機械学習モデルと食品画像センシングによる分類評価

カテゴリ: 部門大会

論文No: PS1-2

グループ名: 【C】2023年電気学会電子・情報・システム部門大会

発行日: 2023/08/23

タイトル(英語): Classification using machine learning models and food image sensing

著者名: 三船 光貴（北海道科学大学）,小島 伊織（室蘭工業大学）,合田 元清（北海道科学大学）,伊藤 佳卓（北海道科学大学）,一戸 善弘（北海道科学大学）,木村 尚仁（北海道科学大学）,渡部 智希（北海道科学大学）,横山 徹（北海道科学大学）,北間 正祟（北海道科学大学）,小島 洋一郎（北海道科学大学）

著者名(英語): Koki Mifune (Hokkaido University of Science),Iori Kojima (Muroran Institute of Technology),Motoki Goda (Hokkaido University of Science),Yoshitaka Ito (Hokkaido University of Science),Yoshihiro Ichinohe (Hokkaido University of Science),Naohito Kimura (Hokkaido University of Science),Tomoki Watanabe (Hokkaido University of Science),Toru Yokoyama (Hokkaido University of Science),Masataka Kitama (Hokkaido University of Science),Yohchiro Kojima (Hokkaido University of Science)

キーワード: 機械学習|食品|画像センシング|分類|machine learning|foodstuff|Image Sensing|Classification

要約(日本語): 食品製造業や工場の外観検査工程では、画像センサを使用したロボットビジョンシステムの導入が定着しつつある。一方、それらの導入や維持には高額な費用が生じる。本研究では、携帯端末型の内臓カメラを用い、廉価で簡易に分類するシステム開発を進めている。多種多様な環境下にて食品の撮影が想定されるため、本実験では厳密な撮影条件を定義せず、直射日光の影響を受けない実験室内にて実施した。使用した試料は同系色を示し、製造企業が異なる液体とした。本報では、教師あり学習モデル（N-N, SVM等）10種類と教師なし学習モデル（Ward, k-means等）10種類の計20種類で分類比較を行った。教師あり学習の正答率は最大で100％、全体的には90％以上を安定して達成できた。一方で、教師なし学習では実行時間が0.01[ｓ]等と数値データに留まらない視覚的な評価を迅速に行えた。今後は分類の汎用性を高めるため、サンプル数を増やし検討を進める予定である。