知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-05-14
(45)【発行日】2024-05-22
(54)【発明の名称】非破壊食品検出装置
(51)【国際特許分類】
G01N 22/02 20060101AFI20240515BHJP
G06N 3/02 20060101ALI20240515BHJP
G01S 13/06 20060101ALI20240515BHJP
【ＦＩ】
G01N22/02 Z
G06N3/02
G01S13/06
【請求項の数】
3
(21)【出願番号】P 2019237375
(22)【出願日】2019-12-26
(65)【公開番号】P2021105575
(43)【公開日】2021-07-26
【審査請求日】2022-12-23
(73)【特許権者】
【識別番号】301021533
【氏名又は名称】国立研究開発法人産業技術総合研究所
(74)【代理人】
【識別番号】100165157
【弁理士】
【氏名又は名称】芝 哲央
(74)【代理人】
【識別番号】100126000
【弁理士】
【氏名又は名称】岩池 満
(72)【発明者】
【氏名】荻野 武
(72)【発明者】
【氏名】戸田 慎
(72)【発明者】
【氏名】堀部 雅弘
(72)【発明者】
【氏名】昆 盛太郎
【審査官】比嘉 翔一
(56)【参考文献】
【文献】特開２００８－１６４５９４（ＪＰ，Ａ）
【文献】国際公開第２０１８／１６８４９９（ＷＯ，Ａ１）
【文献】非ＡＩ企業キューピーにおけるＡＩによるイノベーション －ＡＩ原料検査装置等－，食品と開発，2019年07月01日，Ｖｏｌ．５４，Ｎ０．７，Ｐ．１０－１２
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｂ、Ｇ０１Ｃ，Ｇ０１Ｄ、Ｇ０１Ｆ、Ｇ０１Ｇ、Ｇ０１Ｈ、Ｇ０１Ｊ、Ｇ０１Ｋ、Ｇ０１Ｌ、Ｇ０１Ｍ、Ｇ０１Ｎ、Ｇ０１Ｐ、Ｇ０１Ｑ、Ｇ０１Ｒ、Ｇ０１Ｓ、Ｇ０１Ｔ、Ｇ０１Ｖ、Ｇ０１Ｗ
ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）
(57)【特許請求の範囲】
【請求項1】
搬送部に取り付けて搬送部で搬送される食品を検出する非破壊食品検出装置において、前記非破壊食品検出装置が食品を搬送する搬送部、検出部、情報処理部、検知出力部を備え、
前記検出部は、高周波信号を発生させる高周波信号発生器、前記食品が近傍を通過するよう配設され、前記高周波信号が伝送され、周囲の空間にマイクロ波帯の電磁界を発生する伝送線路、前記高周波信号発生器が発生させた高周波信号および前記伝送線路を通過した高周波信号を受信して検出信号を出力する高周波信号測定器を備え、前記検出信号を前記情報処理部に送信し、
前記検出信号は、周波数ごとの振幅、振幅実数部、振幅虚数部、または位相角度の少なくともいずれか一つを含み、
前記情報処理部は、前処理手段と、次元圧縮手段と次元復元手段とを備えた食品検出ニューラルネットワークと、比較手段とを含み、
前記前処理手段は、前記検出信号を周波数を第１の軸、検出時刻または検出位置を第２の軸、前記検出信号の生パラメータまたは前記生パラメータを加工したパラメータを第３の軸とした三次元配列に前処理し、
食品学習段階で、前記三次元配列を前記次元圧縮手段に入力したときの前記次元復元手段からの出力である学習時復元配列と、前記三次元配列との差が最小となるよう、前記食品検出ニューラルネットワークを学習して学習済み食品検出ニューラルネットワークを得、
食品検出段階で、前記三次元配列を前記学習済み食品検出ニューラルネットワークに入力したときの出力である検出時復元配列を出力し、
前記比較手段は、前記三次元配列と前記検出時復元配列との差分を検出し、前記差分が、予め設定していた許容限界より大きい場合に、前記検知出力部に信号を送信する、
非破壊食品検出装置。
【請求項2】
前記比較手段が、前記差分を入力する識別ニューラルネットワークをさらに備える請求項１に記載の非破壊食品検出装置。
【請求項3】
前記学習済み食品検出ニューラルネットワークの学習済み次元圧縮手段からの出力である検出時圧縮配列を前記識別ニューラルネットワークに入力する請求項２に記載の非破壊食品検出装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、電磁波を用いた非破壊食品検出装置に関する。
【背景技術】
【0002】
＜背景技術の説明－１＞
食品の製造時、食品中に混入する異物を検出して排除できるよう、従来から可視光・紫外光・赤外光をはじめ、Ｘ線や電波など種々の電磁波を用いた検出方法が実用化されている。例えば、特許文献１には、伝送線路に高周波信号を伝送させて、検出対象がある位置に電磁界を発生させ、検出対象の存在時に特有の高周波信号から計算した二次元勾配を基に、検出対象に異物が混入しているか否かを判定する非破壊検出装置が記載されている。
食品の製造時、食品中に混入する異物を検出して排除できるよう、従来から可視光・紫外光・赤外光をはじめ、Ｘ線や電波など種々の電磁波を用いた検出方法が実用化されている。例えば、特許文献１には、伝送線路に高周波信号を伝送させて、検出対象がある位置に電磁界を発生させ、検出対象の存在時に特有の高周波信号から計算した二次元勾配を基に、検出対象に異物が混入しているか否かを判定する非破壊検出装置が記載されている。
【0003】
＜背景技術の説明－２＞
また、別の電磁波を用いた検出装置が知られている（特許文献２参照）。特許文献２には、０．１ＴＨｚ乃至１０ＴＨｚの周波数から選択される電磁波を対象物に照射し、透過又は反射した電磁波と照射した電磁波との情報から、対象物の周波数依存性を直線近似したときの直線の傾きを得て、基準状態の対象物からの直線の傾きからの変化から、対象物の変化の度合いを検出する検出装置が記載されている。
また、別の電磁波を用いた検出装置が知られている（特許文献２参照）。特許文献２には、０．１ＴＨｚ乃至１０ＴＨｚの周波数から選択される電磁波を対象物に照射し、透過又は反射した電磁波と照射した電磁波との情報から、対象物の周波数依存性を直線近似したときの直線の傾きを得て、基準状態の対象物からの直線の傾きからの変化から、対象物の変化の度合いを検出する検出装置が記載されている。
【0004】
＜要望される技術＞
しかしながら、これらの電磁波（電波）を用いた非破壊検出装置は、結局のところ勾配や傾きといった一次元情報からしか情報が得られず、物体が何で、どの程度の量、どの程度の大きさかといった、本来有していると期待される多次元的情報を有していないという問題があり、これらの問題を解決する技術が要望されている。
しかしながら、これらの電磁波（電波）を用いた非破壊検出装置は、結局のところ勾配や傾きといった一次元情報からしか情報が得られず、物体が何で、どの程度の量、どの程度の大きさかといった、本来有していると期待される多次元的情報を有していないという問題があり、これらの問題を解決する技術が要望されている。
【先行技術文献】
【特許文献】
【0005】
【文献】国際公開第２０１８／１６８４９９号公報
【文献】特開２００８－１６４５９４号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
＜背景技術の課題＞
そこで、本発明は、このような事情に鑑みてなされたものであり、その目的は、電波を用いた多元的情報から学習済みの食品が搬送されてきたことを検出できる非破壊食品検出装置を提供することにある。
そこで、本発明は、このような事情に鑑みてなされたものであり、その目的は、電波を用いた多元的情報から学習済みの食品が搬送されてきたことを検出できる非破壊食品検出装置を提供することにある。
【課題を解決するための手段】
【0007】
＜請求項の内容＞
このような目的を達成するため、本発明は、以下の構成によって把握される。
（１）本発明の実施形態は、搬送部に取り付けて搬送部で搬送される食品を検出する非破壊食品検出装置において、前記非破壊食品検出装置が検出部、情報処理部、検知出力部を備え、前記検出部は、高周波信号発生器、伝送線路、高周波信号測定器を備え、検出信号を前記情報処理部に送信し、前記検出信号は、周波数ごとの振幅、振幅実数部、振幅虚数部、または位相角度の少なくともいずれか一つを含み、前記情報処理部は、前処理手段と、次元圧縮手段と次元復元手段とを備えた食品検出ニューラルネットワークと、比較手段とを含み、前記前処理手段は、前記検出信号を三次元配列に前処理し、食品学習段階で、前記三次元配列を前記次元圧縮手段に入力したときの前記次元復元手段からの出力である学習時復元配列と、前記三次元配列との差が最小となるよう、前記食品検出ニューラルネットワークを学習して学習済み食品検出ニューラルネットワークを得る非破壊食品検出装置である。
（２）また本発明の実施形態に係る非破壊食品検出装置は、食品検出段階で、前記三次元配列を前記学習済み食品検出ニューラルネットワークに入力したときの出力である検出時復元配列を出力し、前記比較手段は、前記三次元配列と前記検出時復元配列との差分を検出し、前記差分が、予め設定していた許容限界より大きい場合に、前記検知出力部に信号を送信する。
（３）また本発明の実施形態に係る非破壊食品検出装置は、前記比較手段が、前記差分を入力する識別ニューラルネットワークをさらに備える。
（４）また本発明の実施形態に係る非破壊食品検出装置は、前記学習済み食品検出ニューラルネットワークの学習済み次元圧縮手段からの出力である検出時圧縮配列を前記識別ニューラルネットワークに入力する。
このような目的を達成するため、本発明は、以下の構成によって把握される。
（１）本発明の実施形態は、搬送部に取り付けて搬送部で搬送される食品を検出する非破壊食品検出装置において、前記非破壊食品検出装置が検出部、情報処理部、検知出力部を備え、前記検出部は、高周波信号発生器、伝送線路、高周波信号測定器を備え、検出信号を前記情報処理部に送信し、前記検出信号は、周波数ごとの振幅、振幅実数部、振幅虚数部、または位相角度の少なくともいずれか一つを含み、前記情報処理部は、前処理手段と、次元圧縮手段と次元復元手段とを備えた食品検出ニューラルネットワークと、比較手段とを含み、前記前処理手段は、前記検出信号を三次元配列に前処理し、食品学習段階で、前記三次元配列を前記次元圧縮手段に入力したときの前記次元復元手段からの出力である学習時復元配列と、前記三次元配列との差が最小となるよう、前記食品検出ニューラルネットワークを学習して学習済み食品検出ニューラルネットワークを得る非破壊食品検出装置である。
（２）また本発明の実施形態に係る非破壊食品検出装置は、食品検出段階で、前記三次元配列を前記学習済み食品検出ニューラルネットワークに入力したときの出力である検出時復元配列を出力し、前記比較手段は、前記三次元配列と前記検出時復元配列との差分を検出し、前記差分が、予め設定していた許容限界より大きい場合に、前記検知出力部に信号を送信する。
（３）また本発明の実施形態に係る非破壊食品検出装置は、前記比較手段が、前記差分を入力する識別ニューラルネットワークをさらに備える。
（４）また本発明の実施形態に係る非破壊食品検出装置は、前記学習済み食品検出ニューラルネットワークの学習済み次元圧縮手段からの出力である検出時圧縮配列を前記識別ニューラルネットワークに入力する。
【発明の効果】
【0008】
本発明によれば、電波を用いた多元的情報から学習済みの食品が搬送されてきたことを検出できる非破壊食品検出装置を提供することができる。
【図面の簡単な説明】
【0009】
【図1】本発明の実施形態に係るブロック図である。
【図2】本発明の実施形態に係る動作説明用フローチャート図である。
【図3】本発明の実施形態に係る非破壊食品検出装置の波長特性の例を示すモデル図である。
【図4】本発明の実施形態に係る非破壊食品検出装置の三次元配列を示すモデル図である。
【図5】本発明の実施形態に係る非破壊食品検出装置の食品検出ニューラルネットワークを示すモデル図である。
【図6】本発明の実施形態に係る変形例１のブロック図である。
【図7】本発明の実施形態に係る変形例１の動作説明用フローチャート図である。
【図8】本発明の実施形態に係る変形例１の識別ニューラルネットワークを示すモデル図である。
【図9】本発明の実施形態に係る変形例２のブロック図である。
【図10】本発明の実施形態に係る変形例２の識別ニューラルネットワークを示すモデル図である。
【発明を実施するための形態】
【0010】
＜実施形態の説明－１＞
以下、添付図面を参照して、本発明を実施するための形態（以下、「実施形態」と称する）について詳細に説明する。実施形態の説明の全体を通して同じ要素には同じ符号を付している。
以下、添付図面を参照して、本発明を実施するための形態（以下、「実施形態」と称する）について詳細に説明する。実施形態の説明の全体を通して同じ要素には同じ符号を付している。
【0011】
＜実施形態の説明－２：構成＞
まず、全体の構成として、搬送部Ｖ上に食品Ｂ（検出対象物体Ａ）が搬送されてきたことを検出する非破壊食品検出装置１について、図１および図４に基づいて説明する。図１は、本発明の実施形態に係る非破壊食品検出装置１のブロック図である。図４は、本発明の実施形態に係る非破壊食品検出装置１の三次元配列を示すモデル図である。
まず、全体の構成として、搬送部Ｖ上に食品Ｂ（検出対象物体Ａ）が搬送されてきたことを検出する非破壊食品検出装置１について、図１および図４に基づいて説明する。図１は、本発明の実施形態に係る非破壊食品検出装置１のブロック図である。図４は、本発明の実施形態に係る非破壊食品検出装置１の三次元配列を示すモデル図である。
【0012】
＜非破壊食品検出装置の全体構成－１＞
図１に示される非破壊食品検出装置１は、検出部２と、情報処理部３と、検知出力部４と、を備える。この非破壊食品検出装置１での検出を行う検出対象物体Ａは、加工前の野菜や果実や、加工後の加工品や調理品、あるいは小分け・充填・包装された包装品などの食品Ｂである。これらの食品Ｂ中に混在し得る異物Ｆとしては、例えば、果実の実のみを良品とすると、枝葉・萼、毛髪、虫、金属、石などが異物Ｆであり、さらに、ある食品Ｂに対して、別の食品も異物Ｆとなる。また、これらが複合して、異物Ｆとされることもある。
図１に示される非破壊食品検出装置１は、検出部２と、情報処理部３と、検知出力部４と、を備える。この非破壊食品検出装置１での検出を行う検出対象物体Ａは、加工前の野菜や果実や、加工後の加工品や調理品、あるいは小分け・充填・包装された包装品などの食品Ｂである。これらの食品Ｂ中に混在し得る異物Ｆとしては、例えば、果実の実のみを良品とすると、枝葉・萼、毛髪、虫、金属、石などが異物Ｆであり、さらに、ある食品Ｂに対して、別の食品も異物Ｆとなる。また、これらが複合して、異物Ｆとされることもある。
【0013】
＜搬送部の構成－１＞
搬送部Ｖは、検出対象物体Ａを上流工程から検出部２での検出工程を経て下流工程へ搬送するもので、ベルトコンベアなどから構成されている。搬送部Ｖは、２ｍ／分から５０ｍ／分程度の搬送速度で検出対象物体Ａを搬送する。
搬送部Ｖは、検出対象物体Ａを上流工程から検出部２での検出工程を経て下流工程へ搬送するもので、ベルトコンベアなどから構成されている。搬送部Ｖは、２ｍ／分から５０ｍ／分程度の搬送速度で検出対象物体Ａを搬送する。
【0014】
＜検出部の構成－１＞
検出部２は、高周波信号発生器２１と、伝送線路２２と、高周波信号測定器２３と、を備える。この伝送線路２２は、搬送部Ｖの上方・下方・側面、あるいはベルトコンベアなどの搬送面直下等に配置され、検出を行う検出対象物体Ａから、検出したい食品Ｂをインラインで検出する。
検出部２は、高周波信号発生器２１と、伝送線路２２と、高周波信号測定器２３と、を備える。この伝送線路２２は、搬送部Ｖの上方・下方・側面、あるいはベルトコンベアなどの搬送面直下等に配置され、検出を行う検出対象物体Ａから、検出したい食品Ｂをインラインで検出する。
【0015】
＜検出部の構成－２＞
高周波信号発生器２１と高周波信号測定器２３は、例えばベクトル・ネットワーク・アナライザ（ＶＮＡ）で構成されており、マイクロ波帯（０．１Ｇ～１００ＧＨｚ）の高周波信号を発生させ、測定する機能を備える。またこのとき、伝送線路２２は、例えばマイクロストリップラインで構成されており、その入力端子から出力端子へ例えばマイクロ波帯の高周波信号が伝送されると、外部周囲の空間にマイクロ波帯の電磁界を発生する。
高周波信号発生器２１と高周波信号測定器２３は、例えばベクトル・ネットワーク・アナライザ（ＶＮＡ）で構成されており、マイクロ波帯（０．１Ｇ～１００ＧＨｚ）の高周波信号を発生させ、測定する機能を備える。またこのとき、伝送線路２２は、例えばマイクロストリップラインで構成されており、その入力端子から出力端子へ例えばマイクロ波帯の高周波信号が伝送されると、外部周囲の空間にマイクロ波帯の電磁界を発生する。
【0016】
＜検出信号の構成－１＞
検出信号２４は、高周波信号測定器２３から出力される高周波信号の生パラメータであり、周波数ごとの振幅２４１、振幅実数部２４２、振幅虚数部２４３、または位相角度２４４の少なくともいずれか一つを含む。
検出信号２４は、高周波信号測定器２３から出力される高周波信号の生パラメータであり、周波数ごとの振幅２４１、振幅実数部２４２、振幅虚数部２４３、または位相角度２４４の少なくともいずれか一つを含む。
【0017】
＜検出信号の構成－２＞
またさらに検出信号２４は、振幅２４１、振幅実数部２４２、振幅虚数部２４３、または位相角度２４４といった生パラメータに含まれるいずれか１つを他の生パラメータいずれか１つで除した除算パラメータや、パラメータの直前測定値との差分（一次微分）やさらにその変化量（二次微分）といった微分パラメータであってもよい。またさらに、測定時の時刻や、コンベアの搬送部Ｖの検出対象物体Ａの搬送速度（例えばロータリーエンコーダで得られたベルトコンベアの搬送速度・位置や、ドライブモータの回転速度）といった属性を加味した検出対象物体Ａの位置情報につながる情報を含んでもよい。
またさらに検出信号２４は、振幅２４１、振幅実数部２４２、振幅虚数部２４３、または位相角度２４４といった生パラメータに含まれるいずれか１つを他の生パラメータいずれか１つで除した除算パラメータや、パラメータの直前測定値との差分（一次微分）やさらにその変化量（二次微分）といった微分パラメータであってもよい。またさらに、測定時の時刻や、コンベアの搬送部Ｖの検出対象物体Ａの搬送速度（例えばロータリーエンコーダで得られたベルトコンベアの搬送速度・位置や、ドライブモータの回転速度）といった属性を加味した検出対象物体Ａの位置情報につながる情報を含んでもよい。
【0018】
＜情報処理部の構成－１＞
情報処理部３について、図１および図２に基づいて説明する。情報処理部３は、前処理手段３１と、食品検出ニューラルネットワーク３３と、比較手段３５と、を備える。また一般的にニューラルネットワークは学習により内部の結合係数が変化することから、情報処理部３は、検出したい食品Ｂによる学習（食品学習段階Ｓ１００）を完了した場合、食品検出段階Ｓ２００では、学習済み食品検出ニューラルネットワーク３４を備えることになる。
情報処理部３について、図１および図２に基づいて説明する。情報処理部３は、前処理手段３１と、食品検出ニューラルネットワーク３３と、比較手段３５と、を備える。また一般的にニューラルネットワークは学習により内部の結合係数が変化することから、情報処理部３は、検出したい食品Ｂによる学習（食品学習段階Ｓ１００）を完了した場合、食品検出段階Ｓ２００では、学習済み食品検出ニューラルネットワーク３４を備えることになる。
【0019】
＜情報処理部の構成－２＞
また情報処理部３は、パソコン、マイコン、ＰＬＣなどの既知のスタンドアローン情報機器内にプログラムとして組み込んでもよいし、ニューラルネットワークをＦＰＧＡに組み込んだり、あるいは、ネットワーク上・クラウド上のサーバにて一部の処理を行わせたりしてもよい。
また情報処理部３は、パソコン、マイコン、ＰＬＣなどの既知のスタンドアローン情報機器内にプログラムとして組み込んでもよいし、ニューラルネットワークをＦＰＧＡに組み込んだり、あるいは、ネットワーク上・クラウド上のサーバにて一部の処理を行わせたりしてもよい。
【0020】
＜前処理手段－１＞
前処理手段３１について、図４に基づいて説明する。前処理手段３１は、検出信号２４を、周波数を第１の軸３２１、検出時刻または検出位置を第２の軸３２２、パラメータ種別を第３の軸３２３とした三次元配列３２になるよう処理する。また三次元配列３２が正規化されたものとなるよう、前処理手段３１は、正規化手段を備えても良い。
前処理手段３１について、図４に基づいて説明する。前処理手段３１は、検出信号２４を、周波数を第１の軸３２１、検出時刻または検出位置を第２の軸３２２、パラメータ種別を第３の軸３２３とした三次元配列３２になるよう処理する。また三次元配列３２が正規化されたものとなるよう、前処理手段３１は、正規化手段を備えても良い。
【0021】
＜三次元配列－１＞
三次元配列３２は、例えば周波数、検出時刻若しくは検出位置、又はパラメータ種別のうちから選択されるものを、三次元の軸とすることができる。以下、三次元配列３２の三次元の軸を、周波数を第１の軸３２１、検出時刻または検出位置を第２の軸３２２、パラメータ種別を第３の軸３２３とした構成で説明する。
三次元配列３２は、例えば周波数、検出時刻若しくは検出位置、又はパラメータ種別のうちから選択されるものを、三次元の軸とすることができる。以下、三次元配列３２の三次元の軸を、周波数を第１の軸３２１、検出時刻または検出位置を第２の軸３２２、パラメータ種別を第３の軸３２３とした構成で説明する。
【0022】
＜三次元配列－２＞
三次元配列３２の第１の軸３２１は、マイクロ波帯の周波数（０．１Ｇ～１００ＧＨｚ）ごとに配列されるが、周波数の大小に応じて配列するに限られない。これは、画像と異なり、周波数の大小に応じて配列したときの隣り合うデータ間に意味はないからである。
三次元配列３２の第１の軸３２１は、マイクロ波帯の周波数（０．１Ｇ～１００ＧＨｚ）ごとに配列されるが、周波数の大小に応じて配列するに限られない。これは、画像と異なり、周波数の大小に応じて配列したときの隣り合うデータ間に意味はないからである。
【0023】
＜三次元配列－３＞
三次元配列３２の第２の軸３２２は、検出時刻または検出位置を表す。前処理手段３１は、直前までに検出部２から送信された検出信号２４を蓄積した直前までの三次元配列３２から、第２の軸３２２に沿って最も古い部分の検出信号２４を削除し、新たな検出信号２４を同じ量だけ追加することで得られ、三次元配列３２の大きさを一定にすることができる。
三次元配列３２の第２の軸３２２は、検出時刻または検出位置を表す。前処理手段３１は、直前までに検出部２から送信された検出信号２４を蓄積した直前までの三次元配列３２から、第２の軸３２２に沿って最も古い部分の検出信号２４を削除し、新たな検出信号２４を同じ量だけ追加することで得られ、三次元配列３２の大きさを一定にすることができる。
【0024】
＜三次元配列－４＞
搬送部Ｖが検出対象物体Ａを一定速度で搬送している場合、検出信号２４を時系列順に配置することで、検出位置に応じた三次元配列３２を得ることができる。また、検出信号２４が検出対象物体Ａの搬送速度や位置情報を含む場合、第２の軸３２２に沿って削除する最も古い部分の削除配列量と、追加する検出信号２４の追加配列量とを、搬送速度や位置情報に応じて定めることで、検出位置に応じた三次元配列３２を得ることができる。特に検出対象物体Ａが重量物である場合、搬送部Ｖの搬送速度が不安定であるので、検出信号２４が検出対象物体Ａの搬送速度や位置情報を含む方が好ましい。
搬送部Ｖが検出対象物体Ａを一定速度で搬送している場合、検出信号２４を時系列順に配置することで、検出位置に応じた三次元配列３２を得ることができる。また、検出信号２４が検出対象物体Ａの搬送速度や位置情報を含む場合、第２の軸３２２に沿って削除する最も古い部分の削除配列量と、追加する検出信号２４の追加配列量とを、搬送速度や位置情報に応じて定めることで、検出位置に応じた三次元配列３２を得ることができる。特に検出対象物体Ａが重量物である場合、搬送部Ｖの搬送速度が不安定であるので、検出信号２４が検出対象物体Ａの搬送速度や位置情報を含む方が好ましい。
【0025】
＜三次元配列－５＞
三次元配列３２の第３の軸３２３は、検出信号２４のパラメータ種別を表す。第１の軸３２１と第２の軸３２２とで得られる任意のベクトル（周波数×位置で抽出された一次元配列）に含まれる要素（三次元配列３２の成分）は、例えば画素にＲ・Ｇ・Ｂといった３ＣＨ（チャンネル）のデータを含むように、検出信号２４に含まれるパラメータ（振幅２４１、振幅実数部２４２、振幅虚数部２４３、または位相角度２４４といったパラメータ）のうち少なくとも１つを含む。このベクトルは、検出信号２４に含まれる生パラメータ・除算パラメータ・微分パラメータ等のうち複数ＣＨのパラメータを含んでも良い。またさらに、これらのパラメータを正規化した値であってもよい。
三次元配列３２の第３の軸３２３は、検出信号２４のパラメータ種別を表す。第１の軸３２１と第２の軸３２２とで得られる任意のベクトル（周波数×位置で抽出された一次元配列）に含まれる要素（三次元配列３２の成分）は、例えば画素にＲ・Ｇ・Ｂといった３ＣＨ（チャンネル）のデータを含むように、検出信号２４に含まれるパラメータ（振幅２４１、振幅実数部２４２、振幅虚数部２４３、または位相角度２４４といったパラメータ）のうち少なくとも１つを含む。このベクトルは、検出信号２４に含まれる生パラメータ・除算パラメータ・微分パラメータ等のうち複数ＣＨのパラメータを含んでも良い。またさらに、これらのパラメータを正規化した値であってもよい。
【0026】
＜食品検出ニューラルネットワーク－１＞
食品検出ニューラルネットワーク３３および学習済み食品検出ニューラルネットワーク３４について、図１と図５に基づいて説明する。食品検出ニューラルネットワーク３３は、次元圧縮手段３３１と次元復元手段３３３と、を備えた、再構成の畳み込みニューラルネットワークである。
食品検出ニューラルネットワーク３３および学習済み食品検出ニューラルネットワーク３４について、図１と図５に基づいて説明する。食品検出ニューラルネットワーク３３は、次元圧縮手段３３１と次元復元手段３３３と、を備えた、再構成の畳み込みニューラルネットワークである。
【0027】
＜食品検出ニューラルネットワーク－１＞
食品検出ニューラルネットワーク３３を、食品学習段階Ｓ１００において食品Ｂを用いて学習させ、学習済み食品検出ニューラルネットワーク３４が得られる。また同様に、食品検出ニューラルネットワーク３３を構成する次元圧縮手段３３１および次元復元手段３３３は、食品学習段階Ｓ１００を経て、学習済み次元圧縮手段３４１および学習済み次元復元手段３４３となり、学習済み食品検出ニューラルネットワーク３４を構成する。
食品検出ニューラルネットワーク３３を、食品学習段階Ｓ１００において食品Ｂを用いて学習させ、学習済み食品検出ニューラルネットワーク３４が得られる。また同様に、食品検出ニューラルネットワーク３３を構成する次元圧縮手段３３１および次元復元手段３３３は、食品学習段階Ｓ１００を経て、学習済み次元圧縮手段３４１および学習済み次元復元手段３４３となり、学習済み食品検出ニューラルネットワーク３４を構成する。
【0028】
＜食品検出ニューラルネットワーク－２＞
食品学習段階Ｓ１００における次元圧縮手段３３１からの出力が学習時圧縮配列３３２であり、次元復元手段３３３からの出力が学習時復元配列３３４である。食品検出段階Ｓ２００における学習済み次元圧縮手段３４１からの出力が検出時圧縮配列３４２であり、学習済み次元復元手段３４３からの出力が検出時復元配列３４４である。
食品学習段階Ｓ１００における次元圧縮手段３３１からの出力が学習時圧縮配列３３２であり、次元復元手段３３３からの出力が学習時復元配列３３４である。食品検出段階Ｓ２００における学習済み次元圧縮手段３４１からの出力が検出時圧縮配列３４２であり、学習済み次元復元手段３４３からの出力が検出時復元配列３４４である。
【0029】
＜食品検出ニューラルネットワーク－３＞
図５で示したように、食品検出ニューラルネットワーク３３には、三次元配列３２（第２の軸の大きさをＣＸｉｎ、第１の軸の大きさをＣＹｉｎ、第３の軸の大きさをＣＨｉｎであらわす）を入力する。食品検出ニューラルネットワーク３３では、はじめに次元圧縮手段３３１で、三次元配列３２から部分的に切り出したカーネルが取り出され、次に複数のノードをもつニューラルネットワーク層Ｌ（ＣＸ１×ＣＹ１×ＣＨ１、などと大きさを表記）で次元圧縮され、次に次元復元手段３３３で次元復号化される。さらに、カーネルへの取り出しから復号化までを複数回入れ子状に繰り返すことで、より深層の特徴量抽出が可能となる。
図５で示したように、食品検出ニューラルネットワーク３３には、三次元配列３２（第２の軸の大きさをＣＸｉｎ、第１の軸の大きさをＣＹｉｎ、第３の軸の大きさをＣＨｉｎであらわす）を入力する。食品検出ニューラルネットワーク３３では、はじめに次元圧縮手段３３１で、三次元配列３２から部分的に切り出したカーネルが取り出され、次に複数のノードをもつニューラルネットワーク層Ｌ（ＣＸ１×ＣＹ１×ＣＨ１、などと大きさを表記）で次元圧縮され、次に次元復元手段３３３で次元復号化される。さらに、カーネルへの取り出しから復号化までを複数回入れ子状に繰り返すことで、より深層の特徴量抽出が可能となる。
【0030】
＜食品検出ニューラルネットワーク－４＞
次元圧縮手段３３１での、三次元配列３２から部分的に切り出されたらカーネルＫｎ（ｘ、ｙ、ｃ）の大きさについて、特に制限はないが、第１段階目の折り畳み時のカーネルＫ１の第２の軸３２２方向に対する大きさは、検出対象物体Ａの搬送による変化を捉えやすくなることから、食品Ｂの大きさ（第２の軸３２２が検出位置を表す場合）または食品Ｂが伝送線路２２を通過する時間（第２の軸３２２が検出時刻を表す場合）の１／３以下が好ましい。これより大きい場合、食品Ｂの通過による検出信号２４の変化を捉えにくくなる。また第１段階目の折り畳み時のカーネルＫ１の第１の軸３２１および第３の軸３３３に対ししての切り出しは行わない（入力された三次元配列３２の大きさと一致する）方が好ましい。こうすることで、周波数が大きく離れた要素間のまたは異なるパラメータ間の特徴量抽出が可能になる（Ｋ１＝（（食品Ｂの大きさ／３）以下、ＣＹｉｎ、ＣＨｉｎ））。
次元圧縮手段３３１での、三次元配列３２から部分的に切り出されたらカーネルＫｎ（ｘ、ｙ、ｃ）の大きさについて、特に制限はないが、第１段階目の折り畳み時のカーネルＫ１の第２の軸３２２方向に対する大きさは、検出対象物体Ａの搬送による変化を捉えやすくなることから、食品Ｂの大きさ（第２の軸３２２が検出位置を表す場合）または食品Ｂが伝送線路２２を通過する時間（第２の軸３２２が検出時刻を表す場合）の１／３以下が好ましい。これより大きい場合、食品Ｂの通過による検出信号２４の変化を捉えにくくなる。また第１段階目の折り畳み時のカーネルＫ１の第１の軸３２１および第３の軸３３３に対ししての切り出しは行わない（入力された三次元配列３２の大きさと一致する）方が好ましい。こうすることで、周波数が大きく離れた要素間のまたは異なるパラメータ間の特徴量抽出が可能になる（Ｋ１＝（（食品Ｂの大きさ／３）以下、ＣＹｉｎ、ＣＨｉｎ））。
【0031】
＜比較手段－１＞
比較手段３５について、図１に基づいて、説明する。比較手段３５は、食品検出段階Ｓ２００において、学習済み食品検出ニューラルネットワーク３４で再構成された検出時復元配列３４４と三次元配列３２とを比較し、検知信号３６を出力する。
比較手段３５について、図１に基づいて、説明する。比較手段３５は、食品検出段階Ｓ２００において、学習済み食品検出ニューラルネットワーク３４で再構成された検出時復元配列３４４と三次元配列３２とを比較し、検知信号３６を出力する。
【0032】
＜比較手段－２＞
比較手段３５の比較方法は、任意の方法で比較できるが、例えば差分検出手段３５１で三次元配列３２の要素ごとに減算（検出時復元配列３４４に含まれる要素－三次元配列３２に含まれる要素）や除算（検出時復元配列３４４に含まれる要素／三次元配列３２に含まれる要素）して得られた値を要素とする差分配列３５２を算出して比較することができる。
比較手段３５の比較方法は、任意の方法で比較できるが、例えば差分検出手段３５１で三次元配列３２の要素ごとに減算（検出時復元配列３４４に含まれる要素－三次元配列３２に含まれる要素）や除算（検出時復元配列３４４に含まれる要素／三次元配列３２に含まれる要素）して得られた値を要素とする差分配列３５２を算出して比較することができる。
【0033】
＜比較手段－３＞
またさらに比較手段３５は、差分配列３５２を算出する場合、検知レベル判定手段３５５を備えることができる。検知レベル判定手段３５５では、算出された差分配列３５２をもとに、検知信号３６を出力する。差分配列３５２から検知信号３６への算出は、任意の方法で比較できるが、例えば差分配列３５２のうち、第１の軸３２１と第２の軸３２２とで得られる任意のベクトル（周波数×位置で抽出された一次元配列）のベクトル値が、予め定めたベクトル値の閾値を超えたベクトル数を集計して検知信号３６として出力するよう構成することができる。また、別途予め定めたベクトル数の上限値を超えた場合にのみ、検知信号３６をＯＮ／ＯＦＦの２値で出力するといった構成とすることもできる。
またさらに比較手段３５は、差分配列３５２を算出する場合、検知レベル判定手段３５５を備えることができる。検知レベル判定手段３５５では、算出された差分配列３５２をもとに、検知信号３６を出力する。差分配列３５２から検知信号３６への算出は、任意の方法で比較できるが、例えば差分配列３５２のうち、第１の軸３２１と第２の軸３２２とで得られる任意のベクトル（周波数×位置で抽出された一次元配列）のベクトル値が、予め定めたベクトル値の閾値を超えたベクトル数を集計して検知信号３６として出力するよう構成することができる。また、別途予め定めたベクトル数の上限値を超えた場合にのみ、検知信号３６をＯＮ／ＯＦＦの２値で出力するといった構成とすることもできる。
【0034】
＜検知信号－１＞
検知信号３６は、検出時復元配列３４４と三次元配列３２とから比較手段３５によって得られ、検出時復元配列３４４と三次元配列３２との同等性ないし相違性を表す。
検知信号３６は、検出時復元配列３４４と三次元配列３２とから比較手段３５によって得られ、検出時復元配列３４４と三次元配列３２との同等性ないし相違性を表す。
【0035】
＜検知信号－２＞
検知信号３６が示す同等性ないし相違性は、任意の信号とできるが、ＯＮ／ＯＦＦの２値であってもよいし、同等性ないし相違性を直線的に示すアナログ値または数値を示したデジタル信号でもよいし、同等性ないし相違性を表した配列を意味するデジタル信号でもよい。
検知信号３６が示す同等性ないし相違性は、任意の信号とできるが、ＯＮ／ＯＦＦの２値であってもよいし、同等性ないし相違性を直線的に示すアナログ値または数値を示したデジタル信号でもよいし、同等性ないし相違性を表した配列を意味するデジタル信号でもよい。
【0036】
＜検知出力部の構成－１＞
検知出力部４は、検知信号３６を外部に伝達するための任意の端子や通信装置である。例えば、検知信号３６がＯＮ／ＯＦＦの２値であれば、端子としてレセプタクルのようなリレー出力を伴った電源供給を用いてもよい。こうすることで、搬送部Ｖの電源として用いて連動させることで、検出したい食品Ｂが通過する限りは搬送部Ｖが搬送し続け、学習していない検出対象物体Ａが通過したときは搬送を中止することができるようになる。
検知出力部４は、検知信号３６を外部に伝達するための任意の端子や通信装置である。例えば、検知信号３６がＯＮ／ＯＦＦの２値であれば、端子としてレセプタクルのようなリレー出力を伴った電源供給を用いてもよい。こうすることで、搬送部Ｖの電源として用いて連動させることで、検出したい食品Ｂが通過する限りは搬送部Ｖが搬送し続け、学習していない検出対象物体Ａが通過したときは搬送を中止することができるようになる。
【0037】
＜検知出力部の構成－２＞
また例えば、検出時復元配列３４４と三次元配列３２との同等性ないし相違性を表した配列を意味するデジタル信号である場合は、ＰＣとのＵＳＢやＥｔｈｅｒｎｅｔ・ＷｉＦｉを用いた通信でもよいし、ＰＬＣとのリンクでもよい。このような端子や通信装置を用いることで、任意の外部機器に接続でき、電波を用いた多元的情報から学習済みの食品が搬送されてきたことを検出して、任意の外部機器を制御することが可能になる。
また例えば、検出時復元配列３４４と三次元配列３２との同等性ないし相違性を表した配列を意味するデジタル信号である場合は、ＰＣとのＵＳＢやＥｔｈｅｒｎｅｔ・ＷｉＦｉを用いた通信でもよいし、ＰＬＣとのリンクでもよい。このような端子や通信装置を用いることで、任意の外部機器に接続でき、電波を用いた多元的情報から学習済みの食品が搬送されてきたことを検出して、任意の外部機器を制御することが可能になる。
【0038】
＜実施形態の説明－３：段階・ステップ＞
プロセスの段階・ステップとして、前準備（Ｓ００１，Ｓ００２）、食品学習段階Ｓ１００、食品検出段階Ｓ２００について、図２、図４および図５に基づいて説明する。図２は、本発明の実施形態に係る動作説明用フローチャート図である。図４は、本発明の実施形態に係る非破壊食品検出装置の三次元配列を示すモデル図である。図５は、本発明の実施形態に係る非破壊検出装置の食品検出ニューラルネットワークを示すモデル図である。
プロセスの段階・ステップとして、前準備（Ｓ００１，Ｓ００２）、食品学習段階Ｓ１００、食品検出段階Ｓ２００について、図２、図４および図５に基づいて説明する。図２は、本発明の実施形態に係る動作説明用フローチャート図である。図４は、本発明の実施形態に係る非破壊食品検出装置の三次元配列を示すモデル図である。図５は、本発明の実施形態に係る非破壊検出装置の食品検出ニューラルネットワークを示すモデル図である。
【0039】
＜食品学習段階－１＞
食品学習段階Ｓ１００について、図２に基づいて、説明する。食品学習段階Ｓ１００では、食品Ｂの搬送ステップＳ１０１、検出信号の三次元配列化（学習時）ステップＳ１０２、食品検出ニューラルネットワークの学習ステップＳ１０３、を含む。食品学習段階Ｓ１００は、食品Ｂを用いて食品検出ニューラルネットワーク３３を学習することで、学習済み食品検出ニューラルネットワーク３４を得る工程である。なお食品学習段階Ｓ１００を開始するまでに、搬送部の作動開始ステップＳ００１と高周波信号の送受信開始ステップＳ００２は行っているものとする。
食品学習段階Ｓ１００について、図２に基づいて、説明する。食品学習段階Ｓ１００では、食品Ｂの搬送ステップＳ１０１、検出信号の三次元配列化（学習時）ステップＳ１０２、食品検出ニューラルネットワークの学習ステップＳ１０３、を含む。食品学習段階Ｓ１００は、食品Ｂを用いて食品検出ニューラルネットワーク３３を学習することで、学習済み食品検出ニューラルネットワーク３４を得る工程である。なお食品学習段階Ｓ１００を開始するまでに、搬送部の作動開始ステップＳ００１と高周波信号の送受信開始ステップＳ００２は行っているものとする。
【0040】
＜搬送部の作動開始ステップ－１＞
搬送部の作動開始ステップＳ００１において、搬送部Ｖの搬送を開始する。食品学習段階Ｓ１００を開始してから搬送部を開始すると、搬送部Ｖの搬送開始時のノイズを電波として誤って学習してしまうことがある。
搬送部の作動開始ステップＳ００１において、搬送部Ｖの搬送を開始する。食品学習段階Ｓ１００を開始してから搬送部を開始すると、搬送部Ｖの搬送開始時のノイズを電波として誤って学習してしまうことがある。
【0041】
＜高周波信号の送受信開始ステップ－１＞
高周波信号の送受信開始ステップＳ００２において、検出部２の高周波信号発生器２１と高周波信号測定器２３との動作を開始する。以下のステップの説明では、検出部２から常に最新の検出信号２４が情報処理部３に送信されているものとする。
高周波信号の送受信開始ステップＳ００２において、検出部２の高周波信号発生器２１と高周波信号測定器２３との動作を開始する。以下のステップの説明では、検出部２から常に最新の検出信号２４が情報処理部３に送信されているものとする。
【0042】
＜食品の搬送ステップ－１＞
食品Ｂの搬送ステップＳ１０１において、搬送されてきたことを検出したい食品Ｂを搬送部Ｖに載置して、搬送を開始する。搬送された食品Ｂは、伝送線路２２の近傍を通過するときに検出信号２４を変化させる。
食品Ｂの搬送ステップＳ１０１において、搬送されてきたことを検出したい食品Ｂを搬送部Ｖに載置して、搬送を開始する。搬送された食品Ｂは、伝送線路２２の近傍を通過するときに検出信号２４を変化させる。
【0043】
＜検出信号の三次元配列化ステップ－１＞
検出信号の三次元配列化（学習時）ステップＳ１０２において、検出信号２４は、まず前処理手段３１によって、三次元配列３２に前処理される（図４）。三次元配列３２には、例えば、食品Ｂの伝送線路２２への接近、通過、離間が、検出時刻または検出位置を表す第２の軸３２２に沿って、マイクロ波帯の周波数を表す第１の軸３２１ごとに、パラメータ種別を表す第３の軸３２３ごとに、各パラメータが記録される。またこれらのパラメータは、後のニューラルネットワークで処理しやすいよう、０～１の実数に正規化した値とする。
検出信号の三次元配列化（学習時）ステップＳ１０２において、検出信号２４は、まず前処理手段３１によって、三次元配列３２に前処理される（図４）。三次元配列３２には、例えば、食品Ｂの伝送線路２２への接近、通過、離間が、検出時刻または検出位置を表す第２の軸３２２に沿って、マイクロ波帯の周波数を表す第１の軸３２１ごとに、パラメータ種別を表す第３の軸３２３ごとに、各パラメータが記録される。またこれらのパラメータは、後のニューラルネットワークで処理しやすいよう、０～１の実数に正規化した値とする。
【0044】
＜食品検出ニューラルネットワークの学習ステップ－１＞
食品検出ニューラルネットワークの学習ステップＳ１０３において、搬送部Ｖのみが稼働して何も搬送されない状態の検出信号２４と、食品Ｂが搬送された状態の検出信号２４とを用いて、食品検出ニューラルネットワーク３３が学習される。この学習は、食品Ｂの搬送ステップＳ１０１から食品検出ニューラルネットワークの学習ステップＳ１０３を繰り返すことで、より多様なデータから「何も搬送されない状態と、食品Ｂが搬送された状態と」が学習される。
食品検出ニューラルネットワークの学習ステップＳ１０３において、搬送部Ｖのみが稼働して何も搬送されない状態の検出信号２４と、食品Ｂが搬送された状態の検出信号２４とを用いて、食品検出ニューラルネットワーク３３が学習される。この学習は、食品Ｂの搬送ステップＳ１０１から食品検出ニューラルネットワークの学習ステップＳ１０３を繰り返すことで、より多様なデータから「何も搬送されない状態と、食品Ｂが搬送された状態と」が学習される。
【0045】
＜食品検出ニューラルネットワークの学習ステップ－２＞
具体的には、食品検出ニューラルネットワーク３３に入力された三次元配列３２は、図５で示したように、カーネルＫ１に切り出されてニューラルネットワーク層Ｌ１に畳み込まれる。このカーネルＫｎに切り出してニューラルネットワーク層Ｌｎを得ることを繰り返し、学習時圧縮配列３３２が得られる。さらに学習時圧縮配列３３２は、逆畳み込みニューラルネットワーク層を複数回繰り返して、学習時復元配列３３４を得る。
具体的には、食品検出ニューラルネットワーク３３に入力された三次元配列３２は、図５で示したように、カーネルＫ１に切り出されてニューラルネットワーク層Ｌ１に畳み込まれる。このカーネルＫｎに切り出してニューラルネットワーク層Ｌｎを得ることを繰り返し、学習時圧縮配列３３２が得られる。さらに学習時圧縮配列３３２は、逆畳み込みニューラルネットワーク層を複数回繰り返して、学習時復元配列３３４を得る。
【0046】
＜食品検出ニューラルネットワークの学習ステップ－３＞
次に、得られた学習時復元配列３３４が、元に入力された三次元配列３２と極力一致するように、つまり差分を表す損失関数が極力低くなるように、食品検出ニューラルネットワーク３３が誤差逆伝播法で学習される。この時の損失関数は、ＢＣＥ（Ｂｉｎａｒｙ Ｃｒｏｓｓ－ｅｎｔｒｏｐｙ）といった損失関数が利用できる。
次に、得られた学習時復元配列３３４が、元に入力された三次元配列３２と極力一致するように、つまり差分を表す損失関数が極力低くなるように、食品検出ニューラルネットワーク３３が誤差逆伝播法で学習される。この時の損失関数は、ＢＣＥ（Ｂｉｎａｒｙ Ｃｒｏｓｓ－ｅｎｔｒｏｐｙ）といった損失関数が利用できる。
【0047】
＜食品検出ニューラルネットワークの学習ステップ－４＞
複数の食品Ｂに対して、および／もしくは、各食品Ｂを繰り返し搬送することで、食品Ｂの搬送Ｓ１０１を複数行い、各回で得られた三次元配列３２をもとに、食品検出ニューラルネットワーク３３が誤差逆伝播法で学習され、学習済み食品検出ニューラルネットワーク３４が得られる（Ｓ１０４）。
複数の食品Ｂに対して、および／もしくは、各食品Ｂを繰り返し搬送することで、食品Ｂの搬送Ｓ１０１を複数行い、各回で得られた三次元配列３２をもとに、食品検出ニューラルネットワーク３３が誤差逆伝播法で学習され、学習済み食品検出ニューラルネットワーク３４が得られる（Ｓ１０４）。
【0048】
＜食品検出段階－１＞
食品検出段階Ｓ２００について、図２に基づいて説明する。食品検出段階Ｓ２００では、検出対象物体Ａの搬送ステップＳ２０１、検出信号の三次元配列化（検出時）ステップＳ２０２、検出時復元配列の算出ステップＳ２０３、三次元配列との差分計算ステップＳ２０４、差分の判定ステップＳ２０５、「食品あり」とされたときの検知出力ステップＳ２１０、を含む。食品検出段階Ｓ２００は、学習済み食品検出ニューラルネットワーク３４を用いて、「何も搬送されない状態」であったり、未知の検出対象物体Ａが「学習済みの食品Ｂ」であったりするか、それとも「その他の物体」であるか、判定を得る工程である。なお食品検出段階Ｓ２００を開始するまでに、搬送部の作動開始ステップＳ００１と高周波信号の送受信開始ステップＳ００２は行っているものとする。
食品検出段階Ｓ２００について、図２に基づいて説明する。食品検出段階Ｓ２００では、検出対象物体Ａの搬送ステップＳ２０１、検出信号の三次元配列化（検出時）ステップＳ２０２、検出時復元配列の算出ステップＳ２０３、三次元配列との差分計算ステップＳ２０４、差分の判定ステップＳ２０５、「食品あり」とされたときの検知出力ステップＳ２１０、を含む。食品検出段階Ｓ２００は、学習済み食品検出ニューラルネットワーク３４を用いて、「何も搬送されない状態」であったり、未知の検出対象物体Ａが「学習済みの食品Ｂ」であったりするか、それとも「その他の物体」であるか、判定を得る工程である。なお食品検出段階Ｓ２００を開始するまでに、搬送部の作動開始ステップＳ００１と高周波信号の送受信開始ステップＳ００２は行っているものとする。
【0049】
＜物体の搬送ステップ－１＞
検出対象物体Ａの搬送ステップＳ２０１において、学習した食品Ｂか否かを検出したい検出対象物体Ａを搬送部Ｖに載置して、搬送を開始する。搬送された検出対象物体Ａは、伝送線路２２の近傍を通過するときに検出信号２４を変化させる。
検出対象物体Ａの搬送ステップＳ２０１において、学習した食品Ｂか否かを検出したい検出対象物体Ａを搬送部Ｖに載置して、搬送を開始する。搬送された検出対象物体Ａは、伝送線路２２の近傍を通過するときに検出信号２４を変化させる。
【0050】
＜検出信号の三次元配列化ステップ－１＞
検出信号の三次元配列化（検出時）ステップＳ２０２においては、検出信号の三次元配列化（学習時）ステップＳ１０２と同様に、搬送された検出対象物体Ａによって変化する検出信号２４は、まず前処理手段３１によって、検出対象物体Ａによって得られた三次元配列３２に前処理される。
検出信号の三次元配列化（検出時）ステップＳ２０２においては、検出信号の三次元配列化（学習時）ステップＳ１０２と同様に、搬送された検出対象物体Ａによって変化する検出信号２４は、まず前処理手段３１によって、検出対象物体Ａによって得られた三次元配列３２に前処理される。
【0051】
＜検出時復元配列の算出ステップ－１＞
検出時復元配列の算出ステップＳ２０３において、検出対象物体Ａによって得られた三次元配列３２は、学習済み食品検出ニューラルネットワーク３４に入力され、検出時復元配列３４４が出力される。
検出時復元配列の算出ステップＳ２０３において、検出対象物体Ａによって得られた三次元配列３２は、学習済み食品検出ニューラルネットワーク３４に入力され、検出時復元配列３４４が出力される。
【0052】
＜検出時復元配列の算出ステップ－２＞
このとき、図５で示されるように、学習済み食品検出ニューラルネットワーク３４に含まれる学習済み次元圧縮手段３４１からは検出時圧縮配列３４２が出力され、出力された検出時圧縮配列３４２は学習済み次元復元手段３４３に入力され、検出時復元配列３４４が出力される。ここで得られた検出時復元配列３４４は、検出対象物体Ａが仮に食品Ｂであったとした場合に得られる三次元配列３２を学習済み食品検出ニューラルネットワーク３４で推論した配列である。
このとき、図５で示されるように、学習済み食品検出ニューラルネットワーク３４に含まれる学習済み次元圧縮手段３４１からは検出時圧縮配列３４２が出力され、出力された検出時圧縮配列３４２は学習済み次元復元手段３４３に入力され、検出時復元配列３４４が出力される。ここで得られた検出時復元配列３４４は、検出対象物体Ａが仮に食品Ｂであったとした場合に得られる三次元配列３２を学習済み食品検出ニューラルネットワーク３４で推論した配列である。
【0053】
＜三次元配列との差分計算ステップ－１＞
三次元配列との差分計算ステップＳ２０４において、三次元配列３２と検出時復元配列３４４との差分を計算する。差分の計算方法としては、三次元配列３２の総ベクトル値と検出時復元配列３４４の総ベクトル値との減算など、任意の方法で比較できるが、たとえば差分検出手段３５１で三次元配列３２の要素ごとに算出された差分配列３５２を算出することもできる。
三次元配列との差分計算ステップＳ２０４において、三次元配列３２と検出時復元配列３４４との差分を計算する。差分の計算方法としては、三次元配列３２の総ベクトル値と検出時復元配列３４４の総ベクトル値との減算など、任意の方法で比較できるが、たとえば差分検出手段３５１で三次元配列３２の要素ごとに算出された差分配列３５２を算出することもできる。
【0054】
＜差分の判定ステップ－１＞
差分の判定ステップＳ２０５において、三次元配列３２と検出時復元配列３４４との差分に基づき、検出対象物体Ａが食品Ｂと判定されるか否か、計算される。これは、「食品Ｂによる三次元配列３２」と「検出対象物体Ａが仮に食品Ｂであったとした場合に得られる三次元配列３２（学習済み食品検出ニューラルネットワーク３４による推論で得られた検出時復元配列３４４）」とが一致すると考えられるからである。
差分の判定ステップＳ２０５において、三次元配列３２と検出時復元配列３４４との差分に基づき、検出対象物体Ａが食品Ｂと判定されるか否か、計算される。これは、「食品Ｂによる三次元配列３２」と「検出対象物体Ａが仮に食品Ｂであったとした場合に得られる三次元配列３２（学習済み食品検出ニューラルネットワーク３４による推論で得られた検出時復元配列３４４）」とが一致すると考えられるからである。
【0055】
＜検知出力ステップ－１＞
検知出力ステップＳ２１０において、検出対象物体Ａが食品Ｂと判定された場合に、検知出力部４を通じて外部機器に信号を伝達する。これにより外部機器が、例えばコンベアの運転を停止する／継続する、傾斜コンベアを下げる／上げる、物体押出しシリンダーを出す／動作させない、といった選別を行ったり、単純なカウントを行ったりすることが可能となる。
検知出力ステップＳ２１０において、検出対象物体Ａが食品Ｂと判定された場合に、検知出力部４を通じて外部機器に信号を伝達する。これにより外部機器が、例えばコンベアの運転を停止する／継続する、傾斜コンベアを下げる／上げる、物体押出しシリンダーを出す／動作させない、といった選別を行ったり、単純なカウントを行ったりすることが可能となる。
【0056】
＜検知出力ステップ－２＞
また検知出力ステップＳ２１０の完了後、装置の動作を停止しても良いし、搬送部Ｖが稼働する限り検出対象物体Ａの搬送ステップＳ２０１に戻って、以上の動作を繰り返しても良い。
また検知出力ステップＳ２１０の完了後、装置の動作を停止しても良いし、搬送部Ｖが稼働する限り検出対象物体Ａの搬送ステップＳ２０１に戻って、以上の動作を繰り返しても良い。
【0057】
＜実施形態の効果－１＞
以上、説明した実施形態の効果について述べる。
実施形態の非破壊食品検出装置１は、非破壊食品検出装置１が検出部２、情報処理部３、検知出力部４からなり、検出部２は、高周波信号発生器２１、伝送線路２２、高周波信号測定器２３、とからなって、検出信号２４を情報処理部３に送信し、検出信号２４は、周波数ごとの振幅２４１、振幅実数部２４２、振幅虚数部２４３、または位相角度２４４の少なくともいずれか一つを含み、情報処理部３は、前処理手段３１と、次元圧縮手段３３１と次元復元手段３３３とを備えた食品検出ニューラルネットワーク３３と、比較手段３５とで構成され、前処理手段３１は、検出信号２４を三次元配列３２に前処理し、食品学習段階Ｓ１００で、三次元配列３２を次元圧縮手段３３１に入力したときの次元復元手段３３３からの出力である学習時復元配列３３４と、三次元配列３２との差が最小となるよう、食品検出ニューラルネットワーク３３を学習して学習済み食品検出ニューラルネットワーク３４を得て、食品検出段階Ｓ２００で、三次元配列３２を学習済み食品検出ニューラルネットワーク３４に入力したときの出力である検出時復元配列３４４を出力し、比較手段３５は、三次元配列３２と検出時復元配列３４４との差分配列３５２を検出し、差分配列３５２が、予め設定していた許容限界より大きい場合に、検知出力部４に検知信号３６を送信するものである。これにより、電波を用いた多元的情報から学習済みの食品が搬送されてきたことを検出することができる。
以上、説明した実施形態の効果について述べる。
実施形態の非破壊食品検出装置１は、非破壊食品検出装置１が検出部２、情報処理部３、検知出力部４からなり、検出部２は、高周波信号発生器２１、伝送線路２２、高周波信号測定器２３、とからなって、検出信号２４を情報処理部３に送信し、検出信号２４は、周波数ごとの振幅２４１、振幅実数部２４２、振幅虚数部２４３、または位相角度２４４の少なくともいずれか一つを含み、情報処理部３は、前処理手段３１と、次元圧縮手段３３１と次元復元手段３３３とを備えた食品検出ニューラルネットワーク３３と、比較手段３５とで構成され、前処理手段３１は、検出信号２４を三次元配列３２に前処理し、食品学習段階Ｓ１００で、三次元配列３２を次元圧縮手段３３１に入力したときの次元復元手段３３３からの出力である学習時復元配列３３４と、三次元配列３２との差が最小となるよう、食品検出ニューラルネットワーク３３を学習して学習済み食品検出ニューラルネットワーク３４を得て、食品検出段階Ｓ２００で、三次元配列３２を学習済み食品検出ニューラルネットワーク３４に入力したときの出力である検出時復元配列３４４を出力し、比較手段３５は、三次元配列３２と検出時復元配列３４４との差分配列３５２を検出し、差分配列３５２が、予め設定していた許容限界より大きい場合に、検知出力部４に検知信号３６を送信するものである。これにより、電波を用いた多元的情報から学習済みの食品が搬送されてきたことを検出することができる。
【0058】
＜変形例１の構成－１＞
また、上記実施形態では、比較手段３５が、差分配列３５２を入力する識別ニューラルネットワーク３５３をさらに備える構成とし、検出対象物体Ａが食品Ｂである場合であってさらに異物Ｆｎが食品Ｂに付着・混入していた場合に、その異物Ｆｎが何であるか、予め教師あり学習した異物Ｆｎの識別ニューラルネットワーク３５３から推論することを可能にしてもよい。
また、上記実施形態では、比較手段３５が、差分配列３５２を入力する識別ニューラルネットワーク３５３をさらに備える構成とし、検出対象物体Ａが食品Ｂである場合であってさらに異物Ｆｎが食品Ｂに付着・混入していた場合に、その異物Ｆｎが何であるか、予め教師あり学習した異物Ｆｎの識別ニューラルネットワーク３５３から推論することを可能にしてもよい。
【0059】
＜変形例１の構成－２＞
このような場合は、図６に示すように、差分検出手段３５１から出力される差分配列３５２を識別ニューラルネットワーク３５３に入力し、識別ニューラルネットワーク３５３からの出力である異物種別ベクトル３５４を検知レベル判定手段３５５に入力するように構成すればよい。
このような場合は、図６に示すように、差分検出手段３５１から出力される差分配列３５２を識別ニューラルネットワーク３５３に入力し、識別ニューラルネットワーク３５３からの出力である異物種別ベクトル３５４を検知レベル判定手段３５５に入力するように構成すればよい。
【0060】
＜変形例１の構成－３＞
このような場合は、図７に示すように、識別ニューラルネットワーク３５３は、差分配列３５２を初段のニューラルネットワーク層Ｌとした、畳み込みニューラルネットワークを構成し、最終段のニューラルネットワーク層Ｌを、教師あり学習させたい異物の種類ｎだけ要素を有する異物種別ベクトル３５４とすればよい。
このような場合は、図７に示すように、識別ニューラルネットワーク３５３は、差分配列３５２を初段のニューラルネットワーク層Ｌとした、畳み込みニューラルネットワークを構成し、最終段のニューラルネットワーク層Ｌを、教師あり学習させたい異物の種類ｎだけ要素を有する異物種別ベクトル３５４とすればよい。
【0061】
＜変形例１の学習済み識別ニューラルネットワークを得る工程－１＞
またこのような識別ニューラルネットワーク３５３を学習で得る工程である異物学習段階Ｓ３００としては、図７に示すように、食品学習段階Ｓ１００を経たのちに、食品Ｂと異物Ｆ１の搬送ステップＳ３１１、検出信号の三次元配列化（検出時）ステップＳ３１２、検出時復元配列の算出ステップＳ３１３、三次元配列との差分計算ステップＳ３１４、識別ニューラルネットワークの学習ステップＳ３１５、を経て異物Ｆ１学習済み識別ニューラルネットワークＳ３１６を得ることができる。またさらに、教師あり学習させたい異物の種類ｎが複数である場合、同様に繰り返す異物Ｆｎの搬送ステップＳ３ｎ１～識別ニューラルネットワークの学習ステップＳ３ｎ５を経て、異物Ｆｎ学習済み識別ニューラルネットワークＳ３ｎ６を得ればよい。
またこのような識別ニューラルネットワーク３５３を学習で得る工程である異物学習段階Ｓ３００としては、図７に示すように、食品学習段階Ｓ１００を経たのちに、食品Ｂと異物Ｆ１の搬送ステップＳ３１１、検出信号の三次元配列化（検出時）ステップＳ３１２、検出時復元配列の算出ステップＳ３１３、三次元配列との差分計算ステップＳ３１４、識別ニューラルネットワークの学習ステップＳ３１５、を経て異物Ｆ１学習済み識別ニューラルネットワークＳ３１６を得ることができる。またさらに、教師あり学習させたい異物の種類ｎが複数である場合、同様に繰り返す異物Ｆｎの搬送ステップＳ３ｎ１～識別ニューラルネットワークの学習ステップＳ３ｎ５を経て、異物Ｆｎ学習済み識別ニューラルネットワークＳ３ｎ６を得ればよい。
【0062】
＜変形例１の食品Ｂと異物Ｆ１の搬送ステップ－１＞
食品Ｂと異物Ｆ１の搬送ステップＳ３１１において、食品学習段階Ｓ１００で学習済みの食品Ｂに、異物Ｆ１を付着または混入させて、搬送部Ｖで搬送させる。
食品Ｂと異物Ｆ１の搬送ステップＳ３１１において、食品学習段階Ｓ１００で学習済みの食品Ｂに、異物Ｆ１を付着または混入させて、搬送部Ｖで搬送させる。
【0063】
＜変形例１の検出信号の三次元配列化ステップ－１＞
検出信号の三次元配列化（検出時）ステップＳ３１２は、検出信号の三次元配列化（検出時）ステップＳ２０２と同様である。
検出信号の三次元配列化（検出時）ステップＳ３１２は、検出信号の三次元配列化（検出時）ステップＳ２０２と同様である。
【0064】
＜変形例１の検出時復元配列の算出ステップ－１＞
検出時復元配列の算出ステップＳ３１３は、検出時復元配列の算出ステップＳ２０３と同様である。
検出時復元配列の算出ステップＳ３１３は、検出時復元配列の算出ステップＳ２０３と同様である。
【0065】
＜変形例１の三次元配列との差分計算ステップ－１＞
三次元配列との差分計算ステップＳ３１４は、三次元配列との差分計算ステップＳ２０４と同様である。
三次元配列との差分計算ステップＳ３１４は、三次元配列との差分計算ステップＳ２０４と同様である。
【0066】
＜変形例１の識別ニューラルネットワークの学習ステップ－１＞
識別ニューラルネットワークの学習ステップＳ３１５において、識別ニューラルネットワーク３５３は、差分配列３５２を入力とし、該当する異物Ｆ１を示す要素のみ１とし、かつその他の要素を０とした異物種別ベクトル３５４を用いて、誤差逆伝播法で教師あり学習される。なお、教師あり学習させたい異物の種類ｎ種である場合、異物種別ベクトル３５４の要素の数はｎ個である。例えば、３種の異物（アオムシ、カメムシ、石）を学習させる場合でカメムシを付着させた学習時の異物種別ベクトル３５４は（０，１，０）であらわされる。
識別ニューラルネットワークの学習ステップＳ３１５において、識別ニューラルネットワーク３５３は、差分配列３５２を入力とし、該当する異物Ｆ１を示す要素のみ１とし、かつその他の要素を０とした異物種別ベクトル３５４を用いて、誤差逆伝播法で教師あり学習される。なお、教師あり学習させたい異物の種類ｎ種である場合、異物種別ベクトル３５４の要素の数はｎ個である。例えば、３種の異物（アオムシ、カメムシ、石）を学習させる場合でカメムシを付着させた学習時の異物種別ベクトル３５４は（０，１，０）であらわされる。
【0067】
＜変形例１の識別ニューラルネットワークの推論ステップ－１＞
上記のような学習を、教師あり学習させたい異物の種類ｎだけ繰り返して得られた識別ニューラルネットワーク３５３を用いることで、識別ニューラルネットワーク３５３を用いた異物検出段階Ｓ４００において、教師あり学習済みの異物Ｆｎの付着を検出し、検知出力Ｓ２１０で異物付着情報を検知出力部４から外部機器に伝達する。
上記のような学習を、教師あり学習させたい異物の種類ｎだけ繰り返して得られた識別ニューラルネットワーク３５３を用いることで、識別ニューラルネットワーク３５３を用いた異物検出段階Ｓ４００において、教師あり学習済みの異物Ｆｎの付着を検出し、検知出力Ｓ２１０で異物付着情報を検知出力部４から外部機器に伝達する。
【0068】
＜変形例１の効果－１＞
上記変形例１のような構成とすることで、図３に示すように、電波を用いた多元的情報から、異物の付着有無、あるいは付着していた場合には異物種別を区別して、検出することが可能になり、これらの情報に応じた外部機器の制御が可能となる。例えば、検出信号２４に位相角度２４４が含まれることで、異物Ｆｎの付着した食品Ｂの電離速度の差異を検出することが可能になる。またさらに、検出信号２４に周波数ごとの振幅２４１が含まれることで、異物Ｆｎの大きさに応じた吸収波長λの違いを検出できるようになる。これらを組み合わせて、付着しているものが石であれば搬送部Ｖを運転させたまま排除する、カメムシであれば搬送部Ｖを停止させて警報を鳴らす、といった外部機器の制御が可能となる。
上記変形例１のような構成とすることで、図３に示すように、電波を用いた多元的情報から、異物の付着有無、あるいは付着していた場合には異物種別を区別して、検出することが可能になり、これらの情報に応じた外部機器の制御が可能となる。例えば、検出信号２４に位相角度２４４が含まれることで、異物Ｆｎの付着した食品Ｂの電離速度の差異を検出することが可能になる。またさらに、検出信号２４に周波数ごとの振幅２４１が含まれることで、異物Ｆｎの大きさに応じた吸収波長λの違いを検出できるようになる。これらを組み合わせて、付着しているものが石であれば搬送部Ｖを運転させたまま排除する、カメムシであれば搬送部Ｖを停止させて警報を鳴らす、といった外部機器の制御が可能となる。
【0069】
＜変形例２の構成－１＞
また、上記実施形態では、図９に示すように、学習済み食品検出ニューラルネットワーク３４の学習済み次元圧縮手段３４１からの出力である検出時圧縮配列３４２を識別ニューラルネットワーク３５３に入力してもよい。
また、上記実施形態では、図９に示すように、学習済み食品検出ニューラルネットワーク３４の学習済み次元圧縮手段３４１からの出力である検出時圧縮配列３４２を識別ニューラルネットワーク３５３に入力してもよい。
【0070】
＜変形例２の構成－２＞
このような場合は、図１０に示すように、識別ニューラルネットワーク３５３は、差分配列３５２を初段のニューラルネットワーク層Ｌとし、畳み込みニューラルネットワークを経た中段のニューラルネットワーク層Ｌに検出時圧縮配列３４２を加えて再度畳み込みニューラルネットワークを経て、最終段のニューラルネットワーク層Ｌを、教師あり学習させたい異物の種類ｎだけ要素を有する異物種別ベクトル３５４と構成してもよいし、またはすればよい。
このような場合は、図１０に示すように、識別ニューラルネットワーク３５３は、差分配列３５２を初段のニューラルネットワーク層Ｌとし、畳み込みニューラルネットワークを経た中段のニューラルネットワーク層Ｌに検出時圧縮配列３４２を加えて再度畳み込みニューラルネットワークを経て、最終段のニューラルネットワーク層Ｌを、教師あり学習させたい異物の種類ｎだけ要素を有する異物種別ベクトル３５４と構成してもよいし、またはすればよい。
【0071】
＜変形例２の効果－１＞
上記変形例２のような構成とすることで、識別ニューラルネットワーク３５３は、差分配列３５２とあわせて、三次元配列３２の情報が特徴量として集約した情報を用いて、効率的に学習することが可能となる。
上記変形例２のような構成とすることで、識別ニューラルネットワーク３５３は、差分配列３５２とあわせて、三次元配列３２の情報が特徴量として集約した情報を用いて、効率的に学習することが可能となる。
【0072】
以上、実施形態を用いて本発明を説明したが、本発明の技術的範囲は上記実施形態に記載の範囲には限定されないことは言うまでもない。上記実施形態に、多様な変更又は改良を加えることが可能であることが当業者に明らかである。また、その様な変更又は改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
【0073】
（付記）
（１）本実施形態の非破壊食品検出装置は、搬送部で搬送される食品を検出する非破壊食品検出装置であって、高周波信号発生器と、伝送線路と、高周波信号測定器とを備え、周波数ごとの振幅、振幅実数部、振幅虚数部、または位相角度の少なくともいずれか一つを含む検出信号を出力する検出部と、前記検出信号を三次元配列に前処理する前処理手段と、前記前処理手段が出力する前記三次元配列の次元を圧縮する次元圧縮手段と、前記次元圧縮手段が圧縮した次元を復元する次元復元手段と、食品学習段階において、前記三次元配列を前記次元圧縮手段に入力したときの前記次元復元手段からの出力である学習時復元配列と、前記三次元配列との差が小さくなるように食品検出ニューラルネットワークを学習させることにより得られる学習済み食品検出ニューラルネットワークとを含む情報処理部とを備える。
（２）本実施形態の非破壊食品検出装置の前記情報処理部は、食品検出段階において、前記三次元配列を前記学習済み食品検出ニューラルネットワークに入力したときの出力である検出時復元配列と、前記三次元配列との差分を検出し、前記差分が、予め設定していた許容限界より大きい場合に、前記検知出力部に信号を送信する比較手段をさらに備える。
（３）本実施形態の非破壊食品検出装置の前記比較手段は、前記差分を入力する識別ニューラルネットワークをさらに備える。
（４）本実施形態の非破壊食品検出装置は、前記学習済み食品検出ニューラルネットワークの学習済み次元圧縮手段からの出力である検出時圧縮配列を前記識別ニューラルネットワークに入力する。
（１）本実施形態の非破壊食品検出装置は、搬送部で搬送される食品を検出する非破壊食品検出装置であって、高周波信号発生器と、伝送線路と、高周波信号測定器とを備え、周波数ごとの振幅、振幅実数部、振幅虚数部、または位相角度の少なくともいずれか一つを含む検出信号を出力する検出部と、前記検出信号を三次元配列に前処理する前処理手段と、前記前処理手段が出力する前記三次元配列の次元を圧縮する次元圧縮手段と、前記次元圧縮手段が圧縮した次元を復元する次元復元手段と、食品学習段階において、前記三次元配列を前記次元圧縮手段に入力したときの前記次元復元手段からの出力である学習時復元配列と、前記三次元配列との差が小さくなるように食品検出ニューラルネットワークを学習させることにより得られる学習済み食品検出ニューラルネットワークとを含む情報処理部とを備える。
（２）本実施形態の非破壊食品検出装置の前記情報処理部は、食品検出段階において、前記三次元配列を前記学習済み食品検出ニューラルネットワークに入力したときの出力である検出時復元配列と、前記三次元配列との差分を検出し、前記差分が、予め設定していた許容限界より大きい場合に、前記検知出力部に信号を送信する比較手段をさらに備える。
（３）本実施形態の非破壊食品検出装置の前記比較手段は、前記差分を入力する識別ニューラルネットワークをさらに備える。
（４）本実施形態の非破壊食品検出装置は、前記学習済み食品検出ニューラルネットワークの学習済み次元圧縮手段からの出力である検出時圧縮配列を前記識別ニューラルネットワークに入力する。
【符号の説明】
【0074】
１ 非破壊食品検出装置
２ 検出部
２１ 高周波信号発生器
２２ 伝送線路
２３ 高周波信号測定器
２４ 検出信号
２４１ 振幅
２４２ 振幅実数部
２４３ 振幅虚数部
２４４ 位相角度
３ 情報処理部
３１ 前処理手段
３２ 三次元配列
３２１ 第１の軸（周波数）
３２２ 第２の軸（検出時刻または検出位置）
３２３ 第３の軸（パラメータ種別）
３３（３４） 食品検出ニューラルネットワーク（学習済み食品検出ニューラルネットワーク）
３３１（３４１） 次元圧縮手段（学習済み次元圧縮手段）
３３２（３４２） 学習時圧縮配列（検出時圧縮配列）
３３３（３４３） 次元復元手段（学習済み次元復元手段）
３３４（３４４） 学習時復元配列（検出時復元配列）
３５ 比較手段
３５１ 差分検出手段
３５２ 差分配列
３５３ 識別ニューラルネットワーク
３５４ 異物種別ベクトル
３５５ 検知レベル判定手段
３６ 検知信号
４ 検知出力部
Ａ 検出対象物体
Ｂ 食品
Ｆ（Ｆｎ） 異物（ｎは種別ごとに仮に付番した番号）
Ｖ 搬送部
Ｌ（Ｌｎ） ニューラルネットワーク層（ｎは中間のニューラルネットワーク層の番号）
Ｋ（Ｋｎ） カーネル（ｎはニューラルネットワーク層Ｌｎに向けて切り出されるカーネルの番号）
Ｓ１００ 食品学習段階
Ｓ２００ 食品検出段階
Ｓ３００ 異物学習段階
Ｓ４００ 異物検出段階
２ 検出部
２１ 高周波信号発生器
２２ 伝送線路
２３ 高周波信号測定器
２４ 検出信号
２４１ 振幅
２４２ 振幅実数部
２４３ 振幅虚数部
２４４ 位相角度
３ 情報処理部
３１ 前処理手段
３２ 三次元配列
３２１ 第１の軸（周波数）
３２２ 第２の軸（検出時刻または検出位置）
３２３ 第３の軸（パラメータ種別）
３３（３４） 食品検出ニューラルネットワーク（学習済み食品検出ニューラルネットワーク）
３３１（３４１） 次元圧縮手段（学習済み次元圧縮手段）
３３２（３４２） 学習時圧縮配列（検出時圧縮配列）
３３３（３４３） 次元復元手段（学習済み次元復元手段）
３３４（３４４） 学習時復元配列（検出時復元配列）
３５ 比較手段
３５１ 差分検出手段
３５２ 差分配列
３５３ 識別ニューラルネットワーク
３５４ 異物種別ベクトル
３５５ 検知レベル判定手段
３６ 検知信号
４ 検知出力部
Ａ 検出対象物体
Ｂ 食品
Ｆ（Ｆｎ） 異物（ｎは種別ごとに仮に付番した番号）
Ｖ 搬送部
Ｌ（Ｌｎ） ニューラルネットワーク層（ｎは中間のニューラルネットワーク層の番号）
Ｋ（Ｋｎ） カーネル（ｎはニューラルネットワーク層Ｌｎに向けて切り出されるカーネルの番号）
Ｓ１００ 食品学習段階
Ｓ２００ 食品検出段階
Ｓ３００ 異物学習段階
Ｓ４００ 異物検出段階
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】