JP7481691B2

JP7481691B2 - 品質評価装置、教師データの作成方法、品質評価処理プログラムおよび品質評価方法

Info

Publication number: JP7481691B2
Application number: JP2020065309A
Authority: JP
Inventors: 健一郎水野; 真若野; 倫哉村上; 崇裕永井; 英之高辻
Original assignee: Hiroshima Prefecture
Current assignee: Hiroshima Prefecture
Priority date: 2020-03-31
Filing date: 2020-03-31
Publication date: 2024-05-13
Anticipated expiration: 2040-03-31
Also published as: JP2021163278A

Description

本発明は、品質評価装置、教師データ、品質評価処理プログラムおよび品質評価方法に関する。

従来から、貝類の貝殻を破壊することなく、貝類の品質を評価する技術が研究開発されている。なお、「貝類の貝殻を破壊することなく」との概念の中には、例えば２つの貝殻が閉じた状態の二枚貝の貝殻を作業員が開けて、二枚貝を開口させることも含まれる。例えば、特許文献１には、貝類にＸ線を照射することにより貝類の質量または形状を推定し、推定した貝類の質量または形状が異常であると判定した場合に、検査対象となった貝類を不良品として振り分けるＸ線検査装置が開示されている。

特開２０１０－１４５１３５号公報（２０１０年７月１日公開）

特許文献１のＸ線検査装置では、貝類が不良品か否かを振り分ける際の判断指標が貝類の質量または形状のいずれか一方である。貝類の質量だけ、あるいは貝類の形状だけを推定した場合、検査対象となった貝類がどの成長群に属するのかを判定するのには有効であるものの、当該貝類が不良品であるか否かを精度高く振り分ける点では有効とまでは言えない。そのため、特許文献１のＸ線検査装置には、貝類が不良品であるか否かを精度高く振り分ける点においてなお不十分であるという問題点があった。

本発明の一態様は前記の問題点に鑑みてなされたものであり、その目的は、貝類の貝殻を破壊することなく、貝類の品質を精度高く評価することにある。

前記の課題を解決するために、本発明の一態様に係る品質評価装置は、貝類の身入りの程度により前記貝類の品質を評価する品質評価装置であって、前記貝類のＸ線画像を取得して当該Ｘ線画像を解析することにより、前記貝類の身入りの程度を示す第１画像パラメータを複数種類取得する画像パラメータ取得部と、前記画像パラメータ取得部が取得した複数種類の前記第１画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出部と、前記スコア算出部が算出した前記スコアに基づいて前記貝類の品質を評価する品質評価部と、を備えている。

貝類の品質を精度高く評価できる指標としては、一般的に貝類の身入りの程度が知られている。その点前記構成によれば、品質評価装置は、貝類のＸ線画像を解析して取得した第１画像パラメータを所定の推定式に代入し、算出して得た品質情報のスコアに基づいて貝類の品質を評価する。品質情報は貝類の身入りの程度を示す指標であることから、品質評価装置は、貝類の貝殻を破壊することなく、貝類の品質をスコアに基づいて精度高く評価することができる。

前記の課題を解決するために、本発明の一態様に係る品質評価装置は、前記スコア算出部は、１つの前記Ｘ線画像から取得される複数種類の前記第１画像パラメータと前記品質情報の実測値とを１つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、複数種類の前記第１画像パラメータごとに、前記単位空間サンプルの前記第１画像パラメータの平均値である第１平均値を算出して、対応する前記信号サンプルの前記第１画像パラメータのそれぞれから前記第１平均値を差し引くことで基準化第１画像パラメータを算出し、前記単位空間サンプルの前記実測値の平均値である第２平均値を算出して、対応する前記信号サンプルの前記実測値のそれぞれから前記第２平均値を差し引くことで基準化実測値を算出し、前記基準化第１画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第１画像パラメータの比例定数と、ＳＮ比とを算出し、複数種類の前記第１画像パラメータごとの前記比例定数および前記ＳＮ比を用いて、前記所定の推定式を生成してもよい。

前記構成によれば、スコア算出部は、単位空間サンプルおよび信号サンプルを用いて算出された基準化第１画像パラメータおよび基準化実測値に基づいて、所定の推定式を生成する。そのため、品質評価の対象となった貝類のＸ線画像から取得された複数種類の第１画像パラメータのいずれかに、特殊要因による異常値があったとしても、当該異常値がスコアに及ぼす影響を低減することができる。よって品質評価装置は、品質評価の対象となった貝類の特有の事情にあまり左右されず安定的にスコアを算出できることから、貝類の貝殻を破壊することなく、貝類の品質をより精度高く評価することができる。

前記の課題を解決するために、本発明の一態様に係る品質評価装置は、前記スコア算出部は、前記画像パラメータ取得部が取得した複数種類の前記第１画像パラメータを前記所定の推定式に代入することにより、前記品質情報の推定値を算出し、不良品と評価した前記貝類に関する前記品質情報の実測値の分布と前記推定値とのマハラノビス距離を、前記スコアとして算出し、前記品質評価部は、前記マハラノビス距離と閾値とを比較することにより、前記貝類の品質を評価してもよい。

前記構成によれば、品質評価装置は、スコアとしてのマハラノビス距離と閾値とを比較することにより、貝類の貝殻を破壊することなく、貝類の品質をより精度高く評価することができる。

前記の課題を解決するために、本発明の一態様に係る品質評価装置は、前記画像パラメータサンプルを用いて、複数種類の前記第１画像パラメータごとに、前記所定の推定式から算出された前記推定値が前記基準化実測値にどの程度近似しているかを示す推定式精度に関する第１要因効果を算出する要因効果算出部をさらに備え、前記スコア算出部は、前記要因効果算出部が算出した前記第１要因効果を用いて、前記所定の推定式を再生成してもよい。

前記構成によれば、複数種類の第１画像パラメータごとの第１要因効果に基づいて、どの第１画像パラメータが推定式精度にどの程度の影響を及ぼすかを見極めることができる。そのため品質評価装置は、推定式精度を高める方向に良い影響を及ぼす第１画像パラメータを選択し、選択した第１画像パラメータを含む画像パラメータサンプルを用いて所定の推定式を再生成することにより、推定式精度を高めることができる。よって品質評価装置は、貝類の貝殻を破壊することなく、貝類の品質をより精度高く評価することができる。

前記の課題を解決するために、本発明の一態様に係る品質評価装置は、前記要因効果算出部は、前記Ｘ線画像の処理および解析に関連する複数種類の第２画像パラメータごとに、前記推定式精度に関する第２要因効果を算出し、前記画像パラメータ取得部は、前記要因効果算出部が算出した前記第２要因効果を用いて、前記複数種類の第２画像パラメータの少なくともいずれか１つを再設定してもよい。

前記構成によれば、複数種類の第２画像パラメータごとの第２要因効果に基づいて、どの第２画像パラメータが推定式精度にどの程度の影響を及ぼすかを見極めることができる。そのため品質評価装置は、第２要因効果を用いて推定式精度を高める方向に良い影響を及ぼす第２画像パラメータを再設定した上で、Ｘ線画像の処理および解析を行うことにより、推定式精度を高めることができる。よって品質評価装置は、貝類の貝殻を破壊することなく、貝類の品質をより精度高く評価することができる。

前記の課題を解決するために、本発明の一態様に係る品質評価装置は、前記スコア算出部は、前記画像パラメータサンプルの複数の前記データセットを教師データとした機械学習により生成された学習済みモデルを用いて、前記画像パラメータ取得部から取得した複数種類の前記第１画像パラメータの中から、前記画像パラメータサンプルを構成する前記第１画像パラメータを選択し、選択した前記第１画像パラメータで構成される前記画像パラメータサンプルを用いて、前記所定の推定式を再生成してもよい。

前記構成によれば、スコア算出部は、学習済みモデルを用いることにより、推定式精度を高める方向に良い影響を及ぼす第１画像パラメータを、画像パラメータサンプルを構成する第１画像パラメータとして選択することができる。そのため品質評価装置は、推定式精度を高める方向に良い影響を及ぼす第１画像パラメータで構成された画像パラメータサンプルを用いて所定の推定式を再生成することで、推定式精度を高めることができる。よって品質評価装置は、貝類の貝殻を破壊することなく、貝類の品質をより精度高く評価することができる。

前記の課題を解決するために、本発明の一態様に係る品質評価装置は、前記貝類は、牡蠣であってもよい。前記構成によれば、品質評価装置は、牡蠣の殻を破壊することなく、牡蠣の品質を精度高く評価することができる。

前記の課題を解決するために、本発明の一態様に係る教師データは、貝類のＸ線画像を解析することにより、前記貝類の身入りの程度を示す第１画像パラメータを複数種類取得する画像パラメータ取得部と、前記画像パラメータ取得部が取得した複数種類の前記第１画像パラメータに基づいて所定の推定式を生成するスコア算出部と、を備えた、前記貝類の身入りの程度により前記貝類の品質を評価することを機械学習する品質評価装置に適用される、学習済みモデルを生成するための教師データであって、前記スコア算出部が前記所定の推定式を生成する処理に用いられる、１つの前記Ｘ線画像から取得される複数種類の前記第１画像パラメータと、前記貝類の身入りの程度の指標となる品質情報の実測値と、を１つのデータセットとした複数の前記データセットのそれぞれに含まれる、複数種類の前記第１画像パラメータと、前記実測値と、を含み、特定の前記第１画像パラメータを前記学習済みモデルに入力することにより、当該特定の前記第１画像パラメータが、前記所定の推定式から算出された前記品質情報の推定値が基準化した前記実測値にどの程度近似しているかを示す推定式精度に及ぼす影響の程度を出力する処理に用いられる。前記構成によれば、本発明の一態様に係る品質評価装置と同様の効果を奏する教師データを実現することができる。

前記の課題を解決するために、本発明の一態様に係る推定式生成装置は、貝類の身入りの程度により貝類の品質を評価する所定の推定式を生成する推定式生成装置であって、前記貝類のＸ線画像を取得して当該Ｘ線画像を解析することにより、前記貝類の身入りの程度を示す第１画像パラメータを複数種類取得する画像パラメータ取得部と、１つのＸ線画像から前記画像パラメータ取得部が取得する複数種類の前記第１画像パラメータと前記品質情報の実測値とを１つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、複数種類の前記第１画像パラメータごとに、前記単位空間サンプルの前記第１画像パラメータの平均値である第１平均値を算出し、対応する前記信号サンプルの前記第１画像パラメータのそれぞれから前記第１平均値を差し引くことで基準化第１画像パラメータを算出し、前記基準化第１画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第１画像パラメータの比例定数と、ＳＮ比とを算出し、複数種類の前記第１画像パラメータごとの前記比例定数および前記ＳＮ比を用いて、前記所定の推定式を生成する推定式生成部と、を備えている。前記構成によれば、本発明の一態様に係る品質評価装置と同様の効果を奏する推定式生成装置を実現することができる。

前記の課題を解決するために、本発明の一態様に係る品質評価方法は、貝類の身入りの程度により前記貝類の品質を評価する品質評価装置により実行される品質評価方法であって、前記貝類のＸ線画像を取得して当該Ｘ線画像を解析することにより、前記貝類の身入りの程度を示す第１画像パラメータを複数種類取得する画像パラメータ取得ステップと、前記画像パラメータ取得ステップにて取得した複数種類の前記第１画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出ステップと、前記スコア算出ステップにて算出した前記スコアに基づいて前記貝類の品質を評価する品質評価ステップと、を含んでいる。前記構成によれば、本発明の一態様に係る品質評価装置と同様の効果を奏する品質評価方法を実現することができる。

本発明の各態様に係る品質評価装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記品質評価装置が備える各部（ソフトウェア要素）として動作させることにより前記品質評価装置をコンピュータにて実現させる品質評価装置の品質評価処理プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

本発明の一態様によれば、貝類のＸ線画像を用いて貝類の身入りの程度を推定することにより、貝類の貝殻を破壊することなく、貝類の品質を精度高く評価することができる。

本発明の実施形態１および２に係る情報処理装置の要部構成を示すブロック図である。本発明の実施形態１に係る品質評価装置による品質評価処理の流れの一例を示すフローチャートである。牡蠣のＸ線画像における対象領域の一例である。ＴＷＷ実測値－ＢＤＷ実測値の分布を示すグラフの一例である。マハラノビス距離と比較する閾値を設定するために用いるグラフの一例である。前記品質評価装置による推定式の生成・再生成処理の流れの一例を示すフローチャートである。ＴＷＷ推定式精度に関する第１要因効果図の一例を示すグラフである。前段処理パラメータに関する第２要因効果図の一例を示すグラフである。本発明の実施例における、各生育場で収集した牡蠣のサンプルごとの、目視による品質評価の結果を示すグラフである。前記の実施例における、牡蠣のＴＷＷと牡蠣の殻の形状との関係を示すグラフである。前記の実施例における、牡蠣のＴＷＷと牡蠣の可食部のＢＤＷとの関係を示すグラフである。前記の実施例における、各品質群とマハラノビス距離との関係を示すグラフである。前記の実施例における、ＴＷＷ推定値とＢＤＷ実測値との関係を示すグラフである。

〔実施形態１〕
以下、図１～図８を用いて本発明の実施形態１について説明する。説明の便宜上、実施形態１にて説明した部材と同じ機能を有する部材については、後掲の実施形態２では、同じ符号を付記し、その説明を繰り返さない。

＜情報処理装置１００等の概要＞
図１を用いて、実施形態１に係る情報処理装置１００等の概要を説明する。情報処理装置１００は、各種情報を処理するとともに貝類の品質評価が可能な装置である。情報処理装置１００および後掲の情報処理装置２００による品質評価の対象となる貝類の種類は、特に限定されない。一例として、栄螺、鮑、常節などの巻貝を挙げることができる。なお、前記品質評価の対象となる貝類としては、帆立貝、浅利、阿古屋貝などの二枚貝であることが好ましく、同じく二枚貝の牡蠣であることがより好ましい。実施形態１および後掲の実施形態２では、前記品質評価の対象となる貝類として、牡蠣（不図示）を例に挙げて説明する。

情報処理装置１００は例えば、タブレット端末など可搬型の情報処理装置であってもよいし、デスクトップＰＣ（Personal Computer）など据え置き型の情報処理装置であってもよい。実施形態１および後掲の実施形態２では、情報処理装置１００・２００がタブレット端末であるものとして説明する。

情報処理装置１００は、図１に示すように、表示装置１と記憶装置４と制御装置５とを備えている。表示装置１は、実施形態１および後掲の実施形態２ではタッチパネルであり、入力部２と表示部３とが一体化されて設けられている。入力部２は、ユーザ操作を受け付ける、例えば公知のタッチセンサである。ここで、本明細書における「ユーザ」とは、情報処理装置１００および後掲の情報処理装置２００を用いて牡蠣の品質評価を行う作業者を指す。表示部３は、例えば液晶パネルであり、表示画面に各種画像および貝類の品質評価の結果等を表示する。なお、入力部２と表示部３とが別体として設けられてもよい。

記憶装置４には、情報処理装置１００が動作するのに必要な各種のプログラムおよびデータが記憶されている。また、ユーザは、記憶装置４に各種のデータ等を記憶させることができる。制御装置５は、情報処理装置１００に備えられた各装置および各部を統括的に制御するものである。

制御装置５は、品質評価装置１０を有している。品質評価装置１０は、品質評価の対象となった牡蠣の身入りの程度により、当該牡蠣の品質を評価する装置である。以下、品質評価の対象となった牡蠣を単に「牡蠣」とも称する。以下、本明細書における「牡蠣」は、特段の説明がない限り殻が付いたままの牡蠣のことを指すものとする。

「身入りの程度」とは、牡蠣の軟体部（可食部）の状態を総合的に表す指標である。本明細書では身入りの程度を「身入り度」と称し、軟体部の全体に対する外観が透明な部分の割合に応じて、どの程度の身入り度かが特定されるものとする。また、本明細書では、身入り度が高い牡蠣の品質を「良品」で表し、身入り度が中程度の牡蠣の品質を「通常品」で表し、身入り度が低い牡蠣の品質を「不良品」で表す。

良品と通常品との境界および通常品と不良品との境界は、ユーザが任意に設定することができる。実施形態１および後掲の実施形態２では、牡蠣の収穫時期（１０月～４月）でも「軟体部の全体およびほとんどが透明」な牡蠣を、身入り度が低い牡蠣つまり不良品とする。また、「外套膜の一部が透明」な牡蠣を、身入り度が中程度の牡蠣つまり通常品とする。「外套膜」は、軟体部に含まれる部位である。さらに、「外套膜が透明でなく、白く肥厚している」牡蠣を、身入り度が高い牡蠣つまり良品とする。

品質評価装置１０は、画像パラメータ取得部１１とスコア算出部１２と品質評価部１３と要因効果算出部１４とを有している。画像パラメータ取得部１１、スコア算出部１２、品質評価部１３および要因効果算出部１４の各機能・各動作の詳細については後述する。なお、品質評価装置１０は、制御装置５と別体で情報処理装置１００に内蔵されていてもよいし、情報処理装置１００と別体であってもよい。あるいは、品質評価装置１０自体が表示装置１と記憶装置４と制御装置５を備えていてもよい。

また、情報処理装置１００は、図１に示すＸ線画像生成装置６との間で無線通信等を行うことにより、牡蠣のＸ線画像（図３参照）を取得する。Ｘ線画像生成装置６は、牡蠣のＸ線画像を生成する公知の装置であり、ベルトコンベア、Ｘ線照射部およびＸ線検出部（いずれも不図示）を備えている。Ｘ線画像生成装置６は、ベルトコンベアに牡蠣を載置した状態で当該ベルトコンベアを駆動することにより、牡蠣がＸ線照射部の直下を通過するようにする。次にＸ線画像生成装置６は、牡蠣がＸ線照射部の直下まで移動した時点で、Ｘ線照射部が牡蠣にＸ線を照射する。次にＸ線画像生成装置６は、Ｘ線検出部が、Ｘ線照射部から照射されて牡蠣を透過したＸ線を検出することにより、牡蠣のＸ線画像を生成する。

＜品質評価装置１０による品質評価処理の流れ＞
図２～図５を用いて、品質評価装置１０による品質評価処理の流れの一例について説明する。はじめに、画像パラメータ取得部１１は、Ｘ線画像生成装置６から牡蠣のＸ線画像を取得する（Ｓ１０１）。次に、画像パラメータ取得部１１は、複数種類の前段処理パラメータ（第２画像パラメータ）を設定する（Ｓ１０２）。

前段処理パラメータは、画像パラメータ取得部１１が取得したＸ線画像の処理および解析に関連する画像パラメータであり、後述の画像特徴パラメータセットを取得するための前段処理に用いられる。前段処理パラメータは、品質評価装置１０の設計者またはユーザが任意に設定することができる。

実施形態１および後掲の実施形態２では、前段処理パラメータとして、「質量変換」、「処理画像」、「数値化領域」、「数値化領域変化量」、「輝度演算強度」、「共線性処理強度」、「輝度頻度処理範囲」および「輝度基準化処理」のそれぞれを、下記の表１のように第１～第３パターンのいずれかに設定する。画像パラメータ取得部１１は、第１～第３パターンのうちで設定したパターンの前段処理パラメータを要因効果算出部１４に出力する。

次に画像パラメータ取得部１１は、取得したＸ線画像を解析することにより、画像特徴パラメータセットを取得する。具体的には画像パラメータ取得部１１は、Ｘ線画像のサイズを、画像特徴パラメータセットを取得するのに適したサイズに調整する（Ｓ１０３）。次に画像パラメータ取得部１１は、Ｘ線画像中の牡蠣以外の物質の画像部分をノイズとして排除した上で、Ｘ線画像の中から牡蠣を示す対象領域を特定する（Ｓ１０４）。Ｘ線画像中の対象領域としては、例えば図３で示すようになる。

次に画像パラメータ取得部１１は、対象領域からＸ線画像の特徴を示す画像パラメータを複数種類抽出して数値化することにより、複数種類の数値化された画像パラメータで構成される基礎パラメータセットを取得する（Ｓ１０５）。以下、数値化された画像パラメータを「基礎パラメータ」と称する。

次に画像パラメータ取得部１１は、基礎パラメータセットの中から、特定の基礎パラメータを画像特徴パラメータ（第１画像パラメータ）として抽出することにより、複数種類の画像特徴パラメータで構成される画像特徴パラメータセットを取得する（Ｓ１０６；画像パラメータ取得ステップ）。そして、画像パラメータ取得部１１は、取得した画像特徴パラメータセットをスコア算出部１２に出力する。

画像特徴パラメータは、牡蠣の身入り度の指標となる画像統計値であり、種類に応じて身入り度を示す度合いが異なる。どの種類の基礎パラメータを画像特徴パラメータとするかは、要因効果算出部１４による後述の第１要因効果の算出結果に応じて、画像パラメータ取得部１１が選択する。

実施形態１および後掲の実施形態２では、Ｓ１０６の処理の時点で、画像特徴パラメータとして下記の表２に挙げられた２４項目の画像パラメータが抽出される。ここで、下記の表２における２４番目の項目「ｈｉｓｔｏｇｒａｍ」は、具体的にはＸ線画像における０～２５５階調の輝度分布であり、２５６項目のパラメータを含んでいる。したがって、下記の表２に挙げられた２４項目の画像パラメータは、言い換えれば２３項目＋２５６項目の画像パラメータとも表現できる。なお、これら２４項目の画像パラメータの中から２種類以上の画像パラメータを組み合わせて、新たな画像特徴パラメータとしてもよい。以下の説明では、「複数種類の画像特徴パラメータ」は前記２４項目の画像特徴パラメータを指すものとする。

なお、要因効果算出部１４による第１要因効果の算出結果に応じて、あるいは要因効果算出部１４による第１要因効果の算出結果に拘らず、品質評価装置１０の設計者またはユーザが、画像特徴パラメータとする基礎パラメータを任意に選択してもよい。

次に、スコア算出部１２は、当該スコア算出部１２に内蔵された不図示のメモリから所定の推定式を呼び出す。以下、所定の推定式を単に「推定式」と称する。なお、推定式は、前記のメモリではなく例えば記憶装置４に格納されていてもよい。そしてスコア算出部１２は、画像特徴パラメータセットを構成する複数種類の画像特徴パラメータを基準化し、基準化した画像特徴パラメータを推定式に代入することにより、品質情報の推定値を算出する（Ｓ１０７）。画像特徴パラメータの基準化については後述する。

推定式は、スコア算出部１２によって生成・再生成される。生成・再生成された推定式は、前記のメモリあるいは記憶装置４に一旦格納される。スコア算出部１２による推定式の生成・再生成の詳細については後述する。なお、推定式はスコア算出部１２によって生成・再生成されなくてもよい。この場合、例えば情報処理装置１００と別体のサーバ（不図示）が推定式の生成・再生を実行し、スコア算出部１２がサーバから最新の推定式を呼び出すことで、品質情報の推定値を算出してもよい。また例えば、予め生成された（かつ再生成されない）推定式を記憶装置４あるいはスコア算出部１２の不図示のメモリに格納しておき、スコア算出部１２が当該推定式を呼び出すことで、品質情報の推定値を算出してもよい。

品質情報は、牡蠣の身入り度の指標となる、牡蠣の特性を示す情報である。牡蠣の特性を示す複数種類の情報の中からどの情報を品質情報とするかについては、品質評価装置１０の設計者またはユーザが任意に決定することができる。実施形態１および後掲の実施形態２では、下記の表３に示す「全湿質量」および「乾燥質量」が品質情報となる。以下、下記の表３に倣って、全湿質量をＴＷＷと称し、乾燥質量をＢＤＷと称する。

以下、ＴＷＷの推定値を「ＴＷＷ推定値Ｔ」と称し、ＢＤＷの推定値を「ＢＤＷ推定値Ｂ」と称する。また、ＴＷＷ推定値Ｔの算出に用いられる推定式を「ＴＷＷ推定式」と称し、ＢＤＷ推定値Ｂの算出に用いられる推定式を「ＢＤＷ推定式」と称する。実施形態１および後掲の実施形態２では、スコア算出部１２は、１つの画像特徴パラメータセットを用いてＴＷＷ推定値ＴおよびＢＤＷ推定値Ｂの両方を算出する。

次にスコア算出部１２は、従前の品質評価で不良品と評価した複数の牡蠣について、それらのＴＷＷの実測値およびＢＤＷの実測値を記憶装置４から呼び出す。以下、ＴＷＷの実測値を「ＴＷＷ実測値」と称し、ＢＤＷの実測値を「ＢＤＷ実測値」と称する。

そしてスコア算出部１２は、各ＴＷＷ実測値の平均値である平均ＴＷＷ実測値Ｔａｖｅを算出するとともに、各ＢＤＷ実測値の平均値である平均ＢＤＷ実測値Ｂａｖｅを算出する。なお、平均ＴＷＷ・ＢＤＷ実測値Ｔａｖｅ・Ｂａｖｅは、スコア算出部１２によってされなくてもよい。平均ＴＷＷ・ＢＤＷ実測値Ｔａｖｅ・Ｂａｖｅは、例えば画像パラメータ取得部１１によって算出されてもよい。また例えば、予め算出された平均ＴＷＷ・ＢＤＷ実測値Ｔａｖｅ・Ｂａｖｅが、記憶装置４あるいはスコア算出部１２のメモリに格納されていてもよい。

そしてスコア算出部１２は、ＴＷＷ・ＢＤＷ推定値Ｔ・Ｂ、ならびに、平均ＴＷＷ・ＢＤＷ実測値Ｔａｖｅ・Ｂａｖｅを用いて、マハラノビス距離ＭＤを算出する（Ｓ１０８；スコア算出ステップ）。マハラノビス距離ＭＤは、ＴＷＷ・ＢＤＷ推定値Ｔ・Ｂに対する、不良品と評価された牡蠣のＴＷＷ実測値－ＢＤＷ実測値の分布からの距離である。以下、不良品と評価された牡蠣のＴＷＷ実測値－ＢＤＷ実測値の分布を「基準データ群」と称する。

「基準データ群」を用いてマハラノビス距離ＭＤを説明すれば、マハラノビス距離ＭＤとは、ＴＷＷ推定値ＴとＢＤＷ推定値Ｂとの相関が、「基準データ群」を構成するＴＷＷ実測値とＢＤＷ実測値との相関にどれだけ近似しているかを定量的に表す尺度となる。以下、ＴＷＷ推定値ＴとＢＤＷ推定値Ｂとの相関を「第１相関」と称する。また、基準データ群を構成するＴＷＷ実測値とＢＤＷ実測値との相関を「第２相関」と称する。

したがって、マハラノビス距離ＭＤの値が小さくなるほど、つまり第１相関が第２相関に近似しているほど、品質評価の対象となった牡蠣が不良品である確率が高くなる。一方、マハラノビス距離ＭＤの値が大きくなるほど、つまり第１相関が第２相関に近似していないほど、品質評価の対象となった牡蠣が不良品でない確率が高くなる。スコア算出部１２は、マハラノビス距離ＭＤを、下記の式（１）～（４）を用いて算出する。下記の式（１）～（４）は、例えばスコア算出部１２のメモリに格納されている。

σＴ；ＴＷＷ推定値Ｔの標準偏差
σＢ；ＢＤＷ推定値Ｂの標準偏差
ｒ；Ｔ’とＤ’との相関係数
ＴＷＷ実測値－ＢＤＷ実測値の分布をグラフ化した場合、例えば図４に示すようなグラフとなる。図４に示すグラフにおいて、基準データ群は図中の破線で囲まれた領域となる。同グラフにおける前記領域から外れた箇所にプロットされた点の集合は、通常品および良品と評価された牡蠣のＴＷＷ実測値－ＢＤＷ実測値の分布を示す。

スコア算出部１２によって算出されたマハラノビス距離ＭＤが、ＴＷＷ・ＢＤＷ推定値Ｔ・Ｂを総合的に考慮した、牡蠣の身入り度を示すスコアとなる。スコア算出部１２は、算出したスコア（具体的にはマハラノビス距離ＭＤ）を品質評価部１３に出力する。

次に品質評価部１３は、スコア（具体的にはマハラノビス距離ＭＤ）と閾値Ｅとを比較することにより、牡蠣の品質を評価する（Ｓ１０９；品質評価ステップ）。実施形態１および後掲の実施形態２では、品質評価部１３は、牡蠣の品質を評価する前に、ユーザの入力操作に基づいて閾値Ｅを設定する。具体的には品質評価部１３は、従前の品質評価の結果に基づいて予め生成された、マハラノビス距離ＭＤと不良品・通常品・良品の各個体数［個］との関係を示すヒストグラムを用いて閾値Ｅを設定する。図５にヒストグラムの一例を示す。ヒストグラムは、記憶装置４または品質評価部１３の不図示のメモリに格納されている。

より詳細には、ユーザが、表示装置１の入力部２を介して例えば「不良品排除率９５％となる閾値を設定」との入力操作を行った場合、入力部２が当該入力操作を受け付けて受け付け結果を品質評価部１３に出力する。「不良品排除率９５％となる閾値」とは、スコアが当該閾値と一致した場合、牡蠣が不良品である確率が９５％となるような閾値を指す。受け付け結果を取得した品質評価部１３は、記憶装置４（あるいは品質評価部１３のメモリ）からヒストグラムを呼び出し、当該ヒストグラムにおける不良品排除率９５％となるマハラノビス距離ＭＤを、図５に示すように第１閾値Ｅ１として設定する。

そしてユーザが、入力部２を介して例えば「不良品・通常品排除率９５％となる閾値を設定」との入力操作を行った場合、品質評価部１３は、ヒストグラムにおける不良品・通常品排除率９５％となるマハラノビス距離ＭＤを、図５に示すように第２閾値Ｅ２として設定する。「不良品・通常品排除率９５％となる閾値」とは、スコアが当該閾値と一致した場合、牡蠣が不良品および通常品である確率が９５％となるような閾値を指す。

このように閾値Ｅとして第１・第２閾値Ｅ１・Ｅ２を設定した場合、品質評価部１３は、スコアが第１閾値Ｅ１よりも小さければ牡蠣の品質を不良品と評価する。また、品質評価部１３は、スコアが第１閾値Ｅ１以上かつ第２閾値Ｅ２よりも小さければ牡蠣の品質を通常品と評価する。さらに、品質評価部１３は、スコアが第２閾値Ｅ２以上であれば牡蠣の品質を良品と評価する。

閾値Ｅの設定は、上述の方法に限定されない。品質評価部１３は、例えば図５に示すヒストグラムと異なる別のグラフを用いて第１・第２閾値Ｅ１・Ｅ２を設定してもよい。前記ヒストグラムと異なる別のグラフとしては、例えばマハラノビス距離ＭＤと正解率［％］との関係を示す第１グラフ、および、マハラノビス距離ＭＤと牡蠣の個体数［個］との関係を示す第２グラフ（ともに不図示）を用いてもよい。第１・２閾値Ｅ１・Ｅ２の設定方法については上述と同様の方法でよい。Ｓ１０１～Ｓ１０９の一連の処理が終了することにより、品質評価装置１０による品質評価処理が終了する。

なお、品質評価装置１０による品質評価処理の方法は、上述したマハラノビス距離ＭＤと閾値Ｅとの比較に限定されない。品質評価装置１０は、例えば品質評価部１３がＢＤＷ推定値Ｂと所定の基準値とを比較することのみにより、牡蠣の品質を評価してもよい。この場合、スコア算出部１２は、ＢＤＷ推定式のみを生成・再生成してＢＤＷ推定値Ｂのみを算出する。そして、スコア算出部１２は、ＢＤＷ推定値Ｂをそのままスコアとする。

また例えば、品質評価装置１０は、品質評価部１３がＴＷＷ推定値Ｔと所定の第１基準値とを比較して第１比較結果を出力し、ＢＤＷ推定値Ｂと所定の第２基準値とを比較して第２比較結果を出力してもよい。そして、品質評価装置１０は、品質評価部１３が第１比較結果と第２比較結果とを総合考慮することで、牡蠣の品質を評価してもよい。この場合、ＴＷＷ推定値ＴおよびＢＤＷ推定値Ｂのそれぞれがスコアとなる。

＜品質評価装置１０による推定式の生成・再生成処理の流れ＞
図６～図８を用いて、品質評価装置１０による推定式の生成・再生成処理の流れを説明する。

（推定式の生成処理）
はじめに、画像パラメータ取得部１１から画像特徴パラメータセットを取得したスコア算出部１２は、画像パラメータサンプルの中から単位空間サンプルと信号サンプルとを選択する（Ｓ２０１）。

画像パラメータサンプルは、推定式を生成するためのサンプルであり、複数のデータセットの集合である。１つのデータセットは、従前の品質評価で用いた複数種類の画像特徴パラメータと、当該複数種類の画像特徴パラメータの取得元となるＸ線画像に映し出された牡蠣の品質情報の実測値とで構成される。

実施形態１および後掲の実施形態２では、品質情報がＴＷＷ・ＢＤＷであることから、画像パラメータサンプルに含まれる品質情報の実測値は、ＴＷＷ・ＢＤＷ実測値となる。画像パラメータサンプルは予め記憶装置４に格納されており、スコア算出部１２は、単位空間サンプルと信号サンプルとを選択する際に記憶装置４から画像パラメータサンプルを呼び出す。

単位空間サンプルは、画像パラメータサンプルを構成する複数のデータセットのうち、単位空間となるデータセットの集合であり、信号サンプルを基準化するためのものである。「単位空間」は、結果が安定した状態にあるサンプルからなる集団（中間的な性質を持つ集団）である。本発明における「単位空間」は、画像パラメータサンプルにおける品質情報（ＴＷＷ・ＢＤＷ）の実測値分布であり、均質に出現するサンプル群（画像特徴パラメータおよび品質情報（ＴＷＷ・ＢＤＷ）の実測値）で構成されるデータセットとなる。

画像パラメータサンプルを構成する複数のデータセットの中から、どのデータセットを単位空間・信号サンプルに含めるかについては、スコア算出部１２が、データセットごとに所定の選択条件を充足しているか否か判定することにより決定する。所定の選択条件は、品質評価装置１０の設計者またはユーザが任意に設定して、記憶装置４あるいはスコア算出部１２のメモリに予め格納しておく。あるいは、ユーザが単位空間・信号サンプルに含めるデータセットを直接選択してもよい。

信号サンプルは、画像パラメータサンプルを構成する複数のデータセットのうち、単位空間サンプル以外のデータセットの集合である。信号サンプルの構成要素となる１つのデータセットは、推定式を生成・再生成するために用いられるデータセットである。

画像パラメータサンプルは単位空間サンプルと信号サンプルとで構成されていることから、スコア算出部１２が単位空間サンプルを選択することにより、信号サンプルが自動的に選択されることになる。

以下、単位空間サンプルのデータセットおよび信号サンプルのデータセットを、ともに「メンバー」と称する。また、画像パラメータサンプルを構成する各メンバーにおける複数種類の画像特徴パラメータのそれぞれを、「第１項目、第２項目、…、第ｋ項目」と称する。実施形態１および後掲の実施形態２では、画像特徴パラメータの種類が２４種類であることから、「ｋ＝２４」となる。なお、「ｋ＝２４」は、前記の表２における２４番目の項目「ｈｉｓｔｏｇｒａｍ」を１項目としてカウントしたものである。

次にスコア算出部１２は、単位空間サンプルを構成する第１～第ｋ項目のそれぞれについて、当該単位空間サンプルの全メンバーの平均値を算出する。以下、この平均値を「第１平均値」と称する。また、スコア算出部１２は、単位空間サンプルを構成するＴＷＷ・ＢＤＷ実測値のそれぞれについて、当該単位空間サンプルの全メンバーの平均値を算出する（Ｓ２０２）。以下、ＴＷＷ・ＢＤＷ実測値のそれぞれの平均値を「第２平均値」と称する。

実施形態１および後掲の実施形態２では、スコア算出部１２が、画像パラメータサンプルの中から下記の表４に示す単位空間サンプルを選択したものとする。

前記の表４に示すように、スコア算出部１２は、画像パラメータサンプルから単位空間サンプルとしてｎセット（ｎ；１以上の自然数）のメンバーを選択したものとする。また単位空間サンプルの第１メンバーを例に挙げて説明すれば、第１メンバーでは、第１項目の値が「ｘ１１」、第２項目の値が「ｘ１２」、第ｋ項目の値が「ｘ１ｋ」となる。さらに第１メンバーでは、ＴＷＷ実測値が「ｙ１１」、ＢＤＷ実測値が「ｙ１２」となる。

単位空間サンプルの各平均値については、第１項目の第１平均値が「ｘａｖｅ１」、第２項目の第１平均値が「ｘａｖｅ２」、第ｋ項目の第１平均値が「ｘａｖｅｋ」となる。また、ＴＷＷ実測値の第２平均値が「Ｍｏ１」、ＢＤＷ実測値の第２平均値が「Ｍｏ２」となる。

スコア算出部１２は、第１～第ｋ項目ごとの第１平均値「ｘａｖｅｊ」を、下記の式（５）を用いて算出する。またスコア算出部１２は、ＴＷＷ・ＢＤＷ実測値の平均値Ｍｏ１・Ｍｏ２を、下記の式（６）および（７）を用いて算出する。下記の式（５）～（７）は、例えばスコア算出部１２のメモリに格納されている。

次にスコア算出部１２は、信号サンプルを構成する第１～第ｋ項目のそれぞれについて、当該信号サンプルの全メンバーの各値を基準化する。またスコア算出部１２は、信号サンプルを構成するＴＷＷ・ＢＤＷ実測値のそれぞれについても、当該信号サンプルの全メンバーの各値を基準化する（Ｓ２０３）。ここで、実施形態１および後掲の実施形態２では、スコア算出部１２が、画像パラメータサンプルの中から下記の表５に示す信号サンプルを自動的に選択したものとする。

前記の表５に示すように、スコア算出部１２は、画像パラメータサンプルから信号サンプルとしてｌセット（ｌ；単位空間サンプルの全メンバーの個数以上）のメンバーを自動的に選択したものとする。また信号サンプルの第１メンバーを例に挙げて説明すれば、第１メンバーでは、第１項目の値が「ｘ’１１」、第２項目の値が「ｘ’１２」、第ｋ項目の値が「ｘ’１ｋ」となる。さらに第１メンバーでは、ＴＷＷ実測値が「ｙ’１１」、ＢＤＷ実測値が「ｙ’１２」となる。

具体的にはスコア算出部１２は、下記の式（８）に示すように、第ｉ（ｉ＝１、２、…、ｌ）メンバーの第ｊ（ｊ＝１、２、…、ｋ）項目の値ｘ’ｉｊから第ｊ項目の第１平均値ｘａｖｅｊを差し引くことで、値ｘ’ｉｊを基準化する。以下、基準化された値ｘ’ｉｊを「基準化項目Ｘｉｊ（基準化第１画像パラメータ）」と称する。

またスコア算出部１２は、下記の式（９）に示すように、第ｉメンバーのＴＷＷ実測値ｙ’ｉ１から第２平均値Ｍｏ１を差し引くことで、ＴＷＷ実測値ｙ’ｉ１を基準化する。同様にスコア算出部１２は、下記の式（１０）に示すように、第ｉメンバーのＢＤＷ実測値ｙ’ｉ２から第２平均値Ｍｏ２を差し引くことで、ＢＤＷ実測値ｙ’ｉ２を基準化する。以下、基準化されたＴＷＷ・ＢＤＷ実測値ｙ’ｉ１・ｙ’ｉ２のそれぞれを、「基準化ＴＷＷ・ＢＤＷ実測値Ｍｉ１・Ｍｉ２（基準化実測値）」と称する。

以下、全メンバーについて第１～第ｋ項目およびＴＷＷ・ＢＤＷ実測値が基準化された信号サンプルを、「基準化信号サンプル」と称する。実施形態１および後掲の実施形態２では、スコア算出部１２は、下記の表６に示す基準化信号サンプルを生成したものとする。スコア算出部１２は、生成した基準化信号サンプルを、記憶装置４あるいはスコア算出部１２のメモリに格納する。

次にスコア算出部１２は、基準化信号サンプルを構成する第１～第ｋ基準化項目のそれぞれについて、比例定数βおよびＳＮ比ηを算出する（Ｓ２０４）。比例定数βは、基準化信号サンプルの全メンバー（基準化データセット）を纏めて１つのメンバーと仮定した場合における、基準化実測値に対する第１～第ｋ基準化項目のそれぞれの比例定数である。実施形態１および後掲の実施形態２では、基準化ＴＷＷ・ＢＤＷ実測値が、基準化信号サンプルのメンバーの構成要素となっている。そのためスコア算出部１２は、比例定数βとして、基準化ＴＷＷ実測値に対する第１～第ｋ基準化項目のそれぞれの比例定数である第１比例定数β１と、基準化ＢＤＷ実測値に対する第１～第ｋ基準化項目のそれぞれの比例定数である第２比例定数β２とを算出する。

ＳＮ比ηは、基準化信号サンプルの全メンバーを纏めて１つのメンバーと仮定した場合における、基準化実測値と第１～第ｋ基準化項目のそれぞれとの比例関係に対して、第１～第ｋ基準化項目の値がばらついている程度の逆数である。具体的には、第１～第ｋ基準化項目の値がばらついている程度が小さければＳＮ比ηの値が大きくなり、大きければＳＮ比ηの値が小さくなる。スコア算出部１２は、ＳＮ比ηについても、基準化ＴＷＷ実測値に関する第１ＳＮ比η１と、基準化ＢＤＷ実測値に関する第２ＳＮ比η２とを算出する。

以下、第１・第２比例定数β１・β２および第１・第２ＳＮ比η１・η２の算出について、第１基準化項目における第１比例定数β１１および第１ＳＮ比η１１を算出する場合を例に挙げて説明する。第１基準化項目における第２比例定数β２１および第２ＳＮ比η２１を算出する場合、ならびに、第２～第ｋ基準化項目における第１・第２比例定数β１・β２および第１・第２ＳＮ比η１・η２の算出についても、以下と同様の計算を行う。

スコア算出部１２は、第１基準化項目における第１比例定数β１１および第１ＳＮ比η１１を、下記の式（１１）～（１７）を用いて算出する。下記の式（１１）～（１７）は、例えばスコア算出部１２のメモリに格納されている。なお、下記の式（１２）が成立するのはＳβ１１＞Ｖｅ１１の場合であり、Ｓβ１１≦Ｖｅ１１の場合はβ１１＝０になる。

ｒ；有効除数
ＳＴ１１；全変動（ｆ＝ｌ）
Ｓβ１１；比例項の変動（ｆ＝１）
Ｓｅ１１；誤差変動（ｆ＝ｌ－１）
Ｖｅ１１；誤差分散
実施形態１および後掲の実施形態２では、スコア算出部１２は、第１～第ｋ基準化項目のそれぞれにおける第１・第２比例定数β１・β２および第１・第２ＳＮ比η１・η２について、下記の表７に示すように算出したものとする。

次にスコア算出部１２は、第１～第ｋ基準化項目のそれぞれにおける第１・第２比例定数β１・β２および第１・第２ＳＮ比η１・η２を用いて、ＴＷＷ・ＢＤＷ推定式を生成する（Ｓ２０５）。具体的にはスコア算出部１２は、情報処理装置１００が未評価の牡蠣の第１～第ｋ基準化項目をＸｎｅｗ１～Ｘｎｅｗｋとして、ＴＷＷ・ＢＤＷ推定式を下記の式（１８）および（１９）のように生成する。以下、情報処理装置１００が未評価の牡蠣を「未知サンプル」と称する。また、第１～第ｋ基準化項目Ｘｎｅｗ１～Ｘｎｅｗｋが、画像特徴パラメータセットを構成する複数種類の画像特徴パラメータのそれぞれを基準化したものに相当する（本明細書の段落００４２参照）。

Ｔｎｅｗ；未知サンプルのＴＷＷ推定値
Ｂｎｅｗ；未知サンプルのＢＤＷ推定値
スコア算出部１２は、生成したＴＷＷ推定式（式（１８））およびＢＤＷ推定式（式（１９））を記憶装置４あるいはスコア算出部１２のメモリに一旦格納する。その後は、スコア算出部１２が、未知サンプルの第１～第ｋ基準化項目を実際に算出してＴＷＷ推定式およびＢＤＷ推定式のそれぞれに代入することで、未知サンプルのＴＷＷ推定値ＴｎｅｗおよびＢＤＷ推定値Ｂｎｅｗを算出する。

なお、実施形態１および後掲の実施形態２ではＴＷＷ・ＢＤＷ推定式ともに同じ第１～第ｋ基準化項目を用いて生成しているが、この場合に限定されない。スコア算出部１２は、ＴＷＷ推定式とＢＤＷ推定式とで異なる種類・個数の基準化項目を用いて、それぞれの推定式を算出してもよい。

（推定式の再生成処理）
次にスコア算出部１２は、未知サンプルの全メンバーに含まれる第１～第ｋ基準化項目およびＴＷＷ・ＢＤＷ実測値を基準化した上で、未知サンプルの全メンバーについて、ＴＷＷ・ＢＤＷ推定値Ｔ・Ｂを算出する（Ｓ２０６）。具体的にはスコア算出部１２は、記憶装置４あるいはスコア算出部１２のメモリから、未知サンプル、ＴＷＷ推定式（式（１８））およびＢＤＷ推定式（式（１９））を呼び出す。そしてスコア算出部１２は、第ｉメンバー（ｉ＝１、２、…、ｌ）を構成する第１～第ｋ基準化項目Ｘｉ１～ＸｉｋのそれぞれをＴＷＷ・ＢＤＷ推定式に代入することで、第ｉメンバーのＴＷＷ・ＢＤＷ推定値Ｔｉ・Ｂｉを算出する。

なお、ＴＷＷ推定値Ｔに対してＴＷＷ実測値の第２平均値Ｍｏ１（表４参照）を加算することにより、基準化されていないＴＷＷ実測値に対応するＴＷＷ推定値を算出することができる。また、ＢＤＷ推定値Ｂに対してＢＤＷ実測値の第２平均値Ｍｏ２（表４参照）を加算することにより、基準化されていないＢＤＷ実測値に対応するＢＤＷ推定値を算出することができる。

実施形態１および後掲の実施形態２では、スコア算出部１２は、未知サンプルの全メンバーのＴＷＷ・ＢＤＷ推定値Ｔ・Ｂについて、下記の表８に示すように算出したものとする。

次にスコア算出部１２は、未知サンプルの全メンバーの基準化ＴＷＷ・ＢＤＷ実測値およびＴＷＷ・ＢＤＷ推定値Ｔ・Ｂを用いて、推定式精度を算出する（Ｓ２０７）。推定式精度は、推定式から算出された推定値が品質情報の基準化実測値にどの程度近似しているかを示す指標である。

実施形態１および後掲の実施形態２では品質情報がＴＷＷ・ＢＤＷの２種類であることから、スコア算出部１２は、推定式精度としてＴＷＷ・ＢＤＷ推定式精度を算出する。ＴＷＷ推定式精度は、ＴＷＷ推定値Ｔが基準化ＴＷＷ実測値にどの程度近似しているかを示す指標である。ＢＤＷ推定式精度は、ＢＤＷ推定値Ｂが基準化ＢＤＷ実測値にどの程度近似しているかを示す指標である。

スコア算出部１２は、ＴＷＷ推定式精度を、総合推定の第１ＳＮ比ηｔ１［ｄｂ］として、下記の式（２０）～（２６）を用いて算出する。説明は省略するものの、ＢＤＷ推定式精度も総合推定の第２ＳＮ比ηｔ２として算出され、以下と同様の計算が行われる。下記の式（２０）は、例えばスコア算出部１２のメモリに格納されている。

Ｌ；線形式
ｒ；有効除数
ＳＴ；全変動（ｆ＝ｌ）
Ｓβ；比例項の変動（ｆ＝１）
Ｓｅ；誤差変動（ｆ＝ｌ－１）
Ｖｅ；誤差分散
そしてスコア算出部１２は、未知サンプルの全メンバー、ＴＷＷ・ＢＤＷ推定式精度を、要因効果算出部１４に出力する。

次に要因効果算出部１４は、第１～第２５までの実験番号のデータセットのそれぞれについて、ＴＷＷ・ＢＤＷ推定式を生成するとともにＴＷＷ・ＢＤＷ推定式精度を算出する（Ｓ２０８）。第１～第２５までの実験番号のデータセットについては、後で詳細説明する。

具体的には要因効果算出部１４は、はじめに、基準化項目の種類数以上の列を有する２水準系直交表（４×素数の２水準系）を生成する。実施形態１および後掲の実施形態２では、要因効果算出部１４は、ｋ（＝２４）列を有する２水準系直交表を生成するものとし、かつ、ペイリーの巡回型２水準系直交表を生成するものとする（後掲の表１０参照）。なお、要因効果算出部１４は、ペイリーの巡回型２水準系直交表以外の２水準系直交表を生成してもよい。例えば要因効果算出部１４は、ペイリーの巡回型２水準系直交表に替えて、Ｌ１６２水準系直交表を含む２＾ｎ型２水準系直交表を生成してもよい。要因効果算出部１４が１～ｋ列までの各列に第１～第ｋ基準化項目を割り付ける前の、ペイリーの巡回型２水準系直交表の一例を下記の表９に示す。

そして要因効果算出部１４は、ペイリーの巡回型２水準系直交表の１～ｋ列までの各列に第１～第ｋ基準化項目を割り付け、同直交表の各行において、第１水準が割り付けられた基準化項目を選択してＴＷＷ・ＢＤＷ推定式を生成するとともにＴＷＷ・ＢＤＷ推定式精度を算出する。ここで、第１～第ｋ基準化項目のそれぞれには、２水準系直交表において第１水準または第２水準のいずれかが割り当てられる。「第１水準」は、割り付けられた基準化項目を推定式生成に用いることを意味し、「第２水準」は、割り付けられた基準化項目を推定式生成に用いないことを意味する。

要因効果算出部１４によるＴＷＷ・ＢＤＷ推定式の生成処理は、図６のフローチャートにおけるＳ２０４からＳ２０５までの処理と同様である。また、要因効果算出部１４によるＴＷＷ・ＢＤＷ推定式精度の算出処理は、図６のフローチャートにおけるＳ２０６からＳ２０７までの処理と同様である。

上述のようにして、ペイリーの巡回型２水準系直交表の各列に第１～第ｋ基準化項目を割り付け、同直交表の行ごとにＴＷＷ・ＢＤＷ推定式精度を算出した結果の一例を下記の表１０に示す。下記の表１０において「１」は第１水準を表し、「２」は第２水準を表す。また、同表中の「ｉ」は基準化信号サンプルの各メンバーの番号を表し、「ｉ＝１～ｌ」となる。さらに、同表では、ＴＷＷ・ＢＤＷ推定式精度を総合推定の第１・第２ＳＮ比「ηｔｊ１・ηｔｊ２（ｊ＝１～２５の自然数）」で表す。なお下記の表１０には記載していないものの、実験番号「１」～「２５」のいずれのデータセットについても、基準化ＴＷＷ・ＢＤＷ実測値ともに、ＴＷＷ・ＢＤＷ推定式の生成およびＴＷＷ・ＢＤＷ推定式精度の算出に用いられる。

前記の表１０に示すように、例えば実験番号「１」のデータセットについては、第１～第ｋ基準化項目のすべてに第１水準が割り付けられている。つまり、実験番号「１」のデータセットに含まれる「ηｔ１１・ηｔ１２」は、Ｓ２０６の処理においてスコア算出部１２から出力されたＴＷＷ・ＢＤＷ推定式精度に相当する。この場合、要因効果算出部１４は、ＴＷＷ・ＢＤＷ推定式の生成およびＴＷＷ・ＢＤＷ推定式精度の算出を行わない。

また例えば、実験番号「２」のデータセットについては、第１基準化項目のみに第２水準が割り当てられており、第２～第ｋ基準化項目には第１水準が割り付けられている。この場合、要因効果算出部１４は、基準化信号サンプルの全メンバーにおける第２～第ｋ基準化項目の各値を用いて、ＴＷＷ・ＢＤＷ推定式の生成およびＴＷＷ・ＢＤＷ推定式精度の算出を行う。同様に要因効果算出部１４は、実験番号「３」のデータセットについては、基準化信号サンプルの全メンバーにおける第１基準化項目および第３～第ｋ基準化項目の各値を用いて、ＴＷＷ・ＢＤＷ推定式の生成およびＴＷＷ・ＢＤＷ推定式精度の算出を行う。

上述のようにして、要因効果算出部１４は、第２水準とする基準化項目の個数を１つに維持しつつ、特定の実験番号のデータセットの処理が終了すると、当該データセットの次の実験番号のデータセットについて処理を実行する。次の実験番号のデータセットの処理に移行する際、要因効果算出部１４は、第２水準とする基準化項目を、１つ前の実験番号のデータセットにおいて第２水準とした基準化項目の次の番号の基準化項目に設定する。そして要因効果算出部１４は、第ｋ基準化項目が第２水準となる実験番号「２５」のデータセットについてまで、ＴＷＷ・ＢＤＷ推定式の生成およびＴＷＷ・ＢＤＷ推定式精度の算出を順次行う。

次に要因効果算出部１４は、基準化項目ごとに、ＴＷＷ・ＢＤＷ推定式精度のそれぞれをについて、第１水準の場合における総合推定のＳＮ比ηｔの平均値と、第２水準の場合における総合推定のＳＮ比ηｔの平均値と、の差分を算出する（Ｓ２０９）。この場合、要因効果算出部１４は、基準化項目ごとに、ＴＷＷに関する総合推定の第１ＳＮ比ηｔ１における平均値の差分と、ＢＤＷに関する総合推定の第２ＳＮ比ηｔ２における平均値の差分と、を算出することになる。

以下、第１水準の場合における総合推定のＳＮ比ηｔの平均値を「第１水準影響度」と称し、第２水準の場合における総合推定のＳＮ比ηｔの平均値を「第２水準影響度」と称する。この呼称に従えば、要因効果算出部１４は、ＴＷＷ・ＢＤＷに関する第１水準影響度である「第１水準ＴＷＷ・ＢＤＷ影響度」と、ＴＷＷ・ＢＤＷに関する第２水準影響度である「第２水準ＴＷＷ・ＢＤＷ影響度」とを算出することになる。また、第１水準ＴＷＷ影響度と第２水準ＴＷＷ影響度との差分を「ＴＷＷ影響度」と称し、第１水準ＢＤＷ響度と第２水準ＢＤＷ影響度との差分を「ＢＤＷ影響度」と称する。

次に要因効果算出部１４は、基準化項目ごとに、ＴＷＷ推定式精度に対する第１要因効果とＢＤＷ推定式精度に対する第１要因効果とを算出する（Ｓ２１０）。第１要因効果は、第１～第ｋ基準化項目のそれぞれの推定式精度に対する影響度を表す。以下、第１～第ｋ基準化項目のそれぞれのＴＷＷ・ＢＤＷ推定式精度に対する影響度を「第１ＴＷＷ・ＢＤＷ要因効果」と称する。

具体的には要因効果算出部１４は、Ｓ２０９の処理で算出した基準化項目ごとのＴＷＷ影響度を、当該基準化項目ごとのＴＷＷ推定式精度に対する第１要因効果とする。また要因効果算出部１４は、Ｓ２０９の処理で算出した基準化項目ごとのＢＤＷ影響度を、当該基準化項目ごとのＢＤＷ推定式精度に対する第１要因効果とする。ここで、ＴＷＷ・ＢＤＷ影響度の絶対値が大きいほど、当該ＴＷＷ・ＢＤＷ影響度に対応する基準化項目のＴＷＷ・ＢＤＷ推定式精度に対する影響度が高いことを意味する。

したがって、特定の基準化項目について、第１水準ＴＷＷ・ＢＤＷ影響度の絶対値の方が第２水準ＴＷＷ・ＢＤＷ影響度の絶対値よりも大きい場合、つまりＴＷＷ・ＢＤＷ影響度の符号がプラスになる場合、その基準化項目を推定式生成に用いた方がＴＷＷ・ＢＤＷ推定式精度が向上することになる。

一方、特定の基準化項目について、第１水準ＴＷＷ・ＢＤＷ影響度の絶対値の方が第２水準ＴＷＷ・ＢＤＷ影響度の絶対値よりも小さい場合、つまりＴＷＷ・ＢＤＷ影響度の符号がマイナスになる場合、その基準化項目を推定式生成に用いない方がＴＷＷ・ＢＤＷ推定式精度が向上することになる。

以上のことから、特定の基準化項目についてＴＷＷ・ＢＤＷ影響度の符号がプラスになる場合、その基準化項目はＴＷＷ・ＢＤＷ推定式精度に対してプラスの第１ＴＷＷ・ＢＤＷ要因効果を与えることになる。また、ＴＷＷ・ＢＤＷ影響度の絶対値が、第１ＴＷＷ・ＢＤＷ要因効果のプラスの度合いを示すことになる。一方、特定の基準化項目についてＴＷＷ・ＢＤＷ影響度の符号がマイナスになる場合、その基準化項目はＴＷＷ・ＢＤＷ推定式精度に対してマイナスの第１ＴＷＷ・ＢＤＷ要因効果を与えることになる。また、ＴＷＷ・ＢＤＷ影響度の絶対値が、第１ＴＷＷ・ＢＤＷ要因効果のマイナスの度合いを示すことになる。

要因効果算出部１４は、上述のようにして基準化項目ごとにＴＷＷ・ＢＤＷ影響度を算出した上で、横軸を第１～第ｋ基準化項目とし縦軸をＴＷＷ・ＢＤＷ影響度差分［ｄｂ］とする、ＴＷＷ・ＢＤＷ推定式精度に関する第１要因効果図を生成する（Ｓ２１１）。以下、ＴＷＷ・ＢＤＷ推定式精度に関する第１要因効果図を「第１ＴＷＷ・ＢＤＷ要因効果図」と称する。

図７に第１ＴＷＷ要因効果図の一例を示す。図７の例では、基準化項目「ｍ＿ｉｎｔｄｅｎ（輝度総和）」が、ＴＷＷ推定式の生成に当該基準化項目を用いることでＴＷＷ推定式精度に最もプラスの影響を及ぼしている。一方、基準化項目「ｈ＿２９（ＩＭＧ１において２９階調の輝度の出現回数を表すヒストグラム）」は、ＴＷＷ推定式の生成に当該基準化項目を用いることでＴＷＷ推定式精度に最もマイナスの影響を及ぼしている。

図７には示されていないものの、要因効果算出部１４は実際には、ＢＤＷ推定式精度に関する第１要因効果図もＳ２１０からＳ２１１までの処理と同様の処理を実行することで生成する。要因効果算出部１４は、第１ＴＷＷ・ＢＤＷ要因効果図をスコア算出部１２に出力する。

なお要因効果算出部１４は、第１ＴＷＷ・ＢＤＷ要因効果図をスコア算出部１２に出力しなくてもよいし、第１ＴＷＷ・ＢＤＷ要因効果図自体を生成しなくてもよい。これらの場合、要因効果算出部１４は、例えば基準化項目ごとの第１ＴＷＷ・ＢＤＷ要因効果（言い換えれば、ＴＷＷ・ＢＤＷ影響度差分）をスコア算出部１２に出力してもよい。

次に要因効果算出部１４は、第１～第１８までの前段実験番号における前段処理パラメータのセット（以下、「パラメータセット」と称する）の条件下で、ＴＷＷ・ＢＤＷ推定式を生成するとともにＴＷＷ・ＢＤＷ推定式精度を算出する（Ｓ２１２）。ＴＷＷ・ＢＤＷ推定式の生成およびＴＷＷ・ＢＤＷ推定式精度の算出においては、第１～第１８までの実験番号のパラメータセットのいずれの条件下でも、第１～第ｋ基準化項目のすべてを用いる。

具体的には要因効果算出部１４は、はじめに、画像パラメータ取得部１１がＳ１０２の処理で設定した８種類の前段処理パラメータ（図２、表１参照）が列ごとに割り付けられた、Ｌ１８直交表を生成する。実施形態１および後掲の実施形態２では、下記の表１１に示すＬ１８直交表が生成されたものとする。

そして要因効果算出部１４は、Ｌ１８直交表の各行（第１～第１８の実験番号の行）のそれぞれについて、設定された各前段処理パラメータの条件下でＴＷＷ・ＢＤＷ推定式を生成するとともにＴＷＷ・ＢＤＷ推定式精度を算出する。要因効果算出部１４によるＴＷＷ・ＢＤＷ推定式の生成処理は、図６のフローチャートにおけるＳ２０４からＳ２０５までの処理と同様である。また、要因効果算出部１４によるＴＷＷ・ＢＤＷ推定式精度の算出処理は、図６のフローチャートにおけるＳ２０６からＳ２０７までの処理と同様である。

次に要因効果算出部１４は、８種類の前段処理パラメータごとに、ＴＷＷ推定式精度に対する第２要因効果とＢＤＷ推定式精度に対する第２要因効果とを算出する（Ｓ２１３）。第２要因効果は、８種類の前段処理パラメータのそれぞれの推定式精度に対する貢献度を表す。以下、８種類の前段処理パラメータのそれぞれのＴＷＷ推定式精度に対する貢献度を「第２ＴＷＷ要因効果」と称し、第１～第ｋ基準化項目のそれぞれのＢＤＷ推定式精度に対する貢献度を「第２ＢＤＷ要因効果」と称する。

具体的には要因効果算出部１４は、ＴＷＷ・ＢＤＷ推定式精度のそれぞれについて、第１～第３パターン（表１参照）のそれぞれにおける総合推定のＳＮ比の平均値を算出する。以下、ＴＷＷ・ＢＤＷ推定式精度のそれぞれについて、第１～第３パターンのそれぞれにおける総合推定のＳＮ比の平均値を「第１～第３パターン平均値」と称する。この第１～第３パターン平均値のそれぞれが、第２ＴＷＷ・ＢＤＷ要因効果となる。

要因効果算出部１４は、上述のようにして８種類の前段処理パラメータごとに第１～第３パターン平均値を算出した上で、横軸を８種類の前段処理パラメータとし縦軸を第１～第３パターン平均値［ｄｂ］とする、推定式精度に関する第２要因効果図を生成する（Ｓ２１４）。要因効果算出部１４は、ＴＷＷ推定式精度に関する第２要因効果図およびＢＤＷ推定式精度に関する第２要因効果図の２つの第２要因効果図を生成する。以下、ＴＷＷ推定式精度に関する第２要因効果図を「第２ＴＷＷ要因効果図」と称し、ＢＤＷ推定式精度に関する第２要因効果図を「第２ＢＤＷ要因効果図」と称する。

図８に第２ＢＤＷ要因効果図の一例を示す。図８の例では、例えば前段処理パラメータ「質量変換」では、「質量変換」が「あり」の方が「なし」よりもＢＤＷ推定式精度にプラスの影響を及ぼしている。また例えば、前段処理パラメータ「数値化領域」では、「領域Ｂ」がＢＤＷ推定式精度に最もプラスの影響を及ぼしているとともに、「領域Ｃ」が最もマイナスの影響を及ぼしている。

そして要因効果算出部１４は、第２ＴＷＷ・ＢＤＷ要因効果図を画像パラメータ取得部１１に出力する。なお要因効果算出部１４は、第２ＴＷＷ・ＢＤＷ要因効果図を画像パラメータ取得部１１に出力しなくてもよいし、第２ＴＷＷ・ＢＤＷ要因効果図自体を生成しなくてもよい。これらの場合、要因効果算出部１４は、例えば８種類の前段処理パラメータごとの第２ＴＷＷ・ＢＤＷ要因効果（言い換えれば、ＴＷＷ・ＢＤＷに関する第１～第３パターン平均値）を画像パラメータ取得部１１に出力してもよい。

次に画像パラメータ取得部１１は、第２ＴＷＷ・ＢＤＷ要因効果図を用いて複数種類の前段処理パラメータの条件を再設定した上で、Ｘ線画像から画像特徴パラメータセットを再取得する（Ｓ２１５）。具体的には画像パラメータ取得部１１は、はじめに、複数種類の前段処理パラメータごとに、第１～第３パターンの条件の中からＴＷＷ・ＢＤＷ推定式の再生成の前提となる条件を選択する。

画像パラメータ取得部１１による条件選択の方法は、品質評価装置１０の設計者またはユーザが任意に設定することができる。実施形態１および後掲の実施形態２では、画像パラメータ取得部１１は、第２ＴＷＷ・ＢＤＷ要因効果図を用いて、複数種類の前段処理パラメータごとに第２ＴＷＷ・ＢＤＷ要因効果が最も高い条件を特定する。そして画像パラメータ取得部１１は、特定した複数種類の前段処理パラメータごとの条件を、ＴＷＷ・ＢＤＷ推定式の再生成の前提となる条件として再設定する。

そして画像パラメータ取得部１１は、再設定した条件下でＸ線画像から画像特徴パラメータセットを再取得する。画像パラメータ取得部１１による画像特徴パラメータセットの再取得処理は、図２のフローチャートにおけるＳ１０３からＳ１０６までの処理と同様である。画像パラメータ取得部１１は、再取得した画像特徴パラメータセットをスコア算出部１２に出力する。

次にスコア算出部１２は、画像パラメータ取得部１１が再取得した画像特徴パラメータセットおよび第１ＴＷＷ・ＢＤＷ要因効果図を用いて、ＴＷＷ・ＢＤＷ推定式を再生成する（Ｓ２１６）。具体的にはスコア算出部１２は、はじめに、第１ＴＷＷ・ＢＤＷ要因効果図を用いて、画像特徴パラメータセットを構成する複数種類の画像特徴パラメータの中からＴＷＷ・ＢＤＷ推定式の再生成に用いる画像特徴パラメータを選択する。スコア算出部１２が選択した各画像特徴パラメータが、新たな画像パラメータサンプルの各データセットを構成する複数種類の画像特徴パラメータとなる。

スコア算出部１２による画像特徴パラメータの選択方法は、品質評価装置１０の設計者またはユーザが任意に設定することができる。例えばスコア算出部１２は、第１ＴＷＷ・ＢＤＷ要因効果図を用いて、ＴＷＷ・ＢＤＷ影響度差分の符号がマイナスであり、かつ、絶対値の大きさが上位３つの基準化項目を特定してもよい。そしてスコア算出部１２は、特定した３つの基準化項目以外の基準化項目に対応する画像特徴パラメータを、ＴＷＷ・ＢＤＷ推定式の再生成に用いる画像特徴パラメータとして選択してもよい。

言い換えればスコア算出部１２は、ＴＷＷ・ＢＤＷ推定式精度を低下させる方向の第１ＴＷＷ・ＢＤＷ要因効果が高い上位３つの基準化項目のそれぞれに対応する画像特徴パラメータについては、ＴＷＷ・ＢＤＷ推定式の再生成に用いなくてもよい。

また例えば、スコア算出部１２は、画像特徴パラメータの選択の基準となる基準ＳＮ比を設定してもよい。そしてスコア算出部１２は、第１ＴＷＷ・ＢＤＷ要因効果が基準ＳＮ比以上になる基準化項目に対応する画像特徴パラメータを、ＴＷＷ・ＢＤＷ推定式の再生成に用いる画像特徴パラメータとして選択してもよい。

そして、スコア算出部１２は、選択した画像特徴パラメータを用いてＴＷＷ・ＢＤＷ推定式を再生成する。スコア算出部１２によるＴＷＷ・ＢＤＷ推定式の再生成処理は、図６のフローチャートにおけるＳ２０１からＳ２０５までの処理と同様である。なお、ＴＷＷ推定式の再生成に用いる画像特徴パラメータとＢＤＷ推定式の再生成に用いる画像特徴パラメータとが異なってもよい。Ｓ２０１～Ｓ２１６の一連の処理が終了することにより、品質評価装置１０による推定式の生成・再生成処理が終了する。

品質評価装置１０および後掲の品質評価装置２０は、推定式を生成・再生成することから、実質的には推定式生成装置（不図示）としての機能も有することとなる。また、スコア算出部１２が実行する推定式の生成・再生成処理は、具体的にはスコア算出部１２のうちの推定式生成部（不図示）が実行する。

（推定式の生成・再生成処理の変形例）
上述した品質評価装置１０による推定式の生成・再生成処理はあくまで一例であり、他の生成・再生成処理を採用してもよい。例えば品質評価装置１０は、推定式の生成処理のみを実行し、推定式の再生成処理を実行しなくてもよい。この場合、品質評価装置１０は、要因効果算出部１４を備えていなくてもよい。

また例えば、要因効果算出部１４は、第１ＴＷＷ・ＢＤＷ要因効果図または第２ＴＷＷ・ＢＤＷ要因効果図のいずれか一方のみを生成してもよい。この場合、要因効果算出部１４は、第１ＴＷＷ・ＢＤＷ要因効果図のみを用いてＴＷＷ・ＢＤＷ推定式を再生成してもよいし、第２ＴＷＷ・ＢＤＷ要因効果図のみを用いてＴＷＷ・ＢＤＷ推定式を生成してもよい。

また例えば、第１ＴＷＷ・ＢＤＷ要因効果図を用いた画像特徴パラメータの選択は、スコア算出部１２が行わなくてもよい。同様に、第２ＴＷＷ・ＢＤＷ要因効果図を用いた前段処理パラメータの再設定は、画像パラメータ取得部１１が行わなくてもよい。これらの場合、例えば要因効果算出部１４が、第１ＴＷＷ・ＢＤＷ要因効果図および第２ＴＷＷ・ＢＤＷ要因効果図を表示装置１の表示部３に出力してもよい。そしてユーザが、表示部３の表示画面に映し出された第１ＴＷＷ・ＢＤＷ要因効果図および第２ＴＷＷ・ＢＤＷ要因効果図を見ながら、画像特徴パラメータの選択および前段処理パラメータの再設定を行ってもよい。ユーザによる画像特徴パラメータの選択および前段処理パラメータの再設定は、当該ユーザの入力部２を介した入力操作によって行われる。上述した各変形例の内容は、後掲の品質評価装置２０にも該当する。

〔実施形態２〕
以下、図１を用いて本発明の実施形態２について説明する。実施形態２に係る情報処理装置２００は、品質評価装置２０のスコア算出部１２が、学習済みモデルを用いて画像パラメータサンプルの各メンバーを構成する画像特徴パラメータを決定する点で、実施形態１に係る情報処理装置１００と異なる。実施形態２に係る品質評価装置・情報処理装置２０・２００の構成自体は、図１に示すように、実施形態１に係る品質評価装置・情報処理装置１０・１００の構成と同様である。

＜品質評価装置２０の特有の処理＞
品質評価装置２０のスコア算出部１２は、学習済みモデルを用いて、記憶装置４から取得した未知サンプルの各データセットを構成する複数種類の画像特徴パラメータの中から、画像パラメータサンプルを構成する画像特徴パラメータを選択する。なお、スコア算出部１２は、未知サンプルを当該スコア算出部１２のメモリから取得してもよい。

学習済みモデルは、未知サンプルの全データセットあるいは一部の複数のデータセットを教師データとして、当該教師データを用いて学習モデルに機械学習させることで生成される。教師データは、未知サンプルの全データセットあるいは一部の複数のデータセットのそれぞれに含まれる複数種類の画像特徴パラメータの値を、入力データとする。また教師データは、複数種類の画像特徴パラメータとで未知サンプルの１つのデータセットを構成するＴＷＷ・ＢＤＷ実測値を、正解データとする。そして教師データは、前記の入力データと前記の正解データとが対応付けられた構造を有している。

学習モデルは、スコア算出部１２が有していてもよいし、記憶装置４に格納されていてもよい。また例えば、学習モデルは、情報処理装置２００と無線通信する不図示のサーバに格納されていてもよい。学習モデルが記憶装置４またはサーバに格納されている場合、スコア算出部１２は、記憶装置４またはサーバから学習モデルを呼び出し、スコア算出部１２内で学習モデルに前記の教師データを与えて機械学習させてもよい。

また、学習モデルがサーバに格納されている場合、スコア算出部１２が前記の教師データをサーバに無線送信し、サーバ内で学習モデルに機械学習させてもよい。この場合、サーバ内で生成された学習済みモデルは、サーバからスコア算出部１２に無線送信される。

学習済みモデルとしては、例えばＣＮＮを用いることができる。また例えば、ＣＮＮとＲＮＮ（Recurrent Neutal Natwork）とを組み合わせた、あるいはＣＮＮとＬＳＴＭ（Long Short-Term Memory）とを組み合わせた学習済みモデルを用いることもできる。なお、入力データを構成する画像特徴パラメータが静止画像であるＸ線画像から取得されることから、学習済みモデルとしてはＣＮＮを用いるのがスペック的に妥当である。

学習済みモデルの生成には、多項ロジスティック回帰分析等の公知の機械学習アルゴリズムが使用されてよい。あるいは、公知のニューラルネットワーク技術（例：公知のディープラーニング技術）を用いて学習済みモデルを生成してもよい。スコア算出部１２内で学習済みモデルが生成された場合、生成された学習済みモデルは、記憶装置４に格納されてもよいし、無線通信によって前記のサーバに格納されてもよい。

スコア算出部１２は、上述のようにして生成された学習済みモデルに、未知サンプルを構成する複数種類の画像特徴パラメータの値を順次、あるいは一括して入力する。前記の入力を受け付けた学習済みモデルは、入力データを構成する画像特徴パラメータのそれぞれについて、ＴＷＷ・ＢＤＷ推定式精度にどの程度の影響を及ぼすか否かの判断結果を出力する。

スコア算出部１２は、特定の画像特徴パラメータがＴＷＷ・ＢＤＷ推定式精度を高める方向にどの程度の影響を及ぼすかの判断を、任意の２つのデータセット間における、当該特定の画像特徴パラメータの値の変化量とＴＷＷ・ＢＤＷ実測値の変化量との対応関係に着目して行う。具体的にはスコア算出部１２は、任意の２つのデータセット間において、特定の画像特徴パラメータの値の変化量が他の画像特徴パラメータより多い場合に、ＴＷＷ・ＢＤＷ実測値の変化量も他の画像特徴パラメータより多くなっていれば、当該特定の画像特徴パラメータがＴＷＷ・ＢＤＷを示すパラメータとして好適であると判断する。一方、任意の２つのデータセット間において、特定の画像特徴パラメータの値の変化量が他の画像特徴パラメータより多い場合に、ＴＷＷ・ＢＤＷ実測値の変化量が他の画像特徴パラメータより少なくなっていれば、スコア算出部１２は、当該特定の画像特徴パラメータがＴＷＷ・ＢＤＷを示すパラメータとして不適であると判断する。

上述の手法によって学習済みモデルが良い影響を及ぼす旨の第１判断結果を出力した場合、スコア算出部１２は、学習済みモデルが第１判断結果を示した画像特徴パラメータを、画像パラメータサンプルを構成する画像特徴パラメータとして選択する。一方、学習済みモデルが例えば悪い影響を及ぼす旨の第２判断結果を出力した場合、スコア算出部１２は、学習済みモデルが第２判断結果を示した画像特徴パラメータを、画像パラメータサンプルを構成する画像特徴パラメータから除外する。

そして、画像パラメータサンプルを構成する複数種類の画像特徴パラメータを整理したスコア算出部１２は、整理後の画像パラメータサンプルを用いてＴＷＷ・ＢＤＷ推定式を再生成する。

〔ソフトウェアによる実現例〕
品質評価装置１０・２０の制御ブロック（特に画像パラメータ取得部１１、スコア算出部１２および品質評価部１３）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、品質評価装置１０・２０は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、前記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、前記コンピュータにおいて、前記プロセッサが前記プログラムを前記記録媒体から読み取って実行することにより、本発明の目的が達成される。

前記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。前記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、前記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。

また、前記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して前記コンピュータに供給されてもよい。なお、本発明の一態様は、前記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔実施例〕
以下、図９～図１３を用いて本発明の一実施例について説明する。本実施例では、下記の表１２に示す性質・生育条件の牡蠣を３０８１個体収集し、Ｘ線画像生成装置６のＸ線管（Ｘ線照射部）の電圧を「弱」・「中」・「強」の３段階に設定して複数種類の態様の牡蠣のそれぞれについて、Ｘ線画像を取得した。また本実施例では、実施形態１に係る情報処理装置１００を用いて、当該情報処理装置１００のユーザ（品質評価の作業者；以下、「ユーザ」）が各種の調査を行ったものとする。Ｘ線画像の取得条件およびＸ線画像の取得枚数を下記の表１３に示す。

次に、３０８１個体の牡蠣のそれぞれについて、ユーザが目視によって品質評価を行った。目視による品質評価は、軟体部の形状および外套膜の色等に基づいて決まる身入り度の高低で評価し、各牡蠣を「不良品・通常品・良品」の３段階に振り分けた。

各海域で収集した牡蠣のサンプルごとの、ユーザの目視による品質評価の結果を図９に示す。図９に示すように、西部海域で収集した牡蠣のサンプルにおける不良品の割合が最も低く、約１５．５％であった。一方、東部海域で収集した牡蠣のサンプルにおける不良品の割合が最も高く、約１８．６％であった。生育場全体における不良品の割合の平均値は約１８％であり、平均的な品質評価能力を有する牡蠣生産出荷業者が不良品を購入する割合（約２０％）と同程度であった。

＜品質情報の選定＞
次に、牡蠣の殻を開ける（破壊する）ことなく得られる外観情報を用いた、ユーザの目視による品質評価を検証するために、外観情報の一例である牡蠣のＴＷＷおよび殻の形状（ともに実測値）と牡蠣の品質との関係を調査した。殻の形状については、殻高、殻幅および殻長の３つの項目を設けた。調査結果を図１０のグラフに示す。図１０に示すように、縦軸・横軸ともに同じ項目のグラフ、および、縦軸と横軸とで項目が異なるグラフのすべてについて、不良品・通常品・良品の各品質分布に明確な差は見られなかった。このことから、牡蠣のＴＷＷおよび殻の形状からでは、牡蠣の品質を推定することが困難であることが判明した。

次に、外部情報に加えて内部情報を用いた、ユーザによる目視による品質評価を検証するために、内部情報の一例である牡蠣の可食部のＢＤＷ（実測値）と牡蠣の品質との関係を調査した。内部情報は、牡蠣の殻を開ける（破壊する）ことで得られる情報である。調査結果を図１１に示す。図１１に示すように、縦軸・横軸ともに同じ項目のグラフ、および、縦軸と横軸とで項目が異なるグラフのすべてについて、不良品・通常品・良品の各品質分布に明確な差が見られた。特に、ＢＤＷとＴＷＷとの関係では、不良品・通常品・良品の各品質分布に顕著な差が見られた。

次に、牡蠣におけるＴＷＷおよび可食部のＢＤＷが、牡蠣の身入り度の指標、言い換えれば牡蠣の品質評価の指標である品質情報になるか否かを調査すべく、各生育場（海域）で収集した牡蠣のサンプルのすべてについてマハラノビス距離ＭＤを算出した。具体的には、縦軸をＴＷＷ（実測値）とし横軸をＢＤＷ（実測値）としたグラフ（不図示；図４参照）を作成し、当該グラフに牡蠣のサンプルすべてのデータをプロットした。そして、牡蠣のサンプルすべてを、グラフ上で「不良品群・通常品群・良品群」のいずれかの品質群に振り分けた上で、各品質群に含まれる牡蠣のサンプルごとに不良品群からのマハラノビス距離ＭＤを算出した。このマハラノビス距離ＭＤは、実測値のマハラノビス距離となる。

マハラノビス距離ＭＤの算出結果のグラフを図１２に示す。図１２に示すように、不良品群のマハラノビス距離ＭＤについては、最大値が約４．７、最小値が約０．３、平均値が約１．２となった。通常品群のマハラノビス距離ＭＤについては、最大値が約１１．７、最小値が約０．２、平均値が約２．８となった。良品群のマハラノビス距離ＭＤについては、最大値が約２２．９、最小値が約１．１、平均値が約７．７となった。このように品質群間でマハラノビス距離ＭＤの平均値に明確な差があることから、牡蠣におけるＴＷＷおよび可食部のＢＤＷが品質情報になることが判明した。

＜第２要因効果図の条件再現性＞
次に、画像パラメータ取得部１１が第２要因効果図を用いて再設定（図６のフローチャートのＳ２１５参照）した複数種類の前段処理パラメータの条件（以下、「再設定条件」と称する）について、第２要因効果図の条件再現性を調査した。なお、本実施例では、第２ＴＷＷ要因効果図の条件再現性についてのみ調査した。また、本実施例の再設定条件は、実施形態１および２の再設定条件と同様に、複数種類の前段処理パラメータのすべてについて第１～第３パターンの中で第２ＴＷＷ要因効果が最も高い条件とした。

「第２要因効果図の条件再現性」とは、第２要因効果図から推定される推定式精度と、スコア算出部１２によって実際に生成された推定式の推定式精度との関係が、再設定条件下と比較条件下との間でどの程度同調しているのかを表す指標である。以下、第２要因効果図から推定される推定式精度を「推定精度」と称し、スコア算出部１２によって実際に生成された推定式の推定式精度を「実測精度」と称する。「比較条件」は、Ｌ１８直交表に現れない任意の条件であり、本実施例では複数種類の前段処理パラメータのすべてについて第１～第３パターンの中で第２ＴＷＷ要因効果が最も高い条件とした。「推定精度」の概念を用いて「第２要因効果図の条件再現性」を再定義すれば、第２要因効果図から推定される推定精度の再現性を検証するための指標とも言える。

この調査には前記の式（１８）のＴＷＷ推定式を用いた。また、式（１８）に代入した各基準化項目に対応する画像特徴パラメータ、比例定数βおよびＳＮ比ηを、下記の表１４に示す。下記の表１４に示す各画像特徴パラメータは、前記の表２に示す２４種類の画像特徴パラメータから任意に選択した１７種類の画像特徴パラメータである。さらに、前記の式（１８）には、本実施例の品質情報の選定に用いた牡蠣のサンプルの中から任意に選んだ特定の牡蠣のＸ線画像における、各基準化項目の値を代入した。

本実施例では、再設定条件下で取得した画像特徴パラメータを用いてＴＷＷ推定式を生成し、第１実測精度を算出した。また、比較条件下で取得した画像特徴パラメータを用いてＴＷＷ推定式を生成し、第２実測精度を算出した。さらに、再設定条件の設定に用いた第２ＴＷＷ要因効果図から、複数種類の前段処理パラメータが再設定条件の場合の第１推定精度と比較条件の場合の第２推定精度とを推定する。

上述のようにして得られた第１・第２推定精度および第１・第２実測精度の結果を、下記の表１５に示す。

前記の表１５に示すように、推定精度と実測精度とは、再設定条件における第１推定精度と第１実測精度との関係、比較条件における第２推定精度と第２実測精度との関係ともに同調している。このことから、少なくとも第２ＴＷＷ要因効果図については、条件再現性が高いことが判明した。

＜推定値と実測値との関係＞
次に、実際に生成した推定式を用いて、当該推定式から得られる品質情報の推定値と実測値との関係を調査した。なお本実施例では、ＢＤＷ推定式から得られるＢＤＷ推定値Ｂと、ＢＤＷ実測値との関係についてのみ調査した。

この調査には前記の式（１９）のＢＤＷ推定式を用いた。また、式（１９）に代入した各基準化項目に対応する画像特徴パラメータ、比例定数βおよびＳＮ比ηを、下記の表１６に示す。下記の表１６に示す各画像特徴パラメータは、前記の表２に示す２４種類の画像特徴パラメータから任意に選択した２０種類の画像特徴パラメータである。前記の式（１９）には、本実施例の品質情報の選定に用いた牡蠣のサンプルのＸ線画像における、各基準化項目の値を代入した。また、ＢＤＷ実測値は、ユーザが前記の牡蠣のサンプルごとに殻を開けて実測した値である。

本実施例では、前記の表１６に示すパラメータ・データを用いてＢＤＷ推定式を生成し、当該ＢＤＷ推定式に牡蠣のサンプルのＸ線画像における各基準化項目の値を代入して、牡蠣のサンプルごとのＢＤＷ推定値Ｂを算出した。そして、牡蠣のサンプルごとのＢＤＷ推定値Ｂと、当該牡蠣のサンプルのそれぞれに対応するＢＤＷ実測値との関係をグラフ化した。図１３のグラフに、ＢＤＷ推定値ＢとＢＤＷ実測値との関係を示す。

図１３に示すように、ＢＤＷ実測値（図１３のグラフ中の「ｘ」）とＢＤＷ推定値Ｂ（図１３の「ｙ」）とは、原点を通る傾きが略０．８５の正比例の関係となる。ここで傾きが０．８５であり１に近似していることから、少なくとも、本発明の一態様に係る方法で生成されたＢＤＷ推定式は、高い精度のＢＤＷ推定値を算出できることが判明した。

＜品質評価の実証実験＞
次に、ユーザの目視による品質評価と、本発明の一態様に係る品質評価とで、それぞれ実証実験を行った。なお、ユーザは、平均的な品質評価能力を有する牡蠣生産出荷業者と同等の品質評価能力を有するものとする。以下、前記の目視による品質評価を「人間判別」と称する。また、本発明の一態様に係る品質評価を「画像判別」と称する。

具体的には、養殖業者から購入した牡蠣のサンプル２８個体について、はじめに人間判別を行った。そして、牡蠣のサンプルのそれぞれについてＸ線画像を生成し、図２のフローチャートのＳ１０２からＳ１０８までの処理と同様の処理を行ってマハラノビス距離ＭＤ（スコア）を算出した。そして、図２のフローチャートのＳ１０９の処理と同様の処理方法で、第１・第２閾値Ｅ１・Ｅ２を設定して牡蠣のサンプルのそれぞれについて不良品・通常品・良品のいずれかに振り分けた。人間判別および画像判別は、２０１９年１２月５日の同日に行った。

第１閾値Ｅ１は、本実施例における品質情報の選定で算出した牡蠣のサンプルのマハラノビス距離ＭＤを参考にして、不良品が残存する割合が９５％以上となる２．７（第２閾値Ｅ１＜＝２．７）に設定した。また第２閾値Ｅ２は、本実施例における品質情報の選定で算出した牡蠣のサンプルのマハラノビス距離ＭＤを参考にして、良品が残存する割合が５０％以上となる３．９（第２閾値Ｅ２＞３．９）に設定した。ここで、実証実験の結果を下記の表１７～表１９に示す。

前記の表１７および表１８に示すように、人間判別では、通常品・良品の正解数が１１個体で不良品の正解数が６個体となった。また、通常品・良品の不正解数が３個体で不良品の不正解数が８個体となった。一方、画像判別では、通常品・良品の正解数が１１個体で不良品の正解数が９個体となった。また、通常品・良品の不正解数が８個体で不良品の不正解数が０個体となった。

「通常品・良品の不正解数」とは、牡蠣の全サンプルのうち、通常品・良品と判別（人間判別・画像判別）したところ実際には不良品であった牡蠣の個体数を指す。「不良品の不正解数」とは、牡蠣の全サンプルのうち、不良品と判別（人間判別・画像判別）したところ実際には通常品・良品であった牡蠣の個体数を指す。

また前記の表１９に示すように、人間判別の正解率が６１％であったのに対して、画像判別の正解率は７１％であった。このことから、画像判別の品質評価能力が、平均的な品質評価能力を有する牡蠣生産出荷業者を基準とした人間判別と同等以上の品質評価能力であることが判明した。また、人間判別の不良品正解率が６７％であったのに対して、画像判別の不良品正解率は１００％であった。このことから、画像判別の不良品検出能力が、人間判別に比べて顕著に高いことが判明した。

〔付記事項〕
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１０、２０品質評価装置
１１画像パラメータ取得部
１２スコア算出部
１３品質評価部
１４要因効果算出部
ＢＢＤＷ推定値（推定値）
Ｅ閾値
Ｅ１第１閾値（閾値）
Ｅ２第２閾値（閾値）
ＴＴＷＷ推定値（推定値）
ＭＤマハラノビス距離
β 比例定数
β１第１比例定数（比例定数）
β２第２比例定数（比例定数）
η ＳＮ比
η１第１ＳＮ比（ＳＮ比）
η２第２ＳＮ比（ＳＮ比）
ηｔ総合推定のＳＮ比（推定式精度）

Claims

貝類の軟体部の全体に対する外観が透明な部分の割合である前記貝類の身入りの程度により前記貝類の品質を評価する品質評価装置であって、
前記貝類のＸ線画像を取得して当該Ｘ線画像を解析することにより、前記貝類の身入りの程度を示す第１画像パラメータを複数種類取得する画像パラメータ取得部と、
前記画像パラメータ取得部が取得した複数種類の前記第１画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出部と、
前記スコア算出部が算出した前記スコアに基づいて前記貝類の品質を評価する品質評価部と、を備えていることを特徴とする品質評価装置。
前記スコア算出部は、
１つの前記Ｘ線画像から取得される複数種類の前記第１画像パラメータと前記品質情報の実測値とを１つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、
複数種類の前記第１画像パラメータごとに、
前記単位空間サンプルの前記第１画像パラメータの平均値である第１平均値を算出して、対応する前記信号サンプルの前記第１画像パラメータのそれぞれから前記第１平均値を差し引くことで基準化第１画像パラメータを算出し、
前記単位空間サンプルの前記実測値の平均値である第２平均値を算出して、対応する前記信号サンプルの前記実測値のそれぞれから前記第２平均値を差し引くことで基準化実測値を算出し、
前記基準化第１画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第１画像パラメータの比例定数と、ＳＮ比とを算出し、
複数種類の前記第１画像パラメータごとの前記比例定数および前記ＳＮ比を用いて、前記所定の推定式を生成することを特徴とする請求項１に記載の品質評価装置。
前記スコア算出部は、
前記画像パラメータ取得部が取得した複数種類の前記第１画像パラメータを前記所定の推定式に代入することにより、前記品質情報の推定値を算出し、
不良品と評価した前記貝類に関する前記品質情報の実測値の分布と前記推定値とのマハラノビス距離を、前記スコアとして算出し、
前記品質評価部は、前記マハラノビス距離と閾値とを比較することにより、前記貝類の品質を評価することを特徴とする請求項２に記載の品質評価装置。
前記画像パラメータサンプルを用いて、複数種類の前記第１画像パラメータごとに、前記所定の推定式から算出された前記推定値が前記基準化実測値にどの程度近似しているかを示す推定式精度に関する第１要因効果を算出する要因効果算出部をさらに備え、
前記スコア算出部は、前記要因効果算出部が算出した前記第１要因効果を用いて、前記所定の推定式を再生成することを特徴とする請求項３に記載の品質評価装置。
前記要因効果算出部は、前記Ｘ線画像の処理および解析に関連する複数種類の第２画像パラメータごとに、前記推定式精度に関する第２要因効果を算出し、
前記画像パラメータ取得部は、前記要因効果算出部が算出した前記第２要因効果を用いて、前記複数種類の第２画像パラメータの少なくともいずれか１つを再設定することを特徴とする請求項４に記載の品質評価装置。
前記スコア算出部は、
前記画像パラメータサンプルの複数の前記データセットを教師データとした機械学習により生成された学習済みモデルを用いて、前記画像パラメータ取得部から取得した複数種類の前記第１画像パラメータの中から、前記画像パラメータサンプルを構成する前記第１画像パラメータを選択し、
選択した前記第１画像パラメータで構成される前記画像パラメータサンプルを用いて、前記所定の推定式を再生成することを特徴とする請求項２から５のいずれか１項に記載の品質評価装置。
前記貝類は、牡蠣であることを特徴とする請求項１から６のいずれか１項に記載の品質評価装置。
貝類の身入りの程度により前記貝類の品質を評価する品質評価装置であって、
前記貝類のＸ線画像を取得して当該Ｘ線画像を解析することにより、前記貝類の身入りの程度を示す第１画像パラメータを複数種類取得する画像パラメータ取得部と、
前記画像パラメータ取得部が取得した複数種類の前記第１画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出部と、
前記スコア算出部が算出した前記スコアに基づいて前記貝類の品質を評価する品質評価部と、を備えており、
前記スコア算出部は、
１つの前記Ｘ線画像から取得される複数種類の前記第１画像パラメータと前記品質情報の実測値とを１つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、
複数種類の前記第１画像パラメータごとに、
前記単位空間サンプルの前記第１画像パラメータの平均値である第１平均値を算出して、対応する前記信号サンプルの前記第１画像パラメータのそれぞれから前記第１平均値を差し引くことで基準化第１画像パラメータを算出し、
前記単位空間サンプルの前記実測値の平均値である第２平均値を算出して、対応する前記信号サンプルの前記実測値のそれぞれから前記第２平均値を差し引くことで基準化実測値を算出し、
前記基準化第１画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第１画像パラメータの比例定数と、ＳＮ比とを算出し、
複数種類の前記第１画像パラメータごとの前記比例定数および前記ＳＮ比を用いて、前記所定の推定式を生成することを特徴とする品質評価装置。
前記スコア算出部は、
前記画像パラメータ取得部が取得した複数種類の前記第１画像パラメータを前記所定の推定式に代入することにより、前記品質情報の推定値を算出し、
不良品と評価した前記貝類に関する前記品質情報の実測値の分布と前記推定値とのマハラノビス距離を、前記スコアとして算出し、
前記品質評価部は、前記マハラノビス距離と閾値とを比較することにより、前記貝類の品質を評価することを特徴とする請求項８に記載の品質評価装置。
前記画像パラメータサンプルを用いて、複数種類の前記第１画像パラメータごとに、前記所定の推定式から算出された前記推定値が前記基準化実測値にどの程度近似しているかを示す推定式精度に関する第１要因効果を算出する要因効果算出部をさらに備え、
前記スコア算出部は、前記要因効果算出部が算出した前記第１要因効果を用いて、前記所定の推定式を再生成することを特徴とする請求項９に記載の品質評価装置。
前記要因効果算出部は、前記Ｘ線画像の処理および解析に関連する複数種類の第２画像パラメータごとに、前記推定式精度に関する第２要因効果を算出し、
前記画像パラメータ取得部は、前記要因効果算出部が算出した前記第２要因効果を用いて、前記複数種類の第２画像パラメータの少なくともいずれか１つを再設定することを特徴とする請求項１０に記載の品質評価装置。
貝類の身入りの程度により前記貝類の品質を評価する品質評価装置であって、
前記貝類のＸ線画像を取得して当該Ｘ線画像を解析することにより、前記貝類の身入りの程度を示す第１画像パラメータを複数種類取得する画像パラメータ取得部と、
前記画像パラメータ取得部が取得した複数種類の前記第１画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出部と、
前記スコア算出部が算出した前記スコアに基づいて前記貝類の品質を評価する品質評価部と、を備えており、
前記スコア算出部は、
１つの前記Ｘ線画像から取得される複数種類の前記第１画像パラメータと前記品質情報の実測値とを１つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、
複数種類の前記第１画像パラメータごとに、
前記単位空間サンプルの前記第１画像パラメータの平均値である第１平均値を算出して、対応する前記信号サンプルの前記第１画像パラメータのそれぞれから前記第１平均値を差し引くことで基準化第１画像パラメータを算出し、
前記単位空間サンプルの前記実測値の平均値である第２平均値を算出して、対応する前記信号サンプルの前記実測値のそれぞれから前記第２平均値を差し引くことで基準化実測値を算出し、
前記基準化第１画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第１画像パラメータの比例定数と、ＳＮ比とを算出し、
複数種類の前記第１画像パラメータごとの前記比例定数および前記ＳＮ比を用いて、前記所定の推定式を生成し、
前記画像パラメータサンプルの複数の前記データセットを教師データとした機械学習により生成された学習済みモデルを用いて、前記画像パラメータ取得部から取得した複数種類の前記第１画像パラメータの中から、前記画像パラメータサンプルを構成する前記第１画像パラメータを選択し、
選択した前記第１画像パラメータで構成される前記画像パラメータサンプルを用いて、前記所定の推定式を再生成することを特徴とする品質評価装置。
コンピュータにより実行されるとともに、貝類のＸ線画像を解析することにより、前記貝類の軟体部の全体に対する外観が透明な部分の割合である前記貝類の身入りの程度を示す第１画像パラメータを複数種類取得する画像パラメータ取得部と、前記画像パラメータ取得部が取得した複数種類の前記第１画像パラメータに基づいて所定の推定式を生成するスコア算出部と、を備えた、前記貝類の身入りの程度により前記貝類の品質を評価することを機械学習する品質評価装置に適用される、学習済みモデルを生成するための教師データの作成方法であって、
前記教師データは、前記スコア算出部が前記所定の推定式を生成する処理に用いられる、１つの前記Ｘ線画像から取得される複数種類の前記第１画像パラメータと、前記貝類の身入りの程度の指標となる品質情報の実測値と、を１つのデータセットとした複数の前記データセットのそれぞれに含まれる、複数種類の前記第１画像パラメータと、前記実測値と、を含み、
前記スコア算出部は、
学習モデルに前記教師データを与えて機械学習させることにより、前記学習済みモデルを生成し、
特定の前記第１画像パラメータを前記学習済みモデルに入力することにより、前記学習済みモデルから出力された前記実測値の予測値を取得し、
前記スコア算出部が、複数の前記データセットのそれぞれに含まれる、複数種類の前記第１画像パラメータと、前記実測値と、を前記品質評価装置から取得するステップを含んでいることを特徴とする教師データの作成方法。
請求項１ならびに８から１２のいずれか１項に記載の品質評価装置としてコンピュータを機能させるための品質評価処理プログラムであって、前記画像パラメータ取得部、前記スコア算出部および前記品質評価部としてコンピュータを機能させるための品質評価処理プログラム。
貝類の軟体部の全体に対する外観が透明な部分の割合である前記貝類の身入りの程度により前記貝類の品質を評価する品質評価装置により実行される品質評価方法であって、
前記貝類のＸ線画像を取得して当該Ｘ線画像を解析することにより、前記貝類の身入りの程度を示す第１画像パラメータを複数種類取得する画像パラメータ取得ステップと、
前記画像パラメータ取得ステップにて取得した複数種類の前記第１画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出ステップと、
前記スコア算出ステップにて算出した前記スコアに基づいて前記貝類の品質を評価する品質評価ステップと、を含んでいることを特徴とする品質評価方法。
前記貝類は、牡蠣であることを特徴とする請求項１５に記載の品質評価方法。
貝類の身入りの程度により前記貝類の品質を評価する品質評価装置により実行される品質評価方法であって、
前記貝類のＸ線画像を取得して当該Ｘ線画像を解析することにより、前記貝類の身入りの程度を示す第１画像パラメータを複数種類取得する画像パラメータ取得ステップと、
前記画像パラメータ取得ステップにて取得した複数種類の前記第１画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出ステップと、
前記スコア算出ステップにて算出した前記スコアに基づいて前記貝類の品質を評価する品質評価ステップと、を含んでおり、
前記スコア算出ステップでは、
１つの前記Ｘ線画像から取得される複数種類の前記第１画像パラメータと前記品質情報の実測値とを１つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、
複数種類の前記第１画像パラメータごとに、
前記単位空間サンプルの前記第１画像パラメータの平均値である第１平均値を算出して、対応する前記信号サンプルの前記第１画像パラメータのそれぞれから前記第１平均値を差し引くことで基準化第１画像パラメータを算出し、
前記単位空間サンプルの前記実測値の平均値である第２平均値を算出して、対応する前記信号サンプルの前記実測値のそれぞれから前記第２平均値を差し引くことで基準化実測値を算出し、
前記基準化第１画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第１画像パラメータの比例定数と、ＳＮ比とを算出し、
複数種類の前記第１画像パラメータごとの前記比例定数および前記ＳＮ比を用いて、前記所定の推定式を生成することを特徴とする品質評価方法。
前記スコア算出ステップでは、
前記画像パラメータ取得ステップにて取得した複数種類の前記第１画像パラメータを前記所定の推定式に代入することにより、前記品質情報の推定値を算出し、
不良品と評価した前記貝類に関する前記品質情報の実測値の分布と前記推定値とのマハラノビス距離を、前記スコアとして算出し、
前記品質評価ステップでは、前記マハラノビス距離と閾値とを比較することにより、前記貝類の品質を評価することを特徴とする請求項１７に記載の品質評価方法。
前記画像パラメータサンプルを用いて、複数種類の前記第１画像パラメータごとに、前記所定の推定式から算出された前記推定値が前記基準化実測値にどの程度近似しているかを示す推定式精度に関する第１要因効果を算出する要因効果算出ステップをさらに含んでおり、
前記スコア算出ステップでは、前記要因効果算出ステップにて算出した前記第１要因効果を用いて、前記所定の推定式を再生成することを特徴とする請求項１８に記載の品質評価方法。
前記要因効果算出ステップでは、前記Ｘ線画像の処理および解析に関連する複数種類の第２画像パラメータごとに、前記推定式精度に関する第２要因効果を算出し、
前記画像パラメータ取得ステップでは、前記要因効果算出ステップにて算出した前記第２要因効果を用いて、前記複数種類の第２画像パラメータの少なくともいずれか１つを再設定することを特徴とする請求項１９に記載の品質評価方法。
貝類の身入りの程度により前記貝類の品質を評価する品質評価装置により実行される品質評価方法であって、
前記貝類のＸ線画像を取得して当該Ｘ線画像を解析することにより、前記貝類の身入りの程度を示す第１画像パラメータを複数種類取得する画像パラメータ取得ステップと、
前記画像パラメータ取得ステップにて取得した複数種類の前記第１画像パラメータを所定の推定式に代入することにより、前記貝類の身入りの程度の指標となる品質情報のスコアを算出するスコア算出ステップと、
前記スコア算出ステップにて算出した前記スコアに基づいて前記貝類の品質を評価する品質評価ステップと、を含んでおり、
前記スコア算出ステップでは、
１つの前記Ｘ線画像から取得される複数種類の前記第１画像パラメータと前記品質情報の実測値とを１つのデータセットとした複数の前記データセットの集合である、前記所定の推定式を生成するための画像パラメータサンプルの中から、単位空間となる前記データセットの集合である単位空間サンプルと、前記単位空間サンプル以外の前記データセットの集合である信号サンプルと、を選択し、
複数種類の前記第１画像パラメータごとに、
前記単位空間サンプルの前記第１画像パラメータの平均値である第１平均値を算出して、対応する前記信号サンプルの前記第１画像パラメータのそれぞれから前記第１平均値を差し引くことで基準化第１画像パラメータを算出し、
前記単位空間サンプルの前記実測値の平均値である第２平均値を算出して、対応する前記信号サンプルの前記実測値のそれぞれから前記第２平均値を差し引くことで基準化実測値を算出し、
前記基準化第１画像パラメータおよび前記基準化実測値を用いて、前記基準化実測値に対する前記基準化第１画像パラメータの比例定数と、ＳＮ比とを算出し、
複数種類の前記第１画像パラメータごとの前記比例定数および前記ＳＮ比を用いて、前記所定の推定式を生成し、
前記画像パラメータサンプルの複数の前記データセットを教師データとした機械学習により生成された学習済みモデルを用いて、前記画像パラメータ取得ステップにて取得した複数種類の前記第１画像パラメータの中から、前記画像パラメータサンプルを構成する前記第１画像パラメータを選択し、
選択した前記第１画像パラメータで構成される前記画像パラメータサンプルを用いて、前記所定の推定式を再生成することを特徴とする品質評価方法。