JPWO2018207885A1 - 解析装置、地層年代推定装置、解析方法、地層年代推定方法、およびプログラム - Google Patents

解析装置、地層年代推定装置、解析方法、地層年代推定方法、およびプログラム Download PDF

Info

Publication number
JPWO2018207885A1
JPWO2018207885A1 JP2019517700A JP2019517700A JPWO2018207885A1 JP WO2018207885 A1 JPWO2018207885 A1 JP WO2018207885A1 JP 2019517700 A JP2019517700 A JP 2019517700A JP 2019517700 A JP2019517700 A JP 2019517700A JP WO2018207885 A1 JPWO2018207885 A1 JP WO2018207885A1
Authority
JP
Japan
Prior art keywords
age
analysis
sample
image data
computer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2019517700A
Other languages
English (en)
Other versions
JP6842624B2 (ja
Inventor
陽介 平
陽介 平
直樹 鍬守
直樹 鍬守
辰彦 星野
辰彦 星野
丈尚太郎 小野寺
丈尚太郎 小野寺
龍彦 山口
龍彦 山口
恭子 富岡
恭子 富岡
拓也 板木
拓也 板木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kochi University NUC
NEC Corp
National Institute of Advanced Industrial Science and Technology AIST
Japan Agency for Marine Earth Science and Technology
Original Assignee
Kochi University NUC
NEC Corp
National Institute of Advanced Industrial Science and Technology AIST
Japan Agency for Marine Earth Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kochi University NUC, NEC Corp, National Institute of Advanced Industrial Science and Technology AIST, Japan Agency for Marine Earth Science and Technology filed Critical Kochi University NUC
Publication of JPWO2018207885A1 publication Critical patent/JPWO2018207885A1/ja
Application granted granted Critical
Publication of JP6842624B2 publication Critical patent/JP6842624B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/02—Prospecting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/125—Digital circuitry

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Organic Chemistry (AREA)
  • Pathology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Remote Sensing (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Microbiology (AREA)
  • Genetics & Genomics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biotechnology (AREA)
  • Biophysics (AREA)
  • Geophysics (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Image Processing (AREA)

Abstract

解析装置（１００）は、画像取得部（１１０）および解析部（１２０）を備える。画像取得部（１１０）は、地層から採取されたサンプル中の微化石の画像データを取得する。解析部（１２０）は、機械学習結果を用いて画像取得部（１１０）により取得された画像データを解析することにより、当該画像データ内の微化石のタクソンまたは種類を解析する。

Description

本発明は、採取したサンプル中に存在する微化石に基づく地層年代調査を支援する技術に関する。
専門家が、地層から採取されたサンプル中に存在する微化石（動物プランクトンや藻類の化石）に基づいて、その地層の年代を推定する調査が行われている。専門家は、例えば、下記非特許文献１に開示されるような、微化石のタクソン（界、門、綱、目、科、属、種という生物の分類単元）の生存区間を示す表などを参考にして、サンプル中に存在する微化石のタクソンを基にその地層の年代を推定している。
谷村好洋、辻彰洋編、「微化石：顕微鏡でみるプランクトン化石の世界」、国立科学博物館叢書、東海大学出版会、2012年8月、p.86-87、282-288、308-309
地層の年代を精度よく解析できれば、学術的または産業的に大きな利益となる。しかし、地層に含まれる微化石を基にその地層の年代を精度よく推定することができる専門家は限られおり、経験の浅い人物が専門家と同様の精度で地層の年代を推定することは極めて難しい。
本発明は、上記の課題に鑑みてなされたものである。本発明の目的の一つは、微化石を基に地層の年代を精度よく推定することを可能とする技術を提供することである。
本発明によれば、
地層から採取されたサンプル中の微化石の画像データを取得する画像取得手段と、
機械学習結果を用いて前記画像データを解析することにより、当該画像データ内の微化石のタクソンまたは種類を解析する解析手段と、
を備える解析装置が提供される。
本発明によれば、
地層から採取されたサンプル中の微化石のタクソンまたは種類の解析結果を取得する解析結果取得手段と、
前記解析結果を用いて、前記サンプルが採取された地層の年代を推定して出力する年代推定手段と、
を備える地層年代推定装置が提供される。
本発明によれば、
コンピュータによって実行される解析方法であって、
前記コンピュータが、
地層から採取されたサンプルの画像データを取得し、
機械学習結果を用いて前記画像データを解析することにより、当該画像データ内の微化石のタクソンまたは種類を解析する、
ことを含む解析方法が提供される。
本発明によれば、
コンピュータによって実行される地層年代推定方法であって、
前記コンピュータが、
地層から採取されたサンプル中の微化石のタクソンまたは種類の解析結果を取得し、
前記解析結果を用いて、前記サンプルの地層年代を推定して出力する、
ことを含む地層年代推定方法が提供される。
本発明によれば、
コンピュータを、
地層から採取されたサンプルの画像データを取得する画像取得手段、および、
機械学習結果を用いて前記画像データを解析することにより、当該画像データ内の微化石のタクソンまたは種類を解析する解析手段、
として機能させるためのプログラムが提供される。
本発明によれば、
コンピュータを、
地層から採取されたサンプル中の微化石のタクソンまたは種類の解析結果を取得する解析結果取得手段、および、
前記解析結果を用いて、前記サンプルの地層年代を推定して出力する年代推定手段、
として機能させるためのプログラムが提供される。
本発明によれば、微化石を基に地層の年代を精度よく推定することが可能となる。
上述した目的、およびその他の目的、特徴および利点は、以下に述べる好適な実施の形態、およびそれに付随する以下の図面によってさらに明らかになる。
第１実施形態における解析装置の機能構成を概念的に示すブロック図である。 解析装置のハードウエア構成を概念的に示す図である。 第１実施形態の解析装置の動作を例示するフローチャートである。 第２実施形態における解析装置の機能構成を概念的に示すブロック図である。 第２実施形態における解析装置の処理の流れを示すフローチャートである。 解析対象とする微化石の種類に対応する前処理を定義する情報を例示する図である。 年代推定部が微化石の種類別に地層の年代を推定する流れを例示的に説明するための図である。 各画像データの最終的な解析結果を確信度に基づいて分類した結果の一例を示す図である。 各タクソンの生存期間を例示する図である。 年代推定部の他の処理の流れを例示する図である。 第２実施形態の変形例の機能構成を概念的に例示するブロック図である。 地層年代推定装置のハードウエア構成を概念的に示す図である。 本発明の他の形態を例示するブロック図である。
〔従来の地層年代推定方法の概要〕
本発明の構成について説明する前に、微化石を用いて地層年代を推定する従来の方法について概略的に説明する。従来の方法では、まず、ドリルパイプなどの掘削装置を用いて対象の地層を掘削することによって、その地層のサンプルが採取される。そして、調査対象の地層の年代を推定する手がかりとなる微化石を詳細に観察するために、地層から採取されたサンプルを基にプレパラートが作成される。プレパラートは、対象とする微化石毎（例えば、所謂示準化石として利用される、円石藻、珪藻、放散虫、有孔虫毎）に下処理を施して作成される。専門家は、プレパラートを顕微鏡にセットして、サンプルの中に存在する微化石のタクソン（分類群）を識別する。そして、専門家は、識別された微化石のタクソンと、例えば非特許文献１に開示されている微化石のタクソン毎の生存期間を参照することで、サンプルを採取した地層の大凡の年代を推定する。このとき、微化石のタクソンの組み合わせや微化石のサイズなどが、年代を推定する際の大きな手掛かりとなる。そして、微化石の種類毎に推定された年代（円石藻の観察結果から推定した年代、珪藻の観察結果から推定した年代など）に基づいて、最終的な地層の年代を議論し決定する。
上述したように、示準化石を用いて年代を精度よく推定できる人材は限られている。以下で説明する本発明は、経験の浅い人物であっても、微化石の年代を精度よく推定することを可能とする。また、微化石の年代の推定結果を用いて地層の年代を精度よく推定することが可能となる。これにより、専門家の人材不足などの問題も併せて解決することができる。
以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。また、特に説明する場合を除き、各ブロック図において、各ブロックは、ハードウエア単位の構成ではなく、機能単位の構成を表している。
［第１実施形態］
〔機能構成〕
図１は、第１実施形態における解析装置１００の機能構成を概念的に示すブロック図である。図１に示されるように、本実施形態の解析装置１００は、画像取得部１１０および解析部１２０を有する。
画像取得部１１０は、地層から採取されたサンプルの中に存在する微化石の画像データを取得する。この画像データは、地層から採取されたサンプルから作成されたプレパラートを顕微鏡装置などにおいて撮影することによって生成される。このプレパラートは、解析対象とする微化石の種類（例えば円石藻、珪藻、放散虫、有孔虫などの分類）毎にそれぞれ作成される。
解析部１２０は、画像取得部１１０により取得された画像データを、機械学習結果を用いて処理することにより、当該画像データ内の微化石のタクソンまたは種類を解析する。この機械学習結果は、専門家による過去の分類結果（微化石の画像データとその微化石の分類先との組み合わせ）を教師データとして構築されたモデル（例えばＣＮＮ（Convolutional Neural Network）などのニューラルネットワーク）、すなわち、専門家の知見を学習して構築されたモデルである。
〔ハードウエア構成〕
解析装置１００の各機能構成部は、各機能構成部を実現するハードウエア（例：ハードワイヤードされた電子回路など）で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ（例：電子回路とそれを制御するプログラムの組み合わせなど）で実現されてもよい。以下、解析装置１００の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。
図２は、解析装置１００のハードウエア構成を概念的に示す図である。図２に示されるように、解析装置１００は、バス１０１、プロセッサ１０２、メモリ１０３、ストレージデバイス１０４、入出力インタフェース１０５、及びネットワークインタフェース１０６を含んで構成される。
バス１０１は、プロセッサ１０２、メモリ１０３、ストレージデバイス１０４、入出力インタフェース１０５、及びネットワークインタフェース１０６が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０２、メモリ１０３、ストレージデバイス１０４、入出力インタフェース１０５、及びネットワークインタフェース１０６などを互いに接続する方法は、バス接続に限定されない。
プロセッサ１０２は、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）などの演算装置である。メモリ１０３は、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）などを用いて実現される主記憶装置である。ストレージデバイス１０４は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、メモリカードなどを用いて実現される補助記憶装置である。
ストレージデバイス１０４は、解析装置１００の各機能構成部（画像取得部１１０、解析部１２０）を実現するプログラムモジュールを記憶している。プロセッサ１０２は、これら各プログラムモジュールをメモリ１０３に読み出して実行することで、各プログラムモジュールに対応する機能を実現する。
入出力インタフェース１０５は、解析装置１００と、モニタ１５１や入力装置１５２などとを接続するためのインタフェースである。モニタ１５１は、ＬＣＤ（Liquid Crystal Display）やＣＲＴ（Cathode Ray Tube）ディスプレイなどの表示出力用のデバイスである。入力装置１５２は、キーボードやマウスといった入力用のデバイスである。
ネットワークインタフェース１０６は、解析装置１００をＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）などの通信網に接続するためのインタフェースである。図２に示されるように、解析装置１００は、ネットワークインタフェース１０６を介して通信網に接続することで、外部のサーバ装置（図示せず）などと通信することができる。なお、通信網に接続する方法は、無線接続であってもよいし、有線接続であってもよい。
〔動作例〕
図３を用いて、本実施形態における解析装置１００の動作を例示する。図３は、第１実施形態の解析装置１００の動作を例示するフローチャートである。
画像取得部１１０は、地層から採取されたサンプルを基に作成されたプレパラートがセットされた顕微鏡装置などから、サンプル中の微化石の画像データを取得する（Ｓ１０２）。解析部１２０は、画像取得部１１０が取得した微化石の画像データを、ＣＮＮなどの機械学習結果を用いて解析する（Ｓ１０４）。例えば、解析部１２０は、画像取得部１１０が取得した微化石の画像データを機械学習結果に入力し、その画像データ内の微化石のタクソンの解析結果を出力として得ることができる。
以上、本実施形態では、地層から採取されたサンプルの中に存在する微化石の画像データを機械学習結果を用いて処理することにより、その画像データ内の微化石のタクソンの解析結果（識別結果）を得ることができる。微化石を用いた地層年代の推定において、微化石のタクソンを識別することは重要な部分であり、経験が必要とされる。本実施形態では、経験を積んだ専門家の知見を学習することにより構築された機械学習結果を用いて微化石の画像データを解析しているため、経験の浅い人物であっても、微化石のタクソンを精度よく解析することが可能となる。また、この解析結果を非特許文献１等に開示されている微化石毎の生存期間と照らし合わせることにより、経験の浅い人物であっても地層の年代を精度よく推定できる。
［第２実施形態］
本実施形態は、以下の点を除き、第１実施形態と同様の構成を有する。
〔機能構成〕
図４は、第２実施形態における解析装置１００の機能構成を概念的に示すブロック図である。図４に示されるように、本実施形態の解析装置１００は、第１実施形態の構成に加えて、前処理部１３０および年代推定部１４０を有する。前処理部１３０は、解析部１２０による解析を行う前に、画像取得部１１０により取得された画像データに対して前処理を実行する。年代推定部１４０は、解析手段による解析結果を用いて、サンプルを採取した地層の年代を推定して出力する。
〔ハードウエア構成〕
本実施形態の解析装置１００は、第１実施形態と同様のハードウエア構成（例：図２）を有する。本実施形態のストレージデバイス１０４は、上述の前処理部１３０および年代推定部１４０の機能を実現するプログラムモジュールを更に記憶しており、プロセッサ１０２がこのプログラムモジュールを実行することによって、上述の本実施形態の機能が実現される。
〔動作例〕
図５を用いて、本実施形態における解析装置１００の動作例を説明する。図５は、第２実施形態における解析装置１００の処理の流れを示すフローチャートである。
本実施形態において、画像取得部１１０は、地層から採取されたサンプルから作成されたプレパラートを顕微鏡装置などにおいて撮影することによって生成される１枚の画像データ（元画像データ）を取得する（Ｓ２０２）。元画像データは、ある程度上位の階級における種類（高次分類：例えば、円石藻、珪藻、放散虫、有孔虫など）ごとに作成されたプレパラートを、それぞれ顕微鏡装置で撮影することにより生成される。また、画像取得部１１０は、元画像データを処理することにより、当該元画像データの中から一つの微化石標本の画像データを複数切り出す（Ｓ２０４）。「一つの微化石標本の画像データ」とは、例えば、「円石藻」、「珪藻」、「放散虫」、「有孔虫」など、ある程度上位の階級における種類に分類した微化石を一つ含む画像データを意味する。画像取得部１１０は、モニタ１５１に元画像データを表示してユーザからの操作入力を受け付けることにより、上述したような微化石を一つ含んでいる切り出し領域を決定することができる。その他にも、画像取得部１１０は、例えば、ある程度上位の階級における種類（高次分類：例えば、円石藻、珪藻、放散虫、有孔虫など）ごとに構築されたニューラルネットワークを用いて、元画像データの中から上述したような微化石を一つ含んでいる領域を自動的に切り出すように構成されていてもよい。本実施形態において、画像取得部１１０により切り出された複数の画像データは、解析部１２０による解析の前に、前処理部１３０に転送される。
前処理部１３０は、解析部１２０による解析を行う前に、画像取得部１１０により取得された画像データに対して前処理を実行する（Ｓ２０６）。前処理部１３０は、ニューラルネットワークなどの機械学習結果を構築する際に用いられた教師データとデータの次元を合わせるために、前処理部１３０は、解像度（１インチ当たりのピクセル数）を教師データに合わせて調整する。また、前処理部１３０は、例えば、画像取得部１１０により取得された画像データの明るさ、エッジ、およびコントラストの少なくともいずれか１つを調整する処理を実行する。
このとき、前処理部１３０は、画像データと共に解析対象とする微化石の種類を識別する情報を取得し、当該情報によって識別される微化石の種類（解析対象）別に決められた前処理を実行することができる。微化石の種類を識別する情報は、例えば、元画像データの生成時あるいは複数の画像データの切出し時に付与されており、前処理部１３０は、画像データと共にその画像データ内の微化石の種類を識別する情報を取得することができる。その他にも、前処理部１３０は、例えば、微化石の種類を識別する情報に関するユーザ入力を受け付ける画面をモニタ１５１に表示し、当該画面を介して、微化石の種類を識別する情報を取得してもよい。前処理部１３０は、微化石の種類を識別する情報に基づいて図６に示されるようなテーブル参照し、その画像データに対して識別することができる。
図６は、解析対象とする微化石の種類に対応する前処理を定義する情報を例示する図である。図６では、解析対象とする微化石の種類を識別する情報、および、実行すべき前処理と調整用のパラメータを示す情報とを紐付けて記憶するテーブルが例示されている。例えば、解析対象とする微化石の種類を識別する情報として「円石藻」が得られた場合、前処理部１３０は、「明るさ」、「エッジ」、および「コントラスト」を、調整用のパラメータを用いて調整する前処理を実行する。図６の例では、円石藻および珪藻に関する情報のみが記憶されているが、その他の微化石（例えば、放散虫や有孔虫）の前処理が更に記憶されていてもよい。
前処理部１３０は、Ｓ２０４の処理で切り出された複数の画像データそれぞれについて前処理を実行し、処理後の複数の画像データを解析部１２０に転送する。
解析部１２０は、前処理部１３０により処理された複数の画像データを解析し、先の処理における分類（例えば、円石藻、珪藻、放散虫、有孔虫など）毎に解析結果を生成する（Ｓ２０８）。ここで、Ｓ２０４の処理で円石藻、珪藻、放散虫、有孔虫といった種類別に切り出された画像データをその種類の中で更に細分化するため、円石藻、珪藻、放散虫、有孔虫といった微化石の種類毎に、さらに下位の階級における種類（例えば、円石藻であれば、「Pseudoemiliania属」や「Reticulofenestra属」といったタクソン）別の機械学習結果が用意される。そして、解析部１２０は、タクソン別の複数の機械学習結果を用いて、タクソン別の解析結果を生成する。解析部１２０は、例えば、以下のように解析結果を生成する。
まず、解析部１２０は、微化石の種類毎に用意された機械学習結果を用いて画像データ内の微化石の分類を細分化する。解析部１２０は、微化石の種類を示す情報をユーザからの入力により取得して、どの機械学習結果を使用すればよいかを決定してもよいし、画像データに付与された、画像データ内の微化石の種類を識別する情報に基づいて、どの機械学習結果を使用すればよいかを決定してもよい。
なお、微化石は、「円石藻」や「珪藻」といった分類レベルで見れば同一であっても、より下位の分類レベルで見れば見た目の特徴（形状）が大きく異なることもある。解析部１２０は、Ｓ２０４の処理で分類された画像データを、見た目の特徴に基づく分類フィルター（例えば、パターンマッチング、形状に関する学習によって構築されたニューラルネットワークなど）によりグループ分けした後で、グループ毎に紐付けられた機械学習結果を用いて分類を解析するように構成されていてもよい。
そして、解析部１２０は、あるタクソンの機械学習結果を用いて分類された画像データを、そのタクソンの下位の階級に属するタクソンの機械学習結果に入力して分類する処理を繰り返し、地層年代を推定できるレベルまで細分化した解析結果を生成する。解析部１２０は、解析結果として、例えば、画像データ内の微化石のタクソンと当該タクソンである確からしさの程度（確信度）を示す情報を生成する。解析部１２０は、例えば上述したような「Pseudoemiliania属」や「Reticulofenestra属」といったタクソン別の機械学習結果を用いて、画像データの種類（「Pseudoemiliania属」や「Reticulofenestra属」であるか否か）の識別結果、また、その確信度を含む解析結果を生成することができる。また、解析部１２０は、年代を推定する精度を向上させるために、各画像データ内の微化石のサイズ（例えば、径など）を更に測定してもよい。解析部１２０は、例えば、画像データの解像度（１インチ当たりのピクセル数）と微化石の画素領域（ピクセル数）とに基づいて、その画像データ内の微化石のサイズを測定し、解析結果に含めることができる。解析部１２０により生成された解析結果は、年代推定部１４０に転送される。
なお、上位から下位に向けて段階的に解析結果を出力する構成により、最終的な解析結果が出るまでの過程を示す情報が得られる。ユーザは、当該情報に基づいて、画像データが機械学習結果によってどのように判断されたかを確認し、機械学習結果のチューニング（再学習）や、人手または再学習結果による画像データの再分類といった、解析精度を向上させるための対策を的確に行うことができる。
年代推定部１４０は、解析部１２０により生成された解析結果を用いて、サンプルを採取した地層の年代を推定する（Ｓ２１０）。年代推定部１４０は、まず、微化石の種類別に得られた解析結果を用いて、微化石の種類別に地層の年代を推定する。年代推定部１４０は、例えば、以下のようにして、微化石の種類別に地層の年代を推定することができる。
図７は、年代推定部１４０が微化石の種類別に地層の年代を推定する流れを例示的に説明するための図である。図７（ａ）には、年代推定部１４０が解析部１２０から取得した解析結果の一例が示されている。ここでは、藻類Ａ〜Ｄの４種類に分類される微化石に関する７枚の画像データが解析部１２０で解析され、各画像データ内の微化石のサイズ（径）を示す情報と当該微化石が藻類Ａ〜Ｄである確率を示す情報とがその解析結果として取得された場合が例示されている。年代推定部１４０は、この解析結果と、年代別の微化石の標準分布に基づいて、微化石の種類に推定される年代を決定することができる。具体的には、年代推定部１４０は、これらの解析結果に基づいて、図７（ｂ）に示されるように、サンプル中の微化石の分布を算出する。年代推定部１４０は、例えば、各画像データの解析結果の確率の平均値といった統計値からサンプル中の微化石の分布を算出してもよいし、画像データ毎に確率が最大となるものをその画像データ内の微化石として識別しその結果からサンプル中の微化石の分布を算出してもよい。そして、年代推定部１４０は、算出したサンプル中の微化石の分布と、図７（ｃ）に示されるような年代別の化石の標準分布とを比較する。なお、微化石の群集の比率は地域ごとの環境の違いによって左右され得るため、図７（ｃ）に示されるような標準分布は地域情報と紐付けて複数用意されていてもよい。年代推定部１４０は、サンプルを採取した場所を示す情報を受け取ることで、その場所に応じた標準分布を読み出すことができる。そして、年代推定部１４０は、分布の類似度などに基づいて、サンプルを採取した地層の年代を推定する。図７の例において、（１）藻類Ｂ〜Ｄの分布が年代３に最も近い、（２）藻類Ａが少量（５％）分布している、および、（３）藻類Ｄの分布が５０％であるという点に鑑みて、年代推定部１４０は、例えば、サンプルを採取した地層の年代について「年代２の初期〜年代３の末期」や「年代３±Ｘ年」などと推定することができる。なお、ここで説明した流れはあくまで一例であり、本発明を特に限定するものではない。
例えば、年代推定部１４０は、機械学習結果を用いて前記解析結果を処理することにより、サンプルが採取された地層の年代を推定して出力するように構成されていてもよい。この場合、機械学習結果は、例えば、微化石のタクソンの分布とその分布に対応する年代の推定結果（大凡の年代とその幅）とを紐付けた教師データを用いて構築することができる。
そして、年代推定部１４０は、微化石の種類毎に推定された年代に基づいて、最終的な年代を推定する（Ｓ２１２）。年代推定部１４０は、例えば、微化石の種類毎に推定された年代が重なる部分を、サンプルが採取された地層の年代の最終的な推定結果として決定することができる。
＜年代推定部１４０の処理の他の例＞
図８乃至図１０を用いて、年代推定部１４０の処理の他の例を説明する。なお、以下で説明する処理はあくまで例示であり、本発明はこれらの例に制限されない。
まず、年代推定部１４０は、解析部１２０による各画像データの最終的な解析結果を取得する。解析結果には、各画像データ内の微化石のタクソンと当該タクソンである確信度を示す情報（例えば「円石藻のＸＸ属である確信度ＮＮ％」など）が含まれる。そして、年代推定部１４０は、解析部１２０から取得した各画像データの最終的な解析結果を、確信度に基づく複数の段階（例えば、「確信度：高」、「確信度：中」、「確信度：低」など）に分類する（例：図８）。図８は、各画像データの最終的な解析結果を確信度に基づいて分類した結果の一例を示す図である。例えば、「藻類Ａ」の列は、１００個の画像データを藻類Ａの機械学習結果に入力した結果を示している。具体的には、高い確信度で藻類Ａに分類された画像データが４０個、中程度の確信度で藻類Ａに分類された画像データが６０個、低い確信度で藻類Ａと分類された画像データが０個、という解析結果が得られたことを示している。年代推定部１４０は、全てのタクソンで共通、或いは、タクソン毎に設定された、確信度に関する閾値を用いて、それぞれの画像データの解析結果を確信度に基づく複数の段階に分類することができる。
次に、年代推定部１４０は、「確信度：高」に分類される解析結果が有意数（例えば、画像データの数の１／１０など）以上得られたタクソンが存在するか否かを判定する。あるタクソンについて「確信度：高」に分類される解析結果が有意数得られた場合、年代推定部１４０は、少なくともそのタクソンの生存期間に対応する年代を、サンプルを採取した地層の年代の候補として絞り込む。例えば、藻類Ａ〜藻類Ｄそれぞれの生存期間が図９に示されるように定義されていることを前提として、図８のような解析結果が得られた場合、年代推定部１４０は、「信頼度：高」に分類される解析結果が有意数得られた藻類Ａの生存期間（年代１〜年代３）を、サンプルを採取した地層の年代の候補として絞り込む。ここで、あるタクソンについて、大部分（例えば、８割以上など）の解析結果が「確信度：低」に分類されている場合、年代推定部１４０は、そのタクソンの生存期間に対応する年代を、サンプルを採取した地層の年代の候補から除外するように構成されていてもよい。例えば、藻類Ａ〜藻類Ｄそれぞれの生存期間が図９に示されるように定義されていることを前提として、図８のような解析結果が得られた場合、年代推定部１４０は、藻類Ｄの生存期間（年代３〜年代５）を、サンプルを採取した地層の年代の候補から除外することができる。
上述の絞り込みの結果、複数の候補が残ることもある。この場合、年代推定部１４０は、例えば「確信度：高」および「確信度：中」に分類された解析結果の数（割合）に基づいて、複数の候補それぞれの確からしさを示すスコアを算出し、そのスコアに基づいて年代の推定結果を出力することができる。例えば、年代推定部１４０は、「確信度：高」に分類された解析結果が有意数以上得られたタクソンを特定し、そのタクソンの生存期間に対応する年代に対して第１のスコア（最大スコア）を割り当てる。また、年代推定部１４０は、「確信度：高」に分類された解析結果が有意数未満であるが、「確信度：中」の解析結果が有意数以上であるタクソンを特定し、そのタクソンの生存期間に対応する年代に対して上記第１のスコアよりも小さい第２のスコアを割り当てる。また、年代推定部１４０は、上記以外のタクソンの生存期間に対応する年代に対しては、第２のスコアよりも小さい第３のスコアを割り当てる。そして、年代推定部１４０は、タクソン別の解析結果に応じて各年代に割り当てたスコアの統計値（合算値、平均値など）を算出し、その統計値に基づいて絞り込まれた複数の候補をそれぞれランク付けする。そして、年代推定部１４０は、例えばディスプレイやプリンタを用いて、絞り込まれた複数の候補をランクの高低が分かる形式で出力する。ユーザは、出力された結果を基に、尤もらしい年代を選択することができる。
一連の流れは、例えば図１０に示すようになる。図１０に示されるように、年代推定部１４０は、藻類Ａおよび藻類Ｄの解析結果の統計に基づいて、年代１または年代２に候補が絞り込まれる。そして、年代推定部１４０は、藻類Ａの生存期間のみに対応する年代１に「第１のスコア（例えば、「１００」）」を割り当てる。また、年代推定部１４０は、藻類Ａ、藻類Ｂ、および藻類Ｃの生存期間に該当する年代２に「第１のスコア＋第２のスコア＋第２のスコア（例えば、「１００＋３０＋３０」）」を割り当てる。そして、年代推定部１４０は、このスコアに従って、サンプルを採取した地層の推定年代として、年代２が可能性として一番高く、年代１がその次に可能性が高いことを示す情報を出力する。
以上、本実施形態によれば、地層から採取されたサンプルを基に生成された画像データを解析部１２０で解析した結果を用いて、地層の年代を推定した結果が出力される。このように、本実施形態の解析装置１００によれば、地層の年代推定まで自動的に行うことができ、地層年代の調査にかかる負荷を低減させることができる。
〔変形例〕
図１１は、第２実施形態の変形例の機能構成を概念的に例示するブロック図である。本変形例において、上述の年代推定部１４０は、解析装置１００とは別の装置２００に備えられていてもよい。この年代推定部１４０を備える装置２００は「地質年代推定装置」と呼ぶこともできる。地層年代推定装置２００は、年代推定部１４０に加え、地層から採取されたサンプル中の微化石のタクソンの解析結果を取得する解析結果取得部２１０を備える。
本変形例において、解析結果取得部２１０は、例えば図７（ａ）に示されるような情報を、解析装置１００から取得することができる。そして、年代推定部１４０は、この解析結果と、年代別の微化石の標準分布に基づいて、微化石の種類に推定される年代を決定することができる。具体的には、年代推定部１４０は、これらの解析結果に基づいてサンプル中の微化石の分布を算出し（例：図７（ｂ））、算出したサンプル中の微化石の分布と年代別の微化石の標準分布とを比較することによって、当該サンプルが採取された地層の年代を推定して出力することができる。また、年代推定部１４０は、機械学習結果を用いて前記解析結果を処理することにより、サンプルが採取された地層の年代を推定して出力するように構成されていてもよい。
〔ハードウエア構成〕
図１２は、地層年代推定装置２００のハードウエア構成を概念的に示す図である。図１２に示されるように、地層年代推定装置２００は、バス２０１、プロセッサ２０２、メモリ２０３、ストレージデバイス２０４、入出力インタフェース２０５、及びネットワークインタフェース２０６を含んで構成される。
バス２０１は、プロセッサ２０２、メモリ２０３、ストレージデバイス２０４、入出力インタフェース２０５、及びネットワークインタフェース２０６が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ２０２、メモリ２０３、ストレージデバイス２０４、入出力インタフェース２０５、及びネットワークインタフェース２０６などを互いに接続する方法は、バス接続に限定されない。
プロセッサ２０２は、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）などの演算装置である。メモリ２０３は、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）などを用いて実現される主記憶装置である。ストレージデバイス１０４は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、メモリカードなどを用いて実現される補助記憶装置である。
ストレージデバイス２０４は、地層年代推定装置２００の各機能構成部（解析結果取得部２１０、年代推定部１４０）を実現するプログラムモジュールを記憶している。プロセッサ２０２は、これら各プログラムモジュールをメモリ１０３に読み出して実行することで、各プログラムモジュールに対応する機能を実現する。
入出力インタフェース２０５は、地層年代推定装置２００と、モニタ２５１や入力装置２５２などとを接続するためのインタフェースである。入力装置２５２は、キーボードやマウスといった入力用のデバイスである。モニタ２５１は、ＬＣＤ（Liquid Crystal Display）やＣＲＴ（Cathode Ray Tube）ディスプレイなどの表示出力用のデバイスである。
ネットワークインタフェース２０６は、地層年代推定装置２００をＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）などの通信網に接続するためのインタフェースである。図１２に示されるように、地層年代推定装置２００は、ネットワークインタフェース２０６を介して通信網に接続することで、解析装置１００や外部のサーバ装置（図示せず）などと通信することができる。なお、通信網に接続する方法は、無線接続であってもよいし、有線接続であってもよい。
以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。
例えば、図１３に示されるように、機械学習結果の精度を維持あるいは向上させるためのチューニング作業を行うための処理部が更に設けられていてもよい。図１３は、本発明の他の形態を例示するブロック図である。図１３では、解析装置１００に手動解析部３１０および管理部３２０が接続されている。
管理部３２０は、後述の手動解析部３１０での処理に必要な各種データを記憶する処理部である。管理部３２０は、各種計算に用いるパラメータ（画像調整用パラメータ、解析用パラメータ、年代推定に関するパラメータなど）や、機械学習結果モデルの履歴などを管理している。また、管理部３２０は、手動解析部３１０で解析装置１００がある結果を出力するまでの経緯を追跡できるように、解析装置１００での動作のログ（例えば、入力された微化石の画像データのセット、微化石の分類に用いられた機械学習結果のバージョンなど）を逐次記憶している。
手動解析部３１０は、管理部３２０に記憶されている情報を用いて、解析装置１００が正しく動いているか否かを人手で確認するための処理部である。手動解析部３１０は、例えば、解析装置１００の動作ログを確認して、ある機械学習結果モデルを用いた結果、誤って分類された微化石の再分類処理を行うことができる。例えば、手動解析部３１０は、図示しない管理者用のモニタ上に、入力された画像データとその画像データ内の微化石の分類結果（タクソン）とを表示させ、誤った分類結果を修正するための入力を受け付けることができる。また、手動解析部３１０は、誤った分類結果を出してしまった機械学習結果モデルに対して再学習処理を実行させ、再学習処理後の機械学習結果モデルを用いて再分類処理を実行させることもできる。また、年代推定に関するパラメータは、将来の研究において変動することもあり得る。例えば、将来の地層研究の結果、あるタクソンの生存期間が、現在定義されている期間よりも短くまたは長くなることもあり得る。そこで、手動解析部３１０は、年代推定に関するパラメータの調整機能を更に備えていてもよい。
また、上述の説明で用いた複数のフローチャートでは、複数の工程（処理）が順番に記載されているが、各実施形態で実行される工程の実行順序は、その記載の順番に制限されない。各実施形態では、図示される工程の順番を内容的に支障のない範囲で変更することができる。また、上述の各実施形態は、内容が相反しない範囲で組み合わせることができる。
上記の実施形態の一部または全部は、以下の付記のようにも記載されうるが、以下に限られない。
１．
地層から採取されたサンプル中の微化石の画像データを取得する画像取得手段と、
機械学習結果を用いて前記画像データを解析することにより、当該画像データ内の微化石のタクソンまたは種類を解析する解析手段と、
を備える解析装置。
２．
前記解析手段は、前記画像データ内の微化石のタクソンまたは種類と当該タクソンまたは種類である確信度を示す情報を解析結果として生成する、
１．に記載の解析装置。
３．
前記画像取得手段は、１枚の元画像データを処理することによって、当該１枚の元画像データの中から複数の前記画像データを切り出す、
１．または２．に記載の解析装置。
４．
前記解析手段は、微化石のタクソンまたは種類別に用意された複数の機械学習結果を用いて、微化石のタクソンまたは種類別の解析結果を生成する、
１．乃至３．のいずれか１つに記載の解析装置。
５．
前記解析手段による解析を行う前に前記画像データに対して前処理を実行する前処理部を更に備える、
１．乃至４．のいずれか１つに記載の解析装置。
６．
前記前処理部は、前記画像データの明るさ、および、エッジの少なくともいずれか１つを調整する処理を前記前処理として実行する、
５．に記載の解析装置。
７．
前記前処理部は、前記画像データと共に解析対象を識別する情報を取得し、当該情報によって識別される解析対象別に決められた前処理を実行する、
５．または６．に記載の解析装置。
８．
前記解析手段による解析結果を用いて、前記サンプルが採取された地層の年代を推定して出力する年代推定手段を更に備える、
１．乃至７．のいずれか１つに記載の解析装置。
９．
前記年代推定手段は、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する、
８．に記載の解析装置。
１０．
前記年代推定手段は、
前記解析手段による微化石のタクソンまたは種類別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する、
９．に記載の解析装置。
１１．
前記年代推定手段は、機械学習結果を用いて前記解析結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する、
８．に記載の解析装置。
１２．
地層から採取されたサンプル中の微化石のタクソンまたは種類の解析結果を取得する解析結果取得手段と、
前記解析結果を用いて、前記サンプルが採取された地層の年代を推定して出力する年代推定手段と、
を備える地層年代推定装置。
１３．
前記年代推定手段は、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する、
１２．に記載の地層年代推定装置。
１４．
前記解析結果取得手段は、前記サンプル中の微化石のタクソンまたは種類別の解析結果を取得し、
前記年代推定手段は、
前記微化石のタクソン別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する、
１３．に記載の地層年代推定装置。
１５．
前記年代推定手段は、機械学習結果を用いて前記解析結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する、
１２．に記載の地層年代推定装置。
１６．
コンピュータによって実行される解析方法であって、
前記コンピュータが、
地層から採取されたサンプルの画像データを取得し、
機械学習結果を用いて前記画像データを解析することにより、当該画像データ内の微化石のタクソンまたは種類を解析する、
ことを含む解析方法。
１７．
前記コンピュータが、前記画像データ内の微化石のタクソンまたは種類と当該タクソンまたは種類である確信度を示す情報を解析結果として生成する、
ことを含む１６．に記載の解析方法。
１８．
前記コンピュータが、１枚の元画像データを処理することによって、当該１枚の元画像データの中から複数の前記画像データを切り出す、
ことを含む１６．または１７．に記載の解析方法。
１９．
前記コンピュータが、微化石のタクソンまたは種類別に用意された複数の機械学習結果を用いて、微化石のタクソンまたは種類別の解析結果を生成する、
ことを含む１６．乃至１８．のいずれか１つに記載の解析方法。
２０．
前記コンピュータが、前記解析を行う前に前記画像データに対して前処理を実行する、
ことを含む１６．乃至１９．のいずれか１つに記載の解析方法。
２１．
前記コンピュータが、前記画像データの明るさ、および、エッジの少なくともいずれか１つを調整する処理を前記前処理として実行する、
ことを含む２０．に記載の解析方法。
２２．
前記コンピュータが、前記画像データと共に解析対象を識別する情報を取得し、当該情報によって識別される解析対象別に決められた前処理を実行する、
ことを含む２０．または２１．に記載の解析方法。
２３．
前記コンピュータが、前記解析結果を用いて、前記サンプルが採取された地層の年代を推定して出力する、
ことを含む１６．乃至２２．のいずれか１つに記載の解析方法。
２４．
前記コンピュータが、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する、
ことを含む２３．に記載の解析方法。
２５．
前記コンピュータが、
前記微化石のタクソンまたは種類別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する、
ことを含む２４．に記載の解析方法。
２６．
前記コンピュータが、機械学習結果を用いて前記解析結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する、
ことを含む２３．に記載の解析方法。
２７．
コンピュータによって実行される地層年代推定方法であって、
前記コンピュータが、
地層から採取されたサンプル中の微化石のタクソンまたは種類の解析結果を取得し、
前記解析結果を用いて、前記サンプルの地層の年代を推定して出力する、
ことを含む地層年代推定方法。
２８．
前記コンピュータが、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する、
ことを含む２７．に記載の地層年代推定方法。
２９．
前記コンピュータが、
前記サンプル中の微化石のタクソンまたは種類別の解析結果を取得し、
前記微化石のタクソン別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する、
ことを含む２８．に記載の地層年代推定方法。
３０．
前記コンピュータが、機械学習結果を用いて前記解析結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する、
ことを含む２７．に記載の地層年代推定方法。
３１．
コンピュータを、
地層から採取されたサンプルの画像データを取得する画像取得手段、および、
機械学習結果を用いて前記画像データを解析することにより、当該画像データ内の微化石のタクソンまたは種類を解析する解析手段、
として機能させるためのプログラム。
３２．
前記コンピュータを、前記画像データ内の微化石のタクソンまたは種類と当該タクソンまたは種類である確信度を示す情報を解析結果として生成する手段、
として機能させるための３１．に記載のプログラム。
３３．
前記コンピュータを、１枚の元画像データを処理することによって、当該１枚の元画像データの中から複数の前記画像データを切り出す手段、
として機能させるための３１．または３２．に記載のプログラム。
３４．
前記コンピュータを、微化石のタクソンまたは種類別に用意された複数の機械学習結果を用いて、微化石のタクソンまたは種類別の解析結果を生成する手段、
として機能させるための３１．乃至３３．のいずれか１つに記載のプログラム。
３５．
前記コンピュータを、
前記解析手段による解析を行う前に前記画像データに対して前処理を実行する前処理部、
として更に機能させるための３１．乃至３４．のいずれか１つに記載のプログラム。
３６．
前記コンピュータを、前記画像データの明るさ、および、エッジの少なくともいずれか１つを調整する処理を前記前処理として実行する手段、
として機能させるための３５．に記載のプログラム。
３７．
前記コンピュータを、前記画像データと共に解析対象を識別する情報を取得し、当該情報によって識別される解析対象別に決められた前処理を実行する手段、
として機能させるための３５．または３６．に記載のプログラム。
３８．
前記コンピュータを、
前記解析手段による解析結果を用いて、前記サンプルが採取された地層の年代を推定して出力する年代推定手段、
として更に機能させるための３１．乃至３７．のいずれか１つに記載のプログラム。
３９．
前記コンピュータを、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する手段、
として機能させるための３８．に記載のプログラム。
４０．
前記コンピュータを、
前記解析手段による微化石のタクソンまたは種類別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する手段、
として機能させるための３９．に記載のプログラム。
４１．
前記コンピュータを、機械学習結果を用いて前記解析結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する手段、
として機能させるための３８．に記載のプログラム。
４２．
コンピュータを、
地層から採取されたサンプル中の微化石のタクソンまたは種類の解析結果を取得する解析結果取得手段、および、
前記解析結果を用いて、前記サンプルの地層の年代を推定して出力する年代推定手段、
として機能させるためのプログラム。
４３．
前記コンピュータを、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する手段、
として機能させるための４２．に記載のプログラム。
４４．
前記コンピュータを、
前記サンプル中の微化石のタクソンまたは種類別の解析結果を取得し、
前記微化石のタクソン別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する手段、
として機能させるための４３．に記載のプログラム。
４５．
前記コンピュータを、機械学習結果を用いて前記解析結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する手段、
として機能させるための４２．に記載のプログラム。
この出願は、２０１７年５月１０日に出願された日本出願特願２０１７−０９４０８６号を基礎とする優先権を主張し、その開示の全てをここに取り込む。

Claims (45)

  1. 地層から採取されたサンプル中の微化石の画像データを取得する画像取得手段と、
    機械学習結果を用いて前記画像データを解析することにより、当該画像データ内の微化石のタクソンまたは種類を解析する解析手段と、
    を備える解析装置。
  2. 前記解析手段は、前記画像データ内の微化石のタクソンまたは種類と当該タクソンまたは種類である確信度を示す情報を解析結果として生成する、
    請求項１に記載の解析装置。
  3. 前記画像取得手段は、１枚の元画像データを処理することによって、当該１枚の元画像データの中から複数の前記画像データを切り出す、
    請求項１または２に記載の解析装置。
  4. 前記解析手段は、微化石のタクソンまたは種類別に用意された複数の機械学習結果を用いて、微化石のタクソンまたは種類別の解析結果を生成する、
    請求項１乃至３のいずれか１項に記載の解析装置。
  5. 前記解析手段による解析を行う前に前記画像データに対して前処理を実行する前処理部を更に備える、
    請求項１乃至４のいずれか１項に記載の解析装置。
  6. 前記前処理部は、前記画像データの明るさ、および、エッジの少なくともいずれか１つを調整する処理を前記前処理として実行する、
    請求項５に記載の解析装置。
  7. 前記前処理部は、前記画像データと共に解析対象を識別する情報を取得し、当該情報によって識別される解析対象別に決められた前処理を実行する、
    請求項５または６に記載の解析装置。
  8. 前記解析手段による解析結果を用いて、前記サンプルが採取された地層の年代を推定して出力する年代推定手段を更に備える、
    請求項１乃至７のいずれか１項に記載の解析装置。
  9. 前記年代推定手段は、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する、
    請求項８に記載の解析装置。
  10. 前記年代推定手段は、
    前記解析手段による微化石のタクソンまたは種類別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
    前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する、
    請求項９に記載の解析装置。
  11. 前記年代推定手段は、機械学習結果を用いて前記解析結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する、
    請求項８に記載の解析装置。
  12. 地層から採取されたサンプル中の微化石のタクソンまたは種類の解析結果を取得する解析結果取得手段と、
    前記解析結果を用いて、前記サンプルが採取された地層の年代を推定して出力する年代推定手段と、
    を備える地層年代推定装置。
  13. 前記年代推定手段は、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する、
    請求項１２に記載の地層年代推定装置。
  14. 前記解析結果取得手段は、前記サンプル中の微化石のタクソンまたは種類別の解析結果を取得し、
    前記年代推定手段は、
    前記微化石のタクソン別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
    前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する、
    請求項１３に記載の地層年代推定装置。
  15. 前記年代推定手段は、機械学習結果を用いて前記解析結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する、
    請求項１２に記載の地層年代推定装置。
  16. コンピュータによって実行される解析方法であって、
    前記コンピュータが、
    地層から採取されたサンプルの画像データを取得し、
    機械学習結果を用いて前記画像データを解析することにより、当該画像データ内の微化石のタクソンまたは種類を解析する、
    ことを含む解析方法。
  17. 前記コンピュータが、前記画像データ内の微化石のタクソンまたは種類と当該タクソンまたは種類である確信度を示す情報を解析結果として生成する、
    ことを含む請求項１６に記載の解析方法。
  18. 前記コンピュータが、１枚の元画像データを処理することによって、当該１枚の元画像データの中から複数の前記画像データを切り出す、
    ことを含む請求項１６または１７に記載の解析方法。
  19. 前記コンピュータが、微化石のタクソンまたは種類別に用意された複数の機械学習結果を用いて、微化石のタクソンまたは種類別の解析結果を生成する、
    ことを含む請求項１６乃至１８のいずれか１項に記載の解析方法。
  20. 前記コンピュータが、前記解析を行う前に前記画像データに対して前処理を実行する、
    ことを含む請求項１６乃至１９のいずれか１項に記載の解析方法。
  21. 前記コンピュータが、前記画像データの明るさ、および、エッジの少なくともいずれか１つを調整する処理を前記前処理として実行する、
    ことを含む請求項２０に記載の解析方法。
  22. 前記コンピュータが、前記画像データと共に解析対象を識別する情報を取得し、当該情報によって識別される解析対象別に決められた前処理を実行する、
    ことを含む請求項２０または２１に記載の解析方法。
  23. 前記コンピュータが、前記解析の結果を用いて、前記サンプルが採取された地層の年代を推定して出力する、
    ことを含む請求項１６乃至２２のいずれか１項に記載の解析方法。
  24. 前記コンピュータが、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する、
    ことを含む請求項２３に記載の解析方法。
  25. 前記コンピュータが、
    前記微化石のタクソンまたは種類別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
    前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する、
    ことを含む請求項２４に記載の解析方法。
  26. 前記コンピュータが、機械学習結果を用いて前記解析の結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する、
    ことを含む請求項２３に記載の解析方法。
  27. コンピュータによって実行される地層年代推定方法であって、
    前記コンピュータが、
    地層から採取されたサンプル中の微化石のタクソンまたは種類の解析結果を取得し、
    前記解析結果を用いて、前記サンプルの地層の年代を推定して出力する、
    ことを含む地層年代推定方法。
  28. 前記コンピュータが、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する、
    ことを含む請求項２７に記載の地層年代推定方法。
  29. 前記コンピュータが、
    前記サンプル中の微化石のタクソンまたは種類別の解析結果を取得し、
    前記微化石のタクソン別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
    前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する、
    ことを含む請求項２８に記載の地層年代推定方法。
  30. 前記コンピュータが、機械学習結果を用いて前記解析結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する、
    ことを含む請求項２７に記載の地層年代推定方法。
  31. コンピュータを、
    地層から採取されたサンプルの画像データを取得する画像取得手段、および、
    機械学習結果を用いて前記画像データを解析することにより、当該画像データ内の微化石のタクソンまたは種類を解析する解析手段、
    として機能させるためのプログラム。
  32. 前記コンピュータを、前記画像データ内の微化石のタクソンまたは種類と当該タクソンまたは種類である確信度を示す情報を解析結果として生成する手段、
    として機能させるための請求項３１に記載のプログラム。
  33. 前記コンピュータを、１枚の元画像データを処理することによって、当該１枚の元画像データの中から複数の前記画像データを切り出す手段、
    として機能させるための請求項３１または３２に記載のプログラム。
  34. 前記コンピュータを、微化石のタクソンまたは種類別に用意された複数の機械学習結果を用いて、微化石のタクソンまたは種類別の解析結果を生成する手段、
    として機能させるための請求項３１乃至３３のいずれか１項に記載のプログラム。
  35. 前記コンピュータを、
    前記解析手段による解析を行う前に前記画像データに対して前処理を実行する前処理部、
    として更に機能させるための請求項３１乃至３４のいずれか１項に記載のプログラム。
  36. 前記コンピュータを、前記画像データの明るさ、および、エッジの少なくともいずれか１つを調整する処理を前記前処理として実行する手段、
    として機能させるための請求項３５に記載のプログラム。
  37. 前記コンピュータを、前記画像データと共に解析対象を識別する情報を取得し、当該情報によって識別される解析対象別に決められた前処理を実行する手段、
    として機能させるための請求項３５または３６に記載のプログラム。
  38. 前記コンピュータを、
    前記解析手段による解析結果を用いて、前記サンプルが採取された地層の年代を推定して出力する年代推定手段、
    として更に機能させるための請求項３１乃至３７のいずれか１項に記載のプログラム。
  39. 前記コンピュータを、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する手段、
    として機能させるための請求項３８に記載のプログラム。
  40. 前記コンピュータを、
    前記解析手段による微化石のタクソンまたは種類別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
    前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する手段、
    として機能させるための請求項３９に記載のプログラム。
  41. 前記コンピュータを、機械学習結果を用いて前記解析結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する手段、
    として機能させるための請求項３８に記載のプログラム。
  42. コンピュータを、
    地層から採取されたサンプル中の微化石のタクソンまたは種類の解析結果を取得する解析結果取得手段、および、
    前記解析結果を用いて、前記サンプルの地層の年代を推定して出力する年代推定手段、
    として機能させるためのプログラム。
  43. 前記コンピュータを、前記年代別の微化石の標準分布を用いて、前記サンプルが採取された地層の年代を推定して出力する手段、
    として機能させるための請求項４２に記載のプログラム。
  44. 前記コンピュータを、
    前記サンプル中の微化石のタクソンまたは種類別の解析結果を取得し、
    前記微化石のタクソン別の解析結果を用いて、前記サンプル中の微化石の分布を算出し、
    前記サンプル中の微化石の分布と前記年代別の微化石の標準分布とに基づいて、前記サンプルが採取された地層の年代を推定して出力する手段、
    として機能させるための請求項４３に記載のプログラム。
  45. 前記コンピュータを、機械学習結果を用いて前記解析結果を処理することにより、前記サンプルが採取された地層の年代を推定して出力する手段、
    として機能させるための請求項４２に記載のプログラム。
JP2019517700A 2017-05-10 2018-05-10 解析装置、解析方法、およびプログラム Active JP6842624B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017094086 2017-05-10
JP2017094086 2017-05-10
PCT/JP2018/018172 WO2018207885A1 (ja) 2017-05-10 2018-05-10 解析装置、地層年代推定装置、解析方法、地層年代推定方法、およびプログラム

Publications (2)

Publication Number Publication Date
JPWO2018207885A1 true JPWO2018207885A1 (ja) 2020-03-12
JP6842624B2 JP6842624B2 (ja) 2021-03-17

Family

ID=64105537

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019517700A Active JP6842624B2 (ja) 2017-05-10 2018-05-10 解析装置、解析方法、およびプログラム

Country Status (6)

Country Link
US (1) US11448634B2 (ja)
EP (1) EP3637154A4 (ja)
JP (1) JP6842624B2 (ja)
CN (1) CN110622042A (ja)
BR (1) BR112019023381A2 (ja)
WO (1) WO2018207885A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112083720A (zh) * 2020-08-18 2020-12-15 谈斯聪 一种水陆两用的勘探,考查装置,系统及方法
CN113092725B (zh) * 2021-04-09 2021-12-07 中国科学院地质与地球物理研究所 一种矿化微化石的确定方法和应用

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004354250A (ja) * 2003-05-29 2004-12-16 Nidek Co Ltd 欠陥検査装置
CN101477630A (zh) * 2009-02-17 2009-07-08 吴俊� 智能化水处理微生物机器视觉辨识系统和方法
CN104199124A (zh) * 2014-08-26 2014-12-10 中国石油天然气股份有限公司 混相地层分析方法和装置
CN104331712A (zh) * 2014-11-24 2015-02-04 齐齐哈尔格林环保科技开发有限公司 一种藻类细胞图像自动分类方法
JP2015512075A (ja) * 2012-01-23 2015-04-23 パーセプティメッド インコーポレイテッドＰｅｒｃｅｐｔｉｍｅｄ， Ｉｎｃ． 自動化された医薬品錠剤の識別

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1331289A1 (ru) 1985-05-30 1995-04-30 В.М. Бяков Способ определения абсолютного возраста осадочных горных пород
US7333650B2 (en) 2003-05-29 2008-02-19 Nidek Co., Ltd. Defect inspection apparatus
EA010117B1 (ru) 2006-10-26 2008-06-30 Кыргызско-Российский Славянский Университет Способ определения возраста осадочных горных пород
RU2586348C2 (ru) * 2012-01-19 2016-06-10 Халлибертон Энерджи Сервисез, Инк. Устройство распознавания ископаемых, а также соответствующая система и способ
FR3018354B1 (fr) * 2014-03-05 2017-06-09 Total Sa Procede d'analyse d'echantillons sedimentaires avec reconnaissance automatique de nannofossiles
US10502863B2 (en) * 2015-02-13 2019-12-10 Schlumberger Technology Corporation Diagenetic and depositional rock analysis
US10656254B2 (en) 2015-11-19 2020-05-19 Analog Devices, Inc. Analog ultrasound beamformer
CN105608447B (zh) * 2016-02-17 2018-12-07 陕西师范大学 对人体面部微笑表情深度卷积神经网络的检测方法
GB2567325B (en) * 2016-07-15 2021-11-17 Landmark Graphics Corp Determining a numerical age for geological events within a scheme
CN106327451A (zh) * 2016-11-28 2017-01-11 玉溪师范学院 一种古生物化石的图像修复方法
FR3067500B1 (fr) * 2017-06-13 2021-04-16 Ifp Energies Now Procede d'exploitation d'un bassin sedimentaire comportant des hydrocarbures, au moyen d'une modelisation de l'accumulation de la matiere organique terrestre
US10838976B2 (en) * 2017-10-17 2020-11-17 Saudi Arabian Oil Company Paleo fossil and sedimentary structure data mining and datum for biostratigraphy

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004354250A (ja) * 2003-05-29 2004-12-16 Nidek Co Ltd 欠陥検査装置
CN101477630A (zh) * 2009-02-17 2009-07-08 吴俊� 智能化水处理微生物机器视觉辨识系统和方法
JP2015512075A (ja) * 2012-01-23 2015-04-23 パーセプティメッド インコーポレイテッドＰｅｒｃｅｐｔｉｍｅｄ， Ｉｎｃ． 自動化された医薬品錠剤の識別
CN104199124A (zh) * 2014-08-26 2014-12-10 中国石油天然气股份有限公司 混相地层分析方法和装置
CN104331712A (zh) * 2014-11-24 2015-02-04 齐齐哈尔格林环保科技开发有限公司 一种藻类细胞图像自动分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
弘原海 清: "情報地質学の現状と将来", 情報地質, vol. 第１９８６巻，第１１号, JPN7020002300, 31 October 1986 (1986-10-31), pages 1 - 6, ISSN: 0004317928 *
渡辺 真人 他: "房総半島木の根層・天津層の珪藻化石生層序−神川ルートにおける検討結果−", 日本地質学会学術大会講演要旨, vol. 第１０２年学術大会, JPN7020002301, 20 March 1995 (1995-03-20), pages 137, ISSN: 0004317929 *

Also Published As

Publication number Publication date
BR112019023381A2 (pt) 2020-06-16
JP6842624B2 (ja) 2021-03-17
WO2018207885A1 (ja) 2018-11-15
US11448634B2 (en) 2022-09-20
EP3637154A4 (en) 2021-02-17
EP3637154A1 (en) 2020-04-15
CN110622042A (zh) 2019-12-27
US20200166497A1 (en) 2020-05-28

Similar Documents

Publication Publication Date Title
Lefcheck et al. Choosing and using multiple traits in functional diversity research
US10049447B2 (en) Pathology case review, analysis and prediction
Chase et al. A framework for disentangling ecological mechanisms underlying the island species–area relationship
CN111738064B (zh) 一种雾霾图像的雾浓度识别方法
CN111861588B (zh) 流失预测模型的训练方法、玩家流失原因分析方法及装置
US20220156583A1 (en) Method of generating classifier by using small number of labeled images
Rajala et al. Detecting multivariate interactions in spatial point patterns with Gibbs models and variable selection
Gingerich et al. Fluted point manufacture in eastern North America: an assessment of form and technology using traditional metrics and 3D digital morphometrics
US11263258B2 (en) Information processing method, information processing apparatus, and non-transitory computer-readable storage medium for storing information processing program of scoring with respect to combination of imaging method and trained model
Depaoli et al. Implementing continuous non-normal skewed distributions in latent growth mixture modeling: An assessment of specification errors and class enumeration
JPWO2018207885A1 (ja) 解析装置、地層年代推定装置、解析方法、地層年代推定方法、およびプログラム
Schiff et al. Predicting deep neural network generalization with perturbation response curves
Medeiros et al. Computer vision and machine learning for tuna and salmon meat classification
Muca et al. Principal components and the maximum likelihood methods as tools to analyze large data with a psychological testing example
Majeed et al. Current state of art of academic data mining and future vision
Poulin Quantifying parasite diversity
Cuesta-Albertos et al. Functional classification and the random Tukey depth. Practical issues
JP6968241B1 (ja) 情報処理装置、情報処理方法およびプログラム
CN114550918A (zh) 一种基于绘画特征数据的心理障碍测评方法及系统
Khadka Data analysis theory and practice: Case: Python and Excel Tools
CN108027969A (zh) 识别图像中对象之间的间隙的方法和装置
Orczyk et al. Investigation of the impact of missing value imputation methods on the k-NN classification accuracy
Pavón-Vázquez et al. Ontogenetic drivers of morphological evolution in monitor lizards and allies (Squamata: Paleoanguimorpha), a clade with extreme body size disparity
CN114638596B (zh) 一种自然资源业务流程审查方法、系统、设备和介质
Jameel et al. Principal Component Analysis Technique for Finding the Best Applicant for a Job

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191107

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191128

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200804

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201005

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210105

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210128

R150 Certificate of patent or registration of utility model

Ref document number: 6842624

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250