特開 2023-144761 粒径クラス判定装置、該方法および該プログラム、ならびに、画像サイズ決定支援装置、該方法および該プログラム

(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】P2023144761

(43)【公開日】2023-10-11

(54)【発明の名称】粒径クラス判定装置、該方法および該プログラム、ならびに、画像サイズ決定支援装置、該方法および該プログラム

(51)【国際特許分類】

   G01N 15/02 20060101AFI20231003BHJP

【ＦＩ】

G01N15/02 C

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2022051891

(22)【出願日】2022-03-28

(71)【出願人】

【識別番号】000001199

【氏名又は名称】株式会社神戸製鋼所

(74)【代理人】

【識別番号】100115381

【弁理士】

【氏名又は名称】小谷 昌崇

(74)【代理人】

【識別番号】100111453

【弁理士】

【氏名又は名称】櫻井 智

(72)【発明者】

【氏名】土屋 雅大

(72)【発明者】

【氏名】桑名 孝汰

(72)【発明者】

【氏名】大菅 宏児

(57)【要約】

【課題】本発明は、より広い判定対象の粒径クラスを判定できる粒径クラス判定装置、該方法および該プログラム、ならびに、これらでの粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する画像サイズ決定支援装置、該方法および該プログラムを提供する。
【解決手段】本発明の粒径クラス判定装置Ｄは、異なる粒径の粒子を含む複数の粒子を撮像した画像を取得し、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、入力画像が当該粒径クラスに分類される確率を出力する機械学習済みの機械学習モデルによって、前記取得した画像における前記複数の粒径クラスそれぞれの各確率を求める。ここで、前記複数の範囲における各境界値のいずれかは、判定目標の粒径値であり、前記機械学習モデルに入力される画像のサイズは、前記判定目標の粒径値を所定の定数で定数倍したサイズである。
【選択図】図１

【特許請求の範囲】

【請求項1】

異なる粒径の粒子を含む複数の粒子を撮像した画像を取得する画像取得部と、
画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する機械学習済みの機械学習モデルによって、前記画像取得部で取得した画像における前記複数の粒径クラスそれぞれの各確率を求める粒径クラス処理部とを備え、
前記複数の範囲における各境界値のいずれかは、判定目標の粒径値であり、
前記機械学習モデルに入力される画像のサイズは、前記判定目標の粒径値を所定の定数で定数倍したサイズである、
粒径クラス判定装置。

【請求項2】

前記所定の定数は、７より大きく、１２より小さい値である、
請求項１に記載の粒径クラス判定装置。

【請求項3】

前記粒子は、核となる第１粒子と、前記第１粒子の表面に付いた、前記第１粒子より小さい第２粒子とを備えて成る疑似粒子である、
請求項１または請求項２に記載の粒径クラス判定装置。

【請求項4】

前記複数の粒子を照明する照明部をさらに備え、
前記画像取得部は、画像を生成する撮像部である、
請求項１ないし請求項３のいずれか１項に記載の粒径クラス判定装置。

【請求項5】

粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する画像サイズ決定支援装置であって、
所定の学習用データセットを取得する第１データ取得部と、
所定のサイズ決定用データセットを取得する第２データ取得部と、
画像が入力され、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する未機械学習の第２機械学習モデルを、前記第１データ取得部で取得した所定の学習用データセットを用いて機械学習する機械学習部と、
前記機械学習部で機械学習した第２機械学習モデルに、前記第２データ取得部で取得した所定のサイズ決定用データセットを入力することによって、前記機械学習部で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する出力部とを備え、
前記所定の学習用データセットおよび前記所定のサイズ決定用データセットそれぞれは、複数の画像の各画像データを備える複数のデータ群を同数で備え、
前記複数のデータ群は、画像のサイズが互いに異なり、
前記所定の学習用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、前記複数の粒径クラスそれぞれの画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の粒径クラスが紐付けられ、
前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、最小の粒径の粒径クラスに属する粒子の含有率が異なる画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の含有率が紐付けられ、
前記未機械学習の第２機械学習モデルは、前記複数のデータ群の個数と同数であって前記複数のデータ群それぞれに応じて備え、
前記機械学習部は、前記所定の学習用データセットにおける前記複数のデータ群それぞれについて、当該データ群に応じた未機械学習の第２機械学習モデルを、当該データ群における複数の画像を用いて機械学習し、
前記出力部は、前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれについて、当該データ群における画像のサイズと同じ画像のサイズの、前記所定の学習用データセットにおけるデータ群、を用いて前記機械学習部で機械学習した第２機械学習モデルに、当該データ群における複数の画像を入力することによって、前記機械学習部で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する、
画像サイズ決定支援装置。

【請求項6】

請求項５に記載の画像サイズ決定支援装置をさらに備え、
前記機械学習済みの機械学習モデルには、前記機械学習部で機械学習した第２機械学習モデルが用いられる、
請求項１ないし請求項４のいずれか１項に記載の粒径クラス判定装置。

【請求項7】

異なる粒径の粒子を含む複数の粒子を撮像した画像を取得する画像取得工程と、
画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する機械学習済みの機械学習モデルによって、前記画像取得工程で取得した画像における前記複数の粒径クラスそれぞれの各確率を求める粒径クラス処理工程とを備え、
前記複数の範囲における各境界値のいずれかは、判定目標の粒径値であり、
前記機械学習モデルに入力される画像のサイズは、前記判定目標の粒径値を所定の定数で定数倍したサイズである、
粒径クラス判定方法。

【請求項8】

異なる粒径の粒子を含む複数の粒子を撮像した画像を取得する画像取得工程と、
画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する機械学習済みの機械学習モデルによって、前記画像取得工程で取得した画像における前記複数の粒径クラスそれぞれの各確率を求める粒径クラス処理工程とを備える、コンピュータによって実行される粒径クラス判定プログラムであって、
前記複数の範囲における各境界値のいずれかは、判定目標の粒径値であり、
前記機械学習モデルに入力される画像のサイズは、前記判定目標の粒径値を所定の定数で定数倍したサイズである、
粒径クラス判定プログラム。

【請求項9】

粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する画像サイズ決定支援方法であって、
所定の学習用データセットを取得する第１データ取得工程と、
所定のサイズ決定用データセットを取得する第２データ取得工程と、
画像が入力され、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する未機械学習の第２機械学習モデルを、前記第１データ取得工程で取得した所定の学習用データセットを用いて機械学習する機械学習工程と、
前記機械学習工程で機械学習した第２機械学習モデルに、前記第２データ取得工程で取得した所定のサイズ決定用データセットを入力することによって、前記機械学習工程で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する出力工程とを備え、
前記所定の学習用データセットおよび前記所定のサイズ決定用データセットそれぞれは、複数の画像の各画像データを備える複数のデータ群を備え、
前記複数のデータ群は、画像のサイズが互いに異なり、
前記所定の学習用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、前記複数の粒径クラスそれぞれの画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の粒径クラスが紐付けられ、
前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、最小の粒径の粒径クラスに属する粒子の含有率が異なる画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の含有率が紐付けられ、
前記未機械学習の第２機械学習モデルは、前記複数のデータ群の個数と同数であって前記複数のデータ群それぞれに応じて備え、
前記機械学習工程は、前記所定の学習用データセットにおける前記複数のデータ群それぞれについて、当該データ群に応じた未機械学習の第２機械学習モデルを、当該データ群における複数の画像を用いて機械学習し、
前記出力工程は、前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれについて、当該データ群における画像のサイズと同じ画像のサイズの、前記所定の学習用データセットにおけるデータ群、を用いて前記機械学習工程で機械学習した第２機械学習モデルに、当該データ群における複数の画像を入力することによって、前記機械学習工程で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する、
画像サイズ決定支援方法。

【請求項10】

コンピュータによって実行され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する画像サイズ決定支援プログラムであって、
所定の学習用データセットを取得する第１データ取得工程と、
所定のサイズ決定用データセットを取得する第２データ取得工程と、
画像が入力され、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する未機械学習の第２機械学習モデルを、前記第１データ取得工程で取得した所定の学習用データセットを用いて機械学習する機械学習工程と、
前記機械学習工程で機械学習した第２機械学習モデルに、前記第２データ取得工程で取得した所定のサイズ決定用データセットを入力することによって、前記機械学習工程で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する出力工程とを備え、
前記所定の学習用データセットおよび前記所定のサイズ決定用データセットそれぞれは、複数の画像の各画像データを備える複数のデータ群を備え、
前記複数のデータ群は、画像のサイズが互いに異なり、
前記所定の学習用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、前記複数の粒径クラスそれぞれの画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の粒径クラスが紐付けられ、
前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、最小の粒径の粒径クラスに属する粒子の含有率が異なる画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の含有率が紐付けられ、
前記未機械学習の第２機械学習モデルは、前記複数のデータ群の個数と同数であって前記複数のデータ群それぞれに応じて備え、
前記機械学習工程は、前記所定の学習用データセットにおける前記複数のデータ群それぞれについて、当該データ群に応じた未機械学習の第２機械学習モデルを、当該データ群における複数の画像を用いて機械学習し、
前記出力工程は、前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれについて、当該データ群における画像のサイズと同じ画像のサイズの、前記所定の学習用データセットにおけるデータ群、を用いて前記機械学習工程で機械学習した第２機械学習モデルに、当該データ群における複数の画像を入力することによって、前記機械学習工程で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する、
画像サイズ決定支援プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、測定対象の粒径クラスを判定する粒径クラス判定装置、粒径クラス判定方法および粒径クラス判定プログラム、ならびに、これらでの粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する画像サイズ決定支援装置、画像サイズ決定支援方法および画像サイズ決定支援プログラムに関する。

【背景技術】

【0002】

高炉を用いた鉄鋼の生産では、採掘した鉄鉱石が用いられるだけでなく、焼結鉱も用いられている。この焼結鉱の粒子は、鉄鉱石、石灰石およびコークス等の、核となる粉体と、前記粉体の表面に付いた、前記粉体より小さいこれらの微粉体とを備えて成る疑似粒子である。例えば、最大直径１５ｍｍ程度の幅広い粒度分布を持つ粉鉱石等を原料とし、１ｍｍ以上の粉鉱石等に、１ｍｍ以下の微粉鉱石等を付着させ、平均３～５ｍｍ程度の焼結鉱の粒子が、いわゆる焼結工程によって生成される。この焼結工程では、大略、原料を層状に積み重ねた積層体に対し、その上部より加熱し、その下部にて空気を吸引することによって、熱が伝達される。このため、積層体中に、空気の流通のための隙間が必要であり、通常、２ｍｍを超えない焼結鉱の粒子は、空気の通気性を劣化させ、焼結鉱の生産性を低下させてしまう。このため、焼結工程での、通気性を劣化させる粒子の発生を回避するために、粒径や粒度分布を測定したい、というニーズがある。

【0003】

この粒度分布を測定する技術は、例えば、特許文献１に開示されている。この特許文献１に開示された土の粒度分布推定方法は、原料土からふるい分けされて複数の粒度にクラス分けされた、各々の単一粒径土の多数の画像を訓練データとして、サーバに組み込まれた人工知能による機械学習により得られた学習済みモデルによって、採取土の粒度分布を推定する土の粒度分布の推定方法であって、訓練データとなる各々の前記単一粒径土の画像は、平面視して空隙が生じない厚さで敷き均された当該単一粒径土の表面を、所定の撮影距離で撮影装置によって撮像されたものとなっていると共に、クラス分けされた各々の粒度の割合と紐図けされており、平面視して空隙が生じない厚さで敷き均された、粒度分布を推定すべき採取土の表面を前記所定の撮影距離で前記撮影装置によって撮像した画像を、前記学習済みモデルに入力して、当該採取土のクラス分けされた各々の粒度の割合を出力させることにより、採取土の粒度分布を推定する。そして、その［００２９］段落には、「また、土の性質には、含水比や粒子の組成なども含まれるが、これらの性質は対象外とすることができる。本実施形態では、自然乾燥状態の現地発生土を原料土とし、この原料土をふるい分けして、訓練データとなるクラス分けした各々の粒度の単一粒径土を得ることができると共に、種々の粒度の土が混合されたままの状態の、ふるい分けされていない現地発生土の自然乾燥状態の原料土を、粒度分布を推定すべき採取土（現地発生土）として、粒度分布を推定できるようになっている。」と記載されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２１－１１７６２５号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

前記特許文献１に開示された土の粒度分布推定方法は、その［００２９］段落に記載されている通り、測定対象が自然乾燥状態である場合に、粒度分布を推定できる。このため、前記特許文献１に開示された土の粒度分布推定方法は、測定対象が自然乾燥状態ではない場合には適していないと考えられる。特に、焼結工程では、原料に水を加えて練り固めたものを焼き固めるので、その粒度分布の測定に、前記特許文献１に開示された土の粒度分布推定方法は、適していないと考えられる。そして、焼結工程で生成される焼結鉱の粒子は、疑似粒子であるため、粉体だけでなく前記粉体に付いた微粉体を含めて粒径を判定する必要があるが、前記特許文献１に開示された土の粒度分布推定方法は、粉体だけ、あるいは、微粉体だけで粒径分布を推定してしまう虞がある。

【0006】

本発明は、上述の事情に鑑みて為された発明であり、その目的は、より広い判定対象の粒径クラスを判定できる粒径クラス判定装置、粒径クラス判定方法および粒径クラス判定プログラム、ならびに、これらでの粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する画像サイズ決定支援装置、画像サイズ決定支援方法および画像サイズ決定支援プログラムを提供することである。

【課題を解決するための手段】

【0007】

本発明者は、種々検討した結果、上記目的は、以下の本発明により達成されることを見出した。すなわち、本発明の一態様にかかる粒径クラス判定装置は、異なる粒径の粒子を含む複数の粒子を撮像した画像を取得する画像取得部と、画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する機械学習済みの機械学習モデル（第１機械学習モデル）によって、前記画像取得部で取得した画像における前記複数の粒径クラスそれぞれの各確率を求める粒径クラス処理部とを備え、前記複数の範囲における各境界値のいずれかは、判定目標の粒径値であり、前記機械学習モデルに入力される画像のサイズは、前記判定目標の粒径値を所定の定数で定数倍したサイズである。好ましくは、上述の粒径クラス判定において、前記判定目標の粒径値は、最小の粒径の粒径クラスに対応する範囲の上限値に設定されている。好ましくは、上述の粒径クラス判定において、前記粒径クラス処理部は、前記求めた各確率を、そのまま、前記入力された画像に対する各粒径クラスの各確率とする。

【0008】

発明者の知見によれば、粒径クラスを、大きな粒径の大粒径クラス、小さな粒径の小粒径クラスおよびこれらの間の中粒径クラスの３個に設定した場合、画像のサイズが小さ過ぎると、大きな粒径を写し込んだ画像では、一粒全体が写らずに粒子の輪郭が欠けるため、適切に抽出し難い。特に、粒子が疑似粒子である場合、核の粉体（後述の第１粒子の一例）に付着した微粉体（後述の第２粒子の一例）を抽出してしまう虞があり、本来の疑似粒子を抽出できない虞がある。一方、画像のサイズが大き過ぎると、画像に大きな粒子と小さな粒子とが写り込んだ場合、小さい粒子の輪郭情報が埋もれてしまう虞があり、適切に抽出し難い。このため、判定目標の粒径値に対し、画像のサイズには、最適解が存在すると考えられる。

【0009】

上記粒径クラス判定装置は、複数の粒子を撮像した画像の粒径クラスの判定に、機械学習モデルを用いるので、様々な判定対象の画像で機械学習することで、より広い判定対象の粒径クラスを判定できる。この判定の際に、前記機械学習モデルに入力される画像のサイズが判定目標の粒径値を所定の定数で定数倍したサイズであるので、上記粒径クラス判定装置は、適切に粒径クラスを判定できる。特に、上記粒径クラス判定装置は、判定対象が疑似粒子である場合に、好適である。

【0010】

他の一態様では、上述の粒径クラス判定装置において、前記所定の定数は、７より大きく、１２より小さい値である。好ましくは、上述の粒径クラス判定装置において、前記所定の定数は、８より大きく、１１より小さい値である。好ましくは、上述の粒径クラス判定装置において、前記所定の定数は、１０である。

【0011】

これによれば、前記所定の定数を、７より大きく、１２より小さい値にした粒径クラス判定装置が提供できる。

【0012】

他の一態様では、これら上述の粒径クラス判定装置において、前記粒子は、核となる第１粒子と、前記第１粒子の表面に付いた、前記第１粒子より小さい第２粒子とを備えて成る疑似粒子である。好ましくは、上述の粒径クラス判定において、前記疑似粒子は、高炉に用いられる焼結鉱の粒子である。

【0013】

これによれば、疑似粒子を判定対象とした粒径クラス判定装置が提供できる。上記粒径クラス判定装置を、疑似粒子の粒径クラスの判定に用いるので、疑似粒子の粒径クラスが適切に判定できる。

【0014】

他の一態様では、これら上述の粒径クラス判定装置において、前記複数の粒子を照明する照明部をさらに備え、前記画像取得部は、画像を生成する撮像部である。

【0015】

このような粒径クラス判定装置は、照明部をさらに備え、画像取得部に撮像部を用いるので、例えば工場内の製造ラインで上記粒径クラス判定装置が利用でき、生産中に粒径クラスが判定できる。

【0016】

本発明の他の一態様にかかる画像サイズ決定支援装置は、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する装置であって、所定の学習用データセットを取得する第１データ取得部と、所定のサイズ決定用データセットを取得する第２データ取得部と、画像が入力され、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する未機械学習の第２機械学習モデルを、前記第１データ取得部で取得した所定の学習用データセットを用いて機械学習する機械学習部と、前記機械学習部で機械学習した第２機械学習モデルに、前記第２データ取得部で取得した所定のサイズ決定用データセットを入力することによって、前記機械学習部で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する出力部とを備え、前記所定の学習用データセットおよび前記所定のサイズ決定用データセットそれぞれは、複数の画像の各画像データを備える複数のデータ群を備え、前記複数のデータ群は、画像のサイズが互いに異なり、前記所定の学習用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、前記複数の粒径クラスそれぞれの画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の粒径クラスが紐付けられ、前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、最小の粒径の粒径クラスに属する粒子の含有率が異なる画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の含有率が紐付けられ、前記未機械学習の第２機械学習モデルは、前記複数のデータ群の個数と同数であって前記複数のデータ群それぞれに応じて備え、前記機械学習部は、前記所定の学習用データセットにおける前記複数のデータ群それぞれについて、当該データ群に応じた未機械学習の第２機械学習モデルを、当該データ群における複数の画像を用いて機械学習し、前記出力部は、前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれについて、当該データ群における画像のサイズと同じ画像のサイズの、前記所定の学習用データセットにおけるデータ群、を用いて前記機械学習部で機械学習した第２機械学習モデルに、当該データ群における複数の画像を入力することによって、前記機械学習部で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する。

【0017】

このような画像サイズ決定支援装置は、機械学習済みの第２学習モデルに、所定のサイズ決定用データセットを入力することによって得られた、前記複数の粒径クラスそれぞれの各確率を出力するので、ユーザは、この出力された複数の粒径クラスそれぞれの各確率と、画像に紐付けられた含有率を参照することで、複数の画像のサイズの中から、最適な画像のサイズを決定できる。したがって、上記画像サイズ決定支援装置は、ユーザによる画像のサイズの決定を好適に支援できる。よって、これによれば、これらでの粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する画像サイズ決定支援装置が提供できる。

【0018】

他の一態様では、これら上述の粒径クラス判定装置において、上述の画像サイズ決定支援装置をさらに備え、前記機械学習済みの機械学習モデルには、前記機械学習部で機械学習した第２機械学習モデルが用いられる。

【0019】

これによれば、画像のサイズの決定を支援する機能付きの粒径クラス判定装置が提供できる。上記粒径クラス判定装置は、画像サイズ決定支援装置と一体であるので、１個の装置で、画像のサイズの決定と粒径クラスの判定とを行うことができる。

【0020】

本発明の他の一態様にかかる粒径クラス判定方法は、異なる粒径の粒子を含む複数の粒子を撮像した画像を取得する画像取得工程と、画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する機械学習済みの機械学習モデルによって、前記画像取得工程で取得した画像における前記複数の粒径クラスそれぞれの各確率を求める粒径クラス処理工程とを備え、前記複数の範囲における各境界値のいずれかは、判定目標の粒径値であり、前記機械学習モデルに入力される画像のサイズは、前記判定目標の粒径値を所定の定数で定数倍したサイズである。

【0021】

本発明の他の一態様にかかる粒径クラス判定プログラムは、異なる粒径の粒子を含む複数の粒子を撮像した画像を取得する画像取得工程と、画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する機械学習済みの機械学習モデルによって、前記画像取得工程で取得した画像における前記複数の粒径クラスそれぞれの各確率を求める粒径クラス処理工程とを備える、コンピュータによって実行されるプログラムであって、前記複数の範囲における各境界値のいずれかは、判定目標の粒径値であり、前記機械学習モデルに入力される画像のサイズは、前記判定目標の粒径値を所定の定数で定数倍したサイズである。

【0022】

このような粒径クラス判定方法および粒径クラス判定プログラムは、複数の粒子を撮像した画像の粒径クラスの判定に、機械学習モデルを用いるので、様々な判定対象の画像で機械学習することで、より広い判定対象の粒径クラスを判定できる。この判定の際に、前記機械学習モデルに入力される画像のサイズが判定目標の粒径値を所定の定数で定数倍したサイズであるので、上記粒径クラス判定方法および粒径クラス判定プログラムは、適切に粒径クラスを判定できる。特に、上記粒径クラス判定方法および粒径クラス判定プログラムは、判定対象が疑似粒子である場合に、好適である。

【0023】

本発明の他の一態様にかかる画像サイズ決定支援方法は、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する方法であって、所定の学習用データセットを取得する第１データ取得工程と、所定のサイズ決定用データセットを取得する第２データ取得工程と、画像が入力され、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する未機械学習の第２機械学習モデルを、前記第１データ取得工程で取得した所定の学習用データセットを用いて機械学習する機械学習工程と、前記機械学習工程で機械学習した第２機械学習モデルに、前記第２データ取得工程で取得した所定のサイズ決定用データセットを入力することによって、前記機械学習工程で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する出力工程とを備え、前記所定の学習用データセットおよび前記所定のサイズ決定用データセットそれぞれは、複数の画像の各画像データを備える複数のデータ群を備え、前記複数のデータ群は、画像のサイズが互いに異なり、前記所定の学習用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、前記複数の粒径クラスそれぞれの画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の粒径クラスが紐付けられ、前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、最小の粒径の粒径クラスに属する粒子の含有率が異なる画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の含有率が紐付けられ、前記未機械学習の第２機械学習モデルは、前記複数のデータ群の個数と同数であって前記複数のデータ群それぞれに応じて備え、前記機械学習工程は、前記所定の学習用データセットにおける前記複数のデータ群それぞれについて、当該データ群に応じた未機械学習の第２機械学習モデルを、当該データ群における複数の画像を用いて機械学習し、前記出力工程は、前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれについて、当該データ群における画像のサイズと同じ画像のサイズの、前記所定の学習用データセットにおけるデータ群、を用いて前記機械学習工程で機械学習した第２機械学習モデルに、当該データ群における複数の画像を入力することによって、前記機械学習工程で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する。

【0024】

本発明の他の一態様にかかる画像サイズ決定支援プログラムは、コンピュータによって実行され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援するプログラムであって、所定の学習用データセットを取得する第１データ取得工程と、所定のサイズ決定用データセットを取得する第２データ取得工程と、画像が入力され、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する未機械学習の第２機械学習モデルを、前記第１データ取得工程で取得した所定の学習用データセットを用いて機械学習する機械学習工程と、前記機械学習工程で機械学習した第２機械学習モデルに、前記第２データ取得工程で取得した所定のサイズ決定用データセットを入力することによって、前記機械学習工程で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する出力工程とを備え、前記所定の学習用データセットおよび前記所定のサイズ決定用データセットそれぞれは、複数の画像の各画像データを備える複数のデータ群を備え、前記複数のデータ群は、画像のサイズが互いに異なり、前記所定の学習用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、前記複数の粒径クラスそれぞれの画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の粒径クラスが紐付けられ、前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、最小の粒径の粒径クラスに属する粒子の含有率が異なる画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の含有率が紐付けられ、前記未機械学習の第２機械学習モデルは、前記複数のデータ群の個数と同数であって前記複数のデータ群それぞれに応じて備え、前記機械学習工程は、前記所定の学習用データセットにおける前記複数のデータ群それぞれについて、当該データ群に応じた未機械学習の第２機械学習モデルを、当該データ群における複数の画像を用いて機械学習し、前記出力工程は、前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれについて、当該データ群における画像のサイズと同じ画像のサイズの、前記所定の学習用データセットにおけるデータ群、を用いて前記機械学習工程で機械学習した第２機械学習モデルに、当該データ群における複数の画像を入力することによって、前記機械学習工程で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する。

【0025】

このような画像サイズ決定支援方法および画像サイズ決定支援プログラムは、機械学習済みの第２学習モデルに、所定のサイズ決定用データセットを入力することによって得られた、前記複数の粒径クラスそれぞれの各確率を出力するので、ユーザは、この出力された複数の粒径クラスそれぞれの各確率と、画像に紐付けられた含有率を参照することで、複数の画像のサイズの中から、最適な画像のサイズを決定できる。したがって、上記画像サイズ決定支援方法および画像サイズ決定支援プログラムは、ユーザによる画像のサイズの決定を好適に支援できる。よって、これらによれば、これらでの粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する画像サイズ決定支援方法および画像サイズ決定支援プログラムが提供できる。

【発明の効果】

【0026】

本発明にかかる粒径クラス判定装置、粒径クラス判定方法および粒径クラス判定プログラムは、より広い判定対象の粒径クラスを判定できる。本発明によれば、これらでの粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する画像サイズ決定支援装置、画像サイズ決定支援方法および画像サイズ決定支援プログラムが提供できる。

【図面の簡単な説明】

【0027】

【図1】実施形態にかかる画像サイズ決定支援機能付きの粒径クラス判定装置の構成を示すブロック図である。

【図2】前記粒径クラス判定装置における画像取得部および照明部を製造ラインに配置した状況を説明するための模式図である。

【図3】学習用データセットおよび検証用データセットを説明するための図である。

【図4】前記粒径クラス判定装置における機械学習モデルを説明するための図である。

【図5】サイズ決定用データセットを説明するための図である。

【図6】機械学習に関する前記粒径クラス判定装置の動作を示すフローチャートである。

【図7】画像サイズ決定支援に関する前記粒径クラス判定装置の動作を示すフローチャートである。

【図8】篩を用いて求めた粉率と前記粒径クラス判定装置を用いて推定した粉率との相関性を示すグラフである。

【図9】粒径クラスの判定に関する前記粒径クラス判定装置の動作を示すフローチャートである。

【図10】一例として、判定対象の画像中において、判定目標の粒径値に対応する粒径クラスの箇所をマークで指し示した画像である。

【発明を実施するための形態】

【0028】

以下、図面を参照して、本発明の１または複数の実施形態が説明される。しかしながら、発明の範囲は、開示された実施形態に限定されない。なお、各図において同一の符号を付した構成は、同一の構成であることを示し、適宜、その説明を省略する。本明細書において、総称する場合には添え字を省略した参照符号で示し、個別の構成を指す場合には添え字を付した参照符号で示す。

【0029】

実施形態における粒径クラス判定装置は、異なる粒径の粒子を含む複数の粒子を撮像した画像を取得する画像取得部と、画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する機械学習済みの機械学習モデル（第１機械学習モデル）によって、前記画像取得部で取得した画像における前記複数の粒径クラスそれぞれの各確率を求める粒径クラス処理部とを備える。前記複数の範囲における各境界値のいずれかは、判定目標の粒径値であり、前記第１機械学習モデルに入力される画像のサイズは、前記判定目標の粒径値を所定の定数で定数倍したサイズである。そして、実施形態における画像サイズ決定支援装置は、粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援する装置である。この画像サイズ決定支援装置は、所定の学習用データセットを取得する第１データ取得部と、所定のサイズ決定用データセットを取得する第２データ取得部と、画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する未機械学習の第２機械学習モデルを、前記第１データ取得部で取得した所定の学習用データセットを用いて機械学習する機械学習部と、前記機械学習部で機械学習した第２機械学習モデルに、前記第１データ取得部で取得した所定のサイズ決定用データセットを入力することによって、前記機械学習部で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する出力部とを備える。前記所定の学習用データセットおよび前記所定の検証用データセットそれぞれは、複数の画像の各画像データを備える複数のデータ群を備え、前記複数のデータ群は、画像のサイズが互いに異なる。前記所定の学習用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、前記複数の粒径クラスそれぞれの画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の粒径クラスが紐付けられている。前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、最小の粒径の粒径クラスに属する粒子の含有率が異なる画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の含有率が紐付けられている。そして、前記未機械学習の第２機械学習モデルは、前記複数のデータ群の個数と同数であって前記複数のデータ群それぞれに応じて備え、前記機械学習部は、前記所定の学習用データセットにおける前記複数のデータ群それぞれについて、当該データ群に応じた未機械学習の第２機械学習モデルを、当該データ群における複数の画像を用いて機械学習し、前記出力部は、前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれについて、当該データ群における画像のサイズと同じ画像のサイズの、前記所定の学習用データセットにおけるデータ群、を用いて前記機械学習部で機械学習した第２機械学習モデルに、当該データ群における複数の画像を入力することによって、前記機械学習部で機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を出力する。以下、このような粒径クラス判定装置、これに実装される粒径クラス判定方法およびこれに実装される粒径クラス判定プログラム、ならびに、画像サイズ決定支援装置、これに実装される画像サイズ決定支援方法およびこれに実装される画像サイズ決定支援プログラムについて、これら粒径クラス判定装置と画像サイズ決定支援装置とを一体にした、画像サイズ決定支援機能付きの粒径クラス判定装置によって、より具体的に説明する。

【0030】

図１は、実施形態にかかる画像サイズ決定支援機能付きの粒径クラス判定装置の構成を示すブロック図である。図２は、前記粒径クラス判定装置における画像取得部および照明部を製造ラインに配置した状況を説明するための模式図である。図３は、学習用データセットおよび検証用データセットを説明するための図である。図３Ａは、一例として、粒径が２ｍｍ以下である複数の粒子を撮像した画像を示し、図３Ｂは、一例として、粒径が２ｍｍを超え２．８ｍｍ以下である複数の粒子を撮像した画像を示し、図３Ｃは、一例として、粒径が２．８ｍｍを超え４．７５ｍｍ以下である複数の粒子を撮像した画像を示す。図３Ｄは、図３Ａに示す画像を複数に分割する様子を示し、図３Ｅは、図３Ｂに示す画像を複数に分割する様子を示し、図３Ｆは、図３Ｃに示す画像を複数に分割する様子を示す。図３Ｇは、一例として、第１分割サイズで分割した複数のデータ群の画像群を示し、図３Ｈは、一例として、第２分割サイズで分割した複数のデータ群の画像群を示し、図３Ｉは、一例として、第３分割サイズで分割した複数のデータ群の画像群を示し、図３Ｊは、一例として、第４分割サイズで分割した複数のデータ群の画像群を示す。図４は、前記粒径クラス判定装置における機械学習モデルを説明するための図である。図５は、サイズ決定用データセットを説明するための図である。図５Ａは、一例として、粉率２０％のデータ群における複数の画像を示し、図５Ｂは、一例として、粉率３０％のデータ群における複数の画像を示し、図５Ｃは、一例として、粉率４０％のデータ群における複数の画像を示し、図５Ｄは、一例として、粉率５０％のデータ群における複数の画像を示す。

【0031】

実施形態における粒径クラス判定装置Ｄは、例えば、図１に示すように、画像取得部１と、照明部２と、制御処理部３と、入力部４と、出力部５と、インターフェース部（ＩＦ部）６と、記憶部７とを備える。

【0032】

画像取得部１は、制御処理部３に接続され、制御処理部３の制御に従って、異なる粒径の粒子を含む複数の粒子を撮像した画像を取得するものである。前記粒子は、任意の粒子であってよいが、本実施形態では、前記粒子は、例えば、核となる第１粒子と、前記第１粒子の表面に付いた、前記第１粒子より小さい１または複数の第２粒子とを備えて成る疑似粒子である。より具体的には、前記粒子は、上述した、鉄鉱石、石灰石およびコークス等の、核となる粉体（第１粒子の一例）と、前記粉体の表面に付いた、前記粉体より小さいこれらの微粉体（第２粒子の一例）とを備えて成る焼結鉱の粒子（焼結鉱粒子）である。このような焼結鉱は、好ましくは、高炉で用いられる。画像取得部１は、本実施形態では、焼結工程中に、焼結工程後における複数の焼結鉱粒子の画像を取得するために、画像取得部１は、例えば、画像を生成する撮像部１であり、この撮像部１は、図２に示すように、焼結工程後における各焼結鉱粒子を搬送するベルトコンベアＢＣの上方に、前記ベルトコンベアＢＣ上の各焼結鉱粒子を俯瞰できるように、配設される。より詳しくは、前記撮像部１は、その光軸を、前記ベルトコンベアＢＣの搬送面（各焼結鉱粒子が載る面）の法線方向に一致させ、前記ベルトコンベアＢＣの直上に配設される。前記撮像部１は、前記ベルトコンベアＢＣにおける幅方向（搬送方向に直交する方向）の全体を撮像できる画角であることが好ましい。焼結工程後の各焼結鉱粒子を撮像し、その粒径クラスを判定することで、その判定結果に応じて焼結工程の焼結条件が調整でき、焼結工程を最適化して効率的に焼結工程が実施できる。このような撮像部１は、例えば、撮像対象における光学像を所定の結像面上に結像する結像光学系、前記結像面に受光面を一致させて配置され、前記撮像対象における光学像を電気的な信号に変換するエリアイメージセンサ、および、エリアイメージセンサの出力を画像処理することで前記撮像対象における画像を表すデータである画像データを生成する画像処理部等を備えるデジタルカメラである。

【0033】

なお、画像取得部１は、撮像部１に限らず、他の装置であってもよい。例えば、画像取得部１は、外部の機器との間でデータを入出力するインターフェース回路である。前記外部の機器は、異なる粒径の粒子を含む複数の粒子を撮像した画像を記憶した、例えばＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリおよびＳＤカード（登録商標）等の記憶媒体である。あるいは、前記外部の機器は、前記画像を記録した、例えばＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－Ｒ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅｃｏｒｄａｂｌｅ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）およびＤＶＤ－Ｒ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅｃｏｒｄａｂｌｅ）等の記録媒体からデータを読み込むドライブ装置である。この画像取得部１としてのインターフェース回路は、有線または無線によって前記外部の機器に接続されてよい。あるいは、画像取得部１は、例えば、外部の機器と通信信号を送受信する通信インターフェース回路であって、前記外部の機器は、ネットワーク（ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ、公衆通信網を含む））あるいはＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を介して前記通信インターフェース回路に接続され、前記画像を管理するサーバ装置である。このような画像取得部１では、製造中ではなくても、画像の粒径クラスが判定でき、過去の焼結工程が検証できる。ここで、画像取得部１がインターフェース回路や通信インターフェース回路である場合では、画像取得部１は、ＩＦ部６と兼用されてもよい（すなわち、ＩＦ部６が画像取得部１として用いられてもよい）。

【0034】

照明部２は、制御処理部３に接続され、制御処理部３の制御に従って、判定対象である前記複数の粒子を照明する装置である。本実施形態では、照明部２は、図２に示すように、４個の第１ないし第４照明部２－１～２－４を備え、これら第１ないし第４照明部２－１～２－４は、撮像部１を四方から囲み、前記ベルトコンベアＢＣ上の各焼結鉱粒子を照明できるように、配設される。より具体的には、前記ベルトコンベアＢＣの搬送面に平行な仮想平面上に、正方形を仮想的に設定した場合に、撮像部１は、その光軸が前記正方形の中心（２対角線の交点）を通るように配置され、第１ないし第４照明部２－１～２－４は、前記正方形の四隅（四角）に１つずつ、その光軸が、前記撮像部１の光軸が前記ベルトコンベアＢＣの搬送面と交わる交点を通るように、配設される。なお、照明部２は、マニュアル操作により、オンオフされてもよい。

【0035】

入力部４は、制御処理部３に接続され、例えば、支援開始を指示するコマンドや判定開始を指示するコマンド等の各種コマンド、および、支援の結果、求められた画像のサイズ等の、画像サイズ決定支援機能付きの粒径クラス判定装置Ｄを動作させる上で必要な各種データを粒径クラス判定装置Ｄに入力する機器であり、例えば、所定の機能を割り付けられた複数の入力スイッチ、キーボードおよびマウス等である。出力部５は、制御処理部３に接続され、制御処理部３の制御に従って、入力部４から入力されたコマンドやデータおよび判定結果の粒径クラス等を出力する機器であり、例えばＣＲＴディスプレイ、ＬＣＤ（液晶表示装置）および有機ＥＬディスプレイ等の表示装置やプリンタ等の印刷装置等である。

【0036】

なお、入力部４および出力部５は、タッチパネルより構成されてもよい。このタッチパネルを構成する場合において、入力部４は、例えば抵抗膜方式や静電容量方式等の操作位置を検出して入力する位置入力装置であり、出力部５は、表示装置である。このタッチパネルでは、表示装置の表示面上に位置入力装置が設けられ、表示装置に入力可能な１または複数の入力内容の候補が表示され、ユーザが、入力したい入力内容を表示した表示位置に触れると、位置入力装置によってその位置が検出され、検出された位置に表示された表示内容がユーザの操作入力内容として粒径クラス判定装置Ｄに入力される。このようなタッチパネルでは、ユーザは、入力操作を直感的に理解し易いので、ユーザにとって取り扱い易い粒径クラス判定装置Ｄが提供される。

【0037】

ＩＦ部６は、制御処理部３に接続され、制御処理部３の制御に従って、例えば、外部の機器との間でデータを入出力する回路であり、例えば、シリアル通信方式であるＲＳ－２３２Ｃのインターフェース回路、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格を用いたインターフェース回路、および、ＵＳＢ規格を用いたインターフェース回路等である。また、ＩＦ部６は、例えば、データ通信カードや、ＩＥＥＥ８０２．１１規格等に従った通信インターフェース回路等の、外部の機器と通信信号を送受信する通信インターフェース回路であってもよい。

【0038】

入力部４は、後述の所定の学習用データセットの入力や検証用データセットの入力を受け付け、取得し、後述の所定のサイズ決定用データセットの入力を受け付け、取得する。入力部４は、所定の学習用データセットを取得する第１データ取得部の一例に相当し、所定のサイズ決定用データセットを取得する第２データ取得部の一例に相当する。あるいは、ＩＦ部６は、所定の学習用データセットを記憶した記憶媒体、所定の学習用データセットを記録した記録媒体、または、所定の学習用データセットを管理するサーバ装置から、前記所定の学習用データセットを取得する。ＩＦ部６は、所定のサイズ決定用データセットを記憶した記憶媒体、所定のサイズ決定用データセットを記録した記録媒体、または、所定のサイズ決定用データセットを管理するサーバ装置から、前記所定のサイズ決定用データセットを取得する。ＩＦ部６は、前記第１データ取得部の他の一例に相当し、前記第２データ取得部の他の一例に相当する。

【0039】

記憶部７は、制御処理部３に接続され、制御処理部３の制御に従って、各種の所定のプログラムおよび各種の所定のデータを記憶する回路である。前記各種の所定のプログラムには、例えば、制御処理プログラムが含まれ、前記制御処理プログラムには、例えば、粒径クラス判定装置Ｄの各部１、２、４～７を当該各部の機能に応じてそれぞれ制御する制御プログラムや、画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する未機械学習の第２機械学習モデルを、前記第１データ取得部（本実施形態では入力部４やＩＦ部６）で取得した所定の学習用データセットを用いて機械学習する機械学習プログラムや、画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する機械学習済みの機械学習モデル（第１機械学習モデル）によって、前記画像取得部で取得した画像における前記複数の粒径クラスそれぞれの各確率を求める粒径クラス処理プログラムや、前記画像取得部１で取得した画像を、入力部４で受け付けた画像のサイズに調整する画像サイズ調整プログラム等が含まれる。本実施形態では、機械学習済みの第１機械学習モデルには、前記機械学習プログラムによって機械学習した機械学習済みの第２機械学習モデルが用いられる。前記各種の所定のデータには、例えば、画像取得部１で取得した画像、学習用データセット、後述の検証用データセットおよびサイズ決定用データセット等の、これら各プログラムを実行する上で必要なデータが含まれる。このような記憶部７は、例えば不揮発性の記憶素子であるＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）や書き換え可能な不揮発性の記憶素子であるＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を備える。そして、記憶部７は、前記所定のプログラムの実行中に生じるデータ等を記憶するいわゆる制御処理部３のワーキングメモリとなるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等を含む。また、記憶部７は、比較的記憶容量の大きいハードディスク装置を備えて構成されてもよい。

【0040】

制御処理部３は、粒径クラス判定装置Ｄの各部１、２、４～７を当該各部の機能に応じてそれぞれ制御し、異なる粒径の粒子を含む複数の粒子を撮像した画像に基づいて前記粒子の粒径クラスを判定し、前記粒径クラスの判定に用いる画像のサイズを決定する際に、前記決定を支援するための回路である。制御処理部３は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）およびその周辺回路を備えて構成される。制御処理部３は、制御処理プログラムが実行されることによって、制御部３１、機械学習部３２、粒径クラス処理部３３および画像サイズ調整部３４を機能的に備える。

【0041】

制御部１１は、粒径クラス判定装置Ｄの各部１、２、４～７を当該各部の機能に応じてそれぞれ制御し、粒径クラス判定装置Ｄの全体制御を司るものである。

【0042】

機械学習部３２は、画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する未機械学習の第２機械学習モデルを、前記第１データ取得部（本実施形態では入力部４やＩＦ部６）で取得した所定の学習用データセットを用いて機械学習するものである。

【0043】

前記所定の学習用データセットは、複数の画像の各画像データを備える複数のデータ群を備える。前記複数のデータ群は、画像のサイズが互いに異なる。前記所定の学習用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、前記複数の粒径クラスそれぞれの画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の粒径クラスが紐付けられている。したがって、機械学習部３２は、前記未機械学習の第２機械学習モデルを教師ありで分類問題として機械学習する。

【0044】

そして、前記未機械学習の第２機械学習モデルは、前記複数のデータ群の個数と同数であって前記複数のデータ群それぞれに応じて備える。前記機械学習部３２は、前記所定の学習用データセットにおける前記複数のデータ群それぞれについて、当該データ群に応じた未機械学習の第２機械学習モデルを、当該データ群における複数の画像を用いて機械学習する。

【0045】

本実施形態では、粒子は、上述したように、焼結工程後の焼結鉱粒子であり、粒径クラス判定装置Ｄは、これをベルトコンベアＢＣで搬送中に撮像した画像に基づいて粒径クラスを判定する。このベルトコンベアＢＣ上における複数の焼結鉱粒子は、発明者の知見によれば、局所的に略同一粒径で存在する。本実施形態では、この略同一粒径で局在する各焼結鉱粒子を、大中小の３個の粒径クラスのいずれかに分類することとする。そして、本実施形態では、効率的に焼結工程を運用するために、２ｍｍを超えない焼結鉱粒子を検出することが目的となる。このため、本実施形態では、前記３個の粒径クラスは、前記複数の焼結鉱粒子に、通常、観察される粒径を勘案することによって、ＪＩＳ規格（ＪＩＳ Ｚ８８０１－１）の篩で分別可能な、粒径が２ｍｍ以下の粒子（すなわち、前記２ｍｍを超えない焼結鉱粒子、小粒径粒子）の粒径クラス（小粒径クラス）、粒径が２ｍｍを超え２．８ｍｍ以下の粒子（中粒径粒子）の粒径クラス（中粒径クラス）、および、粒径が２．８ｍｍを超え４．７５ｍｍ以下の粒子（大粒径粒子）の粒径クラス（大粒径クラス）とする。

【0046】

発明者の知見によれば、粒径クラスを、このような大中小の３個の粒径クラスに設定した場合、画像のサイズが小さ過ぎると、大きな粒径を写し込んだ画像では、一粒全体が写らずに粒子の輪郭が欠けるため、適切に抽出し難い。特に、粒子が疑似粒子の焼結鉱粒子である場合、核の粉体に付着した微粉体を抽出してしまう虞があり、本来の疑似粒子の焼結鉱粒子を抽出できない虞がある。一方、画像のサイズが大き過ぎると、画像に大きな粒子と小さな粒子とが写り込んだ場合、小さい粒子の輪郭情報が埋もれてしまう虞があり、適切に抽出し難い。このため、判定目標の粒径値に対し、画像のサイズ（画像の大きさ）には、最適解が存在すると考えられる。本実施形態では、前記２ｍｍを超えない焼結鉱粒子を検出ことが目的であるから、判定目標の粒径値は、前記２ｍｍとなる。

【0047】

このため、前記所定の学習用データセットにおける前記複数のデータ群の画像のサイズ（画像サイズ）は、前記判定目標の粒径値を定数倍したサイズで互いに異なるように設定される。具体的には、前記所定の学習用データセットにおける前記複数のデータ群は、最適解探索の手段として４個の第１ないし第４データ群であり、第１データ群における画像のサイズ（第１画像サイズ）は、判定目標の粒径値の１２倍に設定され、第２データ群における画像のサイズ（第２画像サイズ）は、判定目標の粒径値の１０倍に設定され、第３データ群における画像のサイズ（第３画像サイズ）は、判定目標の粒径値の７倍に設定され、第４データ群における画像のサイズ（第４画像サイズ）は、判定目標の粒径値の５倍に設定された。

【0048】

より具体的には、前記所定の学習用データセットは、次のように作成された。本実施形態では、前記所定の学習用データセットとともに、所定の検証用データセットも作成された。前記所定の検証用データセットは、学習用データセットと同一構成で、機械学習した機械学習モデルが適切に機械学習されたか否か（すなわち、正解できるか否か）を検証するためのデータである。

【0049】

まず、焼結鉱をＪＩＳ規格の篩にかけることによって、小粒径粒子の焼結鉱粒子の集合体（小粒径焼結鉱集合体）、中粒径粒子の焼結鉱粒子の集合体（中粒径焼結鉱集合体）および大粒径粒子の焼結鉱粒子の集合体（大粒径焼結鉱集合体）が用意された。

【0050】

次に、この小粒径焼結鉱集合体が平面上に広げられ、直上からデジタルカメラで撮像することによって、例えば、図３Ａに示す、２４５６×２０５４ｐｉｘｅｌの画像（小粒径画像）が生成された。同様の作業が複数回繰り返され、複数の小粒径画像が生成された。同様の作業が、中粒径焼結鉱集合体および大粒径焼結鉱集合体それぞれに対し、実施され、中粒径焼結鉱集合体を撮像した画像（中粒径画像）が複数生成され、大粒径焼結鉱集合体を撮像した画像（大粒径画像）が複数生成された。図３Ｂおよび図３Ｃには、それぞれ、中粒径画像および大粒径画像が示されている。

【0051】

次に、小粒径画像が約１２倍のサイズとなるように、本実施形態では１ｐｉｘｅｌが０．０６ｍｍであるので、例えば、図３Ｄに示すように、４１１×３７５ｐｉｘｅｌのサイズに分割され、前記複数の小粒径画像から、２８４２枚の、小粒径画像を分割した画像（第１画像サイズの小粒径分割画像）が生成された。この２８４２枚の第１画像サイズの小粒径分割画像のうち、２０８５枚が学習用データセットにおける第１データ群に属する画像データとされ、これら各画像データそれぞれには、小粒径クラスが紐付けられた。前記２８４２枚の第１画像サイズの小粒径分割画像のうち、７８４枚が検証用データセットにおける第１データ群に属する画像データとされ、これら各画像データそれぞれには、小粒径クラスが紐付けられた。例えば、図３Ｅおよび図３Ｆそれぞれに示すように、同様の作業が、中粒径画像および大粒径画像それぞれに対し、実施され、複数の中粒径画像から、１８１３枚の、中粒径画像を分割した画像（第１画像サイズの中粒径分割画像）が生成され、複数の大粒径画像から、１９６０枚の、大粒径画像を分割した画像（第１画像サイズの大粒径分割画像）が生成された。この１８１３枚の第１画像サイズの中粒径分割画像のうち、１３７２枚が学習用データセットにおける第１データ群に属する画像データとされ、残余の４４１枚が検証用データセットにおける第１データ群に属する画像データとされ、これら各画像データそれぞれには、中粒径クラスが紐付けられた。この１９６０枚の第１画像サイズの大粒径分割画像のうち、１３７２枚が学習用データセットにおける第１データ群に属する画像データとされ、残余の５８８枚が検証用データセットにおける第１データ群に属する画像データとされ、これら各画像データそれぞれには、大粒径クラスが紐付けられた。これによって、例えば、図３Ｇに示す、学習用データセットにおける第１データ群が生成され、図略の検証用データセットにおける第１データ群が生成された。

【0052】

次に、前記複数の小粒径画像、前記複数の中粒径画像および前記複数の大粒径画像それぞれに対し、同様の作業が、約１０倍のサイズになるように、３１９×２９０ｐｉｘｅｌのサイズで実施された。これによって、例えば、図３Ｈに示す、学習用データセットにおける第２データ群が生成され、図略の検証用データセットにおける第２データ群が生成された。学習用データセットの第２データ群における第２画像サイズの小粒径分割画像（小粒径画像を第２画像サイズで分割した画像）、第２画像サイズの中粒径分割画像（中粒径画像を第２画像サイズで分割した画像）および第２画像サイズの大粒径分割画像（大粒径画像を第２画像サイズで分割した画像）は、それぞれ、２０５８枚、１１２７枚および１３７２枚であり、検証用データセットの第２データ群における第２画像サイズの小粒径分割画像、第２画像サイズの中粒径分割画像および第２画像サイズの大粒径分割画像は、それぞれ、７８４枚、４１１枚および５８８枚であった。

【0053】

次に、前記複数の小粒径画像、前記複数の中粒径画像および前記複数の大粒径画像それぞれに対し、同様の作業が、約７倍のサイズになるように、２３７×２１６ｐｉｘｅｌのサイズで実施された。これによって、例えば、図３Ｉに示す、学習用データセットにおける第３データ群が生成され、図略の検証用データセットにおける第３データ群が生成された。学習用データセットの第３データ群における第３画像サイズの小粒径分割画像（小粒径画像を第３画像サイズで分割した画像）、第３画像サイズの中粒径分割画像（中粒径画像を第３画像サイズで分割した画像）および第３画像サイズの大粒径分割画像（大粒径画像を第３画像サイズで分割した画像）は、それぞれ、３４０２枚、１８６３枚および２２６８枚であり、検証用データセットの第３データ群における第３画像サイズの小粒径分割画像、第３画像サイズの中粒径分割画像および第３画像サイズの大粒径分割画像は、それぞれ、１２９６枚、９７２枚および７２９枚であった。

【0054】

次に、前記複数の小粒径画像、前記複数の中粒径画像および前記複数の大粒径画像それぞれに対し、同様の作業が、約５倍のサイズになるように、１８４×１６７ｉｘｅｌのサイズで実施された。これによって、例えば、図３Ｊに示す、学習用データセットにおける第４データ群が生成され、図略の検証用データセットにおける第４データ群が生成された。学習用データセットの第４データ群における第４画像サイズの小粒径分割画像（小粒径画像を第４画像サイズで分割した画像）、第４画像サイズの中粒径分割画像（中粒径画像を第４画像サイズで分割した画像）および第４画像サイズの大粒径分割画像（大粒径画像を第４画像サイズで分割した画像）は、それぞれ、６０４８枚、３３１２枚および４０３２枚であり、検証用データセットの第４データ群における第４画像サイズの小粒径分割画像、第４画像サイズの中粒径分割画像および第４画像サイズの大粒径分割画像は、それぞれ、２３０４枚、１２９６枚および１７２８枚であった。

【0055】

本実施形態では、前記未機械学習の第２機械学習モデルは、第１データ群に応じた未機械学習の第２機械学習モデル（第１画像サイズ用の未機械学習の第２機械学習モデル）、第２データ群に応じた未機械学習の第２機械学習モデル（第２画像サイズ用の未機械学習の第２機械学習モデル）、第３データ群に応じた未機械学習の第２機械学習モデル（第３画像サイズ用の未機械学習の第２機械学習モデル）および第４データ群に応じた未機械学習の第２機械学習モデル（第４画像サイズ用の未機械学習の第２機械学習モデル）の４個を備える。機械学習部３２は、学習用データセットにおける第１データ群の複数の画像（複数の第１画像サイズの小粒径分割画像、複数の第１画像サイズの中粒径分割画像および複数の第１画像サイズの大粒径分割画像）を用いて、第１画像サイズ用の未機械学習の第２機械学習モデルを教師ありで機械学習し、学習用データセットにおける第２データ群（複数の第２画像サイズの小粒径分割画像、複数の第２画像サイズの中粒径分割画像および複数の第２画像サイズの大粒径分割画像）を用いて、第２画像サイズ用の未機械学習の第２機械学習モデルを教師ありで機械学習し、学習用データセットにおける第３データ群（複数の第３画像サイズの小粒径分割画像、複数の第３画像サイズの中粒径分割画像および複数の第３画像サイズの大粒径分割画像）を用いて、第３画像サイズ用の未機械学習の第２機械学習モデルを教師ありで機械学習し、学習用データセットにおける第４データ群（複数の第４画像サイズの小粒径分割画像、複数の第４画像サイズの中粒径分割画像および複数の第４画像サイズの大粒径分割画像）を用いて、第４画像サイズ用の未機械学習の第２機械学習モデルを教師ありで機械学習する。これによって第１データ群（第１画像サイズ）の機械学習済みの第２機械学習モデルが生成され、第２データ群（第２画像サイズ）の機械学習済みの第２機械学習モデルが生成され、第３データ群（第３画像サイズ）の機械学習済みの第２機械学習モデルが生成され、第４データ群（第４画像サイズ）の機械学習済みの第２機械学習モデルが生成される。

【0056】

前記機械学習モデルには、本実施形態では、公知の、深層学習（ディープラーニング、Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）の畳み込みニューラルネットワーク（（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＣＮＮ）が用いられる。

【0057】

このＣＮＮ８は、例えば、図４に示すように、過学習を回避する機能を持つＣＮＮであり、複数層の前処理部８１（８１－１～８１－６）と、後処理部８２とを備える。

【0058】

本実施形態では、ＣＮＮ８は、６層の第１ないし第６前処理部８１～８１－６を備える。これら第１ないし第６前処理部８１－１～８１－６は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が同一であり、畳み込み層８１１（８１１－１～８１１－６）と、プーリング層８１２（８１２－１～８１２－６）と、ドロップアウト層８１３（８１３－１～８１３－６）とを備える。各畳み込み層８１１（８１１－１～８１１－６）は、当該層の入力画像に対し畳み込み演算を実行するものであり、前記入力画像の特徴を抽出する。各プーリング層８１２（８１２－１～８１２－６）は、畳み込み層８１１（８１１－１～８１１－６）に接続され、畳み込み層８１１（８１１－１～８１１－６）の出力（特徴マップ）のサイズを、所定の処理で小さくするものである。前記所定の処理には、通常、マックスプーリングが用いられる。このマックスプーリングは、例えば１２×１２サイズの特徴マップを３×３サイズに縮小する場合、１２×１２サイズの特徴マップを４×４サイズの９個の領域に分け、各領域の中で各最大値を抽出し、前記３×３サイズの各値とする。なお、前記最大値の代え、領域の平均値を求めるアベレージプリングが用いられてもよい。各ドロップアウト層８１３（８１３－１～８１３－６）は、プーリング層８１２（８１２－１～８１２－６）に接続され、過学習を回避するものである。ドロップアウト層８１３は、複数のノードを備え、機械学習の更新ごと、前記複数のノードを一定確率でランダムに選択して非活性化（無効化）するものである。例えば、第１前処理部８１－１は、出力チャネル数が１６チャネルであり、１６チャネルで第２前処理部８１－２に接続され、ドロップアウト層８１３は、１６個のノードで構成され、これら１６個のノードが機械学習の更新ごとにランダムに非活性化される。なお、図４に示す例では、ドロップアウト層８１３（８１３－１～８１３－６）は、各前処理部８１－１～８１－６に備えられたが、ドロップアウト層８１３を備えない前処理部８１があってもよい。第１前処理部８１－１は、入力チャネル数が１チャネルであり、出力チャネル数が１６チャネルである。第２前処理部８１－２は、入力チャネル数が１６チャネルであり、出力チャネル数が３２チャネルである。第３前処理部８１－３は、入力チャネル数が３２チャネルであり、出力チャネル数が６４チャネルである。第４前処理部８１－４は、入力チャネル数が６４チャネルであり、出力チャネル数が６４チャネルである。第５前処理部８１－５は、入力チャネル数が６４チャネルであり、出力チャネル数が１２８チャネルである。第６前処理部８１－６は、入力チャネル数が１２８チャネルであり、出力チャネル数が６４チャネルである。

【0059】

後処理部８２は、全結合層８２１と、出力層８２２とを備えるニューラルネットワークであり、前記ニューラルネットワークによって、前処理部８１の処理結果に基づいて、前処理部８１に入力された入力画像を認識するものである。本実施形態では、複数の粒子を撮像した画像が前記入力画像として入力され、前記画像（前記入力画像）に対する小粒径クラスの確率、中粒径クラスの確率および大粒径クラスの確率の各確率が出力される。

【0060】

図１に戻って、粒径クラス処理部３３は、画像が入力され、粒径を互いに異なる複数の範囲に複数の粒径クラスとして分けた場合に、前記複数の粒径クラスそれぞれについて、前記入力された画像が当該粒径クラスに分類される確率を出力する機械学習済みの第１機械学習モデルによって、前記画像取得部１で取得した画像における前記複数の粒径クラスそれぞれの各確率を求めるものである。制御部３１は、この粒径クラス処理部３３によって求められた、前記画像における前記複数のクラスそれぞれの各確率を出力部５に出力する。そして、本実施形態における粒径クラス判定装置Ｄは、上述のように画像サイズ決定支援機能付きであり、粒径クラス処理部３３は、機械学習部３２で機械学習した機械学習済みの第２機械学習モデルに、前記第２データ取得部で取得した所定のサイズ決定用データセットを入力することによって、前記所定のサイズ決定用データセットの各画像における前記複数のクラスそれぞれの各確率を求める。制御部３１は、この粒径クラス処理部３３によって求められた、前記所定のサイズ決定用データセットの各画像における前記複数のクラスそれぞれの各確率を出力部５に出力する。前記機械学習済みの第１機械学習モデルには、前記機械学習部３２で機械学習した第２機械学習モデルが用いられる。

【0061】

本実施形態では、上述のように、前記画像に対する小粒径クラスの確率（小粒径確率）、中粒径クラスの確率（中粒径確率）および大粒径クラスの確率（大粒径確率）の各確率が求められ、出力される。

【0062】

前記サイズ決定用データセットは、複数の画像の各画像データを備える複数のデータ群を備える。前記複数のデータ群は、画像のサイズが互いに異なる。前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれにおいて、当該データ群における複数の画像は、最小の粒径の粒径クラスに属する粒子の含有率が異なる画像を含む複数の画像であり、当該データ群における複数の画像それぞれについて、当該画像の含有率が紐付けられている。

【0063】

そして、粒径クラス処理部３３は、前記所定のサイズ決定用データセットにおける前記複数のデータ群それぞれについて、当該データ群における画像のサイズと同じ画像のサイズの、前記所定の学習用データセットにおけるデータ群、を用いて前記機械学習部３２で機械学習した第２機械学習モデルに、当該データ群における複数の画像を入力することによって、前記機械学習部で３２機械学習した第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を求める。制御部３１は、この粒径クラス処理部３３によって前記複数のデータ群それぞれについて求められた、前記所定のサイズ決定用データセットの各画像における前記複数のクラスそれぞれの各確率を出力部５に出力する。

【0064】

本実施形態では、粒径クラスは、上述のように、小粒径クラス、中粒径クラスおよび大粒径クラスであり、前記最小の粒径の粒径クラスは、小粒径クラスとなり、前記最小の粒径の粒径クラスに属する粒子は、ＪＩＳ規格の篩に掛けた場合に粒径が２ｍｍ以下の粒子となり、前記最小の粒径の粒径クラスに属する粒子の含有率は、この粒径が２ｍｍ以下の粒子の含有率となる。本実施形態では、この粒径が２ｍｍ以下の粒子が「粉」と定義され、測定対象における「粉」の含有率（測定対象全体に対する粉の割合）が「粉率」と定義される。

【0065】

前記所定のサイズ決定用データセットにおける前記複数のデータ群の画像のサイズは、前記所定の学習用データセットにおける前記複数のデータ群の画像のサイズとされる。上述の例では、前記所定のサイズ決定用データセットにおける前記複数のデータ群は、４個の第１ないし第４データ群であり、第１データ群における画像のサイズ（第１画像サイズ）は、判定目標の粒径値の１２倍に設定され、第２データ群における画像のサイズ（第２画像サイズ）は、判定目標の粒径値の１０倍に設定され、第３データ群における画像のサイズ（第３画像サイズ）は、判定目標の粒径値の７倍に設定され、第４データ群における画像のサイズ（第４画像サイズ）は、判定目標の粒径値の５倍に設定される。

【0066】

画像サイズを決定するために、互いに異なる粉率は、２０％、３０％、４０％および５０％に設定された。

【0067】

より具体的には、前記所定のサイズ決定用データセットは、次のように作成された。

【0068】

まず、焼結鉱をＪＩＳ規格の篩を用いることによって、粉率２０％の焼結鉱粒子の集合体（粉率２０％焼結鉱集合体）、粉率３０％の焼結鉱粒子の集合体（粉率３０％焼結鉱集合体）、粉率４０％の焼結鉱粒子の集合体（粉率４０％焼結鉱集合体）および粉率５０％の焼結鉱粒子の集合体（粉率５０％焼結鉱集合体）が、それぞれ、２個ずつ用意された。

【0069】

次に、２個の粉率２０％焼結鉱集合体それぞれに対し、上述の前記所定の学習用データセットにおける小粒径画像の生成作業と同様に作業され、粉率２０％の焼結鉱の画像（粉率２０％画像）が生成され、上述の前記所定の学習用データセットにおける小粒径分割画像の生成作業と同様に作業され、粉率２０％画像を第１画像サイズで分割した画像（第１画像サイズの粉率２０％分割画像）、粉率２０％画像を第２画像サイズで分割した画像（第２画像サイズの粉率２０％分割画像）、粉率２０％画像を第３画像サイズで分割した画像（第３画像サイズの粉率２０％分割画像）および粉率２０％画像を第４画像サイズで分割した画像（第４画像サイズの粉率２０％分割画像）が生成された。前記用意された２個の粉率２０％焼結鉱集合体それぞれは、別途、ＪＩＳ規格の篩試験によって実際の粉率が実測された。１個の粉率２０％焼結鉱集合体に対し、これら第１ないし第４画像サイズの各粉率２０％分割画像は、それぞれ、５０枚、生成された。その一例が図５Ａに示されている。

【0070】

次に、２個の粉率３０％焼結鉱集合体それぞれに対し、上述同様に作業され、５０枚ずつ、第１画像サイズの粉率３０％分割画像、第２画像サイズの粉率３０％分割画像、第３画像サイズの粉率３０％分割画像および第４画像サイズの粉率３０％分割画像が生成され、前記２個の粉率３０％焼結鉱集合体における各粉率が実測された。その一例が図５Ｂに示されている。

【0071】

次に、２個の粉率４０％焼結鉱集合体それぞれに対し、上述同様に作業され、５０枚ずつ、第１画像サイズの粉率４０％分割画像、第２画像サイズの粉率４０％分割画像、第３画像サイズの粉率４０％分割画像および第４画像サイズの粉率４０％分割画像が生成され、前記２個の粉率４０％焼結鉱集合体における各粉率が実測された。その一例が図５Ｃに示されている。

【0072】

次に、２個の粉率５０％焼結鉱集合体それぞれに対し、上述同様に作業され、５０枚ずつ、第１画像サイズの粉率５０％分割画像、第２画像サイズの粉率５０％分割画像、第３画像サイズの粉率５０％分割画像および第４画像サイズの粉率５０％分割画像が生成され、前記２個の粉率５０％焼結鉱集合体における各粉率が実測された。その一例が図５Ｄに示されている。

【0073】

次に、これら第１画像サイズの粉率２０％分割画像、第１画像サイズの粉率３０％分割画像、第１画像サイズの粉率４０％分割画像および第１画像サイズの粉率５０％分割画像が、サイズ決定用データセットにおける第１データ群に属する画像データとされ、これら第２画像サイズの粉率２０％分割画像、第２画像サイズの粉率３０％分割画像、第２画像サイズの粉率４０％分割画像および第２画像サイズの粉率５０％分割画像が、サイズ決定用データセットにおける第２データ群に属する画像データとされ、これら第３画像サイズの粉率２０％分割画像、第３画像サイズの粉率３０％分割画像、第３画像サイズの粉率４０％分割画像および第３画像サイズの粉率５０％分割画像が、サイズ決定用データセットにおける第３データ群に属する画像データとされ、これら第４画像サイズの粉率２０％分割画像、第４画像サイズの粉率３０％分割画像、第４画像サイズの粉率４０％分割画像および第４画像サイズの粉率５０％分割画像が、サイズ決定用データセットにおける第４データ群に属する画像データとされた。本実施形態では、粉率２０％焼結鉱集合体、粉率３０％焼結鉱集合体、粉率４０％焼結鉱集合体および粉率５０％焼結鉱集合体を、それぞれ、２個ずつ用意したことに応じて、サイズ決定用データセットも、２個、生成された。

【0074】

粒径クラス処理部３３は、第１画像サイズ用の機械学習済みの第２機械学習モデルに、前記所定のサイズ決定用データセットにおける第１データ群における複数の画像を入力することによって、前記第１画像サイズの機械学習済みの機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を求め、制御部３１は、これら各確率を出力部５に出力する。粒径クラス処理部３３は、第２画像サイズ用の機械学習済みの第２機械学習モデルに、前記所定のサイズ決定用データセットにおける第２データ群における複数の画像を入力することによって、前記第２画像サイズの機械学習済みの機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を求め、制御部３１は、これら各確率を出力部５に出力する。粒径クラス処理部３３は、第３画像サイズ用の機械学習済みの第２機械学習モデルに、前記所定のサイズ決定用データセットにおける第３データ群における複数の画像を入力することによって、前記第３画像サイズの機械学習済みの機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を求め、制御部３１は、これら各確率を出力部５に出力する。粒径クラス処理部３３は、第４画像サイズ用の機械学習済みの第２機械学習モデルに、前記所定のサイズ決定用データセットにおける第４データ群における複数の画像を入力することによって、前記第４画像サイズの機械学習済みの機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を求め、制御部３１は、これら各確率を出力部５に出力する。

【0075】

画像サイズ調整部３４は、前記画像取得部１で取得した画像を、入力部４で受け付けた画像サイズに調整するものである。画像サイズ調整部３４は、例えば、前記画像取得部１で取得した１枚の画像から、入力部４で受け付けた画像サイズの画像領域（例えば画像の中央部分の画像領域等）を切り出すことによって、入力部４で受け付けた画像サイズの画像を１枚、生成してよい。あるいは、例えば、画像サイズ調整部３４は、前記画像取得部１で取得した１枚の画像から、入力部４で受け付けた画像サイズの画像領域を不連続で複数、切り出すことによって、入力部４で受け付けた画像サイズの画像を複数枚、生成してよい。本実施形態では、例えば、画像サイズ調整部３４は、前記画像取得部１で取得した１枚の画像を、入力部４で受け付けた画像サイズの画像領域で２次元マトリックス状に分割することによって、入力部４で受け付けた画像サイズの画像を複数枚、生成する。そして、粒径クラス処理部３３は、画像サイズ調整部３４で分割することによって生成された複数枚の各画像それぞれについて、当該画像を、入力部４で受け付けた画像のサイズに対応する機械学習済みの第２機械学習モデルを機械学習済みの第１機械学習モデルとして、これに入力することによって、機械学習済みの第２機械学習モデルから出力された前記複数の粒径クラスそれぞれの各確率を求め、制御部３１は、これら各確率を出力部５に出力する。

【0076】

このような制御処理部３、入力部４、出力部５、ＩＦ部６および記憶部７は、例えば、デスクトップ型やノート型等のコンピュータによって構成可能である。

【0077】

次に、本実施形態の動作について説明する。図６は、機械学習に関する前記粒径クラス判定装置の動作を示すフローチャートである。図７は、画像サイズ決定支援に関する前記粒径クラス判定装置の動作を示すフローチャートである。図８は、篩を用いて求めた粉率と前記粒径クラス判定装置を用いて推定した粉率との相関性を示すグラフである。図９は、粒径クラスの判定に関する前記粒径クラス判定装置の動作を示すフローチャートである。図１０は、一例として、判定対象の画像中において、判定目標の粒径値に対応する粒径クラスの箇所をマークで指し示した画像である。図１０Ａないし図１０Ｄは、判定後の画像を示し、図１０Ｅは、図１０Ａに対応する判定前の画像を示し、図１０Ｆは、図１０Ｂに対応する判定前の画像を示し、図１０Ｇは、図１０Ｃに対応する判定前の画像を示し、図１０Ｈは、図１０Ｄに対応する判定前の画像を示す。

【0078】

このような構成の画像サイズ決定支援機能付きの粒径クラス判定装置Ｄは、その電源が投入されると、必要な各部の初期化を実行し、その稼働を始める。制御処理部３には、その制御処理プログラムの実行によって、制御部３１、機械学習部３２、粒径クラス処理部３３および画像サイズ調整部３４が機能的に構成される。

【0079】

第２機械学習モデルの機械学習では、ユーザ（オペレータ）は、所定の学習用データセットを画像サイズ決定支援機能付きの粒径クラス判定装置Ｄに入力部４またはＩＦ部６を介して入力する。上述の例では、第１ないし第４画像サイズそれぞれに対応する第１ないし第４データ群を備える所定の学習用データセットが粒径クラス判定装置Ｄに入力される。

【0080】

図６において、まず、粒径クラス判定装置Ｄは、制御処理部３の制御部３１によって、この入力部４またはＩＦ部６を介して入力された前記所定の学習用データセットを取得し、記憶部７に記憶する（Ｓ１１）。

【0081】

次に、粒径クラス判定装置Ｄは、制御処理部３の機械学習部３２によって、前記所定の学習用データセットにおける１つのデータ群における複数の画像（画像データ）を用いて、前記データ群用として、未機械学習の第２機械学習モデルを機械学習する（Ｓ１２）。例えば、第１データ群（第１画像サイズ）における複数の画像を用いて、前記第１データ群用として、未機械学習の第２機械学習モデルが機械学習される。

【0082】

次に、機械学習が終了すると、粒径クラス判定装置Ｄは、機械学習部３２によって、前記データ群用として機械学習した機械学習済みの第２機械学習モデルを前記データ群と対応付けて（紐付けて）記憶部７に記憶する（Ｓ１３）。上述の例では、前記第１データ群用として機械学習した機械学習済みの第２機械学習モデルが前記第１データ群（例えば第１データ群を特定し識別するための識別子（データ群ＩＤ、画像サイズＩＤ））と対応付けて記憶部７に記憶される。なお、機械学習済みの第２機械学習モデルは、検証用データセットによって検証されてもよい。

【0083】

次に、粒径クラス判定装置Ｄは、機械学習部３２によって、前記所定の学習用データセットにおける全てのデータ群（全ての画像サイズ）について処理Ｓ１２および処理Ｓ１３の各処理を終了したか否かを判定する（Ｓ１４）。この判定の結果、前記全てのデータ群について前記各処理を終了していない場合（Ｎｏ）には、粒径クラス判定装置Ｄは、次のデータ群について前記各処理を実行するために、処理を処理Ｓ１２に戻す。一方、前記判定の結果、前記全てのデータ群について前記各処理を終了している場合（Ｙｅｓ）には、粒径クラス判定装置Ｄは、本処理を終了する。なお、必要に応じて、各データ群に対応する機械学習済みの各機械学習モデルは、ＩＦ部６から外部の機器へ出力されてもよい。

【0084】

これによって上述の例では、第１データ群用（第１画像サイズ用）の機械学習済みの第２機械学習モデルが生成され、第２データ群用（第２画像サイズ用）の機械学習済みの第２機械学習モデルが生成され、第３データ群用（第３画像サイズ用）の機械学習済みの第２機械学習モデルが生成され、第４データ群用（第４画像サイズ用）の機械学習済みの第２機械学習モデルが生成され、これらが記憶部７に記憶される。

【0085】

機械学習に関し、粒径クラス判定装置Ｄは、このように動作する。

【0086】

画像サイズの決定の支援では、機械学習済みの第２機械学習モデルを生成した後に、ユーザ（オペレータ）は、所定のサイズ決定用データセットを画像サイズ決定支援機能付きの粒径クラス判定装置Ｄに入力部４またはＩＦ部６を介して入力する。上述の例では、第１ないし第４画像サイズそれぞれに対応する第１ないし第４データ群を備える所定のサイズ決定用データセットが粒径クラス判定装置Ｄに入力される。

【0087】

図７において、まず、粒径クラス判定装置Ｄは、制御処理部３の制御部３１によって、この入力部４またはＩＦ部６を介して入力された前記所定のサイズ決定用データセットを取得し、記憶部７に記憶する（Ｓ２１）。

【0088】

次に、粒径クラス判定装置Ｄは、制御処理部３の粒径クラス処理部３３によって、前記所定のサイズ決定用データセットにおける１つのデータ群における複数の画像（画像データ）を、前記データ群における画像サイズと同じ画像サイズの、前記所定の学習用データセットにおけるデータ群、を用いて上述のように機械学習部３２で機械学習した第２機械学習モデルに用いることによって、前記複数の粒径クラスそれぞれの各確率を求め、これら各確率を記憶部７に記憶する（Ｓ２２）。前記各確率には、前記データ群（データ群ＩＤ、画像サイズＩＤ）、この各確率を求めるために機械学習済みの第２機械学習モデルに入力した画像（入力画像）（画像を特定し識別するための識別子（画像ＩＤ））、この入力画像に紐付けられた含有率が対応付けられる。例えば、第１データ群（第１画像サイズ）における複数の画像（画像データ）それぞれについて、当該画像が第１データ群用の機械学習済みの第２機械学習モデルに入力され、当該画像に対する小粒径確率、中粒径確率および大粒径確率が求められ、これら各確率が、データ群ＩＤ、画像ＩＤおよび粉率と対応付けられて記憶部７に記憶される。

【0089】

次に、粒径クラス判定装置Ｄは、粒径クラス処理部３３によって、前記所定のサイズ決定用データセットにおける全てのデータ群（全ての画像サイズ）について処理Ｓ２２を終了したか否かを判定する（Ｓ２３）。この判定の結果、前記全てのデータ群について前記処理Ｓ２２を終了していない場合（Ｎｏ）には、粒径クラス判定装置Ｄは、次のデータ群について前記処理Ｓ２２を実行するために、処理を処理Ｓ２２に戻す。一方、前記判定の結果、前記全てのデータ群について前記処理Ｓ２２を終了している場合（Ｙｅｓ）には、粒径クラス判定装置Ｄは、次に、処理Ｓ２４を実行する。

【0090】

この処理Ｓ２４では、粒径クラス判定装置Ｄは、制御処理部３の制御部３１によって、処理Ｓ２２で求めて記憶部７に記憶された複数の各確率を、これに対応付けられたデータ群（データ群ＩＤ、画像サイズＩＤ）、入力画像（画像ＩＤ）および含有率（上述の例では粉率）とともに、出力部５に出力し、本処理を終了する。なお、必要に応じて、これら複数の各確率は、前記データ群（データ群ＩＤ、画像サイズＩＤ）等とともに、ＩＦ部６から外部の機器へ出力されてもよい。

【0091】

画像サイズの決定の支援に関し、粒径クラス判定装置Ｄは、このように動作する。

【0092】

本実施形態では、上述したように、２個のサイズ決定用データセットを用意したので、各サイズ決定用データセットに対し、上述の各処理が実行され、各サイズ決定用データセットに対し、各確率が得られた。その結果が図８に示されている。図８の横軸は、ＪＩＳ規格の篩を用いて実測した粉率（小粒径粒子の含有率）（質量％）である。図８の縦軸は、サイズ決定用データセットを粒径クラス判定装置Ｄに用いて推定した粉率（面積％）であり、粒径クラス判定装置Ｄで上述の処理Ｓ２１ないし処理Ｓ２４の各処理によって求めた小粒径確率、中粒径確率および大粒径確率のうち、小粒径確率の平均値である。例えば、第１画像サイズでは、２個のサイズ決定用データセットのうちの一方の生成にかかる粉率２０％焼結鉱集合体に対し、ＪＩＳ規格の篩を用いて実測した粉率が横軸の値となり、この粉率２０％焼結鉱集合体から生成された第１データ群における５０枚の各画像それぞれについて、前記第１データ群用の機械学習済みの第２機械学習モデルによって、当該画像に対する小粒径確率、中粒径確率および大粒径確率が求められ、前記５０枚の各画像に対して求められた各小粒径確率の平均値が縦軸の値となる。また例えば、第３画像サイズでは、２個のサイズ決定用データセットのうちの一方の生成にかかる粉率４０％焼結鉱集合体に対し、ＪＩＳ規格の篩を用いて実測した粉率が横軸の値となり、この粉率４０％焼結鉱集合体から生成された第３データ群における５０枚の各画像それぞれについて、前記第３データ群用の機械学習済みの第２機械学習モデルによって、当該画像に対する小粒径確率、中粒径確率および大粒径確率が求められ、前記５０枚の各画像に対して求められた各小粒径確率の平均値が縦軸の値となる。第１画像サイズ（第１データ群）の結果は、◆で示され、第２画像サイズ（第２データ群）の結果は、●で示され、第３画像サイズ（第３データ群）の結果は、×で示され、第４画像サイズ（第４データ群）の結果は、▲で示されている。

【0093】

図８に×で示す第３画像サイズの結果および▲で示す第４サイズの結果から分かるように、実測の粉率のいずれに対しても、粒径クラス判定装置Ｄで求めた小粒径確率の平均値は、約３３．３％となっている。したがって、第３および第４画像サイズでは、粒径クラス判定装置Ｄは、各粒径クラスを均等に判定しており、小粒径粒子、中粒径粒子および大粒径粒子を区別することができず、粒径クラスが判定できていない。よって、粒径クラスの判定には、第３および第４画像サイズは、小過ぎると考察される。

【0094】

一方、図８に◆で示す第１画像サイズの結果から分かるように、実測の粉率のいずれに対しても、粒径クラス判定装置Ｄで求めた小粒径確率の平均値は、約１００％となっている。したがって、第１画像サイズでは、粒径クラス判定装置Ｄは、全て小粒径クラスと判定しており、小粒径粒子、中粒径粒子および大粒径粒子を区別することができず、粒径クラスが判定できていない。よって、粒径クラスの判定には、第１画像サイズは、大き過ぎると考察される。

【0095】

このため、粒径クラスの判定には、画像サイズは、第３画像サイズより大きく、第１画像サイズより小さい範囲内である。すなわち、機械学習モデルに入力される画像サイズを、前記判定目標の粒径値を所定の定数で定数倍したサイズとした場合に、上述では、前記判定目標の粒径値は、２ｍｍであり、前記所定の定数は、７より大きく、１２より小さい値である。好ましくは、前記所定の定数は、８より大きく、１１より小さい値である。好ましくは、前記所定の定数は、１０である。

【0096】

粒径クラスの判定では、ユーザ（オペレータ）は、画像サイズ（または、前記所定の定数）を粒径クラス判定装置Ｄに入力部４を介して入力する。例えば、第２画像サイズ（または、前記所定の定数として１０）が粒径クラス判定装置Ｄに入力される。なお、複数の画像サイズ（または、前記所定の定数）それぞれに対応する機械学習済みの第２機械学習モデルが記憶部７に予め記憶されているものとする。

【0097】

図９において、まず、粒径クラス判定装置Ｄは、制御処理部３の制御部３１によって、入力部４で画像サイズ（または、前記所定の定数）の入力を受け付け、この入力された画像サイズ（または前記所定の定数）を記憶部７に記憶する（Ｓ３１）。なお、照明部２が点灯される。

【0098】

次に、粒径クラス判定装置Ｄは、制御処理部３の制御部３１によって、この入力された画像サイズ（または前記所定の定数）に対応する機械学習済みの第２機械学習モデルを、記憶部７に記憶された複数の機械学習済みの第２機械学習モデルの中から選択し、この選択した機械学習済みの第２機械学習モデルを、粒径クラス処理部３３で用いる第１機械学習モデルとして設定する（Ｓ３２）。

【0099】

次に、粒径クラス判定装置Ｄは、制御部３１によって、画像取得部１で画像を取得し、記憶部７に記憶する（Ｓ３３）。

【0100】

次に、粒径クラス判定装置Ｄは、制御処理部３の画像サイズ調整部３４によって、処理Ｓ３３で取得した画像を、処理Ｓ３１で受け付けた画像サイズに調整する（Ｓ３４）。

【0101】

次に、粒径クラス判定装置Ｄは、制御処理部３の粒径クラス処理部３３によって、処理Ｓ３４で画像サイズを調整した画像を、処理Ｓ３２で設定された機械学習済みの機械学習モデルに入力することによって、前記画像に対する各確率を求め、各確率の中から最も高い確率の粒径クラスを、前記画像に対する粒径クラスと判定し、この判定の結果を記憶部７に記憶する（Ｓ３５）。

【0102】

次に、粒径クラス判定装置Ｄは、制御部３１によって、処理Ｓ３５で判定された判定の結果を出力部５に出力する（Ｓ３６）。

【0103】

より具体的には、処理Ｓ３４ないし処理Ｓ３６の各処理では、処理Ｓ３１で受け付けた画像サイズの領域が、処理Ｓ３３で取得した画像から、一方の角（例えば画像の左上の角）から、前記一方の角に対する対角の角（この例では画像の右下の角）へ、いわゆるラスタースキャン方式で走査するように、順次に、抽出され、この領域の抽出ごとに、この抽出した領域の画像が、処理Ｓ３２で設定された機械学習済みの機械学習モデルに入力され、この抽出した領域の画像に対する各確率が求められ、前記抽出した領域の画像に対する粒径クラスが判定され、この判定の結果が、前記抽出した領域の位置で、前記処理Ｓ３３で取得した画像に重畳され、表示される。ここでは、前記判定では、前記求めた各確率が、そのまま、前記抽出した領域の画像に対する各粒径クラスの各確率とされる。例えば、図１０Ａないし図１０Ｄそれぞれに示すように、小粒径確率が５０％以上である領域の画像に対し、前記領域の位置で、５０％以上の確率で小粒径クラスであると判定されることを表すマーク；□が、前記処理Ｓ３３で取得した画像に重畳され、表示される。図１０Ａに示す画像は、図１０Ｅに示す粉率２０％の画像に対する粒径クラスの判定結果；□を、前記図１０Ｅに示す粉率２０％の画像に重畳した画像である。図１０Ｂに示す画像は、図１０Ｆに示す粉率３０％の画像に対する粒径クラスの判定結果；□を、前記図１０Ｆに示す粉率３０％の画像に重畳した画像である。図１０Ｃに示す画像は、図１０Ｇに示す粉率４０％の画像に対する粒径クラスの判定結果；□を、前記図１０Ｇに示す粉率４０％の画像に重畳した画像である。図１０Ｄに示す画像は、図１０Ｈに示す粉率５０％の画像に対する粒径クラスの判定結果；□を、前記図１０Ｈに示す粉率５０％の画像に重畳した画像である。処理Ｓ３３で取得した画像は、処理Ｓ３１で受け付けた画像サイズの領域に二次元マトリックス状に分けられ、この分けられた複数の領域の画像それぞれに対し、粒径クラスが判定され、その判定結果；□が付される。図１０に示すように、粉率が高くなるに従って、マーク□の個数が増えている。すなわち、粉率が高くなるに従って、５０％以上の確率で小粒径クラスであると判定される領域の個数が増えている。

【0104】

図９に戻って、次に、粒径クラス判定装置Ｄは、制御部３１によって、本処理の終了であるか否かを判定する。この判定の結果、本処理の終了である場合（Ｙｅｓ）には、粒径クラス判定装置Ｄは、本処理を終了し、前記判定の結果、本処理の終了ではない場合（Ｎｏ）には、粒径クラス判定装置Ｄは、次に、処理Ｓ３８を実行する。例えば、上述の処理Ｓ３３ないし処理Ｓ３６の各処理の実行中に、入力部４で、処理の終了を指示する所定のコマンドの入力を受け付けた場合（所定の入力スイッチ等が入力操作された場合）には、前記本処理の終了と判定され、これを除く場合には、前記本処理の終了ではないと判定される。

【0105】

この処理Ｓ３８では、粒径クラス判定装置Ｄは、制御部３１によって、次の判定タイミングになっているか否かを判定する。この判定の結果、次の判定タイミングになっている場合（Ｙｅｓ）には、粒径クラス判定装置Ｄは、次の画像の粒径クラスを判定するために、処理を処理Ｓ３３に戻す。一方、前記判定の結果、次の判定タイミングになっていない場合（Ｎｏ）には、粒径クラス判定装置Ｄは、処理を処理Ｓ３８に戻す。したがって、次の判定タイミングになるまで、処理Ｓ３８が繰り返される。例えば、所定のサンプリング間隔で、画像の粒径クラスを判定する場合、前回の判定タイミングから、前記所定のサンプリング間隔の時間が経過した場合に、次の判定タイミングになっていると判定される。

【0106】

なお、上述では、処理Ｓ３１によって画像サイズの入力を受け付け、この入力された画像サイズに応じた機械学習済みの第２機械学習モデルを粒径クラス処理部３３に処理Ｓ３２によって設定したが、画像サイズは、予め規定され、これに応じた機械学習済みの第２機械学習モデルは、粒径クラス処理部３３に予め設定され、これら処理Ｓ３１および処理Ｓ３２は、省略されてもよい。

【0107】

粒径クラスの判定に関し、粒径クラス判定装置Ｄは、このように動作する。

【0108】

以上説明したように、本実施形態における画像サイズ決定支援機能付きの粒径クラス判定装置Ｄ、ならびに、これに実装された粒径クラス判定方法および粒径クラス判定プログラムは、複数の粒子を撮像した画像の粒径クラスの判定に、第１機械学習モデルを用いるので、様々な判定対象の画像で機械学習することで、より広い判定対象の粒径クラスを判定できる。この判定の際に、前記第１機械学習モデルに入力される画像のサイズが判定目標の粒径値を所定の定数で定数倍したサイズであるので、上記粒径クラス判定装置Ｄ、粒径クラス判定方法および粒径クラス判定プログラムは、適切に粒径クラスを判定できる。特に、上記粒径クラス判定装置Ｄ、粒径クラス判定方法および粒径クラス判定プログラムは、判定対象が疑似粒子である場合に、好適である。

【0109】

上記粒径クラス判定装置Ｄ、粒径クラス判定方法および粒径クラス判定プログラムは、照明部２（２－１～２－４）をさらに備え、画像取得部１に撮像部１を用いるので、例えば工場内の製造ラインで上記上記粒径クラス判定装置Ｄ、粒径クラス判定方法および粒径クラス判定プログラムが利用でき、生産中に粒径クラスが判定できる。

【0110】

上述の実施形態によれば、前記所定の定数を、７より大きく、１２より小さい値にした上記粒径クラス判定装置Ｄ、粒径クラス判定方法および粒径クラス判定プログラムが提供できる。

【0111】

上述の実施形態によれば、疑似粒子を判定対象とした上記粒径クラス判定装置Ｄ、粒径クラス判定方法および粒径クラス判定プログラムが提供できる。上記粒径クラス判定装置Ｄ、粒径クラス判定方法および粒径クラス判定プログラムを、疑似粒子の粒径クラスの判定に用いるので、疑似粒子の粒径クラスが適切に判定できる。

【0112】

本実施形態における画像サイズ決定支援機能付きの粒径クラス判定装置Ｄ、ならびに、これに実装された画像サイズ決定支援方法および画像サイズ決定支援プログラムは、機械学習済みの第２学習モデルに、所定のサイズ決定用データセットを入力することによって得られた、前記複数の粒径クラスそれぞれの各確率を出力するので、ユーザは、この出力された複数の粒径クラスそれぞれの各確率と、画像に紐付けられた含有率（実施形態ではその一例の粉率）を参照することで、複数の画像サイズの中から、最適な画像サイズを決定できる。したがって、上記画像サイズ決定支援機能付きの粒径クラス判定装置Ｄ、画像サイズ決定支援方法および画像サイズ決定支援プログラムは、ユーザによる画像サイズの決定を好適に支援できる。よって、本実施形態によれば、これらでの粒径クラスの判定に用いる画像サイズを決定する際に、前記決定を支援する上記画像サイズ決定支援機能付きの粒径クラス判定装置Ｄ、画像サイズ決定支援方法および画像サイズ決定支援プログラムが提供できる。

【0113】

本発明を表現するために、上述において図面を参照しながら実施形態を通して本発明を適切且つ十分に説明したが、当業者であれば上述の実施形態を変更および／または改良することは容易に為し得ることであると認識すべきである。したがって、当業者が実施する変更形態または改良形態が、請求の範囲に記載された請求項の権利範囲を離脱するレベルのものでない限り、当該変更形態または当該改良形態は、当該請求項の権利範囲に包括されると解釈される。

【符号の説明】

【0114】

Ｄ 画像サイズ決定支援機能付きの粒径クラス判定装置
１ 画像取得部
２（２－１～２－４） 照明部
３ 制御処理部
４ 入力部
５ 出力部
６ インターフェース部（ＩＦ部）
７ 記憶部
３１ 制御部
３２ 機械学習部
３３ 粒径クラス処理部
３４ 画像サイズ調整部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】