(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-01-26
(45)【発行日】2024-02-05
(54)【発明の名称】ｐＨ測定システム及びｐＨ測定方法
(51)【国際特許分類】
G01N 21/27 20060101AFI20240129BHJP
G01N 31/22 20060101ALI20240129BHJP
G01N 21/80 20060101ALI20240129BHJP
G01J 3/46 20060101ALN20240129BHJP
【ＦＩ】
G01N21/27 A
G01N31/22 121F
G01N31/22 121N
G01N21/80
G01J3/46 Z
【請求項の数】
6
(21)【出願番号】P 2020079063
(22)【出願日】2020-04-28
(65)【公開番号】P2021173682
(43)【公開日】2021-11-01
【審査請求日】2023-02-02
(73)【特許権者】
【識別番号】000004400
【氏名又は名称】オルガノ株式会社
(74)【代理人】
【識別番号】110001210
【氏名又は名称】弁理士法人ＹＫＩ国際特許事務所
(72)【発明者】
【氏名】河原 賢吾
【審査官】伊藤 裕美
(56)【参考文献】
【文献】特開２０２０－１６８６０２（ＪＰ，Ａ）
【文献】特開２００５－１８９１１９（ＪＰ，Ａ）
【文献】特表２０１０－５２７００１（ＪＰ，Ａ）
【文献】特表２０１５－５０９５８２（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｎ ２１／００－Ｇ０１Ｎ ２１／８３
Ｇ０１Ｎ ３１／００－Ｇ０１Ｎ ３１／２２
Ｇ０１Ｊ ３／００－Ｇ０１Ｎ ３／５２
(57)【特許請求の範囲】
【請求項1】
試料のｐＨに応じて呈色する第１呈色領域と、試料のアルカリ度に応じて呈色する第２呈色領域を撮像する撮像部と、前記撮像部により撮像された前記第１呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ａを抽出し、前記撮像部により撮像された前記第２呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ｂを抽出する抽出部と、
前記試料のｐＨと前記第１呈色領域及び前記第２呈色領域の画像データに基づく色空間における座標との関係式を用いて、前記抽出部により抽出された前記座標Ａ及び前記座標Ｂから前記試料のｐＨ値を算出する算出部と、を備えることを特徴とするｐＨ測定システム。
【請求項2】
試料のｐＨに応じて呈色する第１呈色領域と、試料のアルカリ度に応じて呈色する第２呈色領域を撮像する撮像部と、前記撮像部により撮像された前記第１呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ａを抽出し、前記撮像部により撮像された前記第２呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ｂを抽出する抽出部と、
前記抽出部により抽出された前記座標Ａ及び前記座標Ｂを学習処理済みニューラルネットワークに入力して、前記試料のｐＨ値を算出する算出部と、を備えることを特徴とするｐＨ測定システム。
【請求項3】
前記ニューラルネットワークは、既知のｐＨに対して呈色した呈色領域の画像データに基づく色空間における座標から計算される特徴量、
既知のアルカリ度に対して呈色した呈色領域の画像データに基づく色空間における座標から計算される特徴量、
及び前記既知のｐＨに対して呈色した呈色領域の画像データに基づく色空間における座標と前記既知のアルカリ度に対して呈色した呈色領域の画像データに基づく色空間における座標とから計算される特徴量のうちの少なくとも１つを教師データとして、学習処理に利用していることを特徴とする請求項２に記載のｐＨ測定システム。
【請求項4】
試料のｐＨに応じて呈色する第１呈色領域と、試料のアルカリ度に応じて呈色する第２呈色領域を撮像する撮像工程と、前記撮像工程により撮像された前記第１呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ａを抽出し、前記撮像工程により撮像された前記第２呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ｂを抽出する抽出工程と、
前記試料のｐＨと前記第１呈色領域及び前記第２呈色領域の画像データに基づく色空間における座標との関係式を用いて、前記抽出工程により抽出された前記座標Ａ及び前記座標Ｂから前記試料のｐＨ値を算出する算出工程と、を備えることを特徴とするｐＨ測定方法。
【請求項5】
試料のｐＨに応じて呈色する第１呈色領域と、試料のアルカリ度に応じて呈色する第２呈色領域を撮像する撮像工程と、前記撮像工程により撮像された前記第１呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ａを抽出し、前記撮像工程により撮像された前記第２呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ｂを抽出する抽出工程と、
前記抽出工程により抽出された前記座標Ａ及び前記座標Ｂを学習処理済みニューラルネットワークに入力して、前記試料のｐＨ値を算出する算出工程と、を備えることを特徴とするｐＨ測定方法。
【請求項6】
前記ニューラルネットワークは、既知のｐＨに対して呈色した呈色領域の画像データに基づく色空間における座標から計算される特徴量、
既知のアルカリ度に対して呈色した呈色領域の画像データに基づく色空間における座標から計算される特徴量、
及び前記既知のｐＨに対して呈色した呈色領域の画像データに基づく色空間における座標と前記既知のアルカリ度に対して呈色した呈色領域の画像データに基づく色空間における座標とから計算される特徴量のうちの少なくとも１つを教師データとして、学習処理に利用していることを特徴とする請求項５に記載のｐＨ測定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、ｐＨ測定システム及びｐＨ測定方法に関する。
【背景技術】
【0002】
一般に、試料のｐＨを測定する際には、水素イオン選択性の感応膜を有するｐＨ測定電極や、ｐＨ指示薬の水溶液をろ紙に含浸し、乾燥したｐＨ試験紙が使用される（例えば、非特許文献１参照）。ｐＨ測定電極を使用する場合、ｐＨを精度良く測定できるものの、試料の数が多い時などは、測定毎に電極を洗浄する必要があるため、作業が煩雑となり、迅速な測定が困難である。
【0003】
一方、ｐＨ試験紙を使用する場合、例えば、ｐＨ試験紙を試料で濡らし、呈色したｐＨ試験紙の色と色見本とを目視で比較して、試料のｐＨを測定するため、簡便且つ迅速にｐＨを測定することができるが、色の比較を人間が行う場合には、正確な判定が困難であるという問題がある。
【0004】
そこで、呈色した試験片をＣＣＤ等の撮像装置により撮像し、撮像した画像データを色分析する方法が提案されている。
【0005】
例えば、特許文献１には、試験片の画像データから、表色系に基づく指数を算出し、試料中の分析対象物質の濃度と前記指数との関係を表す関数に、前記算出した指数を代入し、分析対象物質の濃度を判定する試料分析方法が開示されている。
【0006】
また、例えば、特許文献２には、試験片の画像データにおける赤色チャンネル、青色チャンネル、緑色チャンネルのうちの少なくとも１つの強度データを第１のデータポイントに変換し、前記第１のデータポイントと厳密に一致する標準曲線から、分析対象物質の濃度を算出する試料分析方法が開示されている。
【先行技術文献】
【特許文献】
【0007】
【文献】特開２００５－１３３６３４号公報
【文献】特表２０１５－５０９５８２号公報
【非特許文献】
【0008】
【文献】高木誠司、「定量分析の実験と計算」、ｐ．５０８及びｐ．５３６、共立出版株式会社、昭和５９年３月１０日発行
【発明の概要】
【発明が解決しようとする課題】
【0009】
ところで、ｐＨ試験紙をアルカリ度の低い試料で濡らした場合、アルカリ度の低い試料は緩衝性が低いため、ｐＨ指示薬自体の酸性・アルカリ性により、試料のｐＨを変化させてしまう場合がある。そのため、アルカリ度の低い試料のｐＨをｐＨ試験紙で測定すると、試料の実際のｐＨとのずれが生じ、ｐＨ値を精度よく測定できない場合がある。
【0010】
そこで、本発明では、試料のｐＨ値を精度よく測定することができるｐＨ測定システム及びｐＨ測定方法を提供することを目的とする。
【課題を解決するための手段】
【0011】
本発明は、試料のｐＨに応じて呈色する第１呈色領域と、試料のアルカリ度に応じて呈色する第２呈色領域を撮像する撮像部と、前記撮像部により撮像された前記第１呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ａを抽出し、前記撮像部により撮像された前記第２呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ｂを抽出する抽出部と、前記試料のｐＨと前記第１呈色領域及び前記第２呈色領域の画像データに基づく色空間における座標との関係式を用いて、前記抽出部により抽出された前記座標Ａ及び前記座標Ｂから前記試料のｐＨ値を算出する算出部と、を備えるｐＨ測定システムである。
【0012】
また、本発明は、試料のｐＨに応じて呈色する第１呈色領域と、試料のアルカリ度に応じて呈色する第２呈色領域を撮像する撮像部と、前記撮像部により撮像された前記第１呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ａを抽出し、前記撮像部により撮像された前記第２呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ｂを抽出する抽出部と、前記抽出部により抽出された前記座標Ａ及び前記座標Ｂを学習処理済みニューラルネットワークに入力して、前記試料のｐＨ値を算出する算出部と、を備えるｐＨ測定システムである。
【0013】
また、前記ｐＨ測定システムにおいて、前記ニューラルネットワークは、既知のｐＨに対して呈色した呈色領域の画像データに基づく色空間における座標から計算される特徴量、既知のアルカリ度に対して呈色した呈色領域の画像データに基づく色空間における座標から計算される特徴量、及び前記既知のｐＨに対して呈色した呈色領域の画像データに基づく色空間における座標と前記既知のアルカリ度に対して呈色した呈色領域の画像データに基づく色空間における座標とから計算される特徴量のうちの少なくとも１つを教師データとして、学習処理に利用していることが好ましい。
【0014】
また、本発明は、試料のｐＨに応じて呈色する第１呈色領域と、試料のアルカリ度に応じて呈色する第２呈色領域を撮像する撮像工程と、前記撮像工程により撮像された前記第１呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ａを抽出し、前記撮像工程により撮像された前記第２呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ｂを抽出する抽出工程と、前記試料のｐＨと前記第１呈色領域及び前記第２呈色領域の画像データに基づく色空間における座標との関係式を用いて、前記抽出工程により抽出された前記座標Ａ及び前記座標Ｂから前記試料のｐＨ値を算出する算出工程と、を備えるｐＨ測定方法である。
【0015】
また、本発明は、試料のｐＨに応じて呈色する第１呈色領域と、試料のアルカリ度に応じて呈色する第２呈色領域を撮像する撮像工程と、前記撮像工程により撮像された前記第１呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ａを抽出し、前記撮像工程により撮像された前記第２呈色領域の画像データから、２つ以上の色チャンネルを有する色空間における座標Ｂを抽出する抽出工程と、前記抽出工程により抽出された前記座標Ａ及び前記座標Ｂを学習処理済みニューラルネットワークに入力して、前記試料のｐＨ値を算出する算出工程と、を備えるｐＨ測定方法である。
【0016】
また、前記ｐＨ測定方法において、前記ニューラルネットワークは、既知のｐＨに対して呈色した呈色領域の画像データに基づく色空間における座標から計算される特徴量、既知のアルカリ度に対して呈色した呈色領域の画像データに基づく色空間における座標から計算される特徴量、及び前記既知のｐＨに対して呈色した呈色領域の画像データに基づく色空間における座標と前記既知のアルカリ度に対して呈色した呈色領域の画像データに基づく色空間における座標とから計算される特徴量のうちの少なくとも１つを教師データとして、学習処理に利用していることが好ましい。
【発明の効果】
【0017】
本発明によれば、試料のｐＨ値を精度よく測定することができるｐＨ測定システム及びｐＨ測定方法を提供することができる。
【図面の簡単な説明】
【0018】
【図1】本実施形態に係るｐＨ測定システムで使用される試験片の一例を示す模式図である。
【図2】本実施形態に係るｐＨ測定システムの構成の一例を示す模式図である。
【図3】本実施形態に係るｐＨ測定システムを構成する制御部の機能ブロックの一例を示す図である。
【図4】第１呈色領域及び第２呈色領域の画像データに基づく色空間における座標の相関関係を説明するための図である。
【図5】第１呈色領域に係る座標（Ｌ＊）及び第２呈色領域に係る座標（ａ＊）を対応する試料のｐＨと関連付けたデータベースの一例を示す。
【図6】本実施形態に係るｐＨ測定システムの動作の一例を示すフロー図である。
【図7】本実施形態に係るｐＨ測定システムを構成する制御部の機能ブロックの他の一例を示す図である。
【図8】設定部におけるニューラルネットワークの構成の一例を示す模式図である。
【図9】本実施形態に係るｐＨ測定システムの動作の一例を示すフロー図である。
【図10】本実施形態に係るｐＨ測定システムの構成の他の一例を示す模式図である。
【図11】本実施形態に係るｐＨ測定システムの動作の一例を示すフロー図である。
【図12】本実施形態に係るｐＨ測定システムの構成の他の一例を示す模式図である。
【図13】本実施形態に係るｐＨ測定システム７の動作の一例を示すフロー図である。
【図14】比較例１のｐＨ値の算出結果を示す図である。
【図15】比較例２のｐＨ値の算出結果を示す図である。
【図16】実施例１のｐＨ値の算出結果を示す図である。
【図17】実施例２のｐＨ値の算出結果を示す図である。
【図18】実施例３のｐＨ値の算出結果を示す図である。
【発明を実施するための形態】
【0019】
本発明の実施の形態について以下説明する。本実施形態は本発明を実施する一例であって、本発明は本実施形態に限定されるものではない。
【0020】
図１は、本実施形態に係るｐＨ測定システムで使用される試験片の一例を示す模式図である。試験片１は、試料中の分析対象物質の濃度に応じて呈色する呈色領域（第１呈色領域１０、第２呈色領域１２）を有する。本実施形態では、第１呈色領域１０及び第２呈色領域１２を同一平面上に有する試験片１を用いているが、第１呈色領域１０を有する試験片及び第２呈色領域１２を有する試験片それぞれを用いてもよい。
【0021】
第１呈色領域１０には、試料のｐＨに応じて（すなわち、試料中の水素イオン濃度に応じて）、色が変化する試薬が固定されている。また、第２呈色領域１２には、試料のアルカリ度に応じて（すなわち、試料中の炭酸塩及び／又は炭酸水素塩の濃度に応じて）、色が変化する試薬が固定されている。なお、試験片１には、第３呈色領域が設けられていてもよい。第３呈色領域の測定対象は、例えば、アルミニウム、ホウ素、銅、クロム、バナジウム、鉄、マンガン、ニッケル、銀、スズ、亜鉛、鉛、ヒ素、カドミウム、水銀、コバルト、モリブデン、シリカ、シアン、水酸化物、亜硝酸、硝酸、亜硫酸、硫化物、硫酸、全窒素、有機体窒素、硝酸性窒素、亜硝酸性窒素、全りん、リン酸、アンモニウム、リチウム、カリウム、ナトリウム、カルシウム、マグネシウム、塩化物、臭化物、よう化物、結合残留塩素、活性酸素、過酸化水素、アスコルビン酸、キレート剤、界面活性剤、グルコース、ポリマー、ホルムアルデヒド等が挙げられる。また、カルシウム塩および／またはマグネシウム塩の含有量を示す指標となる硬度や、酸素、過酸化水素、水素、亜硫酸などの酸化剤または還元剤の含有量を示す指標となる酸化還元電位も測定対象である。
【0022】
試験片１は、呈色領域で生じた呈色と比較するための色見本から構成されるカラーチャート領域を有していてもよい。カラーチャート領域の色見本は、例えば、絵の具、インク、顔料、塗料等を使用したオフセット印刷、グラビア印刷、凸版印刷、スクリーン印刷、熱転写印刷、レーザー印刷、インクジェット印刷等によって形成される。カラーチャート領域は、試験片１とは別のシート等に設けられていてもよい。
【0023】
試料と呈色領域との接触は、例えば、試験片１を試料へ浸漬させる、或いは試料を試験片１の呈色領域に滴下する等の方法が挙げられる。
【0024】
図２は、本実施形態に係るｐＨ測定システムの構成の一例を示す模式図である。図２に示すｐＨ測定システム３は、撮像部２２、発光部２４、制御部２６、操作部２８、表示部３０、記憶部３２を有する。ｐＨ測定システム３は、例えば、スマートフォン、ラップトップ型のパーソナルコンピュータ（ＰＣ）、タブレット端末のような汎用型又は多機能型の携帯型コンピュータ、デスクトップ型又はタワー型のＰＣ等の汎用型のコンピュータ等の端末装置等が適用される。
【0025】
撮像部２２は、例えば、ＣＣＤ又はＣＭＯＳ等のイメージセンサを用いた撮像装置であり、試験片１を撮像し、撮像した試験片１の画像データを取得する。発光部２４は、撮像部２２に隣接して配置され、必要に応じて、撮像部２２による撮像時に発光する。
【0026】
操作部２８は、ユーザーからの操作を受け付けるためのインターフェースであり、例えば、スマートフォン等の携帯端末等の場合には、タッチパネルやキーボタン等である。表示部３０は、撮像部２２により撮像した試験片１の画像や制御部２６から出力された情報等を表示するためのインターフェースであり、例えば、ディスプレイ等である。スマートフォン等の携帯端末等の場合には、表示部３０は、タッチパネルディスプレイとして操作部２８と一体化されている。
【0027】
記憶部３２は、例えば、ＲＡＭ、ＲＯＭ、ＨＤＤ、フラッシュメモリー等を含んで構成され、撮像部２２が取得した画像データ、制御部２６が読み出す所定の処理プログラム、制御部２６から出力される情報等を記憶する。また、記憶部３２は、例えば、試料のｐＨ値を算出するために必要な情報等を記憶する。
【0028】
制御部２６は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ等を含んで構成され、記憶部３２に記憶された所定の処理プログラムを読み出し、当該処理プログラムを実行して、ｐＨ測定システム３の動作を制御する。
【0029】
【0030】
画像領域選択部３４は、撮像部２２により撮像された試験片１の画像データから、第１呈色領域１０、第２呈色領域１２それぞれの画像領域を選択する。例えば、画像領域選択部３４は、試験片１上の第１呈色領域１０、第２呈色領域１２の位置関係の相対値から、又はユーザーからの操作に応じて、それぞれの画像領域を検出する。
【0031】
抽出部３６は、第１呈色領域１０の画像データから２つ以上の色チャンネルを有する色空間における座標Ａを抽出する（以下、第１呈色領域１０に係る座標Ａと称する場合がある）。また、抽出部３６は、第２呈色領域１２の画像データから２つ以上の色チャンネルを有する色空間における座標Ｂを抽出する（以下、第２呈色領域１２に係る座標Ｂと称する場合がある）。
【0032】
２つ以上の色チャンネルとしては、ＲＧＢ空間におけるＲ、Ｇ、Ｂ、ＸＹＺ空間におけるＸ、Ｙ、Ｚ、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊、ＣＭＹＫ空間におけるＣ、Ｍ、Ｙ、Ｋ、ＨＳＶ空間におけるＨ、Ｓ、Ｖ、ＨＬＳ空間におけるＨ、Ｌ、Ｓ等が挙げられる。そして、２つ以上の色チャンネルを有する色空間とは、Ｒ、Ｇ、Ｂのチャンネルを例にすると、Ｒ軸、Ｇ軸が相互に直交する２次元色空間、Ｒ軸、Ｂ軸が相互に直交する２次元色空間、Ｇ軸、Ｂ軸が相互に直交する２次元色空間、又はＲ軸、Ｇ軸、Ｂ軸が相互に直交する３次元色空間である。また、抽出部３６により抽出される座標は、色空間を構成する色チャンネルの色値（画像信号値）である。例えば、Ｒ軸、Ｇ軸が相互に直交する２次元空間を例にすると、呈色領域の画像データから抽出したＲの色値及びＧの色値の両方又はいずれか一方が、抽出部３６により抽出される座標となる。なお、画像データから抽出する色チャンネルの色値は、画像データ内の各画素の色チャンネルの色値の平均値や最頻値など、色値を統計処理することにより算出した値であることが望ましい。
【0033】
算出部３８は、試料のｐＨと第１呈色領域１０及び第２呈色領域１２の画像データに基づく色空間における座標との関係式（以下、試料のｐＨを算出するための関係式と称する場合がある）を用いて、第１呈色領域１０に係る座標Ａ及び第２呈色領域１２に係る座標Ｂから試料のｐＨを算出する。
【0034】
図４は、第１呈色領域及び第２呈色領域の画像データに基づく色空間における座標の相関関係を説明するための図である。図４では、横軸を第２呈色領域１２の画像データに基づく色空間における座標（Ｌ＊ａ＊ｂ＊空間におけるａ＊）とし、縦軸を第１呈色領域１０の画像データに基づく色空間における座標（Ｌ＊ａ＊ｂ＊空間におけるＬ＊）とし、ｐＨ及びアルカリ度の異なる複数の試料に対して試験片１を浸漬させ、各試験片１の第１呈色領域１０及び第２呈色領域１２の画像データの色空間における座標（ａ＊，Ｌ＊）をプロットしている。図４のプロットは、左下側から右上側に向かってｐＨの高い試料に対するデータとなっており、これらのプロットを線形の関数で近似することができる。したがって、試料のｐＨと、第１呈色領域１０の画像データに基づく色空間における座標及び第２呈色領域１２の画像データに基づく色空間における座標との間には相関関係があるため、試料のｐＨ値を算出するための関係式にこれらの座標を変数として組み込むことにより、アルカリ度を考慮した試料のｐＨ値を算出することができ、試料のｐＨ値の算出精度の向上が図られる。
【0035】
試料のｐＨ値を算出するための関係式は、例えば、以下のようにして設定される。ｐＨ及びアルカリ度の異なる複数の試料に対して試験片１を浸漬させ、各試験片１の第１呈色領域１０及び第２呈色領域１２の画像データを取得し、第１呈色領域１０に係る座標（例えば、Ｌ＊）、第２呈色領域１２に係る座標（例えば、ａ＊）を抽出し、対応する試料のｐＨ等と関連付けてデータベースにする。
【0036】
図５は、第１呈色領域に係る座標（Ｌ＊）及び第２呈色領域に係る座標（ａ＊）を対応する試料のｐＨと関連付けたデータベースの一例を示す。そして、図５に示すデータベースに対して、例えば重回帰分析を実施することにより、以下のような、試料のｐＨ値を算出するための関係式が設定される。
Ｙ＝ｂ１Ｘ１＋ｂ２Ｘ２＋ｂ０
Ｙ：試料のｐＨ値
ｂ１、ｂ２、ｂ０：重回帰分析により求められる定数
Ｘ１：第１呈色領域１０に係る座標（Ｌ＊）
Ｘ２：第２呈色領域１２に係る座標（ａ＊）
Ｙ＝ｂ１Ｘ１＋ｂ２Ｘ２＋ｂ０
Ｙ：試料のｐＨ値
ｂ１、ｂ２、ｂ０：重回帰分析により求められる定数
Ｘ１：第１呈色領域１０に係る座標（Ｌ＊）
Ｘ２：第２呈色領域１２に係る座標（ａ＊）
【0037】
上記関係式は一例であって、上記に限定されるものではない。例えば、試料のｐＨ値を算出するための関係式における変数は、３つ以上であってもよい。例えば、Ｘ１、Ｘ２に加え、第１呈色領域１０の画像データに基づく色空間における座標（ａ＊）を変数とするＸ３、第２呈色領域１２の画像データに基づく色空間における座標（Ｌ＊）を変数とするＸ４等を含む関係式であってもよい。
【0038】
上記関係式は、ｐＨ測定システム３によって、分析対象である試料のｐＨ値を算出する前の段階で設定されるものである。関係式は例えば記憶部３２に記憶される。
【0039】
図６は、本実施形態に係るｐＨ測定システムの動作の一例を示すフロー図である。図６に示す各ステップの処理は、記憶部３２に記憶されている所定の処理プログラムに基づいて、制御部２６により、ｐＨ測定システム３を構成する各部と協働して実行される。
【0040】
ステップＳ１０では、撮像部２２は、試料に浸漬させた後の試験片１を撮像する。ステップＳ１２では、画像領域選択部３４は、撮像部２２によって撮像された試験片１の画像データから、第１呈色領域１０の画像データ及び第２呈色領域１２の画像データを選択する。ステップＳ１４では、制御部２６を構成する抽出部３６は、選択された第１呈色領域１０の画像データから、２つ以上の色チャンネルを有する色空間における座標Ａ、及び選択された第２呈色領域１２の画像データから、２つ以上の色チャンネルを有する色空間における座標Ｂを抽出する。ステップＳ１６では、制御部２６を構成する算出部３８は、記憶部３２に記憶されている、試料のｐＨと第１呈色領域１０及び第２呈色領域１２の画像データに基づく色空間における座標との関係式（試料のｐＨを算出するための関係式）を読み出し、当該式に、座標Ａ及び座標Ｂの値を代入し、試料のｐＨ値を算出する。なお、記憶部３２は、ステップＳ１６で算出した試料のｐＨ値を記憶する。また、必要に応じて、算出した試料のｐＨ値を表示部３０に表示する。
【0041】
図７は、本実施形態に係るｐＨ測定システムを構成する制御部の機能ブロックの他の一例を示す図である。図７に示すように、機能ブロックとして、画像領域選択部３４、抽出部３６、算出部３８、ニューラルネットワークを含む設定部４０を有する。画像領域選択部３４、抽出部３６は前述の通りであり、その説明を省略する。
【0042】
図８は、設定部におけるニューラルネットワークの構成の一例を示す模式図である。ニューラルネットワークには、入力層、一つ以上の中間層、出力層から構成され、また、入力層、中間層、出力層のそれぞれに含まれるニューロンが互いにどのように結合されるのかという結合情報や、結合されたニューロン間で入出力されるデータに付与される結合係数がいくつであるのかという重み情報等が含まれる。
【0043】
ニューラルネットワークは、試料のｐＨに対応する第１呈色領域１０及び第２呈色領域１２の画像データに基づく色空間における座標が、入力層に入力された際に、試料のｐＨが出力されるように、教師データを用いた学習処理が施されている。
【0044】
例えば、記憶部３２には、学習処理に利用される複数の教師データが記憶される。教師データは、既知のｐＨ及びアルカリ度を示す試料に対して試験片１を浸漬して、試験片１の第１呈色領域１０及び第２呈色領域１２の画像データを取得し、第１呈色領域１０に係る座標Ａ、第２呈色領域１２に係る座標Ｂを抽出し、これらの座標と対応する試料のｐＨ等とを関連付けることにより得られるデータセットである。教師データは、試料のｐＨ及びアルカリ度を変えて複数作成し、記憶部３２に記憶させる。教師データにおける第１呈色領域１０に係る座標Ａは少なくとも１つの色チャンネルであればよく、例えば、Ｌ＊、ａ＊、ｂ＊のうちの少なくともいずれか１つであればよい。また、教師データにおける第２呈色領域１２に係る座標Ｂは少なくとも１つの色チャンネルであればよく、例えば、Ｌ＊、ａ＊、ｂ＊のうちの少なくともいずれか１つであればよい。また、教師データには、第１呈色領域１０に係る座標Ａから計算される特徴量、第２呈色領域１２に係る座標Ｂから計算される特徴量、及び第１呈色領域１０に係る座標Ａと第２呈色領域１２に係る座標Ｂとから計算される特徴量のうちの少なくとも１つを含んでいてもよい。
【0045】
第１呈色領域１０に係る座標Ａから計算される特徴量とは、例えば、ある座標点から、第１呈色領域１０に係る座標Ａまでの距離、角度、ベクトル等、もしくはある規定関数から、第１呈色領域１０に係る座標Ａまでの距離、角度、ベクトル、その交点の座標等が挙げられる。第２呈色領域１２に係る座標Ｂから計算される特徴量も同様である。第１呈色領域１０に係る座標Ａと第２呈色領域１２に係る座標Ｂとから計算される特徴量とは、例えば、第１呈色領域１０に係る座標Ａから第２呈色領域１２に係る座標Ｂまでの距離（色差）、角度、ベクトル等、もしくはある規定関数から、第１呈色領域１０に係る座標Ａまでの距離、角度、ベクトル、その交点の座標等が挙げられる。
【0046】
学習処理に用いられる入力データは、教師データに含まれる第１呈色領域１０に係る座標Ａ及び第２呈色領域１２に係る座標Ｂ等である。また、学習処理に用いられる入力データには上記特徴量が含まれていてもよい。学習処理に用いられる出力データは、教師データに含まれる座標に関連付けられた試料のｐＨである。
【0047】
設定部４０は、例えば、記憶部３２から取得した複数の教師データを用いて、ニューラルネットワークにより構築された学習モデル（アルゴリズム）にしたがって、深層学習（ディープラーニング）を行い、学習処理されたニューラルネットワークを構築する。ニューラルネットワークの学習処理の終了条件は、教師データの出力データとニューラルネットワークの出力値との誤差が閾値以下となったら学習処理を終了するように定めても良いし、既定の計算サイクル回数の終了後に学習処理を終了するよう定めても良い。なお、設定部４０によるニューラルネットワークの構築は、試料のｐＨ値を算出する準備段階として行われる。
【0048】
算出部３８は、設定部４０により構築された学習済みニューラルネットワークに、第１呈色領域１０に係る座標Ａ及び第２呈色領域１２に係る座標Ｂを入力して、試料のｐＨを算出する。試料のｐＨを算出する具体例を以下に示す。
【0049】
図９は、本実施形態に係るｐＨ測定システムの動作の一例を示すフロー図である。ステップＳ２０では、撮像部２２は、試料に浸漬させた後の試験片１を撮像する。ステップＳ２２では、画像領域選択部３４は、撮像部２２によって撮像された試験片１の画像データから、第１呈色領域１０の画像データ及び第２呈色領域１２の画像データを選択する。ステップＳ２４では、制御部２６を構成する抽出部３６は、選択された第１呈色領域１０の画像データから、第１呈色領域１０に係る座標Ａ、及び選択された第２呈色領域１２の画像データから、第２呈色領域１２に係る座標Ｂを抽出する。ステップＳ２６では、制御部２６を構成する算出部３８は、設定部４０により構築された学習済みニューラルネットワークに、座標Ａ及び座標Ｂを入力して、試料のｐＨ値を算出（出力）する。なお、記憶部３２は、ステップＳ２６で算出した試料のｐＨ値を記憶する。また、必要に応じて、算出した試料のｐＨ値を表示部３０に表示する。
【0050】
図１０は、本実施形態に係るｐＨ測定システムの構成の他の一例を示す模式図である。図１０に示すｐＨ測定システム５は、互いに通信可能な端末装置４２及びサーバ装置４４を有する。これらの各装置は、有線または無線の通信ネットワーク４６を介して互いに接続されている。通信ネットワーク４６は、例えば、インターネットが含まれる。
【0051】
端末装置４２は、スマートフォン、ラップトップ型のパーソナルコンピュータ（ＰＣ）、タブレット端末のような様々な汎用型又は多機能型の携帯型コンピュータ、デスクトップ型或いはタワー型のＰＣ等の汎用型のコンピュータ等の端末装置が適用される。
【0052】
端末装置４２は、撮像部２２、発光部２４、制御部２６、操作部２８、表示部３０、記憶部３２、端末側通信部４８、を有する。撮像部２２、発光部２４、操作部２８、表示部３０は前述の通りであり、その説明を省略する。
【0053】
記憶部３２は、例えば、撮像部２２が取得した画像データ、制御部２６が読みだす所定の処理プログラム、制御部２６から出力される情報等を記憶する。
【0054】
制御部２６は、例えば、記憶部３２に記憶された所定の処理プログラムを読みだし、当該処理プログラムを実行して、端末装置４２の動作を制御する。
【0055】
制御部２６は、機能ブロックとして、例えば、画像領域選択部３４、抽出部３６を有する。画像領域選択部３４及び抽出部３６の機能は前述の通りであり、その説明を省略する。
【0056】
端末側通信部４８は、制御部２６の抽出部により抽出されたデータをサーバ装置４４に送信する。また、端末側通信部４８は、サーバ装置４４から送信された情報を受信する。
【0057】
サーバ装置４４は、サーバ側通信部５０と、記憶部５２と、制御部５４とを有する。サーバ側通信部５０は、端末側通信部４８により送信されたデータ等を受信する。また、サーバ側通信部５０は、サーバ装置４４側で算出された試料ｐＨ値等を端末側通信部４８に送信する。
【0058】
記憶部５２は、端末装置４２から受信したデータやサーバ装置４４側で算出された試料ｐＨ値等を記憶する。また、記憶部５２は、制御部５４が読みだす所定の処理プログラムや制御部５４から出力される情報等も記憶する。
【0059】
制御部５４は、例えば、記憶部５２に記憶された所定のプログラムを読み出し、当該処理プログラムを実行して、サーバ装置４４の動作を制御する。
【0060】
また、制御部５４は、機能ブロックとして、算出部３８、ニューラルネットワークを含む設定部４０、教師データベース５６を有する。
【0061】
教師データベース５６には、例えば、ｐＨ及びアルカリ度の異なる複数の試料を準備し、これらの試料に対して試験片１を浸漬して、各試験片１の第１呈色領域１０及び第２呈色領域１２の画像データを取得し、第１呈色領域１０に係る座標Ａ、第２呈色領域１２に係る座標Ｂを抽出し、これらの座標と対応する試料のｐＨ等とを関連付けることにより得られた教師データが複数蓄積される。複数の教師データは端末装置４２側で得られたデータであり、通信部（４８，５０）を介して教師データベース５６に蓄積される。
【0062】
設定部４０によるニューラルネットワークの構築は前述の通りであり、その説明を省略する。
【0063】
算出部３８は、設定部４０により構築された学習済みニューラルネットワークに、第１呈色領域１０に係る座標Ａ及び第２呈色領域１２に係る座標Ｂを入力して、試料のｐＨを算出する。試料のｐＨを算出する具体例を以下に示す。
【0064】
図１１は、本実施形態に係るｐＨ測定システム５の動作の一例を示すフロー図である。
【0065】
ステップＳ３０では、撮像部２２は、試料に浸漬させた後の試験片１を撮像する。ステップＳ３２では、画像領域選択部３４は、撮像部２２によって撮像された試験片１の画像データから、第１呈色領域１０の画像データ及び第２呈色領域１２の画像データを選択する。ステップＳ３４では、制御部２６を構成する抽出部３６は、選択された第１呈色領域１０の画像データから、第１呈色領域１０に係る座標Ａ、及び選択された第２呈色領域１２の画像データから、第２呈色領域１２に係る座標Ｂを抽出する。ステップＳ３６では、端末側通信部４８は、第１呈色領域１０に係る座標Ａ及び第２呈色領域１２に係る座標Ｂをサーバ装置４４に送信する。ステップＳ３８では、サーバ装置４４は、第１呈色領域１０に係る座標Ａ及び第２呈色領域１２に係る座標Ｂをサーバ側通信部５０で受信し、記憶部５２で記憶する。ステップＳ４０では、制御部５４を構成する算出部３８は、設定部４０により構築された学習済みニューラルネットワークに、記憶部５２に記憶されている座標Ａ及び座標Ｂを入力して、試料のｐＨ値を算出する。ステップＳ４２では、サーバ側通信部５０は、算出した試料のｐＨを端末装置４２に送信する。ステップＳ４４は、端末装置４２は、算出した試料のｐＨを端末側通信部４８で受信し、表示部３０に表示する。また、必要に応じて、算出した試料のｐＨ値を記憶部３２に記憶する。
【0066】
図１２は、本実施形態に係るｐＨ測定システムの構成の他の一例を示す模式図である。図１２に示すｐＨ測定システム７は、互いに通信可能な端末装置４２及びサーバ装置４４を有する。これらの各装置は、有線または無線の通信ネットワーク４６を介して互いに接続されている。通信ネットワーク４６は、例えば、インターネットが含まれる。
【0067】
端末装置４２は、スマートフォン、ラップトップ型のパーソナルコンピュータ（ＰＣ）、タブレット端末のような様々な汎用型又は多機能型の携帯型コンピュータ、デスクトップ型或いはタワー型のＰＣ等の汎用型のコンピュータ等の端末装置が適用される。
【0068】
端末装置４２は、撮像部２２、発光部２４、制御部２６、操作部２８、表示部３０、記憶部３２、端末側通信部４８、を有する。撮像部２２、発光部２４、操作部２８、表示部３０は前述の通りであり、その説明を省略する。
【0069】
記憶部３２は、例えば、撮像部２２が取得した画像データ、制御部２６が読みだす所定の処理プログラム、制御部２６から出力される情報等を記憶する。
【0070】
制御部２６は、例えば、記憶部３２に記憶された所定の処理プログラムを読みだし、当該処理プログラムを実行して、端末装置４２の動作を制御する。
【0071】
また、制御部２６は、機能ブロックとして、例えば、画像領域選択部３４、抽出部３６、算出部３８を有する。画像領域選択部３４及び抽出部３６の機能は前述の通りであり、その説明を省略する。
【0072】
算出部３８は、サーバ装置４４側の設定部４０により構築された学習済みニューラルネットワークに、第１呈色領域１０に係る座標Ａ及び第２呈色領域１２に係る座標Ｂを入力して、試料のｐＨを算出する。
【0073】
端末側通信部４８は、制御部２６の抽出部３６により抽出されたデータをサーバ装置４４に送信する。また、端末側通信部４８は、サーバ装置４４から送信された情報を受信する。
【0074】
サーバ装置４４は、サーバ側通信部５０と、記憶部５２と、制御部５４とを有する。サーバ側通信部５０は、端末側通信部４８により送信されたデータ等を受信する。また、サーバ側通信部５０は、サーバ装置４４側で設定されたニューラルネットワーク等を端末側通信部４８に送信する。
【0075】
記憶部５２は、端末装置４２から受信したデータ等を記憶する。また、記憶部５２は、制御部５４が読みだす所定の処理プログラムや制御部５４から出力される情報等も記憶する。
【0076】
制御部５４は、例えば、記憶部５２に記憶された所定のプログラムを読み出し、当該処理プログラムを実行して、サーバ装置４４の動作を制御する。
【0077】
また、制御部５４は、機能ブロックとして、ニューラルネットワークを含む設定部４０、教師データベース５６を有する。
【0078】
教師データベース５６には、例えば、ｐＨ及びアルカリ度の異なる複数の試料を準備し、これらの試料に対して試験片１を浸漬して、各試験片１の第１呈色領域１０及び第２呈色領域１２の画像データを取得し、第１呈色領域１０に係る座標Ａ、第２呈色領域１２に係る座標Ｂを抽出し、これらの座標と対応する試料のｐＨ等とを関連付けることにより得られた教師データが複数蓄積される。複数の教師データは端末装置４２側で得られたデータであり、通信部（４８，５０）を介して教師データベース５６に蓄積される。
【0079】
設定部４０によるニューラルネットワークの構築は前述の通りであり、その説明を省略する。
【0080】
図１３は、本実施形態に係るｐＨ測定システム７の動作の一例を示すフロー図である。
【0081】
ステップＳ５０では、撮像部２２は、試料に浸漬させた後の試験片１を撮像する。ステップＳ５２では、画像領域選択部３４は、撮像部２２によって撮像された試験片１の画像データから、第１呈色領域１０の画像データ及び第２呈色領域１２の画像データを選択する。ステップＳ５４では、制御部２６を構成する抽出部３６は、選択された第１呈色領域１０の画像データから、第１呈色領域１０に係る座標Ａ、及び選択された第２呈色領域１２の画像データから、第２呈色領域１２に係る座標Ｂを抽出する。ステップＳ５６では、サーバ装置４４は、設定部４０により構築された学習済みニューラルネットワークを端末装置４２に送信する。ステップＳ５８では、端末装置４２は、学習済みニューラルネットワークを端末側通信部４８で受信し、記憶部３２で記憶する。ステップＳ６０では、制御部２６を構成する算出部３８は、学習済みニューラルネットワークに、座標Ａ及び座標Ｂを入力して、試料のｐＨ値を算出する。ステップＳ６２では、算出した試料のｐＨを表示部３０に表示する。また、必要に応じて、算出した試料のｐＨ値を記憶部３２に記憶する。なお、図１３のステップＳ５６、Ｓ５８は、ステップＳ５４の後ではなく、ステップＳ５４の前、例えばステップＳ５０の前に実行してもよい。
【0082】
ｐＨ測定システム５，７における試料のｐＨの算出は、ニューラルネットワークを用いる場合に限定されず、試料のｐＨと第１呈色領域１０及び第２呈色領域１２の画像データに基づく色空間における座標との関係式を用いてもよい。
【0083】
なお、実施形態で説明したｐＨ測定システムの制御部の各機能をコンピュータに実現させるための所定のプログラムは、磁気記録媒体、光記録媒体などのコンピュータにより読み取り可能な記録媒体に記録された形で提供してもよい。
【実施例】
【0084】
＜比較例１＞
ｐＨ及びアルカリ度の異なる試料を複数準備した。これらの試料に、ｐＨに応じて呈色する呈色領域を有する試験片を浸漬させた。各試験片の呈色領域を撮像し、画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出した。抽出したＬ＊、ａ＊、ｂ＊と対応する試料のｐＨを関連付けてデータベースにして、重回帰分析を行い、ｐＨ値を算出するための関係式を設定した。この関係式に、別途準備した複数の試料からそれぞれ抽出したＬ＊、ａ＊、ｂ＊を代入し、ｐＨを算出した。図１４は、比較例１のｐＨ値の算出結果を示す図である。図１４では、算出したｐＨ値（推定ｐＨ）を縦軸とし、対応する試料の実際のｐＨ（実測ｐＨ）を横軸とし、比較例１の結果をプロットしている（以下の比較例及び実施例も同様）。推定ｐＨ及び実測ｐＨのデータを相関分析した結果、相関関係Ｒは０．９４、決定係数Ｒ２は０．８９であった。
ｐＨ及びアルカリ度の異なる試料を複数準備した。これらの試料に、ｐＨに応じて呈色する呈色領域を有する試験片を浸漬させた。各試験片の呈色領域を撮像し、画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出した。抽出したＬ＊、ａ＊、ｂ＊と対応する試料のｐＨを関連付けてデータベースにして、重回帰分析を行い、ｐＨ値を算出するための関係式を設定した。この関係式に、別途準備した複数の試料からそれぞれ抽出したＬ＊、ａ＊、ｂ＊を代入し、ｐＨを算出した。図１４は、比較例１のｐＨ値の算出結果を示す図である。図１４では、算出したｐＨ値（推定ｐＨ）を縦軸とし、対応する試料の実際のｐＨ（実測ｐＨ）を横軸とし、比較例１の結果をプロットしている（以下の比較例及び実施例も同様）。推定ｐＨ及び実測ｐＨのデータを相関分析した結果、相関関係Ｒは０．９４、決定係数Ｒ２は０．８９であった。
【0085】
＜比較例２＞
上記同様の試料に、アルカリ度に応じて呈色する呈色領域を有する試験片のみを浸漬させたこと以外は、比較例１と同様にして、ｐＨ値を算出した。図１５は、比較例２のｐＨ値の算出結果を示す図である。推定ｐＨ及び実測ｐＨのデータを相関分析した結果、相関関係Ｒは０．８０、決定係数Ｒ２は０．６３であった。
上記同様の試料に、アルカリ度に応じて呈色する呈色領域を有する試験片のみを浸漬させたこと以外は、比較例１と同様にして、ｐＨ値を算出した。図１５は、比較例２のｐＨ値の算出結果を示す図である。推定ｐＨ及び実測ｐＨのデータを相関分析した結果、相関関係Ｒは０．８０、決定係数Ｒ２は０．６３であった。
【0086】
＜実施例１＞
上記同様の試料に、ｐＨに応じて呈色する第１呈色領域及びアルカリ度に応じて呈色する第２呈色領域を有する試験片を浸漬させた。各試験片の第１呈色領域及び第２呈色領域を撮像し、第１呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出し、第２呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出した。抽出した各Ｌ＊、ａ＊、ｂ＊及び対応する試料のｐＨを関連付けてデータベースにして、重回帰分析を行い、ｐＨ値を算出するための関係式を設定した。この関係式に、別途準備した複数の試料からそれぞれ抽出した第１呈色領域のＬ＊、ａ＊、ｂ＊、第２呈色領域のＬ＊、ａ＊、ｂ＊を代入し、ｐＨ値を算出した。図１６は、実施例１のｐＨ値の算出結果を示す図である。推定ｐＨ及び実測ｐＨのデータを相関分析した結果、相関関係Ｒは０．９６、決定係数Ｒ２は０．９３であった。
上記同様の試料に、ｐＨに応じて呈色する第１呈色領域及びアルカリ度に応じて呈色する第２呈色領域を有する試験片を浸漬させた。各試験片の第１呈色領域及び第２呈色領域を撮像し、第１呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出し、第２呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出した。抽出した各Ｌ＊、ａ＊、ｂ＊及び対応する試料のｐＨを関連付けてデータベースにして、重回帰分析を行い、ｐＨ値を算出するための関係式を設定した。この関係式に、別途準備した複数の試料からそれぞれ抽出した第１呈色領域のＬ＊、ａ＊、ｂ＊、第２呈色領域のＬ＊、ａ＊、ｂ＊を代入し、ｐＨ値を算出した。図１６は、実施例１のｐＨ値の算出結果を示す図である。推定ｐＨ及び実測ｐＨのデータを相関分析した結果、相関関係Ｒは０．９６、決定係数Ｒ２は０．９３であった。
【0087】
＜実施例２＞
上記同様の試料に、ｐＨに応じて呈色する第１呈色領域及びアルカリ度に応じて呈色する第２呈色領域を有する試験片を浸漬させた。各試験片の第１呈色領域及び第２呈色領域を撮像し、第１呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出し、第２呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出した。抽出した各Ｌ＊、ａ＊、ｂ＊及び対応する試料のｐＨを関連付けたデータセットを教師データにして、ニューラルネットワークに学習処理を行い、ｐＨ値を算出するための学習処理済みニューラルネットワークを構築した。このニューラルネットワークに、別途準備した複数の試料からそれぞれ抽出した第１呈色領域のＬ＊、ａ＊、ｂ＊、第２呈色領域のＬ＊、ａ＊、ｂ＊を代入し、ｐＨ値を算出した。図１７は、実施例２のｐＨ値の算出結果を示す図である。推定ｐＨ及び実測ｐＨのデータを相関分析した結果、相関関係Ｒは０．９８、決定係数Ｒ２は０．９６であった。
上記同様の試料に、ｐＨに応じて呈色する第１呈色領域及びアルカリ度に応じて呈色する第２呈色領域を有する試験片を浸漬させた。各試験片の第１呈色領域及び第２呈色領域を撮像し、第１呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出し、第２呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出した。抽出した各Ｌ＊、ａ＊、ｂ＊及び対応する試料のｐＨを関連付けたデータセットを教師データにして、ニューラルネットワークに学習処理を行い、ｐＨ値を算出するための学習処理済みニューラルネットワークを構築した。このニューラルネットワークに、別途準備した複数の試料からそれぞれ抽出した第１呈色領域のＬ＊、ａ＊、ｂ＊、第２呈色領域のＬ＊、ａ＊、ｂ＊を代入し、ｐＨ値を算出した。図１７は、実施例２のｐＨ値の算出結果を示す図である。推定ｐＨ及び実測ｐＨのデータを相関分析した結果、相関関係Ｒは０．９８、決定係数Ｒ２は０．９６であった。
【0088】
＜実施例３＞
上記同様の試料に、ｐＨに応じて呈色する第１呈色領域及びアルカリ度に応じて呈色する第２呈色領域を有する試験片を浸漬させた。各試験片の第１呈色領域及び第２呈色領域を撮像し、第１呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出し、第２呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出した。さらに第１呈色領域のＬ＊、ａ＊、ｂ＊と第２呈色領域のＬ＊、ａ＊、ｂ＊との色差を計算した。抽出した各Ｌ＊、ａ＊、ｂ＊と計算した色差及び対応する試料のｐＨを関連付けたデータセットを教師データにして、ニューラルネットワークに学習処理を行い、ｐＨ値を算出するための学習処理済みニューラルネットワークを構築した。このニューラルネットワークに、別途準備した複数の試料からそれぞれ抽出した第１呈色領域のＬ＊、ａ＊、ｂ＊、第２呈色領域のＬ＊、ａ＊、ｂ＊、第１呈色領域のＬ＊、ａ＊、ｂ＊と第２呈色領域のＬ＊、ａ＊、ｂ＊との色差を代入し、ｐＨ値を算出した。図１８は、実施例３のｐＨ値の算出結果を示す図である。推定ｐＨ及び実測ｐＨのデータを相関分析した結果、相関関係Ｒは０．９７、決定係数Ｒ２は０．９５であった。
上記同様の試料に、ｐＨに応じて呈色する第１呈色領域及びアルカリ度に応じて呈色する第２呈色領域を有する試験片を浸漬させた。各試験片の第１呈色領域及び第２呈色領域を撮像し、第１呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出し、第２呈色領域の画像データから、Ｌ＊ａ＊ｂ＊空間におけるＬ＊、ａ＊、ｂ＊を抽出した。さらに第１呈色領域のＬ＊、ａ＊、ｂ＊と第２呈色領域のＬ＊、ａ＊、ｂ＊との色差を計算した。抽出した各Ｌ＊、ａ＊、ｂ＊と計算した色差及び対応する試料のｐＨを関連付けたデータセットを教師データにして、ニューラルネットワークに学習処理を行い、ｐＨ値を算出するための学習処理済みニューラルネットワークを構築した。このニューラルネットワークに、別途準備した複数の試料からそれぞれ抽出した第１呈色領域のＬ＊、ａ＊、ｂ＊、第２呈色領域のＬ＊、ａ＊、ｂ＊、第１呈色領域のＬ＊、ａ＊、ｂ＊と第２呈色領域のＬ＊、ａ＊、ｂ＊との色差を代入し、ｐＨ値を算出した。図１８は、実施例３のｐＨ値の算出結果を示す図である。推定ｐＨ及び実測ｐＨのデータを相関分析した結果、相関関係Ｒは０．９７、決定係数Ｒ２は０．９５であった。
【0089】
このように、実施例はいずれも、比較例と比べて、相関関係Ｒ及び決定係数Ｒ２は高い値となり、推定ｐＨと実測ｐＨとは非常に高い相関を示した。すなわち、実施例はいずれも、比較例と比べて、試料のｐＨ値を精度よく算出できたと言える。
【符号の説明】
【0090】
１ 試験片、３，５，７ ｐＨ測定システム、１０ 第１呈色領域、１２ 第２呈色領域、２２ 撮像部、２４ 発光部、２６，５４ 制御部、２８ 操作部、３０ 表示部、３２，５２ 記憶部、３４ 画像領域選択部、３６ 抽出部、３８ 算出部、４０ 設定部、４２ 端末装置、４４ サーバ装置、４６ 通信ネットワーク、４８ 端末側通信部、５０ サーバ側通信部、５６ 教師データベース。
【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】
