(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】P2023023512
(43)【公開日】2023-02-16
(54)【発明の名称】骨材判定装置および骨材判定方法
(51)【国際特許分類】
G01N 21/17 20060101AFI20230209BHJP
B07C 5/342 20060101ALI20230209BHJP
G01N 21/3554 20140101ALI20230209BHJP
【ＦＩ】
G01N21/17 A
B07C5/342
G01N21/3554
【審査請求】未請求
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2021129106
(22)【出願日】2021-08-05
(71)【出願人】
【識別番号】000226482
【氏名又は名称】日工株式会社
(74)【代理人】
【識別番号】100135013
【弁理士】
【氏名又は名称】西田 隆美
(72)【発明者】
【氏名】石田 健二
(72)【発明者】
【氏名】森下 和真
(72)【発明者】
【氏名】藤谷 来輝
(72)【発明者】
【氏名】浜辺 拓真
【テーマコード（参考）】
2G059
3F079
【Ｆターム（参考）】
2G059AA01
2G059AA05
2G059BB08
2G059CC09
2G059DD12
2G059EE02
2G059HH01
2G059KK04
2G059MM10
2G059MM20
3F079AB01
3F079CB29
3F079CC06
3F079DA12
(57)【要約】
【課題】コンベアへ投入された骨材が、操作盤に入力された骨材種と一致するか否かを判定できる骨材判定装置および骨材判定方法を提供する。
【解決手段】骨材判定装置５０は、操作盤５１、カメラ５３、および情報処理部５６を備える。カメラ５３は、受入コンベア２０により搬送される骨材９を撮影する。オペレータは、受入コンベア２０へ投入した骨材９の骨材種の情報を、操作盤５１に入力する。情報処理部５６は、機械学習により生成された学習モデルに、カメラ５３の撮影により得られる骨材９の画像を入力する。そうすると、学習モデルから骨材種の推定結果が出力される。情報処理部５６は、操作盤５１に入力された骨材種の情報と、学習モデルから出力された推定結果とが、一致するか否かを判定する。
【選択図】図１
【解決手段】骨材判定装置５０は、操作盤５１、カメラ５３、および情報処理部５６を備える。カメラ５３は、受入コンベア２０により搬送される骨材９を撮影する。オペレータは、受入コンベア２０へ投入した骨材９の骨材種の情報を、操作盤５１に入力する。情報処理部５６は、機械学習により生成された学習モデルに、カメラ５３の撮影により得られる骨材９の画像を入力する。そうすると、学習モデルから骨材種の推定結果が出力される。情報処理部５６は、操作盤５１に入力された骨材種の情報と、学習モデルから出力された推定結果とが、一致するか否かを判定する。
【選択図】図１
【特許請求の範囲】
【請求項1】
コンベアへ投入された骨材の適否を判定する骨材判定装置であって、
前記コンベアにより搬送される骨材を撮影するカメラと、
骨材種の情報が入力される操作盤と、
前記カメラおよび前記操作盤と通信可能に接続された情報処理部と、
を備え、
前記情報処理部は、
機械学習により生成された学習モデルに、前記カメラの撮影により得られる骨材の画像を入力し、前記学習モデルから骨材種の推定結果を出力する推定部と、
前記操作盤に入力された骨材種と、前記推定結果とが、一致するか否かを判定する判定部と、
を有する、骨材判定装置。
前記コンベアにより搬送される骨材を撮影するカメラと、
骨材種の情報が入力される操作盤と、
前記カメラおよび前記操作盤と通信可能に接続された情報処理部と、
を備え、
前記情報処理部は、
機械学習により生成された学習モデルに、前記カメラの撮影により得られる骨材の画像を入力し、前記学習モデルから骨材種の推定結果を出力する推定部と、
前記操作盤に入力された骨材種と、前記推定結果とが、一致するか否かを判定する判定部と、
を有する、骨材判定装置。
【請求項2】
請求項１に記載の骨材判定装置であって、
前記カメラは、前記コンベアにより搬送される骨材の動画を撮影し、
前記動画は、骨材の搬送方向にブレを有する複数のフレーム画像を含み、
前記情報処理部は、前記カメラにより撮影された動画に含まれる前記フレーム画像を、前記学習モデルへ入力する、骨材判定装置。
前記カメラは、前記コンベアにより搬送される骨材の動画を撮影し、
前記動画は、骨材の搬送方向にブレを有する複数のフレーム画像を含み、
前記情報処理部は、前記カメラにより撮影された動画に含まれる前記フレーム画像を、前記学習モデルへ入力する、骨材判定装置。
【請求項3】
請求項２に記載の骨材判定装置であって、
前記情報処理部は、
学習用に用意されたサンプル骨材の動画に含まれる複数のフレーム画像と、前記サンプル骨材の既知の骨材種とを、教師データとして、機械学習を行うことにより、前記学習モデルを生成する学習部
をさらに有する、骨材判定装置。
前記情報処理部は、
学習用に用意されたサンプル骨材の動画に含まれる複数のフレーム画像と、前記サンプル骨材の既知の骨材種とを、教師データとして、機械学習を行うことにより、前記学習モデルを生成する学習部
をさらに有する、骨材判定装置。
【請求項4】
請求項３に記載の骨材判定装置であって、
前記学習部は、前記フレーム画像に回転以外の画像処理を施した上で、前記機械学習を行う、骨材判定装置。
前記学習部は、前記フレーム画像に回転以外の画像処理を施した上で、前記機械学習を行う、骨材判定装置。
【請求項5】
請求項３または請求項４に記載の骨材判定装置であって、
前記操作盤は、前記判定部による判定結果が正しいか否かを示す正誤情報を入力可能であり、
前記学習部は、前記カメラから得られる骨材の画像、前記推定結果、および前記正誤情報を教師データとして、追加の機械学習を行うことにより、前記学習モデルを更新する、骨材判定装置。
前記操作盤は、前記判定部による判定結果が正しいか否かを示す正誤情報を入力可能であり、
前記学習部は、前記カメラから得られる骨材の画像、前記推定結果、および前記正誤情報を教師データとして、追加の機械学習を行うことにより、前記学習モデルを更新する、骨材判定装置。
【請求項6】
請求項１から請求項５までのいずれか１項に記載の骨材判定装置であって、
前記カメラの撮影範囲へ向けて光を照射する光源
をさらに備える、骨材判定装置。
前記カメラの撮影範囲へ向けて光を照射する光源
をさらに備える、骨材判定装置。
【請求項7】
請求項６に記載の骨材判定装置であって、
前記コンベアの上面の一部分を覆うフード
をさらに備え、
前記カメラおよび前記光源が、前記フード内に配置されている、骨材判定装置。
前記コンベアの上面の一部分を覆うフード
をさらに備え、
前記カメラおよび前記光源が、前記フード内に配置されている、骨材判定装置。
【請求項8】
請求項１から請求項７までのいずれか１項に記載の骨材判定装置であって、
前記判定部の判定結果を出力する結果出力部
をさらに有する、骨材判定装置。
前記判定部の判定結果を出力する結果出力部
をさらに有する、骨材判定装置。
【請求項9】
請求項１から請求項８までのいずれか１項に記載の骨材判定装置であって、
前記コンベアにより搬送される骨材の表面の水分量を計測する水分センサ
をさらに備え、
前記情報処理部は、
表面の水分量が所定値未満の骨材について前記機械学習を行うことにより生成された第１学習モデルと、
表面の水分量が前記所定値以上の骨材について前記機械学習を行うことにより生成された第２学習モデルと、
を有し、
前記推定部は、
前記水分センサにより計測される水分量が前記所定値未満の場合、前記カメラにより撮影された骨材の画像を、前記第１学習モデルへ入力し、前記第１学習モデルから骨材種の推定結果を出力し、
前記水分センサにより計測される水分量が前記所定値以上の場合、前記カメラから得られる骨材の画像を、前記第２学習モデルへ入力し、前記第２学習モデルから骨材種の推定結果を出力する、骨材判定装置。
前記コンベアにより搬送される骨材の表面の水分量を計測する水分センサ
をさらに備え、
前記情報処理部は、
表面の水分量が所定値未満の骨材について前記機械学習を行うことにより生成された第１学習モデルと、
表面の水分量が前記所定値以上の骨材について前記機械学習を行うことにより生成された第２学習モデルと、
を有し、
前記推定部は、
前記水分センサにより計測される水分量が前記所定値未満の場合、前記カメラにより撮影された骨材の画像を、前記第１学習モデルへ入力し、前記第１学習モデルから骨材種の推定結果を出力し、
前記水分センサにより計測される水分量が前記所定値以上の場合、前記カメラから得られる骨材の画像を、前記第２学習モデルへ入力し、前記第２学習モデルから骨材種の推定結果を出力する、骨材判定装置。
【請求項10】
請求項１から請求項９までのいずれか１項に記載の骨材判定装置であって、
前記推定部は、前記カメラから得られる奇数枚の画像を、前記学習モデルへ入力し、前記学習モデルから、前記奇数枚の画像のそれぞれに対応する奇数個の推定結果を出力し、
前記判定部は、前記操作盤に入力された骨材種と、前記奇数個の推定結果とを比較し、比較結果の多数決により判定を行う、骨材判定装置。
前記推定部は、前記カメラから得られる奇数枚の画像を、前記学習モデルへ入力し、前記学習モデルから、前記奇数枚の画像のそれぞれに対応する奇数個の推定結果を出力し、
前記判定部は、前記操作盤に入力された骨材種と、前記奇数個の推定結果とを比較し、比較結果の多数決により判定を行う、骨材判定装置。
【請求項11】
請求項１から請求項１０までのいずれか１項に記載の骨材判定装置であって、
前記情報処理部は、
前記判定部が、前記操作盤に入力された骨材種と前記推定結果とが一致しないと判定した場合に、サイロへの骨材の搬送を制限する制御部
をさらに有する、骨材判定装置。
前記情報処理部は、
前記判定部が、前記操作盤に入力された骨材種と前記推定結果とが一致しないと判定した場合に、サイロへの骨材の搬送を制限する制御部
をさらに有する、骨材判定装置。
【請求項12】
コンベアへ投入された骨材の適否を判定する骨材判定方法であって、
ａ）前記コンベアへ投入した骨材の骨材種の情報を操作盤に入力する工程と、
ｂ）前記コンベアにより搬送される骨材を撮影する工程と、
ｃ）機械学習により生成された学習モデルに、前記工程ｂ）の撮影により得られる骨材の画像を入力し、前記学習モデルから骨材種の推定結果を出力する工程と、
ｄ）前記工程ａ）で入力された骨材種と、前記推定結果とが、一致するか否かを判定する工程と、
を有する、骨材判定方法。
ａ）前記コンベアへ投入した骨材の骨材種の情報を操作盤に入力する工程と、
ｂ）前記コンベアにより搬送される骨材を撮影する工程と、
ｃ）機械学習により生成された学習モデルに、前記工程ｂ）の撮影により得られる骨材の画像を入力し、前記学習モデルから骨材種の推定結果を出力する工程と、
ｄ）前記工程ａ）で入力された骨材種と、前記推定結果とが、一致するか否かを判定する工程と、
を有する、骨材判定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、コンベアへ投入された骨材の適否を判定する骨材判定装置および骨材判定方法に関する。
【背景技術】
【0002】
従来、コンクリートプラントには、コンクリートの原料となる骨材を貯留する複数のサイロが設けられている。採石場からトラックで運搬されてきた骨材は、コンクリートプラント内のコンベアにより搬送され、骨材種ごとに、指定されたサイロへ貯留される。従来のコンクリートプラントについては、例えば、特許文献１に記載されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開平０８－０９１５８０号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
骨材は、粒径、色、産地などの特性に応じて、複数の骨材種に分類される。コンクリートプラントでは、骨材種ごとに、貯留すべきサイロが決められている。骨材がトラックからコンベアへ投入される際、トラックの運転手または所定の作業員は、操作盤に、骨材種を入力する。これにより、コンベアによる骨材の搬送先が、当該骨材種に応じたサイロに設定される。
【0005】
仮に、コンベアに異なる骨材を投入したり、あるいは、操作盤に骨材種を誤入力したりすると、投入された骨材は、誤ったサイロへ搬送される。そうすると、当該サイロに、異なる骨材種の骨材が混入した状態となる。この場合、製造される生コンクリートの品質を適切に管理できなくなるため、混入が発生したサイロ内の骨材を、全て抜き取る必要が生じる。これにより、多大な手間と損害が発生する。
【0006】
本発明は、このような事情に鑑みなされたものであり、コンベアへ投入された骨材が、操作盤に入力された骨材種と一致するか否かを判定できる骨材判定装置および骨材判定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】
【0007】
上記課題を解決するため、本願の第１発明は、コンベアへ投入された骨材の適否を判定する骨材判定装置であって、前記コンベアにより搬送される骨材を撮影するカメラと、骨材種の情報が入力される操作盤と、前記カメラおよび前記操作盤と通信可能に接続された情報処理部と、を備え、前記情報処理部は、機械学習により生成された学習モデルに、前記カメラの撮影により得られる骨材の画像を入力し、前記学習モデルから骨材種の推定結果を出力する推定部と、前記操作盤に入力された骨材種と、前記推定結果とが、一致するか否かを判定する判定部と、を有する。
【0008】
本願の第２発明は、第１発明の骨材判定装置であって、前記カメラは、前記コンベアにより搬送される骨材の動画を撮影し、前記動画は、骨材の搬送方向にブレを有する複数のフレーム画像を含み、前記情報処理部は、前記カメラにより撮影された動画に含まれる前記フレーム画像を、前記学習モデルへ入力する。
【0009】
本願の第３発明は、第２発明の骨材判定装置であって、前記情報処理部は、学習用に用意されたサンプル骨材の動画に含まれる複数のフレーム画像と、前記サンプル骨材の既知の骨材種とを、教師データとして、機械学習を行うことにより、前記学習モデルを生成する学習部をさらに有する。
【0010】
本願の第４発明は、第３発明の骨材判定装置であって、前記学習部は、前記フレーム画像に回転以外の画像処理を施した上で、前記機械学習を行う。
【0011】
本願の第５発明は、第３発明または第４発明の骨材判定装置であって、前記操作盤は、前記判定部による判定結果が正しいか否かを示す正誤情報を入力可能であり、前記学習部は、前記カメラから得られる骨材の画像、前記推定結果、および前記正誤情報を教師データとして、追加の機械学習を行うことにより、前記学習モデルを更新する。
【0012】
本願の第６発明は、第１発明から第５発明までのいずれか１発明の骨材判定装置であって、前記カメラの撮影範囲へ向けて光を照射する光源をさらに備える。
【0013】
本願の第７発明は、第６発明の骨材判定装置であって、前記コンベアの上面の一部分を覆うフードをさらに備え、前記カメラおよび前記光源が、前記フード内に配置されている。
【0014】
本願の第８発明は、第１発明から第７発明までのいずれか１発明の骨材判定装置であって、前記判定部の判定結果を出力する結果出力部をさらに有する。
【0015】
本願の第９発明は、第１発明から第８発明までのいずれか１発明の骨材判定装置であって、前記コンベアにより搬送される骨材の表面の水分量を計測する水分センサをさらに備え、前記情報処理部は、表面の水分量が所定値未満の骨材について前記機械学習を行うことにより生成された第１学習モデルと、表面の水分量が前記所定値以上の骨材について前記機械学習を行うことにより生成された第２学習モデルと、を有し、前記推定部は、前記水分センサにより計測される水分量が前記所定値未満の場合、前記カメラにより撮影された骨材の画像を、前記第１学習モデルへ入力し、前記第１学習モデルから骨材種の推定結果を出力し、前記水分センサにより計測される水分量が前記所定値以上の場合、前記カメラから得られる骨材の画像を、前記第２学習モデルへ入力し、前記第２学習モデルから骨材種の推定結果を出力する。
【0016】
本願の第１０発明は、第１発明から第９発明までのいずれか１発明の骨材判定装置であって、前記推定部は、前記カメラから得られる奇数枚の画像を、前記学習モデルへ入力し、前記学習モデルから、前記奇数枚の画像のそれぞれに対応する奇数個の推定結果を出力し、前記判定部は、前記操作盤に入力された骨材種と、前記奇数個の推定結果とを比較し、比較結果の多数決により判定を行う。
【0017】
本願の第１１発明は、第１発明から第１０発明までのいずれか１発明の骨材判定装置であって、前記情報処理部は、前記判定部が、前記操作盤に入力された骨材種と前記推定結果とが一致しないと判定した場合に、サイロへの骨材の搬送を制限する制御部をさらに有する。
【0018】
本願の第１２発明は、コンベアへ投入された骨材の適否を判定する骨材判定方法であって、ａ）前記コンベアへ投入した骨材の骨材種の情報を操作盤に入力する工程と、ｂ）前記コンベアにより搬送される骨材を撮影する工程と、ｃ）機械学習により生成された学習モデルに、前記工程ｂ）の撮影により得られる骨材の画像を入力し、前記学習モデルから骨材種の推定結果を出力する工程と、ｄ）前記工程ａ）で入力された骨材種と、前記推定結果とが、一致するか否かを判定する工程と、を有する。
【発明の効果】
【0019】
本願の第１発明から第１２発明によれば、コンベアへ投入された骨材が、操作盤に入力された骨材種と一致するか否かを判定できる。
【0020】
特に、本願の第２発明によれば、骨材の動画を撮影し、搬送方向にブレを有するフレーム画像を、学習モデルへ入力する。骨材を撮影するカメラは、搬送方向にブレの無いフレーム画像を取得可能なフレームレートの高い高速度カメラや、画素数の多い高性能カメラではなく、入手しやすい廉価なカメラで十分である。これにより、カメラにかかるコストを低減できる。また、入手しやすい廉価なカメラを使用することで、カメラが故障したときの交換費用も抑制できる。したがって、メンテナンス性に優れた骨材判定装置を実現できる。
【0021】
特に、本願の第３発明によれば、動画に含まれる多数のフレーム画像を、学習用画像として使用する。このため、学習モデルを生成するために必要な多数の骨材画像を、比較的短時間に取得できる。また、ブレを有するフレーム画像で、十分な推定精度を有する学習モデルを作成できる。また、精細な画像を多数用意する場合と比べて、骨材判定装置の記憶容量を小さくできる。すなわち、廉価な機器構成で、推定精度のよい学習モデルを生成できる。
【0022】
特に、本願の第５発明によれば、追加の機械学習を行うことにより、学習モデルを更新できる。これにより、学習モデルによる骨材種の推定精度を、一定の水準に保つことができる。また、骨材の画像、推定結果、および正誤情報を蓄積しておくことにより、追加の機械学習を素早く行うことができる。
【0023】
特に、本願の第６発明によれば、明るさのばらつきを抑制することにより、骨材種をより精度よく推定できる。
【0024】
特に、本願の第７発明によれば、外部の環境光の影響を抑えることにより、骨材種をより精度よく推定できる。
【0025】
特に、本願の第８発明によれば、判定部の判定結果を、ユーザが認識できる。
【0026】
特に、本願の第９発明によれば、骨材の表面の水分量が所定値未満の場合と所定値以上の場合とで、異なる学習モデルを使用する。これにより、骨材種をより精度よく推定できる。
【0027】
特に、本願の第１０発明によれば、奇数枚の画像に基づいて、より精度の高い推定結果を得ることができる。
【0028】
特に、本願の第１１発明によれば、不適切な骨材が投入された可能性がある場合に、当該骨材がサイロへ搬送されることを制限できる。
【図面の簡単な説明】
【0029】
【図1】第１実施形態に係る骨材搬送装置の構成を示した図である。
【図2】第１実施形態の情報処理部において実現される機能を、概念的に示したブロック図である。
【図3】第１実施形態における学習処理の流れを示したフローチャートである。
【図4】動画から切り出された学習用画像の例を示した図である。
【図5】第１実施形態における判定処理の流れを示したフローチャートである。
【図6】第２実施形態に係る骨材搬送装置の構成を示した図である。
【図7】第２実施形態における学習処理の流れを示したフローチャートである。
【図8】第２実施形態における判定処理の流れを示したフローチャートである。
【図9】第３実施形態における判定処理の流れを示したフローチャートである。
【図10】第４実施形態において追加の機械学習を行うときの処理の流れを示したフローチャートである。
【発明を実施するための形態】
【0030】
以下、本発明の好適な実施形態について、図面を参照しつつ説明する。
【0031】
＜１．第１実施形態＞
＜１－１．骨材搬送装置の構成＞
図１は、骨材判定装置５０を含む骨材搬送装置１の構成を示した図である。この骨材搬送装置１は、コンクリートプラントにおいて、原料となる骨材９を受け入れ、複数のサイロ４０へ骨材９を搬送する装置である。図１に示すように、骨材搬送装置１は、受入ホッパ１０、受入コンベア２０、シャトルコンベア３０、４つのサイロ４０、および骨材判定装置５０を備える。
＜１－１．骨材搬送装置の構成＞
図１は、骨材判定装置５０を含む骨材搬送装置１の構成を示した図である。この骨材搬送装置１は、コンクリートプラントにおいて、原料となる骨材９を受け入れ、複数のサイロ４０へ骨材９を搬送する装置である。図１に示すように、骨材搬送装置１は、受入ホッパ１０、受入コンベア２０、シャトルコンベア３０、４つのサイロ４０、および骨材判定装置５０を備える。
【0032】
受入ホッパ１０は、受入コンベア２０の搬送開始位置の上方に配置される。受入ホッパ１０は、下方へ向かうにつれて徐々に内径が小さくなる漏斗状のホッパである。骨材９は、採石場からトラック９０により運搬され、受入ホッパ１０の上部の開口へ投入される。投入された骨材９は、受入ホッパ１０内に一時的に貯留されるとともに、受入ホッパ１０の下部の開口から、受入コンベア２０の上面へ供給される。
【0033】
受入コンベア２０は、受入ホッパ１０に投入された骨材９を、斜め上向きに搬送する機構である。受入コンベア２０は、始端プーリ２１と、終端プーリ２２と、それらのプーリ２１，２２の間に架け渡された環状のベルト２３と、を有する。始端プーリ２１は、受入ホッパ１０の下方に位置する。終端プーリ２２は、後述するシャトルコンベア３０の上方に位置する。終端プーリ２２は、始端プーリ２１から斜め上方に離れた位置に配置される。
【0034】
始端プーリ２１および終端プーリ２２の少なくともいずれか一方は、図示を省略したモータの動力により回転する。これにより、始端プーリ２１と終端プーリ２２の間で、ベルト２３が図１中の矢印の向きに回動する。ベルト２３の移動速度は、例えば、５０ｍ／分以上の任意の速度に調整される。受入ホッパ１０へ投入された骨材９は、始端プーリ２１の近傍のベルト２３の上面に供給される。そして、ベルト２３に載置された骨材９は、ベルト２３の回動に伴い、受入ホッパ１０の下方位置から終端プーリ２２へ向けて、斜め上向きに移動する。
【0035】
なお、受入コンベア２０のベルト２３は、一定の速度で連続的に移動する。このため、受入ホッパ１０の下部から引き出される骨材９は、ベルト２３の上面に略一定の高さに載置された状態で、搬送される。そして、終端プーリ２２の位置まで骨材９が搬送されると、ベルト２３の反転に伴い、骨材９がシャトルコンベア３０へ落下する。
【0036】
シャトルコンベア３０は、受入コンベア２０から搬送される骨材９を、４つのサイロ４０へ振り分けるための機構である。シャトルコンベア３０は、受入コンベア２０の終端プーリ２２の下方に位置する。シャトルコンベア３０は、第１プーリ３１と、第２プーリ３２と、それらのプーリ３１，３２の間に架け渡された環状のベルト３３とを有する。
【0037】
第１プーリ３１および第２プーリ３２の少なくともいずれか一方は、図示を省略したモータの動力により回転する。これにより、第１プーリ３１と第２プーリ３２の間で、ベルト３３が回動する。受入コンベア２０から落下し、シャトルコンベア３０のベルト３３に載置された骨材９は、ベルト３３の回動により、４つのサイロ４０のいずれか１つへ搬送される。
【0038】
また、シャトルコンベア３０は、図示を省略した駆動機構により、水平面に沿って移動可能となっている。これにより、シャトルコンベア３０による骨材９の搬送先を、４つのサイロ４０のうちの指定されたサイロ４０へ切り替えることができる。
【0039】
４つのサイロ４０は、骨材９の貯留槽である。骨材９は、粒径、色、産地などの特性に応じて、複数の骨材種に分類される。この骨材搬送装置１では，骨材種ごとに、貯留すべきサイロ４０が決められている。図１の例では、Ａ～Ｄの４つの骨材種の骨材９が、４つのサイロ４０に、分別して貯留される。なお、骨材搬送装置１が備えるサイロ４０の数は、４つに限定されるものではない。
【0040】
＜１－２．骨材判定装置について＞
骨材判定装置５０は、受入コンベア２０へ投入された骨材９の適否を判定するための装置である。骨材判定装置５０は、受入コンベア２０により搬送される骨材９を撮影し、得られた画像に基づいて骨材種を推定する。そして、骨材判定装置５０は、骨材種の推定結果が、指定された骨材種と一致するか否かを判定する。図１に示すように、骨材判定装置５０は、操作盤５１、表示部５２、カメラ５３、光源５４、フード５５、および情報処理部５６を備える。
骨材判定装置５０は、受入コンベア２０へ投入された骨材９の適否を判定するための装置である。骨材判定装置５０は、受入コンベア２０により搬送される骨材９を撮影し、得られた画像に基づいて骨材種を推定する。そして、骨材判定装置５０は、骨材種の推定結果が、指定された骨材種と一致するか否かを判定する。図１に示すように、骨材判定装置５０は、操作盤５１、表示部５２、カメラ５３、光源５４、フード５５、および情報処理部５６を備える。
【0041】
操作盤５１は、受入ホッパ１０の近傍に配置される。操作盤５１は、情報処理部５６と電気的に接続されている。操作盤５１は、複数のキー５１１，５１２を有する。オペレータ（トラック９０の運転手またはコンクリートプラントの作業員）は、受入ホッパ１０へ投入される骨材９の骨材種を示すキー５１１を押す。これにより、骨材種の情報が、操作盤５１から情報処理部５６へ入力される。また、骨材種の情報が入力されると、シャトルコンベア３０は、当該骨材種のサイロ４０が搬送先となるように、その位置を変更する。
【0042】
また、オペレータは、受入ホッパ１０へ骨材９が投入された後、搬送開始を指示するためのキー５１２を押す。そうすると、受入コンベア２０およびシャトルコンベア３０の動作が開始される。これにより、投入された骨材９が、受入コンベア２０およびシャトルコンベア３０により、指定されたサイロ４０へ搬送される。
【0043】
なお、操作盤５１は、一般的なキーボード、マウス、またはタッチパネルにより構成されていてもよい。
【0044】
表示部５２は、操作盤５１とともに、受入ホッパ１０の近傍に配置される。表示部５２は、情報処理部５６と電気的に接続されている。表示部５２には、例えば、液晶ディスプレイが使用される。表示部５２は、骨材判定装置５０に関する種々の情報を表示する。例えば、表示部５２は、情報処理部５６の後述する判定部６３から出力される判定結果を表示する。すなわち、表示部５２は、本発明における「結果出力部」の一例である。
【0045】
カメラ５３は、受入コンベア２０により搬送される骨材９を撮影する撮像装置である。カメラ５３は、受入ホッパ１０よりも搬送経路の下流側において、受入コンベア２０のベルト２３の上面に対向するように、配置されている。本実施形態のカメラ５３は、受入コンベア２０により搬送される骨材９の動画を撮影する。受入コンベア２０の動作が開始された後、所定時間が経過し、先頭の骨材９がカメラ５３の下方を通過すると、カメラ５３は、動画の撮影を開始する。そして、カメラ５３は、得られた動画を、情報処理部５６へ入力する。
【0046】
なお、受入コンベア２０の途中に、骨材９を検知するセンサを設け、当該センサの検出信号に基づいて、カメラ５３による動画の撮影を開始するようにしてもよい。
【0047】
光源５４は、カメラ５３の撮影範囲へ向けて、光を照射するための部位である。光源５４には、例えば、ＬＥＤランプが使用される。ただし、光源５４は、蛍光灯または白熱灯であってもよい。光源５４は、カメラ５３による撮影を行うときには、常に点灯する。
【0048】
フード５５は、受入コンベア２０の上面の一部分を覆う箱状の部材である。フード５５は、遮光性を有する材料により形成される。フード５５は、受入コンベア２０による骨材９の搬送経路の途中に配置されている。フード５５は、入口開口５５１と出口開口５５２とを有する。受入コンベア２０により搬送される骨材９は、入口開口５５１を介してフード５５の中へ搬入され、出口開口５５２を介してフード５５の外へ搬出される。
【0049】
カメラ５３および光源５４は、フード５５の内部に配置されている。外部の環境光は、フード５５により遮蔽される。これにより、カメラ５３の撮影時における環境光の影響が抑制される。また、フード５５の内部において、光源５４から光を照射することにより、骨材９を一定の明るさに照らすことができる。このため、季節や天候により日射量が変化する場合でも、骨材９を一定の明るさで撮影することができる。また、太陽の位置により骨材９の影が変化することも抑制できる。
【0050】
情報処理部５６は、後述する学習処理および判定処理を行う装置である。情報処理部５６は、ＣＰＵまたはＧＰＵ等のプロセッサ５６１、ＲＡＭ等のメモリ５６２、およびハードディスクドライブまたはＳＳＤ等の記憶部５６３を有するコンピュータにより構成される。記憶部５６３には、後述する学習処理および判定処理を実行するためのコンピュータプログラムが、インストールされている。また、情報処理部５６は、上述した操作盤５１、表示部５２、カメラ５３、受入コンベア２０、およびシャトルコンベア３０と、通信可能に接続されている。
【0051】
図２は、情報処理部５６において実現される機能を、概念的に示したブロック図である。図２に示すように、情報処理部５６は、学習部６１、推定部６２、判定部６３、および制御部６４を有する。これらの各部の機能は、情報処理部５６としてのコンピュータが、記憶部５６３に記憶されたコンピュータプログラムに従って動作することにより、実現される。
【0052】
学習部６１は、骨材９の画像に基づいて骨材種を推定するための学習モデルＭを生成する処理部である。学習部６１は、学習用に用意されたサンプル骨材９の画像（以下「学習用画像」と称する）と、そのサンプル骨材９の既知の骨材種とを教師データとして、機械学習を行う。機械学習アルゴリズムとしては、ディープラーニングの一種である畳み込みニューラルネットワークが好適である。本発明者らの行った実験では、画像のぼかし処理を行うプーリング層がある畳み込みニューラルネットワークを学習部６１に採用すると、搬送方向にブレを有する画像でも、十分な推定精度を有する学習モデルＭを生成することができた。
【0053】
ただし、学習部６１が使用する機械学習アルゴリズムは、畳み込みニューラルネットワークに限らず、ニューラルネットワーク、線形回帰、決定木、サポートベクター回帰等の他の教師あり機械学習アルゴリズムであってもよい。
【0054】
学習部６１は、多数のサンプル骨材９の画像と、そのサンプル骨材９の骨材種との関係を、学習する。これにより、骨材９の画像に対応する骨材種の推定結果を出力可能な、学習モデルＭが生成される。学習部６１は、生成された学習モデルＭを、推定部６２へ提供する。なお、学習処理の詳細については、後述する。
【0055】
推定部６２は、上記の学習モデルＭを使用して、骨材９の画像から骨材種を推定する処理部である。推定部６２は、カメラ５３により撮影された動画Ｄから画像を切り出して、学習モデルＭへ入力する。そうすると、学習モデルＭは、入力された骨材９の画像に基づいて、骨材種の推定結果Ｅを出力する。推定部６２は、学習モデルＭから出力された推定結果Ｅを、判定部６３へ送る。
【0056】
判定部６３は、操作盤５１に入力された骨材種の情報Ｉを取得する。また、判定部６３は、推定部６２による骨材種の推定結果Ｅを取得する。そして、判定部６３は、操作盤５１に入力された骨材種の情報Ｉと、推定部６２による骨材種の推定結果Ｅとが、一致するか否かを判定する。また、判定部６３は、その判定結果Ｒを、表示部５２へ出力する。これにより、表示部５２に、受入コンベア２０により搬送される骨材９の骨材種と、操作盤５１により指定された骨材種とが、一致するか否かの判定結果Ｒが、表示される。
【0057】
制御部６４は、判定部６３の判定結果Ｒに応じて、受入コンベア２０の動作を制御する。制御部６４は、判定部６３が、操作盤５１に入力された骨材種の情報Ｉと、推定部６２の推定結果Ｅとが一致すると判定した場合、受入コンベア２０の動作を継続させる。制御部６４は、判定部６３が、操作盤５１に入力された骨材種の情報Ｉと、推定部６２の推定結果Ｅとが一致しないと判定した場合、受入コンベア２０の動作を停止させる。
【0058】
＜１－３．学習処理について＞
続いて、上述した骨材判定装置５０において実行される学習処理について、説明する。図３は、学習処理の流れを示したフローチャートである。この学習処理は、後述する骨材９の判定処理を行う前に、予め実行される。
続いて、上述した骨材判定装置５０において実行される学習処理について、説明する。図３は、学習処理の流れを示したフローチャートである。この学習処理は、後述する骨材９の判定処理を行う前に、予め実行される。
【0059】
学習処理を行うときには、まず、学習用のサンプル骨材９を用意する（ステップＳ１１）。例えば、Ａ～Ｄの４つの骨材種を学習したい場合には、当該４つの骨材種のサンプル骨材９を用意する。
【0060】
オペレータは、用意したサンプル骨材９を、１種ずつ、受入コンベア２０へ投入して、受入コンベア２０を動作させる。そして、光源５４から光を照射しつつ、カメラ５３により、サンプル骨材９の動画Ｄを撮影する（ステップＳ１２）。１つの骨材種のサンプル骨材９の撮影が完了すると、作業者は、次の骨材種のサンプル骨材９を、受入コンベア２０へ投入する。そして、受入コンベア２０を動作させて、上記と同様に、サンプル骨材９の動画Ｄを撮影する。このようにして、用意した全ての骨材種のサンプル骨材９の動画Ｄを、順次に撮影する。
【0061】
カメラ５３により撮影される動画Ｄは、多数のフレーム画像により構成される。例えば、フレームレートが３０フレーム／秒のカメラ５３で、５分間の撮影を行った場合、当該撮影により得られる動画Ｄは、９０００枚のフレーム画像により構成される。ステップＳ１２では、用意した全ての骨材種について、このような動画Ｄ（フレーム画像の集合体）を撮影する。そして、撮影により得られた動画Ｄが、カメラ５３から情報処理部５６へ送信される。
【0062】
情報処理部５６の内部では、動画Ｄに含まれる多数のフレーム画像が、学習用画像として、記憶部５６３に蓄積される（ステップＳ１３）。上述の通り、動画Ｄには、多数のフレーム画像が含まれる。このため、学習部６１は、多数の学習用画像を準備できる。図４は、動画Ｄに含まれるフレーム画像の例を示した図である。図４のように、カメラ５３のフレームレートとベルト２３の移動速度との関係から、フレーム画像は、搬送方向にブレを有する画像となっている。
【0063】
学習部６１は、多数の学習用画像を、教師用画像と、バリデーション用画像とに、分類する（ステップＳ１４）。例えば、４種のサンプル骨材９を各５分間撮影することにより、３６０００枚の学習用画像が得られた場合、その３／４の２７０００枚の学習用画像を教師用画像とし、残り１／４の９０００枚の学習用画像をバリデーション用画像とする。ただし、教師用画像とバリデーション用画像の割合は、必ずしも３：１でなくてもよい。
【0064】
学習部６１は、教師用画像と、当該教師用画像に写るサンプル骨材９の既知の骨材種とのセットを、教師データとする。また、学習部６１は、バリデーション用画像と、当該バリデーション用画像に写るサンプル骨材９の既知の骨材種とのセットを、バリデーション用データとする。
【0065】
学習部６１は、教師用画像に、ぼかし、左右反転、上下反転等の画像処理を施す（ステップＳ１５）。画像処理により、教師用画像に変化をつけることで、学習する画像の幅が広がる。これにより、機械学習の精度を向上させることができる。ただし、画像処理は、画像の回転処理を含まないことが望ましい。上述の通り、教師用画像は、搬送方向にブレを有する画像となっているが、回転処理を行うと、このブレの向きが変わることにより、機械学習の精度がかえって低下してしまうからである。なお、多数の教師用画像の中に、画像処理が施されない画像が含まれていてもよい。
【0066】
学習部６１は、画像処理後の多数の教師データを用いて、機械学習を行う（ステップＳ１６）。すなわち、機械学習アルゴリズムが、多数の教師用画像を、学習モデルＭに１つずつ入力する。そして、学習モデルＭから出力される骨材種の推定結果が、入力した教師用画像の骨材種に近づくように、学習モデルＭのパラメータを調整する。機械学習アルゴリズムは、このようなパラメータの調整処理を、準備した教師データの数だけ繰り返す。
【0067】
その後、機械学習アルゴリズムは、複数のバリデーション用画像を用いて、学習モデルＭによる骨材種の推定精度を確認する（ステップＳ１７）。具体的には、学習モデルＭにバリデーション用画像を入力し、学習モデルＭから出力される骨材種の推定結果が、入力したバリデーション用画像の骨材種と一致しているか否かを確認する。そして、骨材種の推定精度が、所定のレベル（例えば９５％以上の正解率）に達している場合、機械学習アルゴリズムは、学習処理を終了する。これにより、骨材９の画像に基づいて骨材種の推定結果を出力することが可能な１つの学習モデルＭが生成される。
【0068】
なお、骨材種の推定精度が所望のレベルに達しなかった場合、上述したステップＳ１２～Ｓ１７の処理を、再度繰り返してもよい。また、学習モデルＭを生成した後、上述した教師用画像およびバリデーション用画像とは別のサンプル骨材９の画像を学習モデルＭに入力し、学習モデルＭから出力される骨材種の推定結果が、当該画像に写るサンプル骨材９の骨材種と一致するか否かを、さらに確認してもよい。
【0069】
骨材９は、同じ骨材種であっても、乾燥状態、濡れ状態、砕石場所の違い等に応じて表面の色が異なる。このため、上述したステップＳ１２では、骨材種ごとに、乾燥状態のサンプル骨材９の動画Ｄ、濡れ状態のサンプル骨材９の動画Ｄ、砕石場所が異なるサンプル骨材９の動画Ｄを、複数回の撮影により取得してもよい。
【0070】
また、学習モデルＭへ入力される多数の学習用画像の中に、乾燥状態のサンプル骨材９の画像、濡れ状態のサンプル骨材９の画像、砕石場所が異なるサンプル骨材９の画像を、含めるようにしてもよい。例えば、１つの骨材種について、９０００枚の学習用画像を使用する場合、当該９０００枚の中に、乾燥状態、濡れ状態、砕石場所が異なる複数のサンプル骨材９の画像を混在させるようにしてもよい。これにより、学習部６１は、骨材種ごとに、乾燥状態、濡れ状態、砕石場所の違いなどの様々な状態を、学習できる。したがって、学習モデルＭから出力される骨材種の推定精度を、より向上させることができる。
【0071】
＜１－４．骨材の判定処理について＞
続いて、実際の骨材９の受け入れ時に、上記の学習モデルＭを用いて、受入コンベア２０へ投入された骨材９の適否を判定する処理について、説明する。図５は、判定処理の流れを示したフローチャートである。
続いて、実際の骨材９の受け入れ時に、上記の学習モデルＭを用いて、受入コンベア２０へ投入された骨材９の適否を判定する処理について、説明する。図５は、判定処理の流れを示したフローチャートである。
【0072】
骨材９の受け入れ時には、まず、トラック９０に積まれた骨材９が、受入ホッパ１０へ投入される（ステップＳ２１）。続いて、オペレータが、投入した骨材９の骨材種の情報Ｉを、操作盤５１に入力する（ステップＳ２２）。例えば、操作盤５１のキー５１１を押すことにより、骨材種の情報Ｉを入力する。その後、オペレータは、操作盤５１の搬送開始を指示するためのキー５１２を押す。これにより、受入コンベア２０の動作が開始される（ステップＳ２３）。
【0073】
受入ホッパ１０からベルト２３の上面に供給された骨材９は、ベルト２３の回動に伴い、終端プーリ２２へ向けて、斜め上向きに搬送される。そして、受入コンベア２０の動作が開始された後、所定時間が経過し、骨材９がカメラ５３の下方を通過する際に、カメラ５３は、骨材９の動画Ｄを撮影する（ステップＳ２４）。そして、カメラ５３は、得られた動画Ｄを、情報処理部５６へ送信する。
【0074】
情報処理部５６の内部では、推定部６２が、上記の動画Ｄから１枚の画像（フレーム画像）を切り出す（ステップＳ２５）。そして、推定部６２は、切り出された画像を、学習モデルＭへ入力する。すると、学習モデルＭは、入力された骨材９の画像に基づいて、骨材種の推定結果Ｅを出力する（ステップＳ２６）。推定部６２は、学習モデルＭから出力された推定結果Ｅを、判定部６３へ送る。
【0075】
判定部６３は、上記のステップＳ２２で操作盤５１に入力された骨材種の情報Ｉを取得する。また、判定部６３は、上記のステップＳ２６で学習モデルＭから出力された推定結果Ｅを取得する。そして、判定部６３は、操作盤５１に入力された骨材種の情報Ｉと、推定部６２による骨材種の推定結果Ｅとが、一致するか否かを判定する（ステップＳ２７）。
【0076】
判定部６３は、当該判定結果Ｒを、表示部５２へ出力する。これにより、表示部５２に、受入コンベア２０により搬送される骨材９の骨材種と、操作盤５１により指定された骨材種とが、一致するか否かの判定結果Ｒが、表示される（ステップＳ２８）。オペレータは、表示部５２を確認することにより、判定結果Ｒを認識できる。
【0077】
制御部６４は、上記のステップＳ２７における判定部６３の判定結果Ｒが、「一致」および「不一致」のいずれであるかを確認する（ステップＳ２９）。そして、判定結果Ｒが、操作盤５１に入力された骨材種の情報Ｉと、推定部６２の推定結果Ｅとが一致することを示している場合（ステップＳ２９：Ｙｅｓ）、制御部６４は、受入コンベア２０の動作を継続させる。一方、判定結果Ｒが、操作盤５１に入力された骨材種の情報Ｉと、推定部６２の推定結果Ｅとが一致しないことを示している場合（ステップＳ２９：Ｎｏ）、制御部６４は、受入コンベア２０の動作を停止させる（ステップＳ３０）。
【0078】
判定結果Ｒが「不一致」の場合には、不適切な骨材種の骨材９が受入ホッパ１０に投入されているか、あるいは、操作盤５１に骨材種の情報Ｉを誤入力している可能性がある。いずれの場合でも、受入ホッパ１０上の骨材９は、誤ったサイロ４０へ搬送される可能性がある。上記のステップＳ３０では、このような場合に、受入コンベア２０の動作を緊急停止する。これにより、骨材９の搬送を止めて、骨材９が誤ったサイロ４０へ搬送されることを防止する。
【0079】
以上のように、この骨材判定装置５０は、受入コンベア２０により搬送される骨材９を撮影し、得られた画像と、予め機械学習により生成された学習モデルＭとを用いて、搬送中の骨材９の骨材種を推定する。そして、骨材判定装置５０は、骨材種の推定結果Ｅが、操作盤５１に入力された骨材種の情報Ｉと一致するか否かを、判定する。これにより、骨材９が誤ったサイロ４０へ搬送される可能性があることを検出できる。
【0080】
特に、本実施形態の骨材判定装置５０では、受入コンベア２０を停止させることなく、骨材９を撮影する。このため、学習モデルＭに入力される画像は、高精細な画像ではなく、ブレを有する画像となる。骨材９を撮影するカメラ５３には、搬送方向にブレの無いフレーム画像を取得可能なフレームレートの高い高速度カメラや、画素数の多い高性能カメラではなく、入手しやすい廉価なカメラを使用できる。これにより、カメラ５３にかかるコストを低減できる。また、入手しやすい廉価なカメラ５３を使用することで、カメラ５３が故障したときの交換費用も抑制できる。したがって、メンテナンス性に優れた骨材判定装置５０を実現できる。
【0081】
また、本実施形態の骨材判別装置５０では、学習部６１における学習モデルＭの生成に、画像のぼかし処理を行う畳み込みニューラルネットワークを採用している。このため、学習モデルＭに入力される画像は、必ずしも高精細な画像である必要はない。すなわち、搬送方向にブレを有する画像であっても、推定精度の高い学習モデルＭを得ることができる。したがって、高性能なカメラではなく、廉価なカメラ５３を使用しつつ、推定精度の高い学習モデルＭを得ることができる。カメラ５３は、例えば、フレームレートが３０フレーム／秒程度のｗｅｂカメラであってもよい。また、フレームレートや画素数を抑えることにより、骨材判定装置５０の記憶容量を小さくできる。すなわち、廉価な機器構成でありながら、十分な判定精度を有する骨材判定装置を実現できる。
【0082】
なお、カメラ５３のフレームレートが３０フレーム／秒の場合、受入コンベア２０のベルト２３の移動速度を５０ｍ／分（１フレームあたりの移動距離が２．７８ｃｍ／フレーム）以上とすると、搬送方向にブレを有するフレーム画像を取得できる。また、ベルト２３の移動速度が１２０ｍ／分（１フレームあたりの移動距離が６．６７ｃｍ／フレーム）を超えると、撮影により得られるフレーム画像は、骨材の外形が判別不能な程度のブレとなる。このため、１フレームあたりの移動距離が２．７８ｃｍ／フレーム以上、６．６７ｃｍ／フレーム以下の範囲となるように、カメラ５３のフレームレートとベルト２３の移動速度との関係を調整するとよい。
【0083】
また、本実施形態の骨材判定装置５０では、フード５５内において、光源５４から光を照射しつつ、カメラ５３による撮影を行う。これにより、学習モデルＭに入力される画像の明るさのばらつきを抑制できる。したがって、骨材種をより精度よく推定できる。
【0084】
＜２．第２実施形態（水分センサ）＞
続いて、本発明の第２実施形態について、説明する。図６は、第２実施形態に係る骨材搬送装置１の構成を示した図である。
続いて、本発明の第２実施形態について、説明する。図６は、第２実施形態に係る骨材搬送装置１の構成を示した図である。
【0085】
本実施形態は、骨材判定装置５０が水分センサ５７を備える点が、上記の第１実施形態と異なる。水分センサ５７は、受入コンベア２０により搬送される骨材９の表面の水分量を計測するセンサである。水分センサ５７は、受入コンベア２０の上方の、カメラ５３よりも上流側の位置に配置される。また、水分センサ５７は、カメラ５３および光源５４とともに、フード５５内に配置される。
【0086】
水分センサ５７には、例えば、近赤外線水分計が使用される。近赤外線水分計は、骨材９へ向けて近赤外線を照射し、反射光量に基づいて骨材９の表面における吸光度を計測することにより、骨材９の水分量を計測する。ただし、水分センサ５７は、他の方式の水分計であってもよい。水分センサ５７は、情報処理部５６と通信可能に接続される。水分センサ５７の計測結果は、情報処理部５６へ送信される。
【0087】
図７は、第２実施形態における学習処理の流れを示したフローチャートである。図７に示すように、この第２実施形態では、サンプル骨材９を用意した後、まず、乾燥状態のサンプル骨材９について、上述したステップＳ１２～Ｓ１７と同様の処理を行う（ステップＳ１２Ａ～Ｓ１７Ａ）。これにより、乾燥状態の骨材９の画像に基づいて骨材種の推定結果Ｅを出力することが可能な、第１学習モデルＭ１を生成する。次に、濡れ状態のサンプル骨材９について、上述したステップＳ１２～Ｓ１７と同様の処理を行う（ステップＳ１２Ｂ～Ｓ１７Ｂ）。これにより、濡れ状態の骨材９の画像に基づいて骨材種の推定結果Ｅを出力することが可能な、第２学習モデルＭ２を生成する。
【0088】
なお、「乾燥状態」とは、上記の水分センサ５７により計測される骨材９の表面の水分量が、所定値未満の状態を指すこととする。また、「濡れ状態」とは、上記の水分センサ５７により計測される骨材９の表面の水分量が、所定値以上の状態を指すこととする。
【0089】
図８は、第２実施形態における判定処理の流れを示したフローチャートである。図８に示すように、この第２実施形態では、第１実施形態と同様に、ステップＳ２１～Ｓ２５の処理を行い、骨材９の画像を取得する。ただし、カメラ５３により骨材９を撮影する直前に、水分センサ５７により、骨材９の表面の水分量を計測する（ステップＳ２４Ａ）。
【0090】
その後、推定部６２は、受入コンベア２０により搬送される骨材９が、乾燥状態および濡れ状態のいずれであるかを判断する（ステップＳ３１）。推定部６２は、水分センサ５７により計測される水分量が、上述した所定値未満の場合、骨材９が乾燥状態であると判断する（ステップＳ３１：Ｙｅｓ）。推定部６２は、水分センサ５７により計測される水分量が、上述した所定値以上の場合、骨材９が濡れ状態であると判断する（ステップＳ３１：Ｎｏ）。
【0091】
推定部６２は、骨材９が乾燥状態である場合には、第１学習モデルＭ１を選択する（ステップＳ３２）。また、推定部６２は、骨材９が濡れ状態である場合には、第２学習モデルＭ２を選択する（ステップＳ３３）。
【0092】
第１学習モデルＭ１が選択された場合、推定部６２は、当該第１学習モデルＭ１へ骨材９の画像を入力する。そうすると、第１学習モデルＭ１は、入力された画像に基づいて、骨材種の推定結果Ｅを出力する（ステップＳ２６）。また、第２学習モデルＭ２が選択された場合、推定部６２は、当該第２学習モデルＭ２へ骨材９の画像を入力する。そうすると、第２学習モデルＭ２は、入力された画像に基づいて、骨材種の推定結果Ｅを出力する（ステップＳ２６）。
【0093】
その後、骨材判定装置５０は、第１実施形態と同様に、ステップＳ２７～Ｓ３０の処理を行う。
【0094】
以上のように、この第２実施形態では、骨材判定装置５０が水分センサ５７を備える。そして、骨材９が乾燥状態の場合には、乾燥状態用にパラメータが調整された第１学習モデルＭ１を使用する。また、骨材９が濡れ状態の場合には、濡れ状態用にパラメータが調整された第２学習モデルＭ２を使用する。このように、乾燥状態と濡れ状態とで、異なる学習モデルＭ１，Ｍ２を使用することにより、骨材種をより精度よく推定できる。
【0095】
＜３．第３実施形態（多数決）＞
続いて、本発明の第３実施形態について、説明する。図９は、第３実施形態における判定処理の流れを示したフローチャートである。図９に示すように、この第３実施形態では、第１実施形態と同様に、ステップＳ２１～Ｓ２４の処理を行い、骨材９の動画Ｄを取得する。
続いて、本発明の第３実施形態について、説明する。図９は、第３実施形態における判定処理の流れを示したフローチャートである。図９に示すように、この第３実施形態では、第１実施形態と同様に、ステップＳ２１～Ｓ２４の処理を行い、骨材９の動画Ｄを取得する。
【0096】
推定部６２は、上記の動画Ｄから奇数枚（３以上の奇数枚）の画像を切り出す（ステップＳ２５）。そして、推定部６２は、切り出された奇数枚の画像を、それぞれ、学習モデルＭへ入力する。すると、学習モデルＭは、入力された奇数枚の骨材９の画像のそれぞれに対応する奇数個の推定結果Ｅを出力する（ステップＳ２６）。推定部６２は、学習モデルＭから出力された奇数個の推定結果Ｅを、判定部６３へ送る。
【0097】
続いて、判定部６３は、上記の奇数個の推定結果Ｅが、それぞれ、操作盤５１に入力された骨材種の情報Ｉと一致しているか否かの比較を行う。そして、判定部６３は、比較結果の多数決により、最終的な判定を行う（ステップＳ２７）。すなわち、奇数個の比較結果のうち、「不一致」よりも「一致」となるものが多い場合、判定部６３は、最終的な判定結果Ｒを「一致」とする。また、奇数個の比較結果のうち、「一致」よりも「不一致」となるものが多い場合、判定部６３は、最終的な判定結果Ｒを「不一致」とする。
【0098】
その後、骨材判定装置５０は、第１実施形態と同様に、ステップＳ２８～Ｓ３０の処理を行う。
【0099】
以上のように、この第３実施形態では、奇数枚の骨材９の画像に基づいて、学習モデルＭから、奇数個の推定結果Ｅを出力する。そして、奇数個の推定結果Ｅに基づいて、受入コンベア２０へ投入された骨材９が、操作盤５１に入力された骨材種と一致するか否かを、多数決で判定する。これにより、より精度の高い判定結果Ｒを得ることができる。
【0100】
なお、骨材判定装置５０は、３台以上の奇数台のカメラ５３を有していてもよい。そして、奇数台のカメラ５３により撮影された動画Ｄから、それぞれ１枚の画像を切り出すことにより、奇数枚の画像を取得してもよい。
【0101】
＜４．第４実施形態（追加学習）＞
続いて、本発明の第４実施形態について、説明する。この第４実施形態では、一旦生成された学習モデルＭを使用して、上述した判定処理を行いながら、適宜に追加の機械学習を行う点が、上記の第１実施形態と異なる。図１０は、追加の機械学習を行うときの処理の流れを示したフローチャートである。
続いて、本発明の第４実施形態について、説明する。この第４実施形態では、一旦生成された学習モデルＭを使用して、上述した判定処理を行いながら、適宜に追加の機械学習を行う点が、上記の第１実施形態と異なる。図１０は、追加の機械学習を行うときの処理の流れを示したフローチャートである。
【0102】
図１０の例では、表示部５２に判定結果Ｒが表示された後、オペレータが、表示された判定結果Ｒが正しいか否かを判断する。そして、判定結果Ｒが正しいか否かを示す正誤情報を、操作盤５１に入力する（ステップＳ３４）。
【0103】
例えば、表示部５２に、「不一致」の判定結果Ｒが表示された場合、オペレータは、受入コンベア２０に投入された骨材９の骨材種と、操作盤５１に入力された骨材種の情報Ｉとが、確かに不一致であるかどうかを確認する。そして、確かに不一致である場合、オペレータは、判定部６３による判定結果Ｒが正しいことを、操作盤５１に入力する。また、受入コンベア２０に投入された骨材９の骨材種と、操作盤５１に入力された骨材種の情報Ｉとが、一致している場合、オペレータは、判定部６３の判定結果Ｒが誤りであることを、操作盤５１に入力する。
【0104】
操作盤５１に入力された上記の正誤情報は、情報処理部５６へ送信される。情報処理部５６は、ステップＳ２５で切り出された画像、ステップＳ２６の推定結果、および、ステップＳ３４で入力された正誤情報のセットを、追加学習用の教師データとして、記憶部５６３に蓄積する（ステップＳ３５）。情報処理部５６は、受入コンベア２０への骨材９の受け入れを行う度に、このような教師データの蓄積を行う。
【0105】
なお、ステップＳ３５では、ステップＳ２５で切り出された画像（フレーム画像）だけではなく、当該画像を含む所定時間（例えば５分間）の動画Ｄを、追加学習用の教師データに含めてもよい。このようにすれば、当該動画Ｄに含まれる多数のフレーム画像を、追加学習用の画像とすることができる。したがって、多数の教師データを、短時間に蓄積することができる。
【0106】
その後、情報処理部５６の学習部６１は、所定のタイミングで、蓄積された教師データを用いて、追加の機械学習を行う（ステップＳ３６）。追加の機械学習を行うタイミングは、例えば、上述した正誤情報が「誤り」である割合が、所定の閾値よりも高くなった時点とすればよい。学習部６１は、追加学習用の教師データのみ、あるいは、当初の教師データに追加学習用の教師データを加えたものを使用して、学習モデルＭを更新または再作成する。これにより、学習モデルＭによる骨材種の推定精度を、所定の水準に維持することができる。
【0107】
また、上記の第２実施形態のように、水分センサ５７で骨材９の表面の水分量を計測する場合には、計測された水分量を、追加学習用の教師データに含めてもよい。
【0108】
＜５．変形例＞
以上、本発明の第１実施形態～第４実施形態について説明したが、本発明は、上記の実施形態に限定されるものではない。
以上、本発明の第１実施形態～第４実施形態について説明したが、本発明は、上記の実施形態に限定されるものではない。
【0109】
上記の実施形態では、学習部６１は、フレーム画像に、ぼかし、左右反転、上下反転などの画像処理を施していた。しかしながら、フレーム画像を、画像処理を施すことなく、そのまま学習用画像として使用してもよい。
【0110】
また、上記の実施形態では、カメラ５３が、受入コンベア２０により搬送される骨材９の動画Ｄを撮影していた。しかしながら、カメラ５３は、受入コンベア２０により搬送される骨材９の静止画を撮影してもよい。動画Ｄではなく静止画を撮影する場合でも、骨材９の搬送を停止させることなく撮影することで、ブレを含む画像を取得することができる。すなわち、カメラ５３は、動画Ｄに限らず、搬送される骨材９の静止画を撮影することにより、ブレを含む画像を学習用画像として取得してもよい。
【0111】
また、上記の実施形態では、判定部６３による判定結果Ｒが「不一致」となった場合に、受入コンベア２０を停止させていた。しかしながら、例えば、受入ホッパ１０の下部にカットゲートを設け、判定結果Ｒが「不一致」となった場合に、当該カットゲートを閉じるようにしてもよい。また、搬送経路に、骨材９を一時貯蔵できるサージビンを設け、判定結果Ｒが「不一致」となった場合に、当該サージビンへ骨材９を搬送するようにしてもよい。また、サイロ４０までの搬送経路のどこかにゲートを設け、判定結果Ｒが「不一致」となった場合に、当該ゲートを閉じるようにしてもよい。すなわち、制御部６４は、判定結果Ｒが「不一致」となった場合に、何らかの方法で、サイロ４０への骨材９の搬送を制限すればよい。
【0112】
また、上記の実施形態では、受入コンベア２０が傾斜していた。しかしながら、受入コンベア２０は、傾斜していなくてもよい。すなわち、受入コンベア２０は、骨材９を水平方向に搬送するものであってもよい。
【0113】
また、上記の実施形態では、情報処理部５６としてのコンピュータが、コンクリートプラント内に配置されていた。しかしながら、情報処理部５６の機能の一部または全部を、コンクリートプラントの外部に配置してもよい。例えば、情報処理部５６としてのコンピュータを、遠隔地に配置し、インターネットを介して、操作盤５１、表示部５２、カメラ５３と通信できるようにしてもよい。
【0114】
また、上記の実施形態では、判定部６３の判定結果Ｒを、表示部５２に表示していた。しかしながら、判定部６３から「不一致」の判定結果Ｒが出力された場合に、警告ランプを点灯させたり、警告ブザーを鳴動させたりしてもよい。すなわち，本発明における「結果出力部」は、警告ランプや警告ブザーなどであってもよい。
【0115】
また、上記の実施形態では、コンクリートプラントの受入コンベア２０において、骨材種を判定する例を説明した。しかしながら、本発明は、コンクリートプラントへ骨材９を出荷・供給する採石場においても利用可能である。すなわち、本発明の骨材判定装置は、採石場に設置されたコンベアにおいて、骨材種を判定するものであってもよい。
【0116】
また、上記の実施形態や変形例に登場した各要素を、矛盾が生じない範囲で、適宜に組み合わせてもよい。
【産業上の利用可能性】
【0117】
本発明は、コンクリートプラントまたは採石場において、骨材種を判定するために利用できる。
【符号の説明】
【0118】
１ 骨材搬送装置
９ 骨材
１０ 受入ホッパ
２０ 受入コンベア
３０ シャトルコンベア
４０ サイロ
５０ 骨材判定装置
５１ 操作盤
５２ 表示部
５３ カメラ
５４ 光源
５５ フード
５６ 情報処理部
５７ 水分センサ
６１ 学習部
６２ 推定部
６３ 判定部
６４ 制御部
９０ トラック
Ｄ 動画
Ｅ 推定結果
Ｉ 骨材種の情報
Ｍ 学習モデル
Ｍ１ 第１学習モデル
Ｍ２ 第２学習モデル
Ｒ 判定結果
９ 骨材
１０ 受入ホッパ
２０ 受入コンベア
３０ シャトルコンベア
４０ サイロ
５０ 骨材判定装置
５１ 操作盤
５２ 表示部
５３ カメラ
５４ 光源
５５ フード
５６ 情報処理部
５７ 水分センサ
６１ 学習部
６２ 推定部
６３ 判定部
６４ 制御部
９０ トラック
Ｄ 動画
Ｅ 推定結果
Ｉ 骨材種の情報
Ｍ 学習モデル
Ｍ１ 第１学習モデル
Ｍ２ 第２学習モデル
Ｒ 判定結果
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】