JP7534041B2 - Ｂｒｄｃ予兆検知システム - Google Patents

Description

本発明は、ＢＲＤＣ予兆検知システムに関する。

一般に、畜産牛における飼育から販売までの流れは、複数の工程に大別される（例えば、牧草飼育の工程、肥育の工程、加工の工程等）。このうち、Ｆｅｅｄｌｏｔ（肥育場）は、一定の区域内で行われるため、牛が牛呼吸器病（ＢＲＤＣ：Bovine Respiratory Disease Complex）に感染しやすいといった問題がある。

これに対して、例えば、下記非特許文献１には、ＢＲＤＣに感染した牛のうち、ＢＲＤＣを実際に発症した牛を自動検知するシステムが提案されている。当該システムによれば、ＢＲＤＣを発症した牛をいち早く特定することができる。

Cargill、"Cargill brings facial recognition capability to farmers through strategic equity investment in Cainthus"、[online]、２０１８年１月３１日、［２０１８年７月３１日検索］、インターネット（URL:https://www.cargill.com/2018/cargill-brings-facial-recognition-capability-to-farmers）

一方で、牛がＢＲＤＣを発症する前に、その予兆を捉えて処置することができれば、ＢＲＤＣの発症や重症化に伴って生じる様々なコストを低減できると考えられる。

一つの側面では、ＢＲＤＣの予兆を検知するＢＲＤＣ予兆検知システムを提供することを目的としている。

一態様によれば、ＢＲＤＣ予兆検知システムは、
肥育に要する期間内にＢＲＤＣを発症した牛の、ＢＲＤＣの原因となるウィルスまたは細菌を投与して以降のＢＲＤＣを発症していない所定期間における状態を示すデータであって、前記牛の行動データ及び非行動データと、バイタルデータとを含むデータと、肥育に要する期間経過後にＢＲＤＣを発症していない牛の、前記所定期間における前記状態を示すデータとを取得する取得部と、
取得した前記所定期間における前記状態を示すデータと、ＢＲＤＣを発症したか否かを示す情報との対応関係を機械学習する機械学習部と、
前記対応関係を機械学習することで生成される学習済みモデルに、新たな牛のＢＲＤＣを発症していない所定期間における前記状態を示すデータを入力することで、該新たな牛がＢＲＤＣを発症するか否かを示す情報を推論し、推論結果を出力する推論部とを有することを特徴とする。

ＢＲＤＣの予兆を検知するＢＲＤＣ予兆検知システムを提供することが可能となる。

ＢＲＤＣ予兆検知システムのシステム構成の一例を示す図である。 牛に装着されるセンサと、センサが装着される位置とを示す図である。 肥育場における撮像装置群の配置例を示す図である。 検知装置のハードウェア構成の一例を示す図である。 ＢＲＤＣ予兆検知システム全体の処理の流れを示すシーケンス図である。 学習装置及び検知装置の機能構成の一例を示す第１の図である。 実験データ処理部の詳細を示す図である。 学習用データ格納部に格納される学習用データの一例を示す第１の図である。 学習用データ格納部に格納される学習用データの一例を示す第２の図である。 学習部の詳細を示す第１の図である。 予兆検知用データ格納部に格納される予兆検知用データの一例を示す第１の図である。 予兆検知部の詳細を示す第１の図である。 学習用データ格納部に格納される学習用データの一例を示す第３の図である。 検知結果画面の一例を示す図である。 学習装置及び検知装置の機能構成の一例を示す第２の図である。 学習用データ格納部に格納される学習用データの一例を示す第４の図である。 学習用データ格納部に格納される学習用データの一例を示す第５の図である。 学習部の詳細を示す第２の図である。 予兆検知用データ格納部に格納される予兆検知用データの一例を示す第２の図である。 予兆検知部の詳細を示す第２の図である。 学習用データ格納部に格納される学習用データの一例を示す第６の図である。 学習部の詳細を示す第３の図である。 予兆検知部の詳細を示す第３の図である。

以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。

［第１の実施形態］
＜ＢＲＤＣ予兆検知システムのシステム構成＞
はじめに、ＢＲＤＣ予兆検知システムのシステム構成について説明する。図１は、ＢＲＤＣ予兆検知システムのシステム構成の一例を示す図である。

ＢＲＤＣ予兆検知システム１００は、肥育の工程において、肥育場１４０内の各牛のＢＲＤＣ発症の予兆を検知するシステムである。

図１に示すように、ＢＲＤＣ予兆検知システム１００は、検知装置１１０と、学習装置１１１と、撮像装置群１３０と、中継器１３１（及び中継器に無線接続されるセンサ）と、端末装置１５０と、端末装置１６０とを有する。ＢＲＤＣ予兆検知システム１００において、検知装置１１０は、ネットワーク１２０を介して、撮像装置群１３０、中継器１３１、端末装置１５０、端末装置１６０と通信可能に接続される。

検知装置１１０は、撮像装置群１３０により撮影された画像データを受信したり、牛に装着されたセンサにより測定された測定データを、中継器１３１を介して受信する。また、検知装置１１０は、受信した画像データ及び測定データ（以下、Ｆｅｅｄｌｏｔデータと称す）に基づいて、各牛のＢＲＤＣ発症の予兆を検知する。

また、検知装置１１０は、ＢＲＤＣ発症の予兆を検知した場合に、当該牛に対して行う処置を判定する。判定の結果、当該牛に対して投薬処置を行う場合には、端末装置１５０に対して投薬指示を出力する。また、判定の結果、当該牛に対して隔離処置を行う場合には、端末装置１６０に対して隔離指示を行う。

学習装置１１１は、検知装置１１０がＢＲＤＣ発症の予兆を検知する際に用いる学習済みモデルを生成し、検知装置１１０に提供する。学習装置１１１は、実験場１１２内の実験牛について、ＢＲＤＣ感染からＢＲＤＣ発症までの間に撮影された画像データ、及び、測定された測定データ（以下、実験データと称す）を収集し、機械学習を行うことで学習済みモデルを生成する。

また、学習装置１１１は、肥育場１４０内の牛について、検知装置１１０が収集したＦｅｅｄｌｏｔデータに基づいて、生成した学習済みモデルを修正する。

撮像装置群１３０は、肥育場１４０の周囲に配置され、肥育場１４０内の牛を撮影する。また、撮像装置群１３０は、撮影した画像データをネットワーク１２０を介して検知装置１１０に送信する。

中継器１３１は、肥育場１４０内の牛に装着されたセンサが測定した測定データを、無線通信により受信し、受信した測定データを、ネットワーク１２０を介して検知装置１１０に送信する。

端末装置１５０は、肥育場１４０内の各牛を管理する肥育管理者によって携行される端末であり、検知装置１１０から投薬指示があった場合に、肥育管理者に報知する。これにより、肥育管理者は、投薬指示があった牛を特定して、投薬処置を施す。

端末装置１６０は、肥育場１４０内の各牛を管理する他の肥育管理者によって携行される端末であり、検知装置１１０から隔離指示があった場合に、当該他の肥育管理者に報知する。これにより、他の肥育管理者は、隔離指示があった牛を特定し、肥育場１４０から療養場１８２へと移送することで、隔離処置を施す。

なお、図１には、ＢＲＤＣ予兆検知システム１００以外の装置及び肥育の工程以外の牛の移送についても示されている。このうち、端末装置１８１は、放牧場１８０にて牧草飼育されている牛を管理することで得られた放牧データを、ネットワーク１２０を介して検知装置１１０に送信する。

放牧場１８０で牧草飼育された各牛は、牧草飼育の工程が終了すると、肥育場１４０に移送され、肥育場１４０にて、肥育の工程が開始される。肥育場１４０への移送時には、各牛のチェックが行われ、発育状態によっては放牧場１８０に戻される。また、ＢＲＤＣに感染またはＢＲＤＣを発症している牛については、療養場１８２に移送される。

一方で、肥育場１４０にて肥育の工程が開始された各牛は、肥育の工程に要する期間（肥育に要する期間）が経過し、肥育の工程が終了すると、加工業者１８３に移送される。端末装置１８４は、肥育の工程が終了し、加工業者１８３に移送された各牛を管理する。具体的には、端末装置１８４は、移送された各牛が加工業者１８３により加工され、出荷されるまでの間に得られたデータを収集し、加工データとして検知装置１１０に送信する。

＜センサについての説明＞
次に、肥育場１４０の各牛に装着されるセンサについて説明する。図２は、牛に装着されるセンサと、センサが装着される位置とを示す図である。

図２（ａ）に示すように、肥育場１４０内の牛には、牛ごとに異なるセンサＩＤが付されたセンサが装着される。図２（ａ）の例は、牛ＩＤ＝"００１"の牛に装着される、センサＩＤ＝"００１"のセンサを示している。

各牛に装着されるセンサには、複数の測定素子群が含まれ、測定項目により、"加速度"、"温度"、"音声"に分類される。また、各牛に装着されるセンサは、測定項目ごとに測定部位が定められており、それぞれの測定部位に、測定素子が装着される。

例えば、"加速度"の測定は、牛の"頭部"と"腹部"について行われ、それぞれの部位に、"加速度センサ１"と"加速度センサ２"とが装着される。また、"温度"の測定は、牛の"首部"について行われ、当該部位に、"温度センサ"が装着される。更に、"音声"の測定は、牛の"腹部"について行われ、当該部位に、"音声センサ"が装着される。

図２（ｂ）は、センサに含まれる複数の測定素子群の装着例を示している。図２（ｂ）において、装着具２０１は牛の頭部に装着され、牛の頭部における各種測定を行う。図２（ａ）の例によれば、装着具２０１には"加速度センサ１"が搭載される。また、装着具２０２は牛の首部に装着され、牛の首部における各種測定を行う。図２（ａ）の例によれば、装着具２０２には"温度センサ"が搭載される。更に、装着具２０３は牛の腹部に装着され、牛の腹部における各種測定を行う。図２（ａ）の例によれば、装着具２０３には"加速度センサ２"と"音声センサ"とが搭載される。

なお、センサにより測定された測定データは、不図示の送信機により、センサＩＤと対応付けて、所定の周期で中継器１３１に送信される。これにより、検知装置１１０では、所定の周期で、センサＩＤと対応付けられた測定データ（加速度データ１、加速度データ２、温度データ、音声データ）を受信することができる。

＜撮像装置群の配置例＞
次に、肥育場１４０における撮像装置群１３０の配置例について説明する。図３は、肥育場における撮像装置群の配置例を示す図である。図３の例は、撮像装置群１３０として、肥育場１４０の周囲に５台の撮像装置３１０、３２０、３３０、３４０、３５０を配置した様子を示している。

図３に示すように、撮像装置３１０、３２０、３３０、３４０、３５０は、それぞれ、架台３１１、３２１、３３１、３４１、３５１に設置され、肥育場１４０内のすべての領域が撮影できるように、幅方向の撮像範囲が定められている。また、撮像装置３１０、３２０、３３０、３４０、３５０は、牛の立位状態から横臥状態までが撮影できるように、高さ方向の撮像範囲が定められている。

なお、撮像装置３１０、３２０、３３０、３４０、３５０は、全て可視光線を検知する可視光カメラであってもよいし、一部が、赤外線を検知する赤外線カメラであってもよい。また、架台３１１、３２１、３３１、３４１、３５１は、固定式の架台であってもよいし、可動式の架台（パン、チルト、ロール方向に動く架台）であってもよい。

また、図３の例では、紙面の都合上、５台の撮像装置のみを示したが、肥育場１４０に配置される撮像装置の数は、５台に限定されない。

＜検知装置及び学習装置のハードウェア構成＞
次に、検知装置１１０及び学習装置１１１のハードウェア構成について説明する。なお、検知装置１１０と学習装置１１１とは、概ね同じハードウェア構成を有しているため、ここでは、検知装置１１０のハードウェア構成について説明する。

図４は、検知装置のハードウェア構成の一例を示す図である。図４に示すように、検知装置１１０は、ＣＰＵ（Central Processing Unit）４０１、ＲＯＭ（Read Only Memory）４０２、ＲＡＭ（Random Access Memory）４０３を有する。ＣＰＵ４０１、ＲＯＭ４０２、ＲＡＭ４０３は、いわゆるコンピュータを形成する。また、検知装置１１０は、補助記憶装置４０４、操作装置４０５、表示装置４０６、通信装置４０７、ドライブ装置４０８を有する。なお、検知装置１１０の各ハードウェアは、バス４０９を介して相互に接続される。

ＣＰＵ４０１は、補助記憶装置４０４にインストールされた各種プログラム（例えば、後述する予兆検知プログラム等）を実行する。

ＲＯＭ４０２は、不揮発性メモリであり、主記憶装置として機能する。ＲＯＭ４０２は、補助記憶装置４０４にインストールされた各種プログラムをＣＰＵ４０１が実行するために必要な各種プログラム、データ等を格納する。具体的には、ＲＯＭ４０２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する。

ＲＡＭ４０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリであり、主記憶装置として機能する。ＲＡＭ４０３は、補助記憶装置４０４にインストールされた各種プログラムがＣＰＵ４０１によって実行される際に展開される、作業領域を提供する。

補助記憶装置４０４は、各種プログラムや、各種プログラムがＣＰＵ４０１によって実行されることで収集されるデータ、収集されたデータが処理されることで生成されるデータ等を格納する。例えば、後述する予兆検知用データ格納部は補助記憶装置４０４において実現されるものとする。

操作装置４０５は、検知装置１１０の管理者が検知装置１１０に対して各種指示を入力する際に用いる入力デバイスである。表示装置４０６は、検知装置１１０の管理者に各種情報を表示する表示デバイスである。

通信装置４０７は、ネットワーク１２０に接続し、各装置（撮像装置群１３０、中継器１３１、端末装置１５０、端末装置１６０、端末装置１８１、端末装置１８４等）と通信するための通信デバイスである。

ドライブ装置４０８は記録媒体４１０をセットするためのデバイスである。ここでいう記録媒体４１０には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体４１０には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。

なお、補助記憶装置４０４にインストールされる各種プログラムは、例えば、配布された記録媒体４１０がドライブ装置４０８にセットされ、該記録媒体４１０に記録された各種プログラムがドライブ装置４０８により読み出されることでインストールされる。あるいは、補助記憶装置４０４にインストールされる各種プログラムは、ネットワーク１２０を介してダウンロードされることで、インストールされてもよい。

＜ＢＲＤＣ予兆検知システムによる処理の流れ＞
次に、ＢＲＤＣ予兆検知システム１００全体の処理の流れについて、図５を用いて説明する。図５は、ＢＲＤＣ予兆検知システム全体の処理の流れを示すシーケンス図である。

図５に示すように、ＢＲＤＣ予兆検知システム１００の処理は、学習フェーズと、予兆検知及び学習フェーズと、予兆検知フェーズとに分けることができる。

このうち、学習フェーズは、検知装置１１０がＢＲＤＣ発症の予兆を検知する際に用いる学習済みモデルを生成するフェーズである。また、予兆検知及び学習フェーズは、学習済みモデルを用いて、検知装置１１０がＢＲＤＣ発症の予兆を検知するとともに、学習済みモデルを修正するフェーズである。更に、予兆検知フェーズは、修正された学習済みモデルを用いて、検知装置１１０がＢＲＤＣ発症の予兆を検知するフェーズである。

図５に示すように、学習フェーズが開始されると、ステップＳ５０１において、学習装置１１１では、実験場１１２の牛の監視を開始し、実験データを収集する。なお、図１においては図示しなかったが、実験場１１２においても、肥育場１４０と同様のシステムが再現されているものとする。つまり、学習装置１１１は、実験牛を撮影した画像データ及び実験牛に装着されたセンサにより測定された測定データを、実験データとして収集することができるものとする。

ステップＳ５０２において、実験者は、実験場１１２の各実験牛に、ＢＲＤＣの原因となるウィルスまたは細菌を投与し、各実験牛をＢＲＤＣに感染させる。

ステップＳ５０３において、実験者は、ＢＲＤＣに感染した各実験牛の中から、ＢＲＤＣを発症した実験牛、及び、発症したＢＲＤＣが重症化した実験牛を判定する。各実験牛がＢＲＤＣを発症したか否かの判定及び重症化したか否かの判定は、例えば、実験者が日々のクリニカルスコアを判断し、クリニカルスコアがそれぞれ所定の閾値を超えたか否かに基づいて行われるものとする。

具体的には、ＢＲＤＣを発症した牛は、食欲低下、咳、鼻水、高熱といった症状が出現するため、これらを複合的に判断することで、ＢＲＤＣを発症したことを判定する。また、ＢＲＤＣが重症化した牛は、ＢＲＤＣ発症時よりも更に症状が重くなり、衰弱、咳、呼吸困難、極端な体重増加抑制、といった症状が出現するため、これらを複合的に判断することで、ＢＲＤＣが重症化したことを判定する。なお、各実験牛がＢＲＤＣを発症したか否かの判定結果及び重症化したか否かの判定結果は、実験データと対応付けて学習装置１１１に入力される。

ステップＳ５０４において、学習装置１１１は、実験データと判定結果とを用いて学習用データ（詳細は図８Ａ、８Ｂを用いて後述）を生成し、解析を行う。学習装置１１１では、例えば、学習用データを用いて学習モデルを機械学習させることで、学習用データの解析を行う。

ステップＳ５０５において、学習装置１１１は、学習用データの解析を行ったことで、学習済みモデルを生成する。

ステップＳ５０６において、検知装置１１０は、学習装置１１１により生成された学習済みモデルをインストールする。検知装置１１０への学習済みモデルのインストールが完了すると、ＢＲＤＣ予兆検知システム１００は、予兆検知及び学習フェーズに移行する。

予兆検知及び学習フェーズに移行すると、まず、ステップＳ５１１において、肥育場１４０に、放牧場１８０から各牛が移送される。

ステップＳ５１２において、肥育場１４０の肥育管理者は、放牧場１８０から移送された各牛の状態をチェックする。

ステップＳ５１３において、検知装置１１０は、肥育場１４０の各牛の監視を開始することで、Ｆｅｅｄｌｏｔデータの収集を開始する。

ステップＳ５１４において、肥育場１４０の肥育管理者は、状態が良好な各牛について肥育の工程を開始する。

ステップＳ５１５において、検知装置１１０は、肥育場１４０において肥育の工程が開始された各牛について、現時点でのＦｅｅｄｌｏｔデータを用いて、ＢＲＤＣ発症の予兆検知を行う。

ステップＳ５１６において、肥育場１４０の肥育管理者は、ＢＲＤＣ発症の予兆が検知された牛について、隔離処置や投薬処置を行う。

ステップＳ５１７において、肥育場１４０では、肥育の工程に要する期間が経過したことで、肥育の工程を終了する。

ステップＳ５１８において、肥育場１４０の肥育管理者は、各牛の状態を判定する。また、検知装置１１０は、肥育場１４０の肥育管理者によって判定された判定結果と、予兆検知に用いられた予兆検知用データ（詳細は図１０を用いて後述）とを用いて学習用データ（詳細は図１２を用いて後述）を生成し、学習装置１１１に送信する。

ステップＳ５１９において、学習装置１１１は、検知装置１１０より送信された学習用データを用いて、再度、学習モデルを機械学習させる。これにより、学習装置１１１では、学習済みモデルを修正する。

ステップＳ５２０において、検知装置１１０は、学習装置１１１により修正された学習済みモデルをインストールする。修正された学習済みモデルのインストールが完了すると、ＢＲＤＣ予兆検知システム１００は、予兆検知フェーズに移行する。

予兆検知フェーズに移行すると、ステップＳ５３１において、肥育場１４０には、放牧場１８０から次の各牛が移送される。

ステップＳ５３２において、肥育場１４０の肥育管理者は、放牧場１８０から移送された次の各牛の状態をチェックする。

ステップＳ５３３において、検知装置１１０は、肥育場１４０の各牛の監視を開始することで、Ｆｅｅｄｌｏｔデータの収集を開始する。

ステップＳ５３４において、肥育場１４０の肥育管理者は、チェックの結果、状態が良好な各牛について肥育の工程を開始する。

ステップＳ５３５において、検知装置１１０は、肥育場１４０において肥育の工程が開始された各牛について、現時点でのＦｅｅｄｌｏｔデータに基づいて生成した予兆検知用データを用いて、ＢＲＤＣ発症の予兆検知を行う。

ステップＳ５３６において、肥育場１４０の肥育管理者は、ＢＲＤＣ発症の予兆が検知された牛について、隔離処置や投薬処置を行う。

ステップＳ５３７において、肥育場１４０では、肥育の工程に要する期間が経過したことで、肥育の工程を終了する。

＜学習装置及び検知装置の機能構成＞
次に、学習装置１１１及び検知装置１１０の機能構成について説明する。図６は、学習装置及び検知装置の機能構成の一例を示す第１の図である。

学習装置１１１には、学習用プログラムがインストールされており、当該プログラムが実行されることで、学習装置１１１は、実験データ収集部６１０、実験データ処理部６１１、学習用データ収集部６１２、学習部６１３として機能する。

実験データ収集部６１０は、実験場１１２より送信された画像データ及び測定データを、実験データとして収集する。また、実験データ収集部６１０は、実験牛がＢＲＤＣを発症したか否かの判定結果及び重症化したか否かの判定結果（ＢＲＤＣを発症したか否かを示す情報）を、実験データと対応付けて取得する。

実験データ処理部６１１は処理部の一例であり、収集した実験データより特徴量を抽出し、抽出した特徴量を解析することで、個体ごとに学習用データを生成する。

学習用データ収集部６１２は取得部の一例である。学習用データ収集部６１２は、学習フェーズにあっては、実験データ処理部６１１において生成された学習用データ（対応する判定結果を含む）を、学習用データ格納部６１４に格納する。

また、学習用データ収集部６１２は、予兆検知及び学習フェーズにあっては、検知装置１１０において生成された学習用データ（対応する判定結果を含む）を、学習用データ格納部６１４に格納する。

学習部６１３は、学習フェーズにあっては、例えば、学習用データ格納部６１４に格納された学習用データを用いて、学習モデルについて機械学習を行い、学習済みモデルを生成する。なお、生成した学習済みモデルは、検知装置１１０に提供され、予兆検知部６２４にインストールされる。

また、学習部６１３は、予兆検知及び学習フェーズにあっては、学習用データ格納部６１４に新たに格納された学習用データを用いて、再度、学習モデルについて機械学習を行い、学習済みモデルを修正する。なお、修正した学習済みモデルは、再び、検知装置１１０に提供され、予兆検知部６２４にインストールされる。

一方、検知装置１１０には、予兆検知プログラムがインストールされている。検知装置１１０は、当該プログラムが実行されることで、フィードロットデータ収集部６２１、フィードロットデータ処理部６２２、予兆検知部６２４、第１出力部６２５として機能する。

フィードロットデータ収集部６２１は、肥育場１４０より送信された画像データ及び測定データを、Ｆｅｅｄｌｏｔデータとして収集する。

フィードロットデータ処理部６２２は処理部の一例であり、収集したＦｅｅｄｌｏｔデータより特徴量を抽出し、抽出した特徴量を解析することで、個体ごとに予兆検知用データを生成し、予兆検知用データ格納部６２３に格納する。

予兆検知部６２４は、例えば、学習部６１３より提供された学習済みモデルを有する。予兆検知部６２４は、予兆検知用データ格納部６２３より読み出した予兆検知用データを用いて、当該学習済みモデルを実行させ、ＢＲＤＣ発症の予兆を検知する。

また、予兆検知部６２４は、ＢＲＤＣ発症の予兆を検知した場合、第１出力部６２５に通知する。

第１出力部６２５は、予兆検知部６２４より、ＢＲＤＣ発症の予兆を検知したことが通知されると、当該牛を特定するための情報を出力し、検知装置１１０の管理者に、ＢＲＤＣ発症の予兆が検知された牛を報知する。

なお、図６には明示していないが、検知装置１１０は、
・予兆検知用データ格納部６２３に格納された予兆検知用データと、
・肥育場１４０の肥育管理者により判定された判定結果と、
を用いて、学習用データ（詳細は図１２を用いて後述）を生成する機能を有しているものとする。

＜学習装置の各部の詳細＞
次に、学習装置１１１の各部（ここでは、実験データ処理部６１１、学習部６１３）の詳細について説明する。

（１）実験データ処理部の詳細
はじめに、学習装置１１１の実験データ処理部６１１の詳細について説明する。図７は、実験データ処理部の詳細を示す図である。図７に示すように、実験データ処理部６１１は、特徴量抽出部７１０、行動データ解析部７２０、非行動データ解析部７３０、バイタルデータ解析部７４０を有する。

特徴量抽出部７１０は、実験データに含まれる画像データ（画像データ１～画像データｎ）より特徴量を抽出する。また、特徴量抽出部７１０は、実験データに含まれる測定データ（加速度データ１、加速度データ２、温度データ、音声データ）より特徴量を抽出する。

なお、特徴量抽出部７１０により抽出される特徴量には種々の特徴量が含まれる。一例として、各牛の足元の位置を示す位置座標が挙げられる。当該特徴量を算出することで、例えば、牛の行動データの一つである、歩く（あるいは走る）を解析し、歩行距離（または歩行回数）や走行距離（または走行回数）等を算出することができる。

行動データ解析部７２０は、特徴量抽出部７１０において抽出された特徴量を解析することで、行動データ７５０を生成する。図７に示すように、行動データ解析部７２０により生成される行動データ７５０には、例えば、１日あたりの採食回数、１日あたりの歩行距離（または歩行回数）、１日当たりの走行距離（または走行回数）が含まれる。

また、行動データ解析部７２０により生成される行動データ７５０には、例えば、１日あたりの佇立休息の回数（または時間）、１日あたりの佇立反芻の回数、１日あたりの横臥休息の回数（または時間）、１日あたりの横臥反芻の回数が含まれる。

更に、行動データ解析部７２０により生成される行動データ７５０には、例えば、１日あたりの飲水の量（または回数）、１日あたりの塩なめの量（または回数）、発情の有無等が含まれる。

非行動データ解析部７３０は、特徴量抽出部７１０において抽出された特徴量を解析することで、非行動データ７６０を生成する。図７に示すように、非行動データ解析部７３０により生成される非行動データ７６０には、例えば、不活化度が含まれる。不活化度は、牛の動きが本来の動きからどの程度低下したかの度合いを示す指標である。

バイタルデータ解析部７４０は、特徴量抽出部７１０において抽出された特徴量を解析することで、バイタルデータ７７０を生成する。図７に示すように、バイタルデータ解析部７４０により生成されるバイタルデータ７７０には、例えば、単位時間ごとの肺音の大きさ、単位時間ごとの体温、単位時間ごとの呼吸数が含まれる。

また、バイタルデータ解析部７４０により生成されるバイタルデータ７７０には、例えば、鼻汁の有無、体重等が含まれる。

学習装置１１１の実験データ処理部６１１は行動データ７５０、非行動データ７６０、バイタルデータ７７０（牛の状態を示すデータ）を用いて学習用データを生成し、学習用データ格納部６１４に格納する。

図８Ａ、図８Ｂは、学習用データ格納部に格納される学習用データの一例を示す第１及び第２の図である。図８Ａ、図８Ｂに示すように、学習用データ８００は、ヘッダ情報の項目として、"識別データ"、"結果データ"を含む。

図８Ａの例は、識別データとして実験牛ＩＤ＝"１００１"が割り振られたことを示している。一方、図８Ｂの例は、識別データとして実験牛ＩＤ＝"１００２"が割り振られたことを示している。

また、図８Ａの例は、結果データとして、"判定結果：ＢＲＤＣ発症（発症時期：ＸＸ日目）、重症化（重症化時期：ＹＹ日目）"が記録されたことを示している。一方、図８Ｂの例は、結果データとして、"判定結果：ＢＲＤＣ発症せず"が記録されたことを示している。このように、学習用データ格納部６１４には、ＢＲＤＣを発症した牛についての学習用データ８００とＢＲＤＣを発症しなかった牛についての学習用データ８００'の両方が格納される。

また、図８Ａ、図８Ｂに示すように、学習用データ８００は、本体情報の項目として、"データ項目"と、"時系列データ"とを含む。

"データ項目"には、実験データ処理部６１１により生成される行動データ７５０、非行動データ７６０、バイタルデータ７７０の各データ項目が格納される。

"時系列データ"には、実験データ処理部６１１により生成される、行動データ７５０、非行動データ７６０、バイタルデータ７７０に含まれる各データ項目の時系列データが格納される。

なお、図８Ａ、図８Ｂにおいて"時系列データ"に重ねて図示した破線８１０は、実験牛ＩＤ＝"１００１"、"１００２"の実験牛が、実験場１１２に運び込まれたタイミングを示している。また、図８Ａ、図８Ｂにおいて"時系列データ"に重ねて図示した破線８３０は、実験牛に、ＢＲＤＣの原因となるウィルスまたは細菌を投与し、実験牛ＩＤ＝"１００１"、"１００２"の実験牛を、ＢＲＤＣに感染させたタイミングを示している。つまり、矢印８２０で示す期間は、実験牛ＩＤ＝"１００１"、"１００２"の実験牛が、実験場１１２において健康な状態（ＢＲＤＣに感染していない状態）にある期間ということができる。

また、図８Ａにおいて"時系列データ"に重ねて図示した破線８５０は、ＢＲＤＣに感染させたタイミングから所定期間（矢印８４０参照）経過後のタイミングを示している。なお、ここでいう所定期間とは、実験牛ＩＤ＝"１００１"の実験牛が、最終的に、ＢＲＤＣを発症し重症化したと判定されるまでの期間よりも短い期間を指す。ＢＲＤＣを発症した牛の場合、後述する学習部６１３では、学習済みモデルの生成に際して、時系列データのうち、矢印８４０で示す所定期間内の時系列データを用いる。

このように、ＢＲＤＣを発症する前の時系列データを用いるのは、仮に、ＢＲＤＣを発症した後の時系列データを用いたとすると、ＢＲＤＣの発症前にＢＲＤＣの発症を予兆する精度が低下してしまう懸念があるためである。換言すると、ＢＲＤＣを発症する前の時系列データを用いることで、ＢＲＤＣの発症を予兆する精度を向上させることができる。

一方、図８Ｂにおいて、"時系列データ"に重ねて図示した破線８５０は、ＢＲＤＣに感染させたタイミングから所定期間（矢印８４０参照）経過後のタイミングを示している。なお、ここでいう所定期間とは、実験牛ＩＤ＝"１００２"の実験牛が、ＢＲＤＣを発症することなく、肥育の工程が完了し、時系列データの取得が完了するまでの期間を指す。肥育の工程が完了した時点でＢＲＤＣを発症しなかった牛の場合、後述する学習部６１３では、学習済みモデルの生成に際して、時系列データのうち、矢印８４０で示す所定期間内の時系列データを用いる。

更に、図８Ａにおいて"時系列データ"に重ねて図示した破線８６０は、実験牛ＩＤ＝"１００１"の実験牛が、ＢＲＤＣを発症したと判定されたタイミングを示している。

更に、図８Ａの"時系列データ"に重ねて図示した破線８７０は、実験牛ＩＤ＝"１００１"の実験牛が、重症化したと判定されたタイミングを示している。

なお、図８Ａ、図８Ｂでは、学習フェーズにおいて学習用データ格納部６１４に格納される学習用データについて示したが、予兆検知及び学習フェーズにおいて学習用データ格納部６１４に格納される学習用データも同様の構成を有しているものとする。

（２）学習部の詳細
次に、学習装置１１１の学習部６１３の詳細について説明する。図９は、学習部の詳細を示す第１の図である。学習部６１３は、予兆検知部６２４にインストールされる、学習済みモデルを生成する。

図９に示すように、学習部６１３は、学習モデル９０１、比較変更部９０２を有する。

学習モデル９０１は機械学習部の一例であり、例えば、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）ベースの学習モデルである。学習モデル９０１は、学習用データ格納部６１４から読み出した学習用データ（例えば、学習用データ８００、８００'）の時系列データ（所定期間）が入力されることで処理を実行する。これにより、学習モデル９０１は、出力結果（ＢＲＤＣ発症、発症時期、重症化、重症化時期、あるいはＢＲＤＣ発症せず）を比較変更部９０２に出力する。

比較変更部９０２は、学習モデル９０１が機械学習を行うための誤差を算出する。具体的には、比較変更部９０２は、
・学習モデル９０１より出力された出力結果（ＢＲＤＣ発症、発症時期、重症化、重症化時期、あるいはＢＲＤＣ発症せず）と、
・学習用データ格納部６１４から読み出した学習用データの"結果データ"の項目に含まれる判定結果（ＢＲＤＣ発症、発症時期、重症化、重症化時期、あるいはＢＲＤＣ発症せず）と、
を比較することで誤差を算出する。また、比較変更部９０２は、算出した誤差に基づいて学習モデル９０１内のモデルパラメータを変更することで、学習モデル９０１について機械学習を行う。

図９に示す学習部６１３では、学習用データ格納部６１４に格納された、全ての実験牛についての学習用データを用いて、学習モデル９０１について機械学習を行うことで、学習済みモデルを生成する。

なお、学習用データ８００、８００'の例では、判定結果として、ＢＲＤＣ発症、発症時期、重症化、重症化時期、あるいはＢＲＤＣ発生せず、が含まれるものとして説明した。しかしながら、判定結果には、これらのうちのいずれか１つまたは複数のみが判定結果に含まれていてもよい。

＜検知装置の各部の詳細＞
次に、検知装置１１０の各部（ここでは、フィードロットデータ処理部６２２、予兆検知部６２４、第１出力部６２５）の詳細について説明する。

（１）フィードロットデータ処理部の詳細
はじめに、検知装置１１０のフィードロットデータ処理部６２２の詳細について説明する。なお、フィードロットデータ処理部６２２の処理内容は、学習装置１１１の実験データ処理部６１１の処理内容と概ね同じである。このため、ここでは、フィードロットデータ処理部６２２より出力され、予兆検知用データ格納部６２３に格納される予兆検知用データについて説明する。

図１０は、予兆検知用データ格納部に格納される予兆検知用データの一例を示す第１の図である。図１０に示すように、予兆検知用データ１００１は、ヘッダ情報の項目として、"識別データ"を含む。

図１０の例は、識別データとして牛ＩＤ＝"００１"が割り振られたことを示している。

また、図１０に示すように、予兆検知用データ１００１は、本体情報の項目として、"データ項目"と、"時系列データ"とを含む。

"データ項目"には、フィードロットデータ処理部６２２より出力される、行動データ、非行動データ、バイタルデータの各データ項目が格納される。

"時系列データ"には、フィードロットデータ処理部６２２より出力される、行動データ、非行動データ、バイタルデータに含まれる各データ項目の時系列データが格納される。

なお、図１０において"時系列データ"に重ねて図示した破線１０１０は、牛ＩＤ＝"００１"の牛が、肥育場１４０に移送され、状態チェックが開始されたタイミングを示している。また、図１０において"時系列データ"に重ねて図示した破線１０３０は、牛の状態チェックが完了したタイミングを示している。つまり、矢印１０２０は、牛ＩＤ＝"００１"の牛が健康な状態（ＢＲＤＣに感染していない状態）にある期間ということができる。

また、図１０において"時系列データ"に重ねて図示した破線１０５０は、肥育場１４０で肥育の工程を開始してから所定期間（矢印１０４０）が経過した後のタイミングを示している。なお、図１０の矢印１０４０で示す所定期間は、図８Ａの矢印８４０で示した所定期間と概ね同じ長さである。予兆検知及び学習フェーズ、予兆検知フェーズでは、当該所定期間（矢印１０４０）を予兆監視期間と称し、当該予兆監視期間内の時系列データを、予兆監視データと称する。

（２）予兆検知部の詳細
次に、検知装置１１０の予兆検知部６２４の詳細について説明する。図１１は、予兆検知部の詳細を示す第１の図である。図１１に示すように、予兆検知部６２４は、学習済みモデル１１０１を有する。

学習済みモデル１１０１は推論部の一例であり、学習部６１３により生成される。学習済みモデル１１０１は、予兆検知用データ格納部６２３から読み出した予兆検知用データ（例えば、予兆検知用データ１００１）の時系列データ（予兆監視期間）が入力されることで、ＢＲＤＣを発症するか否かを示す情報を推論し、推論結果を出力する。

なお、ＢＲＤＣを発症するか否かを示す情報には、ＢＲＤＣを発症することを示す情報と、ＢＲＤＣを発症しないことを示す情報とが含まれ、いずれかが出力される。また、ＢＲＤＣを発症することを示す情報を出力するとは、例えば、図９の学習モデル９０１を構成するＣＮＮの出力層において"ＢＲＤＣ発症"または"ＢＲＤＣ発症、重症化"を含むノードが、推論結果として出力されることを指す。また、ＢＲＤＣを発症しないことを示す情報を出力するとは、例えば、図９のＣＮＮの出力層において、"ＢＲＤＣ発症せず"を含むノードが、推論結果として出力されることを指す。

学習済みモデル１１０１には、所定周期ごと（例えば、３時間ごと）に、予兆検知用データの時系列データが入力される。これにより、学習済みモデル１１０１では、所定周期ごとに、ＢＲＤＣを発症するか否かを示す情報を推論し、推論結果を出力する。つまり、第１の実施形態において、
・"ＢＲＤＣ発症の予兆を検知する"、または、
・"ＢＲＤＣ発症の予兆を検知したことを通知する"、
とは、学習済みモデル１１０１が、ＢＲＤＣを発症することを示す情報を、推論結果として出力することに他ならない。

なお、検知装置１１０は、予兆検知及び学習フェーズにあっては、予兆検知に用いられた予兆検知用データ及び肥育の工程終了後に肥育管理者により判定された判定結果を用いて学習用データを生成し、学習用データ収集部６１２に送信する。これにより、検知装置１１０において生成された学習用データが、学習用データ格納部６１４に格納される。

図１２は、学習用データ格納部に格納される学習用データの一例を示す第３の図である。図１２に示すように、予兆検知用データ１００１には、対応する牛（牛ＩＤ＝００１）の結果データ１２０１が対応付けられ、個体ごとに学習用データが生成される。

図１２の例は、"判定結果：ＢＲＤＣ発症（発症時期：ＸＸ日目）、重症化（重症化時期：ＹＹ日目）"が記載された結果データ１２０１が、予兆検知用データ１００１に対応付けられたことを示している。

（３）第１出力部の詳細
次に、検知装置１１０の第１出力部６２５の処理の詳細として、第１出力部６２５により生成される表示画面の一例である、検知結果画面について説明する。図１３は、検知結果画面の一例を示す図である。

第１出力部６２５は、予兆検知部６２４より、ＢＲＤＣ発症の予兆を検知したことが通知されると、検知結果画面１３００を生成し、表示装置４０６に表示する。

図１３に示すように、検知結果画面１３００には、ＢＲＤＣ発症の予兆を検知した旨のメッセージが含まれる。また、検知結果画面１３００には、ＢＲＤＣ発症の予兆が検知された牛を特定するための、牛ＩＤが含まれる。更に、検知結果画面１３００には、ＢＲＤＣ発症の予兆が検知された日時、検知時の牛の体温、体重等が含まれる。

なお、図１３には明示していないが、検知結果画面１３００には、ＢＲＤＣ発症の予兆が検知された牛の現在位置が含まれていてもよい。

＜ＢＲＤＣ予兆検知システムの効果＞
次に、ＢＲＤＣ予兆検知システム１００の効果について説明する。上述したように、ＢＲＤＣ予兆検知システム１００によれば、ＢＲＤＣ発症前に予兆を検知することが可能になる。この結果、牛の廃棄に伴う損失を低減することが可能になる。発症または重症化する前の早い段階で検知して処置を施すことで、重症化する牛の絶対量を減らすことができるからである。

また、出荷遅れに伴う肥育コストの上昇を抑えることが可能になる。発症または重症化する前の早い段階で検知して処置を施すことで、体重が減った牛の回復までの期間を短くすることができるからである。

更に、処置費を削減することが可能になる。発症または重症化する前の早い段階で検知して処置を施すことで、発症または重症化した後の牛に対して処置を施す場合と比較して、投薬回数を減らし、治療コストを削減することができるからである。また、発症しても自然回復する牛を投薬前に見分けることができるからである。

＜まとめ＞
以上の説明から明らかなように、第１の実施形態に係るＢＲＤＣ予兆検知システム１００は、
・肥育の工程に要する期間内にＢＲＤＣを発症した牛の、ＢＲＤＣを発症していない所定期間における状態を示すデータ（各データ項目の時系列データ）を取得する。また、肥育の工程に要する期間経過後にＢＲＤＣを発症していない牛の、所定期間における状態を示すデータ（各データ項目の時系列データ）を取得する。
・取得した所定期間における状態を示すデータと、ＢＲＤＣを発症したか否かを示す情報との対応関係を機械学習する。
・対応関係を機械学習することで生成される学習済みモデルに、新たな牛の所定期間における状態を示すデータを入力することで、当該新たな牛がＢＲＤＣを発症するか否かを示す情報を推論し、推論結果を出力する。

これにより、第１の実施形態によれば、ＢＲＤＣを発症していない早い段階で、ＢＲＤＣ発症の予兆を検知することができる。

［第２の実施形態］
上記第１の実施形態では、学習モデル９０１に時系列データを入力するものとして説明した。しかしながら、学習モデル９０１に入力するデータは、時系列データに限定されない。

例えば、時系列データに代えて、時系列データを加工した加工データを入力してもよい。第２の実施形態では、加工データとして、時系列データの基準データからの変化量を算出し、当該変化量を学習モデル９０１に入力する。

また、時系列データに加えて、時系列データ以外のデータを入力してもよい。第２の実施形態では、時系列データ以外のデータとして、事前データ（実験牛が実験場１１２に運び込まれる前の飼育に関するデータ）を取得し、当該事前データを学習モデル９０１に入力する。

以下、第２の実施形態の詳細について、上記第１の実施形態との相違点を中心に説明する。

＜学習装置及び検知装置の機能構成＞
はじめに、学習装置１１１及び検知装置１１０の機能構成について説明する。図１４は、学習装置及び検知装置の機能構成の一例を示す第２の図である。

図６との相違点は、図１４の学習装置１１１の場合、放牧データ収集部１４１０としても機能する点である。また、図１４の学習装置１１１の場合、学習用データ収集部１４０１及び学習部１４０３の機能が、図６で示した学習用データ収集部６１２及び学習部６１３の機能とは異なる点である。

また、図６との相違点は、図１４の検知装置１１０の場合、放牧データ収集部１４２１、肥育データ生成部１４２５、第２出力部１４２６としても機能する点である。また、図１４の検知装置１１０の場合、予兆検知部１４２４の機能が、図６で示した予兆検知部６２４の機能とは異なる点である。

学習装置１１１において、放牧データ収集部１４１０は、事前データ（実験牛が実験場１１２に運び込まれる前の飼育に関するデータ）を収集し、当該事前データを学習用データ収集部１４０１に格納する。なお、本実施形態において、事前データとは、放牧場１８０にて牧草飼育されている牛を管理することで得られた放牧データ（遺伝情報、過去の病歴、牛の生年月日、産地等）を指すものとする。放牧データ収集部１４１０では、ネットワーク１２０を介して、端末装置１８１より、放牧データを収集する。

学習用データ収集部１４０１は取得部の一例である。学習用データ収集部１４０１は、学習フェーズにあっては、実験データ処理部６１１において生成された学習用データ（対応する判定結果を含む）を、学習用データ格納部１４０２に格納する。このとき、学習用データ収集部１４０１では、対応する放牧データを放牧データ格納部１４１１より読み出し、学習用データに含めて学習用データ格納部１４０２に格納する。

また、学習用データ収集部１４０１は、予兆検知及び学習フェーズにあっては、検知装置１１０において生成された学習用データ（対応する判定結果、対応する放牧データを含む）を、学習用データ格納部１４０２に格納する。

学習部１４０３は、学習フェーズにあっては、例えば、学習用データ格納部１４０２に格納された学習用データを用いて、学習モデルについて機械学習を行い、学習済みモデルを生成する。なお、学習部１４０３の場合、時系列データに代えて、時系列データの基準データからの変化量を、学習モデル９０１に入力する。また、学習部１４０３の場合、時系列データに加えて、放牧データを学習モデル９０１に入力する。

一方、検知装置１１０において、放牧データ収集部１４２１は、学習装置１１１の放牧データ収集部１４１０と同様に、放牧データを収集し、放牧データ格納部１４２２に格納する。なお、放牧データ格納部１４２２に格納された放牧データのうち、肥育場１４０にて肥育の工程が開始された牛の放牧データについては、対応する予兆検知用データに含めて予兆検知用データ格納部１４２３に格納される。

予兆検知部１４２４は、例えば、学習部１４０３より提供された学習済みモデルを有する。予兆検知部１４２４は、予兆検知用データ格納部１４２３より読み出した予兆検知用データを用いて、当該学習済みモデルを実行させ、ＢＲＤＣ発症の予兆を検知する。なお、予兆検知部１４２４の場合、時系列データに代えて、時系列データの基準データからの変化量を、学習済みモデルに入力する。また、予兆検知部１４２４の場合、時系列データに加えて、放牧データを学習済みモデルに入力する。

肥育データ生成部１４２５は、肥育の工程が終了し、加工業者１８３に移送された牛についての予兆検知用データ（放牧データを含めた予兆検知用データ）を予兆検知用データ格納部１４２３より読み出し、肥育データを生成する。

第２出力部１４２６は、生成された肥育データを、加工業者１８３の端末装置１８４に送信する。これにより、加工業者１８３では、肥育場１４０より移送された、肥育の工程が終了した牛についての、肥育データを取得することができる。

＜学習用データの詳細＞
次に、学習用データ格納部１４０２に格納される学習用データの詳細について説明する。図１５Ａ、図１５Ｂは、学習用データ格納部に格納される学習用データの一例を示す第４及び第５の図である。図８Ａ、図８Ｂに示した学習用データ８００、８００'との相違点は、学習用データ１５００、１５００'の場合、ヘッダ情報の項目として、"事前データ"が含まれている点である。図１５Ａ、図１５Ｂに示すように、本実施形態において、"事前データ"には、放牧データが格納される。

＜学習部の詳細＞
次に、学習装置１１１の学習部１４０３の詳細について説明する。図１６は、学習部の詳細を示す第２の図である。図１６に示すように、学習部１４０３は、前処理部１６０１、学習モデル１６０２、比較変更部１６０３を有する。

前処理部１６０１は、学習用データに基づいて学習モデル１６０２に入力するデータを生成する。学習モデル１６０２に入力するデータは、
・放牧データ、
・各データ項目の時系列データの変化量（所定期間）、
である（符号１６１１参照）。

このうち、放牧データは、学習用データ格納部１４０２から読み出した学習用データ（例えば、学習用データ１５００、１５００'）の"事前データ"の項目から抽出する。

また、各データ項目の時系列データの変化量（所定期間）は、牛の状態を示すデータであり、学習用データ格納部１４０２から読み出した学習用データ（例えば、学習用データ１５００、１５００'）の時系列データに基づいて算出する。具体的には、各データ項目（"採食"、"歩く"、・・・等）について、
・矢印８４０で示す所定期間内の時系列データと、
・基準データ（例えば、矢印８２０で示す所定期間内の時系列データの代表値（例えば、平均値））と、
の差分を算出することで、時系列データの変化量を算出する。

学習モデル１６０２は機械学習部の一例であり、例えば、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）ベースの学習モデルである。学習モデル１６０２は、前処理部１６０１にて生成されたデータ（放牧データ、時系列データの変化量（所定期間））が入力されることで処理を実行する。これにより、学習モデル１６０２は、出力結果（ＢＲＤＣ発症、発症時期、重症化、重症化時期、あるいはＢＲＤＣ発症せず）を比較変更部１６０３に出力する。

比較変更部１６０３は、学習モデル１６０２が機械学習を行うための誤差を算出する。具体的には、比較変更部１６０３では、
・学習モデル１６０２より出力された出力結果（ＢＲＤＣ発症、発症時期、重症化、重症化時期、あるいはＢＲＤＣ発症せず）と、
・学習用データ格納部１４０２から読み出した学習用データの"結果データ"の項目に含まれる判定結果（ＢＲＤＣ発症、発症時期、重症化、重症化時期、あるいはＢＲＤＣ発症せず）と、
を比較することで誤差を算出する。また、比較変更部１６０３は、算出した誤差に基づいて学習モデル１６０２内のモデルパラメータを変更することで、学習モデル１６０２について機械学習を行う。

図１６に示す学習部１４０３では、学習用データ格納部１４０２に格納された、全ての実験牛についての学習用データを用いて、学習モデル１６０２について機械学習を行うことで、学習済みモデルを生成する。

＜予兆検知用データの詳細＞
次に、予兆検知用データ格納部１４２３に格納される予兆検知用データの詳細について説明する。図１７は、予兆検知用データ格納部に格納される予兆検知用データの一例を示す第２の図である。図１０に示した予兆検知用データ１００１との相違点は、ヘッダ情報の項目として、"事前データ"が含まれている点である。図１７に示すように、本実施形態において、"事前データ"には、放牧データが格納される。

＜予兆検知部の詳細＞
次に、検知装置１１０の予兆検知部１４２４の詳細について説明する。図１８は、予兆検知部の詳細を示す第２の図である。図１８に示すように、予兆検知部１４２４は、前処理部１８０１、学習済みモデル１８０２を有する。

前処理部１８０１は、予兆検知用データに基づいて学習済みモデル１８０２に入力するデータを生成する。学習済みモデル１８０２に入力するデータは、
・放牧データ、
・各データ項目の時系列データの変化量（予兆監視期間）、
である（符号１８１１参照）。

このうち、放牧データは、予兆検知用データ格納部１４２３から読み出した予兆検知用データ（例えば、予兆検知用データ１７０１）の"事前データ"の項目から抽出する。

また、各データ項目の時系列データの変化量（予兆監視期間）は、予兆検知用データ格納部１４２３から読み出した予兆検知用データ（例えば、予兆検知用データ１７０１）の時系列データに基づいて算出する。具体的には、各データ項目（"採食"、"歩く"、・・・等）について、
・矢印１０４０で示す所定期間内の時系列データと、
・基準データ（例えば、矢印１０２０で示す所定期間内の時系列データの代表値（例えば、平均値））と、
の差分を算出することで、時系列データの変化量を算出する。

学習済みモデル１８０２は推論部の一例であり、学習部１４０３により生成される。学習済みモデル１８０２は、前処理部１８０１にて生成されたデータ（放牧データ、時系列データの変化量（予兆監視期間））が入力されることで処理を実行する。これにより、学習済みモデル１８０２は、ＢＲＤＣを発症するか否かを示す情報を推論し、推論結果を出力する。

なお、検知装置１１０は、予兆検知及び学習フェーズにあっては、予兆検知に用いられた予兆検知用データ及び肥育の工程終了後に肥育管理者により判定された判定結果を用いて学習用データを生成し、学習用データ収集部１４０１に送信する。これにより、検知装置１１０において生成された学習用データが、学習用データ格納部１４０２に格納される。

図１９は、学習用データ格納部に格納される学習用データの一例を示す第６の図である。図１９に示すように、予兆検知用データ１００１には、対応する牛（牛ＩＤ＝００１）の結果データ１９０１が対応付けられ、個体ごとに学習用データが生成される。

＜まとめ＞
以上の説明から明らかなように、第２の実施形態に係るＢＲＤＣ予兆検知システム１００は、
・肥育の工程に要する期間内にＢＲＤＣを発症した牛の、ＢＲＤＣを発症していない所定期間における状態を示すデータ（各データ項目の時系列データの変化量）を取得する。また、肥育の工程に要する期間経過後にＢＲＤＣを発症していない牛の、所定期間における状態を示すデータ（各データ項目の時系列データの変化量）を取得する。
・各牛の放牧データを取得する。
・取得した所定期間における状態を示すデータ及び放牧データと、ＢＲＤＣを発症したか否かを示す情報との対応関係を機械学習する。
・対応関係を機械学習することで生成される学習済みモデルに、新たな牛の所定期間における状態を示すデータ及び放牧データを入力することで、当該新たな牛がＢＲＤＣを発症するか否かを示す情報を推論し、推論結果を出力する。

これにより、第２の実施形態によれば、ＢＲＤＣを発症していない早い段階で、ＢＲＤＣ発症の予兆を検知することができる。

［第３の実施形態］
上記第１及び第２の実施形態では、学習部６１３、１４０３が学習モデル９０１、１６０２を有し、学習用データを用いて、機械学習を行うことで、学習済みモデルを生成するものとして説明した。また、上記第１及び第２の実施形態では、予兆検知部６２４、１４２４が、予兆検知用データを用いて学習済みモデルを実行し、推論結果を出力するものとして説明した。

これに対して、第３の実施形態では、学習部６１３、１４０３に個別データ格納部を配し、事前データ及び各データ項目の時系列データ（または各データ項目の時系列データの変化量）を、判定結果と対応付けて個体ごとに蓄積する。また、第３の実施形態では、予兆検知部６２４、１４２４が、
・新たに取得した事前データ及び各データ項目の時系列データ（または各データ項目の時系列データの変化量）と、
・過去に蓄積した事前データ及び各データ項目の時系列データ（または各データ項目の時系列データの変化量）と、
を対比し、類似するものを検索する。そして、第３の実施形態では、予兆検知部６２４、１４２４が、検索結果に対応付けられた判定結果を、推論結果として出力する。以下、第３の実施形態の詳細について説明する。なお、以下では、主に、上記第１の実施形態との相違点を中心に説明する。

＜学習部の詳細＞
はじめに、学習装置１１１の学習部の詳細について説明する。図２０は、学習部の詳細を示す第３の図である。

図２０に示すように、学習部６１３は、個別データ格納処理部２００１を有する。

個別データ格納処理部２００１は格納部の一例であり、学習用データ格納部６１４より読み出した、各データ項目の時系列データと、判定結果とを、互いに対応付けて個別データ格納部２００２に格納する。

＜予兆検知部の詳細＞
次に、検知装置１１０の予兆検知部６２４の詳細について説明する。図２１は、予兆検知部の詳細を示す第３の図である。図２１に示すように、予兆検知部６２４は、類似度判定部２１０１を有する。

類似度判定部２１０１は検索部の一例である。類似度判定部２１０１は、個別データ格納部２００２に格納された各データ項目の時系列データの中から、予兆検知用データ格納部６２３より読み出した予兆検知用データ（例えば、予兆検知用データ１００１）に類似する、各データ項目の時系列データを検索する。なお、第３の実施形態において、類似する各データ項目の時系列データを検索することは、ＢＲＤＣを発症するか否かを示す情報を推論することと等価である。

更に、類似度判定部２１０１は、検索した各データ項目の時系列データに対応付けられた判定結果（ＢＲＤＣを発症するか否かを示す情報）を、推論結果として出力する。

つまり、第３の実施形態の場合、
・"ＢＲＤＣ発症の予兆を検知する"、または、
・"ＢＲＤＣ発症の予兆を検知したことを通知する"、
とは、類似度判定部２１０１が、検索結果に対応付けられた判定結果のうち、ＢＲＤＣを発症することを示す情報を、推論結果として出力することに他ならない。

＜まとめ＞
以上の説明から明らかなように、第３の実施形態に係るＢＲＤＣ予兆検知システム１００は、
・肥育の工程に要する期間内にＢＲＤＣを発症した牛の、ＢＲＤＣを発症していない所定期間における状態を示すデータ（各データ項目の時系列データまたは各データ項目の時系列データの変化量）を、ＢＲＤＣを発症したことを示す情報と対応付けて格納する。
・肥育の工程に要する期間経過後にＢＲＤＣを発症していない牛の、所定期間における状態を示すデータ（各データ項目の時系列データまたは各データ項目の時系列データの変化量）を、ＢＲＤＣを発症していないことを示す情報と対応付けて格納する。
・新たな牛の所定期間における状態を示すデータ（各データ項目の時系列データまたは各データ項目の時系列データの変化量）を取得した場合に、格納した所定期間における状態を示すデータと類似するデータを検索する。これにより、新たな牛がＢＲＤＣを発症するか否かを示す情報を推論する。

これにより、第３の実施形態によれば、ＢＲＤＣを発症していない早い段階で、ＢＲＤＣ発症の予兆を検知することができる。

［第４の実施形態］
上記第１乃至第３の実施形態では、学習用データとして、ＢＲＤＣを発症した牛（または実験牛）と、ＢＲＤＣを発症しなかった牛（または実験牛）の両方について、学習用データを生成するものとして説明した。

しかしながら、学習用データの生成対象は、これに限定されず、例えば、ＢＲＤＣを発症しなかった牛（または実験牛）についてのみ学習用データを生成するようにしてもよい。この場合、予兆検知部６２４では、第１及び第２の実施形態にあっては、ＢＲＤＣを発症しないことを示す情報が学習済みモデル１１０１より出力されなかった場合に、ＢＲＤＣを発症することを示す情報を、推論結果として出力する。また、第３の実施形態にあっては、個別データ格納部２００２を検索し、いずれのデータとも類似しない場合に、ＢＲＤＣを発症することを示す情報を、推論結果として出力する。

また、上記第１の実施形態では、学習済みモデルを１つのみ生成するものとして説明したが、学習済みモデルは複数生成してもよい。例えば、学習用データを、互いに類似する複数のグループに分け、それぞれのグループごとに機械学習を行い、学習済みモデルを生成してもよい。

この場合、予兆検知部６２４、１４２４に学習済みモデルをインストールするにあたっては、各学習済みモデルを生成する際に用いたグループの学習用データを、学習済みモデルと対応付けて予兆検知部６２４、１４２４に格納する。

これにより、予兆検知部６２４、１４２４では、予兆検知用データ格納部６２３、１４２３より読み出した予兆検知用データに類似する学習用データを検索し、類似する学習用データに付随する学習済みモデルを実行させることで、ＢＲＤＣ発症の予兆を検知する。なお、予兆検知部６２４、１４２４では、予兆検知用データに類似する学習用データを検索するにあたり、所定期間の時系列データ同士を比較するものとする。

また、上記第２の実施形態では、学習用データのヘッダ情報の項目に、"事前データ"を含め、放牧データ（遺伝情報、過去の病歴、牛の生年月日、産地等）を記録するものとして説明した。しかしながら、"事前データ"には、放牧データ以外のデータを、事前データとして記録してもよい。

また、上記第１乃至第３の実施形態では、学習モデル９０１について機械学習を行う際、発症時期、重症化時期を含めて機械学習を行うものとして説明したが、発症時期、重症化時期を除いて機械学習を行うようにしてもよい。あるいは、発症時期、重症化時期を、所定の長さの時間範囲に置き換えたうえで、機械学習を行うようにしてもよい。

また、上記第１乃至第３の実施形態では、ＢＲＤＣ発症の予兆を検知したことが通知された場合に（ＢＲＤＣを発症することを示す情報が推論結果として出力された場合）、隔離処置または投薬処置を行うものとして説明した。しかしながら、ＢＲＤＣを発症することを示す情報が推論結果として出力された場合であっても、重症化しない場合にあっては、投薬処置及び隔離処置のいずれも行わないように構成してもよい。これにより、これまで投薬していた牛のうち、重症化する牛に対してのみ投薬し、投薬不要の牛に対しては投薬しないようにすることが可能となる。この結果、投薬コストを削減することができるといった効果が得られる。

また、上記第１乃至第３の実施形態では、学習装置と検知装置とを別体として構成したが、学習装置と検知装置とは一体として構成してもよい。

また、上記第１乃至第３の実施形態では、センサの測定部位として、頭部、首部、腹部を挙げ、当該測定部位にセンサを装着するものとして説明したが、他の測定部位にセンサを装着してもよい。また、各測定部位への装着方法も任意である。

また、上記第１乃至第３の実施形態では、実験データ収集部６１０またはフィードロットデータ収集部６２１が、実験データまたはＦｅｅｄｌｏｔデータとして、画像データ、加速度データ、温度データ、音声データを収集するものとして説明した。しかしながら、実験データ収集部６１０またはフィードロットデータ収集部６２１が収集するデータは、画像データ、加速度データ、温度データ、音声データに限定されず、それ以外のデータであってもよい。

また、上記第１の実施形態では、実験データ処理部６１１またはフィードロットデータ処理部６２２が、行動データ、非行動データ、バイタルデータを生成するものとして説明した。しかしながら、実験データ処理部６１１またはフィードロットデータ処理部６２２が生成するデータは、行動データ、非行動データ、バイタルデータに限定されず、それ以外のデータであってもよい。

なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせ等、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更することが可能であり、その応用形態に応じて適切に定めることができる。

１００ ：ＢＲＤＣ予兆検知システム
１１０ ：検知装置
１１１ ：学習装置
１３０ ：撮像装置群
１３１ ：中継器
１４０ ：肥育場
１５０、１６０ ：端末装置
６１０ ：実験データ収集部
６１１ ：実験データ処理部
６１２ ：学習用データ収集部
６１３ ：学習部
６２１ ：フィードロットデータ収集部
６２２ ：フィードロットデータ処理部
６２４ ：予兆検知部
６２５ ：第１出力部
７１０ ：特徴量抽出部
７２０ ：行動データ解析部
７３０ ：非行動データ解析部
７４０ ：バイタルデータ解析部
８００、８００' ：学習用データ
９０１ ：学習モデル
９０２ ：比較変更部
１００１ ：予兆検知用データ
１１０１ ：学習済みモデル
１３００ ：検知結果画面
１４０３ ：学習部
１４２４ ：予兆検知部
１６０１ ：前処理部
１８０１ ：前処理部
１８０２ ：学習済みモデル

Claims (8)

1. 肥育に要する期間内にＢＲＤＣを発症した牛の、ＢＲＤＣの原因となるウィルスまたは細菌を投与して以降のＢＲＤＣを発症していない所定期間における状態を示すデータであって、前記牛の行動データ及び非行動データと、バイタルデータとを含むデータと、肥育に要する期間経過後にＢＲＤＣを発症していない牛の、前記所定期間における前記状態を示すデータとを取得する取得部と、
   取得した前記所定期間における前記状態を示すデータと、ＢＲＤＣを発症したか否かを示す情報との対応関係を機械学習する機械学習部と、
   前記対応関係を機械学習することで生成される学習済みモデルに、新たな牛のＢＲＤＣを発症していない所定期間における前記状態を示すデータを入力することで、該新たな牛がＢＲＤＣを発症するか否かを示す情報を推論し、推論結果を出力する推論部と
   を有することを特徴とするＢＲＤＣ予兆検知システム。
2. 肥育に要する期間内にＢＲＤＣを発症した牛の、ＢＲＤＣの原因となるウィルスまたは細菌を投与して以降のＢＲＤＣを発症していない所定期間における状態を示すデータであって、前記牛の行動データ及び非行動データと、バイタルデータとを含むデータと、肥育に要する期間経過後にＢＲＤＣを発症していない牛の、前記所定期間における前記状態を示すデータとを取得する取得部と、
   取得した前記所定期間における前記状態を示すデータと、ＢＲＤＣを発症したか否かを示す情報との対応関係を機械学習することで生成した学習済みモデルを、機械学習に用いたデータと対応付けて格納する格納部と、
   新たな牛のＢＲＤＣを発症していない所定期間における前記状態を示すデータを取得した場合に、ＢＲＤＣを発症していない所定期間における前記状態を示すデータと類似するデータを、前記機械学習に用いたデータの中から検索し、類似するデータに付随する学習済みモデルに、新たな牛のＢＲＤＣを発症していない所定期間における前記状態を示すデータを入力することで、該新たな牛がＢＲＤＣを発症するか否かを示す情報を推論し、推論結果を出力する推論部と
   を有することを特徴とするＢＲＤＣ予兆検知システム。
3. 肥育に要する期間経過後にＢＲＤＣを発症していない牛の、ＢＲＤＣの原因となるウィルスまたは細菌を投与して以降の所定期間における状態を示すデータであって、前記牛の行動データ及び非行動データと、バイタルデータとを含むデータを取得する取得部と、
   取得した前記所定期間における前記状態を示すデータを入力した場合に、ＢＲＤＣを発症しないことを示す情報が出力されるように機械学習する機械学習部と、
   機械学習することで生成される学習済みモデルに、新たな牛のＢＲＤＣを発症していない所定期間における前記状態を示すデータを入力し、該新たな牛がＢＲＤＣを発症しないことを示す情報が出力されなかった場合に、該新たな牛がＢＲＤＣを発症することを示す情報を、推論結果として出力する推論部と
   を有することを特徴とするＢＲＤＣ予兆検知システム。
4. 肥育に要する期間経過後にＢＲＤＣを発症していない牛の、ＢＲＤＣの原因となるウィルスまたは細菌を投与して以降の所定期間における状態を示すデータであって、前記牛の行動データ及び非行動データと、バイタルデータとを含むデータを格納する格納部と、
   新たな牛のＢＲＤＣを発症していない所定期間における前記状態を示すデータを取得した場合に、前記格納部に格納された前記所定期間における前記状態を示すデータに対して、類似するデータを検索し、いずれのデータとも類似しない場合に、該新たな牛がＢＲＤＣを発症することを示す情報を、推論結果として出力する検索部と
   を有することを特徴とするＢＲＤＣ予兆検知システム。
5. 前記所定期間における前記状態を示すデータは、ＢＲＤＣの原因となるウィルスまたは細菌を投与する前の期間における前記状態を示すデータからの変化量であることを特徴とする請求項１乃至４のいずれか１項に記載のＢＲＤＣ予兆検知システム。
6. 前記推論結果として、新たな牛がＢＲＤＣを発症することを示す情報が出力された場合に、該新たな牛を特定するための情報を出力することを特徴とする請求項１乃至４のいずれか１項に記載のＢＲＤＣ予兆検知システム。
7. 前記推論結果として、新たな牛がＢＲＤＣを発症することを示す情報が出力され、隔離処置を行うと判定された場合に、前記新たな牛を特定するための情報を含む隔離指示を出力することを特徴とする請求項１乃至４のいずれか１項に記載のＢＲＤＣ予兆検知システム。
8. 前記牛を撮影した画像データと、前記牛に装着されたセンサにより測定された測定データとを処理し、個体ごとに前記牛の行動データ及び非行動データと、バイタルデータとを生成する処理部を更に有することを特徴とする請求項１乃至４のいずれか１項に記載のＢＲＤＣ予兆検知システム。

Images