知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2025-05-19
(45)【発行日】2025-05-27
(54)【発明の名称】デザイン評価システム、デザイン評価方法、及びプログラム
(51)【国際特許分類】
G06T 7/00 20170101AFI20250520BHJP
【ＦＩ】
G06T7/00 130
【請求項の数】
5
(21)【出願番号】P 2025042242
(22)【出願日】2025-03-17
【審査請求日】2025-03-17
(31)【優先権主張番号】P 2024082008
(32)【優先日】2024-05-20
(33)【優先権主張国・地域又は機関】JP
【早期審査対象出願】
(73)【特許権者】
【識別番号】000003193
【氏名又は名称】ＴＯＰＰＡＮホールディングス株式会社
(74)【代理人】
【識別番号】100149548
【弁理士】
【氏名又は名称】松沼 泰史
(74)【代理人】
【識別番号】100139686
【弁理士】
【氏名又は名称】鈴木 史朗
(74)【代理人】
【識別番号】100169764
【弁理士】
【氏名又は名称】清水 雄一郎
(74)【代理人】
【識別番号】100147267
【弁理士】
【氏名又は名称】大槻 真紀子
(72)【発明者】
【氏名】大鋸 泰斗
(72)【発明者】
【氏名】長谷 隆
【審査官】山田 辰美
(56)【参考文献】
【文献】特開２０１８－１９５０７８（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｔ ７／００－７／９０
(57)【特許請求の範囲】
【請求項1】
マテリアルのデザインを示すマテリアル画像と、前記デザインの見た目の特徴が数値化された特徴量との第１の対応関係を学習した第１の学習済みモデルに基づき、評価対象として入力されるマテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、前記評価対象の特徴量を示す特徴量情報を生成する特徴数値化部と、前記特徴量と、前記デザインの見た目を表す感性語が数値化された感性量との第２の対応関係を学習した第２の学習済みモデルに基づき、入力される前記特徴量情報が示す前記評価対象の特徴量に対応する前記感性語を数値化し、前記評価対象の感性量を示す感性量情報を生成する感性数値化部と、
を備え、
前記特徴量は、前記デザインの見た目の特徴が前記マテリアル画像に表れている度合いを数値で示すものであり、
前記感性語は、前記マテリアル画像を見た人間によって前記デザインの見た目について感じたことが言語化されたものであり、
前記感性量は、前記感性語が前記デザインの見た目に当てはまる度合いを数値で示すものであり、
前記第１の学習済みモデルは、人間によって評価された数値で示される前記特徴量が前記マテリアル画像に対して第１のラベル情報としてタグ付けされた第１のデータセットを用いて、前記第１の対応関係について学習したモデルであり、
前記第２の学習済みモデルは、人間によって評価された数値で示される前記感性量が前記マテリアル画像の前記特徴量情報に対して第２のラベル情報としてタグ付けされた第２のデータセットを用いて、前記第２の対応関係について学習したモデルである、
デザイン評価システム。
【請求項2】
前記第１のデータセットには、前記マテリアル画像に対する画像認識によって前記第１のラベル情報がタグ付けされたデータセットが含まれる、請求項１に記載のデザイン評価システム。
【請求項3】
前記特徴量情報及び前記感性量情報は、前記マテリアルのデザインを建装材のデザインに適用する場合の観点に基づき生成される情報である、請求項１に記載のデザイン評価システム。
【請求項4】
マテリアルのデザインを示すマテリアル画像と、前記デザインの見た目の特徴が数値化された特徴量との第１の対応関係を学習した第１の学習済みモデルに基づき、評価対象として入力されるマテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、前記評価対象の特徴量を示す特徴量情報を生成する特徴数値化過程と、前記特徴量と、前記デザインの見た目を表す感性語が数値化された感性量との第２の対応関係を学習した第２の学習済みモデルに基づき、入力される前記特徴量情報が示す前記評価対象の特徴量に対応する前記感性語を数値化し、前記評価対象の感性量を示す感性量情報を生成する感性数値化過程と、
を含み、
前記特徴量は、前記デザインの見た目の特徴が前記マテリアル画像に表れている度合いを数値で示すものであり、
前記感性語は、前記マテリアル画像を見た人間によって前記デザインの見た目について感じたことが言語化されたものであり、
前記感性量は、前記感性語が前記デザインの見た目に当てはまる度合いを数値で示すものであり、
前記第１の学習済みモデルは、人間によって評価された数値で示される前記特徴量が前記マテリアル画像に対して第１のラベル情報としてタグ付けされた第１のデータセットを用いて、前記第１の対応関係について学習したモデルであり、
前記第２の学習済みモデルは、人間によって評価された数値で示される前記感性量が前記マテリアル画像の前記特徴量情報に対して第２のラベル情報としてタグ付けされた第２のデータセットを用いて、前記第２の対応関係について学習したモデルである、
コンピュータにより実行されるデザイン評価方法。
【請求項5】
コンピュータを、マテリアルのデザインを示すマテリアル画像と、前記デザインの見た目の特徴が数値化された特徴量との第１の対応関係を学習した第１の学習済みモデルに基づき、評価対象として入力されるマテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、前記評価対象の特徴量を示す特徴量情報を生成する特徴数値化手段と、
前記特徴量と、前記デザインの見た目を表す感性語が数値化された感性量との第２の対応関係を学習した第２の学習済みモデルに基づき、入力される前記特徴量情報が示す前記評価対象の特徴量に対応する前記感性語を数値化し、前記評価対象の感性量を示す感性量情報を生成する感性数値化手段と、
として機能させ、
前記特徴量は、前記デザインの見た目の特徴が前記マテリアル画像に表れている度合いを数値で示すものであり、
前記感性語は、前記マテリアル画像を見た人間によって前記デザインの見た目について感じたことが言語化されたものであり、
前記感性量は、前記感性語が前記デザインの見た目に当てはまる度合いを数値で示すものであり、
前記第１の学習済みモデルは、人間によって評価された数値で示される前記特徴量が前記マテリアル画像に対して第１のラベル情報としてタグ付けされた第１のデータセットを用いて、前記第１の対応関係について学習したモデルであり、
前記第２の学習済みモデルは、人間によって評価された数値で示される前記感性量が前記マテリアル画像の前記特徴量情報に対して第２のラベル情報としてタグ付けされた第２のデータセットを用いて、前記第２の対応関係について学習したモデルである、
プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、デザイン評価システム、デザイン評価方法、及びプログラムに関する。
【背景技術】
【0002】
従来、建装材等のデザインを制作する過程は、事業者が顧客からの要望を受けてデザインを制作し、顧客へデザインを提案し、顧客による評価を受けるという流れで行われている。
【0003】
これに関連し、デザインを自動生成することが可能な技術が各種提案されている。例えば、下記特許文献１には、元画像に対して人間が抱く雰囲気やテイストなどの感覚に対応する画像特徴量を数値化し、当該画像特徴量に基づき元画像と同様な感覚を有する他のコンテンツをコンピュータが自動生成する技術が開示されている。
【先行技術文献】
【特許文献】
【0004】
【文献】特許第７０６２８９０号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
デザインの提案において、デザインの特徴を分かりやすく伝えるために、デザインを感性の観点から評価し、感性的な表現によって特徴を伝えることが好ましい場合がある。しかしながら、デザインの評価は、個人の感性に依存してしまうため、客観的な評価が難しかった。
【0006】
上述の課題を鑑み、本発明の目的は、デザインを客観的に評価することが可能なデザイン評価システム、デザイン評価方法、及びプログラムを提供することにある。
【課題を解決するための手段】
【0007】
上述の課題を解決するために、本発明の一態様に係るデザイン評価システムは、マテリアルのデザインを示すマテリアル画像と、前記デザインの見た目の特徴が数値化された特徴量との第１の対応関係を学習した第１の学習済みモデルに基づき、評価対象として入力されるマテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、前記評価対象の特徴量を示す特徴量情報を生成する特徴数値化部と、前記特徴量と、前記デザインの見た目を表す感性語が数値化された感性量との第２の対応関係を学習した第２の学習済みモデルに基づき、入力される前記特徴量情報が示す前記評価対象の特徴量に対応する前記感性語を数値化し、前記評価対象の感性量を示す感性量情報を生成する感性数値化部と、を備え、前記特徴量は、前記デザインの見た目の特徴が前記マテリアル画像に表れている度合いを数値で示すものであり、前記感性語は、前記マテリアル画像を見た人間によって前記デザインの見た目について感じたことが言語化されたものであり、前記感性量は、前記感性語が前記デザインの見た目に当てはまる度合いを数値で示すものであり、前記第１の学習済みモデルは、人間によって評価された数値で示される前記特徴量が前記マテリアル画像に対して第１のラベル情報としてタグ付けされた第１のデータセットを用いて、前記第１の対応関係について学習したモデルであり、前記第２の学習済みモデルは、人間によって評価された数値で示される前記感性量が前記マテリアル画像の前記特徴量情報に対して第２のラベル情報としてタグ付けされた第２のデータセットを用いて、前記第２の対応関係について学習したモデルである、デザイン評価システムである。
【0008】
本発明の一態様に係るデザイン評価方法は、マテリアルのデザインを示すマテリアル画像と、前記デザインの見た目の特徴が数値化された特徴量との第１の対応関係を学習した第１の学習済みモデルに基づき、評価対象として入力されるマテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、前記評価対象の特徴量を示す特徴量情報を生成する特徴数値化過程と、前記特徴量と、前記デザインの見た目を表す感性語が数値化された感性量との第２の対応関係を学習した第２の学習済みモデルに基づき、入力される前記特徴量情報が示す前記評価対象の特徴量に対応する前記感性語を数値化し、前記評価対象の感性量を示す感性量情報を生成する感性数値化過程と、を含み、前記特徴量は、前記デザインの見た目の特徴が前記マテリアル画像に表れている度合いを数値で示すものであり、前記感性語は、前記マテリアル画像を見た人間によって前記デザインの見た目について感じたことが言語化されたものであり、前記感性量は、前記感性語が前記デザインの見た目に当てはまる度合いを数値で示すものであり、前記第１の学習済みモデルは、人間によって評価された数値で示される前記特徴量が前記マテリアル画像に対して第１のラベル情報としてタグ付けされた第１のデータセットを用いて、前記第１の対応関係について学習したモデルであり、前記第２の学習済みモデルは、人間によって評価された数値で示される前記感性量が前記マテリアル画像の前記特徴量情報に対して第２のラベル情報としてタグ付けされた第２のデータセットを用いて、前記第２の対応関係について学習したモデルである、コンピュータにより実行されるデザイン評価方法である。
【0009】
本発明の一態様に係るプログラムは、コンピュータを、マテリアルのデザインを示すマテリアル画像と、前記デザインの見た目の特徴が数値化された特徴量との第１の対応関係を学習した第１の学習済みモデルに基づき、評価対象として入力されるマテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、前記評価対象の特徴量を示す特徴量情報を生成する特徴数値化手段と、前記特徴量と、前記デザインの見た目を表す感性語が数値化された感性量との第２の対応関係を学習した第２の学習済みモデルに基づき、入力される前記特徴量情報が示す前記評価対象の特徴量に対応する前記感性語を数値化し、前記評価対象の感性量を示す感性量情報を生成する感性数値化手段と、として機能させ、前記特徴量は、前記デザインの見た目の特徴が前記マテリアル画像に表れている度合いを数値で示すものであり、前記感性語は、前記マテリアル画像を見た人間によって前記デザインの見た目について感じたことが言語化されたものであり、前記感性量は、前記感性語が前記デザインの見た目に当てはまる度合いを数値で示すものであり、前記第１の学習済みモデルは、人間によって評価された数値で示される前記特徴量が前記マテリアル画像に対して第１のラベル情報としてタグ付けされた第１のデータセットを用いて、前記第１の対応関係について学習したモデルであり、前記第２の学習済みモデルは、人間によって評価された数値で示される前記感性量が前記マテリアル画像の前記特徴量情報に対して第２のラベル情報としてタグ付けされた第２のデータセットを用いて、前記第２の対応関係について学習したモデルである、プログラムである。
【発明の効果】
【0010】
本発明によれば、デザインを客観的に評価することができる。
【図面の簡単な説明】
【0011】
【図1】本実施形態に係る建装材デザイン評価サービスの概要を示す図である。
【図2】本実施形態に係るデザイン評価システムの構成の一例を示すブロック図である。
【図3】本実施形態に係るデザイン学習の概要を示す図である。
【図4】本実施形態に係るデザイン学習装置の機能構成の一例を示すブロック図である。
【図5】本実施形態に係るデザイン評価装置の機能構成の一例を示すブロック図である。
【図6】本実施形態に係るデザイン学習処理の流れの一例を示すフローチャートである。
【図7】本実施形態に係るデザイン評価処理の流れの一例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】
【0012】
以下、図面を参照しながら本発明の実施形態について詳しく説明する。
本実施形態では、マテリアルのデザインを示す画像（以下、「マテリアル画像」とも称される）に基づき、マテリアルのデザインを評価するデザイン評価システムについて説明する。マテリアルは、例えば、木材、石材、ファブリック（生地・織りなどの布）などの素材である。評価対象となるデザインは、例えば、マテリアルのデザインの見た目である。マテリアルのデザインの見た目は、例えば、マテリアル表面の柄や模様などである。この場合、マテリアル画像は、マテリアル表面の柄や模様などを示す画像となる。一例として、マテリアルが木材である場合、マテリアル画像は、例えば表面に木目模様のある木材の見た目を示す画像である。デザイン評価システムは、ユーザから入力されるマテリアル画像に基づき、当該マテリアル画像が示すマテリアルのデザインの見た目を評価し、デザインの評価結果を示す情報（以下、「評価情報」とも称される）をユーザへ出力する。
本実施形態では、マテリアルのデザインを示す画像（以下、「マテリアル画像」とも称される）に基づき、マテリアルのデザインを評価するデザイン評価システムについて説明する。マテリアルは、例えば、木材、石材、ファブリック（生地・織りなどの布）などの素材である。評価対象となるデザインは、例えば、マテリアルのデザインの見た目である。マテリアルのデザインの見た目は、例えば、マテリアル表面の柄や模様などである。この場合、マテリアル画像は、マテリアル表面の柄や模様などを示す画像となる。一例として、マテリアルが木材である場合、マテリアル画像は、例えば表面に木目模様のある木材の見た目を示す画像である。デザイン評価システムは、ユーザから入力されるマテリアル画像に基づき、当該マテリアル画像が示すマテリアルのデザインの見た目を評価し、デザインの評価結果を示す情報（以下、「評価情報」とも称される）をユーザへ出力する。
【0013】
以下では、デザイン評価システムを建装材デザイン評価サービスに適用する例を一例として、本実施形態について説明する。建装材は、建築物の内装・外装に用いられる材料・部材である。建装材は、例えば、床材、化粧紙、壁紙、インテリア用装飾材などである。建装材には、表面化粧のために化粧シートが用いられている。化粧シートの表面には、多様なデザインをプリントすることができる。上述したマテリアル画像には、建装材のデザインに適用可能なデザインを示す画像が用いられる。このため、ユーザは、マテリアル画像を化粧シートにプリントし、当該化粧シートを建装材の表面に貼り付けることで、マテリアルのデザインを建装材のデザインに適用することができる。
【0014】
【0015】
図１に示す建装材デザイン評価サービスＳＡは、ユーザ（例えば事業者）が取り扱う建装材のデザインを評価し、評価結果を示す評価情報をユーザへ提供するサービスである。デザインの評価では、特徴評価と感性評価が行われる。
【0016】
特徴評価では、マテリアル画像が示すマテリアルのデザインの見た目の特徴について評価される。評価対象となる見た目の特徴は、例えば、レイアウト、柾目・板目のバランス、テリの配分、節（葉節を含む）の印象、濃淡（抑揚）、仕上がり感、道管の色、目幅の印象、目幅の変化量、キャラクタ、塗装感、柄の方向性、硬質感、粗密感、テクスチャの表情、素材感などである。特徴評価の結果は、デザインの見た目の特徴が数値化された情報（以下、「特徴量」とも称される）によって示される。特徴量は、デザインの見た目の特徴がマテリアル画像に表れている度合いを数値で示すものである。
特徴評価は、マテリアルのデザインの見た目を示すマテリアル画像と、デザインの見た目の特徴が数値化された特徴量との対応関係（第１の対応関係）に基づき行われる。本実施形態では、マテリアル画像と特徴量の対応関係を学習（機械学習）した特徴数値化モデル（第１の学習済みモデル）によって特徴評価が行われる。特徴数値化モデルは、評価対象となるマテリアル画像を入力として、当該マテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、評価対象の特徴量を示す情報（以下、「特徴量情報」とも称される）を生成して出力する。特徴数値化モデルは、例えば、入力されるマテリアル画像を細かく分割し、分割された各々の画像に対して深層学習モデルによって特徴量を分類する。これにより、特徴数値化モデルは、入力されるマテリアル画像のデザインの見た目の特徴量を数値化する。
特徴評価は、マテリアルのデザインの見た目を示すマテリアル画像と、デザインの見た目の特徴が数値化された特徴量との対応関係（第１の対応関係）に基づき行われる。本実施形態では、マテリアル画像と特徴量の対応関係を学習（機械学習）した特徴数値化モデル（第１の学習済みモデル）によって特徴評価が行われる。特徴数値化モデルは、評価対象となるマテリアル画像を入力として、当該マテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、評価対象の特徴量を示す情報（以下、「特徴量情報」とも称される）を生成して出力する。特徴数値化モデルは、例えば、入力されるマテリアル画像を細かく分割し、分割された各々の画像に対して深層学習モデルによって特徴量を分類する。これにより、特徴数値化モデルは、入力されるマテリアル画像のデザインの見た目の特徴量を数値化する。
【0017】
感性評価では、マテリアル画像が示すマテリアルのデザインの見た目を表す感性語について評価される。感性語は、マテリアル画像を見た人間によって、マテリアル画像が示すマテリアルのデザインの見た目について感じたことが言語化されたものである。評価対象となる感性語は、例えば、やさしい、上品である、味わいがある、重厚感がある、スタイリッシュである、華やかである、洗練されている、活気が溢れる、飽きがこない、爽やかである、癒される、心地よい、落ち着きがある、上質である、自然観がある、などである。感性評価の結果は、デザインの見た目に対する感性語が数値化された情報（以下、「感性量」とも称される）によって示される。感性量は、感性語がデザインの見た目に当てはまる度合いを数値で示すものである。
感性評価は、マテリアル画像が示すデザインの見た目の特徴量と、マテリアル画像が示すデザインの見た目の感性量との対応関係（第２の対応関係）に基づき行われる。本実施形態では、特徴量と感性量の対応関係を学習（機械学習）した感性数値化モデル（第２の学習済みモデル）によって感性評価が行われる。感性数値化モデルは、評価対象となるマテリアル画像と特徴量情報を入力として、特徴量情報が示す評価対象の特徴量に対応する感性語を数値化し、評価対象の感性量を示す情報（以下、「感性量情報」とも称される）を生成して出力する。
感性評価は、マテリアル画像が示すデザインの見た目の特徴量と、マテリアル画像が示すデザインの見た目の感性量との対応関係（第２の対応関係）に基づき行われる。本実施形態では、特徴量と感性量の対応関係を学習（機械学習）した感性数値化モデル（第２の学習済みモデル）によって感性評価が行われる。感性数値化モデルは、評価対象となるマテリアル画像と特徴量情報を入力として、特徴量情報が示す評価対象の特徴量に対応する感性語を数値化し、評価対象の感性量を示す情報（以下、「感性量情報」とも称される）を生成して出力する。
【0018】
図１に示すように、建装材デザイン評価サービスＳＡを利用するユーザは、まず、評価対象となるマテリアル画像ＭＧ１を特徴数値化モデルＭＤ１へ入力する（ステップＳ１１）。特徴数値化モデルＭＤ１は、入力されるマテリアル画像ＭＧ１について特徴評価を行い、特徴量情報を生成する。マテリアル画像ＭＧ１は、例えば図１に示すように木目のデザインを示す画像である。
【0019】
次に、ユーザは、特徴評価によって特徴数値化モデルＭＤ１によって生成された特徴量情報を、感性数値化モデルＭＤ２へ入力する（ステップＳ１２）。感性数値化モデルＭＤ２は、入力される特徴量情報に基づき感性評価を行い、感性量情報を生成する。
【0020】
感性数値化モデルＭＤ２は、生成した感性量情報を評価情報としてユーザへ出力する（ステップＳ１３）。ユーザは、感性量情報を用いて、建装材に適用するデザインの提案を顧客へ行う（ステップＳ１４）。感性量情報が示す感性量は、感性数値化モデルＭＤ２によって客観的に評価された感性語の数値である。よって、ユーザは、客観的な評価を示す感性量情報を用いることで、自身による主観的な評価を用いた提案を行う場合と比較して、より説得力のある提案を顧客へ行うことができる。さらに、ユーザは、感性量情報を用いることで、単にデザインの特徴を説明する提案を行う場合と比較して、感性語による分かりやすい提案を行うことができ、顧客獲得数の向上へつなげることもできる。
【0021】
＜２．デザイン評価システムの構成＞
以上、本実施形態に係る建装材デザイン評価サービスＳＡについて説明した。続いて、図２及び図３を参照して、本実施形態に係るデザイン評価システムの構成について説明する。図２は、本実施形態に係るデザイン評価システムの構成の一例を示すブロック図である。
図２に示すデザイン評価システム１は、図１を参照して概要を説明した建装材デザイン評価サービスＳＡを運用するためのシステムである。
以上、本実施形態に係る建装材デザイン評価サービスＳＡについて説明した。続いて、図２及び図３を参照して、本実施形態に係るデザイン評価システムの構成について説明する。図２は、本実施形態に係るデザイン評価システムの構成の一例を示すブロック図である。
図２に示すデザイン評価システム１は、図１を参照して概要を説明した建装材デザイン評価サービスＳＡを運用するためのシステムである。
【0022】
図２に示すように、デザイン評価システム１は、管理者端末１０と、ユーザ端末２０と、デザイン学習装置３０と、デザイン評価装置４０とを備える。
ネットワークＮＷには、情報の授受を行うための構成として、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、電話網（携帯電話網、固定電話網等）、地域ＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）網、インターネット等が適用される。
ネットワークＮＷには、情報の授受を行うための構成として、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、電話網（携帯電話網、固定電話網等）、地域ＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）網、インターネット等が適用される。
【0023】
（１）管理者端末１０
管理者端末１０は、管理者（事業者）が建装材デザイン評価サービスＳＡを管理するために操作する端末である。管理者端末１０は、例えば、スマートフォン、タブレット端末、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）などである。管理者端末１０は、ネットワークＮＷを介して、デザイン学習装置３０と、デザイン評価装置４０と通信可能に接続されている。
管理者端末１０は、管理者（事業者）が建装材デザイン評価サービスＳＡを管理するために操作する端末である。管理者端末１０は、例えば、スマートフォン、タブレット端末、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）などである。管理者端末１０は、ネットワークＮＷを介して、デザイン学習装置３０と、デザイン評価装置４０と通信可能に接続されている。
【0024】
デザイン学習装置３０との通信において、管理者端末１０は、学習用に用意された複数のマテリアル画像、ラベル情報などを送信し、特徴数値化モデルＭＤ１、感性数値化モデルＭＤ２などを受信する。管理者は、管理者端末１０を操作して、学習用のマテリアル画像やラベル情報をデザイン学習装置３０へ送信する。
【0025】
学習用のマテリアル画像は、例えば、建装材デザイン向けに用意された柄原稿データをスキャンした画像データ（以下、「スキャン画像データ」とも称される）や、建装材デザイン向けにデザイナー等によって作成されたデザインを示す画像データ（以下、「デザイン画像データ」とも称される）である。
【0026】
ラベル情報は、マテリアルのデザインを建装材のデザインに適用する場合の観点に基づき、学習用にタグ付けされる情報である。ラベル情報には、特徴の学習用に用意されるラベル情報（第１のラベル情報）と、感性の学習用に用意されるラベル情報（第２のラベル情報）とがある。
【0027】
特徴の学習用に用意されるラベル情報（以下、「特徴ラベル情報」とも称される）は、学習用のマテリアル画像が示すデザインの見た目の特徴量を示す情報である。特徴ラベル情報には、人間によって学習用のマテリアル画像にタグ付けされる情報と、画像認識処理によって学習用のマテリアル画像にタグ付けされる情報とがある。人間によって学習用のマテリアル画像にタグ付けされる情報は、例えば、人間によって評価された数値で示される特徴量である。画像認識処理によって学習用のマテリアル画像にタグ付けされる情報は、例えば、学習用のマテリアル画像に対する画像認識によって捉えられた特徴が数値化された特徴量である。特徴量の評価を行う人間は、例えば、マテリアルのデザインに関する知識を有する者（有識者）である。有識者は、例えば、デザイナーである。デザイナー等の有識者は、特徴量の評価において、例えば、マテリアル画像を実際に見て、マテリアル画像の示すデザインの見た目の特徴を捉え、その特徴が表れている度合いを数値で回答する。また、デザイナー等の人間が、あらかじめ評価項目として用意されているデザインの特徴について、それぞれの特徴がマテリアル画像のデザインに表れているか否かを確認し、その度合いを数値で回答してもよい。
【0028】
感性の学習用に用意されるラベル情報（以下、「感性ラベル情報」とも称される）は、学習用のマテリアル画像が示すデザインの見た目の感性量を示す情報である。感性ラベル情報は、人間によってタグ付けされる情報である。人間によってタグ付けされる情報は、人間によって評価された数値で示される感性量である。感性量を評価する人間は、例えば、モニターである。モニターは、感性量評価のためのアンケートに回答してくれる一般人である。モニターとなる人物は、特に限定されず、素人、玄人、世代、性別などを問わず様々な人物を満遍なく網羅できるとよい。アンケートでは、例えば、モニターに対して評価対象となるマテリアル画像と複数の感性語を提示し、マテリアル画像の示すデザインの見た目にそれぞれの感性語が当てはまる度合いを回答させる。感性語が当てはまる度合いの回答は、例えば複数の選択肢の中から最も適する数値を選択させる形式や、自由に数値を入力させる形式など、任意の方法であってよい。
【0029】
特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２は、管理者端末１０から送信される学習用のマテリアル画像とラベル情報とに基づき、デザイン学習装置３０によって生成されたものである。
【0030】
デザイン評価装置４０との通信において、管理者端末１０は、特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を送信する。当該特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２は、管理者端末１０がデザイン学習装置３０から受信したものである。
【0031】
管理者端末１０には、管理者が建装材デザイン評価サービスＳＡを管理するためのアプリケーション（以下、「管理者用アプリ」とも称される）によって、各種のＵＩ（Ｕｓｅｒ Ｉｎｔｅｆａｃｅ）が表示される。管理者は、管理者用アプリによって管理者端末１０に表示されるＵＩを操作することで、建装材デザイン評価サービスＳＡを管理することができる。
なお、管理者用アプリの機能は、管理者端末１０に管理者用アプリをインストールすること（即ちネイティブアプリ）で提供されてもよいし、Ｗｅｂシステム（即ちＷｅｂアプリ）によって提供されてもよい。Ｗｅｂアプリの場合、管理者用アプリはサーバで管理されており、その機能はＷｅｂブラウザを介して提供される。
なお、管理者用アプリの機能は、管理者端末１０に管理者用アプリをインストールすること（即ちネイティブアプリ）で提供されてもよいし、Ｗｅｂシステム（即ちＷｅｂアプリ）によって提供されてもよい。Ｗｅｂアプリの場合、管理者用アプリはサーバで管理されており、その機能はＷｅｂブラウザを介して提供される。
【0032】
（２）ユーザ端末２０
ユーザ端末２０は、ユーザが建装材デザイン評価サービスＳＡを利用するために操作する端末である。ユーザ端末２０は、例えば、スマートフォン、タブレット端末、ＰＣなどである。ユーザ端末２０は、ネットワークＮＷを介して、デザイン評価装置４０と通信可能に接続されている。
ユーザ端末２０は、ユーザが建装材デザイン評価サービスＳＡを利用するために操作する端末である。ユーザ端末２０は、例えば、スマートフォン、タブレット端末、ＰＣなどである。ユーザ端末２０は、ネットワークＮＷを介して、デザイン評価装置４０と通信可能に接続されている。
【0033】
デザイン評価装置４０との通信において、ユーザ端末２０は、マテリアル画像を送信し、評価情報を受信する。ユーザは、ユーザ端末２０を操作して、評価対象となるマテリアル画像ＭＧ１を入力し、デザイン評価装置４０へ送信する。
評価情報は、ユーザ端末２０から送信されるマテリアル画像に基づき、デザイン評価装置４０によって生成された感性量情報、あるいは当該感性量情報を加工して生成された表示用の情報である。
評価情報は、ユーザ端末２０から送信されるマテリアル画像に基づき、デザイン評価装置４０によって生成された感性量情報、あるいは当該感性量情報を加工して生成された表示用の情報である。
【0034】
ユーザ端末２０には、ユーザが建装材デザイン評価サービスＳＡを利用するためのアプリケーション（以下、「ユーザ用アプリ」とも称される）によって、各種のＵＩが表示される。ユーザは、ユーザ用アプリによってユーザ端末２０に表示されるＵＩを操作することで、建装材デザイン評価サービスＳＡを利用することができる。
なお、ユーザ用アプリの機能は、ユーザ端末２０にユーザ用アプリをインストールすること（即ちネイティブアプリ）で提供されてもよいし、Ｗｅｂシステム（即ちＷｅｂアプリ）によって提供されてもよい。Ｗｅｂアプリの場合、ユーザ用アプリはサーバで管理されており、その機能はＷｅｂブラウザを介して提供される。
なお、ユーザ用アプリの機能は、ユーザ端末２０にユーザ用アプリをインストールすること（即ちネイティブアプリ）で提供されてもよいし、Ｗｅｂシステム（即ちＷｅｂアプリ）によって提供されてもよい。Ｗｅｂアプリの場合、ユーザ用アプリはサーバで管理されており、その機能はＷｅｂブラウザを介して提供される。
【0035】
（３）デザイン学習装置３０
デザイン学習装置３０は、特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を生成する装置である。デザイン学習装置３０は、例えば１又は複数のＰＣやサーバ装置（例えば、クラウドサーバ）などによって構成される。デザイン学習装置３０は、ネットワークＮＷを介して、管理者端末１０と通信可能に接続されている。
デザイン学習装置３０は、特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を生成する装置である。デザイン学習装置３０は、例えば１又は複数のＰＣやサーバ装置（例えば、クラウドサーバ）などによって構成される。デザイン学習装置３０は、ネットワークＮＷを介して、管理者端末１０と通信可能に接続されている。
【0036】
管理者端末１０との通信において、デザイン学習装置３０は、学習用に用意された複数のマテリアル画像、ラベル情報などを受信し、特徴数値化モデルＭＤ１、感性数値化モデルＭＤ２などを送信する。デザイン学習装置３０は、管理者端末１０から受信する学習用のマテリアル画像とラベル情報をもとに学習用データセットを作成し、当該学習用データセットを用いて特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を生成する。
【0037】
ここで、図３を参照して、本実施形態に係るデザイン学習の概要について説明する。図３は、本実施形態に係るデザイン学習の概要を示す図である。デザイン学習では、マテリアル画像と特徴量との対応関係（第１の対応関係）及びマテリアル画像の特徴量と感性量との対応関係（第２の対応関係）について学習が行われる。
【0038】
図３に示すように、建装材デザイン評価サービスＳＡでは、あらかじめ、管理者によって学習用のマテリアル画像ＭＧ２が用意される。学習用のマテリアル画像ＭＧ２は、例えば、スキャン画像データやデザイン画像データである。図３に示す例では、一例として、木目のデザインを示すマテリアル画像ＭＧ２－１と、マテリアル画像ＭＧ２－１とは異なる木目のデザインを示すマテリアル画像ＭＧ２－２とが示されている。
【0039】
まず、管理者は、管理者端末１０を操作して、学習用のマテリアル画像ＭＧ２に対して、特徴量のタグ付けを行う（ステップＳ２１）。このために、管理者は、管理者端末１０に特徴ラベル情報を入力し、デザイン学習装置３０へ送信する。ここで入力される特徴ラベル情報は、例えばデザイナーによって評価された数値で示される特徴量である。
デザイン学習装置３０は、特徴ラベル情報を受信した場合、対応する学習用のマテリアル画像ＭＧ２に対して特徴ラベル情報をタグ付けしたデータセット（以下、「特徴学習用データセット」も称される）を作成する。例えば、図３に示すように、デザイン学習装置３０は、マテリアル画像ＭＧ２－１に対してはマテリアル画像ＭＧ２－１が示すマテリアルのデザインの見た目の特徴量をラベル情報としてタグ付けする。また、マテリアル画像ＭＧ２－２に対してはマテリアル画像ＭＧ２－２が示すマテリアルのデザインの見た目の特徴量をラベル情報としてタグ付けする。これにより、デザイン学習装置３０は、各マテリアル画像ＭＧ２に対して特徴ラベル情報がタグ付けされた特徴学習用データセットＤＳ１を作成する。
デザイン学習装置３０は、特徴ラベル情報を受信した場合、対応する学習用のマテリアル画像ＭＧ２に対して特徴ラベル情報をタグ付けしたデータセット（以下、「特徴学習用データセット」も称される）を作成する。例えば、図３に示すように、デザイン学習装置３０は、マテリアル画像ＭＧ２－１に対してはマテリアル画像ＭＧ２－１が示すマテリアルのデザインの見た目の特徴量をラベル情報としてタグ付けする。また、マテリアル画像ＭＧ２－２に対してはマテリアル画像ＭＧ２－２が示すマテリアルのデザインの見た目の特徴量をラベル情報としてタグ付けする。これにより、デザイン学習装置３０は、各マテリアル画像ＭＧ２に対して特徴ラベル情報がタグ付けされた特徴学習用データセットＤＳ１を作成する。
【0040】
デザイン学習装置３０は、作成した特徴学習用データセットＤＳ１を用いて、マテリアル画像の特徴（マテリアル画像と特徴量との対応関係）について学習し、特徴数値化モデルＭＤ１を生成する（ステップＳ２２）。
【0041】
次に、管理者は、管理者端末１０を操作して、学習用のマテリアル画像ＭＧ２に対して、感性量のタグ付けを行う（ステップＳ２３）。このために、管理者は、管理者端末１０に感性ラベル情報を入力し、デザイン学習装置３０へ送信する。ここで入力される感性ラベル情報は、例えばモニターに対するアンケートによって得られた感性量である。
デザイン学習装置３０は、感性ラベル情報を受信した場合、対応する特徴学習用データセットＤＳ１に対してさらに感性ラベル情報をタグ付けしたデータセット（以下、「感性学習用データセット」も称される）を作成する。例えば、図３に示すように、デザイン学習装置３０は、マテリアル画像ＭＧ２－１の特徴学習用データセットＤＳ１に対してはマテリアル画像ＭＧ２－１が示すマテリアルのデザインの感性量をラベル情報としてタグ付けする。また、マテリアル画像ＭＧ２－２の特徴学習用データセットＤＳ１に対してはマテリアル画像ＭＧ２－２が示すマテリアルのデザインの感性量をラベル情報としてタグ付けする。これにより、デザイン学習装置３０は、各特徴学習用データセットＤＳ１に対して感性ラベル情報がタグ付けされた感性学習用データセットＤＳ２を作成する。
デザイン学習装置３０は、感性ラベル情報を受信した場合、対応する特徴学習用データセットＤＳ１に対してさらに感性ラベル情報をタグ付けしたデータセット（以下、「感性学習用データセット」も称される）を作成する。例えば、図３に示すように、デザイン学習装置３０は、マテリアル画像ＭＧ２－１の特徴学習用データセットＤＳ１に対してはマテリアル画像ＭＧ２－１が示すマテリアルのデザインの感性量をラベル情報としてタグ付けする。また、マテリアル画像ＭＧ２－２の特徴学習用データセットＤＳ１に対してはマテリアル画像ＭＧ２－２が示すマテリアルのデザインの感性量をラベル情報としてタグ付けする。これにより、デザイン学習装置３０は、各特徴学習用データセットＤＳ１に対して感性ラベル情報がタグ付けされた感性学習用データセットＤＳ２を作成する。
【0042】
デザイン学習装置３０は、作成した感性学習用データセットＤＳ２を用いて、マテリアル画像の感性（マテリアル画像の特徴量と感性量との対応関係）について学習し、感性数値化モデルＭＤ２を生成する（ステップＳ２４）。
【0043】
（４）デザイン評価装置４０
デザイン評価装置４０は、評価対象となるマテリアル画像ＭＧ１のデザインを評価する装置である。デザイン評価装置４０は、例えば１又は複数のＰＣやサーバ装置（例えば、クラウドサーバ）などによって構成される。デザイン評価装置４０は、ネットワークＮＷを介して、管理者端末１０と、ユーザ端末２０と通信可能に接続されている。
デザイン評価装置４０は、評価対象となるマテリアル画像ＭＧ１のデザインを評価する装置である。デザイン評価装置４０は、例えば１又は複数のＰＣやサーバ装置（例えば、クラウドサーバ）などによって構成される。デザイン評価装置４０は、ネットワークＮＷを介して、管理者端末１０と、ユーザ端末２０と通信可能に接続されている。
【0044】
管理者端末１０との通信において、デザイン評価装置４０は、特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を受信する。デザイン評価装置４０は、管理者端末１０から受信する特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を用いて、評価対象となるマテリアル画像ＭＧ１のデザインを評価する。
【0045】
ユーザ端末２０との通信において、デザイン評価装置４０は、マテリアル画像を受信し、評価情報を送信する。デザイン評価装置４０は、ユーザ端末２０から受信するマテリアル画像を特徴数値化モデルＭＤ１に入力し、特徴数値化モデルＭＤ１から出力される特徴量情報を感性数値化モデルＭＤ２に入力することで、評価情報を生成する。
【0046】
＜３．デザイン学習装置３０の機能構成＞
以上、本実施形態に係るデザイン評価システム１の構成について説明した。続いて、図４を参照して、本実施形態に係るデザイン学習装置３０の機能構成について説明する。図４は、本実施形態に係るデザイン学習装置３０の機能構成の一例を示すブロック図である。
図４に示すように、デザイン学習装置３０は、通信部３１０と、記憶部３２０と、制御部３３０とを備える。
以上、本実施形態に係るデザイン評価システム１の構成について説明した。続いて、図４を参照して、本実施形態に係るデザイン学習装置３０の機能構成について説明する。図４は、本実施形態に係るデザイン学習装置３０の機能構成の一例を示すブロック図である。
図４に示すように、デザイン学習装置３０は、通信部３１０と、記憶部３２０と、制御部３３０とを備える。
【0047】
（１）通信部３１０
通信部３１０は、各種情報を送受信する機能を有する。通信部３１０は、ネットワークＮＷを介して、管理者端末１０と通信可能に接続されており、各種情報を送受信する。管理者端末１０との通信において、通信部３１０は、学習用に用意された複数のマテリアル画像、ラベル情報などを受信し、特徴数値化モデルＭＤ１、感性数値化モデルＭＤ２などを送信する。
通信部３１０は、各種情報を送受信する機能を有する。通信部３１０は、ネットワークＮＷを介して、管理者端末１０と通信可能に接続されており、各種情報を送受信する。管理者端末１０との通信において、通信部３１０は、学習用に用意された複数のマテリアル画像、ラベル情報などを受信し、特徴数値化モデルＭＤ１、感性数値化モデルＭＤ２などを送信する。
【0048】
（２）記憶部３２０
記憶部３２０は、各種情報を記憶する機能を有する。記憶部３２０は、デザイン学習装置３０がハードウェアとして備える記憶媒体、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、フラッシュメモリ、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ ｒｅａｄ／ｗｒｉｔｅ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、又はこれらの記憶媒体の任意の組み合わせによって構成される。
図４に示すように、記憶部３２０は、マテリアル画像記憶部３２１と、学習用データセット記憶部３２２と、モデル記憶部３２３とを備える。
記憶部３２０は、各種情報を記憶する機能を有する。記憶部３２０は、デザイン学習装置３０がハードウェアとして備える記憶媒体、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、フラッシュメモリ、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ ｒｅａｄ／ｗｒｉｔｅ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、又はこれらの記憶媒体の任意の組み合わせによって構成される。
図４に示すように、記憶部３２０は、マテリアル画像記憶部３２１と、学習用データセット記憶部３２２と、モデル記憶部３２３とを備える。
【0049】
（２－１）マテリアル画像記憶部３２１
マテリアル画像記憶部３２１は、マテリアル画像を記憶する機能を有する。マテリアル画像記憶部３２１は、例えば、管理者によってあらかじめ用意され、通信部３１０が管理者端末１０から受信する学習用のマテリアル画像ＭＧ２を記憶する。マテリアル画像記憶部３２１は、マテリアル及びデザインの見た目の特徴の組み合わせが異なる複数のマテリアル画像を記憶する。
マテリアル画像記憶部３２１は、マテリアル画像を記憶する機能を有する。マテリアル画像記憶部３２１は、例えば、管理者によってあらかじめ用意され、通信部３１０が管理者端末１０から受信する学習用のマテリアル画像ＭＧ２を記憶する。マテリアル画像記憶部３２１は、マテリアル及びデザインの見た目の特徴の組み合わせが異なる複数のマテリアル画像を記憶する。
【0050】
（２－２）学習用データセット記憶部３２２
学習用データセット記憶部３２２は、学習用データセットを記憶する機能を有する。学習用データセット記憶部３２２は、例えば、後述するデータ処理部３３２によって作成される学習用データセットを記憶する。学習用データセット記憶部３２２は、マテリアル画像記憶部３２１に記憶されているマテリアル画像ごとにラベル情報がタグ付けされた複数のデータを、学習用データセットとして記憶する。
学習用データセット記憶部３２２は、学習用データセットを記憶する機能を有する。学習用データセット記憶部３２２は、例えば、後述するデータ処理部３３２によって作成される学習用データセットを記憶する。学習用データセット記憶部３２２は、マテリアル画像記憶部３２１に記憶されているマテリアル画像ごとにラベル情報がタグ付けされた複数のデータを、学習用データセットとして記憶する。
【0051】
（２－３）モデル記憶部３２３
モデル記憶部３２３は、各種モデルを記憶する機能を有する。図４に示すように、モデル記憶部３２３は、特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を記憶する。
モデル記憶部３２３は、各種モデルを記憶する機能を有する。図４に示すように、モデル記憶部３２３は、特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を記憶する。
【0052】
（３）制御部３３０
制御部３３０は、デザイン学習装置３０の動作全般を制御する機能を有する。制御部３３０は、例えば、デザイン学習装置３０がハードウェアとして備えるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）又はＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）にプログラムを実行させることによって実現される。
図４に示すように、制御部３３０は、データ取得部３３１と、データ処理部３３２と、学習部３３３と、出力処理部３３４とを備える。
制御部３３０は、デザイン学習装置３０の動作全般を制御する機能を有する。制御部３３０は、例えば、デザイン学習装置３０がハードウェアとして備えるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）又はＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）にプログラムを実行させることによって実現される。
図４に示すように、制御部３３０は、データ取得部３３１と、データ処理部３３２と、学習部３３３と、出力処理部３３４とを備える。
【0053】
（３－１）データ取得部３３１
データ取得部３３１は、各種データを取得する機能を有する。例えば、データ取得部３３１は、通信部３１０が管理者端末１０から受信する学習用のマテリアル画像ＭＧ２やラベル情報を取得する。データ取得部３３１が取得するラベル情報には、特徴ラベル情報又は感性ラベル情報が含まれる。
データ取得部３３１は、各種データを取得する機能を有する。例えば、データ取得部３３１は、通信部３１０が管理者端末１０から受信する学習用のマテリアル画像ＭＧ２やラベル情報を取得する。データ取得部３３１が取得するラベル情報には、特徴ラベル情報又は感性ラベル情報が含まれる。
【0054】
（３－２）データ処理部３３２
データ処理部３３２は、各種のデータ処理を行う機能を有する。例えば、データ処理部３３２は、データ取得部３３１によって取得された学習用のマテリアル画像ＭＧ２とラベル情報とに基づき、学習用データセットを作成する。
データ取得部３３１によって学習用のマテリアル画像ＭＧ２と特徴ラベル情報が取得された場合、データ処理部３３２は、学習用のマテリアル画像ＭＧ２に対して特徴ラベル情報をタグ付けした特徴学習用データセットＤＳ１を作成する。
データ取得部３３１によって感性ラベル情報が取得された場合、データ処理部３３２は、特徴学習用データセットＤＳ１に対してさらに感性ラベル情報をタグ付けした感性学習用データセットＤＳ２を作成する。
データ処理部３３２は、各種のデータ処理を行う機能を有する。例えば、データ処理部３３２は、データ取得部３３１によって取得された学習用のマテリアル画像ＭＧ２とラベル情報とに基づき、学習用データセットを作成する。
データ取得部３３１によって学習用のマテリアル画像ＭＧ２と特徴ラベル情報が取得された場合、データ処理部３３２は、学習用のマテリアル画像ＭＧ２に対して特徴ラベル情報をタグ付けした特徴学習用データセットＤＳ１を作成する。
データ取得部３３１によって感性ラベル情報が取得された場合、データ処理部３３２は、特徴学習用データセットＤＳ１に対してさらに感性ラベル情報をタグ付けした感性学習用データセットＤＳ２を作成する。
【0055】
（３－３）学習部３３３
学習部３３３は、機械学習によって学習済みモデルを生成する機能を有する。例えば、学習部３３３は、データ処理部３３２によって作成された学習用データセットを用いて、各種の対応関係を学習する。
学習部３３３は、機械学習によって学習済みモデルを生成する機能を有する。例えば、学習部３３３は、データ処理部３３２によって作成された学習用データセットを用いて、各種の対応関係を学習する。
【0056】
学習用データセットが特徴学習用データセットＤＳ１である場合、学習部３３３は、特徴学習用データセットＤＳ１を用いて、マテリアル画像が示すデザインの見た目の特徴について学習する。特徴の学習において、学習部３３３は、特徴学習用データセットＤＳ１が示すマテリアル画像と特徴量との対応関係を学習する。当該学習により、学習部３３３は、マテリアル画像が入力されると当該マテリアル画像が示すデザインの見た目の特徴を数値化し、評価対象の特徴量を示す特徴量情報を生成して出力することが可能な特徴数値化モデルＭＤ１を生成する。即ち、特徴数値化モデルＭＤ１は、人間によって評価された数値で示される特徴量が、マテリアル画像に対して特徴ラベル情報（第１のラベル情報）としてタグ付けされた特徴学習用データセットＤＳ１（第１のデータセット）を用いて、マテリアル画像と特徴量との対応関係について学習したモデルである。
【0057】
なお、本実施形態に係る特徴ラベル情報は、マテリアルのデザインを建装材のデザインに適用する場合の観点に基づき、学習用にタグ付けされる情報である。また、特徴の数値化に用いられる特徴数値化モデルＭＤ１は、当該特徴ラベル情報を含む特徴学習用データセットＤＳ１を用いて学習した学習済みモデルである。よって、当該特徴数値化モデルＭＤ１によって生成される特徴量情報は、マテリアルのデザインを建装材のデザインに適用する場合の観点に基づき生成される情報である。
【0058】
また、学習部３３３が特徴の学習に用いる特徴学習用データセットＤＳ１には、マテリアルのデザインに関する知識を有する者（例えばデザイナー）によって特徴ラベル情報がタグ付けされたデータセット、及びマテリアル画像に対する画像認識によって特徴ラベル情報がタグ付けされたデータセットが含まれる。
【0059】
学習用データセットが感性学習用データセットＤＳ２である場合、学習部３３３は、感性学習用データセットＤＳ２を用いて、マテリアル画像が示すデザインの見た目の感性について学習する。感性の学習において、学習部３３３は、感性学習用データセットＤＳ２が示すマテリアル画像の特徴量と感性量との対応関係を学習する。当該学習により、学習部３３３は、マテリアル画像及び特徴量情報が入力されると当該マテリアル画像が示すデザインの見た目に対する感性語を数値化し、評価対象の感性量を示す感性量情報を生成して出力することが可能な感性数値化モデルＭＤ２を生成する。即ち、感性数値化モデルＭＤ２は、人間によって評価された数値で示される感性量が、マテリアル画像の特徴量情報に対して感性ラベル情報（第２のラベル情報）としてタグ付けされた感性学習用データセットＤＳ２（第２のデータセット）を用いて、マテリアル画像の特徴量と感性量との対応関係について学習したモデルである。
【0060】
なお、本実施形態に係る感性ラベル情報は、マテリアルのデザインを建装材のデザインに適用する場合の観点に基づき、学習用にタグ付けされる情報である。また、感性の数値化に用いられる感性数値化モデルＭＤ２は、当該感性ラベル情報を含む感性学習用データセットＤＳ２を用いて学習した学習済みモデルである。よって、当該感性数値化モデルＭＤ２によって生成される感性量情報は、マテリアルのデザインを建装材のデザインに適用する場合の観点に基づき生成される情報である。
【0061】
（３－４）出力処理部３３４
出力処理部３３４は、各種情報の出力に関する処理を行う機能を有する。例えば、出力処理部３３４は、学習部３３３によって生成された特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を通信部３１０から管理者端末１０へ送信する。
出力処理部３３４は、各種情報の出力に関する処理を行う機能を有する。例えば、出力処理部３３４は、学習部３３３によって生成された特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を通信部３１０から管理者端末１０へ送信する。
【0062】
＜４．デザイン評価装置４０の機能構成＞
以上、本実施形態に係るデザイン学習装置３０の機能構成について説明した。続いて、図５を参照して、本実施形態に係るデザイン評価装置４０の機能構成について説明する。図５は、本実施形態に係るデザイン評価装置４０の機能構成の一例を示すブロック図である。
図５に示すように、デザイン評価装置４０は、通信部４１０と、記憶部４２０と、制御部４３０とを備える。
以上、本実施形態に係るデザイン学習装置３０の機能構成について説明した。続いて、図５を参照して、本実施形態に係るデザイン評価装置４０の機能構成について説明する。図５は、本実施形態に係るデザイン評価装置４０の機能構成の一例を示すブロック図である。
図５に示すように、デザイン評価装置４０は、通信部４１０と、記憶部４２０と、制御部４３０とを備える。
【0063】
（１）通信部４１０
通信部４１０は、各種情報を送受信する機能を有する。通信部４１０は、ネットワークＮＷを介して、管理者端末１０と、ユーザ端末２０と通信可能に接続されており、各端末と各種情報を送受信する。管理者端末１０との通信において、通信部４１０は、特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を受信する。ユーザ端末２０との通信において、通信部４１０は、マテリアル画像を受信し、評価情報を送信する。
通信部４１０は、各種情報を送受信する機能を有する。通信部４１０は、ネットワークＮＷを介して、管理者端末１０と、ユーザ端末２０と通信可能に接続されており、各端末と各種情報を送受信する。管理者端末１０との通信において、通信部４１０は、特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を受信する。ユーザ端末２０との通信において、通信部４１０は、マテリアル画像を受信し、評価情報を送信する。
【0064】
（２）記憶部４２０
記憶部４２０は、各種情報を記憶する機能を有する。記憶部４２０は、デザイン評価装置４０がハードウェアとして備える記憶媒体、例えば、ＨＤＤ、ＳＳＤ、フラッシュメモリ、ＥＥＰＲＯＭ、ＲＡＭ、ＲＯＭ、又はこれらの記憶媒体の任意の組み合わせによって構成される。
図５に示すように、記憶部４２０は、モデル記憶部４２１と、マテリアル画像記憶部４２２とを備える。
記憶部４２０は、各種情報を記憶する機能を有する。記憶部４２０は、デザイン評価装置４０がハードウェアとして備える記憶媒体、例えば、ＨＤＤ、ＳＳＤ、フラッシュメモリ、ＥＥＰＲＯＭ、ＲＡＭ、ＲＯＭ、又はこれらの記憶媒体の任意の組み合わせによって構成される。
図５に示すように、記憶部４２０は、モデル記憶部４２１と、マテリアル画像記憶部４２２とを備える。
【0065】
（２－１）モデル記憶部４２１
モデル記憶部４２１は、各種モデルを記憶する機能を有する。図５に示すように、モデル記憶部４２１は、特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を記憶する。この特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２は、デザイン学習装置３０によって生成され、通信部４１０が管理者端末１０から受信したものである。
モデル記憶部４２１は、各種モデルを記憶する機能を有する。図５に示すように、モデル記憶部４２１は、特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２を記憶する。この特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２は、デザイン学習装置３０によって生成され、通信部４１０が管理者端末１０から受信したものである。
【0066】
（２－２）マテリアル画像記憶部４２２
マテリアル画像記憶部４２２は、マテリアル画像を記憶する機能を有する。マテリアル画像記憶部４２２は、例えば、ユーザによって用意され、通信部４１０がユーザ端末２０から受信する評価対象となるマテリアル画像ＭＧ１を記憶する。
マテリアル画像記憶部４２２は、マテリアル画像を記憶する機能を有する。マテリアル画像記憶部４２２は、例えば、ユーザによって用意され、通信部４１０がユーザ端末２０から受信する評価対象となるマテリアル画像ＭＧ１を記憶する。
【0067】
（３）制御部４３０
制御部４３０は、デザイン評価装置４０の動作全般を制御する機能を有する。制御部４３０は、例えば、デザイン評価装置４０がハードウェアとして備えるＣＰＵ又はＧＰＵにプログラムを実行させることによって実現される。
図５に示すように、制御部４３０は、画像取得部４３１と、デザイン評価部４３２と、出力処理部４３３とを備える。
制御部４３０は、デザイン評価装置４０の動作全般を制御する機能を有する。制御部４３０は、例えば、デザイン評価装置４０がハードウェアとして備えるＣＰＵ又はＧＰＵにプログラムを実行させることによって実現される。
図５に示すように、制御部４３０は、画像取得部４３１と、デザイン評価部４３２と、出力処理部４３３とを備える。
【0068】
（３－１）画像取得部４３１
画像取得部４３１は、評価対象となるマテリアル画像ＭＧ１を取得する機能を有する。画像取得部４３１は、通信部４１０がユーザ端末２０から受信するマテリアル画像ＭＧ１を評価対象として取得する。
画像取得部４３１は、評価対象となるマテリアル画像ＭＧ１を取得する機能を有する。画像取得部４３１は、通信部４１０がユーザ端末２０から受信するマテリアル画像ＭＧ１を評価対象として取得する。
【0069】
（３－２）デザイン評価部４３２
デザイン評価部４３２は、評価対象となるマテリアル画像ＭＧ１が示すデザインの評価を行う機能を有する。
図５に示すように、デザイン評価部４３２は、特徴数値化部４３２１と、感性数値化部４３２２とを備える。
デザイン評価部４３２は、評価対象となるマテリアル画像ＭＧ１が示すデザインの評価を行う機能を有する。
図５に示すように、デザイン評価部４３２は、特徴数値化部４３２１と、感性数値化部４３２２とを備える。
【0070】
（３－２－１）特徴数値化部４３２１
特徴数値化部４３２１は、評価対象となるマテリアル画像ＭＧ１が示すデザインについて、特徴の観点から評価する機能を有する。
特徴数値化部４３２１は、学習用のマテリアル画像ＭＧ２と、当該マテリアル画像ＭＧ２が示すデザインの見た目の特徴が数値化された特徴量との対応関係に基づき、画像取得部４３１によって取得された評価対象となるマテリアル画像ＭＧ１が示すマテリアルのデザインの見た目の特徴を評価する。見た目の特徴の評価において、特徴数値化部４３２１は、評価対象となるマテリアル画像ＭＧ１が示すマテリアルのデザインの見た目の特徴を数値化し、評価対象の特徴量を示す特徴量情報を生成する。
特徴数値化部４３２１は、評価対象となるマテリアル画像ＭＧ１が示すデザインについて、特徴の観点から評価する機能を有する。
特徴数値化部４３２１は、学習用のマテリアル画像ＭＧ２と、当該マテリアル画像ＭＧ２が示すデザインの見た目の特徴が数値化された特徴量との対応関係に基づき、画像取得部４３１によって取得された評価対象となるマテリアル画像ＭＧ１が示すマテリアルのデザインの見た目の特徴を評価する。見た目の特徴の評価において、特徴数値化部４３２１は、評価対象となるマテリアル画像ＭＧ１が示すマテリアルのデザインの見た目の特徴を数値化し、評価対象の特徴量を示す特徴量情報を生成する。
【0071】
特徴数値化部４３２１は、モデル記憶部４２１に記憶されている特徴数値化モデルＭＤ１に、評価対象となるマテリアル画像ＭＧ１を入力することで、特徴量情報を生成する。特徴数値化部４３２１は、特徴数値化モデルＭＤ１を用いることで、評価対象の特徴を客観的に評価することができる。
【0072】
（３－２－２）感性数値化部４３２２
感性数値化部４３２２は、評価対象となるマテリアル画像ＭＧ１が示すデザインについて、感性の観点から評価する機能を有する。
感性数値化部４３２２は、学習用のマテリアル画像ＭＧ２の特徴量と、当該マテリアル画像ＭＧ２が示すデザインの見た目に対する人間の感性を表す感性語が数値化された感性量との対応関係に基づき、画像取得部４３１によって取得された評価対象となるマテリアル画像ＭＧ１が示すマテリアルのデザインの見た目に対する感性を評価する。感性の評価において、感性数値化部４３２２は、評価対象となるマテリアル画像ＭＧ１が示すマテリアルのデザインの見た目の特徴量に対応する感性語を数値化し、評価対象の見た目に対する感性量を示す感性量情報を生成する。
感性数値化部４３２２は、評価対象となるマテリアル画像ＭＧ１が示すデザインについて、感性の観点から評価する機能を有する。
感性数値化部４３２２は、学習用のマテリアル画像ＭＧ２の特徴量と、当該マテリアル画像ＭＧ２が示すデザインの見た目に対する人間の感性を表す感性語が数値化された感性量との対応関係に基づき、画像取得部４３１によって取得された評価対象となるマテリアル画像ＭＧ１が示すマテリアルのデザインの見た目に対する感性を評価する。感性の評価において、感性数値化部４３２２は、評価対象となるマテリアル画像ＭＧ１が示すマテリアルのデザインの見た目の特徴量に対応する感性語を数値化し、評価対象の見た目に対する感性量を示す感性量情報を生成する。
【0073】
感性数値化部４３２２は、モデル記憶部４２１に記憶されている感性数値化モデルＭＤ２に、評価対象となるマテリアル画像ＭＧ１の特徴量情報を入力することで、感性量情報を生成する。感性数値化部４３２２は、感性数値化モデルＭＤ２を用いることで、評価対象の感性を客観的に評価することができる。
【0074】
（３－３）出力処理部４３３
出力処理部４３３は、各種情報の出力に関する処理を行う機能を有する。例えば、出力処理部４３３は、感性数値化部４３２２によって生成された感性量情報を評価情報として通信部４１０からユーザ端末２０へ送信し、ユーザ端末２０に表示させる。
出力処理部４３３は、各種情報の出力に関する処理を行う機能を有する。例えば、出力処理部４３３は、感性数値化部４３２２によって生成された感性量情報を評価情報として通信部４１０からユーザ端末２０へ送信し、ユーザ端末２０に表示させる。
【0075】
【0076】
【0077】
図６に示すように、まず、デザイン学習装置３０のデータ取得部３３１は、学習用のマテリアル画像ＭＧ２を取得する（ステップＳ１０１）。具体的に、データ取得部３３１は、管理者によって管理者端末１０からデザイン学習装置３０へ送信され、通信部３１０が受信する学習用のマテリアル画像ＭＧ２を取得する。
【0078】
また、データ取得部３３１は、取得した学習用のマテリアル画像ＭＧ２に対応する特徴ラベル情報を取得する（ステップＳ１０２）。具体的に、データ取得部３３１は、管理者によって管理者端末１０からデザイン学習装置３０へ送信され、通信部３１０が受信する特徴ラベル情報を取得する。
【0079】
次に、デザイン学習装置３０のデータ処理部３３２は、データ取得部３３１によって取得された学習用のマテリアル画像ＭＧ２と特徴ラベル情報とに基づき、特徴学習用データセットＤＳ１を作成する（ステップＳ１０３）。具体的に、データ処理部３３２は、学習用のマテリアル画像ＭＧ２の各々に対して、対応する特徴量を示す特徴ラベル情報をタグ付けすることで、特徴学習用データセットＤＳ１を作成する。
【0080】
次に、デザイン学習装置３０の学習部３３３は、データ処理部３３２によって作成された特徴学習用データセットＤＳ１を用いて、マテリアル画像が示すデザインの見た目の特徴を学習する（ステップＳ１０４）。具体的に、学習部３３３は、特徴学習用データセットＤＳ１を用いて、学習用のマテリアル画像ＭＧ２とデザインの見た目の特徴量との対応関係を学習する。
この学習により、学習部３３３は、特徴数値化モデルＭＤ１を生成する（ステップＳ１０５）。出力処理部３３４は、学習部３３３によって生成された特徴数値化モデルＭＤ１を、管理者端末１０を介してデザイン評価装置４０へ連携する。
この学習により、学習部３３３は、特徴数値化モデルＭＤ１を生成する（ステップＳ１０５）。出力処理部３３４は、学習部３３３によって生成された特徴数値化モデルＭＤ１を、管理者端末１０を介してデザイン評価装置４０へ連携する。
【0081】
次に、データ取得部３３１は、取得した学習用のマテリアル画像ＭＧ２に対応する感性ラベル情報を取得する（ステップＳ１０６）。具体的に、データ取得部３３１は、管理者によって管理者端末１０からデザイン学習装置３０へ送信され、通信部３１０が受信する感性ラベル情報を取得する。
【0082】
次に、デザイン学習装置３０のデータ処理部３３２は、データ処理部３３２によって作成された特徴学習用データセットＤＳ１と、データ取得部３３１によって取得された感性ラベル情報とに基づき、感性学習用データセットＤＳ２を作成する（ステップＳ１０７）。具体的に、データ処理部３３２は、特徴学習用データセットＤＳ１の各々に対して、対応する感性量を示す感性ラベル情報をタグ付けすることで、感性学習用データセットＤＳ２を作成する。
【0083】
次に、デザイン学習装置３０の学習部３３３は、データ処理部３３２によって作成された感性学習用データセットＤＳ２を用いて、マテリアル画像が示すデザインの見た目に対する感性を学習する（ステップＳ１０８）。具体的に、学習部３３３は、感性学習用データセットＤＳ２を用いて、学習用のマテリアル画像ＭＧ２のデザインの見た目の特徴量と感性量との対応関係を学習する。
この学習により、学習部３３３は、感性数値化モデルＭＤ２を生成する（ステップＳ１０９）。出力処理部３３４は、学習部３３３によって生成された感性数値化モデルＭＤ２を、管理者端末１０を介してデザイン評価装置４０へ連携する。
この学習により、学習部３３３は、感性数値化モデルＭＤ２を生成する（ステップＳ１０９）。出力処理部３３４は、学習部３３３によって生成された感性数値化モデルＭＤ２を、管理者端末１０を介してデザイン評価装置４０へ連携する。
【0084】
【0085】
図７に示すように、まず、デザイン評価装置４０の画像取得部４３１は、評価対象となるマテリアル画像ＭＧ１を取得する（ステップＳ２０１）。具体的に、画像取得部４３１は、ユーザによってユーザ端末２０に入力され、ユーザ端末２０からデザイン評価装置４０へ送信され、通信部４１０が受信するマテリアル画像ＭＧ１を取得する。
【0086】
次に、デザイン評価装置４０の特徴数値化部４３２１は、評価対象となるマテリアル画像が示すデザインの見た目の特徴を評価する（ステップＳ２０２）。具体的に、特徴数値化部４３２１は、画像取得部４３１によって取得されたマテリアル画像を、モデル記憶部４２１に記憶されている特徴数値化モデルＭＤ１に入力することで、特徴量情報を生成する。
【0087】
次に、デザイン評価装置４０の感性数値化部４３２２は、評価対象となるマテリアル画像が示すデザインの見た目に対する感性を評価する（ステップＳ２０３）。具体的に、感性数値化部４３２２は、画像取得部４３１によって取得されたマテリアル画像について特徴数値化部４３２１によって生成された特徴量情報を、モデル記憶部４２１に記憶されている感性数値化モデルＭＤ２に入力することで、感性量情報を生成する。
【0088】
次に、デザイン評価装置４０の出力処理部４３３は、評価情報を出力する（ステップＳ２０４）。具体的に、出力処理部４３３は、感性数値化部４３２２によって生成された感性量情報を評価情報として、通信部４１０からユーザ端末２０へ送信し、ユーザ端末２０に表示させる。
【0089】
以上、本実施形態に係る処理の流れについて説明した。
以上説明したように、本実施形態に係るデザイン評価システム１は、マテリアルのデザインを示すマテリアル画像と、デザインの見た目の特徴が数値化された特徴量との第１の対応関係を学習した特徴数値化モデル（第１の学習済みモデル）に基づき、評価対象として入力されるマテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、評価対象の特徴量を示す特徴量情報を生成する特徴数値化部４３２１と、特徴量と、デザインの見た目を表す感性語が数値化された感性量との第２の対応関係を学習した感性数値化モデル（第２の学習済みモデル）に基づき、入力される特徴量情報が示す評価対象の特徴量に対応する感性語を数値化し、評価対象の感性量を示す感性量情報を生成する感性数値化部４３２２と、を備え、特徴量は、デザインの見た目の特徴がマテリアル画像に表れている度合いを数値で示すものであり、感性語は、マテリアル画像を見た人間によってデザインの見た目について感じたことが言語化されたものであり、感性量は、感性語がデザインの見た目に当てはまる度合いを数値で示すものであり、特徴数値化モデルは、人間によって評価された数値で示される特徴量がマテリアル画像に対して特徴ラベル情報（第１のラベル情報）としてタグ付けされた特徴学習用データセットＤＳ１（第１のデータセット）を用いて、第１の対応関係について学習したモデルであり、感性数値化モデルは、人間によって評価された数値で示される感性量がマテリアル画像の特徴量情報に対して感性ラベル情報（第２のラベル情報）としてタグ付けされた感性学習用データセットＤＳ２（第２のデータセット）を用いて、第２の対応関係について学習したモデルである。
以上説明したように、本実施形態に係るデザイン評価システム１は、マテリアルのデザインを示すマテリアル画像と、デザインの見た目の特徴が数値化された特徴量との第１の対応関係を学習した特徴数値化モデル（第１の学習済みモデル）に基づき、評価対象として入力されるマテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、評価対象の特徴量を示す特徴量情報を生成する特徴数値化部４３２１と、特徴量と、デザインの見た目を表す感性語が数値化された感性量との第２の対応関係を学習した感性数値化モデル（第２の学習済みモデル）に基づき、入力される特徴量情報が示す評価対象の特徴量に対応する感性語を数値化し、評価対象の感性量を示す感性量情報を生成する感性数値化部４３２２と、を備え、特徴量は、デザインの見た目の特徴がマテリアル画像に表れている度合いを数値で示すものであり、感性語は、マテリアル画像を見た人間によってデザインの見た目について感じたことが言語化されたものであり、感性量は、感性語がデザインの見た目に当てはまる度合いを数値で示すものであり、特徴数値化モデルは、人間によって評価された数値で示される特徴量がマテリアル画像に対して特徴ラベル情報（第１のラベル情報）としてタグ付けされた特徴学習用データセットＤＳ１（第１のデータセット）を用いて、第１の対応関係について学習したモデルであり、感性数値化モデルは、人間によって評価された数値で示される感性量がマテリアル画像の特徴量情報に対して感性ラベル情報（第２のラベル情報）としてタグ付けされた感性学習用データセットＤＳ２（第２のデータセット）を用いて、第２の対応関係について学習したモデルである。
【0090】
かかる構成により、本実施形態に係るデザイン評価システム１は、個人の感性に依存することなくデザインを評価することができる。
よって、本実施形態に係るデザイン評価システム１は、デザインを客観的に評価することを可能とする。
よって、本実施形態に係るデザイン評価システム１は、デザインを客観的に評価することを可能とする。
【0091】
＜６．変形例＞
以上、実施形態について説明した。続いて、上述した実施形態の変形例について説明する。なお、以下に説明する各変形例は、単独で実施形態に適用されてもよいし、組み合わせで実施形態に適用されてもよい。また、各変形例は、実施形態で説明した構成に代えて適用されてもよいし、実施形態で説明した構成に対して追加的に適用されてもよい。
以上、実施形態について説明した。続いて、上述した実施形態の変形例について説明する。なお、以下に説明する各変形例は、単独で実施形態に適用されてもよいし、組み合わせで実施形態に適用されてもよい。また、各変形例は、実施形態で説明した構成に代えて適用されてもよいし、実施形態で説明した構成に対して追加的に適用されてもよい。
【0092】
また、上述した実施形態では、デザインを学習する機能とデザインを評価する機能がそれぞれ異なる装置（デザイン学習装置３０とデザイン評価装置４０）によって実現される例について説明したが、かかる例に限定されない。例えば、デザインを学習する機能とデザインを評価する機能は、両方の機能を有する１つの装置によって実現されてもよい。
【0093】
また、上述した実施形態では、学習用のマテリアル画像ＭＧ２とラベル情報とがそれぞれ管理者端末１０からデザイン学習装置３０へ送信され、デザイン学習装置３０にて学習用データセットＤＳが作成される例について説明したが、かかる例に限定されない。例えば、学習用データセットＤＳは、あらかじめ管理者によって管理者端末１０にて作成され、管理者端末１０からデザイン学習装置３０へ送信されてもよい。
【0094】
また、上述した実施形態では、デザイン学習装置３０によって生成された特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２が管理者端末１０を経由してデザイン評価装置４０に登録される例について説明したが、かかる例に限定されない。例えば、デザイン学習装置３０とデザイン評価装置４０は、ネットワークＮＷを介して互いに通信可能であってもよく、特徴数値化モデルＭＤ１及び感性数値化モデルＭＤ２がデザイン学習装置３０からデザイン評価装置４０へ直接送信されてもよい。
【0095】
また、上述した実施形態では、感性量情報が評価情報として出力される例について説明したが、かかる例に限定されない。例えば、特徴量情報のみが評価情報として出力されてもよいし、特徴量情報と感性量情報とを組み合わせた情報が評価情報として出力されてもよい。
【0096】
以上、本発明の実施形態の変形例について説明した。
なお、上述した実施形態におけるデザイン評価システム１、管理者端末１０、ユーザ端末２０、デザイン学習装置３０、及びデザイン評価装置４０の一部又は全部をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。
また、上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。
なお、上述した実施形態におけるデザイン評価システム１、管理者端末１０、ユーザ端末２０、デザイン学習装置３０、及びデザイン評価装置４０の一部又は全部をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。
また、上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。
【0097】
以上、図面を参照してこの発明の実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
【符号の説明】
【0098】
１…デザイン評価システム、１０…管理者端末、２０…ユーザ端末、３０…デザイン学習装置、４０…デザイン評価装置、３１０…通信部、３２０…記憶部、３２１…マテリアル画像記憶部、３２２…学習用データセット記憶部、３２３…モデル記憶部、３３０…制御部、３３１…データ取得部、３３２…データ処理部、３３３…学習部、３３４…出力処理部、４１０…通信部、４２０…記憶部、４２１…モデル記憶部、４２２…マテリアル画像記憶部、４３０…制御部、４３１…画像取得部、４３２…デザイン評価部、４３２１…特徴数値化部、４３２２…感性数値化部、４３３…出力処理部、ＭＤ１…特徴数値化モデル、ＭＤ２…感性数値化モデル、ＮＷ…ネットワーク、ＳＡ…建装材デザイン評価サービス
【要約】
【課題】デザインを客観的に評価することが可能なデザイン評価システム、デザイン評価方法、及びプログラムを提供する。
【解決手段】マテリアルのデザインを示すマテリアル画像と、前記デザインの見た目の特徴が数値化された特徴量との第１の対応関係を学習した第１の学習済みモデルに基づき、評価対象として入力されるマテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、前記評価対象の特徴量を示す特徴量情報を生成する特徴数値化部と、前記特徴量と、前記デザインの見た目を表す感性語が数値化された感性量との第２の対応関係を学習した第２の学習済みモデルに基づき、入力される前記特徴量情報が示す前記評価対象の特徴量に対応する前記感性語を数値化し、前記評価対象の感性量を示す感性量情報を生成する感性数値化部と、を備えるデザイン評価システム。
【選択図】図５
【解決手段】マテリアルのデザインを示すマテリアル画像と、前記デザインの見た目の特徴が数値化された特徴量との第１の対応関係を学習した第１の学習済みモデルに基づき、評価対象として入力されるマテリアル画像が示すマテリアルのデザインの見た目の特徴を数値化し、前記評価対象の特徴量を示す特徴量情報を生成する特徴数値化部と、前記特徴量と、前記デザインの見た目を表す感性語が数値化された感性量との第２の対応関係を学習した第２の学習済みモデルに基づき、入力される前記特徴量情報が示す前記評価対象の特徴量に対応する前記感性語を数値化し、前記評価対象の感性量を示す感性量情報を生成する感性数値化部と、を備えるデザイン評価システム。
【選択図】図５
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】