ホーム > 特許ランキング > 株式会社 カロリアジャパン
▶ 株式会社 カロリアジャパンの特許一覧 ▶ 地方独立行政法人青森県産業技術センターの特許一覧
(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】P2023146746
(43)【公開日】2023-10-12
(54)【発明の名称】生体の検査方法
(51)【国際特許分類】
G01N 21/359 20140101AFI20231004BHJP
C12N 1/10 20060101ALI20231004BHJP
A01M 1/00 20060101ALI20231004BHJP
【ＦＩ】
G01N21/359
C12N1/10
A01M1/00 Q
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
(21)【出願番号】P 2022054109
(22)【出願日】2022-03-29
(71)【出願人】
【識別番号】305061092
【氏名又は名称】株式会社 カロリアジャパン
(71)【出願人】
【識別番号】309015019
【氏名又は名称】地方独立行政法人青森県産業技術センター
(74)【代理人】
【識別番号】100093148
【弁理士】
【氏名又は名称】丸岡 裕作
(74)【復代理人】
【識別番号】110002354
【氏名又は名称】弁理士法人平和国際特許事務所
(72)【発明者】
【氏名】花松 学
(72)【発明者】
【氏名】岡山 透
(72)【発明者】
【氏名】花松 憲光
(72)【発明者】
【氏名】新藤 潤一
(72)【発明者】
【氏名】青山 理絵
【テーマコード（参考）】
2B121
2G059
4B065
【Ｆターム（参考）】
2B121AA20
2G059AA05
2G059BB08
2G059BB11
2G059BB12
2G059EE01
2G059EE02
2G059EE11
2G059FF01
2G059FF10
2G059HH01
2G059JJ17
2G059KK04
2G059MM01
2G059MM05
2G059MM10
4B065AA86X
(57)【要約】
【課題】 被検対象の生体を非破壊的に検査することのできるようにして、検査効率の向上を図るとともに、汎用性の向上を図る。
【解決手段】 予め、寄生虫に感染しているサンプル生体と寄生虫に感染していないサンプル生体とに近赤外線を照射し、サンプル生体からの拡散反射光あるいは拡散透過光を受光してその吸光度を測定し、この吸光度における二次微分スペクトルに基づいて生体の寄生虫に対する感染の有無及び／または感染による予め定めた発症無しから発症有りの最大までの発症の程度を数値化した被害度に係る演算を行う演算モデルを構築し、被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光の吸光度と上記の演算モデルとから演算された演算結果により感染の有無及び／または被害度を判別する。
【選択図】図８
【解決手段】 予め、寄生虫に感染しているサンプル生体と寄生虫に感染していないサンプル生体とに近赤外線を照射し、サンプル生体からの拡散反射光あるいは拡散透過光を受光してその吸光度を測定し、この吸光度における二次微分スペクトルに基づいて生体の寄生虫に対する感染の有無及び／または感染による予め定めた発症無しから発症有りの最大までの発症の程度を数値化した被害度に係る演算を行う演算モデルを構築し、被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光の吸光度と上記の演算モデルとから演算された演算結果により感染の有無及び／または被害度を判別する。
【選択図】図８
【特許請求の範囲】
【請求項1】
被検対象である生体の寄生虫に対する感染に係る検査を行う生体の検査方法において、
予め、寄生虫に感染しているサンプル生体と寄生虫に感染していないサンプル生体とに近赤外線を照射し、該サンプル生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、該吸光度における二次微分スペクトルに基づいて生体の寄生虫に対する感染の有無及び／または感染による予め定めた発症無しから発症有りの最大までの発症の程度を数値化した被害度に係る演算を行う演算モデルを構築し、
被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、この吸光度と上記演算モデルとから演算された演算結果により上記感染の有無及び／または被害度を判別することを特徴とする生体の検査方法。
予め、寄生虫に感染しているサンプル生体と寄生虫に感染していないサンプル生体とに近赤外線を照射し、該サンプル生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、該吸光度における二次微分スペクトルに基づいて生体の寄生虫に対する感染の有無及び／または感染による予め定めた発症無しから発症有りの最大までの発症の程度を数値化した被害度に係る演算を行う演算モデルを構築し、
被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、この吸光度と上記演算モデルとから演算された演算結果により上記感染の有無及び／または被害度を判別することを特徴とする生体の検査方法。
【請求項2】
上記被害度を、感染無しの被検対象についても階級付けすることを特徴とする請求項１記載の生体の検査方法。
【請求項3】
上記被害度を、被検対象に現れる変色部位の程度に基づいて定めたことを特徴とする請求項１または２記載の生体の検査方法。
【請求項4】
上記被害度は、発症無しを０とし、発症有りの最大を１００とした指数で構成したことを特徴とする請求項３記載の生体の検査方法。
【請求項5】
上記被害度は、発症の程度を、発症無しを０とし、発症有りの最大を１００とした指数で表したとき、発症無しを０とし、発症有りの側を所定指数範囲毎に順に上昇する階級で構成したことを特徴とする請求項３記載の生体の検査方法。
【請求項6】
上記演算モデルは、統計学的解析を用いて構築される解析モデル、または、機械学習を用いて構築される学習済みモデルからなり、
上記統計学的解析は、判別分析、重回帰分析、ＰＬＳ回帰分析、ロジスティック回帰分析、サポートベクターマシン（ＳＶＭ）から選択され、
上記機械学習は、決定木（ＣＡＲＴ），回帰木，ランダムフォレスト，勾配ブースティング木等の木分析、パーセプトロン、畳み込みニューラルネットワーク（ＣＮＮ）、再起型ニューラルネットワーク（ＲＮＮ）、残差ネットワーク（ＲｅｓＮｅｔ）等のニューラルネットワーク若しくはディープラーニング（ＤＮＮ）、これらの組合せからなるアンサンブル分析から選択されることを特徴とする請求項１乃至５何れかに記載の生体の検査方法。
上記統計学的解析は、判別分析、重回帰分析、ＰＬＳ回帰分析、ロジスティック回帰分析、サポートベクターマシン（ＳＶＭ）から選択され、
上記機械学習は、決定木（ＣＡＲＴ），回帰木，ランダムフォレスト，勾配ブースティング木等の木分析、パーセプトロン、畳み込みニューラルネットワーク（ＣＮＮ）、再起型ニューラルネットワーク（ＲＮＮ）、残差ネットワーク（ＲｅｓＮｅｔ）等のニューラルネットワーク若しくはディープラーニング（ＤＮＮ）、これらの組合せからなるアンサンブル分析から選択されることを特徴とする請求項１乃至５何れかに記載の生体の検査方法。
【請求項7】
上記演算モデルとして、感染の有無を判別する種類の異なる複数の演算モデルを用い、各演算モデルを用いた各判別結果のうちいずれか１つが感染有りを判別したとき、当該判別結果を優先することを特徴とする請求項６記載の生体の検査方法。
【請求項8】
上記演算モデルとして、感染の有無を判別する種類の異なる３以上の演算モデルを用い、各演算モデルの感染の有無の判別結果を多数決で決定することを特徴とする請求項６記載の生体の検査方法。
【請求項9】
上記寄生虫は、生体としての植物が感染するセンチュウであることを特徴とする請求項１乃至８何れかに記載の生体の検査方法。
【請求項10】
上記生体は、ニンニク，ジャガイモ，サツマイモ，アイリスから選択され、寄生虫は、イモグサレセンチュウであることを特徴とする請求項９記載の生体の検査方法。
【請求項11】
上記被検対象を、りん片が集合したニンニク球で構成したことを特徴とする請求項１０記載の生体の検査方法。
【請求項12】
上記被害度を、被検対象に現れる変色部位の程度に基づいて定めるとともに、発症無しを０とし、発症有りの最大を１００とした指数で構成した下記の被害度で構成したことを特徴とする請求項１１記載の生体の検査方法。
被害度（指数）＝（（ｔ＝１のりん片数）＋（ｔ＝２のりん片数×２）＋（ｔ＝３のりん片数×３）＋（ｔ＝４のりん片数×４））／（全調査りん片数×４）×１００
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
被害度（指数）＝（（ｔ＝１のりん片数）＋（ｔ＝２のりん片数×２）＋（ｔ＝３のりん片数×３）＋（ｔ＝４のりん片数×４））／（全調査りん片数×４）×１００
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
【請求項13】
上記被害度を、被検対象に現れる変色部位の程度に基づいて定めるとともに、発症の程度を、発症無しを０とし、発症有りの最大を１００とした指数で表したとき、下記の発症の程度で表し、発症無しを０とし、発症有りの側を所定指数範囲毎に順に上昇する階級で構成したことを特徴とする請求項１１記載の生体の検査方法。
発症の程度（指数）＝（（ｔ＝１のりん片数）＋（ｔ＝２のりん片数×２）＋（ｔ＝３のりん片数×３）＋（ｔ＝４のりん片数×４））／（全調査りん片数×４）×１００
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
発症の程度（指数）＝（（ｔ＝１のりん片数）＋（ｔ＝２のりん片数×２）＋（ｔ＝３のりん片数×３）＋（ｔ＝４のりん片数×４））／（全調査りん片数×４）×１００
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、植物や動物からなる生体の寄生虫に対する感染に係る検査を行う生体の検査方法に関する。
【背景技術】
【0002】
一般に、例えば、食用の植物や観賞用の植物、あるいは、食用の動物（魚や肉）からなる生体は、寄生虫に感染し、その用に供さないことがあり、そのため、生体の寄生虫に対する感染に係る検査を行う。その生体の検査方法としては、例えば、寄生虫としてセンチュウの場合で説明すると、以下の生体としてのニンニクの例を挙げることができる。
【0003】
近年、生体としてのニンニクにおいては、寄生虫としてのセンチュウであるイモグサレセンチュウに対しての感染が生じ、その対策が種々行われている。その際、先ず、収穫したニンニクのイモグサレセンチュウに対する感染に係る検査を行うことが必要不可欠になる。従来、このイモグサレセンチュウの検査方法としては、例えば、特許文献１（特開２０１７－２１９４２３号公報）に記載されたものが知られている。これは、予め、イモグサレセンチュウを破砕して遠心分離で得られる体内液を家兎に注射・免疫して抗血清を得、この抗体血清から非特異的反応を示す反応物を除去して抗線虫血清を得る。そして、被検対象であるニンニクを破砕し、これに上記の抗線虫血清を接触させて抗原－抗体反応処理し、その後、抗線虫血清中の抗体を標識処理する。反応複合体が生成している場合にはその検出がなされる。反応複合体を検出するための標識処理としては、酵素や蛍光物質等による従来公知の処理方法を用いる。
【0004】
また、センチュウの抽出法としては、例えば、表面を殺菌処理した感染ニンニクのりん片を細かく刻んでロート上で薬品処理してセンチュウ懸濁液を得るベルマン法が知られている（上記の特許文献１（特開２０１７－２１９４２３号公報），特許文献２（特開２０１０－１００５６８号公報）等参照）。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２０１７－２１９４２３号公報
【特許文献2】特開２０１０－１００５６８号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、この従来の生体の検査方法においては、逐一、生体を破砕して抗線虫血清や所要の薬品で処理しなければならないので、手間がかかり検査作業が極めて煩雑になっているとともに、生体を破壊するので、ニンニクのようにりん片のまま出荷する製品の場合には、全品検査ができないことから、対応できないという問題があった。
【0007】
本発明は、このような問題点に鑑みてなされたもので、寄生虫に感染した生体であってもその生体を非破壊的に検査することができるようにして、検査効率の向上を図るとともに、汎用性の向上を図った生体の検査方法を提供することを目的とする。
【課題を解決するための手段】
【0008】
このような目的を達成するため、本発明の生体の検査方法は、被検対象である生体の寄生虫に対する感染に係る検査を行う生体の検査方法において、
予め、寄生虫に感染しているサンプル生体と寄生虫に感染していないサンプル生体とに近赤外線を照射し、該サンプル生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、該吸光度における二次微分スペクトルに基づいて生体の寄生虫に対する感染の有無及び／または感染による予め定めた発症無しから発症有りの最大までの発症の程度を数値化した被害度に係る演算を行う演算モデルを構築し、
被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、この吸光度と上記演算モデルとから演算された演算結果により上記感染の有無及び／または被害度を判別する構成としている。
予め、寄生虫に感染しているサンプル生体と寄生虫に感染していないサンプル生体とに近赤外線を照射し、該サンプル生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、該吸光度における二次微分スペクトルに基づいて生体の寄生虫に対する感染の有無及び／または感染による予め定めた発症無しから発症有りの最大までの発症の程度を数値化した被害度に係る演算を行う演算モデルを構築し、
被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、この吸光度と上記演算モデルとから演算された演算結果により上記感染の有無及び／または被害度を判別する構成としている。
【0009】
ここで、生体は、寄生虫に感染する植物あるいは動物からなり、生きた状態でも死んだ状態であっても良い。例えば、野菜や果物などの食品用や観賞用の植物、魚や食肉等を挙げることができる。寄生虫としては、原虫類，肉質鞭毛虫類，胞子虫類，繊毛虫類，蠕虫類，線虫類（センチュウ），条虫類，吸虫類，鉤頭虫類等を挙げることができる。
【0010】
また、感染とは寄生虫が寄生した状態を言い、発症とは寄生虫の感染により何らかの症状が出て、例えば、生体の組織が変化する等の症状が出て生体に病巣が現れることをいう。被害度は、表面だけでなく、内部の病状がある場合も特定できる。表面だけでなく、内部の判別もできるので、極めて初期の病状も把握でき、肉眼検査よりも初期の病状の診断にも適する。
【0011】
これにより、被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、この吸光度と演算モデルとから演算された演算結果により、生体の寄生虫による感染の有無及び／または被害度を判別するので、被検対象の生体を非破壊的に検査することができ、検査効率の向上を図ることができるとともに、汎用性の向上を図ることができる。また、演算モデルを用いるので、寄生虫が内部に侵入している場合や感染が僅かであっても、生体の寄生虫による感染の有無の判別や、発症の被害度の特定を確実に行うことができ検査精度を向上させることができる。更に、被害度を判別する場合には、寄生虫による発症の広がり程度が分かるので、生体の品質評価を容易に行うことができる。更にまた、被害度は、発症の程度を定量化した値となるので、発症の広がり程度を確実に把握できる。このため、生体の品質の仕分けをすることができ、より一層汎用性を向上させることができる。
【0012】
そして、必要に応じ、上記被害度を、感染無しの被検対象についても階級付けする構成としている。これにより、被害度を判別することで、感染無しも判別することができ、極めて効率が良くなる。
【0013】
この場合、上記被害度を、被検対象に現れる変色部位の程度に基づいて定めたことが有効である。生体としては、寄生虫にもよるが、寄生虫の感染で発症した際、病巣が生体の表面に現れるものに適する。
【0014】
この構成において、上記被害度は、発症無しを０とし、発症有りの最大を１００とした指数で構成することができる。
また、この構成において、上記被害度は、発症の程度を、発症無しを０とし、発症有りの最大を１００とした指数で表したとき、発症無しを０とし、発症有りの側を所定指数範囲毎に順に上昇する階級で構成することができる。階級で構成した場合には、生体の品質の仕分けを容易に行うことができ、より一層汎用性を向上させることができる。
また、この構成において、上記被害度は、発症の程度を、発症無しを０とし、発症有りの最大を１００とした指数で表したとき、発症無しを０とし、発症有りの側を所定指数範囲毎に順に上昇する階級で構成することができる。階級で構成した場合には、生体の品質の仕分けを容易に行うことができ、より一層汎用性を向上させることができる。
【0015】
そして、必要に応じ、上記演算モデルは、統計学的解析を用いて構築される解析モデル、または、機械学習を用いて構築される学習済みモデルからなり、
上記統計学的解析は、判別分析、重回帰分析、ＰＬＳ回帰分析、ロジスティック回帰分析、サポートベクターマシン（ＳＶＭ）から選択され、
上記機械学習は、決定木（ＣＡＲＴ），回帰木，ランダムフォレスト，勾配ブースティング木等の木分析、パーセプトロン、畳み込みニューラルネットワーク（ＣＮＮ）、再起型ニューラルネットワーク（ＲＮＮ）、残差ネットワーク（ＲｅｓＮｅｔ）等のニューラルネットワーク若しくはディープラーニング（ＤＮＮ）、これらの組合せからなるアンサンブル分析から選択される構成としている。
上記統計学的解析は、判別分析、重回帰分析、ＰＬＳ回帰分析、ロジスティック回帰分析、サポートベクターマシン（ＳＶＭ）から選択され、
上記機械学習は、決定木（ＣＡＲＴ），回帰木，ランダムフォレスト，勾配ブースティング木等の木分析、パーセプトロン、畳み込みニューラルネットワーク（ＣＮＮ）、再起型ニューラルネットワーク（ＲＮＮ）、残差ネットワーク（ＲｅｓＮｅｔ）等のニューラルネットワーク若しくはディープラーニング（ＤＮＮ）、これらの組合せからなるアンサンブル分析から選択される構成としている。
【0016】
演算モデルは、統計学的解析を用いて構築される解析モデル、または、機械学習を用いて構築される学習済みモデルからなるので、検査精度を向上させることができる。特に、ディープラーニング（ＤＮＮ）を用いる場合には、大幅に検査精度を向上させることができる。演算モデルにおける波長は、７００ｎｍ～２５００ｎｍの範囲の近赤外領域の波長から統計学的に優位な波長を選択して組み合わせて用いることができる。これにより、生体が寄生虫に感染していることやこれによる発症の程度を精度良く判別することができる。
【0017】
また、必要に応じ、上記演算モデルとして、感染の有無を判別する種類の異なる複数の演算モデルを用い、各演算モデルを用いた各判別結果のうちいずれか１つが感染有りを判別したとき、当該判別結果を優先する構成としている。これにより、生体が寄生虫に感染していることを精度良く判別することができる。
【0018】
あるいはまた、必要に応じ、上記演算モデルとして、感染の有無を判別する種類の異なる３以上の演算モデルを用い、各演算モデルの感染の有無の判別結果を多数決で決定する構成としている。これによっても、生体が寄生虫に感染していることを精度良く判別することができる。
【0019】
そして、上記寄生虫は、生体としての植物が感染するセンチュウ（線虫類）である構成としている。生体は、センチュウに感染しうる例えば植物に分類されるニンニク、ジャガイモ、サツマイモやアイリス等、どのような植物であっても良い。
センチュウとしては、イモグサレセンチュウ，ネコブセンチュウ（サツマイモネコブセンチュウ、ジャワネコブセンチュウ、アレナリアネコプセンチュウ、キタネコブセンチュウ），ネグサレセンチュウ（ミナミネグサレセンチュウ、チャネグサレセンチュウ、キタネグサレセンチュウ、クルミネグサレセンチュウ），ハガレセンチュウ（ハセンチュウ、ハガレセンチュウ），クキセンチュウ，イシュクセンチュウ，シストセンチュウ，ラセンセンチュウ，ユミハリセンチュウ，ハリセンチュウ，ピンセンチュウ，ワセンチュウ，サヤワセンチュウ等を挙げることができる。
センチュウとしては、イモグサレセンチュウ，ネコブセンチュウ（サツマイモネコブセンチュウ、ジャワネコブセンチュウ、アレナリアネコプセンチュウ、キタネコブセンチュウ），ネグサレセンチュウ（ミナミネグサレセンチュウ、チャネグサレセンチュウ、キタネグサレセンチュウ、クルミネグサレセンチュウ），ハガレセンチュウ（ハセンチュウ、ハガレセンチュウ），クキセンチュウ，イシュクセンチュウ，シストセンチュウ，ラセンセンチュウ，ユミハリセンチュウ，ハリセンチュウ，ピンセンチュウ，ワセンチュウ，サヤワセンチュウ等を挙げることができる。
【0020】
この場合、上記生体は、ニンニク，ジャガイモ，サツマイモ，アイリスから選択され、寄生虫は、イモグサレセンチュウである構成としている。
【0021】
また、この場合、上記被検対象を、りん片が集合したニンニク球で構成している。ニンニク球毎に検査するので、検査効率が良い。また、ニンニクの出荷は主にニンニク球の状態で行うので、この点でも検査効率が良い。
【0022】
この被検対象を、りん片が集合したニンニク球で構成した場合、必要に応じ、上記被害度を、被検対象に現れる変色部位の程度に基づいて定めるとともに、発症無しを０とし、発症有りの最大を１００とした指数で構成した下記の被害度で構成している。
【0023】
被害度（指数）＝（（ｔ＝１のりん片数）＋（ｔ＝２のりん片数×２）＋（ｔ＝３のりん片数×３）＋（ｔ＝４のりん片数×４））／（全調査りん片数×４）×１００
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
【0024】
また、この被検対象を、りん片が集合したニンニク球で構成した場合、必要に応じ、上記被害度を、被検対象に現れる変色部位の程度に基づいて定めるとともに、発症の程度を、発症無しを０とし、発症有りの最大を１００とした指数で表したとき、下記の発症の程度で表し、発症無しを０とし、発症有りの側を所定指数範囲毎に順に上昇する階級で構成している。
【0025】
発症の程度（指数）＝（（ｔ＝１のりん片数）＋（ｔ＝２のりん片数×２）＋（ｔ＝３のりん片数×３）＋（ｔ＝４のりん片数×４））／（全調査りん片数×４）×１００
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
【発明の効果】
【0026】
本発明によれば、被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、この吸光度と演算モデルとから演算された演算結果により、生体の寄生虫による感染の有無及び／または被害度を判別するので、被検対象の生体を非破壊的に検査することができ、検査効率の向上を図ることができるとともに、汎用性の向上を図ることができる。また、演算モデルを用いるので、寄生虫が内部に侵入している場合や感染が僅かであっても、生体の寄生虫による感染の有無の判別や、発症の被害度の特定を確実に行うことができ検査精度を向上させることができる。更に、被害度を判別する場合には、寄生虫による発症の広がり程度が分かるので、生体の品質評価を容易に行うことができる。更にまた、被害度は、発症の程度を定量化した値となるので、発症の広がり程度を確実に把握できる。このため、生体の品質の仕分けをすることができ、より一層汎用性を向上させることができる。
【図面の簡単な説明】
【0027】
【図1】本発明の実施の形態に係る生体の検査方法を実現する検査装置を示す斜視図である。
【図2】本発明の実施の形態に係る生体の検査方法を実現する検査装置が対象とする生体としてのニンニクを保持部とともに示す図である。
【図3】本発明の実施の形態に係る生体の検査方法を実現する検査装置を示す正面図である。
【図4】本発明の実施の形態に係る生体の検査方法を実現する検査装置を示す平面図である。
【図5】本発明の実施の形態に係る生体の検査方法を実現する検査装置を示す側面図である。
【図6】本発明の実施の形態に係る生体の検査方法を実現する検査装置において、ロボットの把持ハンドと検査部との関係を把持ハンドの動作工程とともに示す図である。
【図7】本発明の実施の形態に係る生体の検査方法を実現する検査装置において、検査ユニットを示し、（ａ）は検査ユニットの斜視図、（ｂ）は検査ユニットの検査部を示す図である。
【図8】本発明の実施の形態に係る生体の検査方法を実現する検査装置において、検査部を生体としてのニンニクを検査している状態で示す断面図である。
【図9】本発明の実施の形態に係る生体の検査方法を実現する検査装置において、制御部の構成を示すブロック図である。
【図10】本発明の実施の形態に係る生体の検査方法を実現する検査装置において、制御部が用いる学習済みモデルを模式的に示す図である。
【図11】本発明の実施の形態に係る生体の検査方法を実現する検査装置の制御部における制御フローを示すフローチャートである。
【図12】本発明の実施の形態に係る生体の検査方法を実現する検査装置の制御部における制御フローであって、サンプル測定と判別ルーチンの制御フローを示すフローチャートである。
【図13】本発明の実施の形態に係る生体の検査方法を実現する検査装置の制御部に係る制御フローであって、寄生虫判別ルーチンの制御フローを示すフローチャートである。
【図14】本発明の実施例１の演算モデル（重回帰分析（感染の有無判別））に係り、（ａ）は実測値と推測値の相関関係を示すグラフ図、（ｂ）はその元になる数値を示す表図である。
【図15】本発明の実施例１の演算モデル（重回帰分析（感染の有無判別））において、その検証例を示し、（ａ）は実測値と推測値の相関関係を示すグラフ図、（ｂ）はその元になる数値を示す表図である。
【図16】本発明の実施例２の演算モデル（重回帰分析（被害度（指数）判別））に係り、（ａ）は実測値と推測値の相関関係を示すグラフ図、（ｂ）はその検証結果を示すグラフ図である。
【図17】本発明の実施例３の演算モデル（ロジスティック回帰モデル（感染の有無判別））に係り、（ａ）は実測値と推測値の相関関係を示す表図、（ｂ）はその検証結果を示す表図である。
【図18】本発明の実施例４の演算モデル（ロジスティック回帰モデル（被害度（６階級）判別））に係り、（ａ）は実測値と推測値の相関関係を示す表図、（ｂ）はその検証結果を示す表図である。
【図19】本発明の実施例５の演算モデル（ＡＩ学習済みモデルＡ（感染の有無判別））に係り、（ａ）は実測値と推測値の相関関係を示す表図、（ｂ）は推測確率の分布を示すグラフ図である。
【図20】本発明の実施例５の演算モデル（ＡＩ学習済みモデルＡ（感染の有無判別））に係り、その検証結果を示す表図である。
【図21】本発明の実施例６の演算モデル（ＡＩ学習済みモデルＢ（被害度（６階級）判別））に係り、（ａ）は実測値と推測値の相関関係を示す表図、（ｂ）はその検証結果を示す表図である。
【図22】本発明の実施例７の演算モデル（ＡＩ学習済みモデルＣ（被害度（指数）判別））に係り、（ａ）は実測値と推測値の相関関係を示すグラフ図、（ｂ）はその検証結果を示すグラフ図である。
【図23】本発明の実施例８の演算モデル（ＡＩ学習済みモデルＤ（感染の有無判別））に係り、（ａ）は実測値と推測値の相関関係を示す表図、（ｂ）はその検証結果を示す表図である。
【図24】本発明の実施例９の演算モデル（ＡＩ学習済みモデルＥ（被害度（６階級）判別））に係り、（ａ）は実測値と推測値の相関関係を示す表図、（ｂ）はその検証結果を示す表図である。
【図25】本発明の実施例１０の演算モデル（ＡＩ学習済みモデルＦ（被害度（指数）判別））に係り、（ａ）は実測値と推測値の相関関係を示すグラフ図、（ｂ）はその検証結果を示すグラフ図である。
【図26】本発明の実施例１１の演算モデル（ＡＩ学習済みモデルＧ（感染の有無判別））に係り、（ａ）は実測値と推測値の相関関係を示す表図、（ｂ）はその検証結果を示す表図である。
【図27】本発明の実施例１２の演算モデル（ＡＩ学習済みモデルＨ（被害度（６階級）判別））に係り、（ａ）は実測値と推測値の相関関係を示す表図、（ｂ）はその検証結果を示す表図である。
【図28】本発明の実施例１３の演算モデル（ＡＩ学習済みモデルＩ（被害度（指数）判別））に係り、（ａ）は実測値と推測値の相関関係を示すグラフ図、（ｂ）はその検証結果を示すグラフ図である。
【発明を実施するための形態】
【0028】
以下、添付図面に基づいて本発明の実施の形態に係る生体の検査方法を説明する。この生体の検査方法は、生体の検査装置によって実現されるので、この生体の検査装置の説明において説明する。
【0029】
図１乃至図９に示すように、本発明の実施の形態に係る生体の検査装置Ｓは、被検対象Ｗである生体の寄生虫に対する感染に係る検査を行うもので、図２に示すように、生体は、収穫されたニンニクであり、寄生虫は、イモグサレセンチュウである。被検対象Ｗは、りん片Ｗａが集合したニンニク球で構成されている。ニンニク球（被検対象Ｗ）は、上に数センチメートル突出した花径Ｗｂを有するとともに下に盤茎Ｗｃを有し、外皮で被覆されており、洗浄されて乾燥されている。寄生虫による感染は、盤茎Ｗｃ側から生じる。Ｆは寄生虫に感染した病巣部（点線表示）を示す。一般には、病巣部Ｆは外皮に隠れて見えないか見えにくくなっている。発症が酷い場合には外皮まで影響が及び顕著に表面に現れる。
【0030】
実施の形態に係る生体の検査装置Ｓは、基台１と、基台１に設けられ被検対象Ｗを所定間隔で一個一個順次搬送する搬送部２と、基台１の近傍に設置されたロボット１０と、ロボット１０のロボットアーム１１の先端部に搬送部２の搬送過程で被検対象Ｗを把持するとともに被検対象Ｗを検査位置Ｙに位置決めする把持ハンド１２と、ロボット１０のロボットアーム１１の先端部であって把持ハンド１２の近傍に設けられ把持ハンド１２によって検査位置Ｙに位置決めされた被検対象Ｗの検査を行う検査部３０と、検査部３０の検査後にロボット１０により移動させられ把持ハンド１２に把持された被検対象Ｗを受け取る受取部５０と、検査機能を実現するとともに、搬送部２，ロボット１０及び検査部３０の制御等を行う制御部６０とを備えて構成されている。図中７０は、ＣＲＴ等からなる表示部である。
【0031】
ロボット１０において、図６に示すように、把持ハンド１２は、これを開閉する開閉アクチュエータ１３を介してロボットアーム１１の先端に設けられており、開閉アクチュエータ１３は揺動可能になっており、この開閉アクチュエータ１３の揺動により、把持ハンド１２は、搬送部２上の被検対象Ｗを把持化可能な把持位置Ｘ及び検査部３０での検査を行わせる検査位置Ｙの２位置に移動させられる。
【0032】
搬送部２は、図示外のモータで駆動されるエンドレスのベルトコンベア３と、ベルトコンベア３上にその移動方向に沿って所定間隔で設けられ被検対象Ｗを保持する複数の保持部２０とを備えて構成されている。保持部２０は、図２に示すように、被検対象Ｗのニンニク球をその盤茎Ｗｃを上にして支承保持するもので、下面がベルトコンベア３の表面に固着される円筒状の側壁２１及び上壁２２を有したカップ状の保持本体２３と、保持本体２３の上壁２２に形成され保持本体２３の軸線を中心としニンニク球の花径Ｗｂが挿通される挿通孔２４と、挿通孔２４の全部若しくは上側（実施の形態では挿通孔２４の全部）で構成されニンニク球の花径Ｗｂ側の周囲を支承する円錐状の支承凹部２５とを備えて構成されている。これにより、把持ハンド１２で把持された被検対象Ｗのニンニク球の盤茎Ｗｃ側が検査部３０に対峙するようにしている。
【0033】
基台１には、搬送部２のベルトコンベア３によって搬送された被検対象Ｗがロボット１０の把持ハンド１２で把持する所定位置に位置したことを検知する位置検知センサ（図示せず）が設けられており、この位置検知センサの検知に基づいてロボット１０の把持ハンド１２により被検対象Ｗが把持されて取出される。搬送部２のベルトコンベア３の上側には、搬送される被検対象Ｗを撮像するカメラ２６が備えられている。カメラ２６の撮像により、被検対象Ｗの大きさを知ることができる。
【0034】
検査部３０は、図６乃至図８に示すように、円柱状の検査ユニット３１と、検査ユニット３１をロボットアーム１１の先端部であって把持ハンド１２の近傍に支持する支持杆３２と、検査ユニット３１の先端側に設けられ検査位置Ｙに位置決めされた被検対象Ｗを覆うカバー３３とを備えて構成されている。検査部３０と把持ハンド１２をロボットアーム１１に設けたので、被検対象Ｗを搬送しながら検査することができ、その後、分別作業を行う場合、極めて効率よく行うことができる。
【0035】
検査ユニット３１は、図７及び図８に示すように、円柱状のユニット本体３４と、複数の光ファイバの先端部で構成され被検対象Ｗに近赤外領域の光を照射する光源部３５、及び、光ファイバの先端部で構成され被検対象Ｗからの拡散反射光あるいは拡散透過光を受光する受光部３６を備えた検知部３７を備えている。光ファイバは集約されて、円柱状の中実の保持体３８に保持されており、保持体３８の被検対象Ｗ側の一端面に各光ファイバの端面を露出させて、この一端面を検知部３７としている。保持体３８は、保持体３８の軸線と同軸で中実の円柱状のユニット本体３４に保持されている。保持体３８の一端面である検知部３７は、ユニット本体３４の被検対象Ｗ側の一端面より後位に位置させられており、検知部３７の前側に凹所３９を形成している。
【0036】
また、検査ユニット３１は、検知部３７に対する防塵を行う防塵機構４０を備えている。防塵機構４０は、ユニット本体３４の端面の外周側の一部に突設された突設部４１を備え、この突設部４１に、ユニット本体３４の一端面に沿ってエアを噴射して凹所３９を覆うエアカーテンを形成するエア噴射口４２を形成して構成されている。ユニット本体３４にはその軸線に平行でエア噴射口４２にエアを導くエア通路４３が形成されている。４４はユニット本体３４の他端側においてエア通路４３に接続されたエアの供給管である。検知部３７の光源部３５及び受光部３６を常に綺麗にしておくことができるので、検査を確実に行うことができるとともに、メンテナンスを容易にすることができる。
【0037】
受取部５０は、被検対象Ｗを受取る６つのシュータ５１を備えている。シュータ５１は後述の判別された被害度（０～５）に対応して設けられており、ロボット１０は、制御部６０の指令を受けて検査後に把持ハンド１２が把持している被検対象Ｗを、対応するシュータ５１に投入する。即ち、本装置は、寄生虫の感染の有無に応じて、実施の形態では、被害度に応じて、被検対象Ｗを分別する分別手段５２を備え、分別手段５２は、制御部６０によって所要の制御が行われるロボット１０及び受取部５０によって構成され、これらの機能によって分別を行う。
【0038】
制御部６０は、図９に示すように、総合制御を行う演算処理部６１を備えている。演算処理部６１は、予め、寄生虫に感染しているサンプル生体と寄生虫に感染していないサンプル生体とに近赤外領域の光を照射することによりこのサンプル生体から得られる拡散反射光あるいは拡散透過光の近赤外線領域の波長についての吸光度における二次微分スペクトルに基づいて構築され、生体の寄生虫に対する感染の有無及び／または感染による予め定めた発症無しから発症有りの最大までの発症の程度を数値化した被害度に係る演算を行う演算モデルを記憶する演算モデル記憶部６２を備えている。
【0039】
また、演算処理部６１は、受光部３６が受光した光の吸光度と演算モデル記憶部６２に記憶した演算モデルとから演算された演算結果により、感染の有無及び／または被害度を判別する判別部６３を備えている。即ち、判別部６３は、受光部３６が受光した光の吸光度と演算モデルとから演算された演算結果により生体が寄生虫に感染しているか否かの判別をする感染判別機能を備えている。また、判別部６３は、受光部３６が受光した光の吸光度と演算モデルとから演算された演算結果により、生体の寄生虫に対する感染による予め定めた発症無しから発症有りの最大までの発症の程度を数値化した被害度を判別する被害度判別機能を備えている。
【0040】
実施の形態では、被害度は、図２に示すように、被検対象Ｗに現れる変色部位の程度に基づいて定めている。被害度において、感染無しの被検対象Ｗについても階級付けすることができる。実施の形態では、発症無しに感染無しを含ませている。被害度と感染の有無を精査したい場合には、各々の学習済みモデルを使用して対処することもできる。被害度としては、２種類の態様を用いている。一方の被害度は、発症無しを０とし、発症有りの最大を１００とした指数で構成している。詳しくは、下記の被害度によって行う。
【0041】
被害度（指数）＝（（ｔ＝１のりん片数）＋（ｔ＝２のりん片数×２）＋（ｔ＝３のりん片数×３）＋（ｔ＝４のりん片数×４））／（全調査りん片数×４）×１００
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
【0042】
他方の被害度は、発症の程度を、発症無しを０とし、発症有りの最大を１００とした指数で表したとき、発症無しを０とし、発症有りの側を所定指数範囲毎に順に上昇する階級で構成している。実施の形態では、被害度を下記の６階級に設定している。
【0043】
被害度０＝発症の程度 ０
発症の程度 ０＜被害度１≦発症の程度２０
発症の程度２０＜被害度２≦発症の程度４０
発症の程度４０＜被害度３≦発症の程度６０
発症の程度６０＜被害度４≦発症の程度８０
発症の程度８０＜被害度５≦発症の程度１００
発症の程度 ０＜被害度１≦発症の程度２０
発症の程度２０＜被害度２≦発症の程度４０
発症の程度４０＜被害度３≦発症の程度６０
発症の程度６０＜被害度４≦発症の程度８０
発症の程度８０＜被害度５≦発症の程度１００
【0044】
発症の程度は下記の通り定める。
発症の程度（指数）＝（（ｔ＝１のりん片数）＋（ｔ＝２のりん片数×２）＋（ｔ＝３のりん片数×３）＋（ｔ＝４のりん片数×４））／（全調査りん片数×４）×１００
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
発症の程度（指数）＝（（ｔ＝１のりん片数）＋（ｔ＝２のりん片数×２）＋（ｔ＝３のりん片数×３）＋（ｔ＝４のりん片数×４））／（全調査りん片数×４）×１００
ここで、
ｔはニンニク球１つ当たりの寄生虫の感染による変色部位の大きさに対応した数値であって値が大きくなるにしたがって変色部位の大きさが大きくなるように定めた数値であり、ｔ＝１，ｔ＝２，ｔ＝３，ｔ＝４の４区分に設定される。
【0045】
演算モデルは、統計学的解析を用いて構築される解析モデル、または、機械学習を用いて構築される学習済みモデルからなり、
統計学的解析は、判別分析、重回帰分析、ＰＬＳ回帰分析、ロジスティック回帰分析、サポートベクターマシン（ＳＶＭ）から選択され、
機械学習は、決定木（ＣＡＲＴ），回帰木，ランダムフォレスト，勾配ブースティング木等の木分析、パーセプトロン、畳み込みニューラルネットワーク（ＣＮＮ）、再起型ニューラルネットワーク（ＲＮＮ）、残差ネットワーク（ＲｅｓＮｅｔ）等のニューラルネットワーク若しくはディープラーニング（ＤＮＮ）、これらの組合せからなるアンサンブル分析から選択される。
統計学的解析は、判別分析、重回帰分析、ＰＬＳ回帰分析、ロジスティック回帰分析、サポートベクターマシン（ＳＶＭ）から選択され、
機械学習は、決定木（ＣＡＲＴ），回帰木，ランダムフォレスト，勾配ブースティング木等の木分析、パーセプトロン、畳み込みニューラルネットワーク（ＣＮＮ）、再起型ニューラルネットワーク（ＲＮＮ）、残差ネットワーク（ＲｅｓＮｅｔ）等のニューラルネットワーク若しくはディープラーニング（ＤＮＮ）、これらの組合せからなるアンサンブル分析から選択される。
【0046】
詳しくは、重回帰分析，ＰＬＳ回帰分析，ロジスティック回帰分析においては、予め、寄生虫に感染しているサンプル生体と寄生虫に感染していないサンプル生体とに近赤外線を照射し、該サンプル生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、該吸光度における二次微分スペクトルの統計学的解析により上記寄生虫に起因する帰属波長に係る解析モデル（演算モデル）を特定しておき、被検対象Ｗの物体に近赤外線を照射し、被検対象Ｗの生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、これらの吸光度と上記解析モデルとから算出された算出結果から生体の寄生虫に対する感染の有無及び／または感染による予め定めた発症無しから発症有りの最大までの発症の程度を数値化した被害度を判別する。
【0047】
＜重回帰分析＞
上記解析モデルを、上記サンプル生体中から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分して重回帰分析法により特定する。ＭＳＣ（Multiplicative Scatter Correction）とは測定スペクトル中に起きる乗算的因子（光の散乱等）や加算的因子を除去するための前処理法である（以下同じ）。
上記解析モデルを、上記サンプル生体中から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分して重回帰分析法により特定する。ＭＳＣ（Multiplicative Scatter Correction）とは測定スペクトル中に起きる乗算的因子（光の散乱等）や加算的因子を除去するための前処理法である（以下同じ）。
【0048】
上記解析モデルを、互いに相関係数の高い第１～ｎ波長の吸光度を変数とする下記の一般式（Ｂ）の関係を満たす式（判別式）により特定した。
【0049】
【数1】
【0050】
一般式（Ｂ）において、第１波長（λ１）乃至第ｎ波長（λｎ）を選択するにあたり、先ず、予めサンプル生体の吸光度を測定しておき、生体中に寄生虫が感染しているか否かはその後のベルマン法による培養法等の別手段で行い、生体中に寄生虫に感染しているサンプルか感染していないサンプルかを指標として、上記寄生虫に感染したサンプル生体の吸光度と、上記寄生虫に感染していないサンプル生体の吸光度との重回帰分析によって求められた上記寄生虫に帰属する相関係数が最も高い第１波長（λ１）の近赤外線の波長域を選択し、次に、該第１波長（λ１）の近赤外線波長域と７００ｎｍ～２５００ｎｍの範囲の波長域との重回帰分析によって上記寄生虫に帰属し該第１波長（λ１）の近赤外線の波長域の相関係数以上の高い相関係数となる第２波長（λ２）の波長域を選択し、それから、上記第１波長（λ１）及び第２波長（λ２）の近赤外線の波長域と７００ｎｍ～２５００ｎｍ範囲の波長域との重回帰分析によって上記寄生虫に帰属し上記第１波長（λ１）及び第２波長（λ２）の近赤外線の波長域の相関係数以上の相関係数となる第３波長（λ３）の波長域を選択し、このように第１波長（λ１）～第（ｎ－１）波長（λｎ－１）の近赤外線の波長域と７００ｎｍ～２５００ｎｍの範囲の波長域との重回帰分析によって上記寄生虫に帰属し、上記第１波長（λ１）の近赤外線の波長域の相関係数以上となる第ｎ波長（λｎ）の波長域を選択する。
【0051】
＜ＰＬＳ回帰分析＞
上記解析モデルを、上記サンプル物体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分してＰＬＳ（Partial least square projection to Latent Structure）分析法により算出して特定した。
上記解析モデルを、上記サンプル物体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分してＰＬＳ（Partial least square projection to Latent Structure）分析法により算出して特定した。
【0052】
＜ロジスティック回帰分析法＞
上記学習済みモデルを、上記サンプル物体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分してロジスティック回帰分析法により算出して特定した。
上記学習済みモデルを、上記サンプル物体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分してロジスティック回帰分析法により算出して特定した。
【0053】
＜サポートベクターマシン（ＳＶＭ）＞
上記学習済みモデルを、上記サンプル物体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分してＳＶＭ（Saport Vecter Machine）法により特定した。
上記学習済みモデルを、上記サンプル物体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分してＳＶＭ（Saport Vecter Machine）法により特定した。
【0054】
次に、ディープラーニング法の例を挙げる。
＜ディープラーニング法（１）＞
例えば、上記学習済みモデルとして、上記サンプル生体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分してディープラーニング法の決定木とランダムフォレスト法とによる所謂アンサンブル法による学習済みモデルを用いる。アンサンブル法によって、統計学的に優位な学習済みモデルとする。組み合わせはこれに限定されず、適宜選択して組み合わせてよい。後述のＡＩ学習済みモデルＡ～Ｃのタイプである。
＜ディープラーニング法（１）＞
例えば、上記学習済みモデルとして、上記サンプル生体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分してディープラーニング法の決定木とランダムフォレスト法とによる所謂アンサンブル法による学習済みモデルを用いる。アンサンブル法によって、統計学的に優位な学習済みモデルとする。組み合わせはこれに限定されず、適宜選択して組み合わせてよい。後述のＡＩ学習済みモデルＡ～Ｃのタイプである。
【0055】
＜ディープラーニング法（２）＞
上記学習済みモデルとして、上記サンプル生体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分してディープラーニング法のＤＮＮ（Deep Neural Network）法による学習済みモデルを用いる。後述のＡＩ学習済みモデルＤ～Ｆのタイプである。
上記学習済みモデルとして、上記サンプル生体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分してディープラーニング法のＤＮＮ（Deep Neural Network）法による学習済みモデルを用いる。後述のＡＩ学習済みモデルＤ～Ｆのタイプである。
【0056】
＜ディープラーニング法（３）＞
上記学習済みモデルとして、上記サンプル生体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分し、その波形を画像化してディープラーニング法のＣＮＮ（Convolutional Neural Network）法による学習済みモデルを用いる。後述のＡＩ学習済みモデルＧ～Ｉのタイプである。
上記学習済みモデルとして、上記サンプル生体から受光した光の吸光度スペクトルをＭＳＣ処理後に二次微分し、その波形を画像化してディープラーニング法のＣＮＮ（Convolutional Neural Network）法による学習済みモデルを用いる。後述のＡＩ学習済みモデルＧ～Ｉのタイプである。
【0057】
実施の形態において、感染の有無についての学習済みモデルは、生体（ニンニク）の寄生虫（イモグサレセンチュウ）に対する感染の有無に係る演算結果を出力するようコンピュータを機能させるための学習済みモデルであって、
予めサンプル生体の吸光度を測定しておき、生体中の寄生虫の有無の認定はその後培養法等の別手段で行い、認定した寄生虫の有無を指標として、寄生虫に感染していないサンプル生体の吸光度データと、寄生虫に感染したサンプル生体の吸光度データとを、夫々寄生虫の有無に対応させ、この対応させたデータを教師データとし、該教師データを用いて学習させられたものであり、被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、この吸光度データから生体が寄生虫に感染しているか否かを定量化した値を出力するよう、コンピュータを機能させる。
予めサンプル生体の吸光度を測定しておき、生体中の寄生虫の有無の認定はその後培養法等の別手段で行い、認定した寄生虫の有無を指標として、寄生虫に感染していないサンプル生体の吸光度データと、寄生虫に感染したサンプル生体の吸光度データとを、夫々寄生虫の有無に対応させ、この対応させたデータを教師データとし、該教師データを用いて学習させられたものであり、被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、この吸光度データから生体が寄生虫に感染しているか否かを定量化した値を出力するよう、コンピュータを機能させる。
【0058】
また、発症に係る被害度についての学習済みモデルは、生体（ニンニク）の寄生虫（イモグサレセンチュウ）に対する感染による予め定めた発症無しから発症有りの最大までの発症の程度を数値化した被害度に係る演算結果を出力するようコンピュータを機能させるための学習済みモデルであって、
予めサンプル生体の吸光度を測定しておき、生体の寄生虫に対する感染による発症の被害度の認定はその後目視等の別手段で行い、該認定した生体の被害度を指標として、発症していないサンプル生体の吸光度データと、発症したサンプル生体の吸光度データとを、夫々、生体の被害度に対応させ、この対応させたデータを教師データとし、該教師データを用いて学習させられたものであり、被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、この吸光度データから生体の寄生虫に対する感染による発症の被害度を定量化した値を出力するよう、コンピュータを機能させる。図１０には、学習済みモデルの構成例を示す。実施の形態では、例えば、入力層には、波長２ｎｍ間隔での５５０個の吸光度データが入力される。
予めサンプル生体の吸光度を測定しておき、生体の寄生虫に対する感染による発症の被害度の認定はその後目視等の別手段で行い、該認定した生体の被害度を指標として、発症していないサンプル生体の吸光度データと、発症したサンプル生体の吸光度データとを、夫々、生体の被害度に対応させ、この対応させたデータを教師データとし、該教師データを用いて学習させられたものであり、被検対象の生体に近赤外線を照射し、被検対象の生体からの拡散反射光あるいは拡散透過光を受光し、受光した光の吸光度を測定し、この吸光度データから生体の寄生虫に対する感染による発症の被害度を定量化した値を出力するよう、コンピュータを機能させる。図１０には、学習済みモデルの構成例を示す。実施の形態では、例えば、入力層には、波長２ｎｍ間隔での５５０個の吸光度データが入力される。
【0059】
実施の形態においては、演算モデルとして、種類の異なる複数の演算モデルが備えられ、これらを選択的に用いることができるようにしている。図９及び図１３には、重回帰分析モデル，ロジスティック回帰分析モデル，サポートベクターマシン（ＳＶＭ），ＡＩ学習済みモデルとして、Ａ～Ｆのタイプ、別のＡＩ学習済みモデルとして、Ｇ～Ｉのタイプを用いた場合を示す。これらの具体的内容については後述の実施例に示す。
【0060】
演算処理部６１は、種類の異なる複数の演算モデルを備えており、各演算モデルの判断結果の採否を判断する判断部６４を備えている。判断部６４は、感染の有無を判別する種類の異なる複数の演算モデルを選択した際、演算モデルによる各判別結果のうちいずれか１つが感染有りを判別したとき、当該判別結果を優先して採用する構成とすることができる。また、判断部６４は、感染の有無を判別する種類の異なる３以上の演算モデルを用い、各演算モデルの感染の有無の判別結果を多数決で決定して採用する構成とすることができる。また、被害度を判別するときには、被害度に係る演算モデルを何れか１つ選択して用いることができる。この場合、全ての演算モデルにおいて演算を行いその結果を選択的に用いることができるようにすることができる。判断部６４は、選択された演算モデルの演算結果を採用する。尚、表示部７０には、全ての演算モデルの演算結果を表示することができる。実施の形態では、最終結果として、６階級の被害度を出力するようにしている。
【0061】
また、図９に示すように、制御部６０において、演算処理部６１は、作動制御部６５を有している。これは、処理履歴記憶機能、表示部７０への結果表示機能、ロボット１０の操作機能、インターネット通信機能、光量制御機能を備えている。また、制御部６０は、インターネット通信機能により制御される通信部６６、分光部を有しその分光制御回路を制御する等検査部３０に係る制御を行う検査制御部６７、搬送部２を制御する搬送部制御回路及びロボット１０を制御するロボット制御回路等を備えた駆動制御部６８、キーボード（図示せず）や設定パネル（図示せず）等の動作命令部６９を備えて構成されている。
【0062】
作動制御部６５における処理履歴記憶機能は、被検対象Ｗの測定個数の累積，判別結果やその累積結果を時系列で蓄積して記憶しておく。インターネット通信機能は、遠隔地で使用しているときに、その判別状況やシステムの状態を把握するため、また、アプリケーション（判別手法）のバージョンアップ等のメンテナンスを遠隔操作で行なうための機能である。このインターネット通信機能を利用することにより、被検対象Ｗの検査を、場所を問わず行なえるので、装置の汎用性を向上させることができる。光量制御機能は、分光部内で光検出センサが適切なレベルで測定が行なえるように光源の光量及び分光部内のセンサの感度を調整する。
【0063】
表示部７０において、各種データが表示される。表示部７０の表示は画面操作部（動作命令部６９）で操作され、入力設定画面，判別結果表示画面，エラー表示画面等適宜に切り換わって表示可能になっている。尚、判別結果をＬＣＤパネルに表示しても良い。また、判別結果を音声出力するようにしても良い。更に、外部へのデータ出力インターフェースを設けても良い。
【0064】
実施の形態においては、演算処理部６１は、判別部６３が被害度を判別すると、分別手段５２により、被害度に応じて、被検対象Ｗを分別する。即ち、判別部６３が被害度を判別すると、この判別した被害度に対応して被検対象Ｗを分別するよう作動制御部６５のロボット操作機能及び駆動制御部６８のロボット制御回路を介して、ロボット１０を作動させ、把持ハンド１２が把持している被検対象Ｗを、対応するシュータ５１に投入せしめる。その他、制御部６０は種々の制御を行う。
【0065】
従って、この実施の形態に係る生体の検査装置Ｓを用いて、被検対象Ｗの検査を行うときは、以下のようになる。図１１乃至図１３に示すフローチャートを用いて説明する。
図１１に示すように、メイン電源供給スイッチ（図示せず）が入れられると、制御部６０が起動し、分光部やセンサ、ランプ等の各機構のチェックを行なう（１－１）。このとき表示部７０にはシステムの初期化中を示す画面が表示され表示灯は黄色が点灯する（１－２）。各機構のチェック動作完了後に吸光度算出の基準となるリファレンス波形を計測（１－３）し、これを制御部６０内部の記憶部に記憶しておく（１－４）。その後メイン画面が表示され表示灯は緑色が点灯する（１－８）。その間に設定パネル（図示せず）から設定値呼び出し操作（１－５）があればランプ点灯累積時間や日付時間等の確認用画面が表示される（１－６）。検査を行なうには設定パネルを操作しメイン画面へ戻る（１－７）。
図１１に示すように、メイン電源供給スイッチ（図示せず）が入れられると、制御部６０が起動し、分光部やセンサ、ランプ等の各機構のチェックを行なう（１－１）。このとき表示部７０にはシステムの初期化中を示す画面が表示され表示灯は黄色が点灯する（１－２）。各機構のチェック動作完了後に吸光度算出の基準となるリファレンス波形を計測（１－３）し、これを制御部６０内部の記憶部に記憶しておく（１－４）。その後メイン画面が表示され表示灯は緑色が点灯する（１－８）。その間に設定パネル（図示せず）から設定値呼び出し操作（１－５）があればランプ点灯累積時間や日付時間等の確認用画面が表示される（１－６）。検査を行なうには設定パネルを操作しメイン画面へ戻る（１－７）。
【0066】
被検対象Ｗとしてのニンニク球をその盤茎Ｗｃを上にして保持部２０に載置する。メイン画面の表示灯が緑色の時に制御ボタンのスタートスイッチを押す（１－９）と、被検対象Ｗの測定と判別ルーチンを実行する（１－１０）。この被検対象Ｗの測定と判別ルーチンにおいては、図１２に示すように、始めに制御部６０より搬送部２のベルトコンベア３の動作指示がされ（２－１）、被検対象Ｗを搬送する。この搬送過程で位置検知センサが、被検対象Ｗがロボット１０の把持ハンド１２で把持する所定位置に位置したことを検知する（２－２）と、カメラによる撮像が行われる（２－３）とともに、その後、所定位置でロボット１０の把持ハンド１２により被検対象Ｗが把持されて取出され、被検対象Ｗは検査位置Ｙに位置決めされ、検査部３０により、被検対象Ｗの測定を行う。検査部３０においては、光源部３５から光が被検対象Ｗに照射されるとともに、その拡散反射光あるいは拡散透過光を受光部３６により受光し、光ファイバで検査制御部６７の分光部に伝送され、分光部にて近赤外線の波長の強度を波長域毎に電圧変換して抽出して演算処理部６１に伝送する（２－４）。そして、拡散反射光あるいは拡散透過光の強度スペクトルを得て寄生虫判別の別ルーチンにより判別を行なう（２－５）。
【0067】
判別ルーチンにおいては、図１３に示すように、分光部より伝送された拡散光強度（拡散光スペクトル）についてノイズ除去処理を施し（３－１、３－２）、初期化時に記憶したリファレンス波形を読込み（３－３）、測定被検対象Ｗの近赤外線の吸光度を算出する（３－４）。その吸光度について標準化処理を行ない（３－５）、更に二次微分処理を施し（３－６）、その二次微分スペクトルについてセンタリングとスケーリング処理を施す（３－７）。このスペクトルを用いて、演算モデル記憶部６１に予め記憶してある演算モデルによる判別を行う。判別は、重回帰分析（３－８），ロジスティック回帰分析（３－９），ＡＩ学習済みモデル（１）（２）のＡ～Ｆのタイプの演算（３－１０），ＡＩ学習済みモデル（３）のＧ～Ｉのタイプの演算（３－１１），サポートベクターマシン（ＳＶＭ）の演算（３－１２）において行われる。
【0068】
演算モデルとして、感染の有無を判別する種類の異なる複数の演算モデルを選択した場合には、判断部６４により、各演算モデルによる各判別結果のうちいずれか１つが感染有りを判別したとき、当該判別結果を優先して採用し（３－１３）、最終判別結果を算出する（３－１４）。あるいは、演算モデルとして、感染の有無を判別する種類の異なる３以上の演算モデルを用いた際には、判断部６４により、各演算モデルの感染の有無の判別結果を多数決で決定して採用し（３－１３）、最終判別結果を算出する（３－１４）。実施の形態では、演算モデルとして、被害度を判別する演算モデルを採用しており、判断部６４は、選択された演算モデルの演算結果を採用し（３－１３）、最終判別結果を算出する（３－１４）。実施の形態では、最終結果として、６階級の被害度を出力するようにしている。また、全判断結果は表示部７０で見ることができる。
【0069】
被検対象Ｗの測定を終えると、図１２に戻り、被害度の結果に基づいて、ロボット１０を動作させ、受取部５０の対応するシュータ５１に被検対象Ｗを投入して分別する（２－６）。また、図１１に戻り、その判別結果とこれまでの判別結果の累計を表示する（１－１３）。その間に各機構にてエラー発生や非常停止ボタンが押されると（１－１１）、エラー発生画面が表示され表示灯は赤色が点灯する（１－１２）。復帰するにはランプ、分光部、センサ等の機構をチェックする。判別結果や被検対象Ｗの測定時の拡散光スペクトルは制御部６０内の記憶機能に記憶されていく。この流れはストップボタンが押されるまで繰り返し実行される（１－１５）。
【実施例0070】
次に、演算モデルの実施例を示すとともに、その演算モデルを用いて実際に検査して検証した検証結果を示す。
＜実施例１：重回帰分析（感染の有無判別）＞
被検対象Ｗのニンニク球は、青森県六戸町の実験圃場で生産されたもので、出荷状態に整えたニンニク球１２,４８０個を用いた。
図１４に示すように、重回帰分析モデルの作成用データは、全被検対象Ｗを近赤外分光後に、当該被検対象Ｗについてベルマン法でイモグサレセンチュウの培養を行い、感染の有無を確認検査し、この感染の有無と当該サンプルの近赤外分光波長の吸光度データとを対応させたものである。その作成用データを用いて、感染の有無を判別するに必要な波長を相関が高い順に探索して、感染有無の重回帰分析モデルを作成した。
＜実施例１：重回帰分析（感染の有無判別）＞
被検対象Ｗのニンニク球は、青森県六戸町の実験圃場で生産されたもので、出荷状態に整えたニンニク球１２,４８０個を用いた。
図１４に示すように、重回帰分析モデルの作成用データは、全被検対象Ｗを近赤外分光後に、当該被検対象Ｗについてベルマン法でイモグサレセンチュウの培養を行い、感染の有無を確認検査し、この感染の有無と当該サンプルの近赤外分光波長の吸光度データとを対応させたものである。その作成用データを用いて、感染の有無を判別するに必要な波長を相関が高い順に探索して、感染有無の重回帰分析モデルを作成した。
【0071】
具体的な感染有無の重回帰分析モデルで判別するために必要な波長は対数価値０．０６９以上の１９１個を用いた。図１４に示すように、感染有無の重回帰モデルは相関係数は０．６８９８である。相関関係は認められるが、高い相関があるとは云えない。しかしながら、当該重回帰分析モデルの推測値０．５以上を「感染あり」と判別値を設定した場合では、「感染なし」の９９．６％、「感染あり」においても９９．６％であった。この重回帰分析モデルは、判別値の設定において、ニンニクのイモグサレセンチュウ感染の有無を判別できるものである。
【0072】
この実施例１に係る演算モデル（感染有無の重回帰モデル）を用いて判別率と精度について検証した。被検対象Ｗとして、青森県六戸町の実験圃場で生産されたもので、出荷状態に整えたニンニク球を２００個を用いた。結果を図１５に示す。この結果から、感染有無の重回帰モデルでは、重相関係数０．６８３６であった（図１５（ａ））。この重回帰モデルの感染の有無判別の精度は、推測値の判別値を０．５以上に設定した場合では、Precision０．９４２２で、「感染なし」の９７．１％、「感染あり」の９０．７％の精度で判別が可能であった（図１５（ｂ））。
【0073】
＜実施例２：重回帰分析（被害度（指数）判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を用いた。被検対象Ｗのニンニク球を近赤外分光検査後に、当該検査ニンニク球についてベルマン法でイモグサレセンチュウの培養を行うとともに、被害度はニンニクの病巣程度を上記の被害度（指数）で算定した。被害度（指数)の重回帰モデルは、対数価値０．０１８以上で選択した１９６個の波長（図示せず）を得た。それら波長を用いた重回帰式を被害度（指数）推測重回帰モデルとした。図１６（ａ）に示すように、当該重回帰モデルは、相関係数は０．７８１５で被害度（指数）の推測は可能結果を得た。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を用いた。被検対象Ｗのニンニク球を近赤外分光検査後に、当該検査ニンニク球についてベルマン法でイモグサレセンチュウの培養を行うとともに、被害度はニンニクの病巣程度を上記の被害度（指数）で算定した。被害度（指数)の重回帰モデルは、対数価値０．０１８以上で選択した１９６個の波長（図示せず）を得た。それら波長を用いた重回帰式を被害度（指数）推測重回帰モデルとした。図１６（ａ）に示すように、当該重回帰モデルは、相関係数は０．７８１５で被害度（指数）の推測は可能結果を得た。
【0074】
この実施例２に係る演算モデル（被害度（指数）の重回帰モデル）を用いて判別率と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球２００個を用いた。結果を図１６（ｂ）に示す。この結果から、当該重回帰モデルは、相関係数は０．７９６５であった。被害度（指数）の推測は可能である結果を得た。
【0075】
＜実施例３：ロジスティック回帰モデル（感染の有無判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を用いた。被検対象Ｗのニンニク球を近赤外分光後に、ベルマン法でイモグサレセンチュウの培養を行い、感染の有無を確認検査し、その検査データを用いて、感染の有無を判別するに必要な波長を相関が高い順に探索して、感染有無のロジスティック回帰モデルを作成した。具体的な感染有無のロジスティック回帰モデルで判別するために必要な波長は対数価値０．０３９以上の１６４個（図示せず）を用いた。図１７（ａ）に示すように、イモグサレセンチュウ感染の有無のロジスティック回帰モデルの判別精度に関して、平均Precision０．９５７４で、「感染なし」の９５．４％、「感染あり」の９６．０％である。すなわち、極めて精度が高いモデルである。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を用いた。被検対象Ｗのニンニク球を近赤外分光後に、ベルマン法でイモグサレセンチュウの培養を行い、感染の有無を確認検査し、その検査データを用いて、感染の有無を判別するに必要な波長を相関が高い順に探索して、感染有無のロジスティック回帰モデルを作成した。具体的な感染有無のロジスティック回帰モデルで判別するために必要な波長は対数価値０．０３９以上の１６４個（図示せず）を用いた。図１７（ａ）に示すように、イモグサレセンチュウ感染の有無のロジスティック回帰モデルの判別精度に関して、平均Precision０．９５７４で、「感染なし」の９５．４％、「感染あり」の９６．０％である。すなわち、極めて精度が高いモデルである。
【0076】
この実施例３に係る演算モデル（感染の有無判別のロジスティック回帰モデル）を用いて判別率と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球２００個を用いた。結果を図１７（ｂ）に示す。この結果から、当該ロジスティック回帰モデルの感染の有無の判別精度は、平均Precision０．９６７４で、「感染なし」の９７．７％、「感染あり」の９２．９％の精度で判別が可能であった。
【0077】
＜実施例４：ロジスティック回帰モデル（被害度（６階級）判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球３,１２０個を作成用データとして用いた。全被検対象Ｗについて、近赤外分光検査を行い、その後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うとともに、被害度はニンニクの病巣程度を上記の被害度（６階級）で算定した。被害度（６階級）のロジスティック回帰分析モデルは、前述の被害度（６階級）の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ロジスティック回帰分析法で分析し、回帰式を作成したものである。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球３,１２０個を作成用データとして用いた。全被検対象Ｗについて、近赤外分光検査を行い、その後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うとともに、被害度はニンニクの病巣程度を上記の被害度（６階級）で算定した。被害度（６階級）のロジスティック回帰分析モデルは、前述の被害度（６階級）の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ロジスティック回帰分析法で分析し、回帰式を作成したものである。
【0078】
図１８（ａ）に示すように、当該ロジスティック回帰分析モデルは、被害度（６階級）の実測値と推測値の統計学的な解析で、Accuracy０．７５８３で、平均Precision０．７１４９、平均Recall０．４０４４，平均F値０．４２９５示し、再現率は低い傾向にあるが、当該ロジスティック回帰分析モデルはニンニクのイモグサレセンチュウ被害度（６階級）を分類できるモデルである。
【0079】
この実施例４に係る演算モデル（被害度（６階級）判別のロジスティック回帰モデル）を用いて判別率と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球８７０個を用い、この被害度（６階級）判別の感染有無のロジスティック回帰モデルの判別率や精度を検証した。結果を図１８（ｂ）に示す。この結果から、当該順序ロジスティック回帰モデルの被害度（６階級）の分類精度は、被害程度によって、Precision０．０００～０．８７０９とばらつきがあるが、分類クラスの変更で可能であることが分かる。
【0080】
＜実施例５：ＡＩ学習済みモデルＡ（感染の有無判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１５,０７５個を教師ありの教師データとして用いた。この教師データは、全被検対象Ｗについて、近赤外分光検査後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行い、感染の有無を確認検査し、この感染の有無と当該サンプルの近赤外分光波長の吸光度データと対応させたものである。実施例に係る学習済みモデルの基本構造は、入力層（波長２ｎｍの間隔での５５０個の吸光度データが入力）、中間層及び出力層で構成される（以下の実施例において同じ）。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１５,０７５個を教師ありの教師データとして用いた。この教師データは、全被検対象Ｗについて、近赤外分光検査後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行い、感染の有無を確認検査し、この感染の有無と当該サンプルの近赤外分光波長の吸光度データと対応させたものである。実施例に係る学習済みモデルの基本構造は、入力層（波長２ｎｍの間隔での５５０個の吸光度データが入力）、中間層及び出力層で構成される（以下の実施例において同じ）。
【0081】
この学習済みモデルＡは、前述の感染有無の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ディープラーニング（ＤＮＮ法）の交差５分割検証法で３～５種類、及び、勾配ブースティング木の交差５分割法で３～１０種類のモデルを作成し、それら各モデルの正答率、誤答率、再現率やF値から、最適なモデルを選択するアンサンブル法で構築したモデルである。
【0082】
図１９（ａ）に示すように、該学習済みモデルＡは、統計学的な解析によって、AUC０．９９９９、Accuracy０．９９９２、Precision０．９９９２、Recall０．９９９２、F値０．９９９２で、極めて高い判別精度を有している。また、図１９（ｂ）に示すように、当該学習済みモデルＡの確立に用いた教師データの分布は、極めて明確に分離が可能な状態で分布している。
【0083】
この実施例５に係る演算モデル（感染の有無判別ＡＩ学習済みモデルＡ）を用いて判別率と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球３,８７３個を用いた。図２０に示すように、この学習済みモデルＡでは、重相関係数０．９９７９で、感染有無の判別精度は、感染なしの１００．０％、感染ありにおいて９９．９％であった。すなわち、ニンニクのイモグサレセンチュウ感染の有無を高精度で判別できるモデルであることが分かる。
【0084】
＜実施例６：ＡＩ学習済みモデルＢ（被害度（６階級）判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２，４８０個を教師ありの教師データとして用いた。全被検対象Ｗについて、近赤外分光検査を行い、その後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うとともに、被害度はニンニクの病巣程度を上記の被害度（６階級）で算定した。被害度（６階級）の学習済みモデルＢは、前述の被害度（６階級）の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ディープラーニング（ＤＮＮ法）の交差５分割検証法で３～５種類、及び、勾配ブースティング木の交差５分割法で３～１０種類のモデルを作成し、それら各モデルの正答率、誤答率、再現率やF値から、最適なモデルを選択するアンサンブル法で構築した。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２，４８０個を教師ありの教師データとして用いた。全被検対象Ｗについて、近赤外分光検査を行い、その後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うとともに、被害度はニンニクの病巣程度を上記の被害度（６階級）で算定した。被害度（６階級）の学習済みモデルＢは、前述の被害度（６階級）の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ディープラーニング（ＤＮＮ法）の交差５分割検証法で３～５種類、及び、勾配ブースティング木の交差５分割法で３～１０種類のモデルを作成し、それら各モデルの正答率、誤答率、再現率やF値から、最適なモデルを選択するアンサンブル法で構築した。
【0085】
図２１（ａ）に示すように、当該学習済みモデルＢは、被害度（６階級）の実測値と推測値の統計学的な解析で、Accuracy０．９９６５で、平均Precision０．９９８６、平均Recall０．９９０２，平均F値０．９９４３を示し、極めて高い判別精度、適合度や再現率を有している。すなわち、ニンニクのイモグサレセンチュウの被害度（６階級）を高精度で分類できるモデルである。
【0086】
この実施例６に係る演算モデル（被害度（６階級）判別ＡＩ学習済みモデルＢ）を用いて判別率と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球３,１２０個を用いた。結果を図２１（ｂ）に示す。この結果から、被害度（６階級）の学習済みモデルＢは、実測値と推測値のAccuracy０．９９９９で、平均Precision０．９９７９で、極めて高い判別精度や適合度が認められた。すなわち、ニンニクのイモグサレセンチュウの被害度（６階級）を高精度で分類できるモデルであることが分かる。
【0087】
＜実施例７：ＡＩ学習済みモデルＣ（被害度（指数）判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を教師ありの学習用データとして用いた。被害度（指数）の実測値は、全被検対象Ｗについて近赤外分光検査後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うととともに、ニンニクの病巣程度を上記の被害度（指数）で算定した。被害度（指数）の学習済みモデルＣの作成は、前述の被害度の実測値データを教師ありデータとして用い、ディープラーニング（ＤＮＮ法）の交差検証法（５分割）で３～５種類、及び、勾配ブースティング木の交差検証法（５分割）で３～１０種類のモデルを作成し、それら各モデルで最も決定係数や誤差中央値や誤差平均及びPMSEの統計学的な結果を基に最適なモデルを当該学習済みモデルとした。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を教師ありの学習用データとして用いた。被害度（指数）の実測値は、全被検対象Ｗについて近赤外分光検査後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うととともに、ニンニクの病巣程度を上記の被害度（指数）で算定した。被害度（指数）の学習済みモデルＣの作成は、前述の被害度の実測値データを教師ありデータとして用い、ディープラーニング（ＤＮＮ法）の交差検証法（５分割）で３～５種類、及び、勾配ブースティング木の交差検証法（５分割）で３～１０種類のモデルを作成し、それら各モデルで最も決定係数や誤差中央値や誤差平均及びPMSEの統計学的な結果を基に最適なモデルを当該学習済みモデルとした。
【0088】
図２２（ａ）に示すように、被害度（指数）の学習済みモデルＣは、実測値と推測値の決定係数は０．９８０９であった。誤差中央値０．３０３、誤差平均２．３６、RMSE５．９８、決定係数０．９８０９で、極めて高い推測精度が得られた。したがって、当該学習済みモデルＣは、ニンニクのイモグサレセンチュウ感染による被害度（指数）を迅速に高精度で非破壊的に推測できるモデルである。
【0089】
この実施例７に係る演算モデル（被害度（指数）判別ＡＩ学習済みモデルＣ）を用いて方法と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球３,１２０個を用いた。結果を図２２（ｂ）に示す。この結果から、学習済みモデルＣは、決定係数０．９９３６、誤差中央値０．１６４６、誤差平均０．９７８８、RMSE３．５２６９で、極めて高い推測の精度を示した。すなわち、ニンニクのイモグサレセンチュウの被害度（指数）を高精度で推測できるモデルであることが分かる。
【0090】
＜実施例８：ＡＩ学習済みモデルＤ（感染の有無判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニクの１８,９６０個を教師用データとして用いた。この学習済みモデルＤの教師用データは、全被検対象Ｗを近赤外分光検査後に、当該検査ニンニクをベルマン法でイモグサレセンチュウの培養を行い、感染の有無を確認検査し、この感染の有無と当該サンプルの近赤外分光波長の吸光度データと対応させたものである。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニクの１８,９６０個を教師用データとして用いた。この学習済みモデルＤの教師用データは、全被検対象Ｗを近赤外分光検査後に、当該検査ニンニクをベルマン法でイモグサレセンチュウの培養を行い、感染の有無を確認検査し、この感染の有無と当該サンプルの近赤外分光波長の吸光度データと対応させたものである。
【0091】
当該学習済みモデルＤは、ディープラーニングのＤＮＮ（ディープニューラルネットワーク）法を基本構造として、入力層、５層の中間層（ドロップ、Relu関数等の活性化関数で構成）、出力層で構成し、最適化アルゴリズムはAdam(Adaptive moment estimation)を用いて、LearningRate０．１，Momentum０．９、Weight Decay０．０００１として、Leaming Rate SchedulerはExponential、Multipier０．１、Intevalを６００５４０iteration等で構成した。過学習に留意して作成した学習済みモデルである。
【0092】
図２３（ａ）に示すように、この学習済みモデルＤは、AUC（Area Under the Curve）０．９９９８、Accuracy０．９９９４、Precision０．９９９６、Recall０．９９７２、F値９．９９４で、極めて高い判別精度を有し、イモグサレセンチュウ感染の有無の判別に極めて有効なモデルである。
【0093】
この実施例８に係る感染の有無判別の学習済みモデルＤを用いてその判別率と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球３,９１４個を用いた。図２３（ｂ）に示すように、この学習済みモデルＤでは、Precision１．０で、感染有無の判別精度は１００．０％であった。すなわち、ニンニクのイモグサレセンチュウ感染の有無を高精度で判別できるモデルであることが分かる。
【0094】
＜実施例９：ＡＩ学習済みモデルＥ（被害度（６階級）判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１５,６００個を教師ありの教師データとして用いた。全被検対象Ｗについて、近赤外分光検査を行い、その後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うとともに、被害度はニンニクの病巣程度を上記の被害度（６階級）で算定した。当該学習済みモデルＥは、前述の被害度（６階級）の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ディープラーニング（ＤＮＮ：ディープニューラルネットワーク）で作成した。当該学習済みモデルＥは、入力層と、６層の中間層（ドロップ、Relu関数等の活性化関数）、出力層で構成し、最適化アルゴリズムはAdamsを用いて、Weight Decayを０．０００１で、過学習に留意して構築したモデルである。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１５,６００個を教師ありの教師データとして用いた。全被検対象Ｗについて、近赤外分光検査を行い、その後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うとともに、被害度はニンニクの病巣程度を上記の被害度（６階級）で算定した。当該学習済みモデルＥは、前述の被害度（６階級）の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ディープラーニング（ＤＮＮ：ディープニューラルネットワーク）で作成した。当該学習済みモデルＥは、入力層と、６層の中間層（ドロップ、Relu関数等の活性化関数）、出力層で構成し、最適化アルゴリズムはAdamsを用いて、Weight Decayを０．０００１で、過学習に留意して構築したモデルである。
【0095】
図２４（ａ）に示すように、学習済みモデルＥは、実測値と推測値のAccuracy０．９９７６で、平均Precision０．９９９１、平均Recall０．９９４５、平均F値０．９９６８を示し、極めて高い判別精度、適合度や再現率を有し、被害度（６階級）の判別分類には極めて有効な方法として応用し得る学習済みモデルである。
【0096】
この実施例９に係る演算モデル（被害度（６階級）判別ＡＩ学習済みモデルＥ）を用いて判別率と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球３,８７３個を用いた。結果を図２４（ｂ）に示す。この結果から、被害度（６階級）の学習済みモデルＥは、平均Precisionが０．９９９４で、極めて高い適合度を示し、被害度の度合い分類に用いることができる。すなわち、当該学習済みモデルＥはニンニクのイモグサレセンチュウ感染による被害度（６階級）を迅速に高精度で非破壊的に推測できるモデルであることが分かる。
【0097】
＜実施例１０：ＡＩ学習済みモデルＦ（被害度（指数）判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を教師ありの学習用データとして用いた。被害度（指数）の実測値は、全被検対象Ｗについて近赤外分光検査後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うととともに、ニンニクの病巣程度を上記の被害度（指数）で算定した。当該学習済みモデルＦは、前述の被害度（指数）の実測値データと対応した近赤外線分光の吸光度データを教師データとして、ディープラーニング（ＤＮＮ：ディープニューラルネットワーク）で作成した。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を教師ありの学習用データとして用いた。被害度（指数）の実測値は、全被検対象Ｗについて近赤外分光検査後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うととともに、ニンニクの病巣程度を上記の被害度（指数）で算定した。当該学習済みモデルＦは、前述の被害度（指数）の実測値データと対応した近赤外線分光の吸光度データを教師データとして、ディープラーニング（ＤＮＮ：ディープニューラルネットワーク）で作成した。
【0098】
当該学習済みモデルＦは、ＤＮＮ法を基本構造として、入力層、中間層、出力層の最適条件を得るための基本的な検討と工夫を重ねて、入力層、５層の中間層（ドロップ、Relu関数等の活性化関数で構成）、出力層で構成し、最適化アルゴリズムはAdam(Adaptive moment estimation)を用いて、LearningRate０．１、Momentum０．９、Weight Decay０．０００１として、Leaming Rate SchedulerはExponential、Multipier０．１、Intevalを６００５４０iteration等で構成して学習したモデルである。過学習に留意して作成したことを特徴とするモデルである。
【0099】
図２５（ａ）に示すように、被害度（指数）の学習済みモデルＦは、当該推測値と実測値との統計学的なデータ解析で、決定係数０．９９８７、誤差中央値０．２７３７、誤差平均０．２５９３、RMSE１．６０３７で、極めて精度の高いモデルである。ニンニクのイモグサレセンチュウ感染による被害度を迅速に高精度で非破壊的に推測できるモデルである。
【0100】
この実施例１０に係る演算モデル（被害度（指数）判別ＡＩ学習済みモデルＦ）を用いて判別率と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球２,８５１個を用いた。結果を図２５（ｂ）に示す。この結果から、学習済みモデルＦは、当該推測値と実測値との統計学的にデータ解析において、重相関係数０．９９９で、誤差平均０．５２６０、誤差中央値０．２７４３、RMSE１．３０２５の検査成績を得ている。すなわち、当該学習済みモデルＦはニンニクのイモグサレセンチュウ感染による被害度（指数）を迅速に高精度で非破壊的に推測できるモデルであることが分かる。
【0101】
＜実施例１１：ＡＩ学習済みモデルＧ（感染の有無判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を教師用データとして用いた。この学習済みモデルＧの教師用データは、全被検対象Ｗを近赤外分光検査後に、当該検査ニンニクをベルマン法でイモグサレセンチュウの培養を行い、感染の有無を確認検査し、この感染の有無と当該サンプルの近赤外分光波長の吸光度データと対応させたものである。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を教師用データとして用いた。この学習済みモデルＧの教師用データは、全被検対象Ｗを近赤外分光検査後に、当該検査ニンニクをベルマン法でイモグサレセンチュウの培養を行い、感染の有無を確認検査し、この感染の有無と当該サンプルの近赤外分光波長の吸光度データと対応させたものである。
【0102】
当該学習済みモデルＧは、感染の有無の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ディープラーニング（ＣＮＮ：畳み込みニューラルネットワーク）で作成した。当該学習済みモデルＧは、近赤外分光吸光度データの波形（１行５５０列）を画像化して、入力層と、６層の中間層（ドロップ、Relu関数等の活性化関数）、出力層で構成し、最適化アルゴリズムはAdamsを用いて、Weight Decayを０．０００１で、過学習に留意して作成したモデルである。
【0103】
図２６（ａ）に示すように、この学習済みモデルＧは、実測値と推測値のAccuracy １．００００で、平均Precision１．００００、平均Recall１．００００、平均F値１．００００を示し、極めて高い判別精度、適合度や再現率を有し、イモグサレセンチュウ感染の有無の判別には極めて有効な方法として応用し得るモデルである。
【0104】
この実施例１１に係る感染の有無判別の学習済みモデルＧを用いてその判別率と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球３，１２１個を用いた。図２６（ｂ）に示すように、この学習済みモデルＧでは、感染有無の判別精度は１００．０％であった。すなわち、ニンニクのイモグサレセンチュウ感染の有無を高精度で判別できるモデルであることが分かる。
【0105】
＜実施例１２：ＡＩ学習済みモデルＨ（被害度（６階級）判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２，４８０個を教師ありの教師データとして用いた。全被検対象Ｗについて、近赤外分光検査を行い、その後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うとともに、被害度はニンニクの病巣程度を上記の被害度（６階級）で算定した。当該学習済みモデルＨは、前述の被害度（６階級）の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ディープラーニング（ＣＮＮ：畳み込みニューラルネットワーク）で作成した。当該学習済みモデルＨは、近赤外分光吸光度測定データの波形（１行５５０列）を画像化して、入力層と、６層の中間層（ドロップ、Relu関数等の活性化関数）、出力層で構成し、最適化アルゴリズムはAdamsを用いて、Weight Decayを０．０００１で、過学習に留意して構築したモデルである。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２，４８０個を教師ありの教師データとして用いた。全被検対象Ｗについて、近赤外分光検査を行い、その後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うとともに、被害度はニンニクの病巣程度を上記の被害度（６階級）で算定した。当該学習済みモデルＨは、前述の被害度（６階級）の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ディープラーニング（ＣＮＮ：畳み込みニューラルネットワーク）で作成した。当該学習済みモデルＨは、近赤外分光吸光度測定データの波形（１行５５０列）を画像化して、入力層と、６層の中間層（ドロップ、Relu関数等の活性化関数）、出力層で構成し、最適化アルゴリズムはAdamsを用いて、Weight Decayを０．０００１で、過学習に留意して構築したモデルである。
【0106】
図２７（ａ）に示すように、当該学習済みモデルＨは、実測値と推測値のAccuracy１．００００で、平均Precision１．００００、平均Recall１．００００、平均F値１．００００を示し、極めて高い判別精度、適合度や再現率を有し、被害度（６階級）の判別分類には極めて有効な方法として応用し得るモデルである。
【0107】
この実施例１２に係る演算モデル（被害度（６階級）判別ＡＩ学習済みモデルＨ）を用いて判別率と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球３,１２０個を用いた。結果を図２７（ｂ）に示す。この結果から、学習済みモデルＨでは、適合度は１．０００で、被害度（６階級）の分類に用いることができることが明らかになった。すなわち、当該学習済みモデルＨはニンニクのイモグサレセンチュウ感染による被害度（６階級）を迅速に高精度で非破壊的に推測できるモデルであることが分かる。
【0108】
＜実施例１３：ＡＩ学習済みモデルＩ（被害度（指数）判別）＞
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を教師ありの学習用データとして用いた。被害度（指数）の実測値は、全被検対象Ｗについて近赤外分光検査後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うととともに、ニンニクの病巣程度を上記の被害度（指数）で算定した。当該学習済みモデルＩは、前述の被害度（指数）の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ディープラーニング（ＣＮＮ：畳み込みニューラルネットワーク）で作成した。学習済みモデルＩは、近赤外分光吸光度データの波形（１行５５０列）を画像化して、ＣＮＮ法で構成し、入力層と、６層の中間層（ドロップ、Relu関数等の活性化関数）、出力層で構成し、最適化アルゴリズムはAdamsを用いて、Weight Decayを０．０００１で、過学習に留意して構築したモデルである。
被検対象Ｗのニンニク球として、上記と同じ生産地のもので出荷状態に整えたニンニク球１２,４８０個を教師ありの学習用データとして用いた。被害度（指数）の実測値は、全被検対象Ｗについて近赤外分光検査後に、当該検査ニンニク球をベルマン法でイモグサレセンチュウの培養を行うととともに、ニンニクの病巣程度を上記の被害度（指数）で算定した。当該学習済みモデルＩは、前述の被害度（指数）の実測値データに対応した近赤外線分光吸光度データを教師データとして用い、ディープラーニング（ＣＮＮ：畳み込みニューラルネットワーク）で作成した。学習済みモデルＩは、近赤外分光吸光度データの波形（１行５５０列）を画像化して、ＣＮＮ法で構成し、入力層と、６層の中間層（ドロップ、Relu関数等の活性化関数）、出力層で構成し、最適化アルゴリズムはAdamsを用いて、Weight Decayを０．０００１で、過学習に留意して構築したモデルである。
【0109】
図２８（ａ）に示すように、当該学習済みモデルＩは、当該推測値と実測値との統計学的なデータ解析で、決定係数０．９８３１、誤差中央値１．２８０６、誤差平均４．２９０６、RMSE５．８１３１で、精度の高いモデルである。ニンニクのイモグサレセンチュウ感染による被害度（指数）を迅速に高精度で非破壊的に推測できるモデルである。
【0110】
この実施例１３に係る演算モデル（被害度（指数）判別ＡＩ学習済みモデルＩ）を用いて判別率と精度について検証した。上記と同じ生産地のもので出荷状態に整えたニンニク球２,８５１個を用いた。結果を図２８（ｂ）に示す。この結果から、当該推測値と実測値との統計学的に重相関係数０．９９９で、誤差平均４．２５９０、誤差中央値１．２５１３、RMSE５．７２９５５の検査成績を得ている。すなわち、当該学習済みモデルＩはニンニクのイモグサレセンチュウ感染による被害度（指数）を迅速に高精度で非破壊的に推測できるモデルであることが分かる。
【0111】
尚、上記実施の形態において、判別分析法，重回帰分析法，ＰＬＳ分析法，ニューラルネットワーク法のバックプロパゲーション法，ＳＶＭ法の５種類の判別方法を組み合わせて判別を行なったが、必ずしもこれに限定されるものではなく、どれか１種類の判別方法だけでも良く、また、数種類の方法を組み合わせても良く、適宜変更して差支えない。また、上記実施の形態において、階級の判別を６段階にしたが、必ずしもこれに限定されるものではなく、段階数は適宜に定めてよい。更に、実施の形態では、被検対象をニンニク球にしが、必ずしもこれに限定されるものではなく、りん片を個々に検査するようにしても良く、適宜変更して差支えない。
【0112】
また、実施の形態では、生体としてニンニク、寄生虫としてイモグサレセンチュウの例で説明したが、これに限らず種々の植物であって、これらに寄生するセンチュウ類であっても本発明を適用することができる。また、植物やセンチュウに限らず、種々の生体、種々の寄生虫に本発明を適用できることは勿論である。要するに、当業者は、本発明の新規な教示及び効果から実質的に離れることなく、これら例示である実施の形態に多くの変更を加えることが容易であり、これらの多くの変更は本発明の範囲に含まれる。
【符号の説明】
【0113】
Ｓ 生体の検査装置
Ｗ 被検対象（ニンニク球）
Ｗａ りん片
Ｗｂ 花径
Ｗｃ 盤茎
１ 基台
２ 搬送部
３ ベルトコンベア
１０ ロボット
１１ ロボットアーム
１２ 把持ハンド
１３ 開閉アクチュエータ
Ｘ 把持位置
Ｙ 検査位置
２０ 保持部
２１ 側壁
２２ 上壁
２３ 保持本体
２４ 挿通孔
２５ 支承凹部
２６ カメラ
３０ 検査部
３１ 検査ユニット
３２ 支持杆
３３ カバー
３４ ユニット本体
３５ 光源部
３６ 受光部
３７ 検知部
３８ 保持体
３９ 凹所
４０ 防塵機構
４１ 突設部
４２ エア噴射口
４３ エア通路
５０ 受取部
５１ シュータ
５２ 分別手段
６０ 制御部
６１ 演算処理部
６２ 演算モデル記憶部
６３ 判別部
６４ 判断部
６５ 作動制御部
６６ 通信部
６７ 検査制御部
６８ 駆動制御部
６９ 動作命令部
７０ 表示部
Ｗ 被検対象（ニンニク球）
Ｗａ りん片
Ｗｂ 花径
Ｗｃ 盤茎
１ 基台
２ 搬送部
３ ベルトコンベア
１０ ロボット
１１ ロボットアーム
１２ 把持ハンド
１３ 開閉アクチュエータ
Ｘ 把持位置
Ｙ 検査位置
２０ 保持部
２１ 側壁
２２ 上壁
２３ 保持本体
２４ 挿通孔
２５ 支承凹部
２６ カメラ
３０ 検査部
３１ 検査ユニット
３２ 支持杆
３３ カバー
３４ ユニット本体
３５ 光源部
３６ 受光部
３７ 検知部
３８ 保持体
３９ 凹所
４０ 防塵機構
４１ 突設部
４２ エア噴射口
４３ エア通路
５０ 受取部
５１ シュータ
５２ 分別手段
６０ 制御部
６１ 演算処理部
６２ 演算モデル記憶部
６３ 判別部
６４ 判断部
６５ 作動制御部
６６ 通信部
６７ 検査制御部
６８ 駆動制御部
６９ 動作命令部
７０ 表示部
【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】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
