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】2024-06-03
(45)【発行日】2024-06-11
(54)【発明の名称】被選別物の識別方法、選別方法、選別装置、および識別装置
(51)【国際特許分類】
G01N 23/18 20180101AFI20240604BHJP
G01N 23/04 20180101ALI20240604BHJP
G01N 21/85 20060101ALI20240604BHJP
G06T 7/00 20170101ALI20240604BHJP
G06V 10/70 20220101ALI20240604BHJP
【ＦＩ】
G01N23/18
G01N23/04
G01N21/85 A
G06T7/00 350B
G06V10/70
【請求項の数】
7
(21)【出願番号】P 2022571934
(86)(22)【出願日】2021-11-04
(86)【国際出願番号】 JP2021040519
(87)【国際公開番号】W WO2022137822
(87)【国際公開日】2022-06-30
【審査請求日】2023-06-16
(31)【優先権主張番号】P 2020214808
(32)【優先日】2020-12-24
(33)【優先権主張国・地域又は機関】JP
(73)【特許権者】
【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】110003052
【氏名又は名称】弁理士法人勇智国際特許事務所
(72)【発明者】
【氏名】宮本 知幸
(72)【発明者】
【氏名】原田 真也
【審査官】嶋田 行志
(56)【参考文献】
【文献】特開２００２－３１２７６２（ＪＰ，Ａ）
【文献】特開２００５－０８３７７５（ＪＰ，Ａ）
【文献】国際公開第２０１８／１３１６８５（ＷＯ，Ａ１）
【文献】特開２０１５－１６１５２２（ＪＰ，Ａ）
【文献】特開２０００－２３７６９６（ＪＰ，Ａ）
【文献】特開２００２－０３９７３１（ＪＰ，Ａ）
【文献】特開２００７－１９８３９４（ＪＰ，Ａ）
【文献】特開２０２０－０１２７４１（ＪＰ，Ａ）
【文献】特開２００５－０９１１５９（ＪＰ，Ａ）
【文献】特開２０１９－０２３６６４（ＪＰ，Ａ）
【文献】特開２００２－０６２１１３（ＪＰ，Ａ）
【文献】特開２００２－０６２１２６（ＪＰ，Ａ）
【文献】特開２００６－０６４６６２（ＪＰ，Ａ）
【文献】特開２００５－０５５２４５（ＪＰ，Ａ）
【文献】特開平１０－０７６２３３（ＪＰ，Ａ）
【文献】特開平１０－２７９０６０（ＪＰ，Ａ）
【文献】特表２０１５－５２９１５４（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｎ ２３／００－Ｇ０１Ｎ ２３／２２７６
Ｇ０１Ｎ ２１／８４－Ｇ０１Ｎ ２１／９５８
Ｇ０６Ｔ １／００－Ｇ０６Ｔ ７／９０
Ｇ０６Ｖ １０／７０
Ｇ０１Ｊ ３／００－Ｇ０１Ｊ ３／５２
Ｇ０１Ｎ ２１／１７
Ｇ０１Ｎ ２１／２７
Ｈ０４Ｎ １／３８７
ＪＳＴＰｌｕｓ／ＪＳＴ７５８０／ＪＳＴＣｈｉｎａ（ＪＤｒｅａｍＩＩＩ）
(57)【特許請求の範囲】
【請求項1】
被選別物を移送する移送工程と、前記移送工程中における前記被選別物を撮像する撮像工程と、
前記撮像工程にて得られた撮像情報に基づき、前記被選別物を識別する識別工程とを備え、
前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報とを含み、
推論モデルの適用、階調値と閾値との比較およびパターンマッチングの少なくとも一つの手法を用いて、前記被選別物同士が接触、または、所定の程度以上に近接している領域を特定して前記被選別物同士の隣接情報としてラベリングを行った結果に基づいて、接触、または、前記所定の程度以上に近接している少なくとも二つの被選別物が個別に識別される
被選別物の識別方法。
【請求項2】
被選別物を移送する移送工程と、
前記移送工程中における前記被選別物を撮像する撮像工程と、
前記撮像工程にて得られた撮像情報に基づき、前記被選別物を識別する識別工程とを備え、
前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含み、
推論モデルの適用、階調値と閾値との比較およびパターンマッチングの少なくとも一つの手法を用いて、前記被選別物同士が接触、または、所定の程度以上に近接している領域を特定して前記被選別物同士の隣接情報としてラベリングするとともに、背景の領域を特定して前記被選別物の背景情報としてラベリングし、前記被選別物同士の隣接情報を前記被選別物の背景情報に置き換えることによって、接触、または、前記所定の程度以上に近接している少なくとも二つの被選別物が個別に識別される
被選別物の識別方法。
【請求項3】
被選別物の選別方法であって、請求項１または請求項２に記載の被選別物の識別方法と、
前記識別工程にて得られた識別情報に基づき、前記被選別物を選別する選別工程とを備えた
被選別物の選別方法。
【請求項4】
被選別物を移送する移送部と、前記移送部における移送中に前記被選別物を撮像する撮像部と、
前記撮像部にて得られた撮像情報に基づき、前記被選別物を識別する識別部とを備え、
前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報とを含み、
推論モデルの適用、階調値と閾値との比較およびパターンマッチングの少なくとも一つの手法を用いて、前記被選別物同士が接触、または、所定の程度以上に近接している領域を特定して前記被選別物同士の隣接情報としてラベリングを行った結果に基づいて、接触、または、前記所定の程度以上に近接している少なくとも二つの被選別物を個別に識別するように構成された
識別装置。
【請求項5】
被選別物を移送する移送部と、
前記移送部における移送中に前記被選別物を撮像する撮像部と、
前記撮像部にて得られた撮像情報に基づき、前記被選別物を識別する識別部とを備え、
前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報とを含み、
推論モデルの適用、階調値と閾値との比較およびパターンマッチングの少なくとも一つの手法を用いて、前記被選別物同士が接触、または、所定の程度以上に近接している領域を特定して前記被選別物同士の隣接情報としてラベリングするとともに、背景の領域を特定して前記被選別物の背景情報としてラベリングし、前記被選別物同士の隣接情報を前記被選別物の背景情報に置き換えることによって、接触、または、前記所定の程度以上に近接している少なくとも二つの被選別物を個別に識別するように構成された
識別装置。
【請求項6】
被選別物を移送する移送部と、
前記移送部における移送中に前記被選別物を撮像する撮像部と、
前記撮像部にて得られた撮像情報に基づき、前記被選別物を識別する識別部とを備え、
前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報とを含み、
接触、または、所定の程度以上に近接した少なくとも二つの被選別物の切り出し処理を行うことなく、前記被選別物同士の隣接情報に基づいて前記少なくとも二つの被選別物を個別に識別するように構成された
識別装置。
【請求項7】
請求項４ないし請求項６のいずれか一項に記載の識別装置と、
前記識別部にて得られた識別情報に基づき、前記被選別物を選別する選別部とを備える
選別装置。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、被選別物を選別する際の識別方法に関するものである。また、本開示は、当該被選別物の識別方法に基づき、被選別物を選別する、選別方法および選別装置に関するものである。
【背景技術】
【0002】
従来から、食品や工業製品等の検査対象物に混在する異物を識別して選別するための技術や、検査対象物そのものを所定の条件に基づいて識別して選別するための技術が、種々知られている。以下、検査対象物および異物の少なくとも一方について、識別あるいは選別の少なくとも一方の対象となるものを、被選別物という。
【0003】
近年においては、被選別物を選別等するための技術として、撮像画像を用いるものが提案されている。例えば、果実などの食品中に含まれる異物や夾雑物を除去するために、被選別物に光を照射して反射光の可視光および近赤外光の吸収スペクトルを測定等することによって、適宜被選別物の選別処理を行う技術が知られている（特開２００４－３０１６９０号公報）。
より具体的には、特開２００４－３０１６９０号公報にかかる従来技術においては、まず、被選別物（食品と食品に含まれる異物等）に光を照射することによって得られる反射光の可視光および近赤外光の吸収スペクトルを測定する。次に、この吸収スペクトルに対して二次微分処理を行い、食品とその他の異物等との間で異なる二次微分スペクトルを示す波長帯を測定する。そして、食品について、上述した波長帯の二次微分分光画像を作成することによって、この食品に含まれる異物等を検出することが可能となる。
より具体的には、特開２００４－３０１６９０号公報にかかる従来技術においては、まず、被選別物（食品と食品に含まれる異物等）に光を照射することによって得られる反射光の可視光および近赤外光の吸収スペクトルを測定する。次に、この吸収スペクトルに対して二次微分処理を行い、食品とその他の異物等との間で異なる二次微分スペクトルを示す波長帯を測定する。そして、食品について、上述した波長帯の二次微分分光画像を作成することによって、この食品に含まれる異物等を検出することが可能となる。
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、上記従来技術（特開２００４－３０１６９０号公報）においては、被選別物である検査対象物とそれ以外の異物等とは選別可能であるが、検査対象物同士（特開２００４－３０１６９０号公報における食品同士）を所定条件に基づき識別して選別することが困難であるという問題があった。
【0005】
また、上記従来技術においては、被選別物である検査対象物そのものの状態を把握することが困難であった。具体的には、検査対象物の表面状態等に基づいて識別等が必要であったとしても、上記従来技術では、検査対象物の表面状態あるいは内部状態（不可視形状を含む欠陥品・形状異常等）を精度よく把握できないため、これらを基準として識別して選別することが困難であるという問題があった。
【0006】
そこで、本開示は、上記従来技術の問題を解決するためになされたものであって、被選別物そのものの状態、および複数の被選別物同士の関係を適切に把握して、かかる把握した情報に基づき、被選別物を適切に識別する、被選別物の識別方法を提供することを課題とする。
また、本開示は、上記従来技術の問題を解決するためになされたものであって、被選別物そのものの状態、および複数の被選別物同士の関係を適切に把握して、かかる把握した情報に基づき、被選別物を適切に識別して選別する、被選別物の選別方法および選別装置を提供することを課題とする。
また、本開示は、上記従来技術の問題を解決するためになされたものであって、被選別物そのものの状態、および複数の被選別物同士の関係を適切に把握して、かかる把握した情報に基づき、被選別物を適切に識別して選別する、被選別物の選別方法および選別装置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】
【0007】
本開示の第一態様にかかる被選別物の識別方法は、被選別物を移送する移送工程と、前記移送工程中における前記被選別物を撮像する撮像工程と、前記撮像工程にて得られた撮像情報に基づき、前記被選別物を識別する識別工程とを備え、前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報とを含む。
【0008】
ここで、「撮像」とは、対象物（被選別物）の外部状況や内部状況等、対象物の状況を把握するために、対象物に対して電磁波を照射し、その反射信号（反射光）および透過信号（透過光）の少なくとも一方を受信（受光）して、対象物の状況（外部や内部の状況）を光学的な方法で結像させることをいう。また、「電磁波」とは、電場と磁場の変化を伝搬する波動であり、光や電波は電磁波の一種である。「撮像」を実施する撮像手段は、電磁波を照射する電磁波発生部（例えば、Ｘ線発生部）と、照射された電磁波の透過信号および反射信号の少なくとも一方を受信する電磁波検出部（例えば、Ｘ線検出部）とを用いて構成される。
また、「隣接情報」とは、隣接する被選別物間の距離（隣接距離）あるいは隣接割合（被選別物の大きさに対する被選別物間の距離の割合）に応じて付される情報であり、例えば、被選別物同士が接触している部分、被選別物間の距離が所定距離以下の部分、および被選別物間の隣接割合が所定割合以下の部分の少なくとも一つに、被選別物および背景等と異なる所定の情報（例えば、色情報）を付して構成される。
さらに、「分類情報」とは、被選別物の状態に応じて付される情報であり、例えば、被選別物の良好な部分である「良部情報」や、被選別物の欠損部や内観不良部等の不良な部分である「不良部情報」等があげられる。この「分類情報」として、例えば、「良部情報」や「不良部情報」等の複数の情報が存在する場合、それぞれの「分類情報」については、それぞれ異なる情報（例えば、色情報）を付して構成される。
また、「隣接情報」とは、隣接する被選別物間の距離（隣接距離）あるいは隣接割合（被選別物の大きさに対する被選別物間の距離の割合）に応じて付される情報であり、例えば、被選別物同士が接触している部分、被選別物間の距離が所定距離以下の部分、および被選別物間の隣接割合が所定割合以下の部分の少なくとも一つに、被選別物および背景等と異なる所定の情報（例えば、色情報）を付して構成される。
さらに、「分類情報」とは、被選別物の状態に応じて付される情報であり、例えば、被選別物の良好な部分である「良部情報」や、被選別物の欠損部や内観不良部等の不良な部分である「不良部情報」等があげられる。この「分類情報」として、例えば、「良部情報」や「不良部情報」等の複数の情報が存在する場合、それぞれの「分類情報」については、それぞれ異なる情報（例えば、色情報）を付して構成される。
【0009】
本開示の第二態様にかかる被選別物の識別方法は、被選別物を移送する移送工程と、前記移送工程中における前記被選別物を撮像する撮像工程と、前記撮像工程にて得られた撮像情報に基づき、前記被選別物を識別する識別工程とを備え、前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含む。
【0010】
本開示の第三態様にかかる被選別物の識別方法は、被選別物を移送する移送工程と、前記移送工程中における前記被選別物を撮像する撮像工程と、前記撮像工程にて得られた撮像情報に基づき、前記被選別物を識別する識別工程とを備え、前記識別工程が、前記被選別物に関する学習情報に基づいて生成された推論モデルを用いて行われ、前記学習情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報とを含み、前記識別工程では、前記撮像情報と前記推論モデルとを用いて、前記被選別物を識別する。
ここで、「推論モデル」は、サポートベクターマシン（ＳＶＭ）、単純ベイズ分類器、ロジスティック回帰、ランダムフォレスト、ニューラルネットワーク、ディープラーニング、Ｋ近傍法、ＡｄａＢｏｏｓｔ、バギング、Ｃ４．５、カーネル法、確率的勾配降下法、ラッソ回帰、リッジ回帰、Ｅｌａｓｔｉｃ Ｎｅｔ、内挿法、および協調フィルタリングの少なくとも一つ以上を組み合わせて構成されたシステム（学習プログラム）を用いて得ることができる。具体的には、かかるシステム（学習プログラム）に所定の画像情報（学習情報、学習用画像）を学習させることによって、本開示にかかる識別工程を実施可能な「推論モデル」を得ることができる。以下においても、単に「推論モデル」と表記される場合には、同様の概念とする。
また、この第三態様にかかる被選別物の識別方法においては、前記学習情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含む構成であってもよい。
ここで、「推論モデル」は、サポートベクターマシン（ＳＶＭ）、単純ベイズ分類器、ロジスティック回帰、ランダムフォレスト、ニューラルネットワーク、ディープラーニング、Ｋ近傍法、ＡｄａＢｏｏｓｔ、バギング、Ｃ４．５、カーネル法、確率的勾配降下法、ラッソ回帰、リッジ回帰、Ｅｌａｓｔｉｃ Ｎｅｔ、内挿法、および協調フィルタリングの少なくとも一つ以上を組み合わせて構成されたシステム（学習プログラム）を用いて得ることができる。具体的には、かかるシステム（学習プログラム）に所定の画像情報（学習情報、学習用画像）を学習させることによって、本開示にかかる識別工程を実施可能な「推論モデル」を得ることができる。以下においても、単に「推論モデル」と表記される場合には、同様の概念とする。
また、この第三態様にかかる被選別物の識別方法においては、前記学習情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含む構成であってもよい。
【0011】
本開示の第四態様にかかる選別方法は、被選別物を移送する移送工程と、前記移送工程中における前記被選別物を撮像する撮像工程と、前記撮像工程にて得られた撮像情報に基づき、前記被選別物を識別する識別工程と、前記識別工程にて得られた識別情報に基づき、前記被選別物を選別する選別工程とを備え、前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報とを含む。
また、本実施態様にかかる選別方法においては、前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含む構成であってもよい。
また、本実施態様にかかる選別方法においては、前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含む構成であってもよい。
【0012】
本開示の第五態様にかかる選別方法は、被選別物を移送する移送工程と、前記移送工程中における前記被選別物を撮像する撮像工程と、前記撮像工程にて得られた撮像情報に基づき、前記被選別物を識別する識別工程と、前記識別工程にて得られた識別情報に基づき、前記被選別物を選別する選別工程とを備え、前記識別工程が、前記被選別物に関する学習情報に基づいて生成された推論モデルを用いて行われ、前記学習情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報とを含み、前記識別工程では、前記撮像情報と前記推論モデルとを用いて、前記被選別物を識別する。
また、この第五態様にかかる被選別物の選別方法においては、前記学習情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含む構成であってもよい。
また、この第五態様にかかる被選別物の選別方法においては、前記学習情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含む構成であってもよい。
【0013】
本開示の第六態様にかかる選別装置は、被選別物を移送する移送手段と、前記移送手段における移送中に前記被選別物を撮像する撮像手段と、前記撮像手段にて得られた撮像情報に基づき、前記被選別物を識別する識別手段と、前記識別手段にて得られた識別情報に基づき、前記被選別物を選別する選別手段とを備え、前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報とを含む。
また、本実施態様にかかる選別装置においては、前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含む構成であってもよい。
また、本実施態様にかかる選別装置においては、前記撮像情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含む構成であってもよい。
【0014】
本開示の第七態様にかかる選別装置は、被選別物を移送する移送手段と、前記移送手段における移送中に前記被選別物を撮像する撮像手段と、前記撮像手段にて得られた撮像情報に基づき、前記被選別物を識別する識別手段と、前記識別手段にて得られた識別情報に基づき、前記被選別物を選別する選別手段とを備え、前記識別手段が、前記被選別物に関する学習情報に基づいて生成された推論モデルを有し、前記学習情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報とを含み、前記識別手段が、前記撮像情報と前記推論モデルとを用いて、前記被選別物を識別する。
ここで、「撮像手段」は、電磁波を照射する電磁波発生部（例えば、Ｘ線発生部）と、照射された電磁波の透過情報（透過光、透過信号）および反射情報（反射光、反射信号）の少なくとも一方を検出する電磁波検出部（例えば、Ｘ線検出部）とを用いて構成される。
また、この第七態様にかかる被選別物の選別装置においては、前記学習情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含む構成であってもよい。
ここで、「撮像手段」は、電磁波を照射する電磁波発生部（例えば、Ｘ線発生部）と、照射された電磁波の透過情報（透過光、透過信号）および反射情報（反射光、反射信号）の少なくとも一方を検出する電磁波検出部（例えば、Ｘ線検出部）とを用いて構成される。
また、この第七態様にかかる被選別物の選別装置においては、前記学習情報が、前記被選別物同士の隣接情報と、前記被選別物の分類情報と、前記被選別物の背景情報とを含む構成であってもよい。
【0015】
本開示によれば、被選別物そのものの状態、および複数の被選別物同士の関係を適切に把握して、かかる把握した情報に基づき、被選別物を適切に識別する、被選別物の識別方法を得ることができる。
また、本開示によれば、被選別物そのものの状態、および複数の被選別物同士の関係を適切に把握して、かかる把握した情報に基づき、被選別物を適切に識別して選別する、被選別物の選別方法および選別装置を得ることができる。
また、本開示によれば、被選別物そのものの状態、および複数の被選別物同士の関係を適切に把握して、かかる把握した情報に基づき、被選別物を適切に識別して選別する、被選別物の選別方法および選別装置を得ることができる。
【図面の簡単な説明】
【0016】
【図1】本開示の実施形態にかかる被選別物の選別装置の一部概略図（Ｘ線識別手段の概略側面図）を示したものである。
【図2】本開示の実施形態にかかるＸ線選別手段（を成すＸ線識別手段）にて用いられる推論モデルの構築方法に関するフローチャートを示したものである。
【図3A】本開示の実施形態にかかるＸ線選別手段（を成すＸ線識別手段）にて用いられる推論モデルの構築方法における撮像情報等の概略図であり、被選別物にＸ線を照射して取得された生画像を示したものである。
【図3B】本開示の実施形態にかかるＸ線選別手段（を成すＸ線識別手段）にて用いられる推論モデルの構築方法における撮像情報等の概略図であり、学習用画像を生成するために、取得された生画像からトリミング処理が行われたトリミング画像（トリミング画像群）を示したものである。
【図3C】本開示の実施形態にかかるＸ線選別手段（を成すＸ線識別手段）にて用いられる推論モデルの構築方法における撮像情報等の概略図であり、トリミング画像に基づき、良部（良部情報、分類情報）、不良部（不良部情報、分類情報）、隣接部（隣接情報）、背景部（背景情報）についてのラベリング処理が行われたラベリング画像（ラベリング画像群）を示したものである。
【図4】本開示の実施形態にかかるＸ線選別手段（を成すＸ線識別手段）を用いて行われる識別工程（被選別物の識別方法）に関するフローチャートを示したものである。
【図5A】本開示の実施形態にかかるＸ線選別手段（を成すＸ線識別手段）を用いて行われる識別工程時における撮像情報等の概略図であり、被選別物にＸ線を照射して撮像された生画像を示したものである。
【図5B】本開示の実施形態にかかるＸ線選別手段（を成すＸ線識別手段）を用いて行われる識別工程時における撮像情報等の概略図であり、撮像された生画像に推論モデルを適用した際の（推論モデルによる推論を行った後の）推論結果画像を示したものである。
【図5C】本開示の実施形態にかかるＸ線選別手段（を成すＸ線識別手段）を用いて行われる識別工程時における撮像情報等の概略図であり、推論結果画像にフィルタリングを行った際のフィルタ処理後画像を示したものである。
【図6】本開示の第二実施形態にかかる選別装置（ベルト式選別装置）の概略構成図を示したものである。
【図7】本開示の第三実施形態にかかる選別装置（シュート式選別装置）の概略構成図を示したものである。
【発明を実施するための形態】
【0017】
以下、図面に基づいて、本開示の実施形態にかかる被選別物の識別方法、被選別物の選別方法、および被選別物の選別装置等について説明する。
ここで、「被選別物」としては、例えば、ナッツ、豆類、穀粒、樹脂、石、ガラス、木材等の粒状物があげられる。また、「穀粒」とは、穀物の粒のことであり、穀物とは、植物から得られる食材の総称の一つである。穀物としては、例えば、米、麦、粟、稗、トウモロコシ、大豆、小豆、蕎麦等があげられる。
ここで、「被選別物」としては、例えば、ナッツ、豆類、穀粒、樹脂、石、ガラス、木材等の粒状物があげられる。また、「穀粒」とは、穀物の粒のことであり、穀物とは、植物から得られる食材の総称の一つである。穀物としては、例えば、米、麦、粟、稗、トウモロコシ、大豆、小豆、蕎麦等があげられる。
【0018】
＜第一実施形態＞
図１は、本開示の実施形態にかかる被選別物の選別装置の一部概略図（一部概略側面図）を示したものである。より具体的には、図１は、選別装置の一部であるＸ線識別手段１０の概略図（概略側面図）を示したものである。また、図２は、本実施形態にかかるＸ線選別手段にて用いられる推論モデルの構築方法に関するフローチャートを示したものである。さらに、図３Ａ～３Ｃは、本実施形態にかかる推論モデル構築時に用いられる撮像情報等の概略図を示したものであって、図３Ａは、被選別物に電磁波（Ｘ線）を照射して取得された生画像を示し、図３Ｂは、学習用画像（請求の範囲の「学習情報」の非限定的な一例である）を生成するために、取得された生画像からトリミング処理が行われたトリミング画像（トリミング画像群）を示し、図３Ｃは、トリミング画像に基づき、良部（分類情報の一例としての良部情報）、不良部（分類情報の一例としての不良部情報）、隣接部（隣接情報）、背景部（背景情報）についてのラベリング処理が行われたラベリング画像（ラベリング画像群）を示している。本開示にかかる実施形態においては、ラベリング画像が学習用画像（学習情報）として用いられる。また、図４は、本実施形態にかかるＸ線選別手段（を成すＸ線識別手段）を用いて行われる識別工程（被選別物の識別方法）に関するフローチャートを示したものである。さらに、図５Ａ～５Ｃは、本実施形態にかかるＸ線識別手段を用いて行われる識別工程時における撮像情報等の概略図を示し、図５Ａは、被選別物にＸ線を照射して撮像された生画像を示し、図５Ｂは、撮像された生画像に推論モデルを適用した際の推論結果画像を示し、図５Ｃは、推論結果画像にフィルタリングを行った際のフィルタ処理後画像を示したものである。
図１は、本開示の実施形態にかかる被選別物の選別装置の一部概略図（一部概略側面図）を示したものである。より具体的には、図１は、選別装置の一部であるＸ線識別手段１０の概略図（概略側面図）を示したものである。また、図２は、本実施形態にかかるＸ線選別手段にて用いられる推論モデルの構築方法に関するフローチャートを示したものである。さらに、図３Ａ～３Ｃは、本実施形態にかかる推論モデル構築時に用いられる撮像情報等の概略図を示したものであって、図３Ａは、被選別物に電磁波（Ｘ線）を照射して取得された生画像を示し、図３Ｂは、学習用画像（請求の範囲の「学習情報」の非限定的な一例である）を生成するために、取得された生画像からトリミング処理が行われたトリミング画像（トリミング画像群）を示し、図３Ｃは、トリミング画像に基づき、良部（分類情報の一例としての良部情報）、不良部（分類情報の一例としての不良部情報）、隣接部（隣接情報）、背景部（背景情報）についてのラベリング処理が行われたラベリング画像（ラベリング画像群）を示している。本開示にかかる実施形態においては、ラベリング画像が学習用画像（学習情報）として用いられる。また、図４は、本実施形態にかかるＸ線選別手段（を成すＸ線識別手段）を用いて行われる識別工程（被選別物の識別方法）に関するフローチャートを示したものである。さらに、図５Ａ～５Ｃは、本実施形態にかかるＸ線識別手段を用いて行われる識別工程時における撮像情報等の概略図を示し、図５Ａは、被選別物にＸ線を照射して撮像された生画像を示し、図５Ｂは、撮像された生画像に推論モデルを適用した際の推論結果画像を示し、図５Ｃは、推論結果画像にフィルタリングを行った際のフィルタ処理後画像を示したものである。
【0019】
図１に示すように、本開示にかかる選別装置を成すＸ線識別手段１０は、搬送路９１上の被選別物Ｓに対してＸ線１１ａを照射するＸ線発生部１１（電磁波発生部）、およびＸ線発生部１１から照射されたＸ線１１ａを検出するＸ線検出部１２（電磁波検出部）等を用いて構成されている。この図１では省略しているが、本実施形態にかかるＸ線識別手段１０は、Ｘ線発生部１１およびＸ線検出部１２の他に、Ｘ線発生部１１等を覆うように設けられる隔壁や、それぞれに接続された画像処理手段等の種々の制御手段や、その他の構成要素等を用いて構成されている。
【0020】
また、本実施形態にかかるＸ線識別手段１０は、搬送路９１が駆動することによって、あるいは搬送路９１が所定の傾斜角度を有することによって、Ｘ線発生部１１とＸ線検出部１２との間を被選別物Ｓが移動すべく構成されている。つまり、本実施形態にかかるＸ線識別手段１０においては、被選別物Ｓが、Ｘ線発生部１１とＸ線検出部１２との間を所定の方向（図１における左方向または右方向）に移送可能に構成されている。このように被選別部Ｓが移送される工程が、請求の範囲の「移送工程」の非限定的な一例である。なお、本開示における「移送工程」は、被選別物Ｓがベルト等にて移送されている状態のみならず、場合によっては、被選別物Ｓが空中に放出して移送されている状態も含む概念である。
【0021】
本実施形態において、図１に示すＸ線識別手段１０は、選別装置の一部を成すと共に、選別装置に搭載される推論モデルを構築する際の機械学習装置の一部としても機能してもよい。以下においては、まず、本実施形態にかかる選別装置（のＸ線識別手段１０）に搭載される推論モデルの構築方法等について説明する。
【0022】
本実施形態にかかる推論モデルを構築する場合の機械学習装置は、Ｘ線識別手段１０およびパーソナルコンピュータ（以下「ＰＣ」ともいう。）（図示省略）等を用いて構成されている。ＰＣは、ＣＰＵ（中央演算処理装置）やＧＰＵ（画像演算処理装置）等の演算処理装置（演算装置、制御装置、クロック、レジスタ等を用いて構成されている）、メモリ、入出力装置、バス（信号回路）等を用いて構成されている。
【0023】
本実施形態にかかる推論モデルを構築する際に用いられる機械学習装置は、上記のようにＰＣ等を用いて構成されており、かかるＰＣには、サポートベクターマシン（ＳＶＭ）、単純ベイズ分類器、ロジスティック回帰、ランダムフォレスト、ニューラルネットワーク、ディープラーニング、Ｋ近傍法、ＡｄａＢｏｏｓｔ、バギング、Ｃ４．５、カーネル法、確率的勾配降下法、ラッソ回帰、リッジ回帰、Ｅｌａｓｔｉｃ Ｎｅｔ、内挿法、および協調フィルタリングの少なくとも一つ以上を組み合わせて構成された学習プログラムが設けられている。本実施形態においては、例えば、ディープラーニングをメインにして学習プログラムが構成されている。
【0024】
本実施形態においては、Ｘ線識別手段１０を用いて得られた撮像情報（取得画像）およびこの撮像情報（取得画像）を適宜加工した画像情報の少なくとも一方を学習用画像とし、この学習用画像と学習プログラムとを用いて、推論モデルが構築される。以下、図１～図３Ｃを用いて、推論モデルの構築方法について、説明する。上述したように、図２は、本実施形態にかかるＸ線選別手段にて用いられる推論モデルの構築方法に関するフローチャートを示し、図３Ａ～３Ｃは、本実施形態にかかる推論モデル構築時に用いられる撮像情報（取得画像）等の概略図を示している。
【0025】
図２に示すように、本実施形態にかかる推論モデルを構築する際には、Ｘ線識別手段１０を用いて、搬送路９１上の被選別物Ｓに関する画像（Ｘ線透過画像）の取得が行われる（画像取得工程：ステップＳ２０１）。本実施形態においては、この画像取得工程Ｓ２０１にて、搬送路９１上の複数の被選別物Ｓに関し、ライン状の生画像３１０が取得される（図３Ａ参照）。より具体的には、ステップＳ２０１においては、Ｘ線検出部１２から一定ライン数（例えば、５１２ライン）分の画像情報が取り込まれ、この画像情報（生画像３１０）については、被選別物Ｓが撮像されていることを所定の閾値で確認して、適宜メモリに保存される。
【0026】
次いで、本実施形態においては、画像取得工程Ｓ２０１にて取得された生画像３１０の所定部分についてトリミング処理が行われる（トリミング処理工程：ステップＳ２０３）。つまり、このステップＳ２０３にて、生画像３１０からトリミング画像群３２０（第一トリミング画像３２１～第六トリミング画像３２６）が生成される（図３Ｂ参照）。このトリミング処理工程Ｓ２０３においては、トリミングされたそれぞれの画像中に被選別物Ｓが存在した状態となるように、トリミング処理が行われる。
【0027】
本実施形態においては、このステップＳ２０３（トリミング処理工程）にて、被選別物Ｓの良部情報Ｓ１（分類情報）と不良部情報Ｓ２（分類情報）と背景情報Ｓ４とを有する画像（第一トリミング画像３２１、第二トリミング画像３２２）、被選別物Ｓの良部情報Ｓ１と隣接情報Ｓ３と背景情報Ｓ４とを有する画像（第三トリミング画像３２３、第四トリミング画像３２４）、および被選別物Ｓの良部情報Ｓ１と背景情報Ｓ４とを有する画像（第五トリミング画像３２５、第六トリミング画像３２６）が、切り出し抽出される。
【0028】
このトリミング処理工程Ｓ２０３においては、少なくとも二つ以上の情報を有する状態（例えば、良部情報Ｓ１と不良部情報Ｓ２と背景情報Ｓ４とを有する状態（第一トリミング画像３２１等）や、良部情報Ｓ１と隣接情報Ｓ３と背景情報Ｓ４とを有する状態（第三トリミング画像３２３等）や、良部情報Ｓ１と背景情報Ｓ４とを有する状態（第五トリミング画像３２５等）等）となるように、画像の切り出し抽出が行われる。
【0029】
本実施形態においては、被選別物Ｓの良好な部分（被選別物Ｓにおいて欠損部や内観不良部（内部の不可視形状）等の不良な部分を除いた部分）である良部情報Ｓ１や、被選別物Ｓの欠損部や内観不良部等の不良な部分である不良部情報Ｓ２を所定の割合で有するように、トリミング処理工程Ｓ２０３が行われる。この良部情報Ｓ１や不良部情報Ｓ２が、「分類情報」の非限定的な一例である。
また、本実施形態においては、被選別物Ｓ同士が接触している部分、および隣接する被選別物Ｓ間の距離（隣接距離）あるいは隣接割合（被選別物Ｓの大きさに対する被選別物Ｓ間の距離の割合）が所定値以下の部分を所定の割合で有するように、トリミング処理工程Ｓ２０３が行われる。例えば、被選別物Ｓ同士が接触している部分、被選別物Ｓ間の距離が所定距離以下の部分、および被選別物Ｓ間の隣接割合が所定割合以下の部分の少なくとも一つが、「隣接情報」の非限定的な一例である。
さらに、本実施形態においては、分類情報と隣接情報と背景情報とが所定の割合となるように、トリミング処理工程Ｓ２０３が行われる。
また、本実施形態においては、被選別物Ｓ同士が接触している部分、および隣接する被選別物Ｓ間の距離（隣接距離）あるいは隣接割合（被選別物Ｓの大きさに対する被選別物Ｓ間の距離の割合）が所定値以下の部分を所定の割合で有するように、トリミング処理工程Ｓ２０３が行われる。例えば、被選別物Ｓ同士が接触している部分、被選別物Ｓ間の距離が所定距離以下の部分、および被選別物Ｓ間の隣接割合が所定割合以下の部分の少なくとも一つが、「隣接情報」の非限定的な一例である。
さらに、本実施形態においては、分類情報と隣接情報と背景情報とが所定の割合となるように、トリミング処理工程Ｓ２０３が行われる。
【0030】
本実施形態のトリミング処理工程（Ｓ２０３）におけるトリミングサイズは、被選別物Ｓの大きさ（物体の投影面積）や形状に応じてそのサイズが定められる。
具体的には、被選別物Ｓの単体の大きさと同程度の大きさでトリミング処理が行われる。この際、被選別物Ｓが「円」や「正方形」に近い形状である場合には、その被選別物Ｓの平均的な単体の大きさ（面積）と同程度あるいは少し大きいサイズ（「単体の平均値－５％程度」≦トリミングサイズ≦「単体の平均値＋１５％程度」）にトリミング処理が行われる。また、被選別物Ｓが「楕円形」や「長方形」に近い形状である場合には、その被選別物Ｓの平均的な単体の大きさと同程度あるいは少し小さいサイズ（「単体の平均値－１５％程度」≦トリミングサイズ≦「単体の平均値＋５％程度」）にトリミング処理が行われる。
例えば、本実施形態においては、被選別物Ｓがアーモンドであれば、４０×４０ピクセルのサイズ（平均的な単体の大きさと同程度あるいは少し小さいサイズ）で、トリミング処理が行われる。
具体的には、被選別物Ｓの単体の大きさと同程度の大きさでトリミング処理が行われる。この際、被選別物Ｓが「円」や「正方形」に近い形状である場合には、その被選別物Ｓの平均的な単体の大きさ（面積）と同程度あるいは少し大きいサイズ（「単体の平均値－５％程度」≦トリミングサイズ≦「単体の平均値＋１５％程度」）にトリミング処理が行われる。また、被選別物Ｓが「楕円形」や「長方形」に近い形状である場合には、その被選別物Ｓの平均的な単体の大きさと同程度あるいは少し小さいサイズ（「単体の平均値－１５％程度」≦トリミングサイズ≦「単体の平均値＋５％程度」）にトリミング処理が行われる。
例えば、本実施形態においては、被選別物Ｓがアーモンドであれば、４０×４０ピクセルのサイズ（平均的な単体の大きさと同程度あるいは少し小さいサイズ）で、トリミング処理が行われる。
【0031】
また、本実施形態においては、トリミング処理工程（Ｓ２０３）後、各トリミング画像に対して、正規化処理が行われる。但し、この正規化処理のタイミングはトリミング処理工程（Ｓ２０３）後に限定されず、例えば、画像取得工程（Ｓ２０１）後に、生画像３１０に対して正規化処理を行い、この正規化処理を行った画像にトリミング処理工程を行ってもよい。ここで、「正規化処理」としては、光量ムラや検出部の素子の感度を均一にするシェーディング補正や、画像に対して電磁波強度に応じた階調の値を一定の範囲におさめる変換等が行われる。例えば、本実施形態においては、電磁波強度に応じた階調の値の範囲が、０～１の範囲におさまるように、正規化処理が行われる。
【0032】
次いで、本実施形態においては、トリミング処理工程Ｓ２０３にて生成されたトリミング画像群３２０（正規化処理後のトリミング画像群）を用いて、ラベリング処理が行われる（ラベリング処理工程：ステップＳ２０５）。つまり、このラベリング処理工程Ｓ２０５にて、正規化処理後のトリミング画像群からラベリング画像群３３０（第一ラベリング画像３３１～第六ラベリング画像３３６）（請求の範囲の「学習情報」の非限定的な一例である）が生成される（図３Ｃ参照）。
【0033】
本実施形態においては、このステップＳ２０５（ラベリング処理工程）にて、トリミング画像群３２０の各トリミング画像３２１～３２６（正規化処理後の各トリミング画像）を基にして、各画像を成す全てのピクセルについて、何が写っているのかの判断（どの情報であるのかの判断）が行われ、良部ラベリング部ＳＰ１（請求の範囲の「分類情報」の非限定的な一例である）、不良部ラベリング部ＳＰ２（本発明の「分類情報」に相当）、隣接ラベリング部ＳＰ３（請求の範囲の「隣接情報」の非限定的な一例である）、背景ラベリング部ＳＰ４（請求の範囲の「背景情報」の非限定的な一例である）のいずれかのラベリングが付される。
【0034】
本実施形態における「分類情報」とは、被選別物Ｓの状態に応じて付される情報であり、本実施形態における良部ラベリング部ＳＰ１や不良部ラベリング部ＳＰ２が分類情報に該当する。また、隣接ラベリング部ＳＰ３が隣接情報に該当し、背景ラベリング部ＳＰ４が背景情報に該当する。
【0035】
本実施形態にかかるラベリング処理工程Ｓ２０５にて付与される隣接ラベリング部ＳＰ３（隣接情報）は、隣接する被選別物Ｓ間の距離（隣接距離）あるいは隣接割合（被選別物Ｓの大きさに対する被選別物Ｓ間の距離の割合）に応じて付される情報である。例えば、被選別物Ｓ同士が接触している部分、被選別物Ｓ間の距離が所定距離以下の部分、および被選別物Ｓ間の隣接割合が所定割合以下の部分の少なくとも一つに対して、隣接ラベリングＳＰ３（隣接情報）が付与される。ここで、本実施形態においては、例えば、ある一定値で二値化した場合に、隣接する被選別物Ｓ同士が繋がっていると判断される部分が、隣接ラベリング部ＳＰ３（隣接情報）として定義される。
【0036】
また、本実施形態にかかるラベリング処理工程Ｓ２０５において、それぞれのラベリングの判断基準は、例えば、以下のように定められる。
具体的には、取得される信号の明るさがラベリングの判断基準として用いられる。
本実施形態においては、例えば、複数の明るさの基準値（第一ラベリング基準値、第二ラベリング基準値）を設け、この明るさの基準値に基づいてラベリング処理が行われる。ここでは、第一ラベリング基準値よりも第二ラベリング基準値の方が、より明るい値として定義するものとする。
上記の第一ラベリング基準値および第二ラベリング基準値を用い、本実施形態においては、例えば、第一ラベリング基準値以下の明るさを有する部分（暗い部分）について良部ラベリング部ＳＰ１が付され、第二ラベリング基準値以上の明るさを有する（明るい部分）について背景ラベリング部ＳＰ４が付される。また、第一ラベリング基準値以下の明るさを有する領域中に所定の明るさ（第一ラベリング基準値と第二ラベリング基準値との間の所定の明るさ）を有する部分、および第一ラベリング基準値以下の明るさを有する箇所と第二ラベリング基準値以上の明るさを有する箇所との間に存在する所定の明るさを有する部分について不良部ラベリング部ＳＰ２が付される。さらに、第一ラベリング基準値以下の明るさを有する領域が複数近接あるいは接触している領域であって、第二ラベリング基準値よりも暗い部分について、隣接ラベリング部ＳＰ３が付される。
具体的には、取得される信号の明るさがラベリングの判断基準として用いられる。
本実施形態においては、例えば、複数の明るさの基準値（第一ラベリング基準値、第二ラベリング基準値）を設け、この明るさの基準値に基づいてラベリング処理が行われる。ここでは、第一ラベリング基準値よりも第二ラベリング基準値の方が、より明るい値として定義するものとする。
上記の第一ラベリング基準値および第二ラベリング基準値を用い、本実施形態においては、例えば、第一ラベリング基準値以下の明るさを有する部分（暗い部分）について良部ラベリング部ＳＰ１が付され、第二ラベリング基準値以上の明るさを有する（明るい部分）について背景ラベリング部ＳＰ４が付される。また、第一ラベリング基準値以下の明るさを有する領域中に所定の明るさ（第一ラベリング基準値と第二ラベリング基準値との間の所定の明るさ）を有する部分、および第一ラベリング基準値以下の明るさを有する箇所と第二ラベリング基準値以上の明るさを有する箇所との間に存在する所定の明るさを有する部分について不良部ラベリング部ＳＰ２が付される。さらに、第一ラベリング基準値以下の明るさを有する領域が複数近接あるいは接触している領域であって、第二ラベリング基準値よりも暗い部分について、隣接ラベリング部ＳＰ３が付される。
【0037】
つまり、本実施形態においては、上記判断基準に基づき、図３Ｃに示すように、ラベリング画像群３３０の各ラベリング画像３３１～３３６は、それぞれの画像を構成する全てのピクセルについて、４つラベリング（ラベリング部ＳＰ１～ＳＰ４）が付されることとなる。このステップＳ２０５にて生成されたラベリング画像３３１～３３６は、適宜、所定のメモリに学習用画像（学習情報）として記憶される。
【0038】
このラベリング処理工程Ｓ２０５においては、例えば、被選別物Ｓの空洞部等が不良部（内観不良部）と認識されて不良部としてのラベリング処理がなされる（不良部ラベリング部ＳＰ２が形成される）。そして、被選別部Ｓの不良部以外の部分について、良部としてのラベリング処理がなされる（良部ラベリング部ＳＰ１が形成される）。
【0039】
次いで、本実施形態においては、所定の条件に基づき、ラベリング処理工程Ｓ２０５を完了するか否かの判断が行われる（完了判断工程：ステップＳ２０７）。
ここで、「所定の条件」とは、例えば、ラベリング処理が完了したラベリング画像の総数、ラベリング処理が完了したラベリング画像の総ピクセル数、ラベリング画像中の良部ラベリング部のピクセル数と不良部ラベリング部のピクセル数の合計やそれぞれの割合、およびラベリング画像中の分類情報のピクセル数と隣接情報のピクセル数と背景情報のピクセル数の合計やそれぞれの割合等の少なくとも一つが考えられる。この「所定の条件」は、上記条件の一つでもよいし、上記条件の複数を組み合わせてもよい。
ここで、「所定の条件」とは、例えば、ラベリング処理が完了したラベリング画像の総数、ラベリング処理が完了したラベリング画像の総ピクセル数、ラベリング画像中の良部ラベリング部のピクセル数と不良部ラベリング部のピクセル数の合計やそれぞれの割合、およびラベリング画像中の分類情報のピクセル数と隣接情報のピクセル数と背景情報のピクセル数の合計やそれぞれの割合等の少なくとも一つが考えられる。この「所定の条件」は、上記条件の一つでもよいし、上記条件の複数を組み合わせてもよい。
【0040】
本実施形態にかかる完了判断工程Ｓ２０７においては、例えば、ラベリング処理が完了したラベリング画像が所定数以上（例えば、５００枚以上）であり、そのラベリング画像数の割合が所定の割合（例えば、「（ＳＰ１＋ＳＰ４）を有する画像数：（ＳＰ１＋ＳＰ２＋ＳＰ４）を有する画像数：（ＳＰ１＋ＳＰ２＋ＳＰ３）を有する画像数＝（６０±１０％）：（２５±１０％）：（１５±１０％）」の割合）となったか否かに基づき、ラベリング処理工程Ｓ２０５を完了するか否かの判断が行われる。
【0041】
完了判断工程Ｓ２０７において、所定の条件に基づきラベリング処理工程Ｓ２０５を完了すると判断した場合（Ｓ２０７にて「Ｙｅｓ」の場合）には、次いで、ステップＳ２０９以降の処理が行われ、所定の条件に基づきラベリング処理工程Ｓ２０５を完了しないと判断した場合（Ｓ２０７にて「Ｎｏ」の場合）には、繰り返しステップＳ２０１以降の処理が行われる。
【0042】
本実施形態にかかる完了判断工程Ｓ２０７において、ラベリング処理工程Ｓ２０５を完了すると判断した場合（Ｓ２０７にて「Ｙｅｓ」の場合）には、次いで、ラベリング画像等を用いて、推論モデルの生成処理が行われる（推論モデル生成工程：ステップＳ２０９）。
【0043】
本実施形態にかかる推論モデル生成工程Ｓ２０９においては、メモリに記憶されたラベリング画像（学習用画像、学習情報）に基づきディープラーニングを行い（ラベリング画像をＰＣに読み込ませて学習プログラムにて機械学習を行い）、推論モデルが生成される。
この推論モデル生成時に使用されるラベリング画像（例えば、ピクセルごとにラベリング（４つのラベリングＳＰ１～ＳＰ４のうちのいずれかのラベリング）を付された画像３３１～３３６）の数は、例えば５００枚以上であり、これらのラベリング画像数の割合は、例えば、「（ＳＰ１＋ＳＰ４）を有する画像数：（ＳＰ１＋ＳＰ２＋ＳＰ４）を有する画像数：（ＳＰ１＋ＳＰ２＋ＳＰ３）を有する画像数＝６０％：２５％：１５％」の割合となっている。
この推論モデル生成時に使用されるラベリング画像（例えば、ピクセルごとにラベリング（４つのラベリングＳＰ１～ＳＰ４のうちのいずれかのラベリング）を付された画像３３１～３３６）の数は、例えば５００枚以上であり、これらのラベリング画像数の割合は、例えば、「（ＳＰ１＋ＳＰ４）を有する画像数：（ＳＰ１＋ＳＰ２＋ＳＰ４）を有する画像数：（ＳＰ１＋ＳＰ２＋ＳＰ３）を有する画像数＝６０％：２５％：１５％」の割合となっている。
【0044】
次いで、本実施形態においては、推論モデル生成工程Ｓ２０９にて生成された推論モデルに関し、確認処理が行われる（推論モデル確認工程：ステップＳ２１１）。この推論モデル確認工程Ｓ２１１においては、例えば、一の方法として、推論モデル生成時に利用したラベリング画像の基となっている生画像３１０に対して、生成された推論モデルによる推論処理を行い、その推論結果と学習情報とを対比して、正解率が算出される。また、例えば、他の方法として、この推論モデル確認工程Ｓ２１１においては、推論モデル生成時に利用した学習情報とは別のテスト用画像とこのテスト用画像に基づくテスト用画像情報（テスト用画像を用いてラベリング処理が行われた画像情報）とを準備し、このテスト用画像に対して生成された推論モデルによる推論処理を行い、その推論結果とテスト用画像情報とを対比して、正解率が算出される。
本実施形態にかかる推論モデル確認工程Ｓ２１１においては、例えば、上述した一の方法および他の方法の少なくとも一方が実施され、いずれか一方を実施した際には、その際の正解率が所定のメモリに記憶され、両方を実施した際には、それぞれの正解率が所定のメモリに記憶される。
本実施形態にかかる推論モデル確認工程Ｓ２１１においては、例えば、上述した一の方法および他の方法の少なくとも一方が実施され、いずれか一方を実施した際には、その際の正解率が所定のメモリに記憶され、両方を実施した際には、それぞれの正解率が所定のメモリに記憶される。
【0045】
次いで、本実施形態においては、推論モデル確認工程Ｓ２１１の結果が期待値以上であるか否かの判断が行われる（推論モデル判断工程：ステップＳ２１３）。ここで、推論モデル確認工程Ｓ２１１の結果が期待値以上であるか否かについては、メモリに記憶された推論モデル確認工程Ｓ２１１における正解率と期待値とを対比して判断される。期待値としては、例えば、学習情報との対比における正解率が９５％以上、且つテスト用画像情報との対比における正解率が９０％以上等であることがあげられる。
【0046】
推論モデル判断工程Ｓ２１３において、生成された推論モデルにおける正解率が所定の期待値以上であると判断された場合（Ｓ２１３にて「Ｙｅｓ」の場合）には、推論モデルの構築が終了し、生成された推論モデルにおける正解率が所定の期待値以上ではないと判断された場合（Ｓ２１３にて「Ｎｏ」の場合）には、ステップＳ２１５（調整工程）の処理を経て、繰り返しステップＳ２０９以降の処理が行われる。
【0047】
ステップＳ２１３の処理の後、再度ステップＳ２０９以降の処理が行われる場合には、上述したように、推論モデルを適切に生成するための調整工程Ｓ２１５が行われる。
本実施形態にかかる調整工程Ｓ２１５としては、例えば、学習に使用するパラメータである学習率、バッチサイズ、ドロップアウト率等を変更する手段があげられる。また、この調製工程Ｓ２１５においては、必要に応じて、学習情報とテスト用画像情報とをシャッフルしたり、それぞれの情報を増減させたりしてもよい。さらに、本実施形態においては、必要に応じて複数のモデルを生成し、それぞれについて推論モデル判断工程Ｓ２１３や調製工程Ｓ２１５等を行い、より適切な推論モデルを作成してもよい。
本実施形態にかかる調整工程Ｓ２１５としては、例えば、学習に使用するパラメータである学習率、バッチサイズ、ドロップアウト率等を変更する手段があげられる。また、この調製工程Ｓ２１５においては、必要に応じて、学習情報とテスト用画像情報とをシャッフルしたり、それぞれの情報を増減させたりしてもよい。さらに、本実施形態においては、必要に応じて複数のモデルを生成し、それぞれについて推論モデル判断工程Ｓ２１３や調製工程Ｓ２１５等を行い、より適切な推論モデルを作成してもよい。
【0048】
なお、本実施形態においては、生成された推論モデルにおける正解率が所定の期待値以上ではないと判断された場合（Ｓ２１３にて「Ｎｏ」の場合）に、ステップＳ２１５以降の処理が行われる構成について説明したが、本発明はこれに限定されない。したがって、例えば、正解率が所定の期待以上ではないと判断された場合、再度ステップＳ２０１以降の処理を行うように構成してもよい。より具体的には、例えば、調整工程Ｓ２１５を複数回（３回等）繰り返しても想定した期待値以上の結果を得られなかった場合には、ステップＳ２０１の処理に戻り、画像取得工程Ｓ２０１以降の処理を行うような構成としてもよい。
【0049】
本実施形態においては、推論モデル判断工程Ｓ２１３にて、生成された推論モデルが所定の期待値以上であると判断されることによって（Ｓ２１３にて「Ｙｅｓ」と判断されることによって）、本実施形態にかかる「推論モデル」が完成することとなる。
【0050】
本実施形態においては、上述のようにして生成された推論モデルを用いて、被選別物Ｓの識別処理が行われる。具体的には、図１のＸ線識別手段１０に電気的に接続された制御手段（図示省略）等に推論モデルが搭載され、かかる推論モデルを用いて、被選別物Ｓの識別処理が行われる。
【0051】
以下、本実施形態にかかる被選別物Ｓの識別方法について、図１、図４、図５Ａ～５Ｃ等を用いて説明する。ここで、図４は、本実施形態にかかるＸ線識別手段１０を用いて行われる被選別物の識別方法に関するフローチャートを示したものである。また、図５Ａ～５Ｃは、本実施形態にかかるＸ線識別手段１０を用いて行われる識別方法（識別工程時）における撮像情報等の概略図を示し、図５Ａは、被選別物にＸ線を照射して撮像された生画像を示し、図５Ｂは、撮像された生画像に推論モデルを適用した際の推論結果画像を示し、図５Ｃは、推論結果画像にフィルタリングを行った際のフィルタ処理後画像を示したものである。
【0052】
図１および図４に示すように、本実施形態にかかる識別方法においては、Ｘ線発生部１１およびＸ線検出部１２を用いて移送工程中の被選別物Ｓに関する撮像処理が行われる（請求の範囲の「撮像工程」の非限定的な一例である：ステップＳ４０１）。本実施形態においては、このステップＳ４０１（撮像工程）にて、搬送路９１上の複数の被選別物Ｓに関し、ライン状の生画像５１０が取得される（図５Ａ参照）。より具体的には、ステップＳ４０１においては、被選別物ＳＳに対してＸ線発生部１１からＸ線が照射され、Ｘ線検出部１２にて一定ライン数（例えば、５１２ライン）分の画像情報が取り込まれ、この画像情報（生画像５１０）については、適宜メモリに保存される。また、本実施形態においては、この生画像５１０に対して、適宜正規化処理が行われる。
【0053】
次いで、本実施形態においては、撮像工程にて得られた画像（正規化処理後の生画像５１０）を入力データ（請求の範囲の「撮像情報」の非限定的な一例である）として、推論モデル実施工程Ｓ４０３が行われる。つまり、撮像工程Ｓ４０１にて撮像された生画像５１０（正規化処理後の生画像）に推論モデルが適用され（ステップＳ４０３）、その推論結果（推論結果画像５２０）を得ることができる（ステップＳ４０５）。
ここで、図５Ｂは、撮像された生画像５１０に推論モデルを適用した際の推論結果画像５２０を示したものである。図５Ｂに示すように、推論モデルが適用されることによって、推論結果画像５２０の全てのピクセルについては、良部ラベリング部ＳＳＰ１（分類情報）、不良部ラベリング部ＳＳＰ２（分類情報）、隣接ラベリング部ＳＳＰ３（隣接情報）、および背景ラベリング部ＳＳＰ４（背景情報）のいずれかのラベリング（４つのうちのいずれかのラベリング）が付されることとなる。
ここで、図５Ｂは、撮像された生画像５１０に推論モデルを適用した際の推論結果画像５２０を示したものである。図５Ｂに示すように、推論モデルが適用されることによって、推論結果画像５２０の全てのピクセルについては、良部ラベリング部ＳＳＰ１（分類情報）、不良部ラベリング部ＳＳＰ２（分類情報）、隣接ラベリング部ＳＳＰ３（隣接情報）、および背景ラベリング部ＳＳＰ４（背景情報）のいずれかのラベリング（４つのうちのいずれかのラベリング）が付されることとなる。
【0054】
次いで、本実施形態においては、推論モデル実施工程Ｓ４０３にて得られた推論結果画像５２０に対して、フィルタリング処理工程（ステップＳ４０７）が行われる。
ここで、フィルタリング処理としては、例えば、所定の画像サイズ中に不良部（不良部ラベリング部ＳＳＰ２）が何ピクセル含まれているかを確認し、規定値よりもピクセル数が多い場合に不良部として処理し、規定値よりもピクセル数が少ない場合に良部として処理する手段があげられる。また、他のフィルタリング処理としては、例えば、平滑化、エッジ抽出、鮮鋭化、モルフォロジー変換等の処理があげられる。
ここで、フィルタリング処理としては、例えば、所定の画像サイズ中に不良部（不良部ラベリング部ＳＳＰ２）が何ピクセル含まれているかを確認し、規定値よりもピクセル数が多い場合に不良部として処理し、規定値よりもピクセル数が少ない場合に良部として処理する手段があげられる。また、他のフィルタリング処理としては、例えば、平滑化、エッジ抽出、鮮鋭化、モルフォロジー変換等の処理があげられる。
【0055】
このフィルタリング処理Ｓ４０７を行うことによって、例えば、推論結果画像５２０中の不良部ラベリング部ＳＳＰ２は縮小されたり（例えば、２０％～５０％縮小されたり）、所定値以下のピクセル数を有する不良部ラベリング部ＳＳＰ２や隣接ラベリング部ＳＳＰ３は削除されて他のラベリング部に置換されたりする。
具体的には、フィルタリング処理Ｓ４０７の結果、一例として、推論結果画像５２０中の不良部ラベリング部ＳＳＰ２の大きさは小さく表示される。また、フィルタリング処理Ｓ４０７の結果の他例として、推論結果画像５２０中の所定値以下のピクセル数を有する不良部ラベリング部ＳＳＰ２については、良部ラベリング部（後述する分類特定時の「良部」）や背景ラベリング部（後述する分類特定時の「背景部」）に置き換えられて表示される。さらに、隣接ラベリング部ＳＳＰ３については、背景ラベリング部（後述する分類特定時の「背景部」）に置き換えられて表示される。これらのフィルタリング処理Ｓ４０７を経た後の画像が、フィルタ処理後画像５３０（図５Ｃ参照）である。
具体的には、フィルタリング処理Ｓ４０７の結果、一例として、推論結果画像５２０中の不良部ラベリング部ＳＳＰ２の大きさは小さく表示される。また、フィルタリング処理Ｓ４０７の結果の他例として、推論結果画像５２０中の所定値以下のピクセル数を有する不良部ラベリング部ＳＳＰ２については、良部ラベリング部（後述する分類特定時の「良部」）や背景ラベリング部（後述する分類特定時の「背景部」）に置き換えられて表示される。さらに、隣接ラベリング部ＳＳＰ３については、背景ラベリング部（後述する分類特定時の「背景部」）に置き換えられて表示される。これらのフィルタリング処理Ｓ４０７を経た後の画像が、フィルタ処理後画像５３０（図５Ｃ参照）である。
【0056】
本実施形態においては、上述したように、推論結果Ｓ４０５にて得られた推論結果画像５２０（図５Ｂ参照）に対して、フィルタリング処理Ｓ４０７が行われる。そして、このフィルタリング処理Ｓ４０７を行うことによって、図５Ｃに示すフィルタ処理後画像５３０が形成され、このフィルタ処理後画像５３０に基づいて、分類の特定処理（分類の特定に基づく識別処理、識別工程）が行われる（ステップＳ４０９）。
【0057】
図５Ｂおよび図５Ｃに示すように、推論結果画像５２０にフィルタリング処理工程Ｓ４０７を施して得られるフィルタ処理後画像５３０においては、フィルタリングの結果、推論結果画像５２０中の二か所の不良部ラベリング部ＳＳＰ２（図５Ｂ）が約３０％縮小されて、不良部Ｃ２（図５Ｃ）が特定される。また、推論結果画像５２０中の隣接ラベリング部ＳＳＰ３（図５Ｂ）は、フィルタリングの結果、背景部Ｃ４（図５Ｃ）として特定される。さらに、図５Ｂの良部ラベリング部ＳＳＰ１および背景ラベリング部ＳＳＰ４は、フィルタリングの結果、図５Ｃの良部Ｃ１および背景部Ｃ４として特定される。
つまり、本実施形態においては、フィルタ処理後画像５３０に基づいて、「良部」「不良部」および「背景部」の特定が行われる。本実施形態においては、被選別物同士が隣接している隣接ラベリング部については、「背景部」としての特定処理が行われる。
つまり、本実施形態においては、フィルタ処理後画像５３０に基づいて、「良部」「不良部」および「背景部」の特定が行われる。本実施形態においては、被選別物同士が隣接している隣接ラベリング部については、「背景部」としての特定処理が行われる。
【0058】
本実施形態においては、ピクセル単位に種々の情報が付され、例えば、推論結果画像５２０は、各ピクセルについて、良部ラベリング部ＳＳＰ１（分類情報）、不良部ラベリング部ＳＳＰ２（分類情報）、隣接ラベリング部ＳＳＰ３（隣接情報）、および背景ラベリング部ＳＳＰ４（背景情報）のいずれかのラベリング（４つのうちのいずれかのラベリング）が付されることとなる。そして、本実施形態においては、推論結果画像５２０にフィルタリング処理Ｓ４０７を行って得られたフィルタ処理後画像５３０における各ピクセルについて、分類の特定処理（識別処理、識別工程）Ｓ４０９が行われ、各ピクセルが、「良部」「不良部」および「背景部」のいずれかに特定される。
【0059】
本実施形態においては、分類特定処理Ｓ４０９の結果として、図５Ｃに示すように、背景部Ｃ４と、複数の被選別物とが特定され、より具体的には、不良部Ｃ２を有する個体（被選別物ＣＡ，ＣＢ）が二つ特定され（識別され）、その他の被選別物は良部Ｃ１のみを有する個体（被選別物）として特定される（識別される）。
【0060】
次いで、本実施形態においては、分類特定処理Ｓ４０９の後、被選別物の識別処理を終了するか否かの判断がなされる（ステップＳ４１１）。ここで、識別処理を終了すると判断した場合（Ｓ４１１にて「Ｙｅｓ」の場合）には、Ｘ線識別手段１０を用いて行われる識別処理（被選別物の識別工程）が終了し、識別処理を終了しないと判断した場合（Ｓ４１１にて「Ｎｏ」の場合）には、繰り返しステップＳ４０１以降の処理が行われる。
具体的には、特別な指示がない限り、搬送路９１上にて搬送される被選別物Ｓが存在し、Ｘ線発生部１１およびＸ線検出部１２等を用いて撮像工程が実施されている場合には、識別処理は継続して行われる。
具体的には、特別な指示がない限り、搬送路９１上にて搬送される被選別物Ｓが存在し、Ｘ線発生部１１およびＸ線検出部１２等を用いて撮像工程が実施されている場合には、識別処理は継続して行われる。
【0061】
本実施形態においては、上述したように、Ｘ線識別手段１０と推論モデル等とを用いて、撮像処理工程、推論モデル実施工程（推論結果）、フィルタリング処理工程、および分類特定工程等が行われて、被選別物Ｓの識別が行われることとなる。
【0062】
本実施形態にかかる被選別物の選別装置を成す識別装置（識別手段）は、図１～図５Ｃを用いて説明したように構成され機能するため、以下のような作用効果を有する。以下、本実施形態にかかる識別装置を用いて行われる識別方法の構成と作用効果について説明する。
【0063】
本実施形態にかかる被選別物の識別方法は、被選別物を移送する移送工程と、移送工程中における被選別物を撮像する撮像工程と、撮像工程にて得られた撮像情報（生画像５１０）に基づき、被選別物を識別する識別工程とを備え、識別工程が、被選別物に関する学習情報（ラベリング画像群３３０，ラベリング画像３３１～３３６）に基づいて生成された推論モデルを用いて行われ、学習情報（ラベリング画像群３３０、ラベリング画像３３１～３３６）が、被選別物同士の隣接情報（隣接ラベリング部ＳＰ３）と、被選別物の分類情報（良部ラベリング部ＳＰ１，不良部ラベリング部ＳＰ２）とを含み、識別工程では、撮像情報と推論モデルとを用いて、被選別物を識別する。
【0064】
本実施形態にかかる被選別物の識別方法は、以上のように構成されているため、次のような効果を得ることができる。
本実施形態にかかる識別方法によれば、推論結果と撮像情報との比較を容易に実施可能であるため、識別時の演算処理の効率を高めことができる。また、本実施形態にかかる識別方法によれば、隣接情報（隣接ラベリング部ＳＰ３）を用いるため、隣接部を不良部と誤認識せず、識別精度を高めることができる。さらに、本実施形態にかかる識別方法によれば、隣接情報を用いることによって、接触した状態の被選別物を別離した状態として認識可能であるため、より高精度に各被選別物を識別することができる。また、本実施形態にかかる識別方法によれば、図５Ａ～５Ｃに示すように、物体の切り出し処理を必要としないため、識別処理の処理速度を高めることができる。さらに、本実施形態によれば、推論結果を画像に変換することによって、不良部の特定を容易に実施することができる。また、本実施形態によれば、ピクセル単位で結果が出るため、各ピクセルデータを各種処理（後処理等）に簡単に利用できることとなる。さらに、本実施形態によれば、推論結果を画像として取り扱うことで、画像処理技術を適用することが可能となる。
本実施形態にかかる識別方法によれば、推論結果と撮像情報との比較を容易に実施可能であるため、識別時の演算処理の効率を高めことができる。また、本実施形態にかかる識別方法によれば、隣接情報（隣接ラベリング部ＳＰ３）を用いるため、隣接部を不良部と誤認識せず、識別精度を高めることができる。さらに、本実施形態にかかる識別方法によれば、隣接情報を用いることによって、接触した状態の被選別物を別離した状態として認識可能であるため、より高精度に各被選別物を識別することができる。また、本実施形態にかかる識別方法によれば、図５Ａ～５Ｃに示すように、物体の切り出し処理を必要としないため、識別処理の処理速度を高めることができる。さらに、本実施形態によれば、推論結果を画像に変換することによって、不良部の特定を容易に実施することができる。また、本実施形態によれば、ピクセル単位で結果が出るため、各ピクセルデータを各種処理（後処理等）に簡単に利用できることとなる。さらに、本実施形態によれば、推論結果を画像として取り扱うことで、画像処理技術を適用することが可能となる。
【0065】
また、本実施形態にかかる被選別物の識別方法は、被選別物を移送する移送工程と、移送工程中における被選別物を撮像する撮像工程と、撮像工程にて得られた撮像情報（生画像５１０）に基づき、被選別物を識別する識別工程とを備え、識別工程が、被選別物に関する学習情報（ラベリング画像群３３０，ラベリング画像３３１～３３６）に基づいて生成された推論モデルを用いて行われ、学習情報（ラベリング画像群３３０、ラベリング画像３３１～３３６）が、被選別物同士の隣接情報（隣接ラベリング部ＳＰ３）と、被選別物の分類情報（良部ラベリング部ＳＰ１，不良部ラベリング部ＳＰ２）と、被選別物の背景情報（背景ラベリング部ＳＰ４）とを含み、識別工程では、撮像情報と推論モデルとを用いて、被選別物を識別すべく構成してもよい。
【0066】
このような構成によれば、上述した種々の作用効果に加えて、以下のような作用効果を得ることができる。
本実施形態にかかる識別方法によれば、学習情報に被選別物の背景情報を含むため、各被選別物を明確に識別可能となる。また、本実施形態にかかる識別方法によれば、隣接情報（隣接ラベリング部ＳＰ３）を特定後、この隣接情報を背景情報に変換するため、より明確に各被選別物の識別処理を実施することができる。
本実施形態にかかる識別方法によれば、学習情報に被選別物の背景情報を含むため、各被選別物を明確に識別可能となる。また、本実施形態にかかる識別方法によれば、隣接情報（隣接ラベリング部ＳＰ３）を特定後、この隣接情報を背景情報に変換するため、より明確に各被選別物の識別処理を実施することができる。
【0067】
本実施形態においては、図１～図５Ｃに示したように、「推論モデル」が生成され、このようにして生成された「推論モデル」が選別装置を成す識別装置（識別手段）に搭載され、これらを用いて識別方法が実施される。
以下、図面等を用いて、上述した推論モデルが搭載された識別装置を備えた選別装置について説明する。
以下、図面等を用いて、上述した推論モデルが搭載された識別装置を備えた選別装置について説明する。
【0068】
＜第二実施形態＞
図６は、本開示の第二実施形態にかかる選別装置（ベルト式選別装置）の概略構成図を示したものである。具体的には、この図６は、図１～図５Ｃにて説明した識別装置（識別手段）を搭載したベルト式選別装置１０１の概略構成図を示したものである。
図６は、本開示の第二実施形態にかかる選別装置（ベルト式選別装置）の概略構成図を示したものである。具体的には、この図６は、図１～図５Ｃにて説明した識別装置（識別手段）を搭載したベルト式選別装置１０１の概略構成図を示したものである。
【0069】
図６に示すように、本実施形態にかかる選別装置１０１は、被選別物Ｓ０を供給する被選別物供給部１２０、被選別物Ｓ０を搬送する搬送部１３０、被選別物Ｓ０を光学検出する光学検出部１５０、被選別物Ｓ０の選別処理を行う選別部１６０、およびＸ線識別装置１０等を用いて構成されている。
【0070】
本実施形態にかかる選別装置１０１においては、被選別物供給部１２０に貯留された被選別物Ｓ０が搬送部１３０の一方端部に供給され、供給された被選別物Ｓ０には、搬送部１３０による搬送中に（移送工程中に）Ｘ線識別装置１０による撮像処理（に基づく識別処理）が行われる。次いで、搬送部１３０によって搬送される被選別物Ｓ０は、搬送部１３０の他方端部から落下軌跡Ｌに沿うように放出され、放出された被選別物Ｓ０の周囲には、光学検出部１５０および選別部１６０が設けられている。本実施形態にかかる選別装置１０１は、Ｘ線識別装置１０および光学検出部１５０の少なくとも一方から得られる識別信号に基づき、選別部１６０が駆動すべく構成されており、被選別物Ｓ０は、選別部１６０によって、良品収容部１８１あるいは不良品排出部１８２のいずれかに選別処理される。
【0071】
本実施形態にかかる選別装置１０１を成す被選別物供給部１２０は、被選別物Ｓ０を貯留する貯留部や振動フィーダ等を用いて構成されている。この被選別物供給部１２０は、必要に応じて、被選別物供給部１２０から搬送部１３０の一方端部に、被選別物Ｓ０を供給すべく構成されている。
【0072】
本実施形態にかかる選別装置１０１を成す搬送部１３０は、搬送ベルト１３１、搬送ローラ１３２，１３３、および駆動モータ１３４等を用いて構成されている。搬送ベルト１３１は、並行に設けられたローラ１３２，１３３間に無端状に巻回されている。一方のローラ１３３には、ベルト等を介して駆動モータ１３４が連結されている。搬送ベルト１３１は、この駆動モータ１３４を回転させることによって、一定速度で回転駆動すべく構成されている。この搬送部１３０を成す搬送ベルト１３１は、第一実施形態における搬送路９１に相当する。
【0073】
本実施形態にかかる搬送部１３０の搬送方向の略中央部には、第一実施形態にて説明したＸ線識別装置１０が設けられている。より具体的には、図６に示すように、搬送ベルト１３１（第一実施形態における搬送路９１）上の被選別物Ｓ０の上方位置にＸ線発生部１１が設けられ、被選別物Ｓ０の下方位置（図６においては搬送ベルト１３１の間）にＸ線検出部１２が設けられている。このＸ線識別装置１０にて得られた撮像情報は、後述するＸ線画像処理手段１７３に送信される。また、本実施形態においては、Ｘ線の漏洩を防止するために、適宜隔壁が設けられている。
【0074】
本実施形態にかかる選別装置１０１を成す光学検出部１５０は、被選別物供給部１２０から搬送部１３０（を成す搬送ベルト１３１）の一方端部に供給された被選別物Ｓ０が、搬送部１３０（搬送ベルト１３１）の他方端部から放出された際の落下軌跡Ｌの周囲に設けられている。具体的には、受光部１５１（第一受光部１５１Ａ，第二受光部１５１Ｂ）、複数の発光部１５３、各受光部１５１Ａ，１５１Ｂに対応した背景部１５５等を用いて構成されている。本実施形態においては、図６に示すように、二つの受光部１５１Ａ，１５１Ｂが落下軌跡Ｌを中心にして略対称の位置に設けられている。この受光部１５１は、固体撮像素子（ＣＣＤイメージセンサ、ＣＭＯＳイメージセンサ等）等を用いて構成されている。発光部１５３は、落下軌跡Ｌ上の光学検出位置Ｐに対して複数の角度から所定波長の光を照射すべく構成されている。受光部１５１は、落下軌跡Ｌ上の光学検出位置Ｐに到達した被選別物Ｓ０を撮像し、それぞれの被選別物Ｓ０に関する撮像情報（受光信号）が、後述する画像処理手段１７４に送信される。
【0075】
本実施形態にかかる選別装置１０１を成す選別部１６０は、ノズル部１６１および電磁弁１６２等を用いて構成されている。ノズル部１６１は、落下軌跡Ｌ上の被選別物Ｓ０に対して流体（例えば、空気）を噴射すべく構成されている。電磁弁１６２は、流体供給部（例えば、空気圧縮機等、図示省略）とノズル部１６１との間に設けられており、後述する判別結果結合機構１７５からの信号に基づき、ノズル部１６１への流体供給を制御すべく構成されている。
【0076】
また、図６に示すように、本実施形態にかかる選別装置１０１は、装置を使用する際の種々の信号等を入力可能なタッチパネル１７１を有しており、このタッチパネル１７１は選別装置１０１のＣＰＵ１７２に電気的に接続されている。また、このＣＰＵ１７２は、Ｘ線画像処理手段１７３および画像処理手段１７４に電気的に接続されている。さらに、Ｘ線画像処理手段１７３および画像処理手段１７４は、判別結果結合機構１７５に電気的に接続されている。
【0077】
Ｘ線画像処理手段１７３には、Ｘ線検出器１１からの撮像情報が送信可能に構成され、画像処理手段１７４には、二つの受光部１５１Ａ，１５１Ｂからの撮像情報が送信可能に構成されている。そして、判別結果結合機構１７５と電磁弁１６２とが電気的に接続されており、この判別結果結合機構１７５からの識別信号に基づき、電磁弁１６２を介してノズル部１６１からの流体の噴出状態（噴出時間、噴出タイミング等）が制御される。
【0078】
本実施形態にかかる選別装置１０１は、以上のように構成され、以下のように機能する。
【0079】
本実施形態においては、被選別物供給部１２０から供給された被選別物Ｓ０が、搬送部１３０にて搬送（移送）され、搬送中（移送工程中）の被選別物Ｓ０に対してＸ線識別装置１０による撮像処理（撮像工程）が行われる。次いで、本実施形態においては、搬送部１３０から放出された被選別物Ｓ０に対して光学検出部１５０による撮像処理（撮像工程）が行われる。次いで、本実施形態においては、Ｘ線識別装置１０および光学検出部１５０の少なくとも一方の撮像情報に起因する識別信号に基づき、選別部１６０を用いた選別処理（選別工程）が行われる。つまり、識別信号に基づき電磁弁１６２を介してノズル部１６１から噴出される流体の噴出タイミングおよび噴出時間等が制御され、ノズル部１６１から噴出される流体によって、被選別物Ｓ０が良品収容部１８１あるいは不良品排出部１８２のいずれかに選別される。
【0080】
本実施形態にかかる選別装置１０１を使用する際、まずは、装置に設けられたＣＰＵ１７２に対して、所定の信号を入力可能なタッチパネル１７１を用いて、被選別物Ｓ０に関する種々の情報や選別条件（識別条件）等の作動条件情報を入力する。この作動条件情報は、ＣＰＵ１７２を介して、Ｘ線画像処理手段１７３および画像処理手段１７４に送信される。この作動条件情報の内容に応じて、例えば、Ｘ線画像処理手段１７３においては、複数の推論モデルの中から一つの推論モデルの選択や所定の閾値の設定等が行われる。また、画像処理手段１７４においても、所定の閾値の設定等が行われる。本実施形態においては、ＣＰＵ１７２（あるいはＸ線画像処理手段１７３および画像処理手段１７４の少なくとも一方）に、複数の推論モデルや複数の閾値（識別に用いる複数の閾値）等が実装可能に構成されている。
【0081】
本実施形態においては、タッチパネル１７１を用いて作動条件情報を入力した後、選別装置１０１を駆動させ、被選別物Ｓ０に関するＸ線検出器１２からの撮像情報がＸ線画像処理手段１７３に送信され、被選別物Ｓ０に関する受光部１５１Ａ，１５１Ｂからの撮像情報が画像処理手段１７４に送信される。Ｘ線画像処理手段１７３および画像処理手段１７４に送信された撮像情報は、適宜所定の演算処理を経て（あるいはそのままの撮像情報として）、判別結果結合機構１７５に送信される。判別結果結合機構１７５においては、被選別物Ｓ０の搬送速度等を考慮し、同一の被選別物Ｓ０に対するＸ線画像検出手段１７３からの撮像情報と画像処理手段１７４からの撮像情報とに基づく演算処理が行われ、その結合された判別結果に基づく識別信号（電磁弁制御信号）が電磁弁１６２に送信される。この電磁弁１６２を介してノズル部１６１からの流体の噴出状態が制御され、この噴出される流体によって、被選別物Ｓ０の選別処理が行われる。
【0082】
本実施形態においては、上述したように、第一実施形態にて説明したＸ線選別装置１０（Ｘ線識別手段）と推論モデル等とを用いて選別装置１０１が構成され、この選別装置１０１において、撮像処理工程、推論モデル実施工程（推論結果）、フィルタリング処理工程、および分類特定工程等が行われて、被選別物Ｓ０の識別（識別処理）および選別（選別処理）が行われることとなる。
【0083】
本実施形態にかかる選別装置１０１は、図６等（Ｘ線識別装置１０については図１～図５Ｃ）を用いて説明したように構成され機能するため、以下のような作用効果を有する。以下、本実施形態にかかる選別装置（選別方法）の構成と作用効果について説明する。
【0084】
本実施形態にかかる選別方法は、被選別物Ｓ０を移送する移送工程と、移送工程中における被選別物Ｓ０を撮像する撮像工程と、撮像工程にて得られた撮像情報に基づき、被選別物Ｓ０を識別する識別工程と、識別工程にて得られた識別情報に基づき、被選別物Ｓ０を選別する選別工程とを備え、識別工程が、被選別物Ｓ０に関する学習情報に基づいて生成された推論モデルを用いて行われ、学習情報が、被選別物同士の隣接情報と、被選別物の分類情報とを含み、識別工程では、撮像情報と推論モデルとを用いて、被選別物Ｓ０を識別する。
【0085】
また、本実施形態にかかる選別装置は、被選別物Ｓ０を移送する搬送部１３０（移送手段）と、搬送部１３０における移送中に被選別物Ｓ０を撮像するＸ線識別装置１０（撮像手段）と、Ｘ線識別装置１０にて得られた撮像情報に基づき、被選別物Ｓ０を識別する識別手段（Ｘ線画像処理手段１７３および判別結果結合機構１７５の少なくとも一方から構成される識別手段）と、識別手段にて得られた識別信号（識別情報）に基づき、被選別物Ｓ０を選別する選別部１６０（選別手段）とを備え、識別手段が、被選別物に関する学習情報に基づいて生成された推論モデルを有し、学習情報が、被選別物同士の隣接情報と、被選別物の分類情報とを含み、識別手段が、撮像情報と推論モデルとを用いて、被選別物Ｓ０を識別する。
【0086】
本実施形態にかかる選別装置（選別方法）は、以上のように構成され機能するため、次のような効果を得ることができる。
本実施形態にかかる選別装置（選別方法）によれば、推論結果と撮像情報との比較を容易に行うことによって識別手段における識別信号生成時の演算処理の効率を高めることが可能となり、このようにして得られた識別信号に基づいて選別部の制御が実施される。したがって、本実施形態にかかる選別装置によれば、被選別物Ｓ０を選別する際の演算処理の効率化を図ることができる。
また、本実施形態にかかる選別装置（選別方法）によれば、識別信号生成時において隣接情報（隣接ラベリング部ＳＰ３）を用いるため、隣接部を不良部と誤認識せず、識別信号の識別精度を高めることができる。したがって、本実施形態にかかる選別装置によれば、この識別精度の高い識別信号を用いて高精度の選別処理を実施することができる。
さらに、本実施形態にかかる選別装置（選別方法）によれば、隣接情報を用いることによって、接触した状態の被選別物を別離した状態として認識可能であるため、より高精度に各被選別物を識別および選別することができる。
また、本実施形態にかかる選別装置（選別方法）によれば、先に説明した図５Ａ～５Ｃに示すように、被選別物Ｓ０の識別時において物体の切り出し処理を必要としないため、識別処理の処理速度を高め、ひいては選別処理の速度も高めることができる。
本実施形態にかかる選別装置（選別方法）によれば、推論結果と撮像情報との比較を容易に行うことによって識別手段における識別信号生成時の演算処理の効率を高めることが可能となり、このようにして得られた識別信号に基づいて選別部の制御が実施される。したがって、本実施形態にかかる選別装置によれば、被選別物Ｓ０を選別する際の演算処理の効率化を図ることができる。
また、本実施形態にかかる選別装置（選別方法）によれば、識別信号生成時において隣接情報（隣接ラベリング部ＳＰ３）を用いるため、隣接部を不良部と誤認識せず、識別信号の識別精度を高めることができる。したがって、本実施形態にかかる選別装置によれば、この識別精度の高い識別信号を用いて高精度の選別処理を実施することができる。
さらに、本実施形態にかかる選別装置（選別方法）によれば、隣接情報を用いることによって、接触した状態の被選別物を別離した状態として認識可能であるため、より高精度に各被選別物を識別および選別することができる。
また、本実施形態にかかる選別装置（選別方法）によれば、先に説明した図５Ａ～５Ｃに示すように、被選別物Ｓ０の識別時において物体の切り出し処理を必要としないため、識別処理の処理速度を高め、ひいては選別処理の速度も高めることができる。
【0087】
さらに、本実施形態にかかる選別装置は、被選別物Ｓ０を移送する搬送部１３０（移送手段）と、搬送部１３０における移送中に被選別物Ｓ０を撮像するＸ線識別装置１０（撮像手段）と、Ｘ線識別装置１０にて得られた撮像情報に基づき、被選別物Ｓ０を識別する識別手段（Ｘ線画像処理手段１７３および判別結果結合機構１７５の少なくとも一方から構成される識別手段）と、識別手段にて得られた識別信号（識別情報）に基づき、被選別物Ｓ０を選別する選別部１６０（選別手段）とを備え、識別手段が、被選別物に関する学習情報に基づいて生成された推論モデルを有し、学習情報が、被選別物同士の隣接情報と、被選別物の分類情報と、被選別物の背景情報とを含み、識別手段が、撮像情報と推論モデルとを用いて、被選別物Ｓ０を識別する。
【0088】
このような構成によれば、上述した種々の作用効果に加えて、以下のような作用効果を得ることができる。
本実施形態にかかる選別装置によれば、学習情報に被選別物の背景情報を含むため、識別信号生成時において、各被選別物を明確に識別し、高精度の識別信号を得ることができる。よって、かかる高精度の識別信号を用いて、高精度の選別処理を実現することができる。
また、本実施形態にかかる選別装置によれば、隣接情報を特定後、この隣接情報を背景情報に変換するため、より明確に各被選別物の識別処理を実施し、高精度の識別信号を得ることができる。よって、本実施形態にかかる選別装置によれば、高精度の選別処理を実現することができる。
本実施形態にかかる選別装置によれば、学習情報に被選別物の背景情報を含むため、識別信号生成時において、各被選別物を明確に識別し、高精度の識別信号を得ることができる。よって、かかる高精度の識別信号を用いて、高精度の選別処理を実現することができる。
また、本実施形態にかかる選別装置によれば、隣接情報を特定後、この隣接情報を背景情報に変換するため、より明確に各被選別物の識別処理を実施し、高精度の識別信号を得ることができる。よって、本実施形態にかかる選別装置によれば、高精度の選別処理を実現することができる。
【0089】
＜第三実施形態＞
図７は、本開示の第三実施形態にかかる選別装置（シュート式選別装置）の概略構成図を示したものである。具体的には、この図７は、図１～図５Ｃにて説明した識別装置（識別手段）を搭載したシュート式選別装置２０１の概略構成図を示したものである。
図７は、本開示の第三実施形態にかかる選別装置（シュート式選別装置）の概略構成図を示したものである。具体的には、この図７は、図１～図５Ｃにて説明した識別装置（識別手段）を搭載したシュート式選別装置２０１の概略構成図を示したものである。
【0090】
図７に示すように、本実施形態にかかる選別装置２０１は、被選別物Ｓ０を供給する被選別物供給部２２０、被選別物Ｓ０を移送するシュート２３０（搬送部、移送手段）、被選別物Ｓ０を光学検出する光学検出部２５０、被選別物Ｓ０の選別処理を行う選別部２６０、およびＸ線識別装置１０等を用いて構成されている。
【0091】
本実施形態にかかる選別装置２０１においては、被選別物供給部２２０に貯留された被選別物Ｓ０がシュート２３０を成す傾斜板部２３１の一方端部に供給され、供給されて傾斜板部２３１上を自然落下中（流下中）の（移送工程中の）被選別物Ｓ０については、Ｘ線識別装置１０による撮像処理（に基づく識別処理）が行われる。次いで、シュート２３０を落下する被選別物Ｓ０は、傾斜板部２３１の他方端部から落下軌跡Ｌに沿うように放出され、放出された被選別物Ｓ０の周囲には、光学検出部２５０および選別部２６０が設けられている。本実施形態にかかる選別装置２０１は、Ｘ線識別装置１０および光学検出部２５０の少なくとも一方から得られる識別信号に基づき、選別部２６０が駆動すべく構成されており、被選別物Ｓ０は、選別部２６０によって、良品収容部２８１あるいは不良品排出部２８２のいずれかに選別処理される。
【0092】
本実施形態にかかる選別装置２０１を成す被選別物供給部２２０は、被選別物Ｓ０を貯留する貯留部や振動フィーダ等を用いて構成されている。この被選別物供給部２２０は、必要に応じて、被選別物供給部２２０からシュート２３０を成す傾斜板部２３１の一方端部に、被選別物Ｓ０を供給すべく構成されている。
【0093】
本実施形態にかかる選別装置１０１を成すシュート２３０は、傾斜板部２３１を用いて構成されている。傾斜板部２３１は、装置内の設置領域および自然落下する被選別物Ｓ０の落下速度（流下速度）等を考慮して、例えば、接地面（水平面）に対して３０°～７０°程度傾斜すべく設けられている。また、この傾斜板部２３１の傾斜角度は、被選別物の安息角よりも高角度で、且つ傾斜板部２３１上を流下する被選別物が跳ねないような角度に設定されてもよい。本実施形態において、シュート２３０を成す傾斜板部２３１は、接地面に対して約６０度傾斜すべく構成されている。シュート２３０を成す傾斜板部２３１は、第一実施形態における搬送路９１に相当する。
【0094】
本実施形態にかかるシュート２３０の略中央部には、第一実施形態にて説明したＸ線識別装置１０が設けられている。より具体的には、図７に示すように、傾斜板部２３１（第一実施形態における搬送路９１）上を自然落下する被選別物Ｓ０の上方位置にＸ線発生部１１が設けられ、被選別物Ｓ０の下方位置（図７においては傾斜板部２３１の下方位置）にＸ線検出部１２が設けられている。このＸ線識別装置１０にて得られた撮像情報は、後述するＸ線画像処理手段２７３に送信される。また、本実施形態においては、Ｘ線の漏洩を防止するために、適宜隔壁が設けられている。
【0095】
本実施形態にかかる選別装置２０１を成す光学検出部２５０は、被選別物供給部２２０からシュート２３０（を成す傾斜板部２３１）の一方端部に供給された被選別物Ｓ０が、シュート２３０（傾斜板部２３１）の他方端部から放出された際の落下軌跡Ｌの周囲に設けられている。具体的には、受光部２５１（第一受光部２５１Ａ，第二受光部２５１Ｂ）、複数の発光部２５３、各受光部２５１Ａ，２５１Ｂに対応した背景部２５５等を用いて構成されている。本実施形態においては、図７に示すように、二つの受光部２５１Ａ，２５１Ｂが落下軌跡Ｌを中心にして略対称の位置に設けられている。この受光部２５１は、固体撮像素子（ＣＣＤイメージセンサ、ＣＭＯＳイメージセンサ等）等を用いて構成されている。発光部２５３は、落下軌跡Ｌ上の光学検出位置Ｐに対して複数の角度から所定波長の光を照射すべく構成されている。受光部２５１は、落下軌跡Ｌ上の光学検出位置Ｐに到達した被選別物Ｓ０を撮像し、それぞれの被選別物Ｓ０に関する撮像情報（受光信号）が、後述する画像処理手段２７４に送信される。
【0096】
本実施形態にかかる選別装置２０１を成す選別部２６０は、ノズル部２６１および電磁弁２６２等を用いて構成されている。ノズル部２６１は、落下軌跡Ｌ上の被選別物Ｓ０に対して流体（例えば、空気）を噴射すべく構成されている。電磁弁２６２は、流体供給部（例えば、空気圧縮機等、図示省略）とノズル部２６１との間に設けられており、後述する判別結果結合機構２７５からの信号に基づき、ノズル部２６１への流体供給を制御すべく構成されている。
【0097】
また、図７に示すように、本実施形態にかかる選別装置２０１は、装置を使用する際の種々の信号等を入力可能なタッチパネル２７１を有しており、このタッチパネル２７１は選別装置２０１のＣＰＵ２７２に電気的に接続されている。また、このＣＰＵ２７２は、Ｘ線画像処理手段２７３および画像処理手段２７４に電気的に接続されている。さらに、Ｘ線画像処理手段２７３および画像処理手段２７４は、判別結果結合機構２７５に電気的に接続されている。
【0098】
Ｘ線画像処理手段２７３には、Ｘ線検出器１１からの撮像情報が送信可能に構成され、画像処理手段２７４には、二つの受光部２５１Ａ，２５１Ｂからの撮像情報が送信可能に構成されている。そして、判別結果結合機構２７５と電磁弁２６２とが電気的に接続されており、この判別結果結合機構２７５からの識別信号に基づき、電磁弁２６２を介してノズル部２６１からの流体の噴出状態（噴出時間、噴出タイミング等）が制御される。
【0099】
本実施形態にかかる選別装置２０１は、以上のように構成され、以下のように機能する。
【0100】
本実施形態においては、被選別物供給部２２０から供給された被選別物Ｓ０が、シュート２３０にて搬送（移送）され、搬送中（移送工程中）の被選別物Ｓ０に対してＸ線識別装置１０による撮像処理（撮像工程）が行われる。次いで、本実施形態においては、搬送部２３０から放出された被選別物Ｓ０に対して光学検出部２５０による撮像処理（撮像工程）が行われる。次いで、本実施形態においては、Ｘ線識別装置１０および光学検出部２５０の少なくとも一方の撮像情報に起因する識別信号に基づき、選別部２６０を用いた選別処理（選別工程）が行われる。つまり、識別信号に基づき電磁弁２６２を介してノズル部２６１から噴出される流体の噴出タイミングおよび噴出時間等が制御され、ノズル部２６１から噴出される流体によって、被選別物Ｓ０が良品収容部２８１あるいは不良品排出部２８２のいずれかに選別される。
【0101】
本実施形態にかかる選別装置２０１を使用する際、まずは、装置に設けられたＣＰＵ２７２に対して、所定の信号を入力可能なタッチパネル２７１を用いて、被選別物Ｓ０に関する種々の情報や選別条件（識別条件）等の作動条件情報を入力する。この作動条件情報は、ＣＰＵ２７２を介して、Ｘ線画像処理手段２７３および画像処理手段２７４に送信される。この作動条件情報の内容に応じて、例えば、Ｘ線画像処理手段２７３においては、複数の推論モデルの中から一つの推論モデルの選択や所定の閾値の設定等が行われる。また、画像処理手段２７４においても、所定の閾値の設定等が行われる。本実施形態においては、ＣＰＵ２７２（あるいはＸ線画像処理手段２７３および画像処理手段２７４の少なくとも一方）に、複数の推論モデルや複数の閾値（識別に用いる複数の閾値）等が実装可能に構成されている。
【0102】
本実施形態においては、タッチパネル２７１を用いて作動条件情報を入力した後、選別装置２０１を駆動させ、被選別物Ｓ０に関するＸ線検出器１２からの撮像情報がＸ線画像処理手段２７３に送信され、被選別物Ｓ０に関する受光部２５１Ａ，２５１Ｂからの撮像情報が画像処理手段２７４に送信される。Ｘ線画像処理手段２７３および画像処理手段２７４に送信された撮像情報は、適宜所定の演算処理を経て（あるいはそのままの撮像情報として）、判別結果結合機構２７５に送信される。判別結果結合機構２７５においては、被選別物Ｓ０の搬送速度等を考慮し、同一の被選別物Ｓ０に対するＸ線画像検出手段２７３からの撮像情報と画像処理手段２７４からの撮像情報とに基づく演算処理が行われ、その結合された判別結果に基づく識別信号（電磁弁制御信号）が電磁弁２６２に送信される。この電磁弁２６２を介してノズル部２６１からの流体の噴出状態が制御され、この噴出される流体によって、被選別物Ｓ０の選別処理が行われる。
【0103】
本実施形態においては、上述したように、第一実施形態にて説明したＸ線選別装置１０（Ｘ線識別手段）と推論モデル等とを用いて選別装置２０１が構成され、この選別装置２０１において、撮像処理工程、推論モデル実施工程（推論結果）、フィルタリング処理工程、および分類特定工程等が行われて、被選別物Ｓ０の識別（識別処理）および選別（選別処理）が行われることとなる。
【0104】
本実施形態にかかる選別装置２０１は、図７等（Ｘ線識別装置１０については図１～図５Ｃ）を用いて説明したように構成され機能する。
この第三実施形態にかかる選別装置２０１と、先に説明した第二実施形態にかかる選別装置１０１とは、部分的な構成（例えば、搬送部の構成）は異なるが、識別手段および選別手段については同様の構成を有している。したがって、この第三実施形態にかかる選別装置２０１においても、第二実施形態にて説明した選別装置１０１と略同様の作用効果を有する。よって、ここでは、作用効果の詳細は割愛する。
この第三実施形態にかかる選別装置２０１と、先に説明した第二実施形態にかかる選別装置１０１とは、部分的な構成（例えば、搬送部の構成）は異なるが、識別手段および選別手段については同様の構成を有している。したがって、この第三実施形態にかかる選別装置２０１においても、第二実施形態にて説明した選別装置１０１と略同様の作用効果を有する。よって、ここでは、作用効果の詳細は割愛する。
【0105】
＜その他の実施形態＞
なお、本発明は、上記実施形態に限定されるものではなく、本発明の趣旨に適合し得る範囲で必要に応じて種々の変更を加えて実施することも可能であり、それらはいずれも本発明の技術的範囲に含まれる。
なお、本発明は、上記実施形態に限定されるものではなく、本発明の趣旨に適合し得る範囲で必要に応じて種々の変更を加えて実施することも可能であり、それらはいずれも本発明の技術的範囲に含まれる。
【0106】
上記実施形態においては、被選別物がナッツ、豆類、穀粒等である場合について説明したが、本発明はこの構成に限定されない。したがって、例えば、被選別物は、野菜、菓子、加工食品等であってもよい。
【0107】
また、上記実施形態においては、電磁波がＸ線である場合について説明したが、本発明はこの構成に限定されない。したがって、例えば、電磁波は、紫外線、可視光線、近赤外線、赤外線、マイクロ波等であってもよい。
【0108】
さらに、上記実施形態においては、識別方法、選別方法、および選別装置を構成する「推論モデル」が、ディープラーニングを用いて得られた推論モデルである場合について説明したが、本発明はこの構成に限定されない。したがって、例えば、「推論モデル」は、サポートベクターマシン（ＳＶＭ）、単純ベイズ分類器、ロジスティック回帰、ランダムフォレスト、ニューラルネットワーク、ディープラーニング、Ｋ近傍法、ＡｄａＢｏｏｓｔ、バギング、Ｃ４．５、カーネル法、確率的勾配降下法、ラッソ回帰、リッジ回帰、Ｅｌａｓｔｉｃ Ｎｅｔ、内挿法、および協調フィルタリングの少なくとも一つ以上を組み合わせた学習プログラムを用いて構成されてもよい。
【0109】
また、上記実施形態においては、選別装置の一部を成すＸ線識別手段を用いて推論モデルを構築する場合（Ｘ線識別手段を含めた選別装置の一部が機械学習装置として機能する場合）について説明したが、本発明はこの構成に限定されない。したがって、例えば、選別装置外に設けられたＸ線識別手段等を用いて機械学習装置を構成し、この選別装置外の機械学習装置を用いて推論モデルを構築し、構築された推論モデルを選別装置に搭載すべく構成してもよい。
【0110】
さらに、上記実施形態においては、選別装置の一部を成すＸ線識別手段とＰＣとを用いて推論モデルを構築する場合について説明したが、本発明はこの構成に限定されない。したがって、例えば、選別装置を成すＸ線識別手段あるいは外部に設けられた同等の装置を用いて必要な撮像情報を収集し、収集された撮像情報等と選別装置内部の機能とを用いて推論モデルを構築してもよい。つまり、必要に応じて、選別装置自身あるいはその一部にて機械学習装置を構成し、選別装置内にて、推論モデルの構築や更新等を行い、適宜必要な推論モデルを選別装置（を成す識別手段）に搭載すべく構成してもよい。
【0111】
また、上記実施形態においては、推論モデルを構築し、構築された推論モデルを用いて、被選別物の識別処理および選別処理を行う場合について説明したが、本発明はこの構成に限定されない。したがって、例えば、本発明は、推論モデルを構築することなく、識別処理および選別処理を行う際において、撮像情報である「被選別物同士の隣接情報」と「被選別物の分類情報」とを用いてもよい。つまり、これらの「被選別物同士の隣接情報」と「被選別物の分類情報」とに関して所定の閾値情報を設定し、この閾値情報と、被選別物に関する「被選別物同士の隣接情報」および「被選別物の分類情報」との対比を行うことにより、適宜、被選別物について良品あるいは不良品の識別処理および選別処理を行う構成であってもよい。
さらに、本発明は、推論モデルを構築することなく、識別処理および選別処理を行う際において、撮像情報である「被選別物同士の隣接情報」と「被選別物の分類情報」と「被選別物の背景情報」とを用いてもよい。つまり、上述した「被選別物同士の隣接情報」および「被選別物の分類情報」に加え、「被選別物の背景情報」についても所定の閾値情報を設定し、これらの閾値情報と、被選別物に関する「被選別物同士の隣接情報」「被選別物の分類情報」および「被選別物の背景情報」との対比を行うことにより、適宜、被選別物について良品あるいは不良品の識別処理および選別処理を行う構成であってもよい。
さらに、本発明は、推論モデルを構築することなく、識別処理および選別処理を行う際において、撮像情報である「被選別物同士の隣接情報」と「被選別物の分類情報」と「被選別物の背景情報」とを用いてもよい。つまり、上述した「被選別物同士の隣接情報」および「被選別物の分類情報」に加え、「被選別物の背景情報」についても所定の閾値情報を設定し、これらの閾値情報と、被選別物に関する「被選別物同士の隣接情報」「被選別物の分類情報」および「被選別物の背景情報」との対比を行うことにより、適宜、被選別物について良品あるいは不良品の識別処理および選別処理を行う構成であってもよい。
【0112】
また、上記実施形態においては、学習用画像（学習情報）を生成する際のトリミング処理工程にて、４０×４０ピクセルのサイズで、トリミング処理が行われる場合について説明したが、本発明はこの構成に限定されない。このトリミング処理工程時のトリミングのサイズは、先にも説明したように、被選別物の単体の大きさと同程度の大きさであって、被選別物の形状によって適宜定められる。したがって、例えば、被選別物の単体の大きさや形状に応じて、３２×３２ピクセル、６４×６４ピクセル等のサイズにて、トリミング処理工程を行ってもよい。
【0113】
また、上記実施形態においては、分類情報が良部情報と不良部情報とである場合について説明したが、本発明はこの構成に限定されず、分類情報として、良部や不良部以外の種々の情報を適用可能である。したがって、例えば、分類情報として、所定の被選別物の品質の程度毎の分類や、被選別物の種類に関する分類等を用いることも可能である。
【0114】
また、ＣＰＵ１７２、Ｘ線画像処理手段１７３、画像処理手段１７４、判別結果結合機構１７５の機能の少なくとも一部は、選別機１０の動作の少なくとも一部を制御するコントローラによって実現されてもよい。この点は、ＣＰＵ２７２、Ｘ線画像処理手段２７３、画像処理手段２７４、判別結果結合機構２７５の機能の少なくとも一部についても同様である。この場合、コントローラの各機能は、所定のプログラムをＣＰＵが実行することによって実現されてもよいし、専用回路によって実現されてもよいし、これらの組み合わせによって実現されてもよい。また、単一のコントローラが使用されてもよい。あるいは、複数の機能を分散化するために複数のコントローラが使用され、複数のコントローラの全体によって、必要な複数の機能が実現されてもよい。
【0115】
また、推論モデルを構築することなく、識別処理および選別処理を行う場合には、例えば、「被選別物同士の隣接情報」決定用と「被選別物の分類情報」決定用のそれぞれのテンプレートを複数用意しておいてもよい。そのようなテンプレートは、図３Ｃに示した第一ラベリング画像３３１～第六ラベリング画像３３６と同一または類似であってもよい。テンプレートを使用する場合、画像処理でテンプレートマッチングを行い、「被選別物同士の隣接情報」と「被選別物の分類情報」のそれぞれに関して、各テンプレートと、生画像５１０（または、生画像５１０に対して正規化処理が行われた画像）と、の相関係数を求め、当該相関係数から「被選別物同士の隣接情報」および「被選別物の分類情報」を決定してもよい。
【産業上の利用可能性】
【0116】
本開示は、被選別物そのものの状態、および複数の被選別物同士の関係を適切に把握して、かかる把握した情報に基づき、被選別物を適切に識別する、被選別物の識別方法を提供すると共に、かかる識別情報に基づき、被選別物を適切に識別して選別する、被選別物の選別方法および選別装置を提供することを目的としてなされたものである。
【0117】
従来から、検査対象内部の形状検査等を行うためにＸ線等を利用した装置は知られているが、基本的に、色情報のないグレースケール画像の濃淡を二値化することにより、内部形状異常部等を抽出していた。しかしながら、このような従来装置においては、検査対象自身の異常部と検査対象の周辺部分（検査対象同士の隣接状態等）とを明確に認識することは困難であった。
【0118】
このような問題点を解決すべく、例えば、本開示にかかる識別方法は、次のように構成される。
本実施形態にかかる被選別物の識別方法は、被選別物を移送する移送工程と、移送工程中における被選別物を撮像する撮像工程と、撮像工程にて得られた撮像情報に基づき、被選別物を識別する識別工程とを備え、識別工程が、被選別物に関する学習情報に基づいて生成された推論モデルを用いて行われ、学習情報が、被選別物同士の隣接情報と、被選別物の分類情報と、被選別物の背景情報（背景ラベリング部ＳＰ４）とを含み、識別工程では、撮像情報と推論モデルとを用いて、被選別物を識別すべく構成されている。
そして、上記識別方法を用いて、本開示にかかる選別方法および選別装置が構成される。
本実施形態にかかる被選別物の識別方法は、被選別物を移送する移送工程と、移送工程中における被選別物を撮像する撮像工程と、撮像工程にて得られた撮像情報に基づき、被選別物を識別する識別工程とを備え、識別工程が、被選別物に関する学習情報に基づいて生成された推論モデルを用いて行われ、学習情報が、被選別物同士の隣接情報と、被選別物の分類情報と、被選別物の背景情報（背景ラベリング部ＳＰ４）とを含み、識別工程では、撮像情報と推論モデルとを用いて、被選別物を識別すべく構成されている。
そして、上記識別方法を用いて、本開示にかかる選別方法および選別装置が構成される。
【0119】
以上のとおり、本開示にかかる識別方法、選別方法、および選別装置は、既存の装置（従来技術）の問題点を適切に解決しているため、産業上の利用可能性は高いと考えられる。
【符号の説明】
【0120】
１０…Ｘ線識別手段（Ｘ線識別装置、識別装置、撮像手段）
１１…Ｘ線発生部（撮像手段を成すＸ線発生部）
１１ａ…Ｘ線
１２…Ｘ線検出部（撮像手段を成すＸ線検出部）
９１…搬送路（移送手段、移送手段を成す搬送路）
１０１…選別装置（ベルト式選別装置）
１２０…被選別物供給部
１３０…搬送部（移送手段）
１３１…搬送ベルト（移送手段、移送手段を成す搬送ベルト、搬送路）
１３２、１３３…ローラ
１３４…駆動モータ
１５０…光学検出部
１５１…受光部
１５１Ａ…第一受光部
１５１Ｂ…第二受光部
１５３…発光部
１５５…背景部
１６０…選別部（選別手段）
１６１…ノズル部
１６２…電磁弁
１７１…タッチパネル
１７２…ＣＰＵ（中央演算処理装置）
１７３…Ｘ線画像処理手段
１７４…画像処理手段
１７５…判別結果結合機構
１８１…良品収容部
１８２…不良品排出部
２０１…選別装置（シュート式選別装置）
２２０…被選別物供給部
２３０…シュート（搬送部、移送手段）
２３１…傾斜板部（移送手段、移送手段を成す傾斜板部、搬送路）
２５０…光学検出部
２５１…受光部
２５１Ａ…第一受光部
２５１Ｂ…第二受光部
２５３…発光部
２５５…背景部
２６０…選別部（選別手段）
２６１…ノズル部
２６２…電磁弁
２７１…タッチパネル
２７２…ＣＰＵ（中央演算処理装置）
２７３…Ｘ線画像処理手段
２７４…画像処理手段
２７５…判別結果結合機構
２８１…良品収容部
２８２…不良品排出部
３１０…生画像
３２０…トリミング画像群
３２１～３２６…第一トリミング画像～第六トリミング画像（トリミング画像）
３３０…ラベリング画像群（学習用画像、学習情報）
３３１～３３６…第一ラベリング画像～第六ラベリング画像（ラベリング画像）（学習用画像、学習情報）
５１０…生画像（撮像情報）
５２０…推論結果画像
５３０…フィルタ処理後画像
Ｓ、ＳＳ、Ｓ０…被選別物
Ｓ１…良部情報（分類情報）
Ｓ２…不良部情報（欠陥情報）（分類情報）
Ｓ３…隣接情報
Ｓ４…背景情報
ＳＰ１、ＳＳＰ１…良部ラベリング部（分類情報）
ＳＰ２、ＳＳＰ２…不良部ラベリング部（分類情報）
ＳＰ３、ＳＳＰ３…隣接ラベリング部（隣接情報）
ＳＰ４、ＳＳＰ４…背景ラベリング部（背景情報）
Ｃ１…良部（良部ラベリング部、分類情報）
Ｃ２…不良部（不良部ラベリング部、分類情報）
Ｃ４…背景部（背景ラベリング部、背景情報）
ＣＡ、ＣＢ…被選別物
１１…Ｘ線発生部（撮像手段を成すＸ線発生部）
１１ａ…Ｘ線
１２…Ｘ線検出部（撮像手段を成すＸ線検出部）
９１…搬送路（移送手段、移送手段を成す搬送路）
１０１…選別装置（ベルト式選別装置）
１２０…被選別物供給部
１３０…搬送部（移送手段）
１３１…搬送ベルト（移送手段、移送手段を成す搬送ベルト、搬送路）
１３２、１３３…ローラ
１３４…駆動モータ
１５０…光学検出部
１５１…受光部
１５１Ａ…第一受光部
１５１Ｂ…第二受光部
１５３…発光部
１５５…背景部
１６０…選別部（選別手段）
１６１…ノズル部
１６２…電磁弁
１７１…タッチパネル
１７２…ＣＰＵ（中央演算処理装置）
１７３…Ｘ線画像処理手段
１７４…画像処理手段
１７５…判別結果結合機構
１８１…良品収容部
１８２…不良品排出部
２０１…選別装置（シュート式選別装置）
２２０…被選別物供給部
２３０…シュート（搬送部、移送手段）
２３１…傾斜板部（移送手段、移送手段を成す傾斜板部、搬送路）
２５０…光学検出部
２５１…受光部
２５１Ａ…第一受光部
２５１Ｂ…第二受光部
２５３…発光部
２５５…背景部
２６０…選別部（選別手段）
２６１…ノズル部
２６２…電磁弁
２７１…タッチパネル
２７２…ＣＰＵ（中央演算処理装置）
２７３…Ｘ線画像処理手段
２７４…画像処理手段
２７５…判別結果結合機構
２８１…良品収容部
２８２…不良品排出部
３１０…生画像
３２０…トリミング画像群
３２１～３２６…第一トリミング画像～第六トリミング画像（トリミング画像）
３３０…ラベリング画像群（学習用画像、学習情報）
３３１～３３６…第一ラベリング画像～第六ラベリング画像（ラベリング画像）（学習用画像、学習情報）
５１０…生画像（撮像情報）
５２０…推論結果画像
５３０…フィルタ処理後画像
Ｓ、ＳＳ、Ｓ０…被選別物
Ｓ１…良部情報（分類情報）
Ｓ２…不良部情報（欠陥情報）（分類情報）
Ｓ３…隣接情報
Ｓ４…背景情報
ＳＰ１、ＳＳＰ１…良部ラベリング部（分類情報）
ＳＰ２、ＳＳＰ２…不良部ラベリング部（分類情報）
ＳＰ３、ＳＳＰ３…隣接ラベリング部（隣接情報）
ＳＰ４、ＳＳＰ４…背景ラベリング部（背景情報）
Ｃ１…良部（良部ラベリング部、分類情報）
Ｃ２…不良部（不良部ラベリング部、分類情報）
Ｃ４…背景部（背景ラベリング部、背景情報）
ＣＡ、ＣＢ…被選別物
【図1】
【図2】
【図3A】
【図3B】
【図3C】
【図4】
【図5A】
【図5B】
【図5C】
【図6】
【図7】