WO2022039140A1 - 宝石販売価格推定プログラム - Google Patents

Abstract

【課題】宝石の販売価格をより人手に頼ることなく高精度かつ自動的に推定する。 【解決手段】宝石の販売価格を推定する宝石販売価格推定プログラムにおいて、買取対象の宝石の外観を撮像した画像情報を取得する情報取得ステップと、過去において宝石の外観を撮像した参照用画像情報と、宝石の販売価格との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した画像情報に応じた参照用画像情報に基づき、上記買取対象の宝石の販売価格を推定する推定ステップとをコンピュータに実行させることを特徴とする。

Description

宝石販売価格推定プログラム

　本発明は、宝石の販売価格を高精度に推定する上で好適な宝石販売価格推定プログラム及びシステムに関する。

　宝石を新たに購入したい場合、購入対象の宝石について適正な販売価格を知りたい場合がある。

　この販売価格は、宝石の種別やブランドのみならず、産地や重量、見た目の色や輝き、カットの状態等、参考にすべきファクターは山ほどある。これらの各ファクターを参照しながら適正な販売価格を設定するのは経験と知識が必要となり困難な作業であることに加え、多大な労力を要してしまうという問題があった。

　このため、宝石の販売価格を、人手に頼ることなく高精度に評価することができるシステムが従来より望まれていた。

　そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、宝石の販売価格をより人手に頼ることなく高精度かつ自動的に推定することが可能な宝石販売価格推定プログラム及びシステムを提供することにある。

　本発明に係る宝石販売価格推定プログラムは、宝石の販売価格を推定する宝石販売価格推定プログラムにおいて、推定対象の宝石の外観の画像を撮像することにより抽出した宝石の色、輝き、透明度、加工状態の何れかからなる外観情報を取得する情報取得ステップと、過去において宝石の外観の画像を撮像することにより抽出した宝石の色、輝き、透明度、加工状態の何れかからなる参照用外観情報と、宝石の販売価格との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した外観情報に応じた参照用外観情報に基づき、上記推定対象の宝石の販売価格を推定する推定ステップとを有し、上記情報取得ステップ及び上記推定ステップでは、推定対象の宝石の外観を撮像した画像データと、宝石の色、輝き、透明度、加工状態の何れかからなる外観情報とを教師データとして機械学習された予想モデルを用い、入力を上記画像データとし、出力を上記外観情報とすることで新たに外観情報を取得することをコンピュータに実行させることを特徴とする。

　特段のスキルや経験が無くても、誰でも手軽に宝石の販売価格の推定を高精度に行うことができる。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

　以下、本発明を適用した宝石販売価格推定プログラムについて、図面を参照しながら詳細に説明をする。

　図１は、本発明を適用した宝石販売価格推定プログラムが実装される販売価格推定システム１の全体構成を示すブロック図である。販売価格推定システム１は、情報取得部９と、情報取得部９に接続された推定装置２と、推定装置２に接続されたデータベース３とを備えている。

　情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する推定装置２と一体化されていてもよい。情報取得部９は、検知した情報を推定装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、風向センサ、を測るための照度センサで構成されていてもよい。また情報取得部９は、天候についてのデータを気象庁や民間の天気予報会社から取得する通信インターフェースで構成されていてもよい。また情報取得部９は身体に装着して身体のデータを検出するための身体センサで構成されていてもよく、この身体センサは、例えば体温、心拍数、血圧、歩数、歩く速度、加速度を検出するためのセンサで構成されていてもよい。また情報取得部９は図面等の情報をスキャニングしたり、或いはデータベースから読み出すことで取得するデバイスとして構成されていてもよい。情報取得部９は、これら以外に臭気や香りを検知する臭気センサにより構成されていてもよい。

　データベース３は、販売価格推定を行う上で必要な様々な情報が蓄積される。販売価格推定を行う上で必要な情報としては、過去において宝石の外観を撮像した参照用画像情報、　過去において宝石の外観の画像を撮像することにより抽出した宝石の色、輝き、透明度、加工状態の何れかからなる参照用外観情報、過去において宝石の外観の画像を撮像することにより抽出した宝石のキズ、内包物の何れかからなる参照用クラリティ情報、上記参照用画像情報を取得する際に撮像した宝石のブランドに関する参照用ブランド情報、上記参照用画像情報を取得する際に撮像した宝石の種別に関する参照用種別情報、上記参照用画像情報を取得する際に撮像した宝石相場価格に関する参照用相場情報、上記参照用画像情報を取得する際に宝石を撮像した撮像時における外部環境に関する参照用外部環境情報、上記参照用画像情報を取得する際に宝石を撮像した撮像時における市況に関する参照用市況情報、上記参照用画像情報を取得する際に撮像した宝石の鑑定書に記載されている鑑定内容を読み取ることで取得した参照用鑑定情報、上記参照用画像情報を取得する際に撮像した宝石の産地に関する参照用産地情報、上記参照用画像情報を取得する際に撮像した宝石の重量に関する参照用重量情報と、これらに対して実際に判断がなされた宝石の販売価格とのデータセットが記憶されている。

　つまり、データベース３には、このような参照用画像情報に加え、参照用外観情報、参照用クラリティ情報、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報の何れか１以上と、宝石の販売価格が互いに紐づけられて記憶されている。

　推定装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この推定装置２による探索解を得ることができる。

　図２は、推定装置２の具体的な構成例を示している。この推定装置２は、推定装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

  制御部２４は、内部バス２１を介して制御信号を送信することにより、推定装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

　操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

　推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

  表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

  記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

　上述した構成からなる販売価格推定システム１における動作について説明をする。以下でいう宝石は、ダイヤモンド、ルビー、プラチナ、アメジスト、サファイヤ、エメラルド等に代表される。

　販売価格推定システム１は、店頭や通信販売を通じて販売しようとする宝石の販売価格を販売側が適正に決めたい場合、或いは宝石の購入側が実際に購入しようとする宝石の販売価格が適正か否かを判別する際に適用される。販売価格推定システム１は、例えば図３に示すように、参照用画像情報と、宝石の販売価格との３段階以上の連関度が予め設定されていることが前提となる。参照用画像情報とは、宝石の外観について、宝石を撮像することにより得られた画像情報から得られるものであり、画像情報を解析することで得ることができる。この画像は静止画のみならず動画であってもよい。また、この画像は可視光で構成されるが画像ではなく、スペクトルに応じて表示色を切り替えたいわゆるスペクトル画像で構成されていてもよい。この参照用画像情報は、宝石について撮像した画像を解析することで、宝石の大きさ、形状、色の何れかに基づいて、宝石の外観を特定するようにしてもよい。またこの参照用画像情報は、宝石について撮像した超音波画像で構成してもよい。これらの宝石の外観は、以前において学習させた特徴量に基づいて判別するようにしてもよい。このとき、人工知能を活用し、宝石の大きさ、形状、色等の画像データと、宝石の販売価格を学習させておき、実際に参照用画像情報を取得する際には、これらの学習させた画像データと照らし合わせて、その宝石の販売価格を判別するようにしてもよい。

　かかる場合には、画像情報と、宝石の大きさ、形状、色の何れかの外観とを教師データとして機械学習された予想モデルを用い、入力を上記画像情報とし、出力を上記外観として判定した結果に基づいて、外観を特定するようにしてもよい。

　宝石の販売価格は、その参照用画像情報として撮像した宝石の実際の販売価格である。この販売価格は、店舗やＥコマース、質屋等の運営会社において保存されているデータベースにアクセスすることで取得してもよいし、都度手入力により入力するようにしてもよい。

　このような参照用画像情報と、宝石の販売価格からなるデータセットを取得しておき、これを学習させる。

　図３の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用画像情報Ｐ０１～Ｐ０３は、出力としての宝石の販売価格に連結している。この出力においては、出力解としての、宝石の販売価格が表示されている。

　参照用画像情報は、この出力解としての宝石の販売価格Ａ～Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。販売価格は、その宝石が同一種類の宝石であると仮定した場合に、例えば販売価格Ａは、５０万円、販売価格Ｂは、４０万円、販売価格Ｃは、３５万円、販売価格Ｄは、３０万円等のように配列している。参照用画像情報がこの連関度を介して左側に配列し、各宝石の販売価格が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報に対して、何れの宝石の販売価格と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報が、いかなる宝石の販売価格に紐付けられる可能性が高いかを示す指標であり、参照用画像情報から最も確からしい宝石の販売価格を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての宝石の販売価格と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。

　推定装置２は、このような図３に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用画像情報と、その場合の宝石の販売価格の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

　例えば、参照用画像情報がαであるものとする。このような参照用画像情報に対する宝石の販売価格としては宝石の販売価格Ａが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用画像情報との連関度が強くなる。

　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１である場合に、過去の宝石の販売価格の評価を行った結果の各種データから分析する。こ参照用画像情報Ｐ０１である場合に、宝石の販売価格Ａの事例が多い場合には、この宝石の販売価格の評価につながる連関度をより高く設定し、宝石の販売価格Ｂの事例が多い場合には、この宝石の販売価格の評価につながる連関度をより高く設定する。例えば参照用画像情報Ｐ０１の例では、宝石の販売価格Ａと、宝石の販売価格Ｃにリンクしているが、以前の事例から宝石の販売価格Ａにつながるｗ１３の連関度を７点に、宝石の販売価格Ｃにつながるｗ１４の連関度を２点に設定している。

　また、この連関度は、図４に示すように、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の評価対象の宝石の外観の画像等と実際に推定・評価した宝石の販売価格とのデータセットを通じて作った後に、実際にこれから新たに宝石の販売価格の判別を行う上で、上述した学習済みデータを利用して宝石の販売価格を探索することとなる。かかる場合には、実際に判別対象の領域において画像情報を新たに取得する。新たに取得する画像情報は、上述した情報取得部９により入力される。画像情報は、販売価格を判別しようとする宝石を撮像することで取得する。この判別方法は、上述した参照用画像情報と同様の手法で行うようにしてもよい。

　このようにして新たに取得した画像情報に基づいて、宝石の販売価格を判別する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して宝石の販売価格Ｂがｗ１５、宝石の販売価格Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い宝石の販売価格Ｂを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる宝石の販売価格Ｃを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

　このようにして、新たに取得する画像情報から、最も好適な宝石の販売価格を探索し、販売側、買取側に表示することができる。この探索結果を見ることにより、販売側、買取側は、探索された宝石の販売価格に基づいて宝石の販売価格を互いに決めることができる。しかも宝石に接触することなく、画像の撮像を通じてこれらの販売価格を予測することができるため、宝石が貴重品、骨董品であってもこれに傷をつけることがなくなる。

　なお、この図３において、参照用画像情報の代替として、過去において宝石を撮像することにより抽出した宝石のキズ、内包物の何れかからなる参照用クラリティ情報と、宝石の販売価格との３段階以上の連関度を予め学習させるようにしてもよい。参照用クラリティ情報は、例えばキズや内包物のサイズや量、位置、コントラスト、性質等の情報で構成される。参照用クラリティ情報を取得する際には、図５に示すように、買取対象の宝石の外観を撮像した画像データと、宝石のキズや内包物の大きさや量等からなるクラリティ情報とを教師データとして機械学習された予想モデルを用いるようにしてもよい。入力を上記画像データとし、出力を上記クラリティ情報とすることで新たにクラリティ情報を取得するようにしてもよい。即ち、このクラリティ情報は、以前において学習させた特徴量に基づいて判別するようにしてもよい。なお、ここでいうキズは、実際に宝石につけられたキズ以外に、付着した汚れも含む。内包物とはダイヤモンドなどの結晶の中にある別の鉱物や液体気体等である。

　このようにして得られたクラリティ情報から参照用クラリティ情報を構成し、また撮像した宝石についての実際の販売価格（販売価格）を取得することで上述と同様にデータセットを得て、図３、４に示すような連関度を形成しておく。次に実際に販売価格を推定したい宝石について撮像することで画像データを取得する。この画像データについて、実際に図５に示す連関度を参照し、クラリティ情報を得る。予め学習させた、参照用外観情報と宝石の販売価格との３段階以上の連関度を参照し、取得したクラリティ情報を介して販売価格を探索することができる。

　参照用画像情報の代替として、過去において宝石を撮像することにより抽出した宝石の色、輝き、透明度、加工状態の何れかからなる参照用外観情報と、宝石の販売価格との３段階以上の連関度を予め学習させるようにしてもよい。参照用外観情報は、例えば宝石の色、輝き、透明度、加工状態等の情報で構成される。色、輝き、透明度はそのレベルに応じて階層化されたランクで表示されるものであってもよい。また加工状態は、宝石のカットの状態、カットされた各面の形状や大きさ、摩擦の仕上がり具合等を示すものであり、そのレベルに応じて階層化されたランクで表示されるものであってもよい。参照用外観情報を取得する際には、図６に示すように、買取対象の宝石の外観を撮像した画像データと、宝石の色、輝き、透明度、加工状態等からなる外観情報とを教師データとして機械学習された予想モデルを用いるようにしてもよい。入力を上記画像データとし、出力を上記外観情報とすることで新たに外観情報を取得するようにしてもよい。即ち、この外観情報は、以前において学習させた特徴量に基づいて判別するようにしてもよい。

　このようにして得られた外観情報から参照用外観情報を構成し、また撮像した宝石についての実際の販売価格（販売価格）を取得することで上述と同様にデータセットを得て、図３、４に示すような連関度を形成しておく。次に実際に販売価格を推定したい宝石について撮像することで画像データを取得する。この画像データについて、実際に図６に示す連関度を参照し、外観情報を得る。予め学習させた、参照用外観情報と宝石の販売価格との３段階以上の連関度を参照し、取得した外観情報を介して販売価格を探索することができる。

　図７の例では、参照用画像情報と、参照用ブランド情報との組み合わせが形成されていることが前提となる。参照用ブランド情報とは、宝石の製造元、或いは販売元を示す情報であり、或いは宝石に貼られている商標のブランドに関する情報である。

　宝石の販売価格は、参照用画像情報に加え、宝石のブランドに応じて異なる。特にアクセサリーは有名ブランドであるか否かで大きく価格は左右する。このため、この参照用ブランド情報も説明変数として加えている。

　図７の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用ブランド情報Ｐ１４～１７であるものとする。このような入力データとしての、参照用画像情報に対して、参照用ブランド情報が組み合わさったものが、図７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、宝石の販売価格が表示されている。

　参照用画像情報と参照用ブランド情報との各組み合わせ（中間ノード）は、この出力解としての、宝石の販売価格に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用ブランド情報がこの連関度を介して左側に配列し、宝石の販売価格が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用ブランド情報に対して、宝石の販売価格と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用ブランド情報が、いかなる宝石の販売価格に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用ブランド情報から最も確からしい宝石の販売価格を選択する上での的確性を示すものである。このため、これらの参照用画像情報と参照用ブランド情報の組み合わせで、最適な宝石の販売価格を探索していくこととなる。

　図７の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

　推定装置２は、このような図７に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用画像情報と参照用ブランド情報、並びにその場合の宝石の販売価格が何れが見合うものであったか、過去のデータを蓄積しておき、これらを分析、解析することで図７に示す連関度を作り上げておく。

　例えば、過去にあった実際の事例における参照用画像情報がαであるものとする。また参照用ブランド情報が、ある有名なブランドＷであるものとする。かかる場合に、実際にその宝石の販売価格がいくらであったかを示す宝石の販売価格をデータセットとして学習させ、上述した連関度という形で定義しておく。なお、このような参照用画像情報や、参照用ブランド情報は、販売業者、流通業者等が管理する管理データベースから抽出するようにしてもよい。

　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用ブランド情報Ｐ１６である場合に、その宝石の販売価格を過去のデータから分析する。宝石の販売価格がＡの事例が多い場合には、この販売価格Ａにつながる連関度をより高く設定し、宝石の販売価格Ｂの事例が多く、宝石の販売価格Ａの事例が少ない場合には、宝石の販売価格Ｂにつながる連関度を高くし、宝石の販売価格Ａにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、宝石の販売価格Ａと販売価格Ｂの出力にリンクしているが、以前の事例から宝石の販売価格Ａにつながるｗ１３の連関度を７点に、宝石の販売価格Ｂにつながるｗ１４の連関度を２点に設定している。

　また、この図７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

　図７に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して、参照用ブランド情報Ｐ１４の組み合わせのノードであり、宝石の販売価格Ｃの連関度がｗ１５、宝石の販売価格Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用位置情報Ｐ１５、Ｐ１７の組み合わせのノードであり、宝石の販売価格Ｂの連関度がｗ１７、宝石の販売価格Ｄの連関度がｗ１８となっている。

　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから宝石の販売価格を判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際に画像情報と、ブランド情報とを取得する。ブランド情報は、実際に販売価格を推定しようとするリングの販売価格を入力又は選択する。

　このようにして新たに取得した画像情報、ブランド情報に基づいて、最適な宝石の販売価格を探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、ブランド情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、宝石の販売価格Ｃがｗ１９、宝石の販売価格Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い宝石の販売価格Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる宝石の販売価格Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

　また、入力から伸びている連関度ｗ１～ｗ１２の例を以下の表２に示す。

　この入力から伸びている連関度ｗ１～ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１～ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１～ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

　図８は、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用種別情報との組み合わせと、当該組み合わせに対する宝石の販売価格との３段階以上の連関度が設定されている例を示している。

　参照用位置情報の代わりに説明変数として加えられるこの参照用種別情報は、宝石の種別に関するもので、例えば型番や商品名、石の種類等を通じて分類することができる。宝石の種別は、宝石の販売価格と関係することが既に知られている。このため、この参照用種別情報を組み合わせて連関度を形成することにより、宝石の販売価格の判断精度を向上させる趣旨である。

　図８の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用種別情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用画像情報に対して、参照用種別情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、宝石の販売価格が表示されている。

　参照用画像情報と参照用種別情報との各組み合わせ（中間ノード）は、この出力解としての、宝石の販売価格に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用種別情報がこの連関度を介して左側に配列し、宝石の販売価格が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用種別情報に対して、宝石の販売価格と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用種別情報が、いかなる宝石の販売価格に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用種別情報から最も確からしい宝石の販売価格を選択する上での的確性を示すものである。

　推定装置２は、このような図８に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用画像情報を取得する際に撮像した宝石の参照用種別情報、並びにその場合の宝石の販売価格が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図８に示す連関度を作り上げておく。参照用種別情報は、例えば、種別が記載された箱や説明書、或いは宝石についてカメラ等を通じて画像を撮像し、その種別をＯＣＲ等を通じてテキスト変換することで取得してもよい。

　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用種別情報Ｐ２０である場合に、その宝石の販売価格を過去のデータから分析する。宝石の販売価格Ａの事例が多い場合には、この宝石の販売価格がＡにつながる連関度をより高く設定し、宝石の販売価格がＢの事例が多く、宝石の販売価格がＡの事例が少ない場合には、宝石の販売価格がＢにつながる連関度を高くし、宝石の販売価格がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、宝石の販売価格Ａと宝石の販売価格Ｂの出力にリンクしているが、以前の事例から宝石の販売価格Ａにつながるｗ１３の連関度を７点に、宝石の販売価格Ｂにつながるｗ１４の連関度を２点に設定している。

　また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

　図８に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用種別情報Ｐ１８の組み合わせのノードであり、宝石の販売価格Ｃの連関度がｗ１５、宝石の販売価格Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用種別情報Ｐ１９、Ｐ２１の組み合わせのノードであり、宝石の販売価格Ｂの連関度がｗ１７、宝石の販売価格Ｄの連関度がｗ１８となっている。

　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから宝石の販売価格の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその宝石の販売価格の判別対象の画像情報と、種別情報とを取得する。ここで種別情報は、宝石の販売価格を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用種別情報と同様である。

　このようにして新たに取得した画像情報と、種別情報に基づいて、最適な宝石の販売価格を探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、種別情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、宝石の販売価格Ｃがｗ１９、宝石の販売価格Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い宝石の販売価格Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる宝石の販売価格Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

　図９は、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用産地情報との組み合わせと、当該組み合わせに対する宝石の販売価格との３段階以上の連関度が設定されている例を示している。

　この説明変数として加えられるこの参照用産地情報は、宝石の産地に関するあらゆる情報である。参照用産地情報は、生産された国や地域に関する情報で構成される。この参照用産地情報は、カメラにより撮像した、産地が記述されたラベルや説明書等の画像をＯＣＲにより解析して得るようにしてもよいし、手入力により取得するようにしてもよい。

　図９の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用産地情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用画像情報に対して、参照用産地情報が組み合わさったものが、図９に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、宝石の販売価格が表示されている。

　参照用画像情報と参照用産地情報との各組み合わせ（中間ノード）は、この出力解としての、宝石の販売価格に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用産地情報がこの連関度を介して左側に配列し、宝石の販売価格が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用産地情報に対して、宝石の販売価格と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用産地情報が、いかなる宝石の販売価格に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用産地情報から最も確からしい宝石の販売価格を選択する上での的確性を示すものである。

　推定装置２は、このような図９に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用画像情報を取得する際に得た参照用産地情報、並びにその場合の宝石の販売価格が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図９に示す連関度を作り上げておく。

　例えば、過去にあった実際の宝石の販売価格の評価時において、ある参照用画像情報に対して、参照用産地情報が、南アフリカのある地域であるものとする。かかる場合に、宝石の販売価格がＡと判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。

　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用産地情報Ｐ２０である場合に、その宝石の販売価格を過去のデータから分析する。宝石の販売価格Ａの事例が多い場合には、この宝石の販売価格がＡにつながる連関度をより高く設定し、宝石の販売価格がＢの事例が多く、宝石の販売価格がＡの事例が少ない場合には、宝石の販売価格がＢにつながる連関度を高くし、宝石の販売価格がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、宝石の販売価格Ａと宝石の販売価格Ｂの出力にリンクしているが、以前の事例から宝石の販売価格Ａにつながるｗ１３の連関度を７点に、宝石の販売価格Ｂにつながるｗ１４の連関度を２点に設定している。

　また、この図９に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

　図９に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用産地情報Ｐ１８の組み合わせのノードであり、宝石の販売価格Ｃの連関度がｗ１５、宝石の販売価格Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用産地情報Ｐ１９、Ｐ２１の組み合わせのノードであり、宝石の販売価格Ｂの連関度がｗ１７、宝石の販売価格Ｄの連関度がｗ１８となっている。

　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから宝石の販売価格の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその宝石の販売価格の判別対象の画像情報と、産地情報とを取得する。ここで産地情報は、宝石の販売価格を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用産地情報と同様である。

　このようにして新たに取得した画像情報と、産地情報に基づいて、最適な宝石の販売価格を探索する。かかる場合には、予め取得した図９（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、産地情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、宝石の販売価格Ｃがｗ１９、宝石の販売価格Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い宝石の販売価格Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる宝石の販売価格Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

　図１０は、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用重量情報との組み合わせと、当該組み合わせに対する宝石の販売価格との３段階以上の連関度が設定されている例を示している。

　説明変数として加えられるこの参照用重量情報は、参照用画像情報を取得する際に撮像した宝石の重量に関する情報である。この重量が重いほど、販売価格は高くなるため、参照用重量情報も説明変数に加えたものである。

　図１０の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用重量情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用画像情報に対して、参照用重量情報が組み合わさったものが、図１０に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、宝石の販売価格が表示されている。

　参照用画像情報と参照用重量情報との各組み合わせ（中間ノード）は、この出力解としての、宝石の販売価格に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用重量情報がこの連関度を介して左側に配列し、宝石の販売価格が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用重量情報に対して、宝石の販売価格と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用重量情報が、いかなる宝石の販売価格に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用重量情報から最も確からしい宝石の販売価格を選択する上での的確性を示すものである。

　推定装置２は、このような図１０に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用画像情報を取得する際に得た参照用重量情報、並びにその場合の宝石の販売価格が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１０に示す連関度を作り上げておく。

　例えば、過去にあった実際の宝石の販売価格の評価時において、ある参照用画像情報に対して、参照用重量情報が、４カラットであるものとする。かかる場合に、宝石の販売価格がＡと判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。

　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用重量情報Ｐ２０である場合に、その宝石の販売価格を過去のデータから分析する。宝石の販売価格Ａの事例が多い場合には、この宝石の販売価格がＡにつながる連関度をより高く設定し、宝石の販売価格がＢの事例が多く、宝石の販売価格がＡの事例が少ない場合には、宝石の販売価格がＢにつながる連関度を高くし、宝石の販売価格がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、宝石の販売価格Ａと宝石の販売価格Ｂの出力にリンクしているが、以前の事例から宝石の販売価格Ａにつながるｗ１３の連関度を７点に、宝石の販売価格Ｂにつながるｗ１４の連関度を２点に設定している。

　また、この図１０に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

　図１０に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用重量情報Ｐ１８の組み合わせのノードであり、宝石の販売価格Ｃの連関度がｗ１５、宝石の販売価格Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用重量情報Ｐ１９、Ｐ２１の組み合わせのノードであり、宝石の販売価格Ｂの連関度がｗ１７、宝石の販売価格Ｄの連関度がｗ１８となっている。

　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから宝石の販売価格の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその宝石の販売価格の判別対象の画像情報と、重量情報とを取得する。ここで重量情報は、宝石の販売価格を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用重量情報と同様である。

　このようにして新たに取得した画像情報と、重量情報に基づいて、最適な宝石の販売価格を探索する。かかる場合には、予め取得した図１０（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、重量情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、宝石の販売価格Ｃがｗ１９、宝石の販売価格Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い宝石の販売価格Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる宝石の販売価格Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

　また、本発明においては、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用外部環境情報との組み合わせと、当該組み合わせに対する宝石の販売価格との３段階以上の連関度を利用するものであってもよい。

　ここでいう参照用外部環境情報、外部環境情報は、例えば、経済データ（ＧＤＰ、雇用統計、鉱工業生産指数、設備投資、労働力調査等）、家計データ（家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ等）、不動産データ（オフィス空室率、坪単価、賃料相場、地価、空き家データ等）、自然環境データ（災害データ、気温データ、降水量データ、風向きデータ、湿度データ等）に代表されるものである。外部環境情報は、これらのデータの一部、全部が反映されるもの以外に、外部のあらゆる情報が含まれる。参照用外部環境情報は、外部環境自体を類型化しておくようにしてもよい。例えば、雇用統計におけるデータで区切ることで分類するようにしてもよい。また、パターン（例えば、ＧＤＰの伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。この参照用外部環境情報は、過去の販売日、又はその日の前後数日の間における外部環境を示すものである。

　このような参照用画像情報と、参照用外部環境情報とを有する組み合わせと、宝石の販売価格との３段階以上の連関度を予め取得しておく。そして、新たに推定対象の宝石の外観に関する画像情報と、その撮像時（推定時）における外部環境に関する外部環境情報とを取得する。そして、この取得した上記画像情報に応じた参照用画像情報と、上記外部環境情報に応じた参照用外部環境情報に基づき、宝石の販売価格を推定する点は、上述した図３～図１０の説明と同様である。

　また、本発明においては、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用市況情報との組み合わせと、当該組み合わせに対する宝石の販売価格との３段階以上の連関度を利用するものであってもよい。

　ここでいう参照用市況情報、市況情報は、市況に関する様々な情報である。この参照用市況情報の例としては、金利、為替、各銘柄の株価、原油、先物、貴金属、ビットコイン等の値動きを対象としたものである。この参照用市況情報は、これらの対象について時系列的なチャートや折れ線グラフ等で表示されていてもよい。またボリンジャーバンド、出来高、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。また、この市況情報は、各銘柄のチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。

　このような参照用画像情報と、参照用市況情報とを有する組み合わせと、宝石の販売価格との３段階以上の連関度を予め取得しておく。そして、新たに推定対象の宝石の外観に関する画像情報と、その撮像時（推定時）における市況に関する市況情報とを取得する。そして、この取得した上記画像情報に応じた参照用画像情報と、上記市況情報に応じた参照用市況情報に基づき、宝石の販売価格を推定する点は、上述した図３～図１０の説明と同様である。

　また、本発明においては、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用鑑定情報との組み合わせと、当該組み合わせに対する宝石の販売価格との３段階以上の連関度を利用するものであってもよい。

　ここでいう参照用鑑定情報、鑑定情報は、参照用画像情報を取得する際に撮像した宝石の鑑定書に記載されている鑑定内容を読み取ることで取得した情報である。鑑定書は、その宝石のカラーやクラリティ、カットなどのグレードを鑑定機関が証明するものであるが、宝石が本物か偽物かを鑑別書や、商品を販売するお店が、販売した 商品の品質を保証するための保証書に記載されている内容を読み取ることで取得した情報を参照用鑑定情報、鑑定情報として構成してもよい。この参照用鑑定情報、鑑定情報の取得方法としては、内容が記載されている鑑定書や書類等をカメラにより撮像し、その保証内容をＯＣＲ技術を利用して読み取るようにしてもよいし、手入力により入力してもよい。

　このような参照用画像情報と、参照用鑑定情報とを有する組み合わせと、宝石の販売価格との３段階以上の連関度を予め取得しておく。そして、新たに推定対象の宝石の外観に関する画像情報と、その宝石の鑑定内容に関する鑑定情報とを取得する。そして、この取得した上記画像情報に応じた参照用画像情報と、上記鑑定情報に応じた参照用鑑定情報に基づき、宝石の販売価格を推定する点は、上述した図３～図１０の説明と同様である。

　また、本発明においては、上述した参照用画像情報に加え、上述した参照用ブランド情報の代わりに参照用相場情報との組み合わせと、当該組み合わせに対する宝石の販売価格との３段階以上の連関度を利用するものであってもよい。

　ここでいう参照用相場情報、相場情報は、その宝石についての一般的な相場のデータであり、そのような相場のデータを開示しているサイトからデータを取得するするようにしてもよいし、相場を開示している機関のサイトやそのサーバ等からデータを取得するようにしてもよいし、手入力により入力してもよい。

　このような参照用画像情報と、参照用相場情報とを有する組み合わせと、宝石の販売価格との３段階以上の連関度を予め取得しておく。そして、新たに推定対象の宝石の外観に関する画像情報と、その宝石の収容体に関する相場情報とを取得する。そして、この取得した上記画像情報に応じた参照用画像情報と、上記相場情報に応じた参照用相場情報に基づき、宝石の販売価格を推定する点は、上述した図３～図１０の説明と同様である。

　上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

　上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に宝石の販売価格の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

　なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。

　なお、上述した連関度では、参照用画像情報に加え、参照用外観情報、参照用クラリティ情報、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報の何れかとの組み合わせで構成されている場合を例にとり説明をしたが、これに限定されるものではない。つまり連関度は、参照用画像情報に加え、参照用外観情報、参照用クラリティ情報、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用画像情報に加え、参照用外観情報、参照用クラリティ情報、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

　また、上述した例では、参照用画像情報を基調とし、これと他の参照用情報とを組み合わせて連関度を形成する場合を例にとり説明をしたが、これに限定されるものでは無く、参照用外観情報又は参照用クラリティ情報を基調として他の参照用情報とを組み合わせて連関度を形成するものであってもよい。即ち、参照用外観情報又は参照用クラリティ情報に加え、参照用ブランド情報、参照用種別情報、参照用相場情報、参照用外部環境情報、参照用市況情報、参照用鑑定情報、参照用産地情報、参照用重量情報の何れか１又は２以上との組み合わせで連関度が構成されるものであってもよい。

　いずれの場合も、その連関度の参照情報に合わせたデータの入力がなされ、その連関度を利用して宝石の販売価格を求める。

　また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０～１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

　このような３段階以上の数値で表される連関度に基づいて最も確からしい宝石の販売価格、を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。

　これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

　更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

　更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また参照用画像情報、参照用外観情報、参照用ブランド情報、参照用品名情報、参照用産地情報、参照用落札値情報、参照用外部環境情報、参照用市況情報、参照用テキスト情報、参照用サポート情報、参照用保証情報、参照用相場情報を取得し、これらに対する宝石の販売価格、改善施策に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

　つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

　また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

　また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

　なお図３に示す連関度が、人工知能におけるニューラルネットワークのノードで構成されるものである場合には、図１０に示すように、入力データとして参照用画像情報が入力され、出力データとして宝石の販売価格が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。

　また本発明は、図１１に示すように参照用情報Ｕと参照用情報Ｖという２種類以上の情報の組み合わせの連関度に基づいて宝石の販売価格を判別するものである。この参照用画像情報Ｕが参照用水温であり、参照用情報Ｖが参照用ブランド情報、参照用品名情報、参照用産地情報、参照用落札値情報、参照用外部環境情報、参照用市況情報、参照用テキスト情報、参照用サポート情報、参照用保証情報、参照用収容体情等の何れかであるものとする。

　このとき、図１１に示すように、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力（宝石の販売価格）と関連付けられていてもよい。例えば、参照用情報Ｕ（参照用画像情報）について、図３に示すように出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力（宝石の販売価格）を探索するようにしてもよい。

１　販売価格推定システム
２　推定装置
２１　内部バス
２３　表示部
２４　制御部
２５　操作部
２６　通信部
２７　推定部
２８　記憶部
６１　ノード
 
 

Claims (15)

1. 　宝石の販売価格を推定する宝石販売価格推定プログラムにおいて、
   　推定対象の宝石の外観の画像を撮像することにより抽出した宝石の色、輝き、透明度、加工状態の何れかからなる外観情報を取得する情報取得ステップと、
   　過去において宝石の外観の画像を撮像することにより抽出した宝石の色、輝き、透明度、加工状態の何れかからなる参照用外観情報と、宝石の販売価格との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した外観情報に応じた参照用外観情報に基づき、上記推定対象の宝石の販売価格を推定する推定ステップとを有し、
   　上記情報取得ステップ及び上記推定ステップでは、推定対象の宝石の外観を撮像した画像データと、宝石の色、輝き、透明度、加工状態の何れかからなる外観情報とを教師データとして機械学習された予想モデルを用い、入力を上記画像データとし、出力を上記外観情報とすることで新たに外観情報を取得することをコンピュータに実行させること
   　を特徴とする宝石販売価格推定プログラム。
2. 　宝石の販売価格を推定する宝石販売価格推定プログラムにおいて、
   　推定対象の宝石の外観の画像を撮像することにより抽出した宝石のキズ、内包物の何れかからなるクラリティ情報を取得する情報取得ステップと、
   　過去において宝石の外観の画像を撮像することにより抽出した宝石のキズ、内包物の何れかからなる参照用クラリティ情報と、宝石の販売価格との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得したクラリティ情報に応じた参照用クラリティ情報に基づき、上記推定対象の宝石の販売価格を推定する推定ステップとを有し、
   　上記情報取得ステップ及び上記推定ステップでは、推定対象の宝石の外観を撮像した画像データと、宝石のキズ、内包物の何れかからなるクラリティ情報とを教師データとして機械学習された予想モデルを用い、入力を上記画像データとし、出力を上記クラリティ情報とすることで新たにクラリティ情報を取得することをコンピュータに実行させること
   　を特徴とする宝石販売価格推定プログラム。
3. 　上記情報取得ステップでは、推定対象の宝石のブランドに関するブランド情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際に撮像した宝石のブランドに関する参照用ブランド情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得したブランド情報に応じた参照用ブランド情報に基づき、上記推定対象の宝石の販売価格を推定すること
   　を特徴とする請求項１項記載の宝石販売価格推定プログラム。
4. 　上記情報取得ステップでは、推定対象の宝石の種別に関する種別情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際に撮像した宝石の種別に関する参照用種別情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した種別情報に応じた参照用種別情報に基づき、上記推定対象の宝石の販売価格を推定すること
   　を特徴とする請求項１項記載の宝石販売価格推定プログラム。
5. 　上記情報取得ステップでは、推定対象の宝石の相場価格に関する相場情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際に撮像した宝石の相場価格に関する参照用相場情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した相場情報に応じた参照用相場情報に基づき、上記推定対象の宝石の販売価格を推定すること
   　を特徴とする請求項１項記載の宝石販売価格推定プログラム。
6. 　上記情報取得ステップでは、推定時における外部環境に関する外部環境情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際に宝石を撮像した撮像時における外部環境に関する参照用外部環境情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した外部環境情報に応じた参照用外部環境情報に基づき、上記推定対象の宝石の販売価格を推定すること
   　を特徴とする請求項１項記載の宝石販売価格推定プログラム。
7. 　上記情報取得ステップでは、推定時における市況に関する市況情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際に宝石を撮像した撮像時における市況に関する参照用市況情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した市況情報に応じた参照用市況情報に基づき、上記推定対象の宝石の販売価格を推定すること
   　を特徴とする請求項１項記載の宝石販売価格推定プログラム。
8. 　上記情報取得ステップでは、推定対象の宝石の鑑定書に記載されている鑑定内容を読み取ることで鑑定情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際に撮像した宝石の鑑定書に記載されている鑑定内容を読み取ることで取得した参照用鑑定情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した鑑定情報に応じた参照用鑑定情報に基づき、上記推定対象の宝石の販売価格を推定すること
   　を特徴とする請求項１項記載の宝石販売価格推定プログラム。
9. 　上記情報取得ステップでは、推定対象の宝石の産地に関する産地情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際に撮像した宝石の産地に関する参照用産地情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した産地情報に応じた参照用産地情報に基づき、上記推定対象の宝石の販売価格を推定すること
   　を特徴とする請求項１項記載の宝石販売価格推定プログラム。
10. 　上記情報取得ステップでは、推定対象の宝石の重量に関する重量情報を取得し、
    上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際に撮像した宝石の重量に関する参照用重量情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した重量情報に応じた参照用重量情報に基づき、上記推定対象の宝石の販売価格を推定すること
    　を特徴とする請求項１項記載の宝石販売価格推定プログラム。
11. 　上記情報取得ステップでは、推定対象の宝石のブランドに関するブランド情報を取得し、
    上記推定ステップでは、上記参照用クラリティ情報と、上記参照用クラリティ情報を取得する際に撮像した宝石のブランドに関する参照用ブランド情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得したブランド情報に応じた参照用ブランド情報に基づき、上記推定対象の宝石の販売価格を推定すること
    　を特徴とする請求項２項記載の宝石販売価格推定プログラム。
12. 　上記情報取得ステップでは、推定対象の宝石の種別に関する種別情報を取得し、
    上記推定ステップでは、上記参照用クラリティ情報と、上記参照用クラリティ情報を取得する際に撮像した宝石の種別に関する参照用種別情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した種別情報に応じた参照用種別情報に基づき、上記推定対象の宝石の販売価格を推定すること
    　を特徴とする請求項２項記載の宝石販売価格推定プログラム。
13. 　上記情報取得ステップでは、推定対象の宝石の相場価格に関する相場情報を取得し、
    上記推定ステップでは、上記参照用クラリティ情報と、上記参照用クラリティ情報を取得する際に撮像した宝石の相場価格に関する参照用相場情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した相場情報に応じた参照用相場情報に基づき、上記推定対象の宝石の販売価格を推定すること
    　を特徴とする請求項２項記載の宝石販売価格推定プログラム。
14. 　上記情報取得ステップでは、推定時における外部環境に関する外部環境情報を取得し、
    上記推定ステップでは、上記参照用クラリティ情報と、上記参照用クラリティ情報を取得する際に宝石を撮像した撮像時における外部環境に関する参照用外部環境情報とを有する組み合わせと、上記宝石の販売価格との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した外部環境情報に応じた参照用外部環境情報に基づき、上記推定対象の宝石の販売価格を推定すること
    　を特徴とする請求項２項記載の宝石販売価格推定プログラム。
15. 　上記推定ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
    　を特徴とする請求項１～１４のうち何れか１項記載の宝石販売価格推定プログラム。
     
     

Images