JP2022014475A - 食肉の販売単価提案プログラム - Google Patents

Abstract

【課題】誰でも手軽に食肉を肉質毎に販売単価の提案を実現可能とする。【解決手段】食肉の肉質毎の販売単価を提案する販売単価提案プログラムにおいて、判別対象の食肉を撮像した画像情報を取得する情報取得ステップと、過去において撮像した食肉の参照用画像情報と、肉質との３段階以上の第１連関度を利用し、上記情報取得ステップにおいて取得した画像情報に応じた参照用画像情報に基づき、上記第１連関度のより高いものを優先させて、肉質を判別する判別ステップと、上記判別ステップにおいて順次判別した食肉の肉質毎の量を求める食肉量取得ステップと、各購入希望者から送信されてきた各食肉の肉質に関する購入希望を収集し、上記肉質毎の購入希望量を求める購入希望量取得ステップと、上記食肉量取得ステップにおいて求めた上記肉質毎の食肉の量と、上記購入希望量取得ステップにおいて求めた上記肉質毎の購入希望量とに基づいて、上記肉質毎の販売単価を提案する販売単価提案ステップとを有する。【選択図】図１

Description

本発明は、食肉について肉質毎に販売単価を高精度に提案する上で好適な食肉の販売単価提案プログラムに関する。

食肉の肉質は、「脂肪交雑」、「肉の色沢」、「肉のしまりときめ」、「脂肪の色沢と質」等の項目に基づいて評価が行われる。そして、これらの各項目の総合的な判別結果から最終的に肉質が等級により表される。従来においてこの食肉の肉質は、人による官能評価として、食肉の品質さや特性（硬いか軟らかいか、風味が強いか弱いか等）をパネラー（消費者）により評価させていた。しかし、パネラーによる評価は、ブレが生じる場合もあり、統一的な判断が困難になる場合が多い。また肉質を機器分析を通じて行う場合もあるが、食肉を出荷する都度、機器分析を行うことになれば、労力と費用負担が増大してしまうことにもなる。

このため、肉質評価を、人による官能評価や機器分析に頼ることなく高精度に評価することができるシステムが従来より望まれていた。また、これに加えて評価した肉質毎に食肉の販売単価を同時に提案できるシステムが従来より望まれていた。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、食肉の肉質を人による官能評価や機器分析に頼ることなく高精度かつ自動的に判別した上で、その食肉の販売単価を肉質毎に提案することが可能な食肉の販売単価提案プログラムを提供することにある。

本発明に係る食肉の販売単価提案プログラムは、食肉の肉質毎の販売単価を提案する販売単価提案プログラムにおいて、判別対象の食肉を撮像した画像情報を取得する情報取得ステップと、過去において撮像した食肉の参照用画像情報と、肉質との３段階以上の第１連関度を利用し、上記情報取得ステップにおいて取得した画像情報に応じた参照用画像情報に基づき、上記第１連関度のより高いものを優先させて、肉質を判別する判別ステップと、上記判別ステップにおいて順次判別した食肉の肉質毎の量を求める食肉量取得ステップと、各購入希望者から送信されてきた各食肉の肉質に関する購入希望を収集し、上記肉質毎の購入希望量を求める購入希望量取得ステップと、上記食肉量取得ステップにおいて求めた上記肉質毎の食肉の量と、上記購入希望量取得ステップにおいて求めた上記肉質毎の購入希望量とに基づいて、上記肉質毎の販売単価を提案する販売単価提案ステップとをコンピュータに実行させることを特徴とする。

特段のスキルや経験が無くても、人による官能評価や機器分析に頼ることなく、誰でも手軽に食肉を肉質毎に販売単価の提案を高精度に行うことができる。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

以下、本発明を適用した食肉の販売単価提案プログラムについて、図面を参照しながら詳細に説明をする。

本発明を適用した食肉の販売単価提案プログラムでは、先ず食肉の肉質を判別し、判別した肉質毎にその販売単価を求める。このため、本発明を適用した食肉の販売単価提案プログラムは、食肉の肉質を判別する肉質判別プログラムが前段にあり、その後段において判別した肉質毎にその販売単価を求めるプログラムがある。まず前段の肉質判別プログラムについて説明する。

第１実施形態
図１は、第１実施形態としての肉質判別プログラムが実装される肉質判別システム１の全体構成を示すブロック図である。肉質判別システム１は、情報取得部９と、情報取得部９に接続された判別装置２と、判別装置２に接続されたデータベース３とを備えている。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する判別装置２と一体化されていてもよい。情報取得部９は、検知した情報を判別装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、風向センサ、を測るための照度センサで構成されていてもよい。また情報取得部９は、天候についてのータを気象庁や民間の天気予報会社から取得する通信インターフェースで構成されていてもよい。また情報取得部９は身体に装着して身体のデータを検出するための身体センサで構成されていてもよく、この身体センサは、例えば体温、心拍数、血圧、歩数、歩く速度、加速度を検出するためのセンサで構成されていてもよい。また身体センサは人間のみならず動物の生体データを取得するものであってもよい。また情報取得部９は図面等の情報をスキャニングしたり、或いはデータベースから読み出すことで取得するデバイスとして構成されていてもよい。情報取得部９は、これら以外に臭気や香りを検知する臭気センサにより構成されていてもよい。

データベース３は、肉質判別を行う上で必要な様々な情報が蓄積される。肉質判別を行う上で必要な情報としては、過去において撮像した食肉の参照用画像情報、食肉を提供する家畜の生体から予め撮像した参照用超音波画像情報、食肉から遊離アミノ酸分析、脂肪酸組成、オレイン酸、イノシン酸、グアニル酸、ビタミンＥの何れか１以上を分析した参照用分析情報、過去において撮像した食肉の産地に関する参照用産地情報、過去において食肉を提供する家畜の生体から取得した参照用生体情報、過去において撮像した食肉を提供する家畜の飼育環境に関する参照用飼育環境情報、過去において撮像した食肉を提供する家畜に施した餌に関する参照用餌情報と、これらに対して実際に判断がなされた肉質とのデータセットが記憶されている。

つまり、データベース３には、このような参照用画像情報に加え、参照用超音波画像情報、参照用分析情報、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報の何れか１以上と、肉質が互いに紐づけられて記憶されている。

判別装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この判別装置２による探索解を得ることができる。

図２は、判別装置２の具体的な構成例を示している。この判別装置２は、判別装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う判別部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、判別装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、判別部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

判別部２７は、探索解を判別する。この判別部２７は、判別動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この判別部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

上述した構成からなる肉質判別システム１における動作について説明をする。

肉質判別システム１では、例えば図３に示すように、参照用画像情報と、肉質との３段階以上の連関度が予め設定されていることが前提となる。参照用画像情報とは、食肉の外観について、画像を撮像することにより得られた画像情報から得られるものであり、画像情報を解析することで得ることができる。この画像は静止画のみならず動画であってもよい。この参照用画像情報は、食肉について撮像した画像を解析することで、肉質を特定するようにしてもよい。参照用画像情報は、食肉用に解体した、いわば屠畜時の食肉を撮像した画像データで構成されていることを前提としているが、食肉を提供する家畜の生体ｊからの画像データで構成してもよい。

ここでいう肉質は、例えば「脂肪交雑」、つまり霜降の度合いで表現されていてもよく、 BMS（ビーフ・マーブリング・スタンダード）の判定基準に基づいて評価されたものであってもよい。また肉質は、「肉の色沢」で表現されてもよい。この「肉の色沢」は肉の色と光沢であり、「脂肪交雑」と同様に、肉の色にはBCS（ビーフ・カラー・スタンダード）という判定基準に基づいて評されたものであってもよい。また肉質は、光沢も含まれる。肉質は、 「肉のしまりときめ」も含まれ、これらは見た目で評価してもよい。この肉質は、肉のきめで評価されてもよく、これらが細かいと柔らかい食感を得ることができる。肉質は、「脂肪の色沢と質」も含まれ、色が白またはクリーム色を基準に判定され、光沢と質を考慮して評価される。これに加えて、肉汁の有無も味に影響を与えるファクターであることから、これを指標に入れてもよい。

この肉質は、肉の等級を介して表現されるものであっても良く、また肉質は、システム側、又はユーザ側が設定した５段階や１０段階で評価したランキングで表現されるものであっても良い。或いは、単に物凄く美味しい、美味しい、まあまあ、普通で表現されたものであってもよい。

これらの肉質は、以前において学習させた特徴量に基づいて判別するようにしてもよい。このとき人工知能を活用し、食肉の画像データと、肉質を学習させておき、実際に参照用画像情報を取得する際には、これらの学習させた画像データと照らし合わせて、その肉質を判別するようにしてもよい。

また、肉質の代替として、脂肪交雑、肉の色沢、肉のしまりときめ、脂肪の色沢と質の何れか１以上を出力としてもよい。かかる場合には、食肉の画像データと、脂肪交雑、肉の色沢、肉のしまりときめ、脂肪の色沢と質の何れか１以上を学習させておき、実際に参照用画像情報を取得する際には、これらの学習させた画像データと照らし合わせて、判別するようにしてもよい。

肉質は、評価者による以前の経験に基づいてその良しあしを判断してもよいし、実際に試食をしてその味を判断するようにしてもよい。かかる場合には肉質を試食する複数人の検査者がその味について、食感、酸っぱさ、香ばしさ、歯ごたえ、苦み等の各項目について複数段階で評価し、それらを統計的に分析して品質評価値としてもよい。また、肉質は、味覚を検知可能な味覚センサを通じて判別するようにしてもよいし、各種機器分析を通じて判断してもよい。

図３の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用画像情報Ｐ０１～Ｐ０３は、出力としての肉質に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用画像情報は、この出力解としての肉質Ａ～Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報がこの連関度を介して左側に配列し、各肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報に対して、何れの肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用画像情報から最も確からしい肉質を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての肉質と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての肉質と互いに関連度合いが低いことを示している。

判別装置２は、このような図３に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用画像情報と、その場合の肉質の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

例えば、過去において食肉に対して撮像した参照用画像情報に対する肉質としては肉質Ａが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用画像情報との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１である場合に、過去の肉質の評価を行った結果の各種データから分析する。参照用画像情報Ｐ０１である場合に、肉質Ａの事例が多い場合には、この肉質の評価につながる連関度をより高く設定し、肉質Ｂの事例が多い場合には、この肉質の評価につながる連関度をより高く設定する。例えば参照用画像情報Ｐ０１の例では、肉質Ａと、肉質Ｃにリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｃにつながるｗ１４の連関度を２点に設定している。

また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図４に示すように、入力データとして参照用画像情報が入力され、出力データとして肉質が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の評価対象の食肉の外観の画像等と実際に判別・評価した肉質とのデータセットを通じて作った後に、実際にこれから新たに肉質の判別を行う上で、上述した学習済みデータを利用して肉質を探索することとなる。かかる場合には、実際に判別対象の領域において食肉を撮像した画像情報を新たに取得する。新たに取得する画像情報は、上述した情報取得部９により入力される。画像情報は、食肉を判別しようとする画像を撮像することで取得する。この判別方法は、上述した参照用画像情報と同様の手法で行うようにしてもよい。

このようにして新たに取得した画像情報に基づいて、肉質を判別する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して肉質Ｂがｗ１５、肉質Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の高い肉質Ｂを優先して選択する。即ち、連関度が高いものほど選択の優先度を高くする。

このようにして、新たに取得する画像情報から、最も好適な肉質を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザ、即ち肉質生産業者、販売業者、流通業者は、探索された肉質に基づいて食肉の選別を行うことができ、食肉の味を予測することができ、さらに食肉の値段を決めることができる。なお、本発明においては、肉質の代わりに、この肉質に紐付けられた食肉の値段を出力データとしてもよい。肉質が高くなるほど値段も高くなり、肉質と値段は正の相関関係がある。これを利用し、肉質の代わりにこれと正の相関がある食肉の値段をデータセットとして学習させることにより、食肉の値段を探索解として判別することも可能となる。

なお、上述した画像は、通常のカメラで撮像した画像以外に、スペクトル画像や超音波画像の何れか１以上を取得してもよい。かかる場合には、参照用画像情報として、取得する画像情報に応じたスペクトル画像、可視画像、超音波画像の何れか１以上を撮像しておくことが必要になる。特に、この超音波画像を利用する場合には、食肉を提供する家畜の生体における肉の生体データを撮像するようにしてもよい。

図５の例では、参照用画像情報と、参照用超音波画像情報との組み合わせが形成されていることが前提となる。ここで参照用画像情報は、過去の屠畜時に撮像した食肉の画像データである。参照用画像情報は、通常のカメラにより撮像した画像であるが、周波数の帯域毎に色分けされたスペクトル画像で構成されていてもよい。これに対して、参照用超音波画像情報は、食肉を提供する家畜の生体において予め撮像した肉の部分における超音波画像データである。

このような参照用画像情報に加えて、参照用超音波画像情報を組み合わせて判断することで、肉質をより高精度に判別することができる。このため、参照用画像情報に加えて、参照用超音波画像情報を組み合わせて上述した連関度を形成しておく。

図５の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用超音波画像情報Ｐ１４～１７であるものとする。このような入力データとしての、参照用画像情報に対して、参照用超音波画像情報が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用画像情報と参照用超音波画像情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用超音波画像情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用超音波画像情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用超音波画像情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用超音波画像情報から最も確からしい肉質を選択する上での的確性を示すものである。このため、これらの参照用画像情報と参照用超音波画像情報の組み合わせで、最適な肉質を探索していくこととなる。

図５の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

判別装置２は、このような図５に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用画像情報と参照用超音波画像情報、並びにその場合の肉質が何れが見合うものであったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。

例えば、過去にあった実際の事例における参照用画像情報が、画像データαであるものとする。また参照用超音波画像情報が、画像データβであるものとする。かかる場合に、実際にその肉質がいくらであったかを示す肉質をデータセットとして学習させ、上述した連関度という形で定義しておく。なお、このような参照用画像情報や、参照用超音波画像情報は、生産業者、販売業者、流通業者等が管理する管理データベースから抽出するようにしてもよい。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用超音波画像情報Ｐ１６である場合に、その肉質を過去のデータから分析する。肉質がＡ（甘さ度合〇〇、酸味度合〇〇、苦み度合〇〇、歯ごたえ〇〇等）の事例が多い場合には、この肉質Ａにつながる連関度をより高く設定し、肉質Ｂの事例が多く、肉質Ａの事例が少ない場合には、肉質Ｂにつながる連関度を高くし、肉質Ａにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと品質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。

図５に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して、参照用超音波画像情報Ｐ１４の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用超音波画像情報Ｐ１５、Ｐ１７の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質を判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際に肉質を判別しようとする食肉の画像情報、超音波画像情報を入力又は選択する。

このようにして新たに取得した画像情報、超音波画像情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図５（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、超音波画像情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

また、入力から伸びている連関度ｗ１～ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１～ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１～ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１～ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

なお、上述した参照用画像情報に加え、上述した参照用超音波画像情報の代わりに参照用スペクトル情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度を設定するようにしてもよい。

ちなみに、上述した超音波画像情報及び超音波画像情報は、食肉として適用される家畜についてある一時点における超音波画像データを撮像する場合に限定されるものではなく、家畜の生体から時系列的に複数回に亘り超音波画像を撮像し、その時系列的な変化傾向を取得するようにしてもよい。このような時系列的な超音波画像データの変化傾向を含めて参照用超音波画像情報として連関度を形成しておき、判別対象の食肉を提供する家畜の生体から時系列的に複数回撮像した超音波画像の時系列的な変化傾向を取得した場合には、これを入力データとして入力することで判別を行う。

図６は、上述した参照用画像情報に加え、上述した参照用超音波画像情報の代わりに参照用分析情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度が設定されている例を示している。

参照用超音波画像情報の代わりに説明変数として加えられるこの参照用分析情報は、食肉に対して行った化学的、物理的分析結果に関するあらゆる情報である。この参照用分析情報は、遊離アミノ酸分析、脂肪酸組成、オレイン酸、イノシン酸、グアニル酸、ビタミンＥの何れか１以上を分析した分析情報を含むものであっても良い。遊離アミノ酸分析では、うま味成分であるグルタミン酸など様々なアミノ酸の割合を分析する。脂肪酸組成の分析では、まろやかさや口どけといった食感の評価基準として、脂肪組織に含まれるオレイン酸など、様々な脂肪酸の定量分析の分析結果を示す。オレイン酸の分析は、単価の不飽和脂肪酸が多く含まれるほど柔らかくおいしいと評価されることから、これを分析する。イノシン酸の分析は、有機化合物の一種、イノシン酸は鰹節のうま味成分で、解体処理後の熟成などで増加するといわれているため、これを分析する。グアニル酸の分析は、グアニン酸はシイタケのうま味成分を引き出すため、これを分析する。またビタミンＥもうま味に影響を及ぼすことからこれを分析する。

このような参照用分析情報に含まれる各指標も肉の味に影響を及ぼすことから、参照用画像情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。

この参照用分析情報、及び分析情報は、共に、屠畜時の食肉に対して行う分析であってもよいし、当該食肉を提供する家畜の生体に対して行う分析であってもよい。

図６の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用分析情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用画像情報に対して、参照用分析情報が組み合わさったものが、図６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用画像情報と参照用分析情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用分析情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用分析情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用分析情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用分析情報から最も確からしい肉質を選択する上での的確性を示すものである。

判別装置２は、このような図６に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用画像情報を取得する際に得た参照用分析情報、並びにその場合の肉質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図６に示す連関度を作り上げておく。

例えば、過去にあった実際の肉質の評価時において、ある参照用画像情報に対して、参照用分析情報が、オレイン酸の含有量が〇〇、イノシン酸の含有量が□□であるものとする。かかる場合に、肉質がＡと判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用分析情報Ｐ２０である場合に、その肉質を過去のデータから分析する。肉質Ａの事例が多い場合には、この肉質がＡにつながる連関度をより高く設定し、肉質がＢの事例が多く、肉質がＡの事例が少ない場合には、肉質がＢにつながる連関度を高くし、肉質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと肉質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図６に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。

図６に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用分析情報Ｐ１８の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用分析情報Ｐ１９、Ｐ２１の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその肉質の判別対象の画像情報と、分析情報とを取得する。ここで分析情報は、肉質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用分析情報と同様である。

ちなみに、参照用分析情報は、この分析情報に応じた遊離アミノ酸分析、脂肪酸組成、オレイン酸、イノシン酸、グアニル酸、ビタミンＥの何れか１以上を予め分析して取得し、これを参照用分析情報とし、参照用画像情報との組み合わせの連関度を形成しておくことになる。

このようにして新たに取得した画像情報と、分析情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、分析情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

図７は、上述した参照用画像情報に加え、上述した参照用超音波画像情報の代わりに参照用産地情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度が設定されている例を示している。

参照用超音波画像情報の代わりに説明変数として加えられるこの参照用産地情報は、その食肉の産地に関する情報であり、例えば、米国、日本といった国レベル、東北地方や九州地方といった地方レベル、北海道や鹿児島県といった都道府県レベル、更には北海道の群や町、更には牧場レベルで示されていてもよい。このような参照用産地情報に含まれる肉の産地も肉の味に影響を及ぼすことから、参照用画像情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。

図７の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用産地情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用画像情報に対して、参照用産地情報が組み合わさったものが、図７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用画像情報と参照用産地情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用産地情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用産地情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用産地情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用産地情報から最も確からしい肉質を選択する上での的確性を示すものである。

判別装置２は、このような図７に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用画像情報を取得する際に得た参照用産地情報、並びにその場合の肉質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図７に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用産地情報Ｐ２０である場合に、その肉質を過去のデータから分析する。肉質Ａの事例が多い場合には、この肉質がＡにつながる連関度をより高く設定し、肉質がＢの事例が多く、肉質がＡの事例が少ない場合には、肉質がＢにつながる連関度を高くし、肉質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと肉質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。

図７に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用産地情報Ｐ１８の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用産地情報Ｐ１９、Ｐ２１の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその肉質の判別対象の画像情報と、産地情報とを取得する。ここで産地情報は、肉質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用産地情報と同様である。産地情報、参照用産地情報の取得方法は、ＰＣやスマートフォン等へのデバイスへのキーボード入力や、食肉に対して産地が記入されているラベルに記載の文字情報や二次元コードを撮像し、解析することで取得してもよい。

このようにして新たに取得した画像情報と、産地情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、産地情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

図８は、上述した参照用画像情報に加え、上述した参照用超音波画像情報の代わりに参照用生体情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度が設定されている例を示している。

参照用超音波画像情報の代わりに説明変数として加えられるこの参照用生体情報は、その食肉を提供する家畜の生体に関して計測したあらゆる生体データを含むものである。この家畜の生体データの種類としては、家畜の心拍数、体温、心電図、血圧、血液検査結果、体重等、あらゆる生体データを含む。参照用生体情報に含まれる生体に関するデータも肉の味に影響を及ぼすことから、参照用画像情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。

図８の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用生体情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用画像情報に対して、参照用生体情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用画像情報と参照用生体情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用生体情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用生体情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用生体情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用生体情報から最も確からしい肉質を選択する上での的確性を示すものである。

判別装置２は、このような図８に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用生体情報、並びにその場合の肉質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図８に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用生体情報Ｐ２０である場合に、その肉質を過去のデータから分析する。肉質Ａの事例が多い場合には、この肉質がＡにつながる連関度をより高く設定し、肉質がＢの事例が多く、肉質がＡの事例が少ない場合には、肉質がＢにつながる連関度を高くし、肉質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと肉質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。

図８に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用生体情報Ｐ１８の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用生体情報Ｐ１９、Ｐ２１の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその肉質の判別対象の画像情報と、生体情報とを取得する。ここで生体情報は、肉質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用生体情報と同様である。

このようにして新たに取得した画像情報と、生体情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、生体情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

なお、上述した生体情報、参照用生体情報は、生体から時系列的に複数回、時間間隔をおいて生体データを取得し、その生体データの時系列的な変化傾向を含めてもよい。これにより、家畜の生体データの時系列的な変化傾向も含めて肉質の判断を行うことが可能となる。

図９は、上述した参照用画像情報に加え、上述した参照用超音波画像情報の代わりに参照用飼育環境情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度が設定されている例を示している。

参照用超音波画像情報の代わりに説明変数として加えられるこの参照用飼育環境情報
は、その食肉を提供する家畜を飼育する環境に関するあらゆるデータを含むものである。この参照用飼育環境情報のデータの種類としては、家畜を飼育する厩舎の温度、湿度、風向き、日照度合、室内照明の度合、音声データ、害虫の駆除状況、清掃状況、糞尿の処理状況等、飼育環境に関するあらゆる情報を含むものである。参照用飼育環境情報に含まれるデータも肉の味に影響を及ぼすことから、参照用画像情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。

図９の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用飼育環境情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用画像情報に対して、参照用飼育環境情報が組み合わさったものが、図９に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用画像情報と参照用飼育環境情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用飼育環境情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用飼育環境情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用飼育環境情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用飼育環境情報から最も確からしい肉質を選択する上での的確性を示すものである。

判別装置２は、このような図９に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用飼育環境情報、並びにその場合の肉質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図９に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用飼育環境情報Ｐ２０である場合に、その肉質を過去のデータから分析する。肉質Ａの事例が多い場合には、この肉質がＡにつながる連関度をより高く設定し、肉質がＢの事例が多く、肉質がＡの事例が少ない場合には、肉質がＢにつながる連関度を高くし、肉質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと肉質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図９に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。

図９に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用飼育環境情報Ｐ１８の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用飼育環境情報Ｐ１９、Ｐ２１の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその肉質の判別対象の画像情報と、飼育環境情報とを取得する。ここで飼育環境情報は、肉質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用飼育環境情報と同様である。

このようにして新たに取得した画像情報と、飼育環境情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図９（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、飼育環境情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

また、飼育環境情報を、その家畜に施していた餌に関する餌情報に代替させてもよい。かかる場合には、参照用飼育環境情報の代替として、以前に取得した家畜に施した餌に関する参照用餌情報を、参照用画像情報との組み合わせの連関度を予め形成しておく。そして、新たに判別対象の食肉を提供する家畜の餌に関する餌情報を取得した場合には、その餌情報に基づいて肉質を判別することになる。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に肉質の判別・探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。

なお、上述した連関度では、参照用画像情報に加え、参照用超音波画像情報、参照用分析情報、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報の何れかとの組み合わせで構成されている場合を例にとり説明をしたが、これに限定されるものではない。つまり連関度は、参照用画像情報に加え、参照用超音波画像情報、参照用分析情報、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用画像情報に加え、参照用超音波画像情報、参照用分析情報、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

いずれの場合も、その連関度の参照情報に合わせたデータの入力がなされ、その連関度を利用して肉質を求める。

また本発明は、図１０に示すように参照用情報Ｕと参照用情報Ｖという２種類以上の情報の組み合わせの連関度に基づいて肉質を判別するものである。この参照用情報Ｙが参照用画像情報であり、参照用情報Ｖが参照用超音波画像情報、参照用分析情報、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報の何れかであるものとする。

このとき、図１０に示すように、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力（肉質）と関連付けられていてもよい。例えば、参照用情報Ｕ（参照用画像情報）について、図３に示すように出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力（肉質）を探索するようにしてもよい。

また本発明によれば、出力として肉質を判別する代わりに、肉質をより優れたものにするための家畜の飼育条件を出力解としてもよい。かかる場合には、連関度を学習させるデータセットについて、肉質の変わりに、家畜の飼育条件を含める。家畜の飼育条件としては、家畜に施す餌、家畜を飼育する厩舎の温度、湿度、風向き、日照度合、室内照明の度合、音声データ、害虫の駆除状況、清掃状況、糞尿の処理状況等のデータを利用するようにしてもよい。

また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０～１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

このような３段階以上の数値で表される連関度に基づいて最も確からしい肉質、を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また参照用画像情報を初めとする各参照用情報を取得し、これらに対する肉質、改善施策に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

第２実施形態
以下、第２実施形態について説明をする。この第２実施形態を実行する上では、第１実施形態において使用する肉質判別システム１、情報取得部９、判別装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

第２実施形態では、例えば図１１に示すように、参照用分析情報と、肉質との３段階以上の連関度が予め設定されていることが前提となる。参照用分析情報とは、第１実施形態において説明したものと同様である。また肉質も第１実施形態において説明したものと同様である。

図１１の例では、入力データとして例えば参照用分析情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用分析情報Ｐ０１～Ｐ０３は、出力としての肉質に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用分析情報は、この出力解としての肉質Ａ～Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。参照用分析情報がこの連関度を介して左側に配列し、各肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用分析情報に対して、何れの肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用分析情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用分析情報から最も確からしい肉質を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての肉質と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての肉質と互いに関連度合いが低いことを示している。

判別装置２は、このような図１１に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用分析情報と、その場合の肉質の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図１１に示す連関度を作り上げておく。

例えば、過去において食肉に対して分析した参照用分析情報に対する肉質としては肉質Ａが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用分析情報との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用分析情報Ｐ０１である場合に、過去の肉質の評価を行った結果の各種データから分析する。参照用分析情報Ｐ０１である場合に、肉質Ａの事例が多い場合には、この肉質の評価につながる連関度をより高く設定し、肉質Ｂの事例が多い場合には、この肉質の評価につながる連関度をより高く設定する。例えば参照用分析情報Ｐ０１の例では、肉質Ａと、肉質Ｃにリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｃにつながるｗ１４の連関度を２点に設定している。

また、この図１１に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図１２に示すように、入力データとして参照用分析情報が入力され、出力データとして肉質が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の評価対象の食肉の外観の画像等と実際に判別・評価した肉質とのデータセットを通じて作った後に、実際にこれから新たに肉質の判別を行う上で、上述した学習済みデータを利用して肉質を探索することとなる。かかる場合には、実際に判別対象の領域において食肉を分析した分析情報を新たに取得する。新たに取得する分析情報は、上述した情報取得部９により入力される。

このようにして新たに取得した分析情報に基づいて、肉質を判別する。かかる場合には、予め取得した図１１（表１）に示す連関度を参照する。例えば、新たに取得した分析情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して肉質Ｂがｗ１５、肉質Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の高い肉質Ｂを優先して選択する。即ち、連関度が高いものほど選択の優先度を高くする。

このようにして、新たに取得する分析情報から、最も好適な肉質を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザ、即ち肉質生産業者、販売業者、流通業者は、探索された肉質に基づいて食肉の選別を行うことができ、食肉の味を予測することができ、さらに食肉の値段を決めることができる。

図１３は、上述した参照用分析情報に加え、参照用産地情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度が設定されている例を示している。参照用産地情報の詳細は、第１実施形態において説明したものと同様である。

図１３の例では、入力データとして例えば参照用分析情報Ｐ０１～Ｐ０３、参照用産地情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用分析情報に対して、参照用産地情報が組み合わさったものが、図１３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用分析情報と参照用産地情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用分析情報と参照用産地情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用分析情報と参照用産地情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用分析情報と参照用産地情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用分析情報と参照用産地情報から最も確からしい肉質を選択する上での的確性を示すものである。

判別装置２は、このような図１３に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用分析情報と、参照用分析情報を取得する際に得た参照用産地情報、並びにその場合の肉質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１３に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用分析情報Ｐ０１で、参照用産地情報Ｐ２０である場合に、その肉質を過去のデータから分析する。肉質Ａの事例が多い場合には、この肉質がＡにつながる連関度をより高く設定し、肉質がＢの事例が多く、肉質がＡの事例が少ない場合には、肉質がＢにつながる連関度を高くし、肉質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと肉質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図１３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図１２における説明と同様である。

図１３に示す連関度の例で、ノード６１ｂは、参照用分析情報Ｐ０１に対して参照用産地情報Ｐ１８の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用分析情報Ｐ０２に対して、参照用産地情報Ｐ１９、Ｐ２１の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその肉質の判別対象の分析情報と、産地情報とを取得する。ここで産地情報は、肉質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用産地情報と同様である。産地情報、参照用産地情報の取得方法は、ＰＣやスマートフォン等へのデバイスへのキーボード入力や、食肉に対して産地が記入されているラベルに記載の文字情報や二次元コードを撮像し、解析することで取得してもよい。

このようにして新たに取得した分析情報と、産地情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図１３（表１）に示す連関度を参照する。例えば、新たに取得した分析情報がＰ０２と同一かこれに類似するものである場合であって、産地情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

なお、第２実施形態においては、参照用産地情報の代替として、参照用生体情報とを有する組み合わせで連関度を形成するようにしてもよい。かかる場合には、参照用分析情報と、過去において食肉を提供する家畜の生体から取得した参照用生体情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、新たに食肉を提供する家畜の生体から取得した生体情報を取得し、その取得した生体情報に応じた参照用生体情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１３に基づいた説明における参照用産地情報、産地情報を、参照用生体情報、生体情報とそれぞれ読み替えることにより以下での説明を省略する。

上述した生体情報、参照用生体情報は、生体から時系列的に複数回、時間間隔をおいて生体データを取得し、その生体データの時系列的な変化傾向を含めてもよい。これにより、家畜の生体データの時系列的な変化傾向も含めて肉質の判断を行うことが可能となる。

また第２実施形態においては、参照用産地情報の代替として、参照用飼育環境情報とを有する組み合わせで連関度を形成するようにしてもよい。かかる場合には、参照用分析情報と、過去において分析した食肉を提供する家畜の飼育環境に関する参照用飼育環境情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を提供する家畜の飼育環境に関する飼育環境情報を取得し、その取得した飼育環境情報に応じた参照用飼育環境情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１３に基づいた説明における参照用産地情報、産地情報を、参照用飼育環境情報、飼育環境情報とそれぞれ読み替えることにより以下での説明を省略する。

また第２実施形態においては、参照用産地情報の代替として、参照用餌情報とを有する組み合わせで連関度を形成するようにしてもよい。かかる場合には、参照用分析情報と、過去において分析した食肉を提供する家畜の餌に関する参照用餌情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を提供する家畜の餌に関する餌情報を取得し、その取得した餌情報に応じた参照用餌情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１３に基づいた説明における参照用産地情報、産地情報を、参照用餌情報、餌情報とそれぞれ読み替えることにより以下での説明を省略する。

また第２実施形態においては、参照用産地情報の代替として、参照用部位情報とを有する組み合わせで連関度を形成するようにしてもよい。ここでいう参照用部位情報及び部位情報は、家畜の体内のいかなる部位から肉を取り出したのかを示す情報であり、タン、ヒレ、ロース等の名称で示されるものであっても良いし、胸、尻、下、モモ、あばら骨の周辺、頭部、足、手羽先等の部位そのもので示されるものであってもよい。肉質は、参照用分析情報に加え、その肉が家畜のいかなる部位から取り出されたものであるかの情報を含めることでより精度よく判別することができる。かかる場合には、参照用分析情報と、過去において分析した食肉を取り出した家畜の部位に関する参照用部位情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を取り出した家畜の部位に関する部位情報を取得し、その取得した部位情報に応じた参照用部位情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１３に基づいた説明における参照用産地情報、産地情報を、参照用部位情報、部位情報とそれぞれ読み替えることにより以下での説明を省略する。

また第２実施形態においては、参照用産地情報の代替として、参照用弾力性情報とを有する組み合わせで連関度を形成するようにしてもよい。ここでいう参照用弾力性情報及び弾力性情報は、食肉の弾力性に関するいかなる情報を含むものであり、例えば、食肉に対して負荷した応力に対する歪みの関係、即ち弾性率で示されるものであってもよいし、弾力計や硬さ試験機により計測された数値で示されるものであってもよい。肉質は、参照用分析情報に加え、その肉が弾力の情報を含めることでより精度よく判別することができる。かかる場合には、参照用分析情報と、過去において分析した食肉の弾力性に関する参照用弾力性情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉の弾力性に関する弾力性情報を取得し、その取得した弾力性情報に応じた参照用弾力性情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１３に基づいた説明における参照用産地情報、産地情報を、参照用弾力性情報、弾力性情報とそれぞれ読み替えることにより以下での説明を省略する。

また第２実施形態においては、参照用産地情報の代替として、参照用匂い情報とを有する組み合わせで連関度を形成するようにしてもよい。ここでいう参照用匂い情報及び匂い情報は、食肉から発せされる匂いに関するいかなる情報を含むものであり、例えば、臭気計、臭気センサを介して計測されたものであってもよい。このような食肉の臭い、臭気も肉質に影響を及ぼすファクターであることから、これを参照用分析情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。かかる場合には、参照用分析情報と、過去において分析した食肉の匂いに関する参照用匂い情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉の匂いに関する匂い情報を取得し、その取得した匂い情報に応じた参照用匂い情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１３に基づいた説明における参照用産地情報、産地情報を、参照用匂い情報、匂い情報とそれぞれ読み替えることにより以下での説明を省略する。

また第２実施形態においては、参照用産地情報の代替として、参照用品種情報とを有する組み合わせで連関度を形成するようにしてもよい。ここでいう参照用品種情報及び品種情報は、食肉を取り出した家畜の品種に関するいかなる情報を含むものであり、例えば、牛であれば、黒毛和種、褐毛和種、無角和種、日本短角種等を示す。このような品種も肉質に影響を及ぼすファクターであることから、これを参照用分析情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。かかる場合には、参照用分析情報と、過去において分析した食肉を取り出した家畜の品種に関する参照用品種情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を取り出した家畜の品種に関する品種情報を取得し、その取得した品種情報に応じた参照用品種情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１３に基づいた説明における参照用産地情報、産地情報を、参照用品種情報、品種情報とそれぞれ読み替えることにより以下での説明を省略する。

また第２実施形態においては、参照用産地情報の代替として、参照用飼育期間情報とを有する組み合わせで連関度を形成するようにしてもよい。ここでいう参照用飼育期間情報及び飼育期間情報は、家畜を食肉にするまでにどの期間に亘り育てたかを示すものであり、食肉にするまでの年齢で示されるものであっても良いし、生まれてからの食肉にするまでの日数、月数で示されるものであってもよい。このような飼育期間も肉質に影響を及ぼすファクターであることから、これを参照用分析情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。かかる場合には、参照用分析情報と、過去において分析した食肉を提供する家畜の飼育期間に関する参照用飼育期間情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を提供する家畜の飼育期間に関する飼育期間情報を取得し、その取得した飼育期間情報に応じた参照用飼育期間情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１３に基づいた説明における参照用産地情報、産地情報を、参照用飼育期間情報、飼育期間情報とそれぞれ読み替えることにより以下での説明を省略する。

なお、上述した連関度では、参照用分析情報に加え、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報、参照用部位情報、参照用弾力性情報、参照用臭い情報、参照用品種情報、参照用飼育期間情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用分析情報に加え、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報、参照用部位情報、参照用弾力性情報、参照用臭い情報、参照用品種情報、参照用飼育期間情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

更にこの第２実施形態においては、第１実施形態と組み合わせて肉質を判断するようにしてもよい。即ち、第１実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報と、第２実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報を組み合わせ、出力に当たる肉質を探索するようにしてもよい。

第３実施形態
以下、第３実施形態について説明をする。この第３実施形態を実行する上では、第１実施形態において使用する肉質判別システム１、情報取得部９、判別装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

第３実施形態では、例えば図１４に示すように、参照用弾力性情報と、肉質との３段階以上の連関度が予め設定されていることが前提となる。参照用弾力性情報とは、第２実施形態において説明したものと同様である。また肉質も第１実施形態において説明したものと同様である。

図１４の例では、入力データとして例えば参照用弾力性情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用弾力性情報Ｐ０１～Ｐ０３は、出力としての肉質に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用弾力性情報は、この出力解としての肉質Ａ～Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。参照用弾力性情報がこの連関度を介して左側に配列し、各肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用弾力性情報に対して、何れの肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用弾力性情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用弾力性情報から最も確からしい肉質を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての肉質と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。

判別装置２は、このような図１４に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用弾力性情報と、その場合の肉質の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図１４に示す連関度を作り上げておく。

例えば、過去において食肉に対して検査した参照用弾力性情報に対する肉質としては肉質Ａが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用弾力性情報との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用弾力性情報Ｐ０１である場合に、過去の肉質の評価を行った結果の各種データから分析する。参照用弾力性情報Ｐ０１である場合に、肉質Ａの事例が多い場合には、この肉質の評価につながる連関度をより高く設定し、肉質Ｂの事例が多い場合には、この肉質の評価につながる連関度をより高く設定する。例えば参照用弾力性情報Ｐ０１の例では、肉質Ａと、肉質Ｃにリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｃにつながるｗ１４の連関度を２点に設定している。

また、この図１４に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図１５に示すように、入力データとして参照用弾力性情報が入力され、出力データとして肉質が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の評価対象の食肉と、実際に判別・評価した肉質とのデータセットを通じて作った後に、実際にこれから新たに肉質の判別を行う上で、上述した学習済みデータを利用して肉質を探索することとなる。かかる場合には、実際に判別対象の領域において食肉を検査することで弾力性情報を新たに取得する。新たに取得する弾力性情報は、上述した情報取得部９により入力される。

このようにして新たに取得した弾力性情報に基づいて、肉質を判別する。かかる場合には、予め取得した図１４（表１）に示す連関度を参照する。例えば、新たに取得した弾力性情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して肉質Ｂがｗ１５、肉質Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の高い肉質Ｂを優先して選択する。即ち、連関度が高いものほど選択の優先度を高くする。

このようにして、新たに取得する弾力性情報から、最も好適な肉質を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザ、即ち肉質生産業者、販売業者、流通業者は、探索された肉質に基づいて食肉の選別を行うことができ、食肉の味を予測することができ、さらに食肉の値段を決めることができる。

図１６は、上述した参照用弾力性情報に加え、参照用産地情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度が設定されている例を示している。参照用産地情報の詳細は、第１実施形態において説明したものと同様である。

図１６の例では、入力データとして例えば参照用弾力性情報Ｐ０１～Ｐ０３、参照用産地情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用弾力性情報に対して、参照用産地情報が組み合わさったものが、図１６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用弾力性情報と参照用産地情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用弾力性情報と参照用産地情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用弾力性情報と参照用産地情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用弾力性情報と参照用産地情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用弾力性情報と参照用産地情報から最も確からしい肉質を選択する上での的確性を示すものである。

判別装置２は、このような図１６に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用弾力性情報と、参照用弾力性情報を取得する際に得た参照用産地情報、並びにその場合の肉質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１６に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用弾力性情報Ｐ０１で、参照用産地情報Ｐ２０である場合に、その肉質を過去のデータから分析する。肉質Ａの事例が多い場合には、この肉質がＡにつながる連関度をより高く設定し、肉質がＢの事例が多く、肉質がＡの事例が少ない場合には、肉質がＢにつながる連関度を高くし、肉質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと肉質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図１６に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図１５における説明と同様である。

図１６に示す連関度の例で、ノード６１ｂは、参照用弾力性情報Ｐ０１に対して参照用産地情報Ｐ１８の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用弾力性情報Ｐ０２に対して、参照用産地情報Ｐ１９、Ｐ２１の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその肉質の判別対象の弾力性情報と、産地情報とを取得する。ここで産地情報は、肉質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用産地情報と同様である。産地情報、参照用産地情報の取得方法は、ＰＣやスマートフォン等へのデバイスへのキーボード入力や、食肉に対して産地が記入されているラベルに記載の文字情報や二次元コードを撮像し、解析することで取得してもよい。

このようにして新たに取得した弾力性情報と、産地情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図１６（表１）に示す連関度を参照する。例えば、新たに取得した弾力性情報がＰ０２と同一かこれに類似するものである場合であって、産地情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

なお、第３実施形態においては、参照用産地情報の代替として、参照用生体情報とを有する組み合わせで連関度を形成するようにしてもよい。かかる場合には、参照用弾力性情報と、過去において食肉を提供する家畜の生体から取得した参照用生体情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、新たに食肉を提供する家畜の生体から取得した生体情報を取得し、その取得した生体情報に応じた参照用生体情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１６に基づいた説明における参照用産地情報、産地情報を、参照用生体情報、生体情報とそれぞれ読み替えることにより以下での説明を省略する。

上述した生体情報、参照用生体情報は、生体から時系列的に複数回、時間間隔をおいて生体データを取得し、その生体データの時系列的な変化傾向を含めてもよい。これにより、家畜の生体データの時系列的な変化傾向も含めて肉質の判断を行うことが可能となる。

また第３実施形態においては、参照用産地情報の代替として、参照用飼育環境情報とを有する組み合わせで連関度を形成するようにしてもよい。かかる場合には、参照用弾力性情報と、過去において分析した食肉を提供する家畜の飼育環境に関する参照用飼育環境情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を提供する家畜の飼育環境に関する飼育環境情報を取得し、その取得した飼育環境情報に応じた参照用飼育環境情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１３に基づいた説明における参照用産地情報、産地情報を、参照用飼育環境情報、飼育環境情報とそれぞれ読み替えることにより以下での説明を省略する。

また第３実施形態においては、参照用産地情報の代替として、参照用餌情報とを有する組み合わせで連関度を形成するようにしてもよい。かかる場合には、参照用弾力性情報と、過去において分析した食肉を提供する家畜の餌に関する参照用餌情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を提供する家畜の餌に関する餌情報を取得し、その取得した餌情報に応じた参照用餌情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１６に基づいた説明における参照用産地情報、産地情報を、参照用餌情報、餌情報とそれぞれ読み替えることにより以下での説明を省略する。

また第３実施形態においては、参照用産地情報の代替として、参照用部位情報とを有する組み合わせで連関度を形成するようにしてもよい。肉質は、参照用弾力性情報に加え、その肉が家畜のいかなる部位から取り出されたものであるかの情報を含めることでより精度よく判別することができる。かかる場合には、参照用弾力性情報と、過去において分析した食肉を取り出した家畜の部位に関する参照用部位情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を取り出した家畜の部位に関する部位情報を取得し、その取得した部位情報に応じた参照用部位情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１６に基づいた説明における参照用産地情報、産地情報を、参照用部位情報、部位情報とそれぞれ読み替えることにより以下での説明を省略する。

また第３実施形態においては、参照用産地情報の代替として、参照用匂い情報とを有する組み合わせで連関度を形成するようにしてもよい。このような食肉の臭い、臭気も肉質に影響を及ぼすファクターであることから、これを参照用弾力性情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。かかる場合には、参照用弾力性情報と、過去において分析した食肉の匂いに関する参照用匂い情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉の匂いに関する匂い情報を取得し、その取得した匂い情報に応じた参照用匂い情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１６に基づいた説明における参照用産地情報、産地情報を、参照用匂い情報、匂い情報とそれぞれ読み替えることにより以下での説明を省略する。

また第３実施形態においては、参照用産地情報の代替として、参照用品種情報とを有する組み合わせで連関度を形成するようにしてもよい。このような品種も肉質に影響を及ぼすファクターであることから、これを参照用弾力性情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。かかる場合には、参照用弾力性情報と、過去において分析した食肉を取り出した家畜の品種に関する参照用品種情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を取り出した家畜の品種に関する品種情報を取得し、その取得した品種情報に応じた参照用品種情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１６に基づいた説明における参照用産地情報、産地情報を、参照用品種情報、品種情報とそれぞれ読み替えることにより以下での説明を省略する。

また第３実施形態においては、参照用産地情報の代替として、参照用飼育期間情報とを有する組み合わせで連関度を形成するようにしてもよい。このような飼育期間も肉質に影響を及ぼすファクターであることから、これを参照用弾力性情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。かかる場合には、参照用弾力性情報と、過去において分析した食肉を提供する家畜の飼育期間に関する参照用飼育期間情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を提供する家畜の飼育期間に関する飼育期間情報を取得し、その取得した飼育期間情報に応じた参照用飼育期間情報に基づき、肉質を判別する。その判別プロセスの詳細は、図１６に基づいた説明における参照用産地情報、産地情報を、参照用飼育期間情報、飼育期間情報とそれぞれ読み替えることにより以下での説明を省略する。

なお、上述した連関度では、参照用弾力性情報に加え、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報、参照用部位情報、参照用弾力性情報、参照用臭い情報、参照用品種情報、参照用飼育期間情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用弾力性情報に加え、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報、参照用部位情報、参照用弾力性情報、参照用臭い情報、参照用品種情報、参照用飼育期間情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

また、第３実施形態では、例えば図１７に示すように、参照用匂い情報と、肉質との３段階以上の連関度が予め設定されていることが前提となる。参照用匂い情報とは、第２実施形態において説明したものと同様である。また肉質も第１実施形態において説明したものと同様である。

図１７の例では、入力データとして例えば参照用匂い情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用匂い情報Ｐ０１～Ｐ０３は、出力としての肉質に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用匂い情報は、この出力解としての肉質Ａ～Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。参照用匂い情報がこの連関度を介して左側に配列し、各肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用匂い情報に対して、何れの肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用匂い情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用匂い情報から最も確からしい肉質を選択する上での的確性を示すものである。図１７の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての肉質と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。

判別装置２は、このような図１７に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用匂い情報と、その場合の肉質の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図１４に示す連関度を作り上げておく。

例えば、過去において食肉に対して検査した参照用匂い情報に対する肉質としては肉質Ａが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用匂い情報との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用匂い情報Ｐ０１である場合に、過去の肉質の評価を行った結果の各種データから分析する。参照用匂い情報Ｐ０１である場合に、肉質Ａの事例が多い場合には、この肉質の評価につながる連関度をより高く設定し、肉質Ｂの事例が多い場合には、この肉質の評価につながる連関度をより高く設定する。例えば参照用匂い情報Ｐ０１の例では、肉質Ａと、肉質Ｃにリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｃにつながるｗ１４の連関度を２点に設定している。

また、この図１７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の評価対象の食肉と、実際に判別・評価した肉質とのデータセットを通じて作った後に、実際にこれから新たに肉質の判別を行う上で、上述した学習済みデータを利用して肉質を探索することとなる。かかる場合には、実際に判別対象の領域において食肉を検査することで匂い情報を新たに取得する。新たに取得する匂い情報は、上述した情報取得部９により入力される。

このようにして新たに取得した匂い情報に基づいて、肉質を判別する。かかる場合には、予め取得した図１７（表１）に示す連関度を参照する。例えば、新たに取得した匂い情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して肉質Ｂがｗ１５、肉質Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の高い肉質Ｂを優先して選択する。即ち、連関度が高いものほど選択の優先度を高くする。

このようにして、新たに取得する匂い情報から、最も好適な肉質を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザ、即ち肉質生産業者、販売業者、流通業者は、探索された肉質に基づいて食肉の選別を行うことができ、食肉の味を予測することができ、さらに食肉の値段を決めることができる。

また、図１８は、上述した参照用匂い情報に加え、参照用産地情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度が設定されている例を示している。参照用産地情報の詳細は、第１実施形態において説明したものと同様である。

図１８の例では、入力データとして例えば参照用匂い情報Ｐ０１～Ｐ０３、参照用産地情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用匂い情報に対して、参照用産地情報が組み合わさったものが、図１８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用匂い情報と参照用産地情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用匂い情報と参照用産地情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用匂い情報と参照用産地情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用匂い情報と参照用産地情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用匂い情報と参照用産地情報から最も確からしい肉質を選択する上での的確性を示すものである。

判別装置２は、このような図１８に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用匂い情報と、参照用匂い情報を取得する際に得た参照用産地情報、並びにその場合の肉質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１８に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用匂い情報Ｐ０１で、参照用産地情報Ｐ２０である場合に、その肉質を過去のデータから分析する。肉質Ａの事例が多い場合には、この肉質がＡにつながる連関度をより高く設定し、肉質がＢの事例が多く、肉質がＡの事例が少ない場合には、肉質がＢにつながる連関度を高くし、肉質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと肉質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図１８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。

図１８に示す連関度の例で、ノード６１ｂは、参照用匂い情報Ｐ０１に対して参照用産地情報Ｐ１８の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用匂い情報Ｐ０２に対して、参照用産地情報Ｐ１９、Ｐ２１の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその肉質の判別対象の匂い情報と、産地情報とを取得する。ここで産地情報は、肉質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用産地情報と同様である。産地情報、参照用産地情報の取得方法は、ＰＣやスマートフォン等へのデバイスへのキーボード入力や、食肉に対して産地が記入されているラベルに記載の文字情報や二次元コードを撮像し、解析することで取得してもよい。

このようにして新たに取得した匂い情報と、産地情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図１８（表１）に示す連関度を参照する。例えば、新たに取得した匂い情報がＰ０２と同一かこれに類似するものである場合であって、産地情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

なお、第３実施形態においては、参照用産地情報の代替として、参照用生体情報、参照用飼育環境情報、参照用餌情報、参照用部位情報、参照用弾力性情報、参照用品種情報、参照用飼育期間情報とを有する組み合わせで連関度を形成するようにしてもよい。かかる場合には、参照用匂い情報と、これら参照用生体情報、参照用飼育環境情報、参照用餌情報、参照用部位情報、参照用弾力性情報、参照用品種情報、参照用飼育期間情報の何れかとを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、新たに食肉を提供する家畜の生体から情報を取得し、その取得した情報に応じた参照用情報に基づき、肉質を判別する点は、上述と同様である。その判別プロセスの詳細は、図１８に基づいた説明における参照用産地情報、産地情報を、各参照用情報にそれぞれ読み替えることにより以下での説明を省略する。

なお、上述した連関度では、参照用匂い情報に加え、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報、参照用部位情報、参照用弾力性情報、参照用品種情報、参照用飼育期間情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用匂い情報に加え、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報、参照用部位情報、参照用弾力性情報、参照用匂い情報、参照用品種情報、参照用飼育期間情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

更にこの第３実施形態においては、第１、２実施形態と組み合わせて肉質を判断するようにしてもよい。即ち、第１実施形態、第２実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報と、第３実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報を組み合わせ、出力に当たる肉質を探索するようにしてもよい。

第４実施形態
以下、第４実施形態について説明をする。この第４実施形態を実行する上では、第１実施形態において使用する肉質判別システム１、情報取得部９、判別装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

第４実施形態では、例えば図１９に示すように、参照用飼育環境情報と、肉質との３段階以上の連関度が予め設定されていることが前提となる。参照用飼育環境情報とは、第１実施形態において説明したものと同様である。また肉質も第１実施形態において説明したものと同様である。

図１９の例では、入力データとして例えば参照用飼育環境情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用飼育環境情報Ｐ０１～Ｐ０３は、出力としての肉質に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用飼育環境情報は、この出力解としての肉質Ａ～Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。参照用飼育環境情報がこの連関度を介して左側に配列し、各肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用飼育環境情報に対して、何れの肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用飼育環境情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用飼育環境情報から最も確からしい肉質を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての肉質と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。

判別装置２は、このような図１９に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用飼育環境情報と、その場合の肉質の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図１９に示す連関度を作り上げておく。

例えば、過去において取得した参照用飼育環境情報に対する肉質としては肉質Ａが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用飼育環境情報との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用飼育環境情報Ｐ０１である場合に、過去の肉質の評価を行った結果の各種データから分析する。参照用飼育環境情報Ｐ０１である場合に、肉質Ａの事例が多い場合には、この肉質の評価につながる連関度をより高く設定し、肉質Ｂの事例が多い場合には、この肉質の評価につながる連関度をより高く設定する。例えば参照用飼育環境情報Ｐ０１の例では、肉質Ａと、肉質Ｃにリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｃにつながるｗ１４の連関度を２点に設定している。

また、この図１９に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図２０に示すように、入力データとして参照用飼育環境情報が入力され、出力データとして肉質が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の評価対象の食肉と、実際に判別・評価した肉質とのデータセットを通じて作った後に、実際にこれから新たに肉質の判別を行う上で、上述した学習済みデータを利用して肉質を探索することとなる。かかる場合には、実際に判別対象の領域において食肉を検査することで飼育環境情報を新たに取得する。新たに取得する飼育環境情報は、上述した情報取得部９により入力される。

このようにして新たに取得した飼育環境情報に基づいて、肉質を判別する。かかる場合には、予め取得した図１９（表１）に示す連関度を参照する。例えば、新たに取得した飼育環境情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して肉質Ｂがｗ１５、肉質Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の高い肉質Ｂを優先して選択する。即ち、連関度が高いものほど選択の優先度を高くする。

このようにして、新たに取得する飼育環境情報から、最も好適な肉質を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザ、即ち肉質生産業者、販売業者、流通業者は、探索された肉質に基づいて食肉の選別を行うことができ、食肉の味を予測することができ、さらに食肉の値段を決めることができる。

図２１は、上述した参照用飼育環境情報に加え、参照用産地情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度が設定されている例を示している。参照用産地情報の詳細は、第１実施形態において説明したものと同様である。

図２１の例では、入力データとして例えば参照用飼育環境情報Ｐ０１～Ｐ０３、参照用産地情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用飼育環境情報に対して、参照用産地情報が組み合わさったものが、図２１に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用飼育環境情報と参照用産地情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用飼育環境情報と参照用産地情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用飼育環境情報と参照用産地情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用飼育環境情報と参照用産地情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用飼育環境情報と参照用産地情報から最も確からしい肉質を選択する上での的確性を示すものである。

判別装置２は、このような図２１に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用飼育環境情報と、参照用飼育環境情報を取得する際に得た参照用産地情報、並びにその場合の肉質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１６に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用飼育環境情報Ｐ０１で、参照用産地情報Ｐ２０である場合に、その肉質を過去のデータから分析する。肉質Ａの事例が多い場合には、この肉質がＡにつながる連関度をより高く設定し、肉質がＢの事例が多く、肉質がＡの事例が少ない場合には、肉質がＢにつながる連関度を高くし、肉質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと肉質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図２１に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図１５における説明と同様である。

図２１に示す連関度の例で、ノード６１ｂは、参照用飼育環境情報Ｐ０１に対して参照用産地情報Ｐ１８の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用飼育環境情報Ｐ０２に対して、参照用産地情報Ｐ１９、Ｐ２１の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその肉質の判別対象の飼育環境情報と、産地情報とを取得する。ここで産地情報は、肉質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用産地情報と同様である。産地情報、参照用産地情報の取得方法は、ＰＣやスマートフォン等へのデバイスへのキーボード入力や、食肉に対して産地が記入されているラベルに記載の文字情報や二次元コードを撮像し、解析することで取得してもよい。

このようにして新たに取得した飼育環境情報と、産地情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図２１（表１）に示す連関度を参照する。例えば、新たに取得した飼育環境情報がＰ０２と同一かこれに類似するものである場合であって、産地情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

なお、第４実施形態においては、参照用産地情報の代替として、参照用生体情報とを有する組み合わせで連関度を形成するようにしてもよい。かかる場合には、参照用飼育環境情報と、過去において食肉を提供する家畜の生体から取得した参照用生体情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、新たに食肉を提供する家畜の生体から取得した生体情報を取得し、その取得した生体情報に応じた参照用生体情報に基づき、肉質を判別する。その判別プロセスの詳細は、図２１に基づいた説明における参照用産地情報、産地情報を、参照用生体情報、生体情報とそれぞれ読み替えることにより以下での説明を省略する。

上述した生体情報、参照用生体情報は、生体から時系列的に複数回、時間間隔をおいて生体データを取得し、その生体データの時系列的な変化傾向を含めてもよい。これにより、家畜の生体データの時系列的な変化傾向も含めて肉質の判断を行うことが可能となる。

また第４実施形態においては、参照用産地情報の代替として、参照用餌情報とを有する組み合わせで連関度を形成するようにしてもよい。かかる場合には、参照用飼育環境情報と、過去において分析した食肉を提供する家畜の餌に関する参照用餌情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を提供する家畜の餌に関する餌情報を取得し、その取得した餌情報に応じた参照用餌情報に基づき、肉質を判別する。その判別プロセスの詳細は、図２１に基づいた説明における参照用産地情報、産地情報を、参照用餌情報、餌情報とそれぞれ読み替えることにより以下での説明を省略する。

また第４実施形態においては、参照用産地情報の代替として、参照用部位情報とを有する組み合わせで連関度を形成するようにしてもよい。肉質は、参照用飼育環境情報に加え、その肉が家畜のいかなる部位から取り出されたものであるかの情報を含めることでより精度よく判別することができる。かかる場合には、参照用飼育環境情報と、過去において分析した食肉を取り出した家畜の部位に関する参照用部位情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を取り出した家畜の部位に関する部位情報を取得し、その取得した部位情報に応じた参照用部位情報に基づき、肉質を判別する。その判別プロセスの詳細は、図２１に基づいた説明における参照用産地情報、産地情報を、参照用部位情報、部位情報とそれぞれ読み替えることにより以下での説明を省略する。

また第４実施形態においては、参照用産地情報の代替として、参照用品種情報とを有する組み合わせで連関度を形成するようにしてもよい。このような品種も肉質に影響を及ぼすファクターであることから、これを参照用飼育環境情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。かかる場合には、参照用飼育環境情報と、過去において分析した食肉を取り出した家畜の品種に関する参照用品種情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を取り出した家畜の品種に関する品種情報を取得し、その取得した品種情報に応じた参照用品種情報に基づき、肉質を判別する。その判別プロセスの詳細は、図２１に基づいた説明における参照用産地情報、産地情報を、参照用品種情報、品種情報とそれぞれ読み替えることにより以下での説明を省略する。

また第４実施形態においては、参照用産地情報の代替として、参照用飼育期間情報とを有する組み合わせで連関度を形成するようにしてもよい。このような飼育期間も肉質に影響を及ぼすファクターであることから、これを参照用飼育環境情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。かかる場合には、参照用飼育環境情報と、過去において分析した食肉を提供する家畜の飼育期間に関する参照用飼育期間情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を提供する家畜の飼育期間に関する飼育期間情報を取得し、その取得した飼育期間情報に応じた参照用飼育期間情報に基づき、肉質を判別する。その判別プロセスの詳細は、図２１に基づいた説明における参照用産地情報、産地情報を、参照用飼育期間情報、飼育期間情報とそれぞれ読み替えることにより以下での説明を省略する。

なお、上述した連関度では、参照用飼育期間情報に加え、参照用産地情報、参照用生体情報、参照用餌情報、参照用部位情報、参照用品種情報、参照用飼育期間情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用飼育期間情報に加え、参照用産地情報、参照用生体情報、参照用餌情報、参照用部位情報、参照用品種情報、参照用飼育期間情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

また、第４実施形態では、例えば図２２に示すように、参照用餌情報と、肉質との３段階以上の連関度が予め設定されていることが前提となる。参照用餌情報とは、第２実施形態において説明したものと同様である。また肉質も第１実施形態において説明したものと同様である。

図２２の例では、入力データとして例えば参照用餌情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用餌情報Ｐ０１～Ｐ０３は、出力としての肉質に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用餌情報は、この出力解としての肉質Ａ～Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。参照用餌情報がこの連関度を介して左側に配列し、各肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用餌情報に対して、何れの肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用餌情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用餌情報から最も確からしい肉質を選択する上での的確性を示すものである。図２２の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての肉質と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。

判別装置２は、このような図２２に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用餌情報と、その場合の肉質の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図２２に示す連関度を作り上げておく。

例えば、過去において食肉に対して撮像した参照用餌情報に対する肉質としては肉質Ａが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用餌情報との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用餌情報Ｐ０１である場合に、過去の肉質の評価を行った結果の各種データから分析する。参照用餌情報Ｐ０１である場合に、肉質Ａの事例が多い場合には、この肉質の評価につながる連関度をより高く設定し、肉質Ｂの事例が多い場合には、この肉質の評価につながる連関度をより高く設定する。例えば参照用餌情報Ｐ０１の例では、肉質Ａと、肉質Ｃにリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｃにつながるｗ１４の連関度を２点に設定している。

また、この図２２に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の評価対象の食肉と、実際に判別・評価した肉質とのデータセットを通じて作った後に、実際にこれから新たに肉質の判別を行う上で、上述した学習済みデータを利用して肉質を探索することとなる。かかる場合には、実際に判別対象の領域において食肉を検査することで餌情報を新たに取得する。新たに取得する餌情報は、上述した情報取得部９により入力される。

このようにして新たに取得した餌情報に基づいて、肉質を判別する。かかる場合には、予め取得した図２２（表１）に示す連関度を参照する。例えば、新たに取得した餌情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して肉質Ｂがｗ１５、肉質Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の高い肉質Ｂを優先して選択する。即ち、連関度が高いものほど選択の優先度を高くする。

このようにして、新たに取得する餌情報から、最も好適な肉質を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザ、即ち肉質生産業者、販売業者、流通業者は、探索された肉質に基づいて食肉の選別を行うことができ、食肉の味を予測することができ、さらに食肉の値段を決めることができる。

また、図２３は、上述した参照用餌情報に加え、参照用産地情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度が設定されている例を示している。参照用産地情報の詳細は、第１実施形態において説明したものと同様である。

図２３の例では、入力データとして例えば参照用餌情報Ｐ０１～Ｐ０３、参照用産地情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用餌情報に対して、参照用産地情報が組み合わさったものが、図２３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用餌情報と参照用産地情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用餌情報と参照用産地情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用餌情報と参照用産地情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用餌情報と参照用産地情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用餌情報と参照用産地情報から最も確からしい肉質を選択する上での的確性を示すものである。

判別装置２は、このような図２３に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用餌情報と、参照用餌情報を取得する際に得た参照用産地情報、並びにその場合の肉質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２３に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用餌情報Ｐ０１で、参照用産地情報Ｐ２０である場合に、その肉質を過去のデータから分析する。肉質Ａの事例が多い場合には、この肉質がＡにつながる連関度をより高く設定し、肉質がＢの事例が多く、肉質がＡの事例が少ない場合には、肉質がＢにつながる連関度を高くし、肉質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと肉質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図２３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。

図２３に示す連関度の例で、ノード６１ｂは、参照用餌情報Ｐ０１に対して参照用産地情報Ｐ１８の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用餌情報Ｐ０２に対して、参照用産地情報Ｐ１９、Ｐ２１の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその肉質の判別対象の餌情報と、産地情報とを取得する。ここで産地情報は、肉質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用産地情報と同様である。産地情報、参照用産地情報の取得方法は、ＰＣやスマートフォン等へのデバイスへのキーボード入力や、食肉に対して産地が記入されているラベルに記載の文字情報や二次元コードを撮像し、解析することで取得してもよい。

このようにして新たに取得した餌情報と、産地情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図２３（表１）に示す連関度を参照する。例えば、新たに取得した餌情報がＰ０２と同一かこれに類似するものである場合であって、産地情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

なお、第４実施形態においては、参照用産地情報の代替として、参照用部位情報、参照用品種情報、参照用飼育期間情報とを有する組み合わせで連関度を形成するようにしてもよい。かかる場合には、参照用餌情報と、これら参照用部位情報、参照用品種情報、参照用飼育期間情報の何れかとを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、新たに食肉を提供する家畜の生体から情報を取得し、その取得した情報に応じた参照用情報に基づき、肉質を判別する点は、上述と同様である。その判別プロセスの詳細は、図２３に基づいた説明における参照用産地情報、産地情報を、各参照用情報にそれぞれ読み替えることにより以下での説明を省略する。

なお、上述した連関度では、参照用餌情報に加え、参照用産地情報、参照用部位情報、参照用品種情報、参照用飼育期間情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用餌情報に加え、参照用産地情報、参照用部位情報、参照用品種情報、参照用飼育期間情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

更にこの第４実施形態においては、第１～３実施形態と組み合わせて肉質を判断するようにしてもよい。即ち、第１～３実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報と、第４実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報を組み合わせ、出力に当たる肉質を探索するようにしてもよい。

また、第４実施形態では、例えば図２４に示すように、参照用産地情報と、肉質との３段階以上の連関度が予め設定されていることが前提となる。参照用産地情報とは、第２実施形態において説明したものと同様である。また肉質も第１実施形態において説明したものと同様である。

図２４の例では、入力データとして例えば参照用産地情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用産地情報Ｐ０１～Ｐ０３は、出力としての肉質に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用産地情報は、この出力解としての肉質Ａ～Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。参照用産地情報がこの連関度を介して左側に配列し、各肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用産地情報に対して、何れの肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用産地情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用産地情報から最も確からしい肉質を選択する上での的確性を示すものである。図２４の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての肉質と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。

判別装置２は、このような図２４に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用産地情報と、その場合の肉質の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図２４に示す連関度を作り上げておく。

例えば、過去において食肉に対して撮像した参照用産地情報に対する肉質としては肉質Ａが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用産地情報との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用産地情報Ｐ０１である場合に、過去の肉質の評価を行った結果の各種データから分析する。参照用産地情報Ｐ０１である場合に、肉質Ａの事例が多い場合には、この肉質の評価につながる連関度をより高く設定し、肉質Ｂの事例が多い場合には、この肉質の評価につながる連関度をより高く設定する。例えば参照用産地情報Ｐ０１の例では、肉質Ａと、肉質Ｃにリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｃにつながるｗ１４の連関度を２点に設定している。

また、この図２４に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の評価対象の食肉と、実際に判別・評価した肉質とのデータセットを通じて作った後に、実際にこれから新たに肉質の判別を行う上で、上述した学習済みデータを利用して肉質を探索することとなる。かかる場合には、実際に判別対象の領域において食肉を検査することで産地情報を新たに取得する。新たに取得する産地情報は、上述した情報取得部９により入力される。

このようにして新たに取得した産地情報に基づいて、肉質を判別する。かかる場合には、予め取得した図２４（表１）に示す連関度を参照する。例えば、新たに取得した産地情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して肉質Ｂがｗ１５、肉質Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の高い肉質Ｂを優先して選択する。即ち、連関度が高いものほど選択の優先度を高くする。

このようにして、新たに取得する産地情報から、最も好適な肉質を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザ、即ち肉質生産業者、販売業者、流通業者は、探索された肉質に基づいて食肉の選別を行うことができ、食肉の味を予測することができ、さらに食肉の値段を決めることができる。

また、図２５は、上述した参照用産地情報に加え、参照用部位情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度が設定されている例を示している。参照用部位情報の詳細は、第２実施形態において説明したものと同様である。

図２５の例では、入力データとして例えば参照用産地情報Ｐ０１～Ｐ０３、参照用部位情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用産地情報に対して、参照用部位情報が組み合わさったものが、図２５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用産地情報と参照用部位情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用産地情報と参照用部位情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用産地情報と参照用部位情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用産地情報と参照用部位情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用産地情報と参照用部位情報から最も確からしい肉質を選択する上での的確性を示すものである。

判別装置２は、このような図２３に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用産地情報Ｐ０１で、参照用部位情報Ｐ２０である場合に、その肉質を過去のデータから分析する。肉質Ａの事例が多い場合には、この肉質がＡにつながる連関度をより高く設定し、肉質がＢの事例が多く、肉質がＡの事例が少ない場合には、肉質がＢにつながる連関度を高くし、肉質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと肉質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図２５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。

図２５に示す連関度の例で、ノード６１ｂは、参照用産地情報Ｐ０１に対して参照用部位情報Ｐ１８の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用産地情報Ｐ０２に対して、参照用部位情報Ｐ１９、Ｐ２１の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその肉質の判別対象の産地情報と、部位情報とを取得する。

このようにして新たに取得した産地情報と、部位情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図２５（表１）に示す連関度を参照する。例えば、新たに取得した産地情報がＰ０２と同一かこれに類似するものである場合であって、部位情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

なお、第４実施形態においては、参照用部位情報の代替として、参照用品種情報、参照用飼育期間情報とを有する組み合わせで連関度を形成するようにしてもよい。かかる場合には、参照用産地情報と、これら参照用品種情報、参照用飼育期間情報の何れかとを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、新たに食肉を提供する家畜の生体から情報を取得し、その取得した情報に応じた参照用情報に基づき、肉質を判別する点は、上述と同様である。その判別プロセスの詳細は、図２５に基づいた説明における参照用部位情報、部位情報を、各参照用情報にそれぞれ読み替えることにより以下での説明を省略する。

なお、上述した連関度では、参照用産地情報に加え、参照用部位情報、参照用品種情報、参照用飼育期間情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用産地情報に加え、参照用部位情報、参照用品種情報、参照用飼育期間情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

更にこの第４実施形態においては、第１～３実施形態と組み合わせて肉質を判断するようにしてもよい。即ち、第１～３実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報と、第４実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報を組み合わせ、出力に当たる肉質を探索するようにしてもよい。

第５実施形態
以下、第５実施形態について説明をする。この第５実施形態を実行する上では、第１実施形態において使用する肉質判別システム１、情報取得部９、判別装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

第５実施形態では、参照用画像情報を軸として連関度を形成する点については第１実施形態と同様である。このため、この第５実施形態における詳細な処理動作は、第１実施形態の説明を流用することで以下での説明を省略する。
第５実施形態においては、例えば図２６に示すように、参照用画像情報に加え、参照用弾力性情報との組み合わせと、当該組み合わせに対する肉質との３段階以上の連関度が設定されている例を示している。参照用弾力性情報の詳細は、第２実施形態において説明したものと同様である。

図２６の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用弾力性情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用画像情報に対して、参照用弾力性情報が組み合わさったものが、図２６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、肉質が表示されている。

参照用画像情報と参照用弾力性情報との各組み合わせ（中間ノード）は、この出力解としての、肉質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用弾力性情報がこの連関度を介して左側に配列し、肉質が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用弾力性情報に対して、肉質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用弾力性情報が、いかなる肉質に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用弾力性情報から最も確からしい肉質を選択する上での的確性を示すものである。

判別装置２は、このような図２６に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用画像情報を取得する際に得た参照用弾力性情報、並びにその場合の肉質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２６に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用弾力性情報Ｐ２０である場合に、その肉質を過去のデータから分析する。肉質Ａの事例が多い場合には、この肉質がＡにつながる連関度をより高く設定し、肉質がＢの事例が多く、肉質がＡの事例が少ない場合には、肉質がＢにつながる連関度を高くし、肉質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、肉質Ａと肉質Ｂの出力にリンクしているが、以前の事例から肉質Ａにつながるｗ１３の連関度を７点に、肉質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図２６に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図２６に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用弾力性情報Ｐ１８の組み合わせのノードであり、肉質Ｃの連関度がｗ１５、肉質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用弾力性情報Ｐ１９、Ｐ２１の組み合わせのノードであり、肉質Ｂの連関度がｗ１７、肉質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから肉質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその肉質の判別対象の画像情報と、弾力性情報とを取得する。

このようにして新たに取得した画像情報と、弾力性情報に基づいて、最適な肉質を探索する。かかる場合には、予め取得した図２６（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、弾力性情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、肉質Ｃがｗ１９、肉質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い肉質Ｃを最適解として選択する。

なお、第５実施形態においては、参照用弾力性情報の代替として、参照用部位情報とを有する組み合わせで連関度を形成するようにしてもよい。ここでいう参照用部位情報及び部位情報の詳細は第２実施形態において説明したものと同様である。肉質は、参照用画像情報に加え、その肉が家畜のいかなる部位から取り出されたものであるかの情報を含めることでより精度よく判別することができる。かかる場合には、参照用画像情報と、過去において分析した食肉を取り出した家畜の部位に関する参照用部位情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を取り出した家畜の部位に関する部位情報を取得し、その取得した部位情報に応じた参照用部位情報に基づき、肉質を判別する。その判別プロセスの詳細は、図２６に基づいた説明における参照用弾力性情報、弾力性情報を、参照用部位情報、部位情報とそれぞれ読み替えることにより以下での説明を省略する。

なお、第５実施形態においては、参照用弾力性情報の代替として、参照用匂い情報とを有する組み合わせで連関度を形成するようにしてもよい。ここでいう参照用匂い情報及び匂い情報の詳細は第２実施形態において説明したものと同様である。肉質は、参照用画像情報に加え、その肉の匂いがいかなるものであるかの情報を含めることでより精度よく判別することができる。かかる場合には、参照用画像情報と、過去において分析した食肉の匂いに関する参照用匂い情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉の匂い情報を取得し、その取得した匂い情報に応じた参照用匂い情報に基づき、肉質を判別する。その判別プロセスの詳細は、図２６に基づいた説明における参照用弾力性情報、弾力性情報を、参照用匂い情報、匂い情報とそれぞれ読み替えることにより以下での説明を省略する。

なお、第５実施形態においては、参照用弾力性情報の代替として、参照用品種情報とを有する組み合わせで連関度を形成するようにしてもよい。ここでいう参照用品種情報及び品種情報の詳細は第２実施形態において説明したものと同様である。肉質は、参照用画像情報に加え、その肉が家畜のいかなる品種から取り出されたものであるかの情報を含めることでより精度よく判別することができる。かかる場合には、参照用画像情報と、過去において分析した食肉を取り出した家畜の品種に関する参照用品種情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を取り出した家畜の品種に関する品種情得し、その取得した品種情報に応じた参照用品種情報に基づき、肉質を判別する。その判別プロセスの詳細は、図２６に基づいた説明における参照用弾力性情報、弾力性情報を、参照用品種情報、品種情報とそれぞれ読み替えることにより以下での説明を省略する。

なお、第５実施形態においては、参照用弾力性情報の代替として、参照用飼育期間情報とを有する組み合わせで連関度を形成するようにしてもよい。ここでいう参照用飼育期間情報及び飼育期間情報の詳細は第２実施形態において説明したものと同様である。肉質は、参照用画像情報に加え、その肉を取り出した家畜の飼育期間の情報を含めることでより精度よく判別することができる。かかる場合には、参照用画像情報と、過去において分析した食肉を取り出した家畜の飼育期間に関する参照用飼育期間情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉を取り出した家畜の飼育期間情報を取得し、その取得した飼育期間情報に応じた参照用飼育期間情報に基づき、肉質を判別する。その判別プロセスの詳細は、図２６に基づいた説明における参照用弾力性情報、弾力性情報を、参照用飼育期間情報、飼育期間情報とそれぞれ読み替えることにより以下での説明を省略する。

また第５実施形態においては、参照用弾力性情報の代替として、参照用経過時間情報とを有する組み合わせで連関度を形成するようにしてもよい。ここでいう参照用経過時間情報及び経過時間情報は、食肉の製造時から判別時までの経過時間に関するものである。ここでいう食肉の製造時は、実際に食肉として加工された時点を意味するものであってもよいし、小売店に陳列されるパッケージに梱包された時点でもよい。この食肉の製造時は、消費期限の起算日となる時点とされていてもよい。判別時は、実際にこの肉質を判別する時点である。この判別時は、例えば上述した参照用画像情報や画像情報を取得するための撮像時が判別時と考えれば、当該撮像時となる。またこの判別時は、その撮像時と異なる時点でその肉質を判断する場合、その撮像時と異なる時点としてもよい。この製造時から判別時までの時間は、時間単位、分単位、日単位等、いかなる時間単位で示されるものであってもよい。このような経過時間も肉質に影響を及ぼすファクターであることから、これを参照用画像情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。かかる場合には、参照用画像情報と、過去において検査した食肉の製造時からその判別時までの経過時間に関する参照用経過時間情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、食肉の製造時から判別時までの経過時間に関する経過時間情報を取得し、その取得した経過時間情報に応じた経過時間情報に基づき、肉質を判別する。その判別プロセスの詳細は、図２６に基づいた説明における参照用弾力性情報、弾力性情報を、参照用経過時間情報、経過時間情報とそれぞれ読み替えることにより以下での説明を省略する。

また第５実施形態においては、参照用弾力性情報の代替として、参照用保存情報とを有する組み合わせで連関度を形成するようにしてもよい。ここでいう参照用保存情報及び保存情報は、食肉が加工されてから消費者に回るまでの保存状態に関するものであり、例えば冷凍保存、冷蔵保存、或いは常温での保存も含まれる。冷凍と冷蔵を織り交ぜて保存する場合には、冷凍保存と冷蔵保存のそれぞれの保存時間を示すものであってもよい。このような保存状態も肉質に影響を及ぼすファクターであることから、これを参照用画像情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。かかる場合には、参照用画像情報と、食肉の保存状態に関する参照用保存情報とを有する組み合わせと、肉質との３段階以上の連関度を予め形成しておく。そして、判別対象の食肉の保存状態に関する保存情報を取得し、その取得した保存情報に応じた保存情報に基づき、肉質を判別する。その判別プロセスの詳細は、図２６に基づいた説明における参照用弾力性情報、弾力性情報を、参照用保存情報、保存情報とそれぞれ読み替えることにより以下での説明を省略する。

更にこの第５実施形態においては、第１～４実施形態と組み合わせて肉質を判断するようにしてもよい。即ち、第１～４実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報と、第５実施形態において、ニューラルネットワークの入力に当たるいかなる参照用情報を組み合わせ、出力に当たる肉質を探索するようにしてもよい。

販売単価の提案
上述した第１実施形態～第５実施形態において肉質を判別した後、以下に説明するように各食肉について肉質毎の販売単価を提案する。

例えば卸売市場や問屋、スーパーマーケット、店舗等、食肉が生産から消費者に至るまでのあらゆる物流拠点において、各食肉について、上述した第１実施形態～第５実施形態において肉質を判別する。例えば、図２７に示すように、各食肉ｐ～ｕについて肉質を判別する。その結果、各食肉ｐ～ｕについて品質について、それぞれ肉質として、高い、中、低い、の何れかが割り当てられるものとする。つまり、上述した判別方法を通じて各食肉について肉質に関する情報が紐付けされることになる。

次に、この肉質が紐付けされた各食肉についてそれぞれ肉質毎に仕分けをする。つまり図２７の例では、肉質が高いグループ、肉質が中程度のグループ、肉質が低いグループにそれぞれ分類する。その後、肉質に応じた各グループにグルーピングされた各食肉の合計量を求める。つまり、肉質が高いグループ、肉質が中程度のグループ、肉質が低いグループについてそれぞれ食肉の量を求める。この合計は、現在の販売対象となっている食肉を母集団とする。例えば一の卸売り市場であれば、そこに入荷される全ての食肉が対象になり、一の問屋であれば、そこに入荷される全ての食肉が対象になり、一の店舗であれば、そこに入荷される全ての食肉が対象になる。つまり、各拠点に集められるすべての食肉が対象となる。また、拠点単位で行うことなく、各地区毎に生産、流通する食肉をターゲットにしてもよいし、或いは本全体において生産される全食肉を対象としてもよい。ちなみに、この作業は、食肉の種類毎に行うようにしてもよい。つまり、図２７に示すような仕分けを、食肉の種類（例えば、鶏肉のササミ、豚肉で生姜焼き用、牛肉でステーキ用等）単位で行うことを前提としてもよい。

次に図２８に示すように、各購入希望者から送信されてきた各食肉の肉質に関する購入希望を収集し、肉質毎の購入希望量を求める。仮に、食肉を販売する側が問屋や卸売市場である場合、これを購入する購入希望者は、スーパーマーケットや小売店、料理屋等の各店舗となる。また販売側が店舗である場合、購入希望者は、各家庭となる。このような各購入希望者から各肉質毎の購入希望量を集める。この購入希望は、店舗からインターネット等の公衆通信網を介して通信で判別装置２へ送られるものであってもよい。

判別装置２は、各店舗ｖ１、ｖ２、・・から送られてきた購入希望から肉質毎に仕分けし、各肉質について購入希望量の合計値を求める。その結果、この図２８の例では、肉質（高い）が５２ｋｇ、肉質（中）が２９ｋｇ、肉質（低い）が２５ｋｇとする。

このようにして求めた購入希望量を図２９に示すように上述した販売側において求めた食肉の量と比較する。この購入側における購入希望量と、販売側の食肉の量は、肉質毎に行う。

その結果、販売側の食肉の量が購入側の購入希望量よりも多くなるにつれて販売単価をより下降させるように処理し、販売側の肉質毎の食肉の量が購入側の購入希望量よりも少なくなるにつれて販売単価をより上昇させるように処理する。ここでいう販売単価は、重量単位からなる場合を原則とするが、これに限定するものではない。

図２９の例の場合、肉質（高い）は、販売側の肉質毎の食肉の量が購入側の購入希望量よりも圧倒的に少ないため、販売単価をより非常に高くなるように上昇させる。これに対して、肉質（低い）は、販売側の食肉の量が購入側の購入希望量よりも圧倒的に多いため、販売単価を非常に低くなるように処理する。どの程度販売単価を増減させるかついては、本システムを運用する業者側において自由に設計することができる。仮に、肉質（中）は、販売側の肉質毎の食肉の量が購入側の購入希望量よりも僅かに少ないため、販売単価は、これらの分数としての２９（ｋｇ）／２８（ｋｇ）倍だけ前回の販売単価より高くし、、肉質（高い）は、販売側の肉質毎の食肉の量が購入側の購入希望量よりも圧倒的に少ないため、販売単価は、これらの分数としての５２（ｋｇ）／２７（ｋｇ）倍を前回の販売単価よりも高くするようにしてもよい。

このようにして、肉質毎に、販売側の肉質毎の食肉の量が購入側の購入希望量の需要と供給のバランスから、最適な販売単価を探索し、提案することが可能となる。

なお、上述した例では、肉質に応じて高い、中、低い等の３段階でグルーピングした各グループにおける食肉の量、購入希望量を求め、各グループにおける販売側の肉質毎の食肉の量と購入側の購入希望量の需要と供給のバランスから、最適な販売単価を探索する場合を例にとり説明をしたが、これに限定されるものではない。グループは、肉質に応じて複数で構成されるものであれば何段階で構成されていてもよい。またグループという概念に捉われることなく、肉質毎に、販売側の食肉の量と、購入側の購入希望量とを比較することができれば、その肉質単位で、これらの需要と供給のバランスから販売単価を探索してもよい。

図３０は、参照用食肉量情報と、購入希望量情報との組み合わせと、当該組み合わせに対する販売単価との３段階以上の連関度が設定されている例を示している。この連関度を通じて販売単価を探索するようにしてもよい。この連関度を用いた販売価格の探索は、上述した販売単価の探索同様に肉質毎に行う。このため、図３０に示すような連関度を肉質単位で予め作成しておくことが前提となる。

参照用食肉量情報は、販売側において、過去、肉質毎に求めた食肉量に関する情報である。参照用購入希望情報は、購入側において、過去、肉質毎に求めた購入希望量に関する情報である。

図３０の例では、入力データとして例えば参照用食肉量情報Ｐ０１～Ｐ０３、参照用購入希望量情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用食肉量情報に対して、参照用購入希望量情報が組み合わさったものが、図３０に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、食肉の販売単価が表示されている。

参照用食肉量情報と参照用購入希望量情報との各組み合わせ（中間ノード）は、この出力解としての、販売単価に対して３段階以上の連関度を通じて互いに連関しあっている。参照用食肉量情報と参照用購入希望量情報がこの連関度を介して左側に配列し、販売単価が連関度を介して右側に配列している。連関度は、左側に配列された参照用食肉量情報と参照用購入希望量情報に対して、販売単価と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用食肉量情報と参照用購入希望量情報が、いかなる販売単価に紐付けられる可能性が高いかを示す指標であり、参照用食肉量情報と参照用購入希望量情報から最も確からしい販売単価を選択する上での的確性を示すものである。

判別装置２は、このような図３０に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用食肉量情報と、参照用購入希望量情報、並びにその場合の販売単価が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３０に示す連関度を作り上げておく。

例えば、過去にあった実際の販売単価の評価時において、過去の販売側の食肉量に関する参照用食肉量情報と、過去の購買側の購入希望量に関する、参照用購入希望量情報に対し、実際に過去において販売した価格をデータセットとして取得しておく。このデータセットを学習させることで上述した連関度を形成する。仮にある特定の参照用食肉量情報で、かつある特定の参照用購入希望量情報において、販売単価として１００グラム当たり４００円のデータが多い場合、当該販売単価の連関度がより高くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用食肉量情報Ｐ０１で、参照用購入希望量情報Ｐ２０である場合に、その販売単価を過去のデータから分析する。販売単価Ａの事例が多い場合には、この販売単価がＡにつながる連関度をより高く設定し、販売単価がＢの事例が多く、販売単価がＡの事例が少ない場合には、販売単価がＢにつながる連関度を高くし、販売単価がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、販売単価Ａと販売単価Ｂの出力にリンクしているが、以前の事例から販売単価Ａにつながるｗ１３の連関度を７点に、販売単価Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図３０に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。

図３０に示す連関度の例で、ノード６１ｂは、参照用食肉量情報Ｐ０１に対して参照用購入希望量情報Ｐ１８の組み合わせのノードであり、販売単価Ｃの連関度がｗ１５、販売単価Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用食肉量情報Ｐ０２に対して、参照用購入希望量情報Ｐ１９、Ｐ２１の組み合わせのノードであり、販売単価Ｂの連関度がｗ１７、販売単価Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから販売単価の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際に、販売側の食肉量に関する食肉量情報と、購入側の購入希望量に関する購入希望量情報とを取得する。

このようにして新たに取得した食肉量情報と、購入希望量情報に基づいて、最適な販売単価を探索する。かかる場合には、予め取得した図３０（表１）に示す連関度を参照する。例えば、新たに取得した食肉量情報がＰ０２と同一かこれに類似するものである場合であって、購入希望量情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、販売単価Ｃがｗ１９、販売単価Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い販売単価Ｃを最適解として選択する。

なお、図３０に示す連関度においては、図３１に示す連関度に代替させるものであってもよい。この図３１に示す連関度は、その販売対象の食肉の肉質に関する参照用肉質情報を組み合わせて学習させて連関度を形成するものである。販売単価はそもそも肉質に影響を受けることから、この肉質も参照用情報として入れておくことで販売単価の探索精度そのものをより向上させる趣旨である。

かかる場合も同様に、新たに販売単価を探索する食肉の肉質に関する肉質情報を入力し、この入力された肉質情報に対応する参照用肉質情報を介して販売単価を探索する。

この図３１に示す連関度において、参照用肉質情報の代替として参照用外部環境情報を組み合わせてもよい。ここでいう参照用外部環境情報とは、外部環境情報に関する様々な情報である。ここでいう外部環境情報は、経済データ（ＧＤＰ、雇用統計、鉱工業生産指数、設備投資、労働力調査等）、家計データ（家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ等）、不動産データ（オフィス空室率、坪単価、賃料相場、地価、空き家データ等）、自然環境データ（災害データ、気温データ、降水量データ、風向きデータ、湿度データ等）に代表されるものである。外部環境情報は、これらのデータの一部、全部が反映されるもの以外に、小売店の外部のあらゆる情報が含まれる。参照用外部環境情報は、外部環境自体を類型化しておくようにしてもよい。例えば、雇用統計におけるデータで区切ることで分類するようにしてもよい。また、パターン（例えば、ＧＤＰの伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。この参照用外部環境情報は、過去の販売日、又はその日の前後数日の間における外部環境を示すものである。

このような参照用外部環境情報との組み合わせを通じて学習させておき、実際に販売単価を求める場合には、その時点での外部環境情報を入力する。そして、この入力された外部環境情報に対応する参照用外部環境情報を介して販売単価を探索する。

なお、図３０、３１に示す連関度は、上述した第１実施形態～第５実施形態を通じた肉質の判別工程は必須ではなく、これのみで独立した販売単価を探索するプログラムとして適用してもよいことは勿論である。

１ 肉質判別システム
２ 判別装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 判別部
２８ 記憶部
６１ ノード

Claims (11)

1. 食肉の肉質毎の販売単価を提案する販売単価提案プログラムにおいて、
   判別対象の食肉を撮像した画像情報を取得する情報取得ステップと、
   過去において撮像した食肉の参照用画像情報と、肉質との３段階以上の第１連関度を利用し、上記情報取得ステップにおいて取得した画像情報に応じた参照用画像情報に基づき、上記第１連関度のより高いものを優先させて、肉質を判別する判別ステップと、
   上記判別ステップにおいて順次判別した食肉の肉質毎の量を求める食肉量取得ステップと、
   各購入希望者から送信されてきた各食肉の肉質に関する購入希望を収集し、上記肉質毎の購入希望量を求める購入希望量取得ステップと、
   上記食肉量取得ステップにおいて求めた上記肉質毎の食肉の量と、上記購入希望量取得ステップにおいて求めた上記肉質毎の購入希望量とに基づいて、上記肉質毎の販売単価を提案する販売単価提案ステップとをコンピュータに実行させること
   を特徴とする食肉の販売単価提案プログラム。
2. 食肉の肉質毎の販売単価を提案する販売単価提案プログラムにおいて、
   判別対象の食肉から遊離アミノ酸、脂肪酸組成、オレイン酸、イノシン酸、グアニル酸、ビタミンＥの何れか１以上を分析した分析情報を取得する情報取得ステップと、
   過去において、食肉について上記分析情報に応じた遊離アミノ酸、脂肪酸組成、オレイン酸、イノシン酸、グアニル酸、ビタミンＥの何れか１以上を予め分析して取得した参照用分析情報と、肉質との３段階以上の第１連関度を利用し、上記情報取得ステップにおいて取得した分析情報に応じた参照用分析情報に基づき、上記第１連関度のより高いものを優先させて、肉質を判別する判別ステップと、
   上記判別ステップにおいて順次判別した食肉の肉質毎の量を求める食肉量取得ステップと、
   各購入希望者から送信されてきた各食肉の肉質に関する購入希望を収集し、上記肉質毎の購入希望量を求める購入希望量取得ステップと、
   上記食肉量取得ステップにおいて求めた上記肉質毎の食肉の量と、上記購入希望量取得ステップにおいて求めた上記肉質毎の購入希望量とに基づいて、上記肉質毎の販売単価を提案する販売単価提案ステップとをコンピュータに実行させること
   を特徴とする食肉の販売単価提案プログラム。
3. 食肉の肉質毎の販売単価を提案する販売単価提案プログラムにおいて、
   判別対象の食肉の弾力性に関する弾力性情報を取得する情報取得ステップと、
   過去において検査した食肉の弾力性に関する参照用弾力性情報と、肉質との３段階以上の第１連関度を利用し、上記情報取得ステップにおいて取得した弾力性情報に応じた参照用弾力性情報に基づき、上記第１連関度のより高いものを優先させて、肉質を判別する判別ステップと、
   上記判別ステップにおいて順次判別した食肉の肉質毎の量を求める食肉量取得ステップと、
   各購入希望者から送信されてきた各食肉の肉質に関する購入希望を収集し、上記肉質毎の購入希望量を求める購入希望量取得ステップと、
   上記食肉量取得ステップにおいて求めた上記肉質毎の食肉の量と、上記購入希望量取得ステップにおいて求めた上記肉質毎の購入希望量とに基づいて、上記肉質毎の販売単価を提案する販売単価提案ステップとをコンピュータに実行させること
   を特徴とする食肉の販売単価提案プログラム。
4. 食肉の肉質毎の販売単価を提案する販売単価提案プログラムにおいて、
   判別対象の食肉の匂いに関する匂い情報を取得する情報取得ステップと、
   過去において検査した食肉の匂いに関する参照用匂い情報と、肉質との３段階以上の第１連関度を利用し、上記情報取得ステップにおいて取得した匂い情報に応じた参照用匂い情報に基づき、上記第１連関度のより高いものを優先させて、肉質を判別する判別ステップと、
   上記判別ステップにおいて順次判別した食肉の肉質毎の量を求める食肉量取得ステップと、
   各購入希望者から送信されてきた各食肉の肉質に関する購入希望を収集し、上記肉質毎の購入希望量を求める購入希望量取得ステップと、
   上記食肉量取得ステップにおいて求めた上記肉質毎の食肉の量と、上記購入希望量取得ステップにおいて求めた上記肉質毎の購入希望量とに基づいて、上記肉質毎の販売単価を提案する販売単価提案ステップとをコンピュータに実行させること
   を特徴とする食肉の販売単価提案プログラム。
5. 食肉の肉質毎の販売単価を提案する販売単価提案プログラムにおいて、
   食肉を提供する家畜の飼育環境に関する飼育環境情報を取得する情報取得ステップと、
   過去において検査した食肉を提供する家畜の飼育環境に関する参照用飼育環境情報と、肉質との３段階以上の第１連関度を利用し、上記情報取得ステップにおいて取得した飼育環境情報に応じた参照用飼育環境情報に基づき、上記第１連関度のより高いものを優先させて、肉質を判別する判別ステップと、
   上記判別ステップにおいて順次判別した食肉の肉質毎の量を求める食肉量取得ステップと、
   各購入希望者から送信されてきた各食肉の肉質に関する購入希望を収集し、上記肉質毎の購入希望量を求める購入希望量取得ステップと、
   上記食肉量取得ステップにおいて求めた上記肉質毎の食肉の量と、上記購入希望量取得ステップにおいて求めた上記肉質毎の購入希望量とに基づいて、上記肉質毎の販売単価を提案する販売単価提案ステップとをコンピュータに実行させること
   を特徴とする食肉の販売単価提案プログラム。
6. 食肉の肉質毎の販売単価を提案する販売単価提案プログラムにおいて、
   食肉を提供する家畜に施した餌に関する餌情報を取得する情報取得ステップと、
   過去において検査した食肉を提供する家畜に施した餌に関する参照用餌情報と、肉質との３段階以上の第１連関度を利用し、上記情報取得ステップにおいて取得した餌情報に応じた参照用餌情報に基づき、上記第１連関度のより高いものを優先させて、肉質を判別する判別ステップと、
   上記判別ステップにおいて順次判別した食肉の肉質毎の量を求める食肉量取得ステップと、
   各購入希望者から送信されてきた各食肉の肉質に関する購入希望を収集し、上記肉質毎の購入希望量を求める購入希望量取得ステップと、
   上記食肉量取得ステップにおいて求めた上記肉質毎の食肉の量と、上記購入希望量取得ステップにおいて求めた上記肉質毎の購入希望量とに基づいて、上記肉質毎の販売単価を提案する販売単価提案ステップとをコンピュータに実行させること
   を特徴とする食肉の販売単価提案プログラム。
7. 食肉の肉質毎の販売単価を提案する販売単価提案プログラムにおいて、
   食肉を提供する家畜の産地に関する産地情報を取得する情報取得ステップと、
   過去において検査した食肉を提供する家畜の産地に関する参照用産地情報と、肉質との３段階以上の第１連関度を利用し、上記情報取得ステップにおいて取得した産地情報に応じた参照用産地情報に基づき、上記第１連関度のより高いものを優先させて、肉質を判別する判別ステップと、
   上記判別ステップにおいて順次判別した食肉の肉質毎の量を求める食肉量取得ステップと、
   各購入希望者から送信されてきた各食肉の肉質に関する購入希望を収集し、上記肉質毎の購入希望量を求める購入希望量取得ステップと、
   上記食肉量取得ステップにおいて求めた上記肉質毎の食肉の量と、上記購入希望量取得ステップにおいて求めた上記肉質毎の購入希望量とに基づいて、上記肉質毎の販売単価を提案する販売単価提案ステップとをコンピュータに実行させること
   を特徴とする食肉の販売単価提案プログラム。
8. 上記食肉量取得ステップでは、肉質に応じてグルーピングした各グループにおける食肉の量を求め、
   上記購入希望量取得ステップでは、肉質に応じて上記グループにグルーピングし、上記各グループにおける購入希望量を求め、
   上記販売単価提案ステップでは、上記食肉量取得ステップにおいて求めた各グループにおける食肉の量と、上記購入希望量取得ステップにおいて求めた各グループにおける購入希望量とに基づいて、上記各グループ毎の販売単価を提案すること
   を特徴とする請求項１～７のうち何れか１項記載の食肉の販売単価提案プログラム。
9. 上記販売単価提案ステップでは、上記肉質毎の食肉の量が上記肉質毎の購入希望量よりも多くなるにつれて販売単価をより下降させ、上記肉質毎の食肉の量が上記肉質毎の購入希望量よりも少なくなるにつれて販売単価をより上昇させること
   を特徴とする請求項１～７のうち何れか１記載の食肉の販売単価提案プログラム。
10. 上記販売単価提案ステップでは、上記肉質毎の食肉の量に関する参照用食肉量情報と、上記肉質毎の購入希望量に関する参照用購入希望量情報とを有する組み合わせと、販売単価との３段階以上の第２連関度を利用し、上記食肉量取得ステップにおいて求めた上記肉質毎の食肉の量と、上記購入希望量取得ステップにおいて求めた上記肉質毎の購入希望量とに基づき、上記第２連関度のより高いものを優先させて、販売単価を提案すること
    を特徴とする請求項１～７のうち何れか１記載の食肉の販売単価提案プログラム。
11. 上記判別ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記第１連関度を利用すること
    を特徴とする請求項１～１０のうち何れか１項記載の食肉の販売単価提案プログラム。

Images