JP2000105192A - Grain-discriminating device by neural net work utilizing bolonoi division - Google Patents
Grain-discriminating device by neural net work utilizing bolonoi divisionInfo
- Publication number
- JP2000105192A JP2000105192A JP29139298A JP29139298A JP2000105192A JP 2000105192 A JP2000105192 A JP 2000105192A JP 29139298 A JP29139298 A JP 29139298A JP 29139298 A JP29139298 A JP 29139298A JP 2000105192 A JP2000105192 A JP 2000105192A
- Authority
- JP
- Japan
- Prior art keywords
- grain
- neural network
- light
- voronoi
- discriminating
- 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.)
- Pending
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Storage Of Fruits Or Vegetables (AREA)
Abstract
Description
【発明の属する技術分野】本発明は、非常に効率的であ
り、且つ、高い判定精度をもって穀類粒の品質判別を行
うことが可能なボロノイ分割を利用したニューラルネッ
トワーク(以下「ボロノイ分割ニューラルネットワー
ク」という。)を用いた穀粒判別装置に関するものであ
る。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a neural network using Voronoi division, which is very efficient and capable of judging the quality of cereal grains with high judgment accuracy (hereinafter referred to as "Voronoi division neural network"). ) Using a grain discriminating apparatus.
【従来の技術】一般に、農産物は、その流通、消費の過
程において、各等級に格付けされ商品化されるものであ
り、米においても、主として外観形態の評価により格付
けが行なわれる。従来、米の形質の判別は、長期間の経
験、熟練と、専門的知識を持つ専門家の目視判定により
行なわれてきた。しかし、専門家の減少に伴い、米の自
動的な品質判定システムの研究が必要となり、米に光を
照射して得られる色調信号がつくる標本空間を、1枚の
(超)平面で分割することによって判別を行う手法が試
みられている。2. Description of the Related Art In general, agricultural products are graded and commercialized in each grade in the course of their distribution and consumption. In rice, the grading is performed mainly by evaluating the appearance. Heretofore, rice traits have been determined by long-term experience, skill, and visual judgment by an expert having specialized knowledge. However, as the number of experts decreases, research on automatic rice quality judgment systems becomes necessary, and the sample space created by illuminating rice with light and producing a tone signal is divided into one (ultra) plane. There has been an attempt to make a determination by using the above method.
【発明が解決しようとする課題】しかしながら、上述し
た従来の米判別手法では、米の色調信号がつくる標本空
間を、1枚の(超)平面で分割することによって判別を
行うために、分類は2種類ずつ何段階かに分けて行わな
けれならなかった。そこで、本発明は、ボロノイ分割ニ
ューラルネットワークを穀類粒の判定手段として適用
し、分類作業を一括して行うことができて効率的とな
り、しかも、高い判定精度をもって穀類粒の品質判別を
行うことが可能な穀粒判別装置を提供することを目的と
する。However, in the above-described conventional rice discriminating method, the discrimination is performed by dividing the sample space formed by the color signals of rice into one (hyper) plane. It had to be done in two stages, two types at a time. Therefore, the present invention applies the Voronoi-divided neural network as a means for judging cereal grains, so that the classification work can be performed collectively, which is efficient, and that the quality of cereal grains can be discriminated with high judgment accuracy. It is an object of the present invention to provide a possible grain discriminating device.
【課題を解決するための手段】請求項1記載の発明に係
る穀粒判別装置は、穀類粒に光を照射する光源と、前記
穀類粒からの透過光、反射光を各々検出する第1の検出
手段、第2の検出手段と、前記第1の検出手段、第2の
検出手段の検出出力を基にボロノイ分割を利用したニュ
ーラルネットワークを用いて前記穀類粒の品質の判別を
行う判別手段とを有することを特徴とするものである。
この発明によれば、穀類粒に光を照射し、第1の検出手
段、第2の検出手段により前記穀類粒からの透過光、反
射光を検出し、判別手段によりボロノイ分割を利用した
ニューラルネットワークを用いて前記穀類粒の分析を行
うことで、高い判定精度をもって穀類粒の品質判定を行
うことができる。請求項2記載の発明に係る穀粒判別装
置は、穀類粒に光を照射する光源と、前記穀類粒からの
透過光を検出する測色センサと、前記穀類粒からの形状
信号を含む反射光を検出するイメージセンサと、前記測
色センサ、イメージセンサの各検出による色調信号及び
イメージセンサからの形状信号を基にボロノイ分割を利
用したニューラルネットワークを用いて前記穀類粒の品
質の判別を行う判別手段とを有することを特徴とするも
のである。この発明によれば、穀類粒に光を照射し、測
色センサ、イメージセンサにより前記穀類粒からの透過
光、反射光を検出し、更に、イメージセンサにより前記
穀類粒からの形状信号をを検出し、判別手段によりボロ
ノイ分割を利用したニューラルネットワークを用いて前
記穀類粒の分析を行うことで、高い判定精度をもって穀
類粒の品質判定を行うことができる。According to a first aspect of the present invention, there is provided a grain discriminating apparatus comprising: a light source for irradiating light to a grain; and a first light source for detecting transmitted light and reflected light from the grain. Detecting means, second detecting means, and discriminating means for discriminating the quality of the cereal grains using a neural network utilizing Voronoi division based on detection outputs of the first detecting means and second detecting means; Which is characterized by having
According to the present invention, a neural network which irradiates light to a grain, detects transmitted light and reflected light from the grain by the first detection means and the second detection means, and uses the Voronoi division by the discrimination means By performing the analysis of the cereal grain using the method, the quality of the cereal grain can be determined with high determination accuracy. A grain discriminating apparatus according to claim 2 is a light source that irradiates light to the grain, a colorimetric sensor that detects transmitted light from the grain, and reflected light including a shape signal from the grain. Sensor, and the colorimetric sensor, discriminating the quality of the cereal grains using a neural network using Voronoi division based on a color tone signal detected by each of the image sensors and a shape signal from the image sensor. Means. According to the present invention, the grain is irradiated with light, the transmitted light and the reflected light from the grain are detected by the colorimetric sensor and the image sensor, and the shape signal from the grain is detected by the image sensor. Then, by performing the analysis of the cereal grain using a neural network using Voronoi division by the discriminating means, the quality of the cereal grain can be determined with high determination accuracy.
【発明の実施の形態】以下に、本発明の実施の形態を詳
細に説明する。図1は、本発明の実施の形態に係る玄
米、精米等の粒質判別を行う穀粒判別装置10の概略構
成を示すもので、玄米粒に白色光をあてて「透過」、
「反射」の色調特性(R・G・B・R2、各々の透過と
反射)を検出手段である光学センサを用いて調べる。玄
米の1粒は、この8種(R・G・B・R2各々の透過と
反射)の色調信号がつくる8次元空間の点として表現さ
れる。そして、玄米の整粒、胴割れ(又はもみ)、未熟
粒、着色粒、死粒のそれぞれをこの空間に点の集まりと
してグループ化することにより、最終的には三次元立体
(標本空間)として表現でき、この標本空間により玄
米、精米等の米粒の粒質判別を行う。具体的には、図1
に示すように、光源11からの白色光を、光ファイバー
ケーブル12を用いてモータ20により駆動される搬送
ディスク13上に支持されている玄米、精米等のサンプ
ルに照射し、搬送ディスク13の左右両側に配置したR
GB+R2測色センサ14、ラインイメージセンサ15
によりサンプルからの透過光、反射光を各々検出し、更
に、アンプ16A、16Bを経てコンピュータ19に入
力し、ボロノイ分割ニューラルネットワークの手法を使
用してサンプルの粒質分析を行うものである。コンピュ
ータ19の分析結果は、図示しない表示手段に表示さ
れ、記憶手段に記憶される。本実施の形態では、予め専
門家の目視判定によって、5区分に分類された米粒の光
学特性値を一粒ずつ判定する。すなわち、一つ一つの米
粒に対して、その光学特性値と、それがどのカテゴリー
に属する米粒であるかが与えられている。図2に示すよ
うに、前記光学特性値を入力教師と定義し、分類結果を
出力教師と定義して、ボロノイ分割ニューラルネットワ
ークを学習させる。ニューラルネットワークは現在では
パターン認識、画像処理、制御をはじめ多くの分野で利
用されている方法で、分類問題に対して有効な方法であ
る。ニューラルネットワークは教師信号を与えられるこ
とにより、外部から受けた信号に対して、一定のルール
に従って出力を行うように学習を行う。この学習とはネ
ットワーク内での重み、しきい値を最適に決定すること
に相当する。この重み、しきい値が一度決定されれば、
未知の入力がある場合、決定された重み、しきい値によ
り出力を行う。この重み、しきい値を求める方法として
バックプロパゲーション則がよく使用される。しかし、
このバックプロパゲーション則では、学習終了までに長
時間を要し、複雑な問題の場合には学習が終了しないと
いうことがある。これらの問題点を克服するために、ボ
ロノイ分割をニューラルネットワークの重み、しきい値
決定に適用することは非常に有効な方法である。ボロノ
イ分割とは、与えられた点の近傍をその点の勢力圏と定
義する分割方法であり、物理学、生態学、地域問題など
様々な分野で用いられている主要な概念である。空間内
にn個の点P=1乃至nが与えられたとき、点pの勢力
圏Vn(Pi)を数1で定義し、これを図3に示すボロ
ノイ多角形で表すものとする。Embodiments of the present invention will be described below in detail. FIG. 1 shows a schematic configuration of a grain discriminating apparatus 10 for discriminating grain quality of brown rice, polished rice, etc. according to an embodiment of the present invention.
A color tone characteristic of “reflection” (R, G, B, R2, transmission and reflection of each) is examined using an optical sensor as a detection unit. One grain of brown rice is represented as a point in an eight-dimensional space created by these eight types of tone signals (transmission, reflection, and reflection of R, G, B, and R2). Then, by grouping each of the sized rice grains, cracked rice grains (or firs), immature grains, colored grains, and dead grains as a group of points in this space, finally as a three-dimensional solid (sample space) This sample space can be used to determine the grain quality of rice grains such as brown rice and polished rice. Specifically, FIG.
As shown in FIG. 2, white light from a light source 11 is irradiated onto a sample of brown rice, polished rice, etc. supported on a transport disk 13 driven by a motor 20 by using an optical fiber cable 12, and the left and right sides of the transport disk 13 are illuminated. R placed in
GB + R2 colorimetric sensor 14, line image sensor 15
, The transmitted light and the reflected light from the sample are respectively detected, and further input to the computer 19 through the amplifiers 16A and 16B, and the sample is subjected to the grain quality analysis using the Voronoi division neural network technique. The analysis result of the computer 19 is displayed on display means (not shown) and stored in the storage means. In the present embodiment, the optical characteristic values of the rice grains classified into five categories are determined one by one by visual judgment of an expert in advance. That is, for each rice grain, its optical characteristic value and the category to which it belongs are given. As shown in FIG. 2, the optical characteristic value is defined as an input teacher, the classification result is defined as an output teacher, and the Voronoi division neural network is trained. Neural networks are currently used in many fields including pattern recognition, image processing, and control, and are effective methods for classification problems. The neural network receives a teacher signal and performs learning so as to output a signal received from the outside according to a certain rule. This learning corresponds to optimally determining the weight and threshold value in the network. Once this weight and threshold are determined,
If there is an unknown input, output is performed using the determined weight and threshold value. The back propagation rule is often used as a method for obtaining the weight and the threshold value. But,
In this back propagation rule, it takes a long time to finish learning, and in the case of a complex problem, learning may not be finished. To overcome these problems, it is a very effective method to apply Voronoi division to the weight and threshold determination of the neural network. Voronoi division is a division method that defines the vicinity of a given point as the sphere of influence of that point, and is a main concept used in various fields such as physics, ecology, and regional problems. When n points P = 1 to n are given in the space, the sphere of influence Vn (Pi) of the point p is defined by Expression 1, and this is represented by a Voronoi polygon shown in FIG.
【数1】 図3に示すように、分割の対象となる点を母点と呼ぶ。
ボロノイ多角形の頂点をボロノイ点、辺をボロノイ辺と
いう。ボロノイ辺はその両側にある母点から等距離にあ
る点の軌跡、すなわち、その母点を結ぶ線分の垂直二等
分線の一部である。また、ボロノイ点は三つの母点を頂
点とする三角形の外心である。ボロノイ図において、あ
る点Piと点Pjのそれぞれに対応するボロノイ多角形
の共有辺を持つ時、点Piと点Pjを線分で結ぶことに
よって、Pi(i=1,‥,n)の凸包の三角形分割が
得られる。これはボロノイ図と双対でありデロニー網と
いう。ボロノイ分割ニューラルネットワークでは、分割
起平面の決定には、点配置に対し、いわゆる縄張の概念
を合理的に与えるボロノイ分割を適用した。すなわち、
与えられた入力教師を母点としてボロノイ図を作成し、
できたボロノイ面の式を求め、その係数をニューラルネ
ットワークの入力層から中間層間の重みとして用いる。
実際の計算においては、作成されたボロノイ面のうち、
同じカテゴリーの(同じ出力教師を持つ)2点を分割す
るボロノイ面は、その有無に関わらず最終的な分類結果
に影響をを与えないため、それらを取り除く。従って、
ニューラルネットワークの重みを決定するのに必要な分
割面は、図4に示すように。生成したボロノイ面のう
ち、異なるカテゴリー間を分割する超平面となる。分析
対象であるユニットの入出力関数は、入力層に線形1次
関数、中間層と出力層にはステップ関数を用いる。前記
穀粒判別装置10において、サンプルである米粒に1粒
づつ光源11から白色光を照射し、透過光と反射光の色
調特性(R、G、B、R2、各々の透過特性と反射特
性)及びラインイメージセンサ15によって形状特性を
認識させ、粒質を5区分[整粒・胴割れ(又はもみ)・
未熟粒・着色粒・死粒]に分離、選別する。米1粒は前
記8種の色調信号がつくる8次元空間の点として表現さ
れる。分類する5区分のそれぞれを、この8次元空間に
点の集まりとしてグループ化し、このグループを更に超
平面で分割することにより、米の分類を行う。ラインイ
メージセンサ15によって得られる形状特性は、色調特
性だけでは判別できない整粒と胴割れの判別のためのデ
ータとして用いられる。次に、バックプロパゲーション
則、所定の収束計算を行わない方法及びボロノイ分割ニ
ューラルネットワークを使用した場合の3種の学習法で
米の分類を行った場合について、以下に説明する。バッ
クプロパゲーション則とは、全層数nのニューラルネッ
トワークを考慮し、全層数nのネットワーク内の全ての
重みが可変であるとすると、出力層における出力と出力
教師との誤差を算定し、各層を入力層にむけてさかのぼ
っていき最終的にネットワーク内の全ての重みを変化さ
せるものである。そして、変化させた重みを新たな重み
とし、再び誤差を評価し、誤差が所定値以下になるまで
上述した過程を繰り返すというアルゴリガムからなるも
のである。バックプロパゲーション則、所定の収束計算
を行わない方法を使用した場合及びボロノイ分割ニュー
ラルネットワークを用いた場合の玄米の分類結果の比較
を図5に示す。バックプロパゲーシヨン則を用いた場合
については、入力層のユニット数を8ユニット(米粒に
対する色調信号数)、出力層のユニット数を5ユニット
(区分数)とした。中間層の数は1層または2層、中間
層のユニット数は10乃至1000の範囲で種々に変え
て学習を行った。教師数は5種類の米粒をそれぞれ10
組ずつ、合計50粒を用いた。入出力関数は、入力層が
線形1次関数、その他の層は全てシグモイド関数を用い
た。収束条件として、全体の誤差が予め設定した値
(0.01程度)より小さくなれば学習終了とみなすこ
ととした。ニューラルネットの全体誤差は、中間層数、
中間層のユニット数にかかわらず学習回数が1000回
を超えたあたりから一定になり、100000回を超え
ても収束条件として与えた値に達することなく、極小値
に収束してしまった。この時点における重み、及びしき
い値で米粒の判別を行ったが、教師として与えた50粒
の米に対しても正しい判定結果は得られなかった。次
に、収束計算を行わない方法を用いた場合について説明
する。入力層のユニット数を8ユニット、中間層1層、
中間層のユニット数を49ユニット、出力層のユニット
数を3ユニット(整粒:000、着色位:001、未熟
粒:010、死粒:011、もみ:100のように出力
させる)とし、教師数はバックプロパゲーション則の場
合と同じ50(判別する5種類の米粒をそれぞれ10粒
ずつ)を用いて学習を行った。学習結果を図6に示す。
学習は短時間で終了し、教師として与えた50粒につい
ては、完全に正しい判別を行った。しかし、構築したニ
ューラルネットワークに、学習に使わなかった(つまり
ネットワークにとって未知の)米250粒のデータを入
力して判定を行ったところ、その正解率は89.2%で
あった。最後に、ボロノイ分割ニューラルネットワーク
を用いた場合については、入力層のユニット数8ユニッ
ト、出力層のユニット数5ユニットとした。また、教師
数は上記の2つの学習法と同じ50粒とした。中間層の
ユニット数は、異種の2点を分割するボロノイ面の数と
なるため、入力教師によって変化する。本実施の形態で
は、分割超平面は980個となった。従って、中間層の
数も980ユニットとなる。学習結果を図7に示す。こ
の場合にも、教師50粒に対して全て正確な判定を行っ
た。また、学習に使わなかった未知の米粒データ入力に
対しても、正解率98.8%と、バックプロパゲーショ
ンや、収束計算を行わずに荷重を決定する方法(正解率
89.2%)を用いた場合と比較して、高い正解率を得
た。(Equation 1) As shown in FIG. 3, a point to be divided is called a generating point.
The vertices of a Voronoi polygon are called Voronoi points, and the sides are called Voronoi sides. The Voronoi side is a locus of points equidistant from the generating points on both sides thereof, that is, a part of a perpendicular bisector of a line connecting the generating points. The Voronoi point is the outer center of a triangle having three generating points as vertices. In the Voronoi diagram, when a point Pi and a point Pj have a shared edge of a Voronoi polygon corresponding to each point, the point Pi and the point Pj are connected by a line segment, so that the convexity of Pi (i = 1, ‥, n) is obtained. A triangulation of the hull is obtained. This is dual with the Voronoi diagram and is called the Delany network. In the Voronoi division neural network, a Voronoi division that gives a so-called territory concept is applied to the point arrangement to determine the division origin plane. That is,
Create a Voronoi diagram with the given input teacher as the mother point,
The equation of the Voronoi surface is obtained, and its coefficient is used as a weight between the input layer and the intermediate layer of the neural network.
In the actual calculation, of the Voronoi surfaces created,
Voronoi surfaces that divide two points (with the same output teacher) of the same category do not affect the final classification result irrespective of the presence or absence, so they are removed. Therefore,
The division planes required to determine the weight of the neural network are as shown in FIG. Of the generated Voronoi planes, it is a hyperplane that divides between different categories. As an input / output function of a unit to be analyzed, a linear linear function is used for an input layer, and a step function is used for an intermediate layer and an output layer. The grain discriminating apparatus 10 irradiates white light from the light source 11 one by one to the sampled rice grains, and obtains the tone characteristics of the transmitted light and the reflected light (R, G, B, R2, transmission characteristics and reflection characteristics of each). In addition, the shape characteristics are recognized by the line image sensor 15 and the grain quality is classified into five categories [granulation, body cracking (or fir).
Immature grains / colored grains / dead grains]. One grain of rice is represented as a point in an eight-dimensional space created by the eight kinds of color signals. Each of the five sections to be classified is grouped as a group of points in this eight-dimensional space, and the group is further divided by a hyperplane to perform rice classification. The shape characteristics obtained by the line image sensor 15 are used as data for discriminating between sizing and body cracking that cannot be discriminated only by the color tone characteristics. Next, a case where rice is classified by the three kinds of learning methods using the back propagation rule, a method not performing predetermined convergence calculation, and a Voronoi division neural network will be described below. The backpropagation rule considers a neural network having a total number of n layers, and assuming that all weights in the network having a total number of n layers are variable, calculates an error between an output in the output layer and an output teacher, Each layer is traced back to the input layer, and finally all weights in the network are changed. Then, the changed weight is used as a new weight, the error is evaluated again, and the above-described process is repeated until the error becomes equal to or less than a predetermined value. FIG. 5 shows a comparison of the results of the classification of brown rice in the case where the back propagation rule, the method not performing the predetermined convergence calculation, and the case in which the Voronoi division neural network is used. In the case where the back propagation rule was used, the number of units in the input layer was 8 units (the number of color tone signals for rice grains), and the number of units in the output layer was 5 units (the number of sections). The learning was performed by changing the number of the intermediate layers in one or two layers and the number of units in the intermediate layer in the range of 10 to 1,000. The number of teachers is 10 for each of 5 kinds of rice
A total of 50 grains were used for each set. As the input / output function, the input layer used a linear linear function, and the other layers used sigmoid functions. As the convergence condition, it is determined that the learning is completed when the entire error becomes smaller than a preset value (about 0.01). The overall error of the neural network is the number of hidden layers,
Regardless of the number of units in the intermediate layer, the number of times of learning becomes constant when the number of times exceeds 1,000, and converges to a minimum value without reaching the value given as the convergence condition even when the number of learnings exceeds 100,000. At this point, the weight and threshold value were used to discriminate the rice grains, but no correct judgment result was obtained for the 50 rice grains given as a teacher. Next, a case where a method not performing the convergence calculation is used will be described. 8 units in the input layer, 1 intermediate layer,
The number of units in the intermediate layer is set to 49, and the number of units in the output layer is set to 3 units (size: 000, coloring level: 001, immature grains: 010, dead grains: 011, fir: 100, and output). The number was learned using the same 50 as in the case of the back propagation rule (10 types of 5 types of rice grains to be discriminated, 10 for each). FIG. 6 shows the learning result.
The learning was completed in a short time, and the correct determination was made for 50 tablets given as a teacher. However, when the data of 250 grains of rice that were not used for learning (that is, unknown to the network) were input to the constructed neural network and a judgment was made, the correct answer rate was 89.2%. Finally, when the Voronoi division neural network was used, the number of units in the input layer was 8 units, and the number of units in the output layer was 5 units. The number of teachers was 50, the same as in the above two learning methods. The number of units in the intermediate layer is the number of Voronoi surfaces that divide two different types of points, and varies depending on the input teacher. In the present embodiment, the number of divided hyperplanes is 980. Therefore, the number of intermediate layers is also 980 units. FIG. 7 shows the learning result. Also in this case, accurate judgments were made on all 50 teachers. Also, for unknown rice grain data input that was not used for learning, a correct answer rate of 98.8% and a method of determining the weight without performing back propagation or convergence calculation (correct answer rate of 89.2%) A higher accuracy rate was obtained as compared to the case where it was used.
【発明の効果】本発明によれば、穀類粒に光を照射し、
透過光、反射光による色調信号を得てボロノイ分割ニュ
ーラルネットワークを適用することで、高い判定精度を
もって高能率で穀類粒の品質判定を行うことができる斬
新な穀粒判別装置を提供することができる。According to the present invention, cereal grains are irradiated with light,
By applying a Voronoi-divided neural network by obtaining a color signal based on transmitted light and reflected light, it is possible to provide a novel grain discriminating apparatus capable of highly efficiently judging the quality of grain with high judgment accuracy. .
【図1】本発明の実施の形態の穀粒判別装置を示すブロ
ック図である。FIG. 1 is a block diagram illustrating a grain discriminating apparatus according to an embodiment of the present invention.
【図2】本発明の実施の形態におけるボロノイ分割ニュ
ーラルネットワークの概念を示す説明図である。FIG. 2 is an explanatory diagram illustrating the concept of a Voronoi division neural network according to an embodiment of the present invention.
【図3】本発明の実施の形態におけるボロノイ図であ
る。FIG. 3 is a Voronoi diagram according to the embodiment of the present invention.
【図4】本発明の実施の形態におけるボロノイ図におけ
る重み付けを示す説明図である。FIG. 4 is an explanatory diagram showing weighting in a Voronoi diagram according to the embodiment of the present invention.
【図5】本発明の実施の形態におけるバックプロパゲー
ション則、所定の収束計算を行わない方法を使用した場
合及びボロノイ分割ニューラルネットワークを用いた場
合の比較を示す表である。FIG. 5 is a table showing a comparison between a case where a backpropagation rule, a method that does not perform a predetermined convergence calculation, and a case where a Voronoi division neural network is used according to an embodiment of the present invention.
【図6】本発明の実施の形態における所定の収束計算を
行わない方法用いた場合の分析結果を示す表である。FIG. 6 is a table showing an analysis result when a method that does not perform a predetermined convergence calculation according to the embodiment of the present invention is used.
【図7】本発明の実施の形態におけるボロノイ分割ニュ
ーラルネットワークを使用した分析結果を示す表であ
る。FIG. 7 is a table showing analysis results using the Voronoi division neural network according to the embodiment of the present invention.
11 光源 12 光ファイバーケーブル 13 搬送ディスク 14 測色センサ 15 ラインイメージセンサ 16A アンプ 16B アンプ 19 コンピュータ 20 モータ Reference Signs List 11 light source 12 optical fiber cable 13 transport disk 14 colorimetric sensor 15 line image sensor 16A amplifier 16B amplifier 19 computer 20 motor
───────────────────────────────────────────────────── フロントページの続き (72)発明者 遠藤 雅和 東京都目黒区大岡山1−12−1 東京工業 大学内 Fターム(参考) 2G059 AA05 BB11 DD12 EE01 EE02 EE13 HH02 JJ17 KK04 MM01 MM02 MM05 MM09 MM20 4B069 HA18 ──────────────────────────────────────────────────続 き Continuation of front page (72) Inventor Masakazu Endo 1-12-1 Ookayama, Meguro-ku, Tokyo F-term inside Tokyo Institute of Technology F-term (reference) 2G059 AA05 BB11 DD12 EE01 EE02 EE13 HH02 JJ17 KK04 MM01 MM02 MM05 MM09 MM20 4B069 HA18
Claims (2)
検出手段、第2の検出手段と、 前記第1の検出手段、第2の検出手段の検出出力を基に
ボロノイ分割を利用したニューラルネットワークを用い
て前記穀類粒の品質の判別を行う判別手段と、 を有することを特徴とする穀粒判別装置。A light source for irradiating light to the cereal grains; a first detecting means and a second detecting means for respectively detecting transmitted light and reflected light from the cereal grains; And a discriminating unit for discriminating the quality of the cereal grain using a neural network utilizing Voronoi division based on the detection output of the second detecting means.
ージセンサと、 前記測色センサ、イメージセンサからの各色調信号及び
イメージセンサからのの形状信号を基にボロノイ分割を
利用したニューラルネットワークを用いて前記穀類粒の
品質の判別を行う判別手段と、 を有することを特徴とする穀粒判別装置。A light source for irradiating the grain with light; a colorimetric sensor for detecting transmitted light from the grain; an image sensor for detecting a reflected light including a shape signal from the grain; A color sensor, discriminating means for discriminating the quality of the cereal grains using a neural network utilizing Voronoi division based on each tone signal from the image sensor and a shape signal from the image sensor, Grain discriminating device.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP29139298A JP2000105192A (en) | 1998-09-29 | 1998-09-29 | Grain-discriminating device by neural net work utilizing bolonoi division |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP29139298A JP2000105192A (en) | 1998-09-29 | 1998-09-29 | Grain-discriminating device by neural net work utilizing bolonoi division |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2000105192A true JP2000105192A (en) | 2000-04-11 |
Family
ID=17768323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP29139298A Pending JP2000105192A (en) | 1998-09-29 | 1998-09-29 | Grain-discriminating device by neural net work utilizing bolonoi division |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2000105192A (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006048489A (en) * | 2004-08-06 | 2006-02-16 | Univ Of Tokyo | Voronoi diagram generation device and program |
CN105738292A (en) * | 2014-12-12 | 2016-07-06 | 中国科学院大连化学物理研究所 | Cell phone imaging method with colorimetric sensor array |
CN105738583A (en) * | 2016-04-25 | 2016-07-06 | 西北农林科技大学 | Cereal morphology and quality analysis basic data integral acquiring device |
CN108333126A (en) * | 2018-01-17 | 2018-07-27 | 南通市第人民医院 | A kind of real-time dynamic spectrum cerebrospinal fluid monitoring system of artificial intelligence |
-
1998
- 1998-09-29 JP JP29139298A patent/JP2000105192A/en active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006048489A (en) * | 2004-08-06 | 2006-02-16 | Univ Of Tokyo | Voronoi diagram generation device and program |
JP4590548B2 (en) * | 2004-08-06 | 2010-12-01 | 国立大学法人 東京大学 | Power range map creation device and program |
CN105738292A (en) * | 2014-12-12 | 2016-07-06 | 中国科学院大连化学物理研究所 | Cell phone imaging method with colorimetric sensor array |
CN105738583A (en) * | 2016-04-25 | 2016-07-06 | 西北农林科技大学 | Cereal morphology and quality analysis basic data integral acquiring device |
CN108333126A (en) * | 2018-01-17 | 2018-07-27 | 南通市第人民医院 | A kind of real-time dynamic spectrum cerebrospinal fluid monitoring system of artificial intelligence |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090902B (en) | Non-reference image quality objective evaluation method based on multi-scale generation countermeasure network | |
CN111968080B (en) | Method for detecting quality of inside and outside of Feicheng peaches based on hyperspectral and deep learning | |
CN109934810B (en) | Defect classification method based on improved particle swarm wavelet neural network | |
EP2161555A1 (en) | Coating color database creating method, search method using the database, their system, program, and recording medium | |
WO1995034050A1 (en) | Neural network for cell image analysis for identification of abnormal cells | |
JPH0643092A (en) | Method and device for selecting deposit | |
CN111145145B (en) | Image surface defect detection method based on MobileNet | |
JPH08507394A (en) | Article classification method and device | |
CN111351860A (en) | Wood internal defect detection method based on Faster R-CNN | |
CN111161237A (en) | Fruit and vegetable surface quality detection method, storage medium and sorting device thereof | |
CN115290596A (en) | FCN-ACGAN data enhancement-based hidden dangerous goods identification method and equipment | |
Wang et al. | Determining wheat vitreousness using image processing and a neural network | |
CN111783616A (en) | Data-driven self-learning-based nondestructive testing method | |
CN106997590A (en) | A kind of image procossing and detecting system based on detection product performance | |
CN206897873U (en) | A kind of image procossing and detecting system based on detection product performance | |
JP2000105192A (en) | Grain-discriminating device by neural net work utilizing bolonoi division | |
He et al. | Rapid appearance quality of rice based on machine vision and convolutional neural network research on automatic detection system | |
CN107024480A (en) | A kind of stereoscopic image acquisition device | |
CN117523394A (en) | SAR vessel detection method based on aggregation characteristic enhancement network | |
CN114972895B (en) | Nondestructive testing method and device for crayfish quality | |
JP2000146847A (en) | Grain judgment device using neural network using clustering and voronoi division | |
CN109087321B (en) | Profile detection method based on visual path multi-level inhibition area synergistic effect | |
CN116797575A (en) | Intelligent detection method for broken rice rate based on machine vision | |
CN114972280B (en) | Fine coordinate attention module and application thereof in surface defect detection | |
JPH0777416A (en) | Surface roughness measuring method and measuring device with neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050928 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070612 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070619 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20071016 |