JP6917652B1 - 情報処理装置、情報処理方法、および情報処理プログラム - Google Patents

Abstract

【課題】ダニ捕獲器で捉えたダニ数を計数するための技術を提供する。【解決手段】情報処理装置は、ダニの捕獲器を撮影して得られた画像を取得するための取得部と、画像を複数の領域に分割する分割部と、複数の領域の各々について、当該領域内の画像情報に基づいて、当該領域に含まれているダニの数を計数するための計数部と、複数の領域の一部または全部について計数されたダニの数に基づいて、画像に含まれるダニの総数を算出するための算出部とを備える。【選択図】図１

Description

本開示は、画像からダニの数を計数するための技術に関する。

ダニアレルゲンは、主要のハウスダストアレルゲンであり、アレルギー性喘息、アレルギー性鼻炎、結膜炎、アトピー性皮膚炎等のアレルギー性疾患を引き起こす。このため、アレルギー性疾患を予防または減弱させるために、生活環境からダニアレルゲンを低減させる技術が求められている。

ダニをアレルゲンとするアレルギー性疾患の対策としては、アレルゲンであるダニを駆除して、ダニを生活環境中から排除することが考えられる。特許６６１６８８１号公報（特許文献１）には、アレルゲンの原因となるダニを誘引するためのダニ捕獲器を開示している。

特許第６６１６８８１号公報

ダニのサイズは非常に小さいので、利用者は、ダニ捕獲器を設置したとしても、当該設置場所にどの程度のダニが潜んでいるのかを把握することができない。また、利用者は、ダニ捕獲器の効果を容易に把握することもできない。したがって、ダニ捕獲器で捉えたダニ数を計数するための技術が望まれている。

本開示の一例では、情報処理装置は、ダニの捕獲器を撮影して得られた画像を取得するための取得部と、上記画像を複数の領域に分割する分割部と、上記複数の領域の各々について、当該領域内の画像情報に基づいて、当該領域に含まれているダニの数を計数するための計数部と、上記複数の領域の一部または全部について計数された上記ダニの数に基づいて、上記画像に含まれるダニの総数を算出するための算出部とを備える。

本開示の一例では、上記情報処理装置は、上記画像に含まれる上記総数に基づいて、上記捕獲器の設置場所におけるダニによる有害レベルを推定するための推定部を備える。

本開示の一例では、上記推定部は、上記捕獲器の設置場所と、上記捕獲器の設置日数と、上記捕獲器の設置時におけるシーズン情報と、上記捕獲器の設置場所における掃除の頻度と、上記捕獲器の設置場所における環境情報との少なくとも１つと、上記総数とに基づいて、上記有害レベルを推定する。

本開示の一例では、上記捕獲器は、特定の形状を有する。上記計数部による上記ダニの数の計数処理は、上記特定の形状が検知され、かつ、上記特定の形状が上記画像内の予め定められた範囲に含まれている場合に実行される。

本開示の一例では、上記算出部は、上記計数部によるダニの計数が成功した領域についてのダニの合計数を算出する処理と、上記計数部によるダニの計数が成功した領域数で上記合計数を除算し、上記複数の領域の数を当該除算結果に乗算した結果を上記総数として算出する処理とを含む。

本開示の他の例では、情報処理方法は、ダニの捕獲器を撮影して得られた画像を取得するステップと、上記画像を複数の領域に分割するステップと、上記複数の領域の各々について、当該領域内の画像情報に基づいて、当該領域に含まれているダニの数を計数するステップと、上記複数の領域の一部または全部について計数された上記ダニの数に基づいて、上記画像に含まれるダニの総数を算出するステップとを備える。

本開示の他の例では、情報処理装置によって実行される情報処理プログラムが提供される。上記情報処理プログラムは、上記情報処理装置に、ダニの捕獲器を撮影して得られた画像を取得するステップと、上記画像を複数の領域に分割するステップと、上記複数の領域の各々について、当該領域内の画像情報に基づいて、当該領域に含まれているダニの数を計数するステップと、上記複数の領域の一部または全部について計数された上記ダニの数に基づいて、上記画像に含まれるダニの総数を算出するステップとを実行させる。

本発明の上記および他の目的、特徴、局面および利点は、添付の図面と関連して理解される本発明に関する次の詳細な説明から明らかとなるであろう。

情報処理システムの装置構成の一例を示す図である。 ダニ捕獲器の外観を示す図である。 サーバーの機能構成の一例を示す図である。 計数アプリが提供する一画面を示す図である。 計数アプリが提供する他の画面を示す図である。 通信端末から取得した画像の一例である撮影画像を示す図である。 図６に示される部分画像から生成された画素値分離画像を示す図である。 図６に示される部分画像から生成された画素値分離画像を示す図である。 図７に示される画素値分離画像が学習済モデルに入力されている例を示す図である。 図７に示される画素値分離画像が学習済モデルに入力されている例を示す図である。 学習済モデルの生成時に用いられる学習用データセットを示す図である。 ダニ画像選択部によってダニ画像として選択された画素値分離画像が学習済モデルに入力されている例を示す図である。 学習済モデルの生成時に用いられる学習用データセットを示す図である。 変形例に従う学習用データセットを示す図である。 部分画像の各々についてのダニの計数結果を示す図である。 汚染レベル推定部の構成を概略的に示す概念図である。 学習済モデルの生成時に用いられる学習用データセットを示す図である。 通信端末の出力画面を示す図である。 通信端末のハードウェア構成の一例を示す模式図である。 サーバーのハードウェア構成の一例を示す模式図である。 計数アプリによる事前処理のフローチャートを示す図である。 サーバーによるダニの計数処理の流れを示すシーケンス図である。 サーバーによるダニの計数処理の流れを示すシーケンス図である。 計数アプリによる表示処理の流れを示すシーケンス図である。

以下、図面を参照しつつ、本発明に従う各実施の形態について説明する。以下の説明では、同一の部品および構成要素には同一の符号を付してある。それらの名称および機能も同じである。したがって、これらについての詳細な説明は繰り返さない。なお、以下で説明される各実施の形態および各変形例は、適宜選択的に組み合わされてもよい。
＜Ａ．情報処理システム１０＞

図１を参照して、情報処理システム１０について説明する。図１は、情報処理システム１０の装置構成の一例を示す図である。

図１に示されるように、情報処理システム１０は、１つ以上のダニ捕獲器５０と、１つ以上の通信端末１００と、１つ以上のサーバー２００とを含む。

ダニ捕獲器５０は、ダニの発生場所に設置され得、ダニを誘引および捕獲する。ダニ捕獲器５０の設置場所は、たとえば、カーペット、畳、布団、べッド、じゅうたん、または、自動車のシート等である。

ダニ捕獲器５０は、ダニを捕獲する機能を有する物であれば特に限定されず、ダニの誘引および死滅を目的とする物や、設置場所に存在しているダニの数を調べるための物等を含む。図１には、設置場所に存在しているダニの数を調べるためのダニ捕りキットがダニ捕獲器５０の一例として示されている。ダニ捕獲器５０の詳細については後述する。

通信端末１００は、たとえば、タブレット端末、スマートフォン、ノート型のＰＣ（Personal Computer）、デスクトップ型のＰＣ、または、通信機能を有するその他の端末である。情報処理システム１０を構成する通信端末１００の数は任意である。

通信端末１００には、カメラ１０５が設けられている。カメラ１０５は、通信端末１００と一体的に構成されてもよいし、外付けで通信端末１００に接続されてもよい。

サーバー２００は、情報処理装置の一例である。サーバー２００は、たとえば、ノート型のＰＣ、デスクトップ型のＰＣ、タブレット端末、スマートフォン、または、通信機能を有するその他のサーバーである。図１には、１台のサーバー２００が示されているが、情報処理システム１０を構成するサーバー２００の数は任意である。

情報処理システム１０は、ダニ捕獲器５０の利用者から提供される画像に基づいて、ダニ捕獲器５０で捕獲されたダニの数を計数する機能を有する。

より具体的には、まず、利用者は、ダニの発生状況を調べたい場所にダニ捕獲器５０を数日間設置する。その後、ステップＳ１において、利用者は、通信端末１００のカメラ１０５を用いてダニ捕獲器５０を撮影する。

ステップＳ２において、利用者は、ステップＳ１の撮影で得られた画像をサーバー２００に送信する。

ステップＳ３において、サーバー２００は、通信端末１００から受信した撮影画像に基づいて、当該撮影画像に写っているダニの数を計数する。より具体的には、サーバー２００は、受信した撮影画像を複数の領域に分割し、各分割領域に含まれるダニの数を計数する。当該計数処理の詳細については後述する。次に、サーバー２００は、各分割領域についてのダニの計数結果の一部または全部を用いて、撮影画像全体に写っているダニの数（以下、「ダニ総数」ともいう。）を算出する。

光等のノイズの影響を受けると一部の分割領域でダニ数が計数できない場合がある。このような場合でも、実施の形態に従う情報処理システム１０は、計数不能な分割領域の影響を受けずにダニ総数を推定することができる。

ステップＳ４において、サーバー２００は、ステップＳ３で算出したダニ総数を通信端末１００に送信する。

ステップＳ５において、通信端末１００は、サーバー２００から受信したダニ総数を表示する。これにより、利用者は、ダニ捕獲器５０の設置場所にどの程度のダニが潜んでいるのかを容易に把握することができる。

なお、上述では、ダニ総数を算出するための機能がサーバー２００に実装されている例について説明を行ったが、当該計数機能は、通信端末１００やサーバー２００などの種々の情報処理装置に実装され得る。
＜Ｂ．ダニ捕獲器５０＞

次に、図２を参照して、ダニ捕獲器５０の詳細について説明する。図２は、ダニ捕獲器５０の外観を示す図である。

ダニ捕獲器５０は、たとえば、薄型の円形状を有する。ダニ捕獲器５０の直径は、たとえば、５０〜１００ｍｍである。ダニ捕獲器５０の厚さは、たとえば、５〜１０ｍｍである。ダニ捕獲器５０は、ケース５１と、誘引部材５２と、カバー５４と、侵入防止シール５６とを含む。

ケース５１は、たとえば、プラスチック部材で構成される。ケース５１は、カバー５４で覆うことによって誘引部材５２を収容する。誘引部材５２は、ダニを誘引する物質であれば特に限定されない。一例として、誘引部材５２は、ダニ誘引組成物を含む。

ダニ誘引物質は、ダニを誘引する物質であれば特に限定されないが、食餌性誘引物質、臭香性誘引物質等を用いることができる。食餌性誘引物質としては、例えばビール酵母等の乾燥酵母、チョコレート、カカオ、チーズ、バター、魚介類粉末、穀物粉末、米麹、糠、大豆レシチン、デンプン、繊維くず、実験動物飼育用粉末飼料、ペットフード等を用いることができる。臭香性誘引物質としては、たとえば動物性もしくは植物性油脂またはこれらの脂肪酸エステル、食品香料等を用いることができる。また、臭香性誘引物質としては、イソ吉草酸、酪酸、プロピオン酸、酢酸、蟻酸等のエステル類、アルデヒド類、アルコール類等を用いることもできる。ダニ誘引物質は、１つまたは２つ以上を組み合わせて使用できる。

好ましくは、誘引部材５２は、さらに、焼成された貝殻を含む。焼成された貝殻は、貝類が外套膜の外面に分泌する硬組織である。貝殻の由来としては、特に限定されないが、ホタテガイ、カキ、ホッキガイ、アワビ、ムラサキガイ、サザエ、ハマグリ、アサリ、シジミ等が挙げられる。貝殻には、腕足動物や節足動物由来の殻、珊瑚、真珠層、卵殻等を含んでいてもよい。

貝殻は、その種によって変動するものの、たとえば成分の９０質量％以上は炭酸カルシウムである。その他にＭｇＯ、ＳｉＯ_２、酸化鉄などの微量成分を含んでいてもよい。貝殻中の炭酸カルシウムは、焼成によって酸化カルシウムに転化するため、焼成された貝殻は酸化カルシウムを含む。焼成温度や焼成時間によりその転化率は異なるが、高温焼成された貝殻に含まれる酸化カルシウムは、たとえば約５０質量％以上約１００質量％以下である。また、焼成された貝殻は多孔質体である。焼成された貝殻は、ダニアレルゲンを低減化することができる。

焼成された貝殻とダニ誘引組成物とを含むダニ誘引剤は、ダニ誘引物質によってダニを集め、ダニを駆除するため、ダニの死骸や糞由来のダニアレルゲンを効率的に低減化することができる。

カバー５４は、たとえば、黒色のメッシュ生地の布である。カバー５４は、所定の形状の穴を有する。当該穴の形状は、任意である。一例として、当該穴の形状は、円形、楕円形、または多角形（たとえば、三角形、四角形）である。図２の例では、カバー５４は、円形の穴を有している。

侵入防止シール５６は、透明であり、カバー５４の穴部分を覆うようにカバー５４に接着されている。そのため、利用者は、侵入防止シール５６を介して赤色部分の誘引部材５２を視認することができる。

カバー５４の穴部分の周囲には接着剤５７が塗布されており、カバー５４および侵入防止シール５６は、接着剤５７により接着される。ダニは、カバー５４と侵入防止シール５６との間における接着剤５７が塗布されていない部分（以下、「非接着部分」ともいう。）には侵入できるが、接着剤５７が塗布されている部分には侵入できない。すなわち、誘引部材５２へのダニの侵入は、接着剤５７により阻まれる。結果として、ダニは、カバー５４上の非接着部分で死滅することになる。カバー５４は黒色であり、ダニは白系色であるので、情報処理システム１０は、カバー５４上のダニを区別しやすくなる。
＜Ｃ．情報処理システム１０の機能構成＞

次に、図３〜図１８を参照して、情報処理システム１０の機能構成について説明する。図３は、サーバー２００の機能構成の一例を示す図である。

図３に示されるように、情報処理システム１０は、通信端末１００と、サーバー２００とを含む。通信端末１００には、ダニの計数用の計数アプリ１２２がインストールされている。サーバー２００は、機能構成として、取得部２５２と、分割部２５４と、ダニ画像選択部２５６と、ダニ計数部２５８と、算出部２５９と、汚染レベル推定部２６０と、出力部２６２とを含む。

なお、サーバー２００に実装されている機能構成の一部または全部は、通信端末１００に実装されてもよい。すなわち、取得部２５２、分割部２５４、ダニ画像選択部２５６、ダニ計数部２５８、算出部２５９、汚染レベル推定部２６０、および出力部２６２の一部または全部は、通信端末１００に実装されてもよい。
（Ｃ１．計数アプリ１２２）

図４および図５を参照して、計数アプリ１２２について説明する。図４は、計数アプリ１２２が提供する一画面を示す図である。図５は、計数アプリ１２２が提供する他の画面を示す図である。

図４には、撮影画面６０が示されている。撮影画面６０は、計数アプリ１２２が提供する一画面であり、通信端末１００のディスプレイ１０７に表示される。

撮影画面６０は、利用者がダニ捕獲器５０を正確に撮影できるようにサポートする。より具体的には、撮影画面６０は、マークオブジェクト６２と、外形ライン６４と、撮影ボタン６８とを含む。利用者は、ダニ捕獲器５０の外形を外形ライン６４に合わせるように、かつ、ダニ捕獲器５０の特定の形状（たとえば、誘引部材５２の円形状）をマークオブジェクト６２に合わせるようにダニ捕獲器５０の撮影位置を調整する。その上で、利用者が撮影ボタン６８を押下すると、通信端末１００は、ダニ捕獲器５０の撮影を受け付ける。これにより、ダニ捕獲器５０を表わす撮影画像が生成され、当該撮影画像が仮に登録される。

好ましくは、計数アプリ１２２は、さらに、図５に示される入力画面７０を提供する。入力画面７０は、ダニ捕獲器５０の設置条件などの入力を利用者から受け付けるように構成される。一例として、入力画面７０は、設置場所入力領域７２と、設置日数入力領域７４と、判定ボタン７６とを含む。

設置場所入力領域７２には、ダニ捕獲器５０の設置場所の候補が一覧で表示される。利用者は、予め設定されている設置場所の候補の内から、一の候補を選択することができる。設置場所の候補は、予め設定されていてもよいし、利用者によって任意に追加されてもよい。

設置日数入力領域７４には、ダニ捕獲器５０の設置日数の候補が一覧で表示され、利用者は、設置日数入力領域７４において設置日数の一の候補を選択することができる。当該設置日数は、ダニ捕獲器５０を設置してから現在までの期間を表わす。なお、当該設置日数は、必ずしも一覧から選択される必要はなく、数字入力により設定されてもよい。

入力画面７０は、他にも、種々の情報を受け付けてもよい。一例として、入力画面７０は、ダニ捕獲器５０の設置時におけるシーズン情報と、ダニ捕獲器５０の設置場所における掃除の頻度と、ダニ捕獲器５０の設置場所における環境情報とを受け付けてもよい。

上記シーズン情報は、月日の情報または季節の情報である。利用者は、予め設定されているシーズン情報の候補の内から、一のシーズン情報を選択することができる。シーズン情報の候補は、予め設定されていてもよいし、利用者によって任意に追加されてもよい。

上記掃除の頻度は、所定期間当たりに利用者が掃除を行った回数を示す。当該所定期間は、たとえば、１月または１週間である。利用者は、たとえば、掃除の頻度を数字入力により設定する。

上記環境情報は、たとえば、設置場所における室内／室外の温度と設置場所における室内／室外の湿度との少なくとも１つを含む。当該温度は、ダニ計数時の現在温度と、ダニ捕獲器５０の設置期間における平均気温と、当該設置期間における最高気温と、当該設置期間における最低気温との少なくとも１つを含む。当該湿度は、ダニ計数時の現在湿度と、ダニ捕獲器５０の設置期間における平均湿度と、当該設置期間における最高湿度と、当該設置期間における最低湿度との少なくとも１つを含む。

温度情報は、たとえば、温度センサ（図示しない）によって検知されてもよいし、外部サーバーから受信した天気予報情報などから取得されてもよい。同様に、湿度情報は、たとえば、湿度センサ（図示しない）によって検知されてもよいし、外部サーバーから受信した天気予報情報などから取得されてもよい。

利用者が判定ボタン７６を押下すると、通信端末１００は、撮影画面６０で仮に登録されている撮影画像と、入力画面７０に入力された各種情報とをサーバー２００に送信する。
（Ｃ２．取得部２５２）
次に、図３に示される取得部２５２の機能について説明する。

取得部２５２は、計数アプリ１２２から情報を取得するためのプログラムモジュールである。一例として、取得部２５２は、上述の撮影画面６０（図４参照）で撮影された撮影画像と、上述の入力画面７０（図５参照）に入力された各種入力情報とを計数アプリ１２２から取得する。

取得部２５２は、取得した撮影画像を分割部２５４に出力する。また、取得部２５２は、取得した入力情報を汚染レベル推定部２６０に出力する。

なお、撮影画像および各種入力情報の取得先は、通信端末１００に限定されない。一例として、撮影画像および各種入力情報の取得先は、外部サーバーであってもよいし、モバイルの記憶装置であってもよいし、サーバー２００内の記憶装置であってもよい。
（Ｃ３．分割部２５４）

次に、図６〜図８を参照して、図３に示される分割部２５４の機能について説明する。図６は、通信端末１００から取得した画像の一例である撮影画像３０を示す図である。

分割部２５４は、予め定められたルールに従って、撮影画像３０を複数の領域に分割する。撮影画像３０の分割数は、２以上であればよい。図６の例では、撮影画像３０は、９つの部分画像３１〜３９に分割されている。部分画像３１〜３９のサイズは、全て同じであってもよいし、異なっていてもよい。

分割部２５４は、予め設定されている画素値範囲ごとに、当該画素値範囲に属する画素のみを部分画像３１から抽出し、画素値分離画像を生成する。分割部２５４は、同様の抽出処理を、他の部分画像３２〜３９についても実行する。

図７は、図６に示される部分画像３１から生成された画素値分離画像３１Ａ〜３１Ｆを示す図である。画素値分離画像３１Ａは、画素値「０」以上画素値「ｐ１」未満に属する画素を部分画像３１から抽出した画像である。画素値分離画像３１Ｂは、画素値「ｐ１」以上画素値「ｐ２」未満の画素を部分画像３１から抽出した画像である。画素値分離画像３１Ｃは、画素値「ｐ２」以上画素値「ｐ３」未満の画素を部分画像３１から抽出した画像である。画素値分離画像３１Ｄは、画素値「ｐ３」以上画素値「ｐ４」未満の画素を部分画像３１から抽出した画像である。画素値分離画像３１Ｅは、画素値「ｐ４」以上画素値「ｐ５」未満の画素を部分画像３１から抽出した画像である。画素値分離画像３１Ｆは、画素値「ｐ５」以上画素値「ｐ６」未満の画素を部分画像３１から抽出した画像である。

図８は、図６に示される部分画像３７から生成された画素値分離画像３７Ａ〜３７Ｆを示す図である。画素値分離画像３７Ａは、画素値「０」以上画素値「ｐ１」未満に属する画素を部分画像３７から抽出した画像である。画素値分離画像３７Ｂは、画素値「ｐ１」以上画素値「ｐ２」未満の画素を部分画像３７から抽出した画像である。画素値分離画像３７Ｃは、画素値「ｐ２」以上画素値「ｐ３」未満の画素を部分画像３７から抽出した画像である。画素値分離画像３７Ｄは、画素値「ｐ３」以上画素値「ｐ４」未満の画素を部分画像３７から抽出した画像である。画素値分離画像３７Ｅは、画素値「ｐ４」以上画素値「ｐ５」未満の画素を部分画像３７から抽出した画像である。画素値分離画像３７Ｆは、画素値「ｐ５」以上画素値「ｐ６」未満の画素を部分画像３７から抽出した画像である。

分割部２５４は、部分画像３１〜３９の各々から生成した画素値分離画像をダニ画像選択部２５６に出力する。
（Ｃ４．ダニ画像選択部２５６）

次に、図９〜図１１を参照して、図３に示されるダニ画像選択部２５６の機能について説明する。

ダニ画像選択部２５６は、部分画像３１〜３９の各々について、生成された画素値分離画像の中から、ダニの画像情報が一番残っている画像（以下、「ダニ画像」ともいう。）を選択する。ダニ画像の選択処理は、たとえば、図９および図１０に示される学習済モデル２１４を用いて実現される。

図９は、図７に示される画素値分離画像３１Ａが学習済モデル２１４に入力されている例を示す図である。図１０は、図７に示される画素値分離画像３１Ｆが学習済モデル２１４に入力されている例を示す図である。

学習済モデル２１４は、種々の学習手法で生成され得る。一例として、学習済モデル２１４は、ＣＮＮ（Convolutional Neural Network）を用いた学習処理により生成されてもよいし、ディープラーニングを用いた学習処理により生成されてもよいし、ＲＮＮ（Recurrent Neural Network）を用いた学習処理により生成されてもよいし、サポートベクターマシンを用いた学習処理により生成されてもよい。図９および図１０には、ＣＮＮを用いた学習処理により生成された学習済モデル２１４が示されている。

図１１は、学習済モデル２１４の生成時に用いられる学習用データセット８０を示す図である。学習用データセット８０は、複数の画素値分離画像を含む。一例として、学習用データセット８０は、ダニ画像ではないことを示すラベルが紐付けられた複数の画素値分離画像８１Ａと、ダニ画像であることを示すラベルが紐付けられた複数の画素値分離画像８１Ｂとを含む。学習済モデル２１４の内部パラメータは、このような学習用データセット８０を用いて最適化される。

再び図９を参照して、学習済モデル２１４は、たとえば、特徴抽出層Ｌ１〜Ｌ１０と、全結合層Ｌ１１とで構成される。

特徴抽出層Ｌ１〜Ｌ１０は、ダニ画像を特定するために有効な特徴量を抽出するための一種のフィルタとして機能する。特徴抽出層Ｌ１〜Ｌ１０では、畳み込み層（CONV）とプーリング層（Pooling）とが交互に配置される。畳み込み層およびプーリング層のそれぞれの数は任意である。

畳み込み層である特徴抽出層Ｌ１は、画素値分離画像３１Ａに対して、学習処理で最適化されている所定サイズの複数のフィルタを畳み込む。その結果、当該フィルタと同数の画像が特徴抽出層Ｌ１から出力される。特徴抽出層Ｌ１の出力画像は、次の特徴抽出層Ｌ２に出力される。

プーリング層である特徴抽出層Ｌ２は、特徴抽出層Ｌ１から出力される各画像を縮小する。典型的には、特徴抽出層Ｌ２は、たとえば、画像内の２×２の領域ごとに最大値を抽出し、当該最大値を新たな画像の対応箇所に割り当てる（いわゆる、最大プーリング）。あるいは、特徴抽出層Ｌ２は、画像内の２×２の領域ごとに平均値を算出し、当該平均値を新たな画像の対応箇所に割り当てる（いわゆる、平均プーリング）。特徴抽出層Ｌ２の出力画像は、次の特徴抽出層Ｌ３に出力される。

このような畳み込み処理およびプーリング処理が、後続の特徴抽出層Ｌ３〜Ｌ１０において繰り返し実行される。特徴抽出層Ｌ１０の出力画像は、次の全結合層Ｌ１１に出力される。

全結合層Ｌ１１は、入力層Ｘと、所定数の中間層Ｈと、出力層Ｙとを含む。全結合層Ｌ１１の入力層Ｘは、複数のユニットＵ１で構成される。各ユニットＵ１には、特徴抽出層Ｌ１０の出力画像の各画素が１次元に変換された上で入力される。

全結合層Ｌ１１の中間層Ｈは、複数の層で構成される。中間層Ｈの層数は、任意である。中間層Ｈの各層は、複数のユニットＵ２で構成される。各ユニットＵ２は、前の層の各ユニットと、次の層の各ユニットとに接続される。各ユニットＵ２は、前の層の各ユニットからの各出力値に重みを乗算し、それらの乗算結果を積算する。次に、各ユニットＵ２は、積算結果の各々に対して所定のバイアスを加算（または減算）し、その加算結果（または減算結果）を所定の活性化関数（たとえば、ランプ関数またはシグモナイト関数）に入力し、その活性化関数の出力値を次の層の各ユニットに出力する。

出力層Ｙは、１つ以上の複数のユニットＵ３で構成される。出力層Ｙのユニット数は、任意である。図９の例では、出力層Ｙは、１つのユニットＵ３で構成されている。ユニットＵ３は、画素値分離画像３１Ａがダニ画像である確率を出力する。ユニットＵ３は、中間層Ｈの最終層の各ユニットＵ２に接続される。出力層ＹのユニットＵ３は、中間層Ｈの最終層の各ユニットＵ２からの出力値を受けて、各出力値に重みを乗算し、それらの乗算結果を積算する。当該乗算結果は、所定の活性化関数（たとえば、ランプ関数またはシグモナイト関数）に入力される。当該活性化関数の出力値は、画素値分離画像３１Ａがダニ画像である確率を示す。

図９の例では、画素値分離画像３１Ａがダニ画像である確率が「ｓ１」として示されている。図１０の例では、画素値分離画像３１Ｆがダニ画像である確率が「ｓ２」として示されている。ダニ画像選択部２５６は、このような確率を画素値分離画像３１Ａ〜３１Ｆの各々について算出し、当該確率が最大となる画素値分離画像をダニ画像として選択する。

以上の処理が繰り返されることで、ダニ画像選択部２５６は、画素値分離画像３１Ａ〜３１Ｅ（図７参照）をダニ画像ではないと判断し、画素値分離画像３１Ｆ（図７参照）をダニ画像である判断する。また、ダニ画像選択部２５６は、画素値分離画像３７Ａ〜３７Ｃ，３７Ｅ，３７Ｆ（図８参照）をダニ画像ではないと判断し、画素値分離画像３７Ｄ（図８参照）をダニ画像である判断される。

なお、上述では、学習済モデル２１４を用いて画素値分離画像がダニ画像であるか否かを判断する例について説明を行ったが、ダニ画像選択部２５６は、学習済モデル２１４ではなくルールベースの画像処理を用いて、画素値分離画像の各々がダニ画像であるか否かを判断してもよい。
（Ｃ５．ダニ計数部２５８）

次に、図１２〜図１４を参照して、図３に示されるダニ計数部２５８の機能について説明する。

ダニ計数部２５８は、ダニ画像選択部２５６によって選択されたダニ画像を用いて、当該ダニ画像に写っているダニを計数する。ダニの計数処理は、たとえば、図１２に示される学習済モデル２１６を用いて実現される。

図１２は、ダニ画像選択部２５６によってダニ画像として選択された画素値分離画像３１Ｆ（図７参照）が学習済モデル２１６に入力されている例を示す図である。ダニ計数部２５８は、画素値分離画像３１Ｆを複数の小領域に区分し、各小領域の画像情報を学習済モデル２１６に入力する。図１２の例では、画素値分離画像３１Ｆ内の小領域３３Ｆ１の画像情報（たとえば、画素値）が学習済モデル２１６に入力されている。

学習済モデル２１６は、種々の学習手法で生成され得る。一例として、学習済モデル２１６は、ＣＮＮを用いた学習処理により生成されてもよいし、ディープラーニングを用いた学習処理により生成されてもよいし、ＲＮＮを用いた学習処理により生成されてもよいし、サポートベクターマシンを用いた学習処理により生成されてもよい。図１２には、ＣＮＮを用いた学習処理により生成された学習済モデル２１４が示されている。

図１３は、学習済モデル２１６の生成時に用いられる学習用データセット８５を示す図である。学習用データセット８５は、複数の画像を含む。各画像には、当該画像に写っている物体がダニであるか否かを示すラベルが予め紐付けられている。図１３の例では、学習用データセット８５は、ダニであることを示すラベルが紐付けられた学習用画像８６Ａと、ダニでないことを示すラベルが紐付けられた学習用画像８６Ｂとを含む。学習済モデル２１６の内部パラメータは、このような学習用データセット８５を用いて予め最適化されている。

再び図１２を参照して、学習済モデル２１６は、たとえば、特徴抽出層Ｌ２１〜Ｌ３０と、全結合層Ｌ３１とで構成される。

特徴抽出層Ｌ２１〜Ｌ３０は、入力された画像がダニであるか否かを特定するために有効な特徴量を抽出するための一種のフィルタとして機能する。特徴抽出層Ｌ２１〜Ｌ３０では、畳み込み層（CONV）とプーリング層（Pooling）とが交互に配置される。畳み込み層およびプーリング層のそれぞれの数は任意である。

畳み込み層である特徴抽出層Ｌ２１は、小領域３１Ｆ１内の画像情報に対して、学習処理で最適化されている所定サイズの複数のフィルタを畳み込む。その結果、当該フィルタと同数の画像が特徴抽出層Ｌ２１から出力される。特徴抽出層Ｌ２１の出力画像は、次の特徴抽出層Ｌ２２に出力される。

プーリング層である特徴抽出層Ｌ２２は、特徴抽出層Ｌ２１から出力される各画像を縮小する。典型的には、特徴抽出層Ｌ２２は、たとえば、画像内の２×２の領域ごとに最大値を抽出し、当該最大値を新たな画像の対応箇所に割り当てる（いわゆる、最大プーリング）。あるいは、特徴抽出層Ｌ２２は、画像内の２×２の領域ごとに平均値を算出し、当該平均値を新たな画像の対応箇所に割り当てる（いわゆる、平均プーリング）。特徴抽出層Ｌ２２の出力画像は、次の特徴抽出層Ｌ２３に出力される。

このような畳み込み処理およびプーリング処理が、後続の特徴抽出層Ｌ２３〜Ｌ３０において繰り返し実行される。特徴抽出層Ｌ３０の出力画像は、次の全結合層Ｌ３１に出力される。

全結合層Ｌ３１は、入力層Ｘと、所定数の中間層Ｈと、出力層Ｙとを含む。全結合層Ｌ３１の入力層Ｘは、複数のユニットＵ１で構成される。各ユニットＵ１には、特徴抽出層Ｌ３０の出力画像の各画素が１次元に変換された上で入力される。

全結合層Ｌ３１の中間層Ｈは、複数の層で構成される。中間層Ｈの層数は、任意である。中間層Ｈの各層は、複数のユニットＵ２で構成される。各ユニットＵ２は、前の層の各ユニットと、次の層の各ユニットとに接続される。各ユニットＵ２は、前の層の各ユニットからの各出力値に重みを乗算し、それらの乗算結果を積算する。次に、各ユニットＵ２は、積算結果の各々に対して所定のバイアスを加算（または減算）し、その加算結果（または減算結果）を所定の活性化関数（たとえば、ランプ関数またはシグモナイト関数）に入力し、その活性化関数の出力値を次の層の各ユニットに出力する。

出力層Ｙは、１つ以上の複数のユニットＵ３で構成される。出力層Ｙのユニット数は、任意である。図１２の例では、出力層Ｙは、１つのユニットＵ３で構成されている。ユニットＵ３は、小領域３３Ｆ１にダニが含まれている確率を出力する。ユニットＵ３は、中間層Ｈの最終層の各ユニットＵ２に接続される。出力層ＹのユニットＵ３は、中間層Ｈの最終層の各ユニットＵ２からの出力値を受けて、各出力値に重みを乗算し、それらの乗算結果を積算する。当該乗算結果は、所定の活性化関数（たとえば、ランプ関数またはシグモナイト関数）に入力される。当該活性化関数の出力値は、小領域３３Ｆ１にダニが含まれている確率を示す。

ダニ計数部２５８は、出力層Ｙの出力値が所定閾値を超えた場合には、小領域３３Ｆ１にダニが含まれていると判断し、ダニを検知する。一方で、ダニ計数部２５８は、当該確率が所定閾値以下である場合には、小領域３３Ｆ１にダニが含まれていないと判断する。

画素値分離画像３１Ｆの小領域３３Ｆ１についての処理が完了すると、ダニ計数部２５８は、画素値分離画像３１Ｆ内の次の小領域についてダニの検知処理を実行する。このような検知処理が画素値分離画像３１Ｆ内の全ての小領域について実行される。ダニ計数部２５８は、ダニが検知された小領域の数をカウントし、当該カウント結果を部分画像３１（図６参照）に含まれるダニ数として計数する。

ダニ計数部２５８は、このような計数処理が上述のダニ画像選択部２５６によって抽出された全てのダニ画像について繰り返し、部分画像３１〜３９の各々に含まれるダニ数を計数する。好ましくは、ダニ計数部２５８は、ダニが写り得ない画像領域（たとえば、部分画像３５）についてはダニの計数処理を実行しない。

なお、上述では、学習済モデル２１６を用いてダニ画像に含まれているダニを計数する例について説明を行ったが、ダニ計数部２５８は、学習済モデル２１６ではなくルールベースの画像処理を用いて、ダニ画像に含まれているダニを計数してもよい。

また、上述では、学習済モデル２１６が図１３に示される学習用データセット８５を用いて生成される例について説明を行ったが、学習済モデル２１６は、図１４に示される学習用データセット８５Ａを用いた機械学習により生成されてもよい。図１４は、変形例に従う学習用データセット８５Ａを示す図である。

学習用データセット８５Ａは、複数の画像を含む。各画像には、当該画像に写っているダニの数がラベルとして予め紐付けられている。図１４の例では、学習用データセット８５Ａは、ダニ数「１」を示すラベルが紐付けられた学習用画像８７Ａと、ダニ数「２」を示すラベルが紐付けられた学習用画像８７Ｂと、ダニ数「３」を示すラベルが紐付けられた学習用画像８７Ｃとを含む。他にも、学習用データセット８５Ａは、ダニ数「０」を示すラベルが紐付けられた学習用画像（図示しない）を含んでもよい。

このような学習用データセット８５Ａが用いられる場合、学習済モデル２１６の出力層Ｙは、複数のユニットＵ３を含む。一例として、第１のユニットＵ３は、画素値分離画像３１Ｆの小領域３３Ｆ１に含まれるダニ数が「０」である確率を出力する。第２のユニットＵ３は、画素値分離画像３１Ｆの小領域３３Ｆ１に含まれるダニ数が「１」である確率を出力する。第３のユニットＵ３は、画素値分離画像３１Ｆの小領域３３Ｆ１に含まれるダニ数が「２」である確率を出力する。第４のユニットＵ３は、画素値分離画像３１Ｆの小領域３３Ｆ１に含まれるダニ数が「３」である確率を出力する。その後、ダニ計数部２５８は、第１〜第４のユニットＵ３から出力される確率が最大となるダニ数を検知結果とする。
（Ｃ６．算出部２５９）
次に、図１５を参照して、図３に示される算出部２５９の機能について説明する。

図１５は、部分画像３１〜３９の各々についてのダニの計数結果を示す図である。算出部２５９は、部分画像３１〜３９の一部または全部について計数されたダニ数に基づいて、撮影画像３０に含まれるダニの総数を算出する。なお、ダニ捕獲器５０の誘引部材５２の部分は赤色であり、白系色のダニは、誘引部材５２上では判別しにくい。そのため、算出部２５９は、部分画像３５を集計の対象外としてもよい。集計対象外の部分画像は、予め設定されている。

また、光等のノイズの影響を受けると一部の部分画像では、ダニ数が計数できない場合がある。このような場合には、算出部２５９は、正常にダニ数を計数できた部分画像についての計数結果のみを用いて、撮影画像３０に含まれるダニの総数を算出する。一例として、算出部２５９は、下記の式（１）に基づいて、撮影画像３０に含まれるダニの総数を算出する。
Ｎ＝（Σｎ／Ｍ１）・Ｍ２・・・（１）

式（１）に示される「Ｎ」は、撮影画像３０に含まれるダニの総数を示す。「Σｎ」は、ダニ数の計数処理が成功した部分画像についてのダニ数の合計を示す。「Ｍ１」は、ダニ数の計数処理が成功した部分画像の数を示す。「Ｍ２」は、ダニ数の計数処理が成功した部分画像の数と、ダニ数の計数処理が失敗した部分画像の数との合計（分割画像の数）を示す。

一例として、部分画像３１，３２，３８については、何らかの原因でダニ数が正常に計数できなかったとする。一方で、部分画像３３，３４，３６，３７，３９については、ダニ数が正常に計数できたとする。また、部分画像３３に含まれるダニの計数結果は、「ｎ３」であったとする。部分画像３４に含まれるダニの計数結果は、「ｎ４」であったとする。部分画像３６に含まれるダニの計数結果は、「ｎ６」であったとする。部分画像３７に含まれるダニの計数結果は、「ｎ７」であったとする。部分画像３９に含まれるダニの計数結果は、「ｎ９」であったとする。

この場合、下記式（２）に示されるように、算出部２５９は、撮影画像３０に含まれるダニの総数を算出する。
Ｎ＝｛（ｎ３＋ｎ４＋ｎ６＋ｎ７＋ｎ９）／５｝・８・・・（２）
算出部２５９によって算出されたダニ総数は、汚染レベル推定部２６０に出力される。
（Ｃ７．汚染レベル推定部２６０）

次に、図１６および図１７を参照して、図３に示される汚染レベル推定部２６０の機能について説明する。図１６は、汚染レベル推定部２６０の構成を概略的に示す概念図である。

汚染レベル推定部２６０は、少なくとも、算出部２５９によって算出されたダニ総数に基づいて、ダニ捕獲器５０の捕獲器の設置場所におけるダニの有害レベルを推定する。当該有害レベルは、ダニアレルゲン量に換算した危険の度合いを表わす。当該有害レベルは、たとえば、ＷＨＯや学校衛生基準などの公的基準に準拠した判定ランクを示す。以下では、ダニの有害レベルを「ダニ汚染レベル」と称する。

好ましくは、汚染レベル推定部２６０は、ダニ総数だけでなく他の情報をさらに用いてダニ汚染レベルを推定する。当該他の情報は、たとえば、上述の入力画面７０（図５参照）に入力された情報を含む。一例として、当該他の情報は、ダニ捕獲器５０の設置場所と、ダニ捕獲器５０の設置日数と、ダニ捕獲器５０の設置時におけるシーズン情報と、ダニ捕獲器５０の設置場所における掃除の頻度と、ダニ捕獲器５０の設置場所における環境情報との少なくとも１つを含む。当該環境情報は、たとえば、ダニ捕獲器５０の設置場所における温度とダニ捕獲器５０の設置場所における湿度との少なくとも１つを含む。当該温度は、設置期間における平均気温と、設置期間における最高気温と、設置期間における最低気温との少なくとも１つを含む。当該湿度は、設置期間における平均湿度と、設置期間における最高湿度と、設置期間における最低湿度との少なくとも１つを含む。

図１６に示されるように、汚染レベル推定部２６０は、学習済モデル２１８と、判定部２６１とを含む。

学習済モデル２１８は、種々の学習手法で生成され得る。一例として、学習済モデル２１８は、ディープラーニングを用いた学習処理により生成されてもよいし、サポートベクターマシンを用いた学習処理により生成されてもよい。図１６には、ディープラーニングを用いた学習処理により生成された学習済モデル２１４が示されている。

図１６に示されるように、学習済モデル２１８は、入力層Ｘと、中間層Ｈと、出力層Ｙとで構成される。

入力層Ｘは、複数のユニットｘ１〜ｘ７で構成される。入力層Ｘのユニット数は、入力される情報数と同数である。ユニットｘ１は、たとえば、ダニ総数を受け付けるように構成される。ユニットｘ２は、たとえば、ダニ捕獲器５０の設置場所の情報を受け付けるように構成される。ユニットｘ３は、たとえば、ダニ捕獲器５０の設置日数を受け付けるように構成される。ユニットｘ４は、たとえば、ダニ捕獲器５０の設置期間におけるシーズン情報を受け付けるように構成される。ユニットｘ５は、たとえば、ダニ捕獲器５０の設置場所における掃除の頻度を受け付けるように構成される。ユニットｘ６は、たとえば、現在の温度情報を受け付けるように構成される。ユニットｘ７は、たとえば、現在の湿度情報を受け付けるように構成される。ユニットｘ１〜ｘ７のそれぞれは、受け付けた入力情報を中間層Ｈの１層目の各ユニットに出力する。

中間層Ｈは、複数の層で構成されている。中間層Ｈの層数は、任意である。図１６の例では、中間層Ｈは、Ｎ層で構成されている。中間層Ｈの各層は、複数のユニットを含む。図１６の例では、中間層Ｈの１層目は、ユニットｈＡ１，ｈＡ２・・・で構成されている。中間層Ｈの最終層は、ユニットｈＮ１，ｈＮ２・・・で構成されている。

中間層Ｈの各層を構成する各ユニットは、前の層の各ユニットと、次の層の各ユニットと接続される。各層の各ユニットは、前の層の各ユニットからの各出力値を受けて、各出力値に重みを乗算し、それらの乗算結果を積算し、その積算結果に対して所定のバイアスを加算（または減算）し、その加算結果（または減算結果）を所定の関数（たとえば、ランプ関数）に入力し、その関数の出力値を次の層の各ユニットに出力する。

出力層Ｙは、複数のユニットｙ１〜ｙ４で構成される。ユニットｙの各々は、中間層Ｈの最終層の各ユニットｈＮ１，ｈＮ２・・・と接続される。ユニットｙの各々は、中間層Ｈの最終層の各ユニットからの出力値を受けて、各出力値に重みを乗算し、それらの乗算結果を積算し、その積算結果に対して所定のバイアスを加算（または減算）し、その加算結果（または減算結果）を所定の関数（たとえば、ランプ関数）に入力し、その関数の出力結果を出力値として出力する。

典型的には、出力層Ｙを構成するユニット数は、ダニ汚染レベルの分類数に応じて決定される。ダニ汚染レベル「α」〜「γ」のいずれかに分類する場合、出力層Ｙのユニット数は、４つとなる。

ユニットｙ１は、ダニ汚染レベルが「α」である確率を示すスコア「ｓａ」を出力する。ユニットｙ２は、ダニ汚染レベルが「β」である確率を示すスコア「ｓｂ」を出力する。ユニットｙ３は、ダニ汚染レベルが「γ」である確率を示すスコア「ｓｃ」を出力する。ユニットｙ４は、ダニ汚染レベルが「δ」である確率を示すスコア「ｓｄ」を出力する。スコア「ｓａ」〜「ｓｄ」は、たとえば、０以上１以下の数値で表わされる。

判定部２６１は、学習済モデル２１８から出力されるスコア「ｓ１」〜「ｓ４」に基づいて、ダニ汚染レベルを判定する。一例として、判定部２６１は、スコア「ｓ１」〜「ｓ４」の中で最大スコアに対応するダニ汚染レベルを出力結果とする。

図１７は、学習済モデル２１８の生成時に用いられる学習用データセット８９を示す図である。学習用データセット８９は、複数の学習用データを含む。各学習用データにおいて、学習用データＩＤ（Identification）と、ダニ総数と、ダニ捕獲器の設置場所と、ダニ捕獲器の設置日数と、ダニ捕獲器の設置時におけるシーズン情報と、ダニ捕獲器の設置場所における掃除の頻度と、ダニ捕獲器の設置場所における温度情報と、ダニ捕獲器の設置場所における湿度情報と、ダニ汚染レベルとが互いに対応付けられている。学習済モデル２１６の内部パラメータは、このような学習用データセット８９を用いて予め最適化されている。
（Ｃ８．出力部２６２）
次に、図１８を参照して、図３に示される出力部２６２の機能について説明する。

出力部２６２は、算出部２５９（図３参照）によるダニ総数の算出結果と、汚染レベル推定部２６０（図３参照）によるダニ汚染レベルの推定結果とを出力結果として出力する。出力結果の出力態様は、特に限定されない。一例として、当該出力結果は、通信端末１００に送信されることで出力されてもよいし、記憶装置に書き込まれることで出力されてもよい。

通信端末１００は、ダニ総数およびダニ汚染レベルをサーバー２００から受信したことに基づいて、当該ダニ総数および当該ダニ汚染レベルを表示する。図１８は、通信端末１００の出力画面９０を示す図である。

図１８に示されるように、出力画面９０は、ダニ総数の算出結果９１と、ダニ汚染レベルの推定結果９２とを含む。利用者は、算出結果９１および推定結果９２を確認することでダニ捕獲器５０の設置場所がダニよってどの程度汚染されているかを容易に判断することができる。
＜Ｄ．ハードウェア構成＞

図１９および図２０を参照して、図１に示される通信端末１００とサーバー２００とのハードウェア構成について順に説明する。
（Ｄ１．通信端末１００のハードウェア構成）

まず、図１９を参照して、通信端末１００のハードウェア構成について説明する。図１９は、通信端末１００のハードウェア構成の一例を示す模式図である。

通信端末１００は、制御装置１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、通信インターフェイス１０４と、カメラ１０５と、入力デバイス１０６と、ディスプレイ１０７と、記憶装置１２０とを含む。これらのコンポーネントは、バス１１０に接続される。

制御装置１０１は、たとえば、少なくとも１つの集積回路によって構成される。集積回路は、たとえば、少なくとも１つのＣＰＵ（Central Processing Unit）、少なくとも１つのＧＰＵ（Graphics Processing Unit）、少なくとも１つのＡＳＩＣ（Application Specific Integrated Circuit）、少なくとも１つのＦＰＧＡ（Field Programmable Gate Array）、またはそれらの組み合わせなどによって構成され得る。

制御装置１０１は、計数アプリ１２２などの各種プログラムを実行することで通信端末１００の動作を制御する。制御装置１０１は、計数アプリ１２２の実行命令を受け付けたことに基づいて、記憶装置１２０またはＲＯＭ１０２からＲＡＭ１０３に計数アプリ１２２を読み出す。ＲＡＭ１０３は、ワーキングメモリとして機能し、計数アプリ１２２の実行に必要な各種データを一時的に格納する。

通信インターフェイス１０４には、ＬＡＮ（Local Area Network）やアンテナなどが接続される。通信端末１００は、通信インターフェイス１０４を介して、外部機器との間でデータをやり取りする。当該外部機器は、たとえば、サーバー２００などを含む。通信端末１００は、当該外部機器から計数アプリ１２２をダウンロードできるように構成されてもよい。

カメラ１０５は、ＣＣＤ（Charge Coupled Device）カメラであってもよいし、ＣＭＯＳ（Complementary Metal Oxide Semiconductor）カメラであってもよいし、赤外線カメラ（サーモグラフィ）であってもよいし、その他の種類のカメラであってもよい。

入力デバイス１０６は、たとえば、マウス、キーボード、タッチパネル、またはユーザの操作を受け付けることが可能なその他の装置である。なお、入力デバイス１０６は、通信端末１００と一体的に構成されてもよいし、通信端末１００とは別に構成されてもよい。

ディスプレイ１０７は、たとえば、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、またはその他の表示機器である。ディスプレイ１０７は、タッチパネルとして構成されてもよい。なお、ディスプレイ１０７は、通信端末１００と一体的に構成されてもよいし、通信端末１００とは別に構成されてもよい。

記憶装置１２０は、たとえば、ハードディスクやフラッシュメモリなどの記憶媒体である。記憶装置１２０は、計数アプリ１２２や各種データなどを格納する。計数アプリ１２２の格納場所は、記憶装置１２０に限定されず、制御装置１０１の記憶領域（たとえば、キャッシュメモリなど）、ＲＯＭ１０２、ＲＡＭ１０３、外部機器（たとえば、サーバー）などに格納されていてもよい。

計数アプリ１２２は、単体のプログラムとしてではなく、任意のプログラムの一部に組み込まれて提供されてもよい。この場合、計数アプリ１２２の各種機能は、任意のプログラムと協働して実現される。このような一部のモジュールを含まないプログラムであっても、本実施の形態に従う計数アプリ１２２の趣旨を逸脱するものではない。さらに、計数アプリ１２２によって提供される機能の一部または全部は、専用のハードウェアによって実現されてもよい。さらに、少なくとも１つのサーバーが計数アプリ１２２の処理の一部を実行する所謂クラウドサービスのような形態で通信端末１００が構成されてもよい。
（Ｄ２．サーバー２００のハードウェア構成）

次に、図２０を参照して、サーバー２００のハードウェア構成について説明する。図２０は、サーバー２００のハードウェア構成の一例を示す模式図である。

サーバー２００は、制御装置２０１と、ＲＯＭ２０２と、ＲＡＭ２０３と、通信インターフェイス２０４と、表示インターフェイス２０５と、入力インターフェイス２０７と、記憶装置２２０とを含む。これらのコンポーネントは、バス２１０に接続される。

制御装置２０１は、たとえば、少なくとも１つの集積回路によって構成される。集積回路は、たとえば、少なくとも１つのＣＰＵ、少なくとも１つのＧＰＵ、少なくとも１つのＡＳＩＣ、少なくとも１つのＦＰＧＡ、またはそれらの組み合わせなどによって構成され得る。

制御装置２０１は、情報処理プログラム２２２などの各種プログラムを実行することでサーバー２００の動作を制御する。制御装置２０１は、情報処理プログラム２２２の実行命令を受け付けたことに基づいて、記憶装置２２０またはＲＯＭ２０２からＲＡＭ２０３に情報処理プログラム２２２を読み出す。ＲＡＭ２０３は、ワーキングメモリとして機能し、情報処理プログラム２２２の実行に必要な各種データを一時的に格納する。

通信インターフェイス２０４には、ＬＡＮやアンテナなどが接続される。サーバー２００は、通信インターフェイス２０４を介して、外部機器との間でデータをやり取りする。当該外部機器は、たとえば、通信端末１００や他のサーバーなどを含む。サーバー２００は、他のサーバーから情報処理プログラム２２２をダウンロードできるように構成されてもよい。

表示インターフェイス２０５には、ディスプレイ２０６が接続される。表示インターフェイス２０５は、制御装置２０１などからの指令に従って、ディスプレイ２０６に対して、画像を表示するための画像信号を送出する。ディスプレイ２０６は、たとえば、液晶ディスプレイ、有機ＥＬディスプレイ、またはその他の表示機器である。なお、ディスプレイ２０６は、サーバー２００と一体的に構成されてもよいし、サーバー２００とは別に構成されてもよい。

入力インターフェイス２０７には、入力デバイス２０８が接続される。入力デバイス２０８は、たとえば、マウス、キーボード、タッチパネル、またはユーザの操作を受け付けることが可能なその他の装置である。なお、入力デバイス２０８は、サーバー２００と一体的に構成されてもよいし、サーバー２００とは別に構成されてもよい。

記憶装置２２０は、たとえば、ハードディスクやフラッシュメモリなどの記憶媒体である。記憶装置２２０は、情報処理プログラム２２２、および上述の学習済モデル２２４，２２６，２２８などを格納する。なお、これらの格納場所は、記憶装置２２０に限定されず、制御装置２０１の記憶領域（たとえば、キャッシュメモリなど）、ＲＯＭ２０２、ＲＡＭ２０３、外部機器（たとえば、サーバー）などに格納されていてもよい。

情報処理プログラム２２２は、単体のプログラムとしてではなく、任意のプログラムの一部に組み込まれて提供されてもよい。この場合、情報処理プログラム２２２によるダニ数の計測処理は、任意のプログラムと協働して実現される。このような一部のモジュールを含まないプログラムであっても、本実施の形態に従う情報処理プログラム２２２の趣旨を逸脱するものではない。さらに、情報処理プログラム２２２によって提供される機能の一部または全部は、専用のハードウェアによって実現されてもよい。さらに、少なくとも１つのサーバーが情報処理プログラム２２２の処理の一部を実行する所謂クラウドサービスのような形態でサーバー２００が構成されてもよい。
＜Ｅ．計数アプリ１２２による事前処理のフロー＞

次に、図２１を参照して、計数アプリ１２２による事前処理の流れについて説明する。図２１は、計数アプリ１２２による事前処理のフローチャートを示す図である。当該事前処理により、ダニ捕獲器５０の撮影画像やダニ捕獲器５０の設置条件などが登録される。

図２１に示される処理は、通信端末１００の制御装置１０１が計数アプリ１２２を実行することにより実現される。他の局面において、処理の一部または全部が、回路素子またはその他のハードウェアによって実行されてもよい。

ステップＳ１１０において、制御装置１０１は、上述の撮影画面６０（図４参照）において撮影指示を受け付けたか否かを判断する。一例として、制御装置１０１は、撮影画面６０上の撮影ボタン６８を押下を検知することで撮影指示を受け付ける。制御装置１０１は、撮影指示を受け付けたと判断した場合（ステップＳ１１０においてＹＥＳ）、制御をステップＳ１１２に切り替える。そうでない場合には（ステップＳ１１０においてＮＯ）、制御装置１０１は、制御をステップＳ１３０に切り替える。

ステップＳ１１２において、制御装置１０１は、通信端末１００のカメラ１０５に対して撮影指示を出力し、カメラ１０５から撮影画像を取得する。なお、制御装置１０１は、通信端末１００で記憶されている画像の中から利用者によって選択された一の画像を撮影画像として取得してもよい。

ステップＳ１２０において、制御装置１０１は、ステップＳ１１２で取得した撮影画像が正常であるか否かを判断する。一例として、制御装置１０１は、当該撮影画像から予め定められた特定の形状を検知した場合に、当該撮影画像が正常であると判断する。当該特定の形状は、たとえば、ダニ捕獲器５０の誘引部材５２の部分の円形状である（図２参照）。

好ましくは、制御装置１０１は、検知した円形状が撮影画像内の所定範囲に含まれるか否かを判断する。当該所定範囲は、上述のマークオブジェクト６２（図４参照）に相当する範囲である。制御装置１０１は、検知した円形状が当該所定範囲に含まれる場合に、撮影画像が正常であると判断する。他にも、制御装置１０１は、撮影画像の拡張子やフォーマットなどをチェックしてもよい。

制御装置１０１は、ステップＳ１１２で取得した撮影画像が正常であると判断した場合（ステップＳ１２０においてＹＥＳ）、制御をステップＳ１２２に切り替える。そうでない場合には（ステップＳ１２０においてＮＯ）、制御装置１０１は、制御をステップＳ１３０に切り替える。

ステップＳ１２２において、制御装置１０１は、撮影画像を記憶する。撮影画像は、たとえば、通信端末１００の記憶装置１２０に記憶される。

ステップＳ１３０において、制御装置１０１は、上述の入力画面７０（図５参照）において各種の入力情報を受け付ける。当該入力情報については上述の通りであるので、その説明については繰り返さない。

ステップＳ１４０において、制御装置１０１は、正常な入力情報であるか否かを判断する。一例として、制御装置１０１は、入力情報の文字数が制限内であるかや、入力された数値が所定範囲内かなどをチェックする。制御装置１０１は、正常な入力情報であると判断した場合（ステップＳ１４０においてＹＥＳ）、制御をステップＳ１４２に切り替える。そうでない場合には（ステップＳ１４０においてＮＯ）、制御装置１０１は、制御をステップＳ１５０に切り替える。

ステップＳ１４２において、制御装置１０１は、入力画面７０への入力情報を記憶する。入力情報は、たとえば、通信端末１００の記憶装置１２０に記憶される。

ステップＳ１５０において、制御装置１０１は、送信操作を受け付けたか否かを判断する。一例として、利用者は、入力画面７０上の判定ボタン７６（図５参照）を押下することで送信操作を行う。制御装置１０１は、送信操作を受け付けたと判断した場合（ステップＳ１５０においてＹＥＳ）、制御をステップＳ１５２に切り替える。そうでない場合には（ステップＳ１５０においてＮＯ）、制御装置１０１は、制御をステップＳ１１０に戻す。

ステップＳ１５２において、制御装置１０１は、ステップＳ１２２で記憶された撮影画像と、ステップＳ１４２で記憶された入力情報とをサーバー２００に送信する。
＜Ｆ．サーバー２００による計数処理のフロー＞

次に、図２２および図２３を参照して、サーバー２００によるダニの計数処理の流れについて説明する。図２２および図２３は、サーバー２００によるダニの計数処理の流れを示すシーケンス図である。

ステップＳ２１０において、制御装置２０１は、撮影画像および入力情報を通信端末１００から受信したか否かを判断する。制御装置２０１は、撮影画像および入力情報を通信端末１００から受信したと判断した場合（ステップＳ２１０においてＹＥＳ）、制御をステップＳ２１２に切り替える。そうでない場合には（ステップＳ２１０においてＮＯ）、制御装置２０１は、制御をステップＳ２１０の処理を再び実行する。

ステップＳ２１２において、制御装置２０１は、各種の変数を初期化する。一例として、制御装置２０１は、ループ処理に用いられる変数「ｉ」，「ｊ」を「０」に初期化し、ダニ数のカウント処理に用いられる変数「ｎ」を「１」に初期化する。

ステップＳ２１４において、制御装置２０１は、上述の分割部２５４（図３参照）として機能し、予め定められたルールに従って、撮影画像３０を複数の領域に分割する。撮影画像の分割処理については図６で説明した通りであるので、その説明については繰り返さない。

ステップＳ２１６において、制御装置２０１は、「ｉ」番目の部分画像から複数の画素値分離画像を生成する。画素値分離画像の生成処理については図７および図８で説明した通りであるので、その説明については繰り返さない。

ステップＳ２１８において、制御装置２０１は、上述のダニ画像選択部２５６（図３参照）として機能し、ステップＳ２１６で生成された画素値分離画像の各々を学習済モデル２１４（図９参照）に入力する。

ステップＳ２２０において、制御装置２０１は、学習済モデル２１４の出力スコアに基づいて、ステップＳ２１６で生成された画素値分離画像の中から、ダニの画像情報が一番残っている画像（すなわち、ダニ画像）を選択する。典型的には、制御装置２０１は、学習済モデル２１４の出力スコアが最大となる画素値分離画像をダニ画像として選択する。

ステップＳ２２２において、制御装置２０１は、ステップＳ２２０で選択されたダニ画像から、ｊ番目の切出し領域に対応する小領域を切出す。

ステップＳ２２４において、制御装置２０１は、上述のダニ計数部２５８（図３参照）として機能し、ステップＳ２２２で切出された小領域内の画像情報を上述の学習済モデル２１６（図１２参照）に入力する。

ステップＳ２３０において、制御装置２０１は、学習済モデル２１６の出力スコアに基づいて、ステップＳ２２２で切出された小領域にダニが含まれているか否かを判断する。一例として、制御装置２０１は、学習済モデル２１６の出力スコアが所定値を超えている場合に、当該小領域にダニが含まれていると判断する。制御装置２０１は、当該小領域にダニが含まれていると判断した場合（ステップＳ２３０においてＹＥＳ）、制御をステップＳ２３２に切り替える。そうでない場合には（ステップＳ２３０においてＮＯ）、制御装置２０１は、制御をステップＳ２４０に切り替える。

ステップＳ２３２において、制御装置２０１は、ステップＳ２３０でダニが検知された小領域に対応する箇所を撮影画像上で囲う。当該小領域は、たとえば、矩形や円形のオブジェクトで囲われる。

ステップＳ２３４において、制御装置２０１は、ダニ数をカウントするための変数「ｎ」をインクリメントする。

ステップＳ２４０において、制御装置２０１は、ステップＳ２２０で選択されたダニ画像内の全ての小領域についてダニの検知処理が実行されたか否かを判断する。制御装置２０１は、当該ダニ画像内の全ての小領域についてダニの検知処理が実行されたと判断した場合（ステップＳ２４０においてＹＥＳ）、制御をステップＳ２４４に切り替える。そうでない場合には（ステップＳ２４０においてＮＯ）、制御装置２０１は、制御をステップＳ２４２に切り替える。

ステップＳ２４２において、制御装置２０１は、ダニ画像内の小領域を指定するための変数「ｊ」をインクリメントする。その後、制御装置２０１は、再び、上述のステップＳ２２２の処理を実行する。ステップＳ２２２，Ｓ２４２の処理が繰り返し実行されることで、切出される小領域が順次移動し、ダニ画像が走査される。

ステップＳ２４４において、制御装置２０１は、「ｉ」番目の部分画像について検知されたダニ数「ｎ」を記憶する。一例として、ダニ数「ｎ」は、サーバー２００の記憶装置２２０に記憶される。

ステップＳ２５０において、制御装置２０１は、ステップＳ２１４で生成された全ての部分画像についてダニの検知処理が実行されたか否かを判断する。制御装置２０１は、全ての部分画像についてダニの検知処理が実行されたと判断した場合（ステップＳ２４０においてＹＥＳ）、制御をステップＳ２５６に切り替える。そうでない場合には（ステップＳ２４０においてＮＯ）、制御装置２０１は、制御をステップＳ２５２に切り替える。

ステップＳ２５２において、制御装置２０１は、ダニ数をカウントするための変数「ｎ」を「０」に初期化する。

ステップＳ２５４において、制御装置２０１は、部分画像を指定するための変数「ｉ」をインクリメントする。その後、制御装置２０１は、上述のステップＳ２１６の処理を再び実行する。

ステップＳ２５６において、制御装置２０１は、上述の算出部２５９（図３参照）として機能し、部分画像の各々について検知されたダニ数の一部または全部に基づいて、撮影画像全体に含まれるダニの総数を算出する。算出部２５９の機能については図１５で説明した通りであるので、その説明については繰り返さない。

ステップＳ２５８において、制御装置２０１は、上述の汚染レベル推定部２６０（図３参照）として機能し、ステップＳ２１０で受信した入力情報と、ステップＳ２５６で算出されたダニ総数とを学習済モデル２１８（図１６参照）に入力する。

ステップＳ２６０において、制御装置２０１は、上述の汚染レベル推定部２６０として機能し、学習済モデル２１８の出力スコアに基づいて、ダニ捕獲器５０の設置場所におけるダニ汚染レベルを推定する。ダニ汚染レベルの推定方法については図１６で説明した通りであるので、その説明については繰り返さない。

ステップＳ２６２において、制御装置２０１は、上述の出力部２６２（図３参照）として機能し、ステップＳ２５６で算出されたダニ総数と、ステップＳ２６０で推定されたダニ汚染レベルとを通信端末１００に送信する。
＜Ｇ．計数アプリ１２２による計数結果の表示フロー＞

次に、図２４を参照して、計数アプリ１２２による表示処理の流れについて説明する。図２４は、計数アプリ１２２による表示処理の流れを示すシーケンス図である。

ステップＳ１６０において、制御装置１０１は、ダニ総数とダニ汚染レベルとをサーバー２００から受信したか否かを判断する。制御装置１０１は、ダニ総数とダニ汚染レベルとをサーバー２００から受信したと判断した場合（ステップＳ１６０においてＹＥＳ）、制御をステップＳ１６２に切り替える。そうでない場合には（ステップＳ１６０においてＮＯ）、制御装置１０１は、図２４に示される処理を終了する。

ステップＳ１６２において、制御装置１０１は、ダニ総数とダニ汚染レベルとを上述の出力画面９０（図１８参照）に表示する。このとき、ダニ対策が必要かどうかなどのアドバイスがさらに表示されてもよい。

今回開示された実施の形態は全ての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内での全ての変更が含まれることが意図される。

１０ 情報処理システム、３０ 撮影画像、３１〜３９ 部分画像、３１Ａ〜３１Ｆ，３７Ａ〜３７Ｆ，８１Ａ，８１Ｂ 画素値分離画像、３３Ｆ１ 小領域、５０ ダニ捕獲器、５１ ケース、５２ 誘引部材、５４ カバー、５６ 侵入防止シール、５７ 接着剤、６０ 撮影画面、６２ マークオブジェクト、６４ 外形ライン、６８ 撮影ボタン、７０ 入力画面、７２ 設置場所入力領域、７４ 設置日数入力領域、７６ 判定ボタン、８０，８５，８５Ａ，８９ 学習用データセット、８６Ａ，８６Ｂ，８７Ａ，８７Ｂ，８７Ｃ 学習用画像、９０ 出力画面、９１ 算出結果、９２ 推定結果、１００ 通信端末、１０１，２０１ 制御装置、１０２，２０２ ＲＯＭ、１０３，２０３ ＲＡＭ、１０４，２０４ 通信インターフェイス、１０５ カメラ、１０６，２０８ 入力デバイス、１０７，２０６ ディスプレイ、１１０，２１０ バス、１２０，２２０ 記憶装置、１２２ 計数アプリ、２００ サーバー、２０５ 表示インターフェイス、２０７ 入力インターフェイス、２１４，２１６，２１８，２２４，２２６，２２８ 学習済モデル、２２２ 情報処理プログラム、２５２ 取得部、２５４ 分割部、２５６ ダニ画像選択部、２５８ ダニ計数部、２５９ 算出部、２６０ 汚染レベル推定部、２６１ 判定部、２６２ 出力部。

Claims (7)

1. ダニの捕獲器を撮影して得られた画像を取得するための取得部と、
   前記画像を複数の領域に分割する分割部と、
   前記複数の領域の各々について、当該領域内の画像情報に基づいて、当該領域に含まれているダニの数を計数するための計数部と、
   前記複数の領域の一部または全部について計数された前記ダニの数に基づいて、前記画像に含まれるダニの総数を算出するための算出部とを備え、
   前記算出部は、
   前記複数の領域のうち前記計数部によるダニの計数が成功した領域についてのダニの合計数を算出する処理と、
   前記計数部によるダニの計数が成功した領域数で前記合計数を除算し、前記複数の領域の数を当該除算結果に乗算した結果を前記総数として算出する処理とを含む、情報処理装置。
2. 前記情報処理装置は、前記画像に含まれる前記総数に基づいて、前記捕獲器の設置場所におけるダニによる有害レベルを推定するための推定部を備える、請求項１に記載の情報処理装置。
3. 前記推定部は、前記捕獲器の設置場所と、前記捕獲器の設置日数と、前記捕獲器の設置時におけるシーズン情報と、前記捕獲器の設置場所における掃除の頻度と、前記捕獲器の設置場所における環境情報との少なくとも１つと、前記総数とに基づいて、前記有害レベルを推定する、請求項２に記載の情報処理装置。
4. 情報処理システムであって、
   ダニの捕獲器を撮影するカメラと、
   前記カメラの撮影画面を表示するディスプレイとを備え、
   前記捕獲器は、特定の形状を有し、
   前記撮影画面は、前記特定の形状と同じ形状を有するマークオブジェクトを含み、前記特定の形状を前記マークオブジェクトに合わせるように前記カメラの位置調整をサポートし、
   前記情報処理システムは、
   前記カメラが前記捕獲器を撮影して得られた画像を取得するための取得部と、
   前記画像を複数の領域に分割する分割部と、
   前記複数の領域の各々について、当該領域内の画像情報に基づいて、当該領域に含まれているダニの数を計数するための計数部と、
   前記複数の領域の一部または全部について計数された前記ダニの数に基づいて、前記画像に含まれるダニの総数を算出するための算出部とをさらに備え、
   前記計数部による前記ダニの数の計数処理は、前記特定の形状が検知され、かつ、前記特定の形状が前記画像内の予め定められた範囲に含まれている場合に実行され、
   前記予め定められた範囲は、前記マークオブジェクトに相当する、情報処理システム。
5. ダニの捕獲器を撮影して得られた画像を取得するステップと、
   前記画像を複数の領域に分割するステップと、
   前記複数の領域の各々について、当該領域内の画像情報に基づいて、当該領域に含まれているダニの数を計数するステップと、
   前記複数の領域の一部または全部について計数された前記ダニの数に基づいて、前記画像に含まれるダニの総数を算出するステップとを備え、
   前記算出するステップは、
   前記複数の領域のうちダニの計数が成功した領域についてのダニの合計数を算出するステップと、
   前記ダニの計数が成功した領域数で前記合計数を除算し、前記複数の領域の数を当該除算結果に乗算した結果を前記総数として算出するステップとを含む、情報処理方法。
6. 情報処理方法であって、
   カメラを用いてダニの捕獲器を撮影するステップと、
   前記カメラの撮影画面をディスプレイに表示するステップとを備え、
   前記捕獲器は、特定の形状を有し、
   前記撮影画面は、前記特定の形状と同じ形状を有するマークオブジェクトを含み、前記特定の形状を前記マークオブジェクトに合わせるように前記カメラの位置調整をサポートし、
   前記情報処理方法は、
   前記カメラが前記捕獲器を撮影して得られた画像を取得するステップと、
   前記画像を複数の領域に分割するステップと、
   前記複数の領域の各々について、当該領域内の画像情報に基づいて、当該領域に含まれているダニの数を計数するステップと、
   前記複数の領域の一部または全部について計数された前記ダニの数に基づいて、前記画像に含まれるダニの総数を算出するステップとをさらに備え、
   前記ダニの数を計数するステップは、前記特定の形状が検知され、かつ、前記特定の形状が前記画像内の予め定められた範囲に含まれている場合に実行され、
   前記予め定められた範囲は、前記マークオブジェクトに相当する、情報処理方法。
7. 請求項５または６に記載の情報処理方法をコンピュータに実行させる、情報処理プログラム。

Images