JP2022107310A - 動物健康状態判別プログラム - Google Patents

Abstract

【課題】特段のスキルや経験が無くても、動物の健康状態を自動的かつ高精度に判定する。【解決手段】動物の健康状態を判別する動物健康状態判別プログラムにおいて、判別対象の動物の動作を撮像した画像情報を取得する情報取得ステップと、予め取得した動物の動作を撮像した参照用画像情報と、動物の健康状態との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した画像情報に基づき、上記判別対象の動物の健康状態を判別する判別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。【選択図】図２０

Description

本発明は、牛や馬、豚、犬、猫等の哺乳類系の動物の健康状態を判別する動物判別プログラムに関する。

牛や馬、豚、犬、猫等の哺乳類系の動物は、時に身体やメンタル面に健康を害する場合がある。

しかしながら、この動物の健康状態の見極めは熟練者であってもなかなか難しい場合が多い。仮に意思を逃してしまうと種付けができなくなり、畜産農家にとって大きな損失になってしまう。また動物の成長を止めてしまうことにもなり、肉の生産量が低下してしまう。またペットの動物の健康状態が分からない状態で飼育し、接してしまうと、ペットが病気になったり、飼い主になつかなくなってしまう場合もある。このため、動物の健康状態の判別を補助してくれるツールの提供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、動物の健康状態を判別する動物健康状態判別プログラムにおいて、健康状態を自動的かつ高精度に判定することが可能な動物健康状態判別プログラムを提供することにある。

上述した課題を解決するために、本発明に係る動物健康状態判別プログラムは、動物の健康状態を判別する動物健康状態判別プログラムにおいて、判別対象の動物の動作を撮像した画像情報を取得する情報取得ステップと、予め取得した動物の動作を撮像した参照用画像情報と、動物の健康状態との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した画像情報に基づき、上記判別対象の動物の健康状態を判別する判別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、動物の健康状態を自動的かつ高精度に判定することが可能となる。

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。

以下、本発明を適用した動物健康状態判別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。

第１実施形態
図１は、本発明を適用した動物健康状態判別プログラムが実装される動物意思判別システム１の全体構成を示すブロック図である。動物意思判別システム１は、情報取得部９と、情報取得部９に接続された探索装置２と、探索装置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、後述する探索装置２と一体化されていてもよい。情報取得部９は、検知した情報を探索装置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、流量センサ、その他物質や物性を特定することが可能なセンサも含む。情報取得部９は、インターネット上のサイトに掲載されている文字列やデータを自動的に取り込んでくる手段で構成されていてもよい。また、情報取得部は、動物に装着する加速度センサも含む。

ここでいう動物とは、哺乳類に属するあらゆる動物を意味するが、その中でも牛や馬、豚や羊等の家畜に加え、各家庭において飼育する犬や猫等の動物も含まれる。また飼育する動物以外に、野生の動物もこれに含まれる。

データベース３は、動物意思判別を行う上で必要な様々な情報が蓄積される。動物意思判別を行う上で必要な情報としては、予め取得した動物の身体に取り付けられた加速度センサにより検知された動物の動作に応じた参照用加速度情報、動物の動作を撮像した参照用画像情報、動物の音声を録音した参照用音声情報、予め取得した動物の意思の履歴に関する参照用意思履歴情報と、予め各動物から検出した参照用生体情報、予め取得した動物の属性に関する参照用属性情報、上記参照用画像情報を撮像した時間帯に関する参照用時間帯情報、上記参照用画像情報を撮像した時点における当該動物の位置を示す参照用位置情報等と、判別対象の動物の意思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、このような参照用加速度情報、参照用画像情報、参照用音声情報、参照用餌消費量情報、参照用意思履歴情報、参照用生体情報、参照用属性情報、参照用時間帯情報、参照用位置情報の何れか１以上と、判別対象の動物の意思とが互いに紐づけられて記憶されている。

探索装置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、この探索装置２による探索解を得ることができる。

図２は、探索装置２の具体的な構成例を示している。この探索装置２は、探索装置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、各種判断を行う推定部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、探索装置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、推定部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。

推定部２７は、探索解を推定する。この推定部２７は、推定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。この推定部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動物意思判別システム１における動作について説明をする。

動物意思判別システム１では、例えば図３に示すように、参照用加速度情報と、参照用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。参照用加速度情報とは、牛や馬、豚等の哺乳類系の動物、或いは犬や猫等の哺乳類系のペットの首や身体に取り付けられた加速度センサにより検知された加速度のデータである。この参照用加速度情報は、動物の動きが如実に反映される。意思の雌牛は、落ち着きがなくなったり、歩行の速さや頻度も変わると言われているが、このような行動が加速度センサにより検知される参照用加速度情報として反映されることになる。また意思の雌牛は、他の牛に乗駕する行動も見せるが、このような行動が加速度センサにより検知される参照用加速度情報として反映されることになる。更に空腹時の馬や牛は、その空腹を示すためのアクションを起こしたり、或いは元気がなくなり動きが鈍くなる場合があり、このような行動が加速度センサにより検知される参照用加速度情報として反映されることになる。

参照用画像情報は、このような動物の動作や行動をカメラにより撮像することで得られた画像データで構成される。動物の落ち着きの無さ、歩行の頻度や速さ、犬が尻尾を振る動作、他の牛への乗駕といった行動の画像データを取得し、必要に応じてその画像データを画像解析することにより、これを取得する。また空腹時や体調不良時の動作の画像データを取得し、必要に応じてその画像データを画像解析することにより、これを取得する。必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。また、このような動物の行動や動作を解析画像の特徴量に基づいて類型化して自動的に整理してもよい。また、参照用画像情報は、動物の顔や表情の画像で構成されていてもよいし、動物の姿全体の画像で構成されていてもよい。

入力データとしては、このような参照用加速度情報と、参照用画像情報が並んでいる。このような入力データとしての、参照用加速度情報に対して、参照用画像情報が組み合わさったものが、図３に示す中間ノード６１である。各中間ノード６１は、更に出力に連結している。この出力においては、動物の意思Ａ～Ｅが表示されている。この動物の意思は、実際の動物が発情する時期が、何日後、何時間後に発情し、何日後、何時間後に意思が終了する等のように示されていてもよいし、意思の始点の月日と時刻並びに意思の終点の月日と時刻が示されるものであってもよい。或いは動物は現在空腹である、体をきれいにしたい、水が飲みたい、排泄をしたい、更には体調が悪いので改善して欲しい、環境を改善して欲しい等の様々な欲求的な意思が設定されていてもよい。これに加えて、この動物の意思は、好き、嫌い、かわいい、機嫌がよくない、イライラしている、心地よい等、感情的なものも含まれる。

意思がいかなるものであるかの判別は、専門家や熟練者、畜産業者等により、判別されるものであってもよいし、実際に種付けや施餌、排泄、洗浄を行わせた結果から判別されるものであってもよい。かかる場合には実際に種付けを行わせて成功した場合には、その期間は意思と判断し、種付けを行わせて失敗だった場合、或いは種付け自体を受け付けなかった場合は、意思でないものと判断するようにしてもよい。また餌を施した結果、その食いつきのよさや餌の消費量等から判別するようにしてもよい。また、欲求的な意思や感情的な意思については、獣医等の専門家による判断により特定され、データが作られる。

参照用加速度情報と、参照用画像情報を通じて、動物の様々な意思の兆候を抽出し、その抽出した意思のデータでデータセットを作ることができる。このようなデータセットを作って学習させることで、参照用加速度情報と、参照用画像情報から、動物がいかなる意思を持っているのかを出力することが可能となる。

参照用加速度情報と、参照用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、意思に対して３段階以上の連関度を通じて互いに連関しあっている。参照用加速度情報と、参照用画像情報がこの連関度を介して左側に配列し、意思Ａ、Ｂ、Ｃ、Ｄ、Ｅ、・・・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加速度情報と、参照用画像情報に対して、何れの意思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、各参照用加速度情報と、参照用画像情報が、いかなる意思に紐付けられる可能性が高いかを示す指標であり、各参照用加速度情報と、参照用画像情報から、最も相応しい意思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～ｗ２２が示されている。このｗ１３～ｗ２２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意思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意思と互いに関連度合いが低いことを示している。

探索装置２は、このような図３に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で参照用加速度情報と参照用画像情報、並びにその場合の意思の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３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、例えば参照用加速度情報Ｐ０１で、参照用画像情報Ｐ１６である場合に、その意思を過去のデータから分析する。Ａの事例が多い場合には、このＡにつながる連関度をより高く設定し、Ｂの事例が多く、Ａの事例が少ない場合には、Ｂにつながる連関度を高くし、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、意思ＡとＢの出力にリンクしているが、以前の事例から意思Ａにつながるｗ１３の連関度を７点に、意思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。

図３に示す連関度の例で、ノード６１ｂは、参照用加速度情報Ｐ０１に対して、参照用画像情報Ｐ１４の組み合わせのノードであり、意思Ｃの連関度がｗ１５、意思Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用加速度情報Ｐ０２に対して、参照用画像情報Ｐ１５、Ｐ１７の組み合わせのノードであり、意思Ｂの連関度がｗ１７、意思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、実際にこれから意思判別のため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、新たに意思の判別を行う判別対象の動物から加速度情報に加え、画像情報を取得する。加速度情報に加え、画像情報の取得方法は、上述した参照用加速度情報、参照用画像情報と同様である。

このようにして新たに取得した加速度情報、画像情報に基づいて、最適な意思を探索する。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、新たに取得した加速度情報がＰ０２と同一かこれに類似するものである場合であって、画像情報がＰ１７と同一かこれに類似する場合には、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、意思Ｃがｗ１９、意思Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い意思Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる意思Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

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、上述した連関度を構成する参照用加速度情報、参照用画像情報を取得した動物と、新たに加速度情報、画像情報を取得する判別対象の動物は同一である必要は無い。

図４は、上述した参照用加速度情報と、参照用音声情報との組み合わせと、当該組み合わせに対する意思との３段階以上の連関度が設定されている例を示している。

参照用音声情報とは、動物の音声を録音することで得ることができる。動物は、何らかの意思を持つ場合、声を上げたり、鳴いたりする場合が多い。このため、動物の音声を解析することで、動物の意思を判別することができる。動物の音声は例えば厩舎等に設置されたマイクロフォンを通じて検出することができる。

参照用音声情報は、録音した音声を周波数解析し、或いはそのトーンや強弱も含めて解析するようにしてもよい。この参照用音声情報は、ある期間における音声を時系列的に取得し、これを解析したものであってもよい。

図４の例では、入力データとして例えば参照用加速度情報Ｐ０１～Ｐ０３、参照用音声情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用加速度情報に対して、参照用音声情報が組み合わさったものが、図４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、動物の意思が表示されている。

参照用加速度情報と参照用音声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、意思に対して３段階以上の連関度を通じて互いに連関しあっている。参照用加速度情報と参照用音声情報がこの連関度を介して左側に配列し、意思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加速度情報と参照用音声情報に対して、意思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、各参照用加速度情報と参照音声情報が、いかなる意思に紐付けられる可能性が高いかを示す指標であり、参照用加速度情報と参照用音声情報から最も確からしい各意思を選択する上での的確性を示すものである。加速度情報に加え、実際の動物の音声がいかなるものであるのかに応じて、意思は変化する。このため、これらの参照用加速度情報と参照用音声情報の組み合わせで、最適な意思を探索していくこととなる。

図４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。

探索装置２は、このような図４に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用加速度情報と参照用音声情報、並びにその場合の意思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４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、例えば参照用加速度情報Ｐ０１で、参照用音声情報Ｐ２０である場合に、その動物の意思を過去のデータから分析する。例えば中間ノード６１ａの例では、意思ＡとＢの出力にリンクしているが、以前の事例から意思Ａにつながるｗ１３の連関度を７点に、意思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４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４に示す連関度の例で、ノード６１ｂは、参照用加速度情報Ｐ０１に対して、参照用音声情報Ｐ１８の組み合わせのノードであり、意思Ｃの連関度がｗ１５、意思Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用加速度情報Ｐ０２に対して、参照用音声情報Ｐ１９、Ｐ２１の組み合わせのノードであり、意思Ｂの連関度がｗ１７、意思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、実際にこれから助言を行う際において、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、上述した加速度情報に加え、新たに意思を判定する判別対象の動物の音声情報を取得する。音声情報の取得方法は、参照用音声情報と同様である。

このような参照用音声情報、音声情報の取り込み方法は、上述した音声情報が記述されている書類の記載を画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。

このようにして新たに取得した加速度情報、音声情報に基づいて、動物の意思を探索する。かかる場合には、予め取得した図４（表１）に示す連関度を参照する。例えば、新たに取得した加速度情報がＰ０２と同一かこれに類似するものである場合であって、音声情報がＰ２１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、意思Ｃがｗ１９、意思Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い意思Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる意思Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図５は、上述した参照用画像情報と、参照用音声情報との組み合わせと、当該組み合わせに対する意思との３段階以上の連関度が設定されている例を示している。このように、参照用画像情報と、参照用音声情報との組み合わせと、当該組み合わせに対する意思との３段階以上の連関度を予め取得しておく。実際の判定時には、判別対象の動物の画像情報と音声情報を取得する。そして、連関度を参照した上で、新たに取得した画像情報と音声情報とに基づき、動物の意思を上述と同様に判定する。

図６は、上述した参照用加速度情報と、参照用画像情報に加えて、更に参照用餌消費量情報との組み合わせと、当該組み合わせに対する動物の意思との３段階以上の連関度が設定されている例を示している。

参照用餌消費量は、動物の実際の餌の消費量を示す情報である。この参照用餌消費量情報は、実際に動物が摂取する餌の消費量を飼育担当者が都度計測することで得るようにしてもよい。その計測方法は、餌が入った餌箱の重さを、給餌前と給餌後で計測し、その差分値から餌の消費量を算出するようにしてもよい。また、餌（干し草など）が入ってる容器内を外部のカメラから撮像し、得られた画像情報を給餌前と給餌後とでそれぞれ解析することで餌の消費量を算出するようにしてもよい。なお、この参照用餌消費量情報の代替として、参照用餌情報を利用するようにしてもよい。この参照用餌情報は、餌の栄養素、餌の中身やメニュー、餌の供給頻度、餌の供給時間等のデータで構成される。また参照用餌情報は、餌の配合成分や量から換算可能なカロリー数で構成されていてもよい。また参照用餌情報には、参照用餌消費量情報において示されるような餌の消費量に関する情報も含めてもよい。

かかる場合において、連関度は、図６に示すように、参照用加速度情報と、参照用画像情報と、参照用餌消費量情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ～６１ｅとして表現されることとなる。

例えば、図６において、ノード６１ｃは、参照用加速度情報Ｐ０２が連関度ｗ３で、参照用画像情報Ｐ１５が連関度ｗ７で、参照用餌消費量情報Ｗが連関度ｗ１１で連関している。同様にノード６１ｅは、参照用加速度情報Ｐ０３が連関度ｗ５で、参照用画像情報Ｐ１５が連関度ｗ８で、参照用餌消費量情報Ｖが連関度ｗ１０で連関している。
参照用餌消費量情報は、時系列的な餌の消費量の変化を一つのデータとして取得するものであってもよい。これにより、通常の餌の消費量と比較して、直近の餌の消費量が減少したか、或いは増加したか、その傾向を把握することが可能となる。

このような連関度が設定されている場合も同様に、新たに判別対象の動物から取得した加速度情報と、画像情報と、餌消費量情報に基づいて、当該動物の意思を判別する。

この意思を判別する上で予め取得した図６に示す連関度を参照する。例えば、加速度情報が参照用加速度情報Ｐ０２に同一又は類似で、取得した画像情報が参照用画像情報Ｐ１５と同一、類似であることが特定でき、更に取得した餌消費量情報が、参照用餌消費量情報Ｗであることが特定できた場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、意思Ｂが連関度ｗ１７で、また意思Ｄが連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際にその新たに加速度情報と、画像情報と、餌消費量情報とを取得した判別対象の動物における意思を求めていくことになる。

動物の意思は、餌の消費量に反映されると言われており、このような餌消費量情報を参照することで動物の意思を高精度に判別することが可能となる。

なお、参照用餌消費用情報の代替として参照用餌情報を学習させた場合には、新たに餌情報を取得する。この餌情報は、上述した参照用餌情報と同様に、判別対象の動物の餌の栄養素、餌の中身やメニュー、餌の供給頻度、餌の供給時間等のデータで構成される。また参照用餌情報は、餌の配合成分や量から換算可能なカロリー数で構成されている。新たに取得した餌情報に対応する参照用餌情報に基づいて、上述と同様に解探索をすることができる。

図７は、上述した参照用加速度情報と、参照用画像情報に加えて、更に参照用外陰部情報との組み合わせと、当該組み合わせに対する動物の意思との３段階以上の連関度が設定されている例を示している。

参照用外陰部情報は、動物の外陰部を示す情報である。この参照用外陰部情報は、動物の外陰部をカメラにより撮像した画像情報で構成されていてもよいし、実際に外陰部を視認、観察し、その状況を把握した上でデータとして入力されるものであってもよい。また、この参照用外陰部情報は、外陰部出てくる発情粘液の有無を画像やセンサ、或いは厩務員による視認により検知、確認した結果のデータで構成されていてもよい。

かかる場合において、連関度は、図７に示すように、参照用加速度情報と、参照用画像情報と、参照用外陰部情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ～６１ｅとして表現されることとなる。

例えば、図７において、ノード６１ｃは、参照用加速度情報Ｐ０２が連関度ｗ３で、参照用画像情報Ｐ１５が連関度ｗ７で、参照用外陰部情報Ｗが連関度ｗ１１で連関している。同様にノード６１ｅは、参照用加速度情報Ｐ０３が連関度ｗ５で、参照用画像情報Ｐ１５が連関度ｗ８で、参照用外陰部情報Ｖが連関度ｗ１０で連関している。

このような連関度が設定されている場合も同様に、新たに判別対象の動物から取得した加速度情報と、画像情報と、外陰部情報に基づいて、当該動物の意思を判別する。

この意思を判別する上で予め取得した図７に示す連関度を参照する。例えば、加速度情報が参照用加速度情報Ｐ０２に同一又は類似で、取得した画像情報が参照用画像情報Ｐ１５と同一、類似であることが特定でき、更に取得した外陰部情報が、参照用外陰部情報Ｗであることが特定できた場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、意思Ｂが連関度ｗ１７で、また意思Ｄが連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際にその新たに加速度情報と、画像情報と、外陰部情報とを取得した判別対象の動物における意思を求めていくことになる。

特に意思の雌の動物は、外陰部の状況が変化し、また外陰部から粘液を出すと言われており、このような外陰部情報を参照することで動物の意思を高精度に判別することが可能となる。

図８は、上述した参照用加速度情報と、参照用画像情報に加えて、更に参照用生乳量情報との組み合わせと、当該組み合わせに対する動物の意思との３段階以上の連関度が設定されている例を示している。

参照用生乳量情報は、雌の動物から採取可能な生乳の量であり、特に乳牛やヤギ等、生乳を採取可能な動物から検出することができる。この参照用生乳量情報は、１日当たり又は１回あたり、或いは単位時間あたりで採取される生乳量を示すものである。

かかる場合において、連関度は、図８に示すように、参照用加速度情報と、参照用画像情報と、参照用生乳量情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ～６１ｅとして表現されることとなる。

例えば、図８において、ノード６１ｃは、参照用加速度情報Ｐ０２が連関度ｗ３で、参照用画像情報Ｐ１５が連関度ｗ７で、参照用生乳量情報Ｗが連関度ｗ１１で連関している。同様にノード６１ｅは、参照用加速度情報Ｐ０３が連関度ｗ５で、参照用画像情報Ｐ１５が連関度ｗ８で、参照用生乳量情報Ｖが連関度ｗ１０で連関している。

このような連関度が設定されている場合も同様に、新たに判別対象の動物から取得した加速度情報と、画像情報と、生乳量情報に基づいて、当該動物の意思を判別する。

この意思を判別する上で予め取得した図８に示す連関度を参照する。例えば、加速度情報が参照用加速度情報Ｐ０２に同一又は類似で、取得した画像情報が参照用画像情報Ｐ１５と同一、類似であることが特定でき、更に取得した生乳量情報が、参照用生乳量情報Ｗであることが特定できた場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、意思Ｂが連関度ｗ１７で、また意思Ｄが連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際にその新たに加速度情報と、画像情報と、生乳量情報とを取得した判別対象の動物における意思を求めていくことになる。

動物の意思は、採取できる生乳量に反映される場合があるため、このような生乳量情報を参照することで動物の意思を高精度に判別することが可能となる。

また本発明によれば、判別対象の動物毎の過去の意思の履歴に関する意思履歴情報を更に取得するようにしてもよい。この意思履歴情報は、毎年判別された意思の種類やその時期、その動物が何度も受胎して出産している場合には、その受胎履歴、受胎から出産までの経過、産後の状況、出産した子供の状況が含まれる。また、意思履歴情報は、食欲の場合、日々施されている餌の種類や量、餌の消費量等の履歴情報等で構成されていてもよい。またこれに加えて、その動物について、取得した（加速度情報、画像情報、・・・生乳量情報）に対して、いかなるタイミングで種付けを行ったところ、いかなる結果であったのか、いかなるタイミングで餌を施したところ、その消費量や食いつきがいかなる結果であったのかを示すものであってもよい。

意思を判別する際には、このような意思履歴情報を参照することで判別精度の向上を図るようにしてもよい。上述した連関度を通じて判別された意思は、更に、意思履歴情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。例えば、意思履歴情報において、毎年比較的早めに意思がくる動物については、連関度を通じて判別された意思を早めに設定するようにしてもよいし、早めの意思につながる連関度重み付けを重くするようにしてもよい。

このような意思履歴情報を参照するのは、上述した全ての連関度において同様に行うようにしてもよい。

また本発明は、図５に示す連関度において、参照用音声情報の代替として、参照用餌消費量情報を適用するようにしてもよい。かかる場合には、予め取得した動物の動作を撮像した参照用画像情報と、予め取得した動物の餌の消費量に関する参照用餌消費量情報とを有する組み合わせと、動物の意思との３段階以上の連関度を形成しておく。

次に判別対象の動物の動作を撮像した画像情報と、判別対象の動物の餌の消費量に関する餌消費量情報とを上述と同様に取得する。そして、形成した連関度を参照し、取得した画像情報に応じた参照用画像情報と、取得した餌消費量情報に応じた参照用餌消費量情報とに基づいて動物の意思を判別する。この意思の判別方法の詳細は、上述と同様である。

また本発明は、図５に示す連関度において、参照用音声情報の代替として、参照用意思履歴情報を適用するようにしてもよい。かかる場合には、予め取得した動物の動作を撮像した参照用画像情報と、予め取得した動物の意思の履歴に関する参照用意思履歴情報とを有する組み合わせと、動物の意思との３段階以上の連関度を形成しておく。

次に判別対象の動物の動作を撮像した画像情報と、判別対象の動物毎の過去の意思の履歴に関する意思履歴情報とを上述と同様に取得する。そして、形成した連関度を参照し、取得した画像情報に応じた参照用画像情報と、取得した意思履歴情報に応じた参照用意思履歴情報とに基づいて動物の意思を判別する。この意思の判別方法の詳細は、上述と同様である。

また本発明は、図５に示す連関度において、参照用音声情報の代替として、参照用生体情報を適用するようにしてもよい。かかる場合には、予め取得した動物の動作を撮像した参照用画像情報と、予め各動物から検出した参照用生体情報とを有する組み合わせと、動物の意思との３段階以上の連関度を形成しておく。

参照用生体情報、生体情報は、動物から検出したあらゆる生体の情報を含み、例えば体温や心拍数、脈拍、血中酸素濃度、血中二酸化炭素の量等で構成される。体温は例えばサーモセンサ等を通じて測定し、心拍数や血中酸素濃度は例えばチップセンサーや、センシング機能が付いたＩＣタグ等を利用するようにしてもよい。このような生体情報も同様に意思を如実に表す場合があるため、これを説明変数とする。また参照用生体情報、生体情報は、例えば体重や、糞尿の回数、糞尿の量や糞の形態も含めてもよい。

次に判別対象の動物の動作を撮像した画像情報と、判別対象の動物毎の過去の意思の履歴に関する生体情報とを上述と同様に取得する。そして、形成した連関度を参照し、取得した画像情報に応じた参照用画像情報と、取得した生体情報に応じた参照用生体情報とに基づいて動物の意思を判別する。この意思の判別方法の詳細は、上述と同様である。

また本発明は、図５に示す連関度において、参照用音声情報の代替として、参照用属性情報を適用するようにしてもよい。かかる場合には、予め取得した動物の動作を撮像した参照用画像情報と、予め取得した動物の属性に関する参照用属性情報とを有する組み合わせと、動物の意思との３段階以上の連関度を形成しておく。

参照用属性情報、属性情報は、動物の年齢や性別、種類、血統、過去の病歴、過去の出産歴、サイズや体重等のデータで構成される。これらのデータは、畜産業者等が手入力により入力するものであってもよい。このような属性情報も同様に意思を如実に表す場合があるため、これを説明変数とする。

次に判別対象の動物の動作を撮像した画像情報と、判別対象の動物の属性に関する属性情報とを上述と同様に取得する。そして、形成した連関度を参照し、取得した画像情報に応じた参照用画像情報と、取得した属性情報に応じた参照用属性情報とに基づいて動物の意思を判別する。この意思の判別方法の詳細は、上述と同様である。

また本発明は、図５に示す連関度において、参照用音声情報の代替として、参照用時間帯情報を適用するようにしてもよい。かかる場合には、予め取得した動物の動作を撮像した参照用画像情報と、参照用画像情報を撮像した時間帯に関する参照用時間帯情報とを有する組み合わせと、動物の意思との３段階以上の連関度を形成しておく。

参照用時間帯情報、時間帯情報は、参照用画像情報を撮像した時間帯として、例えば午前や午後等のくくりでもよいし、時間毎、或いは分毎のピッチで示されるものであってもよい。時間帯によって動物の意思の動作が異なる場合もあることから、これも説明変数とする。

次に判別対象の動物の動作を撮像した画像情報と、画像情報を撮像した時間帯に関する時間帯情報とを上述と同様に取得する。そして、形成した連関度を参照し、取得した画像情報に応じた参照用画像情報と、取得した時間帯情報に応じた参照用時間帯情報とに基づいて動物の意思を判別する。この意思の判別方法の詳細は、上述と同様である。

また本発明は、図５に示す連関度において、参照用音声情報の代替として、参照用位置情報を適用するようにしてもよい。かかる場合には、予め取得した動物の動作を撮像した参照用画像情報と、参照用画像情報を撮像した時点における当該動物の位置を示す参照用位置情報とを有する組み合わせと、動物の意思との３段階以上の連関度を形成しておく。

参照用位置情報、位置情報は、参照用画像情報を撮像した位置として、例えばＧＰＳ等により検出された位置座標で構成されていてもよい。その動物がポジショニングする位置に応じて動物の意思の動作が異なる場合もあることから、これも説明変数とする。

次に判別対象の動物の動作を撮像した画像情報と、画像情報を撮像した時点における当該動物の位置を示す位置情報とを上述と同様に取得する。そして、形成した連関度を参照し、取得した画像情報に応じた参照用画像情報と、取得した位置情報に応じた参照用位置情報とに基づいて動物の意思を判別する。この意思の判別方法の詳細は、上述と同様である。

また、図９に示すように、参照用情報Ｕとして、参照用加速度情報、参照用画像情報、参照用音声情報、参照用餌消費量情報、参照用外陰部情報、参照用生乳量情報等で構成し、参照用情報Ｖとして、参照用情報Ｕと組み合わせて連関度を構成する参照用加速度情報、参照用画像情報、参照用音声情報、参照用餌消費量情報、参照用外陰部情報、参照用生乳量情報とし、これらの組み合わせの連関度に基づいて判別するようにしてもよい。出力解は、上述した意思である。

このとき、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を介して出力と関連付けられていてもよい。例えば、参照用情報Ｕについて、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、出力を探索するようにしてもよい。

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、誰でも手軽に動物の意思の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。

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より動物の意思に関する信憑性が高く、誤認の低い動物の意思を判別することで、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。また加速度情報、画像情報、音声情報、餌消費量情報、外陰部情報、生乳量情報に関する知見、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。

なお、上述した実施の形態においては、基調となる参照用情報として、参照用画像情報とし、他の参照用情報として、参照用加速度情報、参照用音声情報、参照用餌消費量情報、参照用外陰部情報、参照用生乳量情報、参照用意思履歴情報、参照用生体情報、参照用属性情報、参照用時間帯情報、参照用位置情報の何れかとの組み合わせで連関度を構成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無い。基調となる参照用情報として、参照用画像情報以外の参照用加速度情報、参照用音声情報、参照用餌消費量情報、参照用外陰部情報、参照用生乳量情報、参照用意思履歴情報、参照用生体情報、参照用属性情報、参照用時間帯情報、参照用位置情報とし、他の参照用情報としては、その基調となる参照用情報以外のいかなる参照用情報を組み合わせて連関度を形成するようにしてもよい。

また、本発明によれば、図１０に示すように、基調となる参照用情報と、他の参照用情報との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた基調となる参照用情報と他の参照用情報との３段階以上の連関度に基づき、解探索を行うことになる。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報の一つとして、参照用生体情報における体温が非常に高い場合には、以前において体調が不良である旨を判別したことがあったものとする。このとき、動物の意思として、「体調を良くしたい」という探索解に対して、重み付けを上げる処理を行い、換言すれば「体調を良くしたい」が高く確率で探索解につながるようにする処理を行うように予め設定しておく。

例えば、他の参照用情報Ｇが、動物の意思「体調を良くしたい」をより示唆するような分析結果であり、参照用情報Ｆが、動物の意思「満腹状態」をより示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、動物の意思「体調を良くしたい」の重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、動物の意思「満腹状態」の重み付けを上げる処理を行う。つまり、動物の意思につながる連関度そのものを、この参照用情報Ｆ～Ｈに基づいてコントロールするようにしてもよい。或いは、動物の意思を上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ～Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ～Ｈに基づいてどのように探索解としての動物の意思にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する動物の意思がより高いものにつながるケースほど、連関度を介して求められた探索解としての動物の意思をより高く修正し、参照用情報の示唆する動物の意思がより低いものにつながるケースほど、連関度を介して求められた探索解としての動物の意思をより低く修正するようにしてもよい。

第２実施形態
第２実施形態においては、上述した画像情報、加速度情報、音声情報等から単独で探索解としての動物の意思を求める。

例えば図１１に示すように、参照用画像情報と動物の意思との間における３段階以上の連関度を利用する。

図１１の例では、入力データとして、各地域における参照用画像情報Ｐ０１、Ｐ０２、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、Ｐ０２、Ｐ０３は、出力としての動物の意思に連結している。

参照用画像情報Ｐ０１、Ｐ０２、Ｐ０３は、この出力解としての動物の意思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、各動物の意思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、何れの動物の意思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、いかなる動物の意思に紐付けられる可能性が高いかを示す指標であり、各参照用画像情報について最も確からしい動物の意思を選択する上での的確性を示すものである。図１１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動物の意思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動物の意思と互いに関連度合いが低いことを示している。

探索装置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。つまり探索装置２は、実際の探索解の判別を行う上で、各地域の参照用画像情報と、その場合の動物の意思の何れが採用、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。

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、入力データとして各地域の参照用画像情報が入力され、出力データとして動物の意思が出力され、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、以前の各地域の参照用画像情報と、動物の意思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動物の意思の判別を行う上で、上述した学習済みデータを利用して動物の意思を探索することとなる。これらのデータセットは、業者が管理しているデータベースから読み出すことで作成するようにしてもよい。

次にこの取得した画像情報を参照用画像情報と照合する。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、連関度を介して動物の意思Ｂがｗ１５、動物の意思Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い動物の意思Ｂを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる動物の意思Ｃを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

ちなみに、画像情報と参照用画像情報の照合は、仮にこれらのデータが、完全に一致していなくても、そのデータ平均が±数％、又は±数十％の範囲内に入っているか否かで同一及び類似であるか否かを判別するようにしてもよい。また、画像情報が時系列的推移グラフで示されるものであれば、その傾向の類似性に基づいて判別されるものであってもよい。

このようにして、新たに取得する画像情報から、最も好適な動物の意思を探索し、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、その地域で、今後どのような動物の意思になりえるかを事前に判別することができ、動物の意思をアラーム等を介して通知することができ、動物の意思を理解することができ、これに応じた飼育を施すことができる。

なお、参照用画像情報の代替として、図１３に示すように、参照用加速度情報と動物の意思との間で連関度を形成させて学習させるようにしてもよい。参照用加速度情報は、第１実施形態において説明したものと同様である。

かかる場合には参照用加速度情報と、動物の意思との３段階以上の連関度を学習させておく。そして、新たに加速度情報を取得する。そして、取得した加速度情報に応じた参照用加速度情報と、動物の意思との３段階以上の連関度のより高いものを優先させて、動物の意思の探索解を探索する。

なお、参照用画像情報の代替として、図１４に示すように、参照用音声情報と動物の意思との間で連関度を形成させて学習させるようにしてもよい。参照用音声情報は、第１実施形態において説明したものと同様である。

かかる場合には参照用音声情報と、動物の意思との３段階以上の連関度を学習させておく。そして、新たに音声情報を取得する。そして、取得した音声情報に応じた参照用音声情報と、動物の意思との３段階以上の連関度のより高いものを優先させて、動物の意思の探索解を探索する。

なお、参照用画像情報の代替として、図１５に示すように、参照用生体情報と動物の意思との間で連関度を形成させて学習させるようにしてもよい。参照用生体情報、生体情報は、家畜から検出したあらゆる生体の情報を含み、例えば体温や心拍数、脈拍、血中酸素濃度、血中二酸化炭素の量等で構成される。体温は例えばサーモセンサ等を通じて測定し、心拍数や血中酸素濃度は例えばチップセンサーや、センシング機能が付いたＩＣタグ等を利用するようにしてもよい。このような生体情報も同様に動物の意思や様々な欲求を如実に表す場合があるため、これを説明変数とする。

かかる場合には参照用生体情報と、動物の意思との３段階以上の連関度を学習させておく。そして、新たに生体情報を取得する。そして、取得した生体情報に応じた参照用生体情報と、動物の意思との３段階以上の連関度のより高いものを優先させて、動物の意思の探索解を探索する。

図１６の例では、参照用画像情報と、参照用餌消費量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。入力データとして例えば参照用画像情報Ｐ１１～Ｐ１３、参照用餌消費量情報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、参照用餌消費量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、動物の意思の増減データが表示されている。

参照用画像情報と参照用餌消費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、動物の意思の増減データ又は相場に対して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餌消費量情報がこの連関度を介して左側に配列し、各動物の意思の増減データ又は相場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餌消費量情報に対して、何れの動物の意思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餌消費量情報が、いかなる動物の意思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餌消費量情報から最も確からしい動物の意思の増減データ又は相場を選択する上での的確性を示すものである。

推定装置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。つまり推定装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用餌消費量情報、並びにその場合の動物の意思がどの程度であったか、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。

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。

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、実際にこれから新たに動物の意思の増減データ又は相場（相場データ）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動物の意思の増減データ又は相場を判別することとなる。かかる場合には、画像情報を新たに取得するとともに、餌消費量情報を取得する。

このようにして新たに取得した画像情報と、餌消費量情報に基づいて、実際にその新たに画像情報と餌消費量情報とを取得した動物の意思の増減データ又は相場を予測する。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し、最も連関度の高いものを最適解として選択する。この最適解の選択方法の詳細は、上述した第１実施形態において説明した方法と同様である。

なお、この第２実施形態においては、参照用画像情報と組み合わせる他の参照用情報として、参照用餌消費量情報の代替として、参照用意思履歴情報、参照用生体情報、参照用属性情報、参照用時間帯情報、参照用位置情報を学習させるようにしてもよい。

参照用意思履歴情報、意思履歴情報は、判別対象の動物毎の過去の動物の意思の履歴に関するものである。参照用意思履歴情報は、毎年判別された動物の意思の時期、その動物が何度も受胎して出産している場合には、その受胎履歴、受胎から出産までの経過、産後の状況、出産した子供の状況が含まれる。またこれに加えて、その動物について、取得した（加速度情報、画像情報、・・・生乳量情報）に対して、いかなるタイミングで種付けを行ったところ、いかなる結果であったのかを示すものであってもよい。

参照用属性情報、属性情報は、動物の年齢や性別、種類、血統、過去の病歴、過去の出産歴、サイズや体重等のデータで構成される。これらのデータは、畜産業者等が手入力により入力するものであってもよい。このような属性情報も同様に動物の意思や個々の動物の欲求を如実に表す場合があるため、これを説明変数とする。

参照用時間帯情報、時間帯情報は、参照用画像情報を撮像した時間帯として、例えば午前や午後等のくくりでもよいし、時間毎、或いは分毎のピッチで示されるものであってもよい。時間帯によって動物の意思や個々の動物の欲求の動作が異なる場合もあることから、これも説明変数とする。

参照用位置情報、位置情報は、参照用画像情報を撮像した位置として、例えばＧＰＳ等により検出された位置座標で構成されていてもよい。その動物がポジショニングする位置に応じて動物の欲求の動作が異なる場合もあることから、これも説明変数とする。

参照用画像情報と組み合わせる参照用情報として、参照用餌消費量情報の代替として、参照用意思履歴情報を学習させるようにしてもよい。

かかる場合には参照用画像情報と参照用意思履歴情報とを有する組み合わせと、動物の意思との３段階以上の連関度を学習させておく。そして、新たに画像情報と動物の意思履歴情報を取得する。そして、取得した画像情報に応じた参照用画像情報と、動物の意思履歴情報に応じた参照用意思履歴情報とを有する組み合わせと、動物の意思との３段階以上の連関度のより高いものを優先させて、動物の意思を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用餌消費量情報の代替として、参照用生体情報を学習させるようにしてもよい。

かかる場合には参照用画像情報と参照用生体情報とを有する組み合わせと、動物の意思との３段階以上の連関度を学習させておく。そして、新たに画像情報と生体情報を取得する。この生体情報は、判別対象の動物から各種生体センサを通じて検出される。そして、取得した画像情報に応じた参照用画像情報と、生体情報に応じた参照用生体情報とを有する組み合わせと、動物の意思との３段階以上の連関度のより高いものを優先させて、動物の意思を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用餌消費量情報の代替として、参照用属性情報を学習させるようにしてもよい。

かかる場合には参照用画像情報と参照用属性情報とを有する組み合わせと、動物の意思との３段階以上の連関度を学習させておく。そして、新たに画像情報と属性情報を取得する。そして、取得した画像情報に応じた参照用画像情報と、属性情報に応じた参照用属性情報とを有する組み合わせと、動物の意思との３段階以上の連関度のより高いものを優先させて、動物の意思を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用餌消費量情報の代替として、参照用時間帯情報を学習させるようにしてもよい。

かかる場合には参照用画像情報と参照用時間帯情報とを有する組み合わせと、動物の意思との３段階以上の連関度を学習させておく。そして、新たに画像情報と時間帯情報を取得する。この時間帯情報は、判別対象の動物の画像情報を撮像した時点又はその前後の時間帯であればよい。そして、取得した画像情報に応じた参照用画像情報と、時間帯情報に応じた参照用時間帯情報とを有する組み合わせと、動物の意思の相場データとの３段階以上の連関度のより高いものを優先させて、動物の意思を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用餌消費量情報の代替として、参照用位置情報を学習させるようにしてもよい。

かかる場合には参照用画像情報と参照用位置情報とを有する組み合わせと、動物の意思との３段階以上の連関度を学習させておく。そして、新たに画像情報と位置情報を取得する。そして、取得した画像情報に応じた参照用画像情報と、位置情報に応じた参照用位置情報とを有する組み合わせと、動物の意思との３段階以上の連関度のより高いものを優先させて、動物の意思を探索する。

なお、参照用画像情報は、その画像の画素単位、又は例えば複数の画素の集合体であるブロック領域単位で、周知の画像解析に基づいて、必要に応じてディープラーニング技術を利用し、解析画像の特徴量を求めるようにしてもよい。これにより画像から判別したい対象につき特徴となる部分を際立たせた特徴マップを得ることも可能となる。このような特徴部分を、予め類型化された動物の行動パターンとの関連性を紐付けておくようにしてもよい。これにより、参照用画像情報を、その特徴部分を介して予め類型化された動物の行動パターンと関連付けることができる。行動パターンの例としては起立、反すう、横臥反すう、横臥、起立静止、空腹、運動している、休んでいる、餌を食べている、水を飲んでいる等、あらゆるものを類型化してもよい。

このような類型化した行動パターンを参照用行動パターンとしたとき、これと動物の意思を同様に連関度を通じて関連付けておくようにしてもよい。これに対して、新たに取得した画像情報から同様にその特徴部分を介して予め類型化した動物の行動パターンに当てはめる。そして当てはめた行動パターンに対応した参照用行動パターンと連関度の高い探索解を求めることができる。

また、第１実施形態～第２実施形態ともに、上述した実施の形態に限定されるものでは無く、例えば図１７に示すように、基調となる参照用情報と、動物の意思との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた参照用情報と動物の意思との３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報は、例えば参照用画像情報等であるが、これに限定されるものでは無く、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用音声情報、参照用加速度情報、参照用餌消費量情報、参照用意思履歴情報、参照用生体情報、参照用属性情報、参照用時間帯情報、参照用位置情報）も適用可能である。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報の一つとして、ある参照用餌消費量Ｐ１４において、以前において動物の意思がより早期になる徴候があったものとする。このような参照用餌消費量Ｐ１４に応じた餌消費量を新たに取得したとき、動物の排せつの意思がより早期になっている日時の探索解に対して、重み付けを上げる処理を行う。

例えば、他の参照用情報Ｇが、より動物の排せつの意思が早期になることを示唆するような分析結果であり、参照用情報Ｆが、より動物の排せつの意思が遅くなることを示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、動物の排せつの意思が早期になる探索解の重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、動物の排せつの意思が遅くなることを示唆する探索解の重み付けを上げる処理を行う。つまり、動物の意思につながる連関度そのものを、この参照用情報Ｆ～Ｈに基づいてコントロールするようにしてもよい。或いは、動物の意思を上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ～Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ～Ｈに基づいてどのように探索解としての動物の意思にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また他の参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する動物の意思につながるケースほど、連関度を介して求められた探索解としての動物の意思に近づくように修正する。

なお、図１８に示すように、動物の意思との間で連関度を構成する基調となる参照用情報は、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用音声情報、参照用加速度情報、参照用餌消費量情報、参照用意思履歴情報、参照用生体情報、参照用属性情報、参照用時間帯情報、参照用位置情報）も適用可能である。

また、基調となる参照用情報としては、上述以外に参照用行動情報を適用するようにしてもよい。この参照用行動情報は、実際に動物がいかなる行動を取ったかを検知した情報であり、犬であれば尻尾を振ったり、走ったり、お座りをしたり、或いは小便をすることで縄張りを形成する等、様々な行動がある。この参照用行動情報は、動物の行動パターンを予め類型化した参照用行動パターンで構成してもよい。かかる場合には、例えば動物を撮像した画像の特徴部分と、類型化した参照用行動パターンとを互いに紐付けておき、撮像した動物の画像の特徴部分に応じて、これらに紐付けられる参照用行動パターンを割り当てるようにしてもよい。

また、この参照用行動パターンは、予め取得した動物の身体に取り付けられた加速度センサにより検知された加速度を当てはめるようにしてもよい。動物の行動に応じて加速度センサにより検知される加速度に関してそれぞれ特徴的な傾向が現れる。この加速度の特徴的な傾向と、類型化した参照用行動パターンとを互いに紐付けておき、新たに加速度センサにより検出した動物の加速度の傾向に応じて、これらに紐付けられる参照用行動パターンを割り当てるようにしてもよい。

また参照用行動情報は、上述した参照用行動パターンとして具現化される場合に限定されるものでは無い。参照用行動情報は、例えば動物の運動量で示されるものであってもよい。運動量は例えば動物の首輪等に装着可能なデバイス等を通じて歩行量や走行距離、運動量を計測できる周知の技術を利用してもよい。また、この参照用行動情報は、動物の首に装着された、或いは動物の体内に埋め込まれたＧＰＳにより検知される位置情報を都度検出することで移動距離を求め、これを運動量として構成してもよい。

このような参照用行動情報と、動物の意思との３段階以上の連関度を学習させておく。そして、新たな判別対象としての動物の行動情報を取得する。この行動情報のデータの種類や内容、取得方法は、上述した参照用行動情報と同様である。そして、取得した行動情報に応じた参照用行動情報と、動物の意思との３段階以上の連関度のより高いものを優先させて、動物の意思の探索解を探索する。

参照用行動情報を上述した参照用行動パターンで構成する場合、判別対象の動物を撮像した画像の特徴部分を予め類型化した動物の行動パターンに当てはめ、或いは判別対象の動物の身体に取り付けられた加速度センサにより検知された当該動物の動作に応じた加速度を予め類型化した動物の行動パターンに当てはめる。この当てはめ方法は、上述した参照用行動パターンへの当てはめと同様である。次に参照用行動パターンと、動物の意思との３段階以上の連関度を参照し、上記情報取得ステップにおいて当てはめた行動パターンに基づき、上記判別対象の動物の意思を判別する。

また、基調となる参照用情報としては、上述以外に参照用環境情報を適用するようにしてもよい。この参照用環境情報は、動物が居住する空間の環境に関する情報である。参照用環境情報は、例えばペットとしての犬や猫等が室内で飼育されているのであれば、その室内における温度や湿度、光量等、物理的なパラメータとして検出可能なもので構成されていてもよいし、例えばその室内の臭気や什器や家具等の散らかり度合、更には室内空間の大きさやペットが活動し得る範囲等の情報も含めてもよい。室外においても同様に上述した物理パラメータや各種情報で構成されている。

このような参照用環境情報と、動物の意思との３段階以上の連関度を学習させておく。そして、新たな判別対象としての動物の居住する空間の環境情報を取得する。この環境情報のデータの種類や内容、取得方法は、上述した参照用環境情報と同様である。そして、取得した環境情報に応じた参照用環境情報と、動物の意思との３段階以上の連関度のより高いものを優先させて、動物の意思の探索解を探索する。

また、基調となる参照用情報としては、上述以外に参照用病歴情報を適用するようにしてもよい。この参照用環境情報は、動物の以前の病歴に関する情報である。参照用病歴情報は、動物が以前においていかなる病気に、いかなる期間に亘り、また何回発症したか、またその病気の重さ等のデータで構成される。これらの各データは動物を飼育するユーザが手入力で入力するようにしてもよいし、獣医等が保有するカルテのデータを取り込むようにしてもよい。

このような参照用病歴情報と、動物の意思との３段階以上の連関度を学習させておく。そして、新たな判別対象としての動物の以前の病歴に関する病歴情報を取得する。この病歴情報のデータの種類や内容、取得方法は、上述した参照用病歴情報と同様である。そして、取得した病歴情報に応じた参照用病歴情報と、動物の意思との３段階以上の連関度のより高いものを優先させて、動物の意思の探索解を探索する。

同様に、図１９に示すように、基調となる参照用情報と、他の参照用情報とを有する組み合わせに対する、動物の意思の連関度を形成する場合においても、基調となる参照用情報は、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用音声情報、参照用加速度情報、参照用餌消費量情報、参照用意思履歴情報、参照用生体情報、参照用属性情報、参照用時間帯情報、参照用位置情報、参照用行動情報、参照用餌情報、参照用環境情報、参照用病歴情報、参照用画像情報等）も適用可能である。他の参照用情報は、基調となる参照用情報以外の第１実施形態、第２実施形態におけるいかなる参照用情報（参照用音声情報、参照用加速度情報、参照用餌消費量情報、参照用意思履歴情報、参照用生体情報、参照用属性情報、参照用時間帯情報、参照用位置情報、参照用行動情報、参照用餌情報、参照用環境情報、参照用病歴情報、参照用画像情報等）が含まれる。

このとき、基調となる参照用情報が、参照用音声情報であれば、他の参照用情報としては、これ以外の１実施形態、第２実施形態におけるいかなる参照用情報が含まれる。また、基調となる参照用情報が、参照用加速度情報であれば、他の参照用情報としては、これ以外の１実施形態、第２実施形態におけるいかなる参照用情報が含まれる。また、基調となる参照用情報が、参照用生体情報であれば、他の参照用情報としては、これ以外の１実施形態、第２実施形態におけるいかなる参照用情報が含まれる。

かかる場合も図１６における説明と同様に解探索を行うことで、動物の意思を判別することができる。

第２実施形態においても、他の参照用情報が１のみならず、２以上組み合わさるようにして連関度が学習されるものであってもよい。

なお、本発明においては、探索結果として得られた動物の意思を各ユーザが保有するスマートフォン等のユーザ端末に送信するようにしてもよいことは勿論である。

また、第１実施形態～第２実施形態ともに、上述した実施の形態に限定されるものでは無く、例えば図１７に示すように、基調となる参照用情報と、動物の意思との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた参照用情報と動物の意思との３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報は、例えば参照用画像情報等であるが、これに限定されるものでは無く、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用音声情報、参照用加速度情報、参照用餌消費量情報、参照用意思履歴情報、参照用生体情報、参照用属性情報、参照用時間帯情報、参照用位置情報、参照用行動情報、参照用餌情報、参照用環境情報、参照用病歴情報、参照用画像情報等）も適用可能である。また図１７に示す他の参照用情報についても第１実施形態、第２実施形態におけるいかなる参照用情報（参照用音声情報、参照用加速度情報、参照用餌消費量情報、参照用意思履歴情報、参照用生体情報、参照用属性情報、参照用時間帯情報、参照用位置情報、参照用行動情報、参照用餌情報、参照用環境情報、参照用病歴情報、参照用画像情報等）も適用可能である。

また、本発明は、上述した実施の形態に限定されるものでは無い。例えば図２０、２１に示すように、出力解として動物の意思の代替として、動物の健康状態を学習させるようにしてもよい。

この動物の健康状態は、動物が健康であるか否か、に加え、動物が不健康である場合においてもどの程度を示すものであってもよいし、その原因や病気の種類、病状や回復度合を示すものであってもよい。また、動物の身体的な健康度合を示すものに加え、動物のメンタル的な健康度合を示すものであってもよく、どの程度動物がストレスを感じているかを示すものであってもよい。

動物の健康状態は、専門家や熟練者、畜産業者、獣医等により、判別されるものであってもよい。また餌を施した結果、その食いつきのよさや餌の消費量等から判別するようにしてもよく、これらの判別結果からデータが作られる。

かかる場合においても同様に基調となる参照用情報、又は基調となる参照用情報と他の参照用情報とを有する組み合わせと、動物の健康状態との連関度を予め学習させておく。そして、新たに取得した情報に応じて上述と同様に探索解としての動物の健康状態を探索する。

また、本発明は、上述した実施の形態に限定されるものでは無い。例えば図２２、２３に示すように、出力解として動物の健康状態の代替として、動物の健康状態の改善のアドバイスを学習させるようにしてもよい。

この動物の健康状態の改善のアドバイスは、動物のそれぞれの健康状態に対して、これを改善するための飼育のアドバイスに関するもので、餌の量や薬の量、運動量や飼育方法等、動物への接し方、健康状態を改善するためのいかなるアドバイスも含まれる。

動物の健康状態の改善のアドバイスは、専門家や熟練者、畜産業者、獣医等により、判別されるものであってもよい。また餌を施した結果、その食いつきのよさや餌の消費量等から判別するようにしてもよく、これらの判別結果からデータが作られる。

かかる場合においても同様に基調となる参照用情報、又は基調となる参照用情報と他の参照用情報とを有する組み合わせと、動物の健康状態の改善のアドバイスとの連関度を予め学習させておく。そして、新たに取得した情報に応じて上述と同様に探索解としての動物の健康状態の改善のアドバイスを探索する。

１ 動物意思判別システム
２ 探索装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 推定部
２８ 記憶部
６１ ノード

Claims (12)

1. 動物の健康状態を判別する動物健康状態判別プログラムにおいて、
   判別対象の動物の動作を撮像した画像情報を取得する情報取得ステップと、
   予め取得した動物の動作を撮像した参照用画像情報と、動物の健康状態との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した画像情報に基づき、上記判別対象の動物の健康状態を判別する判別ステップとをコンピュータに実行させること
   を特徴とする動物健康状態判別プログラム。
2. 上記情報取得ステップでは、撮像した上記画像情報の特徴部分を予め類型化した動物の行動パターンに当てはめ、
   上記判別ステップでは、上記参照用画像情報の特徴部分を予め類型化した動物の参照用行動パターンに当てはめ、この参照用行動パターンと、動物の健康状態との３段階以上の連関度を参照し、上記情報取得ステップにおいて当てはめた行動パターンに基づき、上記判別対象の動物の健康状態を判別する判別ステップとをコンピュータに実行させること
   を特徴とする動物健康状態判別プログラム。
3. 動物の健康状態を判別する動物健康状態判別プログラムにおいて、
   判別対象の動物の身体に取り付けられた加速度センサにより検知された当該動物の動作に応じた加速度情報を取得する情報取得ステップと、
   予め取得した動物の身体に取り付けられた加速度センサにより検知された動物の動作に応じた参照用加速度情報と、動物の健康状態との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した加速度情報に基づき、上記判別対象の動物の健康状態を判別する判別ステップとをコンピュータに実行させること
   を特徴とする動物健康状態判別プログラム。
4. 上記情報取得ステップでは、判別対象の動物の餌の消費量に関する餌消費量情報を更に取得し、
   上記判別ステップでは、上記参照用加速度情報と、予め取得した動物の餌の消費量に関する参照用餌消費量情報とを有する組み合わせと、動物の健康状態との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した加速度情報と餌消費量情報とに基づき、上記判別対象の動物の健康状態を判別すること
   を特徴とする請求項３記載の動物健康状態判別プログラム。
5. 上記情報取得ステップでは、判別対象の動物から検出した生体情報を更に取得し、
   上記判別ステップでは、上記参照用加速度情報と、予め各動物から検出した参照用生体情報とを有する組み合わせと、動物の健康状態との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した加速度情報と生体情報とに基づき、上記判別対象の動物の健康状態を判別すること
   を特徴とする請求項３記載の動物健康状態判別プログラム。
6. 上記情報取得ステップでは、判別対象の動物の属性に関する属性情報を更に取得し、
   上記判別ステップでは、上記参照用加速度情報と、予め取得した動物の属性に関する参照用属性情報とを有する組み合わせと、動物の健康状態との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した加速度情報と属性情報とに基づき、上記判別対象の動物の健康状態を判別すること
   を特徴とする請求項３記載の動物健康状態判別プログラム。
7. 上記情報取得ステップでは、上記画像情報を撮像した時間帯に関する時間帯情報を更に取得し、
   上記判別ステップでは、上記参照用加速度情報と、上記参照用加速度情報を取得した時間帯に関する参照用時間帯情報とを有する組み合わせと、動物の健康状態との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した加速度情報と時間帯情報とに基づき、上記判別対象の動物の健康状態を判別すること
   を特徴とする請求項３記載の動物健康状態判別プログラム。
8. 上記情報取得ステップでは、上記加速度情報を撮像した時点における当該動物の位置を示す位置情報を更に取得し、
   上記判別ステップでは、上記参照用加速度情報と、上記参照用加速度情報を取得した時点における当該動物の位置を示す参照用位置情報とを有する組み合わせと、動物の健康状態との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した加速度情報と時間帯情報とに基づき、上記判別対象の動物の健康状態を判別すること
   を特徴とする請求項３記載の動物健康状態判別プログラム。
9. 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連関度を利用すること
   を特徴とする請求項１～８のうち何れか１項記載の動物健康状態判別プログラム。
10. 動物の健康状態を判別する動物健康状態判別プログラムにおいて、
    判別対象の動物の身体に取り付けられた加速度センサにより検知された当該動物の動作に応じた加速度情報と、当該動物の音声を録音した音声情報とを取得する情報取得ステップと、
    予め取得した動物の身体に取り付けられた加速度センサにより検知された動物の動作に応じた参照用加速度情報と、動物の健康状態との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した加速度情報に応じた参照用加速度情報と、動物の健康状態との３段階以上の連関度のより高いものを優先させるとともに、取得した上記音声情報に基づき、上記判別対象の動物の健康状態を判別すること
    を特徴とする動物健康状態判別プログラム。
11. 動物の健康状態に対する改善のアドバイスを提案する動物健康改善提案プログラムにおいて、
    判別対象の動物の動作を撮像した画像情報を取得する情報取得ステップと、
    予め取得した動物の動作を撮像した参照用画像情報と、動物の健康状態に対する改善のアドバイスとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した画像情報に基づき、上記判別対象の動物の健康状態に対する改善のアドバイスを提案する提案ステップとをコンピュータに実行させること
    を特徴とする動物健康改善提案プログラム。
12. 動物の健康状態に対する改善のアドバイスを提案する動物健康改善提案プログラムにおいて、
    判別対象の動物の身体に取り付けられた加速度センサにより検知された当該動物の動作に応じた加速度情報を取得する情報取得ステップと、
    予め取得した動物の身体に取り付けられた加速度センサにより検知された動物の動作に応じた参照用加速度情報と、動物の健康状態に対する改善のアドバイスとの３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した加速度情報に基づき、上記判別対象の動物の健康状態に対する改善のアドバイスを提案する提案ステップとをコンピュータに実行させること
    を特徴とする動物健康改善提案プログラム。

Images