図面 (/)

この項目の情報は公開日時点(2020年10月29日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (10)

課題

処理装置への供給量を安定させるアキューム装置制御システムを提供する。

解決手段

アキューム装置制御システム10は、鶏舎から集められる卵Eを複数列に並べて処理する処理装置Pの上流側に配置されるアキューム装置Aを制御するシステムであって、学習モデル記憶部1と、状態観測部2と、推定部5と、制御部6とを備える。学習モデル記憶部1は、アキューム装置A上の卵Eの分布状況を含む卵分布情報に基づく機械学習により構築された学習モデル9を記憶する。状態観測部2は、処理装置Pの運転中に取得されたデータから卵分布情報を取得し、取得した卵分布情報に基づいて入力データを作成する。推定部5は、学習モデル9を用いて、状態観測部2が作成した入力データから処理装置Pへの送卵状況を推定する。制御部6は、推定部5における推定結果に基づいてアキューム装置Aを制御する。

概要

背景

この種のアキューム装置は、コンベヤと、仕切り板と、滞留部とを備える。コンベヤは、鶏舎から集められた処理装置まで運ぶ。仕切り板は、コンベヤ上の卵を複数列に並べるためのもので、コンベヤ上に搬送方向に沿って複数配置される。滞留部は、仕切り板の上流側で卵の搬送速度を一旦遅くするためのもので、コンベヤ間乗り移り板や、仕切り板が配置されるコンベヤとは異なる種類や異なる速度のコンベヤで構成される。

鶏舎から集められる卵は、鶏の個体差季節等の諸条件により一定ではなく、搬送される卵の数にばらつきが生じる。また、卵の外形形状の非対称性により、コンベヤ上で卵がランダムに搬送される。そのため、仕切り板で仕切られた特定の列に卵が集中して処理装置への充填率が低下したり、仕切り板の入り口で卵が混み合うことで卵が破損してしまったりするという問題が生じることがある。

このような問題を解決するため、仕切り板で並べられた部分または仕切り板の上流側で卵の上下方向の盛り上がり(以下、「渋滞」と記す。)をセンサで検出した際に、コンベヤの速度を遅くするものが知られている(例えば、特許文献1を参照)。しかしながら、このアキューム装置は、センサの検出時点ですでに卵が渋滞しており、渋滞のさらなる悪化は防げても、その渋滞の解消や、根本となる渋滞の発生の抑制はできなかった。

概要

処理装置への卵の供給量を安定させるアキューム装置制御システムを提供する。アキューム装置制御システム10は、鶏舎から集められる卵Eを複数列に並べて処理する処理装置Pの上流側に配置されるアキューム装置Aを制御するシステムであって、学習モデル記憶部1と、状態観測部2と、推定部5と、制御部6とを備える。学習モデル記憶部1は、アキューム装置A上の卵Eの分布状況を含む卵分布情報に基づく機械学習により構築された学習モデル9を記憶する。状態観測部2は、処理装置Pの運転中に取得されたデータから卵分布情報を取得し、取得した卵分布情報に基づいて入力データを作成する。推定部5は、学習モデル9を用いて、状態観測部2が作成した入力データから処理装置Pへの送卵状況を推定する。制御部6は、推定部5における推定結果に基づいてアキューム装置Aを制御する。

目的

本発明は、処理装置への卵の供給量を安定させるアキューム装置制御システムを提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

鶏舎から集められる複数列に並べて処理する処理装置上流側に配置されるアキューム装置を制御するシステムであって、アキューム装置上の卵の分布状況を含む卵分布情報に基づく機械学習により構築された学習モデルを記憶する学習モデル記憶部と、処理装置の運転中に取得されたデータから卵分布情報を取得し、取得した卵分布情報に基づいて入力データを作成する状態観測部と、学習モデルを用いて、状態観測部が作成した入力データから処理装置への送卵状況を推定する推定部と、推定部における推定結果に基づいてアキューム装置を制御する制御部とを備えるアキューム装置制御システム。

請求項2

処理装置の運転中に取得されたデータから、状態観測部が作成した入力データに対応する処理装置への送卵状況を示す教師データを取得するラベル取得部と、状態観測部が作成した入力データと、ラベル取得部が取得した教師データとを用いた教師あり学習により学習モデルを構築する学習部とを備え、学習モデル記憶部は、学習部で構築された学習モデルを記憶する、請求項1記載のアキューム装置制御システム。

請求項3

状態観測部が作成した入力データを用いた教師なし学習により卵分布情報に基づくクラスタを作成した学習モデルを構築する学習部を備え、学習モデル記憶部は、学習部で構築された学習モデルを記憶する、請求項1記載のアキューム装置制御システム。

技術分野

0001

本発明は、アキューム装置を制御するシステムに関するものである。アキューム装置は、卵の処理装置上流側に配置されるものであって、卵の処理装置では、鶏舎から集められる卵を複数列に並べて処理する。

背景技術

0002

この種のアキューム装置は、コンベヤと、仕切り板と、滞留部とを備える。コンベヤは、鶏舎から集められた卵を処理装置まで運ぶ。仕切り板は、コンベヤ上の卵を複数列に並べるためのもので、コンベヤ上に搬送方向に沿って複数配置される。滞留部は、仕切り板の上流側で卵の搬送速度を一旦遅くするためのもので、コンベヤ間乗り移り板や、仕切り板が配置されるコンベヤとは異なる種類や異なる速度のコンベヤで構成される。

0003

鶏舎から集められる卵は、鶏の個体差季節等の諸条件により一定ではなく、搬送される卵の数にばらつきが生じる。また、卵の外形形状の非対称性により、コンベヤ上で卵がランダムに搬送される。そのため、仕切り板で仕切られた特定の列に卵が集中して処理装置への充填率が低下したり、仕切り板の入り口で卵が混み合うことで卵が破損してしまったりするという問題が生じることがある。

0004

このような問題を解決するため、仕切り板で並べられた部分または仕切り板の上流側で卵の上下方向の盛り上がり(以下、「渋滞」と記す。)をセンサで検出した際に、コンベヤの速度を遅くするものが知られている(例えば、特許文献1を参照)。しかしながら、このアキューム装置は、センサの検出時点ですでに卵が渋滞しており、渋滞のさらなる悪化は防げても、その渋滞の解消や、根本となる渋滞の発生の抑制はできなかった。

先行技術

0005

特開2003−206016号公報

発明が解決しようとする課題

0006

本発明は、処理装置への卵の供給量を安定させるアキューム装置制御システムを提供する。

課題を解決するための手段

0007

本発明のアキューム装置制御システムは、鶏舎から集められる卵を複数列に並べて処理する処理装置の上流側に配置されるアキューム装置を制御するシステムであって、学習モデル記憶部と、状態観測部と、推定部と、制御部とを備える。学習モデル記憶部は、アキューム装置上の卵の分布状況を含む卵分布情報に基づく機械学習により構築された学習モデルを記憶する。状態観測部は、処理装置の運転中に取得されたデータから卵分布情報を取得し、取得した卵分布情報に基づいて入力データを作成する。推定部は、学習モデルを用いて、状態観測部が作成した入力データから処理装置への送卵状況を推定する。制御部は、推定部における推定結果に基づいてアキューム装置を制御する。

発明の効果

0008

本発明によれば、処理装置への卵の供給量を安定させるアキューム装置制御システムを提供できる。

0009

この発明の上記および他の目的、特徴、局面および利点は、添付の図面と関連して理解されるこの発明に関する次の詳細な説明から明らかとなるであろう。

図面の簡単な説明

0010

アキューム装置上の卵の分布状況について説明する平面図である。
アキューム装置上の卵の分布状況について説明する側面図である。
本発明の一実施形態によるアキューム装置制御システムの学習時の概略的な機能ブロック図である。
ニューラルネットワークを示す模式図である。
本発明の一実施形態によるアキューム装置制御システムの推定時の概略的な機能ブロック図である。
本発明の他の実施形態によるアキューム装置制御システムの学習時の概略的な機能ブロック図である。
本発明の他の実施形態によるアキューム装置制御システムの推定時の概略的な機能ブロック図である。
他のアキューム装置上の卵の分布状況について説明する平面図である。
他のアキューム装置上の卵の分布状況について説明する側面図である。

実施例

0011

以下、本発明の一実施形態について、図面を参照して説明する。本実施形態にかかるアキューム装置制御システム10は、アキューム装置Aを制御する。アキューム装置Aは、卵の処理装置Pの上流側に配置される。卵の処理装置Pは、鶏舎から集められる卵Eを複数列に並べて処理する。卵の処理装置Pは、例えば、図示しない選別装置または包装装置が接続される方向整列装置である。卵の処理装置Pは、卵Eを列方向および行方向に整列させる。

0012

アキューム装置Aは、図1及び図2に示すように、コンベヤA1と、仕切り板A2と、滞留部A3とを備える。コンベヤA1は、鶏舎から集められた卵Eを処理装置Pまで運ぶ。仕切り板A2は、コンベヤA1上の卵Eを複数列(例えば、12列)に並べる。仕切り板A2は、コンベヤA1上に搬送方向に沿って複数配置される。滞留部A3は、仕切り板A2の上流側で卵Eの搬送速度を一旦遅くする。滞留部A3は、仕切り板A2が配置されるコンベヤA1よりも速度の遅いバーコンベヤA31、または、バーコンベヤA31からの乗り移り板A32である。

0013

図1は、アキューム装置Aにより卵Eを処理装置Pへと送り込んでいる状態について説明する図である。鶏舎から集められた卵Eは、コンベヤA1により処理装置Pへと運ばれる。その途中に、滞留部A3にて卵Eが一時的に蓄えられ、搬送方向に対して左右に卵Eが散らばる。

0014

卵Eは、その形状が非対称であり、転がる方向の予測がたてにくい。また、卵Eは、コンベヤA1上を無秩序に運ばれる状態から仕切り板A2間への進路を定めるために、多くの卵Eの速度が仕切り板A2の上流側で一時的に遅くなる。そのため、滞留部A3の形態や配置によってアキューム装置A上の卵Eの分布状況は様々となる。また、卵Eの数や卵Eの性状によってアキューム装置A上の卵Eの分布状況は様々となる。

0015

アキューム装置制御システム10は、卵Eの分布状況を含む卵分布情報から処理装置Pへの送卵状況を推定し、その結果に基づいてアキューム装置Aを制御するために、機械学習装置を用いる。本実施形態の機械学習装置は、カメラなどの撮像部を用いて収集されたアキューム装置Aの仕切り板A2近辺画像情報などの卵分布情報と、処理装置Pへの送卵状況との関係を機械学習し、その学習結果を用いて、卵分布情報から処理装置Pへの送卵状況を推定する。なお、機械学習装置は、アキューム装置Aの仕切り板A2近辺の卵分布情報と処理装置Pへの送卵状況との関係を機械学習する学習方法として、教師あり学習教師なし学習などの様々な学習方法を採用することができる。

0016

学習モード、教師あり学習>
以下では、図3を用いて、学習方法として教師あり学習を用いた場合の実施形態について説明する。

0017

本実施形態のアキューム装置制御システム10は、アキューム装置Aから収集され、データ記憶部7に記憶されたデータに基づいて機械学習を行う。データ記憶部7には、撮像部から取得されたアキューム装置Aの仕切り板A2近辺の卵分布情報と、作業者により入力された処理装置Pへの送卵状況とが記録される。アキューム装置Aの仕切り板A2近辺の卵分布情報には、カメラなどの撮像部を用いて収集された画像情報などが含まれる。なお、データ記憶部7は、アキューム装置Aの仕切り板A2近辺の複数箇所から収集された卵分布情報を記録してもよい。

0018

本実施形態のアキューム装置制御システム10は、データ記憶部7に記憶されたデータの中から、仕切り板A2の上流側で渋滞が発生していない状態、処理装置Pへの充填率が100%に近い状態のアキューム装置A上の卵分布情報を「処理装置Pへの送卵が良好な場合の卵分布情報」として収集する。一方、仕切り板A2の上流側で渋滞が発生している状態、処理装置Pへの充填率が低い状態のアキューム装置A上の卵分布情報を「処理装置Pへの送卵が不良な場合の卵分布情報」として収集する。そして、これら収集したアキューム装置Aの卵分布情報に基づいて教師あり学習を行う。

0019

図4は学習モデル9の機能構成例を示す概念図である。学習モデル9は、複数のノードN91,N92,N93を有する入力層91、中間層92及び出力層93を備えたニューラルネットワークを用いる。入力層91は、画像データが入力される複数のノードN91を有する。中間層92は、入力層91のノードN91から入力されるデータにパラメータを用いて演算する複数のノードN92を有する。出力層93は、中間層92のノードN92から演算されたデータを受け付け、処理装置Pへの送卵状況を出力する複数のノードN93を有する。なお、中間層92は、一層でもよいし、複数層であってもよい。学習モデル9は、ニューラルネットワークとして、畳みこみニューラルネットワーク(CNN)、または再帰型ニューラルネットワーク(RNN)を用いてもよい。

0020

学習モデル9は、処理装置Pへの送卵状況が判明している画像データが取得され、教師データが作成される。教師データに含まれる画像データが入力層91の各ノードN91に入力され、教師データに含まれる情報が示す処理装置Pへの送卵状況に合致したスコアを出力層93の各ノードN93が出力するように、各ノードの演算のパラメータが調整される学習がなされている。例えば、学習では、出力層93の各ノードN93の出力値及び教師データから期待される出力値を変数とする誤差関数により誤差を計算し、誤差逆伝搬法によって当該誤差が最小となるように、各ノードの演算のパラメータを調整している。

0021

なお、ニューラルネットワークの動作には、学習モードと予測モードとがあり、学習モードにおいて学習データセットを用いて学習を行い、そのパラメータを用いて予測モードにおいてアキューム装置Aの制御判断を行う。なお、「予測」に替えて、検出、分類推論など多様なタスクが可能である。

0022

次に、アキューム装置制御システム10が備える各構成について説明する。

0023

図3に示すように、主に学習モードで用いる本実施形態のアキューム装置制御システム10は、学習モデル記憶部1と、状態観測部2と、ラベル取得部3と、学習部4とを備える。

0024

学習モデル記憶部1は、アキューム装置A上の卵Eの分布状況を含む卵分布情報に基づく機械学習により構築された学習モデル9を記憶する。

0025

状態観測部2は、処理装置Pの運転中に取得されたデータから卵分布情報を取得し、取得した卵分布情報に基づいて入力データを作成する。卵分布情報は、アキューム装置Aに設けられた仕切り板A2近辺が撮影された画像である。状態観測部2は、卵分布情報に含まれる画像情報に対して周知の画像解析処理を実行し、入力データを作成する。状態観測部2は、数値表現される卵分布情報については、当該数値を入力データとしてそのまま利用し、数値以外で示される卵分布情報について、数値へ変換する変換表を予めメモリ上に記憶しておき、この変換表を用いて数値以外の情報を数値化して入力データに含めるようにすればよい。

0026

ラベル取得部3は、処理装置Pの運転中に取得されたデータから、状態観測部2が作成した入力データに対応する処理装置Pへの送卵状況を示す教師データを取得する。

0027

学習部4は、状態観測部2が作成した入力データと、ラベル取得部3が取得した教師データとを用いた教師あり学習により学習モデル9を構築する。

0028

また、図5に示すように、主に予測モードで用いる本実施形態のアキューム装置制御システム10は、学習モデル記憶部1と、状態観測部2と、推定部5と、制御部6とを備える。

0029

推定部5は、学習モデル9を用いて、状態観測部2が作成した入力データから処理装置Pへの送卵状況を推定する。入出力部8は、推定部5から入力された処理装置Pへの送卵状況から、処理装置Pへの送卵が不良な場合には、制御部6に対してアキューム装置Aを制御するように指令する。

0030

制御部6は、推定部5における推定結果に基づいてアキューム装置Aを制御する。例えば、制御部6は、アキューム装置Aに設けられたコンベヤA1の搬送速度を増減する信号を出力する。または、制御部6は、アキューム装置Aに設けられた仕切り板A2、コンベヤA1、卵Eの方向を変更するためのガイドのうち少なくとも一つを上下左右方向に動かす信号を出力するようなものであってもよい。なお、図示しない記憶部に、推定結果と、アキューム装置Aの制御方法及び制御する程度とが対応づけて記憶されており、制御部6はこの情報をもとに制御を行う。ここで、推定結果に対応付けられたアキューム装置Aの制御方法等は、仕切り板A2の上流側で渋滞が発生しておらず、処理装置Pへの充填率が100%に近い状態にするためのものである。

0031

本実施形態の学習モデル記憶部1、状態観測部2、ラベル取得部3、学習部4、推定部5、制御部6、データ記憶部7、入出力部8は、CPU、内部メモリ入出力インターフェースAD変換部等の専用または汎用コンピュータにより構成されている。そして、内部メモリに格納されたアキューム装置制御用プログラムにしたがってCPUやその他の周辺機器協働することによって、学習モデル記憶部1と、状態観測部2と、ラベル取得部3、学習部4、推定部5、制御部6、データ記憶部7、入出力部8としての機能が発揮される。また、学習モデル記憶部1と、状態観測部2と、ラベル取得部3、学習部4、推定部5、制御部6、データ記憶部7、入出力部8とは、物理的に一体のコンピュータにより構成されたものであってもよいし、それぞれ物理的に別体をなすコンピュータにより構成されたものであってもよい。

0032

次に、図6及び図7を用いて、学習方法として教師なし学習を用いた場合における本発明のアキューム装置制御システム10の実施形態について説明する。本実施形態のアキューム装置制御システム10は、多くの部分について、図1図5を用いて説明した教師あり学習を用いた場合の実施形態と類似している。以下では、図1図5を用いて説明した実施形態と異なる部分を説明する。

0033

<学習モード、教師なし学習>
本実施形態のアキューム装置制御システム10が備える学習部4は、状態観測部2がデータ記憶部7から取得した、アキューム装置A上の卵分布情報を入力データとした教師なし学習を行って処理装置Pへの送卵状況が良好である場合のクラスタを学習結果として作成し、その学習結果を学習モデル記憶部1へ記憶する。教師なし学習では、入力データのみを大量に学習装置に与えることで、入力データがどのような分布をしているか学習し、対応する教師出力データを与えなくても、入力データに対して圧縮、分類、整形などを行うことができる。本実施形態のアキューム装置制御システム10は、教師なし学習のアルゴリズムとして、例えば、主成分分析サポートベクタマシン、ニューラルネットワークなどを用いてもよく、また、ニューラルネットワークの中間層92を複数にして深層学習の手法を用いるようにしてもよい。

0034

図6に示すように、主に学習モードで用いる本実施形態のアキューム装置制御システム10は、学習部4と、状態観測部2と、学習モデル記憶部1とを備える。

0035

学習部4は、状態観測部2が作成した入力データを用いた教師なし学習により、卵分布情報に基づくクラスタを作成した学習モデル9を構築する。本実施形態の学習部4が構築する学習モデル9は、送卵状況が良好である時点のアキューム装置A上の卵分布情報を用いて構築される。そして、学習モデル記憶部1は、学習部4で構築された学習モデル9を記憶する。

0036

状態観測部2は、データ記憶部7に記憶されているデータの中から入力データを作成し、作成した入力データを学習部4へ出力する。

0037

<予測モード、教師なし学習>
図7に示すように、本実施形態のアキューム装置制御システム10が備える推定部5は、学習モデル記憶部1に記憶された学習モデル9を用いて、状態観測部2から入力された入力データ(アキューム装置A上の卵分布情報)と、処理装置Pへの送卵状況が良好である時点のクラスタとの距離とを判定することにより、処理装置Pへの送卵状況の推定を行う。推定部5は、入力データと、処理装置Pへの送卵状況が良好である時点のアキューム装置A上の卵分布情報のクラスタ(の中心)からの距離が、予め定めた所定の閾値以下である場合には、処理装置Pへの送卵状況が良好であると推定し、予め定めた所定の閾値より大きい場合には、処理装置Pへの送卵状況が悪化していると推定する。

0038

このようにして、推定部5は、アキューム装置A上の卵分布情報に基づいて作成された入力データを用いた処理装置Pへの送卵状況の推定結果を入出力部8に対して出力する。入出力部8は、推定部5から入力された推定結果が、処理装置Pへの送卵状況が不良であることを示している場合には、制御部6に対してアキューム装置Aを制御するように指令する。

0039

以上説明したように、本実施形態のアキューム装置制御システム10は、鶏舎から集められる卵Eを複数列に並べて処理する処理装置Pの上流側に配置されるアキューム装置Aを制御するシステムであって、学習モデル記憶部1と、状態観測部2と、推定部5と、制御部6とを備える。学習モデル記憶部1は、アキューム装置A上の卵Eの分布状況を含む卵分布情報に基づく機械学習により構築された学習モデル9を記憶する。状態観測部2は、処理装置Pの運転中に取得されたデータから卵分布情報を取得し、取得した卵分布情報に基づいて入力データを作成する。推定部5は、学習モデル9を用いて、状態観測部2が作成した入力データから処理装置Pへの送卵状況を推定する。制御部6は、推定部5における推定結果に基づいてアキューム装置Aを制御する。このようなものであるため、アキューム装置Aを適切に制御することができ、処理装置Pへの卵Eの供給量を安定させることが可能となる。

0040

教師あり学習により学習モデル9を構築する場合には、アキューム装置制御システム10は、さらに、ラベル取得部3と、学習部4とを備える。ラベル取得部3は、処理装置Pの運転中に取得されたデータから、状態観測部2が作成した入力データに対応する処理装置Pへの送卵状況を示す教師データを取得する。学習部4は、状態観測部2が作成した入力データと、ラベル取得部3が取得した教師データとを用いた教師あり学習により学習モデル9を構築する。そして、学習モデル記憶部1は、学習部4で構築された学習モデル9を記憶する。

0041

教師なし学習により学習モデル9を構築する場合には、アキューム装置制御システム10は、さらに、学習部4を備える。学習部4は、状態観測部2が作成した入力データを用いた教師なし学習により卵分布情報に基づくクラスタを作成した学習モデル9を構築する。そして、学習モデル記憶部1は、学習部4で構築された学習モデル9を記憶する。

0042

なお、本発明は上述した実施形態に限られない。

0043

アキューム装置制御システム10は、学習及び利用を共通の装置を用いて実行してもよいし、別々の装置を用いて実行してもよい。例えば、学習部4が構築して学習モデル記憶部1に記憶する学習モデル9自体は学習結果を示すデータの集合であるため、図示しない外部記憶装置ネットワークなどを介して学習モデル9を他のアキューム装置制御システム10との間で共有するように構成してもよい。学習モデル9の共有方法は、特定の方法には限られず、例えば、学習モデル9をメーカーが設置したサーバ上に記憶しておき、顧客のアキューム装置制御システム10の間で共有できるようなものであってもよい。

0044

入力データは、卵分布情報に加えて、モータ等の駆動装置負荷に関する情報、処理装置Pの処理能力に関する情報、コンベヤA1の速度などのアキューム装置Aに関する情報、卵Eの種類、大きさ、汚れ具合などの卵Eの性状に関する情報、または、鶏舎に関する情報などが含まれてもよい。処理装置Pの処理能力に関する情報は、例えば、1時間当たりに処理可能な卵Eの個数、または、処理装置Pに用いられるコンベヤの速度などである。アキューム装置Aに関する情報は、アキューム装置Aが複数のコンベヤで構成されている場合、特定のコンベヤの速度であってもよいし、複数のコンベヤのそれぞれの速度であってもよい。アキューム装置制御システム10は、通信インターフェース通信ネットワークを介して、処理装置Pの処理能力に関する情報、アキューム装置Aに関する情報、卵Eの性状に関する情報、または鶏舎に関する情報などの情報を取得し、当該情報に応じて、制御部6で卵分布情報に応じてアキューム装置Aの制御を行う基準を調整する調整部を備えていてもよい。

0045

卵分布情報は、コンベヤA1上にセンサ(例えば、光電センサリミットスイッチ等の接触型のセンサ)を設けておき、当該センサを用いて収集された情報であってもよい。また、コンベヤA1内に重量計を内蔵しておき、該重量計を用いて収集された卵Eの重さ情報であってもよい。また、電流値を用いて収集されたコンベヤA1の駆動装置(モータ)の負荷トルクを、卵分布情報として利用してもよい。

0046

アキューム装置Aは、図8及び図9に示すようなものであってもよい。アキューム装置Aは、コンベヤA1と、仕切り板A2と、滞留部A3とを備え、滞留部A3としてバーコンベヤA31を備えていない点が上述したものと異なる。なお、アキューム装置Aは、図示したもの以外にも種々変更可能である。

0047

卵の処理装置Pは、方向整列装置には限られず、鶏舎から集められる卵Eを複数列に並べて処理するものであればどのようなものであってもよい。

0048

また、アキューム装置制御システムは、ルールに基づいた推定と学習モデルを用いた推定とを組み合わせることにより、適切な推定を行い、適切にアキューム装置を制御することを可能にしてもよい。ルールに基づいた推定は、学習モデルを用いる方法とは別の方法で卵分布情報を求めるもので、例えば、卵の渋滞をセンサで検出するなど従来知られている方法により行われる。

0049

今回開示された実施の形態は例示であってこれに制限されるものではない。本発明は上記で説明した範囲ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲でのすべての変更が含まれることが意図される。

0050

本発明は、鶏舎から集められる卵を複数列に並べて処理する処理装置の上流側に配置されるアキューム装置に利用することができる。

0051

10…アキューム装置制御システム
1…学習モデル記憶部
2…状態観測部
3…ラベル取得部
4…学習部
5…推定部
6…制御部
A…アキューム装置
P…処理装置
E…卵

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ