JP2022142710A - アクセサリー品質推定システム - Google Patents

Abstract

【課題】アクセサリーの品質を人手に頼ることなく高精度かつ自動的に推定する。【解決手段】ユーザの頭部又は眼鏡に装着されるユーザ端末に含まれ、当該ユーザ端末を介して推定対象のアクセサリーの外観の画像を撮像することにより抽出したアクセサリーの外観情報を取得すると共に、撮像したアクセサリーの部位に関する第１撮像対象部位情報を取得する情報取得手段と、過去においてアクセサリーの外観の画像を撮像することにより抽出したアクセサリーの参照用外観情報と、アクセサリーの品質との３段階以上の連関度を利用し、上記情報取得手段により取得された外観情報に応じた参照用外観情報に基づき、上記連関度のより高いものを優先させて、アクセサリーの品質を推定する推定手段とを備え、上記推定手段は、第１撮影対象部位情報に応じたアクセサリーの部位の上記連関度を読み出してアクセサリーの品質を推定する。【選択図】図１４

Description

本発明は、アクセサリーの品質を高精度に推定する上で好適なアクセサリー品質推定システムに関する。

鞄、革製品（例えば革靴、革製の容器や鞄、革製の財布や文房具、小物、ベルト等）、時計、アクセサリー等のような高級品、ブランド品について適正な品質を知りたい場合がある。

この品質は、品物の種別やブランドのみならず、重量、見た目の色や輝き等、参考にすべきファクターは山ほどある。これらの各ファクターを参照しながら適正な品質を設定するのは経験と知識が必要となり困難な作業であることに加え、多大な労力を要してしまうという問題があった。

このため、ブランド品の品質を、人手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。

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、アクセサリーの品質をより人手に頼ることなく高精度かつ自動的に推定することが可能なアクセサリー品質推定プログラムを提供することにある。

本発明に係るアクセサリー品質推定システムは、アクセサリーの品質を推定するアクセサリー品質推定システムにおいて、ユーザの頭部又は眼鏡に装着されるユーザ端末に含まれ、当該ユーザ端末を介して推定対象のアクセサリーの外観を撮像することにより抽出したアクセサリーの色、輝き、加工状態の何れかからなる外観情報と、撮像したアクセサリーの部位に関する第１撮像対象部位情報を取得する情報取得手段と、過去においてアクセサリーの外観の画像を撮像することにより抽出したアクセサリーの色、輝き、加工状態の何れかからなる参照用外観情報と、アクセサリーの品質との３段階以上の連関度が規定され、入力を参照用外観情報とし、出力をアクセサリーの品質とした学習済みモデルを利用し、上記情報取得手段により取得された外観情報に応じた参照用外観情報に基づき、上記連関度のより高いものを優先させて、アクセサリーの品質を推定する推定手段と、上記参照用外観情報に含まれるアクセサリーの部位に関する第２撮像対象部位情報を当該参照用外観情報に紐付けて記録する記録手段とを備え、上記ユーザ端末は、上記情報取得手段により取得された第１撮像対象部位情報と、上記情報取得手段により取得された外観情報に応じた参照用外観情報に紐付けられて上記記録手段に記録されている第２撮像対象部位情報とに基づいて、上記ユーザに対して撮影方法についての示唆を透過状態で表示する表示部を有することを特徴とする。

特段のスキルや経験が無くても、誰でも手軽にアクセサリーの品質の推定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。

以下、本発明を適用したアクセサリー品質推定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、本発明を適用した宝石品質推定プログラムが実装される品質推定システム１の全体構成を示すブロック図である。品質推定システム１は、情報取得部９と、情報取得部９に接続された推定装置２と、推定装置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、後述する推定装置２と一体化されていてもよい。情報取得部９は、検知した情報を推定装置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、天候についてのデ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、品質推定を行う上で必要な様々な情報が蓄積される。品質推定を行う上で必要な情報としては、過去において宝石の外観を撮像した参照用画像情報、過去において宝石の外観の画像を撮像することにより抽出した宝石の色、輝き、透明度、加工状態の何れかからなる参照用外観情報、過去において宝石の外観の画像を撮像することにより抽出した宝石のキズ、内包物の何れかからなる参照用クラリティ情報、上記参照用画像情報を取得する際に撮像した宝石のブランドに関する参照用ブランド情報、上記参照用画像情報を取得する際に撮像した宝石の種別に関する参照用種別情報、上記参照用画像情報を取得する際に撮像した宝石相場価格に関する参照用相場情報、上記参照用画像情報を取得する際に宝石を撮像した撮像時における外部環境に関する参照用外部環境情報、上記参照用画像情報を取得する際に宝石を撮像した撮像時における市況に関する参照用市況情報、上記参照用画像情報を取得する際に撮像した宝石の鑑定書に記載されている鑑定内容を読み取ることで取得した参照用鑑定情報、上記参照用画像情報を取得する際に撮像した宝石の産地に関する参照用産地情報、上記参照用画像情報を取得する際に撮像した宝石の重量に関する参照用重量情報と、これらに対して実際に判断がなされた宝石の品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、参照用外観情報、参照用クラリティ情報、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報の何れか１以上と、宝石の品質が互いに紐づけられて記憶されている。なお、データベース３にこのような学習データを記憶する代わりに、判別装置２や情報取得部９側に学習データを記憶させるようにしてもよい。即ち、判別装置２や情報取得部９をいわゆるエッジデバイスとし、このエッジデバイスに、人工知能を搭載し、学習データを蓄積させて推論を行うようにしてもよい。

推定装置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、この推定装置２による探索解を得ることができる。

図２は、推定装置２の具体的な構成例を示している。この推定装置２は、推定装置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、推定装置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品質推定システム１における動作について説明をする。以下でいう宝石は、ダイヤモンド、ルビー、プラチナ、アメジスト、サファイヤ、エメラルド等に代表される。

品質推定システム１は、店頭や通信販売を通じて販売しようとする宝石の品質を販売側が適正に決めたい場合、或いは宝石の購入側が実際に購入しようとする宝石の品質が適正か否かを判別する際に適用される。品質推定システム１は、例えば図３に示すように、参照用画像情報と、宝石の品質との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、宝石の外観について、宝石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。また、この画像は可視光で構成されるが画像ではなく、スペクトルに応じて表示色を切り替えたいわゆるスペクトル画像で構成されていてもよい。この参照用画像情報は、宝石について撮像した画像を解析することで、宝石の大きさ、形状、色の何れかに基づいて、宝石の外観を特定するようにしてもよい。またこの参照用画像情報は、宝石について撮像した超音波画像で構成してもよい。これらの宝石の外観は、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、宝石の大きさ、形状、色等の画像データと、宝石の品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、その宝石の品質を判別するようにしてもよい。

かかる場合には、画像情報と、宝石の大きさ、形状、色の何れかの外観とを教師データとして機械学習された予想モデルを用い、入力を上記画像情報とし、出力を上記外観として判定した結果に基づいて、外観を特定するようにしてもよい。

宝石の品質は、その参照用画像情報として撮像した宝石の実際の品質である。この品質は、店舗やＥコマース、質屋等の運営会社において保存されているデータベースにアクセスすることで取得してもよいし、都度手入力により入力するようにしてもよい。また、宝石の品質は、実際に専門家によって、あるいは業者によって評価されたものであってもよく、その鑑定書に記載の内容に基づいてもよいし、評価者によって評価され、例えば、１００点満点、或いは１０００点満点でランク付けされたものであってもよい。あるいは良、悪の２段階で、或いは２段階以上で評価されたものであってもよい。

このような参照用画像情報と、宝石の品質からなるデータセットを取得しておき、これを学習させる。

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、出力としての宝石の品質に連結している。この出力においては、出力解としての、宝石の品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宝石の品質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。品質は、その宝石が同一種類の宝石であると仮定した場合に、例えば品質Ａは、良好、品質Ｂは、やや良好、品質Ｃは、ふつう、品質Ｄは、悪い等のように配列している。参照用画像情報がこの連関度を介して左側に配列し、各宝石の品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、何れの宝石の品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、いかなる宝石の品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宝石の品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宝石の品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。

推定装置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、その場合の宝石の品質の何れが採用、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、参照用画像情報がαであるものとする。このような参照用画像情報に対する宝石の品質としては宝石の品質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、過去の宝石の品質の評価を行った結果の各種データから分析する。こ参照用画像情報Ｐ０１である場合に、宝石の品質Ａの事例が多い場合には、この宝石の品質の評価につながる連関度をより高く設定し、宝石の品質Ｂの事例が多い場合には、この宝石の品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、宝石の品質Ａと、宝石の品質Ｃにリンクしているが、以前の事例から宝石の品質Ａにつながるｗ１３の連関度を７点に、宝石の品質Ｃにつながるｗ１４の連関度を２点に設定している。

また、この連関度は、図４に示すように、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、以前の評価対象の宝石の外観の画像等と実際に推定・評価した宝石の品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宝石の品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宝石の品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、品質を判別しようとする宝石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、宝石の品質を判別する。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、連関度を介して宝石の品質Ｂがｗ１５、宝石の品質Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い宝石の品質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宝石の品質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。なお、連関度は３段階以上のものを利用する場合に限定されるものではなく、２段階の連関性、即ち、１か０か、関係があるか否かを示すもので構成されるものであってもよい。かかる場合には、入力側の参照用画像情報と、出力側の品質とが互いに紐付けられたテーブルを参照するようにしてもよい。そしてある画像情報が入力された場合、これに対応する参照用画像情報に紐付けられた品質を出力することとなる。

このようにして、新たに取得する画像情報から、最も好適な宝石の品質を探索し、販売側、買取側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、販売側、買取側は、探索された宝石の品質に基づいて宝石の品質を互いに決めることができる。しかも宝石に接触することなく、画像の撮像を通じてこれらの品質を予測することができるため、宝石が貴重品、骨董品であってもこれに傷をつけることがなくなる。

なお、この図３において、参照用画像情報の代替として、過去において宝石を撮像することにより抽出した宝石のキズ、内包物の何れかからなる参照用クラリティ情報と、宝石の品質との３段階以上の連関度を予め学習させるようにしてもよい。参照用クラリティ情報は、例えばキズや内包物のサイズや量、位置、コントラスト、性質等の情報で構成される。参照用クラリティ情報を取得する際には、図５に示すように、買取対象の宝石の外観を撮像した画像データと、宝石のキズや内包物の大きさや量等からなるクラリティ情報とを教師データとして機械学習された予想モデルを用いるようにしてもよい。入力を上記画像データとし、出力を上記クラリティ情報とすることで新たにクラリティ情報を取得するようにしてもよい。即ち、このクラリティ情報は、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。なお、ここでいうキズは、実際に宝石につけられたキズ以外に、付着した汚れも含む。内包物とはダイヤモンドなどの結晶の中にある別の鉱物や液体気体等である。

このようにして得られたクラリティ情報から参照用クラリティ情報を構成し、また撮像した宝石についての実際の品質（品質）を取得することで上述と同様にデータセットを得て、図３、４に示すような連関度を形成しておく。次に実際に品質を推定したい宝石について撮像することで画像データを取得する。この画像データについて、実際に図５に示す連関度を参照し、クラリティ情報を得る。予め学習させた、参照用外観情報と宝石の品質との３段階以上の連関度を参照し、取得したクラリティ情報を介して品質を探索することができる。

参照用画像情報の代替として、過去において宝石を撮像することにより抽出した宝石の色、輝き、透明度、加工状態の何れかからなる参照用外観情報と、宝石の品質との３段階以上の連関度を予め学習させるようにしてもよい。参照用外観情報は、例えば宝石の色、輝き、透明度、加工状態等の情報で構成される。色、輝き、透明度はそのレベルに応じて階層化されたランクで表示されるものであってもよい。また加工状態は、宝石のカットの状態、カットされた各面の形状や大きさ、摩擦の仕上がり具合等を示すものであり、そのレベルに応じて階層化されたランクで表示されるものであってもよい。参照用外観情報を取得する際には、図６に示すように、買取対象の宝石の外観を撮像した画像データと、宝石の色、輝き、透明度、加工状態等からなる外観情報とを教師データとして機械学習された予想モデルを用いるようにしてもよい。入力を上記画像データとし、出力を上記外観情報とすることで新たに外観情報を取得するようにしてもよい。即ち、この外観情報は、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。

このようにして得られた外観情報から参照用外観情報を構成し、また撮像した宝石についての実際の品質（品質）を取得することで上述と同様にデータセットを得て、図３、４に示すような連関度を形成しておく。次に実際に品質を推定したい宝石について撮像することで画像データを取得する。この画像データについて、実際に図６に示す連関度を参照し、外観情報を得る。予め学習させた、参照用外観情報と宝石の品質との３段階以上の連関度を参照し、取得した外観情報を介して品質を探索することができる。

なお本発明によれば、参照用外観情報と、宝石の品質との３段階以上の連関度を予め学習させ、その連関度を利用して宝石の品質を探索する場合に限定されるものではない。つまり外観情報と、宝石の品質は、３段階以上の連関度ではなく、２段階以上の連関性に基づいていればよい。２段階以上の連関性とは、各参照用外観情報に、いかなる宝石の品質が紐づいているか否かを示すものであってもよい。

例えば、参照用外観情報Ｇ１１は、品質が良好、参照用外観情報Ｇ１２は、品質が普通、参照用外観情報Ｇ１３は、品質が悪い等のように参照用外観情報と品質が１対１で紐付けられている。このような紐付けをテンプレートや表にしたデータを予め準備しておくようにしてもよい。そして、実際に参照用外観情報に応じた外観情報を取得した場合には、そのテンプレートや表を参照し、これに対応する品質を出力するようにしてもよい。即ち、外観情報に応じた参照用外観情報に基づいて品質を取得することが可能となる。

同様に、参照用クラリティ情報と、宝石の品質との３段階以上の連関度を予め学習させ、その連関度を利用して宝石の品質を探索する場合に限定されるものではない。つまりクラリティ情報と、宝石の品質は、３段階以上の連関度ではなく、２段階以上の連関性に基づいていればよい。２段階以上の連関性とは、各参照用クラリティ情報に、いかなる宝石の品質が紐づいているか否かを示すものであってもよい。

実際に参照用クラリティ情報に応じたクラリティ情報を取得した場合には、そのテンプレートや表を参照し、これに対応する品質を出力するようにしてもよい。即ち、クラリティ情報に応じた参照用外観情報に基づいて品質を取得することが可能となる。

図７の例では、参照用画像情報と、参照用ブランド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。参照用ブランド情報とは、宝石の製造元、或いは販売元を示す情報であり、或いは宝石に貼られている商標のブランドに関する情報である。

宝石の品質は、参照用画像情報に加え、宝石のブランドに応じて異なる。特にアクセサリーは有名ブランドであるか否かで大きく価格は左右する。このため、この参照用ブランド情報も説明変数として加えている。

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、参照用ブランド情報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、参照用ブランド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、宝石の品質が表示されている。

参照用画像情報と参照用ブランド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、宝石の品質に対して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ブランド情報がこの連関度を介して左側に配列し、宝石の品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ブランド情報に対して、宝石の品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ブランド情報が、いかなる宝石の品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ブランド情報から最も確からしい宝石の品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ブランド情報の組み合わせで、最適な宝石の品質を探索していくこととなる。

図７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。

推定装置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ブランド情報、並びにその場合の宝石の品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７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αであるものとする。また参照用ブランド情報が、ある有名なブランドＷであるものとする。かかる場合に、実際にその宝石の品質がいくらであったかを示す宝石の品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、参照用ブランド情報は、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、参照用ブランド情報Ｐ１６である場合に、その宝石の品質を過去のデータから分析する。宝石の品質がＡの事例が多い場合には、この品質Ａにつながる連関度をより高く設定し、宝石の品質Ｂの事例が多く、宝石の品質Ａの事例が少ない場合には、宝石の品質Ｂにつながる連関度を高くし、宝石の品質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、宝石の品質Ａと品質Ｂの出力にリンクしているが、以前の事例から宝石の品質Ａにつながるｗ１３の連関度を７点に、宝石の品質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。

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、参照用ブランド情報Ｐ１４の組み合わせのノードであり、宝石の品質Ｃの連関度がｗ１５、宝石の品質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、参照用位置情報Ｐ１５、Ｐ１７の組み合わせのノードであり、宝石の品質Ｂの連関度がｗ１７、宝石の品質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、実際にこれから宝石の品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、実際に画像情報と、ブランド情報とを取得する。

このようにして新たに取得した画像情報、ブランド情報に基づいて、最適な宝石の品質を探索する。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、ブランド情報が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、宝石の品質Ｃがｗ１９、宝石の品質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い宝石の品質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宝石の品質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。

図８は、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用種別情報との組み合わせと、当該組み合わせに対する宝石の品質との３段階以上の連関度が設定されている例を示している。

参照用位置情報の代わりに説明変数として加えられるこの参照用種別情報は、宝石の種別に関するもので、例えば型番や商品名、石の種類等を通じて分類することができる。宝石の種別は、宝石の品質と関係することが既に知られている。このため、この参照用種別情報を組み合わせて連関度を形成することにより、宝石の品質の判断精度を向上させる趣旨である。

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、参照用種別情報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、参照用種別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、宝石の品質が表示されている。

参照用画像情報と参照用種別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、宝石の品質に対して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種別情報がこの連関度を介して左側に配列し、宝石の品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種別情報に対して、宝石の品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種別情報が、いかなる宝石の品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種別情報から最も確からしい宝石の品質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、参照用画像情報を取得する際に撮像した宝石の参照用種別情報、並びにその場合の宝石の品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。参照用種別情報は、例えば、種別が記載された箱や説明書、或いは宝石についてカメラ等を通じて画像を撮像し、その種別をＯＣＲ等を通じてテキスト変換することで取得してもよい。

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、参照用種別情報Ｐ２０である場合に、その宝石の品質を過去のデータから分析する。宝石の品質Ａの事例が多い場合には、この宝石の品質がＡにつながる連関度をより高く設定し、宝石の品質がＢの事例が多く、宝石の品質がＡの事例が少ない場合には、宝石の品質がＢにつながる連関度を高くし、宝石の品質が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、宝石の品質Ａと宝石の品質Ｂの出力にリンクしているが、以前の事例から宝石の品質Ａにつながるｗ１３の連関度を７点に、宝石の品質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。

図８に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用種別情報Ｐ１８の組み合わせのノードであり、宝石の品質Ｃの連関度がｗ１５、宝石の品質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、参照用種別情報Ｐ１９、Ｐ２１の組み合わせのノードであり、宝石の品質Ｂの連関度がｗ１７、宝石の品質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、実際にこれから宝石の品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、実際にその宝石の品質の判別対象の画像情報と、種別情報とを取得する。ここで種別情報は、宝石の品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、上述した参照用種別情報と同様である。

このようにして新たに取得した画像情報と、種別情報に基づいて、最適な宝石の品質を探索する。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、種別情報が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、宝石の品質Ｃがｗ１９、宝石の品質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い宝石の品質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宝石の品質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９は、上述した参照用画像情報に加え、上述した参照用ブランド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宝石の品質との３段階以上の連関度が設定されている例を示している。

この説明変数として加えられるこの参照用産地情報は、宝石の産地に関するあらゆる情報である。参照用産地情報は、生産された国や地域に関する情報で構成される。この参照用産地情報は、カメラにより撮像した、産地が記述されたラベルや説明書等の画像をＯＣＲにより解析して得るようにしてもよいし、手入力により取得するようにしてもよい。

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、宝石の品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、宝石の品質に対して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、宝石の品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、宝石の品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、いかなる宝石の品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宝石の品質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、並びにその場合の宝石の品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。

例えば、過去にあった実際の宝石の品質の評価時において、ある参照用画像情報に対して、参照用産地情報が、南アフリカのある地域であるものとする。かかる場合に、宝石の品質が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、参照用産地情報Ｐ２０である場合に、その宝石の品質を過去のデータから分析する。宝石の品質Ａの事例が多い場合には、この宝石の品質がＡにつながる連関度をより高く設定し、宝石の品質がＢの事例が多く、宝石の品質がＡの事例が少ない場合には、宝石の品質がＢにつながる連関度を高くし、宝石の品質が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、宝石の品質Ａと宝石の品質Ｂの出力にリンクしているが、以前の事例から宝石の品質Ａにつながるｗ１３の連関度を７点に、宝石の品質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。

図９に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用産地情報Ｐ１８の組み合わせのノードであり、宝石の品質Ｃの連関度がｗ１５、宝石の品質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、宝石の品質Ｂの連関度がｗ１７、宝石の品質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、実際にこれから宝石の品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、実際にその宝石の品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、宝石の品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。

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、最適な宝石の品質を探索する。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、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、宝石の品質Ｃがｗ１９、宝石の品質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い宝石の品質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宝石の品質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１０は、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用重量情報との組み合わせと、当該組み合わせに対する宝石の品質との３段階以上の連関度が設定されている例を示している。

説明変数として加えられるこの参照用重量情報は、参照用画像情報を取得する際に撮像した宝石の重量に関する情報である。この重量が重いほど、品質は高くなるため、参照用重量情報も説明変数に加えたものである。

図１０の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用重量情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用画像情報に対して、参照用重量情報が組み合わさったものが、図１０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、宝石の品質が表示されている。

参照用画像情報と参照用重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、宝石の品質に対して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重量情報がこの連関度を介して左側に配列し、宝石の品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重量情報に対して、宝石の品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重量情報が、いかなる宝石の品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重量情報から最も確からしい宝石の品質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１０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、参照用画像情報を取得する際に得た参照用重量情報、並びにその場合の宝石の品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１０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宝石の品質の評価時において、ある参照用画像情報に対して、参照用重量情報が、４カラットであるものとする。かかる場合に、宝石の品質が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、参照用重量情報Ｐ２０である場合に、その宝石の品質を過去のデータから分析する。宝石の品質Ａの事例が多い場合には、この宝石の品質がＡにつながる連関度をより高く設定し、宝石の品質がＢの事例が多く、宝石の品質がＡの事例が少ない場合には、宝石の品質がＢにつながる連関度を高くし、宝石の品質が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、宝石の品質Ａと宝石の品質Ｂの出力にリンクしているが、以前の事例から宝石の品質Ａにつながるｗ１３の連関度を７点に、宝石の品質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１０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１０に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用重量情報Ｐ１８の組み合わせのノードであり、宝石の品質Ｃの連関度がｗ１５、宝石の品質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、参照用重量情報Ｐ１９、Ｐ２１の組み合わせのノードであり、宝石の品質Ｂの連関度がｗ１７、宝石の品質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、実際にこれから宝石の品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、実際にその宝石の品質の判別対象の画像情報と、重量情報とを取得する。ここで重量情報は、宝石の品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、上述した参照用重量情報と同様である。

このようにして新たに取得した画像情報と、重量情報に基づいて、最適な宝石の品質を探索する。かかる場合には、予め取得した図１０（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、重量情報が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、宝石の品質Ｃがｗ１９、宝石の品質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い宝石の品質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宝石の品質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、本発明においては、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用外部環境情報との組み合わせと、当該組み合わせに対する宝石の品質との３段階以上の連関度を利用するものであってもよい。

ここでいう参照用外部環境情報、外部環境情報は、例えば、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、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。

このような参照用画像情報と、参照用外部環境情報とを有する組み合わせと、宝石の品質との３段階以上の連関度を予め取得しておく。そして、新たに推定対象の宝石の外観に関する画像情報と、その撮像時（推定時）における外部環境に関する外部環境情報とを取得する。そして、この取得した上記画像情報に応じた参照用画像情報と、上記外部環境情報に応じた参照用外部環境情報に基づき、宝石の品質を推定する点は、上述した図３～図１０の説明と同様である。

また、本発明においては、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用市況情報との組み合わせと、当該組み合わせに対する宝石の品質との３段階以上の連関度を利用するものであってもよい。

ここでいう参照用市況情報、市況情報は、市況に関する様々な情報である。この参照用市況情報の例としては、金利、為替、各銘柄の株価、原油、先物、貴金属、ビットコイン等の値動きを対象としたものである。この参照用市況情報は、これらの対象について時系列的なチャートや折れ線グラフ等で表示されていてもよい。またボリンジャーバンド、出来高、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。また、この市況情報は、各銘柄のチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。

このような参照用画像情報と、参照用市況情報とを有する組み合わせと、宝石の品質との３段階以上の連関度を予め取得しておく。そして、新たに推定対象の宝石の外観に関する画像情報と、その撮像時（推定時）における市況に関する市況情報とを取得する。そして、この取得した上記画像情報に応じた参照用画像情報と、上記市況情報に応じた参照用市況情報に基づき、宝石の品質を推定する点は、上述した図３～図１０の説明と同様である。

また、本発明においては、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用鑑定情報との組み合わせと、当該組み合わせに対する宝石の品質との３段階以上の連関度を利用するものであってもよい。

ここでいう参照用鑑定情報、鑑定情報は、参照用画像情報を取得する際に撮像した宝石の鑑定書に記載されている鑑定内容を読み取ることで取得した情報である。鑑定書は、その宝石のカラーやクラリティ、カットなどのグレードを鑑定機関が証明するものであるが、宝石が本物か偽物かを鑑別書や、商品を販売するお店が、販売した 商品の品質を保証するための保証書に記載されている内容を読み取ることで取得した情報を参照用鑑定情報、鑑定情報として構成してもよい。この参照用鑑定情報、鑑定情報の取得方法としては、内容が記載されている鑑定書や書類等をカメラにより撮像し、その保証内容をＯＣＲ技術を利用して読み取るようにしてもよいし、手入力により入力してもよい。

このような参照用画像情報と、参照用鑑定情報とを有する組み合わせと、宝石の品質との３段階以上の連関度を予め取得しておく。そして、新たに推定対象の宝石の外観に関する画像情報と、その宝石の鑑定内容に関する鑑定情報とを取得する。そして、この取得した上記画像情報に応じた参照用画像情報と、上記鑑定情報に応じた参照用鑑定情報に基づき、宝石の品質を推定する点は、上述した図３～図１０の説明と同様である。

また、本発明においては、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用相場情報との組み合わせと、当該組み合わせに対する宝石の品質との３段階以上の連関度を利用するものであってもよい。

ここでいう参照用相場情報、相場情報は、その宝石についての一般的な相場のデータであり、そのような相場のデータを開示しているサイトからデータを取得するようにしてもよいし、相場を開示している機関のサイトやそのサーバ等からデータを取得するようにしてもよいし、手入力により入力してもよい。

このような参照用画像情報と、参照用相場情報とを有する組み合わせと、宝石の品質との３段階以上の連関度を予め取得しておく。そして、新たに推定対象の宝石の外観に関する画像情報と、その宝石の収容体に関する相場情報とを取得する。そして、この取得した上記画像情報に応じた参照用画像情報と、上記相場情報に応じた参照用相場情報に基づき、宝石の品質を推定する点は、上述した図３～図１０の説明と同様である。

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、誰でも手軽に宝石の品質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。

なお、上述した連関度では、参照用画像情報に加え、参照用外観情報、参照用クラリティ情報、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量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、参照用外観情報、参照用クラリティ情報、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報の何れか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、参照用外観情報、参照用クラリティ情報、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報の何れか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、上述した例では、参照用画像情報を基調とし、これと他の参照用情報とを組み合わせて連関度を形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く、参照用外観情報又は参照用クラリティ情報を基調として他の参照用情報とを組み合わせて連関度を形成するものであってもよい。即ち、参照用外観情報又は参照用クラリティ情報に加え、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報の何れか１又は２以上との組み合わせで連関度が構成されるものであってもよい。

これに加えて、基調となる参照用情報としては、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報の何れかで構成されていてもよい。この基調となる参照用情報と、これ以外の参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報等の何れか１又は２以上との組み合わせで連関度が構成されるものであってもよい。

例えば、基調となる参照用情報が参照用種別情報である場合、これとの組み合わせとして他の参照用情報（参照用ブランド情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報等）により上記連関度が形成され、解探索時には、種別情報に加えて、参照用情報に応じた情報が入力され、出力としての宝石の品質が探索される。

同様に、基調となる参照用情報が参照用ブランド情報である場合、これとの組み合わせとして他の参照用情報（参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報等）により上記連関度が形成され、解探索時には、ブランド情報に加えて、参照用情報に応じた情報が入力され、出力としての宝石の品質が探索される。

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宝石の品質を求める。

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宝石の品質、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、参照用外観情報、参照用ブランド情報、参照用品名情報、参照用産地情報、参照用落札値情報、参照用外部環境情報、参照用市況情報、参照用テキスト情報、参照用サポート情報、参照用保証情報、参照用相場情報を取得し、これらに対する宝石の品質、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。

なお図３に示す連関度が、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る場合には、図１０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、出力データとして宝石の品質が出力され、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。

また本発明は、図１１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宝石の品質を判別するものである。この参照用画像情報Ｕが参照用水温であり、参照用情報Ｖが参照用ブランド情報、参照用品名情報、参照用産地情報、参照用落札値情報、参照用外部環境情報、参照用市況情報、参照用テキスト情報、参照用サポート情報、参照用保証情報、参照用収容体情等の何れかであるものとする。

このとき、図１１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（宝石の品質）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（宝石の品質）を探索するようにしてもよい。

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く、例えば図１２に示すように、基調となる参照用情報と、宝石の品質との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宝石の品質との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、上述したいかなる参照用情報（参照用画像情報、参照用外観情報、参照用クラリティ情報、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報等）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、ある参照用相場情報Ｐ１４において、以前において品質としてＢが判別される経緯が多かったものとする。このような参照用相場情報Ｐ１４に応じた品質を新たに取得したとき、品質の探索解Ｂに対して、重み付けを上げる処理を行い、換言すれば品質の探索解Ｂ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、より品質の探索解Ｃを示唆するような分析結果であり、参照用情報Ｆが、より品質の探索解Ｄ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、品質の探索解Ｃ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、品質の探索解Ｄの重み付けを上げる処理を行う。つまり、品質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、品質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品質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品質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当該判別類型をより高く修正するようにしてもよい。

本発明では、品質を探索する代わりに販売価格を探索するようにしてもよい。かかるケースは、店頭や通信販売を通じて販売しようとする宝石の販売価格を販売側が適正に決めたい場合、或いは宝石の購入側が実際に購入しようとする宝石の販売価格が適正か否かを判別する際に適用される。販売価格を推定する場合には、図３に示す品質の代替として販売価格を出力側の解として学習させ、参照用画像情報と、宝石の販売価格との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。宝石の販売価格は、その参照用画像情報として撮像した宝石の実際の販売価格である。この販売価格は、店舗やＥコマース、質屋等の運営会社において保存されているデータベースにアクセスすることで取得してもよいし、都度手入力により入力するようにしてもよい。解探索時には、予め学習させた、参照用情報と販売価格との３段階以上の連関度を参照し、取得した情報を介して販売価格を探索することができる。

なお、上述した実施の形態においては、宝石の品質や販売価格を探索する場合を例に挙げて説明をしたが、これに限定されるものではない。

例えば鞄、革製品（例えば革靴、革製の容器や鞄、革製の財布や文房具、小物、ベルト等）、時計、アクセサリー等のような高級品、ブランド品とわれるものであっても同様に品質や解探索を行うことが可能となる。高級品、ブランド品としてはこれ以外に毛皮製品や衣服等も含まれる。

かかる場合には、上述した参照用クラリティ情報の代替として、キズ、付着物、見栄えの何れかからなる参照用表面情報を探索解としての品質や販売価格と関連付けるようにしてもよい。

ここでいう付着物とは、表面に付着した汚れや異物、塵やゴミである。見栄えとは、凹凸や筋、皺やくもり等により見栄えが低下しているか否かを示すものである。

このような参照用表面情報を取得する際には、推定対象の鞄、革製品、時計、アクセサリーの外観を撮像した画像データと、キズ、付着物、見栄えの何れかからなる参照用表面情報（表面情報）とを教師データとして機械学習された予想モデルを用いるようにしてもよい。図１３に示すように、入力を上記画像データとし、出力を上記参照用表面情報（表面情報）とすることで新たに参照用表面情報（表面情報）を取得するようにしてもよい。即ち、この参照用表面情報（表面情報）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。

解探索時には、このようにして得られた表面情報から参照用表面情報を構成し、また撮像した鞄、革製品、時計、アクセサリー等についての実際の品質（販売価格）を取得することで上述と同様にデータセットを得て、図３、４に示すような連関度を形成しておく。次に実際に品質や販売価格を推定したい鞄、革製品、時計、アクセサリーの外観について撮像することで画像データを取得する。この画像データについて、実際に図１３に示す連関度を参照し、表面情報を得る。予め学習させた、参照用表面情報と品質や販売価格との３段階以上の連関度を参照し、取得した表面情報を介して品質や販売価格を探索することができる。

また、時計についての品質や販売価格を探索する場合には、参照用機能情報を探索解としての品質や販売価格と関連付けるようにしてもよい。ここでいう参照用機能情報とは、時計の保有する機能（例えば、ストップウォッチ機能、通話機能、録音機能、タイマー記号、通信機能、撮像機能）に関する情報である。解探索時には、参照用機能表面情報と実際の品質（販売価格）とを取得することで上述と同様にデータセットを得て、図３、４に示すような連関度を形成しておく。次に実際に品質や販売価格を推定したい時計から機能情報を得る。予め学習させた、参照用機能情報と品質や販売価格との３段階以上の連関度を参照し、取得した機能情報を介して品質や販売価格を探索することができる。

また本発明によれば、ブランド品（宝石、鞄、革製品、時計、アクセサリー等）が模倣品であるか否か真偽を判定する真偽判定プログラムとして適用されるものであってもよい。

かかる場合には、出力側が品質や販売価格の代替として、模倣品であるか否かの真偽、となる。実際に真の本物の製品と模倣品とを互いに上述した参照用情報との間で３段階以上の連関度、又は連関性を取得しておくことで、同様の方法による出力解としての模倣品であるか否かの真偽、を探索することが可能となる。

第２実施形態
第２実施形態においては、判別装置２、又はこの判別装置２及び情報取得部９をウェアラブル端末の中でも特に眼鏡型端末、ヘッドマウントディスプレイ（ＨＭＤ）を利用するものである。このＨＭＤは、ユーザの頭部又は眼鏡に一体又は部分的に装着され、拡張現実（ＡＲ：Augmented Reality）或いは複合現実（ＭＲ：Mixed Reality）といった技術を利用し、取得した各種の映像情報に基づいて生成された情報を透過状態で表示する表示部を備える。ユーザは、表示すべき情報をＨＭＤ上において透過して表示する表示部を介して、視認し、理解することができる。これによりユーザは、目の前の状況を見つつ、取得された各種の映像情報に基づいて生成された情報や各種コンテンツを合わせて確認することが可能となる。

このため、本発明においては、例えば、外観情報やクラリティ情報をこのＨＭＤに実装された情報取得部９を介して取得する。そして、ＨＭＤ内において実装された判別装置２により解探索を行い、得られた探索解（宝石の品質やその販売価格等）を、表示部を介して透過状態で表示するようにしてもよい。

このような第２実施形態において学習用データとして学習させる参照用外観情報や、参照用クラリティ情報は、実際にＨＭＤ等を始めとする眼鏡型端末で撮像したものであってもよいが、これに限定されるものではなく、通常のデジタルカメラやスマートフォン等で撮像したものであってもよい。

また、この参照用外観情報、参照用クラリティ情報を実際に得る上で、宝石のいかなる部位を撮像しているかを紐づけるようにしてもよい。

例えば参照用外観情報を得る上で、宝石の品質を評価する熟練のベテランの鑑定者が、宝石のいかなる部位を見ているかを検出する。仮にベテラン鑑定者が、宝石の底面の部位を中心に視認しているか、或いは宝石の斜め上の部位を中心に視認しているか、或いは宝石の側面の部位を中心に視認しているのかを検出する。

この検出は、例えばベテラン鑑定者に眼鏡型端末を装着させて実際に宝石を手に取って検出する作業を行わせ、その間において眼鏡型端末に実装されている情報取得部９を介して随時ベテラン鑑定者が視認している方向の画像を撮像し続ける。そして、事後的にその録画した画像を解析し、或いは画像を再生することにより、実際にベテラン鑑定者が宝石の外観情報やクラリティ情報を介して宝石の品質を評価する作業を行う上で、宝石のいかなる部位を視認しているかを検知することが可能となる。

かかる場合において、図１３に示すように、眼鏡型端末で撮像された動画像を時系列的に並べた場合に、宝石の底部の画像（Ｐ１）、宝石の斜め上の画像（Ｐ２）、斜め上の拡大画像（Ｐ３）、側面の画像（Ｐ４）であったものとする。このようにして時系列的に得られた画像から、撮像対象部位情報を検出するようにしてもよい。ここでいう撮像対象部位情報とは、眼鏡型端末で撮像された画像が宝石のいかなる部位を撮像しているかに関する情報である。この撮像対象部位情報は、図１３に示すように、底部、斜め上、側面等のように実際に撮像している部位の名称で構成されていてもよいし、当該部位を特定するための記号や数値、番号等で表現されるものであってもよい。また撮影対象部位情報は、例えば、撮影が拡大画像であるか縮小画像であるか否か、また撮影する際の撮影方向や画角等の情報も盛り込むようにしてもよい。

この撮影対象部位情報の取得は、撮影対象となる部位を都度人間が判別して手入力してもよいが、取得した画像を周知の画像解析技術を利用することで得るようにしてもよい。この撮影対象部位情報の取得は、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。例えば宝石の底部、斜め上、側面等の各部の画像を、ディープラーニング技術を利用して、人工知能を通じて抽出することで判別するようにしてもよい。かかる場合には、参照用外観情報に含まれる宝石の部位と、撮像対象部位情報とを教師データとして用い、入力を参照用外観情報とし、出力を撮像対象部位情報とした機械学習モデルを利用する。そして、新たにユーザ端末を介して撮像された参照用外観情報に基づいて撮像対象部位情報を取得する。また、撮影対象部位情報の取得は、これ以外に、ＨＭＤや眼鏡型端末において搭載されている、アイトラッキング機能を利用して検出した視線の方向、加速度センサやジャイロセンサを利用して検出した頭部の向き、操作デバイスやハンドトラッキング機能を利用したユーザの手の動き等を介して、撮影対象部位情報を取得するようにしてもよい。

このようにして得られた撮影対象部位情報を上述した各画像Ｐ１～Ｐ４等と紐付けて記録しておくことにより、各画像Ｐ１～Ｐ４が宝石のいかなる部位を撮像した画像であるかをセットで取得することができる。仮にベテランの鑑定者からこのような参照用外観情報を構成する画像Ｐ１～Ｐ４と、撮影対象部位情報を取得することで、ベテランの鑑定者が実際に宝石の検査を行う上でいかなる部位をいかなる順番で確認しているのか、また拡大画像であるか否か、また撮影角度等のような撮影環境も取得することができる。参照用クラリティ情報についても同様に撮影対象部位情報を取得して、これを紐付けて記録しておくことが可能となる。

第２実施形態においては、撮影対象部位情報を活用することで、実際の解探索時の利便性を高めることができる。上述した学習データを予め構築した上で、ＨＭＤを装着したユーザが本発明を実施する場合、探索解（品質、販売価格等）の探索は、上述した第１実施形態において説明した方法に基づいて実行する。このとき、ＨＭＤを装着したユーザが自ら視認している宝石について撮像した外観情報、クラリティ情報を取得する過程で、同様に撮影対象部位情報を得るようにしてもよい。外観情報、クラリティ情報からこの撮影対象部位情報を取得する方法としては、上述したように学習させた特徴量に基づいて判別するようにしてもよく、例えば外観情報中の宝石の底部、斜め上、側面等の宝石の各部の画像を、ディープラーニング技術を利用して、人工知能を通じて抽出することで判別するようにしてもよい。かかる場合には、外観情報に含まれる宝石の部位と、撮像対象部位情報とを教師データとして用い、入力を外観情報とし、出力を撮像対象部位情報とした機械学習モデルを利用する。そして、新たにユーザ端末を介して撮像された外観情報に基づいて撮像対象部位情報を取得する。クラリティ情報からも同様に撮像対象部位情報を取得することができる。

以下、外観情報、クラリティ情報等を始めとする情報から取得した撮影対象部位情報を第１撮影対象部位情報ともいい、参照用外観情報、参照用クラリティ情報等を始めとする参照用情報から取得した撮影対象部位情報を第２撮影対象部位情報ともいう。

外観情報、クラリティ情報を取得する過程で、このような第１撮影対象部位情報を都度取得することで以下に説明する優れた効果がある。撮像した外観情報の第１撮影対象部位情報と、参照用外観情報の第２撮影対象部位情報が一致しているかを都度確認することが可能となる。撮像した外観情報の第１撮影対象部位情報と、参照用外観情報の第２撮影対象部位情報が不一致の場合には、ＨＭＤの表示部を介してユーザに注意喚起の表示をすることができる。

例えば、撮像した外観情報の第１撮影対象部位情報が“側面”であり、これに対応させるための参照用外観情報の第２撮影対象部位情報が“斜め上”である場合には、ＨＭＤを装着するユーザが外観情報を撮影する宝石の部位が誤った部位を撮影していることとなる。かかる場合には、上述のように注意喚起をすることで正しい部位に撮影対象を合わせることをユーザに促すことが可能となる。また、参照用外観情報に紐付けられた第２撮影対象部位情報が、底部を拡大して視認するものであるのに対して、外観情報に紐付けられた第１撮影対象部位情報が同じ底部の画像であるが拡大して視認していない場合には、同様にユーザに対して、画像を拡大して視認するように促すことが可能となる。

このようにして、撮像した外観情報の第１撮影対象部位情報と、参照用外観情報の第２撮影対象部位情報との一致度、又は撮像したクラリティ情報の撮影対象部位情報と、参照用クラリティ情報の撮影対象部位情報との一致度を介して、ＨＭＤを装着したユーザに対して、実際に外観情報、クラリティ情報の撮影方法について様々な示唆を行い、又は様々な修正を促すことが可能となる。このとき、このような示唆や修正の促進を、ＨＭＤや眼鏡型端末の表示部を介して透過状態で表示する、上述したＡＲやＭＲを実現するようにしてもよい。なお、この撮影方法についての示唆は、第１撮像対象部位情報と、第２撮像対象部位情報とに基づいたものであればいかなる示唆を表示するものであってもよい。

なお、上述した図１３の例において宝石について複数箇所を順次撮影対象を切り替え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く、参照用外観情報等が１箇所の宝石について得られたものである場合においても同様に撮影対象部位情報を取得して紐付けておくことで、実際に外観情報等を取得するユーザに対して上述した誘導を行うことが可能となる。

なお本発明は、図１４に示すように、参照用外観情報又は参照用クラリティ情報と、宝石の品質との３段階以上の連関度を上記宝石の部位毎に予め取得するようにしてもよい。かかる場合には、側面用、底部用、斜め上用等の宝石の各部位毎に、独立して参照用外観情報又は参照用クラリティ情報と、宝石の品質との連関度を学習させて保存しておく。

そして、取得した第１撮影対象部位情報に応じた宝石の部位の連関度を読み出し、上述と同様に解探索する。仮に第１撮影対象部位情報が宝石の底部であれば、その底部用の連関度からなる評価モデルを選択し、品質推定を行う。これにより、宝石の部位毎に特化した評価モデルを選択することができ、より高精度な品質推定を行うことができる。

なお、本発明は、図１５に示すように、連関度を上述したように宝石の各部位について構築するとともに、その連関度を他の参照用情報毎に分類されていてもよい。ここでいう他の参照用情報とは、第１実施形態において説明したあらゆる参照用情報（参照用外観情報又は参照用クラリティ情報に加え、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報等）が含まれる。このうち、参照用種別情報に着目した場合、例えば図１５に示すように、他の参照用情報Ａとして、ダイヤモンドについてそれぞれ側面用、底部用、斜め上用等の宝石の各部位毎の連関度が形成されており、他の参照用情報Ｂとしてサファイヤについてそれぞれ側面用、底部用、斜め上用等の宝石の各部位毎の連関度が形成されている。このような各参照用情報毎に分類された、各部位毎の連関度を準備しておく。そして、新たに解探索を行う場合には、上述した撮影対象部位情報を取得すると共に、他の情報を取得する。この取得する他の情報とは、上述した他の参照用情報に対応したものである。仮に他の参照用情報が、参照用種別情報であれば、種別情報を取得することになる。取得した他の情報に応じた参照用情報における宝石の部位毎に分類された評価モデルを選択し、同様に解探索を行う。上述した図１５の例の場合、取得したものが他の情報Ｂ（種別情報Ｂ）である場合、これに応じた他の参照用情報Ｂ（参照用種別情報Ｂ）における宝石の部位毎に分類された何れかの評価モデルを選択し解探索することとなる。

なお、宝石の各部位について構築する連関度は、上述した参照用種別情報毎に構築する場合以外に、他のいかなる参照用情報毎に構築してもよい。かかる場合も同様に参照用情報に応じた情報を取得し、取得した情報に応じて連関度を選択することとなる。

なお、上述した第２実施形態においては、宝石の品質や販売価格を探索する場合を例に挙げて説明をしたが、これに限定されるものではない。

例えば鞄、革製品（例えば革靴、革製の容器や鞄、革製の財布や文房具、小物、ベルト等）、時計、アクセサリー等のような高級品、ブランド品とわれるものであっても同様に品質や解探索を行うことが可能となる。高級品、ブランド品としてはこれ以外に毛皮製品や衣服等も含まれる。

かかる場合には、上述した参照用クラリティ情報の代替として、キズ、付着物、見栄えの何れかからなる参照用表面情報を探索解としての品質や販売価格と関連付けるようにしてもよい。

このような参照用表面情報を取得する際には、推定対象の鞄、革製品、時計、アクセサリーの外観を撮像した画像データと、キズ、付着物、見栄えの何れかからなる参照用表面情報（表面情報）とを教師データとして機械学習された予想モデルを用いるようにしてもよい。

学習済みモデルを構築する過程では、上述した参照用外観情報、参照用表面情報を取得する際に、同様に第２撮影対象部位情報を取得しておく。また撮像した鞄、革製品、時計、アクセサリー等についての実際の品質（販売価格）を取得することで上述と同様にデータセットを得て、図３、４に示すような連関度を形成しておく。解探索時には、推定対象のブランド品について取得した表面情報から参照用表面情報を構成し、或いは取得した外観情報から参照用外観情報を構成すると共に、同様に第１撮影対象部位情報を取得する。

そして取得した第１撮像対象部位情報と、取得した外観情報（表面情報）と同一又は類似の参照用外観情報（参照用表面情報）に紐付けられて記録されている第２撮像対象部位情報とに基づいて、上述と同様にユーザに対して撮影方法についての示唆を表示する。

図１４に示すように、参照用外観情報又は参照用クラリティ情報と、ブランド品の品質との３段階以上の連関度を上記ブランド品の部位毎に予め取得するようにしてもよい。かかる場合には、側面用、底部用、斜め上用等のブランド品の各部位毎に、独立して参照用外観情報又は参照用クラリティ情報と、品質との連関度を学習させて保存しておく。

そして、取得した第１撮影対象部位情報に応じたブランド品の部位の連関度を読み出し、上述と同様に解探索する。仮に第１撮影対象部位情報がブランド品の底部であれば、その底部用の連関度からなる評価モデルを選択し、品質推定を行う。これにより、ブランド品の部位毎に特化した評価モデルを選択することができ、より高精度な品質推定を行うことができる。

ブランド品の中でも時計の場合には、撮影対象部位情報としては、針の動きや、実際に時計を分解した場合における各撮影部位も含めてもよい。

かかる場合において、図１５に示すように、連関度を上述したようにブランド品の各部位について構築するとともに、その連関度を他の参照用情報毎に分類されていてもよい。各参照用情報毎に分類された、各部位毎の連関度を準備しておく。そして、新たに解探索を行う場合には、上述した撮影対象部位情報を取得すると共に、他の情報を取得する。取得した他の情報に応じた参照用情報におけるブランド品の部位毎に分類された評価モデルを選択し、同様に解探索を行うようにしてもよい。

なお本発明は、図１６に示すように、参照用外観情報（参照用表面情報）と、品質との３段階以上の連関度をモデル選択情報毎に予め取得するようにしてもよい。ここでいうモデル選択情報とは、上述した全ての参照用情報が含まれる。これらの情報の詳細は、上述した説明を引用することにより、以下での説明は省略する。モデル選択情報は、この上述した全ての外観情報、クラリティ情報、ブランド情報、種別情報、相場情報、外部環境情報、市況情報、鑑定情報、産地情報、重量情報のうち何れか１種から選択され、選択されたモデル選択情報の内訳（選択情報１、２、３、・・・）毎に独立して参照用外観情報（参照用表面情報）と、品質との連関度を学習させて保存しておく。モデル選択情報が種別情報であれば、選択情報１として種別〇〇、選択情報２として種別▲▲、選択情報３として種別◇◇等が挙げられ、これらの選択情報毎に連関度が設けられている。

そして、推定時には、推定対象におけるモデル選択情報を取得する。そして、取得したモデル選択情報に応じた選択情報１、２、３、・・・の何れかの連関度を読み出し、上述と同様に解探索する。仮にモデル選択情報が選択情報２であれば、その選択情報２用の連関度からなる評価モデルを選択し、品質推定を行う。これにより、選択情報１、２、３、・・・毎に特化した評価モデルを選択することができ、より高精度な品質推定を行うことができる。

なお、本発明は、図１７に示すように、連関度を上述したように選択情報１、２、３、・・・について構築するとともに、その連関度を他の参照用情報毎に分類されていてもよい。ここでいう他の参照用情報とは、あらゆる参照用情報（参照用外観情報又は参照用クラリティ情報に加え、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報等）が含まれる。このうち、参照用ブランド情報に着目した場合、例えば図１７に示すように、他の参照用情報Ａとして、ブランド〇〇についてそれぞれ選択情報１、２、３、・・・用毎の連関度が形成されており、他の参照用情報Ｂとしてブランド▲▲についてそれぞれ選択情報１、２、３、・・・用毎の連関度が形成されている。このような各参照用情報毎に分類された、連関度を準備しておく。そして、新たに解探索を行う場合には、上述したモデル選択情報を取得すると共に、モデル選択情報以外の他の情報を取得する。この取得する他の情報とは、上述した他の参照用情報に対応したものである。仮に他の参照用情報が、参照用種別情報であれば、種別情報を取得することになる。取得した他の情報に応じた参照用情報における選択情報１、２、３、・・・毎に分類された評価モデルを選択し、同様に解探索を行う。上述した図１７の例の場合、取得したものが他の情報Ｂ（種別情報Ｂ）である場合、これに応じた他の参照用情報Ｂ（参照用種別情報Ｂ）における選択情報１、２、３、・・・毎に分類された何れかの評価モデルを選択し解探索することとなる。

なお、各モデル選択情報について構築する連関度は、上述した参照用ブランド情報や参照用種別情報毎に構築する場合以外に、他のいかなる参照用情報毎に構築してもよい。かかる場合も同様に参照用情報に応じた情報を取得し、取得した情報に応じて連関度を選択することとなる。

１ 品質推定システム
２ 推定装置
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 (11)

1. アクセサリーの品質を推定するための推定モデルを生成するためのアクセサリー品質推定モデル構築システムにおいて、
   アクセサリーの外観の画像を撮像することにより抽出したアクセサリーの色、輝き、加工状態の何れかからなる参照用外観情報と、当該アクセサリーの品質とを取得する情報取得手段と、
   上記情報取得手段により取得された参照用外観情報と、アクセサリーの品質とを教師データとして用い、入力を参照用外観情報とし、出力をアクセサリーの品質とした推定モデルを機械学習により生成するモデル生成手段を備え、
   上記情報取得手段は、頭部又は眼鏡に装着されるユーザ端末に含まれ、上記ユーザ端末を介して上記参照用外観情報を撮像したアクセサリーの部位に関する撮像対象部位情報を取得し、これを当該参照用外観情報に紐付けて記録すること
   を特徴とするアクセサリー品質推定モデル構築システム。
2. 上記情報取得手段は、参照用外観情報に含まれるアクセサリーの部位と、撮像対象部位情報とを教師データとして用い、入力を参照用外観情報とし、出力を撮像対象部位情報とした機械学習モデルを利用し、新たに上記ユーザ端末を介して撮像された参照用外観情報に基づいて撮像対象部位情報を取得すること
   を特徴とする請求項１記載のアクセサリー品質推定モデル構築システム。
3. アクセサリーの品質を推定するための推定モデルを生成するためのアクセサリー品質推定モデル構築システムにおいて、
   アクセサリーの外観の画像を撮像することにより抽出したアクセサリーのキズ、付着物、見栄えの何れかからなる参照用表面情報と、当該アクセサリーの品質とを取得する情報取得手段と、
   上記情報取得手段により取得された参照用表面情報と、アクセサリーの品質とを教師データとして用い、入力を参照用表面情報とし、出力をアクセサリーの品質とした推定モデルを機械学習により生成するモデル生成手段を備え、
   上記情報取得手段は、頭部又は眼鏡に装着されるユーザ端末に含まれ、上記ユーザ端末を介して上記参照用表面情報を撮像したアクセサリーの部位に関する撮像対象部位情報を取得し、これを当該参照用表面情報に紐付けて記録すること
   を特徴とするアクセサリー品質推定モデル構築システム。
4. 上記情報取得手段は、参照用表面情報に含まれるアクセサリーの部位と、撮像対象部位情報とを教師データとして用い、入力を参照用表面情報とし、出力を撮像対象部位情報とした機械学習モデルを利用し、新たに上記ユーザ端末を介して撮像された参照用外観情報に基づいて撮像対象部位情報を取得すること
   を特徴とする請求項３記載のアクセサリー品質推定モデル構築システム。
5. アクセサリーの品質を推定するアクセサリー品質推定システムにおいて、
   ユーザの頭部又は眼鏡に装着されるユーザ端末に含まれ、当該ユーザ端末を介して推定対象のアクセサリーの外観を撮像することにより抽出したアクセサリーの色、輝き、加工状態の何れかからなる外観情報と、撮像したアクセサリーの部位に関する第１撮像対象部位情報を取得する情報取得手段と、
   過去においてアクセサリーの外観の画像を撮像することにより抽出したアクセサリーの色、輝き、加工状態の何れかからなる参照用外観情報と、アクセサリーの品質との３段階以上の連関度が規定され、入力を参照用外観情報とし、出力をアクセサリーの品質とした学習済みモデルを利用し、上記情報取得手段により取得された外観情報に応じた参照用外観情報に基づき、上記連関度のより高いものを優先させて、アクセサリーの品質を推定する推定手段と、
   上記参照用外観情報に含まれるアクセサリーの部位に関する第２撮像対象部位情報を当該参照用外観情報に紐付けて記録する記録手段とを備え、
   上記ユーザ端末は、上記情報取得手段により取得された第１撮像対象部位情報と、上記情報取得手段により取得された外観情報に応じた参照用外観情報に紐付けられて上記記録手段に記録されている第２撮像対象部位情報とに基づいて、上記ユーザに対して撮影方法についての示唆を透過状態で表示する表示部を有すること
   を特徴とするアクセサリー品質推定システム。
6. 上記情報取得手段は、参照用外観情報に含まれるアクセサリーの部位と、第１撮像対象部位情報とを教師データとして用い、入力を参照用外観情報とし、出力を第１撮像対象部位情報とした機械学習モデルを利用し、新たに上記ユーザ端末を介して撮像された外観情報に基づいて第１撮像対象部位情報を取得すること
   を特徴とする請求項５記載のアクセサリー品質推定システム。
7. 上記情報取得手段は、参照用外観情報に含まれるアクセサリーの部位と、第２撮像対象部位情報とを教師データとして用い、入力を参照用外観情報とし、出力を第２撮像対象部位情報とした機械学習モデルを利用し、新たに撮像された参照用外観情報に基づいて第２撮像対象部位情報を取得すること
   を特徴とする請求項５又は６記載のアクセサリー品質推定システム。
8. 上記連関度は、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こと
   を特徴とする請求項５～７のうち何れか１項記載のアクセサリー品質推定システム。
9. アクセサリーの品質を推定するアクセサリー品質推定システムにおいて、
   ユーザの頭部又は眼鏡に装着されるユーザ端末に含まれ、当該ユーザ端末を介して推定対象のアクセサリーの外観の画像を撮像することにより抽出したアクセサリーのキズ、付着物、見栄えの何れかからなる表面情報を取得すると共に、撮像したアクセサリーの部位に関する第１撮像対象部位情報を取得する情報取得手段と、
   過去においてアクセサリーの外観の画像を撮像することにより抽出したアクセサリーのキズ、付着物、見栄えの何れかからなる参照用表面情報と、アクセサリーの品質との３段階以上の連関度が規定され、入力を参照用表面情報とし、出力をアクセサリーの品質とした学習済みモデルを利用し、上記情報取得手段により取得された表面情報に応じた参照用表面情報に基づき、上記連関度のより高いものを優先させて、アクセサリーの品質を推定する推定手段と、
   上記参照用表面情報に含まれるアクセサリーの部位に関する第２撮像対象部位情報を当該参照用表面情報に紐付けて記録する記録手段とを備え、
   上記ユーザ端末は、上記情報取得手段により取得された第１撮像対象部位情報と、上記情報取得手段により取得された表面情報に応じた参照用表面情報に紐付けられて上記記録手段に記録されている第２撮像対象部位情報とに基づいて、上記ユーザに対して撮影方法についての示唆を透過状態で表示する表示部を有すること
   を特徴とするアクセサリー品質推定システム。
10. アクセサリーの品質を推定するアクセサリー品質推定システムにおいて、
    ユーザの頭部又は眼鏡に装着されるユーザ端末に含まれ、当該ユーザ端末を介して推定対象のアクセサリーの外観の画像を撮像することにより抽出したアクセサリーの色、輝き、加工状態の何れかからなる外観情報を取得すると共に、撮像したアクセサリーの部位に関する第１撮像対象部位情報を取得する情報取得手段と、
    過去においてアクセサリーの外観の画像を撮像することにより抽出したアクセサリーの色、輝き、加工状態の何れかからなる参照用外観情報と、アクセサリーの品質との３段階以上の連関度が規定され、入力を参照用外観情報とし、出力をアクセサリーの品質とした学習済みモデルを利用し、上記情報取得手段により取得された外観情報に応じた参照用外観情報に基づき、上記連関度のより高いものを優先させて、アクセサリーの品質を推定する推定手段とを備え、
    上記推定手段は、上記参照用外観情報と、アクセサリーの品質との３段階以上の連関度を上記アクセサリーの部位毎に予め取得しておき、上記情報取得手段により取得された上記第１撮影対象部位情報に応じたアクセサリーの部位の上記連関度を読み出してアクセサリーの品質を推定し、
    上記ユーザ端末は、上記ユーザに対して上記推定手段により推定されたアクセサリーの品質を透過状態で表示する表示部を有すること
    を特徴とするアクセサリー品質推定システム。
11. アクセサリーの品質を推定するアクセサリー品質推定システムにおいて、
    ユーザの頭部又は眼鏡に装着されるユーザ端末に含まれ、当該ユーザ端末を介して推定対象のアクセサリーの外観の画像を撮像することにより抽出したアクセサリーのキズ、付着物、見栄えの何れかからなる表面情報を取得すると共に、撮像したアクセサリーの部位に関する第１撮像対象部位情報を取得する情報取得手段と、
    過去においてアクセサリーの外観の画像を撮像することにより抽出したアクセサリーのキズ、付着物、見栄えの何れかからなる参照用表面情報と、アクセサリーの品質との３段階以上の連関度が規定され、入力を参照用表面情報とし、出力をアクセサリーの品質とした学習済みモデルを利用し、上記情報取得手段により取得された表面情報に応じた参照用表面情報に基づき、上記連関度のより高いものを優先させて、アクセサリーの品質を推定する推定手段とを備え、
    上記推定手段は、上記参照用表面情報と、アクセサリーの品質との３段階以上の連関度を上記アクセサリーの部位毎に予め取得しておき、上記情報取得手段により取得された上記第１撮影対象部位情報に応じたアクセサリーの部位の上記連関度を読み出し、アクセサリーの品質を推定し、
    上記ユーザ端末は、上記ユーザに対して上記推定手段により推定されたアクセサリーの品質を透過状態で表示する表示部を有すること
    を特徴とするアクセサリー品質推定システム。

Images