特開 2025-7395 プログラム、情報処理方法及び情報処理装置

(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】P2025007395

(43)【公開日】2025-01-17

(54)【発明の名称】プログラム、情報処理方法及び情報処理装置

(51)【国際特許分類】

   A01K 29/00 20060101AFI20250109BHJP

   G01B 11/02 20060101ALI20250109BHJP

【ＦＩ】

A01K29/00 D

G01B11/02 H

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023108762

(22)【出願日】2023-06-30

(71)【出願人】

【識別番号】591030237

【氏名又は名称】ＢＩＰＲＯＧＹ株式会社

(71)【出願人】

【識別番号】504136568

【氏名又は名称】国立大学法人広島大学

(71)【出願人】

【識別番号】000201652

【氏名又は名称】全国酪農業協同組合連合会

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】武井 宏将

(72)【発明者】

【氏名】石田 若菜

(72)【発明者】

【氏名】杉野 利久

(72)【発明者】

【氏名】東 健太郎

【テーマコード（参考）】

2F065

【Ｆターム（参考）】

2F065AA21

2F065BB05

2F065CC16

2F065FF01

2F065FF04

2F065JJ03

2F065JJ26

2F065MM01

2F065QQ21

(57)【要約】

【課題】対象動物の周囲長に基づき体重を推定することが可能なプログラム等を提供すること。
【解決手段】一つの側面に係るプログラムは、対象動物を撮像した画像データ及び前記対象動物の３次元座標データを取得し、前記画像データにおける前記対象動物の第１特徴点１１ａ及び第２特徴点１１ｂを特定し、前記第１特徴点１１ａ及び第２特徴点１１ｂ間の点群に対応する複数の３次元座標データを特定し、特定した複数の３次元座標データに基づき、前記対象動物の周囲長を導出し、導出した周囲長に基づき、前記対象動物の体重を導出する処理をコンピュータに実行させる。
【選択図】図３

【特許請求の範囲】

【請求項1】

対象動物を撮像した画像データ及び前記対象動物の３次元座標データを取得し、
前記画像データにおける前記対象動物の第１特徴点及び第２特徴点を特定し、
前記第１特徴点及び第２特徴点間の点群に対応する複数の３次元座標データを特定し、
特定した複数の３次元座標データに基づき、前記対象動物の周囲長を導出し、
導出した周囲長に基づき、前記対象動物の体重を導出する
処理をコンピュータに実行させるプログラム。

【請求項2】

前記第１特徴点からオフセットした第１オフセット点と、前記第２特徴点からオフセットした第２オフセット点とを結ぶ線分上の所定間隔で等分した複数の点群に対応する複数の３次元座標データを特定する
請求項１に記載のプログラム。

【請求項3】

特定した各３次元座標データ間の線分長の合計長を導出する
請求項１または２に記載のプログラム。

【請求項4】

前記対象動物の合計長と周囲長との関係を示す推定式、または前記対象動物の合計長を入力した場合に該対象動物の周囲長を出力するよう学習された第１学習モデルに基づき、導出した合計長から前記対象動物の周囲長を導出する
請求項３に記載のプログラム。

【請求項5】

前記対象動物の周囲長と体重との関係を示す推定式、または前記対象動物の周囲長を入力した場合に該対象動物の体重を出力するよう学習された第２学習モデルに基づき、導出した周囲長から前記対象動物の体重を導出する
請求項１または２に記載のプログラム。

【請求項6】

前記画像データから、前記対象動物の測定対象領域のセグメンテーションデータを抽出し、
前記測定対象領域のテンプレートデータ及び該テンプレートデータにおける前記対象動物の複数の基準特徴点を取得し、
取得したテンプレートデータ及び複数の基準特徴点に基づき、抽出したセグメンテーションデータにおける前記対象動物の第１特徴点及び第２特徴点を特定する
請求項１または２に記載のプログラム。

【請求項7】

対象動物を撮像した画像データ及び前記対象動物の３次元座標データを取得し、
前記画像データにおける前記対象動物の第１特徴点及び第２特徴点を特定し、
前記第１特徴点及び第２特徴点間の点群に対応する複数の３次元座標データを特定し、
特定した複数の３次元座標データに基づき、前記対象動物の周囲長を導出し、
導出した周囲長に基づき、前記対象動物の体重を導出する
情報処理方法。

【請求項8】

制御部を備える情報処理装置であって、
前記制御部は、
対象動物を撮像した画像データ及び前記対象動物の３次元座標データを取得し、
前記画像データにおける前記対象動物の第１特徴点及び第２特徴点を特定し、
前記第１特徴点及び第２特徴点間の点群に対応する複数の３次元座標データを特定し、
特定した複数の３次元座標データに基づき、前記対象動物の周囲長を導出し、
導出した周囲長に基づき、前記対象動物の体重を導出する
情報処理装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、プログラム、情報処理方法及び情報処理装置に関する。

【背景技術】

【0002】

近年、牛の体重を推定する技術がある。特許文献１には、牛を所定方向から撮像した画像から牛の体重を推定する体重推定装置が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２３－０１４７６６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、特許文献１に係る発明は、対象動物（例えば、牛）の周囲長に基づき体重を推定することができないという問題がある。

【0005】

一つの側面では、対象動物の周囲長に基づき体重を推定することが可能なプログラム等を提供することにある。

【課題を解決するための手段】

【0006】

一つの側面に係るプログラムは、対象動物を撮像した画像データ及び前記対象動物の３次元座標データを取得し、前記画像データにおける前記対象動物の第１特徴点及び第２特徴点を特定し、前記第１特徴点及び第２特徴点間の点群に対応する複数の３次元座標データを特定し、特定した複数の３次元座標データに基づき、前記対象動物の周囲長を導出し、導出した周囲長に基づき、前記対象動物の体重を導出する処理をコンピュータに実行させる。

【発明の効果】

【0007】

一つの側面では、対象動物の周囲長に基づき体重を推定することが可能となる。

【図面の簡単な説明】

【0008】

【図1】コンピュータの構成例を示すブロック図である。

【図2】測定結果ＤＢ及び訓練データＤＢのレコードレイアウトの一例を示す説明図である。

【図3】牛の体重を導出する処理を説明する説明図である。

【図4】牛の体重を導出する際の処理手順を示すフローチャートである。

【図5】実施形態２におけるコンピュータの構成例を示すブロック図である。

【図6】テンプレートデータＤＢのレコードレイアウトの一例を示す説明図である。

【図7】牛の複数の基準特徴点の一例を示す説明図である。

【図8】第１特徴点及び第２特徴点の特定処理を説明する説明図である。

【図9】特徴点の特定処理を説明する説明図である。

【図10】第１特徴点及び第２特徴点を特定する際の処理手順を示すフローチャートである。

【図11】マスク画像を補正する処理のサブルーチンの処理手順を示すフローチャートである。

【図12】マスク画像のサイズを調整する処理のサブルーチンの処理手順を示すフローチャートである。

【図13】特徴点を特定する処理のサブルーチンの処理手順を示すフローチャートである。

【発明を実施するための形態】

【0009】

以下、本発明をその実施形態を示す図面に基づいて詳述する。

【0010】

（実施形態１）
実施形態１は、対象動物の体重を導出する形態に関する。対象動物は、象、牛、馬、羊、豚、鶏、鴨、犬、猫、マウスまたはマグロ等を含む。なお、対象動物に限らず、物体、人間、動物の骨格、または内蔵器官等にも同様に適用することができる。物体は、オートバイ、自動車もしくは鉄道車両等の製造物、機器、電柱または部材等を含む。なお、以下では、牛を対象動物として説明するが、他の種類の対象動物にも同様に適用することができる。

【0011】

本実施形態のシステムは、情報処理装置１を含む。情報処理装置１は、種々の情報に対する処理、記憶及び送受信等を行う情報処理装置である。情報処理装置１は、例えばスマートフォン、携帯電話、アップルウォッチ（Apple Watch：登録商標）等のウェアラブルデバイス、ウェアラブルカメラ、タブレット、またはパーソナルコンピュータ等の情報処理機器である。

【0012】

なお、情報処理装置１は、サーバ装置、または機能をクラウドサービスとして提供するクラウドサーバ装置であっても良い。以下では簡潔のため、情報処理装置１をコンピュータ１と読み替える。

【0013】

本実施形態に係るコンピュータ１は、牛を撮像した画像データ及び当該牛の３次元座標データを取得する。コンピュータ１は、取得した画像データにおける当該牛の第１特徴点及び第２特徴点を特定する。コンピュータ１は、特定した第１特徴点及び第２特徴点間の点群に対応する複数の３次元座標データを特定する。コンピュータ１は、特定した複数の３次元座標データに基づき、当該牛の周囲長を導出する。コンピュータ１は、導出した周囲長に基づき、当該牛の体重を導出する。

【0014】

図１は、コンピュータ１の構成例を示すブロック図である。コンピュータ１は、制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５、読取部１６、大容量記憶部１７、撮像部１８及び３Ｄセンサ１９を含む。各構成はバスＢで接続されている。

【0015】

制御部１１はＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、または量子プロセッサ等の演算処理装置を含み、記憶部１２に記憶された制御プログラム１Ｐ（プログラム製品）を読み出して実行することにより、コンピュータ１に係る種々の情報処理、制御処理等を行う。

【0016】

なお、制御プログラム１Ｐは、単一のコンピュータ上で、または１つのサイトにおいて配置されるか、もしくは複数のサイトにわたって分散され、通信ネットワークによって相互接続された複数のコンピュータ上で実行されるように展開することができる。なお、図１では制御部１１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。

【0017】

記憶部１２はＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等のメモリ素子を含み、制御部１１が処理を実行するために必要な制御プログラム１Ｐ又はデータ等を記憶している。また、記憶部１２は、制御部１１が演算処理を実行するために必要なデータ等を一時的に記憶する。通信部１３は通信に関する処理を行うための通信モジュールである。

【0018】

入力部１４は、キーボード、マウスまたは表示部１５と一体化したタッチパネルでも良い。表示部１５は、液晶ディスプレイ又は有機ＥＬ（electroluminescence）ディスプレイ等であり、制御部１１の指示に従い各種情報を表示する。

【0019】

読取部１６は、ＣＤ（Compact Disc）－ＲＯＭ又はＤＶＤ（Digital Versatile Disc）－ＲＯＭを含む可搬型記憶媒体１ａを読み取る。制御部１１が読取部１６を介して、制御プログラム１Ｐを可搬型記憶媒体１ａより読み取り、大容量記憶部１７に記憶しても良い。また、ネットワークＮ等を介して他のコンピュータから制御部１１が制御プログラム１Ｐをダウンロードし、大容量記憶部１７に記憶しても良い。さらにまた、半導体メモリ１ｂから、制御部１１が制御プログラム１Ｐを読み込んでも良い。

【0020】

大容量記憶部１７は、例えばＨＤＤ（Hard disk drive：ハードディスク）、ＳＳＤ（Solid State Drive：ソリッドステートドライブ）等の記録媒体を備える。大容量記憶部１７は、測定結果ＤＢ（database）１７１、訓練データＤＢ１７２、周囲長推定モデル１７３及び体重推定モデル１７４を含む。

【0021】

測定結果ＤＢ１７１は、牛の周囲長及び体重等の測定結果を記憶している。訓練データＤＢ１７２は、周囲長推定モデル１７３及び体重推定モデル１７４を構築（作成）するための訓練データを記憶している。周囲長推定モデル１７３は、牛の周囲長を推定する推定器であり、機械学習により生成された学習済みモデルである。体重推定モデル１７４は、牛の体重を推定する推定器であり、機械学習により生成された学習済みモデルである。

【0022】

なお、本実施形態において記憶部１２及び大容量記憶部１７は一体の記憶装置として構成されていても良い。また、大容量記憶部１７は複数の記憶装置により構成されていても良い。更にまた、大容量記憶部１７はコンピュータ１に接続された外部記憶装置であっても良い。

【0023】

撮像部１８は、例えばＣＣＤ（Charge Coupled Device）カメラ、ＣＭＯＳ（Complementary Metal Oxide Semiconductor）カメラ等の撮像装置である。なお、撮像部１８はコンピュータ１の中に内蔵せず、外部で直接的にコンピュータ１と接続し、撮像可能な構成としても良い。

【0024】

３Ｄセンサ１９は、撮像部１８により撮像された牛等の対象動物の画像と、３次元座標データとが位置合わせることが可能なセンサである。すなわち、３次元座標データは、画像データの各ピクセルに対応付けられている。

【0025】

３Ｄセンサ１９は、例えば、ＬｉＤＡＲセンサであっても良い。ＬｉＤＡＲセンサは、レーザ光を照射して反射光または散乱光を検出するもので、３次元点群データ（Ｘ，Ｙ，Ｚ）を検出することができる。なお、ＬｉＤＡＲセンサの他に、深度センサまたは赤外線センサ等が利用されても良い。なお、撮像部１８と３Ｄセンサ１９との一体型のセンサを利用しても良い。

【0026】

なお、コンピュータ１は、３Ｄセンサ１９と一体型に限らず、コンピュータ１と３Ｄセンサ１９とが別々の装置として設けられても良い。

【0027】

コンピュータ１は、種々の情報処理及び制御処理等をコンピュータ単体で実行しても良いし、複数のコンピュータで分散して実行しても良い。また、コンピュータ１は、１台のコンピュータ内に設けられた複数の仮想マシンによって実現されても良い。

【0028】

なお、上述したシステムの構成に限るものではない。例えば、情報処理端末（タブレット等）は、牛を撮像する。情報処理端末は、当該情報処理端末に搭載されたＬｉＤＡＲセンサにより当該牛の３次元座標データを取得する。情報処理端末は、取得した牛の画像データ及び３次元座標データをサーバ装置に送信する。サーバ装置は、情報処理端末から送信された牛の画像データ及び３次元座標データに基づき、牛の体重を導出する。サーバ装置は、導出した牛の体重を情報処理端末に送信する。情報処理端末は、サーバ装置から送信された牛の体重を受信し、受信した牛の体重を表示しても良い。なお、サーバ装置の代わりに、クラウドサーバであっても良い。すなわち、情報処理端末は、牛の撮像、画像データの送信、並びに、牛の体重の受信及び表示を行う。サーバ装置は、牛の周囲長及び体重等の導出処理（演算処理）を行う。

【0029】

図２は、測定結果ＤＢ１７１及び訓練データＤＢ１７２のレコードレイアウトの一例を示す説明図である。
測定結果ＤＢ１７１は、画像ＩＤ列、画像データ列、３次元座標データ列、測定部位列、特徴点名称列、特徴点座標列、周囲長列及び体重列を含む。画像ＩＤ列は、各牛の画像データを識別するために、一意に特定される画像データのＩＤを記憶している。

【0030】

画像データ列は、牛の画像データを記憶している。３次元座標データ列は、牛の画像データ（２次元画像データ）の各ピクセルに対応する３次元座標データを記憶している。測定部位列は、牛の測定部位の名称を記憶している。特徴点名称列は、牛の画像データにおける特徴点の名称を記憶している。特徴点座標列は、牛の画像データにおける特徴点の座標値を記憶している。周囲長列は、牛の周囲長を記憶している。体重列は、牛の体重を記憶している。

【0031】

訓練データＤＢ１７２は、訓練ＩＤ列、種類列、入力列及び出力列を含む。訓練ＩＤ列は、各訓練データを識別するために、一意に特定される訓練データのＩＤを記憶している。種類列は、周囲長推定モデル１７３及び体重推定モデル１７４を含む学習モデルの種類を記憶している。

【0032】

学習モデルの種類が「周囲長推定モデル１７３」である場合、入力列は、牛の線分長の合計長を記憶し、出力列は、牛の周囲長を記憶している。なお、線分長の合計長に関しては後述する。学習モデルの種類が「体重推定モデル１７４」である場合、入力列は、牛の周囲長を記憶し、出力列は、牛の体重を記憶している。

【0033】

なお、上述した各ＤＢの記憶形態は一例であり、データ間の関係が維持されていれば、他の記憶形態であっても良い。

【0034】

続いて、牛の体重を導出する処理を説明する。まず、コンピュータ１は、牛を撮像した画像データ及び当該牛の３次元座標データを取得する。牛の画像データは、牛を横から撮像した画像データである。例えばコンピュータ１は、撮像部１８を介して、牛を横から撮像した画像データを取得する。なお、コンピュータ１は、撮像機能を有する外部の情報処理端末により撮像された牛の画像データを取得しても良い。

【0035】

コンピュータ１は、当該牛の３次元座標データを取得する。具体的には、コンピュータ１は、３次元点群データを検出するためのＬｉＤＡＲセンサである３Ｄセンサ１９を介して、当該牛の３次元座標データを取得する。３次元座標データは、画像の各ピクセルに対して３次元座標値を持つデータ（３次元点群データ）である。

【0036】

次に、コンピュータ１は、当該牛の体重を導出する。図３は、牛の体重を導出する処理を説明する説明図である。図３Ａは、第１特徴点及び第２特徴点を特定する処理を説明する説明図である。図３Ｂは、合計長を導出する処理を説明する説明図である。図３Ｃは、牛の周囲長及び体重を導出する処理を説明する説明図である。

【0037】

コンピュータ１は、取得した画像データにおける当該牛の第１特徴点１１ａ及び第２特徴点１１ｂを特定する。図示のように、第１特徴点１１ａが胸深の上部座標であり、第２特徴点１１ｂが胸深の下部座標である。胸深は、胸囲を測定する線上胸椎上縁より胸の下縁に至る直線距離である。

【0038】

なお、第１特徴点１１ａ及び第２特徴点１１ｂの位置は、図３に例示されている位置に限定されない。例えば、第１特徴点１１ａ及び第２特徴点１１ｂの位置は、体高を測定するためのき甲部頂点、及び当該き甲部頂点により垂直方向に沿って地面に至る地面測定点であっても良い。または、第１特徴点１１ａ及び第２特徴点１１ｂの位置は、十字部高を測定するための十字部、及び当該十字部により垂直方向に沿って地面に至る地面測定点であっても良い。

【0039】

さらにまた、第１特徴点１１ａ及び第２特徴点１１ｂの位置は、胸幅（胸囲測定部の肋骨幅）を測定するための肩後第８肋骨の基部を通過する帯径部の両端にある測定点であっても良い。さらにまた、第１特徴点１１ａ及び第２特徴点１１ｂの位置は、腰角幅（左右腰角外縁の直線距離）を測定するための左腰角外縁にある測定点及び右腰角外縁にある測定点であっても良い。

【0040】

第１特徴点１１ａ及び第２特徴点１１ｂの特定処理について、例えば、コンピュータ１は、画像データに対し、ユーザによる第１特徴点１１ａ及び第２特徴点１１ｂの指定（入力）を受け付けても良い。なお、第１特徴点１１ａ及び第２特徴点１１ｂは、ユーザによる手動特定に限らず、例えば、実施形態２でのテンプレートデータを利用することにより、自動的に特定することができる。

【0041】

コンピュータ１は、受け付けた第１特徴点１１ａ及び第２特徴点１１ｂに対応する３次元座標データを測定結果ＤＢ１７１から取得（特定）する。

【0042】

牛の輪郭領域において、ノイズ等の影響により輝度または位相等が不安定であるため、３Ｄセンサ１９により取得された輪郭領域の３次元座標データを利用すると、後述する合計長の導出処理がノイズ等の影響により不正確になる恐れがある。牛の体内方向にオフセットする第１オフセット点１１ｃと第２オフセット点１１ｄを利用することにより、正確でない合計長の導出結果を防止することができる。第１オフセット点１１ｃは、第１特徴点１１ａから下方向にオフセットした点であり、第２オフセット点１１ｄは、第２特徴点１１ｂから上方向にオフセットした点である。

【0043】

第１オフセット点１１ｃ及び第２オフセット点１１ｄは、線分１２ａ上の所定間隔で等分することにより得られる。具体的には、コンピュータ１は、特定した第１特徴点１１ａと第２特徴点１１ｂとを結ぶ線分１２ａを特定する。コンピュータ１は、特定した線分１２ａを所定間隔で等分する。所定間隔は、一例として、線分１２ａを５等分することにより得られた間隔であっても良い。図示のように、線分１２ａは、５等分により、間隔１３ａ、間隔１３ｂ、間隔１３ｃ、間隔１３ｄ及び間隔１３ｅに等間隔で等分されている。

【0044】

コンピュータ１は、第１特徴点１１ａが属する間隔１３ａの下側に隣接する間隔１３ｂにおいて、当該間隔１３ｂに属する第１オフセット点１１ｃを特定する。コンピュータ１は、第２特徴点１１ｂが属する間隔１３ｅの上側に隣接する間隔１３ｄにおいて、当該間隔１３ｄに属する第２オフセット点１１ｄを特定する。

【0045】

コンピュータ１は、特定した第１オフセット点１１ｃと第２オフセット点１１ｄとの間での複数の点群に対応する複数の３次元座標データを特定する。具体的には、コンピュータ１は、測定結果ＤＢ１７１から、第１オフセット点１１ｃと第２オフセット点１１ｄとの間の各点に対応する３次元座標データを取得（特定）する。図３Ｂ示すように、第１オフセット点１１ｃと第２オフセット点１１ｄとの間に、各ピクセル（例えば、点１１ｅ及び点１１ｆ）に対応する３次元座標データが特定される。コンピュータ１は、特定した各３次元座標データ間の線分長の合計長を導出する。

【0046】

コンピュータ１は、導出した線分長の合計長から牛の周囲長を導出する。具体的には、コンピュータ１は、導出した合計長を周囲長推定モデル１７３に入力し、当該牛の周囲長を導出（出力）する。周囲長推定モデル１７３は、人工知能（ＡＩ；Artificial Intelligence）ソフトウェアの一部であるプログラムモジュールとして利用される。

【0047】

周囲長推定モデル１７３は、例えば、機械学習または深層学習等の人工知能の技術を利用して実現されても良い。周囲長推定モデル１７３は、牛の測定対象（測定部位）領域（例えば、胸深）の線分長の合計長と当該牛の周囲長との相関性に基づく構築（生成）済みの推定器である。例えば、周囲長推定モデル１７３は、訓練データＤＢ１７２に蓄積された訓練データを用いて、牛の測定対象領域の線分長の合計長と当該牛の周囲長との相関性を学習する。周囲長推定モデル１７３は、学習した学習結果に基づき、入力された牛の測定対象領域の線分長の合計長から、当該牛の周囲長を推定する。

【0048】

訓練データは、牛の測定対象領域（例えば、胸深）の線分長の合計長に対し、過去の測定実績から得られた牛の周囲長を関連付けて生成するデータである。なお、周囲長推定モデル１７３は、コンピュータ１、外部の情報処理装置またはクラウドサーバ等により生成されても良い。

【0049】

コンピュータ１は、牛の測定対象領域の線分長の合計長を取得した場合、取得した合計長を周囲長推定モデル１７３に入力して、当該牛の周囲長を推定した推定結果を出力する。例えば、推定された牛の周囲長が１２９ｃｍである。

【0050】

なお、周囲長推定モデル１７３としては、例えば、線形回帰分析、ＭＡＲＳ（Multivariate adaptive regression splines）、サポートベクター回帰（SVR）、回帰木、モデル木、遺伝子プログラム、二値分類、ロジスティック回帰、ｋ近傍法、サポートベクターマシン、決定木、またはランダムフォレスト等の任意の学習アルゴリズムで構築された学習済みモデルであって良い。

【0051】

また、合計長と周囲長との関係を示す推定式を利用して、牛の周囲長を求めることができる。例えば、周囲長の推定式は、以下の式（１）で表される。
推定周囲長(cm)＝k1×合計長(cm) …（１）
ｋ１は、周囲長を算出するための係数（例えば、正数）であり、例えば、多変数曲線あてはめ（カーブフィッティング；Curve Fitting）により算出される。なお、ｋ１は、システムの管理者等により設定されても良い。例えば、ｋ１が２．５であっても良い。コンピュータ１は、牛の胸深の線分長の合計長に基づき、上述した式（１）を用いて、牛の周囲長を導出（算出）する。

【0052】

コンピュータ１は、導出した牛の周囲長から当該牛の体重を導出する。具体的には、コンピュータ１は、導出した牛の周囲長を体重推定モデル１７４に入力し、当該牛の体重を導出（出力）する。体重推定モデル１７４は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される。

【0053】

体重推定モデル１７４は、例えば、機械学習または深層学習等の人工知能の技術を利用して実現されても良い。体重推定モデル１７４は、牛の測定対象領域（例えば、胸深）の周囲長と当該牛の体重との相関性に基づく構築（生成）済みの推定器である。例えば、体重推定モデル１７４は、訓練データＤＢ１７２に蓄積された訓練データを用いて、牛の測定対象領域の周囲長と当該牛の体重との相関性を学習する。体重推定モデル１７４は、学習した学習結果に基づき、測定対象領域の周囲長から、当該牛の体重を推定する。

【0054】

訓練データは、牛の測定対象領域（例えば、胸深）の周囲長に対し、過去の測定実績から得られた牛の体重を関連付けて生成するデータである。なお、体重推定モデル１７４は、コンピュータ１、外部の情報処理装置またはクラウドサーバ等により生成されても良い。

【0055】

コンピュータ１は、牛の測定対象領域の周囲長を取得した場合、取得した周囲長を体重推定モデル１７４に入力して、当該牛の体重を推定した推定結果を出力する。例えば、推定された牛の体重が３８２ｋｇである。

【0056】

なお、体重推定モデル１７４としては、例えば、線形回帰分析、ＭＡＲＳ、サポートベクター回帰、回帰木、モデル木、遺伝子プログラム、二値分類、ロジスティック回帰、ｋ近傍法、サポートベクターマシン、決定木、またはランダムフォレスト等の任意の学習アルゴリズムで構築された学習済みモデルであって良い。

【0057】

また、牛の周囲長と体重との関係を示す推定式を利用して、牛の体重を求めることができる。例えば、体重の推定式は、以下の式（２）で表される。
推定体重(kg)＝k2－k3×周囲長(cm)＋k4×[周囲長(cm)]² …（２）
ｋ２、ｋ３及びｋ４は、体重を算出するための係数（例えば、正数）であり、例えば、多変数曲線あてはめにより算出される。なお、ｋ２、ｋ３及びｋ４は、システムの管理者等により設定されても良い。例えば、ｋ２が５５であり、ｋ３が２．２であり、ｋ４が０．０２であっても良い。コンピュータ１は、牛の周囲長に基づき、上述した式（２）を用いて、牛の体重を導出（算出）する。

【0058】

図４は、牛の体重を導出する際の処理手順を示すフローチャートである。コンピュータ１の制御部１１は、牛を横から撮像した画像データを撮像部１８により取得する（ステップＳ１０１）。制御部１１は、３Ｄセンサ１９を介して、取得した画像データの各ピクセルに対応する３次元座標データを取得する（ステップＳ１０２）。

【0059】

制御部１１は、画像ＩＤに対応付けて、取得した牛の画像データ、及び画像データの各ピクセルに対応する３次元座標データを一つのレコードとして大容量記憶部１７の測定結果ＤＢ１７１に記憶する（ステップＳ１０３）。

【0060】

制御部１１は、取得した画像データにおける当該牛の第１特徴点１１ａ及び第２特徴点１１ｂを特定する（ステップＳ１０４）。例えば、制御部１１は、画像データに対し、ユーザによる第１特徴点１１ａ及び第２特徴点１１ｂの指定（入力）を入力部１４により受け付けても良い。制御部１１は、特定した第１特徴点１１ａ及び第２特徴点１１ｂに対応する３次元座標データを大容量記憶部１７の測定結果ＤＢ１７１から特定する（ステップＳ１０５）。

【0061】

制御部１１は、特定した第１特徴点１１ａからオフセットした第１オフセット点１１ｃと、特定した第２特徴点１１ｂからオフセットした第２オフセット点１１ｄを特定する（ステップＳ１０６）。具体的には、制御部１１は、特定した第１特徴点１１ａと第２特徴点１１ｂとを結ぶ線分１２ａを特定する。制御部１１は、特定した線分１２ａを所定間隔（例えば、５等分により得られた間隔）で等分する。制御部１１は、第１特徴点１１ａが属する間隔において、当該間隔の下側に隣接する間隔に属する第１オフセット点１１ｃを特定する。制御部１１は、第２特徴点１１ｂが属する間隔において、当該間隔の上側に隣接する間隔に属する第２オフセット点１１ｄを特定する。

【0062】

制御部１１は、特定した第１オフセット点１１ｃと第２オフセット点１１ｄとの間での複数の点群に対応する複数の３次元座標データを特定する（ステップＳ１０７）。具体的には、制御部１１は、大容量記憶部１７の測定結果ＤＢ１７１から、特定した第１オフセット点１１ｃと第２オフセット点１１ｄとの間の各点に対応する３次元座標データを特定（取得）する。制御部１１は、特定した各点の３次元座標データ間の線分長の合計長を導出する（ステップＳ１０８）。

【0063】

制御部１１は、導出した合計長から牛の周囲長を導出する（ステップＳ１０９）。具体的には、制御部１１は、導出した合計長を周囲長推定モデル１７３に入力し、当該牛の周囲長を出力（導出）する。制御部１１は、導出した牛の周囲長から当該牛の体重を導出する（ステップＳ１１０）。具体的には、制御部１１は、導出した牛の周囲長を体重推定モデル１７４に入力し、当該牛の体重を出力（導出）する。

【0064】

制御部１１は、測定結果を大容量記憶部１７の測定結果ＤＢ１７１に記憶し（ステップＳ１１１）、処理を終了する。具体的には、制御部１１は、画像ＩＤに対応付けて、測定部位（例えば、胸深）、特徴点（第１特徴点１１ａ及び第２特徴点１１ｂ）の名称（例えば、胸深上部及び胸深下部）及び座標、並びに、導出した牛の周囲長及び体重を測定結果ＤＢ１７１に記憶する。

【0065】

本実施形態によると、対象動物を撮像した画像データ及び当該対象動物の３次元座標データに基づき、当該対象動物の周囲長を導出することが可能となる。

【0066】

本実施形態によると、対象動物の周囲長に基づき、当該対象動物の体重を導出することが可能となる。

【0067】

本実施形態によると、対象動物の合計長と周囲長との関係を示す式（１）、または周囲長推定モデル１７３に基づき、当該対象動物の周囲長を導出することが可能となる。

【0068】

本実施形態によると、対象動物の周囲長と体重との関係を示す式（２）、または体重推定モデル１７４に基づき、当該対象動物の体重を導出することが可能となる。

【0069】

（実施形態２）
実施形態２は、対象動物の画像データ及び当該対象動物の測定対象領域のテンプレートデータを利用することにより、第１特徴点１１ａ及び第２特徴点１１ｂを自動的に特定する形態に関する。なお、実施形態１と重複する内容については説明を省略する。なお、以下では、牛を対象動物として説明するが、他の種類の対象動物にも同様に適用することができる。

【0070】

図５は、実施形態２におけるコンピュータ１の構成例を示すブロック図である。なお、図１と重複する内容については同一の符号を付して説明を省略する。大容量記憶部１７には、テンプレートデータＤＢ１７５が含まれる。テンプレートデータＤＢ１７５は、牛の測定対象領域のテンプレートデータを記憶している。

【0071】

図６は、テンプレートデータＤＢ１７５のレコードレイアウトの一例を示す説明図である。テンプレートデータＤＢ１７５は、テンプレートＩＤ（Identifier）列、画像データ列、測定部位列、基準特徴点名称列及び基準特徴点座標列を含む。

【0072】

テンプレートＩＤ列は、各牛の測定対象領域のテンプレートデータを識別するために、一意に特定されるテンプレートデータのＩＤを記憶している。画像データ列は、牛の測定対象領域の基準画像データを記憶している。

【0073】

測定部位列は、牛の測定部位の名称を記憶している。測定部位は、胸深または体長等を含む。なお、測定部位は、体高、水平体長または十字部高等を含んでも良い。基準特徴点名称列は、テンプレートデータにおける牛の基準特徴点の名称を記憶している。基準特徴点座標列は、テンプレートデータにおける牛の基準特徴点の座標値を記憶している。なお、テンプレートデータに関しては後述する。

【0074】

図７は、牛の複数の基準特徴点の一例を示す説明図である。牛の体尺を測定するため、予め牛の測定対象領域における複数の基準特徴点が設けられている。図示のように、胸深上部を示す基準特徴点１４ａ、及び胸深下部を示す基準特徴点１４ｂを有する。基準特徴点１４ａ（胸深上部）と基準特徴点１４ｂ（胸深下部）とに基づいて、牛の胸囲を測定することができる。

【0075】

なお、図７に示されている基準特徴点に限るものではない。例えば、肩端を示す基準特徴点、坐骨端を示す基準特徴点、または十字部（牛の両腰角を結んだ線と背骨との交点）を示す基準特徴点等を設けても良い。肩端を示す基準特徴点と、坐骨端を示す基準特徴点とに基づき、牛の体長を測定することができる。十字部を示す基準特徴点に基づいて牛の十字部高を測定することができる。

【0076】

図８は、第１特徴点１１ａ及び第２特徴点１１ｂの特定処理を説明する説明図である。まず、コンピュータ１は、測定対象となる牛の画像データを取得する。コンピュータ１は、取得した牛の画像データから、当該牛の測定対象領域のセグメンテーションデータ（以下、マスク画像と読み替える）を抽出する。測定対象領域は、例えば、脚、尻尾及び頭を除いた牛の胴体である。例えばコンピュータ１は、インスタンスセグメンテーション（Instance Segmentation）ネットワークにより構築された画像セグメンテーションモデルを用いて、牛の測定対象領域のマスク画像を抽出しても良い。

【0077】

画像セグメンテーションモデルは、牛を横から撮像した画像データを用いて学習される。当該画像セグメンテーションモデルは牛の胴体を白、そうでない領域を黒とした画像を出力するように設定しているので、出力された画像が正解画像に近づくように学習を行う。コンピュータ１は、取得した牛の画像データを当該画像セグメンテーションモデルに入力し、測定対象領域のマスク画像を出力する。出力されたマスク画像は、牛の胴体に相当する領域（前景画素部分）が白色（画素値が１）であり、その他の領域（背景画素部分）が黒色（画素値が０）である。

【0078】

なお、画像セグメンテーションモデルは、ＳｅｇＮｅｔモデル、または、セマンティックセグメンテーション(Semantic Segmentation)のモデルの一つであるＵ－ＮＥＴ（Convolutional Networks for Biomedical Image Segmentation）等であっても良い。Ｕ－ＮＥＴはＦＣＮ（Fully Convolutional Networks）の一種であり、ダウンサンプリングを行うエンコーダと、アップサンプリングを行うデコーダとを含む。Ｕ－ＮＥＴは全結合層がなく、畳み込み層とプーリング層だけで構成されるニューラルネットワークである。

【0079】

なお、上述した画像セグメンテーションモデルの他に、背景差分法等を利用することができる。背景差分法を適用することによって、背景差分結果としてのマスク画像が生成される。

【0080】

次に、コンピュータ１は、抽出したマスク画像に対し、背景画素部分における白色である部分が存在している場合、３次元座標データに基づいてマスク画像を補正する。図示のように、背景画素部分に白色領域２０ａが存在しているため、３次元座標データを用いてマスク画像を補正することが必要である。

【0081】

具体的には、コンピュータ１は、牛までの深度（距離）情報を測定する３Ｄセンサ１９により３次元座標データを取得する。コンピュータ１は、取得した３次元座標データに基づき、抽出したマスク画像を補正する。図示のように、３次元座標データは、Ｘ軸（第１座標軸）、Ｙ軸（第２座標軸）及びＺ軸を含む３次元座標値を持つデータである。

【0082】

Ｘ軸は、牛の横方向（左右方向）を示し、紙面の右方向を正方向とする。Ｙ軸は、牛の縦方向（上下方向）を示し、紙面の下方向を正方向とする。Ｚ軸は、牛の胴体であるピクセル（白いピクセル）の視点方向（図８における紙面に直交する）を示す。

【0083】

例えばコンピュータ１は、牛の胴体であるピクセル（白いピクセル）の視点方向の深度（Ｚ軸の値）と、対象（白色領域２０ａ）となるピクセルの視点方向の深度との深度の差分を示す深度差分値を算出する。コンピュータ１は、算出した深度差分値が所定の閾値以上である場合、対象となるピクセルの画素値を０に設定することにより、当該ピクセルを黒とする。深度差分値が所定の閾値未満である場合、対象となるピクセルの画素値はそのままに保持される。

【0084】

深度差分値の閾値は、例えば５０センチメートル（ｃｍ：centimeter）であっても良い。なお、深度差分値の閾値は、撮像時に撮像装置と牛との距離に応じて適宜設定すれば良い。または、牛の画像データと３次元座標データとを入力した場合に、深度差分値の閾値を出力するよう学習された学習モデルを利用しても良い。なお、深度差分値が所定の閾値の範囲（例えば、３０ｃｍ～５０ｃｍ）外である場合、牛の胴体以外のピクセルであるとして、当該ピクセルの画素値を０に設定しても良い。

【0085】

コンピュータ１は、マスク画像における複数の特徴点（第１特徴点１１ａ及び第２特徴点１１ｂ等）を特定する。図９は、特徴点の特定処理を説明する説明図である。

【0086】

コンピュータ１は、補正したマスク画像のサイズを調整する。具体的には、コンピュータ１は、測定対象領域（例えば、牛の胴体）のテンプレートデータ（以下、テンプレートマスク画像と読み替える）をテンプレートデータＤＢ１７５から取得する。

【0087】

テンプレートマスク画像は、予め決められた、複数の基準特徴点の名称及び座標値を含む測定対象領域の画像データである。なお、テンプレートマスク画像は、ユーザによって手動で作成されるか、または、牛の画像データを入力した場合に当該牛の測定対象領域における複数の基準特徴点を出力するよう学習済みのテンプレートマスク画像出力モデルを用いて生成されても良い。

【0088】

コンピュータ１は、取得した測定対象領域のテンプレートマスク画像から、当該測定対象領域の最大連結成分に基づいて得られた矩形１５ａを取得する。最大連結成分は、画素間の連続性を持つ領域のうち、最大の領域を指す。図示のように、最大連結成分は牛の胴体における白色領域である。

【0089】

具体的には、コンピュータ１は、測定対象領域の最大連結成分におけるＸ軸の最大値及び最小値、並びに、Ｙ軸の最大値及び最小値に基づき、矩形１５ａを取得する。コンピュータ１は、取得した矩形１５ａの左上のピクセルの座標値（ｘ１，ｙ１）及び右下のピクセルの座標値（ｘ２，ｙ２）に基づき、当該矩形１５ａのサイズを算出する。

【0090】

コンピュータ１は、測定対象となるマスク画像の各ピクセルの画素値に基づき、ピクセルの画素値が１である測定対象領域を特定する。コンピュータ１は、特定した測定対象領域の最大連結成分に基づいて得られた矩形１５ｂを取得する。コンピュータ１は、算出した矩形１５ａのサイズに基づき、マスク画像のサイズを調整（変更）する。具体的には、コンピュータ１は、取得した矩形１５ｂの横幅及び縦幅が、矩形１５ａの横幅及び縦幅と同じになるようにマスク画像のサイズを調整する。

【0091】

コンピュータ１は、サイズ調整したマスク画像における複数の特徴点を特定する。具体的には、コンピュータ１は、テンプレートマスク画像における各基準特徴点のＸ軸の値に基づき、サイズ調整したマスク画像における各特徴点のＸ軸の値を決定する。図示のように、テンプレートマスク画像の基準特徴点ＰのＸ軸の値（ｘ）を、マスク画像の特徴点ＱのＸ軸の値（ｘ）に設定する。

【0092】

コンピュータ１は、テンプレートマスク画像における各基準特徴点のＹ軸の値と、測定対象領域の最大連結成分のＹ軸の最大値及び最小値とに基づき分割比率を算出する。コンピュータ１は、算出した分割比率に基づき、サイズ調整したマスク画像における各特徴点のＹ軸の値を決定する。

【0093】

図示のように、コンピュータ１は、テンプレートマスク画像の測定対象領域の最大連結成分における距離ｄ１及び距離ｄ２を算出する。距離ｄ１は、基準特徴点ＰのＹ軸の値（ｙ）と、当該基準特徴点Ｐに対応する測定対象領域の最大連結成分のＹ軸の最小値（ｙｍｉｎ）との距離である。距離ｄ２は、基準特徴点ＰのＹ軸の値（ｙ）と、当該基準特徴点Ｐに対応する測定対象領域の最大連結成分のＹ軸の最大値（ｙｍａｘ）との距離である。

【0094】

コンピュータ１は、当該基準特徴点Ｐに対応する測定対象領域の最大連結成分の縦幅（ｙｍａｘ－ｙｍｉｎ）と、算出した距離ｄ１及び距離ｄ２とに基づき、当該基準特徴点Ｐにおける分割比率を算出する。例えば、算出された分割比率は２：３である。

【0095】

コンピュータ１は、サイズ調整したマスク画像に対し、決定された当該マスク画像特徴点ＱのＸ軸の値（ｘ）に対応付けて、当該マスク画像の測定対象領域の最大連結成分のＹ軸の最大値（ｙ’ｍａｘ）及び最小値（ｙ’ｍｉｎ）を取得する。コンピュータ１は、算出した分割比率と、取得したマスク画像の測定対象領域の最大連結成分のＹ軸の最大値（ｙ’ｍａｘ）及び最小値（ｙ’ｍｉｎ）とに基づき、特徴点ＱのＹ軸の値（ｙ’）を決定する。図示のように、決定された特徴点Ｑの座標値が（ｘ，ｙ’）である。

【0096】

続いて、図８に戻り、コンピュータ１は、特定した複数の特徴点（第１特徴点１１ａ及び第２特徴点１１ｂ）を測定結果ＤＢ１７１に記憶する。具体的には、コンピュータ１は、特定した複数の特徴点それぞれの座標値を取得する。コンピュータ１は、牛の画像データに対して画像ＩＤを割り振る。コンピュータ１は、割り振った画像ＩＤに対応付けて、牛の画像データ、測定部位の名称、各特徴点の名称及び座標値を測定結果ＤＢ１７１に記憶する。コンピュータ１は、特定した複数の特徴点（第１特徴点１１ａ及び第２特徴点１１ｂ）を牛の画像データに重畳して表示する。

【0097】

図１０は、第１特徴点１１ａ及び第２特徴点１１ｂを特定する際の処理手順を示すフローチャートである。コンピュータ１の制御部１１は、牛を横から撮像した画像データを撮像部１８により取得する（ステップＳ１２１）。制御部１１は、例えばＵ－ＮＥＴ等により構築された画像セグメンテーションモデルを用いて、牛の測定対象領域のマスク画像を抽出する（ステップＳ１２２）。

【0098】

制御部１１は、マスク画像を補正する処理のサブルーチンを実行する（ステップＳ１２３）。制御部１１は、マスク画像のサイズを調整する処理のサブルーチンを実行する（ステップＳ１２４）。制御部１１は、特徴点（第１特徴点１１ａ及び第２特徴点１１ｂ）を特定する処理のサブルーチンを実行する（ステップＳ１２５）。なお、マスク画像の補正処理、マスク画像サイズの調整処理及び特徴点の特定処理のサブルーチンに関しては後述する。

【0099】

制御部１１は、測定結果を大容量記憶部１７の測定結果ＤＢ１７１に記憶する（ステップＳ１２６）。具体的には、制御部１１は、牛の画像データに対して画像ＩＤを割り振る。制御部１１は、割り振った画像ＩＤに対応付けて、牛の画像データ、測定部位の名称、各特徴点の名称及び座標値を測定結果ＤＢ１７１に記憶する。制御部１１は、表示部１５を介して、特定した第１特徴点１１ａ及び第２特徴点１１ｂを牛の画像データに重畳して表示し（ステップＳ１２７）、処理を終了する。

【0100】

図１１は、マスク画像を補正する処理のサブルーチンの処理手順を示すフローチャートである。コンピュータ１の制御部１１は、牛までの深度情報を測定する３Ｄセンサ１９により３次元座標データを取得する（ステップＳ０１）。制御部１１は、取得した３次元座標データから、牛であるピクセル（白いピクセル）の３次元座標データを取得する（ステップＳ０２）。当該ピクセルは、例えば、牛の胴体である領域のいずれかのピクセルであっても良い。

【0101】

制御部１１は、測定対象となるマスク画像から、１つのピクセルを取得する（ステップＳ０３）。制御部１１は、取得したピクセルが黒であるか否かを判定する（ステップＳ０４）。例えば制御部１１は、ピクセルの画素値が０である場合、当該ピクセルが黒であると判定する。または、制御部１１は、ピクセルの画素値が１である場合、当該ピクセルが白であると判定する。

【0102】

制御部１１は、取得したピクセルが黒であると判定した場合（ステップＳ０４でＹＥＳ）、ステップＳ０３の処理に戻る。制御部１１は、取得したピクセルが黒でないと判定した場合（ステップＳ０４でＮＯ）、ステップＳ０１の処理で取得した３次元座標データから、当該ピクセルの３次元座標データが存在しているか否かを判定する（ステップＳ０５）。制御部１１は、当該ピクセルの３次元座標データが存在していないと判定した場合（ステップＳ０５でＮＯ）、後述するステップＳ０８の処理に遷移する。

【0103】

制御部１１は、当該ピクセルの３次元座標データが存在していると判定した場合（ステップＳ０５でＹＥＳ）、ステップＳ０２の処理で取得した牛（例えば、牛の胴体）であるピクセル（白いピクセル）の視点方向の深度（Ｚ軸の値）と、当該ピクセルの視点方向の深度との深度差分値を算出する（ステップＳ０６）。制御部１１は、算出した深度差分値が所定の閾値（例えば、５０ｃｍ）以上であるか否かを判定する（ステップＳ０７）。

【0104】

制御部１１は、算出した深度差分値が所定の閾値未満である場合（ステップＳ０７でＮＯ）、後述するステップＳ０９の処理に遷移する。制御部１１は、算出した深度差分値が所定の閾値以上である場合（ステップＳ０７でＹＥＳ）、ピクセルの画素値を０に設定することにより、当該ピクセルを黒に設定する（ステップＳ０８）。制御部１１は、当該ピクセルがマスク画像における最後のピクセルであるか否かを判定する（ステップＳ０９）。

【0105】

制御部１１は、当該ピクセルが最後のピクセルでないと判定した場合（ステップＳ０９でＮＯ）、ステップＳ０３の処理に戻る。制御部１１は、当該ピクセルが最後のピクセルであると判定した場合（ステップＳ０９でＹＥＳ）、マスク画像の補正処理のサブルーチンを終了してリターンする。

【0106】

図１２は、マスク画像のサイズを調整する処理のサブルーチンの処理手順を示すフローチャートである。コンピュータ１の制御部１１は、測定対象領域（例えば、牛の胴体）のテンプレートマスク画像を大容量記憶部１７のテンプレートデータＤＢ１７５から取得する（ステップＳ１１）。

【0107】

図９の示すように、制御部１１は、取得した測定対象領域のテンプレートマスク画像から、当該測定対象領域の最大連結成分に基づいて得られた第１矩形（矩形１５ａ）を取得する（ステップＳ１２）。制御部１１は、取得した第１矩形（矩形１５ａ）の左上のピクセル座標値（ｘ１，ｙ１）及び右下のピクセル座標値（ｘ２，ｙ２）に基づき、当該第１矩形（矩形１５ａ）のサイズを算出する（ステップＳ１３）。

【0108】

制御部１１は、測定対象となるマスク画像の各ピクセルの画素値に基づき、ピクセルの画素値が１である測定対象領域を特定する（ステップＳ１４）。制御部１１は、特定した測定対象領域の最大連結成分に基づいて得られた第２矩形（矩形１５ｂ）を取得する（ステップＳ１５）。

【0109】

制御部１１は、算出した第１矩形（矩形１５ａ）のサイズに基づき、当該マスク画像における測定対象領域のサイズを調整する（ステップＳ１６）。具体的には、制御部１１は、当該マスク画像における測定対象領域の最大連結成分に基づいて得られた第２矩形（矩形１５ｂ）の横幅及び縦幅が、テンプレートマスク画像における測定対象領域の最大連結成分に基づいて得られた第１矩形（矩形１５ａ）の横幅及び縦幅と同じになるように、当該マスク画像のサイズを調整する。制御部１１は、マスク画像サイズの調整処理のサブルーチンを終了してリターンする。

【0110】

図１３は、特徴点を特定する処理のサブルーチンの処理手順を示すフローチャートである。コンピュータ１の制御部１１は、テンプレートＩＤに基づき、該当するテンプレートマスク画像における複数の基準特徴点を大容量記憶部１７のテンプレートデータＤＢ１７５から取得する（ステップＳ２１）。制御部１１は、当該テンプレートマスク画像における測定対象領域（例えば、牛の胴体）の最大連結成分を取得する（ステップＳ２２）。

【0111】

制御部１１は、取得した複数の基準特徴点から、１つの基準特徴点の座標値を取得する（ステップＳ２３）。制御部１１は、特定対象となる特徴点の第１座標軸（例えば、Ｘ軸）の値を決定する（ステップＳ２４）。具体的には、制御部１１は、取得した基準特徴点の第１座標軸の値を、当該特徴点の第１座標軸の値に設定する。

【0112】

制御部１１は、テンプレートマスク画像の測定対象領域に対し、当該基準特徴点の第１座標軸（例えば、Ｘ軸）の値に対応付けて、当該測定対象領域の最大連結成分の第２座標軸（例えば、Ｙ軸）の最大値及び最小値を取得する（ステップＳ２５）。制御部１１は、当該基準特徴点の第２座標軸の値と、取得した最大連結成分の第２座標軸の最大値及び最小値とに基づき、当該基準特徴点における分割比率を算出する（ステップＳ２６）。

【0113】

制御部１１は、算出した分割比率に基づき、当該特徴点の第２座標軸の値を決定する（ステップＳ２７）。具体的には、制御部１１は、ステップＳ２４の処理で決定された、当該特徴点の第１座標軸の値に対応付けて、当該マスク画像の測定対象領域の最大連結成分の第２座標軸の最大値及び最小値を取得する。制御部１１は、算出した分割比率と、取得した当該マスク画像の測定対象領域の最大連結成分の第２座標軸の最大値及び最小値とに基づき、当該特徴点の第２座標軸の値を決定する。

【0114】

制御部１１は、テンプレートマスク画像の複数の基準特徴点から、当該基準特徴点が最後の基準特徴点であるか否かを判定する（ステップＳ２８）。制御部１１は、当該基準特徴点が最後の基準特徴点でないと判定した場合（ステップＳ２８でＮＯ）、ステップＳ２３の処理に戻る。制御部１１は、当該基準特徴点が最後の基準特徴点であると判定した場合（ステップＳ２８でＹＥＳ）、特定した複数の特徴点を出力する（ステップＳ２９）。制御部１１は、特徴点の特定処理のサブルーチンを終了してリターンする。

【0115】

本実施形態によると、対象動物の画像データ及び当該対象動物の測定対象領域のテンプレートデータに基づき、第１特徴点１１ａ及び第２特徴点１１ｂを特定（自動抽出）することが可能となる。

【0116】

本実施形態によると、第１特徴点１１ａ及び第２特徴点１１ｂを自動抽出することにより、対象動物の体重導出の効率化を向上させる。

【0117】

今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

【0118】

各実施形態に記載した事項は相互に組み合わせることが可能である。また、特許請求の範囲に記載した独立請求項及び従属請求項は、引用形式に関わらず全てのあらゆる組み合わせにおいて、相互に組み合わせることが可能である。さらに、特許請求の範囲には他の２以上のクレームを引用するクレームを記載する形式（マルチクレーム形式）を用いているが、これに限るものではない。マルチクレームを少なくとも一つ引用するマルチクレーム（マルチマルチクレーム）を記載する形式を用いて記載しても良い。

【符号の説明】

【0119】

１ 情報処理装置（コンピュータ）
１１ 制御部
１２ 記憶部
１３ 通信部
１４ 入力部
１５ 表示部
１６ 読取部
１７ 大容量記憶部
１７１ 測定結果ＤＢ
１７２ 訓練データＤＢ
１７３ 周囲長推定モデル
１７４ 体重推定モデル
１７５ テンプレートデータＤＢ
１８ 撮像部
１９ ３Ｄセンサ
１ａ 可搬型記憶媒体
１ｂ 半導体メモリ
１Ｐ 制御プログラム

【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】