特表 2024-530389 マッティオラ属種子を選別する方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-08-21

(54)【発明の名称】マッティオラ属種子を選別する方法

(51)【国際特許分類】

   G01N 21/27 20060101AFI20240814BHJP

   A01C 1/00 20060101ALI20240814BHJP

   G06T 7/00 20170101ALI20240814BHJP

   G06V 10/82 20220101ALI20240814BHJP

   B07C 5/342 20060101ALI20240814BHJP

   C12Q 1/6858 20180101ALN20240814BHJP

   C12Q 1/6895 20180101ALN20240814BHJP

【ＦＩ】

G01N21/27 A

A01C1/00 L

G06T7/00 350C

G06V10/82

B07C5/342

C12Q1/6858 Z

C12Q1/6895 Z

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023577922

(86)(22)【出願日】2022-06-16

(85)【翻訳文提出日】2024-02-09

(86)【国際出願番号】 IB2022055573

(87)【国際公開番号】W WO2022264076

(87)【国際公開日】2022-12-22

(31)【優先権主張番号】2028466

(32)【優先日】2021-06-16

(33)【優先権主張国・地域又は機関】NL

(31)【優先権主張番号】63/211,029

(32)【優先日】2021-06-16

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】523472537

【氏名又は名称】シードエックス テクノロジーズ インク

【氏名又は名称原語表記】ＳＥＥＤＸ ＴＥＣＨＮＯＬＯＧＩＥＳ ＩＮＣ．

【住所又は居所原語表記】１００７ Ｎ． Ｏｒａｎｇｅ Ｓｔｒｅｅｔ， Ｗｉｌｍｉｎｇｔｏｎ， Ｄｅｌａｗａｒｅ， Ｕ．Ｓ．Ａ．

(71)【出願人】

【識別番号】523472548

【氏名又は名称】サカタ ホーランド ベー．フェー．

【氏名又は名称原語表記】ＳＡＫＡＴＡ ＨＯＬＬＡＮＤ Ｂ．Ｖ．

【住所又は居所原語表記】Ｓａｔｕｒｎｕｓｓｔｒａａｔ １， Ｈｏｏｆｄｄｏｒｐ， ｔｈｅ Ｎｅｔｈｅｒｌａｎｄｓ

(74)【代理人】

【識別番号】110002952

【氏名又は名称】弁理士法人鷲田国際特許事務所

(72)【発明者】

【氏名】アヤル シャロン

(72)【発明者】

【氏名】カルモン エラド

(72)【発明者】

【氏名】ヘンドリクス パウルス ベルナルダス ヘンドリクス

【テーマコード（参考）】

2B051

2G059

3F079

4B063

5L096

【Ｆターム（参考）】

2B051AA01

2B051AB01

2B051BA11

2G059AA05

2G059BB09

2G059DD12

2G059EE12

2G059EE13

2G059FF01

2G059HH01

2G059HH02

2G059KK04

2G059MM01

2G059MM02

3F079AC07

3F079CA23

3F079CB29

4B063QA05

4B063QQ09

4B063QQ42

4B063QQ52

4B063QR08

4B063QR55

4B063QR62

4B063QS25

4B063QX02

5L096CA02

5L096FA02

5L096FA32

5L096FA33

5L096FA64

5L096FA66

5L096GA40

5L096GA51

5L096HA11

5L096JA03

5L096KA04

5L096MA07

(57)【要約】

マッティオラ種子の選別のためのシステムが、単弁花／重弁花の表現型に基づいて開示される。選別された種子の集合体も開示される。
【選択図】図６

【特許請求の範囲】

【請求項1】

マッティオラ種子を選別するためのシステムであって、
統計的に類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子を示す少なくとも１つの画像であって、少なくとも１つの撮像センサによって取り込まれる前記少なくとも１つの画像を少なくとも１つのニューラルネットワークに供給することであって、
前記複数のマッティオラ種子の１つの画像から抽出された前記少なくとも１つの視覚的特徴が、前記複数のマッティオラ種子の別のマッティオラ種子の別の画像から抽出された対応する少なくとも１つの視覚的特徴に統計的に類似する、前記供給することと、
前記少なくとも１つのニューラルネットワークによって、一重咲き及び八重咲きから成るグループから選択された前記複数のマッティオラ種子のそれぞれについて、視覚的特徴が明示的に定義されていない１つの分類カテゴリの指示を計算することであって、
前記少なくとも１つの分類カテゴリの指示が、前記少なくとも１つのニューラルネットワークの重みに少なくとも従って計算され、
前記少なくとも１つのニューラルネットワークが、類似した抽出可能な少なくとも１つの視覚的特徴を有する前記複数のマッティオラ種子を、開花、及び視覚的特徴が明示的に定義されていない八重咲きから成る前記グループから選択された少なくとも１つの分類カテゴリに分類し、
前記少なくとも１つのニューラルネットワークが、前記少なくとも１つの撮像センサによって取り込まれた統計的に類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子の複数のトレーニング画像を含むトレーニングデータセットを使用して訓練され、各トレーニング画像の各マッティオラ種子が、視覚的特徴が明示的に定義されず、一重咲き及び八重咲きから成る前記グループから選択されたそれぞれの分類カテゴリでラベル付けされる、前記計算することと、
一重咲き及び八重咲きから成る前記グループから選択された前記少なくとも１つの分類カテゴリの指示に従って、マッティオラ種子の自動選別のための自動選別装置の選別コントローラによる実行のための命令を生成することと、
のためのコードを実行する少なくとも１つのハードウェアプロセッサ
を備える、前記システム。

【請求項2】

前記少なくとも１つの画像に示される前記複数のマッティオラ種子から抽出された視覚的特徴が、統計的に類似した抽出可能な特徴のみを含み、統計的に類似していない抽出可能な視覚的特徴を除外する、請求項１に記載のシステム。

【請求項3】

前記少なくとも１つの画像に示される前記複数のマッティオラ種子から抽出された統計的に類似していない視覚的特徴が、一重咲き及び八重咲きから成る前記グループから選択された前記少なくとも１つのニューラルネットワークの分類カテゴリ結果と相関していない、請求項１に記載のシステム。

【請求項4】

前記少なくとも１つの画像に示される前記複数のマッティオラ種子から抽出された前記統計的に類似していない視覚的特徴が、セグメント化された視覚マーカーを含み、前記セグメント化された視覚マーカーが、一重咲き及び八重咲きから成る前記グループから選択された分類カテゴリ結果と相関していない、請求項３に記載のシステム。

【請求項5】

前記類似した抽出可能な少なくとも１つの視覚的特徴が、手作りされた特徴、前記少なくとも１つの種子の少なくとも１つのサイズ寸法、前記少なくとも１つの種子の色、前記少なくとも１つの種子の形状、前記少なくとも１つの種子の質感、前記少なくとも１つの種子の推定測定、及びセグメント化された視覚マーカーから成る前記グループから選択される、請求項１に記載のシステム。

【請求項6】

前記少なくとも１つの分類カテゴリが、前記少なくとも１つの種子の目視検査に基づいて手作業で決定することができない非視覚的なカテゴリを含む、請求項１に記載のシステム。

【請求項7】

前記マッティオラ種子がマッティオラインカナの種である、請求項１に記載のシステム。

【請求項8】

前記マッティオラ種子がＩｒｏｎシリーズの種である、請求項７に記載のシステム。

【請求項9】

前記少なくとも１つの分類カテゴリが、前記マッティオラ種子のそれぞれのトレーニング画像が前記少なくとも１つの撮像センサによって取り込まれた後にそれぞれのマッティオラ種子を破壊する破壊試験によって決定される、請求項１に記載のシステム。

【請求項10】

前記少なくとも１つの分類カテゴリのラベルが、前記マッティオラ種子のそれぞれのトレーニング画像が前記少なくとも１つの撮像センサによって取り込まれた後に、単弁花または重弁花が視覚的に存在するまで、それぞれの種子を育てることによって決定される、請求項１に記載のシステム。

【請求項11】

前記撮像センサが、ＲＧＢ、マルチスペクトル、ハイパースペクトル、可視光周波数範囲、近赤外（ＮＩＲ）周波数範囲、赤外（ＩＲ）周波数範囲、及び上述の組み合わせから成る前記グループから選択される、請求項１に記載のシステム。

【請求項12】

少なくとも１つのマッティオラ種子を含む前記少なくとも１つの画像が、複数のマッティオラ種子を含む画像からセグメント化された単一のマッティオラ種子の単一の画像を含む、請求項１に記載のシステム。

【請求項13】

前記少なくとも１つのニューラルネットワークが、前記少なくとも１つの画像の埋め込みを計算し、前記少なくとも１つの分類カテゴリが、トレーニング画像の埋め込みを格納する前記トレーニングデータセットから識別された少なくとも１つの類似する埋め込まれた画像の注釈と、前記少なくとも１つの画像の前記埋め込みと前記トレーニング画像の埋め込みとの間の類似性距離の要件に従って識別された前記少なくとも１つの類似した埋め込み画像と、（ｉ）前記埋め込みが埋め込み層として選択された前記訓練された少なくとも１つのニューラルネットワークの内部層によって計算されることと、（ｉｉ）前記埋め込みが所定の長さのベクトルとして格納され、前記類似性距離が、前記少なくとも１つの画像の前記埋め込みを格納するベクトルと、それぞれのトレーニング画像の埋め込みをそれぞれが格納する複数のベクトルとの間の距離として計算されることと、（ｉｉｉ）前記類似性距離が、前記少なくとも１つの画像の前記埋め込みと、同じ少なくとも１つの分類カテゴリとそれぞれが関連付けられた複数のトレーニング画像の埋め込みのクラスタとの間で計算されることとから成る前記グループから選択される少なくとも１つのメンバーとに従って決定される、請求項１に記載のシステム。

【請求項14】

前記少なくとも１つの画像が、複数のマッティオラ種子を含む複数の画像を含み、それぞれの分類カテゴリに従って前記複数の画像をクラスタ化するためのコードをさらに含み、前記選別コントローラによる実行のための前記命令が、それぞれの分類カテゴリに従って前記複数の画像に対応するマッティオラ種子を選別するための命令を含み、前記クラスタ化が、分類カテゴリ及び／またはターゲット統計分布のターゲット比率に従って実行され、前記クラスタのメンバーが、前記ターゲット比率に従って配列され、分類カテゴリの前記ターゲット比率が、前記マッティオラ及び／または種子のサンプルのＤＮＡ分析に従って、または前記マッティオラ種子の前記サンプルを播種し、育てた成長の結果に従って計算される、請求項１に記載のシステム。

【請求項15】

異なる分類カテゴリの前記クラスタが、（ｉ）マッティオラ種子が同じ環境条件下で育てられることと、（ｉｉ）マッティオラ種子が同じ栽培期に育てられることと、（ｉｉｉ）マッティオラ種子が同じ地理的場所で育てられることと、（ｉｖ）マッティオラ種子が許容範囲内に同一の物理的なパラメータを有することから成る前記グループから選択された少なくとも１つのメンバーのために作成される、請求項１４に記載のシステム。

【請求項16】

前記少なくとも１つの視覚的特徴の抽出のために訓練された非ニューラルネットワークベースの統計的分類器が、類似した抽出可能な少なくとも１つの視覚的特徴を有する前記複数のマッティオラ種子を、視覚的特徴が明示的に定義された同じ分類カテゴリに分類する、請求項１に記載のシステム。

【請求項17】

前記少なくとも１つの画像が、異なる分類カテゴリの複数のマッティオラ種子を含む複数の画像を含み、前記少なくとも１つのニューラルネットワークが、前記複数の画像のそれぞれについて埋め込みを計算し、前記複数の画像の前記埋め込みが、クラスタ化コードによってクラスタ化され、前記選別コントローラによる実行のための前記命令が、対応するクラスタに従って前記マッティオラ種子を選別するための命令を含む、請求項１に記載のシステム。

【請求項18】

前記クラスタが、
（ｉ）各それぞれのクラスタの埋め込まれた各画像が、別のクラスタから少なくとも閾値距離、離れるように、及び、
（ｉｉ）前記クラスタが、各それぞれのクラスタの埋め込まれた各画像メンバーが、同じそれぞれのクラスタの１つおきのメンバーから閾値距離未満離れるように計算されることと
から成る前記グループから選択された少なくとも１つのメンバーに従って計算される、請求項１７に記載のシステム。

【請求項19】

同じクラスタの埋め込み間で計算されたクラスタ内の距離が、異なるクラスタの埋め込みの間で計算されたクラスタ間の距離に満たない、請求項１７に記載のシステム。

【請求項20】

別の埋め込み、クラスタ、及び前記クラスタの中心内の少なくとも１つから距離閾値を超えて位置する埋め込みに対応するマッティオラ種子が、特定の色であるとして示され、特定の色のクラスタにクラスタ化され、特定の色であるとして示されたマッティオラ種子が、少なくとも２つの画像埋め込みに割り当てられた分類カテゴリ、及び／または特定の色であるとして示された前記マッティオラ種子の前記埋め込みに近接する少なくとも２つのクラスタに従って、既存のカテゴリの新しいカテゴリを割り当てられるか、または新しい下位分類カテゴリに割り当てられ、既存のカテゴリの前記新しい分類カテゴリまたは前記新しい下位分類が、前記少なくとも２つの画像埋め込みに相対する距離、及び／または特定の色であるとして示される前記マッティオラ種子の前記埋め込みに近接する少なくとも２つのクラスタに従って計算される、請求項１７に記載のシステム。

【請求項21】

クラスタごとに少なくとも１つの統計値が計算され、特定のマッティオラ種子が、前記特定の種子の前記画像の前記埋め込みが他の全てのクラスタと統計的に異なるときに不良であるとして示される、請求項１７に記載のシステム。

【請求項22】

クラスタごとに少なくとも１つの統計値が計算され、特定の種子が、前記特定の種子の前記画像の前記埋め込みが、特定のクラスタの少なくとも１つの統計値に統計的に類似するときに前記特定のクラスタの特定の分類カテゴリを割り当てられる、請求項１７に記載のシステム。

【請求項23】

ターゲットマッティオラ種子の画像を提供し、前記少なくとも１つのニューラルネットワークによって前記ターゲットマッティオラ種子の埋め込みを計算することと、
前記ターゲットマッティオラ種子の前記埋め込みからターゲット距離閾値未満離れて位置する画像埋め込みに従って複数の画像埋め込みのサブセットを選択することとであって、前記選別コントローラによる実行のための前記命令が、前記複数の画像埋め込みの前記サブセットに対応するマッティオラ種子を選抜するための命令を含む、前記選択することと、
のためのコードをさらに含む、請求項１５に記載のシステム。

【請求項24】

ターゲットマッティオラ種子の画像を提供し、前記少なくとも１つのニューラルネットワークによって前記ターゲットマッティオラ種子の前記埋め込みを計算することと、
複数の画像埋め込み及び前記ターゲットマッティオラ種子の前記埋め込みをクラスタ化し、前記ターゲットマッティオラ種子の前記埋め込みを含むクラスタを選択することであって、前記選別コントローラによる実行のための前記命令が、前記選択されたクラスタに対応するマッティオラ種を選抜するための命令を含む、前記クラスタ化し、前記選択することと、
のためのコードをさらに含む、請求項１５に記載のシステム。

【請求項25】

マッティオラ種子の前記自動選別が、前記一重咲きのマッティオラ種子を廃棄することを含む、請求項１に記載のシステム。

【請求項26】

マッティオラ種子の分類のためのシステムであって、
統計的に類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子を示す少なくとも１つの画像であって、少なくとも１つの撮像センサによって取り込まれる前記少なくとも１つの画像を少なくとも１つのニューラルネットワークに供給することであって、
前記複数のマッティオラ種子の１つの画像から抽出された前記少なくとも１つの視覚的特徴が、前記複数のマッティオラ種子の別のマッティオラ種子の別の画像から抽出された対応する少なくとも１つの視覚的特徴に統計的に類似する、前記供給することと、
前記少なくとも１つのニューラルネットワークによって、一重咲き及び八重咲きから成るグループから選択された前記複数のマッティオラ種子のそれぞれについて、視覚的特徴が明示的に定義されていない１つの分類カテゴリの指示を計算することであって、
前記少なくとも１つの分類カテゴリの指示が、前記少なくとも１つのニューラルネットワークの重みに少なくとも従って計算され、
前記少なくとも１つのニューラルネットワークが、類似した抽出可能な少なくとも１つの視覚的特徴を有する前記複数のマッティオラ種子を、開花、及び視覚的特徴が明示的に定義されていない八重咲きから成る前記グループから選択された少なくとも１つの分類カテゴリに分類し、
前記少なくとも１つのニューラルネットワークが、前記少なくとも１つの撮像センサによって取り込まれた統計的に類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子の複数のトレーニング画像を含むトレーニングデータセットを使用して訓練され、各トレーニング画像の各マッティオラ種子が、視覚的特徴が明示的に定義されず、一重咲き及び八重咲きから成る前記グループから選択されたそれぞれの分類カテゴリでラベル付けされる、前記計算することと、
のためのコードを実行する少なくとも１つのハードウェアプロセッサ、
を備える、前記システム。

【請求項27】

マッティオラ種子の選別のための前記マッティオラ種子の分類のために少なくとも１つのニューラルネットワークを訓練するための装置であって、
少なくとも１つの撮像センサによって取り込まれた統計的に類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子の複数のトレーニング画像にアクセスすることであって、
前記複数のマッティオラ種子の１つの画像から抽出された前記少なくとも１つの視覚的特徴が、前記複数のマッティオラ種子の別のマッティオラ種子の別の画像から抽出された対応する少なくとも１つの視覚的特徴に統計的に類似する、前記アクセスすることと、
視覚的特徴が明示的に定義されず、一重咲き及び八重咲きから成るグループから選択されたそれぞれの分類カテゴリで各トレーニング画像の各マッティオラ種子をラベル付けすることによってトレーニングデータセットを作成することであって、
前記マッティオラ種子のそれぞれのトレーニング画像が前記少なくとも１つの撮像センサによって取り込まれた後に、単弁花または重弁花が視覚的に存在するまで、それぞれのマッティオラ種子を育てることによって各ラベルが決定される、前記作成することと、
前記トレーニングデータセットを使用して少なくとも１つのニューラルネットワークを訓練することであって、前記少なくとも１つのニューラルネットワークが、少なくとも１つの撮像センサによって取り込まれた少なくとも１つの種子を示す少なくとも１つのターゲット画像の入力に応えて、一重咲き及び八重咲きから成る前記グループから選択された、視覚的特徴が明示的に定義されていない１つの分類カテゴリに指示の結果を生成するために訓練される、前記訓練することと、
前記少なくとも１つのターゲット画像の前記少なくとも１つの分類カテゴリの指示が、前記少なくとも１つの訓練されたニューラルネットワークの重みに少なくとも従って計算され、
前記少なくとも１つのニューラルネットワークが、類似した抽出可能な少なくとも１つの視覚的特徴を有する前記複数のマッティオラ種子を、視覚的特徴が明示的に定義されていない一重咲き及び八重咲きから成る前記グループから選択された少なくとも１つの分類カテゴリに分類する、前記訓練することと、
のためのコードを実行する少なくとも１つのハードウェアプロセッサ、
を備える、前記装置。

【請求項28】

複数のマッティオラ種子を含む容器であって、前記種子の少なくとも９０％が八重咲き種子であり、前記複数のマッティオラ種子が１００を超える種子を含む、前記容器。

【請求項29】

複数のマッティオラ種子を含む容器であって、前記種子の少なくとも９０％が一重咲き種子であり、前記複数のマッティオラ種子が１００を超える種子を含む、前記容器。

【請求項30】

前記複数の種子が１０グラムを超える重さである、請求項２８または２９に記載の容器。

【請求項31】

前記マッティオラ種子が種マッティオラインカナである、請求項２８～３０のいずれか１項に記載の容器。

【請求項32】

前記マッティオラインカナ種子がＩｒｏｎシリーズである、請求項２８～３１のいずれか１項に記載の容器。

【請求項33】

請求項２８～３２のいずれか１項に記載の前記容器の前記種子を播種し、それによって作物を育てることを含む、前記作物を育てる方法。

【請求項34】

マッティオラ種子を分類する方法であって、
分類されていないマッティオラ種子を育てることと、
前記マッティオラ種子の少なくとも１つの画像を取り込むことと、
前記少なくとも１つの画像を供給された訓練されたニューラルネットワークの結果に従って、それぞれの前記マッティオラ種子を、複数の分類カテゴリから選択された特定の分類カテゴリに分類することと、を含む、前記方法。

【請求項35】

請求項３４の前記方法に従って、前記特定の分類カテゴリに分類された前記マッティオラ種子を育てることによってマッティオラ苗木を生成する方法。

【請求項36】

請求項３４の前記方法に従って、前記特定の分類カテゴリに分類された前記マッティオラ種子を播種し、育てることによる植物生成の方法。

【請求項37】

請求項３４の前記方法に従って、前記特定の分類カテゴリに分類された前記マッティオラ種子を育て、成長時に植物を切断することによってマッティオラ植物の切片を育てる方法。

【請求項38】

請求項３４の前記方法に従って、前記特定の分類カテゴリに分類された前記マッティオラ種子を育てることによってマッティオラ苗木を製造する方法。

【請求項39】

複数のマッティオラ苗木を含む容器であって、前記苗木の少なくともターゲット割合が、請求項３４の前記方法を使用して分類された特定の分類カテゴリである、前記容器。

【請求項40】

複数のマッティオラ苗木の容器を生産する方法であって、請求項３４の前記方法に従って前記特定の分類カテゴリに分類された前記マッティオラ種子を、前記マッティオラ苗木に育て、前記マッティオラ苗木を前記容器に入れることを含む、前記方法。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照
本願は、２０２１年６月１６日に出願された米国特許出願第６３／２１１，０２９号及び２０２１年６月２１日出願されたオランダ特許出願第２０２８４６６号の優先権の利益を主張し、参照により、その内容全体が本明細書に組み込まれる。

【背景技術】

【0002】

本発明は、そのいくつかの実施形態において、より具体的にはマッティオラ種子であるが、これに限定されない、マッティオラインカナの種子の単弁花表現型と重弁花表現型を区別する方法に関する。

【0003】

マッティオラインカナは、アブラナ科属に属し、マッティオラ属の顕花植物の１つの種である。一般名は、ブロンプトンストック、コモンストック（ｃｏｍｍｏｎ ｓｔｏｃｋ）、ホアリーストック、テンウィークストック、及びギリーフラワーを含む。

【0004】

マッティオラインカナの花は、夏季の観賞植物として、及び通年切り花または芳香用植物として広く使用されている。花は、シンプルである場合もあれば、幾重にも詰まっている場合もあれば、中程度の場合もあれば、大きい場合もある。白、黄色、ピンク、バラ色、赤、マリンブルー、青、紫を含む様々な花色をもつ多くのマッティオラインカナの品種がある。

【0005】

マッティオラインカナの種子は、２つの花表現型、つまり重弁花と単弁花の間で分かれる。重弁花の変種は重要な観賞用植物であり、単弁花の変種よりも商業的に有利であるが、生殖能力がない。生殖器官が花弁に置き換えられているために生殖器官を欠いているので、これらの重弁花は種子を生み出さない。

【0006】

したがって、重弁花は、一重咲きの植物の種子から生み出さなければならない。八重咲の形は、ホモ接合性状態の潜性遺伝子の変異型（対立遺伝子）によって引き起こされる。したがって、遺伝学のメンデルの法則によれば、ヘテロ接合性の一重咲きのストックは、その子孫で４分の１の重弁花を生み出し、単弁花の３分の１は、重弁花を生じさせることができない純系交配の単弁花であるはずである。

【0007】

何世紀にもわたる選抜によって、これらの比率は大幅に改善してきており、いわゆる常習変異性のストックが生まれ、その中に純粋交配の単弁花は存在せず、重弁花の割合は２分の１以上である。これらの変種では、単性対立遺伝子は、花粉致死遺伝子に密接に関連している。したがって、種子への花粉（オス）の寄与はつねに二重対立遺伝子（ｄｏｕｂｌｅｎｅｓｓ ａｌｌｅｌｅ）であり、一方、メスの寄与は、二重対立遺伝子または単性対立遺伝子のどちらかである。この連鎖の結果として、染色体の交差／組み換えが起こらないと仮定した場合、重弁花及び単弁花は５０：５０の比率で生まれ、純粋交配の単弁花はない。しかしながら、交差／組み換えは１％以下の頻度で起こることが一般に知られている。

【0008】

さらに、多くの現代の菌株は、より高い割合で、つまり６０％または９２％でさえ重弁花を生み出す。これは、さらに連鎖した生存能力の効果ための選抜の世代によるものであり、ホモ接合性重弁花に比してヘテロ接合性単弁花の致死率はより高くなる。

【0009】

マッティオラインカナの八重咲きの形質は、ｓ遺伝子座に対応する。重弁花の原因となる遺伝子は同定され、ＤＮＡマーカーが開発されている。しかしながら、これらのＤＮＡマーカーを種子または苗木の中から単弁または重弁の個体を選抜するために使用することはきわめて労働集約的かつ費用を要し、単弁花または重弁花を咲かせる植物のより大量の種子または苗木を選抜する機会を提供しない。

【0010】

（重弁花を咲かせる植物を示す）マッティオラインカナの中で、変種の様々なグループを、それらの遺伝的背景及び形態学的形質に基づいて互いと区別することができる。これらの変種の多くは八重咲きの植物を選抜するために使用できる特定の形態学的形質を有する。八重咲きの植物を得るために、育種家及び繁殖者は、重弁花と、子葉の形状、子葉の色、鋸歯状の葉、発芽速度、種子の色、及び葉の色などの形態学的形質との間の相関に頼ってきた。しかしながら、この形の選抜はきわめて労働集約的となり、いくつかの場合きわめて熟練した労働を必要とする可能性がある。

【0011】

背景技術は、国際公開第ＷＯ２０１９／１０６６４１、第ＷＯ２０１９／１０６６３８、及び第ＷＯ２０１９／１０６６３９を含む。

【発明の概要】

【0012】

本発明の一態様によれば、
統計的に類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子を示す少なくとも１つの画像であって、少なくとも１つの撮像センサによって取り込まれる少なくとも１つの画像を少なくとも１つのニューラルネットワークに供給することであって、
複数のマッティオラ種子の１つの画像から抽出された少なくとも１つの視覚的特徴は、複数のマッティオラ種子の別のマッティオラ種子の別の画像から抽出された対応する少なくとも１つの視覚的特徴に統計的に類似する、供給することと、
少なくとも１つのニューラルネットワークによって、一重咲き及び八重咲きから成るグループから選択された複数のマッティオラ種子のそれぞれについて、視覚的特徴が明示的に定義されていない１つの分類カテゴリの指示を計算することであって、
少なくとも１つの分類カテゴリの指示が、少なくとも１つのニューラルネットワークの重みに少なくとも従って計算され、
少なくとも１つのニューラルネットワークは、類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子を、開花、及び視覚的特徴が明示的に定義されていない八重咲きから成るグループから選択された少なくとも１つの分類カテゴリに分類し、
少なくとも１つのニューラルネットワークは、少なくとも１つの撮像センサによって取り込まれた統計的に類似した抽出可能な少なくとも１つの視覚的特徴を有する複数の種子の複数のトレーニング画像を含むトレーニングデータセットを使用して訓練され、各トレーニング画像の各マッティオラ種子は、視覚的特徴が明示的に定義されず、一重咲き及び八重咲きから成るグループから選択されたそれぞれの分類カテゴリでラベル付けされる、計算することと、
一重咲き及び八重咲きから成るグループから選択された少なくとも１つの分類カテゴリの指示に従って、マッティオラ種子の自動選別のための自動選別装置の選別コントローラによる実行のための命令を生成することと、
のためのコードを実行する少なくとも１つのハードウェアプロセッサ、
を含む、マッティオラ種子の選別のためのシステムが提供される。

【0013】

本発明の一態様によれば、
統計的に類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子を示す少なくとも１つの画像であって、少なくとも１つの撮像センサによって取り込まれる少なくとも１つの画像を少なくとも１つのニューラルネットワークに供給することであって、
複数のマッティオラ種子の１つの画像から抽出された少なくとも１つの視覚的特徴は、複数のマッティオラ種子の別のマッティオラ種子の別の画像から抽出された対応する少なくとも１つの視覚的特徴に統計的に類似する、供給することと、
少なくとも１つのニューラルネットワークによって、一重咲き及び八重咲きから成るグループから選択された複数のマッティオラ種子のそれぞれについて、視覚的特徴が明示的に定義されていない１つの分類カテゴリの指示を計算することであって、
少なくとも１つの分類カテゴリの指示が、少なくとも１つのニューラルネットワークの重みに少なくとも従って計算され、
少なくとも１つのニューラルネットワークは、類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子を、開花、及び視覚的特徴が明示的に定義されていない八重咲きから成るグループから選択された少なくとも１つの分類カテゴリに分類し、
少なくとも１つのニューラルネットワークは、少なくとも１つの撮像センサによって取り込まれた統計的に類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子の複数のトレーニング画像を含むトレーニングデータセットを使用して訓練され、各トレーニング画像の各マッティオラ種子は、視覚的特徴が明示的に定義されず、一重咲き及び八重咲きから成るグループから選択されたそれぞれの分類カテゴリでラベル付けされる、計算することとのためのコードを実行する少なくとも１つのバードウェアプロセッサを含む、マッティオラ種子の分類のためのシステムが提供される。

【0014】

本発明の一態様によれば、
少なくとも１つの撮像センサによって取り込まれた統計的に類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子の複数のトレーニング画像にアクセスすることであって、
複数のマッティオラ種子の１つの画像から抽出された少なくとも１つの視覚的特徴は、複数のマッティオラ種子の別のマッティオラ種子の別の画像から抽出された対応する少なくとも１つの視覚的特徴に統計的に類似する、アクセスすることと、
視覚的特徴が明示的に定義されず、一重咲き及び八重咲きから成るグループから選択されたそれぞれの分類カテゴリで各トレーニング画像の各マッティオラ種子をラベル付けすることによってトレーニングデータセットを作成することであって、
マッティオラ種子のそれぞれのトレーニング画像が少なくとも１つの撮像センサによって取り込まれた後に、単弁花または重弁花が視覚的に存在するまで、それぞれのマッティオラ種子を育てることによって各ラベルが決定される、作成することと、
トレーニングデータセットを使用して少なくとも１つのニューラルネットワークを訓練することであって、少なくとも１つのニューラルネットワークが、少なくとも１つの撮像センサによって取り込まれた少なくとも１つの種子を示す少なくとも１つのターゲット画像の入力に応えて、一重咲き及び八重咲きから成るグループから選択された、視覚的特徴が明示的に定義されていない１つの分類カテゴリに指示の結果を生成するために訓練される、訓練することと、
少なくとも１つのターゲット画像の少なくとも１つの分類カテゴリの指示が、少なくとも１つの訓練されたニューラルネットワークの重みに少なくとも従って計算され、
少なくとも１つのニューラルネットワークは、類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子を、視覚的特徴が明示的に定義されていない一重咲き及び八重咲きから成るグループから選択された少なくとも１つの分類カテゴリに分類する、訓練することとのためのコードを実行する少なくとも１つのハードウェアプロセッサを含む、マッティオラ種子の選別のためにマッティオラ種子を分類するために少なくとも１つのニューラルネットワークを訓練するための装置が提供される。

【0015】

本発明の態様によれば、複数のマッティオラ種子を含む容器が提供され、種子の少なくとも９０％は八重咲きの種子であり、複数のマッティオラ種子は１００を超える種子を含む。

【0016】

本発明の態様によれば、複数のマッティオラ種子を含む容器が提供され、種子の少なくとも９０％は一重咲きの種子であり、複数のマッティオラ種子は１００を超える種子を含む。

【0017】

本発明の一態様によれば、本明細書に説明される容器の種子を播種し、それによって作物を育てることを含む作物を育てる方法が提供される。

【0018】

本発明の一態様によれば、分類されていないマッティオラ種子を育てることと、マッティオラ種子の少なくとも１つの画像を取り込むことと、少なくとも１つの画像を供給された訓練されたニューラルネットワークモデルの結果に従って、複数の分類カテゴリから選択された特定の分類カテゴリにそれぞれのマッティオラ種子を分類することを含む、マッティオラ種子を分類する方法が提供される。

【0019】

本発明の別の態様によれば、
マッティオラ種子の少なくとも１つの画像を取り込むことと、
少なくとも１つの画像を供給された訓練されたニューラルネットワークモデルの結果に従って、それぞれのマッティオラ種子を、複数の分類カテゴリから選択された特定の分類カテゴリに分類することと
を含む、マッティオラ種子を分類する方法が提供される。

【0020】

本発明の実施形態によれば、少なくとも１つの画像に示される複数のマッティオラ種子から抽出された視覚的特徴は、統計的に類似した抽出可能な特徴のみを含み、統計的に類似していない抽出可能な視覚的特徴を除外する。

【0021】

本発明の実施形態によれば、少なくとも１つの画像に示される複数のマッティオラ種子から抽出された統計的に類似していない視覚的特徴は、一重咲き及び八重咲きから成るグループから選択された少なくとも１つのニューラルネットワークの分類カテゴリ結果と相関していない。

【0022】

本発明の実施形態によれば、少なくとも１つの画像に示される複数のマッティオラ種子から抽出された統計的に類似していない視覚的特徴は、セグメント化された視覚マーカーを含み、セグメント化された視覚マーカーは、一重咲き及び八重咲きから成るグループから選択された分類カテゴリ結果と相関していない。

【0023】

本発明の実施形態によれば、類似した抽出可能な少なくとも１つの視覚的特徴は、手作りされた特徴、少なくとも１つの種子の少なくとも１つのサイズ寸法、少なくとも１つの種子の色、少なくとも１つの種子の形状、少なくとも１つの種子の質感、少なくとも１つの種子の推定測定、及びセグメント化された視覚マーカーから成るグループから選択される。

【0024】

本発明の実施形態によれば、少なくとも１つの分類カテゴリは、少なくとも１つの種子の目視検査に基づいて手作業で決定することができない非視覚的なカテゴリを含む。

【0025】

本発明の実施形態によれば、マッティオラ種子はマッティオラインカナの種である。

【0026】

本発明の実施形態によれば、マッティオラインカナの種子はＩｒｏｎシリーズである。

【0027】

本発明の実施形態によれば、少なくとも１つの分類カテゴリは、マッティオラ種子のそれぞれのトレーニング画像が少なくとも１つの撮像センサによって取り込まれた後にそれぞれのマッティオラ種子を破壊する破壊試験によって決定される。

【0028】

本発明の実施形態によれば、少なくとも１つの分類カテゴリのラベルは、マッティオラ種子のそれぞれのトレーニング画像が少なくとも１つの撮像センサによって取り込まれた後に、単弁花または重弁花が視覚的に存在するまで、それぞれのマッティオラ種子を育てることによって決定される。

【0029】

本発明の実施形態によれば、撮像センサは、ＲＧＢ、マルチスペクトル、ハイパースペクトル、可視光周波数範囲、近赤外（ＮＩＲ）周波数範囲、赤外（ＩＲ）周波数範囲、及び上述の組み合わせから成るグループから選択される。

【0030】

本発明の実施形態によれば、少なくとも１つのマッティオラ種子を含む少なくとも１つの画像は、複数のマッティオラ種子を含む画像からセグメント化された単一のマッティオラの単一の画像を含む。

【0031】

本発明の実施形態によれば、少なくとも１つのニューラルネットワークは、少なくとも１つの画像の埋め込みを計算し、少なくとも１つの分類カテゴリは、トレーニング画像の埋め込みを格納するトレーニングデータセットから識別された少なくとも１つの類似する埋め込まれた画像の注釈と、少なくとも１つの画像の埋め込みとトレーニング画像の埋め込みとの間の類似性距離の要件に従って識別された少なくとも１つの類似した埋め込み画像と、（ｉ）埋め込みが埋め込み層として選択された訓練された少なくとも１つのニューラルネットワークの内部層によって計算されることと、（ｉｉ）埋め込みが所定の長さのベクトルとして格納され、類似性距離が、少なくとも１つの画像の埋め込みを格納するベクトルと、それぞれのトレーニング画像の埋め込みをそれぞれが格納する複数のベクトルとの間の距離として計算されることと、（ｉｉｉ）類似性距離が、少なくとも１つの画像の埋め込みと、同じ少なくとも１つの分類カテゴリとそれぞれが関連付けられた複数のトレーニング画像の埋め込みのクラスタとの間で計算されることから成るグループから選択される少なくとも１つのメンバーとに従って決定される。

【0032】

本発明の実施形態によれば、少なくとも１つの画像は、複数のマッティオラ種子を含む複数の画像を含み、それぞれの分類カテゴリに従って複数の画像をクラスタ化するためのコードをさらに含み、選別コントローラによる実行のための命令は、それぞれの分類カテゴリに従って複数の画像に対応するマッティオラ種子を選別するための命令を含み、クラスタ化は、分類カテゴリ及び／またはターゲット統計分布のターゲット比率に従って実行され、クラスタのメンバーは、ターゲット比率に従って配列され、分類カテゴリのターゲット比率は、マッティオラ種子のサンプルのＤＮＡ分析に従って、またはマッティオラ種子のサンプルを播種し、育てた成長の結果に従って計算される。

【0033】

本発明の実施形態によれば、異なる分類カテゴリのクラスタは、（ｉ）マッティオラ種子が同じ環境条件下で育てられることと、（ｉｉ）マッティオラ種子が同じ栽培期に育てられることと、（ｉｉｉ）マッティオラ種子が同じ地理的場所で育てられることと、（ｉｖ）マッティオラ種子が許容範囲内に同一の物理的なパラメータを有することから成るグループから選択された少なくとも１つのメンバーのために作成される。

【0034】

本発明の実施形態によれば、少なくとも１つの視覚的特徴の抽出のために訓練された非ニューラルネットワークベースの統計的分類器は、類似した抽出可能な少なくとも１つの視覚的特徴を有する複数のマッティオラ種子を、視覚的特徴が明示的に定義された同じ分類カテゴリに分類する。

【0035】

本発明の実施形態によれば、少なくとも１つの画像は、異なる分類カテゴリの複数のマッティオラ種子を含む複数の画像を含み、少なくとも１つのニューラルネットワークは、複数の画像のそれぞれについて埋め込みを計算し、複数の画像の埋め込みは、クラスタ化コードによってクラスタ化され、選別コントローラによる実行のための命令は、対応するクラスタに従ってマッティオラ種子を選別するための命令を含む。

【0036】

本発明の実施形態によれば、クラスタは、
（ｉ）各それぞれのクラスタの埋め込まれた各画像が、別のクラスタから少なくとも閾値距離、離れるように、及び
（ｉｉ）クラスタが、各それぞれのクラスタの埋め込まれた各画像メンバーが、同じそれぞれのクラスタの１つおきのメンバーから閾値距離未満離れるように計算されることと
から成るグループから選択された少なくとも１つのメンバーに従って計算される。

【0037】

本発明の実施形態によれば、同じクラスタの埋め込み間で計算されたクラスタ内の距離は、異なるクラスタの埋め込みの間で計算されたクラスタ間の距離に満たない。

【0038】

本発明の実施形態によれば、別の埋め込み、クラスタ、及びクラスタの中心内の少なくとも１つから距離閾値を超えて位置する埋め込みに対応するマッティオラ種子は、特定の色であるとして示され、特定の色のクラスタにクラスタ化され、特定の色であるとして示されたマッティオラ種子は、少なくとも２つの画像埋め込みに割り当てられた分類カテゴリ、及び／または特定の色であるとして示されたマッティオラ種子の埋め込みに近接する少なくとも２つのクラスタに従って、既存のカテゴリの新しいカテゴリを割り当てられるか、または新しい下位分類カテゴリに割り当てられ、既存のカテゴリの新しい分類カテゴリまたは新しい下位分類は、少なくとも２つの画像埋め込みに相対する距離、及び／または特定の色であるとして示されるマッティオラ種子の埋め込みに近接する少なくとも２つのクラスタに従って計算される。

【0039】

本発明の実施形態によれば、クラスタごとに少なくとも１つの統計値が計算され、特定のマッティオラ種子は、特定の種子の画像の埋め込みが他の全てのクラスタと統計的に異なるときに不良であるとして示される。

【0040】

本発明の実施形態によれば、クラスタごとに少なくとも１つの統計値が計算され、特定の種子は、特定の種子の画像の埋め込みが、特定のクラスタの少なくとも１つの統計値に統計的に類似するときに特定のクラスタの特定の分類カテゴリを割り当てられる。

【0041】

本発明の実施形態によれば、システムは、
ターゲットマッティオラ種子の画像を提供し、少なくとも１つのニューラルネットワークによってターゲットマッティオラ種子の埋め込みを計算することと、
ターゲットマッティオラ種子の埋め込みからターゲット距離閾値未満離れて位置する画像埋め込みに従って複数の画像埋め込みのサブセットを選択することとであって、選別コントローラによる実行のための命令が、複数の画像埋め込みのサブセットに対応するマッティオラ種子を選抜するための命令を含む選択することと
のためのコードをさらに含む。

【0042】

本発明の実施形態によれば、システムは、
ターゲットマッティオラ種子の画像を提供し、少なくとも１つのニューラルネットワークによってターゲットマッティオラ種子の埋め込みを計算することと、
複数の画像埋め込み及びターゲットマッティオラ種子の埋め込みをクラスタ化し、ターゲットマッティオラ種子の埋め込みを含むクラスタを選択することであって、選別コントローラによる実行のための命令は、選択されたクラスタに対応するマッティオラ種を選抜するための命令を含む、クラスタ化し、選択することと、
のためのコードをさらに含む。

【0043】

本発明の実施形態によれば、マッティオラ種子の自動選別は、一重咲きのマッティオラ種子を廃棄することを含む。

【0044】

本発明の実施形態によれば、複数の種子は１０グラムより大きい重さである。

【0045】

本発明の実施形態によれば、マッティオラ種子はマッティオラインカナの種である。

【0046】

本発明の実施形態によれば、マッティオラインカナの種子はＩｒｏｎシリーズである。

【0047】

本発明の実施形態によれば、特定の分類カテゴリに分類されたマッティオラ種子を育てることによってマッティオラ苗木を生成する方法が提供される。

【0048】

本発明の実施形態によれば、特定の分類カテゴリに分類されたマッティオラ種子を播種し、育てることによってマッティオラ苗木を生成する方法が提供される。

【0049】

本発明の実施形態によれば、特定の分類カテゴリに分類されたマッティオラ種子を育て、成長時に植物を切断することによってマッティオラ植物の切片を育てる方法が提供される。

【0050】

本発明の実施形態によれば、特定の分類カテゴリに分類されたマッティオラ種子を育てることによってマッティオラ苗木を製造する方法が提供される。

【0051】

本発明の実施形態によれば、複数のマッティオラ苗木を含む容器が提供され、苗木の少なくとも目標割合は、特定の分類カテゴリである。

【0052】

本発明の実施形態によれば、特定の分類カテゴリに分類されたマッティオラ種子をマッティオラ及び苗木に育て、マッティオラ苗木を容器に入れることを含む、複数のマッティオラ苗木の容器を生産する方法が提供される。

【0053】

別段の定義の無い限り、本明細書で使用される全ての技術用語及び／または科学用語は、本発明が属する技術分野の当業者が一般的に理解するものと同じ意味を有する。本明細書で説明されるものと同様または同等の方法及び材料が、本発明の実践または試験で使用できるが、例示的な方法及び／または材料は下記に説明される。矛盾する場合、定義を含む本特許明細書を優先する。さらに、材料、方法、及び実施例は、一例にすぎず、必ずしも限定することを意図していない。

【0054】

本発明のいくつかの実施形態を、本明細書では、単なる例示として、添付の図面を参照しながら説明する。このとき図面を詳細にわたって具体的に参照するが、図示されている細部は例示として本発明の実施形態を説明的に考察することを目的としたものであることが強調される。この点に関して、図面を用いた説明は、本発明の実施形態がどのように実践され得るかを当業者に明らかにする。

【図面の簡単な説明】

【0055】

【図1】本発明のいくつかの実施形態による、種子の画像に従って種子を選別するためのプロセスのフローチャートである。

【図2】本発明のいくつかの実施形態による、種子の画像に従って種子を分類及び／またはクラスタ化するための、及び／または種子の画像を分類及び／またはクラスタ化するためにニューラルネットワークを訓練するためのシステムのコンポーネントのブロック図である。

【図3】本発明のいくつかの実施形態による、種子の画像に従って分類カテゴリ及び／または埋め込みを計算するために１つ以上のニューラルネットワークを訓練するためのプロセスのフローチャートである。

【図4A】本発明のいくつかの実施形態による、図２を参照して説明されるシステム２００のコンポーネントによって実行可能な、図１及び／または図３を参照して説明される方法に基づいた例示的なデータフローのデータフロー図である。

【図4B】本発明のいくつかの実施形態による、図２を参照して説明されるシステム２００のコンポーネントによって実行可能な、図１及び／または図３を参照して説明される方法に基づいた例示的なデータフローのデータフロー図である。

【図4C】本発明のいくつかの実施形態による、図２を参照して説明されるシステム２００のコンポーネントによって実行可能な、図１及び／または図３を参照して説明される方法に基づいた例示的なデータフローのデータフロー図である。

【図4D】本発明のいくつかの実施形態による、図２を参照して説明されるシステム２００のコンポーネントによって実行可能な、図１及び／または図３を参照して説明される方法に基づいた例示的なデータフローのデータフロー図である。

【図4E】本発明のいくつかの実施形態による、図２を参照して説明されるシステム２００のコンポーネントによって実行可能な、図１及び／または図３を参照して説明される方法に基づいた例示的なデータフローのデータフロー図である。

【図5】本発明のいくつかの実施形態による、マッティオラ種子を示す画像を一重咲きまたは八重咲きに分類するニューラルネットワークを生成する高レベルプロセスを示すフローチャートである。

【図6】本発明のいくつかの実施形態による、マッティオラ種子、ならびに一重咲きタイプ及び八重咲きタイプの対応する成長した植物の画像を含む。

【発明を実施するための形態】

【0056】

本発明は、そのいくつかの実施形態において、より具体的にはマッティオラ種子であるが、これに限定されない、マッティオラインカナの種子の単弁花表現型と重弁花表現型を区別する方法に関する。

【0057】

本発明の少なくとも１つの実施形態を詳細に説明する前に、本発明は、その適用において、以下の記述で記載される、ならびに／または図面及び／もしくは実施例に示される、構造の詳細ならびに構成要素及び／または方法の配列に必ずしも限定されないことを理解されたい。本発明は、他の実施形態が可能であり、または様々な方法で実施もしくは実行することが可能である。

【0058】

本発明は、システム、方法、及び／またはコンピュータプログラム製品であり得る。コンピュータプログラム製品は、本発明の態様をプロセッサに実行させるためのコンピュータ可読プログラム命令をその媒体上に有するコンピュータ可読記憶媒体（複数可）を含み得る。

【0059】

コンピュータ可読記憶媒体は、命令実行デバイスが使用するための命令を保持し保存することができる有形のデバイスであり得る。コンピュータ可読記憶媒体は、例えば、電子式ストレージデバイス、磁気ストレージデバイス、光学式ストレージデバイス、電磁ストレージデバイス、半導体ストレージデバイス、またはこれらの任意の好適な組み合わせとすることができるが、これらに限定されない。コンピュータ可読記憶媒体のより特異的な例の非排他的なリストは、以下のポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、消去可能プログラマブル読み出し専用メモリ（ＥＰＲＯＭまたはフラッシュメモリ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ポータブルコンパクトディスク読み取り専用メモリ（ＣＤ－ＲＯＭ）、デジタルバーサタイルディスク（ＤＶＤ）、メモリスティック、フロッピーディスク、及び前述の任意の好適な組み合わせを含む。本明細書で使用されるコンピュータ可読記憶媒体は、電波もしくはその他の自由に伝播する電磁波、導波管もしくはその他の伝送媒体を伝播する電磁波（例えば、光ファイバケーブルを通過する光パルス）、または電線を介して伝送される電気信号など、それ自体が一時的な信号であると解釈されるべきではない。

【0060】

本明細書に記載されているコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体からそれぞれのコンピューティング／プロセッシングデバイスに、またはネットワーク、例えば、インターネット、ローカルエリアネットワーク、ワイドエリアネットワーク及び／またはワイヤレスネットワークを介して外部のコンピュータもしくは外部ストレージデバイスに、ダウンロードすることができる。ネットワークは、銅製の伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイコンピュータ、及び／またはエッジサーバを含み得る。各コンピューティング／処理デバイスのネットワークアダプタカードまたはネットワークインタフェースは、ネットワークからコンピュータ可読プログラム命令を受信し、そのコンピュータ可読プログラム命令を転送して、それぞれのコンピューティング／処理デバイス内のコンピュータ可読記憶媒体に保存する。

【0061】

本発明の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、機械語命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、または、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋、もしくはその種の他のものなどのオブジェクト指向プログラミング言語や、「Ｃ」プログラミング言語もしくは類似のプログラミング言語などの従来の手続き型プログラミング言語を含む、１つ以上のプログラミング言語の任意の組み合わせで記述されたソースコードもしくはオブジェクトコードのいずれかであり得る。コンピュータ可読プログラム命令は、完全にユーザーのコンピュータ上で、部分的にユーザーのコンピュータ上で、スタンドアローンのソフトウェアパッケージとして実行すること、部分的にユーザーのコンピュータ上で実行し、部分的にリモートコンピュータ上で実行すること、または完全にリモートコンピュータもしくはサーバ上で実行することが可能である。後のシナリオでは、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）もしくは広域ネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを経由してユーザーのコンピュータに接続され得る、または、（例えば、インターネットサービスプロバイダーを使用して、インターネットを経由して）外部コンピュータに接続され得る。いくつかの実施形態では、例えば、プログラマブル論理回路、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、またはプログラマブルロジックアレイ（ＰＬＡ）を含む電子回路は、本発明の態様を行うために、電子回路をパーソナライズするコンピュータ可読プログラム命令の状態情報を利用することによって、コンピュータ可読プログラム命令を実行し得る。

【0062】

本発明の態様は、本発明の実施形態による方法、装置（システム）、及びコンピュータプログラム製品のフローチャート図及び／またはブロック図を参照して本明細書で説明される。フローチャート図及び／またはブロック図の各ブロック、及びフローチャート図及び／またはブロック図のブロックの組み合わせは、コンピュータ可読プログラム命令によって実施できることが理解されよう。

【0063】

これらのコンピュータ可読プログラム命令は、汎用コンピュータのプロセッサ、専用コンピュータ、または機械を製造するための他のプログラム可能データ処理装置に提供され得、これにより、コンピュータまたは他のプログラム可能データ処理装置のプロセッサを介して実行する命令は、ブロックまたは複数のブロックのフローチャート及び／またはブロック図に指定される機能／行為を実施するための手段を作成する。また、これらのコンピュータ可読プログラム命令は、コンピュータ、プログラム可能データ処理装置、及び／または他のデバイスに特定の方法で機能するように命令できるコンピュータ可読記憶媒体に記憶されてもよく、これにより命令を格納させるコンピュータ可読記憶媒体は、ブロックまたは複数のブロックのフローチャート及び／またはブロック図に指定される機能／行為の態様を実施する命令を含んだ、製造品を含む。

【0064】

また、コンピュータ可読プログラム命令をコンピュータ、その他のプログラム可能なデータ処理装置、またはその他のデバイスにロードすることで、一連の操作ステップをコンピュータ、その他のプログラム可能なデータ処理装置、またはその他のデバイス上で実行し、コンピュータ、その他のプログラム可能なデータ処理装置、またはその他のデバイスで実行される命令がフローチャート及び／またはブロック図の１つ以上のブロックで指定される機能／行為を実施するような、コンピュータ実施プロセスを生成することができる。

【0065】

図中のフローチャート及びブロック図は、本発明の様々な実施形態によるシステム、方法、及びコンピュータプログラム製品の可能な実施態様のアーキテクチャ、機能、及び動作を示している。この点では、フローチャートまたはブロック図の各ブロックは、モジュール、セグメント、または命令の一部を表し得、それらは、指定された論理機能（複数可）を実施するための１つ以上の実行可能命令を含む。いくつかの代替実施態様では、ブロックで表される機能は、図で表されるものと違う順序で発生し得る。例えば、連続して示される２つのブロックは、実際に、実質的に同時に実行され得る、またはブロックは、時々、関連する機能に応じて逆順で実行され得る。また、ブロック図及び／またはフローチャート図の各ブロック、ならびにブロック図及び／またはフローチャート図のブロックの組み合わせは、指定された機能もしくは行為を行う、または専用ハードウェア及びコンピュータ命令の組み合わせを実行する専用ハードウェアベースシステムによって実施できることが留意されるであろう。

【0066】

従来の植物の育種及び選抜の技術により、八重咲き表現型及び一重咲き表現型が５０：５０の比率で明らかであるマッティオラインカナの変種が特定されてきた。さらに、多くの現代の菌は、さらに高い割合で、つまり最大で約９２％まで重弁花を作り出している。

【0067】

本発明者は、本発明を実施に移しながら、いまや機械学習アルゴリズムを使用して一重咲き／八重咲きの表現型に従ってマッティオラインカナの種子を選別することができることを明らかにしている。

【0068】

本明細書の以下に、及び続く実施例の項に説明されるように、本発明者は、異なる遺伝的背景及び異なる花色を表す異なる変種のマッティオラインカナが、その開花表現型に応じて非常に高い精度で選別できることを示す。

【0069】

本発明の一実施態様は、一重咲き分類カテゴリまたは八重咲き分類カテゴリへのマッティオラ種子の自動分類、及び任意選択で分類に従ったマッティオラ種子の自動選別のためのシステム、方法、装置、及び／またはコード命令に関する。種子の分類は、一重咲き及び八重咲きのクラスタへの（例えば、ニューラルネットワークの隠れた層から抽出された）マッティオラ種子の画像の埋め込みのクラスタ化を指す場合がある。各１つが１つ以上の種子を含む画像は、１つ以上のニューラルネットワークに入力される。任意選択で、各画像が単一の種子を含むように、画像はセグメント化される。ニューラルネットワーク（複数可）は、少なくとも訓練されたニューラルネットワークの重み及び／またはアーキテクチャに従って、画像（複数可）に示されるマッティオラ種子ごとに、分類、つまり一重咲き及び八重咲きの指示を計算する。いくつかの実施態様では、種子の１つ以上の物理的特性に基づいた視覚的特徴などの従来の特徴は、本明細書に説明されるニューラルネットワークによる実行のために明示的に定義されていない。このような従来の（例えば、視覚的な）特徴は、例えばニューラルネットワークの重み及び／またはアーキテクチャによって暗示される、暗示的な方法でトレーニング中にニューラルネットワークによって自動的に識別され得る。しかしながら、ニューラルネットワークは、定義された視覚的特徴を明示的に抽出するように明示的にプログラムされていない。対照的に、このような従来の特徴は、例えば、線形分類器、サポートベクトルマシン、ｋ個の最近傍、及び決定木など、非ニューラルネットワークの統計的分類器によって明示的に定義され、画像から抽出される。ニューラルネットワークが既存の方式で使用されるときにも、ニューラルネットワークを訓練するために使用された種子の画像、及び推論のためにニューラルネットワークに供給された種子の画像は、その中に異なる視覚的な指示を有しており、例えば、種子の異なる領域は、種子に挿入されるＤＮＡマーカーのため、着色されている。非ニューラルネットワークの統計的分類器によって種子（複数可）の画像から抽出された種子の１つ以上の物理的特性に基づいた視覚的特徴の例は、手作りされた特徴、種子のサイズ寸法（複数可）、種子の色、種子の形状、種子の質感、上述の組み合わせなどを含む。訓練された非ニューラルネットワークの統計的分類器は、種子が視覚的に類似している、及び／または類似した物理的特性を有するときに、抽出された明示的に定義された視覚的特徴だけに従って、統計的優位性を有する種子について分類カテゴリ（つまり、一重咲きまたは八重咲き）を計算することができない。（つまり、非ニューラルネットワークは、統計的無意味を有する分類カテゴリを計算し、例えば、非ニューラルネットワークの統計的分類器によって実行される分類結果の精度を示す確率は、所定の閾値より小さい（例えば、約２０％、または５０％、または７０％、または９０％、または他の値）より小さく、例えば分類の不正確のため、種子の物理的な選別にとって実質的に関連性がない）。例えば、画像が視覚的に及び／または物理的に互いに非常に類似している２つ以上の種子を含むとき、本明細書に説明される訓練されたニューラルネットワークは、訓練されたニューラルネットワークのニューロンの重みに応じて異なる分類カテゴリ（つまり、一重咲き／八重咲き）に種子の画像を（例えば、閾値を超えるなど、統計的優位性をもって）分類することができる。対照的に、訓練された非ニューラルネットワークの統計的分類器は、抽出された視覚的特徴に基づいて統計的優位性をもってこれらの２つの異なる分類カテゴリに種子の画像を分類することはできない。例えば、非ニューラルネットワークの統計的分類器は、抽出された視覚的特徴に応じて、同じ分類カテゴリに種子の画像を分類し得る。１つの種子の１つの画像から抽出された視覚的特徴（複数可）は、種子が視覚的に及び／または物理的に類似しているときに、別の種子の別の画像から抽出された対応する視覚的特徴（複数可）に統計的に類似している（例えば、許容閾値の範囲内）。例えば、種子は、同じサイズ及び／または同じ色及び／または同じ質感である。本明細書に説明される訓練されたニューラルネットワークによって実行される分類は、少なくとも、視覚的特徴が明示的に定義されていない種子間の差を表すカテゴリ、一重咲き及び八重咲きに従っている。いくつかの実施態様では、ニューラルネットワークは、非伝統的かつ説明もされていない特殊化した特徴とともに、このような従来の視覚的特徴を抽出及び使用し得ることに留意されたい。このような非伝統的かつ説明されていない特殊化した特徴は、ニューラルネットワークによって自動的に学習されるが、非ニューラルネットワークの統計的分類器によって学習及び／または抽出することができない。自動選別装置の選別コントローラによる実行のための命令は、分類カテゴリの計算された指示に従って作成され得る。例えば、マッティオラ種子は、分類カテゴリ一重咲き及び八重咲きに従って選別されるため、同じ選別されたクラスタの種子は同じ分類カテゴリを有する。

【0070】

本明細書に説明されるニューラルネットワークは、明示的に定義された視覚的特徴を抽出する非ニューラルネットワークの統計的分類器と比較して、比較的により高い精度及び／またはより高い統計的確実性をもって一重咲き及び八重咲きの分類カテゴリを計算する。

【0071】

種子は、明示的に定義された視覚的特徴を抽出する非ニューラルネットワークの統計的分類器と比較して、比較的により高い精度及び／またはより高い統計的確実性をもって、本明細書に説明されるニューラルネットワークの出力に基づいてクラスタ及び／または埋め込みに従って選別される。

【0072】

発明者は、人間及び／または明示的な視覚的特徴（例えば、サイズ、形状、色、質感）を抽出する非ニューラルネットワークの統計的分類器には視覚的に及び／または物理的に区別できない種子の画像に対して訓練されたニューラルネットワークは、予測された分類カテゴリ、つまり一重咲き及び八重咲きに従って種子の画像を区別する（例えば、その分類カテゴリを計算する、及び／またはクラスタを作成する）ことができることを発見した。発明者は、訓練中に、ニューラルネットワークがその重みを自動的に計算し、それによってニューラルネットワークが、以前は未知の特徴及び／または種子の視覚的及び／または物理的特性に必ずしも直接的に相関していない特徴を自動的に学習及び／または発見することができることを発見した。非ニューラルネットワークの統計的分類器が使用できないこのような自動的に発見された特徴は、ニューラルネットワークが、それ以外の場合視覚的に及び／または物理的に類似している種子の画像を区別することを可能にする。発見者の発見の実験による裏付けは、以下の「実施例」のセクションに提供される。

【0073】

任意選択で、画像は、種子によって視覚的に及び／または物理的に明示的に表示されていない単一の特徴、つまり一重咲きまたは八重咲きの予測される表現型によって許容範囲内で互いに異なる複数の種子を含む。単一の特徴は、非ニューラルネットワークの統計的分類器によって抽出された視覚的特徴（複数可）のみに従って抽出することはできない。視覚的に及び／または物理的に類似している種子の場合、非ニューラルネットワークの統計的分類器は、同じ分類カテゴリに複数の種子の画像を分類する、及び／または種子の画像を分類する（例えば、単一の特徴は、少なくとも１つの視覚的特徴によってのみ抽出することができないので、誤差または統計的に無意味なカテゴリを出力する）ことができない。種子の画像は、ニューラルネットワークによって出力される分類カテゴリ及び／または埋め込みに従ってクラスタ化され得る。選別のための命令は、クラスタに従って種子を選別するために、クラスタに従って生成される。

【0074】

任意選択で、マッティオラ種子を示す画像から抽出された（または抽出可能である）視覚的特徴は、統計的に類似した抽出可能な特徴のみを含み、例えばマッティオラ種子は、統計的に類似した形状、色、及びサイズである。任意選択で、マッティオラ種子を示す画像から抽出された（または抽出可能である）視覚的特徴は、統計的に類似していない抽出可能な特徴を除外し、例えばマッティオラ種子は、サイズ、形状、色などの特徴に関して互いに有意に異なっていない。

【0075】

任意選択で、複数のマッティオラ種子の示された画像（複数可）から抽出された統計的に類似していない視覚的特徴（つまり、統計的に異なる視覚的特徴）は、一重咲き及び八重咲きの分類カテゴリと相関していない。統計的に類似していない視覚的特徴は、一重咲き及び八重咲きと相関していないセグメント化された視覚マーカーを含み得る。例えば、マッティオラ種子は、異なる色、形状、及び／またはサイズであってよく、色、形状、及び／またはサイズは、種子が一重咲き表現型であるのか、それとも八重咲き表現型であるのかと相関していない。別の例では、マッティオラ種子は、一重咲きまたは八重咲きを視覚的に区別することを可能にするために、一重咲きまたは八重咲きの表現型にリンクされたセグメント化可能な視覚マーカーを表示するように遺伝子操作されていない。例えば、マッティオラ種子は、（画像から視覚的にセグメント化可能である）一重咲きに１つの着色領域、八重咲きに異なる色の別の着色領域を表示するように遺伝子操作されていない。一重咲きまたは八重咲きの表現型にリンクされたこのような視覚的マーカーは使用されないので、このような視覚マーカーは画像から抽出されて分類に使用され得ない。

【0076】

任意選択で、種子は、手作業による目視観察に基づいて、及び／またはサイズ及び色などの視覚的特徴に基づいて互いに区別することはできない。

【0077】

特定の実施形態によれば、複数のマッティオラ種子から抽出された視覚的特徴は、種子の色に基づいていない（例えば、色調を計算することなく、及び／または異なる色チャネルを使用することなく抽出される）。したがって、例えば、２つの異なるバッチの種子の色が統計的に類似する抽出が実施される。

【0078】

任意選択で、種子は、種子を播種し、一重咲きまたは八重咲きとしての成長の目に見える特異な特徴まで十分に成長するのを待機することによって互いに区別される。

【0079】

任意選択で、種子は、物理的特性、例えば、サイズ、色、質感、手で選抜された特徴、形状、及び一重咲きの種子及び八重咲きの種子で異なる視覚マーカーをトリガする遺伝子操作されたＤＮＡ配列によりなど、セグメント化可能な視覚マーカーに基づいて抽出された視覚的特徴のみに従って、非ニューラルネットワーク統計的分類器によって互いに区別することができない。

【0080】

任意選択で、種子は、同じ栽培期の間、同じ地理的場所（例えば、同じ畑、同じ温室）で、及び／または同じ温度でなど、同じ（または類似した）環境条件下で育てられる。

【0081】

任意選択で、種子に対応する画像は、ニューラルネットワークを訓練するための訓練段階の間に決定される分類カテゴリに従って分類される。トレーニングは、傷がない（好ましくは成長可能な）トレーニング種子の画像を使用して実行される。種子は、一重咲きと八重咲きを区別することを可能にするほど十分な成長が得られるまで播種される。種子の画像（つまり、播種される前）は、次に一重咲きまたは八重咲きの指示でラベル付けされる。ニューラルネットワークは、一重咲きラベル及び八重咲きラベルでラベル付けされたマッティオラ種子の画像に対して訓練される。種子の新しい画像は、トレーニング種子の画像に対して訓練された、訓練済みのニューラルネットワークによって一重咲き及び八重咲きに分類され、これによって先に種子を播種する必要なく画像から一重咲き及び八重咲きを決定することが可能になる。

【0082】

本明細書に説明されるシステム、方法、装置、及び／またはコード命令の少なくともいくつかは、八重咲き表現型または一重咲き表現型にマッティオラ種子を選別する技術的な問題に対処する。概して、八重咲き表現型が望ましく、一方、一重咲きは所望されない。日本及び欧州のストックの変種のマッティオラ種子を、八重咲き及び一重咲きの表現型に従って分離するための現行方式は、誤差が生じやすい苗床での種子発芽後に、または開花段階に達するまで種子を播種することによって畑で手作業で実行される。このような既存の方式は、時間を要し、労働集約的であり、費用効果の高い仕事ではない。本明細書に説明されるシステム、方法、装置、及び／またはコード命令の少なくともいくつかは、上述の技術的な問題に対応する、及び／または種子発芽前に及び開花段階の前にマッティオラ種子の画像を使用することによって、ならびに種子を播種することなく、開花段階で発芽した種子及び／または播種された種子に基づいて手作業により選別する既存のプロセスを改善する。種子がまだ発芽しておらず、播種されておらず、開花段階に到達していないため、一重咲きまたは八重咲きの表現型が未知であり、既存の手法を使用して決定することができないマッティオラ種子の画像は、ラベルが付けられた画像に対して訓練されたニューラルネットワークに供給される。ニューラルネットワークは、開花段階に達するために種子の発芽及び／または種子の播種を必要とすることなく、画像に示される種子について、任意選択で画像のみから一重咲きまたは八重咲きの分類カテゴリを推論する。発明者は、マッティオラ種子のラベル付き画像に対して訓練されたニューラルネットワークが、一重咲きまたは八重咲きの表現型が未知であり、手作業の方法を使用して決定することができない（つまり、種子が発芽前であり、播種されておらず、開花段階を発現していないときにマッティオラ種子での一重咲きまたは八重咲きの表現型を正確に推論できることを発見した。

【0083】

本明細書に説明されるシステム、方法、装置、及び／またはコード命令の少なくともいくつかは、種子の自動選別の技術分野を改善する。種子を選別する従来の機械は、種子の物理的特性、例えば、重量に基づいて種子を選別する重力台に基づいている。光学的な方法に基づく選別機は、依然として例えば、サイズ、色、形状、及び質感などの物理的特性の基づいた種子の視覚的特性に依存している。従来の選別機は、汚れ、異物、破壊された種子、及びいびつな形の種子を取り除くことによって種子の同種の物理的特性（例えば、サイズ、形状、色）を間接的に保証し得る。従来の選別機のいずれも、種子を分析して、種子を一重咲きまたは八重咲きに分類しない。

【0084】

本明細書に説明されるシステム、方法、装置、及び／またはコード命令の少なくともいくつかは、種子の自動分類及び／または自動選別の技術分野を改善する。自動分類及び／または自動選別は、既存の手動プロセスのコンピュータへの単純なコード化に基づいていない。むしろ、本明細書に説明される少なくともいくつかのシステム、方法、装置、及び／またはコード命令は、主観的な方法を、本明細書に説明される訓練されたニューラルネットワークコードに基づいた客観的で再生可能な方法に変換する。発明者は、手動プロセスに以前は存在しておらず、手動プロセスに対応するものがない新しいステップ、すなわち、ニューラルネットワークコードのトレーニング及び／または種子の画像を自動的に分類及び／またはクラスタ化するための訓練されたニューラルネットワークコードの実行を開発した。本明細書に説明される少なくとも訓練されたニューラルネットワークコードは、標準的な手作業のプロセスを使用して入手できない、客観的で再生可能な分類及び／またはクラスタ化された結果を提供する。さらに、本明細書に説明されるように、種子がユーザーにとって互いに視覚的に区別できない場合、本明細書に説明される自動プロセスは、手作業で実行できない分類及び／またはクラスタ化を実行することができる。

【0085】

用語「種子」は、完全に自己完結した増殖単位である種マッティオラの顕花植物の種子を指す。種子は、通常、性受精または種子無性生殖（無配偶生殖）によって生じる接合子胚、子葉、内胚乳または大配偶体と呼ばれる構造中の栄養素の貯蔵部、ならびに貯蔵部及び胚を取り囲む保護種子コートから成る。

【0086】

本発明の実施形態による分類を受けるマッティオラ種子は、通常、成長可能、つまり発芽することができる。ただし、本明細書に以下に説明されるように、いくつかの場合、成長可能ではない種子の分類も企図されている。

【0087】

特定の実施形態によれば、種子はマッティオラインカナ種のものである。

【0088】

マッティオラインカナ種子は、例えばＩｒｏｎシリーズ、変種のＩｒｏｎ Ｒｏｓｅ Ｐｉｎｋ、Ｉｒｏｎ Ｂｌｕｅ、Ｉｒｏｎ Ｄｅｅｐ Ｐｉｎｋ、Ｉｒｏｎ Ｒｏｓｅ、Ｉｒｏｎ Ｗｈｉｔｅ、Ｉｒｏｎ Ｍａｒｉｎｅ、Ｉｒｏｎ Ｐｕｒｐｌｅ、Ｉｒｏｎ Ｐｉｎｋ、Ｉｒｏｎ Ａｐｒｉｃｏｔ、Ｉｒｏｎ Ａｐｒｉｃｏｔ、Ｉｒｏｎ Ｙｅｌｌｏｗ、Ｉｒｏｎ Ｃｈｅｒｒｙ Ｂｌｏｓｓｏｍ、Ｉｒｏｎ ｅａｒｌｙシリーズ、Ｉｒｏｎ ｅａｒｌｙ Ｄｅｅｐ Ｙｅｌｌｏｗ、Ｉｒｏｎ ｅａｒｌｙ Ｒｏｓｅ Ｐｉｎｋ、Ｉｒｏｎ ｅａｒｌｙ Ｐｉｎｋ、Ｉｒｏｎ ｅａｒｌｙ Ｍａｒｉｎｅ、Ｉｒｏｎ ｅａｒｌｙ Ｗｈｉｔｅ、Ｑｕａｒｔｅｔシリーズ、Ｑｕａｒｔｅｔ Ａｐｒｉｃｏｔ改良型、Ｑｕａｒｔｅｔ Ｃｈｅｒｒｙ Ｂｌｏｓｓｏｍ、Ｑｕａｒｔｅｔ Ｐｕｒｐｌｅ、Ｑｕａｒｔｅｔ Ｂｌｕｅ、Ｑｕａｒｔｅｔ Ｗｈｉｔｅ、Ｑｕａｒｔｅｔ Ｍａｒｉｎｅ、Ｑｕａｒｔｅｔ Ｒｏｓｅ、Ｑｕａｒｔｅｔ Ｒｅｄ ＩＩ、Ｃｅｎｔｕｍシリーズ、Ｃｅｎｔｕｍ Ｄｅｅｐ Ｂｌｕｅ、Ｃｅｎｔｕｍ Ｃｒｅａｍ、Ｎｅｗ Ｋａｂｕｋｉシリーズ、Ｎｅｗ Ｋａｂｕｋｉ Ｄａｒｋ Ｌａｖｅｎｄｅｒ、Ｎｅｗ Ｋａｂｕｋｉ Ｒｏｓｅ Ｐｉｎｋ、Ｋａｔｚシリーズ、Ｋａｔｚ Ｗｈｉｔｅ、Ｋａｔｚ Ｃｒｉｍｓｏｎ、Ｋａｔｚ Ｂｌｕｅ、Ａｉｄａシリーズ、Ａｄａ Ｗｈｉｔｅ、Ａｉｄａ Ｂｌｕｅ、Ｒｅｖｏｌｕｔｉｏｎ ＩＩ Ｗｈｉｔｅ、Ｃｈｅｅｒｆｕｌ Ｙｅｌｌｏｗ、及びＡｒｒｏｗ Ｗｈｉｔｅなど、任意の変種及び任意の遺伝学的背景のものであってよい。

【0089】

特定の実施形態によれば、マッティオラは、乾燥した種子である。乾燥プロセスに適切な条件（温度、相対湿度、及び時間）は種子に応じて変わり、実験により決定することができる（例えば、Ｊｅｌｌｅｒら、２００３、ｉｂｉｄを参照）。

【0090】

本発明のマッティオラはまた、感作された種子であってもよい。

【0091】

本明細書に説明されるシステムは、一部が一重咲き表現型であり、別の部分が八重咲き表現型である、種子の異種の集団またはバッチを分類することができることを理解されたい。ニューラルネットワークは、本明細書に説明されるように、分類カテゴリ、及び／または埋め込みを計算し得る、及び／または以下の異種指示の１つ以上に基づいて、種子の異種の集団またはバッチを選別するためにクラスタ化を実行し得る。

【0092】

本明細書に使用される場合、用語「八重咲き」は、花ごとの花弁の数が、野生型の単純な花種の花弁の数と比較して増加する特性を指す。特定の実施形態では、用語「八重咲き」は、花の中に花を有する形質を指す。八重咲きは、通常、雄蕊及び雌蕊葉が花弁及び中隔に変換されることから生じる。

【0093】

本明細書で使用される場合、用語種子の分類は、例えば、用語種子のクラスタ化で置き換え可能である場合があり、例えば、複数の種子画像が分析されるとき、各画像はクラスタを作成するために分類及び使用され得る、及び／または種子画像は埋め込まれ得、埋め込みはクラスタ化され得る。用語分類カテゴリは、用語埋め込みで置き換え可能である場合があり、例えば、種子の画像に応えた訓練されたニューラルネットワークの出力は、１つ以上の分類カテゴリ、または計算された埋め込みを格納するベクトルである場合がある。分類カテゴリ及び埋め込みは、同じ訓練されたニューラルネットワークによって出力され得、例えば、分類カテゴリは、ニューラルネットワークの最後の層によって出力され、埋め込みは、ニューラルネットワークの隠れた埋め込み層によって出力されることに留意されたい。

【0094】

ここで、本発明のいくつかの実施形態による、種子の画像に従って種子を選別するためのプロセスのフローチャートである図１が参照される。本発明のいくつかの実施形態による、種子の画像に従って種子を分類及び／またはクラスタ化するための、及び／または種子の画像を分類及び／またはクラスタ化するためにニューラルネットワークを訓練するためのシステム２００のコンポーネントのブロック図である図２も参照される。システム２００は、選別装置コントローラ２０１Ａによる実行時に、選別装置２０２に種子を自動的に選別させる、訓練されたニューラルネットワーク（複数可）に基づいた自動分類及び／またはクラスタ化に従ってコード命令を生成し得る。本発明のいくつかの実施形態による、種子の画像に従って分類カテゴリ及び／または埋め込みを計算するために１つ以上のニューラルネットワークを訓練するためのプロセスのフローチャートである、図３も参照される。システム２００は、メモリ２０６に格納されたコード命令２０６Ａを実行するコンピューティングデバイス２０４のハードウェアプロセッサ（複数可）２０２によって、図１及び／または図３を参照して説明される方法の動作を実行し得る。

【0095】

選別装置２０１は、自動的に、手動で、及び／または半自動的に種子を選別するように設計される。選別装置２０１は、例えば、異なるバケツの中に選別される単一の種子または種子のグループのアセンブリラインとして実装され得る。別の実施態様では、選別装置２０１は、種子を保管するためのプラットフォームと、選別のための個々の種子を選抜するためのロボットアームとを含み得る。選別装置２０１は、例えば混ぜもののある種子などの特定の種子の除去及び／または排気のための仕組みを含み得る。

【0096】

選別装置コントローラ２０１Ａは、例えば、選別装置２０１内に統合されたハードウェアプロセッサ（複数可）、選別装置２０１と通信する外部コンピューティングデバイス、及び／または選別装置２０１を手動で及び／または半自動で操作するユーザーのために手動命令を提示する外部ディスプレイとして実装され得る。

【0097】

撮像センサ（複数可）２１２は、選別装置２０１内に設置され得る、及び／または選別装置２０１と統合され得、例えば選別装置２０１による選別のために種子の画像を取り込む。撮像センサ（複数可）２１２は、例えば本明細書に説明されるニューラルネットワーク（複数可）を訓練するためのトレーニング画像２１６の作成のために種子の画像を取り込むために、外部に、及び／または選別装置２０１とは独立して配置され得る。

【0098】

例示的な撮像センサ（複数可）２１２は、ＲＧＢ（赤、緑、青）、マルチスペクトル、ハイパースペクトル、可視光周波数範囲、近赤外（ＮＩＲ）周波数範囲、赤外（ＩＲ）周波数範囲、及び上述の組み合わせを含む。

【0099】

コンピューティングデバイス２０４は、例えば、クライアント端末、バーチャルマシン、サーバ、コンピューティングクラウド、モバイルデバイス、デスクトップコンピュータ、シンクライアント、キオスク、及びモバイルデバイス（例えば、スマートフォン、タブレットコンピュータ、ラップトップコンピュータ、ウェアラブルコンピュータ、グラスコンピュータ、及び時計コンピュータ）として実装し得る。

【0100】

コンピューティングデバイス２０４に基づくシステム２００の複数のアーキテクチャを実装し得る。例えば、
＊コンピューティングデバイス２０４は、例えば、制御コンソール及び／または制御ユニット及び／または選別装置２０１の選別装置２０１のハードウェアプロセッサ（複数可）による実行（例えば、コントローラ２０１Ａによる実行）のために選別装置２０１内に格納された命令コードとして選別装置２０１と統合される（つまり、コントローラ２０１Ａによって制御され）得る。
＊コンピューティングデバイス２０４は、図１を参照して説明される動作の１つ以上を実現するローカルに格納されたコード命令２０６Ａを含むスタンドアロンデバイス（例えば、キオスク、クライアント端末、スマートフォン、サーバ）として実装され得る。コンピューティングデバイス２０４は、選別装置２０１の外部であり、例えばネットワークを介して、及び／またはコントローラ２０１Ａによってアクセスされるデータストレージデバイスに命令を格納することによって選別装置２０１と通信する。ローカルに格納された命令は、例えばネットワークを介してコードをダウンロードする、及び／またはポータブルストレージデバイスからコードをロードすることによって別のサーバから取得され得る。
＊格納されているコード命令２０６Ａを実行するコンピューティングデバイス２０４は、ネットワーク２１０を介して、サービス（例えば、図１を参照して説明される動作の１つ以上をクライアント端末２１８に提供する１つ以上のサーバ（例えば、ネットワークサーバ、ウェブサーバ、コンピューティングクラウド、バーチャルサーバ）として実装され得る。例えば、サービス型ソフトウェア（Ｓａａｓ）をクライアント端末（複数可）２１８に提供すること、ソフトウェアインタフェース（例えば、アプリケーションプログラミングインタフェース（ＡＰＩ）、ソフトウェア開発キット（ＳＤＫ））を使用してアクセス可能なソフトウェアサービスを提供すること、クライアント端末（複数可）２１８へのローカルダウンロード用アプリケーションを提供すること、クライアント端末（複数可）２１８で実行中のウェブブラウザにアドオンを提供すること、及び／またはコンピューティングデバイス２０４によってホストされるウェブサイトにアクセスするクライアント端末２１８によって実行されるウェブブラウザを通してなど、クライアント端末２１８へのリモートアクセスセッションを使用して機能を提供すること。各クライアント端末２０８は、それぞれの選別装置及び／または選別装置コントローラ及び／または撮像センサ２１２と関連付けられ得るため、コンピューティングデバイス２０４は、遠隔で取得される画像に応じて遠隔それぞれの遠隔選別装置で種子の選別のための命令を一元的に生成する。

【0101】

ニューラルネットワーク（複数可）のトレーニング、及び種子の画像の訓練されたニューラルネットワーク（複数可）の推論が、同じコンピューティングデバイスによって、及び／または異なるコンピューティングデバイスによって実現され得、例えば、１つのコンピューティングデバイスが、ニューラルネットワーク（複数可）を訓練し、訓練されたニューラルネットワーク（複数可）を、サーバとして働く別のコンピューティングデバイスに送信する、及び／または画像の推論のためのローカルインストール及び実行のために訓練されたニューラルネットワーク（複数可）を提供することに留意されたい。

【0102】

コンピューティングデバイス２０４は、撮像センサ（複数可）２１２によって取り込まれる種子の画像（本明細書では種子画像とも呼ばれる）を受信する。撮像センサ２１２（複数可）によって取り込まれた種子画像は、例えばコンピューティングデバイス２０４のデータストレージデバイス２２２、ストレージサーバ、データストレージデバイス、コンピューティングクラウド、バーチャルメモリ、及びハードディスクなどの画像レポジトリ２１４に格納され得る。トレーニング画像２１６は、本明細書に説明されるように、取り込まれた種子画像に基づいて作成され得る。

【0103】

トレーニング画像２１６は、本明細書に説明されるように、ニューラルネットワーク（複数可）を訓練するために使用される。本明細書に説明されるように、例えばニューラルネットワーク（複数可）を訓練するために作成されたカスタマイズされたトレーニングデータセットなどのトレーニング画像２１６は、サーバ２１８によって格納され得、ネットワーク２１０を介してコンピューティングデバイス２０４によってアクセス可能であることに留意されたい。サーバ２１８は、本明細書に説明されるように、トレーニングコード２０６Ｂを実行して、トレーニング画像（複数可）２１６を使用することによって訓練されたニューラルネットワーク（複数可）を作成し得る。

【0104】

コンピューティングデバイス２０４は、１つ以上の撮像インタフェース２２０、例えば、有線接続（例えば、物理ポート）、無線接続（例えば、アンテナ）、ローカルバス、データストレージデバイスの接続用ポート、ネットワークインタフェースカード、他の物理インタフェース実装、及び／またはバーチャルインタフェース（例えば、ソフトウェアインタフェース、バーチャルプライベートネットワーク（ＶＰＮ）接続、アプリケーションプログラミングインタフェース（ＡＰＩ）、ソフトウェア開発キット（ＳＤＫ））を使用して、撮像装置２１２及び画像レポジトリ２１４からトレーニング画像２１６及び種子画像を受信し得る。

【0105】

ハードウェアプロセッサ（複数可）２０２は、例えば、中央処理装置（複数可）（ＣＰＵ）、グラフィックス処理装置（複数可）（ＧＰＵ）、フィールドプログラマブルゲートアレイ（複数可）（ＦＰＧＡ）、デジタル信号プロセッサ（複数可）（ＤＳＰ）、及び特定用途向け集積回路（複数可）（ＡＳＩＣ）として実装され得る。プロセッサ（複数可）２０２は、クラスタとして、及び／または１つ以上のマルチコア処理ユニットとして、並列処理のために配置され得る、１つ以上のプロセッサ（同種または異種）を含み得る。

【0106】

メモリ２０６（本明細書ではプログラムストア及び／またはデータストレージデバイスとも呼ばれる）は、ハードウェアプロセッサ（複数可）２０２、例えば、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、及び／またはストレージデバイス、例えば、不揮発性メモリ、磁気媒体、半導体メモリデバイス、ハードドライブ、リムーバブルストレージ、及び光学媒体（例えば、ＤＶＤ、ＣＤ－ＲＯＭ）によって実行するためのコード命令を格納する。メモリ２０６は、訓練されたニューラルネットワーク２２２Ａを実装するためのコード命令を格納する。メモリ２０６は、図１を参照して説明された方法の１つ以上の動作及び／または特徴を実装する画像処理コード２０６Ａ、及び／または図３を参照して説明された方法の１つ以上の動作を実行するトレーニングコード２０６Ｂを格納する。

【0107】

コンピューティングデバイス２０４は、例えば（本明細書に説明される）１つ以上の訓練されたニューラルネットワーク２２２Ａ、及び／または（本明細書に説明される）トレーニング画像を含むトレーニング画像２１６及び／またはトレーニングデータセットなどのデータを格納するためのデータストレージデバイス２２２を含み得る。データストレージデバイス２２２は、例えば、メモリ、ローカルハードドライブ、リムーバブルストレージデバイス、光ディスク、ストレージデバイスとして、及び／または（例えば、ネットワーク２１０を介してアクセスされるなど）リモートサーバ及び／またはコンピューティングクラウドとして実装され得る。訓練されたニューラルネットワーク（複数可）２２２Ａ、及び／またはトレーニング画像２１６は、プロセッサ（複数可）２２２による実行のためにメモリ２０６にロードされる実行部分とともに、データストレージデバイス２２２に格納され得ることに留意されたい。

【0108】

コンピューティングデバイス２０４は、ネットワーク２１０に接続するためのデータインタフェース２２４、任意選択でネットワークインタフェース、例えば、ネットワークインタフェースカード、無線ネットワークに接続するための無線インタフェース、ネットワーク接続用のケーブルに接続するための物理インタフェース、ソフトウェアに実装される仮想インタフェース、ネットワーク接続の上位層を提供するネットワーク通信ソフトウェア、及び／または他の実装の１つ以上を含み得る。コンピューティングデバイス２０４は、更新されたトレーニング画像２１６をダウンロードするために、及び／または画像処理コード２０６Ａ、トレーニングコード２０６Ｂ、及び／または訓練されたニューラルネットワーク（複数可）２２２Ａの更新されたバージョンをダウンロードするために、例えばネットワーク２１０を使用して１つ以上のリモートサーバ２１８にアクセスし得る。

【0109】

コンピューティングデバイス２０４は、ネットワーク２１０（または、直接リンク（例えば、ケーブル、無線）及び／または間接リンク（例えば、サーバなどの仲介コンピューティングデバイスを介して、及び／またはストレージデバイスを介して）を通してなどなど別の通信チャネル）を使用して、以下の１つ以上と通信し得る。
＊種子を選別及び／またはクラスタ化するための生成された命令を提供するために選別装置２０１及び／または選別コントローラ２０１Ａ。命令は、コントローラ２０１Ａによって実行されるときの選別装置２０１の自動動作のためのコード命令、及び／または選別装置２０１及び／またはコントローラ２０１Ａの手動動作のための手動命令、及び／または選別装置２０１及び／またはコントローラ２０１Ａをプログラミングするための手動命令であってよい。
＊例えば、コンピューティングデバイス２０４が、画像分析サービス（例えば、ＳａａＳ）を遠隔選別装置に提供するサーバとして機能するときのクライアント端末（複数可）２０８。
＊例えば訓練データを格納する、及び／または訓練されたニューラルネットワークを取得するサーバ２１８。
＊トレーニング画像２１６及び／または撮像センサ（複数可）２１２によって出力される種子画像を格納する）画像レポジトリ２１４。

【0110】

撮像インタフェース２２０及びデータインタフェース２２４が２つの独立したインタフェース（例えば、２つのネットワークポート）として、共通物理インタフェース上の２つの仮想インタフェース（例えば、共通ネットワークポート上の仮想ネットワーク）として存在し得る、及び／または単一インタフェース（例えば、ネットワークインタフェース）に統合され得ることに留意されたい。

【0111】

コンピューティングデバイス２０４は、ユーザーインタフェース２２６を含むか、またはユーザーインタフェース２２６と通信しており、ユーザーインタフェース２２６は、ユーザーがデータを入力する（例えば、所望される種子純度レベルなどのターゲット選別パラメータを選択する、比較種子を指定する）、及び／または計算された分析（例えば、種子分類カテゴリ、選別装置２０１の手動操作のためのテキストベースの命令）を閲覧するように設計された仕組みを含む。例示的なユーザーインタフェース２２６は、例えば、タッチスクリーン、ディスプレイ、キーボード、マウス、ならびにスピーカ及びマイクロホンを使用する音声起動式ソフトウェアの１つ以上を含む。

【0112】

任意選択で、ＧＵＩ（グラフィカルユーザーインタフェース）２２２Ｂ（例えば、データストレージデバイス２２２及び／またはコンピューティングデバイス２０４のメモリ２０６に格納される）は、ユーザーインタフェース２２６のディスプレイ実装に提示される。ＧＵＩ２２２Ｂは、選別ターゲットを選択する、及び／または選抜された種子の画像を閲覧する、及び／または選別装置の手動操作のための命令を表示するために使用され得る。

【0113】

ここで図１を参照すると、１０２で、１つ以上のニューラルネットワークが訓練される、及び／または訓練されたニューラルネットワークが、一重咲きカテゴリまたは八重咲きカテゴリに各マッティオラ種子の画像（複数可）を分類するために提供される。

【0114】

訓練されたニューラルネットワーク（複数可）は、複数の使用可能な訓練されたニューラルネットワークから選択され得る。選択は、（例えば、ＧＵＩを介して、例えば使用可能なニューラルネットワークのメニュー及び／またはアイコンを介して）ユーザーによって手動で実行され得る。選択は、例えば、種子の画像、種子画像のメタデータを分析する、撮像センサ（複数可）のハードウェアタイプの指示を取得する、及び／または（例えば、データベースから、選別機から、手動ユーザー入力から）撮像されている種子のタイプの指示を取得するコードによって自動的に実行されてよい。選択は、動作１０４を参照して説明される選別ターゲットによる場合がある。

【0115】

動作１０２及び１０４は、統合され、単一の特徴として実行され得る、並行して実行され得る、及び／または動作１０４は動作１０２の前に実行され得ることに留意されたい。

【0116】

ニューラルネットワーク（複数可）のアーキテクチャは、例えば、畳み込み層、プーリング層、非線形層、エンコーダ－デコーダ層、再帰層、局所接続層、全接続層、及び／または上述の組み合わせとして実装され得る。

【0117】

ニューラルネットワーク（複数可）は、トレーニング画像のトレーニングデータセットに従って訓練される。トレーニング画像は、一重咲き及び八重咲きのマッティオラ種子のカテゴリ混合を示す。各トレーニング画像は、分類カテゴリの指示、及び任意選択で、例えばタグによって、分類カテゴリが不在であるかどうか、トレーニング画像と関連して格納されるメタデータ、及び／またはデータベースに格納された値と関連付けられる。

【0118】

ニューラルネットワーク（複数可）を訓練する例示的な方法は、図３を参照して説明される。

【0119】

１０４で、１つ以上の選別ターゲットが提供される。選別ターゲットは、ユーザーによって手動で入力され（例えば、ＧＵＩを介して、例えば、使用可能な選別ターゲットのリストから選択され）得る、データストレージデバイスに格納された所定の値として取得され得る、及び／または自動的に計算され得る。

【0120】

例示的な選別ターゲットは、以下を含む。
＊選別ターゲットは提供されない。このような場合、種子は、ニューラルネットワークの埋め込み層によって計算される埋め込みに従ってクラスタ化される。クラスタは、互いに最も類似した種子を含む。クラスタは、一重咲き指示及び八重咲き指示に従って作成される。
＊ターゲット種子の画像。ターゲット種子は、分析されている種子の混合物の親である場合がある。ターゲット種子に類似している（例えば、動作１１０を参照して説明されるように、閾値未満のその画像の埋め込みに従って統計的な距離を有する）と判断された他の種子は、ともにクラスタ化され得る。種子の画像を提供することによって、所望される植物がその形質をどのようにして取得したのかを必ずしも知らなくても、他の類似した分類カテゴリを有すると予想される他の類似した種子を選抜することが可能になる。ターゲット種子は八重咲き咲きであってよい。他の八重咲きの種子がターゲット種子について識別されるか、または他の一重咲きの種子がターゲット種子について識別される。
＊分類カテゴリのターゲット統計分布。例えば、一重咲き及び八重咲きの１：３の分類カテゴリの比率。ターゲット統計分布は、例えば種子を播種し、得られた成長から分布を決定することによって取得され得る。ターゲット統計分布は、例えば、ターゲット真陽性、ターゲット真陰性、ターゲット偽陽性、及びターゲット偽陰性など、１つ以上の提供されたターゲット分析値に従って計算され得る。

【0121】

１０６で、種子（複数可）の画像（複数可）は、撮像センサ（複数可）によって取り込まれる。

【0122】

本明細書で使用される場合、用語ターゲット種子及びターゲット画像（またはターゲット種子画像）は、現在、分析及び処理されている種子及び画像を指す。

【0123】

例示的な撮像センサは、ＲＧＢ（赤、緑、青）、マルチスペクトル、ハイパースペクトル、可視光周波数範囲、近赤外（ＮＩＲ）周波数範囲、赤外（ＩＲ）周波数範囲、及び上述の組み合わせを含む。

【0124】

種子の１つ以上の画像が取り込まれ得、例えば、各画像は、異なる撮像センサを使用して、及び／または異なる周波数で取り込まれ得る。別の実施態様では、画像は、異なる周波数に対応する複数のチャネルを含む。

【0125】

単一画像が複数の種子を含む場合もあれば、単一画像が単一の種子を含む場合もある。任意選択で、画像が複数の種子を含むと、セグメント化コードは、例えば種子の色対背景に基づいて、バイナリマップの計算に基づいて、及び／またはエッジ検出に基づいて、画像から各種子をセグメント化するために実行される。１つの種子をそれぞれが含む副画像が作成され得、各副画像は、種子画像を参照して本明細書に説明されるように処理される。

【0126】

１０８で、種子（複数可）のターゲット画像（複数可）は、訓練されたニューラルネットワーク（複数可）に入力される。任意選択で、単一の種子の単一の画像は、例えば連続して処理される。いくつかの実施態様では、複数の画像、単一の種子のそれぞれは、並列で処理される。

【0127】

ニューラルネットワーク（複数可）は、画像に示される物理的な種子について、一重咲きまたは八重先の分類カテゴリの指示を計算する。分類カテゴリの指示は、例えば、全接続層など、例えばニューラルネットワークの最後の層によって出力され得る。

【0128】

ニューラルネットワークは、訓練されたニューラルネットワークの重み及び／またはアーキテクチャの重みに少なくとも従って分類カテゴリを計算する。いくつかの実施態様では、（例えば、色、サイズ、形状、質感など、視覚的及び／または物理的な特性に基づいて）明示的に定義された特徴は、訓練されたニューラルネットワークの重みに従って自動的に抽出された特徴に加えて、抽出及び分析され得る。種子の視覚的及び／または物理的特性を示す明示的に定義された特徴を少なくとも抽出する非ニューラルネットワークの統計的分類器とは対照的に、訓練されたニューラルネットワーク（複数可）は、このような明示的に定義された特徴を必ずしも抽出しない。ニューラルネットワークは、トレーニング中にこのような特徴を暗示的に学習し得るが、非ニューラルネットワーク統計的分類器向けのトレーニングとは異なり、このような視覚及び／または物理的特徴は、ニューラルネットワークに対して明示的に定義されていない。例えば、非ニューラルネットワークの統計的分類器は、例えば、手作りされた特徴、種子のサイズ寸法（複数可）、種子の色、種子の形状、種子の質感、上述の組み合わせなど、種子の１つ以上の物理的特性に基づいて視覚的特徴を抽出する。視覚的に及び／または物理的に互いに類似しているが、一重咲き及び八重咲きの形質で異なっている種子の場合、種子は（許容要件、例えば閾値範囲内で）同じ視覚的及び／または物理的特徴を有するので、訓練された非ニューラルネットワークの統計的分類器は、例えば、同じ分類カテゴリに種子を分類する、明示的に定義された視覚的及び／または物理的特徴に基づいて統計的有意を有する種子の分類カテゴリを計算する（つまり、統計的無意味を有する分類カテゴリを計算する）ことができない。１つの種子の１つの画像から抽出された視覚的特徴（複数可）は、別の種子の別の画像から抽出された対応する視覚的特徴（複数可）に統計的に類似する（例えば、許容閾値内）。対照的に、本明細書に説明されるニューラルネットワークは、差異形質に従って種子を分類するために、視覚的に及び／または物理的に類似する種子を区別することができる。

【0129】

訓練されたニューラルネットワーク（複数可）によって出力される分類カテゴリの指示は、絶対分類カテゴリ、及び／または分類カテゴリに分類される確率であってよい。

【0130】

ニューラルネットワーク（複数可）は、種子画像の埋め込みを計算し得る。埋め込みは、所定の長さのベクトルとして格納され得る。埋め込みは、分類カテゴリを出力するように訓練された同じニューラルネットワークであってよい、ニューラルネットワークの埋め込み層によって出力され得る。埋め込み層は、分類カテゴリを出力するように訓練されたニューラルネットワークの中間及び／または隠れ層であってよい。埋め込み層の後の層はニューラルネットワークから削除され得、したがって埋め込み値は、最終層として機能する埋め込み層によって出力される。

【0131】

任意選択で、分類カテゴリは、分析されているターゲット種子画像について計算された埋め込みに類似する、識別された埋め込み画像の注釈に従って決定される。埋め込まれた画像は、訓練されたニューラルネットワークの埋め込み層によって計算されるトレーニング画像の埋め込みを格納する訓練されたデータセットから取得され得る。類似する埋め込まれた画像は、ターゲット画像の埋め込みとトレーニング画像の埋め込みの類似性距離の要件に従って特定され得る。類似性距離は、ターゲット画像の埋め込みを格納するベクトルと、それぞれのトレーニング画像の埋め込みを格納する各ベクトルとの間の距離として計算され得る。代わりに、類似性距離は、ターゲット画像の埋め込みと、同じ分類カテゴリとそれぞれが関連付けられたトレーニング画像の埋め込みのクラスタとの間で計算される。クラスタの中心及び／またはクラスタの端縁までの距離が計算され得る。

【0132】

類似性距離は、Ｌ２ノルム距離として計算され得る。例えば、ターゲット種子画像の埋め込みのベクトル表現に最も近い（つまり、最小距離）トレーニング画像の埋め込みのベクトル表現が見つけられる。最も近い埋め込まれたトレーニング画像の分類カテゴリは、ターゲット種子の分類カテゴリとして抽出及び出力される。

【0133】

１１０で、異なる分類カテゴリ（及び／または異なる埋め込み）の複数の種子の複数の画像（及び／またはその埋め込み）は、クラスタ化され得る。種子の画像は、一重咲きクラスタまたは八重咲きクラスタにクラスタ化される。

【0134】

複数の画像が受け取られると、それぞれの分類カテゴリの単一の種子のそれぞれ、クラスタは画像に従って作成され、同じ分類カテゴリに分類された画像は、同じクラスタ内にある。代わりにまたはさらに、種子は、種子画像ごとに計算される埋め込みに従ってクラスタ化される。埋め込みのベクトル表現は、クラスタ化コードによってクラスタ化され得、例えばＮ次元空間内で互いに最も近いベクトル（Ｎは所定のベクトル長である）がともにクラスタ化される。クラスタの画像間の距離は、例えば、埋め込みのベクトル表現間のＬ２ノルム距離など、訓練されたニューラルネットワークの埋め込み層によって計算された画像の埋め込み間の、任意選択で、埋め込みのベクトル表現間の統計距離として計算され得る。種子は、（例えば、動作１１２を参照して説明される）クラスタに対応する種子を選別するために生成された命令に従って、選別機によって作成されたクラスタに従って物理的に生成され得る。

【0135】

任意選択で、クラスタは、各それぞれのクラスタの各埋め込み画像メンバーが、別のクラスタから少なくとも閾値距離、離れるように計算される。代わりにまたはさらに、クラスタは、各それぞれのクラスタの埋め込まれた各画像メンバーが、同じそれぞれのクラスタの１つおきのメンバーから閾値距離未満離れるように計算される。閾値距離は、例えば、クラスタのメンバー間の類似性の許容値の量を定義するために、及び／または異なるクラスタのメンバー間の距離の許容範囲の量を定義するために選択される。代わりにまたはさらに、同じクラスタの埋め込み間で計算されたクラスタ内距離は、異なるクラスタの埋め込み間で計算されたクラスタ間距離に満たない。同じクラスタの埋め込み間の距離（例えば、あるクラスタの任意の埋め込みと、別のクラスタの任意の組み込みとの間の距離）は、クラスタ間の重複を防ぐために、及び／または同じクラスタのメンバーが、別のクラスタのメンバーに対するよりも互いにより近いことを保証するために、あるクラスタと別のクラスタとの間の距離に満たない。

【0136】

任意選択で、クラスタ化は、分類カテゴリのターゲット比率に従って実行される。クラスタのメンバーは、ターゲット比率に従って配列される。ターゲット比率は、動作１０４を参照して提供され得る。例えば、ターゲット比率は、９５％の八重咲き種子についてであってよい。クラスタ化は、一重咲きまたは八重咲きとして識別された種子の９５％がクラスタ内にあり、残りが除外されるように実行される。例えば、互いに最も近い種子の画像の埋め込みの９５％がクラスタについて選択される。別の例では、分類カテゴリのターゲット比率は、種子のサンプルの成長分析に従って計算される。例えば、大きい種子プールのサンプルは播種及び栽培のために送られ、一重咲き及び／または八重咲きの割合を決定し、これによりサンプルが９４％八重咲きである結果が提供される。種子プールの残りをクラスタ化するためのターゲット比率は、９４％に設定される。残りの種子は、追加の破壊試験を実行することなく、そのそれぞれの画像対ターゲット比率に従ってクラスタ化される。

【0137】

任意選択で、それぞれの分類カテゴリが、一重咲き及び八重咲きであるとき、画像は、一重咲きとして分類される種子を示す種子クラスタに、または八重咲きとして分類される種子を示す種子クラスタに分類される。任意選択で、一重咲きまたは八重咲きへのクラスタ化は、動作１０４を参照して説明されるように、例えば提供され得るターゲット統計分布に従って実行される。ターゲット統計分布は、（動作１０４を参照して説明されるように、提供され得る）ターゲット真陽性、ターゲット真陰性、ターゲット偽陽性、ターゲット偽陰性、手作業で入力された分布、及び種子のサンプルに対して実行される成長試験（種子が播種され、栽培される）に従って測定された分布の１つ以上に従って計算され得る。クラスタ化のための閾値（複数可）（例えば、画像の符号化、及び／または分類カテゴリと関連付けられた確率値）は、ターゲット統計分布に従って設定される。

【0138】

任意選択で、分類カテゴリの比率の指示は、トレーニングデータセットによって格納されるトレーニング画像に従って計算される。

【0139】

任意選択で、クラスタ化は、例えば、本明細書に説明されるように、許容値範囲内で互いに視覚的に及び／または物理的に類似する種子など、互いに類似している種子に対して実行される。代わりにまたはさらに、一重咲きカテゴリと八重咲きカテゴリのクラスタは、同じ環境条件下で栽培される種子について作成される。代わりにまたはさらに、一重咲き分類カテゴリ及び八重咲き分類カテゴリのクラスタは、同じ栽培期に栽培される種子について作成される。代わりにまたはさらに、一重咲き分類カテゴリ及び八重咲き分類カテゴリのクラスタは、同じ地理的場所で栽培される種子について作成される。代わりにまたはさらに、一重咲き分類カテゴリ及び八重咲き分類カテゴリのクラスタは、許容範囲内の同一の物理パラメータを有する種子について作成される。例示的な物理パラメータは、色、質感、サイズ、面積、長さ、真円度、幅、千個の種子重量、及び上述の組み合わせの１つまたは組み合わせを含む。

【0140】

任意選択で、埋め込みが、八重咲き表現型に対応する別の埋め込みから、及び／または八重咲き表現型に対応する埋め込みのクラスタの中心から、距離閾値を超えて配置されているとき、埋め込みは新しいクラスタにクラスタ化される。新しいクラスタは、一重咲き表現型種子を示す埋め込みを格納する。一重咲き種子は、（例えば、動作１１２を参照して説明されるように）生成された選別命令に従って選別機によって種子ロットから選択的に除去され得る。

【0141】

代わりに、埋め込みが、一重咲き表現型に対応する別の埋め込みから、及び／または一重咲き表現型に対応する埋め込みのクラスタの中心から、距離閾値を超えて配置されているとき、埋め込みは新しいクラスタにクラスタ化される。新しいクラスタは、八重咲き表現型種子を示す埋め込みを格納する。八重咲き種子は、（例えば、動作１１２を参照して説明されるように）生成された選別命令に従って選別機によって種子ロットから選択的に除去され得る。

【0142】

任意選択で、別の埋め込み及び／またはクラスタの中心から距離閾値に位置する埋め込みに対応する種子は、新しい下位分類カテゴリであるとして示され、例えば色などの新しい下位分類カテゴリを割り当てられる。新しい下位分類カテゴリの種子は、下位分類カテゴリにさらに選別され得、例えば、種子は、一重咲きかつ異なる色、及び／または八重咲き及び異なる色の組み合わせに選別される。距離閾値は２つの閾値を含み得る。第１の閾値は、不良であり、成長する場合がある完全に異常な種子を示す。第１の距離閾値を超えて、別の埋め込みから及び／またはクラスタから遠く離れて位置する埋め込みは、例えば、廃棄されるべきである異常な種子を示す。比較的により近くに位置するが、依然として別の埋め込み（つまり、一重咲き及び／または八重咲きを示すなど、正常な種子及び／または異常な種子を示す）及び／またはクラスタから、第２の距離閾値を超えているが、第１の距離閾値未満、離れている埋め込みは、例えば色などの新しい下位分類カテゴリを有する種子を示し、色に従って選別されるべきである。新しい下位分類カテゴリと関連付けられているとして特定される画像及び／または埋め込みは、訓練されたニューラルネットワークを更新するためのトレーニングデータセットに付加され得る。例えば、新しい種子タイプの指示は、ＧＵＩ上に提示され、ユーザーは、播種された種子の結果の成長を目視した後に下位分類カテゴリを手作業で入力するように依頼される場合がある。代わりにまたはさらに、新しい下位分類カテゴリは、新しい下位分類カテゴリを示すとして示される種子の埋め込みに最も近接する２つ以上の画像埋め込み及び／または２つ以上のクラスタに割り当てられた分類カテゴリに従って自動的に計算される。新しい分類カテゴリは、最も近い画像埋め込み及び／またはクラスタへの相対距離に基づいて計算され得る。例えば、距離が八重咲き種子の最も近いクラスタに対して７５％、及び一重咲き種子の最も近いクラスタに対して２５％として分割されるとき、新しい画像及び／または埋め込みは、八重咲き表現型の特定の色の下位分類カテゴリと関連付けられる。

【0143】

任意選択で、特定の種子の画像の埋め込みが、他の全てのクラストと統計的に異なるとき、特定の種子は不良（またはそれ以外の場合、異常）として示される。不良種子は、一重咲き／八重咲き分類を決定することができない完全に異常な種子である場合もあれば、不良種子は、不良一重咲きまたは不良八重咲きの種子である場合もある。統計的な差は、クラスタごとに計算される統計値（複数可）に対する埋め込みの値（複数可）に従う場合がある。代わりにまたはさらに、特定の種子の画像の埋め込みがクラスタに統計的に類似するとき、任意選択で、埋め込みに計算された１つ以上の値がクラスタに計算された統計値（複数可）に類似しているとき、特定の種子は特定のクラスタの特定の分類カテゴリを割り当てられる。クラスタに対して計算される例示的な統計値は、それぞれのクラスタの埋め込みの要素別の平均（例えば、ベクトルの各要素が、クラスタの埋め込みベクトルの対応する値の平均である平均ベクトル表現）、それぞれのクラスタの埋め込みの分散（例えば、それぞれのクラスタの異なるベクトルの要素別の分散）、及びそれぞれのクラスタの埋め込みのより高いモーメントを含む。例えば、埋め込みのベクトル表現が全てのクラスタのベクトルの９９％と異なるとき、埋め込み（及び対応する種子）は不良として示される。

【0144】

任意選択で、多くの混合種子に加えて（例えば、動作１０４を参照して説明されるように）ターゲット種子の画像が提供されるとき、ターゲット種子に類似する種子がロットから選抜される。例えば、ターゲット種子が八重咲きであるとき、八重咲き種子がロットから選抜される。例えば、ターゲット種子が一重咲きであるとき、一重咲き種子がロットから選抜される。ターゲット種子の画像は、ニューラルネットワーク（複数可）によって埋め込まれる。ターゲット種子の埋め込みから、ターゲット距離閾値未満、離れて位置する画像埋め込みの部分集合が選択される。選別コントローラによる実行のための命令は、画像埋め込みの選択された部分集合に対応する種子混合物の中から種子を選抜するための命令を含む。別の実施態様では、画像埋め込み及びターゲット種子の埋め込みがクラスタ化される。ターゲット種子を含むクラスタが選択される。選別コントローラによる実行のための命令は、選択されたクラスタに対応する種子混合物から種子を選抜するための命令を含む。

【0145】

１１２で、種子の選別のための選別装置の選別コントローラによる実行のための命令は、１つの分類カテゴリ（または複数のカテゴリ）の指示に従って、及び／または（例えば、埋め込み及び／または画像の）作成されたクラスタに従って生成される。命令は、分析された種子画像に対応する物理的な種子の選別のためである。命令は、一重咲き及び八重咲きのカテゴリに種子を物理的に選別するためである。任意選択で、命令は、例えば不良として分類された（及び／または新しい下位分類カテゴリが作成されない）種子などの特定の種子を廃棄するための命令を含む。

【0146】

命令は、例えば、種子の混合物から特定の種子を選抜するため、例えば八重咲きを選抜し、一重咲きを残す、または一重咲きを選抜し、八重咲きを残すためであってよい。種子は、トレイ及び／またはプラットフォームの表面に配列され得る。プラットフォーム上の各種子の物理的な場所は、例えばプラットフォーム上の複数の種子を含む画像のセグメント化された下位部分になど、種子の画像にマッピングされる。各種子の各画像が、それぞれの分類カテゴリ及び／またはクラスタを決定するために計算されると、ロボットアームは、画像にマッピングされた物理的な場所に従って種子を選抜し得る。ロボットアームは次に、適切な分類カテゴリ及び／またはクラスタに対応する容器に各種子を配置し得る。

【0147】

別の実施態様では、命令は、コンベヤベルト上の単一のファイルに到達する種子向けであってよい。各種子は撮像され得る。種子に対応する画像の分類カテゴリ及び／またはクラスタに対応する適切な容器は、種子が適切な容器に入るように位置決めされる。例えば、コンベヤベルトが容器に移動されるか、または適切な容器がコンベヤベルトの端部に位置決めされる。

【0148】

命令は、例えばバイナリコードとして、スクリプトとして、人間可読テキストとして、ソースコードとして、コンパイルされたコードとして、及び／または関数呼び出しとしてなど、コントローラによる自動実行のためのコードとして表現され得る。代わりにまたはさらに、命令は、ユーザーによる手動実行のためにフォーマットされ得、例えば、ユーザーは、命令に基づいて選別機を手動でプログラミングする。例えば、命令は、ディスプレイ上に（例えば、テキストとして、映画として、及び／またはグラフィック図として）提示される、及び／または印刷される。

【0149】

任意選択で、命令は、例えば、種子が（例えば、連続的にまたは周期的に）供給され、撮像され、リアルタイムに動的に選別される動的選別機による実行のために、リアルタイムで生成される。

【0150】

１１４で、種子は、計算された分類カテゴリ及び／またはクラスタに従って選別される。選別は、生成された選別命令を実行する選別コントローラによって命令される選別装置によって自動的に実行され得る。

【0151】

１１６で、ブロック１０４～１１４を参照して説明される１つ以上の動作が繰り返される。例えば、反復は、画像ごとに実行され得る。各種子の各画像は、対応する分類カテゴリを決定するために独立して分析され、種子は、分類カテゴリに従って選別される。別の例では、反復は、種子の混合物のバッチなど、複数の種子の複数の画像に対しえ実行され得る。個々の種子の画像は、画像（例えば、画像の埋め込み）をクラスタ化するために、ともに（例えば、同時に、または中間結果が格納された状態で連続して）分析される。ロットの種子はクラスタに従って選別される。

【0152】

ここで図３を参照すると、３０２で、異なる種子の複数のトレーニング画像が提供される。任意選択で、各セグメント化された画像が単一の種子を含むように、画像はセグメント化される。画像は、異なるタイプの撮像センサによって取得され得る。画像は、一重咲き表現型と八重咲き表現型の両方を含む、異なる分類カテゴリの種子を含む。

【0153】

画像は、非発芽（つまり、発芽前の）段階の種子、及び／または非播種（つまり、まだ播種されていない）種子、及び／または非花段階（つまり花段階に達するまで成長していない）種子のものである。

【0154】

３０４で、各種子は、一重咲きまたは八重咲きのそれぞれのグランドトゥルースラベルを取得するために播種される。播種された各種子と播種前の種子の画像との間のマッピングが分かるように、播種は整然と行われる。例えば、各画像は一意のコードでタグ付けされ、種子が播種される場所は、同じ一意のコードでタグ付けされる。

【0155】

種子が苗木段階まで成長すると、及び／または種子からの成長が開花すると、表現型が単弁花であるのか、それとも重弁花であるのかを特定するために、目視が行われる。目視検査は、手動で、及び／または自動的に（例えば、対応する表現型でラベル付けされた、一重咲きまたは八重咲きを示す視覚的特徴を示す顕花植物の画像を使用して訓練された分類器を使用して）行われ得る。

【0156】

３０６で、各マッティオラ種子の各トレーニング画像は、それぞれのトレーニング画像に示された播種された種子の成長した苗木及び／または開花成長から決定される一重咲き及び八重咲きの分類カテゴリのグランドトゥルースラベルで注釈される。注釈は、ユーザーによって（例えば、種子の画像の一意のコードを提示し、例えば、一重咲きアイコンまたは八重咲きアイコンのどちらかをクリックすることによって、ユーザーからの入力として分類カテゴリを受け入れるＧＵＩを介して）手動で実行され得る、及び／または例えば種子の自動分析を実行する（例えば、播種後に成長した種子の画像を分析し、一重咲き対八重咲きが、視覚的特徴を使用して視覚的に識別可能である）デバイスからコードによって自動的に得られ得る。

【0157】

３０８で、１つ以上のトレーニングデータセットは、トレーニング画像、及び一重咲きまたは八重咲きの分類カテゴリを示す関連付けられたグランドトゥルースラベルに基づいて作成される。トレーニングデータセットは、例えば撮像センサのタイプに従って、ターゲットニューラルネットワークに従って定義され得る。

【0158】

３１０で、１つ以上のニューラルネットワークは、トレーニングデータセット（複数可）に従って訓練される。ニューラルネットワークは、撮像センサによって取り込まれた種子のターゲット画像に従って、分類カテゴリの指示を計算するために訓練される。

【0159】

任意選択で、既存のニューラルネットワークは、新しい変異型が検出されたときなど、追加の注釈付きトレーニング画像に従って、再訓練及び／または更新される。

【0160】

ニューラルネットワーク（複数可）は、損失関数に従って訓練され得る。損失関数は、種子画像のネットワーク出力と実際のラベルとの間の承諾の基準を推定するために、種子画像に関するニューラルネットワーク出力について測定され得る。損失関数の例は、ソフトマックス損失である。損失関数を最小限に抑えるために、最適化プロセス（例えば、確率論的勾配降下法）を使用し得る。最適化プロセスは、停止条件が満たされるまで反復される場合がある。

【0161】

３１２で、訓練されたニューラルネットワークに基づいて、１つ以上の埋め込みニューラルネットワークが作成され得る。埋め込みニューラルネットワークは、埋め込み層として訓練されたニューラルネットワークの内部隠れ層を選択し、埋め込み層の後の層を削除することによって作成され得る。

【0162】

任意選択で、既存の埋め込みニューラルネットワークは、新しい変異型が検出されたときなど、追加の注釈付きトレーニング画像に従って、再訓練及び／または更新される。

【0163】

３１４で、訓練されたニューラルネットワーク及び／または埋め込みネットワークが提供され、例えばコンピューティングデバイスによって格納される、及び／またはローカル実装用にリモートコンピューティングデバイスに提供される。任意選択で、ニューラルネットワークの重みが提供される。

【0164】

ここで、本発明のいくつかの実施形態による、図２を参照して説明されるシステム２００のコンポーネントによって実行可能な、図１及び／または図３を参照して説明される方法に基づいた例示的なデータフローのデータフロー図である図４Ａ～図４Ｅが参照される。

【0165】

図４Ａは、本発明のいくつかの実施形態に従って、種子画像４０６の埋め込みを計算するために、トレーニング種子画像４０４に従って埋め込みニューラルネットワーク４０２を訓練するためのデータフローを示す。

【0166】

図４Ｂは、２つの種子が同じカテゴリであるか（つまり、両方とも八重咲きか、それとも両方とも一重咲きか）を判断するためのデータフローを示す。２つの種子の種子画像４１０Ａ～Ｂは、それぞれの埋め込み４１４Ａ～Ｂの計算のためにニューラル４１２に供給される。埋め込み４１４Ａ～Ｂの間の距離４１６は、例えば、埋め込みのベクトル表現間のＬ２ノルム距離として計算される。種子が同じカテゴリ４１８であるのか、それとも異なるカテゴリ４２０であるのかの判断は、距離４１６に従って下され、例えば、距離が閾値を下回るとき、種子は同じカテゴリ４１８であり、距離が閾値を上回るときは異なるカテゴリ４２０である。

【0167】

図４Ｃは、種子が一重咲き表現型であるのか、それとも八重咲き表現型であるのかを判断するために、種子が播種され、苗木及び／または開花段階まで育てられる種子の成長に従って種子バッチの純度結果を改善するためのデータフローを示す。種子画像４３０は意思決定ユニット４３４に分類指示及び／または埋め込みを出力する、訓練されたニューラルネットワーク４３２に供給される。意思決定ユニット４３４は、種子が一重咲き表現型であるのか、それとも八重咲き表現型であるのかを判断するために、種子が播種され、苗木及び／または開花段階まで育てられる種子成長プロセスによって生成された種子のサンプルの種子成長結果４３６を入力として受け取る。意思決定ユニット４３４は、既知の統計的な構成４４０に基づいて種子画像を選別するために選別閾値４３８を計算する。意思決定ユニット４３４は、選別ユニット４４２に、所定の純度レベルを得るためにどの種子を廃棄すべきか、及び／またはどの種子を残すべきなのかの命令を与える。選別ユニット４３４は、選別用の種子と、どの種子を除去すべきか、及び／またはどの種子を残すべきかを判断するためにニューラルネットワーク４３２によって処理された対応する種子画像４３０との間のマッピングを受け取り得る。

【0168】

図４Ｄは、ターゲット種子の一重咲きカテゴリまたは八重咲きカテゴリの統計を定義するためのデータフローを示す。複数のターゲット種子カテゴリ４５０のそれぞれの複数の画像は、画像ごとに埋め込み４５４を計算するニューラルネットワーク４５２に供給される。統計４５６は、本明細書に説明されるように、埋め込みのために計算される。

【0169】

図４Ｅは、ターゲット種子が図４Ｄの種子と同じカテゴリであるかどうかを判断するためのデータフローを示す。新しいターゲット種子の画像４６０は、埋め込み４６２の計算のために（図４Ｄの）ニューラルネットワーク４５２に供給される。埋め込みは、新しいターゲット種子が、図４Ｄのカテゴリサンプル４５０と同じカテゴリ４６４であるのか、それとも同じカテゴリ４６６ではないのかを判断するためにカテゴリ統計４５６を用いて評価される（図４Ｄを参照して説明されるように計算される）。

【0170】

ここで、本発明のいくつかの実施形態による、マッティオラ種子を示す画像を一重咲きまたは八重咲きに分類するニューラルネットワークを生成する高レベルプロセスを描くフローチャートである図５が参照される。図５の特徴は、図３を参照して説明される特徴に対応する場合がある、及び／または組み合わされる場合がある。５０２で、マッティオラ種子の画像は、画像センサ、任意選択でカメラを使用して取り込まれる。５０４で、マッティオラ種子は播種される。播種された各マッティオラ種子の場所は、播種された種子のそれぞれの画像にマッピングされる。５０６で、一重咲きまたは八重咲きの表現型は、播種されたマッティオラ種子の苗木及び／または開花から判断される。５０８で、ニューラルネットワーク分類器は、マッティオラ種子の画像を、播種された種子が進化した一重咲き表現型または八重咲き表現型のグランドトゥルースの指示でラベル付けすることによって作成されたトレーニングデータセットで訓練される。ニューラルネットワーク分類器は、表現型が未知であるターゲットのマッティオラ種子－つまり、マッティオラ種子は新規であり、トレーニングデータセットで使用されていない－を示すターゲット画像について一重咲きまたは八重咲きの結果を生成する。

【0171】

本発明の教示による種子の分類及び選別に従って、種子の同種の集団（つまり、一重咲き表現型だけである種子、及び八重咲き表現型だけである種子）を得ることができることが理解される。ニューラルネットワークは、本明細書に説明されるように、一重咲き／八重咲きのカテゴリに従って種子を選別するために分類カテゴリ及び／または埋め込みを計算する、及び／またはクラスタ化を実行し得る。

【0172】

ニューラルネットワークは、本明細書に説明されるように、比較的に改善された精度で、統計的に類似した種子を選別するために分類カテゴリ及び／または埋め込みを計算し得る、及び／またはクラスタ化を実行し得る、及び／またはニューラルネットワーク統計分類に比較して統計的な確実性を改善し得る。

【0173】

種子の同種の集団は、種子の少なくとも９０％、９１％、９２％、９３％、９４％、９５％、９６％、９７％、９８％、９９％、９９．１％、９９．２％、９９．３％、９９．４％、９９．５％、９９．６％、９９．７％、９９．８％、９９．９％、９９．９１％、９９．９２％、９９．９３％、９９．９４％、９９．９５％、９９．９６％、９９．９７％、９９．９８％、９９．９９％、９９．９９１％、９９．９９２％、９９．９９３％、９９．９９４％、９９．９９５％、９９．９９６％、９９．９９７％、９９．９９８％、９９．９９９％、９９．９９９１％、９９．９９９２％、９９．９９９３％、９９．９９９４％、９９．９９９５％、９９．９９９６％、９９．９９９７％、９９．９９９８％、９９．９９９９％が八重咲き種子であるほどである場合がある。

【0174】

種子の同種の集団は、種子の少なくとも９０％、９１％、９２％、９３％、９４％、９５％、９６％、９７％、９８％、９９％、９９．１％、９９．２％、９９．３％、９９．４％、９９．５％、９９．６％、９９．７％、９９．８％、９９．９％、９９．９１％、９９．９２％、９９．９３％、９９．９４％、９９．９５％、９９．９６％、９９．９７％、９９．９８％、９９．９９％、９９．９９１％、９９．９９２％、９９．９９３％、９９．９９４％、９９．９９５％、９９．９９６％、９９．９９７％、９９．９９８％、９９．９９９％、９９．９９９１％、９９．９９９２％、９９．９９９３％、９９．９９９４％、９９．９９９５％、９９．９９９６％、９９．９９９７％、９９．９９９８％、９９．９９９９％が一重咲き種子であるほどである場合がある。

【0175】

したがって、本発明の別の態様によれば、複数のマッティオラ種子を含む容器または容器のグループが提供され、種子の少なくとも９０％、９１％、９２％、９３％、９４％、９５％、９６％、９７％、９８％、９９％、９９．１％、９９．２％、９９．３％、９９．４％、９９．５％、９９．６％、９９．７％、９９．８％、９９．９％、９９．９１％、９９．９２％、９９．９３％、９９．９４％、９９．９５％、９９．９６％、９９．９７％、９９．９８％、９９．９９％、９９．９９１％、９９．９９２％、９９．９９３％、９９．９９４％、９９．９９５％、９９．９９６％、９９．９９７％、９９．９９８％、９９．９９９％、９９．９９９１％、９９．９９９２％、９９．９９９３％、９９．９９９４％、９９．９９９５％、９９．９９９６％、９９．９９９７％、９９．９９９８％、９９．９９９９％は、八重咲きマッティオラ種子である。

【0176】

したがって、本発明の別の態様によれば、複数のマッティオラ種子を含む容器または容器のグループが提供され、種子の少なくとも９０％、９１％、９２％、９３％、９４％、９５％、９６％、９７％、９８％、９９％、９９．１％、９９．２％、９９．３％、９９．４％、９９．５％、９９．６％、９９．７％、９９．８％、９９．９％、９９．９１％、９９．９２％、９９．９３％、９９．９４％、９９．９５％、９９．９６％、９９．９７％、９９．９８％、９９．９９％、９９．９９１％、９９．９９２％、９９．９９３％、９９．９９４％、９９．９９５％、９９．９９６％、９９．９９７％、９９．９９８％、９９．９９９％、９９．９９９１％、９９．９９９２％、９９．９９９３％、９９．９９９４％、９９．９９９５％、９９．９９９６％、９９．９９９７％、９９．９９９８％、９９．９９９９％は、一重咲きマッティオラ種子である。

【0177】

容器は、袋、箱、ずた袋、または木箱など、種子を保持することができる任意の手段であってよい。

【0178】

容器は、（本発明の実施形態に従って測定された）種子の供給元及び／またはバッチの純度を示す適切なラベルでラベル付けされ得る。

【0179】

容器または容器のグループは、通常、１００を超える種子、１０００を超える種子、１０，０００を超える種子、１００，０００を超える種子、１，０００，０００を超える種子、１０，０００，０００を超える種子、または１００，０００，０００を超える種子も含む。

【0180】

容器は、単一の植物、または好ましくは２つ以上の植物からの種子を含み得る。

【0181】

容器または容器のグループ内の種子の同種の集団の重量は、１０グラム、５０グラム、１００グラム、５００グラム、１ｋｇ、１０ｋｇ、２０ｋｇ、５０ｋｇ、１００ｋｇ、１トン以上までさまざまである。

【0182】

本発明は、容器から種子を播種することをさらに含む。

【0183】

ここで、本発明のいくつかの実施形態による、マッティオラ種子、ならびに一重咲きタイプ及び八重咲きタイプの対応する成長した植物の画像を含む図６が参照される。要素６０２は、種子６０２Ａの画像及び一重咲きタイプの顕花植物６０２Ｂ～Ｃの画像を示す。要素６０４は、種子６０４Ａの画像及び八重咲きタイプの顕花植物６０４Ｂ～Ｃの画像を示す。画像６０２Ｂ～Ｃ及び６０４Ｂ～Ｃは、Ｉｒｏｎシリーズのマッティオラインカナ植物を示し、画像６０２Ｂは、Ｉｒｏｎ Ｗｈｉｔｅ一重咲きを示し、画像６０４ＢはＩｒｏｎ Ｗｈｉｔｅ八重咲きを示し、画像６０２ＣはＩｒｏｎ Ｍａｒｉｎｅ一重咲きを示し、画像６０４ＣはＩｒｏｎ Ｍａｒｉｎｅ八重咲きを示している。一重咲き植物６０２Ｂ～Ｃをもたらす種子６０２Ａを、八重咲き植物６０４Ｂ～Ｃをもたらす種子６０４Ａと視覚的に比較すると、２つのタイプの種子の差別化を可能にする視覚的に異なるマーカーがなく（例えば、抽出可能な視覚的特徴がなく、セグメント可能及び／または区別可能なマーカーがない）種子６０２Ａ及び６０４Ａが、統計的に視覚的に類似していることは明らかである。本明細書に説明される訓練されたニューラルネットワークは、画像６０２Ａ及び６０４Ａを、対応する一重咲きの植物及び八重咲きの植物が育つ、一重咲き分類カテゴリまたは八重咲き分類カテゴリに正確に分類することができる。

【0184】

したがって、本発明のいくつかの実施形態の一態様によれば、本発明の種子の同種の集団を播種し、それによって作物を育てることを含む、マッティオラの作物を育てる方法が提供される。

【0185】

本明細書で使用する場合、用語「約」は±１０％を意味する。

【0186】

「備える（ｃｏｍｐｒｉｓｅｓ）」、「備える（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｅｓ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「有する（ｈａｖｉｎｇ）」という用語及びそれらの同根語は、「限定ではないが、～を含む（ｉｎｃｌｕｄｉｎｇ ｂｕｔ ｎｏｔ ｌｉｍｉｔｅｄ ｔｏ）を意味する。

【0187】

「～からなる（ｃｏｎｓｉｓｔｉｎｇ ｏｆ）」という用語は、「を含み（備え）、～に限定される」ことを意味する。

【0188】

用語「本質的に～からなる（ｃｏｎｓｉｓｔｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」は、組成物、方法または構造体が、追加の成分、ステップ及び／または部品を含むことができることを意味するが、追加の成分、ステップ及び／または部品が、特許請求された組成物、方法または構造体の基本的かつ新規な特性を実質的に変えない場合に限る。

【0189】

本明細書で使用する場合、文脈上明らかに別段に示されている場合を除き、「ある、１つの（ａ）」、「ある、１つの（ａｎ）」及び「この、その（ｔｈｅ）」という単数形には、複数の指示対象が含まれる。例えば、「化合物（ａ ｃｏｍｐｏｕｎｄ）」または「少なくとも１つの化合物（ａｔ ｌｅａｓｔ ｏｎｅ ｃｏｍｐｏｕｎｄ）」という用語は、それらの混合物を含む複数の化合物を含み得る。

【0190】

本願を通して、本発明の様々な実施形態は、範囲形式で提示され得る。範囲形式での説明は、単に便宜上及び簡潔にするためのものであり、本発明の範囲に対して変更できない制限として解釈するべきではないことを理解されたい。したがって、範囲の説明は、その範囲内の個々の数値だけでなく、全ての可能な部分的範囲を具体的に開示していると見なすべきである。例えば、１～６等の範囲の記述は、１～３、１～４、１～５、２～４、２～６、３～６等の部分的範囲、及びその範囲内の個々の数字、例えば、１、２、３、４、５、及び６を、具体的に開示していると見なすべきである。これは、範囲の幅に関係なく適用される。

【0191】

本明細書で数値範囲が示されるときはいつでも、それは、示された範囲内の任意の引用された数字（分数または整数）を含むことを意味する。第１の表示番号と第２の表示番号との「間の範囲（ｒａｎｇｉｎｇ／ｒａｎｇｅｓ ｂｅｔｗｅｅｎ）」という句、及び第１の表示番号「から」第２の表示番号「まで（ｔｏ）」の「範囲（ｒａｎｇｉｎｇ／ｒａｎｇｅｓ ｆｒｏｍ）」という句は、本明細書では互換的に使用され、第１の表示番号及び第２の表示番号と、それらの間の分数及び整数の数字の全てを含むことを意味する。

【0192】

本明細書で使用される場合、用語「方法」は、化学、薬理学、生物学、生化学及び医学の技術の実践者によって知られている、または既知の方法、手段、技術及び手順から容易に開発される方法を含むが、これらに限定されない、所定のタスクを達成するための方法、手段、技術及び手順を指す。

【0193】

明確にするために別個の実施形態の文脈において説明される本発明のある特徴を、単一の実施形態において組み合わせで設けることもできることが理解される。逆に、簡潔にするために単一の実施形態の文脈において説明される本発明の様々な特徴を、別々に、または任意の好適なサブコンビネーションで、または本発明の任意の他の説明された実施形態において好適なものとして設けることもできる。様々な実施形態の文脈で説明される特定の特徴は、実施形態がそれらの要素なしでは機能しない場合を除いて、それらの実施形態の本質的な特徴と見なすべきではない。

【0194】

上記で説明され、以下の特許請求の範囲で特許請求される本発明の様々な実施形態及び態様は、以下の実施例で実験的裏付けを見出す。

【実施例】

【0195】

ここで、以下の実施例が参照されるが、下記の実施例は、上記の説明とともに、本発のいくつかの実施形態を非限定様式で例示する。

【0196】

般に、本明細書で使用される命名法及び本発明で利用される実験室手順は、分子、生化学、微生物学的及び組み換えＤＮＡ技術を含む。このような技術は、文献中に十分説明されている。例えば、「Ｍｏｌｅｃｕｌａｒ Ｃｌｏｎｉｎｇ： Ａ ｌａｂｏｒａｔｏｒｙ Ｍａｎｕａｌ」Ｓａｍｂｒｏｏｋら（１９８９）、「Ｃｕｒｒｅｎｔ Ｐｒｏｔｏｃｏｌｓ ｉｎ Ｍｏｌｅｃｕｌａｒ Ｂｉｏｌｏｇｙ」Ｖｏｌｕｍｅ Ｉ－ＩＩＩ Ａｕｓｕｂｅｌ， Ｒ．Ｍ．、ｅｄ．（１９９４）、Ａｕｓｕｂｅｌら、「Ｃｕｒｒｅｎｔ Ｐｒｏｔｏｃｏｌｓ ｉｎ Ｍｏｌｅｃｕｌａｒ Ｂｉｏｌｏｇｙ」、Ｊｏｈｎ Ｗｉｌｅｙ ａｎｄ Ｓｏｎｓ、Ｂａｌｔｉｍｏｒｅ、Ｍａｒｙｌａｎｄ（１９８９）、Ｐｅｒｂａｌ、「Ａ Ｐｒａｃｔｉｃａｌ Ｇｕｉｄｅ ｔｏ Ｍｏｌｅｃｕｌａｒ Ｃｌｏｎｉｎｇ」、Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ、Ｎｅｗ Ｙｏｒｋ （１９８８）、Ｗａｔｓｏｎら、「Ｒｅｃｏｍｂｉｎａｎｔ ＤＮＡ」、Ｓｃｉｅｎｔｉｆｉｃ Ａｍｅｒｉｃａｎ Ｂｏｏｋ、Ｎｅｗ Ｙｏｒｋ、Ｂｉｒｒｅｎら（ｅｄｓ）「Ｇｅｎｏｍｅ Ａｎａｌｙｓｉｓ： Ａ Ｌａｂｏｒａｔｏｒｙ Ｍａｎｕａｌ Ｓｅｒｉｅｓ」、Ｖｏｌｓ．１－４、Ｃｏｌｄ Ｓｐｒｉｎｇ Ｈａｒｂｏｒ Ｌａｂｏｒａｔｏｒｙ Ｐｒｅｓｓ、Ｎｅｗ Ｙｏｒｋ （１９９８）、米国特許第４，６６６，８２８号、第４，６８３，２０２号、第４，８０１，５３１号、第５，１９２，６５９号、及び第５，２７２，０５７号に明細書に記載の方法、「Ｃｅｌｌ Ｂｉｏｌｏｇｙ： Ａ Ｌａｂｏｒａｔｏｒｙ Ｈａｎｄｂｏｏｋ」、Ｖｏｌ．Ｉ－ＩＩＩ Ｃｅｌｒｉｓ、Ｊ．Ｅ．、ｅｄ．（１９９４）、Ｆｒｅｓｈｅｙ、Ｗｉｌｅｙ Ｗｉｌｓ Ｌｉｓｎによる「Ｃｕｌｔｕｒｅ ｏｆ Ａｎｉｍａｌ Ｃｅｌｌｓ － Ａ Ｍａｎｕａｌ ｏｆ Ｂａｓｉｃ Ｔｅｃｈｎｏｌｏｇｙ」（１９９４）、第３版、「Ｃｕｒｒｅｎｔ Ｐｒｏｔｏｃｏｌｓ ｉｎ Ｉｍｍｕｎｏｌｏｇｙ」Ｖｏｌｕｍｅ Ｉ－ＩＩＩ Ｃｏｌｉｇａｎ Ｊ．Ｅ．、ｅｄ．（１９９４）、Ｓｔｉｔｅｓら（ｅｄｓ）、「Ｂａｓｉｃ ａｎｄ Ｃｌｉｎｉｃａｌ Ｉｍｍｕｎｏｌｏｇｙ」（第８版）、Ａｐｐｌｅｔｏｎ ＆ Ｌａｎｇｅ、Ｎｏｒｗａｌｋ、ＣＴ（１９９４）、Ｍｉｓｈｅｌｌ及びＳｈｉｉｇｉ（ｅｄｓ）、「Ｓｅｌｅｃｔｉｖｅ Ｍｅｔｈｏｄｓ ｉｎ Ｃｅｌｌｕｌａｒ Ｉｍｍｕｎｏｌｏｇｙ」、Ｗ．Ｈ．Ｆｒｅｅｍａｎ， Ｃｏ． 、Ｎｅｗ Ｙｏｒｋ （１９８０）を参照すること。利用可能な免疫測定法は、特許及び科学文献に広く記載されている。例えば、米国特許第３，７９１，９３２号、第３，８３９，１５３号、第３，８５０，７５２号、第３，８５０，５７８号、第３，８５３，９８７号、第３，８６７，５１７号、第３，８７９，２６２号、第３，９０１，６５４号、第３，９３５，０７４号、第３，９８４，５３３号、第３，９９６，３４５号、第４，０３４，０７４号、第４，０９８，８７６号、第４，８７９，２１９号、第５，０１１，７７１号、及び第５，２８１，５２１号、「Ｏｌｉｇｏｎｕｃｌｅｏｔｉｄｅ Ｓｙｎｔｈｅｓｉｓ」Ｇａｉｔ， Ｍ． Ｊ．、ｅｄ．（１９８４）、「Ｎｕｃｌｅｉｃ Ａｃｉｄ Ｈｙｂｒｉｄｉｚａｔｉｏｎ」Ｈａｍｅｓ， Ｂ． Ｄ．、及びＨｉｇｇｉｎｓ Ｓ． Ｊ．、ｅｄｓ．（１９８５）、「Ｔｒａｎｓｃｒｉｐｔｉｏｎ ａｎｄ Ｔｒａｎｓｌａｔｉｏｎ」Ｈａｍｅｓ，Ｂ．Ｄ．及びＨｉｇｇｉｎｓ Ｓ．Ｊ．、ｅｄｓ（１９８４）、「Ａｎｉｍａｌ Ｃｅｌｌ Ｃｕｌｔｕｒｅ」 Ｆｒｅｓｈｎｅｙ，Ｒ．Ｉ．、ｅｄ．（１９８６）；「Ｉｍｍｏｌｅｃｕｌａｒ Ｃｅｌｌｓ ａｎｄ Ｅｎｚｙｍｅ」ＩＲＬ Ｐｒｅｓｓ、（１９８６）、「Ａ Ｐｒａｃｔｉｃａｌ Ｇｕｉｄｅ ｔｏ Ｍｏｌｅｃｕｌａｒ Ｃｌｏｎｉｎｇ」 Ｐｅｒｂａｌ，Ｂ．、（１９８４）、及び「Ｍｅｔｈｏｄｓ ｉｎ Ｅｎｚｙｍｏｌｏｇｙ」Ｖｏｌ．１－３１７、Ａｃａｄｅｍｉｃ Ｐｒｅｓｓ、「ＰＣＲ Ｐｒｏｔｏｃｏｌｓ： Ａ Ｇｕｉｄｅ ｔｏ Ｍｅｔｈｏｄｓ Ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ」、Ａｃａｄｅｍｉｃ Ｐｒｅｓｓ、Ｓａｎ Ｄｉｅｇｏ、ＣＡ（１９９０）、Ｍａｒｓｈａｋら、「Ｓｔｒａｔｅｇｉｅｓ ｆｏｒ Ｐｒｏｔｅｉｎ Ｐｕｒｉｆｉｃａｔｉｏｎ ａｎｄ Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ － Ａ Ｌａｂｏｒａｔｏｒｙ Ｃｏｕｒｓｅ Ｍａｎｕａｌ」ＣＳＨＬ Ｐｒｅｓｓ（１９９６）を参照すること。これらのすべては、本明細書に完全に記載されているかのように参照により組み込まれる。他の一般的な参考資料は、本明細書全体を通して提供される。本書の手順は、当該技術分野において周知であると考えられ、読者の便宜のために提供されている。その中に含まれる全ての情報が参照により本明細書に組み込まれる。

【0197】

重弁花の検出
材料及び方法
種子サンプル：マッティオラインカナの変種の種子：変種のＩｒｏｎ Ｒｏｓｅ Ｐｉｎｋ、Ｉｒｏｎ Ｂｌｕｅ、Ｉｒｏｎ Ｄｅｅｐ Ｐｉｎｋ、Ｉｒｏｎ Ｒｏｓｅ、Ｉｒｏｎ Ｗｈｉｔｅ、Ｉｒｏｎ Ｍａｒｉｎｅ、Ｉｒｏｎ Ｐｕｒｐｌｅ、Ｉｒｏｎ Ｐｉｎｋ、Ｉｒｏｎ Ａｐｒｉｃｏｔ、Ｉｒｏｎ Ａｐｒｉｃｏｔ、Ｉｒｏｎ Ｙｅｌｌｏｗ、Ｉｒｏｎ Ｃｈｅｒｒｙ Ｂｌｏｓｓｏｍ、Ｑｕａｒｔｅｔシリーズ、Ｑｕａｒｔｅｔ Ｂｌｕｅ、Ｑｕａｒｔｅｔ Ｗｈｉｔｅ、Ｃｅｎｔｕｍシリーズ、Ｃｅｎｔｕｍ Ｄｅｅｐ Ｂｌｕｅ、Ｃｅｎｔｕｍ Ｃｒｅａｍ、Ｎｅｗ Ｋａｂｕｋｉシリーズ、Ｎｅｗ Ｋａｂｕｋｉ Ｄａｒｋ Ｌａｖｅｎｄｅｒ、Ｎｅｗ Ｋａｂｕｋｉ Ｒｏｓｅ Ｐｉｎｋ、Ｋａｔｚシリーズ、Ｋａｔｚ Ｗｈｉｔｅ、Ｋａｔｚ Ｃｒｉｍｓｏｎ、Ｋａｔｚ Ｂｌｕｅ、Ａｉｄａシリーズ、Ａｄａ Ｗｈｉｔｅ、Ａｉｄａ Ｂｌｕｅ、Ｒｅｖｏｌｕｔｉｏｎ ＩＩ Ｗｈｉｔｅ、Ｃｈｅｅｒｆｕｌ Ｙｅｌｌｏｗ、及びＡｒｒｏｗ Ｗｈｉｔｅ。各サンプルは、特定の変種の１～４の異なる種子 ロットで構成されていた。

【0198】

画像の取得及び分析：異なる撮像センサを使用して、各サンプルの数千の種子が取り込まれた。種子は、播種され、完全に開花するまで育てられたか、または苗木が、一重咲き及び八重咲きの個体を区別するＰＣＲマーカーを使用して葉のサンプルについて分析されたか、または一重咲き及び八重咲きの個体を区別するＰＣＲマーカーを使用して種子に関して分析され、システムを訓練するために、表現型データがロードされた（図５）。

【0199】

サンプルごとに、画像は３つのグループ、つまりトレーニング（８０％）、検証（１０％）、及び試験（１０％）に無作為に分けられた。このプロセスは、系統ごとに１０回繰り返された。畳み込みニューラルネットワークは、トレーニングセットを使用して訓練された。訓練されたニューラルネットワークは、検証と試験のセットの画像の種子表現型を予測するために使用された。これらのセットの種子画像ごとに、ニューラルネットワークは、種子が、訓練された重弁花グループまたは単弁花グループに属する確率を出力した。最も高い確率を有するグループが選択された。各グループの正しい予測の割合が記憶された。このプロセスは、異なる無作為な分割を用いて１０回繰り返された。

【0200】

結果
異なる撮像センサから取得されたデータを使用して、異なる花色を表す異なる変種のマッティオラ種子の正しい重弁花または単弁花が取得された。

【0201】

Ｃｅｎｔｕｍ Ｄｅｅｐ Ｂｌｕｅの場合、重弁花は０．４５から０．７３に改善された。Ｃｅｎｔｕｍ Ｃｒｅａｍの場合、重弁花は０．４７から０．９３に改善された。Ａｉｄａ Ｗｈｉｔｅの場合、重弁花は０．４９から０．９４に改善された。Ａｉｄａ Ｂｌｕｅの場合、重弁花は０．５９から０．９３に改善された。Ｋａｔｚ Ｗｈｉｔｅの場合、重弁花は０．５９から０．９０に改善され、Ｋａｔｚ Ｃｒｉｍｓｏｎの場合、重弁花は０．５０から０．９０に改善された。Ｑｕａｒｔｅｔ Ｗｈｉｔｅの場合、重弁花は０．５７から０．９５に改善された。Ｑｕａｒｔｅｔ Ｂｌｕｅの場合、重弁花は０．５３から０．９５に改善された。Ｒｅｖｏｌｕｔｉｏｎ ＩＩ Ｗｈｉｔｅの場合、重弁花は０．９６から０．９９に改善された。Ｎｅｗ Ｋａｂｕｋｉ Ｒｏｓｅ Ｐｉｎｋの場合、重弁花は０．５４から０．８５に改善された。Ｎｅｗ Ｋａｂｕｋｉ Ｄａｒｋ Ｌａｖｅｎｄｅｒの場合、重弁花は０．５０から０．８５に改善された。

【0202】

画像取得のための種子Ｘ選別プラットフォーム、及び表現型を検証するための開花表現型検査またはＰＣＲマーカーを使用し、分類器のセットが開発され、変種ごとに最良の分類器が選択された。分類器ＡはＹｅｌｌｏｗから選別するために使用され、重弁花は０．５５から０．９３に改善された。分類器ＢはＩｒｏｎ Ｐｉｎｋのために使用され、重弁花は０．５５から０．９４に改善された。Ｉｒｏｎ Ｒｏｓｅの場合、重弁花は０．５０から０．９３に改善された。分類器ＣはＩｒｏｎ Ｗｈｉｔｅを選別するために使用され、重弁花は０．５２から０．９２に改善された。分類器ＤはＩｒｏｎ Ｄｅｅｐ Ｐｉｎｋを選別するために使用され、重弁花は０．５４から０．９２に改善された。分類器Ｅは、Ｉｒｏｎ Ｐｕｒｐｌｅを選別するために使用され、重弁花は０．５２から０．９２に改善された。Ｉｒｏｎ Ｂｌｕｅの場合、重弁花は０．５３から０．８６に改善された。分類器Ｆは、Ｃｈｅｒｒｙ Ｂｌｏｓｓｏｍを選別するために使用され、重弁花は０．６０から０．９９に改善された。分類器Ｇは、Ｉｒｏｎ Ｍａｒｉｎｅを選別するために使用され、重弁花は０．４７から０．９４に改善された。

【0203】

Ｉｒｏｎ Ｗｈｉｔｅのために及びＩｒｏｎ Ｍａｒｉｎｅのために生成された、開発された分類器はそれぞれ、各変種の１つの種子と２つの種子を選別するために使用された。選別された種子は、選抜を行わずに専門の植物苗床で苗木として育てられ、専門の栽培者における畑に移植された。全作物周期中に選抜は行われなかった。Ｉｒｏｎ Ｗｈｉｔｅの場合、ロット５６０２７－Ｄ３、２．３００の植物が育てられ、うち６．２２％（１４３）の植物が一重咲きとして分類され、９３．７８％（２，１５７）の植物が八重咲きとして分類された。（分類器が開発された）Ｉｒｏｎ ＭａｒｉｎｅロットＤ１の場合、８７１の植物が育てられ、うち５．８６％（５１）の植物が一重咲きとして分類され、９４．１４％（８２０）の植物が八重咲きとして分類された。ロットＤ２（分類器が開発されたロットとは異なるロット）の場合、５９１の植物が育てられ、うち５．５８％（３３）の植物が一重咲きとして分類され、９４．４２％（５５８）の植物が八重咲きとして分類された。

【0204】

別の実験では、Ｉｒｏｎ Ｗｈｉｔｅ マッティオラの２つの種子ロットが採取された。トレーニングは、第１のロットに対して実行され、一方第２のロットに対して予測が実施された。八重咲きは０．５０から０．９０に改善された。

【0205】

Ｉｒｏｎ変種に対して実行された実験の結果は、表１及び表２に要約される。

【表1】

花の表現型検査

【表2】

ＰＣＲマーカーを介した種子表現型検査

【0206】

本発明をその特定の実施形態に関連して説明したが、多くの代替案、修正及び変形が当業者には明らかであろうことは明白である。したがって、添付の特許請求の範囲の趣旨及び広い範囲に含まれるそのような全ての代替案、修正及び変形を包含することが意図されている。

【0207】

本明細書で参照される全ての刊行物、特許、及び特許出願は、各個別の刊行物、特許、または特許出願が、参照により本明細書に組み込まれることが示されているときに、これらが明確かつ個別に記されているのと同様に、参照によりその全体が本明細書に組み込まれることが出願人（出願人ら）の意図である。さらに、本願におけるいずれかの参考文献の引用または特定は、そのような参考文献が本発明の先行技術として利用可能であることの承認として解釈するべきではない。セクションの見出しが使用されている範囲内において、それらは必ずしも限定的であると解釈するべきではない。

【0208】

さらに、本願のいずれかの優先権書類（複数可）は、本明細書により、その全体が参照により本明細書に組み込まれる。

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図4C】

【図4D】

【図4E】

【図5】

【図6】

【国際調査報告】