させるのに必要なデータ、動作プログラム、処理の過程や処理の結果得られるデータが記憶される。記憶部１０７には、図２の機能部をＰＣ上で実現するためのプログラム、図３の形状パラメータの算出方法、ＡＩ予測モデル、図５の画素分散値の算出方法、図７および図１０に関連して説明した画素特徴量の算出方法、図８の画素値の規格化の方法、図１１（Ａ）～（Ｅ）の粒子の形状タイプのデータ、図１２，図１３の処理の手順を実行するため動作プログラムが記憶されている。
【0033】
（画像から取得するパラメータの説明）
本実施形態では、粒子のＳＥＭ画像から粒度分布、４種類の形状パラメータ、２種類の表面パラメータを取得する。本発明者らの知見によれば、これらのパラメータは、粉体としての振る舞いに大きく影響する。それ故、これらのパラメータと物性値との関係を深層学習によりＡＩに学習させ、ＡＩ予測モデルを作成する。
本実施形態では、粒子のＳＥＭ画像から粒度分布、４種類の形状パラメータ、２種類の表面パラメータを取得する。本発明者らの知見によれば、これらのパラメータは、粉体としての振る舞いに大きく影響する。それ故、これらのパラメータと物性値との関係を深層学習によりＡＩに学習させ、ＡＩ予測モデルを作成する。
【0034】
まず、粒度分布について説明する。粒度分布は、対象となる粉体のＳＥＭ画像に基づき、当該粉体の粒度分布を算出する。粒度分布の算出は、公知の画像解析手法を利用して行なわれる（専用のソフトウェアも販売されている）。この例では、ｘ10，ｘ50，ｘ90により粒度分布が定義される。ここで、ｘ10は、これ以下の粒子の比率が１０％である粒径である。ｘ50は、粒子の５０％がこれより大きく、５０％がこれより小さい粒径である。ｘ90は、これ以下の粒子の比率が９０％である粒径である。粒度分布の定義は、粉体を構成する粒子のサイズの分布状態を評価できるものであれば、上記の例に限定されない。
【0035】
粒度分布を計測する方法としては、レーザー回折・散乱法を利用することもできる。粒度分布を計測する他の方法としては、比重を利用する方法、液相沈降法、遮光法、電気的検知法、光相関法、クロマトグラフィーを挙げることができる。
【0036】
次に、４種類の形状パラメータについて説明する。４種類の形状パラメータは、凸度、円形度、線形度、アスペクト比である。図３に定義を示す。これらの形状パラメータは、粉体を構成する粒子の形状を特徴付けるパラメータの一例である。これら形状パラメータは、粒子の拡大画像に対する画像解析から取得される。
【0037】
上記の画像解析は以下のようにして行われる。まず、粒子のＳＥＭ画像に対して、白黒２値化処理を行い、２値化画像を得る。次に、この２値化画像に対して輪郭抽出処理を行い、粒子の輪郭を抽出する。この粒子の輪郭から画像解析により、図３に定義する凸度、円形度、線形度、アスペクト比を算出する。
【0038】
次に、表面パラメータについて説明する。この例における表面パラメータは、画素分散値と表面特徴量である。画素分散値と表面特徴量は、粉体を構成する粒子表面の構造の凹凸の状態を示す。
【0039】
ここで、図４（Ａ）と（Ｂ）の粒子は、ほぼ同じ形状と大きさである。しかしながら、（Ａ）は流動性が低く、（Ｂ）は流動性が高い。この差は、表面の状態の違いにある。（Ａ）は細かい凹凸、細かい表面の微細構造を持つが、（Ｂ）はそうではない。凸度、円形度、線形度、アスペクト比は、この表面の詳細構造の差を効果的に定量化できない。そこで、図４（Ａ）と（Ｂ）の差を画像から検出（評価）する方法を考える。
【0040】
ここでは、粒子表面の構造に起因する画像の細かさを定量的に評価するパラメータとして画素分散値と表面特徴量を導入する。まず、画素分散値について説明する。図５に画素分散値の定義を示す。画素分散値は、画像中における画素の分散の程度を示す指標である。
【0041】
【0042】
【0043】
【0044】
次に表面特徴量について説明する。粒子の表面に細かい凹凸があると、その画像は細かい模様となる。この細かさを評価することを考える。ここで画像を構成する画素を考える。細かい模様の画像は、濃淡の細かい変化が多い。そこで、画素の階調を画素値として数値化し、場所によるその変化の程度を計量する。
【0045】
例えば、図７に示す４×４画素の画像（Ａ）と（Ｂ）を考える。ここで、各画素の数字は画素値である。例えば濃淡を５段階で示したものが画素値である。
【0046】
ここで、表面特徴量は、以下のように計算される。まず、縦方向の画素値の差の総和Ｖｄを考える。ここでは、縦方向（列）の画素に着目する。図７の画像の場合、４列の縦列がある。この列の一つ一つにおいて、上下に隣接する画素値を比較し、その差を求める。そして全ての列における上記の差を積算する。この積算値をＶｄとする。（Ａ）の場合、左から１列目に隣接する画素の差の積算値が３、２列目の隣接する画素の差の積算値が３、３列目の隣接する画素の差の積算値が４、４列目の隣接する画素の差の積算値が４である。よって、Ｖｄ＝３＋３＋４＋４＝１４となる。
【0047】
同様の考え方で、横方向の画素値の差の総和Ｈｄを考える。上記（Ａ）の場合、横方向で配列する画素（４行ある画素の並び）について、隣接する画素間の画素値の差を積算する。この積算値をＨｄとする。（Ａ）の場合、４行目にしか横方向において隣接する画素間の差がないので、Ｈｄ＝１となる。
【0048】
ここで、縦方向の画素の数Ｎｖ、横方向の画素の数Ｎｈ として、表面特徴量は下記のように定義される。
表面特徴量＝（Ｖｄ／Ｎｈ）＋（Ｈｄ／Ｎｖ）
表面特徴量＝（Ｖｄ／Ｎｈ）＋（Ｈｄ／Ｎｖ）
【0049】
図７（Ａ）の場合、（Ｖｄ／Ｎｈ）が（３＋３＋４＋４）／４＝１４／４であり、（Ｈｄ／Ｎｈ）が１／４である。よって表面特徴量は１４／４＋１／４＝１５／４＝３．７５となる。
【0050】
図７（Ｂ）の場合、（Ｖｄ／Ｎｈ）が（１＋１＋１）／４あり、（Ｈｄ／Ｎｖ）が１／４である。よって表面特徴量は３／４＋１／４＝１となる。
【0051】
実際の表面特徴量の算出は、以下のようにして行われる。ここでは、画素値が２５６階調の場合を説明する。また、画素は最小の単位画素を利用する。なお、２×２画素というような複数の画素をまとめて一つの画素と考えることも可能である。この場合、演算量は減らせるが、精度は低下する。
【0052】
まず、粒子のＳＥＭ画像を得、粒子の近似楕円を設定する。そして、この近似楕円の長軸が水平となるように、画像を回転させ、該近似楕円の長軸の方向を横、短軸の方向を縦とする。そして、縦方向に配列した当該粒子に係る画素について上記Ｖｄを求め、横方向に配列した当該粒子に係る画素について上記Ｈｄを求める。
【0053】
この際、明るさの影響を低減するために、算出に利用する画素値として規格値Ｘを用いる。規格値Ｘは、Ｘ＝２５５×（ｘ－ｘmin）／（ｘmax－ｘmin）によって求められる。ここで、ｘは、対象となる画素の画素値であり、ｘmaxは対象となる画像における画素値の最大値であり、ｘminは画素値の最小値である。図７に上記規格化のイメージ図を示す。５１２階調の場合は、Ｘ＝５１１×（ｘ－ｘmin）／（ｘmax－ｘmin）を用いる。画素値として規格化したものを用いるのは、他の実施形態の場合も同じである。
【0054】
【0055】
（処理の一例：前段階の処理）
まず、ＡＩ予測モデルを作成する。ここでは、粒度分布、図３に示す形状パラメータ、画素分散値および表面特徴量と、粉体粒子の物性値の関係をＡＩに深層学習させ、ＡＩ予測モデルを得る。
まず、ＡＩ予測モデルを作成する。ここでは、粒度分布、図３に示す形状パラメータ、画素分散値および表面特徴量と、粉体粒子の物性値の関係をＡＩに深層学習させ、ＡＩ予測モデルを得る。
【0056】
ここでは以下のようにして深層学習を行う。まず、サンプルとなる粉体の粒子のＳＥＭ画像を得、画像解析により、当該粒子の画像解析データ（粒度、凸度、円形度、線形度、アスペクト比、画素分散度および表面特徴量）の算出を行う。また、この粉体の物性値をせん断試験により測定する。
【0057】
これを出来るだけ多くの種類の粉体を対象に行ない、各粉体に係る画像解析データと実測したせん断試験データの対応関係をＡＩ学習モデルに機械学習させる。ＡＩ学習手法としては、ランダムフォレストを利用する。この技術では、画像解析データと実測された物性値との間に強い相関関係があることを利用している。この相関関係をＡＩ学習モデルに機械学習させ、粉体に関して、画像解析データから物性値を予測するＡＩ予測モデルを作成する。作成したＡＩ予測モデルは、データ記憶部１０７に記憶しておく。そして、運用に当たっては、サンプルの粉体を撮影したＳＥＭ画像の画像解析データを上記ＡＩ予測モデルに入力し、物性値の予測値を得る。
【0058】
（処理の一例：物性値の予測処理）
まず、物性の予測の対象となる粉体のＳＥＭ画像の画像データを取得する。次に、取得したＳＥＭ画像の画像データをＡＩ予測モデルに入力し、当該粉体の物性値の予想を行う（図１参照）。
まず、物性の予測の対象となる粉体のＳＥＭ画像の画像データを取得する。次に、取得したＳＥＭ画像の画像データをＡＩ予測モデルに入力し、当該粉体の物性値の予想を行う（図１参照）。
【0059】
下記表１に結果を示す。ここで、（１）～（４）のパラメータは、図３で定義される凸度、円形度、線形度、アスペクト比である。（５）のパラメータは画素分散値である。（６）のパラメータは表面特徴量である。実験値は、測定装置（せん断試験装置）により得た実測値である。
【0060】
表１における物性値は、粉体動摩擦角、応力伝達率、応力緩和率、圧縮率、かさ密度、内部摩擦角、せん断付着力、フローファクターである。
【0061】
【表1】
【0062】
表１に示すように、パラメータ（１）～（４）に加えて、パラメータ（５）と（６）を加えることで、パラメータ（１）～（４）のみを利用する場合に比較して、予測値の精度が改善する。
【0063】
２．第２の実施形態
以下、更に高い予測精度を得るための表面特徴量の例を説明する。図１０（Ａ），（Ｂ），（Ｃ）に５×５の画素により構成される画像の各画素値（画素値は１～５の５段階）の例が示されている。
以下、更に高い予測精度を得るための表面特徴量の例を説明する。図１０（Ａ），（Ｂ），（Ｃ）に５×５の画素により構成される画像の各画素値（画素値は１～５の５段階）の例が示されている。
【0064】
第１の実施形態の定義に従った表面特徴量は、図１０（Ａ），（Ｂ），（Ｃ）において同じである。しかしながら、画素値の変化の状態は、図１０（Ａ），（Ｂ），（Ｃ）において異なる。すなわち、図１０（Ａ）は斜面であるが滑らかであり、図１０（Ｂ）は、凸部が一つある面であり、図１０（Ｃ）は、凸部が２つある面である。
【0065】
上記の表面状態の違いを定量的に評価するために、第２の表面特徴量として、以下のものを考える。ここでは、増減係数δを導入する。増減係数δは以下のように定義される。
【0066】
まず、特定の方向で見た場合に、当該粒子に係る画素の画素数が増大から減少に転じた極の数を増減係数とする。例えば、横の並びで考えて、
（１）画素値が、１，２，３，４，５の並びであれば、極はなくδ＝０である。
（２）画素値が、１，２，３，２，１の並びであれば、δ＝１である。
（３）画素値が、１，２，１，２，１の並びであれば、δ＝２である。
（１）画素値が、１，２，３，４，５の並びであれば、極はなくδ＝０である。
（２）画素値が、１，２，３，２，１の並びであれば、δ＝１である。
（３）画素値が、１，２，１，２，１の並びであれば、δ＝２である。
【0067】
ここで、縦の並びの増減係数をδｖ、横の並びの増減係数をδｈと表記する。（１）の場合δｈ＝０、（２）の場合δｈ＝１、（３）の場合δｈ＝２となる。
【0068】
δｖとδｈは、凹凸の山の頂部の数である。特定の範囲で考えて、凹凸の山の頂部の数が多いということは、それだけ細かい凹凸があるということを意味する。このように考えると、増減係数δは、「表面の凹凸の多さ」を示す指標（パラメータ）であると考えることができる。
【0069】
ここで、縦方向の当該粒子の画素の数Ｎｖ、横方向の当該粒子の画素の数Ｎｈとして、第２の表面特徴量を以下のように定義する。
【0070】
第２の表面特徴量＝（Σδｖ／Ｎｈ）＋（Σδｈ／Ｎｖ）
Σは、縦方向であれば、縦方向におけるδｖを全て積算することを示し、横方向であれば、横方向におけるδｈを全て積算することを示す。
Σは、縦方向であれば、縦方向におけるδｖを全て積算することを示し、横方向であれば、横方向におけるδｈを全て積算することを示す。
【0071】
図１０（Ａ）の場合における第２の表面特徴量は以下のようになる。まず、縦列の１～５列目のδｖは全て０である。よって、（Σδｖ／Ｎｈ）＝０である。また、横行の１～５行目のδｈも全て０である。よって、（Σδｈ／Ｎｖ）＝０である。よって、図１０（Ａ）の第２の画像の表面特徴量は０である。
【0072】
図１０（Ｂ）の場合における第２の表面特徴量は以下のようになる。まず、縦列の１～５列目のδｖは全て０である。よって、（Σδｖ／Ｎｈ）＝０である。また、横行の１～５行目のδｈは全て１である。よって、（Σδｈ／Ｎｖ）＝（１＋１＋１＋１＋１）／５＝１である。よって、図１０（Ａ）の第２の画像の表面特徴量は１である。
【0073】
図１０（Ｃ）の場合における第２の表面特徴量は以下のようになる。まず、縦列の１～５列目のδｖは全て０である。よって、（Σδｖ／Ｎｈ）＝０である。また、横行の１～５行目のδｈは全て２である。よって、（Σδｈ／Ｎｖ）＝（２＋２＋２＋２＋２）／５＝２である。よって、図１０（Ａ）の第２の画像の表面特徴量は２である。
【0074】
第２の表面特徴量は、画素値の変化の凹凸の多少を示すパラメータと捉えることができる。第２の表面特徴量によれば、粒子表面の凹凸の状態を定量化できる。
【0075】
３．第３の実施形態
第２の実施形態では、表面特徴量として凹凸の極の数を計量する視点を導入した。本実施形態では、更に凹凸の極の急峻の程度を定量的に把握する視点を表面特徴量に導入する。
第２の実施形態では、表面特徴量として凹凸の極の数を計量する視点を導入した。本実施形態では、更に凹凸の極の急峻の程度を定量的に把握する視点を表面特徴量に導入する。
【0076】
まず、特定の方向（例えば横の方向）で画素の配列を見た場合における凹凸の極（画素値が増加から減少に変わる部分）に着目する。この極は凸部の頂部となる。次に、この極の前後の斜面の傾きを算出する。
【0077】
例えば、ある極に着目した場合に、画素値が３，２、１，３，５，４，２，３と変化しているとする。この場合、凸部前後の凹部の底を始点と終点として、画素値の変化分を計測する。ここで、傾きは、（画素値の変化分／画素数）から求められる。
【0078】
この例の場合、１，３，５，４，２と画素値が並んでいる部分が凸部（極）であり、前の傾斜の部分の傾きは（５－１）／２＝２であり、後の傾斜の部分の傾きは（５－２）／２＝１．５である。ここでは、当該凸部の傾斜は、前後の傾きの平均値を採用し、１．７５となる。
【0079】
具体的な計算では、縦方向における当該粒子を構成する特定の画素の列に着目した場合における極の傾きの合計値をＧｖ、横方向における当該粒子を構成する特定の画素の列に着目した場合における極の傾きの合計値をＧｈとする。また、縦方向の画素の数Ｎｖ、横方向の画素の数Ｎｈ として、第３の表面特徴量を以下のように定義する。
第３の表面特徴量＝（ΣＧｖ／Ｎｈ）＋（ΣＧｈ／Ｎｖ）
Σは、縦方向であれば、縦方向におけるＧｖを全て積算することを示し、横方向であれば、横方向におけるＧｈを全て積算することを示す。
第３の表面特徴量＝（ΣＧｖ／Ｎｈ）＋（ΣＧｈ／Ｎｖ）
Σは、縦方向であれば、縦方向におけるＧｖを全て積算することを示し、横方向であれば、横方向におけるＧｈを全て積算することを示す。
【0080】
急峻な極（凸部）が多いほど、上記第３の表面特徴量が大きくなる。こうして、細かい凸部の鋭さの程度を定量的に評価した表面特徴量が得られる。
【0081】
一般に、細かく鋭い突出部が多い程、粒子の流れは悪くなる。よって、この観点の指標を導入することで、粒子の流れに関連する物性の予測精度を高くできる。
【0082】
４．第４の実施形態
表面特徴量として、特徴点の数（密度）を用いてもよい。特徴点は、画像中の輝度や濃淡が急峻に変化している点として抽出される。特徴点は、複数の画像間のマッチングに利用されている。画像から特徴量を抽出するためのアルゴリズムは複数開発されており、それらを利用できる。
表面特徴量として、特徴点の数（密度）を用いてもよい。特徴点は、画像中の輝度や濃淡が急峻に変化している点として抽出される。特徴点は、複数の画像間のマッチングに利用されている。画像から特徴量を抽出するためのアルゴリズムは複数開発されており、それらを利用できる。
【0083】
特徴点の抽出の対象とする画像は、画像の明るさの違いの影響を低減するために、第１の実施形態で述べた各画素の画素量を規格化したものを画素として画像を作成し直したものを用いる。
【0084】
ここで、抽出された特徴点の数がｆである場合、（ｆ／当該粒子の総画素数）により、表面特徴量が定義される。図４（Ａ）の粒子の場合は、表面は微細な構造を有し、画像中の特徴点の数は相対的に多くなる。これに対して、図４（Ｂ）の粒子の場合は、表面は比較的平滑であり、特徴点の数は相対的に少なくなる。
【0085】
５．第５の実施形態
上述したように粒子の表面特徴量の算出の方法には多様な方法がある。これらの方法による表面特徴量の算出において、粒子の拡大画像を回転させると、表面特徴量が変化する場合がある。以下、この問題に対応した表面特徴量の算出方法について説明する。
上述したように粒子の表面特徴量の算出の方法には多様な方法がある。これらの方法による表面特徴量の算出において、粒子の拡大画像を回転させると、表面特徴量が変化する場合がある。以下、この問題に対応した表面特徴量の算出方法について説明する。
【0086】
まず粒子の拡大画像（例えば、ＳＥＭ画像）を取得する。これは、他の実施形態の場合と同じである。次に、画像を角度θだけ回転させ、本明細書で開示する表面特徴量の算出方法を用いて表面特徴量を算出する。この表面特徴量をｑ（θ）とする。
【0087】
θの値を変えて、様々な角度θｉ（θｉ＝０を含んでもよい）においてｑ（θｉ）を求める。ここで多数求めたｑ（θｉ）を比較し、その値が最大となるθｉ＝θmaxを求める。そして、ｑ（θmax）を当該粒子の表面特徴量とする。
【0088】
例えば、ある粒子に係り、θｉ=１０°～１８０°まで１０°刻みで設定し、計１８の表面特徴量を算出する。この場合、その中で最大の表面特徴量が当該粒子の表面特徴量として採用される。
【0089】
この方法によれば、粒子表面の構造の凹凸の状態を示す表面パラメータが粒子の向き（回転）によって変化する問題が解消できる。理屈上、回転不変な特徴量が得られる。本実施形態は、本明細書中で説明した表面特徴量のいずれにも適用できる。
【0090】
第１～第５の実施形態で述べた表面特徴量の２以上をＡＩ予測モデルの学習に利用することで、さらに高い精度で粉体の物性（特に流動性に関する物性）の予測を期待できる。
【0091】
６．第６の実施形態
表１を見ると、ＡＩ予測モデルによるせん断付着力とフローファクターの予測値は実測値との差が大きい。また、この差は一様ではない。本発明者らの解析によれば、物性値の予測値と実測値との差は、粒子の形状に依存する傾向が判明している。これは、せん断付着力とフローファクターに限定されず、他の物性値においても見られる。
表１を見ると、ＡＩ予測モデルによるせん断付着力とフローファクターの予測値は実測値との差が大きい。また、この差は一様ではない。本発明者らの解析によれば、物性値の予測値と実測値との差は、粒子の形状に依存する傾向が判明している。これは、せん断付着力とフローファクターに限定されず、他の物性値においても見られる。
【0092】
図１１（Ａ）～（Ｅ）に粒子の形状を類型化し分類した形状タイプの一例を示す。形状タイプとしては、円で近似した断面の径より長手方向の長さが２０倍以上ある細長い棒状である（Type1）、最小の辺の長さと最大の辺の長さの比が２０倍未満の直方体である(Type2)、厚みと短手方向の幅の比が１０倍以上である薄板状である(Type3)、粒の集合体であり、粒の径が集合体の径の１／３０以下である（Type4）、粒の集合体であり、粒の径が集合体の径の１／３０を超えている(Type5)、Type2の直方体の表面に、それより小さい直方体が結合している(Type6)、Type2の直方体の表面に、それより小さい丸い立体形状物が結合している(Type7)、Type3の条件を満たす六角形の薄板状 (Type8)、Type2の形状が多数集まった塊(Type9)、Type3の条件を満たす五角以上不定形の薄板状の多角形状(Type10)、Type3の条件を満たす平たい円板形状(Type11)、球で近似した直径がType5の条件を満たす立方体が集まった形状(Type12)、長手形状を有し、角が尖った細長い多角形状（木を砕いたような形状）(Type13)、Type3の条件を満たす平たい楕円形状(Type14)、瓢箪型の形状(Type15)、Type3の条件を満たす薄板状の粒子が集まった形状(Type16)、薄い不定形の粒子の集合で中央に孔が空いている形状(Type17)、Type3の条件を満たす薄い不定形の粒子が多数重なっている形状(Type18)、Type3の条件を満たす薄板状で尖った多数の角がある粒子が集まった形状(Type19)、尖った多数の角がある粒子(Type20)、中空パイプ状の粒子(Type21)、Type1より径が太い円柱状の粒子(Type22)、高さが三角形を構成する辺の長さより短い三角柱の形状の粒子(Type23)、八面以上の多面体の粒子(Type24)、中央に孔がある円板形状（ドーナツ形状）の粒子(Type25)、球形で表面に複数の穴がある粒子(Type26)、球形で表面に該球形に比較して相対的に小さな径の多数の粒子が埋め込まれている粒子(Type27)、球形で表面に該球形の径に比較して１／５０未満の径の多数の粒子が付着している粒子(Type28)、球形で表面に該球形の径に比較して１／１０～１／５０の径の多数の粒子が付着している粒子(Type29)等が挙げられる。
【0093】
図１１（Ａ）～（Ｅ）に示す形状タイプの違いは、主に立体的な構造（３次元構造）に関係する。形状パラメータ、画素分散値および表面特徴量は、２次元の画像から得られる情報であり、立体的な形状の特徴を判定するのには限界がある。これが、上述した予測値と実測値に差が生じる要因の一つであると考えられる。
【0094】
以下、上記の形状タイプと、図３の形状パラメータおよび表面パラメータとの関係について説明する。Type1の形状タイプは、図３の形状パラメータにおける線形度とアスペクト比で評価できるが、これらパラメータで数値化した場合、Type3,Type9,Type16との差は見た目程の差が付かない場合がある。また、Type1の形状タイプは、図５，図７，図１０の表面パラメータではその特徴を的確に評価できない。
【0095】
Type2、Type3、Type3、Type8、Type10、Type11、Type13、Type14、Type15は、形状パラメータおよび表面パラメータでは、その特徴を的確に評価できない。Type4～Type7は、ある程度表面パラメータで評価できる。しかしながら、その構造の違いは、表面パラメータでは適切に評価できない。例えば、Type6とType7の違いは、表面パラメータでは区別がつかない。この傾向は、Type9、Type12、Type16、Type17、Type18、Type19についても同様である。
【0096】
上記の理由により、本実施形態では、形状タイプによる区分を導入し、形状パラメータおよび表面パラメータによる物性の予測の精度を高める。
【0097】
上述したように、予測値と実測値との差は、粒子の形状に依存する傾向がある。すなわち、Type2に分類される粒子により構成される粉体の物性の予測値の実測値とのずれは、ある特定の傾向を示し、Type4に分類される粒子により構成される粉体の物性の予測値の実測値とのずれは、また別のある特定の傾向を示す、といった事実が判明している。
【0098】
そこで、図１１（Ａ）～（Ｅ）に示すような粒子形状のタイプに応じて補正係数を予め求めておき、その補正係数を用いてＡＩ予測モデルが予測した物性値を補正する。下記表２に補正係数の例を示す。表２の場合、「実験値（実測値）／予想値」により、各パラメータの補正係数を算出した例が示されている。
【0099】
【表2】
【0100】
この場合、粒子の形状タイプ毎に表２に示すような各物性値に係る補正係数を予め用意し、データ記憶部１０７に記憶しておく。そして、粒子の形状タイプに応じて、ＡＩ予測モデルが予測した物性値を補正係数を用いて補正し、補正予測値を得る。似た形状タイプの粒子は、精度は完全ではないが同じ補正係数を用いることで、実測値に近い予測値を得ることができる。
【0101】
手間はかかるが、形状タイプを細かく分類し、形状タイプ毎に表２のような補正係数を求めておくことで、より高い精度で粉体の物性を予測できる。
【0102】
【0103】
前処理として、予めＡＩ予測モデルを作成しておく。これは、第１の実施形態の場合と同じである。また、図１１（Ａ）～（Ｅ）に例示する粒子の形状タイプに対応した補正係数を用意しておく（例えば、表２を参照）。
【0104】
処理が開始されると、まず、粉体を構成する粒子を撮影したＳＥＭ画像を取得する（ステップＳ２０１）。次に、取得したＳＥＭ画像を画像解析し、粒度分布、形状パラメータ（凸度、円形度、アスペクト比、線形度）、画素分散値、表面特徴量を算出する（ステップＳ２０２）。この処理は、図２の画像解析部１０２において行われる。
【0105】
次に、ステップＳ２０２において得られた粒度分布、形状パラメータ（凸度、円形度、アスペクト比、線形度）、画素分散値、表面特徴量を予め用意しておいたＡＩ予測モデルに入力し、当該粉体の物性値の予測を行う（ステップＳ２０３）。この処理は、物性値予測部１０３において行われる。
【0106】
また、ステップＳ２０１で取得した粒子のＳＥＭ画像に基づき、図１１（Ａ）～（Ｅ）の形状タイプの判定を行う（ステップＳ２０４）。この処理は、図２の形状タイプ判定部１０４において行われる。この判定は、画像認識技術を用いて行う。
【0107】
例えば、予め形状タイプの画像を記憶しておき、これらとステップＳ２０１で取得した粒子画像とを比較する。この比較から当該粒子画像に最も類似する形状タイプがどれであるかを判定する。この処理は、防犯、車両の自動運転（自律運転）や事故防止技術、商品の画像識別等に利用されるＡＩ画像判定技術を利用して行われる。
【0108】
なお、この判定を人間が行い、その結果を受け付ける形態も可能である。この場合、形状タイプ判定部１０４は、形状タイプ受付部として機能する。この態様では、例えば、使用するＰＣのディスプレイ上に予め用意しておいた形状モデルを表示する。そしてこの表示されたモデルの中からユーザが対象となる粒子に適合すると判断する形状モデルを選択する。この選択された形状モデルが形状タイプ受付部で受け付けられる。
【0109】
次に、判定された形状タイプに応じた補正係数を取得する（ステップＳ２０５）。この処理は、補正係数取得部１０５において行われる。次に、ステップＳ２０５で選択した補正係数を用い、表２に例示するように、予測値の補正を行う（ステップＳ２０６）。
【0110】
（その他）
形状対応タイプを更に細かく設定することもできる。形状タイプの種類が少ないと、予測の精度が低下する。しかしながら、事前にデータを準備するコストを勘案し、図１１（Ａ）～（Ｅ）に例示した形状タイプの複数を採用する態様も可能である。これらは、第７の実施形態の場合も同じである。
形状対応タイプを更に細かく設定することもできる。形状タイプの種類が少ないと、予測の精度が低下する。しかしながら、事前にデータを準備するコストを勘案し、図１１（Ａ）～（Ｅ）に例示した形状タイプの複数を採用する態様も可能である。これらは、第７の実施形態の場合も同じである。
【0111】
７．第７の実施形態
第６の実施形態において、１つの粒子に着目した場合に、異なる２つの形状タイプが混在している粒子があったとする。あるいは対象とする粉体が異なる２つの形状タイプの粒子を含んでいるとする。この場合、２つ形状タイプの補正係数の加重平均値を用いて物性を予測する。
第６の実施形態において、１つの粒子に着目した場合に、異なる２つの形状タイプが混在している粒子があったとする。あるいは対象とする粉体が異なる２つの形状タイプの粒子を含んでいるとする。この場合、２つ形状タイプの補正係数の加重平均値を用いて物性を予測する。
【0112】
例えば、１つの粒子に着目した際、タイプ４の構造とタイプ５の構造が見られたとする。そして、その割合が７：３であったとする。この場合、タイプ１の補正係数とタイプ２の補正係数を７：３の割合で加重平均した補正係数を用いる。例えば、ある物性値のタイプ４の補正係数がα、タイプ５の補正係数がβである場合、（７／１０）α＋（３／１０）βをこの場合の補正係数とする。
【0113】
また例えば、タイプ５の構造の粒子の割合が６割、タイプ６の構造の粒子の割合が４割である粉体があるとする。この場合、タイプ５の補正係数とタイプ６の補正係数を６：４の割合で加重平均した補正係数を用いる。例えば、ある物性値のタイプ１の補正係数がα、タイプ２の補正係数がβである場合、（６／１０）α＋（４／１０）βをこの場合の補正係数とする。なお、３以上の形状タイプを採用することも可能である。
【0114】
８．第８の実施形態
上述したように、粉体を構成する粒子の形状のタイプによって、予測値の実測値からのズレが異なる傾向がある。これは、ＡＩの深層学習が多様な形状タイプに対応しきれていないことが原因であると考えられる。
上述したように、粉体を構成する粒子の形状のタイプによって、予測値の実測値からのズレが異なる傾向がある。これは、ＡＩの深層学習が多様な形状タイプに対応しきれていないことが原因であると考えられる。
【0115】
一般に、ＡＩの深層学習は、学習の内容を絞った方が学習効果は高い（勿論、学習時のサンプル数は多い程よい）。そこで、本実施形態では、粉体の粒子の形状タイプ毎にＡＩ予測モデルを用意する。すなわち、形状タイプ１の粒子を対象に深層学習を行ったＡＩ予測モデル、形状タイプ２の粒子を対象に深層学習を行ったＡＩ予測モデル、といった具合にＡＩ予測モデルを用意する。なお、例えば形状タイプ２と形状タイプ３では、同じＡＩ予測モデルが利用できる、といった場合もあり得る。用意したＡＩ予測モデルは、データ記憶部１０７に記憶しておく。つまり、第６の実施形態の処理方法と異なる点は、当該粉体の粒度分布、形状パラメータ、画素分散値、表面特徴量をＡＩ予測モデルに入力し、当該粉体の物性値の予測を行う以前に、まず対象粒子の形状タイプの判定を行い、その形状タイプに対応したＡＩ予測モデルを選択し、選択されたＡＩ予測モデルに当該粉体の粒度分布、形状パラメータ、画素分散値、表面特徴量を入力することで、当該粉体の物性値の予測を行うことである。
【0116】
図１３に処理の一例を示す。まず、粉体を構成する粒子を撮影したＳＥＭ画像を取得する（ステップＳ４０１）。次に、取得したＳＥＭ画像を画像解析し、粒度分布、形状パラメータ（凸度、円形度、アスペクト比、線形度）、画素分散値、表面特徴量を算出する（ステップＳ４０２）。この処理は、図２の画像解析部１０２において行われる。
【0117】
次に、ステップＳ２０１で取得した粒子のＳＥＭ画像に基づき、図１１（Ａ）～（Ｅ）の形状タイプの判定を行う（ステップＳ４０３）。この処理は、図２の形状タイプ判定部１０４において行われる。この判定は、画像認識技術を用いて行う。また、人間が形状タイプを判定し、その結果を受け付ける形態も可能である。
【0118】
次に、ステップＳ４０３の判定で選択された形状タイプに対応したＡＩ予測モデルを選択する（ステップＳ４０４）。この処理は、ＡＩ予測モデル選択部１０６において行われる。
【0119】
次に、選択されたＡＩ予測モデルに、ステップＳ４０２において得られた粒度分布、形状パラメータ（凸度、円形度、アスペクト比、線形度）、画素分散値、表面特徴量を入力し、当該粉体の物性値の予測を行う（ステップＳ４０５）。この処理は、物性値予測部１０３において行われる。
【0120】
９．優位性
画像データから粉体の物性を予測できる。画像が得られればよいので、試料となる粉体は少量でよい。また、実際に粉体を分析する装置に比較すれば、画像を得る装置（例えば、ＳＥＭ装置）は一般的であり、また取り扱いも容易である。そのため、粉体の物性をより簡便に評価できる。
画像データから粉体の物性を予測できる。画像が得られればよいので、試料となる粉体は少量でよい。また、実際に粉体を分析する装置に比較すれば、画像を得る装置（例えば、ＳＥＭ装置）は一般的であり、また取り扱いも容易である。そのため、粉体の物性をより簡便に評価できる。
【0121】
１０．その他の実施形態
粉体に係る形状パラメータとして、均整度、空間充足度、球形度、円形度、凹凸度、表面粗度を用いることもできる。これらのパラメータの詳細については、粉体工学ハンドブック（朝倉書店、２０１４年２月２０日発行、ISBN978-4-254-25267-5）の３１頁～３９頁に記載されている。
粉体に係る形状パラメータとして、均整度、空間充足度、球形度、円形度、凹凸度、表面粗度を用いることもできる。これらのパラメータの詳細については、粉体工学ハンドブック（朝倉書店、２０１４年２月２０日発行、ISBN978-4-254-25267-5）の３１頁～３９頁に記載されている。
【0122】
本明細書では、粒子の画像としてＳＥＭ画像の例を示したが、画像解析により、凸度、円形度、線形度、アスペクト比、画素分散度および表面特徴量の算出を行うことができる画像であれば、他の手法により得た粒子の画像であってもよい。
【0123】
例えば、図２に示す構成をデータ処理サーバに置き、そこに粉体粒子の画像データを送り、当該粉体の物性値の予測を行うシステムが可能である。
【0124】
予測する粉体の物性値は、粉体動摩擦角（角度）、応力伝達率（％）、応力緩和率（％）、圧縮率（％）、かさ密度（kg/m3）、内部摩擦角（角度）、せん断付着力(kPa)、フローファクター(ffc)の全てではなく、その中の２以上であってもよい。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】