CN117042597A - 排泄物性状推定模型学习装置、排泄物性状推定装置、排泄物性状推定模型学习方法、排泄物性状推定方法以及程序 - Google Patents

Abstract

排泄物性状推定模型学习装置具备：学习数据获取部，获取预先决定且存在饲养对象动物的排泄物的排泄物空间以及包括输入侧学习数据和正确标签的学习数据，输入侧学习数据包括对排泄物空间进行拍摄而得到的拍摄结果图像的图像数据也即学习用图像数据，正确标签表示在学习用图像数据所示的图像中是否拍摄到异常排泄物；排泄物性状推定学习模型执行部，使用排泄物性状推定学习模型，推定在学习用图像数据所示的图像中拍摄到异常排泄物的概率，排泄物性状推定学习模型推定在学习用图像数据中拍摄到异常排泄物的概率；以及更新部，基于排泄物性状推定学习模型执行部的推定结果与正确标签的差异，以减小差异的方式更新排泄物性状推定学习模型。

Description

排泄物性状推定模型学习装置、排泄物性状推定装置、排泄物 性状推定模型学习方法、排泄物性状推定方法以及程序

技术领域

本发明涉及排泄物性状推定模型学习装置、排泄物性状推定装置、排泄物性状推定模型学习方法、排泄物性状推定方法以及程序。

本申请基于2021年3月19日在日本申请的日本特愿2021-045324号主张优先权，在此引用其内容。

背景技术

在饲养狨猴等实验动物时，有时会根据粪便的性状来掌握动物的健康状态、心理压力。在这类情况下，饲养者基于粪便的颜色、形状来判别粪便的性状，并确认有无呕吐物。但是，饲养者的技术对饲养者进行的粪便性状的判别有很大影响，有时根据饲养者的熟练度而判别的结果不同。因此，有时会尝试使用图像分析的计算机程序来判别粪便的性状。

现有技术文献

专利文献

专利文献1：日本特开2008-48683号公报

发明内容

[技术问题]

然而，动物的饲养笼大多不仅有粪便、呕吐物，还有食物。而且，饲料的颜色、形状大多与粪便的颜色、形状相似。因此，在仅通过与程序员或用户预先设定的基准的比较来判别粪便性状的以往的图像分析的程序中，有时无法区分饲料和粪便。例如，以往的图像分析的程序是推定粪便的面积并在观测到阈值以上的面积的情况下判定为异常粪便的程序。作为结果，在健康状态差的情况下或心理压力强等动物的状态产生异常的情况下，有时无法区别粪便与饲料，无法恰当推定粪便的性状。另外，不仅是产生异常的情况下的粪便与饲料的区别，而且即使在动物的状态正常的情况下，粪便与饲料有时也无法区别，无法恰当地推定粪便的性状。另外，这样的情况不限于粪便，对于呕吐的呕吐物等排泄物也是共通的问题。

鉴于上述情况，本发明的目的在于提供一种以更高的精度推定动物的排泄物的性状的技术。

[技术方案]

本发明的一个方式是一种排泄物性状推定模型学习装置，具备：

学习数据获取部，其获取包括输入侧学习数据和正确标签的学习数据，所述输入侧学习数据包括排泄物空间和学习用图像数据，所述排泄物空间是预先决定的空间且是存在饲养对象动物的排泄物的空间，所述学习用图像数据是对所述排泄物空间进行拍摄而得到的拍摄结果图像的图像数据，所述正确标签表示在所述学习用图像数据所表示的图像中是否拍摄到作为异常的排泄物的异常排泄物；

排泄物性状推定学习模型执行部，其使用排泄物性状推定学习模型，推定在所述学习用图像数据所表示的图像中拍摄到异常排泄物的概率，所述排泄物性状推定学习模型是推定在所述学习用图像数据中拍摄到异常排泄物的概率的机器学习模型；以及

更新部，其基于所述排泄物性状推定学习模型执行部的推定结果与所述正确标签的差异，以减小所述差异的方式更新所述排泄物性状推定学习模型。

本发明的一个方式根据上述的排泄物性状推定模型学习装置，其中，所述学习用图像数据是被提取排泄物图像的图像数据，所述被提取排泄物图像是预先从拍摄结果图像提取出的图像且是水平投影面积为规定面积以上的排泄物的图像。

本发明的一个方式根据上述的排泄物性状推定模型学习装置，其中，所述学习用图像数据是预先对拍摄结果图像进行了基于过滤器的图像处理后的图像的图像数据，所述过滤器不会使障碍因素物的颜色通过，所述障碍因素物是排泄物以外的物体且是与排泄物的颜色及形状的接近度为规定的基准值以内的物体。

本发明的一个方式根据上述的排泄物性状推定模型学习装置，其中，所述输入侧学习数据包括表示拍摄到所述学习用图像数据的日期时间的信息。

本发明的一个方式根据上述的排泄物性状推定模型学习装置，其中，所述输入侧学习数据包括表示存在于排泄物空间的排泄物是最多几只动物的排泄物的信息。

本发明的一个方式根据上述的排泄物性状推定模型学习装置，其中，所述输入侧学习数据包括表示在由得到拍摄结果图像的拍摄装置进行拍摄的时刻之前的规定时机对所述饲养对象动物给予的饲料的信息。

本发明的一个方式是一种排泄物性状推定装置，具备：

分析对象数据获取部，其获取排泄物空间和分析对象数据，所述排泄物空间是预先决定的空间且是存在饲养对象动物的排泄物的空间，所述分析对象数据包括对所述排泄物空间进行拍摄而得到的拍摄结果图像的图像数据；以及

推定部，其使用由排泄物性状推定模型学习装置得到的学习完毕的排泄物性状推定学习模型，推定在所述分析对象数据获取部所获取的图像数据中拍摄到异常排泄物的概率，

所述排泄物性状推定模型学习装置包括：

学习数据获取部，其获取包括输入侧学习数据和正确标签的学习数据，所述输入侧学习数据包括学习用图像数据，所述学习用图像数据是拍摄结果图像的图像数据，所述正确标签表示在所述学习用图像数据所表示的图像中是否拍摄到作为异常的排泄物的异常排泄物；

排泄物性状推定学习模型执行部，其使用排泄物性状推定学习模型，推定在所述学习用图像数据所表示的图像中拍摄到异常排泄物的概率，所述排泄物性状推定学习模型是推定在所述学习用图像数据中拍摄到异常排泄物的概率的机器学习模型；以及

更新部，其基于所述排泄物性状推定学习模型执行部的推定结果与所述正确标签的差异，以减小所述差异的方式更新所述排泄物性状推定学习模型。

本发明的一个方式是一种排泄物性状推定模型学习方法，具有：

学习数据获取步骤，获取包括输入侧学习数据和正确标签的学习数据，所述输入侧学习数据包括排泄物空间和学习用图像数据，所述排泄物空间是预先决定的空间且是存在饲养对象动物的排泄物的空间，所述学习用图像数据是对所述排泄物空间进行拍摄而得到的拍摄结果图像的图像数据，所述正确标签表示在所述学习用图像数据所表示的图像中是否拍摄到作为异常的排泄物的异常排泄物；

排泄物性状推定学习模型执行步骤，使用排泄物性状推定学习模型，推定在所述学习用图像数据所表示的图像中拍摄到异常排泄物的概率，所述排泄物性状推定学习模型是推定在所述学习用图像数据中拍摄到异常排泄物的概率的机器学习模型；以及

更新步骤，基于所述排泄物性状推定学习模型执行步骤的推定结果与所述正确标签的差异，以减小所述差异的方式更新所述排泄物性状推定学习模型。

本发明的一个方式是一种排泄物性状推定方法，具有：

分析对象数据获取步骤，获取排泄物空间和分析对象数据，所述排泄物空间是预先决定的空间且是存在饲养对象动物的排泄物的空间，所述分析对象数据包括对所述排泄物空间进行拍摄而得到的拍摄结果图像的图像数据；以及

推定步骤，使用由排泄物性状推定模型学习装置得到的学习完毕的排泄物性状推定学习模型，推定在所述分析对象数据获取步骤中得到的图像数据中拍摄到异常排泄物的概率，

所述排泄物性状推定模型学习装置包括：

学习数据获取部，其获取包括输入侧学习数据和正确标签的学习数据，所述输入侧学习数据包括学习用图像数据，所述学习用图像数据是拍摄结果图像的图像数据，所述正确标签表示在所述学习用图像数据所表示的图像中是否拍摄到作为异常的排泄物的异常排泄物；

排泄物性状推定学习模型执行部，其使用排泄物性状推定学习模型，推定在所述学习用图像数据所表示的图像中拍摄到异常排泄物的概率，所述排泄物性状推定学习模型是推定在所述学习用图像数据中拍摄到异常排泄物的概率的机器学习模型；以及

更新部，其基于所述排泄物性状推定学习模型执行部的推定结果与所述正确标签的差异，以减小所述差异的方式更新所述排泄物性状推定学习模型。

本发明的一个方式是用于使计算机发挥上述的排泄物性状推定模型学习装置的功能的程序。

本发明的一个方式是用于使计算机发挥上述的排泄物性状推定装置的功能的程序。

[发明效果]

根据本发明，能够以更高的精度推定动物的排泄物的性状。

附图说明

图1是说明实施方式的排泄物性状推定系统100的概要的说明图。

图2是表示实施方式中的粪便空间的拍摄结果图像的第一例的图。

图3是表示实施方式中的粪便空间的拍摄结果图像的第二例的图。

图4是表示实施方式中的粪便空间的拍摄结果图像的第三例的图。

图5是表示实施方式中的粪便空间的拍摄结果图像的第四例的图。

图6是表示实施方式中的粪便空间的拍摄结果图像的第五例的图。

图7是表示实施方式中的粪便空间的拍摄结果图像的第六例的图。

图8是表示实施方式中的粪便空间的拍摄结果图像的第七例的图。

图9是表示实施方式中的粪便空间的拍摄结果图像的第八例的图。

图10是表示实施方式中的粪便空间的拍摄结果图像的第九例的图。

图11是表示实施方式中的粪便性状推定模型学习装置1的硬件结构的一例的图。

图12是表示实施方式中的控制部11的功能结构的一例的图。

图13是表示实施方式中的粪便性状推定模型学习装置1执行的处理的流程的一例的流程图。

图14是表示实施方式中的粪便性状推定装置2的硬件结构的一例的图。

图15是表示实施方式中的控制部21的功能结构的一例的图。

图16是表示实施方式中的粪便性状推定装置2执行的处理的流程的一例的流程图。

图17是表示使用了实施方式的排泄物性状推定系统100的异常粪便的推定的实验结果的一例的图。

图18是表示变形例中的粪便性状推定装置2a的硬件结构的一例的图。

图19是表示变形例中的控制部21a的功能结构的一例的图。

具体实施方式

(实施方式)

图1是说明实施方式的排泄物性状推定系统100的概要的说明图。本说明书中使用的术语“排泄物”包括粪便和呕吐物。另外，以下为了简化说明，以排泄物为饲养动物900的粪便的情况为例说明排泄物性状推定系统100，但排泄物不限于粪便。即，在下述说明中对粪便执行的处理可以是对呕吐物等其他排泄物。排泄物可以是饲养动物900的呕吐物。

排泄物性状推定系统100通过机器学习的方法得到表示对粪便空间进行拍摄的结果的图像(以下称为“拍摄结果图像”)与在该图像中拍摄到异常粪便的概率之间的关系的信息(以下称为“关系信息”)。粪便空间是预先决定的空间，且是至少在饲养对象动物排泄后的情况下存在饲养对象动物的粪便的空间。图1中的网格地板902与地板垫903之间的空间是粪便空间的一例。异常粪便是状态异常的粪便。以下，将饲养对象动物称为饲养动物900。饲养动物900例如是实验动物，例如是狨猴。饲养动物900也可以是小鼠、大鼠、豚鼠、狗、兔、恒河猴等实验动物。

排泄物性状推定系统100通过利用机器学习的方法更新粪便性状推定学习模型来得到关系信息。粪便性状推定学习模型是基于对粪便空间进行拍摄的结果来推定在拍摄结果图像中拍摄到异常粪便的概率的机器学习的模型。

另外，机器学习的模型(以下称为“机器学习模型”)是具有预先决定了执行条件和顺序的1个或多个处理的数理模型。以下，为了简化说明，将基于机器学习的方法的机器学习模型的更新称为学习。另外，机器学习模型的更新是指适当地调整机器学习模型中的参数的值。另外，机器学习模型的执行是指按照执行规则执行机器学习模型所包括的各处理。

机器学习模型例如由神经网络体现。神经网络是电子电路、电路、光回路、集成电路等电路，且是体现机器学习模型的电路。神经网络的参数可基于目标函数的值(即损失)适当地调整。另外，网络的参数是构成网络的电路的参数。将这样的神经网络模型多层化的模型称为深度学习模型。机器学习模型的学习方法例如是深度学习。

饲养动物900例如在饲养笼9中生活。饲养笼9由能够收容饲养动物900的金属、塑料构成。饲养笼9的地面中，为了连接网格地板902，饲养动物900进行排便的区域的地面可以开放。饲养笼9中例如设置有网格地板902。网格地板902由金属或塑料构成。网格地板902是网格状地开设有饲养动物900的粪便可通过且饲养动物900自身不能通过的大小的孔的板。在这种情况下，饲养动物900在网格地板902上生活。

网格地板902与饲养笼9和开放的地面连接。动物与人不同，有时会摆弄或食用粪便。网格地板902是为了使地板垫903远离动物而设置的。在粪便性状推定模型的学习中，有时进行使用粪便的轮廓特征的学习。因此，优选在粪便的形状不会被动物破坏的饲养笼9中设置网格地板902。这样，设置网格地板902以使饲养动物900不会摆弄粪便。不过，在已设法使粪便隔离于饲养动物900的情况下，网格地板902的设置则不是必须的。以下，为了便于说明，以设置网格地板902的情况为例说明排泄物性状推定系统100。

在网格地板902下方设置地板垫903。为了明确区别腹泻便和尿，地板垫903优选为能够吸收水分的纸制地板垫。

在饲养动物900在网格地板902上生活的情况下，饲养动物900的粪便通过网格地板902的孔下落至地板垫903。因此，在饲养动物900排泄后且通过清扫去除粪便之前，在地板垫903上存在粪便。因此，网格地板902与地板垫903之间的空间是粪便空间的一例。

拍摄装置901设置在能够拍摄粪便空间的位置。因此，在饲养动物900排泄后且通过清扫去除粪便之前的拍摄结果图像中拍摄到饲养动物900的粪便。拍摄装置901例如是照相机。拍摄装置901例如设置在能够以拍摄到地板垫903整体的方式从正面进行拍摄的场所。例如，在即使是从上方拍摄时饲养动物900也不会来到粪便之上这样的环境中对饲养动物900进行饲养的情况下，拍摄装置901可以设置在地板垫903的上方。拍摄装置901的输出例如是静止图像。拍摄装置901输出的静止图像的画质例如是SD画质(标准画质)以上的画质。以下，为了便于说明，以拍摄装置901为SD画质的照相机的情况为例说明排泄物性状推定系统100。

排泄物性状推定系统100使用学习完毕的粪便性状推定学习模型(以下称为“粪便性状推定模型”)，推定在分析对象的粪便空间的拍摄结果图像中是否拍摄到异常的粪便(以下称为“异常粪便”。分析对象的粪便空间是在粪便性状的推定对象的饲养动物排泄了的情况下存在该推定对象的饲养动物的粪便的粪便空间。粪便性状推定模型是关系信息的一例。

学习完毕是指满足规定的结束条件(以下称为“学习结束条件”)。学习结束条件例如是规定次数的使用了学习数据的学习结束这样的条件。学习结束条件例如也可以是基于粪便性状推定学习模型的更新的变化比规定的变化小这样的条件。

排泄物性状推定系统100具备粪便性状推定模型学习装置1和粪便性状推定装置2。粪便性状推定模型学习装置1使用一个或多个学习数据通过机器学习的方法来更新粪便性状推定学习模型。

学习数据包括输入侧学习数据与正确标签的成对数据。输入侧学习数据包括学习用图像数据。学习用图像数据是拍摄粪便空间得到的拍摄结果图像的图像数据。即，学习用图像数据是粪便空间的拍摄结果图像的图像数据。在学习时使用多个学习数据的情况下，可以在学习中使用在学习用图像数据所表示的图像中不存在粪便的图像。即，在学习时使用多个学习数据的情况下，多个学习用图像数据无需全部是拍摄到存在粪便的粪便空间的图像的图像数据。在学习时使用多个学习数据的情况下，一部分学习用图像数据可以是拍摄到不存在粪便的粪便空间的图像的图像数据。

正确标签是表示在对应的学习用图像数据的图像中是否拍摄到异常粪便的信息。正确标签是由熟悉粪便性状的判别的专家910等判定异常粪便的人或计算机预先判定在学习用图像数据的图像中是否拍摄到异常粪便的结果。

粪便性状推定装置2使用粪便性状推定模型学习装置1得到的粪便性状推定模型，推定在分析对象的粪便空间的拍摄结果图像(以下称为“分析对象图像”中是否拍摄到异常粪便。更具体而言，粪便性状推定装置2获取包括分析对象图像的图像数据(以下称为“分析对象图像数据”)的分析对象数据，使用粪便性状推定模型学习装置1所得到的粪便性状推定模型，推定分析对象图像中拍摄到异常粪便的概率。

图2是表示实施方式中的粪便空间的拍摄结果图像的第一例的图。在图2所示的图像中拍摄到网格地板902和地板垫903。在图2所示的图像中的区域D1中拍摄到多个粪便。在图2所示的图像中的区域D2中拍摄到多个饲料。如图2的图像所示，粪便与饲料的颜色和形状相近。图2中的网格地板902与地板垫903之间的空间是粪便空间的一例。

图3是表示实施方式中的粪便空间的拍摄结果图像的第二例的图。在图3的拍摄结果图像中未拍摄到异常粪便。

图4是表示实施方式中的粪便空间的拍摄结果图像的第三例的图。在图4的拍摄结果图像中未拍摄到异常粪便。

图5是表示实施方式中的粪便空间的拍摄结果图像的第四例的图。在图5的拍摄结果图像中，在区域D3拍摄到异常粪便。

图6是表示实施方式中的粪便空间的拍摄结果图像的第五例的图。在图6的拍摄结果图像中未拍摄到异常粪便。

图7是表示实施方式中的粪便空间的拍摄结果图像的第六例的图。在图7的拍摄结果图像中，在区域D4和区域D5拍摄到异常粪便。

图8是表示实施方式中的粪便空间的拍摄结果图像的第七例的图。在图8的拍摄结果图像中，在区域D6拍摄到异常粪便。

图9是表示实施方式中的粪便空间的拍摄结果图像的第八例的图。在图9的拍摄结果图像中未拍摄到异常粪便。

图10是表示实施方式中的粪便空间的拍摄结果图像的第九例的图。在图10的拍摄结果图像中，在区域D7拍摄到异常粪便。

图11是表示实施方式中的粪便性状推定模型学习装置1的硬件结构的一例的图。粪便性状推定模型学习装置1具备控制部11，该控制部11具备由总线连接的CPU(CentralProcessing Unit：中央处理器)等处理器91和存储器92，用于执行程序。粪便性状推定模型学习装置1通过执行程序而作为具备控制部11、通信部12、输入部13、存储部14和输出部15的装置发挥功能。

更具体而言，粪便性状推定模型学习装置1的处理器91读出存储于存储部14的程序，并将读出的程序存储于存储器92。处理器91执行存储于存储器92的程序，从而粪便性状推定模型学习装置1作为具备控制部11、通信部12、输入部13、存储部14以及输出部15的装置发挥功能。

控制部11控制粪便性状推定模型学习装置1所具备的各功能部的动作。控制部11例如进行粪便性状推定学习模型的学习。控制部11例如将学习的结果记录于存储部14。控制部11例如控制通信部12的动作。

通信部12构成为包括用于将粪便性状推定模型学习装置1与外部装置连接的通信接口。通信部12经由有线或无线与外部装置进行通信。通信部12的通信目的地的外部装置例如是粪便性状推定装置2。通信部12例如向粪便性状推定装置2发送粪便性状推定模型。外部装置例如也可以是学习数据的发送源的装置。在这样的情况下，通信部12通过与学习数据的发送源的装置之间的通信来接收学习数据。

输入部13构成为包括鼠标、键盘、触摸面板等输入装置。输入部13也可以构成为将这些输入装置与粪便性状推定模型学习装置1连接的接口。输入部13受理各种信息对粪便性状推定模型学习装置1的输入。例如可以向输入部13输入学习数据。输入部13可以连接USB(Universal Serial Bus)存储器等外部存储装置。

存储部14使用磁性硬盘装置或半导体存储装置等非暂时性计算机可读存储介质装置而构成。存储部14存储与粪便性状推定模型学习装置1有关的各种信息。存储部14例如预先存储对粪便性状推定模型学习装置1所具备的各功能部的动作进行控制的程序。存储部14例如预先存储粪便性状推定学习模型。存储部14例如存储更新后的粪便性状推定学习模型。

此外，学习数据未必需要仅输入到通信部12，也未必需要仅输入到输入部13。学习数据所包括的各信息可以从通信部12和输入部13中的任一个输入。例如，输入侧学习数据被输入到通信部12，与输入到通信部12的输入侧学习数据对应的正确标签被输入到输入部13。另外，学习数据未必需要从通信部12或输入部13获取，也可以由存储部14预先存储。

输出部15输出各种信息。输出部15构成为包括例如CRT(Cathode Ray Tube：阴极射线管)显示器、液晶显示器、有机EL(Electro-Luminescence：电致发光)显示器等显示装置。输出部15也可以构成为将这些显示装置与粪便性状推定模型学习装置1连接的接口。输出部15例如输出输入到输入部13的信息。输出部15例如也可以显示输入到通信部12或输入部13的学习数据。输出部15例如也可以显示粪便性状推定学习模型的执行结果。

图12是表示实施方式中的控制部11的功能结构的一例的图。控制部11具备通信控制部101、输入控制部102、输出控制部103、学习数据获取部104、粪便性状推定学习模型执行部105、更新部106、结束判定部107以及记录部108。

通信控制部101控制通信部12的动作。通过通信控制部101的控制，通信部12将学习完毕的粪便性状推定学习模型发送至粪便性状推定装置2。输入控制部102控制输入部13的动作。输出控制部103控制输出部15的动作。

学习数据获取部104获取输入到通信部12或输入部13的学习数据。在预先在存储部14中记录了学习数据的情况下，学习数据获取部104也可以从存储部14读出学习数据。

粪便性状推定学习模型执行部105对学习数据获取部104获取的学习数据所包括的输入侧学习数据执行粪便性状推定学习模型的学习。通过执行粪便性状推定学习模型，粪便性状推定学习模型执行部105推定在学习用图像数据所表示的图像中拍摄到异常粪便的概率。

更新部106基于粪便性状推定学习模型执行部105的推定结果与学习数据获取部104获取的学习数据中包括的正确标签的差异也即推定损失，更新粪便性状推定学习模型。粪便性状推定学习模型执行部105的推定结果例如表现为如下2个成分：表示在学习用图像数据所表示的图像中拍摄到异常粪便的概率的成分；表示在学习用图像数据所表示的图像中未拍摄到异常粪便的概率的成分。正确标签例如表现为2个成分。表现正确标签的2个成分的一个成分中，在学习用图像数据所表示的图像中拍摄到异常粪便的情况下为1，在学习用图像数据所表示的图像中未拍摄到异常粪便的情况下为0。表现正确标签的2个成分的另一成分中，在学习用图像数据所表示的图像中拍摄到异常粪便的情况下为0，在学习用图像数据所表示的图像中未拍摄到异常粪便的情况下为1。

在以这样的两个成分表现粪便性状推定学习模型执行部105的推定结果和正确标签的情况下，推定损失例如可以表现为表示粪便性状推定学习模型执行部105的推定结果的2个成分的张量与由表示正确标签的2个成分构成的张量的内积。像这样，粪便性状推定学习模型执行部105的推定结果和正确标签例如用张量来表现。表示粪便性状推定学习模型执行部105的推定结果的张量和表示正确标签的张量既可以分别是1维张量(即向量)，也可以是2维张量(即矩阵)，还可以是3维以上的张量。

结束判定部107判定是否满足学习结束条件。记录部108将各种信息记录在存储部14中。

图13是表示实施方式的粪便性状推定模型学习装置1执行的处理的流程的一例的流程图。向通信部12或输入部13输入学习数据，学习数据获取部104获取所输入的学习数据(步骤S101)。

接着，粪便性状推定学习模型执行部105对在步骤S101中获取的学习数据所包括的输入侧学习数据执行粪便性状推定学习模型(步骤S102)。通过执行粪便性状推定学习模型，粪便性状推定学习模型执行部105推定在步骤S101中获取的学习用图像数据所表示的图像中存在异常粪便的概率。

接着，更新部106基于在步骤S102中得到的推定结果与在步骤S101中得到的学习数据中包括的正确标签的差异，以减小差异的方式更新粪便性状推定学习模型(步骤S103)。

接着，结束判定部107判定是否满足学习结束条件(步骤S104)。在满足学习结束条件的情况下(步骤S104：是)，处理结束。另一方面，在不满足学习结束条件的情况下(步骤S104：否)，返回步骤S101的处理。

图14是表示实施方式中的粪便性状推定装置2的硬件结构的一例的图。粪便性状推定装置2具备控制部21，该控制部21具备由总线连接的CPU等处理器93和存储器94，用于执行程序。粪便性状推定装置2通过执行程序而作为具备控制部21、通信部22、输入部23、存储部24以及输出部25的装置发挥功能。

更具体而言，粪便性状推定装置2读出处理器93存储于存储部24的程序，并将读出的程序存储于存储器94。处理器93执行存储于存储器94的程序，从而粪便性状推定装置2作为具备控制部21、通信部22、输入部23、存储部24以及输出部25的装置发挥功能。

控制部21控制粪便性状推定装置2所具备的各功能部的动作。控制部21例如执行粪便性状推定模型。控制部21例如将粪便性状推定模型的执行结果记录于存储部24。控制部21例如控制通信部22的动作。

通信部22构成为包括用于将粪便性状推定装置2与外部装置连接的通信接口。通信部22经由有线或无线与外部装置进行通信。通信部22的通信目的地的外部装置例如是粪便性状推定模型学习装置1。通信部22例如从粪便性状推定模型学习装置1接收粪便性状推定模型。

外部装置例如可以是分析对象数据的发送源的装置。在这样的情况下，通信部22通过与分析对象数据的发送源的装置之间的通信，接收分析对象数据。

输入部23构成为包括鼠标、键盘、触摸面板等输入装置。输入部23可以构成为将这些输入装置与粪便性状推定装置2连接的接口。输入部23受理对粪便性状推定装置2的各种信息的输入。例如可以向输入部23输入分析对象数据。输入部23可以连接USB(UniversalSerial Bus)存储器等外部存储装置。

存储部24使用磁性硬盘装置或半导体存储装置等非暂时性计算机可读存储介质装置而构成。存储部24存储与粪便性状推定装置2相关的各种信息。存储部24例如预先存储对粪便性状推定装置2所具备的各功能部的动作进行控制的程序。存储部24例如预先存储粪便性状推定模型学习装置1得到的粪便性状推定模型。存储部24例如存储粪便性状推定模型的推定结果。

此外，分析对象数据未必需要仅输入到通信部22，也未必需要仅输入到输入部23。分析对象数据可以从通信部22和输入部23中的任一个输入。另外，分析对象数据未必需要从通信部22或输入部23获取，可以预先存储在存储部24中。

输出部25输出各种信息。输出部25例如构成为包括CRT显示器、液晶显示器、有机EL显示器等显示装置。输出部25也可以构成为将这些显示装置与粪便性状推定装置2连接的接口。输出部25例如输出输入到输入部23的信息。输出部25例如也可以显示输入到通信部22或输入部23的分析对象数据。输出部25例如也可以显示粪便性状推定模型的执行结果。输出部25例如输出粪便的状态的推定结果和个体信息。

图15是表示实施方式中的控制部21的功能结构的一例的图。控制部21具备通信控制部201、输入控制部202、输出控制部203、分析对象数据获取部204、推定部205、记录部206以及异常判定部207。

通信控制部201控制通信部22的动作。输入控制部202控制输入部23的动作。输出控制部203控制输出部25的动作。

分析对象数据获取部204获取输入到通信部22或输入部23的分析对象数据。在预先在存储部24中记录了分析对象数据的情况下，分析对象数据获取部204也可以从存储部24读出分析对象数据。

推定部205对分析对象数据获取部204获取的分析对象数据执行粪便性状推定模型。通过执行粪便性状推定模型，推定部205推定在分析对象数据所包括的分析对象图像中拍摄到异常粪便的概率。

记录部206将各种信息记录在存储部24中。

异常判定部207判定推定部205推定出的概率是否为规定的概率以上。异常判定部207在推定部205推定出的概率为规定的概率以上的情况下，控制通信部22或输出部25的动作，向规定的通知目的地通知警告。规定的通知目的地例如可以是输出部25本身。规定的通知目的地例如也可以是通信部22的通信目的地的规定的外部装置。

图16是表示实施方式中的粪便性状推定装置2执行的处理的流程的一例的流程图。分析对象数据获取部204获取分析对象数据(步骤S201)。此外，步骤S201的处理例如在拍摄装置901由计时器启动的时机执行。在步骤S201的处理中得到的分析对象图像数据的画质优选与学习用图像数据相同。接着，推定部205通过执行粪便性状推定模型，推定在步骤S201中获取的分析对象图像数据中拍摄到异常粪便的概率(步骤S202)。另外，推定结果例如显示于输出部25。推定结果例如也可以经由通信部22通知到规定的外部装置。例如，作为推定的结果，在推定为异常粪便的概率的情况下，可以是输出部25显示为异常粪便的概率高，也可以是经由通信部22向规定的外部装置通知异常粪便的概率高。

(实验结果)

图17是表示使用了实施方式的排泄物性状推定系统100的异常粪便的推定的实验结果的一例的图。在实验中，饲养动物900是普通狨猴。在实验中，学习数据使用了包括由拍摄装置901得到的图像以及专家针对该图像判定为正常粪便和异常粪便这两者中的哪一个的结果的数据。实验中的学习数据使用了1000个异常粪便的数据、10000个正常粪便的数据。在实验中进行了测试，该测试将在不同于获取到学习数据的图像的日期的3天期间得到的图像大致分为正常粪便和异常粪便。测试数据的第一天的数据中正常粪便的图像为132张。测试数据的第一天的数据中异常粪便的图像为15张。测试数据的第二天的数据中正常粪便的图像为252张。测试数据的第二天的数据中异常粪便的图像为29张。测试数据的第三天的数据中正常粪便的图像为165张。测试数据的第三天的数据中异常粪便的图像为13张。在实验中，针对这些数据计算出正确率。3天具体为10月22日、10月30日和11月4日。

图17表示使用模型A、模型B和模型C的多个机器学习模型，针对10月22日、10月30日和11月4日的分析对象图像数据推定是否拍摄到异常粪便的结果。模型A是使用开源库的Tensorflow和Kers在Keras内的VGG16中增加全连接层并进行迁移学习的模型。模型B是使用开源库的Tensorflow和Kerass在Kerass内的Xception中增加全连接层并进行迁移学习的模型。模型C是使用开源库的Tensorflow和Keras在Keras内的VGG19中增加全连接层并进行迁移学习的模型。图17表示使用模型A～模型C中的任一模型，排泄物性状推定系统100都以高概率成功推定异常粪便。具体而言，图17表示在全部3个深度学习模型中累计的正确率为85％以上。图17表示在模型B中，针对10月22日的数据，正确率为90％以上。图17表示在模型C中，针对10月30日的数据，正确率为90％以上。

这样，粪便性状推定模型学习装置1获取关系信息，该关系信息表示使用包括输入侧学习数据和正确标签的学习数据拍摄粪便空间而得到的结果的图像与在该图像中拍摄到异常粪便的概率之间的关系。然后，粪便性状推定装置2使用粪便性状推定模型学习装置1得到的关系信息，推定在分析对象图像数据中拍摄到异常粪便的概率。

这样构成的实施方式的粪便性状推定模型学习装置1通过学习得到粪便性状推定模型。因此，粪便性状推定模型学习装置1能够以更高的精度推定动物的粪便性状。

另外，这样构成的实施方式的排泄物性状推定系统100具备执行粪便性状推定模型学习装置1得到的粪便性状推定模型的粪便性状推定装置2。因此，排泄物性状推定系统100能够以更高的精度推定动物的粪便的性状。

另外，这样构成的实施方式的排泄物性状推定系统100对由具备网格地板902的饲养笼9饲养的饲养动物900的粪便进行推定。如上所述，由于存在网格地板902，因此饲养动物900摆弄粪便的概率低，粪便的形状不易变形。因此，能够得到高推定精度的粪便性状推定模型。因此，排泄物性状推定系统100能够以更高的精度推定动物的粪便的性状。

另外，在饲养笼9的地板垫903上，除了粪便、尿以外，还会下落饲料、锯末、饲料箱的碎片等各种物体。尤其是饲料的面积、形状与正常粪便非常相似。另外，粪便的下落位置本身也不会整齐划一，而是随机下落。而且，异常粪便的形状也会有机地进行各种变化。粪便性状推定模型学习装置1在学习中使用由拍摄装置901拍摄到的图像中例如地板垫903整体的图像等的不仅包括粪便的影像还包括粪便的周边信息的图像。因此，粪便性状推定模型学习装置1能够得到在推定时除粪便以外的信息的影响低且粪便的信息的影响高的粪便性状推定模型。因此，粪便性状推定模型学习装置1能够以更高的精度推定动物的粪便性状。

另外，如上所述，拍摄装置901不是特殊的照相机、昂贵的照相机，而是SD标准画质的照相机。因此，排泄物性状推定系统100无需使用特殊的照相机、高价的照相机，使用由SD标准画质的一般的照相机拍摄到的图像即可进行粪便的状态的推定。另外，排泄物性状推定系统100使用黑白图像也可推定粪便的状态。

排泄物性状推定系统100能够不使用人力而使计算机来自动进行作为动物的健康指标之一的异常粪便的发现。因此，排泄物性状推定系统100能够实现动物饲养设施中的动物的健康管理的省力化。

(变形例)

排泄物性状推定系统100可以具备粪便性状推定装置2a来代替粪便性状推定装置2。粪便性状推定装置2a针对多个饲养笼9分别判定排泄物的性状。

图18是表示变形例中的粪便性状推定装置2a的硬件结构的一例的图。以下，对与粪便性状推定装置2具有同样功能的部分标注与图14相同的附图标记，以省略说明。粪便性状推定装置2a具备控制部21a，该控制部21a具备由总线连接的CPU等处理器95和存储器96，用于执行程序。粪便性状推定装置2a通过执行程序而作为具备控制部21a、通信部22a、输入部23、存储部24以及输出部25的装置发挥功能。

更具体而言，粪便性状推定装置2a的处理器95读出存储于存储部24的程序，并将读出的程序存储于存储器96。处理器95执行存储于存储器96的程序，从而粪便性状推定装置2a作为具备控制部21a、通信部22a、输入部23、存储部24以及输出部25的装置发挥功能。

控制部21a控制粪便性状推定装置2a所具备的各功能部的动作。控制部21a例如针对多个饲养笼9分别执行粪便性状推定模型。控制部21a例如将粪便性状推定模型的执行结果记录在存储部24中。控制部21a例如控制通信部22a的动作。

通信部22a构成为包括用于将粪便性状推定装置2a与外部装置连接的通信接口。通信部22a经由有线或无线与外部装置进行通信。通信部22a的通信目的地的外部装置例如是粪便性状推定模型学习装置1。通信部22a例如从粪便性状推定模型学习装置1获取粪便性状推定模型。

外部装置例如是分别设置于多个饲养笼9的拍摄装置901。通信部22a通过与各拍摄装置901的通信，接收关于各饲养笼9的分析对象数据。

图19是表示变形例中的控制部21a的功能结构的一例的图。以下，对与控制部21具有相同功能的部分标注与图15相同的附图标记，以省略说明。控制部21a具备通信控制部201a、输入控制部202、输出控制部203、分析对象数据获取部204a、推定部205a、记录部206以及异常判定部207a。

通信控制部201a控制通信部22a的动作。

分析对象数据获取部204a获取输入到通信部22a的各饲养笼9的分析对象数据。

推定部205a针对分析对象数据获取部204a获取的各饲养笼9的分析对象数据，按每个饲养笼9执行粪便性状推定模型。通过执行粪便性状推定模型，推定部205a针对每个饲养笼9推定在分析对象数据所包括的分析对象图像中拍摄到异常粪便的概率。

异常判定部207a针对每个饲养笼9判定推定部205a推定出的概率是否为规定的概率以上。在存在异常饲养笼的情况下，异常判定部207a控制通信部22或输出部25的动作，向规定的通知目的地通知表示异常饲养笼的信息。异常饲养笼是推定部205a推定出的概率为规定的概率以上的饲养笼9。规定的通知目的地例如可以是输出部25本身。规定的通知目的地例如也可以是通信部22的通信目的地的规定的外部装置。

这样，具备粪便性状推定装置2a来代替粪便性状推定装置2的排泄物性状推定系统100通知多个饲养笼9中的异常饲养笼。因此，饲养管理者能够在更早的时机到达异常饲养笼，处于异常状态的饲养动物能够在更早的阶段接受护理。由此，饲养动物的重症化得到抑制。其结果，在具有多个饲养笼9的饲养场所，能够减轻饲养管理者确认饲养笼9所需的劳力。

另外，排泄物性状推定系统100未必需要推定是异常粪便和非异常粪便这两者中的哪一个。在粪便性状推定模型学习装置1进行学习时，通过使用无便、软便、泥状便、水样便等更详细地标注了的学习数据，能够得到更详细地对输入的图像的粪便的状态进行分类来推定各分类的概率的粪便性状推定模型。因此，通过使用这样得到的粪便性状推定模型，排泄物性状推定系统100能够更详细地对输入的图像进行分类，推定各概率。

此外，在学习时，可以使用从拍摄结果图像预先提取了粪便部分的被提取粪便图像的图像数据作为学习用图像数据。另外，粪便部分是指以满足能够包围粪便的区域的条件的矩形中最小面积的矩形包围位于画面上的粪便的区域的部分。被提取粪便图像是被提取粪便的图像。被提取粪便是水平投影面积为规定面积以上的粪便。即，学习用图像数据可以是预先从拍摄结果图像提取出且水平投影面积为规定面积以上的粪便的图像也即被提取粪便图像的图像数据。在这样的情况下，粪便性状推定模型学习装置1使用未拍摄到障碍因素物的图像的图像数据来进行粪便性状推定学习模型的学习。因此，能够得到粪便与障碍因素物的区别精度更高的数理模型作为粪便性状推定模型。障碍因素物是除粪便以外的与粪便的颜色和形状的接近度为规定的基准值以内的物体。此外，在由排泄物性状推定系统100进行的性状推定的对象是粪便的情况下，障碍因素物是粪便以外的物体，在由排泄物性状推定系统100进行的性状推定的对象是排泄物的情况下，障碍因素物是排泄物以外的物质。即，障碍因素物是由排泄物性状推定系统100推定性状的对象的排泄物以外的物质。

此外，在学习时，也可以使用对拍摄结果图像预先进行了利用不使饲料等障碍因素物的颜色通过的过滤器的图像处理后的图像的图像数据，作为学习用图像数据。在这样的情况下，粪便性状推定模型学习装置1使用未拍摄到障碍因素物的图像的图像数据来进行粪便性状推定学习模型的学习。因此，能够得到粪便与障碍因素物的区别精度更高的数理模型作为粪便性状推定模型。

此外，输入侧学习数据除了学习用图像数据以外，还可以包括表示拍摄了学习用图像数据的日期时间(以下称为“拍摄日期时间”)的信息(以下称为“拍摄日期时间信息”。在这样的情况下，不仅基于学习用图像数据，还基于拍摄日期时间来进行粪便性状推定学习模型的学习(即更新)。即，在粪便性状推定学习模型的学习时，基于学习用图像数据和拍摄日期时间进行在学习用图像数据所示的图像中拍摄到异常粪便的概率的推定，基于推定结果来更新粪便性状推定学习模型的学习。

因此，在这样的情况下，粪便性状推定模型学习装置1所得到的粪便性状推定模型是基于分析对象图像数据和拍摄到分析对象图像数据的拍摄日期时间来推定分析对象图像数据中拍摄到异常粪便的概率的数理模型。因此，在这样的情况下，分析对象数据中除了分析对象图像数据之外，还包括表示拍摄了分析对象图像数据的拍摄日期时间的拍摄日期时间信息。

对包括拍摄日期时间信息所带来的效果进行说明。动物有时具有进夜行性等与日期时间相应的动作的习性。因此，拍摄结果图像中拍摄到的粪便的状态有时与日期时间具有相关性。因此，不仅基于学习用图像数据还基于拍摄日期时间进行粪便性状推定学习模型的学习，从而在推定有无异常粪便的概率时，得到进行使用了动物的与日期时间相应的习性的信息的推定的数理模型作为粪便性状推定模型。因此，通过使用拍摄日期时间信息进行学习，从而进一步提高了粪便性状推定装置2的推定精度。

尤其是在狨猴等昼行性(晚上睡眠)的动物的情况下，大多具有清晨排便的特征。在具有清晨排便的特征的动物的情况下，优选拍摄清晨最早的地板垫的外观，获取新鲜状态的粪便的图像。这是因为新鲜状态的粪便最容易判别大便的状态。这样，拍摄日期时间信息与粪便的状态有关联。此外，其他动物也大部分在排便的时间上具有习惯性。因此，通过获取排出新鲜粪便的时机的图像数据，从而提高推定精度。另外，反之在偏离习惯的时间内大量存在粪便的情况下，饲养动物为异常状态的概率高，排出异常粪便的可能性高。因此，拍摄日期时间信息与粪便的状态有关联。在进行连日判定的情况下，使用前一天的信息，推定的精度将进一步提高。

另外，饲养笼9未必需要仅饲养1只动物。在饲养笼9饲养多个动物的情况下，地板垫903上存在多个动物的粪便。

在学习时，也可以使用表示粪便空间中存在的粪便是最多几只动物的粪便的信息(以下称为“数量信息”)。具体而言，输入侧学习数据可以包括数量信息。

另外，软便与呕吐物的外观相似，难以区别。但是，两者均表示饲养动物的异常。因此，排泄物性状推定系统100也可以将呕吐物判别为异常粪便。

粪便的量与饲养笼9中饲养的动物的数量大致成比例。而且，饲养笼9中饲养的动物未必全部在相同时机排出异常粪便。因此，饲养笼9中饲养的动物的数量越增加，则异常粪便的比例比正常的粪便即正常粪便少的频率越高。这意味着，饲养笼9中饲养的动物的数量越增加，越难以推定是否存在异常粪便。因此，通过进行使用了数量信息的学习，粪便性状推定模型学习装置1能够得到进一步学习了动物的数量与异常粪便的关系的数理模型作为粪便性状推定模型。因此，通过进行使用了数量信息的学习，由粪便性状推定装置2和粪便性状推定装置2a进行推定的精度进一步提高。另外，在学习时也使用数量信息的情况下，分析对象数据中也包括数信息。分析对象数据中包括的数量信息表示推定对象的动物的数量。

在学习时，也可以使用表示在紧接拍摄的时刻之前等的拍摄的时刻之前的规定的时机对饲养动物给予的饲料的种类的信息(以下称为“饲料信息”。具体而言，输入侧学习数据可以包括饲料信息。此外，拍摄的时刻是指进行得到拍摄结果图像的拍摄装置901实现的拍摄的时刻。

粪便是食物被消化而形成的，因此饲料与粪便具有相关性。因此，通过进行使用了饲料信息的学习，粪便性状推定模型学习装置1能够得到进一步学习了饲料与异常粪便的关系的数理模型作为粪便性状推定模型。因此，通过进行使用了饲料信息的学习，由粪便性状推定装置2和粪便性状推定装置2a进行的推定的精度进一步提高。此外，在学习时也使用饲料信息的情况下，分析对象数据也包括饲料信息。

如上所述，饲料与便具有相关性。因此，通过加入饲料的信息，推定的精度提高。正常的粪便大多无关于饲料而为类似的形状。然而，在异常的粪便的情况下，有时包括会包括未消化物，饲料的影响容易体现在大便的状态中。因此，通过使用喂食的饲料的种类(饲料的颜色、原料、制造者等)的信息，推定的精度上升。此外，饲料的信息可以包括饲料的状态。

另外，呕吐物若落到地板垫上，则难以与粪便区分开。然而，由于在呕吐物中饲料的影响变现得比粪便更强烈，因此通过使用饲料的信息，粪便与呕吐物的区别的精度上升。作为结果，由排泄物性状推定系统100进行的呕吐物的推定的精度提高。另外，如上所述呕吐物也会表示饲养动物的异常。因此，在推定出呕吐物的存在的情况下，排泄物性状推定系统100可以判定为饲养动物存在异常。

在学习时，可以使用与饲养动物相关的信息(以下称为“饲养动物信息”)。具体而言，输入侧学习数据可以包括饲养动物信息。饲养动物信息可以包括与饲养动物的分类学上的种类、遗传系统、性别以及成熟度(日龄、周龄、月龄或年龄)等有关的信息。

粪便的性状根据物种、遗传系统、性别和成熟度等饲养动物的特性而变化。因此，通过进行使用饲养动物信息的学习，粪便性状推定模型学习装置1能够得到进一步学习了饲养动物的特性与异常粪便的关系的数理模型作为粪便性状推定模型。因此，通过进行使用了饲养动物信息的学习，由粪便性状推定装置2和粪便性状推定装置2a进行的推定的精度进一步提高。另外，在学习时也使用饲养动物信息的情况下，在分析对象数据中也包括饲料信息。

此外，拍摄装置901可以是利用可见光进行拍摄的照相机，也可以是红外线照相机。拍摄装置901输出的拍摄结果图像可以是黑白，也可以是彩色。

此外，通信部12、通信部22和通信部22a可以构成为包括用于与存储各种信息的USB(Universal Serial Bus：通用串行总线)存储器等外部存储装置连接的接口。在这样的情况下，通信部12、通信部22和通信部22a可以将信息输出到连接目的地的外部存储装置。

另外，粪便性状推定模型学习装置1和粪便性状推定装置2未必需要以不同装置来实现。粪便性状推定模型学习装置1与粪便性状推定装置2例如可以以兼具两者功能的1个装置来实现。

另外，粪便性状推定模型学习装置1和粪便性状推定装置2a未必需要以不同装置来实现。粪便性状推定模型学习装置1和粪便性状推定装置2a例如可以以兼具两者功能的1个装置来实现。

另外，排泄物性状推定系统100可以以使用了经由网络可通信地连接的多台信息处理装置的系统来实现。在该情况下，粪便性状推定模型学习装置1和粪便性状推定装置2所具备的各功能部可以分布安装于多个信息处理装置。另外，粪便性状推定模型学习装置1和粪便性状推定装置2a所具备的各功能部也可以分布安装于多个信息处理装置。

此外，粪便性状推定模型学习装置1、粪便性状推定装置2和粪便性状推定装置2a的各功能的全部或者部分可以使用ASIC(Application Specific Integrated Circuit：专用集成电路)、PLD(Programmable Logic Device：可编程逻辑器件)、FPGA(FieldProgrammable Gate Array：现场可编程门阵列)等硬件来实现。程序也可以记录于计算机可读记录介质。计算机可读记录介质例如是软盘、光磁盘、ROM、CD-ROM等可移动介质、内置于计算机系统的硬盘等存储装置。程序可以经由电气通信线路发送。

另外，粪便空间是排泄物空间的一例。异常粪便是异常排泄物的一例。粪便性状推定学习模型是排泄物性状推定学习模型的一例。粪便性状推定学习模型执行部105是排泄物性状推定学习模型执行部的一例。粪便性状推定模型学习装置1是排泄物性状推定模型学习装置的一例。粪便性状推定装置2和2a是排泄物性状推定装置的一例。被提取粪便图像是被提取排泄物图像的一例。

以上，参照附图对本发明的实施方式进行了详述，但具体的结构不限于该实施方式，还包括不脱离本发明的主旨的范围的设计等。

[附图标记说明]

100…排泄物性状推定系统；1…粪便性状推定模型学习装置；2、2a…粪便性状推定装置；11…控制部；12…通信部；13…输入部；14…存储部；15…输出部；101…通信控制部；102…输入控制部；103…输出控制部；104…学习数据获取部；105…粪便性状推定学习模型执行部；106…更新部；107…结束判定部；108…记录部；21、21a…控制部；22、22a…通信部；23…输入部；24…存储部；25…输出部；201、201a…通信控制部；202…输入控制部；203…输出控制部；204、204a…分析对象数据获取部；205、205a…推定部；206…记录部；207、207a…异常判定部；91…处理器；92…存储器；93…处理器；94…存储器；95…处理器；96…存储器；900…饲养动物；901…拍摄装置；902…网格地板；903…地板垫；910…专家。

Claims (11)

1.一种排泄物性状推定模型学习装置，具备：

学习数据获取部，其获取包括输入侧学习数据和正确标签的学习数据，所述输入侧学习数据包括排泄物空间和学习用图像数据，所述排泄物空间是预先决定的空间且是存在饲养对象动物的排泄物的空间，所述学习用图像数据是对所述排泄物空间进行拍摄而得到的拍摄结果图像的图像数据，所述正确标签表示在所述学习用图像数据所表示的图像中是否拍摄到作为异常的排泄物的异常排泄物；

排泄物性状推定学习模型执行部，其使用排泄物性状推定学习模型，推定在所述学习用图像数据所表示的图像中拍摄到异常排泄物的概率，所述排泄物性状推定学习模型是推定在所述学习用图像数据中拍摄到异常排泄物的概率的机器学习模型；以及

更新部，其基于所述排泄物性状推定学习模型执行部的推定结果与所述正确标签的差异，以减小所述差异的方式更新所述排泄物性状推定学习模型。

2.根据权利要求1所述的排泄物性状推定模型学习装置，其中，

所述学习用图像数据是被提取排泄物图像的图像数据，所述被提取排泄物图像是预先从拍摄结果图像提取出的图像且是水平投影面积为规定面积以上的排泄物的图像。

3.根据权利要求1或2所述的排泄物性状推定模型学习装置，其中，

所述学习用图像数据是预先对拍摄结果图像进行了基于过滤器的图像处理后的图像的图像数据，所述过滤器不会使障碍因素物的颜色通过，所述障碍因素物是排泄物以外的物体且是与排泄物的颜色及形状的接近度为规定的基准值以内的物体。

4.根据权利要求1至3中任一项所述的排泄物性状推定模型学习装置，其中，

所述输入侧学习数据包括表示拍摄到所述学习用图像数据的日期时间的信息。

5.根据权利要求1至4中任一项所述的排泄物性状推定模型学习装置，其中，

所述输入侧学习数据包括表示存在于排泄物空间的排泄物是最多几只动物的排泄物的信息。

6.根据权利要求1至5中任一项所述的排泄物性状推定模型学习装置，其中，

所述输入侧学习数据包括表示在由得到拍摄结果图像的拍摄装置进行拍摄的时刻之前的规定时机对所述饲养对象动物给予的饲料的信息。

7.一种排泄物性状推定装置，具备：

分析对象数据获取部，其获取排泄物空间和分析对象数据，所述排泄物空间是预先决定的空间且是存在饲养对象动物的排泄物的空间，所述分析对象数据包括对所述排泄物空间进行拍摄而得到的拍摄结果图像的图像数据；以及

推定部，其使用由排泄物性状推定模型学习装置得到的学习完毕的排泄物性状推定学习模型，推定在所述分析对象数据获取部所获取的图像数据中拍摄到异常排泄物的概率，

所述排泄物性状推定模型学习装置包括：

学习数据获取部，其获取包括输入侧学习数据和正确标签的学习数据，所述输入侧学习数据包括学习用图像数据，所述学习用图像数据是拍摄结果图像的图像数据，所述正确标签表示在所述学习用图像数据所表示的图像中是否拍摄到作为异常的排泄物的异常排泄物；

排泄物性状推定学习模型执行部，其使用排泄物性状推定学习模型，推定在所述学习用图像数据所表示的图像中拍摄到异常排泄物的概率，所述排泄物性状推定学习模型是推定在所述学习用图像数据中拍摄到异常排泄物的概率的机器学习模型；以及

更新部，其基于所述排泄物性状推定学习模型执行部的推定结果与所述正确标签的差异，以减小所述差异的方式更新所述排泄物性状推定学习模型。

8.一种排泄物性状推定模型学习方法，具有：

学习数据获取步骤，获取包括输入侧学习数据和正确标签的学习数据，所述输入侧学习数据包括排泄物空间和学习用图像数据，所述排泄物空间是预先决定的空间且是存在饲养对象动物的排泄物的空间，所述学习用图像数据是对所述排泄物空间进行拍摄而得到的拍摄结果图像的图像数据，所述正确标签表示在所述学习用图像数据所表示的图像中是否拍摄到作为异常的排泄物的异常排泄物；

排泄物性状推定学习模型执行步骤，使用排泄物性状推定学习模型，推定在所述学习用图像数据所表示的图像中拍摄到异常排泄物的概率，所述排泄物性状推定学习模型是推定在所述学习用图像数据中拍摄到异常排泄物的概率的机器学习模型；以及

更新步骤，基于所述排泄物性状推定学习模型执行步骤的推定结果与所述正确标签的差异，以减小所述差异的方式更新所述排泄物性状推定学习模型。

9.一种排泄物性状推定方法，具有：

分析对象数据获取步骤，获取排泄物空间和分析对象数据，所述排泄物空间是预先决定的空间且是存在饲养对象动物的排泄物的空间，所述分析对象数据包括对所述排泄物空间进行拍摄而得到的拍摄结果图像的图像数据；以及

推定步骤，使用由排泄物性状推定模型学习装置得到的学习完毕的排泄物性状推定学习模型，推定在所述分析对象数据获取步骤中得到的图像数据中拍摄到异常排泄物的概率，

所述排泄物性状推定模型学习装置包括：

学习数据获取部，其获取包括输入侧学习数据和正确标签的学习数据，所述输入侧学习数据包括学习用图像数据，所述学习用图像数据是拍摄结果图像的图像数据，所述正确标签表示在所述学习用图像数据所表示的图像中是否拍摄到作为异常的排泄物的异常排泄物；

排泄物性状推定学习模型执行部，其使用排泄物性状推定学习模型，推定在所述学习用图像数据所表示的图像中拍摄到异常排泄物的概率，所述排泄物性状推定学习模型是推定在所述学习用图像数据中拍摄到异常排泄物的概率的机器学习模型；以及

更新部，其基于所述排泄物性状推定学习模型执行部的推定结果与所述正确标签的差异，以减小所述差异的方式更新所述排泄物性状推定学习模型。

10.一种程序，用于使计算机发挥权利要求1至6中任一项的排泄物性状推定模型学习装置的功能。

11.一种程序，用于使计算机发挥权利要求7所述的排泄物性状推定装置的功能的程序。