JP7677633B2 - 状態推定システム、状態推定方法、給餌量決定システム、給餌量決定方法、学習済モデル生成装置、及び学習済モデル生成方法 - Google Patents

Description

本発明は、状態推定システム、状態推定方法、給餌量決定システム、給餌量決定方法、学習済モデル生成装置、及び学習済モデル生成方法に関する。

酪農家の高齢化や後継者不足により、日本の酪農家戸数および飼養頭数は減少傾向にある。一方、一戸当たりの飼養頭数は増加しており、酪農経営体の大規模化が進行し、一頭当たりの乳量も増加している。今後も安定した生乳生産量を維持するために、新規就農者の参入が望まれている。

乳牛飼養管理上、重要な点の一つである飼料設計については、日本飼養標準及びＮＲＣ（Ｎａｔｉｏｎａｌ Ｒｅｓｅａｒｃｈ Ｃｏｕｎｃｉｌ）飼養標準により飼料給与量の水準が示されている。しかしながら、放牧飼養管理では、牛に牧草を自由採食させることから、食草量を把握することは難しく、適切な補助飼料給与量の設計が困難である。また、経済的な観点から、過剰な飼料の給与は避けたいが、飼料給与量が適切でなければ牛の栄養不足や乳生産性の低下を招く危険性がある。

経験豊富な酪農家であれば、牛の腹部の張りや体の色つや等で判断できる可能性があるが、知識や経験の少ない新規就農者には管理が難しい場合がある。そのため、酪農家の経験に頼ることなくウシの栄養状態を把握し、飼養管理する技術の開発が求められている。

特許文献１～４には、ウシの歩行量又は顎の動きに基づいて、ウシの採食行動及び採食量を把握し、飼養管理に利用する技術が記載されている。また、ウシの行動をリアルタイムで監視する技術として、特許文献５には、ウシの移動軌跡データから、ウシの分娩、管理区域外への移動等を検知する技術が記載されている。

特開平１０－２１３６５５号公報 特開平１０－２６２４９８号公報 特開２００２－２６２７１２号公報 特開２００７－１７３９３０号公報 特開平１０－１６０８２０号公報

ウシの栄養状態は、ウシの採食行動や採食量だけでなく、牧草地の広さ、牧草の種類、牧草の成分含量等の飼育環境の影響も受ける。特許文献１～４に記載の技術のように、ウシの採食行動及び採食量に基づく飼養管理では、ウシの栄養状態を正確に把握することが困難であり、適切な飼養管理ができない場合がある。また、特許文献５に記載された技術は、ウシの行動をリアルタイムで監視することでウシの分娩や管理区域外への移動等を検知する技術であり、ウシの栄養状態を推定する技術ではない。

すなわち、本発明の一態様は、上記の課題を鑑みてなされたものであり、その目的は、家畜の栄養状態又は健康状態等の家畜の状態を推定する技術を提供することにある。

上記の課題を解決するために、本発明の一態様に係る状態推定システムは、家畜の位置軌跡を表す位置軌跡データと、当該家畜の状態を表す状態データとを教師データとして機械学習を行うことによって生成された学習済モデルを用いて、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の状態を推定する推定部を備えている。

本発明の一態様に係る状態推定方法は、家畜の位置軌跡を表す位置軌跡データと、当該家畜の状態を表す状態データとを教師データとして機械学習を行うことによって生成された学習済モデルを用いて、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の状態を推定する推定ステップを含む。

本発明の一態様に係る給餌量決定システムは、上記状態推定システムによって推定された前記家畜の状態を参照して、前記家畜への給餌量を決定する給餌量決定部を備えている。

本発明の一態様に係る給餌量決定方法は、上記状態推定方法によって推定された前記家畜の状態を参照して、前記家畜への給餌量を決定する給餌量決定ステップを含む。

本発明の一態様に係る学習済モデル生成装置は、家畜の位置軌跡を表す位置軌跡データと、当該家畜の状態を表す状態データとを教師データとして機械学習を行うことによって、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の状態を推定する学習済モデルを生成するモデル生成部を備えている。

本発明の一態様に係る学習済モデル生成方法は、家畜の位置軌跡を表す位置軌跡データと、当該家畜の状態を表す状態データとを教師データとして機械学習を行うことによって、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の状態を推定する学習済モデルを生成するモデル生成ステップを含む。

本発明の各態様に係る状態推定システム、給餌量決定システム、及び学習済モデル生成装置は、コンピュータによって実現してもよく、この場合、コンピュータをこれらのシステム及び装置が備える各部（ソフトウェア要素）として動作させることにより状態推定システム、給餌量決定システム、及び学習済モデル生成装置をコンピュータにて実現させる状態推定システム、給餌量決定システム、及び学習済モデル生成装置の制御プログラム、並びにそれを記憶したコンピュータ読み取り可能な記憶媒体も、本発明の範疇に入る。

本発明の一態様によれば、家畜の栄養状態又は健康状態等の家畜の状態を推定することができる。

本発明の一態様に係る栄養状態推定システムの要部構成を示すブロック図である。 本発明の一態様に係る栄養状態推定システムにおいて生成される位置軌跡データの一例を説明する図である。 本発明の一態様に係る学習済モデル生成装置において用いる教師データの一例を説明する図である。 本発明の一態様に係る栄養状態推定システムにおける栄養状態推定処理の流れを示すフロー図である。 本発明の一態様に係る学習済モデル生成装置における学習処理の流れを示すフロー図である。 本発明の一態様に係る給餌量決定システムの要部構成を示すブロック図である。

本発明者らは、家畜の位置軌跡と、当該家畜の状態との間に相関関係が存在すること、及び当該相関関係を機械学習させた学習済モデルを用いることによって、家畜の位置軌跡を表す位置軌跡データから、当該家畜の状態を推定することができることを見出し、本発明を完成させるに至った。

本発明の一態様に係る状態推定システムが推定することができる家畜の状態の例には、栄養状態、健康状態及び発情状態、並びにこれらの組み合わせが含まれるが、それらに限定されない。なお、本発明の一態様に係る状態推定システムが、家畜の状態として家畜の栄養状態を推定する場合、当該状態推定システムは栄養状態推定システムと呼ぶことができる。例示として、状態推定システムが栄養状態推定システムである、本発明の一態様について、以下に説明する。

本発明の一態様に係る栄養状態推定システムは、家畜の位置軌跡を表す位置軌跡データと、当該家畜の栄養状態を表す栄養状態データとを教師データとして機械学習を行うことによって生成された学習済モデルを用いて、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の栄養状態を推定する推定部を備えている。

栄養状態推定システムにおいて栄養状態を推定する対象は、ウシ、ブタ、ウマ、ヤギ、ヒツジ等の家畜である。乳牛及び肉牛を含むウシは、産業用途における飼育規模が大きいことから、栄養状態推定システムにより栄養状態を推定する対象として特に適している。家畜の飼育形態は特に限定されず、屋内飼育又は屋外飼育のいずれの飼育形態であってもよい。

〔栄養状態推定システム１００〕
図１は、本発明の一態様に係る栄養状態推定システム１００の要部構成を示すブロック図である。栄養状態推定システム１００は、栄養状態推定装置２０を備えている。栄養状態推定システム１００は、さらに、ユーザ端末１０、データ生成装置３０、及び学習済モデル生成装置４０を備えている。

ユーザ端末１０、栄養状態推定装置２０及びデータ生成装置３０は、通信手段を介して互いに通信可能に接続されて実装され得るか、又は一体的に実装され得る。通信手段は、有線ＬＡＮ及び無線ＬＡＮ等のＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）であってもよいし、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）であってもよい。

（ユーザ端末１０）
ユーザ端末１０は、ユーザから、栄養状態推定装置２０、データ生成装置３０、及び学習済モデル生成装置４０のうちの少なくとも１つへの入力信号を媒介する。また、ユーザ端末１０は、栄養状態推定装置２０、データ生成装置３０、及び学習済モデル生成装置４０のうちの少なくとも１つからユーザへの出力信号を媒介する。

ユーザ端末１０は、入力信号を媒介する操作部（図示せず）及び出力信号を媒介する表示部（図示せず）のうち少なくとも１つを備える。操作部は、例えば、キーボード、マウス、及びタッチパネル等の操作装置の形態にて実装され得る。表示部は、例えば、ディスプレイ等の表示装置、又はプリンタ等の印刷装置の形態にて実装され得る。操作部及び表示部は、スマートフォン、パーソナルコンピュータ等の情報処理装置の形態にて、一体的に実装されてもよい。

（栄養状態推定装置２０）
栄養状態推定装置２０は、家畜の位置軌跡を表す位置軌跡データから、当該家畜の栄養状態を推定する。栄養状態推定装置２０は、制御部２１及び記憶部２２を備えている。栄養状態推定装置２０は、パーソナルコンピュータ等の情報処理装置の形態にて実装され得る。

制御部２１は、栄養状態推定装置２０の各部を統括して制御するものであり、一例として、プロセッサ及びメモリにより実現される。この例において、プロセッサはストレージ（不図示）にアクセスし、ストレージに格納されているプログラム（不図示）をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部２１の各部が構成される。当該各部として、制御部２１は、取得部２３及び推定部２４を備えている。

取得部２３は、家畜の位置軌跡を表す位置軌跡データを取得する。取得部２３は、例えば、制御部２１に接続された無線又は有線の通信インターフェースの形態にて、実装され得る。取得部２３は、ユーザ端末１０、記憶部２２、データ生成装置３０のうち少なくとも１つから、入力データを取得する。取得部２３は、取得した入力データを推定部２４へと送信する。取得部２３が実行する処理は、制御部２１が備えるプロセッサによって、制御される。

推定部２４は、家畜の位置軌跡を表す位置軌跡データと、当該家畜の栄養状態を表す栄養状態データとを教師データとして機械学習を行うことによって生成された学習済モデルを用いて、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の栄養状態を推定する。推定部２４は、例えば、制御部２１が備えるメモリ上に実装され得る。一例として、推定部２４は、学習済モデル生成装置４０が生成した学習済モデルを用いて、家畜の位置軌跡データを入力として、家畜の栄養状態を推定する。推定部２４は、推定した家畜の栄養状態を表す栄養状態データを、ユーザ端末１０及び記憶部２２のうち少なくとも１つへと送信する。推定部２４が実行する処理は、制御部２１が備えるプロセッサによって、制御される。

記憶部２２は、栄養状態推定装置２０における処理のために必要なデータを記憶する。記憶部２２は例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）及びＲＯＭ（Ｒｅａｄ
Ｏｎｌｙ Ｍｅｍｏｒｙ）等の不揮発性メモリの形態にて、実装され得る。記憶部２２が実行する処理は、制御部２１が備えるプロセッサによって、制御される。記憶部２２は、栄養状態推定装置２０における処理を実現するためのプログラムのデータを記憶する。加えて、記憶部２２は、栄養状態推定システム１００内の他の構成要素から受信したデータを記憶する。記憶部２２は、学習済モデル生成装置４０が生成した学習済モデルを記憶する。

（データ生成装置３０）
データ生成装置３０は、位置軌跡データを生成する。データ生成装置３０は、制御部３１を備えている。データ生成装置３０は、パーソナルコンピュータ等の情報処理装置の形態にて実装され得る。

制御部３１は、データ生成装置３０の各部を統括して制御するものであり、一例として、プロセッサ及びメモリにより実現される。この例において、プロセッサはストレージ（不図示）にアクセスし、ストレージに格納されているプログラム（不図示）をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部３１の各部が構成される。当該各部として、制御部３１は、取得部３２及びデータ生成部３３を備えている。

取得部３２は、家畜の位置情報を取得する。取得部３２は、例えば、制御部３１に接続された無線又は有線の通信インターフェースの形態にて、実装され得る。取得部３２は、一例として、測定装置（図示せず）により測定された家畜の位置情報を取得する。取得部３２が実行する処理は、制御部３１が備えるプロセッサによって、制御される。

測定装置としては、例えば：ＧＮＳＳ（Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍ）、及びＷＬＡＮ（Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の測位システムの発信装置及び受信装置の組み合わせ；カメラ及びビデオカメラなどの撮像装置；加速度センサ；等が挙げられる。測位システムの発信装置及び受信装置の組み合わせにおいては、典型的には、発信装置は家畜に取り付けられ、受信装置は情報処理装置と通信可能に接続される。撮像装置の形態においては、典型的には、撮像装置は家畜を撮像可能に設置される。加速度センサの形態においては、典型的には、加速度センサは家畜に取り付けられる。なお、測定装置は、対象となる家畜の種類、及びその飼育形態に応じて、適宜に選択することができる。測定装置は、非侵襲的な測定が可能であるため、撮像装置であることが好ましい場合がある。

データ生成部３３は、取得部３２が取得した、所定期間継続して取得された家畜の位置情報を参照して、位置軌跡データを生成する。データ生成部３３は、例えば、メモリ等の記憶媒体と、当該記憶媒体によって記憶されたプログラムを実行するプロセッサとの組み合わせの形態にて、実装され得る。データ生成部３３は、生成した位置軌跡データを栄養状態推定装置２０又は学習済モデル生成装置４０へと送信する。

データ生成部３３は、従来公知の方法を用いて、家畜の位置情報の所定期間内の経時変化を参照して位置軌跡データを生成する。一例として、データ生成部３３は、撮像装置（図示せず）を用いて撮像された家畜の動画像に対して、家畜の体の特徴点を検出することができる物体検出アルゴリズム及び骨格検出アルゴリズムのうち少なくとも１つを適用することによって、二次元平面上に家畜の位置軌跡が投影された画像データ、すなわち位置軌跡データを生成してもよい。物体検出アルゴリズムとしては例えば、Ｙｏｌｏ（Ｙｏｕ
Ｏｎｌｙ Ｌｏｏｋ Ｏｎｃｅ）、Ｆａｓｔｅｒ Ｒ－ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＳＳＤ（Ｓｉｎｇｌｅ Ｓｈｏｔ Ｍｕｌｔｉｂｏｘ Ｄｅｔｅｃｔｏｒ）、及びＤＥＴＲ（ＤＥｔｅｃｔｉｏｎ ＴＲａｎｓｆｏｒｍｅｒ）等が挙げられる。骨格検出アルゴリズムとしては例えば、ＤｅｅｐＬａｂＣｕｔ、ＯｐｅｎＰｏｓｅ、ＤｅｅｐＰｏｓｅ、及びＤｅｅｐｅｒＣＵＴ等が挙げられる。

＜位置軌跡データ＞
位置軌跡データは、所定期間継続して取得された家畜の位置情報を含む家畜の位置軌跡を表すデータである。位置軌跡データは、家畜の個体毎に生成される。本明細書中で使用される場合、用語「家畜の位置軌跡」は、所定期間内に家畜の体の特徴点が通過した経路を意味する。家畜の体の特徴点としては、例えば、骨、関節、部位、及び部位の先端等の家畜の体の一部；家畜の体の重心；家畜の体に取り付けられた標識；これらの組み合わせ；等が挙げられる。家畜の体に取り付けられた標識としては、例えば、測位システムにおいて使用可能な発信装置、及び加速度センサ等が挙げられる。家畜の体の特徴点は、１つであってもよいし、複数の特徴点の組み合わせであってもよい。ユーザは、所望する情報に応じて、これらの特徴点を適宜に選択することができる。また、位置情報が取得される所定期間は特に限定されないが、３時間、６時間、１０時間、１２時間、２４時間、３６時間、４８時間等であり得る。

位置軌跡データは、当業者が、当該位置軌跡データを従来公知の方法を用いて参照することによって、家畜の位置軌跡を一意的に復元することができるデータであればよく、特に制限はない。位置軌跡データとしては、例えば：家畜の位置軌跡を表す画像データ；特徴点の位置と時間との対応関係を表す数値データ；特徴点の移動方向及び移動量を説明するテキストデータ；これらの組み合わせ；等が挙げられる。これらのデータの中でも、家畜の位置軌跡を表す画像データは、データの取得、加工、及び管理が容易であることから、好ましい。

ここで、データ生成部３３が生成する位置軌跡データの例について、図２を参照して説明する。図２は、本発明の一態様に係る栄養状態推定システムにおいて生成される位置軌跡データの一例を説明する図である。図２において、ＲＤ１は、家畜であるウシが牧草地にて放し飼いされている様子と、当該ウシの体の特徴点が所定の期間の間に通過した経路を示す黒線とを重ねて示す模式図である。図２に示すように、データ生成部３３は、ウシの体の特徴点が所定の期間の間に通過した経路を表す画像データである位置軌跡データＴＤ１を生成する。

家畜の位置軌跡を表す画像データは、従来公知の画像処理技術を利用して生成する事ができる。家畜の位置軌跡を二次元平面上に投影した二次元画像データであってもよいし、家畜の位置軌跡を三次元空間上に転写した三次元画像データであってもよい。また、画像データは、モノクロ画像データであってもよいし、カラー画像データであってもよい。位置軌跡データは、本発明の効果が損なわれない範囲において、変換及び圧縮等の補正に供されたデータであってもよい。

（学習済モデル生成装置４０）
学習済モデル生成装置４０は、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の栄養状態を推定する学習済モデルを生成する。学習済モデル生成装置４０は、制御部４１を備えている。学習済モデル生成装置４０は、パーソナルコンピュータ等の情報処理装置の形態にて実装され得る。

制御部４１は、学習済モデル生成装置４０の各部を統括して制御するものであり、一例として、プロセッサ及びメモリにより実現される。この例において、プロセッサはストレージ（不図示）にアクセスし、ストレージに格納されているプログラム（不図示）をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部４１の各部が構成される。当該各部として、制御部４１は、取得部４２及びモデル生成部４３を備えている。

取得部４２は、教師データを取得する。取得部４２は、データ生成装置３０が生成した位置軌跡データを取得し、当該位置軌跡データに対応付けられた家畜の栄養状態を表す栄養状態データと関連付けて教師データを生成する。取得部４２は、生成した教師データをモデル生成部４３へと送信する。

＜栄養状態データ＞
栄養状態データは、家畜の栄養状態を表すデータである。本明細書中で使用される場合、用語「家畜の栄養状態」は、家畜が摂取した栄養素の種類及び量のうち少なくとも１つに関する情報を意味する。栄養素の種類としては、例えば：タンパク質、炭水化物、脂質、繊維、ビタミン、及びミネラル等の物質；これらの物質から算出可能なパラメータ；等が挙げられる。パラメータとしては例えば、カロリー、及び可消化養分総量（ＴＤＮ：Ｔｏｔａｌ Ｄｉｇｅｓｔｉｂｌｅ Ｎｕｔｒｉｅｎｔｓ）等などが挙げられる。

栄養状態データは、家畜の栄養状態の充足率を表すデータであってもよい。家畜の栄養状態の充足率は、一例として、下記式（１）によって算出されるＴＤＮ充足率であり得る：
ＴＤＮ充足率＝ＴＤＮ供給量／ＴＤＮ必要量・・・（１）
式（１）中、ＴＤＮ供給量は、家畜が摂取した飼料の量と、単位量の当該飼料中に含まれるＴＤＮとの積を表す。ＴＤＮ必要量は、一例として、家畜の体重及び出産回数に応じて設定される当該家畜が通常の生産活動を行うために必要なＴＤＮを表す。

栄養状態データとしては、例えば、家畜の栄養状態を表す数値データ（充足率、栄養素量等）、栄養状態のクラスデータ（ｈｉｇｈ、ｌｏｗ等）等が挙げられる。栄養状態データは、家畜の個体毎に生成され得る。

＜教師データ＞
ここで、取得部４２が生成する教師データについて、図３を参照して説明する。図３は、本発明の一態様に係る学習済モデル生成装置において用いる教師データの一例を説明する図である。図３において、教師データＬＤ１は、番号データ、位置軌跡データ、及び栄養状態データを含む教師データである。番号データは、位置軌跡データと栄養状態データとを対応づけるラベルデータである。番号データの番号は、典型的には家畜の一個体に対応する。図３において、位置軌跡データは、家畜の位置軌跡を表す画像データである。当該画像データは、黒色の線と白色の余白から構成される。黒色の線は、二次元平面上に投影された家畜の位置軌跡を表す。白色の余白は、二次元平面上に投影された、家畜の体の特徴点が通過しなかった領域を表す。図３において、栄養状態データは、ＴＤＮ充足率に応じて決定されるクラスデータである。一例として、ＴＤＮ充足率が１００％以上である家畜の栄養状態は「ｈｉｇｈ」クラスに、ＴＤＮ充足率が１００％未満である家畜の栄養状態は「ｌｏｗ」クラスに分類する。

本実施形態において用いられる学習済モデルは、図３において例示される教師データＬＤ１を用いて構築された学習済モデルに限定されない。教師データは、例えば：体重、性別、年齢、及び出産回数等の家畜に関するデータ；放牧地面積、牧草の種類、天候、及び飼育形態等の飼育環境に関するデータ；等を含んでもよい。

モデル生成部４３は、取得部４２が取得した教師データを用いて、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の栄養状態を出力する学習済モデルを生成する。学習済モデルは、位置軌跡データと栄養状態データとの相関関係を機械学習させた学習済モデルである。モデル生成部４３は、例えば、制御部４１が備えるメモリ上に実装され得る。モデル生成部４３が実行する処理は、制御部４１が備えるプロセッサによって、制御される。モデル生成部４３は、生成した学習済モデルを栄養状態推定装置２０へと送信する。

学習済モデルは、従来公知の機械学習手法によって構築することができる。機械学習手法としては例えば：畳み込みニューラルネットワーク、及び再起型ニューラルネットワーク等のニューラルネットワーク；決定木、及びランダムフォレスト等の木；サポートベクトルマシン等の回帰；確率的勾配降下法；等が挙げられる。学習済モデルは、既存の学習済モデルを適用した転移学習手法により構築してもよい。一例として、学習済モデルは、家畜の栄養状態が「ｈｉｇｈ」クラスのデータを学習して構築した学習済モデルを、家畜の栄養状態が「ｌｏｗ」クラスのデータの学習に適用して構築する。すなわち、学習済モデルは、サンプル数の多いクラスのデータを用いて構築したモデルを、サンプル数の少ないクラスの学習に適用して転移学習手法により構築してもよい。

（栄養状態推定処理の流れ）
栄養状態推定システム１００の栄養状態推定装置２０が実行する栄養状態推定処理の流れ（栄養状態推定方法）について、図４を参照して説明する。図４は、本発明の一態様に係る栄養状態推定システム１００における栄養状態推定処理の流れを示すフロー図である。

まず、ステップＳ１１において、取得部２３は、データ生成装置３０が生成した位置軌跡データを取得する。取得部２３は、取得した位置軌跡データを推定部２４へと送信する。次に、推定部２４は、学習済モデル生成装置４０が生成した学習済モデルを取得する。そして、推定部２４は、位置軌跡データを学習済モデルに入力し、栄養状態データを取得する（ステップＳ１２、推定ステップ）。

ここで、学習済モデルに入力する入力データは、本発明の効果が損なわれない範囲において、位置軌跡データ以外の、他のデータを含んでもよい。他のデータとしては、例えば：体重、性別、年齢、及び出産回数等の家畜に関するデータ；放牧地面積、牧草の種類、天候、及び飼育形態等の飼育環境に関するデータ；等が挙げられる。

推定部２４は、出力された栄養状態データを推定結果として、ユーザ端末１０に出力し（ステップＳ１３）、栄養状態推定処理が終了する。なお、推定部２４は、栄養状態データが、充足率のような数値データである場合、当該数値データから、家畜の栄養状態が高い（ｈｉｇｈ）又は低い（ｌｏｗ）を判定し、その判定結果をユーザ端末１０に出力してもよい。

（学習済モデル生成処理の流れ）
学習済モデル生成装置４０が実行する学習済モデル生成処理の流れ（学習済モデル生成方法）について、図５を参照して説明する。図５は、本発明の一態様に係る学習済モデル生成装置における学習処理の流れを示すフロー図である。

まず、ステップＳ２１において、取得部４２は、位置軌跡データとこれに対応する栄養状態データとを含む教師データＬＤ１を取得する。取得部４２は、取得した教師データＬＤ１をモデル生成部４３へと送信する。次に、モデル生成部４３は、取得した教師データＬＤ１を用いて、位置軌跡データを入力として、栄養状態データを出力する学習済モデルを生成する（ステップＳ２２、モデル生成ステップ）。

モデル生成部４３は、生成した学習済モデルを栄養状態推定装置２０へと送信し（ステップＳ２２）、学習済モデル生成処理が終了する。

以上のように、本発明の一態様に係る栄養状態推定システムによれば、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の栄養状態を推定する学習済モデルを用いて、家畜の栄養状態を推定することができる。本発明の一態様に係る栄養状態推定システムによれば、家畜の採食行動及び採食量、家畜の飼育環境等を考慮しなくても、家畜の移動軌跡を取得するのみで、精度よく家畜の栄養状態を推定することができる。本発明の一態様に係る栄養状態推定システムによれば、家畜の栄養状態の推定に、ユーザの知識や経験は必要ないため、知識や経験の少ない新規就農者による飼養管理にも好適に利用され得る。

また、ある農場や家畜群に対して生成した学習済モデルを、他の農場や家畜群の栄養状態の推定に使用することが可能であり、一般化した学習済モデルを提供することもできる。さらに、栄養状態推定システムが利用する位置軌跡データとして、所定期間内の家畜の位置軌跡を一画像として表した画像データを用いることができるので、データの取得、加工及び管理が容易である。

〔給餌量決定システム〕
本発明の一態様に係る給餌量決定システムは、上述した本発明の一態様に係る栄養状態推定システム１００によって推定された家畜の栄養状態を参照して、家畜への給餌量を決定する給餌量決定部を備えている。

図６は、本発明の一態様に係る給餌量決定システム２００の要部構成を示すブロック図である。図６に示すように、給餌量決定システム２００は、図１の栄養状態推定システム１００と共に、給餌量決定装置５０を備えている。ユーザ端末１０、栄養状態推定装置２０、データ生成装置３０、及び学習済モデル生成装置４０と、給餌量決定装置５０とは、通信手段を介して互いに通信可能に接続されて実装され得るか、又は一体的に実装され得る。

（給餌量決定装置５０）
給餌量決定装置５０は、推定された家畜の栄養状態を参照して、家畜への給餌量を決定する。給餌量決定装置５０は、制御部５１を備えている。給餌量決定装置５０は、パーソナルコンピュータ等の情報処理装置の形態にて、実装され得る。

制御部５１は、給餌量決定装置５０の各部を統括して制御するものであり、一例として、プロセッサ及びメモリにより実現される。この例において、プロセッサはストレージ（不図示）にアクセスし、ストレージに格納されているプログラム（不図示）をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部５１の各部が構成される。当該各部として、制御部５１は、取得部５２及び給餌量決定部５３を備えている。

取得部５２は、栄養状態推定装置２０により推定された家畜の栄養状態のデータを取得する。取得部５２は、例えば、無線又は有線の通信インターフェースの形態にて、実装され得る。取得部５２が実行する処理は、制御部５１が備えるプロセッサによって、制御される。取得部５２は、取得した栄養状態のデータを給餌量決定部５３へと送信する。

給餌量決定部５３は、推定された家畜の栄養状態を参照して、家畜への給餌量を決定する。給餌量決定部５３は、例えば、制御部５１が備えるメモリ上に実装され得る。給餌量決定部５３が実行する処理は、制御部５１が備えるプロセッサによって、制御される。

給餌量決定部５３が、推定された家畜の栄養状態のデータを参照して、家畜への給餌量を決定する方法は、従来公知の方法であってよく、ユーザが適宜に選択可能である。当該方法として、例えば、推定された栄養状態と所定の基準とを用いた負のフィードバックを適用する方法等が挙げられる。

給餌量決定部５３は、決定した給餌量のデータを、給餌量決定装置５０が備える記憶部（図示せず）及びユーザ端末１０のうち少なくとも１つへと送信する。

以上のように、本発明の一態様に係る給餌量決定システムは、推定された家畜の栄養状態を参照して、家畜への給餌量を決定する。これによって、本発明の一態様に係る給餌量決定システムは、家畜の栄養状態に応じて、当該家畜の給餌量の決定を含む飼育管理を適切に行うことができる。その結果、家畜に由来する製品の品質向上、及び給餌コストの低減が見込まれる。

本発明の一態様に係る給餌量決定方法は、本発明の一態様に係る栄養状態推定方法によって推定された前記家畜の栄養状態を参照して、前記家畜への給餌量を決定する給餌量決定ステップを含む。すなわち、本発明の一態様に係る給餌量決定方法を実行するシステムの一例は、給餌量決定システム２００である。したがって、本発明の一態様に係る給餌量決定方法の詳細については、上述した本発明の一態様に係る給餌量決定システムの説明に準じる。

〔ソフトウェアによる実現例〕
栄養状態推定装置２０、データ生成装置３０、学習済モデル生成装置４０、及び給餌量決定装置５０の制御ブロック（特に制御部２１、制御部３１、制御部４１、及び制御部５１）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、栄養状態推定装置２０、データ生成装置３０、学習済モデル生成装置４０、及び給餌量決定装置５０は、各機能を実現するソフトウェアである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、上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、上記コンピュータにおいて、上記プロセッサが上記プログラムを上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。上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。上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、上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、上記プログラムは、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）を介して上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、上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。

〔変形例〕
栄養状態推定装置システムを、栄養状態推定装置と学習済モデル生成装置とを一体として含む栄養状態推定装置として実現してもよい。さらに、栄養状態推定装置システムを、栄養状態推定装置、データ生成装置、及び学習済モデル生成装置を一体として含む栄養状態推定装置として実現してもよい。

本発明は、上述した態様に限定されない。例えば、本発明の一態様は、上述した栄養状態推定システムにおいて、教師データとして、家畜の栄養状態を表す栄養状態データを用いる代わりに、家畜の健康状態を表す健康状態データを用いることで、家畜の健康状態を推定する、健康状態推定システムであってもよい。さらに、例えば、本発明の一態様は、上述した栄養状態推定システムにおいて、教師データとして、家畜の栄養状態を表す栄養状態データを用いる代わりに、家畜の発情状態を表す発情状態データを用いることで、家畜の発情状態を推定する、発情状態推定システムであってもよい。これらの態様は、家畜の状態と、当該家畜の位置軌跡との間に相関関係が存在することに起因する。すなわち、本発明の一態様に係る状態推定システムは、家畜の位置軌跡を表す位置軌跡データと、当該家畜の状態を表す状態データとを教師データとして機械学習を行うことによって生成された学習済モデルを用いて、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の状態を推定する推定部を備えている。状態推定システムが推定する家畜の状態は、家畜の栄養状態、又は家畜の健康状態であることが好ましい。

本発明の一態様に係る状態推定システムが健康状態推定システムである場合、当該健康状態推定システムは、家畜の位置軌跡を表す位置軌跡データと、当該家畜の健康状態を表す健康状態データとを教師データとして機械学習を行うことによって生成された学習済モデルを用いて、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の栄養状態を推定する推定部を備えている。健康状態データとしては、例えば、家畜の治療履歴を表すデータ、家畜の血液成分を表すデータ、及び家畜から得られる生乳に含まれる一般成分を表すデータ等が挙げられる。治療履歴としては、乳房炎、乳熱、食欲不振、ケトーシス、及び蹄病等の疾患の治療履歴が挙げられる。

本発明の一態様に係る状態推定システムが発情状態推定システムである場合、当該発情状態推定システムは、家畜の位置軌跡を表す位置軌跡データと、当該家畜の発情状態を表す発情状態データとを教師データとして機械学習を行うことによって生成された学習済モデルを用いて、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の発情状態を推定する推定部を備えている。発情状態データとしては、例えば、家畜の血中および乳中の性ホルモン濃度、ならびに、歩数計および加速度計などの各種センサによって収集される家畜の活動量およびスタンディング行動等が挙げられる。

本発明は、上述した各実施形態に限定されず、請求項に示した範囲で種々の変更が可能である。異なる実施形態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も、本発明の技術的範囲に含まれる。

本発明の一実施例について以下に説明する。

〔実施例１〕
本実施例において、ウシの位置軌跡データと、当該ウシの栄養状態データとの相関関係を機械学習させた学習済モデルを生成した。当該学習済モデルに対して位置軌跡データを入力することで出力される出力データを用いて、推定を行い、推定データの精度を評価した。

〔教師データの生成〕
４頭のウシ（乳牛）を第１群、４頭のウシ（乳牛）を第２群として、ランダムに割り当てた。第１群のウシそれぞれに対して、ＴＤＮ充足率が１１０％となる量の飼料を与えた。第２群のウシそれぞれに対して、ＴＤＮ充足率が８０％～９０％となる量の飼料を与えた。飼料を与えた後、各群のウシそれぞれにＧＮＳＳの発信装置を取り付け、牧草地（寸法：９０ｍ×２５０ｍ）にて１日、放牧した。各ウシに取り付けられた発信装置からのデータを参照して、各ウシの位置軌跡データをモノクロの画像データの形式で生成した。
栄養状態データとして、第１群のウシの位置軌跡データは「ｈｉｇｈ」、第２群のウシの位置軌跡データは「ｌｏｗ」としてラベル付けを行った。これによって、教師データを生成した。なお、ＴＤＮ充足率は、下記式（１）によって算出した：
ＴＤＮ充足率＝ＴＤＮ供給量／ＴＤＮ必要量・・・（１）
式（１）中、ＴＤＮ供給量は、家畜が摂取した飼料の量と、単位量の当該飼料中に含まれるＴＤＮとの積を表す。ＴＤＮ必要量は、家畜の体重及び出産回数に応じて設定される当該家畜が通常の代謝を行うために必要なＴＤＮを表す。

〔学習済モデルの生成〕
機械学習においては、オープンソフトウェアライブラリである「ＴｅｎｓｏｒＦｌｏｗ」（「ＴｅｎｓｏｒＦｌｏｗ」はＧｏｏｇｌｅ社の登録商標）を用いた。転移学習の１つである「ｒｅｔｒａｉｎ．ｐｙ」を用いて、本実施例の学習済モデル「ｌａｂｅｌ＿ｉｍａｇｅ．ｐｙ」を生成した。

〔入力データの生成、推定データの取得〕
教師データに含まれる位置軌跡データをランダムに選択することによって、入力データを生成した。学習済モデル「ｌａｂｅｌ＿ｉｍａｇｅ．ｐｙ」に対して、入力データを入力し、「ｈｉｇｈ」又は「ｌｏｗ」ラベルそれぞれに分類される尤度の数値データを出力データとして得た。「ｈｉｇｈ」及び「ｌｏｗ」ラベルのうち、尤度が高い方のラベルを推定データとして取得した。入力データの生成から、推定データの取得までの操作をそれぞれ独立して５回行った。

〔データセットの生成〕
〔教師データの生成〕から〔入力データの生成、推定データの取得〕までの操作をそれぞれ独立して２回行い、２つのデータセット（２０１９年、及び２０２０年）を生成した。また、各データセットの教師データを統合したデータを教師データとして、〔教師データの生成〕から〔入力データの生成、推定データの取得〕までの操作を行い、１つのデータセット（２０１９年＋２０２０年）を生成した。

〔評価〕
推定データのラベルと、入力データの位置軌跡データに対応する栄養状態データのラベルとが同じである確率を正解率（学習）として定義した。また、入力データとして、教師データに含まれる位置軌跡データとは異なるデータ（検証データ）を用いた場合の正解率を正解率（検証）として定義した。各データセットについて、正解率（学習）、及び正解率（検証）の評価結果を表１に示す。正解率（学習）及び正解率（検証）それぞれは、高い値であるほど、栄養状態推定システムによる推定の精度が高いことを示す。

表１に示す結果から、機械学習によって構築された学習済モデルに対して、家畜の位置軌跡を表す位置軌跡データを含む入力データを入力して得られる、家畜の栄養状態に関する出力データを用いて、家畜の栄養状態を推定する推定部を備える、栄養状態推定システムは、家畜の栄養状態を容易に推定することができることが分かった。

〔実施例２〕
本実施例において、ウシの位置軌跡データと、当該ウシの健康状態データとの相関関係を機械学習させた学習済モデルを生成した。当該学習済モデルに対して位置軌跡データを入力することで出力される出力データを用いて、推定を行い、推定データの精度を評価した。

〔教師データの生成〕
放牧飼育されているウシ（乳牛）５頭それぞれの１か月間の乳房炎、食欲不振及びケトーシスの治療履歴を参照して、治療履歴が少ない健常な時期のウシ５頭を第１群、及び、治療履歴が多い発病している時期のウシ５頭を第２群に、時期ごとに分類した。各ウシに取り付けられた発信装置からのデータを参照して、各ウシの位置軌跡データをモノクロの画像データの形式で生成した。健康状態データとして、第１群のウシの位置軌跡データは「ｇｏｏｄ」、第２群のウシの位置軌跡データは「ｂａｄ」としてラベル付けを行った。これによって、教師データを生成した。

〔学習済モデルの生成、入力データの生成、推定データの取得、データセットの生成〕
学習済モデルの生成、入力データの生成及び推定データの取得は、実施例１と同様に行った。データセットの生成は、１回のみ行った。

〔評価〕
データセットについて、正解率（学習）、及び正解率（検証）の評価結果を表２に示す。正解率（学習）及び正解率（検証）それぞれは、高い値であるほど、健康状態推定システムによる推定の精度が高いことを示す。

表２に示す結果から、機械学習によって構築された学習済モデルに対して、家畜の位置軌跡を表す位置軌跡データを含む入力データを入力して得られる、家畜の健康状態に関する出力データを用いて、家畜の健康状態を推定する推定部を備える、健康状態推定システムは、家畜の健康状態を容易に推定することができることが分かった。

本発明は、畜産分野に利用することができる。

２０ 栄養状態推定装置
２４ 推定部
３０ データ生成装置
３３ データ生成部
４０ 学習済モデル生成装置
４３ モデル生成部
５０ 給餌量決定装置
５３ 給餌量決定部
１００ 栄養状態推定システム
２００ 給餌量決定システム

Claims (8)

1. 家畜の位置軌跡を表す位置軌跡データと、当該家畜の状態を表す状態データとを教師データとして機械学習を行うことによって生成された学習済モデルを用いて、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の状態を推定する推定部を備え、
   前記家畜の状態は、家畜の栄養状態、又は家畜の健康状態であり、
   前記位置軌跡データは、家畜の位置軌跡を表す画像データを含む、
   状態推定システム。
2. 前記位置軌跡データと前記状態データとを教師データとして機械学習を行うことにより、前記学習済モデルを生成するモデル生成部をさらに備えた、請求項１に記載の状態推定システム。
3. 所定期間継続して取得された家畜の位置情報を参照して、前記位置軌跡データを生成するデータ生成部を備えた、請求項１又は２に記載の状態推定システム。
4. 家畜の位置軌跡を表す位置軌跡データと、当該家畜の状態を表す状態データとを教師データとして機械学習を行うことによって生成された学習済モデルを用いて、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の状態を推定する推定ステップを含み、
   前記家畜の状態は、家畜の栄養状態、又は家畜の健康状態であり、
   前記位置軌跡データは、家畜の位置軌跡を表す画像データを含む、
   状態推定方法。
5. 請求項１～３の何れか一項に記載の状態推定システムによって推定された前記家畜の状態を参照して、前記家畜への給餌量を決定する給餌量決定部を備えた、給餌量決定システム。
6. 請求項４に記載の状態推定方法によって推定された前記家畜の状態を参照して、前記家畜への給餌量を決定する給餌量決定ステップを含む、給餌量決定方法。
7. 家畜の位置軌跡を表す位置軌跡データと、当該家畜の状態を表す状態データとを教師データとして機械学習を行うことによって、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の状態を推定する学習済モデルを生成するモデル生成部を備え、
   前記家畜の状態は、家畜の栄養状態、又は家畜の健康状態であり、
   前記位置軌跡データは、家畜の位置軌跡を表す画像データを含む、
   学習済モデル生成装置。
8. 家畜の位置軌跡を表す位置軌跡データと、当該家畜の状態を表す状態データとを教師データとして機械学習を行うことによって、家畜の位置軌跡を表す位置軌跡データを入力として、当該家畜の状態を推定する学習済モデルを生成するモデル生成ステップを含み、
   前記家畜の状態は、家畜の栄養状態、又は家畜の健康状態であり、
   前記位置軌跡データは、家畜の位置軌跡を表す画像データを含む、
   学習済モデル生成方法。

Images