锦鲤评价装置、方法、程序以及存储介质与流程

1.本发明涉及一种用于评价锦鲤的价值的锦鲤评价装置、方法以及程序。


背景技术：

2.以往举办了对锦鲤进行评价的品评会。在以往的锦鲤的品评会中，由评审员对出品者所出品的锦鲤进行评审，基于其评审结果来进行排位。
3.以往的对锦鲤的评审是按如下的观点进行的。
4.1、锦鲤是有生命的，因此应是“健康”的
5.2、由于是观赏鱼，因此应“整洁且美丽”6.3、由于还是在观赏鱼中也被称为游动的宝石的艺术品，因此应具有艺术性、品种特征。
7.现有技术文献
8.专利文献
9.专利文献1：日本专利第6650984号公报


技术实现要素：

10.发明要解决的问题
11.然而，以往的评审由于是以如上所述的笼统的基准进行的，因此评审员的主观依赖性大，例如即使是位次高的锦鲤，具体的评价内容、例如该锦鲤的哪个部分被评价得高也是不明确的。
12.在锦鲤贸易中，还会根据品评会的结果等来决定交易金额，从而期望进行锦鲤的客观评价。
13.此外，在专利文献1中，提出了基于拍摄锦鲤得到的图像来进行锦鲤的个体识别的方法，但是关于锦鲤的评价没有任何提案。
14.鉴于上述情形，本发明的目的在于提供一种能够进行锦鲤的客观评价的锦鲤评价装置、方法以及程序。
15.用于解决问题的方案
16.本发明的锦鲤评价装置具备：特征量获取部，其获取从拍摄作为评价对象的锦鲤得到的图像中提取出的特征量；评价部，其通过对学习完成模型输入由特征量获取部获取到的作为评价对象的锦鲤的特征量，来对作为评价对象的锦鲤进行评价，该学习完成模型是对多个锦鲤中的各个锦鲤的特征量与该锦鲤的评价结果之间的关系进行机器学习所得到的模型；以及输出部，其输出由评价部评价得到的作为评价对象的锦鲤的评价结果。
17.在本发明的锦鲤评价方法中，获取从拍摄作为评价对象的锦鲤得到的图像中提取出的特征量，通过对学习完成模型输入获取到的作为评价对象的锦鲤的特征量，来对作为评价对象的锦鲤进行评价，学习完成模型是对多个锦鲤中的各个锦鲤的特征量与该锦鲤的评价结果之间的关系进行机器学习所得到的模型，输出作为评价对象的锦鲤的评价结果。
18.本发明的锦鲤评价程序使计算机执行以下步骤：获取从拍摄作为评价对象的锦鲤得到的图像中提取出的特征量；通过对学习完成模型输入获取到的作为评价对象的锦鲤的特征量，来对作为评价对象的锦鲤进行评价，学习完成模型是对多个锦鲤中的各个锦鲤的特征量与该锦鲤的评价结果之间的关系进行机器学习所得到的模型；以及输出作为评价对象的锦鲤的评价结果。
19.发明的效果
20.根据本发明的锦鲤评价装置、方法以及程序，由于设为进行以下处理而能够进行锦鲤的客观评价，在该处理中，获取从拍摄作为评价对象的锦鲤得到的图像中提取出的特征量，通过对学习完成模型输入作为评价对象的锦鲤的特征量，来对作为评价对象的锦鲤进行评价，学习完成模型是对多个锦鲤中的各个锦鲤的特征量与该锦鲤的评价结果之间的关系进行机器学习所得到的模型，输出作为评价对象的锦鲤的评价结果。
附图说明
21.图1是示出本发明的锦鲤评价装置的一个实施方式的概要结构的框图。
22.图2是示出作为评价对象的锦鲤的图像的一例的图。
23.图3是示出姿势校正处理完成的图像的一例的图。
24.图4是示出锦鲤的轮廓信息的一例的图。
25.图5是示出构成锦鲤的图像的各像素的颜色的频度分布的一例的图。
26.图6是示出作为锦鲤的评价结果的雷达图的一例的图。
27.图7是用于说明锦鲤评价装置的处理流程的流程图。
具体实施方式
28.下面，参照附图来详细地说明本发明的锦鲤评价装置的一个实施方式。图1是本实施方式的锦鲤评价装置1的概要结构图。
29.锦鲤评价装置1从拍摄锦鲤得到的图像中提取特征量，基于该特征量来对锦鲤进行评价，并输出其评价结果。由此，是对于以往对锦鲤的主观评价能够客观地进行评价的装置。
30.具体地说，如图1所示，锦鲤评价装置1具备图像获取部10、特征量获取部11、评价部12以及输出部13。
31.图像获取部10获取拍摄作为评价对象的锦鲤得到的图像。具体地说，图像获取部10获取自锦鲤的上方(脊鳍侧)俯视观察锦鲤得到的图像。此外，在本实施方式中，将锦鲤的脊鳍侧设为上，将腹侧设为下，将头部侧设为前，将尾侧设为后，将右眼侧设为右，将左眼侧设为左。
32.图像获取部10获取从经由例如因特网等通信线路连接于锦鲤评价装置1的终端装置输出的锦鲤的图像。作为终端装置，可以为平板终端、智能手机、或台式电脑、笔记本电脑等。
33.特征量获取部11从由图像获取部10获取到的作为评价对象的锦鲤的图像中提取特征量来获取该特征量。在本实施方式中，作为特征量，获取锦鲤的体型的信息、锦鲤的颜色的信息、锦鲤的花纹的信息以及修饰完成度(日语：仕上
がり
)的信息。
34.特征量获取部11在进行上述的特征量的提取处理之前，对拍摄作为评价对象的锦鲤得到的图像实施用于提高特征量的提取精度的预处理。作为预处理，首先，特征量获取部11实施姿势校正处理。姿势校正处理是将图像中的锦鲤的姿势校正成为预先设定的姿势的处理。
35.姿势校正处理是如下的处理：在作为评价对象的锦鲤的图像例如图2所示那样是以正交的x轴和y轴为坐标系的图像时图像中的锦鲤的姿势不沿着y方向的情况下，使该锦鲤的姿势沿着y方向。具体地说，在姿势校正处理中，首先，进行截取处理，在该截取处理中，设定将图像中包含的锦鲤整体包含在内的最小的矩形(图2所示的虚线矩形)，并截取该矩形的范围的图像。然后，进行使该矩形的范围的图像的长边平行于y方向那样的旋转处理。通过像这样的截取处理和旋转处理，由此生成如图3所示那样的姿势校正处理完成的图像。
36.接着，对姿势校正处理完成的图像实施颜色校正处理。该颜色校正处理是使图像的颜色接近于原色的处理。例如，在图像中存在阴影的情况下，进行消除该阴影那样的颜色校正处理。此外，关于消除阴影的颜色校正处理，能够使用已有的图像处理。
37.并且，对颜色校正处理完成的图像实施轮廓提取处理。轮廓提取处理是用于提取锦鲤的轮廓的处理。关于该轮廓提取处理，也能够使用已有的图像处理。通过轮廓提取处理提取出的锦鲤的轮廓信息是在下面说明的特征量的提取时使用的信息。
38.特征量获取部11基于被实施如上所述的姿势校正处理和颜色校正处理后的图像以及通过轮廓提取处理提取出的锦鲤的轮廓信息，来获取锦鲤的体型的信息、颜色的信息、花纹的信息以及修饰完成度的信息。
39.首先，说明锦鲤的体型的信息。
40.在对锦鲤进行评价时，关于锦鲤的体型，考虑到下面的点。
41.·
尾筒不要过细、过粗，应与身体的各部位之间比例协调
42.·
头的大小不应与身体整体不匀称
43.·
各鳍的大小应相对于身体而言匀称且左右对称
44.·
应以背肌和脊柱为中心线呈弓状，左右对称且没有歪斜
45.·
从头部到尾鳍的线条应是平滑的
46.因此，本实施方式的特征量获取部11基于锦鲤的轮廓信息求出图4所示的a～f。a为头部的宽度，是从左眼的内侧到右眼的内侧之间的距离。另外，b为肩宽(身体中最粗处的宽度)，是左胸鳍的最后部的端缘与右胸鳍的最后部的端缘之间的距离。c为腹部的突起情况，是背鳍的前端位置处的左右两端之间的距离。d为尾筒的粗度，是尾鳍的前端位置处的左右两端之间的距离。e为胸鳍的横向宽度，是从胸鳍的根部到左右方向上的端缘的距离。f为胸鳍的纵向宽度，是从胸鳍的前端到后端的长度。
47.此外，关于左眼和右眼的位置、胸鳍的位置、背鳍的位置以及尾鳍的位置，通过使用已有的图像处理和图案识别来进行检测。
48.而且，特征量获取部11计算下式来求出比率wa～wf。
49.wa＝a/b、wb＝b/c、wc＝c/d、wd＝a/d、we＝b/e、wf＝e/f
50.另外，特征量获取部11基于锦鲤的轮廓信息求出图4所示的g～k。g为从嘴顶端到尾鳍后端的身体全长。h为从嘴顶端到鳃盖的最后端的头部长度。i为从鳃盖的最后端到背鳍的前端的背部长度。j为从背鳍的前端到尾鳍的前端的胴体长度。k为从尾鳍的前端到尾
鳍的后端的尾鳍长度。
51.此外，关于鳃盖，在图4中省略了图示，但是能够通过提取鳃的轮廓来检测鳃盖的位置。另外，也可以设为，在仅通过从锦鲤的上方拍摄锦鲤得到的图像难以进行检测的情况下，图像获取部10还获取从左侧拍摄到的图像或从右侧拍摄到的图像，特征量获取部11根据这些图像来检测鳃盖的位置。
52.然后，特征量获取部11计算下式来求出比率lh～lf。
53.lh＝g/h、li＝g/i、lj＝g/j、lk＝g/k、lf＝g/f
54.特征量获取部11计算上述的wa～wf、lh～lf这11个比率，来作为锦鲤的体型的信息。
55.另外，特征量获取部11根据锦鲤的轮廓信息求出锦鲤的脊柱线。具体地说，求出从背鳍的前端起通过背鳍直到尾鳍的前端为止的线来作为脊柱线。从背鳍的后端到尾鳍的前端例如用直线连结即可。
56.接着，特征量获取部11获取锦鲤有无缺陷的信息来作为锦鲤的体型的信息。
57.具体地说，特征量获取部11基于锦鲤的轮廓信息，来确认胡须是否齐全、即2根大胡须和2根小胡须共4根胡须。另外，特征量获取部11根据锦鲤的图像求出左右眼的位置，确认眼睛的位置是否左右对称。另外，特征量获取部11基于锦鲤的轮廓信息，检测鳃盖是否存在翘曲。另外，特征量获取部11基于锦鲤的轮廓信息，来确认胸鳍是否有缺损、扭曲以及变形。
58.另外，特征量获取部11从锦鲤的图像中提取鳞片，确认鳞片是否不整齐而非排列有序。具体地说，特征量获取部11求出各鳞片的中心，并求出将前后方向上相邻的鳞片的中心连结的直线。然后，特征量获取部11通过检测该直线是否不平滑且包含凹凸，从而确认鳞片不整齐。
59.另外，特征量获取部11通过确认是否在从锦鲤的图像提取出的鳞片的图案中的预先设定的面积以上的范围内不存在鳞片的图案，来获取有无疤痕的信息。
60.特征量获取部11如上述那样获取胡须的信息、左右眼的对称性的信息、鳃盖的翘曲信息、胸鳍的缺陷信息、鳞片的排列信息以及疤痕的信息来作为锦鲤有无缺陷的信息。
61.即，特征量获取部11获取上述的11个比率、脊柱线以及6个缺陷信息来作为锦鲤的体型的信息。
62.此外，作为脊柱线的信息，例如获取将脊柱线绘制在预先设定的坐标系中的情况下的线上的多个点的坐标。另外，关于6个缺陷信息，例如，作为有缺陷的信息，获取数值“1”，作为无缺陷的信息，获取数值“0”。
63.接着，说明锦鲤的颜色的信息。此外，在本实施方式中，对锦鲤的品种为“红白”的情况下的颜色的信息进行说明。
64.在对锦鲤(红白)进行评价时，对于锦鲤的颜色的信息，关于白地(＝地肌)考虑下面的点。
65.·
深厚的乳白色且有透明感
66.·
地体没有下绯(看起来像是粉红色肌地)
67.·
没有泛黄
68.·
没有污点等
69.因此，本实施方式的特征量获取部11求出如图5所示那样的构成锦鲤的图像的各像素的颜色的频度分布。
70.然后，特征量获取部11基于颜色的频度分布，求出乳白色的像素的频度并获取该频度作为白地的信息。此外，乳白色的rgb值设为预先设定的值。锦鲤(红白)的白地优选为乳白色。
71.另外，特征量获取部11基于颜色的频度分布，求出与下绯对应的粉红色的像素的频度并获取该频度作为下绯的信息。此外，与下绯对应的粉红色的rgb值设为预先设定的值。锦鲤(红白)的白地优选为乳白色，不出现下绯(粉红色)较为优选。
72.另外，特征量获取部11基于颜色的频度分布，求出与泛黄对应的黄色的像素的频度并获取该频度作为泛黄的信息。此外，与泛黄对应的黄色的rgb值设为预先设定的值。没有泛黄较为优选。
73.另外，特征量获取部11基于颜色的频度分布，求出与污点对应的茶色系和黑色系的像素的频度并获取该频度作为污点的信息。此外，与污点对应的茶色系和黑色系的rgb值设为预先设定的值。没有污点较为优选。
74.接着，对于锦鲤的颜色的信息，关于绯盘(红色部分)考虑下面的点。
75.·
绯盘的颜色从头部到尾筒是均匀的
76.·
红色鲜明且色调(柿子色系、粉红色系被视为明亮且良好)良好
77.·
不观察色度，而是观察绯盘厚度(浸染(日语：練
り
込
み
)、也就是看不到鳞片分界的绯盘被视为有厚度)
78.·
是绯盘的切边良好整齐的前插，头绯的边际和鳞片的边际/前插没有渗色
79.·
绯盘中没有浮现颜色的浓淡、污点
80.因此，本实施方式的特征量获取部11从锦鲤的图像中提取绯盘的范围，计算该绯盘的范围内的各像素的颜色的频度分布。此外，与绯盘的范围对应的rgb的范围设为预先设定的范围。
81.然后，特征量获取部11求出该绯盘的范围内的颜色的频度分布的方差或标准偏差来获取绯盘的颜色的均匀性的信息。方差或标准偏差小则具有颜色的均匀性，是优选的。
82.另外，特征量获取部11例如将绯盘的范围内的各像素的rgb变换为l*a*b*的颜色空间的信号，基于a*和b*的值求出彩度，并获取该彩度来作为绯盘的颜色的鲜明度(色调)的信息。
83.另外，特征量获取部11提取绯盘的范围的图像整体中包含的鳞片的图案，检测提取出的该鳞片的图案的边缘并求出边缘量，获取该边缘量来作为绯盘厚度的信息。边缘量是指构成边缘的像素的总数。边缘量少则绯盘有厚度，是优选的。
84.另外，特征量获取部11基于锦鲤的图像，求出绯盘的范围与白地的范围的边界处的边缘的尖锐度(模糊的程度)，并获取该尖锐度来作为前插/边际的渗色的信息。此外，关于边缘的尖锐度(模糊的程度)的计算方法，能够使用已有的方法。边缘的尖锐度高则前插/边际的渗色少，是优选的。
85.此外，关于绯盘中没有浮现颜色的浓淡、污点，作为上述的污点的信息而被获取。
86.即，特征量获取部11获取白地的信息、下绯的信息、泛黄的信息、污点的信息、绯盘的颜色的均匀性的信息、绯盘的颜色的鲜明度(色调)的信息、绯盘的厚度的信息、以及前
插/边际的渗色的信息来作为锦鲤的颜色的信息。
87.接着，说明锦鲤的花纹的信息。此外，在本实施方式中，对锦鲤的品种为“红白”的情况下的花纹的信息进行说明。
88.在对锦鲤(红白)进行评价时，关于锦鲤的花纹的信息考虑到下面的点。
89.·
在从头部经胴体部到尾部的各部位，斑纹的形状、大小及数量应与其身体协调
90.·
绯盘从鼻尖和尾鳍根部起均有切边。
91.因此，本实施方式的特征量获取部11从锦鲤的图像中提取绯盘的范围。然后，特征量获取部11确认绯盘的范围的一部分是否包含在鼻尖的范围内、以及绯盘的范围是否覆盖到了尾鳍根部。此外，关于鼻尖的范围和尾鳍根部，基于预先设定的条件，来使用已有的图像处理方法进行设定。
92.在绯盘的范围的一部分没有包含在鼻尖的范围内且绯盘的范围没有覆盖到尾鳍根部的情况下，特征量获取部11将“良好”的信息获取为绯盘的覆盖信息，在绯盘的范围的一部分包含在鼻尖的范围内、或绯盘的范围覆盖到了尾鳍根部的情况下，将“不良”的信息获取为绯盘的覆盖信息。
93.另外，特征量获取部11将锦鲤的图像分割为头部、胴体部以及尾部这3个部位，确定各部位中包含的绯盘的范围。关于头部、胴体部以及尾部，以预先设定的条件进行分割即可。
94.然后，特征量获取部11计算各部位中包含的绯盘的范围的面积相对于各部位的整体面积的比率，获取该各部位的比率来作为绯盘的均衡信息。此外，在各部位的绯盘的比率为50％～90％的情况下，判断为绯盘的均衡良好，在除此以外的比率的情况下，判断为绯盘的均衡差。
95.另外，特征量获取部11获取各部位中包含的绯盘的个数和各绯盘的周围的长度来作为绯盘的均衡信息。
96.即，特征量获取部11获取绯盘的覆盖信息和绯盘的均衡信息来作为锦鲤的花纹的信息。此外，关于绯盘的覆盖信息，例如在绯盘的覆盖信息为“良好”的情况下获取数值“1”，在绯盘的覆盖信息为“不良”的情况下获取数值“0”。
97.接着，说明锦鲤的修饰完成度的信息。此外，在本实施方式中，对锦鲤的品种为“红白”的情况下的修饰完成度的信息进行说明。
98.在对锦鲤(红白)进行评价时，关于锦鲤的修饰完成度的信息考虑到下面的点。
99.·
色彩鲜明且清晰，润泽且光亮，有无白浊
100.·
地肌有透明感、有光泽、有光面感、以及光滑，没有充血
101.·
绯色与地肌的对比分明(是明亮的色调)
102.因此，特征量获取部11基于锦鲤的图像，求出对比度、明度以及彩度并获取该对比度、明度以及彩度来作为修饰完成度的信息。此外，关于彩度，作为锦鲤的颜色的信息而求出绯盘的范围的彩度，但是作为修饰完成度的信息，求出锦鲤的图像整体的彩度。
103.以上是对本实施方式的特征量获取部11获取的特征量的说明。
104.接着，说明评价部12。
105.评价部12具有对多个锦鲤中的各个锦鲤的上述的特征量与该锦鲤的评价结果之间的关系进行机器学习所得到的学习完成模型。更具体地说，本实施方式的评价部12具有
如下的4个学习完成模型：用于对作为评价对象的锦鲤的体型进行评价的体型评价用学习完成模型；用于对锦鲤的质地进行评价的质地评价用学习完成模型；用于对锦鲤的花纹进行评价的花纹评价用学习完成模型；以及用于对锦鲤的修饰完成度进行评价的修饰完成度评价用学习完成模型。
106.关于体型评价用学习完成模型，例如对在全日本爱鳞会和全日本振兴会举办的过去的国际锦鲤品评会和全日本锦鲤品评会上获得世界冠军(全体综合优胜)的10条锦鲤的上述的体型的信息与关于该体型的评价结果(得分)的关系进行机器学习，生成成为基准的学习完成模型。而且，进一步使该成为基准的学习完成模型对任意的多个锦鲤的上述的体型的信息与关于该体型的评价结果(得分)的关系进行机器学习，从而得到体型评价用学习完成模型。在上述的任意的多个锦鲤中包含评价结果良好的锦鲤和评价结果不好的锦鲤等各种评价结果的锦鲤。
107.关于质地评价用学习完成模型，对作为世界冠军的10条锦鲤的上述的颜色的信息与关于该颜色的评价结果(得分)的关系进行机器学习，生成成为基准的学习完成模型。而且，进一步使该成为基准的学习完成模型对任意的多个锦鲤的上述的颜色的信息与关于该颜色的评价结果(得分)的关系进行机器学习，从而得到质地评价用学习完成模型。
108.关于花纹评价用学习完成模型，对作为世界冠军的10条锦鲤的上述的花纹的信息与关于该花纹的评价结果(得分)的关系进行机器学习，生成成为基准的学习完成模型。而且，进一步使该成为基准的学习完成模型对任意的多个锦鲤的上述的花纹的信息与关于该花纹的评价结果(得分)的关系进行机器学习，从而得到花纹评价用学习完成模型。
109.关于修饰完成度评价用学习完成模型，对作为世界冠军的10条锦鲤的上述的修饰完成度的信息与关于该修饰完成度的评价结果(得分)的关系进行机器学习，生成成为基准的学习完成模型。而且，进一步使该成为基准的学习完成模型对任意的多个锦鲤的上述的修饰完成度的信息与关于该修饰完成度的评价结果(得分)的关系进行机器学习，从而得到修饰完成度评价用学习完成模型。
110.此外，作为机器学习的方法，能够使用公知的方法，能够使用深度神经网络(dnn)、卷积神经网络(cnn)、循环神经网络(rnn)以及降噪堆栈自动编码器(dsa：denosing stack autoencoder)等。
111.评价部12使用体型评价用学习完成模型、质地评价用学习完成模型、花纹评价用学习完成模型以及修饰完成度评价用学习完成模型这4个学习完成模型来对作为评价对象的锦鲤进行评价。
112.具体地说，评价部12通过对体型评价用学习完成模型输入由特征量获取部11获取到的作为评价对象的锦鲤的体型的信息，来对作为评价对象的锦鲤的体型进行评价，得到评价结果(得分)。
113.另外，评价部12通过对质地评价用学习完成模型输入由特征量获取部11获取到的作为评价对象的锦鲤的颜色的信息，来对作为评价对象的锦鲤的质地进行评价，得到评价结果(得分)。
114.另外，评价部12通过对花纹评价用学习完成模型输入由特征量获取部11获取到的作为评价对象的锦鲤的花纹的信息，来对作为评价对象的锦鲤的花纹进行评价，得到评价结果(得分)。
115.另外，评价部12通过对修饰完成度评价用学习完成模型输入由特征量获取部11获取到的作为评价对象的锦鲤的修饰完成度的信息，来对作为评价对象的锦鲤的修饰完成度进行评价，得到评价结果(得分)。
116.通过如上述那样，评价部12获取作为评价对象的锦鲤的体型的得分、颜色的得分、花纹的得分以及修饰完成度的得分。
117.并且，评价部12通过将上述的4个得分分别乘以预先设定的权重后相加，由此得到作为评价对象的锦鲤的综合评价结果(综合得分)。
118.关于权重，能够任意地进行设定，例如对体型的得分设定40％，对质地的得分设定30％，对花纹的得分设定20％，对修饰完成度的得分设定10％。在该情况下，当将体型的得分设为s1、将质地的得分设为s2、将花纹的得分设为s3、将修饰完成度的得分设为s4时，通过下式计算出综合得分sa。
119.sa＝0.4
×
s1 0.3
×
s2 0.2
×
s3 0.1
×
s4
120.此外，关于上述的权重，并不限于上述的例子，例如也可以设为根据作为评价对象的锦鲤的成长阶段来变更权重。
121.例如，在作为评价对象的锦鲤为鱼苗((第12部～第25部)1cm～25cm)的阶段的情况下，将体型的权重设定为25％，将质地的权重设定为25％，将花纹的权重设定为25％，将修饰完成度的权重设定为25％。另外，在作为评价对象的锦鲤为若鲤((第30部～第40部)25.1cm～40cm)的阶段的情况下，将体型的权重设定为35％，将质地的权重设定为30％，将花纹的权重设定为20％，将修饰完成度的权重设定为15％。另外，在作为评价对象的锦鲤为成鱼((第45部～第55部)40.1cm～55cm)的阶段的情况下，将体型的权重设定为40％，将质地的权重设定为30％，将花纹的权重设定为20％，将修饰完成度的权重设定为10％。另外，在作为评价对象的锦鲤为壮鱼((第60部～第70部)55.cm～70cm)的阶段的情况下，将体型的权重设定为40％，将质地的权重设定为30％，将花纹的权重设定为20％，将修饰完成度的权重设定为10％。另外，在作为评价对象的锦鲤为巨鲤((第75部～第90部)70.1cm～90cm)的阶段的情况下，将体型的权重设定为50％，将质地的权重设定为25％，将花纹的权重设定为15％，将修饰完成度的权重设定为10％。
122.评价部12也可以接收上述的锦鲤的成长阶段的信息，设定与该阶段相应的权重，来计算上述的综合得分sa。
123.此外，在本实施方式中，评价部12具有4个学习完成模型，但是不限于此，也可以将4个学习完成模型存储到经由通信网络来与锦鲤评价装置1连接的服务器装置等，利用模型来进行评价。
124.另外，也可以设为，在本实施方式的锦鲤评价装置1中设置学习完成模型生成部，在该学习完成模型生成部中生成体型评价用学习完成模型、质地评价用学习完成模型、花纹评价用学习完成模型以及修饰完成度评价用学习完成模型这4个学习完成模型。在该情况下，由图像获取部10获取上述的机器学习用的锦鲤的图像并由特征量获取部11获取所获取到的该图像的特征量即可。另外，关于各锦鲤的评价结果(得分)，由用户使用与锦鲤评价装置1连接的规定的输入装置(省略图示)来进行设定输入即可。
125.输出部13输出由评价部12评价得到的作为评价对象的锦鲤的评价结果。本实施方式的输出部13输出作为评价对象的锦鲤的体型的得分s1、质地的得分s2、花纹的得分s3、修
饰完成度的得分s4以及综合得分sa。
126.具体地说，本实施方式的输出部13将作为评价对象的锦鲤的体型的得分s1、质地的得分s2、花纹的得分s3、修饰完成度的得分s4以及综合得分sa显示于规定的显示装置(省略图示)。作为显示方法，例如图6所示那样，将体型的得分s1、质地的得分s2、花纹的得分s3以及修饰完成度的得分s4以雷达图的形式进行显示，并且以文本方式显示综合得分sa。
127.此外，作为本实施方式的输出部13的输出目的地，不限于显示装置，也可以设为向经由通信网络来与锦鲤评价装置1连接的计算机、服务器装置等输出，还可以设为向打印机等印刷装置输出。
128.锦鲤评价装置1由计算机构成，具备cpu(central processing unit：中央处理单元)或gpu(graphics processing unit：图形处理单元)、rom(read only memory：只读存储器)以及ram(random access memory：随机存取存储器)等半导体存储器、硬盘等储存装置、以及通信i/f(interface：接口)等。
129.另外，在锦鲤评价装置1的半导体存储器或硬盘中安装有本发明的一个实施方式所涉及的锦鲤评价程序。通过cpu或gpu执行该锦鲤评价程序，使得上述的图像获取部10、特征量获取部11、评价部12以及输出部13发挥功能。
130.即，锦鲤评价程序使计算机执行以下步骤：获取从拍摄作为评价对象的锦鲤得到的图像中提取出的特征量；通过对学习完成模型输入作为评价对象的锦鲤的特征量，来对作为评价对象的锦鲤进行评价，学习完成模型是对多个锦鲤中的各个锦鲤的特征量与该锦鲤的评价结果之间的关系进行机器学习所得到的模型；以及输出作为评价对象的锦鲤的评价结果。
131.此外，锦鲤评价装置1的硬件结构不限定于上述的结构。
132.另外，在本实施方式中，上述的图像获取部10、特征量获取部11、评价部12以及输出部13的功能全部通过锦鲤评价程序来执行，但是不限于此，也可以设为功能的一部分或全部由asic(application specific integrated circuit：专用集成电路)、fpga(field-programmable gate array：现场可编程门阵列)、其它电气电路等硬件构成。
133.接着，参照图7所示的流程图来说明本实施方式的锦鲤评价装置1的处理流程。
134.首先，由图像获取部10获取拍摄作为评价对象的锦鲤得到的图像(s10)。
135.接着，在特征量获取部11中，对作为评价对象的锦鲤的图像实施上述的预处理(s12)。
136.接着，在特征量获取部11中，基于被实施预处理后的图像，来获取锦鲤的体型的信息、颜色的信息、花纹的信息以及修饰完成度的信息的特征量(s14)。
137.然后，对评价部12所具有的4个学习完成模型输入各自的特征量，求出作为评价对象的锦鲤的体型的得分、质地的得分、花纹的得分、修饰完成度的得分以及综合得分(s16)。
138.由评价部12求出的作为评价对象的锦鲤的得分被输出到输出部13，输出部13将作为评价对象的锦鲤的体型的得分、质地的得分、花纹的得分以及修饰完成度的得分以雷达图的形式进行显示，并且以文本方式显示综合得分(s18)。
139.此外，在上述实施方式的锦鲤评价装置1中，使用体型评价用学习完成模型、质地评价用学习完成模型、花纹评价用学习完成模型以及修饰完成度评价用学习完成模型这4个学习完成模型来评价锦鲤，但是不限于此，也可以设为对多个锦鲤的体型的信息、颜色的
信息及花纹的信息与各锦鲤的综合得分的关系进行机器学习来生成综合评价用学习完成模型。而且，也可以设为，评价部12对综合评价用学习完成模型输入作为评价对象的锦鲤的体型的信息、颜色的信息以及花纹的信息来求出综合得分。另外，也可以设为，还添加修饰完成度的信息作为特征量来生成综合评价用学习完成模型，通过输入作为评价对象的锦鲤的体型的信息、颜色的信息、花纹的信息以及修饰完成度的信息来求出综合得分。
140.另外，在上述实施方式的说明中，说明了锦鲤的品种为“红白”的情况下的评价方法，但是也可以设为在锦鲤评价装置1中对其它品种的锦鲤进行评价。即，也可以设为锦鲤评价装置1对多个品种的锦鲤进行评价。在该情况下，锦鲤评价装置1的特征量获取部11获取与锦鲤的品种相应的特征量，评价部12使用与锦鲤的品种相应的学习完成模型来进行锦鲤的评价。即，评价部12具有与多个锦鲤的品种相应的多个学习完成模型。此外，作为与锦鲤的品种相应的学习完成模型，与上述实施方式同样，针对锦鲤的各品种分别具有体型评价用学习完成模型、质地评价用学习完成模型、花纹评价用学习完成模型以及修饰完成度评价用学习完成模型这4个学习完成模型。
141.作为锦鲤的品种，有如下的21种：上述的1.红白、2.大正三色、3.昭和三色、4.写鲤、5.金银鳞一种(1～4的金银鳞片种)、6.别甲鲤、7.浅黄、8.秋翠、9.衣鲤、10.变种鲤、11.五色、12.花纹皮光鲤(金辉黑龙系视为花纹皮光鲤)、13.光写锦鲤、14.金银鳞片二种(6～13的金银鳞片种)、15.无地锦鲤(包含银鳞片种和松叶种)、16.光无地锦鲤(包含银鳞片种和松叶种)、17.丹顶(包含银鳞片种的丹顶模样的所有品种)、18.雄红白、19.雄大正三色、20.雄昭和三色、以及21.雄金银鳞片一种(18～21的金银鳞片种)。
142.如上所述，对于锦鲤的各品种，特征量不同，但是例如在大正三色的情况下，由于带有墨色，因此作为锦鲤的颜色的信息，追加墨色的均匀性和终止性、墨色的厚度等信息。作为墨的均匀性的信息，例如求出与墨色对应的颜色的像素的方差、标准偏差。另外，作为墨色的终止性的信息，例如求出与墨色对应的独立的黑颜色的图案的位置的方差，评价上述图案是否散乱。另外，作为墨色的厚度的信息，求出墨色的范围内的边缘量。
143.另外，在昭和三色的情况下，作为锦鲤的颜色的信息，追加沉下的墨色的地体是否为浅黄肌地的信息等。作为墨色的地体是否为浅黄肌地的信息，求出与墨色的范围对应的颜色的像素。
144.像这样，针对锦鲤的各品种分别获取固有的特征量，生成学习完成模型，进行与锦鲤的品种相应的评价。
145.关于本发明的锦鲤评价装置，还公开下面的附记。
146.(附记)
147.另外，在本发明的锦鲤评价装置中，特征量获取部能够获取锦鲤的体型的信息来作为特征量。
148.另外，在本发明的锦鲤评价装置中，特征量获取部能够获取锦鲤的颜色的信息来作为特征量。
149.另外，在本发明的锦鲤评价装置中，特征量获取部能够获取锦鲤的花纹的信息来作为特征量。
150.另外，在本发明的锦鲤评价装置中，特征量获取部能够获取锦鲤的体型的信息、颜色的信息以及花纹的信息来作为特征量。
151.另外，在本发明的锦鲤评价装置中，评价部能够具有锦鲤的各品种的学习完成模型。
152.附图标记说明
153.1：锦鲤评价装置；10：图像获取部；11：特征量获取部；12：评价部；13：输出部。