特開 2022-111449 画像取得装置、ランク推定装置、枝肉横断画像出力装置、画像取得方法、ランク推定方法、枝肉横断画像出力方法、およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022111449

(43)【公開日】2022-08-01

(54)【発明の名称】画像取得装置、ランク推定装置、枝肉横断画像出力装置、画像取得方法、ランク推定方法、枝肉横断画像出力方法、およびプログラム

(51)【国際特許分類】

   A61B 8/00 20060101AFI20220725BHJP

   G01N 33/12 20060101ALI20220725BHJP

   A01K 29/00 20060101ALI20220725BHJP

【ＦＩ】

A61B8/00

G01N33/12

A01K29/00 D

【審査請求】未請求

【請求項の数】16

【出願形態】ＯＬ

(21)【出願番号】P 2021006874

(22)【出願日】2021-01-20

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＴＥＮＳＯＲＦＬＯＷ

(71)【出願人】

【識別番号】504300088

【氏名又は名称】国立大学法人北海道国立大学機構

(71)【出願人】

【識別番号】521029508

【氏名又は名称】株式会社ＭＩＪ ｌａｂｏ

(71)【出願人】

【識別番号】391041062

【氏名又は名称】福島県

(74)【代理人】

【識別番号】100115749

【弁理士】

【氏名又は名称】谷川 英和

(72)【発明者】

【氏名】口田 圭吾

(72)【発明者】

【氏名】小峰 央志

(72)【発明者】

【氏名】石川 雄治

(72)【発明者】

【氏名】原 恵

(72)【発明者】

【氏名】齋藤 大士

【テーマコード（参考）】

4C601

【Ｆターム（参考）】

4C601EE11

4C601JC06

4C601KK33

4C601LL14

4C601LL21

(57)【要約】

【課題】従来、牛生体の早期の肉質判断が困難であった。
【解決手段】２以上の各牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像と牛の肉質のランクを示すランク情報とを有する２以上の教師データに対して、機械学習の学習処理により得られた学習モデルが格納されるモデル格納部から学習モデルを取得するモデル取得部と、一の牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像を受け付ける画像受付部と、前記画像受付部が受け付けた１以上の超音波画像と前記モデル取得部が取得した学習モデルとを用いて、機械学習の予測処理を行い、ランク情報を取得する予測部と、前記予測部が取得した前記ランク情報を出力する出力部とを具備するランク推定装置により、牛生体の早期の肉質判断が可能となる。
【選択図】図３

【特許請求の範囲】

【請求項1】

牛生体の所定領域に対して発せられた超音波を用いて、略６０から略８０のゲインにより１以上の超音波画像を取得する画像取得部と、
前記１以上の超音波画像を蓄積する画像蓄積部とを具備する画像取得装置。

【請求項2】

前記所定領域は、牛生体の前足の後部閾値以内の範囲の胴部の領域である、請求項１記載の画像取得装置。

【請求項3】

２以上の各牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像と牛の肉質のランクを示すランク情報とを有する２以上の教師データに対して、機械学習の学習処理により得られた学習モデルが格納されるモデル格納部から学習モデルを取得するモデル取得部と、
一の牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像を受け付ける画像受付部と、
前記画像受付部が受け付けた１以上の超音波画像と前記モデル取得部が取得した学習モデルとを用いて、機械学習の予測処理を行い、ランク情報を取得する予測部と、
前記予測部が取得した前記ランク情報を出力する出力部とを具備するランク推定装置。

【請求項4】

前記教師データは、
牛生体の２以上の各箇所に対して発せられた超音波を用いて得られた２以上の超音波画像からなる画像セットとランク情報とを有する、請求項３記載のランク推定装置。

【請求項5】

前記超音波画像には、箇所を識別する箇所識別子が対応付いており、
前記教師データは、箇所識別子をも有する、請求項４記載のランク推定装置。

【請求項6】

前記教師データは、
牛生体の所定領域に対して発せられた超音波を用いて、２以上の各ゲインにより得られた２以上の超音波画像からなる画像セットとランク情報とを有する、請求項３から請求項５いずれか一項に記載のランク推定装置。

【請求項7】

前記超音波画像には、ゲインを識別するゲイン識別子が対応付いており、
前記教師データは、ゲイン識別子をも有する、請求項６記載のランク推定装置。

【請求項8】

前記超音波画像は、請求項１または請求項２記載の画像取得装置が蓄積した超音波画像である、請求項３から請求項７いずれか一項に記載のランク推定装置。

【請求項9】

一の牛のランク情報であり、請求項３から請求項８いずれか一項に記載のランク推定装置が取得したランク情報を取得するランク取得部と、
前記一の牛の１以上の牛生体パラメータを取得するパラメータ取得部と、
前記ランク取得部が取得したランク情報と前記パラメータ取得部が取得した１以上の牛生体パラメータとを有するパラメータ集合を用いて、ランク情報と１以上の牛生体パラメータとを有するパラメータ集合に対応付いた１以上の枝肉横断画像が格納されている枝肉横断画像格納部の中の１以上の枝肉横断画像であり、近似条件を満たすパラメータ集合に対応付く１以上の枝肉横断画像を取得する枝肉横断画像取得部と、
前記枝肉横断画像取得部が取得した１以上の枝肉横断画像を出力する枝肉横断画像出力部とを具備する枝肉横断画像出力装置。

【請求項10】

前記パラメータ取得部は、
前記一の牛の所定領域に対して発せられた超音波を用いて、取得された超音波画像に対して、画像認識処理を行い、前記１以上の牛生体パラメータを取得する、請求項９記載の枝肉横断画像出力装置。

【請求項11】

画像取得部と、画像蓄積部とにより実現される画像取得方法であって、
前記画像取得部が、牛生体の所定領域に対して発せられた超音波を用いて、略６０から略８０のゲインにより１以上の超音波画像を取得する画像取得ステップと、
前記画像蓄積部が、前記１以上の超音波画像を蓄積する画像蓄積ステップとを具備する画像取得方法。

【請求項12】

モデル取得部と、画像受付部と、予測部と、出力部とにより実現されるランク推定方法であって、
前記モデル取得部が、２以上の各牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像と牛の肉質のランクを示すランク情報とを有する２以上の教師データに対して、機械学習の学習処理により得られた学習モデルが格納されるモデル格納部から学習モデルを取得するモデル取得ステップと、
前記画像受付部が、一の牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像を受け付ける画像受付ステップと、
前記予測部が、前記画像受付ステップで受け付けられた１以上の超音波画像と前記モデル取得部が取得した学習モデルとを用いて、機械学習の予測処理を行い、ランク情報を取得する予測ステップと、
前記出力部が、前記予測ステップで取得された前記ランク情報を出力する出力ステップとを具備するランク推定方法。

【請求項13】

ランク情報と１以上の牛生体パラメータとを有するパラメータ集合に対応付いた１以上の枝肉横断画像が格納されている枝肉横断画像格納部と、ランク取得部と、パラメータ取得部と、枝肉横断画像取得部と、枝肉横断画像出力部とにより実現される枝肉横断画像出力方法であって、
前記ランク取得部が、一の牛のランク情報であり、請求項３から請求項８いずれか一項に記載のランク推定装置が取得したランク情報を取得するランク取得ステップと、
前記パラメータ取得部が、前記一の牛の１以上の牛生体パラメータを取得するパラメータ取得ステップと、
前記枝肉横断画像取得部が、前記ランク取得ステップで取得されたランク情報と前記パラメータ取得ステップで取得された１以上の牛生体パラメータとを有するパラメータ集合を用いて、前記枝肉横断画像格納部の中の１以上の枝肉横断画像であり、近似条件を満たすパラメータ集合に対応付く１以上の枝肉横断画像を取得する枝肉横断画像取得ステップと、
前記枝肉横断画像出力部が、前記枝肉横断画像取得部が取得した１以上の枝肉横断画像を出力する枝肉横断画像出力ステップを具備する枝肉横断画像出力方法。

【請求項14】

コンピュータを、
牛生体の所定領域に対して発せられた超音波を用いて、略６０から略８０のゲインにより１以上の超音波画像を取得する画像取得部と、
前記１以上の超音波画像を蓄積する画像蓄積部として機能させるためのプログラム。

【請求項15】

コンピュータを、
２以上の各牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像と牛の肉質のランクを示すランク情報とを有する２以上の教師データに対して、機械学習の学習処理により得られた学習モデルが格納されるモデル格納部から学習モデルを取得するモデル取得部と、
一の牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像を受け付ける画像受付部と、
前記画像受付部が受け付けた１以上の超音波画像と前記モデル取得部が取得した学習モデルとを用いて、機械学習の予測処理を行い、ランク情報を取得する予測部と、
前記予測部が取得した前記ランク情報を出力する出力部として機能させるためのプログラム。

【請求項16】

コンピュータを、
一の牛のランク情報であり、請求項３から請求項８いずれか一項に記載のランク推定装置が取得したランク情報を取得するランク取得部と、
前記一の牛の１以上の牛生体パラメータを取得するパラメータ取得部と、
前記ランク取得部が取得したランク情報と前記パラメータ取得部が取得した１以上の牛生体パラメータとを有するパラメータ集合を用いて、ランク情報と１以上の牛生体パラメータとを有するパラメータ集合に対応付いた１以上の枝肉横断画像が格納されている枝肉横断画像格納部の中の１以上の枝肉横断画像であり、近似条件を満たすパラメータ集合に対応付く１以上の枝肉横断画像を取得する枝肉横断画像取得部と、
前記枝肉横断画像取得部が取得した１以上の枝肉横断画像を出力する枝肉横断画像出力部として機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、牛生体から取得した超音波画像を用いて、牛の肉質のランクを推定するランク推定等に関するものである。

【背景技術】

【0002】

現在、牛脂肪交雑は１～１２段階で評価されるものであり、枝肉単価に大きな影響を与えている。生体の状態で脂肪交雑の状態が把握できると、それ以降の生産の効率化につながる。例えば、２０か月齢で、脂肪交雑がある程度レベル以下の場合は、平均以下の枝肉となって仕上がることが予想される。黒毛和種の肥育には１日当たり５００円の餌代のコストがかかるため、そのような牛は通常よりも数か月といったレベルで早期に出荷することがコストの削減につながる。

【0003】

一方、超音波画像から脂肪交雑の状態を読影することによる肉質の判定に関して、１９９０年代に富士平工業が「スーパーアイミート」を発売したころより本格化され、各県に導入されるに至った（非特許文献１）。

【先行技術文献】

【非特許文献】

【0004】

【非特許文献1】福島県、“スーパーアイミートによる生体肉質診断が実施されました！”、［online］、［令和３年１月６日検索］、インターネット［URL：https://www.pref.fukushima.lg.jp/sec/36242a/kitakata226.html］

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、従来、超音波画像から脂肪交雑の状態を読影するには、熟練した技術を要するため、誰もができるものではなかった。つまり、従来、牛生体の早期の肉質判断が容易ではなかった。

【課題を解決するための手段】

【0006】

本第一の発明の画像取得装置は、牛生体の所定領域に対して発せられた超音波を用いて、略６０から略８０のゲインにより１以上の超音波画像を取得する画像取得部と、１以上の超音波画像を蓄積する画像蓄積部とを具備する画像取得装置である。

【0007】

かかる構成により、牛生体の早期の肉質判断が可能となる画像が得られる。

【0008】

また、本第二の発明の画像取得装置は、第一の発明に対して、所定領域は、牛生体の前足の後部閾値以内の範囲の胴部の領域である、画像取得装置である。

【0009】

かかる構成により、牛生体の早期の肉質判断が可能となる画像が得られる。

【0010】

また、本第三の発明のランク推定装置は、２以上の各牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像と牛の肉質のランクを示すランク情報とを有する２以上の教師データに対して、機械学習の学習処理により得られた学習モデルが格納されるモデル格納部から学習モデルを取得するモデル取得部と、一の牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像を受け付ける画像受付部と、画像受付部が受け付けた１以上の超音波画像とモデル取得部が取得した学習モデルとを用いて、機械学習の予測処理を行い、ランク情報を取得する予測部と、予測部が取得したランク情報を出力する出力部とを具備するランク推定装置である。

【0011】

かかる構成により、牛生体の早期の肉質判断を行うためのランク情報が得られる。

【0012】

また、本第四の発明のランク推定装置は、第三の発明に対して、教師データは、牛生体の２以上の各箇所に対して発せられた超音波を用いて得られた２以上の超音波画像からなる画像セットとランク情報とを有する、ランク推定装置である。

【0013】

かかる構成により、牛生体の早期の肉質判断を行うためのより正確なランク情報が得られる。

【0014】

また、本第五の発明のランク推定装置は、第四の発明に対して、超音波画像には、箇所を識別する箇所識別子が対応付いており、教師データは、箇所識別子をも有する、ランク推定装置である。

【0015】

かかる構成により、牛生体の早期の肉質判断を行うためのより正確なランク情報が得られる。

【0016】

また、本第六の発明のランク推定装置は、第三から第五いずれか１つの発明に対して、教師データは、牛生体の所定領域に対して発せられた超音波を用いて、２以上の各ゲインにより得られた２以上の超音波画像からなる画像セットとランク情報とを有する、ランク推定装置である。

【0017】

かかる構成により、牛生体の早期の肉質判断を行うためのより正確なランク情報が得られる。

【0018】

また、本第七の発明のランク推定装置は、第六の発明に対して、超音波画像には、ゲインを識別するゲイン識別子が対応付いており、教師データは、ゲイン識別子をも有する、ランク推定装置である。

【0019】

かかる構成により、牛生体の早期の肉質判断を行うためのより正確なランク情報が得られる。

【0020】

また、本第八の発明のランク推定装置は、第一または第二の発明に対して、超音波画像は、画像取得装置が蓄積した超音波画像である、請求項３から請求項７いずれか一項に記載のランク推定装置である。

【0021】

かかる構成により、牛生体の早期の肉質判断を行うためのランク情報が得られる。

【0022】

また、本第九の発明の枝肉横断画像出力装置は、一の牛のランク情報であり、第三から第八いずれか１つの発明のランク推定装置が取得したランク情報を取得するランク取得部と、一の牛の１以上の牛生体パラメータを取得するパラメータ取得部と、ランク取得部が取得したランク情報とパラメータ取得部が取得した１以上の牛生体パラメータとを有するパラメータ集合を用いて、ランク情報と１以上の牛生体パラメータとを有するパラメータ集合に対応付いた１以上の枝肉横断画像が格納されている枝肉横断画像格納部の中の１以上の枝肉横断画像であり、近似条件を満たすパラメータ集合に対応付く１以上の枝肉横断画像を取得する枝肉横断画像取得部４５と、枝肉横断画像取得部４５が取得した１以上の枝肉横断画像を出力する枝肉横断画像出力部４６とを具備する枝肉横断画像出力装置である。

【0023】

かかる構成により、牛の将来の予測される枝肉横断画像が得られる。

【0024】

また、本第十の発明の枝肉横断画像出力装置は、第九の発明に対して、パラメータ取得部は、一の牛の所定領域に対して発せられた超音波を用いて、取得された超音波画像に対して、画像認識処理を行い、１以上の牛生体パラメータを取得する、枝肉横断画像出力装置である。

【0025】

かかる構成により、牛の将来の予測される枝肉横断画像が簡易に得られる。

【発明の効果】

【0026】

本発明による画像取得装置によれば、牛生体の早期の肉質判断が可能となる。

【図面の簡単な説明】

【0027】

【図1】実施の形態１における牛情報処理システムＡの構成図

【図2】同牛情報処理システムＡのブロック図

【図3】同ランク推定装置３のブロック図

【図4】同枝肉横断画像出力装置４のブロック図

【図5】同画像取得装置１の動作例について説明するフローチャート

【図6】同ランク推定装置３の動作例について説明するフローチャート

【図7】同枝肉横断画像出力装置４の動作例について説明するフローチャート

【図8】同ランク取得処理の例について説明するフローチャート

【図9】同牛生体パラメータ取得処理の第一の例について説明するフローチャート

【図10】同牛生体パラメータ取得処理の第二の例について説明するフローチャート

【図11】同超音波画像を取得する領域を説明する図

【図12】同超音波画像の例を示す図

【図13】同超音波画像の例を示す図

【図14】同教師データ管理表を示す図

【図15】同ＢＭＳナンバーの予測処理の概念を示す図

【図16】同枝肉横断画像格納部４１の枝肉横断画像を示す図

【図17】同超音波画像の例を示す図

【図18】同出力例を示す図

【図19】同コンピュータシステムの概観図

【図20】同コンピュータシステムのブロック図

【発明を実施するための形態】

【0028】

以下、画像取得装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。

【0029】

（実施の形態１）
本実施の形態において、牛生体から６０ｄＢ～８０ｄＢの間のゲインによる超音波画像を取得し、蓄積する画像取得装置について説明する。なお、超音波画像を取得する領域は、牛生体の前足の後部の閾値以内の範囲の胴部であることは好適である。

【0030】

また、本実施の形態において、１以上の超音波画像を用いて、ランク情報を推定するために使用する学習モデルを構築する学習装置について説明する。

【0031】

また、本実施の形態において、１以上の超音波画像とランク情報とを有する２以上の教師データを学習して構成した学習モデルと、１以上の超音波画像とを用いて、ランク情報を推定するランク推定装置について説明する。

【0032】

さらに、本実施の形態において、ランク情報と、僧帽筋の厚さ、皮下脂肪の厚さ、広背筋の厚さ等の１以上の牛生体パラメータとを用いて、１以上の枝肉横断画像を取得し、出力する枝肉横断画像出力装置について説明する。

【0033】

図１は、本実施の形態における牛情報処理システムＡの構成図である。牛情報処理システムＡは、画像取得装置１、学習装置２、ランク推定装置３、および枝肉横断画像出力装置４を備える。なお、牛情報処理システムＡを構成する２以上の装置が、一体に構成されていても良い。例えば、学習装置２、ランク推定装置３、および枝肉横断画像出力装置４は、一体の装置でも良い。

【0034】

また、画像取得装置１、学習装置２、ランク推定装置３、および枝肉横断画像出力装置４は、インターネット等のネットワークにより、通信可能でも良い。

【0035】

図２は、本実施の形態における牛情報処理システムＡのブロック図である。図３は、ランク推定装置３のブロック図である。図４は、枝肉横断画像出力装置４のブロック図である。

【0036】

画像取得装置１は、画像格納部１１、受付部１２、画像取得部１３、および画像蓄積部１４を備える。

【0037】

学習装置２は、学習格納部２１、学習受付部２２、および学習処理部２３を備える。学習格納部２１は、教師データ格納部２１１、およびモデル格納部２１２を備える。学習処理部２３は、学習部２３１、および学習蓄積部２３２を備える。

【0038】

ランク推定装置３は、格納部３１、受付部３２、処理部３３、および出力部３４を備える。格納部３１は、モデル格納部２１２、および画像格納部３１１を備える。受付部３２は、画像受付部３２１を備える。処理部３３は、モデル取得部３３１、および予測部３３２を備える。

【0039】

枝肉横断画像出力装置４は、枝肉横断画像格納部４１、受付部４２、ランク取得部４３、パラメータ取得部４４、枝肉横断画像取得部４５、および枝肉横断画像出力部４６を備える。

【0040】

画像取得装置１を構成する画像格納部１１には、１または２以上の超音波画像が格納される。超音波画像は、超音波をあてた箇所を識別する箇所識別子が対応付いていることは好適である。超音波画像は、ゲインを識別するゲイン識別子が対応付いていることは好適である。

【0041】

受付部１２は、各種の指示や情報を受け付ける。各種の指示や情報は、画像取得指示、ゲイン識別子、箇所識別子である。画像取得指示は、超音波画像を取得する指示である。画像取得指示は、ゲイン識別子、箇所識別子を有しても良い。

【0042】

画像取得部１３は、牛生体の所定領域に対して発せられた超音波を用いて、１または２以上の超音波画像を取得する。画像取得部１３は、公知技術であるので、詳細な説明を省略する。

【0043】

画像取得部１３は、牛生体の所定領域に対して発せられた超音波を用いて、略６０から略８０の間のゲインにより１または２以上の超音波画像を取得することは好適である。

【0044】

画像取得部１３は、牛の２以上の箇所の超音波画像を取得することは好適である。例えば、画像取得部１３は、牛の４つの箇所の超音波画像を取得する。

【0045】

画像取得部１３は、２以上のゲインを用いて、２以上の超音波画像を取得することは好適である。例えば、画像取得部１３は、２段階の各ゲインの超音波画像を取得する。

【0046】

例えば、画像取得部１３は、牛の４つの各箇所に対して、２段階の各ゲインを用いて、８つの超音波画像を取得する。

【0047】

なお、所定領域は、牛生体の前足の後部の閾値以内の範囲の胴部の領域であることは好適である。かかる所定領域は、牛生体の肩甲骨の直ぐ後部の閾値以内の範囲の胴部の領域である。

【0048】

画像取得部１３は、例えば、１以上の各箇所について、略６０ｄＢから略８０ｄＢの間の固定値（例えば、７４ｄＢ）のゲインにより超音波画像を取得し、次に、ユーザからの指示または自動的にゲインを連続的に下げていき、像がクリアになったところで撮影し、超音波画像を取得する。なお、ここでのゲインは、最大感度を、便宜上、１００ｄＢと表現した場合の増幅度を示す情報である。つまり、ここでのゲインは、最大１００で、正規化された増幅度を示す情報である。また、像がクリアになったとの判断は、人が行っても良いし、画像処理により自動的に行われても良い。

【0049】

画像蓄積部１４は、画像取得部１３が取得した１以上の超音波画像を蓄積する。画像蓄積部１４は、画像取得部１３が取得した１以上の超音波画像を、当該超音波画像を取得する際のゲインを識別するゲイン識別子と対にして蓄積することは好適である。画像蓄積部１４は、画像取得部１３が取得した１以上の超音波画像を、超音波をあてた箇所を特定する箇所識別子と対にして蓄積することは好適である。なお、箇所識別子は、通常、ユーザにより入力される。

【0050】

画像蓄積部１４は、画像取得部１３が取得した１以上の超音波画像を、通常、画像格納部１１に蓄積する。ただし、画像蓄積部１４は、外部の装置に、１以上の超音波画像を蓄積しても良い。

【0051】

学習装置２を構成する学習格納部２１には、各種の情報が格納される。各種の情報は、例えば、後述する教師データ、後述する学習モデルである。

【0052】

教師データ格納部２１１には、２以上の教師データが格納される。教師データは、例えば、１または２以上の超音波画像とランク情報とを有する。教師データは、一つの超音波画像とランク情報だけでも良い。教師データは、例えば、１または２以上の各超音波画像から取得される１以上の特徴量とランク情報とを有する。教師データは、例えば、１または２以上の各超音波画像から取得される１以上の特徴量と１または２以上の超音波画像とランク情報とを有する。特徴量は、例えば、後述する牛生体パラメータである。特徴量は、例えば、画像の公知の特徴量でも良い。

【0053】

教師データが有する超音波画像は、当該超音波画像の対象の箇所を識別する箇所識別子が対応付いていることは好適である。箇所は、牛生体の箇所であり、超音波が発せられた箇所である。箇所は、観測対象の箇所である。箇所識別子が対応付いていることは、教師データが箇所識別子を有することでも良い。

【0054】

教師データが有する超音波画像は、当該超音波画像を得る際のゲインを識別するゲイン識別子が対応付いていることは好適である。また、当該ゲインは、略６０から略８０の間であることは好適である。当該ゲインは、例えば、７４、７１、６７、６６（単位は「ｄＢ」）である。超音波画像にゲイン識別子が対応付いていることは、教師データがゲイン識別子を有することでも良い。

【0055】

教師データは、２以上の超音波画像の組である画像セットを有しても良い。画像セットを構成する２以上の超音波画像は、牛生体の２以上の各箇所に対して発せられた超音波を用いて得られた２以上の超音波画像であることは好適である。画像セットを構成する２以上の超音波画像は、牛生体の所定領域に対して発せられた超音波を用いて、２以上の各ゲインにより得られた２以上の超音波画像であることは好適である。

【0056】

画像セットを構成する２以上の超音波画像は、例えば、牛の所定領域の中の４箇所を対象とした超音波画像であり、箇所ごとに、２段階のゲイン（例えば、７４、６６）で各々取得された超音波画像である。かかる場合、画像セットを構成する超音波画像の数は、８である。

【0057】

ランク情報とは、牛の肉質のランクを示す情報である。ランク情報は、例えば、ＢＭＳナンバーである。但し、ランク情報は、例えば、等級であっても良く、問わない。ランク情報は、将来的に使用されることとなった情報であり、ランクを示す情報でも良い。

【0058】

モデル格納部２１２には、学習モデルが格納される。学習モデルは、学習器、分類器等と言っても良い。学習モデルは、１以上の超音波画像とともに、機械学習の予測処理に用いられ、ランク情報を出力するための情報である。学習モデルは、例えば、後述する学習部２３１が取得する情報である。

【0059】

学習受付部２２は、各種の指示や情報等を受け付ける。各種の指示や情報等は、例えば、学習指示、教師データである。学習指示は、学習の開始指示である。

【0060】

各種の指示や情報等の入力手段は、タッチパネルやキーボードやマウスやメニュー画面によるもの等、何でも良い。

【0061】

学習処理部２３は、各種の処理を行う。各種の処理は、例えば、学習部２３１、学習蓄積部２３２が行う処理である。

【0062】

学習部２３１は、機械学習の学習処理を行う。学習部２３１は、教師データ格納部２１１の２以上の教師データに対して、機械学習の学習処理を行い、学習モデルを取得する。さらに具体的には、学習部２３１は、教師データ格納部２１１から２以上の教師データを取得し、当該２以上の教師データを機械学習の学習処理を行うモジュールに与え、当該モジュールを実行し、学習モデルを取得する。

【0063】

学習部２３１は、学習処理の前に、教師データが有する各超音波画像から１以上の牛生体パラメータを取得しても良い。かかる場合、学習部２３１は、例えば、１以上の牛生体パラメータと超音波画像とランク情報とを有する２以上の教師データに対して、機械学習の学習処理を行い、学習モデルを取得しても良い。なお、超音波画像から１以上の牛生体パラメータを取得する処理は、後述するパラメータ取得部４４が行う処理である。

【0064】

学習部２３１は、学習処理の前に、教師データが有する各超音波画像から画像の１以上の特徴量を取得しても良い。かかる場合、学習部２３１は、例えば、１以上の特徴量と超音波画像とランク情報とを有する２以上の教師データに対して、機械学習の学習処理を行い、学習モデルを取得しても良い。かかる場合、学習部２３１は、例えば、１以上の特徴量とランク情報とを有する２以上の教師データに対して、機械学習の学習処理を行い、学習モデルを取得しても良い。

【0065】

ここで使用する機械学習のアルゴリズムは問わない。機械学習の学習処理を行うアルゴリズムは、深層学習が好適であるが、例えば、決定木、ランダムフォレスト、ＳＶＭ、ＳＶＲ等でも良く、機械学習の種類は問わない。また、学習モデルは、１以上の超音波画像を入力として、ランク情報を出力するためのモデルである。

【0066】

また、機械学習の学習処理を行うモジュールは、例えば、ＴｅｎｓｏｒＦｌｏｗのライブラリの中の各種の関数、Ｒ言語のｒａｎｄｏｍ ｆｏｒｅｓｔのモジュール、ｔｉｎｙＳＶＭ等である。

【0067】

学習蓄積部２３２は、学習部２３１が取得した学習モデルを蓄積する。学習蓄積部２３２は、通常、学習部２３１が取得した学習モデルをモデル格納部２１２に蓄積する。

【0068】

ランク推定装置３を構成する格納部３１には、各種の情報が格納される。各種の情報は、例えば、学習モデル、１以上の超音波画像である。ここでの学習モデルは、学習装置２が取得したモデルであることは好適である。

【0069】

画像格納部３１１には、１以上の超音波画像が格納される。画像格納部３１１には、通常、一の牛生体の１以上の超音波画像が格納される。１以上の超音波画像は、ランク情報を取得する対象の牛の超音波画像である。

【0070】

画像格納部３１１には、生体識別子に対応付く１以上の超音波画像が格納されていても良い。つまり、画像格納部３１１には、２以上の各牛の超音波画像が格納されていても良い。

【0071】

受付部３２は、各種の指示や情報を受け付ける。各種の指示や情報とは、例えば、予測指示、１以上の超音波画像である。

【0072】

各種の指示や情報の入力手段は、タッチパネルやキーボードやマウスやメニュー画面によるもの等、何でも良い。

【0073】

画像受付部３２１は、１以上の超音波画像を受け付ける。超音波画像は、一の牛生体の所定領域に対して発せられた超音波を用いて得られた画像である。画像受付部３２１が受け付けた１以上の超音波画像は、例えば、画像取得装置１が取得した超音波画像であり、画像格納部３１１に、少なくとも一時蓄積される。

【0074】

処理部３３は、各種の処理を行う。各種の処理とは、例えば、モデル取得部３３１、予測部３３２が行う処理である。

【0075】

モデル取得部３３１は、モデル格納部２１２から学習モデルを取得する。なお、かかるモデル格納部２１２は、ランク推定装置３ではない外部の装置（図示しない）に存在しても良い。

【0076】

予測部３３２は、画像受付部３２１が受け付けた１以上の超音波画像とモデル取得部３３１が取得した学習モデルとを用いて、機械学習の予測処理を行い、ランク情報を取得する。

【0077】

予測部３３２は、画像受付部３２１が受け付けた１以上の各超音波画像から１以上の牛生体パラメータを取得しても良い。そして、予測部３３２は、例えば、画像受付部３２１が受け付けた１以上の超音波画像と１以上の牛生体パラメータとモデル取得部３３１が取得した学習モデルとを用いて、機械学習の予測処理を行い、ランク情報を取得しても良い。また、予測部３３２は、例えば、取得した１以上の牛生体パラメータとモデル取得部３３１が取得した学習モデルとを用いて、機械学習の予測処理を行い、ランク情報を取得しても良い。

【0078】

予測部３３２は、画像受付部３２１が受け付けた１以上の各超音波画像から画像の１以上の特徴量を取得しても良い。そして、予測部３３２は、取得した１以上の特徴量とモデル取得部３３１が取得した学習モデルとを用いて、機械学習の予測処理を行い、ランク情報を取得しても良い。

【0079】

さらに具体的には、予測部３３２は、画像受付部３２１が受け付けた１以上の超音波画像とモデル取得部３３１が取得した学習モデルとを、機械学習の予測処理を行うモジュールに与え、当該モジュールを実行し、予測結果であるランク情報を取得する。

【0080】

なお、上述した通り、機械学習のアルゴリズムは問わない。機械学習の予測処理を行うアルゴリズムは、深層学習が好適であるが、例えば、決定木、ランダムフォレスト、ＳＶＲ、ＳＶＭ等でも良く、機械学習の種類は問わない。

【0081】

機械学習の予測処理を行うモジュールは、例えば、ＴｅｎｓｏｒＦｌｏｗのライブラリの中の各種の関数、Ｒ言語のｒａｎｄｏｍ ｆｏｒｅｓｔのモジュール、ｔｉｎｙＳＶＭ等である。

【0082】

出力部３４は、予測部３３２が取得したランク情報を出力する。ここで、出力とは、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、音出力、外部の装置への送信、記録媒体への蓄積、他の処理装置や他のプログラムなどへの処理結果の引渡しなどを含む概念である。

【0083】

枝肉横断画像出力装置４を構成する枝肉横断画像格納部４１には、各種の情報が格納される。各種の情報は、例えば、１以上の枝肉横断画像である。枝肉横断画像は、ランク情報と１以上の牛生体パラメータとを有するパラメータ集合に対応付いている。なお、枝肉横断画像格納部４１は、枝肉横断画像出力装置４ではない、外部の装置に存在していても良い。

【0084】

枝肉横断画像格納部４１には、予測される枝肉横断画像を取得する対象の一の牛の１以上の超音波画像、一の牛のランク情報、または一の牛の１以上の牛生体パラメータが格納されていても良い。

【0085】

受付部４２は、各種の指示や情報を受け付ける。各種の指示や情報は、例えば、枝肉横断画像出力指示、１以上の牛生体パラメータである。枝肉横断画像出力指示とは、枝肉横断画像の出力の指示である。

【0086】

ランク取得部４３は、ランク推定装置３が取得したランク情報を取得する。ランク情報は、枝肉横断画像格納部４１に格納されていても良い。ランク取得部４３は、ランク推定装置３であっても良い。

【0087】

パラメータ取得部４４は、一の牛の１以上の牛生体パラメータを取得する。１以上の牛生体パラメータは、例えば、僧帽筋の厚さ、僧帽筋直上の皮下脂肪の厚さ、皮下脂肪の厚さ、バラの厚さ、広背筋の厚さ、シコリの有無である。

【0088】

パラメータ取得部４４は、例えば、一の牛の１以上の超音波画像に対して、画像処理を行い、１以上の牛生体パラメータを取得する。画像処理の例の詳細は後述する。

【0089】

パラメータ取得部４４は、例えば、人手により入力された１以上の牛生体パラメータを取得しても良い。人手により入力された１以上の牛生体パラメータは、例えば、人が、超音波画像を検査し、取得したパラメータである。人手により入力された１以上の牛生体パラメータは、受付部４２が受け付けた情報である。

【0090】

枝肉横断画像取得部４５は、ランク取得部４３が取得したランク情報とパラメータ取得部４４が取得した１以上の牛生体パラメータとを有するパラメータ集合を用いて、枝肉横断画像格納部４１の中の１以上の枝肉横断画像であり、近似条件を満たすパラメータ集合に対応付く１以上の枝肉横断画像を取得する。近似条件は、２つのパラメータ集合が近似すると判断されるための条件である。近似条件は、例えば、２つのパラメータ集合の類似度が閾値以上または閾値より大きいことである。近似条件は、例えば、２つのパラメータ集合の類似度が最大であることである。近似条件は、例えば、２つのパラメータ集合の類似度の順位が閾値以内または閾値より小さいことである。近似条件は、例えば、機械学習の予測処理により近似する、と判定されることである。

【0091】

枝肉横断画像出力部４６は、枝肉横断画像取得部４５が取得した１以上の枝肉横断画像を出力する。

【0092】

枝肉横断画像出力部４６または図示しない出力部は、パラメータ取得部４４が取得した１以上の牛生体パラメータを出力しても良い。

【0093】

ここで、出力とは、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、音出力、外部の装置への送信、記録媒体への蓄積、他の処理装置や他のプログラムなどへの処理結果の引渡しなどを含む概念である。

【0094】

画像格納部１１、学習格納部２１、教師データ格納部２１１、モデル格納部２１２、格納部３１、モデル格納部２１２、画像格納部３１１、および枝肉横断画像格納部４１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。

【0095】

画像格納部１１等に情報が記憶される過程は問わない。例えば、記録媒体を介して情報が画像格納部１１等で記憶されるようになってもよく、通信回線等を介して送信された情報が画像格納部１１等で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された情報が画像格納部１１等で記憶されるようになってもよい。

【0096】

画像取得部１３は、超音波発生器（例えば、「DIAGNOSTIC SCANNER HS-1600V」）が利用可能である。

【0097】

画像蓄積部１４、学習処理部２３、学習部２３１、学習蓄積部２３２、処理部３３、モデル取得部３３１、予測部３３２、ランク取得部４３、パラメータ取得部４４、および枝肉横断画像取得部４５は、通常、プロセッサやメモリ等から実現され得る。画像蓄積部１４等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。なお、プロセッサは、例えば、ＣＰＵ、ＭＰＵ、ＧＰＵ等であり、その種類は問わない。

【0098】

受付部１２、学習受付部２２、受付部３２、画像受付部３２１、および受付部４２は、タッチパネルやキーボード等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。

【0099】

出力部３４、および枝肉横断画像出力部４６は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力部３４等は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。

【0100】

次に、牛情報処理システムＡの動作例について説明する。まず、画像取得装置１の動作例について、図５のフローチャートを用いて説明する。

【0101】

（ステップＳ５０１）画像取得装置１の受付部１２は、画像取得指示を受け付けたか否かを判断する。画像取得指示を受け付けた場合はステップＳ５０２に行き、画像取得指示を受け付けなかった場合はステップＳ５０６に行く。なお、画像取得指示は、超音波を発して、超音波画像を取得する指示である。

【0102】

（ステップＳ５０２）受付部１２は、箇所識別子を受け付けたか否かを判断する。箇所識別子を受け付けた場合はステップＳ５０３に行き、箇所識別子を受け付けなかった場合はステップＳ５０２に戻る。

【0103】

（ステップＳ５０３）画像取得部１３は、画像格納部１１のゲイン識別子を取得する。

【0104】

（ステップＳ５０４）画像取得部１３は、超音波を発して、ゲイン識別子が示すゲインに対応する超音波画像を取得する。

【0105】

（ステップＳ５０５）画像蓄積部１４は、ステップＳ５０２で受け付けられた箇所識別子と、ステップＳ５０３で取得されたゲイン識別子とに対応付けて、ステップＳ５０４で取得された超音波画像を画像格納部１１に蓄積する。ステップＳ５０１に戻る。

【0106】

（ステップＳ５０６）受付部１２は、ゲインの設定を受け付けたか否かを判断する。ゲインの設定を受け付けた場合はステップＳ５０７に行き、ゲインの設定を受け付けなかった場合はステップＳ５０１に戻る。

【0107】

（ステップＳ５０７）画像取得部１３は、ステップＳ５０６で受け付けられた設定に対応するゲイン識別子を取得する。画像蓄積部１４は、当該ゲイン識別子を画像格納部１１に蓄積する。ステップＳ５０１に戻る。

【0108】

なお、図５のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。

【0109】

次に、学習装置２の動作例について説明する。学習装置２の学習受付部２２が、教師データの入力を受け付けた場合、学習処理部２３は、当該教師データを教師データ格納部２１１に蓄積する。そして、２以上の教師データが格納された後、学習受付部２２は、学習指示を受け付ける。次に、学習部２３１は、教師データ格納部２１１から２以上の教師データを読み出し、機械学習の学習処理を行うモジュールに、当該２以上の教師データを与え、当該モジュールを実行し、学習モデルを取得する。次に、学習蓄積部２３２は、当該学習モデルをモデル格納部２１２に蓄積する。

【0110】

次に、ランク推定装置３の動作例について、図６のフローチャートを用いて説明する。

【0111】

（ステップＳ６０１）画像受付部３２１は、ランクを決定する対象の牛生体の１以上の超音波画像を受け付けたか否かを判断する。１以上の超音波画像を受け付けた場合はステップＳ６０２に行き、１以上の超音波画像を受け付けなかった場合はステップＳ６０３に行く。画像受付部３２１が受け付ける１以上の超音波画像は、画像取得装置１が取得した超音波画像であることは好適である。また、各超音波画像は、ゲイン識別子および箇所識別子に対応付いていることは好適である。

【0112】

（ステップＳ６０２）処理部３３は、ステップＳ６０１で受け付けられた１以上の超音波画像を画像格納部３１１に蓄積する。ステップＳ６０１に戻る。

【0113】

なお、画像格納部３１１に蓄積される超音波画像は、ゲイン識別子および箇所識別子に対応付いていることは好適である。

【0114】

（ステップＳ６０３）受付部３２は、予測指示を受け付けたか否かを判断する。予測指示を受け付けた場合はステップＳ６０４に行き、予測指示を受け付けなかった場合はステップＳ６０１に戻る。

【0115】

（ステップＳ６０４）モデル取得部３３１は、モデル格納部２１２の学習モデルを取得する。

【0116】

（ステップＳ６０５）予測部３３２は、画像格納部３１１の１以上の超音波画像を取得する。

【0117】

（ステップＳ６０６）予測部３３２は、ステップＳ６０４で取得された学習モデルと、ステップＳ６０５で取得した１以上の超音波画像とを、機械学習の予測処理を行うモジュールに与え、当該モジュールを実行し、ランク情報を取得する。

【0118】

（ステップＳ６０７）出力部３４は、ステップＳ６０６で取得されたランク情報を出力する。ステップＳ６０１に戻る。

【0119】

なお、図６のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。

【0120】

次に、枝肉横断画像出力装置４の動作例について、図７のフローチャートを用いて説明する。

【0121】

（ステップＳ７０１）受付部４２は、枝肉横断画像出力指示を受け付けたか否かを判断する。枝肉横断画像出力指示を受け付けた場合はステップＳ７０２に行き、枝肉横断画像出力指示を受け付けなかった場合はステップＳ７０１に戻る。

【0122】

（ステップＳ７０２）ランク取得部４３は、対象となる牛生体のランク情報を取得する。なお、ランク情報を取得する処理であるランク取得処理の例について、図８のフローチャートを用いて説明する。なお、ここで、ランク取得部４３は、枝肉横断画像格納部４１に格納されているランク情報を読み出す処理を行っても良い。

【0123】

（ステップＳ７０３）パラメータ取得部４４は、対象となる牛生体の１以上の牛生体パラメータを取得する。かかる牛生体パラメータ取得処理の例について、図９、図１０のフローチャートを用いて説明する。

【0124】

なお、ここで、パラメータ取得部４４は、枝肉横断画像格納部４１に格納されている１以上の牛生体パラメータを読み出す処理を行っても良い。また、パラメータ取得部４４は、複数の牛生体パラメータのうちの一部の牛生体パラメータを、図９、図１０のフローチャートで説明する牛生体パラメータ取得処理により取得し、他の牛生体パラメータを枝肉横断画像格納部４１から読み出しても良い。なお、枝肉横断画像格納部４１の牛生体パラメータは、例えば、ユーザが入力した牛生体パラメータである。

【0125】

（ステップＳ７０４）枝肉横断画像取得部４５は、ステップＳ７０２で取得されたランク情報とステップＳ７０３で取得された１以上の各牛生体パラメータを要素とするベクトルを構成する。

【0126】

（ステップＳ７０５）枝肉横断画像取得部４５は、カウンタｉに１を代入する。

【0127】

（ステップＳ７０６）枝肉横断画像取得部４５は、ｉ番目の枝肉横断画像が枝肉横断画像格納部４１に存在するか否かを判断する。ｉ番目の枝肉横断画像が存在する場合はステップＳ７０７に行き、存在しない場合はステップＳ７１０に行く。

【0128】

（ステップＳ７０７）枝肉横断画像取得部４５は、ｉ番目の枝肉横断画像と対になるベクトルを枝肉横断画像格納部４１から取得する。

【0129】

（ステップＳ７０８）枝肉横断画像取得部４５は、ステップＳ７０４で構成したベクトルとステップＳ７０７で取得したベクトルとの類似度を算出する。なお、２つのベクトルの類似度は、通常、２つのベクトルの距離（コサイン値）であるが、他のアルゴリズムで類似度を取得しても良い。他のアルゴリズムは、例えば、２つのベクトルの間で一致する要素の割合を類似度として算出することである。また、２つのベクトルの類似度を算出する技術は公知技術であるので、詳細な説明は省略する。

【0130】

（ステップＳ７０９）枝肉横断画像取得部４５は、カウンタｉを１、インクリメントする。ステップＳ７０６に戻る。

【0131】

（ステップＳ７１０）枝肉横断画像取得部４５は、ステップＳ７０８で算出した類似度が近似条件を満たす１以上のベクトルを決定する。なお、近似条件は、例えば、「類似度が最大であること」「類似度が上位Ｎ（Ｎは自然数）であること」「類似度が閾値以上または閾値より大きいこと」である。

【0132】

（ステップＳ７１１）枝肉横断画像取得部４５は、ステップＳ７１０で決定した１以上の各ベクトルと対になる枝肉横断画像を枝肉横断画像格納部４１から取得する。

【0133】

（ステップＳ７１２）枝肉横断画像出力部４６は、ステップＳ７１１で取得した１以上の枝肉横断画像を出力する。ステップＳ７０１に戻る。

【0134】

なお、図７のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。

【0135】

次に、ステップＳ７０２のランク取得処理の例について、図８フローチャートを用いて説明する。ステップＳ７０２のランク取得処理の例は、ランク取得部４３が、図６のステップＳ６０４、Ｓ６０５、およびＳ６０６の処理を行い、ランク情報を取得する処理である。

【0136】

なお、図８のフローチャートにおいて、学習モデルは、枝肉横断画像格納部４１に格納されている、とする。また、ランク取得部４３は、予測部３３２と同じ処理を行う、とする。

【0137】

次に、ステップＳ７０３の牛生体パラメータ取得処理の第一の例について、図９のフローチャートを用いて説明する。

【0138】

（ステップＳ９０１）パラメータ取得部４４は、カウンタｉに１を代入する。

【0139】

（ステップＳ９０２）パラメータ取得部４４は、ｉ番目のパラメータを取得するか否かを判断する。ｉ番目のパラメータを取得する場合はステップＳ９０３に行き、ｉ番目のパラメータを取得しない場合は上位処理にリターンする。なお、取得するパラメータは、予め決められている。

【0140】

（ステップＳ９０３）パラメータ取得部４４は、ｉ番目のパラメータに対応する箇所識別子と対になる超音波画像を枝肉横断画像格納部４１から取得する。

【0141】

（ステップＳ９０４）パラメータ取得部４４は、ｉ番目のパラメータを、画像処理により取得するか、機械学習処理により取得するかを決定する。画像処理により取得する場合はステップＳ９０５に行き、機械学習処理により取得する場合はステップＳ９０７に行く。なお、ｉ番目のパラメータの取得方法は、予め決められている。

【0142】

（ステップＳ９０５）パラメータ取得部４４は、ステップＳ９０３で取得した超音波画像に対する輪郭抽出処理により、ｉ番目のパラメータの取得のための境界線を取得する。例えば、ｉ番目のパラメータが「僧帽筋の厚さ」である場合、パラメータ取得部４４は、僧帽筋の上の境界と下の境界の２つの境界のラインを決定する。

【0143】

（ステップＳ９０６）パラメータ取得部４４は、ｉ番目のパラメータの取得のための境界線の間の距離に対応する厚さ（ｉ番目のパラメータ）を取得し、当該厚さをｉ番目のパラメータの識別子に対応付けて、図示しないバッファに一時蓄積する。ステップＳ９０９に行く。

【0144】

（ステップＳ９０７）パラメータ取得部４４は、ｉ番目のパラメータを取得するための学習モデルを枝肉横断画像格納部４１から取得する。

【0145】

（ステップＳ９０８）パラメータ取得部４４は、ステップＳ９０３で取得した超音波画像とステップＳ９０８で取得した学習モデルとを、機械学習の予測処理を行うモジュールに与え、当該モジュールを実行し、ｉ番目のパラメータを取得し、ｉ番目のパラメータの識別子に対応付けて、図示しないバッファに一時蓄積する。なお、ｉ番目のパラメータは、例えば、「シコリの有無」である。また、かかる場合の学習モデルは、「シコリ有り」の１以上の画像（正例）と「シコリなし」の１以上の画像（負例）とを教師データとして学習処理を行い、取得された情報である。

【0146】

（ステップＳ９０９）パラメータ取得部４４は、カウンタｉを１、インクリメントする。ステップＳ９０２に戻る。

【0147】

次に、ステップＳ７０３の牛生体パラメータ取得処理の第二の例について、図１０のフローチャートを用いて説明する。第二の例は、第一の例を、より具体的にした例である。

【0148】

（ステップＳ１００１）パラメータ取得部４４は、「箇所識別子＝僧帽筋等」に対応する超音波画像を枝肉横断画像格納部４１から取得する。

【0149】

（ステップＳ１００２）パラメータ取得部４４は、ステップＳ１００１で取得した超音波画像に対する輪郭抽出処理により、皮と皮下脂肪の境界線、および僧帽筋の境界線を決定する。なお、画像の境界線を決定する輪郭抽出処理は公知技術であるので、詳細な説明は省略する。

【0150】

（ステップＳ１００３）パラメータ取得部４４は、ステップＳ１００２で決定された皮と皮下脂肪の境界線の情報を用いて、「僧帽筋直上の皮下脂肪の厚さ」を取得する。なお、パラメータ取得部４４は、例えば、皮下脂肪の複数の箇所の厚さのうちの代表値（例えば、最大値、平均値、隅の厚さ）を「僧帽筋直上の皮下脂肪の厚さ」として取得する。

【0151】

（ステップＳ１００４）パラメータ取得部４４は、ステップＳ１００２で決定された僧帽筋の境界線の間の距離である「僧帽筋の厚さ」を取得する。なお、パラメータ取得部４４は、例えば、境界線の間の複数の距離のうちの代表値（例えば、最大値、平均値、隅の厚さ）を「僧帽筋の厚さ」として取得する。

【0152】

（ステップＳ１００５）パラメータ取得部４４は、僧帽筋の下の所定領域の画素の集合を取得する。

【0153】

（ステップＳ１００６）パラメータ取得部４４は、ステップＳ１００５で取得した画素の集合がシコリ条件に合致するか否かを判断する。シコリ条件に合致する場合はステップＳ１００７に行き、シコリ条件に合致しない場合はステップＳ１００８に行く。なお、シコリ条件は、シコリの有無を判断するための条件であり、ここでは「シコリ＝あり」とするための条件である。シコリ条件は、例えば、画素値に関する代表値（例えば、画素値の平均値、閾値以上の画素値の数、閾値以上の画素値の割合）が閾値以上または閾値より大きいことである。

【0154】

（ステップＳ１００７）パラメータ取得部４４は、パラメータ「シコリ＝あり」を取得する。ステップＳ１００９に行く。

【0155】

（ステップＳ１００８）パラメータ取得部４４は、パラメータ「シコリ＝なし」を取得する。

【0156】

（ステップＳ１００９）パラメータ取得部４４は、「箇所識別子＝皮下脂肪等」に対応する超音波画像を枝肉横断画像格納部４１から取得する。

【0157】

（ステップＳ１０１０）パラメータ取得部４４は、ステップＳ１００９で取得した超音波画像に対する輪郭抽出処理により、皮下脂肪と広背筋との間の境界線を決定する。

【0158】

（ステップＳ１０１１）パラメータ取得部４４は、ステップＳ１０１０で決定した境界線の情報を用いて、皮下脂肪の厚さを取得する。

【0159】

（ステップＳ１０１２）パラメータ取得部４４は、ステップＳ１００９で取得した超音波画像に対する輪郭抽出処理により、広背筋と内部の脂肪との間の境界線を決定する。

【0160】

（ステップＳ１０１３）パラメータ取得部４４は、ステップＳ１０１２で決定した境界線の情報を用いて、広背筋の厚さを取得する。

【0161】

（ステップＳ１０１４）パラメータ取得部４４は、ステップＳ１００９で取得した超音波画像に対する輪郭抽出処理により、内部の脂肪と肋骨との間の境界線を決定する。

【0162】

（ステップＳ１０１５）パラメータ取得部４４は、ステップＳ１０１４で決定した境界線の情報を用いて、バラ厚を取得する。上位処理にリターンする。

【0163】

以下、本実施の形態における牛情報処理システムＡの具体的な動作例について説明する。
牛情報処理システムＡの概念図は図１である。

【0164】

今、ユーザは、画像取得装置１を使用し、牛生体の肩甲骨の領域１１０１の直ぐ後部の閾値以内の範囲の胴部の領域１１０２に、発生させた超音波を当て、超音波画像を取得した、とする（図１１参照）。なお、画像取得装置１は、領域１１０２の中の４箇所において、各々、２段階のゲインで、一の牛に対して、８枚の超音波画像を取得し、画像格納部１１に蓄積した、とする。なお、画像取得装置１として、「DIAGNOSTIC SCANNER HS-1600V」（URL: https://www.honda-el.co.jp/medical/hs1600v.html）が使用可能である。

【0165】

また、画像取得装置１が使用した２段階のゲインのうちの一つは固定値（例えば、ここでは「７４」）である。また、画像取得装置１が使用した２段階のゲインのうちの他は、ゲインを連続的に下げ、像がクリアになった時のゲインである。なお、霜降りが多いと、ゲインが低い場合（例えば、「６６」）に画像がクリアとなる（図１２参照）。一方、霜降りが少ないと、ゲインが高い場合（例えば、「７１」）でも画像がクリアとなる（図１３参照）。つまり、ここでは、牛によって一つの採用されるゲインは異なる。図１２、図１３は、学習装置２が使用する教師データを作成するために取得された超音波画像の例である。

【0166】

また、画像取得装置１は、一の牛に対して、ゲイン識別子と箇所識別子と対にして、８枚の超音波画像を画像格納部１１に蓄積した、とする。

【0167】

さらに、画像取得装置１は、多数の牛に対して、上記の処理により、８枚の超音波画像を画像格納部１１に蓄積した、とする。

【0168】

次に、ユーザは、各牛の８枚の超音波画像に対応付けて、ＢＭＳナンバーを対応付けて、学習装置２の教師データ格納部２１１に蓄積した、とする。そして、教師データ格納部２１１には、図１４に示す教師データ管理表が蓄積された、とする。

【0169】

教師データ管理表は、多数の教師データを管理する。教師データ管理表は、牛ごとに「１」から「８」の８枚の超音波画像およびＢＭＳナンバーを有する。また、各超音波画像は、「ゲイン識別子」「箇所識別子」に対応付いている。「箇所識別子」は、「１」「２」「３」「４」のいずれかである。箇所識別子「１」は、例えば、箇所識別子「僧帽筋等」であり、僧帽筋の厚さ、僧帽筋直上の皮下脂肪の厚さ等を取得できる箇所を特定する情報である。「２」は、例えば、箇所識別子「皮下脂肪等」であり、皮下脂肪の厚さ、広背筋の厚さ、バラ厚を取得できる箇所を特定する情報である。

【0170】

次に、ユーザは、学習装置２に対して学習指示を入力した、とする。すると、学習装置２の学習受付部２２は、学習指示を受け付ける。次に、学習部２３１は、教師データ格納部２１１から２以上の教師データ（図１４）を読み出し、機械学習の学習処理を行うモジュール（例えば、深層学習のモジュール）に、当該２以上の教師データを与え、当該モジュールを実行し、学習モデルを取得する。次に、学習蓄積部２３２は、当該学習モデルをモデル格納部２１２に蓄積する。

【0171】

次に、ユーザは、ランク推定装置３に対して、ＢＭＳナンバーの予測対象の牛の１または２以上の超音波画像と、各超音波画像に対応するゲイン識別子と箇所識別子とを、ランク推定装置３に与え、予測指示を入力した、とする。

【0172】

なお、ここで、ランク推定装置３は、ゲイン識別子と箇所識別子とを使用せずに、ＢＭＳナンバーを取得しても良い。かかる場合の学習モデルは、ゲイン識別子と箇所識別子とを使用せずに構築された情報である。

【0173】

次に、ランク推定装置３の受付部３２は、予測指示を受け付ける。次に、モデル取得部３３１は、学習装置２が取得した学習モデルを、モデル格納部２１２から取得する。

【0174】

次に、予測部３３２は、取得された学習モデルと、受け付けた１以上の超音波画像とゲイン識別子と箇所識別子との組を、機械学習の予測処理を行うモジュールに与え、当該モジュールを実行し、ＢＭＳナンバーを取得する。出力部３４は、取得されたＢＭＳナンバーを出力する。なお、かかる処理の概念を図１５に示す。

【0175】

次に、枝肉横断画像出力装置４の動作の具体例を説明する。今、枝肉横断画像出力装置４の枝肉横断画像格納部４１には、図１６に示すように多数の枝肉横断画像が格納されている、とする。また、枝肉横断画像格納部４１の枝肉横断画像には、枝肉横断画像の対象である牛のＢＭＳナンバー、および１以上の牛生体パラメータが対応付いている、とする。また、１以上の牛生体パラメータは、ここでは、僧帽筋の厚さ、僧帽筋直上の皮下脂肪の厚さ、皮下脂肪の厚さ、バラの厚さ、広背筋の厚さ、シコリの有無である、とする。

【0176】

そして、枝肉横断画像出力装置４の受付部４２は、枝肉横断画像出力指示を受け付けた、とする。かかる枝肉横断画像出力指示は、ランク推定装置３が受け付けた１以上の超音波画像と、ランク推定装置３が出力したＢＭＳナンバーとを有する、とする。

【0177】

次に、ランク取得部４３は、枝肉横断画像出力指示が有するランク情報「ＢＭＳナンバー：１２」を取得する。

【0178】

次に、パラメータ取得部４４は、枝肉横断画像出力指示が有する超音波画像のうちの、箇所識別子「１」に対応する超音波画像を取得する。かかる画像は、図１７の（ａ）である。次に、パラメータ取得部４４は、図１７の（ａ）の画像に対する上述した画像処理により、僧帽筋の境界線を決定する。そして、パラメータ取得部４４は、僧帽筋の厚さ「３．８」、僧帽筋直上の皮下脂肪の厚さ「２．０」を取得した、とする。

【0179】

また、パラメータ取得部４４は、枝肉横断画像出力指示が有する超音波画像のうちの、箇所識別子「２」に対応する超音波画像を取得する。かかる画像は、図１７の（ｂ）である。次に、パラメータ取得部４４は、図１７の（ｂ）の画像に対する上述した画像処理により、皮下脂肪の厚さ「３．９」、広背筋の厚さ「３．６」、バラ厚「８．６」を取得した、とする。

【0180】

なお、パラメータ取得部４４は、ユーザにより入力された牛生体パラメータを取得しても良い。

【0181】

次に、枝肉横断画像取得部４５は、取得されたランク情報「ＢＭＳナンバー：１２」と取得された１以上の各牛生体パラメータを要素とするベクトル（１２，３．８，２．０，３．９，３．６，８．６）を構成する。

【0182】

次に、枝肉横断画像取得部４５は、取得したベクトル（１２，３．８，２．０，３．９，３．６，８．６）に最も近似するベクトルを、枝肉横断画像格納部４１から検索する。次に、枝肉横断画像取得部４５は、当該最も近似するベクトルと対になる枝肉横断画像を枝肉横断画像格納部４１から取得する。

【0183】

次に、枝肉横断画像出力部４６は、取得した枝肉横断画像を出力する。かかる出力例は、図１８である。図１８において、ＢＭＳナンバー、牛生体パラメータ、および枝肉横断画像が出力されている。

【0184】

以上、本実施の形態の画像取得装置１によれば、牛生体の早期の肉質判断を可能とするための適切な超音波画像が得られる。

【0185】

また、本実施の形態の学習装置２によれば、牛生体の早期の肉質判断を可能とするための適切な学習モデルが得られる。

【0186】

また、本実施の形態のランク推定装置３によれば、牛生体の早期の肉質判断を行うためのランク情報が得られる。

【0187】

また、本実施の形態のランク推定装置３によれば、牛生体の早期の肉質判断を行うための正確なランク情報が得られる。

【0188】

また、本実施の形態の枝肉横断画像出力装置４によれば、牛の将来の予測される枝肉横断画像が簡易に得られる。

【0189】

なお、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ－ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における画像取得装置１を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータを、牛生体の所定領域に対して発せられた超音波を用いて、略６０から略８０のゲインにより１以上の超音波画像を取得する画像取得部と、前記１以上の超音波画像を蓄積する画像蓄積部として機能させるためのプログラムである。

【0190】

また、本実施の形態におけるランク推定装置３を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータを、２以上の各牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像と牛の肉質のランクを示すランク情報とを有する２以上の教師データに対して、機械学習の学習処理により得られた学習モデルが格納されるモデル格納部から学習モデルを取得するモデル取得部と、
一の牛生体の所定領域に対して発せられた超音波を用いて得られた１以上の超音波画像を受け付ける画像受付部と、前記画像受付部が受け付けた１以上の超音波画像と前記モデル取得部が取得した学習モデルとを用いて、機械学習の予測処理を行い、ランク情報を取得する予測部と、前記予測部が取得した前記ランク情報を出力する出力部として機能させるためのプログラムである。

【0191】

また、本実施の形態における枝肉横断画像出力装置４を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータを、一の牛のランク情報であり、請求項３から請求項８いずれか一項に記載のランク推定装置が取得したランク情報を取得するランク取得部と、前記一の牛の１以上の牛生体パラメータを取得するパラメータ取得部と、前記ランク取得部が取得したランク情報と前記パラメータ取得部が取得した１以上の牛生体パラメータとを有するパラメータ集合を用いて、ランク情報と１以上の牛生体パラメータとを有するパラメータ集合に対応付いた１以上の枝肉横断画像が格納されている枝肉横断画像格納部の中の１以上の枝肉横断画像であり、近似条件を満たすパラメータ集合に対応付く１以上の枝肉横断画像を取得する枝肉横断画像取得部と、前記枝肉横断画像取得部が取得した１以上の枝肉横断画像を出力する枝肉横断画像出力部として機能させるためのプログラムである。

【0192】

また、図１９は、本明細書で述べたプログラムを実行して、上述した種々の実施の形態の牛情報処理システムＡを構成する各装置を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図１９は、このコンピュータシステム３００の概観図であり、図２０は、システム３００のブロック図である。

【0193】

図１９において、コンピュータシステム９００は、ＣＤ－ＲＯＭドライブを含むコンピュータ９０１と、キーボード９０２と、マウス９０３と、モニタ９０４とを含む。

【0194】

図２０において、コンピュータ９０１は、ＣＤ－ＲＯＭドライブ９０５に加えて、ＭＰＵ９１１と、ＣＤ－ＲＯＭドライブ９０５等に接続されたバス９１５と、ブートアッププログラム等のプログラムを記憶するためのＲＯＭ９１２と、ＭＰＵ９１１に接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供するためのＲＡＭ９１３と、アプリケーションプログラム、システムプログラム、及びデータを記憶するためのハードディスク９１４とを含む。ここでは、図示しないが、コンピュータ３０１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。

【0195】

コンピュータシステム９００に、上述した実施の形態の牛情報処理システムＡを構成する各装置の機能を実行させるプログラムは、ＣＤ－ＲＯＭ９２１に記憶されて、ＣＤ－ＲＯＭドライブ９０５に挿入され、さらにハードディスク９１４に転送されても良い。これに代えて、プログラムは、図示しないネットワークを介してコンピュータ９０１に送信され、ハードディスク９１４に記憶されても良い。プログラムは実行の際にＲＡＭ９１３にロードされる。プログラムは、ＣＤ－ＲＯＭ９２１またはネットワークから直接、ロードされても良い。

【0196】

プログラムは、コンピュータ９０１に、上述した実施の形態の牛情報処理システムＡを構成する各装置の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３００がどのように動作するかは周知であり、詳細な説明は省略する。

【0197】

なお、上記プログラムにおいて、情報を送信するステップや、情報を受信するステップなどでは、ハードウェアによって行われる処理、例えば、送信ステップにおけるモデムやインターフェースカードなどで行われる処理（ハードウェアでしか行われない処理）は含まれない。

【0198】

また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。つまり、牛情報処理システムＡを構成する各装置は、一のスタンドアロンの装置であっても良く、２以上の装置から構成されても良い。

【0199】

また、上記各実施の形態において、一の装置に存在する２以上の通信手段は、物理的に一の媒体で実現されても良いことは言うまでもない。

【0200】

また、上記各実施の形態において、各処理は、単一の装置によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。

【0201】

本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。

【産業上の利用可能性】

【0202】

以上のように、本発明にかかるランク推定装置は、牛生体の早期の肉質判断を行うためのより正確なランク情報が得られるという効果を有し、ランク推定装置等として有用である。

【符号の説明】

【0203】

１ 画像取得装置
２ 学習装置
３ ランク推定装置
４ 枝肉横断画像出力装置
１１、３１１ 画像格納部
１２、３２、４２ 受付部
１３ 画像取得部
１４ 画像蓄積部
２１ 学習格納部
２２ 学習受付部
２３ 学習処理部
３１ 格納部
３３ 処理部
３４ 出力部
４１ 枝肉横断画像格納部
４３ ランク取得部
４４ パラメータ取得部
４５ 枝肉横断画像取得部
４６ 枝肉横断画像出力部
２１１ 教師データ格納部
２１２ モデル格納部
２３１ 学習部
２３２ 学習蓄積部
３２１ 画像受付部
３３１ モデル取得部
３３２ 予測部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】