JP7406752B2 - 分娩タイミング報知システム及び分娩タイミング報知方法 - Google Patents

Description

本発明は、分娩タイミング報知システム及び分娩タイミング報知方法に関する。

ＷＯ２０１７／１５８６９８（特許文献１）は、監視装置を開示する。この監視装置は、牛舎内に設置され、牛を監視する。この監視装置においては、牛舎内における牛の移動量が算出され、該移動量に応じて牛の分娩兆候がユーザに通知される（特許文献１参照）。

ＷＯ２０１７／１５８６９８

上記特許文献１に開示されている監視装置においては、牛（家畜の一例）の分娩兆候の判定に牛舎内における牛の移動量が用いられている。しかしながら、牛の移動量は個体差が大きく、移動量のみに基づいて分娩兆候を正確に判定することは難しい。牛の分娩兆候と相関を有するパラメータとしては、移動量の他にも複数のパラメータが知られているが、それぞれがメリット及びデメリットを有する。

本発明は、このような問題を解決するためになされたものであって、その目的は、より正確な分娩兆候をユーザに報知可能な分娩タイミング報知システム及び分娩タイミング報知方法を提供することである。

本発明のある局面に従う分娩タイミング報知システムは、撮影部と、算出部と、生成部と、報知部とを備える。撮影部は、家畜に関する画像データを生成するように構成されている。算出部は、各々が家畜の分娩タイミングと相関を有する複数のパラメータを画像データに基づいて算出するように構成されている。生成部は、複数のパラメータと分娩タイミングとを教師データに用いた機械学習を通じて構築された学習済みモデルに、複数のパラメータを入力することによって、分娩タイミングに関連する情報を生成するように構成されている。報知部は、分娩タイミングに関連する情報に基づいて、ユーザに報知するように構成されている。

この分娩タイミング報知システムにおいては、複数のパラメータと分娩タイミングとを教師データに用いた機械学習を通じて構築された学習済みモデルに、複数のパラメータを入力することによって、分娩タイミングに関連する情報が生成される。したがって、この分娩タイミング報知システムによれば、学習済みモデルが複数のパラメータを考慮してより正確な分娩タイミングに関連する情報を生成するため、より正確な分娩兆候をユーザに報知することができる。

上記分娩タイミング報知システムにおいて、画像データは、サーモグラフィー画像のデータであってもよい。

この分娩タイミング報知システムによれば、画像データがサーモグラフィー画像のデータであるため、周囲の明るさに拘わらず、画像データに基づいて複数のパラメータを算出することができる。

上記分娩タイミング報知システムにおいて、複数のパラメータは、第１所定時間内における家畜の起居動作の回数を含んでもよい。

上記分娩タイミング報知システムにおいて、複数のパラメータは、家畜の起居動作の回数の推移を示す情報を含んでもよい。

上記分娩タイミング報知システムにおいて、複数のパラメータは、第２所定時間内における家畜の移動量をさらに含み、第１所定時間は、第２所定時間よりも長くてもよい。

家畜（たとえば、牛）が起居動作を行なう頻度は、家畜が移動する頻度よりも低い。したがって、第１所定時間を第２所定時間と同じように短い時間とすると、第１所定時間内における起居動作がほとんど発生しないという事態が生じ得る。この分娩タイミング報知システムにおいては、第１所定時間が第２所定時間よりも長い。したがって、この分娩タイミング報知システムによれば、パラメータの種類毎に適切な時間間隔が設定された上で各パラメータのカウントが行なわれるため、各パラメータについて、学習済みモデルに入力するパラメータとして適切な値を算出することができる。

本発明の他の局面に従う分娩タイミング報知方法は、家畜に関する画像データを生成するステップと、各々が家畜の分娩タイミングと相関を有する複数のパラメータを画像データに基づいて算出するステップと、複数のパラメータと分娩タイミングとを教師データに用いた機械学習を通じて構築された学習済みモデルに、複数のパラメータを入力することによって、分娩タイミングに関連する情報を生成するステップと、分娩タイミングに関連する情報に基づいて、ユーザに報知するステップとを含む。

この分娩タイミング報知方法においては、複数のパラメータと分娩タイミングとを教師データに用いた機械学習を通じて構築された学習済みモデルに、複数のパラメータを入力することによって、分娩タイミングに関連する情報が生成される。したがって、この分娩タイミング報知方法によれば、学習済みモデルが複数のパラメータを考慮してより正確な分娩タイミングに関連する情報を生成するため、より正確な分娩兆候をユーザに報知することができる。

本発明によれば、より正確な分娩兆候をユーザに報知可能な分娩タイミング報知システム及び分娩タイミング報知方法を提供することができる。

分娩タイミング報知システムの構成を示す図である。 カメラユニットのハードウェア構成の一例を示す図である。 クラウドサーバのハードウェア構成の一例を示す図である。 分娩タイミング報知システムにおいて実現されているソフトウェアモジュールの構成を示す図である。 パラメータＤＢについて説明するための図である。 姿勢判定用の学習済みモデルを生成する場合に用いられる教師データの一例を示す図である。 分娩タイミング推定用の学習済みモデルを生成する場合に用いられる教師データの一例を示す図である。 特定区間について説明するための図である。 分娩タイミングの報知に関し、カメラユニットにおいて実行される手順を示すフローチャートである。 行動量算出処理の手順を示すフローチャートである。 起居動作回数算出処理の手順を示すフローチャートである。 体温算出処理の手順を示すフローチャートである。 分娩タイミングの報知に関し、クラウドサーバにおいて実行される手順を示すフローチャートである。

以下、本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一又は相当部分には同一符号を付してその説明は繰り返さない。

［１．概要］
牛（家畜の一例）の分娩時に人が立ち会うことによって、牛の分娩事故の発生確率が大幅に低下することが知られている。牛の分娩タイミングの予測精度が向上すると、分娩の監視に要している労力が軽減される。本実施の形態に従う分娩タイミング報知システム１０においては、牛の分娩タイミングの予測精度が従来よりも向上している。

図１は、分娩タイミング報知システム１０の構成を示す図である。図１に示されるように、分娩タイミング報知システム１０は、カメラユニット１００と、クラウドサーバ２００と、ユーザ５００とを含んでいる。

カメラユニット１００は、牛４００を収容する分娩室３００内に設置される。カメラユニット１００は、牛４００の分娩タイミングまでの時間が所定時間以下となった可能性が高まった場合に、クラウドサーバ２００にその旨を通知する。クラウドサーバ２００は、カメラユニット１００からの通知を受けて、分娩タイミングが近い旨を示すメールをユーザ５００に送信する。これにより、ユーザ５００は、牛４００の分娩タイミングが近いことを認識することができる。以下、分娩タイミング報知システム１０の構成等について順に説明する。

［２．構成］
＜２－１．ハードウェア構成＞
図２は、カメラユニット１００のハードウェア構成の一例を示す図である。図２に示されるように、カメラユニット１００は、サーモグラフィーカメラ１３０と、温度センサ１４０と、制御部１７０と、記憶部１８０と、通信モジュール１９０とを含んでいる。カメラユニット１００に含まれる各構成要素は、バスを介して電気的に接続されている。

サーモグラフィーカメラ１３０は、牛に関する画像データを生成するように構成されている。より詳細には、サーモグラフィーカメラ１３０は、撮影範囲における温度分布を示す画像データを生成する。サーモグラフィーカメラ１３０は、たとえば、サーモグラフィー画像を連続的に生成することによって、撮影範囲における温度分布を示す動画像データを生成する。サーモグラフィーカメラ１３０は、たとえば、赤外線センサを含んでいる。

温度センサ１４０は、たとえば、分娩室３００内の温度を検出するように構成されている。

制御部１７０は、ＣＰＵ（Central Processing Unit）１７２、ＲＡＭ（Random Access Memory）１７４及びＲＯＭ（Read Only Memory）１７６等を含み、情報処理に応じて各構成要素の制御を行なうように構成されている。

記憶部１８０は、たとえば、フラッシュメモリ等のメモリである。記憶部１８０は、たとえば、制御プログラム１８１を記憶するように構成されている。制御プログラム１８１は、制御部１７０によって実行されるカメラユニット１００の制御プログラムである。制御部１７０が制御プログラム１８１を実行する場合に、制御プログラム１８１は、ＲＡＭ１７４に展開される。そして、制御部１７０は、ＲＡＭ１７４に展開された制御プログラム１８１をＣＰＵ１７２によって解釈及び実行することにより、各構成要素を制御する。

通信モジュール１９０は、外部機器と通信するように構成されている。通信モジュール１９０は、たとえば、無線ＬＡＮモジュール、有線ＬＡＮモジュール、ＬＴＥ（Long Term Evolution）モジュール等で構成される。

図３は、クラウドサーバ２００のハードウェア構成の一例を示す図である。図３に示されるように、クラウドサーバ２００は、入力部２３０と、出力部２４０と、制御部２７０と、記憶部２８０と、通信モジュール２９０とを含んでいる。クラウドサーバ２００に含まれる各構成要素は、バスを介して電気的に接続されている。

入力部２３０及び出力部２４０は、それぞれクラウドサーバ２００の入力装置及び出力装置である。入力部２３０は、たとえば、キーボード及びマウスで構成されており、出力部２４０は、たとえば、ディスプレイで構成されている。

制御部２７０は、ＣＰＵ２７２、ＲＡＭ２７４及びＲＯＭ２７６等を含み、情報処理に応じて各構成要素の制御を行なうように構成されている。

記憶部２８０は、たとえば、フラッシュメモリ等のメモリである。記憶部２８０は、たとえば、制御プログラム２８１を記憶するように構成されている。制御プログラム２８１は、制御部２７０によって実行されるクラウドサーバ２００の制御プログラムである。制御部２７０が制御プログラム２８１を実行する場合に、制御プログラム２８１は、ＲＡＭ２７４に展開される。そして、制御部２７０は、ＲＡＭ２７４に展開された制御プログラム２８１をＣＰＵ２７２によって解釈及び実行することにより、各構成要素を制御する。

通信モジュール２９０は、外部機器と通信するように構成されている。通信モジュール２９０は、たとえば、無線ＬＡＮモジュール、有線ＬＡＮモジュール、ＬＴＥモジュール等で構成される。

＜２－２．ソフトウェア構成＞
図４は、分娩タイミング報知システム１０において実現されているソフトウェアモジュールの構成を示す図である。図４に示されるように、カメラユニット１００においては、画像取得部１１０と、学習済みモデル１１２と、環境温度測定部１１４と、算出部１２０と、学習済みモデル１４２と、生成部１４４と、通信部１４６とがソフトウェア的に実現されている。

画像取得部１１０は、サーモグラフィーカメラ１３０によって生成された画像データを取得するように構成されている。

学習済みモデル１１２は、画像取得部１１０によって取得されたサーモグラフィー画像データを入力データとして、サーモグラフィー画像に含まれている牛の姿勢が立位又は座位のいずれであるかを判定するように構成されている。学習済みモデル１１２は、たとえば、後述の教師データを用いた学習（機械学習）を行なうことによって生成される。なお、機械学習としては、ニューラルネットワーク、決定木学習、相関ルール学習及びベイジアンネットワーク等の公知の種々の方法を適用することができる。

環境温度測定部１１４は、温度センサ１４０によって検出された温度データを取得するように構成されている。

算出部１２０は、画像取得部１１０によって取得された画像データに基づいて、各種パラメータを算出するように構成されている。詳細については後述するが、算出部１２０によって算出される各種パラメータは、牛４００（図１）の分娩タイミングの予測に用いられる。

算出部１２０は、行動量算出処理部１２２と、起居動作回数算出処理部１２４と、体温算出処理部１２６とを含んでいる。行動量算出処理部１２２は、画像取得部１１０によって取得された画像データに基づいて、牛４００の行動量（移動量）を算出するように構成されている。起居動作回数算出処理部１２４は、
画像取得部１１０によって取得された画像データを学習済みモデル１１２に入力し、学習済みモデル１１２から得られた牛４００の姿勢情報（立位又は座位）に基づいて牛４００の起居動作回数を算出するように構成されている。体温算出処理部１２６は、画像取得部１１０によって取得された画像データ及び環境温度取得部１１４によって取得された温度データに基づいて牛４００の体温を算出するように構成されている。画像取得部１１０によって取得される画像データがサーモグラフィー画像データであるため、分娩室３００内の明るさに拘わらず、各パラメータが適切に算出される。

パラメータＤＢ１３５は、算出部１２０によって算出されたデータを蓄積するように構成されたデータベース（ＤＢ）である。すなわち、制御部１７０は、パラメータＤＢ１３５を参照することによって、牛４００に関して、行動量、起居動作回数及び体温の各々の推移を認識することができる。なお、パラメータＤＢ１３５は、記憶部１８０に記憶されている。

図５は、パラメータＤＢ１３５について説明するための図である。図５に示されるように、パラメータＤＢ１３５は、行動量テーブル１３６と、起居動作回数テーブル１３７と、体温テーブル１３８とを管理する。行動量テーブル１３６においては、行動量算出処理部１２２によって算出された行動量データが時刻と対応付けて管理される。起居動作回数テーブル１３７においては、起居動作回数算出処理部１２４によって算出された起居動作回数データが時刻と対応付けて管理される。体温テーブル１３８においては、体温算出処理部１２６によって算出された体温データが時刻と対応付けて管理される。

再び図４を参照して、学習済みモデル１４２は、行動量、起居動作回数及び体温の各々の推移を入力データとして、牛の分娩のタイミングを推定するように構成されている。学習済みモデル１４２は、たとえば、後述の教師データを用いた学習（機械学習）を行なうことによって生成される。なお、機械学習としては、ニューラルネットワーク、決定木学習、相関ルール学習及びベイジアンネットワーク等の公知の種々の方法を適用することができる。

生成部１４４は、学習済みモデル１４２に複数のパラメータ（行動量データ、起居動作回数データ及び体温データ）を入力することによって、分娩タイミングに関連する情報を生成するように構成されている。生成部１４４は、学習済みモデル１４２に複数のパラメータを入力することによって、たとえば、所定時間後に分娩タイミングが到来する確率を示す情報を生成する。

通信部１４６は、報知条件に合致した場合に、クラウドサーバ２００に通知を行なうように構成されている。たとえば、通信部１４６は、所定時間後に分娩タイミングが到来する確率が所定パーセント以上である場合に、クラウドサーバ２００に通知を行なう。たとえば、通信部１４６は、分娩タイミングまでの時間が２４時間である確率が所定確率以上となった場合と、分娩タイミングまでの時間が２時間である確率が所定確率以上となった場合とにクラウドサーバ２００に通知を行なう。

クラウドサーバ２００においては、通信部２１０と、メール生成部２２０とがソフトウェア的に実現されている。

通信部２１０は、通信部１４６からの通知を受けるように構成されている。通信部２１０は、通知内容に応じたメールをメール生成部２２０に生成させ、生成されたメールをユーザ５００の通信端末に送信する。すなわち、通信部２１０は、「報知部」として機能する。

メール生成部２２０は、カメラユニット１００からの通知内容に応じたメールを生成するように構成されている。メール生成部２２０は、たとえば、分娩タイミングまでの時間が２４時間である確率が所定確率以上である旨等を示すメールを生成する。

［３．学習済みモデル］
＜３－１．姿勢判定用の学習済みモデル＞
上述のように、学習済みモデル１１２は、サーモグラフィー画像に含まれている牛４００の姿勢（立位又は座位）を判定するように構成されている。学習済みモデル１１２は、たとえば、以下の教師データを用いた機械学習を行なうことによって生成される。

図６は、姿勢判定用の学習済みモデル１１２を生成する場合に用いられる教師データの一例を示す図である。図６に示されるように、教師データ６００には、立位状態の牛４００が含まれている複数（多数）のサーモグラフィー画像６１０と、座位状態の牛４００が含まれている複数（多数）のサーモグラフィー画像６２０とが含まれている。サーモグラフィー画像６１０には「立位」である旨を示すラベルが対応付けられており、サーモグラフィー画像６２０には「座位」である旨を示すラベルが対応付けられている。

このような教師データを用いた機械学習を行なうことによって、学習済みモデル１１２は生成されている。なお、上述のように、機械学習としては、ニューラルネットワーク、決定木学習、相関ルール学習及びベイジアンネットワーク等の公知の種々の方法を適用することができる。

＜３－２．分娩タイミング推定用の学習済みモデル＞
上述のように、学習済みモデル１４２は、牛４００の分娩タイミングを推定するように構成されている。学習済みモデル１４２は、たとえば、以下の教師データを用いた機械学習を行なうことによって生成される。なお、牛４００の分娩タイミングは、行動量、起居動作回数及び体温の各々と相関を有する。

図７は、分娩タイミング推定用の学習済みモデル１４２を生成する場合に用いられる教師データの一例を示す図である。教師データ７００は、一度の分娩を通じて得られるデータである。学習済みモデル１４２の生成には、複数（多数）の分娩を通じて得られたデータが教師データとして使用される。

図７に示されるように、教師データ７００は、特定区間データ７１０，７２０，７３０等の２４個の特定区間データを含んでいる。

図８は、特定区間について説明するための図である。図８に示されるように、横軸は時間を示す。この例では、時刻ｔｘが実際の分娩タイミングであった。たとえば、分娩タイミングの４８時間前（時刻ｔｘ－４８ｈ）から２４時間前（時刻ｔｘ－２４ｈ）までの区間が特定区間Ｉ１であり、分娩タイミングの４７時間前（時刻ｔｘ－４７ｈ）から２３時間前（時刻ｔｘ－２３ｈ）までの区間が特定区間Ｉ２であり、分娩タイミングの４６時間前（時刻ｔｘ－４６ｈ）から２２時間前（時刻ｔｘ－２２ｈ）までの区間が特定区間Ｉ３である。また、分娩タイミングの２６時間前（時刻ｔｘ－２６ｈ）から２時間前（時刻ｔｘ－２ｈ）までの区間が特定区間Ｉ２３であり、分娩タイミングの２５時間前（時刻ｔｘ－２５ｈ）から１時間前（時刻ｔｘ－１ｈ）までの区間が特定区間Ｉ２４である。すなわち、各特定区間の時間的な長さは、たとえば、１時間である。

再び図７を参照して、各特定区間データは、行動量データ７１２と、起居動作回数データ７１４と、体温データ７１６とを含んでいる。この例では、行動量が１０分間隔で算出され、起居動作回数が１時間間隔で算出され、体温が１分間隔で算出されている。たとえば、特定区間データ７１０は、特定区間Ｉ１におけるデータである。特定区間データ７１０には、「分娩の２４時間前」である旨を示すラベルが対応付けられている。特定区間データ７１０には、１４４個の行動量データと、２４個の起居動作回数データと、１４４０個の体温データとが含まれている。

このように、分娩タイミング報知システム１０においては、起居動作回数が算出される間隔（１時間）が、行動量が算出される間隔（１０分）よりも長い。この理由について次に説明する。牛が起居動作を行なう頻度は、牛が移動する頻度よりも低い。したがって、起居動作を算出する時間間隔と行動量を算出する時間間隔とを同じように短くすると、該時間間隔において起居動作がほとんど発生しないという事態が生じ得る。分娩タイミング報知システム１０においては、起居動作回数が算出される間隔が、行動量が算出される間隔よりも長い。したがって、分娩タイミング報知システム１０によれば、パラメータの種類毎に適切な時間間隔が設定された上で各パラメータのカウントが行なわれるため、各パラメータについて、学習済みモデル１４２に入力するパラメータとして適切な値を算出することができる。

このような教師データを用いた機械学習を行なうことによって、学習済みモデル１４２は生成されている。なお、上述のように、機械学習としては、ニューラルネットワーク、決定木学習、相関ルール学習及びベイジアンネットワーク等の公知の種々の方法を適用することができる。

［４．動作］
図９は、分娩タイミングの報知に関し、カメラユニット１００において実行される手順を示すフローチャートである。このフローチャートに示される処理は、カメラユニット１００の制御部１７０によって実行される。

図９を参照して、カメラユニット１００の電源がＯＮされる等すると、制御部１７０は、行動量算出処理（ステップＳ１００）、起居動作回数算出処理（ステップＳ１１０）及び体温算出処理（ステップＳ１２０）の実行を開始する。

図１０は、行動量算出処理の手順を示すフローチャートである。このフローチャートに示される処理は、たとえば、１秒サイクルで実行される。

図１０を参照して、制御部１７０は、サーモグラフィー画像を取得する（ステップＳ２００）。制御部１７０は、サーモグラフィー画像に含まれる牛領域を検出する（ステップＳ２１０）。制御部１７０は、サーモグラフィー画像に牛領域が含まれているか否かを判定する（ステップＳ２２０）。牛領域の判定には、公知の技術が用いられる。

牛領域が含まれていると判定されると（ステップＳ２２０においてＹＥＳ）、制御部１７０は、牛領域の重心を算出する（ステップＳ２３０）。牛領域の重心の算出には、公知の技術が用いられる。一方、牛領域が含まれていないと判定されると（ステップＳ２２０においてＮＯ）、制御部１７０は、牛領域の重心として前回値を設定する（ステップＳ２４０）。

制御部１７０は、重心に関し、前回値からの変化量を算出する（ステップＳ２５０）。制御部１７０は、牛４００の行動量に変化量を加算する（ステップＳ２６０）。制御部１７０は、（前回所定時間Ｔ２が経過してから）所定時間Ｔ２が経過したか否かを判定する（ステップＳ２７０）。所定時間Ｔ２は、たとえば図５の例では１０分である。

所定時間Ｔ２が経過していないと判定されると（ステップＳ２７０においてＮＯ）、処理はステップＳ２００に戻る。一方、所定時間Ｔ２が経過したと判定されると（ステップＳ２７０においてＹＥＳ）、制御部１７０は、算出された行動量を時刻と対応付けてパラメータＤＢ１３５に記憶する（ステップＳ２８０）。その後、制御部１７０は、行動量の値を初期値（０）にリセットする（ステップＳ２９０）。

図１１は、起居動作回数算出処理の手順を示すフローチャートである。このフローチャートに示される処理は、たとえば、１秒サイクルで実行される。

図１１を参照して、制御部１７０は、サーモグラフィー画像を取得する（ステップＳ３００）。制御部１７０は、サーモグラフィー画像に含まれる牛領域を検出する（ステップＳ３１０）。制御部１７０は、サーモグラフィー画像に牛領域が含まれているか否かを判定する（ステップＳ３２０）。牛領域の判定には、公知の技術が用いられる。

牛領域が含まれていると判定されると（ステップＳ３２０においてＹＥＳ）、制御部１７０は、牛４００の姿勢を判定する（ステップＳ３３０）。牛４００の姿勢判定には、学習済みモデル１１２が用いられる。一方、牛領域が含まれていないと判定されると（ステップＳ３２０においてＮＯ）、制御部１７０は、牛４００の姿勢として前回値を設定する（ステップＳ３４０）。

制御部１７０は、牛４００の姿勢に関し、前回値からの変化を検出する（ステップＳ３５０）。前回値からの変化が検出されると（ステップＳ３５０においてＹＥＳ）、制御部１７０は、起居動作回数をカウントアップする（ステップＳ３６０）。一方、前回値からの変化が検出されないと（ステップＳ３５０においてＮＯ）、処理はステップＳ３７０に進む。

その後、制御部１７０は、（前回所定時間Ｔ３が経過してから）所定時間Ｔ３が経過したか否かを判定する（ステップＳ３７０）。所定時間Ｔ３は、たとえば図５の例では１時間である。

所定時間Ｔ３が経過していないと判定されると（ステップＳ３７０においてＮＯ）、処理はステップＳ３００に戻る。一方、所定時間Ｔ３が経過したと判定されると（ステップＳ３７０においてＹＥＳ）、制御部１７０は、算出された起居動作回数を時刻と対応付けてパラメータＤＢ１３５に記憶する（ステップＳ３８０）。その後、制御部１７０は、起居動作回数の値を初期値（０）にリセットする（ステップＳ３９０）。

図１２は、体温算出処理の手順を示すフローチャートである。このフローチャートに示される処理は、たとえば、１分サイクルで実行される。

図１２を参照して、制御部１７０は、サーモグラフィー画像を取得する（ステップＳ４００）。制御部１７０は、サーモグラフィー画像に含まれる牛領域を検出する（ステップＳ４１０）。制御部１７０は、サーモグラフィー画像に牛領域が含まれているか否かを判定する（ステップＳ４２０）。牛領域の判定には、公知の技術が用いられる。

牛領域が含まれていると判定されると（ステップＳ４２０においてＹＥＳ）、制御部１７０は、環境温度データを取得する（ステップＳ４３０）。制御部１７０は、サーモグラフィー画像から認識される牛４００の体温を環境温度データに基づいて補正する（ステップＳ４４０）。たとえば、制御部１７０は、環境温度が牛４００の体温よりも所定温度以上高い場合には、牛４００の体温を下げる方向の補正を行ない、環境温度が牛４００の体温よりも所定温度以上低い場合には、牛４００の体温を上げる方向の補正を行なう。一方、牛領域が含まれていないと判定されると（ステップＳ４２０においてＮＯ）、制御部１７０は、牛４００の体温として前回値を設定する（ステップＳ４５０）。

制御部１７０は、算出された体温を時刻と対応付けてパラメータＤＢ１３５に記憶する（ステップＳ４６０）。その後、制御部１７０は、牛４００の体温の値を初期値（０）にリセットする（ステップＳ４７０）。

再び図９を参照して、行動量算出処理、起居動作回数算出処理及び体温算出処理が開始されると、制御部１７０は、（前回所定時間Ｔ１が経過してから）所定時間Ｔ１が経過したか否かを判定する（ステップＳ１３０）。所定時間Ｔ１は、たとえば、１時間である。所定時間Ｔ１が経過していないと判定されると（ステップＳ１３０においてＮＯ）、再びステップＳ１３０が実行される。

一方、所定時間Ｔ１が経過したと判定されると（ステップＳ１３０においてＹＥＳ）、制御部１７０は、学習済みモデル１４２に各パラメータ（行動量データ、起居動作回数データ及び体温データ）を入力する（ステップＳ１４０）。たとえば、制御部１７０は、現時点から２４時間遡った時点から現時点までのデータであって、パラメータＤＢ１３５に含まれているデータを学習済みモデル１４２に入力する。これにより、学習済みモデル１４２による判定結果が出力される（たとえば、「２４時間以内に分娩タイミングが生じる確率がＸ％以上」、「２時間以内に分娩タイミングが生じる確率がＹ％以上」等）。

制御部１７０は、学習済みモデル１４２による判定結果が報知条件に合致するか否かを判定する（ステップＳ１５０）。報知条件の一例は、「２４時間以内に分娩タイミングが生じる確率が所定確率以上」、「２時間以内に分娩タイミングが生じる確率が所定確率以上」等である。

報知条件を満たさないと判定されると（ステップＳ１５０においてＮＯ）、処理はステップＳ１７０に進む。一方、報知条件を満たすと判定されると（ステップＳ１５０においてＹＥＳ）、制御部１７０は、報知条件が満たされた旨をクラウドサーバ２００に通知する（ステップＳ１６０）。その後、制御部１７０は、カメラユニット１００の電源がＯＦＦされた等の終了条件が満たされているか否かを判定する（ステップＳ１７０）。終了条件が満たされていないと判定されると（ステップＳ１７０においてＮＯ）、処理はステップＳ１３０に進む。一方、終了条件が満たされていると判定されると（ステップＳ１７０においてＹＥＳ）、処理は終了する。

図１３は、分娩タイミングの報知に関し、クラウドサーバ２００において実行される手順を示すフローチャートである。このフローチャートに示される処理は、クラウドサーバ２００の制御部２７０によって実行される。

図１３を参照して、制御部２７０は、カメラユニット１００から通知を受けたか否かを判定する（ステップＳ５００）。カメラユニット１００から通知を受けていないと判定されると（ステップＳ５００においてＮＯ）、処理はリターンに移行する。一方、カメラユニット１００から通知を受けたと判定されると（ステップＳ５００においてＹＥＳ）、制御部２７０は、カメラユニット１００からの通知内容が反映されたメールを生成する（ステップＳ５１０）。制御部２７０は、生成されたメールを送信するように通信モジュール２９０を制御する（ステップＳ５２０）。

［５．特徴］
以上のように、本実施の形態に従う分娩タイミング報知システム１０においては、複数のパラメータと分娩タイミングとを教師データに用いた機械学習を通じて構築された学習済みモデル１４２に、複数のパラメータを入力することによって、分娩タイミングに関連する情報が生成される。したがって、分娩タイミング報知システム１０によれば、学習済みモデル１４２が複数のパラメータを考慮してより正確な分娩タイミングに関連する情報を生成するため、より正確な分娩兆候をユーザに報知することができる。

［６．変形例］
以上、実施の形態について説明したが、本発明は、上記実施の形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて、種々の変更が可能である。以下、変形例について説明する。

上記実施の形態においては、学習済みモデル１１２，１４２がカメラユニット１００に実装された。しかしながら、学習済みモデル１１２，１４２の少なくとも一方はクラウドサーバ２００又は他のサーバに実装されてもよい。また、上記実施の形態におけるクラウドサーバ２００の機能は、カメラユニット１００において実現されてもよい。

また、上記実施の形態における所定時間Ｔ１，Ｔ２，Ｔ３等の各時間は、あくまでも一例であって、どのような時間であってもよい。

また、上記実施の形態においては、サーモグラフィー画像に基づいて各パラメータが生成されたが、各パラメータは必ずしもサーモグラフィー画像に基づいて生成される必要はない。各パラメータは、たとえば、通常の動画像データに基づいて生成されてもよい。

また、上記実施の形態においては、分娩タイミングと相関を有するパラメータとして、３つのパラメータ（行動量、起居動作回数、体温）が用いられた。しかしながら、学習済みモデル１４２の生成時に用いられるパラメータ、及び、学習済みモデル１４２に入力されるパラメータの数は、３つに限定されない。たとえば、学習済みモデル１４２の生成時に用いられるパラメータ、及び、学習済みモデル１４２に入力されるパラメータの数は、２つであってもよいし、４つ以上であってもよい。各パラメータが家畜の分娩タイミングと相関を有する限り、パラメータの数はいくつであってもよい。

また、上記実施の形態においては、「家畜」の一例として牛が挙げられた。しかしながら、「家畜」は必ずしも牛に限られず、豚、馬、羊等であってもよい。たとえば、「家畜」が豚である場合には、分娩タイミングと相関を有するパラメータとして、たとえば、ｉ）餌を食べる回数、ｉｉ）鼻先を地面に接触させる回数、ｉｉｉ）寝返りの回数が挙げられる。また、「家畜」が馬である場合には、分娩タイミングと相関を有するパラメータとして、たとえば、ｉ）行動量、ｉｉ）前掻きの回数が挙げられる。また、「家畜」が羊である場合には、分娩タイミングと相関を有するパラメータとして、ｉ）前掻きの回数、ｉｉ）起居動作回数、ｉｉｉ）鳴き声を発する回数が挙げられる。

１０ 分娩タイミング報知システム、１００ カメラユニット、１１０ 画像取得部、１１２，１４２ 学習済みモデル、１１４ 環境温度取得部、１２０ 算出部、１２２ 行動量算出処理部、１２４ 起居動作回数算出処理部、１２６ 体温算出処理部、１３０ サーモグラフィーカメラ、１３５ パラメータＤＢ、１３６ 行動量テーブル、１３７ 起居動作回数テーブル、１３８ 体温テーブル、１４０ 温度センサ、１４４ 生成部、１４６，２１０ 通信部、１７０，２７０ 制御部、１７２，２７２ ＣＰＵ、１７４，２７４ ＲＡＭ、１７６，２７６ ＲＯＭ、１８０，２８０ 記憶部、１８１，２８１ 制御プログラム、１９０，２９０ 通信モジュール、２００ クラウドサーバ、２２０ メール生成部、２３０ 入力部、２４０ 出力部、３００ 分娩室、４００ 牛、５００ ユーザ、６００，７００ 教師データ、６１０，６２０ サーモグラフィー画像、７１０，７２０，７３０ 特定区間データ、７１２ 行動量データ、７１４ 起居動作回数データ、７１６ 体温データ。

Claims (4)

1. 家畜に関する画像データを生成するように構成された撮影部と、
   各々が家畜の分娩タイミングと相関を有する複数のパラメータを前記画像データに基づいて算出するように構成された算出部と、
   前記複数のパラメータと前記分娩タイミングとを教師データに用いた機械学習を通じて構築された学習済みモデルに、前記複数のパラメータを入力することによって、前記分娩タイミングに関連する情報を生成するように構成された生成部と、
   前記分娩タイミングに関連する情報に基づいて、ユーザに報知するように構成された報知部とを備え、
   前記複数のパラメータは、第１所定時間内における家畜の起居動作の回数を含み、
   前記複数のパラメータは、第２所定時間内における家畜の移動量をさらに含み、
   前記第１所定時間は、前記第２所定時間よりも長い、
   分娩タイミング報知システム。
2. 前記画像データは、サーモグラフィー画像のデータである、請求項１に記載の分娩タイミング報知システム。
3. 前記複数のパラメータは、前記家畜の起居動作の回数の推移を示す情報を含む、請求項１または２に記載の分娩タイミング報知システム。
4. 家畜に関する画像データを生成するステップと、
   各々が家畜の分娩タイミングと相関を有する複数のパラメータを前記画像データに基づいて算出するステップと、
   前記複数のパラメータと前記分娩タイミングとを教師データに用いた機械学習を通じて構築された学習済みモデルに、前記複数のパラメータを入力することによって、前記分娩タイミングに関連する情報を生成するステップと、
   前記分娩タイミングに関連する情報に基づいて、ユーザに報知するステップとを含み、
   前記複数のパラメータは、第１所定時間内における家畜の起居動作の回数を含み、
   前記複数のパラメータは、第２所定時間内における家畜の移動量をさらに含み、
   前記第１所定時間は、前記第２所定時間よりも長い、
   分娩タイミング報知方法。