JP7204859B1 - 性格判定システム及び性格判定方法 - Google Patents

Abstract

【課題】簡易な方法で、動物の性格を判定する性格判定システム等を提供することを目的とする。【解決手段】動物の画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の性格を判定する性格判定手段と、を備える性格判定システムであって、前記学習済みモデルが、動物の画像と、該動物の性格との関係を学習した学習済みモデルであることを特徴とする性格判定システムである。【選択図】図１

Description

本発明は、性格判定システム及び性格判定方法に関し、詳しくは、動物の画像から、動物の性格に関する判定結果を提供する性格判定システム及び性格判定方法に関する。

犬や猫、ウサギを始めとするペットは、人間にとってかけがえのない存在であり、様々なペット向けのサービスが普及、発展している。

ペットは、それぞれが個性を有する個体であり、同じ種や同じ品種であっても、個体ごとに性格が異なっている。そして、動物の性格は、飼い主との相性や飼育のしやすさに関係する。例えば、動物が攻撃的な性格であれば飼育の難度が上がる、動物が外交的な性格であれば、他の動物がいる場所に連れて行くことが容易である、といった具合である。

動物の性格を簡易な方法で知ることができれば、例えば、その動物を飼育するために購入しようとする顧客にとって有用である。動物を購入する場合、ペットショップやブリーダーを通じて購入することが一般的であるが、ペットショップでは、購入を決断するまでにそれほど時間をかけることは少ないので、動物の性格を把握する時間的余裕がない。ブリーダーから動物を購入する場合も同様である。最近では、インターネットを通じてペットショップやブリーダーから販売されている動物の品種、顔写真、月齢、価格などの情報を入手することができ、購入希望者は、インターネット上で入手可能な情報をもとに検討を進めてから、気になる個体のいる実際の店舗やブリーダーのもとを訪れるということも多くなっている。このような場合、インターネット上で動物の品種、顔写真、月齢、価格などの情報に加えて、個体の性格まで知ることができれば、飼い主による選択の一助になり、飼い主と動物のミスマッチを防ぐことも期待できる。

また、既に動物を飼育している飼い主にとっても、自分が飼育している個体の性格を知ることができるのは有用であると考えられる。動物は言葉を話すことができないため、飼い主が認識していた性格とは異なる性格を持っているということもあり得るからである。

上記のような場合、動物の性格を詳細に分析して把握するというよりも、簡易な方法で、性格の傾向を把握できる方がニーズが高いと考えられる。そこで、簡易な方法で、動物の性格を判定する手段が求められている。

特許文献１には、ウェブページを閲覧しているユーザの行動特性情報を利用してユーザの性格分析をより正確に行うことができるようにすることを目的とする性格分析装置及び性格分析用プログラムが開示されているが、動物の性格判定については開示されていない。
また、非特許文献１には、深層学習を用いたＳＮＳプロフィール画像からの投稿者の属性判定方法が開示されているが、動物の性格判定については開示されていない。

特開２０１８－１９５０９９号公報

山下雄大、森純一郎、「深層学習を用いたSNSプロフィール画像からの投稿者属性推定」The 30th Annual Conference of the Japanese Society for Artificial Intelligence, 2016

そこで、本発明は、簡易な方法で、動物の性格を判定する性格判定システムや性格判定方法を提供することを目的とする。

本発明者等は上記課題を解決すべく鋭意検討した結果、動物の画像と、該動物の性格との関係を学習した学習済みモデルによって上記課題が解決し得ることを見いだし、本発明を完成するに至った。

すなわち、本発明は以下の［１］～［１１］である。
［１］動物の画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の性格を判定する性格判定手段と、を備える性格判定システムであって、前記学習済みモデルが、動物の画像と、該動物の性格との関係を学習した学習済みモデルであることを特徴とする性格判定システム。
［２］動物の画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の性格を判定する性格判定手段と、を備える性格判定システムであって、前記学習済みモデルが、動物の画像と、該動物の性格に関するラベルとを教師データとして用いて学習を行い、入力を動物の画像とし、出力をその動物の性格判定とする学習済みモデルであることを特徴とする性格判定システム。
［３］前記受付手段により受け付けられる動物の画像が、動物の顔を正面から撮影した画像である［１］又は［２］の性格判定システム。
［４］前記性格が、人懐っこさ又は大人しさを含む［１］～［３］のいずれかの性格判定システム。
［５］品種判定用の学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の品種を判定する品種判定手段をさらに備える［１］～［４］のいずれかの性格判定システム。
［６］前記性格判定手段が、学習済みモデルを複数備え、前記品種判定手段による品種の判定結果に対応した学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の性格を判定するものである［５］の性格判定システム。
［７］前記学習済みモデルが、動物の品種を当該品種の成体の平均体重に基づいて分類した分類に応じて複数備えられている［６］の性格判定システム。
［８］前記学習済みモデルが、１又は複数の特定の品種に係る動物の画像と、該動物の性格に関するラベルとを教師データとして用いて学習を行ったものである［１］～［７］のいずれかの性格判定システム。
［９］動物の画像からその動物の性格を判定する学習済みモデルの生成方法であって、教師データとして、動物の画像と、その動物の性格に関するラベルをコンピュータに入力し、人工知能に学習させることを特徴とする学習済みモデルの生成方法。
［１０］動物の画像を用意するステップと、前記画像を学習済みモデルに入力し、コンピュータが前記学習済みモデルを用いて、前記入力された動物の画像からその動物の性格判定を出力するステップと、を有する性格判定方法であって、前記学習済みモデルが、動物の画像と、該動物の性格との関係を学習した学習済みモデルであることを特徴とする性格判定方法。
［１１］動物の画像を用意するステップと、前記画像を学習済みモデルに入力し、コンピュータが前記学習済みモデルを用いて、前記入力された動物の画像からその動物の性格判定を出力するステップと、を有する性格判定方法であって、前記学習済みモデルが、動物の画像とその動物の性格に関するラベルとを教師データとして用いて学習を行い、入力を動物の画像とし、出力をその動物の性格判定とする学習済みモデルであることを特徴とする性格判定方法。

本発明により、簡易な方法で、動物の性格を判定する性格判定システムや性格判定方法を提供することが可能となる。

好適な動物の顔画像の一例を表す図である。 好適な動物の顔画像の一例を表す図である。 本発明の性格判定システムの一実施態様を表す構成概略図である。 本発明の性格判定システムによる性格判定の流れの一例を表すフローチャート図である。 本発明の性格判定システムの一実施態様を表す構成概略図である。 本発明の性格判定システムによる性格判定の流れの一例を表すフローチャート図である。

＜性格判定システム＞
本実施形態の性格判定システムは、動物の画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の性格を判定する性格判定手段と、を備える性格判定システムであって、前記学習済みモデルが、動物の画像と、該動物の性格との関係を学習した学習済みモデルであることを特徴とする。

［受付手段］
受付手段は、動物の画像の入力を受け付ける手段である。動物としては、犬、猫、ウサギ等の哺乳類が挙げられ、犬及び猫が好ましい。画像の受付方法は、スキャン、画像データの入力、送信、その場で撮影しての画像取り込みなどいずれの方法であってもよい。画像のフォーマットは特に限定されず、静止画であっても動画であってもよい。画像に写っている動物の部位は特に限定されないが、動物の画像は、動物の顔が写っている画像が好ましく、図１のように動物の顔を正面から撮影した写真であることがより好ましく、動物の顔が大きく写っている写真がさらに好ましい。図２のように、動物の健康保険証に用いられるような画像も好ましい。画像は、白黒、グレースケール、カラーのいずれであってもよい。動物の顔全体が写っていない画像、画像編集ソフトウェアで形状が編集された画像、複数の動物が写っている画像、目や耳が判別出来ないほど顔が小さく写っている画像あるいは不鮮明な画像は好ましくない。画像については、ノーマライゼーションが施されたものや、解像度が統一されたものが好ましい。

［性格判定手段］
性格判定手段は、学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の性格を判定する手段である。本実施形態において、学習済みモデルは、動物の画像と、該動物の性格との関係を学習した学習済みモデルである。学習済みモデルは、種ごと、品種ごとに動物の画像と当該動物の性格との関係を学習した学習済みモデルであることが好ましい。性格判定手段が用いる学習済みモデルは、各性格ごとに生成された学習済みモデルであってもよいし、複数の性格の項目と画像との関係について学習した学習済みモデルであってもよい。また、性格判定手段が用いる学習済みモデルは、幼齢（１歳未満）の動物について画像と性格との関係を学習した学習済みモデルのように、年齢を区分して特定の年齢層の動物について画像と性格との関係を学習した学習済みモデルであってもよく、全年齢を対象にした学習済みモデルであってもよい。

性格とは、例えば、その動物個体の性向や、行動のしかたなどに現われる性質のことをいう。人間の場合、性格とは考え方や感受性といった内面的なものも含むが、動物の場合、内面的なものを把握することが難しいので、行動面に現れる性向や性質が好ましい。

性格の種類としては、特に限定されない。性格の種類としては、例えば、人懐っこさ（人懐っこい／人懐っこくない）、大人しさ（大人しい／活発）、神経質さ（神経質／大らか）、社交性（社交的／内向的）、勇敢さ（臆病／勇敢）、柔軟性（頑固／柔軟）、レジリエンス（ひきずりやすい／切り替えが早い）、積極性（引っ込み事案／積極的）、依存性（甘えんぼう／独立心旺盛）、気の強さ（気が強い／気が弱い）、攻撃性（攻撃的／攻撃的ではない）、吠えやすさ（吠えやすい／吠えにくい）、我慢強さ（我慢強い／我慢できない）などが挙げられる。

動物のうち、犬については、ペンシルバニア大学のサーペルが開発した犬の行動解析システムである C-barq（Canine Behavioral Assessment and Research Questionnaire）に関連した１３個の社会性に関する行動特性（気質）の項目が知られており、性格としてこれを用いることもできる。C-barqの行動特性は、環境省の委託を受けて日本獣医師会が実施した「平成２８年度犬猫幼齢個体を親兄弟から引き離す理想的な時期に関する調査手法等検討業務」でも用いられている。１３個の行動特性の項目とは、攻撃性、恐怖性、分離不安、接触過敏性、訓練生、追跡能力、興奮性、愛着行動、運動活性である。

性格を判定するとは、例えば、性格について予測ないし推測することが挙げられる。予め設定された性格の分類のうちどの分類に当てはまるかを判定することも挙げられる。また、性格に関する項目ごとにどちらの傾向にあるのかを判定することも挙げられる。判定は性格の項目毎に傾向の強さに基づいた段階評価とすることもできる。

性格判定手段において用いられる上記のような学習済みモデルは、例えば、教師あり学習や教師なし学習によって生成することができる。教師あり学習の場合の教師データとしては、例えば、動物の画像とその動物の性格に関するデータやラベルが挙げられる。動物の画像に、その動物の性格に応じたタグやラベルを付けて教師データとしてもよい。

教師データとして用いる動物の画像のフォーマットは特に限定されない。静止画でも動画でもよい。画像に写っている動物の部位は特に限定されないが、動物の画像は、動物の顔が写っている画像が好ましく、動物の顔を正面から撮影した写真であることがより好ましく、図１のように、動物の顔が大きく写っている写真がさらに好ましい。図２のように、動物の健康保険証に用いられるような画像でもよい。画像は、白黒、グレースケール、カラーのいずれであってもよい。動物の顔全体が写っていない画像、画像編集ソフトウェアで形状が編集された画像、複数の動物が写っている画像、目や耳が判別出来ないほど顔が小さく写っている画像あるいは不鮮明な画像は好ましくない。画像については、ノーマライゼーションが施されたものや、解像度が統一されたものが好ましい。教師データで用いた画像と、受付手段により受け付ける画像の解像度が統一されていることがより好ましい。

教師データとして用いる画像に写っている動物の性格は、例えば、当該動物の飼い主やかかりつけの獣医から入手することができる。入手方法としては、例えば、アンケート、ペット保険の申込時の記載などが挙げられる。

学習済みモデルとしては、人工知能（ＡＩ）が好ましい。人工知能（ＡＩ）とは、人間の脳が行っている知的な作業をコンピュータで模倣したソフトウェアやシステムであり、具体的には、人間の使う自然言語を理解したり、論理的な推論を行ったり、経験から学習したりするコンピュータプログラムなどのことをいう。人工知能としては、汎用型、特化型のいずれであってもよく、具体的には、多層パーセプトロン、再帰型ニューラルネットワーク、ディープニューラルネットワーク、畳み込みニューラルネットワーク等の公知のもののいずれであってもよく、公開されているソフトウェアを使用することができる。

学習済みモデルを生成するために、人工知能を学習させる。学習としては、機械学習とディープラーニング（深層学習）のいずれであってもよいが、ディープラーニングが好ましい。ディープラーニングは、機械学習を発展させたものであり、特徴量を自動的に見つけ出す点に特徴がある。

学習済みモデルを生成するための学習方法としては、特に制限されず、公開されているソフトウェアやライブラリを用いることができる。学習方法は転移学習であってもよい。例えば、NVIDIAが公開しているDIGITS (the Deep Learning GPU Training System)を用いることができる。また、例えば、人工知能（ニューラルネットワーク）としてMobileNetやEfficientNetを使用し、機械学習ライブラリ(Deep Learningライブラリ)としてPytorchを用いて転移学習により学習済みモデルを生成することができる。その他、例えば、「サポートベクターマシン入門」（共立出版）等において公開されている公知のサポートベクターマシンを用いてもよい。

［品種判定手段］
本発明の性格判定システムは、品種判定手段をさらに含むことが好ましい。品種判定手段は、品種判定用の学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の品種を判定する手段である。

人間の場合には、顔の要部（例えば目、鼻、口等）の位置や形状にさほど大きな違いはないため、品種判定手段を設ける理由はないが、ペットは人間によって品種改良が重ねられてきたため、品種ごとに顔の要部の位置や形状が大きく異なることが多い。このため、性格判定手段の前に品種判定手段を設けることにより、より正確に性格を判定することが可能になる。

品種判定手段に関する画像の詳細については上記の性格判定手段におけるものと同様である。

品種判定用の学習済みモデルは、動物の画像と当該動物の品種との関係を学習した学習済みモデルである。好ましくは、動物の画像とその動物の品種とを教師データとして用いて学習を行い、入力を動物の画像とし、出力をその動物の品種の判定とする学習済みモデルを含む。教師データ用の動物の画像については、上記の性格判定手段におけるものと同様である。また、品種判定用の学習済みモデルは、動物の画像と当該動物の品種との関係を学習したという点以外は、上記の性格判定手段における学習済みモデルと同様である。上記の性格判定手段における学習済みモデルと異なるアルゴリズム、ソフトウェア、ライブラリ、学習方法を用いてもよいし、同一のアルゴリズム、ソフトウェア、ライブラリ、学習方法を用いてもよい。

品種とは、生物の種以下の生物集団の単位である。例えば、犬でいうと、犬の品種は犬種とも呼ばれ、具体的には、トイプードル、チワワ、ミニチュア・ダックスフント、柴犬、ポメラニアン、ヨークシャー・テリア、ミニチュア・シュナウザー、シー・ズー、フレンチ・ブルドッグ、パピヨン、マルチーズ、ラブラドール、ダルメシアン、チャウチャウ等が挙げられる。猫でいうと、猫の品種は猫種とも呼ばれ、スコティッシュ・フォールド、アメリカン・ショートヘア、ノルウェージャン・フォレストキャット、ロシアンブルー、ブリティッシュ・ショートヘア、ラグドール、メイン・クーン、ペルシャ等が挙げられる。ウサギでいうと、ネザーランドドワーフ、ホーランドロップ、ロップイヤー、ミニレッキス、ドワーフロップ、アメリカンファジーロップ等が挙げられる。

本発明の性格判定システムは、性格判定手段として学習済みモデルを複数備え、前記品種判定手段による品種の判定結果や、受付手段による画像の受付時に同時に入力された品種に関する情報に対応した学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の性格を判定するものであることが好ましい。特に、本発明の性格判定システムが、品種判定手段を備える場合、受付手段に入力された動物の画像から、当該動物の品種を判定し、当該判定結果に基づいて、性格判定手段において対応した学習済みモデルを用いて性格判定を行うことが好ましい。

品種に対応した学習済みモデルとしては、１又は複数の特定の品種に係る動物の画像と、該動物の性格に関するラベルとを教師データとして用いて学習を行ったものが好ましい。例えば、特定の品種のみを集めた動物の画像とその動物の性格に関するラベルとを用いて学習を行った学習済みモデルである。この場合の特定の品種のみを集めた動物の画像とは、ひとつの品種、例えば、トイプードルの画像のみであってもよいし、複数の品種、例えば、トイプードル、ポメラニアン及びミニチュア・ダックスフントの画像のみであってもよい。また、複数の品種の場合、大型の品種の画像を用いて学習を行った大型品種用の学習済みモデル、中型の品種の画像を用いて学習を行った中型品種用の学習済みモデル、小型の品種の画像を用いて学習を行った小型品種用の学習済みモデル、超小型の品種の画像を用いて学習を行った超小型品種用の学習済みモデルというように、品種を分類し、各分類に対応した学習済みモデルを備える構成としてもよい。分類としては、例えば、犬の例でいうと、成体（成犬）の平均体重が４ｋｇ未満の犬種を超小型犬、４～１０ｋｇ未満の犬種を小型犬、１０～２５ｋｇ未満の犬種を中型犬、２５ｋｇ以上の犬種を大型犬というように、平均体重によって分類することができる。その他、体高、体長、遺伝的関係等によって品種を分類してもよい。

このように、品種に対応した学習済みモデルを用いたり、品種をサイズや体重ごとに分類（クラス分け）し、分類ごとに対応した学習済みモデルを用いることで、より正確な性格判定をすることが可能となる。このような効果をもたらす理由は定かではないものの、考え得る理由のひとつとして、各品種には、品種に固有の性格の傾向があり、また、サイズごとに分類について、小型犬には小型犬特有の性格の傾向があり、大型犬には大型犬特有の性格の傾向があるということが挙げられる。

［出力］
性格判定手段は、入力情報として、動物の画像を受け付けると、上記学習済みモデルによって、当該動物の性格についての判定を行う。
判定結果の出力の形式は特に限定されず、例えば、パソコンの画面上において、「人懐っこい」、「大人しい」、「活発」のように性格の種類を表示する方法や、性格の項目を複数用意し、各項目ごとに、傾向を点数や％などで表示する方法が挙げられる。具体的には、人懐っこさが４／５点（点数が高いほど人懐っこい傾向がある）、大人しさが２／５点（点数が高いほど大人しい傾向がある）、神経質さが１／５点（点数が高いほど神経質な傾向がある）といった具合である。
本発明の性格判定システムは、性格判定手段から判定結果を受信し、判定結果を出力する出力手段を別途有していてもよい。

以下、本発明の性格判定システムの一実施態様を図３を参照しながら説明する。

図３中、端末４０は、利用者が利用する端末である。利用者は、例えば、自分が飼育しているペットの性格を知りたい飼育者や、購入を検討しているペットの性格を知りたい消費者、ウェブサイトに掲載する動物の性格を把握したいペットショップやブリーダーである。端末４０は、例えばパーソナルコンピュータやスマートフォン、タブレット端末などが挙げられる。端末４０は、ＣＰＵなどの処理部、ハードディスク、ＲＯＭあるいはＲＡＭなどの記憶部、液晶パネルなどの表示部、マウス、キーボード、タッチパネルなどの入力部、ネットワークアダプタなどの通信部などを含んで構成される。

利用者は、端末４０から、サーバにアクセスし、動物の画像（写真）、及び、当該動物の種類、品種、性別、体重などの情報を入力、送信する。利用者が、本性格判定システム利用時に、その場でスマートフォンのカメラを使って対象となる動物の写真や動画を撮影し、それを入力、送信するという態様であってもよい。例えば、利用者は、端末４０の画面上に表示される指示に従って対象となる動物の顔写真を撮影し、適切な写真が撮れたらそれをサーバに送信する。このとき、サーバが、別途、画像判定プログラムからなる写真撮影補助手段を備え、写真撮影補助手段が、動物の顔全体が撮像されていること、動物の顔の正面からの写真であるといった、性格判定に好適な写真であるかどうかを判定し、その判定結果をインターフェースや端末を通じて利用者に伝達するという構成を備えていてもよい。
また、利用者は、端末４０がサーバにアクセスすることによって、サーバにおける性格判定の結果を受信することができる。

本実施形態においては、サーバはコンピュータによって構成されるが、本発明にかかる機能を有する限りにおいて、どのような装置であってもよい。サーバは、クラウド上にあるサーバであってもよい。

記憶部１０は、例えばＲＯＭ、ＲＡＭあるいはハードディスクなどから構成される。記憶部１０には、サーバの各部を動作させるための情報処理プログラムが記憶され、特に、性格判定手段（学習済みモデル）１１が記憶される。

性格判定手段（学習済みモデル）１１は、利用者が入力した対象となる動物の画像を入力とし、当該画像に含まれる動物の性格判定を出力するものである。本実施形態における性格判定手段（学習済みモデル）１１は、例えばディープニューラルネットワーク又は畳み込みニューラルネットワークを含んで構成される。

処理演算部２０は、記憶部に記憶された性格判定手段（学習済みモデル）１１を用いて、性格判定を実行する。

インターフェース部（通信部）３０は、受付手段３１と出力手段３２を備え、利用者の端末から、動物の画像やその他の情報を受け付け、利用者の端末に対して、性格判定の結果を出力する。

本実施形態の性格判定システムにより、利用者は、ペットの写真や動画などをサーバにアップロードすることで、簡便にペットの性格の判定を得ることができる。

本実施形態では、性格判定手段や受付手段がサーバに格納され、利用者の端末とインターネットやＬＡＮ等の接続手段で接続される態様を説明したが、本発明はこれに限定されず、性格判定手段、受付手段、インターフェース部が一つのサーバや装置内に格納される態様や、利用者が利用する端末を別途必要としない態様等であってもよい。

本発明の性格判定システムの一実施態様に基づく性格判定のフローチャートを図４に示す。利用者が、受付手段に、対象となる動物の種類、年齢、性別等の基本情報を入力するとともに、当該動物の画像をアップロードする（ステップＳ１）。サーバの処理演算部は、性格判定手段（学習済みモデル）を用いて、アップロードされた画像から、その動物の性格を判定する（ステップＳ２）。出力手段は、導き出された判定結果を画面に表示するなどして出力し、ユーザに提示する（ステップＳ３）。

＜品種判定手段を備える実施態様＞
以下、本発明の性格判定システムの品種判定手段を備える実施態様を図５を参照しながら説明する。

図５で示される性格判定システムは、記憶部１０に、性格判定手段として、大型品種用の性格判定手段１１（大型品種について、動物の画像と当該動物の性格の関係を学習した学習済みモデル）、中型品種用の性格判定手段１２（中型品種について、動物の画像と当該動物の性格の関係を学習した学習済みモデル）、小型品種用の性格判定手段１３（小型品種について、動物の画像と当該動物の性格の関係を学習した学習済みモデル）が格納され、また、品種判定手段１４（品種判定用の学習済みモデル）が格納されている以外は、上記実施形態と同様である。

この実施形態に係る性格判定システムでは、受付手段３１に動物の画像が入力されると、品種判定手段１４が当該動物の品種を判定する。品種の判定は、具体的な品種名の判定であっても、大型品種か、中型品種か、小型品種かといった分類に関する判定であってもよい。

品種判定手段１４による判定結果に基づいて性格判定に用いられる性格判定手段（学習済みモデル）が選択される。品種や品種の分類に応じて複数の学習済みモデルから最適な学習済みモデルを選択するプログラムやソフトウェアを備えていてもよい。例えば、受付手段に入力された動物の画像が、大型品種の画像であると判定された場合、大型品種用性格判定手段１１が選択され、大型品種用性格判定手段１１は、大型品種について、動物の画像と当該動物の性格の関係を学習した学習済みモデルを用いて、当該動物の性格が判定される。

なお、本実施形態では、例えば、犬用、猫用というように種ごとに一つの性格判定システムを用いることを前提とした構成としているが、複数種の動物に対応した性格判定システムとしてもよい。この場合、動物の画像から当該動物の種を判定する品種判定手段を備えることが好ましく、種、品種毎に複数の性格判定手段（学習済みモデル）を備えることが好ましい。

本発明の性格判定システムが、品種判定手段を備える場合の実施態様に基づく性格判定のフローチャートを図６に示す。利用者が、受付手段に、対象となる動物の種類等の基本情報を入力するとともに、当該動物の画像をアップロードする（ステップＳ２１）。サーバの処理演算部は、品種判定手段（学習済みモデル）を用いて、アップロードされた画像から、その動物の品種が判定される（ステップＳ２２）。次に、品種に応じた性格判定手段（学習済みモデル）が選択され（ステップＳ２３）、選択された性格判定手段（学習済みモデル）によって、動物の画像からその動物の性格が判定される（ステップＳ２４）。出力手段は、導き出された判定結果を画面に表示するなどして出力し、ユーザに提示する（ステップＳ２５）。

また、本実施形態は、品種判定手段を備え、品種が不明な動物の画像を受け付けて、品種判定手段によって品種判定を行ってから、適切な学習済みモデルを用いて性格判定をする構成としたが、品種判定手段を備えずに、受付手段による画像受付の際に利用者から品種に関する情報を受け付け、当該品種に関する情報に基づいて、適切な学習済みモデルを選択し、性格判定を行う構成としてもよい。

＜性格判定方法＞
本発明の性格判定方法は、動物の画像を用意するステップと、前記画像を学習済みモデルに入力し、コンピュータが前記学習済みモデルを用いて、前記入力された動物の画像からその動物の性格判定を出力するステップと、を有する性格判定方法であって、前記学習済みモデルが、動物の画像と、該動物の性格との関係を学習した学習済みモデルであることを特徴とするものである。

また、本発明の別の態様の性格判定方法は、動物の画像を用意するステップと、前記画像を学習済みモデルに入力し、コンピュータが前記学習済みモデルを用いて、前記入力された動物の画像からその動物の性格判定を出力するステップと、を有する性格判定方法であって、前記学習済みモデルが、動物の画像とその動物の性格に関するラベルとを教師データとして用いて学習を行い、入力を動物の画像とし、出力をその動物の性格判定とする学習済みモデルであることを特徴とするものである。

動物の画像、学習済みモデルについては、上記本発明の性格判定システムと同様である。

［性格判定手段（性格判定用の学習済みモデル）］
教師データとして犬（トイプードル、チワワ、ゴールデン・レトリバー及びシェットランド・シープドッグ）の顔写真を用意した。これらの顔写真は、頭部全体を含む画像となるようにトリミング処理（切り出し加工）を行ったものである。
各顔写真には、飼い主に対するアンケートによって得られた性格の関するタグを付した。アンケートは、人懐っこさと大人しさについて尋ねるものであり、回答を、人懐っこいか／そうではないか、大人しいか／大人しくないかに分類し、それぞれに対応したタグを、顔画像に付した。なお、犬の年齢については、全年齢（０歳～１９歳）を対象とするグループと、１歳以下のグループに分けて学習を行った。教師データに用いた個体数（画像の枚数）は以下の表１に記載のとおりであった。

これらの顔写真を用いて、ディープラーニングを行い、品種ごと（トイプードル、チワワ、ゴールデン・レトリバー及びシェットランド・シープドッグ）、及び、各性格ごとに性格判定用の学習済みモデルを生成した。
学習方法は、人工知能（ニューラルネットワーク）としてEfficientNetを使用した転移学習であり、機械学習ライブラリ(Deep Learningライブラリ)としてPytorchを用いた。

［品種判定手段（品種判定用の学習済みモデル）］
トイプードル、チワワ、ポメラニアン、ヨークシャー・テリア、ミニチュア・シュナウザー、パピヨン、マルチーズ、シー・ズー、ミニチュア・ダックスフント、柴、キャバリア・キング・チャールズ・スパニエル、パグ、フレンチ・ブルドッグ、ウェルシュ・コーギー・ぺンブローク、ゴールデン・レトリバー、ラブラドール・レトリバーの各品種ごとに４００枚の画像を用意し、教師あり学習を行って品種判定用の学習済みモデルを生成した。
学習方法は、人工知能（ニューラルネットワーク）としてMobileNetNetv3_largeを使用した転移学習であり、機械学習ライブラリ(Deep Learningライブラリ)としてPytorchを用いた。
得られた学習済みモデルを用いて、各品種ごとに１５０枚の画像を用いてテストを行った。
各品種ごとの正答率を下記表２に示す。

［実施例１］
性格判定用の学習済みモデルを用いてシェットランド・シープドッグの性格判定を行った。性格判定に用いたシェットランド・シープドッグの画像は、教師データに用いたものとは別のものを用意した。全年齢のシェットランド・シープドッグの写真を用いて学習を行った学習済みモデルについては、全年齢の動物の写真を用いて性格判定を行い、１歳以下のシェットランド・シープドッグの写真を用いて学習を行った学習済みモデルについては、１歳以下のシェットランド・シープドッグの写真を用いて性格判定を行った。性格判定に用いた画像は、予め飼い主からのアンケートによって、人懐っこい、大人しいと分かっている画像（以下「性格紐付き画像」という。）であった。学習済みモデルによる判定結果が、飼い主からのアンケートの回答と合致したものを正解とした。
結果を下記表３に示す。

［実施例２］
品種判定用の学習済みモデルを用いて犬の画像の品種判定を行った。犬の画像には、トイプードル、チワワ及びゴールデン・レトリバーの性格紐付き画像が含まれていた。品種判定の結果、トイプードル、チワワ又はゴールデン・レトリバーと判定された画像について、性格判定用の学習済みモデルを用いて性格判定を行った。実施例１と同様に、学習済みモデルによる判定結果が、飼い主からのアンケートの回答と合致したものを正解とした。結果を下記表４に示す。

Claims (11)

1. ヒトを除く動物の画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の性格を判定する性格判定手段と、を備える性格判定システムであって、
   前記性格が、人なつっこさを含み、
   前記学習済みモデルが、ヒトを除く動物の画像と、該動物の性格との関係を学習した学習済みモデルであることを特徴とする性格判定システム。
2. ヒトを除く動物の画像の入力を受け付ける受付手段と、学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の性格を判定する性格判定手段と、を備える性格判定システムであって、
   前記学習済みモデルが、ヒトを除く動物の画像と、該動物の性格との関係を学習した学習済みモデルであり、
   品種判定用の学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の品種を判定する品種判定手段をさらに備える、
   ことを特徴とする性格判定システム。
3. 前記性格判定手段の学習済みモデルが、ヒトを除く動物の画像と、該動物の性格に関するラベルとを教師データとして用いて学習を行い、入力を動物の画像とし、出力をその動物の性格判定とする学習済みモデルである請求項１又は２記載の性格判定システム。
4. 前記受付手段により受け付けられる動物の画像が、動物の顔を正面から撮影した画像である請求項１又は２記載の性格判定システム。
5. 前記性格判定手段が、学習済みモデルを複数備え、前記品種判定手段による品種の判定結果に対応した学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の性格を判定するものである請求項２記載の性格判定システム。
6. 前記学習済みモデルが、動物の品種を当該品種の成体の平均体重に基づいて分類した分類に応じて複数備えられている請求項５記載の性格判定システム。
7. 前記学習済みモデルが、１又は複数の特定の品種に係る動物の画像と、該動物の性格に関するラベルとを教師データとして用いて学習を行ったものである請求項１～７のいずれか一項記載の性格判定システム。
8. ヒトを除く動物の画像からその動物の性格を判定する学習済みモデルの生成方法であって、教師データとして、ヒトを除く動物の画像と、その動物の性格に関するラベルをコンピュータに入力し、人工知能に学習させることを特徴とし、
   前記性格が、人なつっこさを含む学習済みモデルの生成方法。
9. ヒトを除く動物の画像を用意するステップと、
   前記画像を学習済みモデルに入力し、コンピュータが前記学習済みモデルを用いて、前記入力された動物の画像からその動物の性格判定を出力するステップと、を有する性格判定方法であって、
   前記学習済みモデルが、ヒトを除く動物の画像と、該動物の性格との関係を学習した学習済みモデルであり、
   前記性格が、人なつっこさを含む、
   ことを特徴とする性格判定方法。
10. ヒトを除く動物の画像を用意するステップと、
    コンピュータが品種判定用の学習済みモデルを用いて、前記受付手段に入力された動物の画像からその動物の品種を判定する品種判定ステップと、
    コンピュータが前記学習済みモデルを用いて、前記入力された動物の画像からその動物の性格判定を出力するステップと、を有する性格判定方法であって、
    前記学習済みモデルが、ヒトを除く動物の画像と、該動物の性格との関係を学習した学習済みモデルであることを特徴とする性格判定方法。
11. 前記学習済みモデルが、ヒトを除く動物の画像とその動物の性格に関するラベルとを教師データとして用いて学習を行い、入力を動物の画像とし、出力をその動物の性格判定とする学習済みモデルである請求項９又は１０記載の性格判定方法。

Images