JP6744633B2 - 物品判定装置、システム、学習方法及びプログラム - Google Patents

Description

本発明は、学習器を用いて物品を判定する物品判定装置、システム、方法及びプログラムに関する。

近時、人工知能技術が飛躍的に発展し、高次の情報処理が実現可能になりつつある。例えば、学習処理により最適解を得るための収束判定方法が種々提案されている。

特許文献１では、導出される各入力パターンの誤差評価関数と入力パターン毎のケース数からなる重み係数を用いて、学習の収束条件を決定するための総誤差評価関数を計算する手法が提案されている。

特許文献２では、誤差逆伝播学習の際に、入力データと入力層及び隠れ層のノード間の重み係数との相関係数に基づいて学習の収束を判定する手法が提案されている。

特開２０１１−１０７８８５号公報 国際公開第２００７／０９６９５４号パンフレット

しかしながら、特許文献１、２で提案される手法は、例えば、降雨、海面温度を含む事象の予測に適しているが、物品の画像情報に基づいて種別又は真贋を判定するような、緻密かつ高精度な物品判定には適していない可能性がある。

本発明は上記した問題を解決するためになされたものであり、真贋判定を含む緻密かつ高精度な物品判定を実行可能な物品判定装置、システム、学習方法及びプログラムを提供することを目的とする。

第１の本発明に係る物品判定装置は、物品の画像特徴量を入力とし、前記物品の一致度を示す多値又は連続値を出力とする学習器と、学習データ群を用いて前記学習器に対する学習処理を実行する学習処理部と、を備え、前記学習処理部は、前記学習データ群の全部又は一部を母集団とする、前記学習器の出力レベルに対する出力結果の正答率の関係を示す正答率曲線を作成し、前記正答率曲線が収束条件を満たす場合に前記学習処理を終了する。

このように、学習データ群の全部又は一部を母集団とする正答率曲線が収束条件を満たす場合に学習処理を終了するので、学習器は、統計的規則性が高い判定特性（つまり、出力レベルに対する出力結果の正答率）に基づいた物品の判定処理を実行可能となる。これにより、真贋判定を含む緻密かつ高精度な物品判定を行うことができる。

また、前記学習処理部は、前記学習処理の前後にわたる前記正答率曲線の変化量が閾値よりも小さくなった場合に、前記収束条件を満たすとして前記学習処理を終了してもよい。正答率曲線の収束性に着目することで、学習状態の最適化を図ることができる。

また、前記学習処理部は、前記物品の本物及び偽物に関する学習データのうち、いずれか一方のみで構成される前記母集団における前記正答率曲線を作成してもよい。これにより、正答率曲線の単調性（増加又は減少）が得られ易くなり、統計的規則性がさらに高くなる。

また、前記学習器は、前記画像特徴量の入力に対して前記物品の分類に応じた複数の一致度を一括で出力し、前記学習処理部は、前記学習器により一括で出力された上位の２つ以上の一致度に関する前記正答率曲線を作成してもよい。これにより、２つ以上の一致度の相関関係を正答率曲線に反映させることができる。

また、当該物品判定装置は、前記学習器から出力された前記物品の一致度、該一致度に基づく前記物品の分類結果、及び／又は、前記物品の商取引、搬入出若しくは通関に関する情報を、外部に向けて出力可能に構成される情報出力部をさらに備えてもよい。これにより、判定対象の物品に関する有用な情報を提供することができる。

第２の本発明に係る物品判定システムは、物品を撮像可能なカメラを有する携帯端末と、前記カメラにより得られた前記物品の画像情報を前記携帯端末から取得可能に構成される上記したいずれかの物品判定装置と、を備える。

第３の本発明に係る物品判定方法は、物品の画像特徴量を入力とし、前記物品の一致度を示す多値又は連続値を出力とする学習器を用いた方法であって、学習データ群の全部又は一部を母集団とする、前記学習器の出力レベルに対する出力結果の正答率の関係を示す正答率曲線を作成し、前記正答率曲線が収束条件を満たす場合に、前記学習器に対する学習処理を終了する。

第４の本発明に係る物品判定プログラムは、物品の画像特徴量を入力とし、前記物品の一致度を示す多値又は連続値を出力とする学習器を含むコンピュータに実行させるプログラムであって、前記コンピュータは、学習データ群の全部又は一部を母集団とする、前記学習器の出力レベルに対する出力結果の正答率の関係を示す正答率曲線を作成し、前記正答率曲線が収束条件を満たす場合に、前記学習器に対する学習処理を終了する。

本発明に係る物品判定装置、システム、学習方法及びプログラムによれば、真贋判定を含む緻密かつ高精度な物品判定を実行することができる。

本発明の一実施形態における物品判定システムとしての商取引支援システムの全体構成図である。 取引管理サーバによる物品の判定結果を示す図である。 図１に示す物品判定部の機能ブロック図である。 図３に示す学習処理部の動作説明に供されるフローチャートである。 学習器による判定結果の分類方法を示す図である。 図６Ａ〜図６Ｃは、正答率曲線の作成例を示す図である。 学習処理の収束条件を模式的に説明する図である。 変形例における正答率曲線の作成方法を示す図である。

以下、本発明に係る物品判定装置について、物品判定システム、学習方法及びプログラムとの関係において好適な実施形態を挙げ、添付の図面を参照しながら説明する。

［商取引支援システム１０の説明］
＜全体構成＞
図１は、本発明の一実施形態における物品判定システムとしての商取引支援システム１０の全体構成図である。商取引支援システム１０は、サービスの利用登録がなされたユーザが、自身の所有物（以下、物品１２）を取引対象の商品として、オンラインで出品可能に構成されるシステムである。

このサービスは、例えば、ネットフリーマーケット、ネットオークション、或いは、ネット質屋である。本図の例では、物品１２は、いわゆるブランド品の高級腕時計であるが、バッグ、アクセサリ（貴金属、宝石類）の他、合法的に商取引可能であればその種類は問わない。

この商取引支援システム１０は、具体的には、取引管理サーバ１４（物品判定装置）と、ストレージ装置１６と、１つ又は複数の携帯端末１８と、を含んで構成される。

取引管理サーバ１４は、物品１２の商取引に関する統括的な制御を行うコンピュータである。具体的には、取引管理サーバ１４は、通信部２０（情報出力部）と、制御部２２と、記憶部２４と、を含んで構成される。

通信部２０は、外部装置に対して電気信号を送受信するインターフェースである。制御部２２は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）を含む処理演算装置によって構成される。制御部２２は、記憶部２４に格納されたプログラムを読み出して実行することで、データベース処理部２６、物品判定部２８、及び取引管理部３０として機能する。

記憶部２４は、非一過性であり、かつ、コンピュータ読み取り可能な記憶媒体で構成されている。ここで、コンピュータ読み取り可能な記憶媒体は、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ、フラッシュメモリ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。本図の例では、記憶部２４には、後述するパラメータ群３２が格納されている。

ストレージ装置１６は、商取引の支援処理に関わる複数種類のデータベースを構築可能な外部記憶装置であり、取引管理サーバ１４との間でデータのやり取りが可能である。具体的には、ストレージ装置１６には、学習データに関するデータベース（以下、学習情報ＤＢ３６）、物品１２の出品情報に関するデータベース（以下、出品情報ＤＢ３８）、及び、商取引情報に関するデータベース（以下、商取引情報ＤＢ４０）が構築されている。

ところで、取引管理サーバ１４は、ネットワークＮＷ（インターネット）及び中継機器４２を介して、１つ又は複数の携帯端末１８と双方向に通信可能に接続されている。携帯端末１８は、図示しないユーザにより携行可能な機器であり、例えば、スマートフォン、タブレット又はウェアラブル端末である。

携帯端末１８は、具体的には、物品１２を撮像可能なカメラ４４と、カメラ４４により得られた画像情報Ｄ１を含む可視情報を表示する表示部４６と、を含んで構成される。カメラ４４は、携帯端末１８に内蔵されてもよいし、外部端子を介して着脱可能な外付けモジュールであってもよい。

＜概略的な動作＞
本実施形態における商取引支援システム１０は、以上のように構成される。続いて、商取引支援システム１０の概略的な動作について、図１を参照しながら説明する。

（１）出品の問合せ
先ず、ユーザは、出品対象である物品１２を準備した後、携帯端末１８のカメラ４４を用いて物品１２を撮像する。その後、携帯端末１８は、ユーザの操作に応じて、ユーザ情報及び画像情報Ｄ１を含む問合せデータを、取引管理サーバ１４に向けて送信する。これにより、取引管理サーバ１４は、中継機器４２、ネットワークＮＷ及び通信部２０を介して、携帯端末１８からの問合せデータを取得する。

（２）物品１２の判定
次いで、取引管理サーバ１４（具体的には、物品判定部２８）は、ユーザから供給された画像情報Ｄ１に基づいて、物品１２の種別（商品名を含む）及び／又は真贋の判定処理を行う。これにより、物品判定部２８は、該当する種別（商品名）又は判定の信頼度（例えば、後述する一致度）を含む判定結果Ｄ３を出力する。

図２は、取引管理サーバ１４による物品１２の判定結果を示す図である。より詳しくは、本図の左側には「本物」（正規品）である腕時計の画像を示すと共に、本図の右側には「偽物」（非正規品）である腕時計の画像を示す。本図から理解されるように、偽物の腕時計は、全体の外観上、一見すると本物と区別できない程度に類似した形状を有する。

ところが、文字盤のロゴ部分を拡大してみると、空洞部の大きさに関する相違箇所５０、先端部の形状に関する相違箇所５１〜５３がある。ここで、物品判定部２８による判定処理を行うことで、上記した相違箇所５０〜５３の形態的特徴を捉え、高い確度で物品１２の真贋を判定することができる。

（３）相場情報Ｄ４の提供
次いで、取引管理サーバ１４（具体的には、データベース処理部２６）は、物品１２の種別が正しく判定された場合、この種別に応じた最新の相場情報Ｄ４を商取引情報ＤＢ４０から取得する。この相場情報Ｄ４は、例えば、取引価格（買取価格・レート）、直近の取引量・在庫数量、今後の需要予測を含む。

その後、取引管理サーバ１４は、判定結果Ｄ３及び相場情報Ｄ４を含む提供データを、携帯端末１８に向けて送信する。これにより、携帯端末１８は、通信部２０、ネットワークＮＷ及び中継機器４２を介して、取引管理サーバ１４からの提供データを取得する。

（４）出品の登録
次いで、ユーザは、表示部４６に提示される相場情報Ｄ４の内容を確認し、出品に同意した旨の操作を行う。そうすると、取引管理サーバ１４（具体的には、取引管理部３０）は、ユーザの操作を受け付けた後、ユーザ情報、画像情報Ｄ１及び判定結果Ｄ３を集約し、取引単位毎の出品データを生成する。

最後に、データベース処理部２６は、生成された出品データをストレージ装置１６に向けて供給する。これにより、出品情報ＤＢ３８が最新の状態に更新されると共に、物品１２の出品登録が完了する。

［物品判定部２８の詳細説明］
＜機能ブロック図＞
図３は、図１に示す物品判定部２８の機能ブロック図である。物品判定部２８は、特徴量生成部６０と、学習器６２と、学習処理部６４と、を備える。

特徴量生成部６０は、学習器６２の学習処理又は判定処理に供される１つ以上の画像特徴量を生成する。例えば、畳み込みニューラルネットワーク（ＣＮＮ； Convolutional Neural Network）の場合、画像特徴量は、サイズ又は形状が異なる畳み込みカーネルを用いて抽出された画素値の集合に相当する。

学習器６２は、特徴量生成部６０により生成された１つ以上の画像特徴量の入力を受け付けた後、学習処理により構築された演算規則に従って、物品１２の判定結果Ｄ３を出力する。この学習器６２は、例えば、ニューラルネットワーク、機械学習、深層学習（ディープラーニング）を含む公知の人工知能技術を用いて構築されている。なお、学習アルゴリズムは、教師あり学習、教師なし学習、強化学習のうちのいずれの手法を採用してもよい。

本図の例では、学習器６２は、１つの入力層６６と、１つ又は複数の中間層６８（隠れ層）と、１つの出力層７０とから構成される階層型ニューラルネットワークである。ここで、ニューロン（丸印で図示）の個数、中間層６８の数、入力パラメータの定義、又は出力パラメータの定義を適宜変更してもよい。

なお、学習器６２の演算規則は、パラメータの集合体であるパラメータ群３２の値によって決定される。パラメータ群３２は、例えば、ニューロンの応答関数を特定する係数、シナプス結合の重み付け係数、中間層６８の数、各層を構成するニューロンの個数を含んでもよい。このパラメータ群３２は、記憶部２４（図１）に格納され、必要に応じて適時に読み出される。

学習処理部６４は、学習情報ＤＢ３６から読み出した学習データの集合体（以下、学習データ群Ｄ２）を用いて、学習器６２の学習処理を実行する。具体的には、学習処理部６４は、パラメータ更新部７２と、後述する収束判断部７４と、を含んで構成される。

パラメータ更新部７２は、学習データの正解（理想的な出力値）と、学習器６２による実際の出力値を比較し、出力値の誤差が小さくなるようにパラメータ群３２の各値を更新する。更新アルゴリズムとして、具体的には、誤差逆伝播法を含む様々な手法を用いてもよい。

＜学習処理の詳細＞
続いて、物品判定部２８の動作（学習器６２に対する学習処理）について、図４のフローチャートを参照しながら説明する。

図４のステップＳ１において、学習処理部６４は、学習処理に供される学習データ群Ｄ２を、学習情報ＤＢ３６から読み出して取得する。この学習データ群Ｄ２は、１組以上の本物学習データ及び／又は１組以上の偽物学習データから構成される。

ここで、「本物学習データ」は、「本物」の物品１２を示す学習用画像と、特定の種別のみ「該当」であり、その他の種別は「非該当」に相当するラベル情報を対応付けた学習データである。また、「偽物学習データ」は、「偽物」の物品１２を示す学習用画像と、いずれの種別も「非該当」に相当するラベル情報を対応付けた学習データである。

ステップＳ２において、学習処理部６４は、ステップＳ１で取得された学習データ群Ｄ２を用いて、学習器６２に対する学習処理を開始する。

ステップＳ３において、学習処理部６４は、学習データ群Ｄ２を構成する学習データを用いて学習処理を順次実行する。具体的には、［１］特徴量生成部６０は、学習処理部６４から供給された学習データに含まれる学習用画像を用いて、１つ又は複数の画像特徴量を生成する。［２］学習器６２は、特徴量生成部６０から供給された画像特徴量を入力層６６に入力した後、中間層６８での演算処理を経て、出力層７０から物品１２の一致度を出力する。［３］パラメータ更新部７２は、誤差逆伝播法を含む様々な更新手法を用いて、パラメータ群３２の各値を更新する。

ステップＳ４において、収束判断部７４は、ステップＳ３の学習処理に関する正答率曲線８０を作成する。ここで、正答率曲線８０とは、学習器６２の出力レベルに対する出力結果の正答率の関係を示す特性曲線である。

図５は、学習器６２による判定結果の分類方法を示す図である。ここでは、物品１２が本物であることを「陰性（Negative）」と定義し、物品１２が偽物であることを「陽性（Positive）」と定義する。この場合、判定結果の属性は、［１］「本物」を「該当」と判定する「真陰性」（データ総数Ｎｔｎ）、［２］「本物」を「非該当」と判定する「偽陽性」（データ総数Ｎｆｐ）、［３］「偽物」を「非該当」と判定する「真陽性」（データ総数Ｎｔｐ）、［４］「偽物」を「該当」と判定する「偽陰性」（データ総数Ｎｆｎ）、の４つに分類される。

図６Ａ〜図６Ｃは、正答率曲線８０の作成例を示す図である。グラフの横軸は「出力レベルＸ」を示し、グラフの縦軸は「正答率Ｙ」を示す。この出力レベルＸは、出力層７０（図３）に属する複数のニューロンによる出力値のうち、最も大きい出力値（いわゆる最大値）に相当する。各々の出力値は、物品１２の種別に紐付けされ、かつ、［０，１］の範囲に正規化された一致度（いわゆる、ラベル値）である。「１」は一致度が最も高い出力レベルであり、「０」は一致度が最も低い出力レベルである。

一方、正答率Ｙは、特定の母集団において学習器６２が正しい結果（つまり、真陰性又は真陽性）を出力した割合を示す。この母集団は、例えば、学習データ群Ｄ２の全部又は一部であり、［１］本物学習データのみの集合、［２］偽物学習データのみの集合、［３］本物学習データ及び偽物学習データが混合した集合、のいずれであってもよい。

つまり、正答率曲線８０は、実質的には、［０，１］の出力レベルＸを複数のデータ区間で区分したヒストグラムに相当する。この場合、データ区間の幅・個数又は母集団の属性・数の組み合わせを任意に変更してもよい。

図６Ａは、本物学習データのみからなる母集団における正答率曲線８０を示す。具体的には、（１）式及び（２）式に示すＫ個のプロット（ｉ＝１〜Ｋ）を順次接続することで、本図に示す正答率曲線８０が得られる。
Ｘ＝Ｘ（ｉ） ‥（１）
Ｙ＝Ｍｔｎ（ｉ）／｛Ｍｔｎ（ｉ）＋Ｍｆｐ（ｉ）｝ ‥（２）

ここで、Ｍｔｎ（ｉ）は、ｉ番目の出力レベルＸ（ｉ）における「真陰性（正解）」のデータ数である。また、Ｍｆｐ（ｉ）は、出力レベルＸ（ｉ）における「偽陽性（第１種過誤）」のデータ数である。

出力レベルＸ＝１である場合、物品１２の分類（つまり、該当）を概ね正しく判定しているため、正答率Ｙ＝１（つまり、１００％）になる。一方、出力レベルＸが０に近づくほど、母集団の数及び不正解（偽陽性）の数が少なくなるので、正答率Ｙが０に近づいていく。すなわち、正答率曲線８０は、２点（０，０）、（１，１）を結ぶ単調増加関数を示す場合が多い。

図６Ｂは、偽物学習データのみからなる母集団における正答率曲線８０を示す。具体的には、上記の（１）式、以下の（３）式に示すＫ個のプロット（ｉ＝１〜Ｋ）を順次接続することで、本図に示す正答率曲線８０が得られる。
Ｙ＝Ｍｔｐ（ｉ）／｛Ｍｔｐ（ｉ）＋Ｍｆｎ（ｉ）｝ ‥（３）

ここで、Ｍｔｐ（ｉ）は、ｉ番目の出力レベルＸ（ｉ）における「真陽性（正解）」のデータ数である。また、Ｍｆｎ（ｉ）は、出力レベルＸ（ｉ）における「偽陰性（第２種過誤）」のデータ数である。

出力レベルＸ＝０である場合、物品１２の分類（つまり、非該当）を概ね正しく判定しているため、正答率Ｙ＝１（つまり、１００％）になる。一方、出力レベルＸが１に近づくほど、母集団の数及び不正解（偽陰性）の数が少なくなるので、正答率Ｙが０に近づいていく。すなわち、正答率曲線は、２点（１，０）、（０，１）を結ぶ単調減少関数を示す場合が多い。

図６Ｃは、本物学習データ及び偽物学習データを混合してなる母集団における正答率曲線８０を示す。具体的には、上記の（１）式、以下の（４）式に示すＫ個のプロット（ｉ＝１〜Ｋ）を順次接続することで、本図に示す正答率曲線８０が得られる。
Ｙ＝｛Ｍｔｎ（ｉ）＋Ｍｔｐ（ｉ）｝
／｛Ｍｔｎ（ｉ）＋Ｍｆｐ（ｉ）＋Ｍｔｐ（ｉ）＋Ｍｆｎ（ｉ）｝ ‥（４）

例えば、本物と偽物の混合比が１：１である場合、正答率曲線８０は、図６Ａ及び図６Ｂに示す２つの正答率Ｙの和に概ね等しい曲線形状になる。

このように、学習処理部６４は、物品１２の本物及び偽物に関する学習データのうち、いずれか一方のみで構成される母集団における正答率曲線８０を作成してもよい。これにより、正答率曲線８０の単調性（増加又は減少）が得られ易くなり、統計的規則性がさらに高くなる。

ステップＳ５において、収束判断部７４は、ステップＳ４で作成された正答率曲線８０が収束条件を満たすか否かを判断する。この収束条件は、例えば、［１］正答率曲線８０と、予め定められた目標曲線との差分量が閾値よりも小さいこと、［２］学習処理の前後にわたる正答率曲線８０の変化量が閾値よりも小さいこと、が挙げられる。

図７では、前回及び今回作成した２つの正答率曲線８０（以下、前者を「前回曲線８１」、後者を「今回曲線８２」という）が重ねて表記されている。前回曲線８１は、γｏｌｄを指数とする累乗関数で近似的に表現される。今回曲線８２は、γｎｅｗを指数とする累乗関数で近似的に表現される。

ここで、正答率曲線８０の変化量は、例えば、正答率Ｙの最大差分値（ΔＹ）であってもよいし、関数の形状を特定可能な係数（ここでは、指数）の差の絶対値（｜γｎｅｗ−γｏｌｄ｜）であってもよい。

このように、学習処理部６４は、学習処理の前後にわたる正答率曲線８０の変化量が閾値よりも小さくなった場合に、収束条件を満たすとして学習処理を終了してもよい。正答率曲線８０の収束性に着目することで、学習状態の最適化を図ることができる。

収束条件を満たさないと判断された場合（ステップＳ５：ＮＯ）、ステップＳ３に戻って、以下、ステップＳ３〜Ｓ５を順次繰り返す。一方、収束条件を満たすと判断された場合（ステップＳ５：ＹＥＳ）、ステップＳ６に進む。

ステップＳ６において、学習処理部６４は、学習器６２に対する学習処理を終了する。この学習器６２を用いることで、図２に示すように、真贋判定を含む緻密かつ高精度な物品判定を行うことができる。

［商取引支援システム１０による効果］
以上のように、商取引支援システム１０（物品判定システム）は、物品１２を撮像可能なカメラ４４を有する携帯端末１８と、カメラ４４により得られた物品１２の画像情報Ｄ１を携帯端末１８から取得可能に構成される取引管理サーバ１４と、を備える。

そして、取引管理サーバ１４（物品判定装置）は、［１］物品１２の画像特徴量を入力とし、物品１２の一致度を示す多値又は連続値を出力とする学習器６２と、［２］学習データ群Ｄ２を用いて学習器６２に対する学習処理を実行する学習処理部６４と、を備え、［３］学習処理部６４は、学習データ群Ｄ２の全部又は一部を母集団とする、学習器６２の出力レベルに対する出力結果の正答率の関係を示す正答率曲線８０を作成し、正答率曲線８０が収束条件を満たす場合に学習処理を終了する。

また、この物品判定方法及び物品判定プログラムによれば、学習データ群Ｄ２の全部又は一部を母集団とする、学習器６２の出力レベルに対する出力結果の正答率の関係を示す正答率曲線８０を作成し（ステップＳ４）、正答率曲線８０が収束条件を満たす場合に（ステップＳ５：ＹＥＳ）、学習器６２に対する学習処理を終了する（ステップＳ６）。

このように、学習データ群Ｄ２の全部又は一部を母集団とする正答率曲線８０が収束条件を満たす場合に学習処理を終了するので、学習器６２は、統計的規則性が高い判定特性（つまり、出力レベルに対する出力結果の正答率）に基づいた物品１２の判定処理を実行可能となる。これにより、真贋判定を含む緻密かつ高精度な物品判定を行うことができる。

［変形例］
＜第１例＞
図６Ａ〜図６Ｃの例では、１組の学習データにつき１つの出力値（最大値のみ）を用いて正答率曲線８０を作成したが、この作成方法に限られない。

図８は、変形例における正答率曲線８４、８６の作成方法を示す図である。ここで、学習器６２の出力層７０には１５０個のニューロンがあり、出力値（ラベル値）が大きい順に、第１位〜第１５０位のランク付けがなされているとする。

ここで、正答率曲線８４は、第１位の出力値（＝０．９５）を「正解」とし、第２位の出力値（＝０．６２）を「不正解」として、１組の学習データにつき標本数を二重に計上して作成された１つ分の曲線に相当する。

一方、正答率曲線８６は、第１位の出力値（＝０．９５）を「正解」とし、第２位の出力値（＝０．６２）を「不正解」とし、第３位の出力値（＝０．３８）を「不正解」として、１組の学習データにつき順位毎に作成された３つの曲線に相当する。

このように、画像特徴量の入力に対して物品１２の分類に応じた複数の一致度を一括で出力する学習器６２に関して、学習処理部６４は、学習器６２により一括で出力された上位の２つ以上の一致度に関する正答率曲線８４、８６を作成してもよい。これにより、２つ以上の一致度の相関関係を正答率曲線８４、８６に反映させることができる。

＜第２例＞
また、取引管理サーバ１４は、学習器６２から出力された物品１２の一致度、該一致度に基づく物品１２の分類結果、及び／又は、物品１２の商取引、搬入出若しくは通関に関する情報を、外部に向けて出力可能に構成される出力装置（通信部２０の他、ディスプレイ、スピーカ）をさらに備えてもよい。

これにより、判定対象の物品１２に関する有用な情報を提供可能となり、様々なユースケースに適用することができる。具体的には、鑑定、検査、査察、警備、或いは港湾・空港での通関に関わる各種業務（スクリーニング、セカンドオピニオンを含む）のみならず、当該業務の教育にも活用してもよい。或いは、画像情報Ｄ１を用いた製品の自動検品（例えば、プリント基板における半田付けの良否判定、カニを含む動植物の年齢・鮮度の判定）にも適用可能である。

［補足］
なお、この発明は、上述した実施形態に限定されるものではなく、この発明の主旨を逸脱しない範囲で自由に変更できることは勿論である。或いは、技術的に矛盾が生じない範囲で各々の構成を任意に組み合わせてもよい。

例えば、上記した実施形態では、物品判定装置を汎用計算機（コンピュータ）により構成しているが、これに代わってＦＰＧＡ（Field-Programmable Gate Array）等の集積回路を含む任意のハードウェア構成を採用してもよい。

１０…商取引支援システム（物品判定システム）
１２…物品 １４…取引管理サーバ（物品判定装置）
１６…ストレージ装置 １８…携帯端末
２０…通信部（情報出力部） ２２…制御部
２４…記憶部 ２６…データベース処理部
２８…物品判定部 ３０…取引管理部
３２…パラメータ群 ３６…学習情報ＤＢ
３８…出品情報ＤＢ ４０…商取引情報ＤＢ
４４…カメラ ４６…表示部
６０…特徴量生成部 ６２…学習器
６４…学習処理部 ６６…入力層
６８…中間層 ７０…出力層
７２…パラメータ更新部 ７４…収束判断部
８０、８４、８６…正答率曲線 Ｄ１…画像情報
Ｄ２…学習データ群 Ｄ３…判定結果
Ｄ４…相場情報

Claims (8)

1. 物品の画像特徴量を入力とし、前記物品の一致度を示す多値又は連続値を出力値として出力する学習器と、
   学習データ群を用いて前記学習器に対する学習処理を実行する学習処理部と、
   を備え、
   前記学習器は、出力層から複数の前記出力値を出力し、
   前記学習処理部は、
   複数の前記出力値のうち最も大きい値を所定の幅で区分した出力レベルごとに出力結果の正答率を並べたヒストグラムを用いて、前記出力レベルに対する出力結果の正答率の関係を示す正答率曲線を作成し、
   前記正答率曲線が収束条件を満たす場合に前記学習処理を終了することを特徴とする物品判定装置。
2. 請求項１に記載の物品判定装置において、
   前記学習処理部は、前記学習処理の前後にわたる前記正答率曲線の変化量が閾値よりも小さくなった場合に、前記収束条件を満たすとして前記学習処理を終了することを特徴とする物品判定装置。
3. 請求項１又は２に記載の物品判定装置において、
   前記学習処理部は、前記物品の本物及び偽物に関する学習データのうち、いずれか一方のみで構成される前記学習データ群における前記正答率曲線を作成することを特徴とする物品判定装置。
4. 請求項１〜３のいずれか１項に記載の物品判定装置において、
   前記学習器は、前記画像特徴量の入力に対して前記物品の分類に応じた一致度を示す複数の前記出力値を一括で出力し、
   前記学習処理部は、前記学習器により一括で出力された複数の前記出力値のうち上位の２つ以上の前記出力値を用いて、複数の前記正答率曲線を作成することを特徴とする物品判定装置。
5. 請求項１〜４のいずれか１項に記載の物品判定装置において、
   前記学習器から出力された前記物品の一致度、該一致度に基づく前記物品の分類結果、及び／又は、前記物品の商取引、搬入出若しくは通関に関する情報を、外部に向けて出力可能に構成される情報出力部をさらに備えることを特徴とする物品判定装置。
6. 物品を撮像可能なカメラを有する携帯端末と、
   前記カメラにより得られた前記物品の画像情報を前記携帯端末から取得可能に構成される請求項１〜５のいずれか１項に記載の物品判定装置と、
   を備えることを特徴とする物品判定システム。
7. 物品の画像特徴量を入力とし、前記物品の一致度を示す多値又は連続値を出力値として出力する学習器に、コンピュータが学習を行わせる学習方法であって、
   前記学習器は、出力層から複数の前記出力値を出力するものであり、
   複数の前記出力値のうち最も大きい値を所定の幅で区分した出力レベルごとに出力結果の正答率を並べたヒストグラムを用いて、前記出力レベルに対する出力結果の正答率の関係を示す正答率曲線を作成するステップと、
   前記正答率曲線が収束条件を満たす場合に、前記学習器に対する学習処理を終了するステップと、
   を含むことを特徴とする学習方法。
8. 物品の画像特徴量を入力とし、前記物品の一致度を示す多値又は連続値を出力値として出力する学習器を含むコンピュータに実行させる物品判定プログラムであって、
   前記コンピュータに、
   前記学習器の出力層から複数の出力値を出力するステップと、
   複数の前記出力値のうち最も大きい値を所定の幅で区分した出力レベルごとに出力結果の正答率を並べたヒストグラムを用いて、前記出力レベルに対する出力結果の正答率の関係を示す正答率曲線を作成するステップと、
   前記正答率曲線が収束条件を満たす場合に、前記学習器に対する学習処理を終了するステップと、
   を実行させることを特徴とする物品判定プログラム。

Images