今後の課題

• SVMの利用

自己想起ニューラルネットを用いて得られた判定基準値をしきい値処理することで 良否の判定を行なっているが，SVMを用いて学習・判定することにより精度向上 ができると考える．

• 目視による判定との比較

本実験では果実画像を用いて良否の判定を行なっているが，現在の工場では現物に よる判定を行なっている．そのため，画像による良否判定の場合の人と機械の違い を調査する必要がある．

• ^{複数方向画像の利用}

本研究では一つの果実につき一方向から撮影した画像を用いているが、異常箇所が 果実の裏面にある場合には正確な判定ができない可能性がある．複数方向から撮影 した画像を用いることにより，撮影不備による「不良」果実の誤判定を防ぐことが

6.2 今後の課題 30 できるのではないかと考える．

• ^{他の果実への応用}

梅の実と似た色分布を持つ果実であれば，本研究と同様の手法を適用することがで きると考える．

31

付録 A

データリスト

研究で取り扱ったデータを∼ayaka/FANN/FANN-2.2.0-Source/my datasets/内に置く．

my_datasets

| #研究用画像データディレクトリ

|

|--datas_20130704

| # 研究用果実画像データセット

|

|--good

| #「良」クラス画像 114枚

|

|--bad

#_{「不良」クラス画像} 234_枚

32

付録 B

プログラムソースリスト

研究で取り扱ったプログラムを∼ayaka/FANN/FANN-2.2.0-Source/ANN/内に置く．実 行方法やコンパイル方法など各プログラムの詳細は，ディレクトリ内のREADMEを参照 のこと．

ANN

| #研究用プログラム格納ディレクトリ

|

|--Training

| | # 学習用プログラム格納ディレクトリ

| |

| |--train_select_RGBtoLab3

| | # 最小判定値を用いた良否判定における学習プログラム

| |

| |--train_select_2thres_cascade

| | # 階層型良否判定における学習プログラム

| |

| |--train_select_2thres_cascade_ar

| | # 許容誤判定率を含んだ階層型良否判定における学習プログラム

| |

| |--E_det

| # 判定値行列格納ディレクトリ

|

|--Evaluation

| | # 評価用プログラム格納ディレクトリ

プログラムソースリスト 33

| |

| |--recognition

| | # 最小判定値を用いた良否判定プログラム

| |

| |--recognition_2thres_cascade

| | # 階層型良否判定プログラム

| |

| |--recognition_2thres_cascade_ar

| | # 許容誤判定率を含んだ階層型良否判定プログラム

| |

| |--out_data

| # 出力ファイル格納ディレクトリ

|

|--cross_validation_datafile

| | # 三分割交差検定データ指定ファイル

| |

| |--datas_20130704

| | # 研究で用いたデータ指定ファイル格納ディレクトリ

| |

| |--training

| | #学習用データ指定ファイル

| |

| |--evaluation

| #評価用データ指定ファイル

|

|--train_net

| | # ニューラルネットファイル及び学習サンプルファイル格納ディレクトリ

| |

| |--datas_20130704

| | # 研究で用いたネットファイル格納ディレクトリ

| |

| |--cross_validation

| |

| |--File1-2

| | | #P1におけるネットファイル格納ディレクトリ

プログラムソースリスト 34

| | |

| | |--train_sample

| | #学習サンプルファイルディレクトリ

| |

| |--File2-3

| | | #P2におけるネットファイル格納ディレクトリ

| | |

| | |--train_sample

| | #学習サンプルファイルディレクトリ

| |

| |--File3-1

| | #P3におけるネットファイル格納ディレクトリ

| |

| |--train_sample

| #学習サンプルファイルディレクトリ

|

|

|--common_part

#プログラム関数ディレクトリ

35

謝辞

本研究に関し，多くのアイディアや研究に対する基本姿勢をご教授くださった木村文隆 教授，いつも丁寧に多くの知識や助言をご教授くださった若林哲史准教授，そして，研究 に関するアドバイスや資料作成など様々な方面からご指導していただきました大山航助教 授，専門的な観点から幅広いアイディアや知識をご教授くださった三宅康二名誉教授に深 く感謝いたします．また，日頃いろいろとお世話になった田中みゆき事務員に感謝いたし ます．

また，研究のみならず様々な助言やご協力を下さった先輩方，研究室での生活を支え，

学生生活を充実させてくださった研究室の同期の皆様に感謝いたします．最後になりまし たが，学生生活を支えてくれた両親に感謝を表し，本論文の結びとさせて頂きます．

36

参考文献

[1] 井上聡，若林哲史，鶴岡信治，木村文隆，三宅康二， 自己想起ニューラルネットに よる手書き数字認識 ，情処学論，vol.39,no.8,pp2476-2484，1998

[2] Tadhg Brosnan，Da-Wen Sun，Inspection and grading of agricultural and food products by computer vision systems - a review，Computers and Electronics in Agriculture 36， 193-213，2002.

[3] Cheng-Jin Du，Da-Wen Sun，Learning techniques used in computer vision for food quality evaluation: a review，Journal of Food Engineering 72，39-55，2006．

[4] 雨森道紘，横水伸行，果実そ菜類の等級の新しい自動画像解析判別法，電気学会論文 誌C電子・情報・システム部門誌125(9)，1476-1480，2005．

[5] J Blasco, N Aleixos, J Gomez, E Molto，Citrus sorting by identification of the most common defects using multispectral computer vision，Journal of Food Engineering 83， 384-393，2007．

[6] V. Leemans，M.-F. Destain，A real-time grading method of apples based on features extracted from defects，Journal of Food Engineering 61，83-89，2004．

[7] Kıvanc¸ Kılıc¸, ˙Ismail Hakki Boyacı, Hamit K¨oksel, ˙Ismail K¨usmeno˘glu，A classification system for beans using computer vision system and artificial neural networks，Journal of Food Engineering 78，897-904，2007．

[8] 伊藤嘉純，大山航，若林哲史，木村文隆：2色素モデルに基づく果実の自動良否判定 システムの開発，信学技報 PRMU2013-80, pp. 73-77

[9] Hassoun,M.:Fundamentals of Artificial Neural Networks.MIT Press, 1995

[10] Cottrell,G.,Munro,P.,Zipser,D.:Image compression by back-propagation: An exam-ple of extensional programing. Models of Cognition: A Review of Cognitive Science,1(1989)208–240

[11] Cottrell,G.,Munro,P.,Zipser,D.:Learning internal representations from gray-scale im-ages:An example of extensional programing.Ninth Annual Conference of the Cognitive Science Society,(1987)462–473