JP7620911B2 - 鑑別装置、情報処理装置、鑑別処理プログラム、教師データの生成方法、鑑別方法および生成方法。 - Google Patents

Description

本発明は、鑑別装置、情報処理装置、鑑別処理プログラム、教師データ、鑑別方法および生成方法に関する。

切り花としてのストックは従来から盛んに栽培され、消費者に好まれている花の一つである。ストックは、１０月から３月にかけて咲くアブラナ科の花で、約２０ｃｍから約８０ｃｍの高さまで成長する一年草である。このストックには一重咲きと八重咲きとがあるところ、八重咲きの方が一重咲きよりもボリューム感があり、商品価値が高い。そのため、ストックで高い収益を上げるためには、ストックが苗の状態のときに、一重咲き苗と八重咲き苗とを正確に見分けることが重要になる。以下、ストックの苗について、一重咲き苗と八重咲き苗とを見分けることを「八重鑑別」と称する。

しかしながら、目視による八重鑑別の場合、作業者の感覚を頼りにして苗の子葉毎の微妙な違いを見分ける必要があり、熟練を要するとともに時間が掛かってしまう。そこで、初心者でも容易に八重鑑別できる技術の研究が従来から行われてきた。なお、八重鑑別の「初心者」としては、八重鑑別を全く経験したことのない者、経験年数３６ヶ月未満の八重鑑別の作業者などを挙げることができる。

例えば非特許文献１には、発芽したストックの苗の撮像画像から画像処理によって子葉の特徴量を取得し、この特徴量を用いて八重咲き苗と一重咲き苗との境界値を最適化することにより八重鑑別する方法が開示されている。

崔源煥、土肥誠、石束宣明、「花卉・野菜苗精密管理ロボットの開発（第１報）－画像処理によるストック苗の鑑別－」、農業機械学会誌66(2)、p.68－75、2004

非特許文献１に開示された方法では、特徴量として形態的特徴量と色特徴量とを取得する。形態的特徴量は、子葉の形態（単葉または双葉）毎に複数の項目に細分化されて取得される。また前記の方法では、鑑別基準となる八重咲き苗と一重咲き苗との境界値を決定するために、特徴量毎に平均値と標準偏差を算出して当該特徴量を相対値化する。つまり前記の方法では、特徴量毎および項目毎に、平均値および標準偏差を算出した上でさらに相対値化の処理を行わなければならない。そのため、八重鑑別するまでの前処理の段階で、既に手間が掛かる。

また非特許文献１に開示された方法では、形態的特徴量の項目毎に第１段階目の八重鑑別を行った後、各項目の第１段階目の鑑別結果と色特徴量とを総合評価することで、第２段階目の八重鑑別（最終の八重鑑別）を行う。そのため、八重鑑別自体も煩雑になる。これらのことから、前記の方法を用いて八重鑑別する場合に、初心者でも容易に八重鑑別できるとは必ずしも言えなかった。

本発明の一態様は、前記の問題点に鑑みてなされたものであり、その目的は、初心者でも容易に八重鑑別できるようにすることにある。

前記の課題を解決するために、本発明の一態様に係る鑑別装置は、八重咲き苗を鑑別する前の複数の対象ストックの苗から前記八重咲き苗を鑑別するための鑑別装置であって、前記八重咲き苗か否かが判明した後の複数の学習用ストックの苗における、（ｉ）当該苗で反射された反射光の学習用光情報と、（ｉｉ）子葉の学習用属性値を前記複数の学習用ストックの苗の中で順位付けして決定した学習用順位と、（ｉｉｉ）前記八重咲き苗か否かを表す正解データと、を含む教師データを用いた機械学習により学習済みモデルが生成されており、前記複数の対象ストックの苗のそれぞれについて、当該苗で反射された反射光の対象光情報から子葉の対象属性値を取得し、当該対象属性値を前記複数の対象ストックの苗の中で順位付けして対象順位を決定する順位決定部と、特定の前記対象ストックの苗における前記対象光情報および前記対象順位を前記学習済みモデルに入力することにより、特定の前記対象ストックの苗が前記八重咲き苗か否かを判定する判定部と、を備える。

前記構成によれば、対象光情報および対象順位を学習済みモデルに入力するだけで、判定部が、特定の対象ストックの苗が八重咲き苗か否かの判定結果を、学習済みモデルからの出力結果として取得できる。また対象光情報は、対象ストックの苗で反射された反射光から取得でき、対象順位は、複数の対象光情報の各々から取得した対象属性値を順位付けすることで取得できる。

ここで、対象光情報等の学習済みモデルへの入力自体、対象光情報の取得自体および対象属性値の順位付け自体は、それぞれ初心者でも容易に行うことができる。例えば、デジタルカメラなどの一般的な撮像装置で撮像された撮像画像を対象光情報として用いてもよい。デジタルカメラなどの一般的な撮像装置は初心者でも簡単に操作できることから、対象光情報としての撮像画像も簡単に取得できる。これらのことから、初心者でも容易に八重鑑別することができる。

次に、対象属性値は、同じ対象ストックの苗から取得した対象光情報に基づくデータであったとしても、当該対象ストックの苗がどの場所に配置されているかによって値が変動する。その点、前記構成によれば、学習済みモデルに対象属性値でなく対象順位を入力する。対象順位は、複数の対象ストックの苗各々の対象属性値を相対値化したデータであることから、対象順位を用いることで、複数の対象ストックの苗の配置場所が対象属性値に及ぼす影響を排除できる。よって、鑑別装置の鑑別精度が複数の対象ストックの苗の配置場所によって変動する程度を低減することができる。

本発明の一態様に係る鑑別装置において、前記教師データに含まれる前記学習用順位は、（ｉ）子葉の学習用色相角度を前記複数の学習用ストックの苗の中で順位付けして決定した第１学習用順位と、（ｉｉ）子葉の学習用彩度を前記複数の学習用ストックの苗の中で順位付けして決定した第２学習用順位と、（ｉｉｉ）子葉の学習用葉面積を前記複数の学習用ストックの苗の中で順位付けして決定した第３学習用順位と、を含み、前記順位決定部は、前記複数の対象ストックの苗のそれぞれについて、前記対象光情報から、前記対象属性値として、子葉における対象色相角度と対象彩度と対象葉面積とを取得し、（α）前記対象色相角度を前記複数の対象ストックの苗の中で順位付けして第１対象順位を決定し、かつ、（β）前記対象彩度を前記複数の対象ストックの苗の中で順位付けして第２対象順位を決定し、かつ、（γ）前記対象葉面積を前記複数の対象ストックの苗の中で順位付けして第３対象順位を決定し、前記判定部は、特定の前記対象ストックの苗における前記対象光情報と前記第１対象順位と前記第２対象順位と前記第３対象順位とを前記学習済みモデルに入力することにより、特定の前記対象ストックの苗が前記八重咲き苗か否かを判定してもよい。

前記構成によれば、学習済みモデルへの入力データが、対象光情報および第１～第３対象順位のいずれか１つの場合、ならびに、対象光情報および第１～第３対象順位のいずれか２つの場合と比較して、八重鑑別の鑑別精度を向上させることができる。

本発明の一態様に係る鑑別装置において、前記教師データに含まれる前記学習用光情報は、人工光が前記学習用ストックの苗で反射された第１反射光の第１学習用光情報と、自然光が前記学習用ストックの苗で反射された第２反射光の第２学習用光情報と、を含んでもよい。

前記構成によれば、教師データに第１・第２学習光情報が含まれている。したがって、学習済みモデルは、対象光情報および対象順位の取得元となる複数の対象ストックの苗が人工光および自然光のいずれを照射された場合でも、一定レベルの精度で八重咲き苗か否かを正解することができる。ここで、人工光は、電球、蛍光灯およびＬＥＤなどの人工的な光源が発する光である。また、自然光は、太陽光、月光および雲の反射光などの自然に由来する光の他、人工的な光源から放射される光以外のすべての光である。よって、複数の対象ストックの苗が人工光および自然光のいずれを照射された場合でも、鑑別精度を一定レベルに維持しつつ、初心者でも容易に八重鑑別することができる。

本発明の一態様に係る鑑別装置において、前記複数の対象ストックの苗を表す対象画像を表示画面に表示する表示装置を制御する表示制御部をさらに備え、前記表示制御部は、前記表示画面に表示された前記対象画像のうち、前記判定部によって前記八重咲き苗であると判定された前記対象ストックの苗を表す第１画像部分、または、前記判定部によって一重咲き苗であると判定された前記対象ストックの苗を表す第２画像部分のいずれか一方をハイライト表示させてもよい。

前記構成によれば、表示装置の表示画面を見るだけで、判定部の判定結果を把握することができる。よって、鑑別装置を用いた八重鑑別の利便性を高めることができる。

前記の課題を解決するために、本発明の一態様に係る情報処理装置は、前記のいずれかの態様に係る鑑別装置を備える。前記構成によれば、本発明の一態様に係る鑑別装置と同様の効果を奏する。

前記の課題を解決するために、本発明の一態様に係る教師データは、八重咲き苗を鑑別する前の複数の対象ストックの苗のそれぞれについて、当該苗で反射された反射光の対象光情報から子葉の対象属性値を取得し、当該対象属性値を前記複数の対象ストックの苗の中で順位付けして対象順位を決定する順位決定部を備え、前記複数の対象ストックの苗から前記八重咲き苗を鑑別することを機械学習する鑑別装置に適用される、学習済みモデルを生成するための教師データであって、前記八重咲き苗か否かが判明した後の複数の学習用ストックの苗における、当該苗で反射された反射光の学習用光情報と、子葉の学習用属性値を前記複数の学習用ストックの苗の中で順位付けして決定した学習用順位と、前記八重咲き苗か否かを表す正解データと、を含み、特定の前記対象ストックの苗における前記対象光情報および前記対象順位を前記学習済みモデルに入力することにより、特定の前記対象ストックの苗が前記八重咲き苗か否かを前記鑑別装置が判定する処理に用いられる。前記構成によれば、本発明の一態様に係る鑑別装置と同様の効果を奏する。

前記の課題を解決するために、本発明の一態様に係る鑑別方法は、八重咲き苗を鑑別する前の複数の対象ストックの苗から前記八重咲き苗を鑑別するための鑑別方法であって、前記八重咲き苗か否かが判明した後の複数の学習用ストックの苗における、（ｉ）当該苗で反射された反射光の学習用光情報と、（ｉｉ）子葉の学習用属性値を前記複数の学習用ストックの苗の中で順位付けして決定した学習用順位と、（ｉｉｉ）前記八重咲き苗か否かを表す正解データと、を含む教師データを用いた機械学習により学習済みモデルが生成されており、前記複数の対象ストックの苗のそれぞれについて、当該苗で反射された反射光の対象光情報から子葉の対象属性値を取得し、当該対象属性値を前記複数の対象ストックの苗の中で順位付けして対象順位を決定する対象順位決定ステップと、特定の前記対象ストックの苗における前記対象光情報および前記対象順位を前記学習済みモデルに入力することにより、特定の前記対象ストックの苗が前記八重咲き苗か否かを判定する判定ステップと、を含む。前記構成によれば、本発明の一態様に係る鑑別装置と同様の効果を奏する。

前記の課題を解決するために、本発明の一態様に係る生成方法は、八重咲き苗を鑑別する前の複数の対象ストックの苗から前記八重咲き苗を鑑別するための鑑別装置に用いられる学習済みモデルの生成方法であって、前記八重咲き苗か否かが判明した後の複数の学習用ストックの苗における、（ｉ）当該苗で反射された反射光の学習用光情報と、（ｉｉ）子葉の学習用属性値と、（ｉｉｉ）前記八重咲き苗か否かを表す正解データと、を取得するデータ取得ステップと、前記複数の学習用ストックの苗のそれぞれについて、前記学習用属性値を前記複数の学習用ストックの苗の中で順位付けして学習用順位を決定する学習用順位決定ステップと、前記学習用光情報と前記正解データと前記学習用順位とが含まれたデータセットを教師データとして学習モデルに入力し、当該学習モデルを機械学習させることにより前記学習済みモデルを生成する生成ステップと、を含む。前記構成によれば、本発明の一態様に係る鑑別装置と同様の効果を奏する。

本発明の各態様に係る鑑別装置は、コンピュータによって実現してもよい。この場合、コンピュータを鑑別装置が備える各部（ソフトウェア要素）として動作させることにより鑑別装置をコンピュータにて実現させる鑑別装置の鑑別処理プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

本発明の一態様によれば、初心者でも容易に八重鑑別することができる。

本発明の一実施形態に係る情報処理装置およびセルトレーの外観図である。 本発明の一実施形態および当該実施形態の変形例に係る情報処理装置の機能的構成、ならびに、本発明の一実施形態に係るモデル生成装置の機能的構成を示すブロック図である。 本発明の一実施形態に係る情報処理装置による、鑑別処理の流れの一例を示すフローチャートである。 前記情報処理装置による八重鑑別の対象となるストックの苗の外観図である。 前記情報処理装置における、八重鑑別の結果の表示態様の一例を示す外観図である。 前記モデル生成装置による、モデル生成処理の流れの一例を示すフローチャートである。 本発明の一実施例における、暗室にて撮像された対象苗のＴＩＦ形式の撮像画像を示す写真である。 前記実施例における、屋外にて撮像された対象苗のＪＰＥＧ形式の撮像画像を示す写真である。

以下、図１～図６を用いて、本発明の一実施形態を説明する。なお説明の便宜上、本実施形態にて説明した部材と同じ機能を有する部材については、後掲の変形例および実施例では、同じ符号を付記してその説明を繰り返さない。

〔情報処理装置１００およびセルトレー５００の概要〕
まず、図１を用いて、本発明の一実施形態に係る情報処理装置１００およびセルトレー５００の概要を説明する。図１に示す情報処理装置１００は、各種情報を処理するとともに八重鑑別が可能な装置である。情報処理装置１００は例えば、スマートフォン、タブレット端末など可搬型の情報処理装置であってもよいし、デスクトップＰＣ（Personal Computer）など据え置き型の情報処理装置であってもよい。あるいは、情報処理装置１００は苗選別ロボットであってもよい。本実施形態では、情報処理装置１００がスマートフォンであるものとする。

情報処理装置１００による八重鑑別の対象となるストックについて、その種類は限定されない。前記のストックとしては、アイアンマリン、アイアンホワイト、アイアンチェリーなどを例示することができる。以下、情報処理装置１００による八重鑑別の対象となるストックを「対象ストック」と称する。

情報処理装置１００は、図１に示すように、固定具１１０によって、セルトレー５００の鉛直上側に配置されるように位置固定される。セルトレー５００は、複数の対象ストックの種（不図示）を播種して複数の対象ストックを栽培するためのトレーである。セルトレー５００には、対象ストックの種が播種されるセル５０１が合計２００個、１０行×２０列のマトリックス状に形成されている。本明細書では、紙面向かって上下方向が「列」方向となり、紙面向かって左右方向が「行」方向となる。なお、セルトレー５００におけるセル５０１の個数および配列は前記の態様に限定されず、様々な個数および配列のセル５０１が形成されたセルトレー５００を用いることができる。

セルトレー５００には、２００個すべてのセル５０１に対象ストックの種が１粒ずつ播種されている。そしてすべての種が、子葉５０３（図４参照）が展開した状態の苗５０２にまで成長した段階で、情報処理装置１００を用いてこれらの苗５０２を八重鑑別する。以下、子葉５０３が展開した状態の苗５０２を「対象苗５０２」と称する。対象苗５０２は、言い換えれば、情報処理装置１００が八重咲き苗を鑑別する前の未選別の苗である。以下の説明では、単なる「セルトレー５００」は、全２００株の対象苗５０２が存在する状態のセルトレー５００を指すものとする。

例えば、子葉５０３が展開して本葉が出始めた頃の状態の苗（夏期であれば、播種後１０日経過頃）を対象苗５０２としてもよいし、本葉がほぼ出終わった状態の苗（夏期であれば、播種後１６日経過頃）を対象苗５０２としてもよい。一般的に、子葉が展開して本葉が出始めた頃の状態の苗が、八重鑑別に最も適している。

また情報処理装置１００は、八重鑑別する際、全２００株の対象苗５０２すべてが情報処理装置１００の表示画面１０１に表示されるようにセルトレー５００に対して配置される。情報処理装置１００の表示画面１０１とは、具体的には、情報処理装置１００に備えられた表示部１（図２参照）の表示画面１０１を指す。以下、表示画面１０１に表示された画像のうち、全２００株の対象苗５０２すべてを表す画像部分を「対象画像」と称する。

固定具１１０は、市販のものでもよいし、情報処理装置１００による八重鑑別のために作製されたものでもよく、任意の固定具を用いることができる。本実施形態では、固定具１１０がセルトレー５００に取り付け可能な構造になっており、情報処理装置１００を取り付けて固定した状態の固定具１１０をセルトレー５００に取り付けることにより、情報処理装置１００をセルトレー５００に対して固定する。なお、固定具１１０は、例えばセルトレー５００が載置されている面と同じ面に載置する構造のものであってもよい。

対象ストックは、セルトレー５００で栽培されなくてもよい。対象ストックの種を、例えばポットに播種してもよいし、圃場に直接播種してもよい。また、情報処理装置１００に関する上述の各説明は、後掲の変形例に係る情報処理装置２００にも当てはまる。

〔情報処理装置１００の機能的構成〕
次に、図２を用いて、情報処理装置１００の機能的構成を説明する。情報処理装置１００は、図２に示すように、表示部１、操作入力部２、記憶部３、撮像部４および制御部５を備えている。

表示部１は、後述の鑑別装置１０による鑑別結果、および情報処理装置１００に装備された各種機能の実行に起因する画像を、表示画面１０１（図１および図５参照）に表示する。表示部１は、本発明に係る表示装置の一例である。操作入力部２は、入力されたユーザ操作を受け付け、入力内容を制御部５に出力する。以下、本明細書において「ユーザ」とは、情報処理装置１００による八重鑑別の作業者を指すものとする。本実施形態および後掲の変形例では、表示部１と操作入力部２とが一体化したタッチパネルが、情報処理装置１００および２００に備わっている。勿論、表示部１と操作入力部２とが別体になっていても構わない。

記憶部３には、情報処理装置１００が動作するのに必要な各種のプログラムおよびデータが記憶されている。また、ユーザは、記憶部３に各種のデータ等を記憶させることができる。撮像部４は、セルトレー５００で栽培された全２００株の対象苗５０２すべてを撮像して撮像画像を生成する撮像装置である。撮像画像には、静止画像および動画像の両方が含まれる。本実施形態では、撮像部４は、情報処理装置１００としてのスマートフォンに内蔵されたカメラであるものとする。但し、情報処理装置１００は撮像部４を備えていなくてもよく、例えば情報処理装置１００と別体のデジタルカメラを撮像装置として用いてもよい。

制御部５は、情報処理装置１００に備えられた各装置および各部を統括的に制御する。制御部５は、鑑別装置１０を有している。鑑別装置１０は、全２００株の対象苗５０２の中から八重咲き苗を鑑別するための装置であり、図２に示すように順位決定部１１、判定部１２および表示制御部１３を有している。順位決定部１１、判定部１２および表示制御部１３の詳細については後述する。

制御部５は、情報処理装置１００に取り付けられた外部装置であってもよいし、情報処理装置１００の通信部（不図示）を介して利用されるネットワークサーバであってもよい。あるいは、鑑別装置１０が、情報処理装置１００に取り付けられた外部装置であってもよい。

〔モデル生成装置５０の機能的構成〕
次に、図２を用いて、本発明の一実施形態に係るモデル生成装置５０の機能的構成を説明する。モデル生成装置５０は、判定部１２が実行する判定処理に用いられる学習済みモデルを生成する装置である。判定処理とは、判定部１２が所定のデータを学習済みモデルに入力することにより、特定の対象苗５０２が八重咲き苗か否かを判定する処理である。判定処理の詳細については後述する。

モデル生成装置５０は例えば、タブレット端末など可搬型の情報処理装置であってもよいし、デスクトップＰＣなど据え置き型の情報処理装置であってもよい。また例えば、モデル生成装置５０は、クラウド等のサーバであってもよい。本実施形態では、モデル生成装置５０は、情報処理装置１００との間で通信部（不図示）を介して無線通信することによりデータの送受信を行うものとする。図２に示すように、データ取得部５１、学習用順位決定部５２およびモデル生成部５３を備えている。

データ取得部５１は、八重鑑別ＤＢ６０から、複数の学習用苗（不図示）の撮像画像と、当該複数の学習用苗の撮像画像のそれぞれに対応する正解データとを取得する。学習用苗の撮像画像はＲＡＷ形式であり、以下、「学習用ＲＡＷ画像」と称する。学習用ＲＡＷ画像は静止画像である。八重鑑別ＤＢ６０は、学習用ＲＡＷ画像および正解データが格納されているデータベースである。

学習用苗は、八重咲き苗または一重咲き苗のいずれであるかが判明した後のストック（不図示）の苗である。以下、苗の画像が八重鑑別ＤＢ６０の格納対象となっている、八重咲き苗または一重咲き苗のいずれであるかが判明した後のストックを「学習用ストック」と称する。正解データは、特定の学習用苗が八重咲き苗または一重咲き苗のいずれであるかを表すデータである。

本実施形態では、主に熟練者によって八重鑑別が行われたストックの苗、および開花まで栽培された結果八重咲き苗または一重咲き苗のいずれであるかが判明したストックの苗を、学習用苗とする。本明細書において、「熟練者」とは、八重鑑別の正答率を平均８０％以上にすることができる作業者を指す。ここで、「正答率」の「正答」とは、作業者（初心者および熟練者の双方を含む）が八重咲き苗であると鑑別した対象苗５０２が、実際に八重咲き苗であったことを指す。また「平均８０％以上」とは、作業者が、自らの熟練度が明らかになる程度の回数（以下、基準回数）の八重鑑別を行った場合において、各回の正答率の合計値を基準回数で除した値が８０％以上であることを指す。

但し、学習用苗は上述の例に限定されない。例えば、情報処理装置１００以外の情報処理装置を用いた画像解析による八重鑑別が行われたストックの苗を、学習用苗としてもよい。「画像解析による八重鑑別」としては、画像解析によって相対的に色が薄いストックの苗を選別する方法などが想定される。また、学習用ストックの種の栽培形態に特段の限定はない。

学習用順位決定部５２は、データ取得部５１から取得した複数の学習用ＲＡＷ画像を、それぞれＴＩＦ形式に現像する。以下、学習用ＲＡＷ画像がＴＩＦ形式に現像されたものを「学習用ＴＩＦ画像」と称する。そして学習用順位決定部５２は、複数の学習用ＴＩＦ画像を用いて、複数の学習用苗のそれぞれについて、子葉（不図示）の学習用色相角度ｈ－１と学習用彩度Ｃ^＊－１と学習用葉面積ｓ－１とを算出する。そして学習用順位決定部５２は、複数の学習用苗のそれぞれについて、学習用色相角度ｈ－１の第１学習用順位と学習用彩度Ｃ^＊－１の第２学習用順位と学習用葉面積ｓ－１の第３学習用順位とを決定する。

学習用色相角度ｈ－１は、学習用苗の子葉の色相角度である。学習用彩度Ｃ^＊－１は、学習用苗の子葉の彩度である。学習用葉面積ｓ－１は、学習用苗の子葉の葉面積である。また、学習用色相角度ｈ－１、学習用彩度Ｃ^＊－１および学習用葉面積ｓ－１は、本発明に係る学習用属性値の一例である。学習用ＴＩＦ画像の詳細および第１～第３学習用順位の決定方法の詳細については、後述する。

学習用順位決定部５２は、複数の学習用苗のそれぞれにおける、学習用ＴＩＦ画像と第１～第３学習用順位とのデータセットの集合を教師データとして、当該教師データをモデル生成部５３に出力する。モデル生成部５３は、学習用順位決定部５２から取得した教師データを用いて学習モデルに機械学習させることにより、学習済みモデルを生成する。

本実施形態では、モデル生成装置５０は、情報処理装置１００の外部から無線通信を行うことによって情報処理装置１００との間でデータを送受信する構成となっている。しかしながら、この構成に限定されず、例えばモデル生成装置５０が制御部５または鑑別装置１０に内蔵されていてもよい。

〔情報処理装置１００による鑑別処理の流れ〕
次に、図３～図５を用いて、情報処理装置１００による鑑別処理の流れの一例を説明する。鑑別処理とは、撮像部４が全２００株の対象苗５０２すべてを撮像して撮像画像を生成する処理から、表示制御部１３が表示部１に対して表示画面１０１の特定の画像部分をハイライト表示させる処理までの一連の処理を指す。

はじめに、撮像部４は、操作入力部２が「撮像開始」のユーザ操作を受け付けることにより、全２００株の対象苗５０２すべてを撮像してＲＡＷ形式の撮像画像（以下、「対象ＲＡＷ画像」）を生成する。撮像部４は、対象ＲＡＷ画像として静止画像を生成する。このとき情報処理装置１００は、撮像部４が全２００株の対象苗５０２すべてを同一視野で撮像できるように、セルトレー５００に対して固定される（図１および図５参照）。但し、情報処理装置１００をセルトレー５００に対して固定することなく、撮像部４が、全２００株の対象苗５０２のそれぞれを１株ずつ個別に撮像できるようにしてもよい。

本実施形態では、セルトレー５００を暗室内に載置して撮像するものとする。但し、セルトレー５００を暗室以外の屋内に載置して撮像してもよいし、屋外に載置して撮像してもよい。本明細書において、「暗室」は、建物内における周囲照度が約５００ルクス以上約１，０００ルクス未満の空間を指す。また、「暗室以外の屋内」は、建物内における周囲照度が約１００ルクス以上約２，０００ルクス未満の空間を指す。さらに、「屋外」は、建物の外部における周囲照度が約２，０００ルクス以上約１００，０００ルクス未満の空間を指す。

また、「暗室」および「暗室以外の屋内」は、セルトレー５００で栽培された全２００株の対象苗５０２に対して人工光を照射する場所の一例である。「」さらに、「屋外」は、前記の全２００株の対象苗５０２に対して自然光を照射する場所の一例である。但し、「暗室以外の屋内」については、前記の全２００株の対象苗５０２に対して人工光および自然光の両方を照射する場所として、建物内の空間も含まれる。

そして撮像部４は、対象ＲＡＷ画像を生成した後、記憶部３から画像編集ソフトウェアを呼び出し、当該ソフトウェアを用いて対象ＲＡＷ画像をＴＩＦ形式に現像する（図３のＳ１１）。以下、対象ＲＡＷ画像がＴＩＦ形式に現像されたものを「対象ＴＩＦ画像」と称する。対象ＴＩＦ画像は、対象苗５０２で反射された反射光の対象光情報の一例であり、ＲＧＢ色空間で表現される。撮像部４は、現像した対象ＴＩＦ画像を鑑別装置１０の順位決定部１１に出力する。なお撮像部４は、対象ＲＡＷ画像を、ＴＩＦ形式ではなく例えばＪＰＥＧ形式またはＧＩＦ形式に現像してもよい。

次に、順位決定部１１は、取得した対象ＴＩＦ画像に二値化処理を施して二値化画像を生成する。順位決定部１１は、二値化処理の際、対象ＴＩＦ画像における対象苗５０２と背景との境界について、当該境界における色相の閾値と彩度の閾値と明度の閾値とを算出する。また順位決定部１１は、二値化処理の際、全２００株の対象苗５０２すべてについて、子葉５０３の対象葉面積ｓを算出する（図３のＳ１２）。

対象葉面積ｓは、子葉５０３の表面積のことであり、本発明に係る対象属性値の一例である。図４に示すように、１株の対象苗５０２につき子葉５０３が２つあることから、対象葉面積ｓは、一方の子葉５０３の外縁で取り囲まれた領域の面積と、他方の子葉５０３の外縁で取り囲まれた領域の面積とを合計した値になる。

次に、順位決定部１１は、二値化画像の色空間をＲＧＢ色空間からＣＩＥＬＡＢ色空間に変換する。ＣＩＥＬＡＢ色空間は、国際照明委員会（ＣＩＥ）が策定した略完全な色空間である。人間の目で見ることができるすべての色を表すことができ、画像処理に係る機器固有モデルの基準として利用することができる。

ＣＩＥＬＡＢ色空間は、Ｌ^＊、ａ^＊およびｂ^＊の３つの座標で構成される。Ｌ^＊は色の明度を表し、Ｌ^＊＝０が黒、Ｌ^＊＝１００が白の拡散色となる。白の反射色は、Ｌ^＊＝１００よりもさらに値が高くなる。ａ^＊は、赤色／マゼンタ色と緑色との間の位置を表し、負の値が緑色寄りとなり、正の値が赤色／マゼンタ色寄りとなる。ｂ^＊は、黄色と青色との間の位置を表し、負の値が青色寄りとなり、正の値が黄色寄りとなる。

次に順位決定部１１は、算出した３つの指標（色相、彩度、明度）の閾値を用いて、ＣＩＥＬＡＢ色空間の二値化画像をＬ^＊、ａ^＊およびｂ^＊の３つの画像（以下、「Ｌ^＊画像、ａ^＊画像、ｂ^＊画像」）に分割する（図３のＳ１３）。なお順位決定部１１は、例えば前記３つの指標の閾値のうち、１つの指標の閾値を用いて二値化画像を分割してもよい。また例えば、順位決定部１１は、前記３つの指標の閾値と異なる閾値を用いて二値化画像を分割してもよい。

次に順位決定部１１は、ａ^＊画像およびｂ^＊画像を用いて、全２００株の対象苗５０２のそれぞれについて、子葉５０３のａ^＊値およびｂ^＊値を算出する（図３のＳ１４）。子葉５０３のａ^＊値は、ａ^＊画像を構成する各画素のうち、子葉５０３の画像領域を構成する複数の画素のａ^＊値を平均した値である。子葉５０３のｂ^＊値は、ｂ^＊画像を構成する各画素のうち、子葉５０３の画像領域を構成する複数の画素のｂ^＊値を平均した値である。

次に順位決定部１１は、全２００株の対象苗５０２のそれぞれについて、ａ^＊値およびｂ^＊値を用いて子葉５０３の対象色相角度ｈおよび対象彩度Ｃ^＊を算出する（図３のＳ１５）。対象色相角度ｈは、子葉５０３の色相角度のことである。順位決定部１１は、下記の式（１）を用いて対象色相角度ｈを算出する。対象彩度Ｃ^＊は、子葉５０３の彩度のことである。順位決定部１１は、下記の式（２）を用いて対象彩度Ｃ^＊を算出する。対象色相角度ｈおよび対象彩度Ｃ^＊は、本発明に係る対象属性値の一例である。

ｈ＝ｔａｎ^－１（ｂ^＊／ ａ^＊）・・・（１）
Ｃ^＊＝〔（ａ^＊）^２＋（ｂ^＊）^２〕^１／２・・・（２）
なお順位決定部１１は、二値化画像の色空間を、ＣＩＥＬＡＢ色空間ではなく例えばＣＩＥＬＣｈ色空間に変換してもよい。この場合、順位決定部１１は、ＣＩＥＬＣｈ色空間の二値化画像を分割して得られたＣ^＊画像およびｈ^＊画像から、子葉５０３の対象色相角度ｈおよび対象彩度Ｃ^＊を直接算出することができる。

次に順位決定部１１は、全２００株の対象苗５０２のそれぞれについて、対象色相角度ｈを全２００株の対象苗５０２の中で順位付けして第１対象順位を決定する。また順位決定部１１は、全２００株の対象苗５０２のそれぞれについて、対象彩度Ｃ^＊を全２００株の対象苗５０２の中で順位付けして第２対象順位を決定する。さらに順位決定部１１は、全２００株の対象苗５０２のそれぞれについて、対象葉面積ｓを全２００株の対象苗５０２の中で順位付けして第３対象順位を決定する（以上、図３のＳ１６：対象順位決定ステップ）。

順位決定部１１は、第１～第３対象順位のいずれについても順位を数値で規定し、順位が高くなるほど数値を小さく規定する。例えば特定の対象苗５０２について、第１対象順位が最も高い場合、順位決定部１１は、当該特定の対象苗５０２の第１対象順位を数値「１」で規定する。また順位決定部１１は、第１～第３対象順位の順位を規定する数値を「１」ずつ増減することで、順位付けする。例えば特定の対象苗５０２について、第１対象順位が最も低い場合、順位決定部１１は、当該特定の対象苗５０２の第１対象順位を数値「２００」で規定する。この順位付けの場合、順位が最も高い第１対象順位を数値「１」で規定することが前提となる。

なお、この順位付けの方法はあくまで一例であり、順位決定部１１は、様々な方法で第１～第３対象順位の順位付けを行うことができる。例えば、順位決定部１１は、第１～第３対象順位のいずれについても順位が高くなるほど数値が大きくなるように規定してもよい。また例えば、順位決定部１１は、第１～第３対象順位の順位を規定する数値を「２（つまり、「１」以外の自然数）」ずつ増減することで、順位付けしてもよい。

順位付けを終えた順位決定部１１は、対象ＴＩＦ画像、および全２００株の対象苗５０２すべての第１～第３対象順位を判定部１２に出力する。

次に、判定部１２は、モデル生成装置５０（図２および図６参照）から学習済みモデルを呼び出す。そして判定部１２は、対象ＴＩＦ画像、および全２００株の対象苗５０２すべての第１～第３対象順位を学習済みモデルに入力することにより、全２００株の対象苗５０２のそれぞれについて、八重咲き苗か否かを判定する（図３のＳ１７：判定ステップ）。なお、学習済みモデルは、例えば判定部１２のメモリ（不図示）または記憶部３に予め記憶されていてもよい。

具体的には判定部１２は、全２００株の対象苗５０２のそれぞれについて、八重咲き苗か否かの判定結果を、学習済みモデルからの出力結果として取得する。学習済みモデルからは、特定の対象苗５０２が八重咲き苗である旨の第１判定結果と、特定の対象苗５０２が一重咲き苗である旨の第２判定結果とが出力される。モデル生成装置５０による学習済みモデルの生成については後述する。

全２００株の対象苗５０２のそれぞれについて、学習済みモデルから第１判定結果または第２判定結果のいずれかを取得した判定部１２は、これらの判定結果を表示制御部１３に出力する。なお、順位決定部１１は、対象ＴＩＦ画像および第１～第３対象順位を例えば記憶部３に一旦記憶させてもよい。また、判定部１２は、判定結果を例えば記憶部３に一旦記憶させてもよい。

次に表示制御部１３は、判定部１２から取得した判定結果に基づいて、表示部１に対して、表示画面１０１に表示された特定の画像部分をハイライト表示させる（図３のＳ１８）。表示制御部１３は、このハイライト表示の他、表示部１による表示画面１０１の表示を制御する。

具体的には表示部１は、図５に示すように、表示画面１０１に表示された対象画像のうち、判定部１２が一重咲き苗であると判定した（第２出力結果を出力した）対象苗５０２を表す第２画像部分１０４の周囲を取り囲むように、環状のマーク１０２を表示する。このマーク１０２の表示は、前記判定結果に基づく表示制御部１３の表示制御によって行われる。このようなハイライト表示がなされることにより、ユーザは表示画面１０１を見ながら確実に苗を間引くことができ、間引き作業を簡便かつ迅速・確実に行うことができる。

表示制御部１３は、表示部１に対してマーク１０２の大きさ・色を調整させることができる。但し、情報処理装置１００による八重鑑別後、ユーザが表示画面を見ながら特定の対象ストックの苗を間引くことから（図１および図５参照）、マーク１０２の大きさ・色の調整は、ユーザの間引き作業に支障を来さない範囲内で行われるのが好ましい。

例えばマーク１０２の大きさを小さくする場合には、ユーザが間引こうとする苗が見え難くならないように、マーク１０２と第２画像部分１０４とが重なる領域をなるべく少なくするのが好ましい。また例えば、マークの色を調整する場合には、ユーザが間引こうとする苗が見え難くならないようにすべく、過度の蛍光色を避けるのが好ましい。一方、ユーザが第２画像部分１０４を認識し易くなるようにすべく、暗い色も避けるのが好ましい。

なお、表示制御部１３の表示制御による表示画面１０１のハイライト表示は、上述の表示態様に限定されない。例えば表示部１は、表示画面１０１に表示された対象画像のうち、判定部１２が八重咲き苗であると判定した（第１出力結果を出力した）対象苗５０２を表す第１画像部分１０３の周囲を取り囲むように、マーク１０２を表示してもよい。また例えば、マーク１０２を、第１画像部分１０３または第２画像部分１０４の周囲を取り囲む程度の大きさの中空三角形状、中空四角形状としてもよい。さらには、マーク１０２の表示の替わりに、第１画像部分１０３または第２画像部分１０４を発光させてもよい。この場合、ユーザが間引こうとする苗が見え難くならない程度に発光させるのが好ましい。

〔モデル生成装置５０によるモデル生成処理の流れ〕
次に、図６を用いて、モデル生成装置５０によるモデル生成処理の流れの一例を説明する。モデル生成処理とは、データ取得部５１が八重鑑別ＤＢ６０から学習用ＲＡＷ画像および正解データを取得する処理から、モデル生成部５３が学習済みモデルを生成する処理までの一連の処理を指す。

はじめにデータ取得部５１は、八重鑑別ＤＢ６０から、１株の学習用苗についての学習用ＲＡＷ画像と正解データとのデータセット（以下、「基本データセット」）を複数セット取得する。このとき、データ取得部５１は、八重鑑別ＤＢ６０から基本データセットを任意の数だけ取得することができる。

基本データセットの取得数は、学習済みモデルを用いた八重鑑別の鑑別精度を向上させる観点に基づいて、例えばユーザがモデル生成装置５０を操作することで任意に設定してもよい。本実施形態では、データ取得部５１が、八重鑑別ＤＢ６０に格納されているすべての基本データセットを取得するものとする。データ取得部５１は、取得した基本データセットを学習用順位決定部５２に出力する。

次に、学習用順位決定部５２は、モデル生成装置５０の記憶部（不図示）から画像編集ソフトウェアを呼び出し、当該ソフトウェアを用いて学習用ＲＡＷ画像をＴＩＦ形式に現像して学習用ＴＩＦ画像を生成する（Ｓ２１：データ取得ステップ）。学習用ＴＩＦ画像は、学習用苗で反射された反射光の学習用光情報の一例であり、ＲＧＢ色空間で表現される。

次に、学習用順位決定部５２は、取得したＴＩＦ画像に二値化処理を施して二値化画像を生成する。また学習用順位決定部５２は、二値化処理の際、複数の学習用苗すべてについて、子葉の学習用葉面積ｓ－１を算出する（Ｓ２２：データ取得ステップ）。学習用葉面積ｓ－１の算出方法は、対象葉面積ｓの算出方法と同様である（図４参照）。

次に、学習用順位決定部５２は、二値化画像の色空間をＲＧＢ色空間からＣＩＥＬＡＢ色空間に変換し、３つの指標（色相、彩度、明度）の閾値を用いて、ＣＩＥＬＡＢ色空間の二値化画像をＬ^＊画像、ａ^＊画像、ｂ^＊画像に分割する（Ｓ２３）。次に順位決定部１１は、ａ^＊画像およびｂ^＊画像を用いて、複数の学習用苗のそれぞれについて、子葉のａ^＊値およびｂ^＊値を算出する（Ｓ２４）。学習用苗の子葉のａ^＊値およびｂ^＊値は、対象苗５０２の子葉５０３のａ^＊値およびｂ^＊値と同様に定義される。

次に学習用順位決定部５２は、複数の対象苗５０２のそれぞれについて、ａ^＊値およびｂ^＊値を用いて子葉の学習用色相角度ｈ－１および学習用彩度Ｃ^＊－１を算出する（Ｓ２５：データ取得ステップ）。学習用色相角度ｈ－１は、対象色相角度ｈと同様に、前記の式（１）を用いて算出される。また学習用彩度Ｃ^＊は、対象彩度Ｃ^＊と同様に、前記の式（２）を用いて算出される。

次に学習用順位決定部５２は、複数の学習用苗のそれぞれについて、学習用色相角度ｈ－１を複数の学習用苗の中で順位付けして第１学習用順位を決定する。また学習用順位決定部５２は、複数の学習用苗のそれぞれについて、学習用彩度Ｃ^＊－１を複数の学習用苗の中で順位付けして第２学習用順位を決定する。さらに学習用順位決定部５２は、複数の学習用苗のそれぞれについて、学習用葉面積ｓ－１を複数の学習用苗の中で順位付けして第３学習用順位を決定する（以上、Ｓ２６：学習用順位決定ステップ）。

第１～第３学習用順位の順位付けの方法は、第１～第３対象順位の順位付けの方法と同様である。順位付けを終えた学習用順位決定部５２は、複数の学習用苗すべての学習用ＴＩＦ画像および第１～第３学習用順位で構成されるデータセットを、教師データとしてモデル生成部５３に出力する。

次にモデル生成部５３は、学習用順位決定部５２から取得した教師データを学習モデルに入力することにより、当該学習モデルに機械学習させて学習済みモデルを生成する（Ｓ２７：生成ステップ）。学習モデルは、例えばモデル生成部５３のメモリ（不図示）に記憶されていてもよいし、モデル生成装置５０の記憶部に記憶されていてもよい。

学習モデルとしては、例えばＣＮＮ（Convolutional Neutal Natwork）を用いることができる。また例えば、ＣＮＮとＲＮＮ（Recurrent Neutal Natwork）とを組み合わせた、あるいはＣＮＮとＬＳＴＭ（Long Short-Term Memory）とを組み合わせた学習モデルを用いることもできる。

学習済みモデルの生成には、多項ロジスティック回帰分析等の公知の機械学習アルゴリズムが使用されてよい。あるいは、公知のニューラルネットワーク技術（例：公知のディープラーニング技術）を用いて学習済みモデルを生成してもよい。生成された学習済みモデルは、例えばモデル生成部５３のメモリに一旦記憶されてもよいし、モデル生成装置５０の記憶部に一旦記憶されてもよい。

次にモデル生成部５３は、情報処理装置１００から学習済みモデルの出力の指令を受信することにより、情報処理装置１００の判定部１２に学習済みモデルを出力する（Ｓ２８）。情報処理装置１００からの前記指令の送信は、例えば、情報処理装置１００の操作入力部２が「撮像開始」のユーザ操作を受け付けたことをトリガとして行われる。

モデル生成装置５０は、八重鑑別ＤＢ６０への新たな基本データセットの格納、教師データのデータ構成の変更などをトリガとして、適宜、図６のフローチャートにおけるＳ２１～Ｓ２７の各処理を実行する。

〔変形例〕
＜情報処理装置１００の変形例＞
（対象順位の個数および種類）
上述した情報処理装置１００の構成および処理はあくまで一例であり、複数の異なる構成および処理を採用することができる。まず例えば、情報処理装置１００の判定部１２は、第１～第３対象順位のうち、いずれか１つまたはいずれか２つの対象順位を学習済みモデルに入力して、特定の対象苗５０２が八重咲き苗か否かを決定してもよい。このように学習済みモデルへの入力データの数を減らすことにより、八重鑑別の前処理を簡略化することができる。この場合、教師データに含まれる第１～第３学習用順位も、学習済みモデルへの入力データに対応させていずれか１つまたはいずれか２つの学習用順位とする。

また例えば、情報処理装置１００の判定部１２は、第１～第３対象順位に加えて別の対象順位を１つ以上学習済みモデルに入力してもよい。このように学習済みモデルへの入力データの数を増やすことにより、判定部１２の判定精度を向上させることができる。別の対象順位としては、例えば子葉５０３の色差を順位付けして決定した対象順位を想定することができる。この別の対象順位は、第１～第３対象順位のすべての替わりに用いられてもよいし、第１～第３対象順位のいずれか１つと入れ替えて用いられてもよい。教師データに含まれる第１～第３学習用順位の数の増減については、上述した通りである。

（カラーセンサの使用）
また、情報処理装置１００の変形例として、例えば図２に示す情報処理装置２００を想定することができる。情報処理装置２００は、撮像部４に替えてカラーセンサ６を備えている。つまり情報処理装置２００は、対象苗５０２からの反射光の対象光情報が、ＴＩＦ画像ではなくカラーセンサ６によって検出される検出情報となっている。カラーセンサ６を用いることにより、対象光情報が対象ＴＩＦ画像の場合と比較してａ^＊値およびｂ^＊値の取得処理が簡単になり、処理コストを低減させることができる。

カラーセンサ６は、光源および受光部（ともに不図示）を有しており、光源から出射した光が対象苗５０２に当たって反射した反射光を、受光部で検出する構成になっている。カラーセンサ６は、ＲＧＢ値を出力するものであってもよく、ａ^＊値およびｂ^＊値を直接出力するものであってもよい。カラーセンサ６００がＲＧＢ値を出力する場合、順位決定部１１は、取得したＲＧＢ値に基づいてａ^＊値およびｂ^＊値を算出する。

ａ^＊値およびｂ^＊値を直接出力するカラーセンサ６の具体例としては、色彩色差計（コニカミノルタ社製；ＣＲ－２００）を例示することができる。この色彩色差計によるａ^＊値およびｂ^＊値の取得方法は、以下の通りである。色彩色差計の光源をＣまたはＤ_６５のいずれかに設定する。測定開始前には白色校正板によって白色校正を行う。すべての対象苗５０２の測定は同一の設定および校正条件で行う。対象苗５０２を白色校正板に置き、設定・校正済みの色彩色差計を用いて、対象苗５０２毎にａ^＊値およびｂ^＊値を測定する。

（判定結果の表示方法）
また情報処理装置１００は、表示制御部１３が、判定部１２の判定結果を表示画面１０１にハイライト表示させなくてもよい。例えば表示制御部１３は、判定部１２の判定処理が終了した後、操作入力部２が「鑑別結果表示」のユーザ操作を受け付けることにより、表示部１に対して、表示画面１０１に鑑別結果を文字表示（例えば、「１０番の苗：八重咲き苗」）させてもよい。なお、この文字表示は、情報処理装置１００以外の情報処理装置の表示画面に表示されてもよい。この場合、表示制御部１３は、情報処理装置１００以外の情報処理装置の表示部に対して、前記の文字表示を指示する。

＜モデル生成装置５０の変形例＞
上述したモデル生成装置５０の構成および処理はあくまで一例であり、複数の異なる構成および処理を採用することができる。例えばモデル生成装置５０は、学習用順位決定部５２が、教師データを構成する学習用ＴＩＦ画像として第１学習用ＴＩＦ画像と第２学習用ＴＩＦ画像とを現像してもよい。第１学習用ＴＩＦ画像は、暗室にて照射された人工光が学習用苗で反射された、第１反射光の第１学習用光情報の一例である。また第２学習用ＴＩＦ画像は、屋外にて照射された自然光が学習用苗で反射された第２反射光の第２学習用光情報の一例である。

このような２種類の学習用ＴＩＦ画像を教師データに含めることにより、八重鑑別の対象となる対象苗５０２が暗室および屋外のいずれに配置されていた場合でも、学習済みモデルは一定レベルの精度で八重咲き苗か否かを正解することができる。なお、学習用順位決定部５２が第１学習用ＴＩＦ画像と第２学習用ＴＩＦ画像とを現像する場合、八重鑑別ＤＢ６０には、暗室で撮像された学習用ＲＡＷ画像と、屋外で撮像された学習用ＲＡＷ画像とが格納されていることが前提となる。

〔ソフトウェアによる実現例〕
鑑別装置１０の制御ブロック（特に順位決定部１１および判定部１２）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、鑑別装置１０は、各機能を実現するソフトウェアであるプログラム（鑑別処理プログラム）の命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、前記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、前記コンピュータにおいて、前記プロセッサが前記プログラムを前記記録媒体から読み取って実行することにより、本発明の目的が達成される。

前記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。前記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、前記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、前記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して前記コンピュータに供給されてもよい。なお、本発明の一態様は、前記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔実施例〕
次に、図７および図８を用いて、本発明の実施例１～３を説明する。実施例１～３および比較例１～３では、図７および図８に示すように、セルトレー５００に形成された２００個すべてのセル５０１に対象ストック（アイアンマリン）の種を１粒ずつ播種してミスト散水下で育苗することにより、対象苗５０２を栽培した。さらに、情報処理装置１００としてＰＣ（型番；ＮＧ－ｉｍ６２０ＧＡ１、マウスコンピューター社製）を用い、撮像部４の代わりに撮像装置として「ｉＰｈｏｎｅ６ｓ（登録商標；アップル社製）」を用いた。

＜撮像方法＞
実施例１～３および比較例１～３では、子葉５０３が展開して本葉が出始めた状態になった時点で、全２００株の対象苗５０２すべてをセルトレー５００の鉛直上側から撮像し、対象苗５０２の撮像画像および学習用苗の撮像画像を生成した。また、同一のセルトレー５００につき、暗室および屋外の２箇所で撮像した。暗室の周囲照度は約５００ルクスであった。また、屋外の周囲照度は約２０，０００～約１００，０００ルクスであった。

暗室で撮像した前記の対象苗５０２の撮像画像は、ＲＡＷ形式とした。同様に、暗室で撮像した前記の学習用苗の撮像画像についても、ＲＡＷ形式とした（以下、「学習用ＲＡＷ画像」）。屋外で撮像した前記の対象苗５０２の撮像画像は、ＲＡＷ形式ではなくＪＰＥＧ形式とした。同様に、屋外で撮像した前記の学習用苗の撮像画像についても、ＲＡＷ形式ではなくＪＰＥＧ形式とした（以下、「学習用ＪＰＥＧ画像」）。

暗室では、情報処理装置１００のカメラを用いず、替わりにデジタルカメラ（ニコンＤ３２００；ニコン社製）を用いて撮像した。撮像する際、デジタルカメラのレンズ表面とセルトレー５００の上面（セル５０１が形成されている側の面）とが略平行になるように、デジタルカメラをセルトレー５００に対して位置固定した。位置固定には、デジタルカメラ専用の固定具（不図示）を使用した。また、セルトレー５００を照らす光源としてレフランプ（ＰＲＦ－５００ＷＢ／Ｄ、色温度５００Ｋ；パナソニック社製）を用いた。図７に示す写真は、暗室で撮像された対象苗５０２のＲＡＷ形式の撮像画像をＴＩＦ形式に現像した画像の一例である。

一方、屋外では、情報処理装置１００のカメラを用いず、ｉＰｈｏｎｅ６ｓ（登録商標；アップル社製）のカメラを用いて撮像した。ｉＰｈｏｎｅ６ｓ（登録商標；アップル社製）を固定具１１０等で位置固定することなく、ユーザがｉＰｈｏｎｅ６ｓ（登録商標；アップル社製）を把持して撮像した。撮像する際、カメラのレンズ表面とセルトレー５００の上面とが略平行になるようにした。また、前記のレフランプのような人工光源を用いることなく、自然光下で撮像を行った。図８に示す写真は、屋外で撮像された対象苗５０２のＪＰＥＧ形式の撮像画像の一例である。

＜学習済みモデルの生成方法＞
実施例１～３では、学習用ＪＰＥＧ画像、当該学習用ＪＰＥＧ画像に基づいて決定された第１～第３学習用順位および正解データを１組のデータセットとした複数のデータセットで構成される教師データを用いて、学習済みモデルを生成した。実施例１～３の学習用ＪＰＥＧ画像には、アイアンマリンの苗を学習用苗とした学習用ＲＡＷ画像をＴＩＦ形式に現像した後ＪＰＥＧ形式に変換した画像、およびＪＰＥＧ画像を用いた。

学習モデルとしてＣＮＮを用い、前記の教師データをＣＮＮに入力して当該ＣＮＮを機械学習させた。機械学習には、オープンソフトウェアライブラリである「ＴｅｎｓｏｒＦｌｏｗ（登録商標；グーグル社製）」を用いた。また、機械学習および学習済みモデルの生成は、モデル生成装置５０でもあるＰＣ（型番；ＮＧ－ｉｍ６２０ＧＡ１、マウスコンピューター社製）にＴｅｎｓｏｒＦｌｏｗをインストールして行った。

一方比較例３では、１組のデータセットが、学習用ＪＰＥＧ画像と、子葉の学習用色相角度ｈ－１、学習用彩度Ｃ^＊－１および学習用葉面積ｓ－１の各絶対値と、正解データとで構成される教師データを用いて、学習済みモデルを生成した。その他については、実施例１～３と同様である。

＜八重鑑別および鑑別結果＞
（実施例の八重鑑別）
まず、実施例１として、暗室で撮像された学習用ＪＰＥＧ画像２３枚を用いて教師データを生成した。次に、モデル生成装置５０において、この教師データを用いてＣＮＮに機械学習させることにより学習済みモデルを生成した。次に、情報処理装置１００において、暗室で撮像された対象苗５０２の対象ＪＰＥＧ画像１４枚および対応する第１～第３対象順位を学習済みモデルに入力することにより、対象ＪＰＥＧ画像１４枚のそれぞれについて判定結果（鑑別結果）を得た。なお、上述した通り、ＰＣ（型番；ＮＧ－ｉｍ６２０ＧＡ１、マウスコンピューター社製）を、モデル生成装置５０として用いるとともに情報処理装置１００としても用いた。

また、実施例２として、暗室および屋外で撮像された学習用ＪＰＥＧ画像３２枚を用いて教師データを生成した。学習用ＪＰＥＧ画像全３２枚のうち、暗室で撮像された学習用ＪＰＥＧ画像は２０枚であり、屋外で撮像された学習用ＪＰＥＧ画像は１２枚であった。

次に、モデル生成装置５０において、この教師データを用いてＣＮＮに機械学習させることにより学習済みモデルを生成した。次に、情報処理装置１００において、暗室および屋外で撮像された対象苗５０２の対象ＪＰＥＧ画像２３枚、ならびに対応する第１～第３対象順位を学習済みモデルに入力することにより、対象ＪＰＥＧ画像２３枚のそれぞれについて判定結果（鑑別結果）を得た。対象ＪＰＥＧ画像全２３枚のうち、暗室で撮像された対象ＪＰＥＧ画像は５枚であり、屋外で撮像された対象ＪＰＥＧ画像は１８枚であった。

さらに、実施例３として、暗室および屋外で撮像された学習用ＪＰＥＧ画像１４２枚を用いて教師データを生成した。学習用ＪＰＥＧ画像全１４２枚のうち、暗室で撮像された学習用ＪＰＥＧ画像は６５枚であり、屋外で撮像された学習用ＪＰＥＧ画像は７７枚であった。

次に、モデル生成装置５０において、この教師データを用いてＣＮＮに機械学習させることにより学習済みモデルを生成した。次に、情報処理装置１００において、暗室および屋外で撮像された対象苗５０２の対象ＪＰＥＧ画像５４枚、ならびに対応する第１～第３対象順位を学習済みモデルに入力することにより、対象ＪＰＥＧ画像５４枚のそれぞれについて判定結果（鑑別結果）を得た。対象ＪＰＥＧ画像全５４枚のうち、暗室で撮像された対象ＪＰＥＧ画像は２１枚であり、屋外で撮像された対象ＪＰＥＧ画像は３３枚であった。

（比較例の八重鑑別）
まず比較例１として、暗室で撮像された対象ＴＩＦ画像２枚のそれぞれについて、当該対象ＴＩＦ画像を用いて全２００株の対象苗５０２すべての子葉の彩度を算出した。この彩度の算出には、前記の式（２）を用いた。次に、算出した彩度のそれぞれについて、対象苗５０２全２００株の中で順位付けし、上位５０％に含まれる対象苗５０２を八重咲き苗と判定（鑑別）し、下位５０％に含まれる対象苗５０２を一重咲き苗と判定（鑑別）した。

また比較例２として、屋外で撮像された対象ＪＰＥＧ画像２枚のそれぞれについて、当該対象ＪＰＥＧ画像を用いて全２００株の対象苗５０２すべての子葉の彩度を算出した。彩度の算出には、比較例１と同様に前記の式（２）を用いた。次に、算出した彩度のそれぞれについて、対象苗５０２全２００株の中で順位付けし、上位５０％に含まれる対象苗５０２を八重咲き苗と判定（鑑別）し、下位５０％に含まれる対象苗５０２を一重咲き苗と判定（鑑別）した。なお、比較例１および２では、情報処理装置１００であるＰＣ（型番；ＮＧ－ｉｍ６２０ＧＡ１、マウスコンピューター社製）と異なるＰＣを用いて、上述の一連の処理を行った。

さらに、比較例３として、暗室で撮像された学習用ＪＰＥＧ画像１２枚を用いて教師データを生成した。次に、モデル生成装置５０において、この教師データを用いてＣＮＮに機械学習させることにより学習済みモデルを生成した。次に、情報処理装置１００において、暗室で撮像された対象苗５０２の対象ＪＰＥＧ画像５枚と、対応する対象色相角度ｈ、対象彩度Ｃ^＊および対象葉面積ｓの各絶対値とを学習済みモデルに入力することにより、ＪＰＥＧ画像５枚のそれぞれについて判定結果（鑑別結果）を得た。

（鑑別結果）
実施例１～３については、下記の表１に示すように、実施例１の鑑別結果の最終正答率は８３％となった。また、実施例２の鑑別結果の最終正答率は７６％となった。さらに、実施例３の鑑別結果の最終正答率は８４％となった。比較例１～３については、下記の表２に示すように、比較例１の鑑別結果の最終正答率は７１％となった。また、比較例２の鑑別結果の最終正答率は６８％となった。さらに、比較例３の鑑別結果の最終正答率は７４％となった。

各実施例および各比較例の最終正答率は、下記の式（３）～（５）を用いて算出した。なお、表１中および表２中の「学習用画像枚数」が学習用ＪＰＥＧ画像の枚数に相当する。また、同表中の「テスト用画像枚数」が対象ＴＩＦ画像またはＪＰＥＧ画像の枚数に相当する。さらに、同表中の「正答率」が最終正答率に相当する。

八重咲き苗の正答率＝（八重咲き苗と判定され、かつ、実際に八重咲き苗であった対象苗５０２の数）／（（八重咲き苗と判定された対象苗５０２の数）－（八重咲き苗と判定され、かつ、枯死した対象苗５０２）の数）×１００［％］・・・（３）
一重咲き苗の正答率＝（一重咲き苗と判定され、かつ、実際に一重咲き苗であった対象苗５０２の数）／（（一重咲き苗と判定された対象苗５０２の数）－（一重咲き苗と判定され、かつ、枯死した対象苗５０２）の数）×１００［％］・・・（４）
最終正答率＝（（八重咲き苗の正答率）－（一重咲き苗の正答率））／２［％］・・・（５）
（考察）
一般的に、暗室で撮像したストックの苗の撮像画像を用いて八重鑑別する方が、屋外で撮像したストックの苗の撮像画像を用いて八重鑑別するよりも鑑別精度が向上する。なぜなら屋外で撮像された撮像画像は、例え被写体が同じであっても、天候、撮影場所等の違いによって撮像画像に映し出される苗の色が大きく変化するためである。しかしながら前記の鑑別結果にて示された通り、屋外で撮像された対象ＪＰＥＧ画像１８枚を含む、最終正答率が最も低い実施例２（最終正答率：７６％）でも、最終正答率が最も高い比較例３（最終正答率：７４％）より最終正答率が高くなった。

このことから、本発明の一態様に係る情報処理装置は、屋外で撮像された対象ＪＰＥＧ画像を鑑別対象に含めて八重鑑別しても、暗室で撮像された対象ＪＰＥＧ画像を鑑別対象とした従来の八重鑑別と同等以上の鑑別精度で八重鑑別できることが判明した。また、教師データを構成するパラメータおよび学習済みモデルへの入力データとして、色相角度、彩度および葉面積の各絶対値を用いるよりも、各絶対値を所定のグループ内で順位付けして相対値化した方が、鑑別精度が向上することが判明した。

さらに、学習用ＪＰＥＧ画像の枚数を実施例２（３２枚）より増やした以外（１４２枚）、学習済みモデルの生成条件（学習条件）が実施例２と略同じである実施例３の方が、実施例２より最終正答率が高くなった（最終正答率：８４％）。また、実施例３の最終正答率は、暗室で撮像された学習用ＪＰＥＧ画像および対象ＪＰＥＧ画像のみ用いた実施例１（最終正答率：８３％）と略同一の最終正答率となった。これらのことから、学習用ＪＰＥＧ画像の枚数を増やすことにより、屋外で撮像された学習用ＪＰＥＧ画像および対象ＪＰＥＧ画像を含めても、本発明の一態様に係る情報処理装置の鑑別精度を従来の八重鑑別と同等以上にできることが判明した。

〔付記事項〕
本発明は上述した実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、実施形態および変形例にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 表示部（表示装置）
１０ 鑑別装置
１１ 順位決定部
１２ 判定部
１３ 表示制御部
１００、２００ 情報処理装置
１０３ 第１画像部分
１０４ 第２画像部分
５０２ 対象苗（対象ストックの苗）
５０３ 子葉

Claims (10)

1. 八重咲き苗を鑑別する前の複数の対象ストックの苗から前記八重咲き苗を鑑別するための鑑別装置であって、
   前記八重咲き苗か否かが判明した後の複数の学習用ストックの苗における、（ｉ）当該苗で反射された反射光の学習用光情報と、（ｉｉ）子葉の学習用属性値を前記複数の学習用ストックの苗の中で順位付けして決定した学習用順位と、（ｉｉｉ）前記八重咲き苗か否かを表す正解データと、を含む教師データを用いた機械学習により学習済みモデルが生成されており、
   前記複数の対象ストックの苗のそれぞれについて、当該苗で反射された反射光の対象光情報から子葉の対象属性値を取得し、当該対象属性値を前記複数の対象ストックの苗の中で順位付けして対象順位を決定する順位決定部と、
   特定の前記対象ストックの苗における前記対象光情報および前記対象順位を前記学習済みモデルに入力することにより、特定の前記対象ストックの苗が前記八重咲き苗か否かを判定する判定部と、を備え、
   前記教師データに含まれる前記学習用光情報は、下記（１）または（２）を含む、鑑別装置；
   （１）人工光が前記学習用ストックの苗で反射された第１反射光の第１学習用光情報、
   （２）前記第１学習用光情報、および、自然光が前記学習用ストックの苗で反射された第２反射光の第２学習用光情報。
2. 前記教師データに含まれる前記学習用順位は、（ｉ）子葉の学習用色相角度を前記複数の学習用ストックの苗の中で順位付けして決定した第１学習用順位と、（ｉｉ）子葉の学習用彩度を前記複数の学習用ストックの苗の中で順位付けして決定した第２学習用順位と、（ｉｉｉ）子葉の学習用葉面積を前記複数の学習用ストックの苗の中で順位付けして決定した第３学習用順位と、を含み、
   前記順位決定部は、前記複数の対象ストックの苗のそれぞれについて、
   前記対象光情報から、前記対象属性値として、子葉における対象色相角度と対象彩度と対象葉面積とを取得し、
   （α）前記対象色相角度を前記複数の対象ストックの苗の中で順位付けして第１対象順位を決定し、かつ、（β）前記対象彩度を前記複数の対象ストックの苗の中で順位付けして第２対象順位を決定し、かつ、（γ）前記対象葉面積を前記複数の対象ストックの苗の中で順位付けして第３対象順位を決定し、
   前記判定部は、特定の前記対象ストックの苗における前記対象光情報と前記第１対象順位と前記第２対象順位と前記第３対象順位とを前記学習済みモデルに入力することにより、特定の前記対象ストックの苗が前記八重咲き苗か否かを判定する、請求項１に記載の鑑別装置。
3. 前記教師データに含まれる前記学習用光情報は、前記第１学習用光情報と、前記第２学習用光情報と、を含む、請求項１または２に記載の鑑別装置。
4. 前記複数の対象ストックの苗を表す対象画像を表示画面に表示する表示装置を制御する表示制御部をさらに備え、
   前記表示制御部は、前記表示画面に表示された前記対象画像のうち、前記判定部によって前記八重咲き苗であると判定された前記対象ストックの苗を表す第１画像部分、または、前記判定部によって一重咲き苗であると判定された前記対象ストックの苗を表す第２画像部分のいずれか一方をハイライト表示させる、請求項１から３のいずれか１項に記載の鑑別装置。
5. 前記第１反射光が、暗室または前記暗室以外の屋内にて照射された前記人工光が前記学習用ストックの苗で反射されたものであり、
   前記第２反射光が、屋外にて照射された前記自然光が前記学習用ストックの苗で反射されたものである、請求項３に記載の鑑別装置。
6. 請求項１から５のいずれか１項に記載の鑑別装置を備える、情報処理装置。
7. 請求項１に記載の鑑別装置としてコンピュータを機能させるための鑑別処理プログラムであって、前記順位決定部および前記判定部としてコンピュータを機能させるための鑑別処理プログラム。
8. 八重咲き苗を鑑別する前の複数の対象ストックの苗のそれぞれについて、当該苗で反射された反射光の対象光情報から子葉の対象属性値を取得し、当該対象属性値を前記複数の対象ストックの苗の中で順位付けして対象順位を決定する順位決定部を備え、前記複数の対象ストックの苗から前記八重咲き苗を鑑別することを機械学習する鑑別装置に適用される、学習済みモデルを生成するための教師データの生成方法であって、
   前記教師データの生成方法は、コンピュータによって実行され、
   前記教師データの生成方法は、
   前記教師データに、前記八重咲き苗か否かが判明した後の複数の学習用ストックの苗における、
   当該苗で反射された反射光の学習用光情報と、
   子葉の学習用属性値を前記複数の学習用ストックの苗の中で順位付けして決定した学習用順位と、
   前記八重咲き苗か否かを表す正解データと、を含めるステップを含んでおり、
   前記教師データは、特定の前記対象ストックの苗における前記対象光情報および前記対象順位を前記学習済みモデルに入力することにより、特定の前記対象ストックの苗が前記八重咲き苗か否かを前記鑑別装置が判定する処理に用いられ、
   前記教師データの生成方法は、
   前記教師データに含まれる前記学習用光情報に、下記（１）または（２）を含めるステップを含んでいる、教師データの生成方法；
   （１）人工光が前記学習用ストックの苗で反射された第１反射光の第１学習用光情報、
   （２）前記第１学習用光情報、および、自然光が前記学習用ストックの苗で反射された第２反射光の第２学習用光情報。
9. 八重咲き苗を鑑別する前の複数の対象ストックの苗から前記八重咲き苗を鑑別するための鑑別方法であって、
   前記八重咲き苗か否かが判明した後の複数の学習用ストックの苗における、（ｉ）当該苗で反射された反射光の学習用光情報と、（ｉｉ）子葉の学習用属性値を前記複数の学習用ストックの苗の中で順位付けして決定した学習用順位と、（ｉｉｉ）前記八重咲き苗か否かを表す正解データと、を含む教師データを用いた機械学習により学習済みモデルが生成されており、
   前記複数の対象ストックの苗のそれぞれについて、当該苗で反射された反射光の対象光情報から子葉の対象属性値を取得し、当該対象属性値を前記複数の対象ストックの苗の中で順位付けして対象順位を決定する対象順位決定ステップと、
   特定の前記対象ストックの苗における前記対象光情報および前記対象順位を前記学習済みモデルに入力することにより、特定の前記対象ストックの苗が前記八重咲き苗か否かを判定する判定ステップと、を含み、
   前記教師データに含まれる前記学習用光情報は、下記（１）または（２）を含む、鑑別方法；
   （１）人工光が前記学習用ストックの苗で反射された第１反射光の第１学習用光情報、
   （２）前記第１学習用光情報、および、自然光が前記学習用ストックの苗で反射された第２反射光の第２学習用光情報。
10. 八重咲き苗を鑑別する前の複数の対象ストックの苗から前記八重咲き苗を鑑別するための鑑別装置に用いられる学習済みモデルの生成方法であって、
    前記八重咲き苗か否かが判明した後の複数の学習用ストックの苗における、（ｉ）当該苗で反射された反射光の学習用光情報と、（ｉｉ）子葉の学習用属性値と、（ｉｉｉ）前記八重咲き苗か否かを表す正解データと、を取得するデータ取得ステップと、
    前記複数の学習用ストックの苗のそれぞれについて、前記学習用属性値を前記複数の学習用ストックの苗の中で順位付けして学習用順位を決定する学習用順位決定ステップと、
    前記学習用光情報と前記正解データと前記学習用順位とが含まれたデータセットを教師データとして学習モデルに入力し、当該学習モデルを機械学習させることにより前記学習済みモデルを生成する生成ステップと、を含み、
    前記教師データに含まれる前記学習用光情報は、下記（１）または（２）を含む、生成方法；
    （１）人工光が前記学習用ストックの苗で反射された第１反射光の第１学習用光情報、
    （２）前記第１学習用光情報、および、自然光が前記学習用ストックの苗で反射された第２反射光の第２学習用光情報。

Images