ホーム > 特許ランキング > 三菱総研ＤＣＳ株式会社
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】2025-07-02
(45)【発行日】2025-07-10
(54)【発明の名称】情報処理装置、情報処理方法及びプログラム
(51)【国際特許分類】
G01N 21/27 20060101AFI20250703BHJP
G06T 7/00 20170101ALI20250703BHJP
G06V 10/82 20220101ALI20250703BHJP
G06V 20/68 20220101ALI20250703BHJP
G06T 7/90 20170101ALI20250703BHJP
G06V 10/143 20220101ALI20250703BHJP
G06V 10/56 20220101ALI20250703BHJP
G06N 20/00 20190101ALI20250703BHJP
【ＦＩ】
G01N21/27 B
G06T7/00 350C
G06V10/82
G06V20/68
G06T7/90 A
G06V10/143
G06V10/56
G06N20/00
【請求項の数】
8
(21)【出願番号】P 2024001595
(22)【出願日】2024-01-10
(65)【公開番号】P2024117716
(43)【公開日】2024-08-29
【審査請求日】2024-01-11
(31)【優先権主張番号】P 2023022996
(32)【優先日】2023-02-17
(33)【優先権主張国・地域又は機関】JP
(73)【特許権者】
【識別番号】593085428
【氏名又は名称】三菱総研ＤＣＳ株式会社
(74)【代理人】
【識別番号】100207619
【弁理士】
【氏名又は名称】渡辺 知晴
(72)【発明者】
【氏名】若林 政光
(72)【発明者】
【氏名】本田 禎二
【審査官】今井 彰
(56)【参考文献】
【文献】特開２０１９－１７４４８１（ＪＰ，Ａ）
【文献】特開２０１５－２３２５４３（ＪＰ，Ａ）
【文献】特表２０２０－５２４３２８（ＪＰ，Ａ）
【文献】国際公開第２０１５／１４６８２１（ＷＯ，Ａ１）
【文献】国際公開第０２／１２９６９（ＷＯ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｎ ２１／００－２１／０１、２１／１７－２１／６１
２１／８４－２１／９５８
Ｇ０６Ｖ ２０／６８
(57)【特許請求の範囲】
【請求項1】
対象物の選別に用いる情報処理装置であって、選別の対象となる前記対象物に関する所定の波長領域における光の強度に関する情報を取得する取得手段と、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する学習情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物の性質又は品質を判定する判定手段と、
前記判定手段による判定の結果を出力する出力手段と、
を備え、
前記判定手段は、前記対象物のコーヒー豆の表側と裏側を少なくとも含む場所で取得された前記学習情報に対して、前記学習情報のぞれぞれのスペクトル強度を平滑化した平均スペクトルを生成し、当該平均スペクトルを正規化した演算処理の結果に対して、所定の統計的手法を適用することで、正常豆かＰＴＤ豆かの判定に寄与する優先度の高い波長領域を選択し、選択した波長領域の組における前記学習情報に対して学習処理を実行することにより生成されたアルゴリズムに基づいて、前記対象物のコーヒー豆が正常豆かＰＴＤ豆かを判定する、
情報処理装置。
【請求項2】
正常豆かＰＴＤ豆かの判定に寄与する優先度の高い波長領域の選択が、６００ｎｍから１１００ｎｍにおけるスペクトル強度の差異に基づいて行われた、
請求項１に記載の情報処理装置。
【請求項3】
前記判定手段は、３１０ｎｍから１１８０ｎｍの波長領域における反射又は散乱の強度に関する前記学習情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物が正常対象物か欠陥対象物かを判定する、請求項１に記載の情報処理装置。
【請求項4】
前記波長領域は、選別の対象となる前記対象物の２以上の領域における反射又は散乱の強度に関する前記学習情報に統計的手法を実行することで算出される、請求項３に記載の情報処理装置。
【請求項5】
前記統計的手法には、選別の対象となる前記対象物の２以上の領域における反射又は散乱の強度に関する前記学習情報に対する空間分解能を下げる処理が含まれる、請求項４に記載の情報処理装置。
【請求項6】
対象物の選別にかかる情報処理装置であって、１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する学習情報を取得するデータ取得手段と、
前記データ取得手段により取得された前記学習情報に統計的手段を適合することにより学習を行う学習手段と、
を備え、
前記学習手段は、前記対象物のコーヒー豆の表側と裏側を少なくとも含む場所で取得された前記学習情報に対して、前記学習情報のぞれぞれのスペクトル強度を平滑化した平均スペクトルを生成し、当該平均スペクトルを正規化した演算処理の結果に対して、所定の統計的手法を適用することで、正常豆かＰＴＤ豆かの判定に寄与する優先度の高い波長領域を選択し、選択した波長領域の組における前記学習情報に対して学習処理を実行する、
情報処理装置。
【請求項7】
対象物の選別に用いるコンピュータが実行する情報処理方法であって、選別の対象となる前記対象物に関する所定の波長領域における光の強度に関する情報を取得する取得ステップと、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する学習情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物の性質又は品質を判定する判定ステップと、
前記判定ステップによる判定の結果を出力する出力ステップと、
を含み、
前記判定ステップは、前記対象物のコーヒー豆の表側と裏側を少なくとも含む場所で取得された前記学習情報に対して、前記学習情報のぞれぞれのスペクトル強度を平滑化した平均スペクトルを生成し、当該平均スペクトルを正規化した演算処理の結果に対して、所定の統計的手法を適用することで、正常豆かＰＴＤ豆かの判定に寄与する優先度の高い波長領域を選択し、選択した波長領域の組における前記学習情報に対して学習処理を実行することにより生成されたアルゴリズムに基づいて、前記対象物のコーヒー豆が正常豆かＰＴＤ豆かを判定する、
情報処理方法。
【請求項8】
対象物の選別に用いるコンピュータに、選別の対象となる前記対象物に関する所定の波長領域における光の強度に関する情報を取得する取得手段と、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する学習情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物の性質又は品質を判定する判定手段と、
前記判定手段による判定の結果を出力する出力手段と、
を含む制御処理を実行させ、
前記判定手段は、前記対象物のコーヒー豆の表側と裏側を少なくとも含む場所で取得された前記学習情報に対して、前記学習情報のぞれぞれのスペクトル強度を平滑化した平均スペクトルを生成し、当該平均スペクトルを正規化した演算処理の結果に対して、所定の統計的手法を適用することで、正常豆かＰＴＤ豆かの判定に寄与する優先度の高い波長領域を選択し、選択した波長領域の組における前記学習情報に対して学習処理を実行することにより生成されたアルゴリズムに基づいて、前記対象物のコーヒー豆が正常豆かＰＴＤ豆かを判定する、
プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理装置、情報処理方法及びプログラムに関する。
【背景技術】
【0002】
従来より、食品等の分野において、食品自体の品質に問題がある場合や食品に異物等が含まれている場合に、それを検知し、取り除くことは重要な課題である。これに対して、例えば、検査対象となる食品等に対して光を照射することにより得られる吸収スペクトルに対して、２次微分処理を行い、２次微分分光画像を作成することによって、食品等に含まれる異物を検出できる方法が提案されている（例えば、特許文献１を参照）。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２００４－３０１６９０号公報
【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、上述の特許文献１に記載の技術では、各種演算処理や分光画像の取得に時間がかかる。また、上述の特許文献１に記載の技術は、単に所定の演算処理を適用するのみで、異物の検出を行うものであり、検査対象物の種別やデータの取得状況によっては、検出の精度が不十分な場合がある。さらに言えば、上述の特許文献１に記載の技術を含む従来技術は、あくまでも検査対象物に含まれる異物を検出することが目的のものがほとんどであり、検査対象物の品質の検出を目的とするものはほとんどない。
【0005】
本発明は、このような状況に鑑みてなされたものであり、対象物のうちから、所定の条件を満たす対象物を精度よく検出できる技術を提供することを目的とする。
【0006】
上記目的を達成するため、本発明の一態様の情報処理装置は、
対象物の選別に用いる情報処理装置であって、
選別の対象となる前記対象物に関する所定の波長領域における光の強度に関する情報を取得する取得手段と、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物の性質又は品質を判定する判定手段と、
前記判定手段による判定の結果を出力する出力手段と、
を備える。
対象物の選別に用いる情報処理装置であって、
選別の対象となる前記対象物に関する所定の波長領域における光の強度に関する情報を取得する取得手段と、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物の性質又は品質を判定する判定手段と、
前記判定手段による判定の結果を出力する出力手段と、
を備える。
【0007】
本発明の一態様の情報処理方法及びプログラムも、本発明の一態様の情報処理装置に対応する情報処理方法又はプログラムとして提供される。
【発明の効果】
【0008】
本発明によれば、対象物のうちから、所定の条件を満たす対象物を精度よく検出できる技術を提供することができる。
【図面の簡単な説明】
【0009】
【図1】本発明の一実施形態に係る情報処理システムの構成を示す図である。
【図5】典型的な正常豆及びＰＴＤ豆の視覚的な特徴を含む画像の一例を示す図である。
【図7】測定情報を平滑化して生成された平均スペクトルの一例を示す図である。
【図14】各種統計的前処理を行った結果を示すプロット図の一例である。
【発明を実施するための形態】
【0010】
＜概要の説明＞
以下、本発明の一実施形態について、図面を用いて説明する。図１は、本発明の一実施形態に係る情報処理システム（以下、「本システム」と呼ぶ）の構成を示す図である。
以下、本発明の一実施形態について、図面を用いて説明する。図１は、本発明の一実施形態に係る情報処理システム（以下、「本システム」と呼ぶ）の構成を示す図である。
【0011】
ここで、図１の説明をするに先立ち、本システムに関わるＰоｔａｔｏ Ｔａｓｔｅ Ｄｅｆｅｃｔ（以下、「ＰＴＤ」と呼ぶ）について説明する。
ＰＴＤは、特にルワンダ、ブルンジ、コンゴ共和国、コンゴ民主共和国、ウガンダ等で問題となる品質の劣悪なコーヒー豆及びそれに関連する各種課題を意味している。なお、ＰＴＤの原因は正確には明らかとなっていないが、例えば、カメムシ等がコーヒー豆に刺激を与えることによるストレスやカメムシの唾液等に含まれる細菌により引き起こされるものと考えられている。
具体的にＰＴＤの特徴を有するコーヒー豆（以下、「ＰＴＤ豆」と呼ぶ）は、通常のコーヒー豆（以下、「正常豆」と呼ぶ）とは異なり、焙煎時に強い異臭を発し、コーヒー特有の風味が損なわれることが知られている。そのため、上述の各国では、コーヒー豆の出荷にあたり、コーヒーチェリー（果実）収穫後の複数段階で、ＰＴＤ豆を選別することが一般的に行われている。しかしながら、この正常豆とＰＴＤ豆の選別は、現状、多くの場合、人の手作業（目視や手触り）により行われており、非常に手間のかかる作業となっており、完全に分別することも困難である。
本システムは、汎用的な検査対象物に対して適用できるものの、このＰＴＤ豆と正常豆の選別を効率的に行うことに対して、特に有用である。
ＰＴＤは、特にルワンダ、ブルンジ、コンゴ共和国、コンゴ民主共和国、ウガンダ等で問題となる品質の劣悪なコーヒー豆及びそれに関連する各種課題を意味している。なお、ＰＴＤの原因は正確には明らかとなっていないが、例えば、カメムシ等がコーヒー豆に刺激を与えることによるストレスやカメムシの唾液等に含まれる細菌により引き起こされるものと考えられている。
具体的にＰＴＤの特徴を有するコーヒー豆（以下、「ＰＴＤ豆」と呼ぶ）は、通常のコーヒー豆（以下、「正常豆」と呼ぶ）とは異なり、焙煎時に強い異臭を発し、コーヒー特有の風味が損なわれることが知られている。そのため、上述の各国では、コーヒー豆の出荷にあたり、コーヒーチェリー（果実）収穫後の複数段階で、ＰＴＤ豆を選別することが一般的に行われている。しかしながら、この正常豆とＰＴＤ豆の選別は、現状、多くの場合、人の手作業（目視や手触り）により行われており、非常に手間のかかる作業となっており、完全に分別することも困難である。
本システムは、汎用的な検査対象物に対して適用できるものの、このＰＴＤ豆と正常豆の選別を効率的に行うことに対して、特に有用である。
【0012】
図１は、本システムの構成を示す図である。
図１に示すように、本システムは、分析装置１と、学習装置２と、推論装置３とを含み構成される。分析装置１と、学習装置２と、推論装置３とは、インターネット等による所定のネットワークＮを介して相互に接続されている。なお、ネットワークＮは、必須な構成要素ではなく、例えば、ＮＦＣ（Ｎｅａｒ Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ブルートゥース（登録商標）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等が利用されてもよい。
図１に示すように、本システムは、分析装置１と、学習装置２と、推論装置３とを含み構成される。分析装置１と、学習装置２と、推論装置３とは、インターネット等による所定のネットワークＮを介して相互に接続されている。なお、ネットワークＮは、必須な構成要素ではなく、例えば、ＮＦＣ（Ｎｅａｒ Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ブルートゥース（登録商標）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等が利用されてもよい。
【0013】
ここで、分析装置１の分析する分析対象物は、例えば、食品、果実、薬品、飲料、調味料等であり、上述の通り、典型的にはコーヒー豆である。分析装置１は、正常豆又はＰＴＤ豆を含む分析対象物に対して、所定の波長の光を照射し、得られた反射スペクトルに基づいて、分析対象物が正常豆であるかＰＴＤ豆であるかを判定する。具体的に分析装置１には、分光器１１と、光源１２と、制御部１３と、記憶部１４とが備えられている。
【0014】
分光器１１は、分析対象物を介した反射光を分光し、スペクトルの強度を測定する。分光器１１は、汎用的な分光器、ＣＣＤカメラ、ＲＧＢカメラ、ハイパースペクトルカメラ、マルチスペクトルカメラ等により構成される。
【0015】
光源１２は、例えば、ハロゲンランプ等により構成される。光源１２は、例えば、所定の波長領域の光を分析対象物等に対して、照射する。
【0016】
制御部１３は、分光器１１で得られたスペクトルの強度に関する情報（以下、「スペクトル情報」と呼ぶ）に対して、各種演算処理を実行する。制御部１３は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等で構成される。
【0017】
記憶部１４は、各種データを記憶する。記憶部１４は、汎用的なＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成される。
【0018】
学習装置２は、各種データに基づく学習のための各種演算処理を実行し、学習の結果を出力する。学習装置２は、汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等で構成される。
【0019】
推論装置３は、学習装置２で出力された学習結果を含むプログラムに基づいて、分析対象物が正常豆であるかＰＴＤ豆であるかを判定するための各種処理を実行し、その結果を出力する。推論装置３は、汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等で構成される。
【0020】
＜ハードウェア構成＞
図２は、図１の情報処理システムのうち学習装置のハードウェア構成の一例を示すブロック図である。
学習装置２は、汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等で構成される。図２に示すように、学習装置２は、制御部２１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２３と、バス２４と、入出力インターフェース２５と、出力部２６と、入力部２７と、記憶部２８と、通信部２９と、ドライブ３０と、を備えている。
図２は、図１の情報処理システムのうち学習装置のハードウェア構成の一例を示すブロック図である。
学習装置２は、汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等で構成される。図２に示すように、学習装置２は、制御部２１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２３と、バス２４と、入出力インターフェース２５と、出力部２６と、入力部２７と、記憶部２８と、通信部２９と、ドライブ３０と、を備えている。
【0021】
制御部２１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、及び半導体メモリを含むマイクロコンピュータ等で構成され、ＲＯＭ２２に記録されているプログラム、または、記憶部２８からＲＡＭ２３にロードされたプログラムに従って各種の処理を実行する。
ＲＡＭ２３には、制御部２１が各種の処理を実行する上において必要な情報等も適宜記憶される。
ＲＡＭ２３には、制御部２１が各種の処理を実行する上において必要な情報等も適宜記憶される。
【0022】
制御部２１、ＲＯＭ２２およびＲＡＭ２３は、バス２４を介して相互に接続されている。このバス２４にはまた、入出力インターフェース２５も接続されている。入出力インターフェース２５には、出力部２６、入力部２７、記憶部２８、通信部２９、ドライブ３０が接続されている。
【0023】
出力部２６は、各種液晶ディスプレイやスピーカ等で構成され、各種情報を画像や音声として出力する。
【0024】
入力部２７は、キーボードやマウス等で構成され、各種情報を入力する。
【0025】
記憶部２８は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、各種データを記憶する。本実施形態では、例えば、各種プログラムや各種データベースを含む各種情報が記憶されている。
【0026】
通信部２９は、インターネットを含むネットワークＮを介して他の情報処理装置等との間で行う通信を制御する。
【0027】
ドライブ３０は、必要に応じて設けられる。ドライブ３０には磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア４１が適宜装着される。ドライブ３０によってリムーバブルメディア４１から読み出されたプログラムは、必要に応じて記憶部２８にインストールされる。またリムーバブルメディア４１は、記憶部２８に記憶されている各種データも、記憶部２８と同様に記憶することができる。
【0028】
図３は、図１の情報処理システムのうち推論装置のハードウェア構成の一例を示すブロック図である。
推論装置３は、汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等で構成される。図３に示すように、推論装置３は、制御部５１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）５２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）５３と、バス５４と、入出力インターフェース５５と、出力部５６と、入力部５７と、記憶部５８と、通信部５９と、ドライブ６０と、を備えている。
なお、ドライブ６０には磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア７１が適宜装着される。
ただし、推論装置３の各ハードウェア構成は、学習装置２の各ハードウェア構成と、基本的に同様とすることができるため、ここでは説明を省略する。
推論装置３は、汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等で構成される。図３に示すように、推論装置３は、制御部５１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）５２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）５３と、バス５４と、入出力インターフェース５５と、出力部５６と、入力部５７と、記憶部５８と、通信部５９と、ドライブ６０と、を備えている。
なお、ドライブ６０には磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア７１が適宜装着される。
ただし、推論装置３の各ハードウェア構成は、学習装置２の各ハードウェア構成と、基本的に同様とすることができるため、ここでは説明を省略する。
【0029】
【0030】
図４に示すように、学習装置２の制御部２１には、測定情報取得部８０と、演算処理部８２と、学習処理部８４とが設けられている。
また、学習装置２の記憶部２８の一領域には、学習結果ＤＢ３００が設けられている。
また、学習装置２の記憶部２８の一領域には、学習結果ＤＢ３００が設けられている。
【0031】
測定情報取得部８０は、１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報を取得する。
具体的に測定情報取得部８０は、分析装置１から送信されてきた学習のための分析対象物（以下、「学習用分析対象物」と呼ぶ）の測定された結果に関する情報（以下、「測定情報」と呼ぶ）を、通信部２９を介して取得する。なお、測定情報は、例えば、学習用分析対象物に対して照射された光に対する反射光のスペクトルの強度に関する情報等である。
なお、ここで取得される測定情報は、学習のための教師データとして機能するのが望ましい。すなわち、測定情報には、正常豆から取得された測定情報なのか、ＰＴＤ豆から取得された測定情報なのかの情報が含まれていてもよい。
具体的に測定情報取得部８０は、分析装置１から送信されてきた学習のための分析対象物（以下、「学習用分析対象物」と呼ぶ）の測定された結果に関する情報（以下、「測定情報」と呼ぶ）を、通信部２９を介して取得する。なお、測定情報は、例えば、学習用分析対象物に対して照射された光に対する反射光のスペクトルの強度に関する情報等である。
なお、ここで取得される測定情報は、学習のための教師データとして機能するのが望ましい。すなわち、測定情報には、正常豆から取得された測定情報なのか、ＰＴＤ豆から取得された測定情報なのかの情報が含まれていてもよい。
【0032】
演算処理部８２は、測定情報に対する各種演算処理を実行する。具体的に演算処理部８２には、平滑化処理部９０と、正規化処理部９２と、中心化処理部９４と、波長選択部９６とが設けられている。
【0033】
平滑化処理部９０は、各測定点における測定情報を平滑化する処理を実行する。なお、平滑化処理部９０で行われる平滑化処理は、例えば、ノイズ除去や局所的な傾向に捕らわれることなく差異を検知することを目的とするものである。
また、演算処理部８２は、測定情報取得部８０で取得された測定情報のそれぞれのスペクトル強度を平滑化した平均スペクトルを生成する。
また、演算処理部８２は、測定情報取得部８０で取得された測定情報のそれぞれのスペクトル強度を平滑化した平均スペクトルを生成する。
【0034】
正規化処理部９２及び中心化処理部９４はそれぞれ、平滑化処理部９０で生成された平均スペクトルを正規化し、中心化する演算処理を実行する。このような処理を行うことで、各種情報の統計的な差異を際立たせることができることが知られている。なお、中心化処理部９４による具体的な中心化処理の結果等については、図９等を参照しながら後述する。
【0035】
波長選択部９６は、各種統計的手法を用いて、正常豆かＰＴＤ豆かの判定に寄与する優先度の高い波長領域を選択する。
具体的に、本実施形態で波長選択部９６は、部分的最小二乗法（ＰＬＳ，Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）と関連する変数選択法であるＰＬＳ－βと呼ばれる手法を採用して、正常豆かＰＴＤ豆かの判定に寄与する優先度の高い波長領域を選択する。
ここで、ＰＬＳ法及びＰＬＳ－β法について簡単に説明する。
ＰＬＳ法は、主成分回帰法と同じく潜在変数による線形回帰モデルを生成する方法であるが、潜在変数を決定する際に、主成分回帰と異なり、潜在変数と目的変数との共分散が最大となるように決定する方法である。ＰＬＳ法は、説明変数同士の相関が高い場合に有用であることが多く、本システムのように、スペクトル強度等のデータに適用するには好適である。
ＰＬＳ－β法は、ＰＬＳ回帰モデルを線形重回帰モデルに変換し、回帰係数の絶対値の大きさに基づいて、重要な説明変数を選択する方法である。本システムでは、正常豆かＰＴＤ豆かの判定に寄与の大きい変数（波長領域）を選択するためにＰＬＳ－β法を採用している。なお、波長選択部９６による具体的な波長選択の方法や結果については、図１０等を参照しながら後述する。
具体的に、本実施形態で波長選択部９６は、部分的最小二乗法（ＰＬＳ，Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）と関連する変数選択法であるＰＬＳ－βと呼ばれる手法を採用して、正常豆かＰＴＤ豆かの判定に寄与する優先度の高い波長領域を選択する。
ここで、ＰＬＳ法及びＰＬＳ－β法について簡単に説明する。
ＰＬＳ法は、主成分回帰法と同じく潜在変数による線形回帰モデルを生成する方法であるが、潜在変数を決定する際に、主成分回帰と異なり、潜在変数と目的変数との共分散が最大となるように決定する方法である。ＰＬＳ法は、説明変数同士の相関が高い場合に有用であることが多く、本システムのように、スペクトル強度等のデータに適用するには好適である。
ＰＬＳ－β法は、ＰＬＳ回帰モデルを線形重回帰モデルに変換し、回帰係数の絶対値の大きさに基づいて、重要な説明変数を選択する方法である。本システムでは、正常豆かＰＴＤ豆かの判定に寄与の大きい変数（波長領域）を選択するためにＰＬＳ－β法を採用している。なお、波長選択部９６による具体的な波長選択の方法や結果については、図１０等を参照しながら後述する。
【0036】
学習処理部８４は、前記データ取得手段により取得された前記情報に統計的手段を適合することにより学習を行う。具体的に学習処理部８４は、波長選択部９６で選択された各波長領域における測定情報に対して、学習処理を実行し、学習結果を生成する。学習処理部８４は、生成した学習結果を学習結果ＤＢ３００に格納し、学習結果に関する情報（以下、「学習結果情報」と呼ぶ）を推論装置３へ送信する。
なお、本システムは、学習の手法として、例えば、ニューラルネットワーク、ディープラーニング、各種回帰モデル等の任意の統計的手法を組み合わせて学習処理を実行することができる。
また、学習結果情報とは、例えば、いわゆる学習済みモデルを含み、正常豆とＰＴＤ豆の判定に利用される各種プログラム、アルゴリズム、数式等に関する各種情報が含まれ得る。
なお、本システムは、学習の手法として、例えば、ニューラルネットワーク、ディープラーニング、各種回帰モデル等の任意の統計的手法を組み合わせて学習処理を実行することができる。
また、学習結果情報とは、例えば、いわゆる学習済みモデルを含み、正常豆とＰＴＤ豆の判定に利用される各種プログラム、アルゴリズム、数式等に関する各種情報が含まれ得る。
【0037】
図４に示すように、推論装置３の制御部５１には、学習結果取得部１２０と、対象情報取得部１２２と、演算処理部１２４と、判定部１２６と、出力部１２８とが設けられている。
また、推論装置３の記憶部５８の一領域には、学習結果ＤＢ４００が設けられている。
また、推論装置３の記憶部５８の一領域には、学習結果ＤＢ４００が設けられている。
【0038】
学習結果取得部１２０は、１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果を取得する。具体的に学習結果取得部１２０は、学習装置２から送信されてくる学習結果情報を、通信部５９を介して取得する。また、学習結果取得部１２０は、取得した学習結果情報を学習結果ＤＢ４００に格納する。
【0039】
対象情報取得部１２２は、選別の対象となる前記対象物における所定の波長領域における反射又は散乱の強度に関する情報を取得する。具体的に対象情報取得部１２２は、分析装置１から送信されてくる選別の対象となる分析対象物（以下、「測定用分析対象物」と呼ぶ）に対するそれぞれの反射光のスペクトルの強度に関する情報（以下、「対象情報」と呼ぶ）を、通信部５９を介して取得する。なお、対象情報は、例えば、測定用分析対象物に対して照射された光に対する反射光のスペクトルの強度に関する情報等である。
【0040】
演算処理部１２４は、対象情報に対して、各種統計処理（正規化処理や中心化処理等）を実行する。
【0041】
判定部１２６は、１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物が正常対象物か欠陥対象物かを判定する。具体的に判定部１２６は、学習結果取得部１２０で取得された学習結果情報及び対象情報取得部１２２で取得された対象情報に基づいて、対象情報が取得されたそれぞれの測定用分析対象物が、正常豆かＰＴＤ豆かを判定する。
【0042】
出力部１２８は、判定部１２６で行われた判定結果を出力するための各種処理を実行する。
【0043】
図５は、典型的な正常豆及びＰＴＤ豆の視覚的な特徴を含む画像の一例を示す図である。
具体的に図５には、典型的な正常豆の画像と典型的なＰＴＤ豆の画像が表示されている。まず、図５の（Ａ）に示す通り、正常豆は、特段の変色や内部障害はなく、自然な豆として人が認識できる。これに対して、図５の（Ｂ）に示す通り、ＰＴＤ豆は（カメムシの侵入によって生じた）穴が表示されている。ＰＴＤ豆は、このような不自然な穴の存在に加えて、豆の内部に緑や黒の変色が確認できる場合もあり、このような所見があるか否かが正常豆かＰＴＤ豆かの判断基準となり得る。また、たとえ豆の表面に穴があったとしても内部には影響がないものも存在する。
図５の例は、極めて分かりやすい例を例示しているが、実際には、穴の大きさや穴の角度などによっては分かりにくく、画像認識等での区別が難しかったり、目視による確認に時間がかかってしまうような場合も存在する。そのため、このようなＰＴＤ豆を効率的かつ正確に除外することができれば、ＰＴＤ豆による被害を大幅に減らすことができると考えられる。
具体的に図５には、典型的な正常豆の画像と典型的なＰＴＤ豆の画像が表示されている。まず、図５の（Ａ）に示す通り、正常豆は、特段の変色や内部障害はなく、自然な豆として人が認識できる。これに対して、図５の（Ｂ）に示す通り、ＰＴＤ豆は（カメムシの侵入によって生じた）穴が表示されている。ＰＴＤ豆は、このような不自然な穴の存在に加えて、豆の内部に緑や黒の変色が確認できる場合もあり、このような所見があるか否かが正常豆かＰＴＤ豆かの判断基準となり得る。また、たとえ豆の表面に穴があったとしても内部には影響がないものも存在する。
図５の例は、極めて分かりやすい例を例示しているが、実際には、穴の大きさや穴の角度などによっては分かりにくく、画像認識等での区別が難しかったり、目視による確認に時間がかかってしまうような場合も存在する。そのため、このようなＰＴＤ豆を効率的かつ正確に除外することができれば、ＰＴＤ豆による被害を大幅に減らすことができると考えられる。
【0044】
図６は、図４の分析装置が各種情報を取得する方法の一例を示す図である。
本システムは、図６に示す通り、コーヒー豆の表側に３点、裏側に３点の合計６点で各種情報（反射スペクトルの強度等）を取得する。これにより、本システムは、粗いながらも空間分解能を持つ情報を取得でき、より高い精度で正常豆とＰＴＤ豆との判定を行うことができると考えられる。
本システムは、図６に示す通り、コーヒー豆の表側に３点、裏側に３点の合計６点で各種情報（反射スペクトルの強度等）を取得する。これにより、本システムは、粗いながらも空間分解能を持つ情報を取得でき、より高い精度で正常豆とＰＴＤ豆との判定を行うことができると考えられる。
【0045】
次に、図７乃至図９を参照しながら、取得された測定情報に対して各種統計処理を行った結果の一例を説明していく。なお、図７乃至図９に示す統計処理の目的の一つは、測定情報の統計的な差異を際立たせ、本手法により取得された情報が正常豆及びＰＴＤ豆のスペクトル強度の傾向の差異を反映していることを確認することにある。
まず、図７は、測定情報を平均化して生成された平均スペクトルの一例を示す図である。すなわち、図７は、図６に示した６点において測定された測定情報を平均化することで、生成された平均スペクトルのグラフである。
まず、図７は、測定情報を平均化して生成された平均スペクトルの一例を示す図である。すなわち、図７は、図６に示した６点において測定された測定情報を平均化することで、生成された平均スペクトルのグラフである。
【0046】
図７の例では、正常豆では概ね６００ｎｍから１１００ｎｍまでの波長領域においてグラフの立ち上がりが急であるのに対して、ＰＴＤ豆では急な立ち上がりは認められなかった。
【0047】
次に、図８は、図７で示した平均スペクトルに対して平滑化等の処理を行ったうえで、微分した結果を示すグラフである。図８の例では、より分かりやすく傾向が表現されているが、正常豆の一次微分データでは概ね６００ｎｍから１１００ｎｍまでの波長領域において減少の傾向が認められるのに対して、ＰＴＤ豆の一次微分データでは概ね６００ｎｍから１１００ｎｍまでの波長領域において増加の傾向が認められる。
【0048】
同様に図９は、図７で示した平均スペクトルに対して、平滑化等の処理を行ったうえで、正規化処理及び中心化処理を行った結果を示すグラフである。
図９の例においても、特に正常豆の概ね６００ｎｍから１１００ｎｍの波長領域において、数値が右肩下がりに推移しているのに対して、ＰＴＤ豆の同波長領域では、数値が右肩に下がっている傾向は見られず、むしろ全体として左下方向から右上方向に立ち上がっている傾向が認められる。
図９の例においても、特に正常豆の概ね６００ｎｍから１１００ｎｍの波長領域において、数値が右肩下がりに推移しているのに対して、ＰＴＤ豆の同波長領域では、数値が右肩に下がっている傾向は見られず、むしろ全体として左下方向から右上方向に立ち上がっている傾向が認められる。
【0049】
図１０は、図９の統計処理の結果に対して、さらに所定の統計処理を行った結果の一例を示す図である。すなわち、図１０は、図９の中心化処理の結果に対して、さらにＰＬＳ－β法を適用した結果の一例を示すグラフである。
【0050】
図１０の例では、学習用データ、検証用データのデータ分割に用いる乱数を変え、２５００回の試行の結果の中から選択された各波長領域の頻度（回数 縦軸）が結果として表示されている。そのため、図１０の例では、縦軸の波長の頻度が多い波長領域が、正常豆かＰＴＤ豆かの判定に寄与するか否か検証するにあたって優先度の高い波長領域ということができる。具体的に図１０の例では、３７０ｎｍ，４１０ｎｍ，４５０ｎｍ，４９０ｎｍ，５２０ｎｍ，５５０ｎｍ，５６５ｎｍ，５８０ｎｍ，６００ｎｍ，６２０ｎｍ，６３５ｎｍ，６６０ｎｍ，６７５ｎｍ，７３０ｎｍ，７６０ｎｍ，８００ｎｍ，８７５ｎｍ，９３５ｎｍ，９６０ｎｍ，９９５ｎｍ，１０２０ｎｍ，１０８０ｎｍ，１０９０ｎｍ，１１００ｎｍ，１１２０ｎｍ，１１４０ｎｍ，１１５５ｎｍが寄与の大きい波長と推測することができる。
これらのデータから、本出願の発明者等は、例えば、５５０ｎｍから５８０ｎｍ、６００ｎｍから６８０ｎｍ、７１５ｎｍから７４５ｎｍ、７８５ｎｍから８１５ｎｍ、９３５から９９５ｎｍ、１００５ｎｍから１０３５ｎｍ、１０８０ｎｍから１１２０ｎｍの波長領域が特に寄与の大きい波長領域と推定した。
これらのデータから、本出願の発明者等は、例えば、５５０ｎｍから５８０ｎｍ、６００ｎｍから６８０ｎｍ、７１５ｎｍから７４５ｎｍ、７８５ｎｍから８１５ｎｍ、９３５から９９５ｎｍ、１００５ｎｍから１０３５ｎｍ、１０８０ｎｍから１１２０ｎｍの波長領域が特に寄与の大きい波長領域と推定した。
【0051】
選択波長の組み合わせを変更して、学習を行った場合の例を図１１に示す。図１１は、生データから選択波長におけるスペクトル強度のみをデータとしたものに対して、各種統計処理と学習を行い、精度を確認した結果の一例を示す図であり、図７乃至図１０の例とは異なる例を示す図である。
図１１の例では、各処理の結果選択された波長の個数、選択された波長の長さ、正常豆に対する正解率、異常豆（ＰＴＤ豆）に対する正解率、全体（正常豆及びＰＴＤ豆）に対する正解率等の情報が、リストとしてまとめられている。
本出願の発明者等は、さらに他の多くのサンプルや統計処理の組み合わせを含む検討を行い、特に５５０ｎｍから５８０ｎｍ，６００ｎｍから６８０ｎｍ，７１５ｎｍから７４５ｎｍ，７８５ｎｍから８１５ｎｍの４つ波長領域を選択することで、安定して高い精度で正常豆とＰＴＤ豆の判定を行えることを明らかにした。また、例えば、８７５ｎｍ,９３５ｎｍの２波長を選択した場合も、十分な精度で正常豆とＰＴＤ豆の判定を行えることを明らかにした。
図１１の例では、各処理の結果選択された波長の個数、選択された波長の長さ、正常豆に対する正解率、異常豆（ＰＴＤ豆）に対する正解率、全体（正常豆及びＰＴＤ豆）に対する正解率等の情報が、リストとしてまとめられている。
本出願の発明者等は、さらに他の多くのサンプルや統計処理の組み合わせを含む検討を行い、特に５５０ｎｍから５８０ｎｍ，６００ｎｍから６８０ｎｍ，７１５ｎｍから７４５ｎｍ，７８５ｎｍから８１５ｎｍの４つ波長領域を選択することで、安定して高い精度で正常豆とＰＴＤ豆の判定を行えることを明らかにした。また、例えば、８７５ｎｍ,９３５ｎｍの２波長を選択した場合も、十分な精度で正常豆とＰＴＤ豆の判定を行えることを明らかにした。
【0052】
ここで、本発明者等は、測定実験中の観察からＰＴＤ豆には正常豆と変わらない部分とＰＴＤ豆特有のスペクトルの特徴を持つ部分があることを知ることができた。この点、本システムは、平均化処理等の空間分解能を下げる処理を行った状態でもＰＴＤ豆特有のスペクトルの特徴の影響が残るような演算処理の結果を利用して、学習処理や波長領域の選択を行うことができる。
そして、本システムは、その結果から特定された所定の波長領域が有効であるかどうかを、任意の空間分解能の高いデータの該当する波長領域のデータのみを用いて学習処理を行い、正常豆かＰＴＤ豆かの判定の精度を検討し、高い精度で判定を実現できる条件を検討した。
本システムは、このような方法により、学習処理と波長領域の選択の負荷を減らすことができ、また、他に組み合わせて採用する演算処理の選択肢を広く確保する。
そして、本システムは、その結果から特定された所定の波長領域が有効であるかどうかを、任意の空間分解能の高いデータの該当する波長領域のデータのみを用いて学習処理を行い、正常豆かＰＴＤ豆かの判定の精度を検討し、高い精度で判定を実現できる条件を検討した。
本システムは、このような方法により、学習処理と波長領域の選択の負荷を減らすことができ、また、他に組み合わせて採用する演算処理の選択肢を広く確保する。
【0053】
【0054】
ステップＳ１において、学習装置２の測定情報取得部８０は、分析装置１から送信されてきたコーヒー豆の外側と内側を含む合計６点の測定情報を、通信部２９を介して取得する。
【0055】
ステップＳ２において、学習装置２の平滑化処理部９０は、測定情報取得部８０で取得された測定情報のそれぞれのスペクトル強度を平滑化した平均スペクトルを生成する。
【0056】
ステップＳ３において、正規化処理部９２及び中心化処理部９４はそれぞれ、平滑化処理部９０で生成された平均スペクトルを正規化し、中心化する演算処理を実行する。
【0057】
ステップＳ４において、学習装置２の波長選択部９６は、中心化処理部９４で実行された演算処理の結果に対して、各種統計的手法（例えば、ＰＬＳ－β）を適用することで、正常豆かＰＴＤ豆かの判定に寄与する優先度の高い波長領域を選択する。
【0058】
ステップＳ５において、学習装置２の学習処理部８４は、波長選択部９６で選択された各波長領域の組における測定情報に対して、学習処理を実行し、学習結果を生成する。
ここで、学習処理部８４が学習に使用する測定情報は、取得された測定情報をそのまま利用してもよいし、測定情報に基づく平均スペクトルを使用してもよい。なお、本実施形態では、学習処理部８４は、平均化した測定情報に基づいて決定された選択波長における、平均化していない測定情報を利用して学習処理を実行するものとする。
ここで、学習処理部８４が学習に使用する測定情報は、取得された測定情報をそのまま利用してもよいし、測定情報に基づく平均スペクトルを使用してもよい。なお、本実施形態では、学習処理部８４は、平均化した測定情報に基づいて決定された選択波長における、平均化していない測定情報を利用して学習処理を実行するものとする。
【0059】
ステップＳ６において、学習装置２の学習処理部８４は、生成した学習結果に関する学習結果情報を推論装置３へ送信する。これにより、学習装置２で実行される学習処理は終了する。
【0060】
【0061】
ステップＳ２１において、推論装置３の学習結果取得部１２０は、学習装置２から送信されてくる学習結果情報を、通信部５９を介して取得する。
【0062】
ステップＳ２２において、推論装置３の対象情報取得部１２２は、分析装置１から送信されてくる、それぞれの測定用分析対象物における選択波長の対象情報を、通信部５９を介して取得する。
【0063】
ステップＳ２３において、演算処理部１２４は、対象情報に対して、各種統計処理（正規化処理や中心化処理等）を実行する。
【0064】
ステップＳ２４において、推論装置３の判定部１２６は、学習結果取得部１２０で取得された学習結果情報及び対象情報取得部１２２で取得された対象情報に基づいて、対象情報が取得されたそれぞれの測定用分析対象物が、正常豆かＰＴＤ豆かを判定する。
【0065】
ステップＳ２５において、推論装置３の出力部１２８は、判定部１２６で行われた判定結果を出力する。これにより、推論装置３で実行される推論処理は終了する。
【0066】
以上本発明の一実施形態について説明したが、本発明は、上述の実施形態に限定されるものではなく、本発明の目的を達成できる範囲での変形、改良等は本発明に含まれるものである。
【0067】
【0068】
図１４の例では、重要な潜在変数を軸とする二次元空間上に、演算処理を施した各々のスペクトルを射影したグラフが表示されている。例えば、図１４の例では、図の左上方向に正常豆の群が、図の右下方向にＰＴＤ豆の群が比較的多く表示されている。本システムは、このように生データに対して、各種前処理を行い、その結果をそのまま利用することで、測定用分析対象物が正常豆であるかＰＴＤ豆であるかの判定を行うことができる可能性もある。
【0069】
また、上述の実施形態において、本システムは、コーヒー豆の表側と裏側の合計６点で各種情報を取得するものとして説明したが限定されない。本システムが各種情報を取得する場所や数は任意であり、限定されない。
さらに言えば、本システムは、各種カメラやイメージング技術等、より空間分解能の高い手法を採用し、各種情報（反射スペクトルの強度等）を取得してもよい。
さらに言えば、本システムは、各種カメラやイメージング技術等、より空間分解能の高い手法を採用し、各種情報（反射スペクトルの強度等）を取得してもよい。
【0070】
また、上述の実施形態では、本システムは、ＰＬＳ－β法を用いて波長領域の選択を行うものとして説明したが、限定されない。本システムは、例えば、ＰＬＳ－ＶＩＰ（Ｖａｒｉａｂｌｅ Ｉｍｐｏｒｔａｎｃｅ ｉｎ Ｐｒｏｊｅｃｔｉｏｎ），ＬＡＳＳＯ（Ｌｅａｓｔ Ａｂｓｏｌｕｔｅ Ｓｈｒｉｎｋａｇｅ ａｎｄ Ｓｅｌｅｃｔｉｏｎ Ｏｐｅｒａｔｏｒ），Ｓｔｅｐｗｉｓe，ＧＡ－ＰＬＳ（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ－ＰＬＳ）等の各種変数選択のための統計的手法を採用してもよい。
【0071】
また、上述の実施形態では、本システムは、５５０ｎｍから５８０ｎｍ，６１５ｎｍから６４５ｎｍ，７１５ｎｍから７４５ｎｍ，７８５ｎｍから８１５ｎｍの４つ波長領域を選択することで、安定して高い精度で正常豆とＰＴＤ豆の判定を行えるものとして説明したが、あくまでもこれらの選択波長は例示である。本システムは、例えば、上述の波長領域以外を選択波長として選択してもよいし、例えば、５５０ｎｍから５８０ｎｍ，６１５ｎｍから６４５ｎｍ，７１５ｎｍから７４５ｎｍ，７８５ｎｍから８１５ｎｍの４つ波長領域のうち１又は複数の波長領域のみを選択波長として選択してもよい。
【0072】
また、上述の実施形態では説明を省略したが、本システムは、例えば、カメラで撮像した画像に対して、スペクトル情報、画像の領域選択、豆の品質（正常又はＰＴＤ豆）水分含有量等の情報を追加で取得又はラベル付け等を行ってもよい。なお、この場合、本システムは、例えば、これらの情報を測定情報の一部として取得してもよい。
【0073】
また例えば、上述のシステム構成は、一例であり、限定されない。特に、分析装置１、学習装置２、推論装置３は必ずしも、個別のハードウェアとして機能する必要はなく、例えば、分析装置１と学習装置２の機能は一体となって提供されてもよいし、分析装置１と推論装置３の機能も一体となって提供されてもよいし、学習装置２と、推論装置３の機能も一体となって提供されてもよい。
【0074】
また例えば、上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。
すなわち、図４の機能的構成は例示に過ぎず限定されない。上述した一連の処理を全体として実行できる機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるかは特に限定されない。また、機能ブロックの存在場所も、図４の例に限定されず、任意でよい。
さらに言えば、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
すなわち、図４の機能的構成は例示に過ぎず限定されない。上述した一連の処理を全体として実行できる機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるかは特に限定されない。また、機能ブロックの存在場所も、図４の例に限定されず、任意でよい。
さらに言えば、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
【0075】
一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワークや記録媒体からインストールされる。
コンピュータ等は、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータ等は、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンや汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）であってもよい。
コンピュータ等は、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータ等は、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンや汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）であってもよい。
【0076】
このようなプログラムを含む記録媒体は、ユーザにプログラムを提供するために装置本体とは別に配布される図示せぬリムーバブルメディアにより構成されるだけでなく、装置本体に予め組み込まれた状態でユーザに提供される記録媒体等で構成されてもよい。
【0077】
なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
すなわち、図１２及び図１３のステップの一部のステップは、適宜、変更もしくは省略されてもよい。
すなわち、図１２及び図１３のステップの一部のステップは、適宜、変更もしくは省略されてもよい。
【0078】
また例えば、本明細書において、システムの用語は、複数の装置や複数の手段等より構成される全体的な装置を意味するものとする。
【0079】
以上を換言すると、本発明が適用される情報処理装置は、次のような構成を有していれば足り、各種各様な実施の形態を取ることができる。
即ち、本発明が適用される情報処理装置は、
対象物の選別に用いる情報処理装置であって、
選別の対象となる前記対象物に関する所定の波長領域における光の強度に関する情報を取得する取得手段（例えば、対象情報取得部１２２）と、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物の性質又は品質を判定する（例えば、判定部１２６）判定手段と、
前記判定手段による判定の結果を出力する出力手段（例えば、出力部１２８）と、
を備える情報処理装置であれば足りる。
即ち、本発明が適用される情報処理装置は、
対象物の選別に用いる情報処理装置であって、
選別の対象となる前記対象物に関する所定の波長領域における光の強度に関する情報を取得する取得手段（例えば、対象情報取得部１２２）と、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物の性質又は品質を判定する（例えば、判定部１２６）判定手段と、
前記判定手段による判定の結果を出力する出力手段（例えば、出力部１２８）と、
を備える情報処理装置であれば足りる。
【0080】
また、前記判定手段は、３１０ｎｍから１１８０ｎｍの波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物が正常対象物か欠陥対象物かを判定してもよい。
【0081】
また、前記波長領域は、選別の対象となる前記対象物の２以上の領域における反射又は散乱の強度に関する情報に統計的手法を実行することで算出されてもよい。
【0082】
また、前記統計的手法には、選別の対象となる前記対象物の２以上の領域における反射又は散乱の強度に関する情報に対する空間分解能を下げる処理が含まれてもよい。
【0083】
前記判定手段は、５５０ｎｍから５８０ｎｍ、６００ｎｍから６８０ｎｍ、７１５ｎｍから７４５ｎｍ、７８５ｎｍから８１５ｎｍ、９３５から９９５ｎｍ、１００５ｎｍから１０３５ｎｍ、１０８０ｎｍから１１２０ｎｍのうちの少なくとも１つを含む波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物が正常対象物か欠陥対象物かを判定してもよい。
【0084】
また、本発明の第２の態様として、本発明が適用される情報処理装置は、
対象物の選別にかかる情報処理装置であって、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報を取得するデータ取得手段（例えば、測定情報取得部８０）と、
前記データ取得手段により取得された前記情報に統計的手段を適合することにより学習を行う学習手段（例えば、学習処理部８４）と、
を備える情報処理装置であれば足りる。
対象物の選別にかかる情報処理装置であって、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報を取得するデータ取得手段（例えば、測定情報取得部８０）と、
前記データ取得手段により取得された前記情報に統計的手段を適合することにより学習を行う学習手段（例えば、学習処理部８４）と、
を備える情報処理装置であれば足りる。
【0085】
また、本発明の第３の態様として、本発明が適用される情報処理方法は、
対象物の選別に用いるコンピュータが実行する情報処理方法であって、
選別の対象となる対象物に関する所定の波長領域における光の強度に関する情報を取得する取得手段と、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物の性質又は品質を判定する判定手段と、
前記判定手段による判定の結果を出力する出力手段と、
を含む情報処理方法であれば足りる。
対象物の選別に用いるコンピュータが実行する情報処理方法であって、
選別の対象となる対象物に関する所定の波長領域における光の強度に関する情報を取得する取得手段と、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物の性質又は品質を判定する判定手段と、
前記判定手段による判定の結果を出力する出力手段と、
を含む情報処理方法であれば足りる。
【0086】
また、本発明の第４の態様として、本発明が適用されるプログラムは、
対象物の選別に用いるコンピュータに、
選別の対象となる対象物に関する所定の波長領域における光の強度に関する情報を取得する取得手段と、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物の性質又は品質を判定する判定手段と、
前記判定手段による判定の結果を出力する出力手段と、
を含む制御処理を実行させるプログラムであれば足りる。
対象物の選別に用いるコンピュータに、
選別の対象となる対象物に関する所定の波長領域における光の強度に関する情報を取得する取得手段と、
１以上の正常対象物及び欠陥対象物における所定の波長領域における反射又は散乱の強度に関する情報に統計的手段を適用して、学習された結果に基づいて、選別の対象となる前記対象物の性質又は品質を判定する判定手段と、
前記判定手段による判定の結果を出力する出力手段と、
を含む制御処理を実行させるプログラムであれば足りる。
【符号の説明】
【0087】
１・・・分析装置
２・・・学習装置
２１・・・制御部
８０・・・測定情報取得部
８２・・・演算処理部
９０・・・平滑化処理部
９２・・・正規化処理部
９４・・・中心化処理部
９６・・・波長選択部
８４・・・学習処理部
３００・・・学習結果ＤＢ
３・・・推論装置
５１・・・制御部
１２０・・・学習結果取得部
１２２・・・対象情報取得部
１２４・・・演算処理部
１２６・・・判定部
１２８・・・出力部
４００・・・学習結果ＤＢ
２・・・学習装置
２１・・・制御部
８０・・・測定情報取得部
８２・・・演算処理部
９０・・・平滑化処理部
９２・・・正規化処理部
９４・・・中心化処理部
９６・・・波長選択部
８４・・・学習処理部
３００・・・学習結果ＤＢ
３・・・推論装置
５１・・・制御部
１２０・・・学習結果取得部
１２２・・・対象情報取得部
１２４・・・演算処理部
１２６・・・判定部
１２８・・・出力部
４００・・・学習結果ＤＢ
【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】
