(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】P2024097560
(43)【公開日】2024-07-19
(54)【発明の名称】トレーサビリティシステム
(51)【国際特許分類】
G06Q 50/04 20120101AFI20240711BHJP
【ＦＩ】
G06Q50/04
【審査請求】有
【請求項の数】2
【出願形態】ＯＬ
(21)【出願番号】P 2023001094
(22)【出願日】2023-01-06
(11)【特許番号】
(45)【特許公報発行日】2023-11-08
(71)【出願人】
【識別番号】000001812
【氏名又は名称】株式会社サタケ
(74)【代理人】
【識別番号】100121728
【弁理士】
【氏名又は名称】井関 勝守
(74)【代理人】
【識別番号】100227695
【弁理士】
【氏名又は名称】有川 智章
(72)【発明者】
【氏名】西村 健志
(72)【発明者】
【氏名】宮本 知幸
【テーマコード（参考）】
5L049
5L050
【Ｆターム（参考）】
5L049CC03
5L050CC03
(57)【要約】
【課題】流通過程における品質を担保すべく、不良品等の基準外と区分された物の種類の推定を行い、流通過程の信頼性、安全性を高めることが可能なトレーサビリティシステムを提供する。
【解決手段】穀物原料の流通過程に備えられたトレーサビリティシステム１は、穀物原料を検査して基準内の物と基準外の物とに分別する光学式選別機７と、基準外と区分された物を撮像して対象画像を取得する撮像部１１と、第１分類画像及び第２分類画像を用いて学習した人工知能１８に対象画像を入力して、基準外と区分された物の種類を推定する第１推定部１５ａと、を備えている。
【選択図】図１
【解決手段】穀物原料の流通過程に備えられたトレーサビリティシステム１は、穀物原料を検査して基準内の物と基準外の物とに分別する光学式選別機７と、基準外と区分された物を撮像して対象画像を取得する撮像部１１と、第１分類画像及び第２分類画像を用いて学習した人工知能１８に対象画像を入力して、基準外と区分された物の種類を推定する第１推定部１５ａと、を備えている。
【選択図】図１
【特許請求の範囲】
【請求項1】
被分別物の流通過程に備えられたトレーサビリティシステムであって、
前記被分別物を検査して基準内の物と基準外の物とに分別する分別部と、
前記基準外と区分された物を撮像して対象画像を取得する画像取得部と、
学習用画像を用いて学習した人工知能に前記対象画像を入力して、前記基準外と区分された物の種類を推定する第１推定部と、
を備えていることを特徴とするトレーサビリティシステム。
前記被分別物を検査して基準内の物と基準外の物とに分別する分別部と、
前記基準外と区分された物を撮像して対象画像を取得する画像取得部と、
学習用画像を用いて学習した人工知能に前記対象画像を入力して、前記基準外と区分された物の種類を推定する第１推定部と、
を備えていることを特徴とするトレーサビリティシステム。
【請求項2】
請求項１に記載のトレーサビリティシステムにおいて、
前記被分別物は、工場に搬入された原料であり、
前記分別部は、前記原料を製品に加工して出荷する際、前記製品を検査して基準内の製品と基準外の製品とに分別し、
前記画像取得部は、前記基準外と区分された製品を撮像して前記対象画像を取得し、
前記第１推定部は、前記人工知能に前記対象画像を入力して、前記基準外と区分された製品の種類を推定することを特徴とするトレーサビリティシステム。
前記被分別物は、工場に搬入された原料であり、
前記分別部は、前記原料を製品に加工して出荷する際、前記製品を検査して基準内の製品と基準外の製品とに分別し、
前記画像取得部は、前記基準外と区分された製品を撮像して前記対象画像を取得し、
前記第１推定部は、前記人工知能に前記対象画像を入力して、前記基準外と区分された製品の種類を推定することを特徴とするトレーサビリティシステム。
【請求項3】
請求項２に記載のトレーサビリティシステムにおいて、
前記基準外と区分された製品が、前記工場の搬入前に混入していたことを示す搬入前由来であるか、又は、それ以外の由来であるかを前記人工知能を用いて推定する第２推定部を更に備えていることを特徴とするトレーサビリティシステム。
前記基準外と区分された製品が、前記工場の搬入前に混入していたことを示す搬入前由来であるか、又は、それ以外の由来であるかを前記人工知能を用いて推定する第２推定部を更に備えていることを特徴とするトレーサビリティシステム。
【請求項4】
請求項３に記載のトレーサビリティシステムにおいて、
前記搬入前由来は、前記原料の生産地において混入したことを示す原料由来、及び、前記原料が生産地から前記工場へ搬入されるまでの流通過程において混入したことを示す原料流通由来の少なくとも一方であることを特徴とするトレーサビリティシステム。
前記搬入前由来は、前記原料の生産地において混入したことを示す原料由来、及び、前記原料が生産地から前記工場へ搬入されるまでの流通過程において混入したことを示す原料流通由来の少なくとも一方であることを特徴とするトレーサビリティシステム。
【請求項5】
請求項４に記載のトレーサビリティシステムにおいて、
前記第２推定部において前記それ以外の由来であると推定された場合に、前記基準外と区分された製品が、前記工場内で混入したことを示す工場由来であると推定する第３推定部を更に備えていることを特徴とするトレーサビリティシステム。
前記第２推定部において前記それ以外の由来であると推定された場合に、前記基準外と区分された製品が、前記工場内で混入したことを示す工場由来であると推定する第３推定部を更に備えていることを特徴とするトレーサビリティシステム。
【請求項6】
請求項３から５のいずれか１つに記載のトレーサビリティシステムにおいて、
前記人工知能は、前記基準外とされた製品の種類とその混入由来とが関連付けられた教師データによって学習されたものであることを特徴とするトレーサビリティシステム。
前記人工知能は、前記基準外とされた製品の種類とその混入由来とが関連付けられた教師データによって学習されたものであることを特徴とするトレーサビリティシステム。
【請求項7】
請求項５に記載のトレーサビリティシステムにおいて、
前記人工知能は、前記基準外とされた製品の第１学習用画像と前記工場由来の原因ラベルとが関連付けられた第１教師データ、及び、前記基準外とされた製品の第２学習用画像と前記原料由来の原因ラベルとが関連付けられた第２教師データによって学習されたものであることを特徴とするトレーサビリティシステム。
前記人工知能は、前記基準外とされた製品の第１学習用画像と前記工場由来の原因ラベルとが関連付けられた第１教師データ、及び、前記基準外とされた製品の第２学習用画像と前記原料由来の原因ラベルとが関連付けられた第２教師データによって学習されたものであることを特徴とするトレーサビリティシステム。
【請求項8】
請求項１から５、７のいずれか１つに記載のトレーサビリティシステムにおいて、
前記基準外と区分された製品が警告対象であると推定された場合に、オペレータへの警告又はオペレータへの前工程へのフィードバックの指示を行う判定部を更に備えていることを特徴とするトレーサビリティシステム。
前記基準外と区分された製品が警告対象であると推定された場合に、オペレータへの警告又はオペレータへの前工程へのフィードバックの指示を行う判定部を更に備えていることを特徴とするトレーサビリティシステム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、例えば、穀物原料などの被分別物の流通過程に備えられたトレーサビリティシステムに関する。
【背景技術】
【0002】
米穀類の流通管理システムとして、特許文献１に開示されたものがある。また、穀物原料に含まれる不良品の種類（被害粒、青未熟粒、籾米、乳白粒又は異物）を分析できる管理システムとして、特許文献２に開示されたものがある。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１７－２０５７２４号公報
【特許文献2】特開２０２２－１５７８４号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
特許文献１に開示されたシステムでは、流通される米穀類に関し、公開される情報の信頼性を向上させ得ることを目的とするものであるが、必ずしも流通過程における品質が充分に担保されているとは言えない。一方で、特許文献２では、光学検出装置がＲ（赤）、Ｇ（緑）、Ｂ（青）の感度を有する素子を備えており、該素子を用いて検出した不良品のＲ、Ｇ、Ｂの各値と所定の判別式とを比較することで、不良品の種類を分析するようにしているが、その精度には改善の余地があった。
【0005】
本発明は、斯かる点に鑑みてなされたものであり、その目的とするところは、流通過程における品質を担保すべく、不良品等の基準外と区分された物の種類の推定を行い、流通過程の信頼性、安全性を高めることが可能なトレーサビリティシステムを提供することにある。
【課題を解決するための手段】
【0006】
上記の目的を達成するために、本発明は、人工知能を用いて基準外と区分された物の種類を推定するようにしたことを特徴とする。
【0007】
具体的には、被分別物の流通過程に備えられたトレーサビリティシステムを対象とし、次のような解決手段を講じた。
【0008】
すなわち、第１の発明では、前記被分別物を検査して基準内の物と基準外の物とに分別する分別部と、前記基準外と区分された物を撮像して対象画像を取得する画像取得部と、学習用画像を用いて学習した人工知能に前記対象画像を入力して、前記基準外と区分された物の種類を推定する第１推定部と、を備えていることを特徴とする。
【0009】
第２の発明では、第１の発明において、前記被分別物は、工場に搬入された原料であり、前記分別部は、前記原料を製品に加工して出荷する際、前記製品を検査して基準内の製品と基準外の製品とに分別し、前記画像取得部は、前記基準外と区分された製品を撮像して前記対象画像を取得し、前記第１推定部は、前記人工知能に前記対象画像を入力して、前記基準外と区分された製品の種類を推定することを特徴とする。なお、「基準内の製品」は「基準内の物」の一例であり、「基準外の製品」は「基準外の物」の一例である。
【0010】
第３の発明では、第２の発明において、前記基準外と区分された製品が、前記工場の搬入前に混入していたことを示す搬入前由来であるか、又は、それ以外の由来であるかを前記人工知能を用いて推定する第２推定部を更に備えていることを特徴とする。
【0011】
第４の発明では、第３の発明において、前記搬入前由来は、前記原料の生産地において混入したことを示す原料由来、及び、前記原料が生産地から前記工場へ搬入されるまでの流通過程において混入したことを示す原料流通由来の少なくとも一方であることを特徴とする。
【0012】
第５の発明では、第４の発明において、前記第２推定部において前記それ以外の由来であると推定された場合に、前記基準外と区分された製品が、前記工場内で混入したことを示す工場由来であると推定する第３推定部を更に備えていることを特徴とする。
【0013】
第６の発明では、第３から第５の発明のいずれか１つにおいて、前記人工知能は、前記基準外とされた製品の種類とその混入由来とが関連付けられた教師データによって学習されたものであることを特徴とする。
【0014】
第７の発明では、第５の発明において、前記人工知能は、前記基準外とされた製品の第１学習用画像と前記工場由来の原因ラベルとが関連付けられた第１教師データ、及び、前記基準外とされた製品の第２学習用画像と前記原料由来の原因ラベルとが関連付けられた第２教師データによって学習されたものであることを特徴とする。
【0015】
第８の発明では、第１から第５、第７の発明のいずれか１つにおいて、前記基準外と区分された製品が警告対象であると推定された場合に、オペレータへの警告又はオペレータへの前工程へのフィードバックの指示を行う判定部を更に備えていることを特徴とする。
【発明の効果】
【0016】
第１の発明では、基準外と区分された物を撮像した対象画像が第１推定部の人工知能に入力されると、該第１推定部において基準外と区分された物の種類が推定されるようになる。ここで、人工知能は、学習用画像を用いて学習されているため、特許文献１の如きＲ、Ｇ、Ｂの各値と所定の判別式とを比較する場合に比べて、基準外と区分された物の種類の推定をより詳細に行うことができる。これにより、被分別物の流通過程における品質を担保することが可能となる。
【0017】
第２の発明では、工場において原料から製品に加工して出荷する際、分別部において検査が行われて、基準内の製品と基準外の製品とに分別されるようになる。そして、基準外の製品を撮像した対象画像が第１推定部の人工知能に入力されて、該第１推定部において基準外と区分された製品の種類を推定することができる。これにより、上述の特許文献１の場合に比べて、基準外と区分された製品の種類を詳細に推定可能となるので、工場内の加工処理工程における品質を担保することができる。
【0018】
第３の発明では、第２推定部によって、基準外と区分された製品の混入由来が工場の搬入前由来であるか、又は、それ以外の由来であるかを推定することができる。これにより、原料が工場に搬入された後であっても、基準外と区分された製品が工場の搬入前に混入されたものであるか否かを推定することが可能となる。
【0019】
第４の発明では、基準外と区分された製品が工場の搬入前由来である場合において、原料の生産地において混入したことを示す原料由来、及び、原料が生産地から工場へ搬入されるまでの流通過程において混入したことを示す原料流通由来の少なくとも一方であることを推定することができる。
【0020】
第５の発明では、第３推定部が、第２推定部において搬入前由来（原料由来或いは原料流通由来）以外であると推定された基準外と区分された製品を工場由来であると推定することができる。
【0021】
第６の発明では、第３推定部が基準外とされた製品の種類とその混入由来とが関連付けられた教師データによって学習された人工知能を用いて基準外と区分された製品の混入由来の推定を行うことができる。
【0022】
第７の発明では、第３推定部が第１教師データと第２教師データによって学習された人工知能を用いて基準外と区分された製品の混入由来の推定を行うことができる。
【0023】
第８の発明では、基準外と区分された製品が警告対象であると推定された場合に、その旨がオペレータに警告されるか、又は、前工程へのフィードバックの指示をオペレータに報知されるようになる。これにより、例えば、警告対象の基準外とされた製品に関連する装置等の点検や停止などオペレータに促すことができる。
【図面の簡単な説明】
【0024】
【図1】本発明の実施形態に係るトレーサビリティシステムが備えられた工場の全体構成を示す図である。
【図2】学習部の制御処理を示すフローチャートである。
【図3】教師データの一例を示す図である。
【図4】学習部による人工知能の学習処理の一例を示す図である。
【図5】推定部の制御処理を示すフローチャートである。
【図6】推定部による対象分類画像を用いた推定処理の一例を示す図である。
【図7】推定部による推定結果の出力例を示す図である。
【発明を実施するための形態】
【0025】
以下、本発明の実施形態を図面に基づいて詳細に説明する。尚、以下の好ましい実施形態の説明は、本質的に例示に過ぎない。
【0026】
図１は、本発明の実施形態に係るトレーサビリティシステム１を示す。該トレーサビリティシステム１は、工場Ｐ（例えば、精米工場）に備えられており、該工場Ｐは、農家等から搬入された玄米（穀物原料）を精米して袋詰めした後、スーパーマーケット等に出荷されるようになっている。
【0027】
また、工場Ｐには、例えば、荷受ホッパ２、粗選機３、精米機４、石抜機５、シフター６、光学式選別機（分別部）７、第１コンベヤ８、計量包装機９、及び、第２コンベヤ１０が備えられている。
【0028】
農家等の産地から工場Ｐに搬入された玄米は、荷受ホッパ２に投入されるようになっている。本実施形態では、玄米の荷受けの際、プラスチック製のカルトンを用いた目視による荷受け検査が行われるようになっている。
【0029】
次に、荷受ホッパ２に投入された玄米は、該荷受ホッパ２から粗選機３に供給されるようになっている。
【0030】
粗選機３では、例えば、金属製の粒選別網により粗選別が行われる。そして、粗選機３によって粗選別が行われた後の玄米は、精米機４に供給される。
【0031】
該精米機４では、例えば、金属製の精米スクリーン網によって種皮等が取り除かれることで、玄米から精米に加工されるようになっている。
【0032】
次に、精米は、石抜機５に供給され、該石抜機５において精米に混入している石が取り除かれるようになっている。その後、精米は、シフター６に供給されるようになっている。そして、シフター６に供給された良品等は、シフター６において篩分けが行われるようになっている。シフター６において篩分けられた良品等は、光学式選別機７に投入され、該光学式選別機７において検査され、基準内の物と基準外の物とに分けられる、つまり、分別されるようになっている。基準内の物は、基準内の製品である良品（精米）又は産品（以下、「良品等」という。）である。また、基準外の物は、基準外の製品である不良品、糠などの副産物、流通過程や工場Ｐ内で混入されるプラスチック片、ゴム片、石、ゴミなどの異物（以下、「不良品等」という。）である。なお、特許請求の範囲における「被分別物」は、本実施形態における「玄米」及び「精米」に対応する。また、特許請求の範囲における「基準内の物」及び「基準内の製品」は、本実施形態における「良品等」に対応する。また、特許請求の範囲における「基準外の物」及び「基準外の製品」は、本実施形態における「不良品等」に対応する。
【0033】
該良品等は、第１排出部７ａを介して光学式選別機７の外部に排出され、第１コンベヤ８によって計量包装機９に供給されるようになっている。また、該良品等は、計量包装機９において袋詰めされた後、工場Ｐからスーパーマーケット等に出荷されるようになっている。
【0034】
一方、光学式選別機７において検査された不良品等は、第２排出部７ｂを介して光学式選別機７の外部に排出された後、第２コンベヤ１０によって、例えば、図示しない不良品回収部まで搬送されるようになっている。
【0035】
該第２コンベヤ１０の上方には、撮像部１１と照明部１２とが配設されている。該撮像部１１は、不良品等を撮像可能なカメラであって、該不良品等を撮影することで、対象分類画像を取得するようになっている。本実施形態では、撮像部１１は、第２コンベヤ１０によって搬送されている全ての不良品等を撮像するよう構成されている。なお、特許請求の範囲における「画像取得部」は、本実施形態における「撮像部」に対応する。また、特許請求の範囲における「対象画像」は、本実施形態における「対象分類画像」に対応する。
【0036】
照明部１２は、例えば、ＬＥＤ照明であって、第２コンベヤ１０の上面における撮像部１１の撮像範囲を照らすように構成されている。本実施形態では、該照明部１２によって不良品等が照らされることで、工場Ｐ内の比較的暗い環境下においても撮像部１１が不良品等を安定して撮像することが可能となっている。
【0037】
また、工場Ｐには、コンピュータ１３が備えられている。該コンピュータ１３には、入力部１４、推定部１５、出力部１６及び学習部１７が備えられており、撮像部１１によって撮像された不良品等の対象分類画像が入力部１４に入力されるようになっている。また、コンピュータ１３は、図示しないプロセッサが備えられており、該プロセッサが図示しない記憶装置に記憶されたプログラムに基づいて推定部１５等の処理を実行するように構成されている。
【0038】
推定部１５には、第１推定部１５ａと、第２推定部１５ｂと、第３推定部１５ｃと、図示しない記憶装置に記憶された学習済の人工知能１８と、判定部１９とが備えられている。また、推定部１５には、撮像部１１が取得した対象分類画像が入力部１４を介して入力されるようになっている。
【0039】
第１推定部１５ａは、入力された対象分類画像と人工知能１８とを用いて、該対象分類画像に係る不良品等の種類を推定するよう構成されている。
【0040】
第２推定部１５ｂは、上記対象分類画像と人工知能１８とを用いて、上記対象分類画像に係る不良品等の混入由来（混入原因）を推定するように構成されている。より詳細には、第２推定部１５ｂは、対象分類画像に係る不良品等が工場Ｐの搬入前に混入していたことを示す搬入前由来であるか、又は、それ以外の由来であるかを推定するように構成されている。ここで、搬入前由来として、例えば、原料の生産地において混入したことを示す原料由来、原料が生産地から工場Ｐへ搬入されるまでの流通過程において混入したことを示す流通過程由来がある。本実施形態では、第２推定部１５ｂは、対象分類画像に係る不良品等が原料由来であるか、又は、それ以外の由来であるかを推定するようになっている。
【0041】
第３推定部１５ｃは、第２推定部１５ｂにおいてそれ以外の由来、つまり、搬入前由来（原料由来）以外の由来であると推定された場合に、上記対象分類画像に係る不良品が工場内で混入したことを示す工場由来であると推定するように構成されている。
【0042】
推定部１５（第１推定部１５ａ～第３推定部１５ｃ）による推定結果は、出力部１６を介してディスプレイ２０に出力されるようになっている。本実施形態では、推定部１５は、上記推定結果がディスプレイ２０に表示されるように、出力部１６を介してディスプレイ２０に所定の信号を送信するようになっている。
【0043】
学習部１７は、人工知能１８の機械学習を行うよう構成されている。次に、図２を用いて、学習部１７による人工知能１８の学習処理について説明する。本実施形態では、学習部１７の処理は、工場Ｐが稼働する前に予め実行されるようになっている。
【0044】
ステップＳ１では、予め用意された教師データの読み込みが実行される。該教師データは、分類画像とその混入原因である原因ラベルとが関連付けられたデータであって、本実施形態では、図３に示すように、第１教師データＴＤ１、第２教師データＴＤ２、及び、第３教師データＴＤ３が備えられている。
【0045】
第１教師データＴＤ１は、ブラスチック片の第１分類画像とプラスチック片の第１原因ラベルＲ１とが関連付けられたデータと、ゴム片の第１分類画像とゴム片の第２原因ラベルＲ２とが関連付けられたデータと、金属片の第１分類画像と金属片の第３原因ラベルＲ３とが関連付けられたデータと、ガラス片の第１分類画像とガラス片の第４原因ラベルＲ４と、石の第１分類画像と石の第５原因ラベルＲ５とが関連付けられたデータとを備えている。第１原因ラベルＲ１～第５原因ラベルＲ５は、混入原因が工場由来に設定されている。また、第１原因ラベルＲ１が荷受検査の際に用いられるカルトンの破片、第２原因ラベルＲ２が工場Ｐ内に設置された搬送ベルトの破片、第３原因ラベルＲ３が粗選機３（粒選別網）の破片や精米機４（精米スクリーン網）の破片、第４原因ラベルＲ４が工場Ｐ内のガラスの破片、第５原因ラベルＲ５が石抜機５の異常、にそれぞれ詳細な混入由来、つまり、不良品等の混入原因が設定されている。これにより、対象分類画像を用いて不良品等の種類を推定することで、該不良品等の混入原因となった工場Ｐ内の装置等を特定できるようになっている。なお、特許請求の範囲における「第１学習用画像」が、本実施形態における「第１分類画像」に対応する。
【0046】
第２教師データＴＤ２は、ガラス片の第２分類画像とガラス片の第６原因ラベルＲ６とが関連付けえられたデータと、籾の第２分類画像と籾の第７原因ラベルＲ７とが関連付けられたデータと、石の第２分類画像と石の第８原因ラベルＲ８とが関連付けられたデータと、着色粒の第２分類画像と着色粒の第９原因ラベルＲ９とが関連付けられたデータとを備えている。第６原因ラベルＲ６～第９原因ラベルＲ９は混入原因が原料由来（穀物原料の生産地）に設定されている。また、本実施形態では、図示されていないが、第６原因ラベルＲ６が玄米の生産地（圃場、収穫機等）、第７原因ラベルＲ７が籾摺機（工場Ｐへの搬入前の籾摺の際に用いられる）の異常、第８原因ラベルＲ８が玄米の生産地（圃場、収穫機等）、第９原因ラベルＲ９が玄米の生産地（圃場、天候不順、害虫異常発生等の生育条件）にそれぞれ詳細な混入由来、つまり、不良品等の混入原因が設定されている。これにより、玄米（穀物原料）を生産した農家等に不良品等の混入原因の情報を適切にフィードバックすることが可能となっている。なお、特許請求の範囲における「第２学習用画像」が、本実施形態における「第２分類画像」に対応する。
【0047】
第３教師データＴＤ３は、整粒の第３分類画像と整粒の第１０原因ラベルＲ１０とが関連付けられたデータである。なお、特許請求の範囲における「学習用画像」は、本実施形態における「第１分類画像」、「第２分類画像」及び「第３分類画像」を含むものである。
【0048】
図２のステップＳ２では、第１教師データＴＤ１～第３教師データＴＤ３を用いて人工知能１８（図１）の学習が行われ、学習済みの人工知能１８が生成される。ここで、人工知能１８は、図４に示すように、ニューラルネットワークＮを備えている。該ニューラルネットワークＮは、入力層ＩＬと、隠れ層ＨＬと、出力層ＯＬと、パラメータ（重み付け値、バイアス）とを含んでおり、各層にはニューロンが備えられている。本実施形態では、ニューラルネットワークＮは、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）であって、隠れ層ＨＬには、畳み込み層、プーリング層及び全結合層が備えられている。
【0049】
また、ステップＳ２では、第１教師データＴＤ１～第３教師データＴＤ３の分類画像（例題）の各画素値が入力層ＩＬに入力される。ニューラルネットワークＮは、入力層ＩＬに入力された上記分類画像に基づいて隠れ層ＨＬにおいて推定を行い、その推定結果を出力層ＯＬに出力する。次に、該出力された出力層ＯＬの推定結果と第１教師データＴＤ１～第３教師データＴＤ３の正解（ラベル）との誤差に基づいて、該誤差が少なくなるようにニューラルネットワークＮの各ニューロンのパラメータ（重み付け値、バイアス）を最適化する学習処理が行われる。
【0050】
図４では、第１教師データＴＤ１におけるプラスチック片の第１分類画像を用いたニューラルネットワークＮ（人工知能１８）の学習処理の一例を示している。まず、第１教師データＴＤ１におけるプラスチック片の第１分類画像の各画素値が入力層ＩＬに入力される。すると、隠れ層ＨＬでは、入力層ＩＬに入力された上記第１分類画像の各画素値に基づいて推定が行われ、その推定結果が出力層ＯＬから出力される。なお、図４に示す例では、ニューラルネットワークＮの推定結果が、プラスチック片の可能性が０．４（４０パーセント）、ゴム片の可能性が０．２（２０％）、金属片の可能性が０．２（２０％）、ガラス片の可能性が０．０（０％）、籾の可能性が０．１（１０％）、石の可能性が０．１（１０％）、着色米の可能性が０．０（０％）、整粒の可能性が０．０（０％）となっている例を示している。
【0051】
次に、出力層ＯＬから出力された推定結果と、第１教師データＴＤ１の正解（ラベル）との誤差に基づいて、上記推定結果と上記第１教師データＴＤ１の正解（ラベル）との誤差がより少なくなるように、ニューラルネットワークＮの各ニューロンの重み付け値とバイアスとを最適化する学習が行われる。なお、図４では、第１教師データＴＤ１の正解（ラベル）は、プラスチック片であるため、プラスチック片が１．０、ゴム片、金属片、ガラス片、籾、石、着色米、整粒が０．０に設定されている例について記載している。
【0052】
また、第１教師データＴＤ１の他のデータ、第２教師データＴＤ２、及び、第３教師データＴＤ３についても上述と同様の学習が行われる。なお、本実施形態では、上記推定結果と第１教師データＴＤ１～第３教師データＴＤ３の正解（ラベル）との誤差が所定値以下となるまで学習が繰り返し行われることで、学習済みの人工知能１８が生成されるようになっている。
【0053】
ステップＳ３では、ステップＳ２において生成した学習済みの人工知能１８を保存した後、エンドに進んで本処理を終了する。本実施形態では、推定部１５における図示しない記憶装置に上記学習済みの人工知能１８を記憶させて保存するようになっている。
【0054】
次に、図５～６を用いて、工場Ｐの稼働中において実行される推定部１５（第１推定部１５ａ～第３推定部１５ｃ）の処理について説明する。
【0055】
ステップＳ１１では、対象分類画像の読み込みが行われる。該対象分類画像は、撮像部１１によって撮像された不良品等の画像であって、該撮像部１１から入力部１４を介して推定部１５に入力される。
【0056】
ステップＳ１２では、入力された対象分類画像と、学習済みの人工知能１８とに基づいて推定が行われ、図６に示すように、出力層ＯＬから推定結果が出力される。その後、ステップＳ１３とステップＳ１４とが並列に処理が行われる。なお、図６に示す一例では、プラスチック片の可能性が０．９（９０％）、ゴム片の可能性が０．１（１０％）、金属片、ガラス片、籾、石、着色米及び整粒の可能性が０．０（０％）となっているため、対象分類画像の不良品等の種類はプラスチック片であり、かつ、その混入原因は工場由来（カルトンの破片）と推定される。該ステップＳ１２の処理をより詳細に説明すると、第１推定部１５ａは、対象分類画像と人工知能１８とに基づいて対象分類画像の不良品等の種類を推定し（図６に示す一例では「プラスチック片」であると推定）、第２推定部１５ｂは、対象分類画像と人工知能１８とに基づいて不良品等が原料由来であるか否かを推定している（図６に示す一例では「原料由来ではない」と推定している）。また、第３推定部１５ｃは、第２推定部１５ｂにおける「原料由来ではない」、つまり、「原料由来」以外であるとの推定結果に基づいて、「工場由来」であると推定している。
【0057】
ステップＳ１３では、ステップＳ１２の推定結果を出力した後、エンドに進んで処理を終了する。本実施形態では、出力部１６を介して推定部１５からディスプレイ２０に上記推定結果についての信号を送信することで、該信号を受信したディスプレイ２０に上記推定結果が表示されるようになっている。
【0058】
ステップＳ１４では、判定部１９がステップＳ１２において推定された不良品等が警告対象の不良品等であるか否かを判断する。該判断がＹｅｓの場合は、ステップＳ１５に進む一方、上記判断がＮｏの場合は、エンドに進み処理を終了する。本実施形態では、警告対象の不良品等は、工場由来のプラスチック片、ゴム片、金属片、ガラス片、石に設定されている。
【0059】
ステップＳ１５では、工場Ｐのラインに異常状態の可能性があるため、判定部１９がオペレータに警告を行った後、エンドに進んで処理を終了する。本実施形態では、出力部１６を介して判定部１９がディスプレイ２０において警告表示がなされるよう信号をディスプレイ２０に送信する。該警告表示では、不良品等が、プラスチック片の場合、カルトンの点検等、ゴム片の場合、搬送ベルトの点検等、金属片の場合、粗選機３（粒選別網）又は精米機４（精米スクリーン網）の点検等をオペレータに促すようになっている。オペレータは、ディスプレイ２０に表示された警告表示を確認し、該警告表示に係る箇所の点検等を行うことで、工場Ｐ内の装置等の故障や異常を早期に発見することが可能となる。
【0060】
以上より、本実施形態によれば、不良品等を撮像した対象分類画像が第１推定部１５ａの人工知能１８に入力されると、該第１推定部１５ａにおいて基準外と区分された物の種類が推定されるようになる。ここで、人工知能１８は、第１分類画像や第２分類画像を用いて学習されているため、特許文献１の如きＲ、Ｇ、Ｂの各値と所定の判別式とを比較する場合に比べて、不良品等の種類の推定をより詳細に行うことができる。これにより、被分別物（例えば、玄米）の流通過程における品質を担保することが可能となる。
【0061】
また、工場Ｐにおいて原料（例えば、玄米）から製品（例えば、精米）に加工して出荷する際、光学式選別機７において検査が行われて、良品等と不良品等とに分別されるようになる。そして、不良品等を撮像した対象分類画像が第１推定部１５ａの人工知能１８に入力されて、該第１推定部１５ａにおいて不良品等の種類を推定することができる。これにより、上述の特許文献１の場合に比べて、不良品等の種類を詳細に推定可能となるので、工場Ｐ内の加工処理工程における品質を担保することができる。
【0062】
また、第２推定部１５ｂによって、不良品等の混入由来が穀物原料の生産地において混入したことを示す原料由来であるか、又は、それ以外の由来であるかを推定することができる。これにより、穀物原料が工場Ｐに搬入された後であっても、不良品等が工場Ｐの搬入前の穀物原料の生産地に混入したものであるか否かを推定することが可能となる。
【0063】
また、第２推定部１５ｂにおいて原料由来以外であると推定された不良品等を、第３推定部１５ｃにおいて工場由来であると推定することができる。
【0064】
また、第３推定部１５ｃが不良品等の種類とその混入由来とが関連付けられた教師データによって学習された人工知能１８を用いて不良品等の混入由来の推定を行うことができる。
【0065】
第３推定部１５ｃが第１教師データＴＤ１と第２教師データＴＤ２によって学習された人工知能１８を用いて不良品等の混入由来の推定を行うことができる。
【0066】
不良品等が警告対象であると推定された場合に、その旨がオペレータに警告されるようになる。これにより、例えば、不良品等に関連する装置等の点検や停止などをオペレータに促すことができる。
【0067】
なお、本実施形態では、被分別物として玄米及び精米の例を用いて説明したが、玄米及び精米以外の原料（例えば、小麦、大麦、大豆、トウモロコシ、魚介類、野菜、果物、石炭、鉄鉱石、機械部品、電気部品、電子部品、半導体材料、樹脂材料など）としてもよい。また、トレーサビリティシステム１を玄米及び精米以外の原料の加工処理等を行う工場、スナック菓子や冷凍食品を製造する食品工場、機械製品、電気製品、半導体製品或いはプラスチック製品等を製造する製造工場、又は、工場以外に適用してもよい。工場以外の適用例として、例えば、原料の生産地、該生産地から工場への流通経路、又は、該工場から出荷された製品の流通経路がある。
【0068】
また、本実施形態では、分別部として光学式選別機７の例について説明したが、被分別物を検査して基準内の物と基準外の物とに分別可能であれば、光学式選別機７以外の装置等を用いてもよい。
【0069】
また、本実施形態では、撮像部１１は、光学式選別機７において分別された不良品等のみを撮像していたが、不良品等及び良品等を撮像し、不良品等の画像（対象分類画像）のみを入力部１４に送信するようにしてもよく、或いは、不良品等及び良品等の画像を入力部１４に送信し、コンピュータ１３において該画像から対象分類画像のみを抽出し、推定部１５において抽出された対象分類画像を用いて推定処理を行うようにしてもよい。被分別物を検査するために撮像部１１を設けたが、画像データ以外の波形データや数値データを扱う構成でもよい。
【0070】
また、本実施形態では、コンピュータ１３に学習部１７が備えられていたが、コンピュータ１３とは別のコンピュータに備えられていてもよい。この場合、該別のコンピュータにおいて人工知能１８の学習が行われた後、該人工知能１８をコンピュータ１３の推定部１５の図示しない記憶装置に記憶するようにしてもよい。
【0071】
また、本実施形態では、推定部１５が学習済みの人工知能１８を用いて推定を行っていたが、工場Ｐの稼働していないとき等に人工知能１８を更に学習するようにしてもよい。
【0072】
また、本実施形態では、人工知能１８は、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を備えていたが、完全畳み込みネットワーク（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ）等の他のニューラルネットワークを備えていてもよい。また、人工知能１８には、実験計画法、ディープラーニング、ファジィ理論、多変量解析（例えば、マハラノビス距離、重回帰分析）、スパースモデリング、サポートベクターマシン等が用いられるようにしてもよい。
【0073】
また、本実施形態では、ステップＳ１２において不良品等の混入原因（混入由来）を推定するようにしていたが、該混入原因が不明の場合、つまり、推定できない場合は、その旨を、ディスプレイ２０に出力するようにしてもよく、テクニカルレポートＴＲに記載するようにしてもよく、或いは、オペレータに警告するようにしてもよい。
【0074】
また、本実施形態では、第２推定部１５ｂが、対象分類画像に係る不良品等の混入由来が原料の生産地において混入したことを示す原料由来であるか又はそれ以外の由来であるかを推定する例について説明したが、対象分類画像に係る不良品等が工場Ｐの搬入前に混入していたことを示す搬入前由来であるか、又は、それ以外の由来であるかを推定するようにしてもよい。このようにすることで、第２推定部１５ｂによって、不良品等の混入由来が工場の搬入前由来であるか、又は、それ以外の由来であるかを推定することができる。これにより、原料が工場Ｐに搬入された後であっても、不良品等が工場Ｐの搬入前に混入したものであるか否かを推定することが可能となる。
【0075】
また、変形例として、第２推定部１５ｂが、対象分類画像に係る不良品等の混入由来が原料の生産地において混入したことを示す原料由来であるか、工場Ｐへ搬入されるまでの流通過程において混入したことを示す原料流通由来であるか、又は、それ以外の由来であるかの推定するようにしてもよい。このようにすることで、不良品等が工場Ｐの搬入前由来である場合において、原料の生産地において混入したことを示す原料由来、又は、原料が生産地から工場Ｐへ搬入されるまでの流通過程において混入したことを示す原料流通由来であるかを推定することができる。さらに、変形例として、第２推定部１５ｂが、対象分類画像に係る不良品等の混入由来が原料の生産地から工場Ｐへ搬入されるまでの流通過程において混入したことを示す原料流通由来であるか、又は、それ以外の由来であるかを推定するようにしてもよい。
【0076】
また、本実施形態では、ステップＳ１３において推定部１５による推定結果がディスプレイ２０に出力されるようにしていたが、図７に示すように推定結果を集計したテクニカルレポートＴＲを作成し、該テクニカルレポートＴＲをディスプレイ２０に表示する、或いは、上記テクニカルレポートＴＲが記載された紙を図示しないプリンタから出力するようにしてもよい。さらに、図７に示すように、工場由来の不良品等の数値等が記載されたテクニカルレポートＴＲを示すことで、工場Ｐの品質を顧客にアピールするようにしてもよい。
【0077】
また、本実施形態では行われていなかったが、推定部１５による推定結果を履歴情報として図示しない記憶装置に記憶しておき、推定部１５による推定結果に変化が生じた際に、ディスプレイ２０（テクニカルレポートＴＲ）の表示、オペレータへの警告を行うことで工場Ｐ内の装置等の異常等を早期に発見できるようにしてもよく、或いは、顧客から不良品等の混入の問い合わせがあった際に過去のテクニカルレポートＴＲや上記推定結果の履歴情報を参照することで、上記問い合わせがあった不良品等の混入原因を把握するようにしてもよい。さらに、ディスプレイ２０（テクニカルレポートＴＲ）に被分別物の画像を表示してもよい。
【0078】
また、本実施形態では、ステップＳ１４における警告対象の不良品等が工場由来のプラスチック片、ゴム片、金属片、ガラス片及び石に設定されていたが、整粒が異常に多い場合（整粒の数が所定数以上の場合）には、該整粒を警告対象の不良品等に設定してもよい。整粒が異常に多い場合は、光学式選別機７が動作異常である可能性があるので、ステップＳ１５において警告を行うことにより、光学式選別機７の点検等をオペレータに促すようにしてもよい。このようにすることで、上記警告（警告表示）を視認したオペレータによって、光学式選別機７が点検等されることで、該光学式選別機７の動作異常を早期に発見することが可能となる。
【0079】
また、本実施形態では、ステップＳ１４における警告対象の不良品等に設定されていなかったが、ステップＳ１２において推定された不良品等が石の場合には、石抜機５が動作異常である可能性があるので、ステップＳ１５において警告を行うことにより、石抜機５の点検等をオペレータに促すようにしてもよい。このようにすることで、上記警告（警告表示）を視認したオペレータによって、石抜機５が点検等されることで、該石抜機５の動作異常を早期に発見することが可能となる。
【0080】
また、本実施形態では、ステップＳ１４において不良品等が警告対象の不良品等であると判断された場合、オペレータへの前工程のフィードバック（不良品等に関連する工場Ｐ内の装置の停止等）の指示を判定部１９が行うようにしてもよい。このようにすることで、不良品等が警告対象であると推定された場合に、前工程へのフィードバックの指示をオペレータに報知することができる。これにより、例えば、警告対象の不良品等に関連する装置等の停止などをオペレータに促すことができる。
【0081】
また、本実施形態では、第１教師データＴＤ１は、プラスチック片、ゴム片、金属片、ガラス片及び石のデータで構成されていたが、プラスチック片、ゴム片及び金属片のデータのうち少なくとも１つのデータで構成されていてもよい。
【0082】
また、本実施形態では、第２教師データＴＤ２は、ガラス片、籾、石及び着色粒のデータで構成されていたが、ガラス片、籾、石及び着色粒のデータのうち少なくとも１つのデータで構成されていてもよい。
【0083】
また、本実施形態では、教師データは、第３教師データＴＤ３を備えていたが、該第３教師データＴＤ３を備えていなくてもよい。
【0084】
また、本実施形態では、人工知能１８が教師データを用いた教師あり学習により学習されていたが、該教師データを用いた教師あり学習と教師なし学習とを組み合わせた半教師あり学習により学習されるようにしてもよい。
【0085】
また、本実施形態では、推定部１５に判定部１９が備えられていたが、推定部１５とは別に判定部１９を備えるようにしてもよい。
【0086】
また、本実施形態では、判定部１９がステップＳ１５においてディスプレイ２０に警告表示させるようにしていたが、該警告表示に代えて、或いは、警告表示に加えて警告音が出力されるようにしてもよい。
【産業上の利用可能性】
【0087】
本発明は、例えば、穀物原料などの被分別物の流通過程に備えられたトレーサビリティシステムに適している。
【符号の説明】
【0088】
１ トレーサビリティシステム
７ 光学式選別機（分別部）
１１ 撮像部（画像取得部）
１５ａ 第１推定部
１５ｂ 第２推定部
１５ｃ 第３推定部
１８ 人工知能
１９ 判定部
Ｐ 工場
ＴＤ１ 第１教師データ
ＴＤ２ 第２教師データ
７ 光学式選別機（分別部）
１１ 撮像部（画像取得部）
１５ａ 第１推定部
１５ｂ 第２推定部
１５ｃ 第３推定部
１８ 人工知能
１９ 判定部
Ｐ 工場
ＴＤ１ 第１教師データ
ＴＤ２ 第２教師データ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【手続補正書】
【提出日】2023-09-20
【手続補正1】
【補正対象書類名】明細書
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、例えば、穀物原料などの被分別物の流通過程に備えられたトレーサビリティシステムに関する。
【背景技術】
【0002】
米穀類の流通管理システムとして、特許文献１に開示されたものがある。また、穀物原料に含まれる不良品の種類（被害粒、青未熟粒、籾米、乳白粒又は異物）を分析できる管理システムとして、特許文献２に開示されたものがある。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１７－２０５７２４号公報
【特許文献2】特開２０２２－１５７８４号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
特許文献１に開示されたシステムでは、流通される米穀類に関し、公開される情報の信頼性を向上させ得ることを目的とするものであるが、必ずしも流通過程における品質が充分に担保されているとは言えない。一方で、特許文献２では、光学検出装置がＲ（赤）、Ｇ（緑）、Ｂ（青）の感度を有する素子を備えており、該素子を用いて検出した不良品のＲ、Ｇ、Ｂの各値と所定の判別式とを比較することで、不良品の種類を分析するようにしているが、その精度には改善の余地があった。
【0005】
本発明は、斯かる点に鑑みてなされたものであり、その目的とするところは、流通過程における品質を担保すべく、不良品等の基準外と区分された物の種類の推定を行い、流通過程の信頼性、安全性を高めることが可能なトレーサビリティシステムを提供することにある。
【課題を解決するための手段】
【0006】
上記の目的を達成するために、本発明は、人工知能を用いて基準外と区分された物の種類を推定するようにしたことを特徴とする。
【0007】
具体的には、トレーサビリティシステムを対象とし、次のような解決手段を講じた。
【0008】
すなわち、第１の発明では、工場に搬入された原料を製品に加工して出荷する際、前記製品を検査して基準内の物と基準外の物とに分別する分別部と、前記基準外と区分された物を撮像して対象画像を取得する画像取得部と、学習用画像を用いて学習した人工知能に前記対象画像を入力して、前記基準外と区分された物の種類を推定する第１推定部と、前記基準外と区分された物が、前記工場の搬入前に混入していたことを示す搬入前由来であるか、又は、それ以外の由来であるかを前記人工知能を用いて推定する第２推定部と、前記第２推定部において前記それ以外の由来であると推定された場合に、前記基準外と区分された物が、前記工場内で混入したことを示す工場由来であると推定する第３推定部と、前記第３推定部において前記基準外と区分された物が前記工場由来であると推定された場合に、オペレータへの警告又はオペレータへの前工程へのフィードバックの指示を行う判定部と、を備えていることを特徴とする。
【0009】
第２の発明では、第１の発明において、前記搬入前由来は、前記原料の生産地において混入したことを示す原料由来、及び、前記原料が生産地から前記工場へ搬入されるまでの流通過程において混入したことを示す原料流通由来の少なくとも一方であり、前記人工知能は、前記基準外とされた物の第１学習用画像と前記工場由来の原因ラベルとが関連付けられた第１教師データ、及び、前記基準外とされた物の第２学習用画像と前記原料由来の原因ラベルとが関連付けられた第２教師データによって学習されたものであることを特徴とする。
【発明の効果】
【0010】
第１の発明では、基準外と区分された物を撮像した対象画像が第１推定部の人工知能に入力されると、該第１推定部において基準外と区分された物の種類が推定されるようになる。ここで、人工知能は、学習用画像を用いて学習されているため、特許文献１の如きＲ、Ｇ、Ｂの各値と所定の判別式とを比較する場合に比べて、基準外と区分された物の種類の推定をより詳細に行うことができる。これにより、流通過程における品質を担保することが可能となる。また、第１の発明では、工場において原料から製品に加工して出荷する際、分別部において検査が行われて、基準内の物と基準外の物とに分別されるようになる。そして、基準外の物を撮像した対象画像が第１推定部の人工知能に入力されて、該第１推定部において基準外と区分された物の種類を推定することができる。これにより、上述の特許文献１の場合に比べて、基準外と区分された物の種類を詳細に推定可能となるので、工場内の加工処理工程における品質を担保することができる。また、第１の発明では、第２推定部によって、基準外と区分された物の混入由来が工場の搬入前由来であるか、又は、それ以外の由来であるかを推定することができる。これにより、原料が工場に搬入された後であっても、基準外と区分された物が工場の搬入前に混入されたものであるか否かを推定することが可能となる。また、第１の発明では、第３推定部が、第２推定部において搬入前由来（原料由来或いは原料流通由来）以外であると推定された基準外と区分された物を工場由来であると推定することができる。また、第１の発明では、基準外と区分された物が工場由来であると推定された場合に、その旨がオペレータに警告されるか、又は、前工程へのフィードバックの指示をオペレータに報知されるようになる。これにより、例えば、工場由来の基準外とされた物に関連する装置等の点検や停止などオペレータに促すことができる。
【0011】
第２の発明では、基準外と区分された物が工場の搬入前由来である場合において、原料の生産地において混入したことを示す原料由来、及び、原料が生産地から工場へ搬入されるまでの流通過程において混入したことを示す原料流通由来の少なくとも一方であることを推定することができる。また、第２の発明では、第３推定部が第１教師データと第２教師データによって学習された人工知能を用いて基準外と区分された物の混入由来の推定を行うことができる。
【図面の簡単な説明】
【0012】
【図1】本発明の実施形態に係るトレーサビリティシステムが備えられた工場の全体 構成を示す図である。
【図2】学習部の制御処理を示すフローチャートである。
【図3】教師データの一例を示す図である。
【図4】学習部による人工知能の学習処理の一例を示す図である。
【図5】推定部の制御処理を示すフローチャートである。
【図6】推定部による対象分類画像を用いた推定処理の一例を示す図である。
【図7】推定部による推定結果の出力例を示す図である。
【発明を実施するための形態】
【0013】
以下、本発明の実施形態を図面に基づいて詳細に説明する。尚、以下の好ましい実施形態の説明は、本質的に例示に過ぎない。
【0014】
図１は、本発明の実施形態に係るトレーサビリティシステム１を示す。該トレーサビリティシステム１は、工場Ｐ（例えば、精米工場）に備えられており、該工場Ｐは、農家等から搬入された玄米（穀物原料）を精米して袋詰めした後、スーパーマーケット等に出荷されるようになっている。
【0015】
また、工場Ｐには、例えば、荷受ホッパ２、粗選機３、精米機４、石抜機５、シフター６、光学式選別機（分別部）７、第１コンベヤ８、計量包装機９、及び、第２コンベヤ１０が備えられている。
【0016】
農家等の産地から工場Ｐに搬入された玄米は、荷受ホッパ２に投入されるようになっている。本実施形態では、玄米の荷受けの際、プラスチック製のカルトンを用いた目視による荷受け検査が行われるようになっている。
【0017】
次に、荷受ホッパ２に投入された玄米は、該荷受ホッパ２から粗選機３に供給されるようになっている。
【0018】
粗選機３では、例えば、金属製の粒選別網により粗選別が行われる。そして、粗選機３によって粗選別が行われた後の玄米は、精米機４に供給される。
【0019】
該精米機４では、例えば、金属製の精米スクリーン網によって種皮等が取り除かれることで、玄米から精米に加工されるようになっている。
【0020】
次に、精米は、石抜機５に供給され、該石抜機５において精米に混入している石が取り除かれるようになっている。その後、精米は、シフター６に供給されるようになっている。そして、シフター６に供給された良品等は、シフター６において篩分けが行われるようになっている。シフター６において篩分けられた良品等は、光学式選別機７に投入され、該光学式選別機７において検査され、基準内の物と基準外の物とに分けられる、つまり、分別されるようになっている。基準内の物は、基準内の製品である良品（精米）又は産品（以下、「良品等」という。）である。また、基準外の物は、基準外の製品である不良品、糠などの副産物、流通過程や工場Ｐ内で混入されるプラスチック片、ゴム片、石、ゴミなどの異物（以下、「不良品等」という。）である。なお、特許請求の範囲における「基準内の物」は、本実施形態における「良品等」に対応する。また、特許請求の範囲における「基準外の物」は、本実施形態における「不良品等」に対応する。
【0021】
該良品等は、第１排出部７ａを介して光学式選別機７の外部に排出され、第１コンベヤ８によって計量包装機９に供給されるようになっている。また、該良品等は、計量包装機９において袋詰めされた後、工場Ｐからスーパーマーケット等に出荷されるようになっている。
【0022】
一方、光学式選別機７において検査された不良品等は、第２排出部７ｂを介して光学式選別機７の外部に排出された後、第２コンベヤ１０によって、例えば、図示しない不良品回収部まで搬送されるようになっている。
【0023】
該第２コンベヤ１０の上方には、撮像部１１と照明部１２とが配設されている。該撮像部１１は、不良品等を撮像可能なカメラであって、該不良品等を撮影することで、対象分類画像を取得するようになっている。本実施形態では、撮像部１１は、第２コンベヤ１０によって搬送されている全ての不良品等を撮像するよう構成されている。なお、特許請求の範囲における「画像取得部」は、本実施形態における「撮像部」に対応する。また、特許請求の範囲における「対象画像」は、本実施形態における「対象分類画像」に対応する。
【0024】
照明部１２は、例えば、ＬＥＤ照明であって、第２コンベヤ１０の上面における撮像部１１の撮像範囲を照らすように構成されている。本実施形態では、該照明部１２によって不良品等が照らされることで、工場Ｐ内の比較的暗い環境下においても撮像部１１が不良品等を安定して撮像することが可能となっている。
【0025】
また、工場Ｐには、コンピュータ１３が備えられている。該コンピュータ１３には、入力部１４、推定部１５、出力部１６及び学習部１７が備えられており、撮像部１１によって撮像された不良品等の対象分類画像が入力部１４に入力されるようになっている。また、コンピュータ１３は、図示しないプロセッサが備えられており、該プロセッサが図示しない記憶装置に記憶されたプログラムに基づいて推定部１５等の処理を実行するように構成されている。
【0026】
推定部１５には、第１推定部１５ａと、第２推定部１５ｂと、第３推定部１５ｃと、図示しない記憶装置に記憶された学習済の人工知能１８と、判定部１９とが備えられている。また、推定部１５には、撮像部１１が取得した対象分類画像が入力部１４を介して入力されるようになっている。
【0027】
第１推定部１５ａは、入力された対象分類画像と人工知能１８とを用いて、該対象分類画像に係る不良品等の種類を推定するよう構成されている。
【0028】
第２推定部１５ｂは、上記対象分類画像と人工知能１８とを用いて、上記対象分類画像に係る不良品等の混入由来（混入原因）を推定するように構成されている。より詳細には、第２推定部１５ｂは、対象分類画像に係る不良品等が工場Ｐの搬入前に混入していたことを示す搬入前由来であるか、又は、それ以外の由来であるかを推定するように構成されている。ここで、搬入前由来として、例えば、原料の生産地において混入したことを示す原料由来、原料が生産地から工場Ｐへ搬入されるまでの流通過程において混入したことを示す流通過程由来がある。本実施形態では、第２推定部１５ｂは、対象分類画像に係る不良品等が原料由来であるか、又は、それ以外の由来であるかを推定するようになっている。
【0029】
第３推定部１５ｃは、第２推定部１５ｂにおいてそれ以外の由来、つまり、搬入前由来（原料由来）以外の由来であると推定された場合に、上記対象分類画像に係る不良品が工場内で混入したことを示す工場由来であると推定するように構成されている。
【0030】
推定部１５（第１推定部１５ａ～第３推定部１５ｃ）による推定結果は、出力部１６を介してディスプレイ２０に出力されるようになっている。本実施形態では、推定部１５は、上記推定結果がディスプレイ２０に表示されるように、出力部１６を介してディスプレイ２０に所定の信号を送信するようになっている。
【0031】
学習部１７は、人工知能１８の機械学習を行うよう構成されている。次に、図２を用いて、学習部１７による人工知能１８の学習処理について説明する。本実施形態では、学習部１７の処理は、工場Ｐが稼働する前に予め実行されるようになっている。
【0032】
ステップＳ１では、予め用意された教師データの読み込みが実行される。該教師データは、分類画像とその混入原因である原因ラベルとが関連付けられたデータであって、本実施形態では、図３に示すように、第１教師データＴＤ１、第２教師データＴＤ２、及び、第３教師データＴＤ３が備えられている。
【0033】
第１教師データＴＤ１は、ブラスチック片の第１分類画像とプラスチック片の第１原因ラベルＲ１とが関連付けられたデータと、ゴム片の第１分類画像とゴム片の第２原因ラベルＲ２とが関連付けられたデータと、金属片の第１分類画像と金属片の第３原因ラベルＲ３とが関連付けられたデータと、ガラス片の第１分類画像とガラス片の第４原因ラベルＲ４と、石の第１分類画像と石の第５原因ラベルＲ５とが関連付けられたデータとを備えている。第１原因ラベルＲ１～第５原因ラベルＲ５は、混入原因が工場由来に設定されている。また、第１原因ラベルＲ１が荷受検査の際に用いられるカルトンの破片、第２原因ラベルＲ２が工場Ｐ内に設置された搬送ベルトの破片、第３原因ラベルＲ３が粗選機３（粒選別網）の破片や精米機４（精米スクリーン網）の破片、第４原因ラベルＲ４が工場Ｐ内のガラスの破片、第５原因ラベルＲ５が石抜機５の異常、にそれぞれ詳細な混入由来、つまり、不良品等の混入原因が設定されている。これにより、対象分類画像を用いて不良品等の種類を推定することで、該不良品等の混入原因となった工場Ｐ内の装置等を特定できるようになっている。なお、特許請求の範囲における「第１学習用画像」が、本実施形態における「第１分類画像」に対応する。
【0034】
第２教師データＴＤ２は、ガラス片の第２分類画像とガラス片の第６原因ラベルＲ６とが関連付けえられたデータと、籾の第２分類画像と籾の第７原因ラベルＲ７とが関連付けられたデータと、石の第２分類画像と石の第８原因ラベルＲ８とが関連付けられたデータと、着色粒の第２分類画像と着色粒の第９原因ラベルＲ９とが関連付けられたデータとを備えている。第６原因ラベルＲ６～第９原因ラベルＲ９は混入原因が原料由来（穀物原料の生産地）に設定されている。また、本実施形態では、図示されていないが、第６原因ラベルＲ６が玄米の生産地（圃場、収穫機等）、第７原因ラベルＲ７が籾摺機（工場Ｐへの搬入前の籾摺の際に用いられる）の異常、第８原因ラベルＲ８が玄米の生産地（圃場、収穫機等）、第９原因ラベルＲ９が玄米の生産地（圃場、天候不順、害虫異常発生等の生育条件）にそれぞれ詳細な混入由来、つまり、不良品等の混入原因が設定されている。これにより、玄米（穀物原料）を生産した農家等に不良品等の混入原因の情報を適切にフィードバックすることが可能となっている。なお、特許請求の範囲における「第２学習用画像」が、本実施形態における「第２分類画像」に対応する。
【0035】
第３教師データＴＤ３は、整粒の第３分類画像と整粒の第１０原因ラベルＲ１０とが関連付けられたデータである。なお、特許請求の範囲における「学習用画像」は、本実施形態における「第１分類画像」、「第２分類画像」及び「第３分類画像」を含むものである。
【0036】
図２のステップＳ２では、第１教師データＴＤ１～第３教師データＴＤ３を用いて人工知能１８（図１）の学習が行われ、学習済みの人工知能１８が生成される。ここで、人工知能１８は、図４に示すように、ニューラルネットワークＮを備えている。該ニューラルネットワークＮは、入力層ＩＬと、隠れ層ＨＬと、出力層ＯＬと、パラメータ（重み付け値、バイアス）とを含んでおり、各層にはニューロンが備えられている。本実施形態では、ニューラルネットワークＮは、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）であって、隠れ層ＨＬには、畳み込み層、プーリング層及び全結合層が備えられている。
【0037】
また、ステップＳ２では、第１教師データＴＤ１～第３教師データＴＤ３の分類画像（例題）の各画素値が入力層ＩＬに入力される。ニューラルネットワークＮは、入力層ＩＬに入力された上記分類画像に基づいて隠れ層ＨＬにおいて推定を行い、その推定結果を出力層ＯＬに出力する。次に、該出力された出力層ＯＬの推定結果と第１教師データＴＤ１～第３教師データＴＤ３の正解（ラベル）との誤差に基づいて、該誤差が少なくなるようにニューラルネットワークＮの各ニューロンのパラメータ（重み付け値、バイアス）を最適化する学習処理が行われる。
【0038】
図４では、第１教師データＴＤ１におけるプラスチック片の第１分類画像を用いたニューラルネットワークＮ（人工知能１８）の学習処理の一例を示している。まず、第１教師データＴＤ１におけるプラスチック片の第１分類画像の各画素値が入力層ＩＬに入力される。すると、隠れ層ＨＬでは、入力層ＩＬに入力された上記第１分類画像の各画素値に基づいて推定が行われ、その推定結果が出力層ＯＬから出力される。なお、図４に示す例では、ニューラルネットワークＮの推定結果が、プラスチック片の可能性が０．４（４０パーセント）、ゴム片の可能性が０．２（２０％）、金属片の可能性が０．２（２０％）、ガラス片の可能性が０．０（０％）、籾の可能性が０．１（１０％）、石の可能性が０．１（１０％）、着色米の可能性が０．０（０％）、整粒の可能性が０．０（０％）となっている例を示している。
【0039】
次に、出力層ＯＬから出力された推定結果と、第１教師データＴＤ１の正解（ラベル）との誤差に基づいて、上記推定結果と上記第１教師データＴＤ１の正解（ラベル）との誤差がより少なくなるように、ニューラルネットワークＮの各ニューロンの重み付け値とバイアスとを最適化する学習が行われる。なお、図４では、第１教師データＴＤ１の正解（ラベル）は、プラスチック片であるため、プラスチック片が１．０、ゴム片、金属片、ガラス片、籾、石、着色米、整粒が０．０に設定されている例について記載している。
【0040】
また、第１教師データＴＤ１の他のデータ、第２教師データＴＤ２、及び、第３教師データＴＤ３についても上述と同様の学習が行われる。なお、本実施形態では、上記推定結果と第１教師データＴＤ１～第３教師データＴＤ３の正解（ラベル）との誤差が所定値以下となるまで学習が繰り返し行われることで、学習済みの人工知能１８が生成されるようになっている。
【0041】
ステップＳ３では、ステップＳ２において生成した学習済みの人工知能１８を保存した後、エンドに進んで本処理を終了する。本実施形態では、推定部１５における図示しない記憶装置に上記学習済みの人工知能１８を記憶させて保存するようになっている。
【0042】
次に、図５～６を用いて、工場Ｐの稼働中において実行される推定部１５（第１推定部１５ａ～第３推定部１５ｃ）の処理について説明する。
【0043】
ステップＳ１１では、対象分類画像の読み込みが行われる。該対象分類画像は、撮像部１１によって撮像された不良品等の画像であって、該撮像部１１から入力部１４を介して推定部１５に入力される。
【0044】
ステップＳ１２では、入力された対象分類画像と、学習済みの人工知能１８とに基づいて推定が行われ、図６に示すように、出力層ＯＬから推定結果が出力される。その後、ステップＳ１３とステップＳ１４とが並列に処理が行われる。なお、図６に示す一例では、プラスチック片の可能性が０．９（９０％）、ゴム片の可能性が０．１（１０％）、金属片、ガラス片、籾、石、着色米及び整粒の可能性が０．０（０％）となっているため、対象分類画像の不良品等の種類はプラスチック片であり、かつ、その混入原因は工場由来（カルトンの破片）と推定される。該ステップＳ１２の処理をより詳細に説明すると、第１推定部１５ａは、対象分類画像と人工知能１８とに基づいて対象分類画像の不良品等の種類を推定し（図６に示す一例では「プラスチック片」であると推定）、第２推定部１５ｂは、対象分類画像と人工知能１８とに基づいて不良品等が原料由来であるか否かを推定している（図６に示す一例では「原料由来ではない」と推定している）。また、第３推定部１５ｃは、第２推定部１５ｂにおける「原料由来ではない」、つまり、「原料由来」以外であるとの推定結果に基づいて、「工場由来」であると推定している。
【0045】
ステップＳ１３では、ステップＳ１２の推定結果を出力した後、エンドに進んで処理を終了する。本実施形態では、出力部１６を介して推定部１５からディスプレイ２０に上記推定結果についての信号を送信することで、該信号を受信したディスプレイ２０に上記推定結果が表示されるようになっている。
【0046】
ステップＳ１４では、判定部１９がステップＳ１２において推定された不良品等が警告対象の不良品等であるか否かを判断する。該判断がＹｅｓの場合は、ステップＳ１５に進む一方、上記判断がＮｏの場合は、エンドに進み処理を終了する。本実施形態では、警告対象の不良品等は、工場由来のプラスチック片、ゴム片、金属片、ガラス片、石に設定されている。
【0047】
ステップＳ１５では、工場Ｐのラインに異常状態の可能性があるため、判定部１９がオペレータに警告を行った後、エンドに進んで処理を終了する。本実施形態では、出力部１６を介して判定部１９がディスプレイ２０において警告表示がなされるよう信号をディスプレイ２０に送信する。該警告表示では、不良品等が、プラスチック片の場合、カルトンの点検等、ゴム片の場合、搬送ベルトの点検等、金属片の場合、粗選機３（粒選別網）又は精米機４（精米スクリーン網）の点検等をオペレータに促すようになっている。オペレータは、ディスプレイ２０に表示された警告表示を確認し、該警告表示に係る箇所の点検等を行うことで、工場Ｐ内の装置等の故障や異常を早期に発見することが可能となる。
【0048】
以上より、本実施形態によれば、不良品等を撮像した対象分類画像が第１推定部１５ａの人工知能１８に入力されると、該第１推定部１５ａにおいて基準外と区分された物の種類が推定されるようになる。ここで、人工知能１８は、第１分類画像や第２分類画像を用いて学習されているため、特許文献１の如きＲ、Ｇ、Ｂの各値と所定の判別式とを比較する場合に比べて、不良品等の種類の推定をより詳細に行うことができる。これにより、被分別物（例えば、玄米）の流通過程における品質を担保することが可能となる。
【0049】
また、工場Ｐにおいて原料（例えば、玄米）から製品（例えば、精米）に加工して出荷する際、光学式選別機７において検査が行われて、良品等と不良品等とに分別されるようになる。そして、不良品等を撮像した対象分類画像が第１推定部１５ａの人工知能１８に入力されて、該第１推定部１５ａにおいて不良品等の種類を推定することができる。これにより、上述の特許文献１の場合に比べて、不良品等の種類を詳細に推定可能となるので、工場Ｐ内の加工処理工程における品質を担保することができる。
【0050】
また、第２推定部１５ｂによって、不良品等の混入由来が穀物原料の生産地において混入したことを示す原料由来であるか、又は、それ以外の由来であるかを推定することができる。これにより、穀物原料が工場Ｐに搬入された後であっても、不良品等が工場Ｐの搬入前の穀物原料の生産地に混入したものであるか否かを推定することが可能となる。
【0051】
また、第２推定部１５ｂにおいて原料由来以外であると推定された不良品等を、第３推定部１５ｃにおいて工場由来であると推定することができる。
【0052】
また、第３推定部１５ｃが不良品等の種類とその混入由来とが関連付けられた教師データによって学習された人工知能１８を用いて不良品等の混入由来の推定を行うことができる。
【0053】
第３推定部１５ｃが第１教師データＴＤ１と第２教師データＴＤ２によって学習された人工知能１８を用いて不良品等の混入由来の推定を行うことができる。
【0054】
不良品等が警告対象であると推定された場合に、その旨がオペレータに警告されるようになる。これにより、例えば、不良品等に関連する装置等の点検や停止などをオペレータに促すことができる。
【0055】
なお、本実施形態では、被分別物として玄米及び精米の例を用いて説明したが、玄米及び精米以外の原料（例えば、小麦、大麦、大豆、トウモロコシ、魚介類、野菜、果物、石炭、鉄鉱石、機械部品、電気部品、電子部品、半導体材料、樹脂材料など）としてもよい。また、トレーサビリティシステム１を玄米及び精米以外の原料の加工処理等を行う工場、スナック菓子や冷凍食品を製造する食品工場、機械製品、電気製品、半導体製品或いはプラスチック製品等を製造する製造工場、又は、工場以外に適用してもよい。工場以外の適用例として、例えば、原料の生産地、該生産地から工場への流通経路、又は、該工場から出荷された製品の流通経路がある。
【0056】
また、本実施形態では、分別部として光学式選別機７の例について説明したが、被分別物を検査して基準内の物と基準外の物とに分別可能であれば、光学式選別機７以外の装置等を用いてもよい。
【0057】
また、本実施形態では、撮像部１１は、光学式選別機７において分別された不良品等のみを撮像していたが、不良品等及び良品等を撮像し、不良品等の画像（対象分類画像）のみを入力部１４に送信するようにしてもよく、或いは、不良品等及び良品等の画像を入力部１４に送信し、コンピュータ１３において該画像から対象分類画像のみを抽出し、推定部１５において抽出された対象分類画像を用いて推定処理を行うようにしてもよい。被分別物を検査するために撮像部１１を設けたが、画像データ以外の波形データや数値データを扱う構成でもよい。
【0058】
また、本実施形態では、コンピュータ１３に学習部１７が備えられていたが、コンピュータ１３とは別のコンピュータに備えられていてもよい。この場合、該別のコンピュータにおいて人工知能１８の学習が行われた後、該人工知能１８をコンピュータ１３の推定部１５の図示しない記憶装置に記憶するようにしてもよい。
【0059】
また、本実施形態では、推定部１５が学習済みの人工知能１８を用いて推定を行っていたが、工場Ｐの稼働していないとき等に人工知能１８を更に学習するようにしてもよい。
【0060】
また、本実施形態では、人工知能１８は、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を備えていたが、完全畳み込みネットワーク（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ）等の他のニューラルネットワークを備えていてもよい。また、人工知能１８には、実験計画法、ディープラーニング、ファジィ理論、多変量解析（例えば、マハラノビス距離、重回帰分析）、スパースモデリング、サポートベクターマシン等が用いられるようにしてもよい。
【0061】
また、本実施形態では、ステップＳ１２において不良品等の混入原因（混入由来）を推定するようにしていたが、該混入原因が不明の場合、つまり、推定できない場合は、その旨を、ディスプレイ２０に出力するようにしてもよく、テクニカルレポートＴＲに記載するようにしてもよく、或いは、オペレータに警告するようにしてもよい。
【0062】
また、本実施形態では、第２推定部１５ｂが、対象分類画像に係る不良品等の混入由来が原料の生産地において混入したことを示す原料由来であるか又はそれ以外の由来であるかを推定する例について説明したが、対象分類画像に係る不良品等が工場Ｐの搬入前に混入していたことを示す搬入前由来であるか、又は、それ以外の由来であるかを推定するようにしてもよい。このようにすることで、第２推定部１５ｂによって、不良品等の混入由来が工場の搬入前由来であるか、又は、それ以外の由来であるかを推定することができる。これにより、原料が工場Ｐに搬入された後であっても、不良品等が工場Ｐの搬入前に混入したものであるか否かを推定することが可能となる。
【0063】
また、変形例として、第２推定部１５ｂが、対象分類画像に係る不良品等の混入由来が原料の生産地において混入したことを示す原料由来であるか、工場Ｐへ搬入されるまでの流通過程において混入したことを示す原料流通由来であるか、又は、それ以外の由来であるかの推定するようにしてもよい。このようにすることで、不良品等が工場Ｐの搬入前由来である場合において、原料の生産地において混入したことを示す原料由来、又は、原料が生産地から工場Ｐへ搬入されるまでの流通過程において混入したことを示す原料流通由来であるかを推定することができる。さらに、変形例として、第２推定部１５ｂが、対象分類画像に係る不良品等の混入由来が原料の生産地から工場Ｐへ搬入されるまでの流通過程において混入したことを示す原料流通由来であるか、又は、それ以外の由来であるかを推定するようにしてもよい。
【0064】
また、本実施形態では、ステップＳ１３において推定部１５による推定結果がディスプレイ２０に出力されるようにしていたが、図７に示すように推定結果を集計したテクニカルレポートＴＲを作成し、該テクニカルレポートＴＲをディスプレイ２０に表示する、或いは、上記テクニカルレポートＴＲが記載された紙を図示しないプリンタから出力するようにしてもよい。さらに、図７に示すように、工場由来の不良品等の数値等が記載されたテクニカルレポートＴＲを示すことで、工場Ｐの品質を顧客にアピールするようにしてもよい。
【0065】
また、本実施形態では行われていなかったが、推定部１５による推定結果を履歴情報として図示しない記憶装置に記憶しておき、推定部１５による推定結果に変化が生じた際に、ディスプレイ２０（テクニカルレポートＴＲ）の表示、オペレータへの警告を行うことで工場Ｐ内の装置等の異常等を早期に発見できるようにしてもよく、或いは、顧客から不良品等の混入の問い合わせがあった際に過去のテクニカルレポートＴＲや上記推定結果の履歴情報を参照することで、上記問い合わせがあった不良品等の混入原因を把握するようにしてもよい。さらに、ディスプレイ２０（テクニカルレポートＴＲ）に被分別物の画像を表示してもよい。
【0066】
また、本実施形態では、ステップＳ１４における警告対象の不良品等が工場由来のプラスチック片、ゴム片、金属片、ガラス片及び石に設定されていたが、整粒が異常に多い場合（整粒の数が所定数以上の場合）には、該整粒を警告対象の不良品等に設定してもよい。整粒が異常に多い場合は、光学式選別機７が動作異常である可能性があるので、ステップＳ１５において警告を行うことにより、光学式選別機７の点検等をオペレータに促すようにしてもよい。このようにすることで、上記警告（警告表示）を視認したオペレータによって、光学式選別機７が点検等されることで、該光学式選別機７の動作異常を早期に発見することが可能となる。
【0067】
また、本実施形態では、ステップＳ１４における警告対象の不良品等に設定されていなかったが、ステップＳ１２において推定された不良品等が石の場合には、石抜機５が動作異常である可能性があるので、ステップＳ１５において警告を行うことにより、石抜機５の点検等をオペレータに促すようにしてもよい。このようにすることで、上記警告（警告表示）を視認したオペレータによって、石抜機５が点検等されることで、該石抜機５の動作異常を早期に発見することが可能となる。
【0068】
また、本実施形態では、ステップＳ１４において不良品等が警告対象の不良品等であると判断された場合、オペレータへの前工程のフィードバック（不良品等に関連する工場Ｐ内の装置の停止等）の指示を判定部１９が行うようにしてもよい。このようにすることで、不良品等が警告対象であると推定された場合に、前工程へのフィードバックの指示をオペレータに報知することができる。これにより、例えば、警告対象の不良品等に関連する装置等の停止などをオペレータに促すことができる。
【0069】
また、本実施形態では、第１教師データＴＤ１は、プラスチック片、ゴム片、金属片、ガラス片及び石のデータで構成されていたが、プラスチック片、ゴム片及び金属片のデータのうち少なくとも１つのデータで構成されていてもよい。
【0070】
また、本実施形態では、第２教師データＴＤ２は、ガラス片、籾、石及び着色粒のデータで構成されていたが、ガラス片、籾、石及び着色粒のデータのうち少なくとも１つのデータで構成されていてもよい。
【0071】
また、本実施形態では、教師データは、第３教師データＴＤ３を備えていたが、該第３教師データＴＤ３を備えていなくてもよい。
【0072】
また、本実施形態では、人工知能１８が教師データを用いた教師あり学習により学習されていたが、該教師データを用いた教師あり学習と教師なし学習とを組み合わせた半教師あり学習により学習されるようにしてもよい。
【0073】
また、本実施形態では、推定部１５に判定部１９が備えられていたが、推定部１５とは別に判定部１９を備えるようにしてもよい。
【0074】
また、本実施形態では、判定部１９がステップＳ１５においてディスプレイ２０に警告表示させるようにしていたが、該警告表示に代えて、或いは、警告表示に加えて警告音が出力されるようにしてもよい。
【産業上の利用可能性】
【0075】
本発明は、例えば、穀物原料などの被分別物の流通過程に備えられたトレーサビリティシステムに適している。
【符号の説明】
【0076】
１ トレーサビリティシステム
７ 光学式選別機（分別部）
１１ 撮像部（画像取得部）
１５ａ 第１推定部
１５ｂ 第２推定部
１５ｃ 第３推定部
１８ 人工知能
１９ 判定部
Ｐ 工場
ＴＤ１ 第１教師データ
ＴＤ２ 第２教師データ
７ 光学式選別機（分別部）
１１ 撮像部（画像取得部）
１５ａ 第１推定部
１５ｂ 第２推定部
１５ｃ 第３推定部
１８ 人工知能
１９ 判定部
Ｐ 工場
ＴＤ１ 第１教師データ
ＴＤ２ 第２教師データ
【手続補正2】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
トレーサビリティシステムであって、
工場に搬入された原料を製品に加工して出荷する際、前記製品を検査して基準内の物と基準外の物とに分別する分別部と、
前記基準外と区分された物を撮像して対象画像を取得する画像取得部と、
学習用画像を用いて学習した人工知能に前記対象画像を入力して、前記基準外と区分された物の種類を推定する第１推定部と、
前記基準外と区分された物が、前記工場の搬入前に混入していたことを示す搬入前由来であるか、又は、それ以外の由来であるかを前記人工知能を用いて推定する第２推定部と、
前記第２推定部において前記それ以外の由来であると推定された場合に、前記基準外と区分された物が、前記工場内で混入したことを示す工場由来であると推定する第３推定部と、
前記第３推定部において前記基準外と区分された物が前記工場由来であると推定された場合に、オペレータへの警告又はオペレータへの前工程へのフィードバックの指示を行う判定部と、
を備えていることを特徴とするトレーサビリティシステム。
工場に搬入された原料を製品に加工して出荷する際、前記製品を検査して基準内の物と基準外の物とに分別する分別部と、
前記基準外と区分された物を撮像して対象画像を取得する画像取得部と、
学習用画像を用いて学習した人工知能に前記対象画像を入力して、前記基準外と区分された物の種類を推定する第１推定部と、
前記基準外と区分された物が、前記工場の搬入前に混入していたことを示す搬入前由来であるか、又は、それ以外の由来であるかを前記人工知能を用いて推定する第２推定部と、
前記第２推定部において前記それ以外の由来であると推定された場合に、前記基準外と区分された物が、前記工場内で混入したことを示す工場由来であると推定する第３推定部と、
前記第３推定部において前記基準外と区分された物が前記工場由来であると推定された場合に、オペレータへの警告又はオペレータへの前工程へのフィードバックの指示を行う判定部と、
を備えていることを特徴とするトレーサビリティシステム。
【請求項2】
請求項１に記載のトレーサビリティシステムにおいて、
前記搬入前由来は、前記原料の生産地において混入したことを示す原料由来、及び、前記原料が生産地から前記工場へ搬入されるまでの流通過程において混入したことを示す原料流通由来の少なくとも一方であり、
前記人工知能は、前記基準外とされた物の第１学習用画像と前記工場由来の原因ラベルとが関連付けられた第１教師データ、及び、前記基準外とされた物の第２学習用画像と前記原料由来の原因ラベルとが関連付けられた第２教師データによって学習されたものであることを特徴とするトレーサビリティシステム。
前記搬入前由来は、前記原料の生産地において混入したことを示す原料由来、及び、前記原料が生産地から前記工場へ搬入されるまでの流通過程において混入したことを示す原料流通由来の少なくとも一方であり、
前記人工知能は、前記基準外とされた物の第１学習用画像と前記工場由来の原因ラベルとが関連付けられた第１教師データ、及び、前記基準外とされた物の第２学習用画像と前記原料由来の原因ラベルとが関連付けられた第２教師データによって学習されたものであることを特徴とするトレーサビリティシステム。