JP7463589B1

JP7463589B1 - 魚群行動解析システム、情報処理装置、魚群行動解析方法およびプログラム

Info

Publication number: JP7463589B1
Application number: JP2023049693A
Authority: JP
Inventors: 陽一牧; 浩司齋藤; 達也中野; 祐太濱▲崎▼
Original assignee: Maruha Nichiro Corp
Current assignee: Maruha Nichiro Corp
Priority date: 2023-03-27
Filing date: 2023-03-27
Publication date: 2024-04-08
Anticipated expiration: 2043-03-27

Abstract

【課題】魚群の高精度な行動解析を可能としつつ、行動解析に用いる画像解析処理の負荷を低減させる。
【解決手段】水槽１００内の魚群１０の状態を第１の解像度で撮像するカメラ２００と、カメラ２００が撮像した画像データの解像度を第１の解像度よりも低い第２の解像度へ補正し、補正した画像データに基づいて、魚群１０の状態が正常であるか異常であるかをあらかじめ学習した第１の学習モデル４００を用いて魚群１０の状態が異常である確率を推定し、推定した確率と第１の閾値とを比較し、比較の結果を出力する情報処理装置３００とを有する。
【選択図】図１

Description

特許法第３０条第２項適用令和４年９月２８日、２０２２年早稲田大学スマートエスイーＩｏＴ／ＡＩコース修了シンポジウム、東京都新宿区戸塚町１－１０４早稲田大学キャンパス内野記念講堂及びオンライン

本発明は、魚群行動解析システム、情報処理装置、魚群行動解析方法およびプログラムに関する。

近年、海や湖等に設置された生簀や陸上に設置された水槽内の魚の状態を観察するために、カメラを用いて魚を撮影し、撮影した画像に基づいて魚の状態を観察する技術が考えられている。このような技術を用いて、例えば、観察された魚の状態に応じて、魚にえさを与えるタイミング等を制御する技術が開示されている（例えば、特許文献１参照。）。

国際公開２０１８－０４２６５１号

特許文献１に記載された技術においては、個々の魚の動きが識別可能な解像度で撮影できるカメラが撮影した画像そのものを解析に使用している。そのため、撮像された画像の解像度が高くなり、画像解析処理に高い負荷がかかってしまうという問題点がある。また、いかに高解像度で解析しても、個々の魚の撮影角度はランダムに異なっており、その個々の魚に対する解析結果の信頼度にばらつきが生じてしまう。そのため、撮影された個々の魚の動きから魚群の高精度な行動解析を行うことが困難であるという問題点がある。

本発明の目的は、魚群全体の高精度な行動解析を可能としつつ、行動解析に用いる画像解析処理の負荷を低減させることができる魚群行動解析システム、情報処理装置、魚群行動解析方法およびプログラムを提供することにある。

本発明の魚群行動解析システムは、
生簀内または水槽内の魚群の状態を第１の解像度で撮像する撮像部と、
前記撮像部が撮像した画像データの解像度を、前記第１の解像度よりも低い第２の解像度へ補正する補正部と、
前記補正部が前記第２の解像度に補正した画像データに基づいて、魚群の状態が正常であるか異常であるかをあらかじめ学習した第１の学習モデルを用いて、前記撮像部で新たに撮像され、前記補正部で前記第２の解像度に補正された画像データに基づいて、前記魚群の状態が異常である確率を推定する推定部と、
前記推定部が推定した確率と第１の閾値とを比較する比較部と、
前記比較部における比較の結果を出力する出力部とを有する。

また、本発明の情報処理装置は、
生簀内または水槽内の魚群の状態を第１の解像度で撮像する撮像部が撮像した画像データの解像度を、前記第１の解像度よりも低い第２の解像度へ補正する補正部と、
前記補正部が前記第２の解像度に補正した画像データに基づいて、魚群の状態が正常であるか異常であるかをあらかじめ学習した第１の学習モデルを用いて、前記撮像部で新たに撮像され、前記補正部で前記第２の解像度に補正された画像データに基づいて、前記魚群の状態が異常である確率を推定する推定部と、
前記推定部が推定した確率と第１の閾値とを比較する比較部と、
前記比較部における比較の結果を出力する出力部とを有する。

また、本発明の魚群行動解析方法は、
生簀内または水槽内の魚群の状態を第１の解像度で撮像する撮像部が撮像した画像データの解像度を、前記第１の解像度よりも低い第２の解像度へ補正する処理と、
前記第２の解像度に補正した画像データに基づいて、魚群の状態が正常であるか異常であるかをあらかじめ学習した第１の学習モデルを用いて、前記撮像部で新たに撮像され、前記第２の解像度に補正された画像データに基づいて、前記魚群の状態が異常である確率を推定する処理と、
前記推定した確率と第１の閾値とを比較する処理と、
前記比較の結果を出力する処理とを行う。

また、本発明のプログラムは、
コンピュータに実行させるためのプログラムであって、
コンピュータに、
生簀内または水槽内の魚群の状態を第１の解像度で撮像する撮像部が撮像した画像データの解像度を、前記第１の解像度よりも低い第２の解像度へ補正する手順と、
前記第２の解像度に補正した画像データに基づいて、魚群の状態が正常であるか異常であるかをあらかじめ学習した第１の学習モデルを用いて、前記撮像部で新たに撮像され、前記第２の解像度に補正された画像データに基づいて、前記魚群の状態が異常である確率を推定する手順と、
前記推定した確率と第１の閾値とを比較する手順と、
前記比較の結果を出力する手順とを実行させる。

本発明においては、魚群の高精度な行動解析を可能としつつ、行動解析に用いる画像解析処理の負荷を低減させることができる。

本発明の魚群行動解析システムの第１の実施の形態を示す図である。図１に示した第１の学習モデルの入出力の一例を示す図である。図１に示した情報処理装置に具備された構成要素の一例を示す図である。図３に示した補正部における画像データの補正の前後の状態の一例を示す図である。図３に示した補正部における画像データの補正の前後の状態の他の例を示す図である。図１に示した情報処理装置における魚群行動解析方法の一例を説明するためのフローチャートである。本発明の魚群行動解析システムの第２の実施の形態を示す図である。図６に示した第２の学習モデルの入出力の一例を示す図である。図６に示した情報処理装置に具備された構成要素の一例を示す図である。図６に示した情報処理装置における魚群行動解析方法の一例を説明するためのフローチャートである。本発明の魚群行動解析システムの第３の実施の形態における情報処理装置に具備された構成要素の一例を示す図である。図１０に示した情報処理装置における魚群行動解析方法の一例を説明するためのフローチャートである。本発明の魚群行動解析システムの第４の実施の形態を示す図である。図１２に示した第３の学習モデルの入出力の一例を示す図である。図１２に示した情報処理装置に具備された構成要素の一例を示す図である。図１２に示した情報処理装置における魚群行動解析方法の一例を説明するためのフローチャートである。

以下に、本発明の実施の形態について図面を参照して説明する。
（第１の実施の形態）

図１は、本発明の魚群行動解析システムの第１の実施の形態を示す図である。本形態における魚群行動解析システム１Ａは図１に示すように、水槽１００と、カメラ２００と、情報処理装置３００と、第１の学習モデル４００とを有する。カメラ２００と情報処理装置３００との間は、有線を用いて接続されていても良いし、無線を介して接続されていても良い。

水槽１００は、魚群１０に含まれる魚の養殖に用いるものであり、海水域または淡水域に設けられる生簀でも良いし、陸上に設けられた水槽でも良い。水槽１００は、魚の状態が観察できるサイズや形状であれば良く、特に規定しない。ここで、魚群１０に含まれる魚の種類は、集団を形成して所定の空間内を群れとして泳ぐ、いわゆる群泳行動を行う魚である。魚群１０に含まれる個々の魚は、当該魚が含まれる集団を形成する他の魚の動きの方向や角度と同じ方向や角度へ泳ぐ。魚群１０に含まれる個々の魚類は、例えば、鮭鱒類やマグロ・ブリ・カンパチや、鯖・アジ・イワシなどの青物類、鮎、鯛および養殖・飼育環境下で群れ行動が観察容易な熱帯魚などの鑑賞魚類である。これら対象となる魚類には、少なくとも成長過程の一時期において、集団を形成し、空間内を集団の動きに応じて泳ぐ魚類が含まれる。例えば、これら対象となる魚類には、空間内を一定方向に泳ぐ魚類が含まれる。このような魚類と同様の動きをするものであれば、例えば、エビ等の魚介類を本発明の対象としても良い。なお、このような他の魚介と同じ方向や角度へ移動する動きが、当該魚介類の異常時に見られるものも本発明の対象としても良い。

カメラ２００は、水槽１００内の魚群１０の状態を撮像する撮像部である。例えば、カメラ２００は、図１に示すように、魚群１０を水槽１００の底面の方向から上方へ向かって撮像できる位置に配置される。なお、カメラ２００の配置および撮像方向は水槽１００内の魚群行動を撮像可能であれば、これに限定されず、魚群１０を水槽１００の側面側から撮像できる位置に配置されていても良いし、上空から下方向へ撮像できる位置に配置されていても良い。カメラ２００は、可視光領域撮像用カメラのみならず、夜間でも撮像可能な赤外線カメラやイベントカメラでも良い。カメラ２００は、水槽１００内に貯留されている水中に設置されていても良いし、水槽１００の底面や壁面が透明な部材で構成されている場合、水槽１００の底面の下側のような水槽１００の外部に設置されていても良い。カメラ２００が水槽１００内に配置される場合、カメラ２００に防水機能が具備されていることは言うまでもない。カメラ２００は、あらかじめ設定された第１の解像度で撮像を行う。カメラ２００は、水槽１００内の魚群１０の状態をあらかじめ設定された時間間隔以下の時間間隔で撮像するカメラ（例えば、継続的に撮像を行う動画撮像用カメラ）であっても良い。カメラ２００は、撮像した画像を示す画像データを情報処理装置３００へ送信する。画像データとしては、ＲＧＢデータを用いることが好ましい。カメラ２００が情報処理装置３００へ画像データを送信するタイミングは、送信された画像データが撮像したタイミングを情報処理装置３００が認識できるものであれば良い。例えば、カメラ２００は、撮像した画像を示す画像データをリアルタイムで情報処理装置３００へ送信しても良いし、撮像した日時を示す日時データを画像データとともに情報処理装置３００へ送信しても良い。また、カメラ２００が魚群１０の状態を撮像する第１の解像度は、近年用いられている一般的なデジタルカメラが使用している解像度で良い。例えば、この第１の解像度として、６４０×４８０ピクセルや、１２８０×７２０ピクセルのものから数千×数千ピクセルの数千万画素を超えるものなどでも良い。なお、本明細書において、画像の解像度とは、所定の大きさの画角を人間が視認した場合における当該画像の鮮明さを示すものである。例えば、解像度が低いとは、同一画角で比較した場合に、対象画像の鮮明度が低下していること、言い換えれば、取得された画像の情報量が低下していることを示している。また、このような情報量が低下した画像を模様と表現することもある。

第１の学習モデル４００は、複数の画像データに応じた、その画像データに含まれる魚群１０の状態が正常であるか異常であるかについて、あらかじめ機械学習を行って生成された学習モデルである。第１の学習モデル４００が学習に用いる画像データは、第２の解像度の画像データ（図４（Ａ），（Ｂ）に示す第２の解像度の画像データ２２）である。第１の学習モデル４００は、情報処理装置３００内に設けられていても良い。第１の学習モデル４００は、例えば、複数のニューロンが相互に結合したニューラルネットワークの構造を有していても良い。ニューロンは、複数の入力に対して所定の演算を行い、演算結果として１つの値を出力する素子である。第１の学習モデル４００は、記憶部（不図示）に記憶されている。第１の学習モデル４００における学習方法は、学習モデルを生成する一般的な方法、すなわちラベル付けされた正常な状態の魚群の画像と異常な状態の魚群の画像との両方の画像データを用いた教師あり学習などの方法でも良い。ここで、異常な状態として、例えばその魚群に含まれる一部の魚が、当該魚群の動きとは異なる動きをする状態が挙げられる。このような異常な状態が発生すると、低解像度の画像データ（図４（Ａ），（Ｂ）に示す第２の解像度の画像データ２２）に見られる模様に乱れが生じる。これにより、異常を検知することができる。また、魚群全体として、ある成長過程において想定される通常の動きとは異なる動きを異常な状態としても良い。図２は、図１に示した第１の学習モデル４００の入出力の一例を示す図である。図１に示した第１の学習モデル４００は図２に示すように、画像データが入力されると、あらかじめ機械学習を行って生成された学習モデルに基づいて、魚群１０の状態が異常である確率を示す確率データを出力する。また、第１の学習モデル４００は、正常である確率を出力し、出力した確率があらかじめ設定された閾値以下となった場合に、魚群１０の状態が異常である確率を示す確率データを出力しても良い。

図３は、図１に示した情報処理装置３００に具備された構成要素の一例を示す図である。図１に示した情報処理装置３００は図３に示すように、補正部３１０と、推定部３２０と、比較部３３０と、出力部３４０とを有する。なお、図３には、図１に示した情報処理装置３００に具備された構成要素のうち、本形態に関わる主要な構成要素のみを示している。

補正部３１０は、カメラ２００から送信されてきた画像データの解像度を、第１の解像度よりも低い第２の解像度へ補正する。これにより、補正部３１０が補正した画像データは、カメラ２００から送信されてきた画像データよりも解像度が低い画像となる。ここで、第２の解像度は、例えば１００×１００（ピクセル）である。補正部３１０が第２の解像度で補正した画像データが示す画像は、魚群１０に含まれる魚それぞれを個別に認識できるものではなく、魚群を全体的な模様として認識できる画像となる。第２の解像度では、画像が魚群として認識されるため、画角内に存在する個体である魚の数は複数尾以上である。効果的に学習し、画像を解析可能とするためには、群れとして５尾以上の魚が画角内に存在している画像が必要である。画像のアスペクト比が１対１である場合、画角内に存在している魚の数が数十尾であれば、第２の解像度の画素数は３００ピクセル×３００ピクセル以下が適正であり、１００ピクセル×１００ピクセルが好ましい。また、画像の解像度の下限値は魚の数に関わらず、画像処理分類の一般的な下限値である数十ピクセル以上であり、例えば３２ピクセル×３２ピクセル以上が好ましい。補正部３１０は、第２の解像度に補正した画像データを推定部３２０へ出力する。

図４（Ａ）は、図３に示した補正部３１０における画像データの補正の前後の状態の一例を示す図である。図４（Ａ）は、魚群１０の状態が正常である場合を示す。図４（Ｂ）は、図３に示した補正部３１０における画像データの補正の前後の状態の他の例を示す図である。図４（Ｂ）は、魚群１０の状態が異常である場合を示す。図４（Ａ）および図４（Ｂ）に示すように、画角２０に含まれる魚群１０の第１の解像度の画像データ２１が、第２の解像度の画像データ２２に補正されると、魚群１０が模様１０Ａとなる画像が生成される。魚群１０の状態が正常である場合、補正部３１０が補正した画像である第２の解像度の画像データ２２に含まれる模様１０Ａは図４（Ａ）に示すように、一定方向に並んだ模様１０Ａとなる。一方、魚群１０の状態が異常である場合、補正部３１０が補正した画像である第２の解像度の画像データ２２に含まれる模様１０Ａは図４（Ｂ）に示すように、互いに別の方向を向いて配置された模様１０Ａとなる。また、画角２０に含まれる模様１０Ａが多いほど、互いの方向や角度の関係が認識しやすくなることは言うまでもない。そのため、上述したように画角２０内に存在する魚の数は、複数尾以上、好ましくは群れとして５尾以上が必要である。

推定部３２０は、補正部３１０から出力されてきた第２の解像度に補正された画像データに基づいて、第１の学習モデル４００を用いて、魚群１０の状態が異常である確率を推定する。具体的には、推定部３２０は、補正部３１０が第２の解像度に補正した画像データを第１の学習モデル４００に入力して、第１の学習モデル４００から出力された確率データを取得する。推定部３２０は、取得した確率データを比較部３３０へ出力する。第１の学習モデル４００が、推定部３２０に含まれていても良い。

比較部３３０は、推定部３２０から出力されてきた確率データが示す確率と、あらかじめ設定された閾値とを比較する。比較部３３０は、比較した結果を出力部３４０へ出力する。この閾値は、魚群１０の状態が異常であると判定するための第１の閾値である。なお、対象の行動様式や成育密度、成育段階に応じて、魚群１０の状態が正常であるか異常であるかを判定する基準を変更する必要がある。そのため、この閾値は、外部から設定・変更可能な値である。

出力部３４０は、比較部３３０から出力されてきた比較の結果に応じた情報を出力する。出力部３４０は、確率データが示す確率が閾値を超えているという比較の結果が比較部３３０から出力されてきた場合、所定の警告を出力しても良い。また、出力部３４０は、比較部３３０から出力されてきた比較の結果そのものである確率データが示す確率と閾値との大小関係を示す情報を出力しても良い。また、出力部３４０は、比較部３３０から出力されてきた比較の結果が、確率データが示す確率が閾値に近付いている旨や、そのときの確率データが示す確率と閾値との差を示す情報を出力しても良い。なお、出力部３４０における情報の出力形態は、ディスプレイへの表示でも良いし、他の装置への送信、印刷、音声出力等でも良い。

以下に、図１に示した情報処理装置３００における魚群行動解析方法について説明する。図５は、図１に示した情報処理装置３００における魚群行動解析方法の一例を説明するためのフローチャートである。

まず、カメラ２００が水槽１００内の魚群１０を撮像し、カメラ２００が撮像した画像を示す画像データを情報処理装置３００が取得する（ステップＳ１）。この取得は、上述したようにカメラ２００から送信された画像データを情報処理装置３００が受信することによる取得でも良い。すると、補正部３１０が、カメラ２００から取得した画像データの解像度を第１の解像度から第２の解像度へ補正する（ステップＳ２）。続いて、推定部３２０が、補正部３１０が第２の解像度に補正した画像データを第１の学習モデル４００へ入力して第１の学習モデル４００から出力された確率データを取得することで、魚群１０の状態が異常である確率を推定する（ステップＳ３）。続いて、比較部３３０が、推定部３２０が推定した確率と、あらかじめ設定された閾値とを比較する（ステップＳ４）。すると、出力部３４０は、比較部３３０における比較の結果に応じた情報を出力する（ステップＳ５）。例えば、比較部３３０における比較の結果が、推定部３２０が推定した確率が閾値を超えるものである場合、出力部３４０は、所定の警告を出力する。

なお、本形態における魚群行動解析システム１Ａは、水槽１００の上方から照明を当てる照明部（不図示）を具備しても良い。照明部（不図示）は、所定の照度の照明を当てることができる照明器具であれば良い。照明部（不図示）は、カメラ２００が撮像するタイミングで照明を当てても良い。照明部（不図示）は、固定されていても良いし、移動可能に配置されていても良い。なお、カメラ２００が水槽１００の側面側の位置に配置されている場合、照明部（不図示）は、水槽１００の対向する側面側から照明を当てる位置に設置される。この場合、水槽１００の側面は、照明が水槽１００内を照らすことができるように、透明部材から構成される。また、照明部（不図示）の位置は、カメラ２００の後方から照明を当てる位置でも良いし、斜め前方や斜め後方から照明を当てる位置でも良いし、魚群１０に照明を当てることができる位置であれば良い。

このように第１の実施の形態においては、情報処理装置３００が、カメラ２００が撮像した魚群１０の画像の解像度を、撮像した画像の解像度（第１の解像度）よりも低い解像度（第２の解像度）へ補正し、補正した低い解像度である第２の解像度の画像データ２２に基づいて第１の学習モデル４００を用いて魚群１０の状態が異常である確率を推定する。画像解析の対象となる画像データの画素数が少ないものとなるため、行動解析に用いる画像解析処理の負荷を低減させることができる。また、個々の魚の画像データではなく、群れとして行動する魚の魚群全体の言わば模様となる画像データを用いるため、個々の魚それぞれの行動にとらわれず、魚群全体の行動解析を正確に行うことができる。本発明は、生物種に限定されることなく、通常時に集団として連続的に同一の行動を繰り返す性質を有している生物、または、ある一定の条件下において、集団として互いに同一の行動を繰り返す性質を有している生物に対して、その状態の通常時と異常時とに表示される画像の特徴度の差異を利用している。この画像について、低解像度に補正された画像データを意図的に使用することで、例えば、個体ごとに生じている微細な特徴や姿勢の違いを緩和して、魚の向きが変わるような、群泳に影響を与える大きな変化を画角内の画像データの変化として検出できるようにしている。また、カメラ２００の対向側から照明を当てる照明部（不図示）を設ければ、カメラ２００が撮像した画像に含まれる水槽１００内の魚群１０と背景とのコントラストが鮮明となり、カメラ２００が撮像した画像データからより正確な魚群１０の状態を認識することができる。なお、照明部（不図示）が設けられていない構成であっても、撮像に十分な光量がある状況でカメラ２００が水槽１００内の魚群１０を撮像したり、背景が明るい方向、例えば、太陽光が差し込んできている方向へ撮像できる位置にカメラ２００を設け、カメラ２００が水槽１００内の魚群１０を撮像したりしても同様の効果が得られる。
（第２の実施の形態）

図６は、本発明の魚群行動解析システムの第２の実施の形態を示す図である。本形態における魚群行動解析システム１Ｂは図６に示すように、水槽１００と、カメラ２００と、情報処理装置３０１と、第１の学習モデル４００と、第２の学習モデル４０１とを有する。カメラ２００と情報処理装置３０１との間は、有線を用いて接続されていても良いし、無線を介して接続されていても良い。水槽１００、カメラ２００および第１の学習モデル４００それぞれは、第１の実施の形態におけるものとそれぞれ同じものである。

第２の学習モデル４０１は、魚単体の複数の画像データに応じた、その画像データに含まれる魚の状態が正常であるかどうかについて機械学習を行って生成された学習モデルである。第２の学習モデル４０１は、情報処理装置３０１内に設けられていても良い。第２の学習モデル４０１は、例えば、複数のニューロンが相互に結合したニューラルネットワークの構造を有していても良い。第２の学習モデル４０１は、記憶部（不図示）に記憶されている。第２の学習モデル４０１における学習方法は、学習モデルを生成する一般的な方法、すなわちラベル付けされた正常な魚単体の画像と異常な魚単体の画像との両方の画像データを用いた教師あり学習と、例えばＹＯＬＯ（ＹｏｕＯｎｌｙＬｏｏｋＯｎｃｅ）やＳＳＤ（ＳｉｎｇｌｅＳｈｏｔＭｕｌｔｉＢｏｘＤｅｔｅｃｔｏｒ）等の一般的な物体検知手法とを用いて学習して学習モデルを生成する方法で良い。図７は、図６に示した第２の学習モデル４０１の入出力の一例を示す図である。図６に示した第２の学習モデル４０１は図７に示すように、画像データが入力されると特定データを出力する。特定データは、状態が異常である魚を特定するデータである。なお、第１の学習モデル４００と第２の学習モデル４０１とが物理的に一体化されていても良い。

図８は、図６に示した情報処理装置３０１に具備された構成要素の一例を示す図である。図６に示した情報処理装置３０１は図８に示すように、補正部３１０と、推定部３２０と、比較部３３０と、出力部３４１と、特定部３５１とを有する。補正部３１０、推定部３２０および比較部３３０それぞれは、第１の実施の形態におけるものとそれぞれ同じものである。なお、図８には、図６に示した情報処理装置３０１に具備された構成要素のうち、本形態に関わる主要な構成要素のみを示した。

特定部３５１は、推定部３２０が推定した確率が閾値を超えるものであるという比較の結果が比較部３３０から出力されてきた場合、カメラ２００が撮像した補正部３１０による補正が施されていない画像データに基づいて、第２の学習モデル４０１を用いて、状態が異常である魚を特定する。具体的には、特定部３５１は、カメラ２００が撮像した画像データを第２の学習モデル４０１に入力して、第２の学習モデル４０１から出力された特定データを取得する。特定部３５１は、取得した特定データを出力部３４１へ出力する。特定部３５１が第２の学習モデル４０１に入力する画像データは、カメラ２００が撮像した画像データであって、補正部３１０による補正が施されていない画像データである。この画像データは、カメラ２００内のメモリや情報処理装置３０１内のメモリ等に記憶されていても良く、特定部３５１によって取得される。

出力部３４１は、特定部３５１から出力されてきた、特定した魚に応じた情報を出力する。出力部３４１は、カメラ２００が撮像した画像データが示す画像に、特定部３５１が特定した魚を認識できるような表示を行っても良い。この場合、出力部３４１は、特定部３５１が特定した魚を所定の枠で囲む、色を変更する、マーキングを行う等の表示を行っても良い。本実施形態においては、特定部３５１を用いて特定した魚の情報を出力する機能を主として説明しているが、例えば、比較部３３０における比較の結果を出力部３４１が取得できるように、比較部３３０と出力部３４１とを接続することで、出力部３４１は、第１の実施の形態における出力部３４０と同様に、比較部３３０における比較の結果および比較の結果に付随する情報を出力することも可能である。なお、出力部３４１における情報の出力形態は、第１の実施の形態における出力部３４０と同じで良い。

以下に、図６に示した情報処理装置３０１における魚群行動解析方法について説明する。図９は、図６に示した情報処理装置３０１における魚群行動解析方法の一例を説明するためのフローチャートである。

まず、カメラ２００が水槽１００内の魚群１０を撮像し、カメラ２００が撮像した画像を示す画像データを情報処理装置３０１が取得する（ステップＳ１１）。この取得は、第１の実施の形態と同様に、カメラ２００から送信された画像データを情報処理装置３０１が受信することによる取得でも良い。すると、補正部３１０が、カメラ２００から取得した画像データの解像度を第１の解像度から第２の解像度へ補正する（ステップＳ１２）。続いて、推定部３２０が、補正部３１０が第２の解像度に補正した画像データを第１の学習モデル４００へ入力して第１の学習モデルから出力された確率を取得することで、魚群１０の状態が異常である確率を推定する（ステップＳ１３）。続いて、比較部３３０が、推定部３２０が推定した確率と、あらかじめ設定された閾値とを比較する（ステップＳ１４）。

推定部３２０が推定した確率が閾値を超える場合、特定部３５１は、カメラ２００が撮像した補正部３１０による補正が施されていない画像データに基づいて、第２の学習モデル４０１を用いて、状態が異常である魚を特定する（ステップＳ１５）。そして、出力部３４１は、特定部３５１が特定した魚に応じた情報を出力する（ステップＳ１６）。ここで出力される情報は、特定された魚を認識できる情報であれば良く、上述したようなカメラ２００が撮像した画像データが示す画像に、特定部３５１が特定した魚を認識できるような表示を施した情報でも良い。一方、ステップＳ１４にて推定部３２０が推定した確率が閾値以下である場合、ステップＳ１１の処理が行われる。

なお、図８に示した情報処理装置３０１は、特定部３５１に代えて、カメラ２００が撮像した画像データを他の装置へ送信する送信部（不図示）を具備しても良い。送信部（不図示）は、情報処理装置３０１の外部に設けられた特定部３５１へ情報を送信可能に構成される。具体的には、送信部は、推定部３２０が推定した確率が閾値を超えるものであるという比較の結果が比較部３３０から出力されてきた場合、カメラ２００が撮像した補正されていない画像データを他の装置へ送信する。他の装置は、カメラ２００が撮像した高解像度の画像データを表示する装置や、カメラ２００が撮像した高解像度の画像データに基づいて、状態が異常である魚を特定する処理を行う装置である。また、送信部は、比較部３３０から出力されてきた結果に寄らず、カメラ２００が撮像した画像データを外部に設けられた特定部３５１を具備する他の装置へ送信しても良い。

このように第２の実施の形態においては、情報処理装置３０１が、カメラ２００が撮像した魚群１０の画像の解像度を、撮像した画像の解像度（第１の解像度）よりも低い解像度（第２の解像度）へ補正し、補正した低い解像度の画像データに基づいて第１の学習モデル４００を用いて魚群１０の状態が異常である確率を推定する。画像解析の対象となる画像データの画素数が少ないものとなるため、水槽１００内の魚群１０の行動解析に用いる画像解析処理の負荷を低減させることができる。さらに、魚群１０の状態が異常である確率が所定の閾値を超える場合、情報処理装置３０１が、個々の魚の状態を判別しやすいカメラ２００が撮像した補正部３１０による補正が施されていない魚群１０の第１の解像度の画像データ２１に基づいて第２の学習モデル４０１を用いて状態が異常である魚を特定する。これにより、状態が異常である魚を特定しようとする際、魚群１０の状態が異常である場合のみ、状態が異常である魚を特定することになる。そのため、魚群が正常であるにもかかわらず異常な個体の魚を特定するための無駄な処理を行ってしまうことを回避し、異常な個体を効率良く特定し、状況把握を行うことができる。また、魚群１０の状態が異常である確率が所定の閾値を超える場合、カメラ２００が撮像した魚群１０の画像を情報処理装置３０１が他の装置へ送信すれば、海上等に設けられた情報処理装置３０１の処理能力が高スペックなものでなくても、対象となる画像の解析を行うためのデータを外部に設けられた特定部３５１を具備する他の装置へ提供することができる。したがって、異常な個体を効率良く特定し、状況把握を行うことができる。なお、第２の実施の形態においては、特定部３５１が第１の解像度の画像データ２１を用いて、個々の魚の状態を判別する構成を挙げて記載したが、これに限られない。例えば、魚群１０内における異常行動を起こしている個体の動作を、第２の解像度の画像データ２２からも判別できる場合には、第２の解像度の画像データを用いて、個々の魚の状態を判別する構成が含まれても良い。
（第３の実施の形態）

図１０は、本発明の魚群行動解析システムの第３の実施の形態における情報処理装置３０２に具備された構成要素の一例を示す図である。本形態の魚群行動解析システム１Ｃにおける情報処理装置３０２は、図１に示した第１の実施の形態における情報処理装置３００の位置に配置される。図１０に示すように、本形態における情報処理装置３０２は、補正部３１０と、推定部３２０と、比較部３３０と、カウンタ３６２と、出力部３４２とを有する。補正部３１０、推定部３２０および比較部３３０それぞれは、第１の実施の形態におけるものとそれぞれ同じものである。推定部３２０および比較部３３０は、上述した推定および比較を定期的に行う。推定および比較は、一定の周期に限らず、所定のタイミングで繰り返し行われても良い。なお、図１０には、情報処理装置３０２に具備された構成要素のうち、本形態に関わる主要な構成要素のみを示した。

カウンタ３６２は、比較部３３０が比較した結果が、推定部３２０が周期的に推定した確率が連続して閾値を超えるものである回数をカウントする。カウンタ３６２は、カウントした値を出力部３４２へ出力する。

出力部３４２は、カウンタ３６２から出力されてきた値があらかじめ設定された閾値を超えた場合、所定の警告を出力する。所定の警告とは、例えば、魚群１０の状態に異常がみられる旨を示す情報の表示や音声出力、印刷、他の装置への送信でも良いし、所定のランプの点灯や警報音の出力でも良い。この出力部３４２における出力は、情報処理装置３０２に内蔵されたディスプレイやスピーカを用いて行われても良いし、情報処理装置３０２に外付けされた周辺装置を用いて行われても良い。

以下に、図１０に示した情報処理装置３０２における魚群行動解析方法について説明する。図１１は、図１０に示した情報処理装置３０２における魚群行動解析方法の一例を説明するためのフローチャートである。

処理が開始される前に、カウンタ３６２は、カウント値をリセットする。カメラ２００が水槽１００内の魚群１０を撮像し、カメラ２００が撮像した画像を示す画像データを情報処理装置３０２が取得する（ステップＳ２１）。この取得は、第１の実施の形態と同様に、カメラ２００から送信された画像データを情報処理装置３０２が受信することによる取得でも良い。すると、補正部３１０が、カメラ２００から取得した画像データの解像度を第１の解像度から第２の解像度へ補正する（ステップＳ２２）。続いて、推定部３２０が、補正部３１０が第２の解像度に補正した画像データを第１の学習モデル４００へ入力して第１の学習モデル４００から出力された確率を取得することで、魚群１０の状態が異常である確率を推定する（ステップＳ２３）。続いて、比較部３３０が、推定部３２０が推定した確率と、あらかじめ設定された閾値とを比較する（ステップＳ２４）。

推定部３２０が推定した確率が閾値を超える場合、カウンタ３６２はカウント値を１増加させる（ステップＳ２５）。出力部３４２は、カウンタ３６２のカウント値が所定の閾値（ここでは「３」）を超えたどうかを判定する（ステップＳ２６）。カウンタ３６２のカウント値が「３」を超えた場合、出力部３４２は、魚群１０に異常が起きていると判定し、所定の警告を出力する（ステップＳ２７）。

一方、ステップＳ２４にて、推定部３２０が推定した確率が閾値を超えない場合、カウンタ３６２はカウント値をリセットする（ステップＳ２８）。このリセットにより、カウンタ３６２は、推定部３２０が推定した確率が連続して閾値を超えた回数のみをカウントすることになる。そして、ステップＳ２１の処理が行われる。また、ステップＳ２６にて、カウンタ３６２のカウント値が「３」を超えていない場合、ステップＳ２１の処理が行われる。

以上説明した例は、推定部３２０が推定した確率が閾値を超えるケースが連続して３回発生した場合に出力部３４２が警告を発する例である。これに限らず、所定の単位時間内に推定部３２０が推定した確率が閾値を超えるケースが所定の回数発生した場合や、推定部３２０が推定した確率が閾値を超えるケースが発生する時間間隔が所定の時間以下となった場合、または推定部３２０が推定した確率の所定に時間における平均値があらかじめ設定された平均値閾値を超えた場合、またはそれらを組み合わせた場合等に、出力部３４２が警告を発しても良い。

このように第３の実施の形態においては、情報処理装置３０２が、カメラ２００が撮像した魚群１０の画像の解像度を、撮像した画像の解像度（第１の解像度）よりも低い解像度（第２の解像度）へ補正し、補正した低い解像度の画像データに基づいて第１の学習モデル４００を用いて魚群１０の状態が異常である確率を所定のタイミングで推定する。この所定のタイミングとは、あらかじめ設定された周期ごとのタイミングでも良いし、あらかじめ決められた日時が示すタイミングでも良いし、推定が必要となった際に管理者等によって指定されたタイミングでも良い。画像解析の対象となる画像データの画素数が少ないものとなるため、行動解析に用いる画像解析処理の負荷を低減させることができる。さらに、推定した確率が閾値を連続して超えた場合、警告を出力する。これにより、例えば、ノイズ等の何らかの原因で推定した確率に誤りがある場合であっても、判定に保護を設けることで、誤報を防止することができる。
（第４の実施の形態）

図１２は、本発明の魚群行動解析システムの第４の実施の形態を示す図である。本形態における魚群行動解析システム１Ｄは図１２に示すように、水槽１００と、カメラ２００と、情報処理装置３０３と、第３の学習モデル４０３とを有する。水槽１００、カメラ２００および第１の学習モデル４００それぞれは、第１の実施の形態におけるものとそれぞれ同じものである。カメラ２００と情報処理装置３０３との間は、有線を用いて接続されていても良いし、無線を介して接続されていても良い。

第３の学習モデル４０３は、複数の画像データと環境情報と属性情報とに応じた診断情報を学習した学習モデルである。環境情報には、カメラ２００が設置されている水槽１００の位置を示す位置情報や、カメラ２００が設置されている水深位置などの設置情報、撮像時期および時刻、水槽１００内の水温、塩分濃度、ｐｈ、水槽１００内の水に含まれる溶存酸素量等の水質データなどの水質情報、気温等を示す情報が含まれる。属性情報には、水槽１００内の魚の年齢、投薬履歴、ワクチン接種履歴、最後の給餌からの経過時間、産地、人工種苗か天然由来かなどを示す魚群１０の情報が含まれる。診断情報には、魚の動きが異常である場合の魚の病状やその原因等を示す情報およびその病気が発生している確率を示す情報が含まれる。第３の学習モデル４０３は、この環境情報および属性情報に含まれる情報それぞれについて、あらかじめ取得した複数の画像データに含まれる正常な状態の魚群の画像および異常な状態の魚群の画像をすべて教師データとして使用して、診断情報を学習した学習モデルである。第３の学習モデル４０３は、情報処理装置３０３内に設けられていても良い。第３の学習モデル４０３は、例えば、複数のニューロンが相互に結合したニューラルネットワークの構造を有していても良い。ニューロンは、複数の入力に対して所定の演算を行い、演算結果として１つの値を出力する素子である。第３の学習モデル４０３は、記憶部（不図示）に記憶されている。第３の学習モデル４０３における学習方法は、環境情報および属性情報を前提条件としてケースごとに、画像情報を学習した方法を用いるもので良い。図１３は、図１２に示した第３の学習モデル４０３の入出力の一例を示す図である。図１２に示した第３の学習モデル４０３は図１３に示すように、補正部３１０が補正した画像データと環境情報と属性情報とが入力されると診断情報を出力する。この診断情報に含まれる確率データは、例えば、「Ａ」という病気が発生している確率を示すデータである。第３の学習モデル４０３は、複数の確率を示す確率データを出力しても良い。例えば、第３の学習モデル４０３は、「Ａ」という病気が発生している確率と、「Ｂ」という病気が発生している確率と、「Ｃ」という病気が発生している確率とを出力しても良い。

図１４は、図１２に示した情報処理装置３０３に具備された構成要素の一例を示す図である。図１２に示した情報処理装置３０３は図１４に示すように、補正部３１０と、推定部３２０と、比較部３３０と、出力部３４３と、情報取得部３７３と、診断推定部３８３と、診断比較部３９３とを有する。補正部３１０、推定部３２０および比較部３３０のそれぞれは、第１の実施の形態におけるものとそれぞれ同じものである。なお、図１４には、図１２に示した情報処理装置３０３に具備された構成要素のうち、本形態に関わる主要な構成要素のみを示した。

情報取得部３７３は、環境情報および属性情報を取得する。情報取得部３７３は、外部の装置から送信されてきた環境情報および属性情報を受信して取得しても良いし、情報処理装置３０３に具備された入力手段を用いて入力された環境情報および属性情報を取得しても良い。また、情報取得部３７３は、環境情報および属性情報があらかじめ記憶されているデータベースからこれらの情報を読み出して取得しても良い。情報取得部３７３における環境情報および属性情報の取得方法は、上述した方法に限らない。情報取得部３７３は、取得した環境情報および属性情報を診断推定部３８３へ出力する。

診断推定部３８３は、情報取得部３７３から出力されてきた環境情報および属性情報と、補正部３１０が補正した画像データとに基づいて、第３の学習モデル４０３を用いて診断情報を取得する。具体的には、診断推定部３８３は、情報取得部３７３から出力されてきた環境情報および属性情報と、補正部３１０が補正した画像データとを第３の学習モデル４０３に入力し、第３の学習モデル４０３から出力されてきた診断情報を取得する。診断推定部３８３は、取得した診断情報を診断比較部３９３へ出力する。なお、診断推定部３８３は、補正されていない画像データも用いて診断情報を取得しても良い。この場合、第３の学習モデル４０３は、補正部３１０が補正した学習データだけではなく、補正されていない画像データ、つまりカメラ２００が撮像した画像データも用いて診断情報を学習する。診断推定部３８３は、情報取得部３７３から出力されてきた環境情報および属性情報と、補正部３１０が補正した画像データと、カメラ２００が撮像した画像データとを第３の学習モデル４０３に入力し、第３の学習モデル４０３から出力されてきた診断情報を取得する。

診断比較部３９３は、診断推定部３８３から出力されてきた診断情報に含まれる確率データが示す確率と、あらかじめ設定された第２の閾値とを比較する。診断比較部３９３は、比較した結果を出力部３４３へ出力する。この閾値は、外部から設定・変更可能な値である。例えば、閾値が「５０％」と設定されている場合、診断推定部３８３から出力されてきた診断情報に含まれる確率データにおいて、病気「Ａ」が発生している確率が「６０％」であり、病気「Ｂ」が発生している確率が「４０％」であり、病気「Ｃ」が発生している確率が「２０％」であると、診断比較部３９３は、病気「Ａ」が発生している確率が「６０％」である旨を示す診断情報を出力部３４３へ出力する。また、閾値以下であるが閾値に近い確率を示す確率データが診断推定部３８３から出力されてきた場合、診断比較部３９３は、その閾値に近い確率データが含まれる診断情報を出力部３４３へ出力しても良い。

出力部３４３は、診断比較部３９３から出力されてきた診断情報を出力する。このとき出力部３４３は、例えば、病気「Ａ」が発生している確率が「６０％」である旨を示す診断情報を出力する。出力部３４３における診断情報の出力形態は、ディスプレイへの表示でも良いし、他の装置への送信、印刷、音声出力等でも良い。

以下に、図１２に示した情報処理装置３０３における魚群行動解析方法について説明する。図１５は、図１２に示した情報処理装置３０３における魚群行動解析方法の一例を説明するためのフローチャートである。

まず、カメラ２００が水槽１００内の魚群１０を撮像し、カメラ２００が撮像した画像を示す画像データを情報処理装置３０３が取得する（ステップＳ３１）。この取得は、上述したようにカメラ２００から送信された画像データを情報処理装置３０３が受信することによる取得でも良い。すると、補正部３１０が、カメラ２００から取得した画像データの解像度を第１の解像度から第２の解像度へ補正する（ステップＳ３２）。続いて、推定部３２０が、補正部３１０が第２の解像度に補正した画像データを第１の学習モデル４００へ入力して第１の学習モデル４００から出力された確率データを取得することで、魚群１０の状態が異常である確率を推定する（ステップＳ３３）。続いて、比較部３３０が、推定部３２０が推定した確率と、あらかじめ設定された閾値とを比較する（ステップＳ３４）。推定部３２０が推定した確率が閾値を超える場合、診断推定部３８３は、情報取得部３７３から出力されてきた環境情報および属性情報と、補正部３１０が補正した画像データとを診断情報学習モデル４２０に入力し、診断推定を行う（ステップＳ３５）。ここで、診断推定部３８３は、情報取得部３７３から出力されてきた環境情報および属性情報と、補正部３１０が補正した画像データとを診断情報学習モデル４２０に入力することで、第３の学習モデル４０３から出力されてきた診断情報を取得する。続いて、診断比較部３９３は、診断推定部３８３から出力されてきた診断情報に含まれる確率データが示す確率と、あらかじめ設定された閾値とを比較する（ステップＳ３６）。診断推定部３８３から出力されてきた診断情報に含まれる確率データが示す確率が、あらかじめ設定された閾値を超える場合、出力部３４４は、診断比較部３９３から出力されてきた確率データ、例えば、病気「Ａ」が発生している確率が「６０％」である旨を示す診断情報を出力する（ステップＳ３７）。

このように第４の実施の形態においては、情報処理装置３０３が、カメラ２００が撮像した魚群１０の画像の解像度を、撮像した画像の解像度（第１の解像度）よりも低い解像度（第２の解像度）へ補正し、補正した低い解像度の画像データに基づいて第１の学習モデル４００を用いて魚群１０の状態が異常である確率を推定する。推定された確率が閾値を超える場合、さらに情報処理装置３０３が、補正した低い解像度の画像データと現在の測定環境を示す環境情報と魚の属性情報とに基づいて第３の学習モデル４０３を用いて魚群１０の診断情報を取得する。画像解析の対象となる画像データの画素数が少ないものとなるため、行動解析に用いる画像解析処理の負荷を低減させることができる。さらに、環境および魚群１０の状態に応じた最適な診断内容を取得することができる。

なお、第２の実施の形態に第４の実施の形態に適用し、異常な状態の魚を特定した後に、その魚の画像データについて診断情報を取得するものでも良い。つまり、第２の実施の形態における特定部３５１が、状態が異常な魚を特定した後、その魚の画像データについて第４の実施の形態における診断推定部３８３が第３の学習モデル４０３から診断情報を取得しても良い。例えば、魚が水槽１００の底面に体をこすりつけるような動きが見られる画像データを用いて、その魚が罹患している可能性の高い病気が診断情報として取得されても良い。なお、この場合に、魚を特定する必要があれば、第３の学習モデル４０３に、上述した魚群の診断情報に加えて、個体の診断情報を予め格納しておくことは言うまでもない。また、情報処理装置３０３が、推定部３２０および比較部３３０を具備しないものでも良い。この場合、情報処理装置３０３は、上述したステップＳ３３～Ｓ３４の処理を行わない。

以上、各構成要素に各機能（処理）それぞれを分担させて説明したが、この割り当ては上述したものに限定しない。また、構成要素の構成についても、上述した形態はあくまでも例であって、これに限定しない。また、上述した各実施の形態を任意の組み合わせで組み合わせても良い。

上述した情報処理装置３００～３０３それぞれが行う処理は、目的に応じてそれぞれ作製された論理回路で行うようにしても良い。情報処理装置３００～３０３としては、ＰＬＣ（ＰｒｏｇｒａｍｍａｂｌｅＬｏｇｉｃＣｏｎｔｒｏｌｌｅｒ）等を用いても良い。また、処理内容を手順として記述したコンピュータプログラム（以下、プログラムと称する）を情報処理装置３００～３０４それぞれにて読取可能な記録媒体に記録し、この記録媒体に記録されたプログラムを情報処理装置３００～３０３それぞれに読み込ませ、実行するものであっても良い。情報処理装置３００～３０３それぞれにて読取可能な記録媒体とは、フロッピー（登録商標）ディスク、光磁気ディスク、ＤＶＤ（ＤｉｇｉｔａｌＶｅｒｓａｔｉｌｅＤｉｓｃ）、ＣＤ（ＣｏｍｐａｃｔＤｉｓｃ）、Ｂｌｕ－ｒａｙ（登録商標）Ｄｉｓｃ、ＵＳＢ（ＵｎｉｖｅｒｓａｌＳｅｒｉａｌＢｕｓ）メモリ、ＳＤカードなどの移設可能な記録媒体の他、情報処理装置３００～３０３それぞれに内蔵されたＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）等のメモリやＨＤＤ（ＨａｒｄＤｉｓｃＤｒｉｖｅ）等を指す。この記録媒体に記録されたプログラムは、情報処理装置３００～３０３それぞれに設けられたＣＰＵにて読み込まれ、ＣＰＵの制御によって、上述したものと同様の処理が行われる。ここで、ＣＰＵは、プログラムが記録された記録媒体から読み込まれたプログラムを実行するコンピュータとして動作するものである。

１Ａ，１Ｂ，１Ｃ，１Ｄ魚群行動解析システム
１０，１０Ａ魚群
２０画角
２１第１の解像度の画像データ
２２第２の解像度の画像データ
１００水槽
２００カメラ
３００～３０３情報処理装置
３１０補正部
３２０推定部
３３０比較部
３４０～３４３出力部
３５１特定部
３６２カウンタ
３７３情報取得部
３８３診断推定部
３９３診断比較部
４００第１の学習モデル
４０１第２の学習モデル
４０３第３の学習モデル

Claims

生簀内または水槽内の魚群の状態を第１の解像度で撮像する撮像部と、
前記撮像部が撮像した画像データの解像度を、前記第１の解像度よりも低い第２の解像度へ補正する補正部と、
前記補正部が前記第２の解像度に補正した画像データに基づいて、魚群の状態が正常であるか異常であるかをあらかじめ学習した第１の学習モデルを用いて、前記撮像部で新たに撮像され、前記補正部で前記第２の解像度に補正された画像データに基づいて、前記魚群の状態が異常である確率を推定する推定部と、
前記推定部が推定した確率と第１の閾値とを比較する比較部と、
前記比較部における比較の結果を出力する出力部とを有する魚群行動解析システム。
請求項１に記載の魚群行動解析システムにおいて、
前記推定部は、定期的に前記確率を推定し、
前記出力部は、前記比較部が比較した結果が、前記推定部が定期的に推定した確率が前記第１の閾値を超えるものとなる場合が所定の回数連続した場合、または、所定の単位時間内に前記推定部が推定した確率が前記第１の閾値を超えるものとなる場合が所定の回数発生した場合、または、前記推定部が推定した確率が前記第１の閾値を超えるものとなる場合が発生する時間間隔が所定の時間以下となった場合、または、前記推定部が推定した確率の所定に時間における平均値が平均値閾値を超えた場合、所定の警告を出力する魚群行動解析システム。
請求項１または請求項２に記載の魚群行動解析システムにおいて、
前記撮像部が撮像した画像データは、前記魚群に含まれる複数の個体が解析可能に撮像されている画像データである魚群行動解析システム。
請求項１または請求項２に記載の魚群行動解析システムにおいて、
前記第２の解像度は、３００×３００（ピクセル）以下である魚群行動解析システム。
請求項１または請求項２に記載の魚群行動解析システムにおいて、
前記撮像部は、前記生簀または前記水槽の底面側から上方へ向かって撮像できる位置に配置されている魚群行動解析システム。
請求項１または請求項２に記載の魚群行動解析システムにおいて、
前記魚群に含まれる魚の種類は、集団を形成し、群泳する性質を有する魚類である魚群行動解析システム。
請求項１または請求項２に記載の魚群行動解析システムにおいて、
前記補正部が前記第２の解像度に補正した画像データと、環境情報と、前記魚群の属性情報とに基づいて、前記魚群の診断情報をあらかじめ学習した第３の学習モデルを用いて、前記診断情報を取得して前記魚群の病気が発生している確率を推定する診断推定部と、
前記診断推定部が推定した確率と第２の閾値とを比較する診断比較部とを有し、
前記出力部は、前記診断比較部における比較の結果を出力する魚群行動解析システム。
請求項７に記載の魚群行動解析システムにおいて、
前記出力部は、前記診断比較部における比較の結果、前記診断推定部が推定した確率が前記第２の閾値を超える場合、前記診断推定部が取得した診断情報を出力する魚群行動解析システム。
生簀内または水槽内の魚群の状態を第１の解像度で撮像する撮像部が撮像した画像データの解像度を、前記第１の解像度よりも低い第２の解像度へ補正する補正部と、
前記補正部が前記第２の解像度に補正した画像データに基づいて、魚群の状態が正常であるか異常であるかをあらかじめ学習した第１の学習モデルを用いて、前記撮像部で新たに撮像され、前記補正部で前記第２の解像度に補正された画像データに基づいて、前記魚群の状態が異常である確率を推定する推定部と、
前記推定部が推定した確率と第１の閾値とを比較する比較部と、
前記比較部における比較の結果を出力する出力部とを有する情報処理装置。
生簀内または水槽内の魚群の状態を第１の解像度で撮像する撮像部が撮像した画像データの解像度を、前記第１の解像度よりも低い第２の解像度へ補正する処理と、
前記第２の解像度に補正した画像データに基づいて、魚群の状態が正常であるか異常であるかをあらかじめ学習した第１の学習モデルを用いて、前記撮像部で新たに撮像され、前記第２の解像度に補正された画像データに基づいて、前記魚群の状態が異常である確率を推定する処理と、
前記推定した確率と第１の閾値とを比較する処理と、
前記比較の結果を出力する処理とを行う魚群行動解析方法。
コンピュータに、
生簀内または水槽内の魚群の状態を第１の解像度で撮像する撮像部が撮像した画像データの解像度を、前記第１の解像度よりも低い第２の解像度へ補正する手順と、
前記第２の解像度に補正した画像データに基づいて、魚群の状態が正常であるか異常であるかをあらかじめ学習した第１の学習モデルを用いて、前記撮像部で新たに撮像され、前記第２の解像度に補正された画像データに基づいて、前記魚群の状態が異常である確率を推定する手順と、
前記推定した確率と第１の閾値とを比較する手順と、
前記比較の結果を出力する手順とを実行させるためのプログラム。