JPH0520426A - ニユーラルネツトワークを用いた果実の色合判定装置 - Google Patents
ニユーラルネツトワークを用いた果実の色合判定装置Info
- Publication number
- JPH0520426A JPH0520426A JP3198255A JP19825591A JPH0520426A JP H0520426 A JPH0520426 A JP H0520426A JP 3198255 A JP3198255 A JP 3198255A JP 19825591 A JP19825591 A JP 19825591A JP H0520426 A JPH0520426 A JP H0520426A
- Authority
- JP
- Japan
- Prior art keywords
- image
- neural network
- pallet
- color
- fruit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Landscapes
- Spectrometry And Color Measurement (AREA)
- Sorting Of Articles (AREA)
- Image Processing (AREA)
Abstract
(57)【要約】
【目的】 処理が迅速に行なわれしかも作業性に秀れた
果実の良否選別用判定装置を提供すること。 【構成】 果実を載せて選果ラインに沿って移動するパ
レットの移動路に臨んでカラー用の撮像カメラ（２）が
設けられる。検出器（３）はパレットの移動路に臨んで
設けられパレットが撮像範囲内に入ったことを検出す
る。画像処理部（４４）は、前記検出器からの検出信号
を受けると前記撮像カメラからの赤、青、緑の画像信号
を取り入れてこれらの画像信号をＨ（色度）、Ｓ（彩
度）、Ｉ（明度）を表す画像信号に変換すると共に、変
換されたそれぞれの画像信号から不用画素を除去しあら
かじめ定められた統計量を演算する。ニューラルネット
ワーク判定手段（４５）は、前記統計量を基にニューラ
ルネットワークのアルゴリズムを実行して色合に基づく
等級用情報を出力する。
果実の良否選別用判定装置を提供すること。 【構成】 果実を載せて選果ラインに沿って移動するパ
レットの移動路に臨んでカラー用の撮像カメラ（２）が
設けられる。検出器（３）はパレットの移動路に臨んで
設けられパレットが撮像範囲内に入ったことを検出す
る。画像処理部（４４）は、前記検出器からの検出信号
を受けると前記撮像カメラからの赤、青、緑の画像信号
を取り入れてこれらの画像信号をＨ（色度）、Ｓ（彩
度）、Ｉ（明度）を表す画像信号に変換すると共に、変
換されたそれぞれの画像信号から不用画素を除去しあら
かじめ定められた統計量を演算する。ニューラルネット
ワーク判定手段（４５）は、前記統計量を基にニューラ
ルネットワークのアルゴリズムを実行して色合に基づく
等級用情報を出力する。
Description
【０００１】
【産業上の利用分野】この発明は果実の色合により果実
がどの等級に属するかを自動的に判定する果実の色合判
定装置の改良に関する。
がどの等級に属するかを自動的に判定する果実の色合判
定装置の改良に関する。
【０００２】
【従来の技術】従来、リンゴなどの果実の色合に関する
判定は、作業員の視認により行なわれていた。しかし、
人間の感覚に頼った判定は個人差や環境差によりばらつ
くことが多く、その信頼性にかなりの問題があった。こ
のような問題点を解消するために果実の表面の色合を自
動的に判定する技術として、リンゴを対象にした特願昭
６２−３２６５６号の色合判定装置がある。この装置は
撮像手段と色合判定処理手段とから構成されている。撮
像手段は色合いの異なる果実を撮像するものである。ま
た色合判定処理手段は、撮像種段により撮像された画像
を画素毎に分割して、各画素の赤成分と緑成分と青成分
との色合い要素の絶対値または比率を取って各画素毎に
色合いを評価し、その評価から画像全体の色合評価値を
定める機能を有する。各色合いの評価値から果実全体の
評価値を求めることによって、果物全体の色合いを判定
するものである。
判定は、作業員の視認により行なわれていた。しかし、
人間の感覚に頼った判定は個人差や環境差によりばらつ
くことが多く、その信頼性にかなりの問題があった。こ
のような問題点を解消するために果実の表面の色合を自
動的に判定する技術として、リンゴを対象にした特願昭
６２−３２６５６号の色合判定装置がある。この装置は
撮像手段と色合判定処理手段とから構成されている。撮
像手段は色合いの異なる果実を撮像するものである。ま
た色合判定処理手段は、撮像種段により撮像された画像
を画素毎に分割して、各画素の赤成分と緑成分と青成分
との色合い要素の絶対値または比率を取って各画素毎に
色合いを評価し、その評価から画像全体の色合評価値を
定める機能を有する。各色合いの評価値から果実全体の
評価値を求めることによって、果物全体の色合いを判定
するものである。
【０００３】
【発明が解決しようとする課題】しかし、この装置の場
合には、例えばリンゴというように同一の果実であって
も品種が異なる場合には、絶対値または比率を取る場合
のしきい値や色合判定のしきい値の設定を人手によりや
り直さなければならず作業性の点で問題がある。この発
明の目的は、ニューラルネットワークを用いることで色
合判定処理が迅速に行なわれしかも作業性に秀れた果実
良否選別用判定装置を提供することにある。
合には、例えばリンゴというように同一の果実であって
も品種が異なる場合には、絶対値または比率を取る場合
のしきい値や色合判定のしきい値の設定を人手によりや
り直さなければならず作業性の点で問題がある。この発
明の目的は、ニューラルネットワークを用いることで色
合判定処理が迅速に行なわれしかも作業性に秀れた果実
良否選別用判定装置を提供することにある。
【０００４】
【課題を解決するための手段】本発明のニューラルネッ
トワークを用いた果実の色合判定装置は、果実を載せて
選果ラインに沿って移動するパレットと、パレットの移
動路に臨んで設けられたカラー用の撮像カメラと、パレ
ットの移動路に臨んで設けられてパレットが撮像範囲内
に入ったことを検出する検出器と、前記検出器からの検
出信号を受けると前記撮像カメラからの赤、青、緑の画
像信号を取り入れてこれらの画像信号をＨ（色度）、Ｓ
（彩度）、Ｉ（明度）を表す画像信号に変換すると共
に、変換されたそれぞれの画像信号から不用画素を除去
しあらかじめ定められた統計量を演算する画像処理部
と、前記統計量を基にニューラルネットワークのアルゴ
リズムを実行して色合に基づく等級判別情報を出力する
ニューラルネットワーク判定手段とを有してなる。
トワークを用いた果実の色合判定装置は、果実を載せて
選果ラインに沿って移動するパレットと、パレットの移
動路に臨んで設けられたカラー用の撮像カメラと、パレ
ットの移動路に臨んで設けられてパレットが撮像範囲内
に入ったことを検出する検出器と、前記検出器からの検
出信号を受けると前記撮像カメラからの赤、青、緑の画
像信号を取り入れてこれらの画像信号をＨ（色度）、Ｓ
（彩度）、Ｉ（明度）を表す画像信号に変換すると共
に、変換されたそれぞれの画像信号から不用画素を除去
しあらかじめ定められた統計量を演算する画像処理部
と、前記統計量を基にニューラルネットワークのアルゴ
リズムを実行して色合に基づく等級判別情報を出力する
ニューラルネットワーク判定手段とを有してなる。
【０００５】なお、前記ニューラルネットワーク判定手
段は、あらかじめ果実の各等級を代表する複数種類の果
実を撮像して得られる前記画像処理部からの前記等級に
対応した統計量を前記各等級別のデータエリアにセット
するように学習動作を行うプロバブリスティックニュー
ラルネットワークである。
段は、あらかじめ果実の各等級を代表する複数種類の果
実を撮像して得られる前記画像処理部からの前記等級に
対応した統計量を前記各等級別のデータエリアにセット
するように学習動作を行うプロバブリスティックニュー
ラルネットワークである。
【０００６】
【作用】本発明の果実の色合判定装置は、等級判別作業
を行う前に学習動作を行う。この学習動作は、あらかじ
め等級の知れている果実を撮像して得られる画像を使用
して画像処理、ニューラルネットワークの処理を行なわ
せると共に、ニューラルネットワークに対しては現在処
理中の果実がどの等級に属するものであるかを示す等級
データを教師データとして与える。ニューラルネットワ
ーク判定手段は画像処理部からの等級に対応した統計量
を各等級別のデータエリアにセットしておく。学習動作
が終了したら、実際の等級判別作業にはいる。この時、
ニューラルネットワーク判定手段は、画像処理部からの
統計量を受けるとこの統計量がどの等級に属するかの判
別処理動作を行う。
を行う前に学習動作を行う。この学習動作は、あらかじ
め等級の知れている果実を撮像して得られる画像を使用
して画像処理、ニューラルネットワークの処理を行なわ
せると共に、ニューラルネットワークに対しては現在処
理中の果実がどの等級に属するものであるかを示す等級
データを教師データとして与える。ニューラルネットワ
ーク判定手段は画像処理部からの等級に対応した統計量
を各等級別のデータエリアにセットしておく。学習動作
が終了したら、実際の等級判別作業にはいる。この時、
ニューラルネットワーク判定手段は、画像処理部からの
統計量を受けるとこの統計量がどの等級に属するかの判
別処理動作を行う。
【０００７】
【実施例】図１に示すのは本発明による色合判定装置の
概略構成である。果実を載置したパレット１は前後に連
結されて適宜公知の駆動機構（例えばコンベアチェー
ン）に駆動されて選果ラインに沿って所定の速度で移動
する。これらパレット１の移動路に対して一方側から照
明用ライト５を付設したＩＴＶ等による撮像カメラ２が
向けられている。またこれらパレット１の移動路に対し
て他方側には、各パレット１が撮像範囲内に入ったこと
を検出する検出器３が設けられている。これらの撮像カ
メラ２と検出器３とは処理ユニット４に接続されてお
り、該処理ユニット４は検出器３からの検出信号を受け
ると撮像カメラ２からの画像情報を基に果実の色合を判
定して等級を判別する。
概略構成である。果実を載置したパレット１は前後に連
結されて適宜公知の駆動機構（例えばコンベアチェー
ン）に駆動されて選果ラインに沿って所定の速度で移動
する。これらパレット１の移動路に対して一方側から照
明用ライト５を付設したＩＴＶ等による撮像カメラ２が
向けられている。またこれらパレット１の移動路に対し
て他方側には、各パレット１が撮像範囲内に入ったこと
を検出する検出器３が設けられている。これらの撮像カ
メラ２と検出器３とは処理ユニット４に接続されてお
り、該処理ユニット４は検出器３からの検出信号を受け
ると撮像カメラ２からの画像情報を基に果実の色合を判
定して等級を判別する。
【０００８】図２に処理ユニット４の具体的構成の一例
を示す。この処理ユニット４は撮像カメラ２からの赤、
緑、および青成分の画像情報に対応して３個のＡ／Ｄ変
換器４１Ｒ、４１Ｇ、４１Ｂを並列に有しており、これ
らのＡ／Ｄ変換器は撮像カメラ２からのアナログ画像情
報をデジタル画像情報に変換する。これらのＡ／Ｄ変換
器４１Ｒ、４１Ｇ、４１Ｂはそれぞれ、画像メモり４２
Ｒ、４２Ｇ、４２Ｂに接続されており、これらの画像メ
モり４２Ｒ、４２Ｇ、４２Ｂはそれぞれ対応する画像情
報をラッチしてかつ記憶するものである。各画像メモり
の出力側には画像処理装置４４が接続されている。
を示す。この処理ユニット４は撮像カメラ２からの赤、
緑、および青成分の画像情報に対応して３個のＡ／Ｄ変
換器４１Ｒ、４１Ｇ、４１Ｂを並列に有しており、これ
らのＡ／Ｄ変換器は撮像カメラ２からのアナログ画像情
報をデジタル画像情報に変換する。これらのＡ／Ｄ変換
器４１Ｒ、４１Ｇ、４１Ｂはそれぞれ、画像メモり４２
Ｒ、４２Ｇ、４２Ｂに接続されており、これらの画像メ
モり４２Ｒ、４２Ｇ、４２Ｂはそれぞれ対応する画像情
報をラッチしてかつ記憶するものである。各画像メモり
の出力側には画像処理装置４４が接続されている。
【０００９】この画像処理装置４４は、例えばマイクロ
コンピュータなどにより構成されるもので、画像メモり
４２Ｒ、４２Ｇ、４２Ｂからの画像情報を、色の３要素
であるＨ（色度）、Ｓ（彩度）、Ｉ（明度）の画像信号
に変換し、これらの変換画像信号に基づいて果実の色合
を判定するのに必要な統計量、例えば中央値や平均値を
算出して出力するものである。ここで、周知のように、
色度Ｈは、赤、黄色等の基本的な色の属性を表し、彩度
Ｓはにぶい、鮮やか等の色の鮮やかさを表し、明度Ｉは
明るい、暗い等の色の明るさを表す。色度Ｈ、彩度Ｓ、
明度Ｉはそれぞれ、以下の数式１、数式２、数式３で表
される。
コンピュータなどにより構成されるもので、画像メモり
４２Ｒ、４２Ｇ、４２Ｂからの画像情報を、色の３要素
であるＨ（色度）、Ｓ（彩度）、Ｉ（明度）の画像信号
に変換し、これらの変換画像信号に基づいて果実の色合
を判定するのに必要な統計量、例えば中央値や平均値を
算出して出力するものである。ここで、周知のように、
色度Ｈは、赤、黄色等の基本的な色の属性を表し、彩度
Ｓはにぶい、鮮やか等の色の鮮やかさを表し、明度Ｉは
明るい、暗い等の色の明るさを表す。色度Ｈ、彩度Ｓ、
明度Ｉはそれぞれ、以下の数式１、数式２、数式３で表
される。
【００１０】
【数１】
【００１１】
【数２】
【００１２】
【数３】
【００１３】なお、Ｒ、Ｇ、Ｂはそれぞれ、変換画像信
号のレベルを示し、数式３中のＦは以下の数式４で表さ
れる。
号のレベルを示し、数式３中のＦは以下の数式４で表さ
れる。
【００１４】
【数４】
【００１５】検出器３はゲート回路４３を介して画像処
理装置４４に接続されている。このゲート回路４３は検
出器３からの検出信号に基づいて撮像タイミング信号を
出力し、撮像カメラ２の撮像時期、画像メモり４２Ｒ、
４２Ｇ、４２Ｂの画像情報取込みタイミングを制御す
る。
理装置４４に接続されている。このゲート回路４３は検
出器３からの検出信号に基づいて撮像タイミング信号を
出力し、撮像カメラ２の撮像時期、画像メモり４２Ｒ、
４２Ｇ、４２Ｂの画像情報取込みタイミングを制御す
る。
【００１６】画像処理装置４４の出力側にはニューラル
ネットワーク判定部４５が接続されている。このニュー
ラルネットワーク判定部４５は、画像処理装置４４から
の統計量に基づいて果実の色合を判定して等級を判別す
るものであり、プロバブリスティックニューラルネット
ワーク（ＰＮＮ）回路で実現される。ニューラルネット
ワーク判定部４５には、後述する学習動作時にこのニュ
ーラルネットワーク判定部４５に等級情報を教師データ
として与えるためのキーボード４６が付設されている。
ネットワーク判定部４５が接続されている。このニュー
ラルネットワーク判定部４５は、画像処理装置４４から
の統計量に基づいて果実の色合を判定して等級を判別す
るものであり、プロバブリスティックニューラルネット
ワーク（ＰＮＮ）回路で実現される。ニューラルネット
ワーク判定部４５には、後述する学習動作時にこのニュ
ーラルネットワーク判定部４５に等級情報を教師データ
として与えるためのキーボード４６が付設されている。
【００１７】つぎに上記のような構成の色合判定装置に
よる学習動作と判定動作について、果実としてリンゴを
用いた場合を例にとり説明する。 学習動作 １．まず、サンプルデータとして、各等級毎に代表的な
色合のリンゴを数個〜数十個用意する。そして、選果ラ
イン上のパレット１にリンゴを載せ、キーボード４６に
よりそのリンゴの等級を入力する。この入力情報はニュ
ーラルネットワーク判定部４５に送られる。 ２．選果ラインに沿ってリンゴを載せたパレット１が移
動して撮像カメラ２の撮像範囲に到着すると、検出器３
がこれを検出してその検出信号を画像処理装置４４に送
る。 ３．同時に撮像カメラ２がリンゴを撮像して、その赤、
緑および青成分の画像情報をＡ／Ｄ変換器４１Ｒ、４１
Ｇ、４１Ｂを介してそれぞれの画像メモり４２Ｒ、４２
Ｇ、４２Ｂに送る。各画像メモりはこれらの画像情報を
それぞれラッチして記憶する。
よる学習動作と判定動作について、果実としてリンゴを
用いた場合を例にとり説明する。 学習動作 １．まず、サンプルデータとして、各等級毎に代表的な
色合のリンゴを数個〜数十個用意する。そして、選果ラ
イン上のパレット１にリンゴを載せ、キーボード４６に
よりそのリンゴの等級を入力する。この入力情報はニュ
ーラルネットワーク判定部４５に送られる。 ２．選果ラインに沿ってリンゴを載せたパレット１が移
動して撮像カメラ２の撮像範囲に到着すると、検出器３
がこれを検出してその検出信号を画像処理装置４４に送
る。 ３．同時に撮像カメラ２がリンゴを撮像して、その赤、
緑および青成分の画像情報をＡ／Ｄ変換器４１Ｒ、４１
Ｇ、４１Ｂを介してそれぞれの画像メモり４２Ｒ、４２
Ｇ、４２Ｂに送る。各画像メモりはこれらの画像情報を
それぞれラッチして記憶する。
【００１８】４．画像処理装置４４はこれらの画像情報
に基づいて、次の処理を行う。まず、画像メモり４２
Ｒ、４２Ｇ、４２Ｂから読み出した各画素毎の赤、緑お
よび青成分の画像情報を色度Ｈ、彩度Ｓ、明度Ｉの画像
に変換する。この変換過程を図３に示す。 次に、これらの変換画像から不用画素を除去する。画像
内の背景の色、光源のてかり、果実のつる部分等の不用
画素の色合はあらかじめわかっているので、上記数式１
〜３で求められた色度Ｈ、彩度Ｓ、明度Ｉの値を用いて
画像の各画素毎に不用画素であるかどうかを判定し、不
用画素と判定されたものは画像内から除去する。不用画
素の除去処理で残った領域が色合の判定領域である。さ
らに、不用画素を除去した色度Ｈ、彩度Ｓ、明度Ｉの変
換画像を用いて判定領域内の統計量を算出する。算出さ
れた３種類の統計量はニューラルネットワーク判定部４
５に送られる。
に基づいて、次の処理を行う。まず、画像メモり４２
Ｒ、４２Ｇ、４２Ｂから読み出した各画素毎の赤、緑お
よび青成分の画像情報を色度Ｈ、彩度Ｓ、明度Ｉの画像
に変換する。この変換過程を図３に示す。 次に、これらの変換画像から不用画素を除去する。画像
内の背景の色、光源のてかり、果実のつる部分等の不用
画素の色合はあらかじめわかっているので、上記数式１
〜３で求められた色度Ｈ、彩度Ｓ、明度Ｉの値を用いて
画像の各画素毎に不用画素であるかどうかを判定し、不
用画素と判定されたものは画像内から除去する。不用画
素の除去処理で残った領域が色合の判定領域である。さ
らに、不用画素を除去した色度Ｈ、彩度Ｓ、明度Ｉの変
換画像を用いて判定領域内の統計量を算出する。算出さ
れた３種類の統計量はニューラルネットワーク判定部４
５に送られる。
【００１９】５．ニューラルネットワーク判定部４５
は、これらの３種類の統計量をキーボード４６から入力
された等級のデータエリアにセットする。 ６．上記の１〜５の処理を用意したすべてのリンゴにつ
いて行う。なお、果実の種類が変わったときや、同じ果
実でも品種が変わった場合には、上記の学習動作を行な
うだけで、その新たな果実についての判定動作を行なう
ことができる。
は、これらの３種類の統計量をキーボード４６から入力
された等級のデータエリアにセットする。 ６．上記の１〜５の処理を用意したすべてのリンゴにつ
いて行う。なお、果実の種類が変わったときや、同じ果
実でも品種が変わった場合には、上記の学習動作を行な
うだけで、その新たな果実についての判定動作を行なう
ことができる。
【００２０】判定動作
１．まず選果ライン上のパレット１にリンゴを載せて、
選果ラインを起動する。 ２．選果ラインに沿ってリンゴを載せたパレット１が移
動してカメラ２の撮像範囲に到着すると、検出器３がこ
れを検出してその検出信号を画像処理装置４４に送る。 ３．同時に撮像カメラ２がリンゴを撮像して、その赤、
緑および青成分の画像情報をＡ／Ｄ変換器４１Ｒ、４１
Ｇ、４１Ｂを介してそれぞれの画像メモり４２Ｒ、４２
Ｇ、４２Ｂに送る。画像メモりはこれらの画像情報をそ
れぞれラッチして記憶する。なお、画像情報のデータ量
としては、例えば２５６×２５６画素から成る画像で、
１画素あたり赤、緑および青成分をそれぞれ８ビットで
表すものと仮定すると、合計１９２キロバイト程度のデ
ータ量となる。
選果ラインを起動する。 ２．選果ラインに沿ってリンゴを載せたパレット１が移
動してカメラ２の撮像範囲に到着すると、検出器３がこ
れを検出してその検出信号を画像処理装置４４に送る。 ３．同時に撮像カメラ２がリンゴを撮像して、その赤、
緑および青成分の画像情報をＡ／Ｄ変換器４１Ｒ、４１
Ｇ、４１Ｂを介してそれぞれの画像メモり４２Ｒ、４２
Ｇ、４２Ｂに送る。画像メモりはこれらの画像情報をそ
れぞれラッチして記憶する。なお、画像情報のデータ量
としては、例えば２５６×２５６画素から成る画像で、
１画素あたり赤、緑および青成分をそれぞれ８ビットで
表すものと仮定すると、合計１９２キロバイト程度のデ
ータ量となる。
【００２１】４．画像処理装置４４はこれらの画像情報
に基づいて、まず、画像メモり４２Ｒ、４２Ｇ、４２Ｂ
から読み出した走査ライン毎の赤、緑および青成分の画
像情報を色度Ｈ、彩度Ｓ、明度Ｉの画像に変換する。次
に、これらの変換画像から不用画素を除去する。さら
に、不用画素を除去した色度Ｈ、彩度Ｓ、明度Ｉの変換
画像を用いて判定領域内の統計量を算出する。算出され
た３種類の統計量はニューラルネットワーク判定部４５
に送られる。 ５．学習済みのニューラルネットワーク判定部４５は、
入力された統計量を入力データとして撮像されたリンゴ
の色合を判定し等級を判別する。判定結果は適宜公知の
手法により可視または可聴表示される。
に基づいて、まず、画像メモり４２Ｒ、４２Ｇ、４２Ｂ
から読み出した走査ライン毎の赤、緑および青成分の画
像情報を色度Ｈ、彩度Ｓ、明度Ｉの画像に変換する。次
に、これらの変換画像から不用画素を除去する。さら
に、不用画素を除去した色度Ｈ、彩度Ｓ、明度Ｉの変換
画像を用いて判定領域内の統計量を算出する。算出され
た３種類の統計量はニューラルネットワーク判定部４５
に送られる。 ５．学習済みのニューラルネットワーク判定部４５は、
入力された統計量を入力データとして撮像されたリンゴ
の色合を判定し等級を判別する。判定結果は適宜公知の
手法により可視または可聴表示される。
【００２２】ここで、図４を参照してニューラルネット
ワークについて簡単に説明する。本実施例で利用される
ニューラルネットワークは、パターン分類のためのもの
で、いわゆるＰＮＮ（Ｐｒｏｂａｂｌｉｓｔｉｃ Ｎｅ
ｕｒａｌ Ｎｅｔｗｏｒｋ）型と呼ばれるものであり、
入力層ＩＳ（Ｉｎｐｕｔ Ｓｌａｂ）、パターン層ＰＳ
（Ｐａｔｔｅｒｎ Ｓｌａｂ）、総和層ＳＳ（Ｓｕｍｍ
ａｔｉｏｎＳｌａｂ）、及び出力層ＷＳ（Ｗｉｎ Ｓｌ
ａｂ）とから成る。各層におけるノードは、プロセスエ
レメント（ＰＥ）と呼ばれ、分類したいパターンの種類
をＮとすると、総和層ＳＳにはＮ個のプロセスエレメン
トが存在する。
ワークについて簡単に説明する。本実施例で利用される
ニューラルネットワークは、パターン分類のためのもの
で、いわゆるＰＮＮ（Ｐｒｏｂａｂｌｉｓｔｉｃ Ｎｅ
ｕｒａｌ Ｎｅｔｗｏｒｋ）型と呼ばれるものであり、
入力層ＩＳ（Ｉｎｐｕｔ Ｓｌａｂ）、パターン層ＰＳ
（Ｐａｔｔｅｒｎ Ｓｌａｂ）、総和層ＳＳ（Ｓｕｍｍ
ａｔｉｏｎＳｌａｂ）、及び出力層ＷＳ（Ｗｉｎ Ｓｌ
ａｂ）とから成る。各層におけるノードは、プロセスエ
レメント（ＰＥ）と呼ばれ、分類したいパターンの種類
をＮとすると、総和層ＳＳにはＮ個のプロセスエレメン
トが存在する。
【００２３】入力層ＩＳにはある入力ベクトルを持つ未
知のパターンが与えられる。パターン層ＰＳの各プロセ
スエレメントはそれぞれ重みベクトルωkj（j は１〜p
の整数で、p は入力ベクトルの次元）を有し、動作時に
は次の数式５に基づいて、入力ベクトルと重みベクトル
のユークリッド距離ｄk を計算する。
知のパターンが与えられる。パターン層ＰＳの各プロセ
スエレメントはそれぞれ重みベクトルωkj（j は１〜p
の整数で、p は入力ベクトルの次元）を有し、動作時に
は次の数式５に基づいて、入力ベクトルと重みベクトル
のユークリッド距離ｄk を計算する。
【００２４】
【数５】
【００２５】パターン層ＰＳではまた、数式５で計算さ
れたユークリッド距離ｄk を用いて次の数式６によりｇ
k を計算し、総和層ＳＳに出力する。
れたユークリッド距離ｄk を用いて次の数式６によりｇ
k を計算し、総和層ＳＳに出力する。
【００２６】
【数６】
【００２７】但し、σは平滑係数である。このｇk は、
ωk を中心にした時のｄk のガウス分布の値である。次
に、総和層ＳＳでは、ｇk を用いて次の数式７の計算を
行う。
ωk を中心にした時のｄk のガウス分布の値である。次
に、総和層ＳＳでは、ｇk を用いて次の数式７の計算を
行う。
【００２８】
【数７】
【００２９】但し、ｍｃは総和層ＳＳの各プロセシング
エレメントに接続しているパターン層ＰＳのプロセシン
グエレメントの個数である。出力層ＷＳでは、次の数式
で得られる値Ｖを最大にするクラスを選択し、判定結果
とする。 Ｖ＝ｈc Ｐc ( ｆc ( ｄk )) 但し、ｈc 及びＰc は各クラスの調整用パラメータであ
る。
エレメントに接続しているパターン層ＰＳのプロセシン
グエレメントの個数である。出力層ＷＳでは、次の数式
で得られる値Ｖを最大にするクラスを選択し、判定結果
とする。 Ｖ＝ｈc Ｐc ( ｆc ( ｄk )) 但し、ｈc 及びＰc は各クラスの調整用パラメータであ
る。
【００３０】なお、画像処理装置４４やニューラルネッ
トワーク判定部４５は、計算機でそれらのアルゴリズム
を実現するようにしても良い。
トワーク判定部４５は、計算機でそれらのアルゴリズム
を実現するようにしても良い。
【００３１】
【発明の効果】以上説明してきたように、本発明によれ
ばＨ、Ｓ、Ｉ画像を用いるので、不用画素の除去が容易
に行える。また、判定対象果実の種類または品種が変わ
った場合には、１回の学習動作を行なうだけでこれに対
処できるので、作業性が大幅に改善される。更に、ＰＮ
Ｎ回路を用いるため、各等級毎の果実の統計量が線形分
離不可能な分布をしている場合でも判定可能である。し
かも、バックプロパゲーションタイプのニューラルネッ
トワークと異なり、学習に時間がかからないので、サン
プルデータの追加、削除を行った場合でもすぐに判定動
作を行うことができる。
ばＨ、Ｓ、Ｉ画像を用いるので、不用画素の除去が容易
に行える。また、判定対象果実の種類または品種が変わ
った場合には、１回の学習動作を行なうだけでこれに対
処できるので、作業性が大幅に改善される。更に、ＰＮ
Ｎ回路を用いるため、各等級毎の果実の統計量が線形分
離不可能な分布をしている場合でも判定可能である。し
かも、バックプロパゲーションタイプのニューラルネッ
トワークと異なり、学習に時間がかからないので、サン
プルデータの追加、削除を行った場合でもすぐに判定動
作を行うことができる。
【図１】本発明による果実の色合判定装置の概略構成を
示す説明図である。
示す説明図である。
【図２】図１の色合判定装置に用いられる処理装置の一
例を示すブロック図である。
例を示すブロック図である。
【図３】本発明の装置による評価値算出方法を説明する
ために果実の画像の一例を示した図である。
ために果実の画像の一例を示した図である。
【図４】本発明で使用されるニューラルネットワークの
一例を示した図。
一例を示した図。
１ パレット
２ 撮像カメラ
３ 検出器
４ 処理ユニット
４１Ｒ、４１Ｇ、４１Ｂ Ａ／Ｄ変換器
４２Ｒ、４２Ｇ、４２Ｂ 画像メモリ
４３ ゲート回路
４４ 画像処理装置
４５ ニューラルネットワーク判定部
４６ キーボード
Claims (2)
- 【請求項１】 果実を載せて選果ラインに沿って移動す
るパレットと、パレットの移動路に臨んで設けられたカ
ラー用の撮像カメラと、パレットの移動路に臨んで設け
られてパレットが撮像範囲内に入ったことを検出する検
出器と、前記検出器からの検出信号を受けると前記撮像
カメラからの赤、青、緑の画像信号を取り入れてこれら
の画像信号をＨ（色度）、Ｓ（彩度）、Ｉ（明度）を表
す画像信号に変換すると共に、変換されたそれぞれの画
像信号から不用画素を除去しあらかじめ定められた統計
量を演算する画像処理部と、前記統計量を基にニューラ
ルネットワークのアルゴリズムを実行して色合に基づく
等級判別情報を出力するニューラルネットワーク判定手
段とを有してなるニューラルネットワークを用いた果実
の色合判定装置。 - 【請求項２】 請求項１記載の果実の色合判定装置にお
いて、前記ニューラルネットワーク判定手段は、あらか
じめ果実の各等級を代表する複数種類の果実を撮像して
得られる前記画像処理部からの前記等級に対応した統計
量を前記各等級別のデータエリアにセットするように学
習動作を行うプロバブリスティックニューラルネットワ
ークであることを特徴とするニューラルネットワークを
用いた果実の色合判定装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3198255A JPH0520426A (ja) | 1991-07-15 | 1991-07-15 | ニユーラルネツトワークを用いた果実の色合判定装置 |
| GB9212449A GB2256708A (en) | 1991-06-11 | 1992-06-11 | Object sorter using neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3198255A JPH0520426A (ja) | 1991-07-15 | 1991-07-15 | ニユーラルネツトワークを用いた果実の色合判定装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0520426A true JPH0520426A (ja) | 1993-01-29 |
Family
ID=16388086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3198255A Withdrawn JPH0520426A (ja) | 1991-06-11 | 1991-07-15 | ニユーラルネツトワークを用いた果実の色合判定装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0520426A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5582484A (en) * | 1995-07-10 | 1996-12-10 | Tokushu Kika Kogyo Kabushiki Kaisha | Method of, and apparatus for, agitating treatment liquid |
| JPH0929185A (ja) * | 1995-07-17 | 1997-02-04 | Takaaki Satake | 果皮表面に固有のネットパターンを有する青果物の等級判定方法 |
| JP2006239602A (ja) * | 2005-03-04 | 2006-09-14 | Hirosaki Univ | 果実そ菜類の等級判別方法。 |
| CN104741325A (zh) * | 2015-04-13 | 2015-07-01 | 浙江大学 | 一种基于归一化色度直方图的水果按表面颜色分级方法 |
| CN109794435A (zh) * | 2019-01-18 | 2019-05-24 | 金陵科技学院 | 基于深度学习的水果质量检测系统及方法 |
| JP2021043810A (ja) * | 2019-09-12 | 2021-03-18 | 株式会社ディースピリット | ミカン評価装置、及びミカン評価システム |
| JP2021047586A (ja) * | 2019-09-18 | 2021-03-25 | Ａｓｓｅｓｔ株式会社 | リンゴ品質推定プログラム及びシステム |
| JP2021120205A (ja) * | 2020-01-31 | 2021-08-19 | サトーホールディングス株式会社 | プリンタ、プログラム、印字方法、ユニークｉｄ生成方法 |
| WO2022009893A1 (ja) * | 2020-07-07 | 2022-01-13 | Ａｓｓｅｓｔ株式会社 | 果物品質推定プログラム及びシステム |
-
1991
- 1991-07-15 JP JP3198255A patent/JPH0520426A/ja not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5582484A (en) * | 1995-07-10 | 1996-12-10 | Tokushu Kika Kogyo Kabushiki Kaisha | Method of, and apparatus for, agitating treatment liquid |
| JPH0929185A (ja) * | 1995-07-17 | 1997-02-04 | Takaaki Satake | 果皮表面に固有のネットパターンを有する青果物の等級判定方法 |
| JP2006239602A (ja) * | 2005-03-04 | 2006-09-14 | Hirosaki Univ | 果実そ菜類の等級判別方法。 |
| CN104741325A (zh) * | 2015-04-13 | 2015-07-01 | 浙江大学 | 一种基于归一化色度直方图的水果按表面颜色分级方法 |
| CN109794435A (zh) * | 2019-01-18 | 2019-05-24 | 金陵科技学院 | 基于深度学习的水果质量检测系统及方法 |
| JP2021043810A (ja) * | 2019-09-12 | 2021-03-18 | 株式会社ディースピリット | ミカン評価装置、及びミカン評価システム |
| JP2021047586A (ja) * | 2019-09-18 | 2021-03-25 | Ａｓｓｅｓｔ株式会社 | リンゴ品質推定プログラム及びシステム |
| JP2021120205A (ja) * | 2020-01-31 | 2021-08-19 | サトーホールディングス株式会社 | プリンタ、プログラム、印字方法、ユニークｉｄ生成方法 |
| WO2022009893A1 (ja) * | 2020-07-07 | 2022-01-13 | Ａｓｓｅｓｔ株式会社 | 果物品質推定プログラム及びシステム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPS59218084A (ja) | 可視像処理方法 | |
| KR20100015628A (ko) | 목재의 검사 방법, 장치 및 프로그램 | |
| EP1118978A2 (en) | Method and apparatus for transforming color image into monochromatic image | |
| GB2256708A (en) | Object sorter using neural network | |
| Celik et al. | Computer vision based fire detection in color images | |
| JPH0929185A (ja) | 果皮表面に固有のネットパターンを有する青果物の等級判定方法 | |
| US7492392B2 (en) | Electronic camera and image processing program | |
| JP3396960B2 (ja) | 塗膜劣化自動診断方法 | |
| JPH09318547A (ja) | 農産物の外観検査方法及び装置 | |
| JP4190243B2 (ja) | 電子回路用部品の外観検査方法及び外観検査装置並びに電子回路用部品の製造方法。 | |
| JPH04364449A (ja) | 果実の欠陥検出装置 | |
| JPH052632A (ja) | 果物表面模様判定装置 | |
| JP2584195B2 (ja) | 丸形有色果実の自動評価装置 | |
| JPH06160298A (ja) | 自動色調判定方法 | |
| JP3311880B2 (ja) | 青果物の傷害自動検出装置 | |
| JP4171806B2 (ja) | 果実そ菜類の等級判別方法。 | |
| JPH10137695A (ja) | 選果装置 | |
| JP3461143B2 (ja) | カラー画像目標位置検出装置 | |
| JP4656399B2 (ja) | 農産物の外観検査装置 | |
| JPS6111679B2 (ja) | ||
| JPH04147002A (ja) | 青果物の表面検定装置 | |
| JP2696166B2 (ja) | 青果物の検定装置 | |
| JP3035578B2 (ja) | 検査条件決定装置、検査装置及びシャッタ速度決定装置 | |
| JP3374297B2 (ja) | カラー画像検査方法及びカラー画像検査装置 | |
| JPH0133225B2 (ja) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19981008 |