特開 2025-6449 情報処理装置、情報処理方法、学習モデルの生産方法、およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2025006449

(43)【公開日】2025-01-17

(54)【発明の名称】情報処理装置、情報処理方法、学習モデルの生産方法、およびプログラム

(51)【国際特許分類】

   A23L 17/60 20160101AFI20250109BHJP

   G06T 7/00 20170101ALI20250109BHJP

   G06T 7/90 20170101ALI20250109BHJP

   G01N 21/89 20060101ALI20250109BHJP

【ＦＩ】

A23L17/60 103F

G06T7/00 350B

G06T7/90 D

G01N21/89 Z

【審査請求】未請求

【請求項の数】15

【出願形態】ＯＬ

(21)【出願番号】P 2023107254

(22)【出願日】2023-06-29

(71)【出願人】

【識別番号】000001432

【氏名又は名称】グローリー株式会社

(74)【代理人】

【識別番号】100117673

【弁理士】

【氏名又は名称】中島 了

(72)【発明者】

【氏名】番匠谷 利彦

(72)【発明者】

【氏名】池本 良

【テーマコード（参考）】

2G051

4B019

5L096

【Ｆターム（参考）】

2G051AA33

2G051AB20

2G051BA20

2G051CA03

2G051CB01

2G051EA17

2G051EB05

2G051EC01

4B019LE01

4B019LP17

4B019LP19

4B019LT72

4B019LT73

4B019LT80

5L096AA02

5L096AA06

5L096BA03

5L096CA02

5L096DA02

5L096FA23

5L096FA32

5L096FA67

5L096GA38

5L096HA11

5L096JA22

5L096KA04

(57)【要約】

【課題】省人化を図りつつ海苔の等級を適切に判定することが可能な技術を提供する。
【解決手段】海苔の等級を判定する情報処理装置は、海苔を撮影した画像２１２（海苔画像）の輝度情報Ｅ１と、画像２１２の色情報Ｅ２とに基づくスコアＱを取得する。色情報Ｅ２は、所定の色空間（たとえばＹＣｂＣｒ色空間）にて赤色と青色とを繋ぐ方向における色特性を示す色情報である。また、情報処理装置は、当該スコアＱに基づいて海苔の等級を判定する。
【選択図】図４

【特許請求の範囲】

【請求項1】

海苔を撮影した画像の輝度情報と前記画像の色情報であって所定の色空間にて赤色と青色とを繋ぐ方向における色特性を示す色情報とに基づき、前記海苔の等級を判定するためのスコアを算出する制御部、
を備えることを特徴とする情報処理装置。

【請求項2】

前記所定の色空間は、ＹＣｂＣｒ色空間とＹＵＶ色空間とＹＰｂＰｒ色空間とＲＧＢ色空間とＬａｂ色空間とのうちのいずれかであることを特徴とする、請求項１に記載の情報処理装置。

【請求項3】

前記輝度情報および前記色情報は、それぞれ、前記画像内の複数の画素値を前記所定の色空間におけるチャンネルごとに平均化した各平均値に基づいて求められることを特徴とする、請求項１に記載の情報処理装置。

【請求項4】

前記輝度情報は、海苔を撮影した複数の画像について求められた前記各平均値に関する主成分分析の分析結果に基づく、前記画像に関する第１主成分の情報であり、
前記色情報は、前記主成分分析の前記分析結果に基づく、前記画像に関する第２主成分の情報であることを特徴とする、請求項３に記載の情報処理装置。

【請求項5】

前記画像に関する前記スコアは、前記輝度情報と前記色情報との２つの説明変数の交互作用を考慮した交互作用線形分析の分析結果に基づいて取得されることを特徴とする、請求項１に記載の情報処理装置。

【請求項6】

前記制御部は、前記画像の合焦度合いに関する指標値にも基づいて前記スコアを算出することを特徴とする、請求項１に記載の情報処理装置。

【請求項7】

前記画像に関する前記スコアは、複数の学習用画像に関する前記輝度情報と前記色情報と等級の正解データとに基づいて学習された学習モデルに対して、前記画像に関する前記輝度情報と前記色情報とを入力して出力される評価値であることを特徴とする、請求項１に記載の情報処理装置。

【請求項8】

前記学習モデルは、第１学習モデルであり、
前記制御部は、第２学習モデルに基づいて、前記海苔の等級を判定するための改良スコアを算出し、
前記第２学習モデルは、入力画像に関して前記第１学習モデルから出力される前記スコアと、当該入力画像の合焦度合いに関する指標値とを入力とし、前記改良スコアを出力とする学習モデルであって、複数の教師データを用いて学習された学習モデルであり、
前記制御部は、推論対象の前記画像に関して前記第１学習モデルから出力された前記スコアと当該画像の合焦度合いに関する指標値とを前記第２学習モデルに入力して、前記第２学習モデルから出力される前記改良スコアを取得することを特徴とする、請求項７に記載の情報処理装置。

【請求項9】

ａ）海苔を撮影した画像の輝度情報と前記画像の色情報であって所定の色空間にて赤色と青色とを繋ぐ方向における色特性を示す色情報とに基づき、前記海苔の等級を判定するためのスコアを算出するステップ、
を備えることを特徴とする情報処理方法。

【請求項10】

請求項９に記載の情報処理方法をコンピュータに実行させるためのプログラム。

【請求項11】

海苔の等級を判定するための学習モデルの生産方法であって、
海苔を撮影した画像の輝度情報と、前記画像の色情報であって所定の色空間にて赤色と青色とを繋ぐ方向における色特性を示す色情報とを入力とし、海苔の等級に関するスコアを出力する前記学習モデルを、複数の教師データに基づいて学習するステップ、
を備えることを特徴とする、学習モデルの生産方法。

【請求項12】

海苔を撮影した複数の画像に関する所定の色空間における主成分分析の分析結果に基づき推論対象画像の第１主成分得点と第２主成分得点とを取得するとともに、各画像の第１主成分得点と第２主成分得点と当該各画像における海苔の等級との関係を複数の教師データを用いて学習した学習モデルに対して前記推論対象画像の前記第１主成分得点と前記第２主成分得点とを入力し、前記学習モデルから出力されるスコアであって前記推論対象画像の海苔の等級を判定するためのスコアを取得する制御部、
を備えることを特徴とする、情報処理装置。

【請求項13】

ａ）海苔を撮影した複数の画像に関する所定の色空間における主成分分析を行い、前記主成分分析による第１主成分と第２主成分とを取得するステップと、
ｂ）入力画像の第１主成分得点と第２主成分得点とを入力とし当該入力画像の海苔の等級を判定するためのスコアを出力とする学習モデルを複数の教師データを用いて機械学習するステップと、
を備えることを特徴とする、学習モデルの生産方法。

【請求項14】

ａ）海苔を撮影した複数の画像に関する所定の色空間における主成分分析の分析結果に基づき、推論対象画像の第１主成分得点と第２主成分得点とを取得するステップと、
ｂ）各画像の第１主成分得点と第２主成分得点と当該各画像における海苔の等級との関係を複数の教師データを用いて学習した学習モデルに対して、前記推論対象画像の前記第１主成分得点と前記第２主成分得点とを入力し、前記学習モデルから出力されるスコアであって前記推論対象画像の海苔の等級を判定するためのスコアを取得するステップと、
を備えることを特徴とする、情報処理方法。

【請求項15】

請求項１３または請求項１４に記載の方法をコンピュータに実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、海苔の等級を判定するための情報処理技術に関する。

【背景技術】

【0002】

海苔の等級を判定する技術が存在する。現状では、主に、人間が海苔の外観を見て当該海苔の等級を判定している。より具体的には、人間（検査員）が海苔の色などを見分けて海苔の等級を判定している。

【0003】

また、海苔の等級判定を機械化する技術が提案されている（特許文献１参照）。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２００３－０４７４４５号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

検査員の負担等を考慮すると、等級判定の機械化（省人化）を進めることが好ましい。

【0006】

ところで、上述のように、検査員（人間）が海苔の等級を判定する場合には、当該検査員は海苔の色を考慮している。

【0007】

一方、上記先行技術（特許文献１）においては、色合いの均一性を利用してはいるものの、海苔の色自体を判定には利用していない。

【0008】

人間が海苔の等級を判定する場合に海苔の色をも考慮している点を考えると、機械が海苔の等級を判定する場合等において人間に近い適切な判定を行うためには、海苔の色を適切に考慮することが好ましい。

【0009】

そこで、この発明は、省人化を図りつつ海苔の等級を適切に判定することが可能な技術を提供することを課題とする。

【課題を解決するための手段】

【0010】

上記課題を解決すべく、本発明に係る情報処理装置は、海苔を撮影した画像の輝度情報と前記画像の色情報であって所定の色空間にて赤色と青色とを繋ぐ方向における色特性を示す色情報とに基づき、前記海苔の等級を判定するためのスコアを算出する制御部、を備えることを特徴とする。

【0011】

前記所定の色空間は、ＹＣｂＣｒ色空間とＹＵＶ色空間とＹＰｂＰｒ色空間とＲＧＢ色空間とＬａｂ色空間とのうちのいずれかであってもよい。

【0012】

前記輝度情報および前記色情報は、それぞれ、前記画像内の複数の画素値を前記所定の色空間におけるチャンネルごとに平均化した各平均値に基づいて求められてもよい。

【0013】

前記輝度情報は、海苔を撮影した複数の画像について求められた前記各平均値に関する主成分分析の分析結果に基づく、前記画像に関する第１主成分の情報であり、前記色情報は、前記主成分分析の前記分析結果に基づく、前記画像に関する第２主成分の情報であってもよい。

【0014】

前記画像に関する前記スコアは、前記輝度情報と前記色情報との２つの説明変数の交互作用を考慮した交互作用線形分析の分析結果に基づいて取得されてもよい。

【0015】

前記制御部は、前記画像の合焦度合いに関する指標値にも基づいて前記スコアを算出してもよい。

【0016】

前記画像に関する前記スコアは、複数の学習用画像に関する前記輝度情報と前記色情報と等級の正解データとに基づいて学習された学習モデルに対して、前記画像に関する前記輝度情報と前記色情報とを入力して出力される評価値であってもよい。

【0017】

前記学習モデルは、第１学習モデルであり、前記制御部は、第２学習モデルに基づいて、前記海苔の等級を判定するための改良スコアを算出し、前記第２学習モデルは、入力画像に関して前記第１学習モデルから出力される前記スコアと、当該入力画像の合焦度合いに関する指標値とを入力とし、前記改良スコアを出力とする学習モデルであって、複数の教師データを用いて学習された学習モデルであり、前記制御部は、推論対象の前記画像に関して前記第１学習モデルから出力された前記スコアと当該画像の合焦度合いに関する指標値とを前記第２学習モデルに入力して、前記第２学習モデルから出力される前記改良スコアを取得してもよい。

【0018】

上記課題を解決すべく、本発明に係る情報処理方法は、ａ）海苔を撮影した画像の輝度情報と前記画像の色情報であって所定の色空間にて赤色と青色とを繋ぐ方向における色特性を示す色情報とに基づき、前記海苔の等級を判定するためのスコアを算出するステップ、を備えることを特徴とする。

【0019】

上記課題を解決すべく、本発明に係るプログラムは、上記情報処理方法をコンピュータに実行させるためのプログラムであることを特徴とする。

【0020】

上記課題を解決すべく、本発明に係る、学習モデルの生産方法は、海苔の等級を判定するための学習モデルの生産方法であって、海苔を撮影した画像の輝度情報と、前記画像の色情報であって所定の色空間にて赤色と青色とを繋ぐ方向における色特性を示す色情報とを入力とし、海苔の等級に関するスコアを出力する前記学習モデルを、複数の教師データに基づいて学習するステップ、を備えることを特徴とする。

【0021】

上記課題を解決すべく、本発明に係る情報処理装置は、海苔を撮影した複数の画像に関する所定の色空間における主成分分析の分析結果に基づき推論対象画像の第１主成分得点と第２主成分得点とを取得するとともに、各画像の第１主成分得点と第２主成分得点と当該各画像における海苔の等級との関係を複数の教師データを用いて学習した学習モデルに対して前記推論対象画像の前記第１主成分得点と前記第２主成分得点とを入力し、前記学習モデルから出力されるスコアであって前記推論対象画像の海苔の等級を判定するためのスコアを取得する制御部、を備えることを特徴とする。

【0022】

上記課題を解決すべく、本発明に係る、学習モデルの生産方法は、ａ）海苔を撮影した複数の画像に関する所定の色空間における主成分分析を行い、前記主成分分析による第１主成分と第２主成分とを取得するステップと、ｂ）入力画像の第１主成分得点と第２主成分得点とを入力とし当該入力画像の海苔の等級を判定するためのスコアを出力とする学習モデルを複数の教師データを用いて機械学習するステップと、を備えることを特徴とする。

【0023】

上記課題を解決すべく、本発明に係るプログラムは、学習モデルの当該生産方法をコンピュータに実行させるためのプログラムであることを特徴とする。

【0024】

上記課題を解決すべく、本発明に係る情報処理方法は、ａ）海苔を撮影した複数の画像に関する所定の色空間における主成分分析の分析結果に基づき、推論対象画像の第１主成分得点と第２主成分得点とを取得するステップと、ｂ）各画像の第１主成分得点と第２主成分得点と当該各画像における海苔の等級との関係を複数の教師データを用いて学習した学習モデルに対して、前記推論対象画像の前記第１主成分得点と前記第２主成分得点とを入力し、前記学習モデルから出力されるスコアであって前記推論対象画像の海苔の等級を判定するためのスコアを取得するステップと、を備えることを特徴とする。

【0025】

上記課題を解決すべく、本発明に係るプログラムは、当該情報処理方法をコンピュータに実行させるためのプログラムであることを特徴とする。

【発明の効果】

【0026】

本発明によれば、海苔の色をも考慮して海苔の等級が判定されるので、省人化を図りつつ海苔の等級を適切に判定することが可能である。

【図面の簡単な説明】

【0027】

【図1】第１実施形態に係る等級判定システムを示すブロック図である。

【図2】搬送装置および撮影装置を上方から見た概略図である。

【図3】搬送装置および撮影装置を側方から見た概略図である。

【図4】処理の概要を示す概念図である。

【図5】等級判定装置（情報処理装置）における処理を示すフローチャートである。

【図6】教師データの生成処理を示すフローチャートである。

【図7】推論処理（等級判定処理）を示すフローチャートである。

【図8】主成分分析の概要を示す概念図である。

【図9】第１主成分の意義を示す図である。

【図10】第２主成分の意義を示す図である。

【図11】第１主成分得点と第２主成分得点との組み合わせを複数の画像についてプロットしたグラフである。

【図12】各等級の正解スコアおよび点形状を示す図である。

【図13】学習モデルによる学習結果を図１１に重ねて示す図である。

【図14】各サンプル画像の推定スコアを示す図である。

【図15】２つの画像を比較する図である。

【図16】第２実施形態に係る学習モデルを示す図である。

【図17】合焦度合いに関する指標値と第１実施形態のスコアとの組み合わせを複数の画像についてプロットしたグラフである。

【図18】後段の学習モデルによる学習結果を図１７に重ねて示す図である。

【図19】各サンプル画像の改良スコアを示す図である。

【図20】ＲＧＢ色空間を立方体で模式的に表現する概念図である。

【図21】図２１は、Ｌａｂ色空間を模式的に表現する概念図である。

【発明を実施するための形態】

【0028】

以下、本発明の実施形態を図面に基づいて説明する。

【0029】

＜１．第１実施形態＞
＜１－１．システム概要＞
図１は、海苔の等級を判定する等級判定システム１を示すブロック図である。

【0030】

図１に示されるように、等級判定システム１は、海苔の画像を撮影する撮影装置２０と、当該画像（海苔を撮影した画像）に基づき海苔の等級を判定する等級判定装置３０とを備えている。等級判定システム１は、海苔を搬送する搬送装置１０をも備えている。撮影装置２０は、搬送装置１０の搬送経路上に設けられており、搬送装置１０によって搬送される海苔の表面（ひょうめん）を撮影することが可能である。

【0031】

なお、等級判定装置３０は、画像を処理する装置であることから、画像処理装置などとも称される。同様に、等級判定システム１は、画像処理システムなどとも称される。また、等級判定装置３０は、情報を処理する装置であることから、情報処理装置とも称され、同様に、等級判定システム１は、情報処理システムなどとも称される。

【0032】

＜１－２．等級判定装置３０＞
図１に示されるように、等級判定装置３０は、コントローラ３１（制御部とも称される）と記憶部３２と通信部３４と操作部３５とを備える。

【0033】

コントローラ３１は、等級判定装置３０に内蔵され、等級判定装置３０の動作を制御する制御装置である。また、コントローラ３１は、搬送装置１０および撮影装置２０の動作をも制御する。

【0034】

コントローラ３１は、１又は複数のハードウェアプロセッサ（例えば、ＣＰＵ（Central Processing Unit）およびＧＰＵ（Graphics Processing Unit））等を備えるコンピュータシステムとして構成される。コントローラ３１は、ＣＰＵ等において、記憶部（ＲＯＭおよび／またはハードディスクなどの不揮発性記憶部）３２内に格納されている所定のソフトウエアプログラム（以下、単にプログラムとも称する）を実行することによって、各種の処理を実現する。なお、当該プログラム（詳細にはプログラムモジュール群）（「プログラム製品」とも称される）は、ＵＳＢメモリなどの可搬性の記録媒体に記録され、当該記録媒体から読み出されて等級判定装置３０にインストールされるものであってもよい。あるいは、当該プログラムは、通信ネットワーク等を経由してダウンロードされて等級判定装置３０にインストールされるものであってもよい。

【0035】

具体的には、コントローラ３１は、教師データの生成段階の処理（フェーズＰＨ１（図４等参照））、学習モデルの生成段階の処理（学習段階の処理）（フェーズＰＨ２）、および学習モデル４００を用いた推論段階の処理（フェーズＰＨ３）等を実行する。

【0036】

記憶部３２は、ハードディスクドライブ（ＨＤＤ）および／またはソリッドステートドライブ（ＳＳＤ）等の記憶装置で構成される。記憶部３２は、学習モデル４００（学習モデルに関する学習パラメータおよびプログラムを含む）（ひいては学習済みモデル４２０）等を記憶する。

【0037】

通信部３４は、ネットワークを介したネットワーク通信を行うことが可能である。このネットワーク通信では、たとえば、ＴＣＰ／ＩＰ（Transmission Control Protocol / Internet Protocol）等の各種のプロトコルが利用される。当該ネットワーク通信を利用することによって、等級判定装置３０は、所望の相手先（たとえば、撮影装置２０等）との間で有線あるいは無線で各種のデータ（撮影画像データ等）を授受することが可能である。

【0038】

操作部３５は、等級判定装置３０に対する操作入力を受け付ける操作入力部３５ａと、各種情報の表示出力を行う表示部３５ｂとを備えている。操作入力部３５ａとしてはマウスおよびキーボード等が用いられ、表示部３５ｂとしてはディスプレイ（液晶ディスプレイ等）が用いられる。また、操作入力部３５ａの一部としても機能し且つ表示部３５ｂの一部としても機能するタッチパネルが設けられてもよい。

【0039】

等級判定装置３０は、機械学習のための教師データを生成する機能を備えているので、教師データ生成装置とも称される。また、等級判定装置３０は、教師データを用いて学習モデル４００を機械学習する機能（学習モデル（学習済みモデル）を生成する機能）を備えているので、学習モデル生成装置とも称される。また、等級判定装置３０は、学習された学習モデル４００を用いて海苔の等級に関する推論を実行する装置でもあるので、推論装置とも称される。

【0040】

なお、ここでは、様々な処理（機能）が１つの等級判定装置３０によって実現されているが、これに限定されず、様々な処理が複数の装置で分担されて実現されてもよい。たとえば、上述の第１フェーズＰＨ１における教師データ生成処理（図４上段参照）と、第２フェーズＰＨ２における学習処理（学習モデル生成処理）（図４中段参照）と、第３フェーズＰＨ３における推論処理（図４下段参照）とが、それぞれ別個の装置で実行されてもよい。

【0041】

また、本願において、学習モデル（学習済みモデル）を生成することは、学習モデル（学習済みモデル）を製造（生産）することを意味し、「学習モデル（学習済みモデル）の生成方法」は「学習モデル（学習済みモデル）の生産方法」を意味する。

【0042】

＜１－３．搬送装置１０および撮影装置２０＞
図２は、搬送装置１０および撮影装置２０を上方から見た概略図であり、図３は、搬送装置１０および撮影装置２０を側方から見た概略図である。

【0043】

搬送装置１０は、ベルトコンベヤ１１を備えており、長手方向（図２および図３の左右方向）において搬送対象物（ここでは海苔９１）を搬送することが可能である。図２等では、ベルトコンベヤ１１の表面に載置された海苔９１が右側（上流側）から左側（下流側）へ向けて搬送される様子が示されている。

【0044】

ベルトコンベヤ１１による搬送経路の上方に撮影装置２０が設けられている。撮影装置２０は、直線状の光源２１、直線状のラインセンサカメラ（撮像デバイス）２２、および海苔検出センサ２３を備えている。また、光源２１、ラインセンサカメラ２２、海苔検出センサ２３、を覆うようにカバー２４が設けられている。光源２１、ラインセンサカメラ２２、海苔検出センサ２３、およびカバー２４は、それぞれ、不図示の固定用部材によってベルトコンベヤ１１のベース部等に対して固定されている。なお、図２等では、図示の都合上、カバー２４が外された状態が示されているが、実際にはカバー２４が装着された状態でシステムが稼働する。

【0045】

光源２１は、白色光源である。光源２１としては、たとえば、直線状の蛍光灯を備えて構成される照明装置、あるいは直線状に配列された複数のＬＥＤと拡散カバーとを備えて構成される照明装置等が用いられる。

【0046】

ラインセンサカメラ２２は、直線状に配列された撮像素子群（ＣＣＤリニアセンサ等）を備えて構成される。ラインセンサカメラ２２は、光源２１から所定の照射角度（出射角度）で出射される光（白色光）のうち海苔９１で反射された光を受光する。ラインセンサカメラ２２の光電変換作用、およびＡ／Ｄ変換器等による信号処理等によって直線状の複数の位置のそれぞれにおけるカラー画素値（ＲＧＢ画素値）が生成され、直線状領域（微小幅の細長い矩形領域）の画像データが生成される。このような直線状領域（微小幅の細長い矩形領域）の撮影が繰り返し実行されることによって、２次元状領域（平面領域）の画像２００（カラー画像）が取得される。

【0047】

海苔検出センサ２３は、ベルトコンベヤ１１による搬送経路の上方に配置されており、その直下位置に海苔９１が存在するか否かを検出する。

【0048】

＜１－４．海苔画像の生成＞
ベルトコンベヤ１１上に複数の海苔９１（略矩形状に切断された海苔）が進行方向において適宜の間隔を空けて載置された状態でベルトコンベヤ１１が駆動されると、当該複数の海苔９１が順次に撮影装置２０に向けて進行する。

【0049】

そして、ベルトコンベヤ１１によって或る海苔９１が海苔検出センサ２３の直下に到達したことが海苔検出センサ２３によって検出されると（あるいは更に所定時間Ｔ１の経過後に）、当該海苔９１の画像の撮影が開始される。その後、微小時間ΔＴ間隔でラインセンサカメラ２２による直線状領域の撮影が繰り返し実行され、所定時間Ｔ２（＞Ｔ１）の経過後に当該画像の撮影が終了する。連続して撮影された複数の直線状領域（微小幅の細長い矩形領域）が順次貼り合わせられることによって、海苔９１を被写体とする１枚の画像（海苔９１の画像）が生成される。具体的には、等級判定装置（画像処理装置）３０が、或る海苔９１についての複数の直線状領域の画像データ（線状画像）を撮影装置２０から取得し、当該複数の線状画像に基づき１枚の画像２００（２次元状の広がりを有する画像（平面画像））を生成する。画像２００としては、たとえば、約８０００画素×８０００画素のサイズの画像が取得される。なお、微小時間ΔＴは、搬送速度等に基づいて適宜決定されればよい。また、時間Ｔ１，Ｔ２は、画像内での余白領域（特に搬送方向における海苔以外の領域）の所望サイズ及び画像の所望サイズ（搬送方向のサイズ）等に基づいて適宜決定されればよい。

【0050】

さらに、等級判定装置３０は、画像（平面画像）２００をトリミングし、画像２００のうち所定位置の所定大きさの領域（たとえば画像中央を含み且つ一定程度の大きさ（当該画像の全画素のうちの数割程度の画素）を有する領域）を抽出する。このトリミングによって、海苔のみを含む（海苔を取り囲む余白領域を含まない）所定サイズ（たとえば、約３０００画素×３０００画素）の画像（海苔画像）２１０が取得される。この時点では、当該画像２１０は、ＲＧＢ画像（その各画素の色がＲＧＢ色空間で表現されるカラー画像）である。詳細には、画像２１０は、その各画素を、Ｒ画素値、Ｇ画素値、Ｂ画素値の３成分（３要素）で表現したカラー画像である。

【0051】

なお、ここでは、トリミングを伴って海苔９１の画像が生成されるが、これに限定されず、トリミングを伴わずに海苔９１の画像が生成されてもよい。

【0052】

以上のような処理（自動処理）が繰り返し実行されることによって、複数の（異なる）海苔９１について各画像２１０が生成される。換言すれば、複数の海苔９１に関する複数の画像（海苔画像）２１０が生成される。

【0053】

たとえば上述のような処理によって学習用の各画像２１０が生成され、推論対象の各画像２１０（２１２）が生成される。上述のような処理によれば、複数の海苔画像を自動的に且つ連続的に生成することが可能である。

【0054】

＜１－５．教師データの生成処理＞
図４は、処理の概要を示す概念図であり、図５は、等級判定装置３０における処理を示すフローチャートである。

【0055】

図５に示されるように、等級判定装置（情報処理装置）３０は、教師データの生成処理（ステップＳ１）、学習モデルの生成処理（学習処理）（ステップＳ２）、および学習モデルを用いた推論処理（ステップＳ３）を実行する。

【0056】

以下では、まず、教師データの生成処理（ステップＳ１：フェーズＰＨ１）について説明する。

【0057】

図６は、ステップＳ１における詳細な処理を示すフローチャートである。以下、図６を参照しつつステップＳ１の処理について説明する。

【0058】

＜前処理＞
ステップＳ１１（図６）において、まず、等級判定装置（画像処理装置）３０は、撮影された画像（海苔９１の画像）２１０を取得する。上述のように、画像２１０は、ＲＧＢ画像（その各画素の色がＲＧＢ色空間で表現されるカラー画像）として取得される。詳細には、画像２１０は、その各画素を、Ｒ画素値、Ｇ画素値、Ｂ画素値の３要素（３成分）で表現したカラー画像（画像データ）である。

【0059】

つぎに、等級判定装置３０は、当該画像２１０の色空間をＲＧＢ色空間からＹＣｂＣｒ色空間に変換する。換言すれば、等級判定装置３０は、当該画像２１０の各画素値をＲＧＢ色空間からＹＣｂＣｒ色空間に変換する。

【0060】

ここで、ＹＣｂＣｒ色空間は、ＲＧＢ色空間での３要素Ｒ，Ｇ，Ｂとは別の３要素（３成分）Ｙ，Ｃｂ，Ｃｒで色を表現する色空間である。当該３要素Ｙ，Ｃｂ，Ｃｒは、元のＲＧＢ画像の画素値Ｒ，Ｇ，Ｂを所定の変換式で変換することによって算出される。要素Ｙは輝度であり、要素Ｃｂ，Ｃｒは色差である。換言すれば、ＹＣｂＣｒ色空間は、輝度に関する１軸（Ｙ軸）と色差に関する２軸との直交３軸で構成される色空間である。色差に関する当該２軸は、Ｃｂ軸とＣｒ軸との直交２軸である。Ｙ要素（Ｙ成分）を除いた残りの２要素（２成分）Ｃｂ，ＣｒでＣｂＣｒ平面が構成される。２要素Ｃｂ，Ｃｒの組み合わせによって色相（および彩度）が表現される。

【0061】

そして、等級判定装置３０は、３要素（３成分）Ｙ，Ｃｂ，Ｃｒのそれぞれについて、画像２１０内の複数の画素（たとえば画像２１０内の全ての画素）の平均値を算出する。より具体的には、画像２１０内の複数の画素についての要素Ｙの平均値Ｙaveと、当該複数の画素についての要素Ｃｂの平均値Ｃｂaveと、当該複数の画素についての要素Ｃｒの平均値Ｃｒaveとの３つの値が求められる。換言すれば、画像２１０内の複数の画素値を（変換後の）ＹＣｂＣｒ色空間でのチャンネルごと（成分ごと）に平均化した各平均値Ｙave，Ｃｂave，Ｃｒaveが求められる。

【0062】

これら３つの値Ｙave，Ｃｂave，Ｃｒaveが画像２１０（ひいては、画像２１０の被写体である海苔）を代表するデータとして利用される。なお、以下、説明の都合上、各平均値Ｙave，Ｃｂave，Ｃｒaveを（添字「ave」を省略して）単に各平均値Ｙ，Ｃｂ，Ｃｒとも表記する。また、図４等においては各文字Ｙ，Ｃｂ，Ｃｒの上部に付した線（上線）によって平均値であることが示されている。

【0063】

このような処理によって、１枚の画像２１０に関する各平均値Ｙ，Ｃｂ，Ｃｒが取得される。

【0064】

等級判定装置３０は、このような処理を繰り返すことによって、（学習用の）複数の画像２１０のそれぞれに関する各平均値Ｙ，Ｃｂ，Ｃｒを取得する。なお、当該各平均値Ｙ，Ｃｂ，Ｃｒは、複数の画像２１０のそれぞれを代表する画素値（代表画素値）である、とも表現される。

【0065】

＜主成分分析＞
次のステップＳ１２（図６）において、等級判定装置３０は、複数の画像に関する所定の色空間における主成分分析を実行する。具体的には、等級判定装置３０は、複数の画像２１０について求められた各平均値（複数組の平均値（Ｙ，Ｃｂ，Ｃｒ））に対する主成分分析を実行する。換言すれば、複数の画像２１０に関する３要素（平均値Ｙ，Ｃｂ，Ｃｒ）に対する主成分分析（ＹＣｂＣｒ色空間における主成分分析）が実行される（図８参照）。また、当該主成分分析は、ＹＣｂＣｒ色空間を構成する３つの構成要素（軸要素）Ｙ，Ｃｂ，Ｃｒに対する主成分分析である、とも表現される。当該主成分分析は、複数の画像のそれぞれの代表画素（代表画素値）を所定の色空間で表現する３要素（３変数）Ｙ，Ｃｂ，Ｃｒに対して施されるものである。

【0066】

この主成分分析により、第１主成分および第２主成分が算出（取得）される。

【0067】

実際に実験（複数の海苔画像に対する主成分分析）を行ったところ、一の実験結果として、第１主成分（第１主成分ベクトルＶ１）として、Ｖ１＝（Ｙ，Ｃｂ，Ｃｒ）＝（１，０，０）が算出され、第２主成分（第２主成分ベクトルＶ２）として、Ｖ２＝Ｖ２１＝（Ｙ，Ｃｂ，Ｃｒ）＝（０，－０．６，＋０，８）が算出された（図８および図１０参照）。なお、ここでの値「０」は、厳密には、「完全なゼロ」ではない値（誤差を含む値）である。その他の値（「１」，「０．８」など）も、誤差を含む値である。また、図８は、ステップＳ１２の主成分分析の概要を示す概念図である。

【0068】

なお、主成分分析においては、各主成分ベクトルＶ１，Ｖ２の向きが反転して算出されることもある。たとえば、第１主成分ベクトルＶ１として、（－１，０，０）が算出されることもある。また、第２主成分ベクトルＶ２として、Ｖ２＝Ｖ２２＝（Ｙ，Ｃｂ，Ｃｒ）＝（０，＋０．６，－０．８）が算出されることもある。また、主成分分析においては、分析対象データ等に依拠して異なる方向を有する主成分ベクトル（特に第２主成分ベクトルＶ２）が算出されることもある。たとえば、第２主成分ベクトルＶ２として、Ｖ２＝Ｖ２３＝（Ｙ，Ｃｂ，Ｃｒ）＝（０，－０．８，＋０，６）、あるいは、Ｖ２＝Ｖ２４＝（Ｙ，Ｃｂ，Ｃｒ）＝（０，＋０．８，－０，６）等が算出されることもある。

【0069】

図９は、第１主成分ベクトルＶ１＝（１，０，０）の意義を示す図である。図９に示されるように、この第１主成分からは、輝度情報Ｅ１（ＹＣｂＣｒ色空間にて輝度Ｙを表す情報）が最も重要な要素であることが判る。また、この第１主成分ベクトルＶ１＝（１，０，０）に関する第１主成分得点Ｐ１が大きくなるにつれて、輝度Ｙは徐々に大きくなる。なお、輝度Ｙは正規化されており、最小輝度０のときにＹ＝０．０であり、最大輝度２５５のときにＹ＝１．０である。

【0070】

図１０は、第２主成分ベクトルＶ２（詳細には第２主成分ベクトルＶ２１）＝（０，－０．６，＋０，８）の意義を示す図である。図１０においては、図示の都合上、ＣｂＣｒ平面内の領域ごとの色の特徴が文字（「赤」、「青」、「緑」など）で表現されている。図１０のＣｂＣｒ平面（Ｙ＝０．５）の左上領域（第２象限）（主に第２象限の円（破線）内の領域等）には赤色（その近傍色を含む）が分布している。また、その右下領域（第４象限）（主に第４象限の円（破線）内の領域等）には青色（その近傍色を含む）が分布している。また、ＣｂＣｒ平面の右上領域（第１象限）には紫色（その近傍色を含む）が分布しており、左下領域（第３象限）には緑色（その近傍色を含む）が分布している。なお、値Ｃｂ，Ｃｒも正規化されており、「０」～「２５５」の元の各値が「－１．０」～「１．０」の各値へと変換されている。

【0071】

この第２主成分からは、図１０に示されるように、ＹＣｂＣｒ色空間にて赤色と青色とを繋ぐ（結ぶ）方向Ｄ１に関する色情報Ｅ２（ＹＣｂＣｒ色空間にて赤色から青色へと向かう向き或いはその逆向きに関する色情報）が、輝度情報Ｅ１の次に重要な要素であることが判る。色情報Ｅ２は、方向Ｄ１における色特性（方向Ｄ１に現れる色特性）を示す情報であり、より詳細には、方向Ｄ１における色特性の強度（および正負）を示す情報である。色情報Ｅ２は、データベクトルＶ（不図示）のＤ１方向成分の強度等（データベクトルＶと第２主成分ベクトルＶ２との内積の大きさ等）である、とも表現できる。なお、データベクトルＶは、ここでは画像２１０のＹＣｂＣｒ色空間における平均値（Ｙ，Ｃｂ，Ｃｒ）で構成される３次元ベクトルである。

【0072】

ここにおいて、色情報Ｅ２にて考慮されるべき方向Ｄ１は、図１０に示される一の方向（ベクトルＶ２１の方向）のみを意味するものではなく、上述のようなベクトルＶ２３（，Ｖ２４）の方向等であってもよい。方向Ｄ１は、ベクトルＶ２１の方向とベクトルＶ２３の方向との間の方向であってもよい。また、方向Ｄ１は、ベクトルＶ２１の方向よりもＣｒ軸寄りの方向であってもよく、ベクトルＶ２３の方向よりもＣｂ軸寄りの方向であってもよい。方向Ｄ１は、ベクトルＶ２５＝（Ｙ，Ｃｂ，Ｃｒ）＝（０，－１，１）に対して（ＣｂＣｒ平面内にて）数十度程度（たとえば３０度～４０度）ずれた方向であってもよい。第２主成分ベクトルＶ２の方向は分析対象データ等に依拠して一定程度の範囲（角度範囲）を有し、当該方向Ｄ１も一定程度の範囲を有する。当該方向Ｄ１は、ＹＣｂＣｒ色空間にて赤色と青色とを繋ぐ方向であればよい。換言すれば、色情報Ｅ２は、このような方向（ＹＣｂＣｒ色空間にて赤色と青色とを繋ぐ方向）Ｄ１に関する情報である。

【0073】

また、色情報Ｅ２は、ＹＣｂＣｒ色空間のうちＣｂＣｒ平面（Ｙ成分を除いた残りの２成分Ｃｂ，Ｃｒで構成される平面）の第２象限から第４象限に向かう向き或いはその逆向きに関する色情報などとも表現される。

【0074】

また、色情報Ｅ２は、色が赤側と青側とのいずれに寄っているか及びその寄り具合（「赤－青」方向Ｄ１における寄り具合）を示す情報であるとも表現される。また、色情報Ｅ２は、赤味と青味とのいずれを帯びているか及びその帯び具合（「赤味または青味」の帯び具合）を示す色情報（色指標値）であるとも表現される。色情報Ｅ２は、端的に言えば、色空間における「赤－青」方向Ｄ１における色特性を示す情報である。

【0075】

上述のように、主成分分析では、各主成分（特に第２主成分）については符号の正負が逆転して（すなわち主成分ベクトルの向きが反転して）算出されることがある。ただし、主成分分析においては、主成分ベクトルの「方向」（或る向きとその逆向きとを包含する概念）が特に重要な意義を有している。主成分分析においては、「主成分ベクトルが或る向きを有しているのか或いはその逆向きを有しているのか（その主成分得点の正負）」の重要性よりも、主成分ベクトルの「方向」の重要性が高い。たとえば、主成分ベクトルＶ２１＝（０，－０．６，＋０，８）と主成分ベクトルＶ２２＝（０，＋０．６，－０，８）とは、それぞれに関する主成分得点の正負が互いに逆転するものの「方向」が一致しており、同様の意義を有している。

【0076】

主成分ベクトルＶ２２＝（０，＋０．６，－０，８）に関する主成分得点Ｐ２（Ｐ２２）は、青成分が強く赤成分が弱くなるにつれて（色が青側に近づくにつれて）比較的プラス側の値になる。逆に、赤成分が強く青成分が弱くなるにつれて（色が赤側に近づくにつれて）、主成分得点Ｐ２２は比較的マイナス側の値になる。換言すれば、第２主成分ベクトルＶ２２に基づく第２主成分得点Ｐ２２が（プラス側に）大きくなるにつれて、色が青側に近づくことを意味している。

【0077】

一方、主成分ベクトルＶ２１＝（０，－０．６，＋０，８）に関する主成分得点Ｐ２（Ｐ２１）は、赤成分が強く青成分が弱くなるにつれて（色が赤側に近づくにつれて）比較的プラス側の値になる。逆に、青成分が強く赤成分が弱くなるにつれて（色が青側に近づくにつれて）、主成分得点Ｐ２１は比較的マイナス側の値になる。換言すれば、第２主成分ベクトルＶ２１に基づく第２主成分得点Ｐ２１が（プラス側に）大きくなるにつれて、色が赤側に近づくことを意味している。

【0078】

ただし、これらの２つの第２主成分ベクトルＶ２１，Ｖ２２は、（その向きが互いに反転するものの同じ「方向」を有しており、）「赤－青」方向Ｄ１に関する色情報Ｅ２が重要であることを示している点で共通している。この点が非常に重要である。

【0079】

このような主成分分析によって、第１主成分の情報が輝度情報Ｅ１であり、第２主成分の情報が上述の色情報Ｅ２であることが判明した。換言すれば、海苔の画像において、輝度情報Ｅ１と赤－青方向に関する色情報Ｅ２とが主要２要素であることが判明した。

【0080】

また、主成分分析によれば、海苔の画像２１０に関するＹＣｂＣｒ色空間での３つの要素が、２つの要素（詳細には、２つの主成分得点）に集約される。すなわち、次元数「３」から次元数「２」への次元圧縮の効果を得ることが可能である。

【0081】

特に、上記実験結果（海苔画像のＹＣｂＣｒ色空間に関する主成分分析結果）においては、第２主成分までの累積寄与率（第１主成分の寄与率と第２主成分の寄与率との合計値）は、９９．９９％であった。このような累積寄与率は、海苔画像における海苔特有の情報（色特性等）を非常に効率的に次元圧縮できていることを示している。特に、このときの第２主成分ベクトルＶ２の方向（赤色と青色とを繋ぐ方向Ｄ１）（図１０参照）は、（第１主成分ベクトルＶ１の方向に次いで）データが広く分散している（ばらついている）方向であり、海苔の色を評価するにあたって非常に有用な方向である。逆に言えば、第１主成分ベクトルＶ１と第２主成分ベクトルＶ２との双方に垂直な方向（ＹＣｂＣｒ色空間で緑色と紫色とを繋ぐ方向（図１０参照））には、データがあまり分散しておらず（ばらついておらず）、当該方向の情報を考慮する必要性が低い。このような特性を利用すれば、海苔画像における海苔特有の情報を適切に次元圧縮することが可能である。

【0082】

図１１は、複数（ここでは１２０枚）の画像２１０について各画像の平均値（Ｙ，Ｃｂ，Ｃｒ）の第１主成分得点Ｐ１と第２主成分得点Ｐ２との組み合わせをグラフ上に（主成分空間に）プロットした図である。当該グラフにおいて、横軸は、第１主成分得点Ｐ１を示しており、縦軸は、第２主成分得点Ｐ２を示している。なお、データベクトルＶ（Ｙ，Ｃｂ，Ｃｒ）の第１主成分得点Ｐ１は、当該データベクトルＶと第１主成分ベクトルＶ１との内積（ベクトルＶをベクトルＶ１軸上に射影した射影ベクトルの大きさ及び正負）である。同様に、データベクトルＶ（Ｙ，Ｃｂ，Ｃｒ）の第２主成分得点Ｐ２は、当該データベクトルＶと第２主成分ベクトルとの内積である。

【0083】

ただし、図１１等においては、主成分得点Ｐｉ（ｉ＝１，２）は、複数のデータの主成分得点に関する平均値（成分ごとの平均値）Ｆｉを用いてゼロの位置を移動した値（成分ごとに、元の算出値（元の値Ｐｉ）から当該平均値Ｆｉを差し引いた値）（端的に言えば、センタリングした値）で示されている。それ故、グラフ上における（各主成分の）ゼロの位置は平均値Ｆｉの位置に移動するとともに、各主成分得点Ｐｉの値は元の算出値とは異なる値に変換されている。主成分得点Ｐｉは、このような値（センタリング値）に変換されて算出されてもよい。なお、これに限定されず、各主成分得点Ｐｉの値は、さらに標準偏差等を用いて標準化された値（成分ごとに、元の算出値から当該平均値Ｆｉを差し引いた値をさらに標準偏差で除することにより正規化した値等）として算出されてもよい。

【0084】

図１１の横軸方向において、比較的右側（＋側）の点は、第１主成分得点Ｐ１（ひいては輝度Ｙ）が比較的大きいことを示している。逆に、横軸方向において比較的左側（－側）の点は、第１主成分得点Ｐ１（ひいては輝度Ｙ）が比較的小さいことを示している。

【0085】

また、図１１の縦軸方向においては、第２主成分ベクトルＶ２１＝（０，－０．６，＋０，８）に関する第２主成分得点Ｐ２（Ｐ１２）の大きさが示されている。具体的には、縦軸方向において比較的上側（＋側）の点は、第２主成分得点Ｐ２が比較的大きいこと（ひいては赤味（赤成分）が比較的強いこと）を示している。逆に、縦軸方向において比較的下側（－側）の点は、第２主成分得点Ｐ２が比較的小さいこと（ひいては青味（青成分）が比較的強いこと）を示している。

【0086】

また、図１１において、各画像２１０は、その被写体である海苔の等級（正解データ）ごとに異なる形状の点でプロットされている。図１１においては、各海苔がいずれの階級に属するかについての検査員による判定結果（詳細には正解データ（正解ラベルとも称する））が、当該各海苔の等級として示されている。

【0087】

図１２に示されるように、海苔の「色」による等級として、「優」、「特上」、「特」、「１等」、「２等」などの複数の階級（等級）が存在する。「優」は最も高い等級であり、「優」の海苔は、（海苔の色として）最も良好な色を有することを示している。「特上」、「特」、「１等」、「２等」...と等級が下がっていくにつれ、海苔の色の良好さが低減していく。ここでは、「優」は星型の点、「特上」は円形あるいは菱形の点、「特」は特定形状（次述）あるいは四角形状の点、「１等」は十字形状の点、「２等」は×印あるいは三角形状の点で示されている（図１２も参照）。当該特定形状は、十字と×印とが組み合わせられた形状（中心から８方向に伸びる線分で構成される形状）である。なお、図１２は、各等級のグラフ上での点形状（点種類）および正解スコア（正解ラベル）を示す図である。

【0088】

ここにおいて、海苔は、「色」によって等級分けされるとともに、別の観点（艶が無い、重さが規定外などの観点）でもクラス分けされる。具体的には、海苔は、「本等級」、「Ｂ等級」、...などの複数のクラスにも区分される。端的に言えば、「本等級」の海苔は、「色」以外の要素が良好な海苔である。一方、「Ｂ等級」の海苔は、（海苔の）細胞破裂などに起因してその表面に「艶が無い」ように見える海苔である。

【0089】

一般的には、海苔は、色による等級分けと別観点でのクラス分けとを組み合わせて、たとえば「Ｂ特」のように格付けされる。ここで、「Ｂ特」は、色に関する等級が「特」であり、別観点でのクラス（補助等級とも称する）が「Ｂ」であることを示している。なお、色に関する等級が「特」であり且つクラスが「本等級」である場合、（本来的には）「本特」（「特」と「本等級」の「本」との組み合わせ）と表現されてもよいが、（実際には）「本」（本等級）を省略して単に「特」とも表現される。

【0090】

図１２を除く、図１１、図１３、図１４などにおいては、単なる「特」は、「本等級」且つ「特」の海苔を示している。「特上」、「特」、「１等」、「２等」も同様に、「本等級」であることを示す「本」が省略されて示されている。一方、「Ｂ等級」であることは省略されずに（「Ｂ」を付して）、「Ｂ特上」、「Ｂ特」、「Ｂ２」のように示されている。なお、「特上」は円形の点で示されており、「Ｂ特上」は菱形の点で示されている。また、「特」は上記特定形状の点、「Ｂ特」は四角形状の点、「２等」は×印の点、「Ｂ２等」は三角形状の点でそれぞれ示されている（図１２も参照）。

【0091】

また、本願においては、「Ｂ特」のような、色による等級分けと別観点でのクラス分けとを組み合わせた格付け（等級）を「総合等級」とも称する。

【0092】

本願発明においては、「Ｂ等級」と「本等級」とを区別することに主眼を置くのではなく、「色」による等級分けに主眼を置く。後に詳述するように、基本的には、色に関する等級（「優」、「特上」、「特」、「１等」、「２等」など）（図１２参照）のみが「海苔の等級」として判定される。ただし、これに限定されず、たとえば、別観点でのクラス分けに関する情報（重さ情報等）にも基づいて、当該クラス分けにも基づく等級（総合等級）が「海苔の等級」として判定されてもよい。

【0093】

＜学習モデル＞
この実施形態では、学習モデル４００として、各画像（入力画像）の平均値ベクトルＶ（Ｙ，Ｃｂ，Ｃｒ）に関する第１主成分得点Ｐ１と第２主成分得点Ｐ２とを入力とし、海苔の等級に関するスコアＱを出力とするモデルが利用される。詳細には、輝度情報Ｅ１を示す第１主成分得点Ｐ１と、色情報Ｅ２を示す第２主成分得点Ｐ２とを２つの説明変数ｘ１，ｘ２として用い且つ海苔の等級を目的変数ｙとして用いる重回帰分析が行われる。より詳細には、２つの説明変数ｘ１，ｘ２の交互作用を考慮した一般化線形回帰モデル（交互作用線形回帰モデル）が学習モデル４００として利用される。換言すれば、説明変数ｘ１，ｘ２（ここではＰ１，Ｐ２）の交互作用項（両変数の積の項）をも考慮した交互作用線形分析（回帰分析）が実行される。たとえば、次式（１）で表現される目的変数ｙ（海苔の等級）を予測する回帰分析処理が行われる。目的変数ｙは、
ｙ＝ｂ１＊ｘ１＋ｂ２＊ｘ２＋ｃ＊（ｘ１＊ｘ２）＋ｄ ・・・（１）
で表現される。なお、値ｂ１，ｂ２，ｃ，ｄが、学習モデル４００の学習対象のパラメータである。後述するような学習処理によってこれらのパラメータｂ１，ｂ２，ｃ，ｄが最適化される。

【0094】

＜教師データ生成＞
次のステップＳ１３（図６）において、等級判定装置３０は、上述のような学習モデル４００を学習するための教師データを生成する。

【0095】

具体的には、等級判定装置３０は、各画像２１０について、当該各画像２１０の平均値ベクトルＶ（Ｙ，Ｃｂ，Ｃｒ）に関する第１主成分得点Ｐ１と第２主成分得点Ｐ２とを求める。具体的には、ステップＳ１２で求めた第１主成分および第２主成分と、各画像２１０（複数の学習用画像のそれぞれ）に関してステップＳ１１で求めた平均値ベクトルＶ（Ｙ，Ｃｂ，Ｃｒ）とに基づき、当該各画像２１０に関する第１主成分得点Ｐ１および第２主成分得点Ｐ２が算出される。詳細には、第１主成分得点Ｐ１は、平均値ベクトルＶと第１主成分ベクトルＶ１との内積として算出され、第２主成分得点Ｐ２は、平均値ベクトルＶと第２主成分ベクトルＶ２との内積として算出される。なお、各主成分得点Ｐ１，Ｐ２は、上述のようにセンタリングあるいは標準化等された値であってもよい。

【0096】

また、等級判定装置３０は、当該各画像２１０の被写体である海苔の等級（本等級）の正解ラベルを取得する。当該正解ラベルとしては、予め当該各画像に対して付された値（検査員による判定結果）が用いられればよい。海苔の等級（スコアＱ）の正解ラベルとしては、たとえば図１２のような数値が用いられればよい。具体的には、「優」に「－２」が、「特上」に「－１」が、「特」に「０」が、「１等」に「１」が、「２等」に「２」がそれぞれ割り当てられればよい。

【0097】

そして、これらの１組のデータ（第１主成分得点Ｐ１、第２主成分得点Ｐ２、および海苔の等級（スコアＱ）の正解ラベル）が（１組の）教師データとして生成される。

【0098】

さらに、このような教師データが複数（たとえば百個～数千個）の画像（海苔画像）２１０に対して生成されることによって、複数の教師データ（教師データ群）が生成される。

【0099】

なお、このようにして生成された教師データ群の一例が、図１１にてプロットされたデータ群である。

【0100】

＜１－６．学習処理＞
次に、教師データを用いた学習処理（ステップＳ２：フェーズＰＨ２）（図５）が実行される。

【0101】

具体的には、等級判定装置３０は、ステップＳ１で生成された複数の教師データを用いて、学習モデル４００（交互作用線形回帰モデル）を機械学習する。この学習処理によって上式（１）の値ｂ１，ｂ２，ｃ，ｄが最適化され、学習済みモデル４００（４２０）が生成される。換言すれば、学習済みモデル４２０は、各画像２１０の第１主成分得点Ｐ１および第２主成分得点Ｐ２と、当該各画像２１０における海苔の等級との関係を複数の教師データを用いて学習したモデルである。

【0102】

＜１－７．推論処理＞
次に、教師データを用いた推論処理（ステップＳ３：フェーズＰＨ３）（図５）について説明する。図７は、ステップＳ３における詳細な処理を示すフローチャートである。以下、図７を参照しつつステップＳ３の処理について説明する。

【0103】

ステップＳ３１においては、ステップＳ１１と同様の処理が推論対象画像２１０（２１２とも称する）に対して実行される。具体的には、等級判定装置３０は、推論対象画像２１２（詳細にはその色空間）をＲＧＢ色空間からＹＣｂＣｒ色空間へと変換するとともに、３要素Ｙ，Ｃｂ，Ｃｒの（推論対象画像２１２内での）各平均値Ｙave，Ｃｂave，Ｃｒaveを求める。

【0104】

ステップＳ３２において、等級判定装置３０は、推論対象画像２１２のＹＣｂＣｒ色空間における第１主成分得点Ｐ１と第２主成分得点Ｐ２とを取得（算出）する。このステップＳ３２（推論段階）では、学習段階（ステップＳ１２（図６））で得られた主成分分析結果（第１主成分（第１主成分ベクトルＶ１）および第２主成分（第２主成分ベクトルＶ２））が用いられる。具体的には、推論対象画像２１２の平均値ベクトルＶ（Ｙave，Ｃｂave，Ｃｒave）と当該第１主成分ベクトルＶ１との内積として、第１主成分得点Ｐ１が取得される。同様に、当該推論対象画像２１２の平均値ベクトルＶ（Ｙave，Ｃｂave，Ｃｒave）と当該第２主成分ベクトルＶ２との内積として、第２主成分得点Ｐ２が取得される。また、主成分得点Ｐｉ（ｉ＝１，２）は、学習段階までの処理時（詳細には教師データ生成時）と同様の変換（センタリングあるいは標準化等）が施された値であってもよい。ここでは、主成分得点Ｐｉは、複数の学習用データに関する（成分ごとの）平均値Ｆｉを用いてゼロの位置を移動した値（成分ごとに元の算出値から当該平均値Ｆｉを差し引いたセンタリング値）として算出されるものとする。

【0105】

ステップＳ３３においては、等級判定装置３０は、スコアＱ（海苔の等級に関する評価値）を取得する。スコアＱは、海苔の等級を判定（推定）するためのスコア（評価値）である。具体的には、等級判定装置３０は、推論対象画像２１２の輝度情報Ｅ１（第１主成分得点Ｐ１）と色情報Ｅ２（第２主成分得点Ｐ２）とを学習モデル４００（学習済みモデル４２０）に入力し、当該学習モデル４００（４２０）から出力（算出）されたスコアＱを取得する。当該スコアＱは、複数の教師データ（各画像の輝度情報Ｅ１と色情報Ｅ２と等級の正解データ（正解等級情報）とで構成される）に基づいて学習された学習モデル４２０からの出力値である。換言すれば、スコアＱは、輝度情報Ｅ１と色情報Ｅ２とを用いた交互作用線形分析の分析結果に基づいて取得される評価値である。

【0106】

そして、等級判定装置３０は、当該スコアＱに基づき、推論対象画像の海苔の等級を推定（判定）する。たとえば、等級判定装置３０は、スコアＱの小数点以下を四捨五入した値（図１２参照）を海苔の等級として判定する。スコアＱ＝「１．２」の海苔は「１等」であると判定され、スコアＱ＝「－０．３」の海苔は「特」（「０」に対応する階級）であると判定され、スコアＱ＝「－０．８」の海苔は「特上」（「－１」に対応する階級）であると判定される。

【0107】

図１３および図１４は、スコアＱに関する推定結果を示す図である。

【0108】

図１３は、学習モデル４００（学習済みの回帰モデル）４００による学習結果（回帰曲面）を図１１のグラフに重ねて示す図である。ただし、図示の都合上、曲線Ｕ１～Ｕ６が回帰曲面の等級線として描かれている。曲線Ｕ１～Ｕ６は、上式（１）のｙ（＝Ｑ）に－２．５から２．５までの１刻みの各値（６つの値（-2.5,-1.5,-0.5,+0.5,+1.5,+2.5））を代入して得られる、説明変数ｘ１，ｘ２（ここではＰ１，Ｐ２）の関係をそれぞれ示している。

【0109】

図１３においては、たとえば、ｙ＝－１．５のときの説明変数ｘ１，ｘ２の関係を示す曲線Ｕ２が描かれている。また、ｙ＝－０．５のときの説明変数ｘ１，ｘ２の関係を示す曲線Ｕ３も描かれている。さらに、ｙ＝＋０．５のときの説明変数ｘ１，ｘ２の関係を示す曲線Ｕ４、およびｙ＝＋１．５のときの説明変数ｘ１，ｘ２の関係を示す曲線Ｕ５なども描かれている。

【0110】

図１３において推論対象画像２１２に対応する座標（Ｐ１，Ｐ２）の点が曲線Ｕ２と曲線Ｕ３との間に存在する場合、当該点のスコアＱは－１．５から－０．５までの間の値（たとえば、－１．２、あるいは、－０．９など）として推定されることを示している。その場合、等級判定装置３０は、当該点のスコアＱ（たとえば－１．２）に基づき、推論対象画像の海苔の等級が「特上」（スコア「－１」相当）（図１２参照）であると推定（判定）する。

【0111】

図１３でも、図１１と同様に各点（に対応する各画像）の「等級の正解ラベル」（正解等級情報）が当該各点の形状で示されている。

【0112】

たとえば、図１３において、「特上」等級を示す形状（円形あるいは菱形）の点（すなわち、等級＝「特上」の正解ラベルを有する点）の多くが、曲線Ｕ２と曲線Ｕ３との間に存在する（等級が「特上」であると推定される）。このことは、等級判定装置３０による推論結果（推定結果）が一定程度正しいことを示している。

【0113】

また、図１３において、「１等」等級を示す形状（十字形状）の点（すなわち、等級＝「１等」の正解ラベルを有する点）が、曲線Ｕ４（Ｑ＝０．５）と曲線Ｕ５（Ｑ＝１．５）との間に存在する（等級が「１等」であると推定される）。このことは、等級判定装置３０による推論結果（推定結果）が一定程度正しいことを示している。

【0114】

図１４は、各サンプルの推定スコアＱを示す図である。図１４のグラフは、各画像２１０（サンプル画像）の主成分得点Ｐ１，Ｐ２を学習モデル４００（学習済みモデル４２０）に入力して出力されるスコアＱ（推論結果）を示している。

【0115】

図１４において、「特上」等級を示す形状（円形あるいは菱形）の各点（すなわち、等級＝「特上」の正解ラベルを有する点）のスコアＱが、（一部例外もあるものの）概ね、－１．５から－０．５までの範囲の値を有している。このことは、等級判定装置３０による推論結果が一定程度正しいことを示している。

【0116】

同様に、図１４において、「１等」等級を示す形状（十字形状）の各点（すなわち、等級＝「１等」の正解ラベルを有する点）のスコアＱが、概ね、＋０．５から＋１．５までの範囲の値を有している。このことは、等級判定装置３０による推論結果が一定程度正しいことを示している。

【0117】

＜１－８．実施形態の効果＞
以上のような処理によれば、等級判定装置３０は、等級判定対象の海苔の画像２１０の輝度情報Ｅ１（詳細には第１主成分得点Ｐ１）と当該画像２１０の「赤－青」方向の色特性を示す色情報Ｅ２（詳細には第２主成分得点Ｐ２）とに基づき、スコアＱ（海苔の等級を判定するためのスコア）を算出する。色情報Ｅ２を考慮したスコアＱを用いることによれば、省人化を図りつつ海苔の等級を適切に判定することが可能である。ひいては、海苔の等級をより適切に自動判定すること（換言すれば、より適切な等級分け（より詳細には、人間による感覚に近い等級分け）を実現すること）が可能である。

【0118】

また、等級判定装置３０は、学習モデル４００を複数の教師データを用いて学習する。学習モデル４００は、海苔の画像（学習用の入力画像）２１０の輝度情報Ｅ１（詳細には第１主成分得点Ｐ１）と当該画像２１０の「赤－青」方向に関する色情報Ｅ２（詳細には第２主成分得点Ｐ２）とを入力とし、海苔の等級に関するスコアを出力とするモデルである。各教師データは、海苔の等級に関する正解データを含んで構成される。このようなモデルを機械学習によって生成しておくことによれば、当該モデルから出力されるスコアＱに基づく適切な等級分けを実現することが可能である。

【0119】

特に、画像２１０の画素値情報の元の３要素（具体的には、ＲＧＢ色空間におけるＲ値，Ｇ値，Ｂ値）を集約した２要素（具体的には、輝度情報Ｅ１，色情報Ｅ２）が入力として用いられている。これによれば、次元圧縮により、スコアＱを推定するモデルを効率的に学習することが可能である。また、当該２要素のうち一の要素として輝度Ｙ（輝度情報）を用い且つ他の要素として「赤－青」方向Ｄ１に関する色情報Ｅ２を用いることによれば、海苔画像における海苔固有の特性（特に色特性）を的確に反映したモデルを生成することが可能である。ひいては、当該スコアＱに基づき海苔の等級をより適切に判定することが可能である。

【0120】

また、上記実施形態においては、２つの主成分得点Ｐ１，Ｐ２（換言すれば、輝度情報Ｅ１および色情報Ｅ２）の交互作用が考慮されている。したがって、（交互作用を考慮しない）単なる線形回帰処理よりも適切な回帰処理が実現されており、適切な学習モデル４００が生成されている。それ故、より適切な推定処理を行うことが可能である。たとえば、図１３に示される等級線は、直線ではなく曲線である。より詳細には、輝度が大きくなるにつれて隣接曲線との距離が大きくなる曲線である。したがって、輝度が大きくなるほど色の差が出易い、という特徴に応じた推定処理が実現されている。

【0121】

また、上述のような搬送装置１０および撮影装置２０（図２および図３参照）を用いることによれば、推論対象の画像２１２（および学習用の画像２１０）を自動的に且つ連続的に生成することが可能である。ひいては、複数の海苔９１の等級判定を自動的に且つ連続的に実行することが可能である。

【0122】

＜２．第２実施形態＞
第２実施形態は、第１実施形態の変形例である。以下では、第１実施形態との相違点を中心に説明する。

【0123】

第２実施形態では、画像の合焦度合いに関する指標値にも基づいてスコア（詳細には改良スコア）が算出され、当該スコアに基づき海苔の等級が判定される態様について説明する。

【0124】

ここにおいて、海苔は、「うねり」を有している。それ故、ラインセンサカメラ２２から被写体（海苔）までの距離にばらつきが発生し、複数の海苔画像２１０には合焦度合いに関する「ばらつき」が存在する。

【0125】

本願発明者は、このような合焦度合いのばらつき等によってスコアＱが影響を受けること（詳細には、その合焦度合いが良い画像はそのスコアＱが高くなること）を上記実験結果に対する考察を通じて知得した。

【0126】

たとえば、図１４に示されるように、「２等」（詳細には「本等級」且つ「２等」（×印参照））の海苔の画像２１０（図１５の画像２１０ｄ等参照）のスコアＱの多くは、「２」～「２．５」の近傍に集中している（図１４にてＱ＝２近傍の×印参照）。一方、図１５の画像２１０ｃも、「２等」の海苔の画像である。それにも関わらず、当該画像２１０ｃのスコアＱとして、他の画像２１０ｄのスコアよりも良好なスコア（「１」に近い値）が算出されている（図１４にて、「１」近傍のスコアＱを有する画像２１０ｃを示す×印参照）。それ故、実際には「２等」の画像２１０ｃに対して誤った等級（「１等」）が推定される恐れがある。なお、画像２１０ｃは、本来の値から離れた（良好過ぎる）スコアＱ（「１」に近い値）を有する画像である、とも表現される。

【0127】

図１５は、これら２つの画像２１０ｃ，２１０ｄを比較する図である。図１５において各段の右側には画像２１０ｄに関する情報が示されており、当該各段の左側には画像２１０ｃ（画像２１０ｄよりも良好なスコアＱ（「１」に近い値）を有する画像）に関する情報が示されている。図１５の最上段には、両画像２１０ｃ，２１０ｄが示されており、中段には当該両画像２１０ｃ，２１０ｄの一部を拡大した画像が示されており、最下段には、両画像２１０ｃ，２１０ｄのパワースペクトル画像が示されている。

【0128】

図１５の中段において両画像２１０ｃ，２１０ｄの拡大図同士を比較すると判るように、左側の画像２１０ｃは右側の画像２１０ｄよりも高い合焦度合いを有している。比較的高い合焦度合いを有する画像２１０ｃにおいては色差が出やすく（その結果として）スコアＱが比較的高くなった、と推察される。なお、「２」～「２．５」の近傍のスコアＱを有する他の画像２１０も、画像２１０ｄと同様の合焦度合い（比較的低い合焦度合い）を有している。

【0129】

そこで、この第２実施形態においては、等級判定装置３０は、各画像の合焦度合いに関する指標値にも基づいて海苔の等級を判定する。具体的には、等級判定装置３０は、第１実施形態で説明した学習モデル４００に加えて別の学習モデル４５０（図１６参照）をも用いて、改良されたスコア（改良スコアとも称する）Ｑ２を取得し、当該改良スコアＱ２に基づき海苔の等級を判定する。すなわち、２段階の学習モデルを用いて、海苔の等級が判定される。なお、学習モデル４００を第１学習モデルとも称し、学習モデル４５０を第２学習モデルとも称する。

【0130】

図１６は、第２実施形態に係る学習モデル５００（２段階の学習モデル）を示す図である。学習モデル５００は、第１実施形態と同様の学習モデル４００の後段に別の学習モデル４５０が更に接続された構成を有している。

【0131】

学習モデル４５０は、入力画像２１０に関して学習モデル４００から出力されるスコアＱ（Ｑ１とも称する）と、当該入力画像２１０の合焦度合いに関する指標値Ｐ５とを入力とし、海苔の等級に関する改良スコアＱ２を出力とするモデルである。

【0132】

ここでは、画像２１０の合焦度合いに関する指標値Ｐ５として、パワースペクトル画像における低周波成分と高周波成分との比（次述）が用いられる。

【0133】

パワースペクトル画像（図１５の最下段参照）は、画像２１０に対する２次元フーリエ変換によって得られた空間周波数成分を濃淡画像（明度画像）として表現した画像である。中央に近い部分は低周波成分に対応し、中央から離れるにつれて高い周波数成分に対応する。各位置の画素値は、当該各位置での周波数成分の成分値（パワースペクトル）が大きいほど明るい色で表現される。なお、パワースペクトル画像の生成にあたっては、２次元フーリエ解析を行うために２のべき乗の画素数を有する画像、具体的には、画像２１０の一部の領域（たとえば、中央付近の２０４８画素×２０４８画素）の画像が用いられればよい。

【0134】

その合焦度合いが比較的高い自然画像（海苔画像を含む）に関しては、高周波成分が多く含まれ、比較的高い周波数までの広い範囲（周波数領域）に亘って周波数成分が分散している。具体的には、図１５の最下段左側に示されるように、高い合焦度合いを有する画像２１０ｃのパワースペクトル画像では、一定の周波数（図１５の最下段にて円で示される）よりも高い周波数の成分が比較的多い。詳細には、当該パワースペクトル画像にて明るい画素が円の外側にまで分散して分布している（すなわち、高周波成分が広範囲に亘って分散している）。逆に、低い合焦度合いを有する画像２１０ｄのパワースペクトル画像（図１５の最下段右側の画像）では、当該一定の周波数よりも低い周波数領域に、明るい画素が比較的集中する。詳細には、明るい画素が円の内側の部分に比較的集中して分布している。

【0135】

そこで、この第２実施形態では、合焦度合いを示す指標値Ｐ５として、高周波成分と低周波成分との大小関係を示す値を採用する。指標値Ｐ５は、たとえば、高周波成分量（高周波成分の量）を低周波成分量（低周波成分の量）で除した値（Ｐ５＝高周波成分量／低周波成分量）である。詳細には、高周波領域（一定の周波数よりも高い周波数の領域）のパワースペクトルの積算値（総和）を、低周波領域（当該一定の周波数よりも低い周波数の領域）のパワースペクトルの積算値で除した値（両積算値の比）が、指標値Ｐ５として用いられる。あるいは、高周波領域の振幅スペクトル（パワースペクトルの平方根）の積算値を低周波領域の振幅スペクトルの積算値で除した値が、指標値Ｐ５として用いられてもよい。ここでは、後者の値（高周波領域の振幅スペクトルの積算値を低周波領域の振幅スペクトルの積算値で除した値）を、指標値Ｐ５として用いる。

【0136】

第２実施形態では、学習モデルの学習段階において、第１実施形態と同様にして学習モデル４００が学習された後、学習モデル４５０が更に学習される。具体的には、各画像２１０に関して学習モデル４００（４２０）から出力されるスコアＱ（Ｑ１）と、当該各画像２１０の合焦度合いに関する指標値Ｐ５と、海苔の等級に関する正解ラベルとで構成される教師データ（学習モデル４５０の学習用の教師データ）が用いられる。複数の教師データを用いて学習モデル４５０に対する機械学習が行われる。

【0137】

具体的には、等級判定装置３０は、スコアＱ１と指標値Ｐ５とを２つの説明変数として用い且つ海苔の等級に関するスコアＱ２（改良スコアとも称する））を目的変数として用いる重回帰分析を行う。より詳細には、等級判定装置３０は、２つの説明変数の交互作用を考慮した一般化線形回帰モデル（交互作用線形回帰モデル）を学習モデル４５０として利用する。この機械学習（回帰分析）によって、学習モデル４５０の学習対象パラメータが最適化され、学習済みの学習モデル４５０（学習済みモデル４７０とも称する）が生成される。

【0138】

その後、推論段階において、等級判定装置３０は、推論対象の画像２１２に関して学習モデル４００（４２０）から出力されたスコアＱ１と当該画像２１２の合焦度合いに関する指標値Ｐ５とを学習モデル４５０（４７０）に入力する。等級判定装置３０は、当該学習モデル４５０（学習済みモデル４７０）から出力（算出）される改良スコアＱ２を取得する。そして、等級判定装置３０は、当該改良スコアＱ２に基づいて海苔の等級を判定する。

【0139】

図１７は、複数（ここでは１２０枚）の画像について各画像２１０のスコアＱ１と合焦度合いに関する指標値Ｐ５との組み合わせをグラフ上にプロットした図である。当該グラフにおいて、横軸は、各画像２１０に関して学習モデル４００から出力されたスコアＱ１を示しており、縦軸は、各画像２１０に関する指標値Ｐ５を示している。

【0140】

図１７において、「２等」の複数の画像（×印参照）のうち、画像２１０ｃの指標値Ｐ５が（「５．５」近傍の値を有しており）突出していることが判る。

【0141】

図１８および図１９は、スコアＱ２に関する推定結果を示す図である。

【0142】

図１８は、学習モデル４５０（学習済みの回帰モデル）による学習結果（回帰曲面）を図１７のグラフに重ねて示す図である。ただし、図示の都合上、曲線Ｕ２１～Ｕ２６が回帰曲面の等級線として描かれている。曲線Ｕ２１～Ｕ２６は、目的変数に－２．５から２．５までの１刻みの各値を代入して得られる、２つの説明変数Ｑ１，Ｐ５の関係をそれぞれ示している。

【0143】

図１８に示されるように、「特上」等級を示す形状（円形あるいは菱形）の点（すなわち、等級＝「特上」の正解ラベルを有する点）の多くが、曲線Ｕ２２（Ｑ２＝－１．５）と曲線Ｕ２３（Ｑ２＝－０．５）との間に存在する（等級が「特上」であると推定される）。このことは、等級判定装置３０による推論結果が一定程度正しいことを示している。

【0144】

また、図１８に示されるように、「２等」等級（詳細には「２等」且つ「本等級」）を示す形状（×印）の点のうち画像２１０ｃに対応する点が、曲線Ｕ２５と曲線Ｕ２６との間に存在する（等級が「２等」であると推定される）。このことは、等級判定装置３０による推論結果が一定程度正しいことを示している。

【0145】

図１９は、各サンプルの改良スコアＱ２を示す図である。図１９のグラフは、各画像（サンプル画像）に関するスコアＱ１と指標値Ｐ５とを学習モデル４５０（学習済みモデル４７０）に入力して出力される改良スコアＱ２（推論結果）を示している。

【0146】

図１９において、「２等」等級を示す形状（×印あるいは三角）の各点（すなわち、等級＝「２等」の正解ラベルを有する点）のスコアＱが、（一部例外もあるものの）概ね、＋１．５から＋２．５までの範囲の値を有している。このことは、等級判定装置３０による推論結果が一定程度正しいことを示している。

【0147】

特に、図１４と図１９とを比較すると判るように、画像２１０ｃは、図１４では「１」（Ｑ＝Ｑ１＝１）に近い位置にプロットされているのに対して、図１９では「２」（Ｑ２＝２）に近い位置にプロットされている。すなわち、学習モデルによる推定結果（出力スコア）が改善されていることが判る。

【0148】

このように、画像の合焦度合いに関する指標値にも基づいて海苔の等級を判定することによれば、スコアＱ（詳細にはＱ２）の精度を向上させることが可能である。ひいては、海苔の等級をさらに適切に判定することが可能である。

【0149】

なお、第２実施形態では、合焦度合いを示す指標値Ｐ５として、パワースペクトル画像における低周波成分と高周波成分との比が用いられているが、これに限定されない。たとえば、合焦度合いを示す指標値Ｐ５として、エッジ量などの他の指標値が用いられてもよい。

【0150】

＜３．変形例等＞
以上、この発明の実施の形態について説明したが、この発明は上記説明した内容のものに限定されるものではない。

【0151】

＜色空間および色情報＞
たとえば、上記各実施形態等においては、ＹＣｂＣｒ空間において主成分分析が行われて第１主成分と第２主成分との２つの主成分（２要素）が求められている。しかしながら、これに限定されず、他の色空間（たとえば、ＹＣｂＣｒ色空間、ＹＰｂＰｒ色空間、ＹＵＶ色空間、Ｌａｂ色空間、ＲＧＢ色空間、あるいはＨＳＶ色空間）において主成分分析が行われて第１主成分と第２主成分との２つの主成分（２要素）が求められてもよい。そして、これらの主成分（２要素）に関する情報に基づいてスコアＱが求められてもよい。なお、Ｌａｂ色空間は、厳密には、各文字Ｌ，ａ，ｂのそれぞれに＊を付して示される色空間であるが、ここでは、単にＬａｂ色空間と表記する。

【0152】

実際に上記第１実施形態と同様の画像データに関してＲＧＢ色空間における主成分分析を行ったところ、第１主成分ベクトルＶ１＝（Ｒ，Ｇ，Ｂ）＝（０．５９，０．５５，０．５７）、且つ、第２主成分ベクトルＶ２＝（Ｒ，Ｇ，Ｂ）＝（０．７６，－０．１６，－０．６２）、との分析結果が得られた。

【0153】

この第１主成分ベクトルＶ１は、図２０のベクトルＶ１５（＝（１，１，１））（図２０の立方体の一番奥から一番手前の頂点へと向かうベクトル）に近い方向を有するベクトルであり、輝度Ｙ（の方向）を表している。なお、図２０は、ＲＧＢ色空間を立方体で模式的に表現する概念図であり、各値Ｒ，Ｇ，Ｂは、それぞれ、０～１の範囲の値となるように正規化されている。

【0154】

また、この第２主成分ベクトルＶ２は、図２０のベクトルＶ２５（＝（１，０，－１））に近い方向を有するベクトルである。ベクトルＶ２５は、図２０の立方体のＲＢ平面における対角線の方向（赤色と青色とを繋ぐ方向）を示すベクトルである。それ故、ベクトルＶ２５に近い方向を有する第２主成分ベクトルＶ２は、ＲＧＢ色空間において赤色と青色とを繋ぐ方向に関する色情報Ｅ２であると表現できる。当該第２主成分ベクトルＶ２等は、ＲＧＢ色空間にて赤色から青色へと向かう向き或いはその逆向きに関する色情報、「赤味または青味」の帯び具合を示す色情報、あるいは、「赤－青」方向に関する色情報であるとも表現できる。

【0155】

また、同様にＬａｂ色空間における主成分分析を行ったところ、第１主成分ベクトルＶ１＝（Ｌ，ａ，ｂ）＝（０．９９，０．０６，－０．０２）、且つ、第２主成分ベクトルＶ２＝（Ｌ，ａ，ｂ）＝（－０．０１，０．５８，０．８０）、との分析結果が得られた。この第１主成分ベクトルＶ１は、ベクトルＶ１６（＝（１，０，０））に近い方向を有するベクトルであり、明度Ｌ（輝度Ｙ）の方向を表している。また、この第２主成分ベクトルＶ２は、ベクトルＶ２６（＝ｋ４＊（０，０．６，０．８））に近いベクトルである。ベクトルＶ２６に近い方向を有する第２主成分ベクトルＶ２は、図２１にも示されるように、Ｌａｂ色空間において赤色と青色とを繋ぐ方向に関する色情報Ｅ２である、と表現できる。また、当該第２主成分ベクトルＶ２等は、Ｌａｂ色空間にて赤色から青色へと向かう向き或いはその逆向きに関する色情報、「赤味または青味」の帯び具合を示す色情報、あるいは、「赤－青」方向に関する色情報であるとも表現できる。なお、ｋ４は、主成分ベクトルの大きさを正規化するための係数であり、図２１は、Ｌａｂ色空間を模式的に表現する概念図である。各値Ｌ，ａ，ｂは、それぞれ、０～１の範囲の値となるように正規化されている。

【0156】

なお、上記各実施形態等においては、ＲＧＢ色空間からＹＣｂＣｒ色空間への変換が行われ、ＹＣｂＣｒ色空間にて主成分分析等が行われているが、これに限定されない。たとえば、ＲＧＢ色空間からＹＣｂＣｒ色空間への変換が行われることなくＲＧＢ色空間にて主成分分析等が行われてもよい。

【0157】

また、上述のように、色空間としては、ＹＣｂＣｒ色空間、ＲＧＢ色空間、Ｌａｂ色空間、あるいはＨＳＶ色空間等を用いることが可能である。ただし、第２主成分までの累積寄与率、および学習後の推論モデルによる推論結果の精度を考慮すると、海苔の画像に関しては、各種の色空間のうち、ＹＣｂＣｒ色空間（あるいは、ＹＵＶ色空間、ＹＰｂＰｒ色空間）を用いることが最も好ましい。また、次にＲＧＢ色空間が好ましく、その次にＬａｂ色空間が好ましい。

【0158】

第２主成分までの累積寄与率は、ＹＣｂＣｒ色空間を用いた場合、他のＲＧＢ色空間、Ｌａｂ色空間、あるいはＨＳＶ色空間を用いた場合よりも大きい。そして、当該ＹＣｂＣｒ色空間における色情報Ｅ２と輝度情報Ｅ１とを用いることによれば、より適切なモデルを構築すること、ひいては、より適切な推論結果（海苔の等級の判定結果）を得ることが可能である。

【0159】

また、色情報Ｅ２としては、各色空間（ＹＣｂＣｒ色空間、ＲＧＢ色空間、あるいはＬａｂ色空間等）にて赤色と青色とを繋ぐ方向Ｄ１に関する色情報が用いられればよい。この方向Ｄ１は、各色空間における第２主成分ベクトルＶ２の方向に一致していることが最も好ましいが、これに限定されない。方向Ｄ１は、各色空間における第２主成分ベクトルＶ２の方向から一定程度（たとえば、２０度～４０度）ずれている方向でもよく、色空間にて赤色と青色とを繋ぐ方向等であればよい。

【0160】

＜主成分分析＞
また、上記各実施形態等において、等級判定装置３０は、教師データ群が変わるごとに主成分分析を行うことを要しない。一旦、或る教師データ群を用いて決定された第１主成分および第２主成分は、他の教師データ群を用いて実行される学習処理に用いられてもよい。

【0161】

また、上記各実施形態等においては、等級判定装置３０は、主成分分析を行い当該主成分分析による第１主成分および第２主成分に関する情報に基づいてスコアを求めているが、これに限定されない。

【0162】

たとえば、等級判定装置３０は、主成分分析を行わずに輝度情報Ｅ１と色情報Ｅ２とに基づいてスコアＱを求めてもよい。等級判定装置３０は、主成分分析を行わずに、輝度Ｙ自体をそのまま輝度情報Ｅ１として利用するとともに、主成分分析を行わずに得られる色情報Ｅ２を利用してもよい。具体的には、上記各実験にて得られた上述の第２主成分ベクトルＶ２自体が採用され、当該第２主成分ベクトルＶ２とデータベクトルＶとの内積が「赤－青」方向に関する色情報Ｅ２として利用されてもよい。あるいは、「赤－青」方向に関する色情報Ｅ２として、上記各実験にて得られた上述の第２主成分ベクトルＶ２に近い方向を有する所定のベクトルとデータベクトルＶとの内積が利用されてもよい。当該所定のベクトルは、たとえば、ＹＣｂＣｒ色空間における（Ｙ，Ｃｂ，Ｃｒ）＝（０，－０．７，＋０，７）などの近傍ベクトルである。

【0163】

＜学習モデル＞
上記第２実施形態においては、２段階の学習モデルが用いられているが、これに限定されず、たとえば、１段階の学習モデルが用いられても良い。より具体的には、輝度情報Ｅ１と色情報Ｅ２とに加えて合焦度合いに関する指標値Ｐ５をも入力とし、海苔の等級に関するスコアを出力とする、１段階の学習モデル等が用いられてもよい。

【0164】

また、上記各実施形態等においては、学習モデルとして重回帰分析モデルが用いられているが、これに限定されない。たとえば、複数の層で構成されるニューラルネットワークモデルが学習モデルとして用いられてもよい。機械学習によって、ニューラルネットワークモデルにおける複数の層（特に複数の中間層）におけるパラメータ（学習パラメータ）等が調整されればよい。

【0165】

また、上記各実施形態等においては、学習モデルとして回帰モデルが用いられているが、これに限定されず、分類モデルが用いられてもよい。

【0166】

＜その他＞
また、上記各実施形態等においては、スコアＱに基づいて等級判定装置（情報処理装置）３０が海苔の等級を判定しているが、これに限定されない。たとえば、スコアＱを出力する情報処理装置３０とは別に設けられた装置が、スコアＱ（および他の要素）に基づいて海苔の等級（詳細には「色に関する等級」あるいは「総合等級」等）を判定してもよい。あるいは、等級判定装置３０がスコアＱを表示部３５ｂに表示する（あるいは通信部３４を用いて他の表示装置に表示させる）などしてスコアＱを人間（検査員等）に提示（報知）し、当該人間がスコアＱに基づいて海苔の等級を（最終的に）判定してもよい。あるいは、提示されたスコアＱおよび他の要素（海苔の重量等）に基づいて、当該人間が海苔の等級（特に「総合等級」等）を判定してもよい。

【符号の説明】

【0167】

１ 等級判定システム
１０ 搬送装置
１１ ベルトコンベヤ
２０ 撮影装置
２１ 光源
２２ ラインセンサカメラ
２３ 海苔検出センサ
３０ 等級判定装置
９１ 海苔
２００，２１０，２１２ 画像
４００，４２０，４５０，４７０，５００ 学習モデル
Ｄ１ 方向
Ｅ１ 輝度情報
Ｅ２ 色情報
Ｐ１，Ｐ２ 主成分得点
Ｐ５ 指標値
Ｑ，Ｑ１，Ｑ２ スコア
Ｖ１，Ｖ２ 主成分ベクトル

【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】