TWI696924B - 情報探索資料搜尋系統及程式 - Google Patents

情報探索資料搜尋系統及程式 Download PDF

Info

Publication number
TWI696924B
TWI696924B TW107142136A TW107142136A TWI696924B TW I696924 B TWI696924 B TW I696924B TW 107142136 A TW107142136 A TW 107142136A TW 107142136 A TW107142136 A TW 107142136A TW I696924 B TWI696924 B TW I696924B
Authority
TW
Taiwan
Prior art keywords
subject
information
target
degree
correlation
Prior art date
Application number
TW107142136A
Other languages
English (en)
Other versions
TW201942765A (zh
Inventor
野呂直樹
高良洋平
安藤史識
Original Assignee
日商Ｅｂａ股份有限公司
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 日商Ｅｂａ股份有限公司 filed Critical 日商Ｅｂａ股份有限公司
Publication of TW201942765A publication Critical patent/TW201942765A/zh
Application granted granted Critical
Publication of TWI696924B publication Critical patent/TWI696924B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/2866—Markers; Calibrating of scan
    • G01J2003/2873—Storing reference spectrum

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本發明是一種情報探索資料搜尋系統及程式，且通過參照被攝像的被攝體的光譜資料，進一步優化檢測演算法。為了搜索從拍攝到的被攝體（9）判別出目標事項所需要的檢測演算法資訊，預先獲得被攝體（9）的各目標事項與檢測演算法資訊之間的三個等級以上的第1關聯度，輸入與新的應當進行判別的被攝體（9）的目標事項有關的資訊，參照所取得的第1關聯度，根據輸入的所述目標事項的相關資訊，搜索一個以上的檢測演算法資訊，從拍攝被攝體（9）的拍攝終端接收該拍攝的被攝體（9）的目標事項的相關資訊，根據接收的資訊來更新第1關聯度。

Description

情報探索資料搜尋系統及程式
本發明是關於一種資訊搜索系統及程式：適合自動搜索用於獲得從被攝體判別出目標事項所需要的光譜資料的檢測演算法資訊、和對被攝體進行拍攝的拍攝裝置的各種拍攝條件。
一直以來，提出一種光譜攝像裝置，其通過按每個波長對被攝體的拍攝影像進行分光並分析，來針對被攝體判別所需的事項。光譜攝像裝置能夠針對從紫外線到可見光、甚至到紅外線的波長區域，獲得能夠以0.1nm〜100nm的波長解析度跨及幾十個波段以上進行分光的高波長分解分光資訊（以下稱之為高光譜資料）。通過靈活運用這樣的高光譜資料，能夠高精度地分析例如食品的新鮮度、建築結構物的缺陷、植物的光合作用、礦物中含有的化學元素、污垢、和皮膚的水分等。即，根據該光譜攝像裝置，並不是一直僅對被攝體攝像，還能夠檢測該被攝體中的目標事項。
能夠獲得這樣的高光譜資料的光譜攝像裝置的例子例如在專利文獻1、2中被公開。
專利文獻1中公開了以人體內的腫瘤部位作為目標事項的光譜攝像裝置。根據該專利文獻1的公開技術，通過以與癌細胞內蓄積的成分對應的螢光波長為目標來進行檢測，來識別腫瘤部位與非腫瘤部位。
此外，專利文獻2中公開了用於判別被攝體是否是果實的資訊處理裝置。預先獲得果實的基準特徵量，根據與實際上攝像得到的被攝體的光譜影像的特徵量的比較，來判別被攝體是否是果實。該基準特徵量均基於光譜資料。
此外，還公開了將高光譜資料用於影像解析的技術（例如參照專利文獻3。）。
在先技術文獻(專利文獻)： 專利文獻1：國際公開13/002350號公報； 專利文獻2：日本特開2017-3495號公； 專利文獻3：日本特開2015-166682號公報。
發明要解決的課題：
然而，研究用於獲得判別該被攝體中的目標事項所必需的光譜資料的檢測演算法需要大量時間和勞力，並且還需要技術知識。
例如在用於獲得上述的人體內的腫瘤部位的光譜資料的檢測演算法中，是著眼於癌細胞內積累的原卟啉IX會發出635nm的螢光、原卟啉會發出675nm的螢光這一點來生成能夠檢測這些螢光的檢測演算法的。在生成這樣的檢測演算法方面，需要知道這些癌細胞內積累的成分，此外還要知道會發出怎樣的波長的螢光，並且還需要高精度地僅針對這些螢光進行提取並準確識別，用於進行這些措施的各種研究需要大量的時間和勞力。
因此，一直以來都需要能夠在接下來每次產生新的被攝體的目標事項時，容易地獲得最適合的檢測演算法的技術。然而，專利文獻1〜3中未特別公開用於根據被攝體的目標事項來獲得最適合的檢測演算法的技術。
此外，最適合的檢測演算法會隨著時間經過而相變化，現在使用的檢測演算法不一定始終都是最適合的。因此，對於檢測演算法，需要獲得最新的外部環境，並據此隨時更新。對此，在專利文獻1〜3中未特別公開根據獲得的最新的外部環境來更新檢測演算法的技術。
並且，在更新該檢測演算法的過程中，參照在以往的檢測演算法下攝像得到的被攝體的光譜資料，是能夠實現提高檢測精度的。然而，在目前，包括上述的專利文獻1〜3的公開技術在內，都沒有專門提到這種參照在以往的檢測演算法下攝像得到的被攝體的光譜資料的技術。
因此本發明是鑒於上述的問題點而提出的，其目的在於，提供一種資訊搜索系統及程式，其自動搜索用於獲得從被攝體判別目標事項所必需的光譜資料的檢測演算法資訊，並且在此基礎上，還根據獲得了該檢測演算法後的最新的外部環境進行更新。
用於解決課題的手段：
應用了本發明的資訊搜索系統搜索從所拍攝到的被攝體判別出目標事項所需要的光譜資料的檢測演算法資訊，所述資訊搜索系統的特徵在於，其具備：第1關聯資料庫，其預先儲存有被攝體的各目標事項與所述檢測演算法資訊之間的三個等級以上的第1關聯度；目標事項輸入單元，其輸入與新的應當進行判別的被攝體的目標事項有關的資訊；搜索單元，其參照所述第1關聯資料庫中所儲存的所述第1關聯度，根據經由所述目標事項輸入單元而輸入的與所述目標事項有關的資訊，來搜索一個以上的檢測演算法資訊；以及接收單元，其從對所述被攝體進行了拍攝的拍攝終端接收與該拍攝到的被攝體的目標事項有關的資訊，所述第1關聯資料庫根據所述接收單元所接收到的資訊，來更新所述第1關聯度。
應用了本發明的資訊搜索系統搜索從所拍攝到的被攝體判別目標事項所需要的光譜資料的檢測演算法資訊，所述資訊搜索系統的特徵在於，其具備：第1關聯資料庫，其預先儲存有被攝體的各目標事項與所述檢測演算法資訊之間的三個等級以上的第1關聯度；目標事項輸入單元，其輸入與新的應當進行判別的被攝體的目標事項有關的資訊；搜索單元，其參照所述第1關聯資料庫中所儲存的所述第1關聯度，根據經由所述目標事項輸入單元而輸入的與所述目標事項有關的資訊，來搜索一個以上的檢測演算法資訊；接收單元，其從根據所述搜索單元所搜索到的檢測演算法資訊而對被攝體進行了拍攝的拍攝終端接收多光譜資料，所述多光譜資料是與該拍攝到的被攝體的目標事項有關的資訊；以及資料恢復單元，其基於所述接收單元所接收到的多光譜資料使高光譜資料恢復，所述第1關聯資料庫根據被所述資料恢復單元恢復後的光譜資料來更新所述第1關聯度。
應用了本發明的資訊搜索系統搜索用於從所拍攝到的被攝體判別出目標事項的拍攝裝置的拍攝條件，所述資訊搜索系統的特徵在於，其具備：第2關聯資料庫，其預先儲存有被攝體的各目標事項與各拍攝條件之間的三個等級以上的第2關聯度；目標事項輸入單元，其輸入與新的應當進行判別的被攝體的目標事項有關的資訊；搜索單元，其參照所述第2關聯資料庫中所儲存的所述第2關聯度，根據經由所述目標事項輸入單元而輸入的與所述目標事項有關的資訊，來搜索一個以上的拍攝條件；以及接收單元，其從對所述被攝體進行了拍攝的拍攝終端接收與該拍攝到的被攝體的目標事項有關的資訊，所述第2關聯資料庫根據所述接收單元所接收到的資訊，來更新所述第2關聯度。
應用了本發明的資訊搜索系統搜索用於從所拍攝到的被攝體判別出目標事項的拍攝裝置的拍攝條件，所述資訊搜索系統的特徵在於，其具備：第2關聯資料庫，其預先儲存有被攝體的各目標事項與各拍攝條件之間的三個等級以上的第2關聯度；目標事項輸入單元，其輸入與新的應當進行判別的被攝體的目標事項有關的資訊；搜索單元，其參照所述第2關聯資料庫中所儲存的所述第2關聯度，根據經由所述目標事項輸入單元而輸入的與所述目標事項有關的資訊，來搜索一個以上的拍攝條件；接收單元，其從根據所述搜索單元所搜索到的拍攝條件而對被攝體進行了拍攝的拍攝終端接收多光譜資料，該多光譜資料是與該拍攝到的被攝體的目標事項有關的資訊；以及資料恢復單元，其根據所述接收單元所接收到的多光譜資料使高光譜資料恢復，所述第2關聯資料庫根據被所述資料恢復單元恢復後的光譜資料來更新所述第2關聯度。
應用了本發明的資訊搜索程式搜索從所拍攝到的被攝體判別出目標事項所需要的光譜資料的檢測演算法資訊，所述資訊搜索程式的特徵在於，其使電腦執行以下步驟：關聯度取得步驟，預先取得被攝體的各目標事項與所述檢測演算法資訊之間的三個等級以上的第1關聯度；目標事項輸入步驟，其輸入與新的應當進行判別的被攝體的目標事項有關的資訊；搜索步驟，參照在所述關聯度取得步驟中所取得的所述第1關聯度，根據在所述目標事項輸入步驟中所輸入的與所述目標事項有關的資訊，來搜索一個以上的檢測演算法資訊；以及接收步驟，從對所述被攝體進行了拍攝的拍攝終端接收與該拍攝到的被攝體的目標事項有關的資訊，在所述關聯度取得步驟中，根據在所述接收步驟中接收到的資訊來更新所述第1關聯度。
應用了本發明的資訊搜索程式搜索從所拍攝到的被攝體判別出目標事項所需要的光譜資料的檢測演算法資訊，所述資訊搜索程式的特徵在於，其使電腦執行以下步驟：關聯度取得步驟，預先取得被攝體的各目標事項與所述檢測演算法資訊之間的三個等級以上的第1關聯度；目標事項輸入步驟，輸入與新的應當進行判別的被攝體的目標事項有關的資訊；搜索步驟，參照在所述關聯度取得步驟中所取得的所述第1關聯度，根據在所述目標事項輸入步驟中所輸入的與所述目標事項有關的資訊，來搜索一個以上的檢測演算法資訊；接收步驟，從根據在所述搜索步驟中所搜索到的檢測演算法資訊而對被攝體進行了拍攝的拍攝終端接收多光譜資料，該多光譜資料是與該拍攝到的被攝體的目標事項有關的資訊；以及資料恢復步驟，其基於在所述接收步驟中所接收到的多光譜資料使高光譜資料恢復，在所述關聯度取得步驟中，根據在所述資料恢復步驟中被恢復後的光譜資料來更新所述第1關聯度。
應用了本發明的資訊搜索程式搜索用於從所拍攝到的被攝體判別出目標事項的拍攝裝置的拍攝條件，所述資訊搜索程式的特徵在於，其使電腦執行以下步驟：關聯度取得步驟，預先取得被攝體的各目標事項與各拍攝條件之間的三個等級以上的第2關聯度，目標事項輸入步驟，輸入與新的應當進行判別的被攝體的目標事項有關的資訊；搜索步驟，參照在所述關聯度取得步驟中所取得的所述第2關聯度，根據在所述目標事項輸入步驟中所輸入的與所述目標事項有關的資訊，來搜索一個以上的拍攝條件；以及接收步驟，從對所述被攝體進行了拍攝的拍攝終端接收與該拍攝到的被攝體的目標事項有關的資訊，在所述關聯度取得步驟中，根據在所述接收步驟中所接收到的資訊來更新所述第2關聯度。
應用了本發明的資訊搜索程式搜索用於從所拍攝到的被攝體判別出目標事項的拍攝裝置的拍攝條件，所述資訊搜索程式的特徵在於，其使電腦執行以下步驟：關聯度取得步驟，預先取得被攝體的各目標事項與各拍攝條件之間的三個等級以上的第2關聯度；目標事項輸入步驟，輸入與新的應當進行判別的被攝體的目標事項有關的資訊；搜索步驟，參照在所述關聯度取得步驟中所取得的所述第2關聯度，根據在所述目標事項輸入步驟中所輸入的與所述目標事項有關的資訊，來搜索一個以上的拍攝條件；接收步驟，從根據在所述搜索步驟中所搜索到的拍攝條件而對被攝體進行了拍攝的拍攝終端接收多光譜資料，該多光譜資料是與該拍攝到的被攝體的目標事項有關的資訊；以及資料恢復步驟，其根據在所述接收步驟中接收到的多光譜資料使高光譜資料恢復，在所述關聯度獲得步驟中，根據在所述資料恢復步驟中被恢復的光譜資料來更新所述第2關聯度。
發明效果：
根據由上述結構構成的本發明，能夠容易獲得與當前應當進行判別的被攝體的目標事項相應的光譜資料的最佳檢測演算法資訊。因此，接下來每次產生新的被攝體的目標事項時，都能夠減少用於研究最佳的檢測演算法的勞力負擔，能夠實現縮短時間。
除此之外，根據本發明，在更新檢測演算法的過程中，通過參照在現有的檢測演算法下攝像得到的被攝體的光譜資料，能夠使檢測演算法更佳，進而能夠實現提高檢測精度。
以下參照附圖，對應用了本發明的資訊搜索系統詳細地進行說明。
圖1是示出應用了本發明的資訊搜索系統的整體結構的框圖。資訊搜索系統1搜索應當提供給光譜攝像裝置4的檢測演算法資訊，具備演算法資料庫3、與該演算法資料庫連接的搜索裝置2、與搜索裝置2連接的光譜攝像裝置4及拍攝裝置5。
演算法資料庫3構建了與應當對光譜攝像裝置4提供的檢測演算法資訊有關的資料庫。此外，演算法資料庫3構建了與拍攝裝置5的拍攝條件有關的資料庫。在該演算法資料庫3中儲存了經由公共網路輸送來的資訊、或者由本系統的使用者輸入的資訊。此外，演算法資料庫3根據來自搜索裝置2的請求，向搜索裝置發送該儲存的資訊。
雖然搜索裝置2例如由以個人電腦（PC）等為主的電子設備構成，但是除PC以外，也可以由手機、智慧手機、平板型終端、可穿戴終端等其他所有的電子設備體現。
圖2示出搜索裝置2的具體的結構例。在該搜索裝置2中，以下部分與內部匯流排21分別連接：控制部24，其用於控制搜索裝置2整體；操作部25，其用於經由操作按鈕、鍵盤等輸入各種控制用的指令；通訊部26，其用於進行有線通信或無線通訊；搜索部27，其搜索最佳的檢測演算法資訊；以及儲存部28，其以硬碟等為代表，用於儲存用於進行應當執行的檢索的程式。並且，該內部匯流排21連接有作為實際上顯示資訊的監視器的顯示部23。
控制部24是用於通過經由內部匯流排21發送控制訊號來控制安裝在搜索裝置2內的各結構要素的所謂中央控制單元。此外，該控制部24根據借助操作部25進行的操作、經由內部匯流排21傳遞各種控制用的指令。
操作部25具體由鍵盤或觸摸實現，由使用者輸入用於執行程式的執行命令。該操作部25在由用戶輸入了所述執行命令的情況下，向控制部24通知該執行命令。收到該通知的控制部24以搜索部27為首，與各結構要素協調地執行所需的處理動作。
搜索部27搜索從被光譜攝像裝置4攝像的被攝體判別出目標事項所必需的光譜資料的檢測演算法資訊。該搜索部27每當執行搜索動作時都讀取作為必需的資訊而儲存在儲存部28中的各種資訊、和儲存在演算法資料庫中的各種資訊。該搜索部27可以由人工智慧控制。該人工智慧可以是基於任何周知的人工智慧技術的人工智慧。
顯示部23由基於控制部24的控制來創建顯示影像的圖形控制器構成。該顯示部23例如通過液晶顯示器（LCD）等實現。
儲存部28在由硬碟構成的情況下，根據控制部24的控制，針對各位址被寫入規定的資訊，並且根據需要讀取它們。此外，在該儲存部28中儲存有用於執行本發明的程式。該程式由控制部24讀取並執行。
圖3示出光譜攝像裝置4的結構例。光譜攝像裝置4由所謂的多光譜照相機、更換彩色濾光器方式的照相機、使用棱鏡的方式的照相機構成。光譜攝像裝置4拍攝被攝體，進而獲得分光影像。光譜攝像裝置4根據各拍攝位置上的二維光譜資料，基於具有二維的空間資訊和一維波長資訊的三維分光資料生成分光影像。光譜攝像裝置4生成的分光影像由表示被攝體針對每個波長的反射率或透射率的多個二維影像構成。作為該分光影像的例子，在200nm〜13μm的規定的波長範圍的波長區域內，可以是0.1nm〜100nm的波長解析度，也可以是針對每個波段的分光影像。
由該光譜攝像裝置4攝像得到的分光影像中的波長範圍不僅包括可見光的區域，還包括紅外區域、近紅外區域、紫外區域的光。
光譜攝像裝置4具備：物鏡41，其取入攝像物件自身發出的光和透過或者被被攝體10所反射的光、即來自被攝體10的拍攝光L；精密直線運動工作台42，其沿由XYZ構成的三軸直交坐標系中的Y軸方向移動；狹縫板43，其用於在物鏡41的像平面中配置設置於Z軸方向上的狹縫開口部43a；准直透鏡44，其使通過狹縫開口部43a的光束為平行光；分散光學元件45，其使來自准直透鏡44的平行光分散；成像透鏡46，其取入從分散光學元件45射出的光束；攝像元件47，其設置在成像透鏡46的像平面上；以及控制部48，其控制精密直線運動工作台42及攝像元件47，進而對經由攝像元件47而接收到的影像資料進行各種處理。另外，該光譜攝像裝置4可以使用日本特開2015-166682號公報的公開技術。
精密直線運動工作台42在控制部48的控制下使狹縫板43、准直透鏡44、分散光學元件45、成像透鏡46、攝像元件47一體地沿Y軸方向移動。
分散光學元件45例如由衍射光柵、棱鏡等具體實現。分散光學元件具有使通過准直透鏡44的光束按每個波長成分分散的功能。
攝像元件47例如由CCD影像感測器、CMOS影像感測器等構成。該攝像元件47利用光電轉換將在攝像面成像的光轉換為電訊號。並且，由攝像元件47轉換得到的電訊號被向控制部48發送。如果要接收紅外區域、近紅外區域、紫外區域的光，則配置適用的攝像元件47。
圖4示出控制部48的更詳細的結構。控制部48具備：拍攝控制部481，其控制利用攝像元件47獲得電訊號的定時；移動控制部482，其控制精密直線運動工作台42的Y軸方向上的移動方向、移動量、和移動定時；分光資料生成部483，其根據來自攝像元件47的電訊號生成分光資料；以及影像處理部484，其根據分光資料生成部483中所生成的分光資料，進行各種影像處理和校正等。另外，對於該控制部48的一部分結構要素或全部要素，可以安裝在獨立的個人電腦（PC）內。
分光資料生成部483根據從攝像元件47發送來的電訊號，生成具有一維空間資訊和一維波長資訊的二維分光資料並儲存。分光資料生成部483反復執行這些處理，當全部拍攝位置的拍攝結束時，能夠得到由具有二維空間資訊和一維波長資訊的三維分光資料構成的高光譜影像。
影像處理部484將分光資料生成部483中所生成的每個波長的分光影像轉換為規定的表色系統，進行顏色運算處理而生成顏色解析影像。此外影像處理部484還進行利用規定的顯示方法顯示所生成的顏色解析影像的處理。該影像處理部484具備校正處理部484-1、計算部484-2、以及顏色解析影像獲得部484-3。
該校正處理部484-1將由暗電流引起的噪音消除、進行圖元間靈敏度偏差校正處理、亮度校正處理、空間內的光源光的照明不均的校正等。
計算部484-2計算出在校正處理部484-1中被處理後的各波長的分光影像中的各分光輻射亮度、各分光亮度等。
顏色解析影像獲得部484-3進行顏色空間轉換處理，該色空間轉換處理用於向標準的表色系統轉換，該標準的表色系統是使用在校正處理部484-1中被校正處理後的各種參數、和在計算部484-2中計算出的各分光輻射亮度、各分光亮度等設定的。
在顏色解析影像獲得部484-3中被進行了顏色空間轉換處理後的顏色解析影像被發送到未圖示的PC等，並在顯示器上等描繪出。
圖5示出拍攝裝置5的框圖結構例。拍攝裝置5包括一般的數碼相機、多光譜相機、還有安裝於手機或智慧手機、平板型終端、可穿戴終端在內的一切數碼相機。光譜攝像裝置4能夠檢測全部頻帶內的光譜資料，與此相對，拍攝裝置5除了通常的可見光的影像拍攝之外，旨在限定性地針對預先確定的波長區域來檢測光譜資料。該拍攝裝置5具備成像光學系統51、濾光器5、攝像元件53、訊號處理部54。
成像光學系統51具有至少一個攝像透鏡56，對來自被攝體10的光進行聚光，在攝像元件53的攝像面上形成像。
濾光器52配置在被攝體10與攝像透鏡56之間。濾光器52配置在到達攝像元件53的光的路徑上。濾光器52是以規定的分光透射率構成的元件。即，該濾光器52進行作用，僅使預先設定的波長區域的光透過，並反射除此以外的波長區域的光。濾光器52的種類是按照實際上想要使之透過的光的波長及波長範圍來選擇的。對於濾光器52，以預先固定配置在拍攝裝置5內的情況為例進行了說明，但並不限於此。即，該濾光器52可以採用如下結構：能夠依次切換透過的波長區域彼此不同的多個濾光器52。
攝像元件53由CCD影像感測器、CMOS影像感測器等構成。該攝像元件53利用光電轉換將成像在攝像面上的光向電訊號轉換。並且，由攝像元件53轉換得到的電訊號被向訊號處理部54發送。
訊號處理部54是處理從攝像元件53發送來的電訊號的電路。該訊號處理部54根據由攝像元件53獲得的影像，生成按照來自被攝體10的光的每個波長區域而分離出來的分光分離影像。此外訊號處理部54也可以根據所獲得的電訊號進行各種焦點控制。
對由上述結構構成的資訊搜索系統1的動作進行說明。
首先，搜索裝置2搜索應當提供給光譜攝像裝置4或拍攝裝置5的檢測演算法資訊、或者應當提供給拍攝裝置5的檢測演算法資訊。在該搜索處理中，是從用戶自身新輸入了欲利用光譜攝像裝置4或拍攝裝置5來拍攝的被攝體的目標事項開始。這裡，所謂的被攝體是實際上被光譜攝像裝置4、拍攝裝置5拍攝的物件物的總稱，所謂目標事項意思是希望借助光譜攝像裝置4、拍攝裝置5判別出的物或事。例如在希望從鹽、砂糖的混合物中僅判別出鹽的情況下，被攝體為混合物，目標事項為鹽。例如在希望從水與油的混合物中僅判別出油的情況下，被攝體為混合物，目標事項為油。例如在希望判別壽司的新鮮度的情況下，被攝體為壽司，目標事項為新鮮度。例如在希望判別出面部斑點的情況下，被攝體為臉，目標事項為斑點。例如在希望從胃判別出胃癌的情況下，被攝體為胃，目標事項為胃癌。
用戶借助操作部25手動進行該被攝體的目標事項的輸入。在該輸入中，也可以經由互聯網輸入其他的移動終端、PC等電子設備中生成的被攝體的目標事項的文本資料。
以此方式而被發送或輸入的被攝體的目標事項儲存於儲存部28。
在像這樣輸入了被攝體的目標事項後，實際上由資訊搜索程式進行的處理動作開始執行。圖6示出該資訊搜索程式的處理動作流程。
資訊搜索程式在步驟S11中被輸入，對儲存部28中儲存的被攝體的目標事項進行語言分析（步驟S12）。對於該語言分析，可以使用已有的一切文本挖掘技術、資料採擷技術、語言分析處理技術等。
接下來，該資訊搜索程式針對作為解析物件的被攝體的目標事項，從單詞、詞素、短語、小節等所有語法上的結構單位中，以覆蓋任意一個以上的單位元元元元的方式來提取字串。例如作為被攝體的目標事項，在輸入“腳的血管”的文本資料的情況下，會提取“腳”、“血管”等字串，在輸入“臉的水分”的文本資料的情況下，會提取“臉”、“水分”等字串。資訊搜索程式從該提取的字串中分別確定被攝體和目標事項。在上述例子的情況下，被攝體為“腳”、“臉”，目標事項為“血管”、“水分”。通常情況下，構成被攝體的字串比構成目標事項的字串靠前的情況多，因此從提取的字串的開頭開始，分別確定被攝體、目標事項。
或者，還存在在用戶側分類輸入而預先輸入“腳”作為被攝體、輸入“血管”等作為目標事項的情況。在這種情況下，直接接收該輸入的被攝體和目標事項的字串。
接下來資訊搜索程式向步驟S13轉移，搜索與在步驟S12中所提取出的字串關聯度較高的檢測演算法資訊。在進行該搜索前，演算法資料庫3預先獲得參照用的目標事項（以下稱作參照用目標事項。）和分類為兩種以上的檢測演算法資訊的三個等級以上的關聯度（以下稱作第1關聯度。）。
此處，所謂的檢測演算法資訊是用於檢測實際上由光譜攝像裝置4或拍攝裝置5針對被攝體攝像來判斷目標事項所必需的光譜資料的演算法。例如如圖7所示，假設已知某個果實的新鮮度在波長500nm〜700nm的頻帶內光譜強度度（反射率）會出現差異。即，假設已知將某個果實在常溫下放置一天的情況、在常溫下放置三天的情況、在常溫下放置五天的情況下，光譜強度在波長500nm〜700nm的範圍內（反射率）會大幅度變化。在這種情況下，通過在該波長500nm〜700nm的範圍內生成分光影像，能夠判別果實的新鮮度。
將能夠判別出這樣的目標事項的波長範圍的任意一個確定為特徵波長。在圖7的例子中，將波長500nm〜700nm的波長範圍的任意一個確定為特徵波長。特徵波長可以由一個點確定，也可以由多個點確定。作為特徵波長的確定方式，例如可以採用所述波長範圍（500nm〜700nm）的中心波長即600nm，也可以採用各光譜間的光譜強度的差分值最大的波長。此外在圖7中可知，在波長約為650nm之處，在各光譜資料中形成向上凸的波峰，可以將這樣的奇異點確定為特徵波長。該特徵波長可以按每個被攝體的目標事項而不同。
除此之外，設定以該特徵波長為中心的特徵波長範圍。特徵波長範圍例如由±10nm等那樣預先設定的規定的波長範圍構成。因此，假如特徵波長為500nm、特徵波長範圍為±10nm，則實際上光譜資料檢測的範圍為495〜505nm。該特徵波長範圍可以按每個被攝體的目標事項而不同。
檢測演算法資訊除了這些之外，還可以包括各種運算方法。在這種情況下，將該特徵波長或特徵波長範圍設為說明變數x1、x2、…xk，借助通過將這些說明變數帶入運算式而得到的目的變數y來進行判別。即，由y=f（x1、x2、…xk）得到的目的變數y成為檢測演算法資訊。此外，作為構成該目的變數y的各個解釋變數x1、x2、…xk的特徵波長或特徵波長範圍，也同樣可以成為檢測演算法資訊。
在演算法資料庫3中，這樣的特徵波長、特徵波長範圍、和根據情況進行運算的運算方法或規定該運算方法的運算式本身，與每個被攝體的參照用目標事項相關聯地被儲存。
此時，在演算法資料庫3中，也可以根據被攝體的參照用目標事項與檢測演算法資訊之間的三個等級以上的第1關聯度來規定。圖8示出了利用三個等級以上的第1關聯度在被攝體的參照用目標事項與檢測演算法資訊之間進行關聯的網路。例如針對果實的新鮮度而示出了如下情況，在作為檢測演算法資訊的特徵波長及特徵波長範圍為970±10nm的情況下，第1關聯度是80%，在作為檢測演算法資訊的特徵波長及特徵波長範圍為1170±10nm、880±15nm這兩個波長的情況下，第1關聯度為60%，在作為檢測演算法資訊的特徵波長及特徵波長範圍為547±4nm、588±10nm、939±5nm這三個波長且其運算方法為聚類分析的情況下，第1關聯度為40%，在作為檢測演算法資訊的特徵波長及特徵波長範圍為455±12nm的情況下，第1關聯度為20%。例如針對毛髮的水分而示出了如下情況，在作為檢測演算法資訊的特徵波長及特徵波長範圍為630±5nm、750±10nm、1250±5nm這三個波長且其運算方法為線形的情況下，第1關聯度為80%，在作為檢測演算法資訊的特徵波長及特徵波長範圍為970±10nm的情況下，第1關聯度為20%。針對胃癌而示出了如下情況，在作為檢測演算法資訊的特徵波長及特徵波長範圍為970±10nm的情況下，第1關聯度為20%，在作為檢測演算法資訊的特徵波長及特徵波長範圍為230±12nm、400±5nm這兩個波長且其運算方法為K-means的情況下，第1關聯度為40%，在作為檢測演算法資訊的特徵波長及特徵波長範圍為547±4nm、588±10nm、939±5nm這三個波長且其運算方法為聚類分析的情況下，第1關聯度為80%。該第1關聯度可以由所謂的神經網路構成。
該第1關聯度表示借助光譜攝像裝置4或拍攝裝置5來判別被攝體的目標事項所要選擇的檢測演算法資訊的適應性，換言之，判別被攝體的目標事項所要選擇的檢測演算法資訊的精確性。如果是上述的例子，則作為用於檢測果實的新鮮度的檢測演算法，970±10nm的情況下適應性最佳，從而能夠最有效地且高精度地進行判別。在果實的新鮮度檢測中，依次按照1170±10nm、880±15nm這2個波長的情況、547±4nm、588±10nm、939±5nm這3個波長且其運算方法是聚類分析的情況、和455±12nm的情況而示出了適應性的大小。
此外被攝體的目標事項的記載方法並不限於上述內容。例如如圖9所示，在被攝體由2個以上的複合體構成的情況下也同樣通過第1關聯度來相關聯。在圖9的例子中，將在玻璃板之間夾入塑膠材料的複合體作為被攝體，將塑膠材料中的劃痕作為參照用目標事項。該複合體例如可以由金屬與樹脂彼此層疊多層而成的層疊體構成，也可以構成為砂糖與鹽彼此混合而成的混合物。此外，也可以是將陶瓷作為母材並添加了晶須以作為第2層而得到的陶瓷基複合材料那樣的一體的複合體。
並且還可以將由金屬與異物構成的複合體中的異物作為參照用目標事項。在該例中，是將複合體中的一方作為參照用目標事項的。被攝體還可以由例如由玻璃、塑膠材料、陶瓷這三者以上構成的複合體構成。針對這些複合體的每一個來定義參照用目標事項。
像這樣，在被攝體由複合體構成的情況下，檢測演算法資訊也是通過三個等級以上的關聯度與該被攝體相關聯的。在被攝體由金屬與異物的複合體構成的情況下，除了該金屬的特徵波長之外，在構成檢測演算法資訊的特徵波長中還考慮了異物的特徵波長，預先研究從中提取出參照用目標事項所需要的條件，將其作為關聯度而關聯。
此外，作為被攝體為複合體的例子，對於金屬而言，可以將例如馬氏體轉變前後的混晶狀態作為被攝體，各個相作為參照用目標事項。此外，雖然被攝體自身並非由複合體而是由單相的材料構成，但可以捕捉該單相材料隨時間變化時的變化後的相來作為參照用目標事項。
在進入步驟S13後，資訊搜索程式進行如下作業：從在步驟S12中提取的構成被攝體的目標事項的字串中選擇1個或2 個以上的檢測演算法資訊。
在從在該步驟S12中提取的構成被攝體的目標事項的字串中選擇檢測演算法資訊時，參照預先獲得的圖8所示的被攝體的參照用目標事項與檢測演算法資訊的第1關聯度。例如，在步驟S12中提取的被攝體的目標事項為“葉片光合作用”的情況下，參照上述的第1關聯度時，選擇與該“葉片光合作用”的第1關聯度較高的1357±10nm作為檢測演算法資訊。在雖然第1關聯度較低但關聯性本身是被承認的630±5nm、750±10nm、1250±5nm、且運算方法為線形的情況下，也可以選擇作為檢測演算法資訊。此外，除此以外當然可以選擇未連接有箭頭的檢測演算法資訊。
此外，在步驟S12中提取的被攝體的目標事項為“葉片的水分”的情況下，在被攝體的參照用目標事項中不存在這樣的項目。在這種情況下，可以根據與作為被攝體的參照用目標事項的“葉片光合作用”的第1關聯度較高的1357±10nm的情況、在630±5nm、750±10nm、1250±5nm下運算方法為線形的情況、在與“毛髮的水分”的第1關聯度較高的630±5nm、750±10nm、1250±5nm下運算方法為線形的情況、和970±10nm的情況，估計最佳的檢測演算法資訊。在該情況下，可以將例如彼此共用的第1關聯度即630±5nm估計為“葉片的水分”的檢測演算法資訊，也可以將“葉片光合作用”、“毛髮的水分”中第1關聯度為40%以上的檢測演算法資訊都估計為檢測演算法資訊。此外，也可以針對與該“葉片光合作用”、“毛髮的水分”的第1關聯度超過0%的全部檢測演算法，將以各自的第1關聯度加權平均後的波長估計為檢測演算法資訊。
此外在步驟S12中提取的被攝體的目標事項為“舌癌”的情況下，在被攝體的參照用目標事項中不存在這樣的項目。雖然關於“癌”，作為過去的被攝體的目標事項存在“胃癌”，但關於“舌”，不存在任何被攝體的參照用目標事項。在這種情況下，可以根據“胃癌”的過去的檢測演算法資訊來估計，假如存在與“舌”接近的部位的“唇”等的過去的檢測演算法資訊的情況下，可以參照該檢測演算法資訊來估計。
並且，在步驟S12中提取的被攝體為砂糖與鹽的混合體的情況下，如果提取的目標事項同樣是鹽，在參照圖9所示的第1關聯度的情況下，作為檢測演算法資訊，優先選擇波長是230±12nm、400±5nm、運算方法是K-mens的情況。
此外，在步驟S12中提取的被攝體例如是“紙”、提取的目標事項同樣是“異物”的情況下，即使對照圖8、9所示的第1關聯度也不存在與其符合的被攝體，但作為參照用目標事項的“異物”，在被攝體為“金屬”與“異物”的混合體的情況下是存在的。在這種情況下，可以勉強選擇被攝體為“金屬”與“異物”的混合體，參照用目標事項為“異物”時的第1關聯度較低的檢測演算法資訊。
即，該檢測演算法資訊的選擇並不限於從第1關聯度較高的演算法資訊依次進行選擇，可以根據情況從第1關聯度較低的演算法資訊開始依次選擇，也可以以其他任何優先順序來選擇。
另外，針對在步驟S12中提取的被攝體的目標事項來選擇檢測演算法資訊的選擇方法不限於上述方法，只要參照的是第1關聯度，則可以基於任何方法執行。此外，關於該步驟S13的搜索動作，可以利用人工智慧進行。在這種情況下，可以將第1關聯度視為神經網路。
接下來，轉移到步驟S14，借助顯示部23來顯示所選擇的檢測演算法資訊。由此，使用者能夠通過查看顯示部23而立刻掌握與欲判別的被攝體的目標事項對應的檢測演算法資訊。
使用者根據輸出的檢測演算法資訊，設定光譜攝像裝置4中的影像處理部484的檢測演算法，或者設定拍攝裝置5的檢測演算法。在該檢測演算法的設定中除了特徵波長、特徵波長範圍之外，還實施基於這些特徵波長的顏色運算處理（以下為特徵波長運算）。例如在被攝體的目標事項為“葉片光合作用”、選擇1357±10nm作為檢測演算法的情況下，對光譜攝像裝置4、拍攝裝置5進行設定，進行使包含在該波長範圍中的圖元顯示為紅色的特徵波長運算，使沒有包含在該波長範圍內的圖元顯示為白色的特徵波長運算。
由此，能夠通過利用光譜攝像裝置4或拍攝裝置5對作為被攝體的“葉片”進行攝像來檢測出對作為其目標事項的“光合作用”進行判別所需要的光譜資料，並借助顏色解析影像顯示該光譜資料。
特別是，根據本發明，利用這樣的光譜攝像裝置4或拍攝裝置5，能夠容易獲得與目前應當判別的被攝體的目標事項相應的光譜資料的最優檢測演算法資訊。接下來每次產生新的被攝體的目標事項時，能夠減少用於研究最優的檢測演算法的勞力負擔，能夠實現縮短時間。
此外，在應用了本發明的資訊搜索系統1中，特徵在於，借助設定成三個等級以上的第1關聯度進行最佳的檢測演算法資訊的搜索。第1關聯度能夠以例如0〜100%的數值來表示，但並不限於此，只要能夠以三個等級以上的數值來表示即可，由多少個等級構成都可以。
通過根據以三個等級以上的數值所表示的第1關聯度來進行搜索，在選擇了多個檢測演算法資訊的狀況下，還是能夠以該第1關聯度從高到低的順序來搜索並顯示出來。像這樣，如果能夠以第1關聯度由高到低的順序向使用者顯示，還能夠促使優先選擇可能性更高的檢測演算法資訊。另一方面，即使是第1關聯度較低的檢測演算法資訊，也能夠以第二意見來顯示，在第一意見不能良好地進行分析的情況下，能夠發揮其用途。
除此之外，根據本發明，能夠在不忽略掉第1關聯度為1%那樣的極低的檢測演算法資訊的前提下進行判斷。即使是第1關聯度極低的檢測演算法資訊也是與輕微的跡象相關的，還存在幾十次、幾百次中有一次作為檢測演算法資訊起到作用的情況，能夠對引起使用者注意。
並且，根據本發明，具有如下優點：通過根據這樣的三個等級以上的第1關聯度進行搜索，能夠利用閾值的設定方法來確定搜索方針。如果降低閾值，即使是上述的第1關聯度為1%的情況，也能夠沒有遺漏地搜索到，與之相反，有時也會大量地搜索到恰當地檢測出被攝體的目標事項的可能性較低的檢測演算法資訊。另一方面，如果提高閾值，則能夠僅鎖定恰當地檢測出被攝體的目標事項的可能性較高的檢測演算法資訊，與之相反，還存在會丟失在幾十次、幾百次中有一次會顯示最優的解的檢測演算法資訊的情況。可以基於使用者側、系統側的考慮方式來決定將重點放在哪裡，能夠提高選擇將重點放在哪一點上的自由度。
並且，在本發明中，可以使上述的第1關聯度更新。即，隨時更新圖8所示的被攝體的參照用目標事項和檢測演算法資訊。該更新可以反映經由例如以互聯網為代表的公共網路而提供的資訊。在通過能夠從公共網路獲得的網站資訊、文字等而針對被攝體的參照用目標事項與檢測演算法資訊的關聯性發現了新的見解的情況下，按照該見解相應地使第1關聯度上升或者下降。例如，在經由公共網路上的網站較多地例舉出針對某被攝體的參照用目標事項而具有一定程度的第1關聯度的檢測演算法能夠高精度地進行檢測的示例的情況下，使它們之間所設定的第1關聯度進一步上升。此外，在經由公共網路上的網站較多地例舉出針對某被攝體的參照用目標事項而具有一定程度的第1關聯度的檢測演算法無法高精確地進行檢測的示例的情況下，使設定在它們之間的第1關聯度下降。此外，在通過公共網路上的網站例舉出針對某被攝體的參照用目標事項、通過之前沒有出現的檢測演算法能夠高精度地進行檢測的情況下，可以通過在它們之間新設定第1關聯度來進行更新。
該第1關聯度的更新除了基於能夠從公共網路獲得的資訊以外，還可以由系統側或使用者側根據專家的研究資料、論文、學會發表、報紙文章、書籍等的內容人為地或自動地進行更新。在這些更新處理中，可以靈活運用人工智慧。
另外，本發明不限於上述的實施方式。作為應當輸入的資訊，除了被攝體的目標事項以外，還可以在於步驟S11中輸入上述照明光的資訊、各種攝像系統的參數、硬體上的參數的基礎上搜索該檢測演算法資訊。
另外搜索裝置2也可以搜索應當提供給拍攝裝置5的拍攝條件。資訊搜索程式搜索與獲得的目標事項關聯度較高的拍攝條件。在進行該搜索之前，如圖10所示，演算法資料庫3預先獲得參照用目標事項與拍攝條件之間的第2關聯度。
此處所謂的拍攝條件還包括：由光譜攝像裝置4或拍攝裝置5的攝像時的照明光的波長、照射角度、亮度、設置於照明光的偏振濾光器的條件等構成的照明光的資訊、光譜攝像裝置4或拍攝裝置5本身的F值、透鏡的NA、焦距、使用機型、波長解析度、空間解析度、針對各分光波長的靈敏度、曝光時間、自動對焦時間、快門速度、快門方式、白平衡、黑平衡、增益等各種攝像系統的參數、和硬體上的參數。作為檢測演算法資訊，除了上述的特徵波長或特徵波長範圍、和運算方法，還可以追加上述的各參數。此外，上述的各參數可以規定成產生上述的特徵波長或特徵波長範圍的一個條件。
對於這樣的各種拍攝條件，在通過第2關聯度進行關聯的情況下，假如是波長解析度，則可以像96-120dpi、120-144dpi、144-192dpi那樣對幾個種類進行分級，針對各個等級關聯第1關聯度。
例如圖10所示，將這樣的拍攝條件設定為“白平衡〇〇”、“透鏡的配置P”及“濾光器W”的組合、“濾光器Q”、“濾光器R”與“照明光的角度〇〇°”的組合、“濾光器S”與“空間解析度133-140dpi”的組合、“曝光時間〇〇ns以上”、“曝光時間不到〇〇ns”等。
該拍攝條件可以由多個因素的組合構成，也可以由單獨的因素構成。此外對於相同的“曝光時間”這樣的拍攝條件，也可以在像“曝光時間〇〇ns以上”、“曝光時間不到〇〇ns”那樣進行了分類的基礎上，使它們分別關聯第2關聯度。此外，以如下方式來分配各自的詳細的條件：對於濾光器Q”，例如濾光器的透過波長為600〜650nm等，對於“濾光器R”，例如濾光器的透過波長為340〜400nm等，對於“濾光器S”，例如濾光器的透過波長為1000〜1100nm等。
被攝體的參照用目標事項與拍攝條件通過第1關聯度彼此關聯。例如“濾光器Q”以第2關聯度80%與“果實的新鮮度”關聯，以第2關聯度20%與“白平衡〇〇”關聯。“毛髮的水分”以第2關聯度100%與“濾光器S”和“空間解析度133-140dpi”的組合關聯，以第2關聯度40%與“透鏡的配置P”和“濾光器W”的組合關聯。“葉片光合作用”以第2關聯度60%與“白平衡〇〇”關聯，以第2關聯度20%與“曝光時間不到〇〇ns”關聯。“胃癌”以第2關聯度80%與“透鏡配置P”和“濾光器W”的組合關聯，以第2關聯度40%與“濾光器S”、“空間解析度133-140dpi”關聯。“玻璃的缺陷”以第2關聯度100%與“濾光器R、照明光的角度〇〇°”關聯，以第2關聯度20%與“曝光時間〇〇ns以上”關聯。
該第2關聯度是基於各參照用目標事項進行判別所需的拍攝裝置5中的拍攝條件的適應性，換言之，表示拍攝裝置5中的設計或拍攝方法相對於參照用目標事項、和通過該參照用目標事項來判別的被攝體的目標事項的精確性。在上述例子的情況下，示出了作為針對“胃癌”的拍攝條件，“透鏡的配置P”與“濾光器W”的組合的適應性是最佳的，從而能夠最有效地且高精度地進行判別。下一個所顯示的針對“胃癌”的拍攝條件是“濾光器S”和“空間解析度133-140dpi”。
在演算法資料庫3中，上述的參照用目標事項與這樣的各拍攝條件彼此通過第2關聯度被關聯並儲存。
資訊搜索程式如果要搜索與新輸入的目標事項之間適應性較高的拍攝條件，可以參照圖10所示的第2關聯度。例如，在新輸入的目標事項為“毛髮的水分”的情況下，在參照上述的第2關聯度時，選擇與其對應的參照用檢測演算法資訊、和第2關聯度較高的“濾光器S”和“空間解析度133-140dpi”來作為拍攝條件。也可以選擇第2關聯度較低但關聯性雖然微弱但被承認的“透鏡配置P”與“濾光器W”的組合來作為拍攝條件。同樣地，在新輸入的目標事項為“胃癌”的情況下，選擇“透鏡配置P”與“濾光器W”的組合。
另外，在該圖10所示的方式中也同樣，拍攝條件的選擇不限於從較高的第2關聯度開始依次選擇的情況，可以根據情況從較低的第2關聯度開始依次進行選擇，也可以按照其他任何優先順序進行選擇。
圖11示出參照用目標事項、和與參照用拍攝條件的組合對應的拍攝條件通過三個等級以上的第2關聯度被關聯的例子。該參照用拍攝條件由與上述的拍攝條件相同的專案構成。該圖11所示的第2關聯度是除了目標事項之外，還將拍攝條件的一部分通過操作部25作為已知的資訊輸入的情況的例子。即，目標事項和拍攝條件的一部分已經確定，但由於剩餘的拍攝條件未能確定，因此通過該第2關聯度進行搜索的例子。
如圖11所示，隔著第2關聯度在左側排列參照用目標事項或參照用拍攝條件，隔著第2關聯度在右側排列實際上應當搜索的拍攝條件。
在參照用目標事項為“果實的新鮮度”、參照用拍攝條件為“濾光器S”的情況下，這些組合的節點被設為，“白平衡〇〇”為第1關聯度70%，“曝光時間〇〇ns以上”為第2關聯度40%。此外，在參照用拍攝條件為“濾光器S”、“快門速度〇〇秒”、參照用目標事項為“葉片光合作用”的情況下，這些組合的節點被設為，“白平衡〇〇”為第2關聯度60%、“曝光時間不足〇〇ns”為第2關聯度40%。
在預先儲存有這樣的第2關聯度的情況下，在已經借助操作部25輸入了已知的目標事項和拍攝條件的情況下，能夠通過參照第2關聯度來搜索拍攝條件。例如在借助操作部25輸入“玻璃的缺陷”作為目標事項、並輸入“照明光的角度〇〇°”作為拍攝條件的情況下，適當選擇這些組合的節點和關聯度已經被規定的“透鏡的配置”、“濾光器S、空間解析度133-140dpi”等。
完成這些選擇後，資訊搜索程式通過搜索裝置2的顯示部23顯示選擇的拍攝條件。由此，使用者能夠通過查看顯示部23而立即掌握與檢測演算法資訊相應的拍攝條件。對於該拍攝條件的搜索動作，也同樣可以利用人工智慧。即，第2關聯度可以由神經網路構成。
使用者根據輸出的拍攝條件，分別設計拍攝裝置5中的成像光學系統51、濾光器52、攝像元件53、訊號處理部54等，或者設定照明光的條件，或者確定與拍攝有關的各種條件。此外使用者根據輸出的拍攝條件，設計光譜攝像裝置4的各結構，或者確定各條件。
另外，在輸入該已知的拍攝條件的過程中，除了借助操作部25的輸入以外，例如也可以自動提取已知的拍攝條件。作為提取該拍攝條件的單元，例如可以由如下設備構成：該設備通過文本挖掘技術讀取所使用的光譜攝像裝置4或拍攝裝置5的相關手冊類的電子資料或互聯網上發佈的資訊，並進行分析，還可以由PC等具體實現。可以從該解析後的資訊中提取與拍攝條件有關的資訊，並將其作為上述的已知的拍攝條件輸入。此外，如果作為已知的拍攝條件要提取曝光時間，則可以利用用於測定光譜攝像裝置4或拍攝裝置5的實際的曝光時間的設備，也可以將光譜攝像裝置4或拍攝裝置5直接與PC連接，讀取所設定的曝光時間。
圖12示出從輸入被攝體的目標事項到取得拍攝裝置的拍攝條件的資料流程動。
作為輸入的資訊，除了被攝體的目標事項之外，還可以是照明系統的參數即照明光的波長、照射到被攝體的照明光的照射角度、照明光的亮度等，甚至是攝像系統的參數、即光譜攝像裝置4或拍攝裝置5的波長範圍、波長解析度、空間解析度、分光波長靈敏度、偏振濾光器等。除此以外，還存在還輸入硬體上的參數的情況。根據該輸入的資訊，通過參照上述的第1關聯度來搜索由特徵波長、特徵波長範圍構成的檢測演算法資訊、或拍攝條件。對於以此方式得到的檢測演算法資訊而言，除了所輸入的被攝體的目標事項之外，還要根據照明系統的參數、攝像系統的參數，在參照了演算法資料庫3中儲存的過去的資料的基礎上，選擇對於利用光譜攝像裝置4或拍攝裝置5對被攝體進行攝像而最合適的演算法資訊、拍攝條件。
利用被設定了檢測演算法資訊的光譜攝像裝置4或拍攝裝置5對被攝體攝像，通過進行特徵波長運算，能夠得到運算後的顏色解析影像。
另外，本發明不限於上述的方式。在已獲得上述的第1關聯度的前提下，在步驟S11中，可以接收檢測演算法資訊的輸入，以代替接收被攝體的目標事項的輸入。並且在步驟S13中，根據接收該輸入所得到的檢測演算法資訊，參照所述第1關聯度，由此來反向搜索被攝體的目標事項是什麼。即，圖8、9中的輸入與輸出的關係替換為上述方式，輸入成為檢測演算法資訊，輸出成為被攝體的目標事項。
作為該方式的應用例，例如在利用光譜攝像裝置4或拍攝裝置5對某未知的被攝體進行攝像的結果是、特徵波長為310nm、660nm的情況下，能夠判別出被攝體的目標事項很可能是混合物中的鹽。
在應用了本發明的資訊搜索系統1中，可以設置例如圖13所示那樣的反饋回路。
在該反饋回路中，演算法資料庫3從拍攝被攝體9的光譜攝像裝置4或拍攝裝置5接收資訊。
光譜攝像裝置4或拍攝裝置5獲得由搜索裝置2根據上述方法而搜索到的檢測演算法資訊。並且，該光譜攝像裝置4或拍攝裝置5根據該檢測演算法資訊實際上對被攝體9進行拍攝。作為該拍攝對象的被攝體9與在S11中輸入的被攝體9對應，其拍攝目的是，檢測在該步驟S11中輸入的目標事項。即，在上述的步驟S11中輸入檢測葉片的光合作用來作為被攝體的目標事項，步驟S13中搜索到的檢測演算法適合檢測其葉片光合作用。在這種情況下，將該搜索到的檢測演算法輸入到光譜攝像裝置4或拍攝裝置5。並且通過該輸入的檢測演算法借助光譜攝像裝置4或拍攝裝置5拍攝作為被攝體9的葉片，嘗試檢測光合作用。
光譜攝像裝置4或拍攝裝置5將通過拍攝被攝體9而得到的光譜資料發送到演算法資料庫3。演算法資料庫3根據這樣的光譜資料來更新第1關聯度。
例如圖8所示的被攝體9也同樣，針對作為目標事項的葉片光合作用而搜索特徵波長為1357±10nm的檢測演算法並據此而實際拍攝作為被攝體9的葉片所得到的光譜資料如果能恰當地表現出葉片的光合作用，則判斷為該檢測演算法是適合的，並且搜索該檢測演算法的第1關聯度的精度較高，無需特別更新。另一方面，如果得到的光譜資料未能適當地表現出葉片的光合作用，則判斷為該檢測演算法不適合，搜索該檢測演算法的第1關聯度的精度存在改善的餘地，要更新該第1關聯度。
另外，在形成該圖8所示的第1關聯度方面，並不限於通過輸入已知的被攝體的參照用目標事項和檢測演算法來進行學習的所謂有教師的學習，可以基於無教師的學習來使其形成。在這種情況下，可以通過對得到的資料進行聚類分析來分類，基於此來形成第1關聯度。
例如可以根據光譜資料來判斷是否恰當地表現出了作為該目標事項的葉片的光合作用。在這種情況下，可以根據各波長區域中的光譜的強度來判斷。
如圖14（a）所示，作為檢測演算法，列舉在1347〜1367nm的波長範圍內根據光譜的強度判斷有無光合作用的情況。此處通過拍攝裝置5對作為被攝體的葉片進行攝像，其結果例如如圖14（b）所示，存在比較多地檢測到光合作用且在1347〜1367nm的波長範圍內光譜的峰值變高的情況，如圖14（c）所示，還存在幾乎未檢測到光合作用且在347〜1367nm的波長範圍內光譜的峰值未變高的情況。
如何解釋以此方式而得到的檢測峰值的高低，能夠在系統側自由地設定。例如在1347〜1367nm的波長範圍內，光譜的峰值超過了某特定的閾值的情況下，判斷為檢測到光合作用，而在某特定的閾值以下的情況下，可以判斷為未檢測到光合作用。除了這樣的判斷之外，還可以更新上述的關聯度。作為該關聯度的更新的規則，可以根據檢測到的光譜的強度來進行。如果解釋成作為檢測演算法而設定的波長範圍的光譜強度越高，越能夠更恰當地檢測出作為目標事項的光合作用，則以使與該檢測演算法相關的第1關聯度進一步提高的方式來更新。例如在圖8所示的第1關聯度中，用於檢測葉片的光合作用的檢測演算法中的1347〜1367nm（1357±10nm）的波長範圍的第1關聯度的關聯度是最高的。在根據該檢測演算法（1347〜1367nm）檢測被攝體的結果如圖14（b）所示那樣，在該檢測演算法的波長範圍內超過了特定的閾值的情況下，判斷為利用該檢測演算法能夠正確地檢測目標事項，將與該檢測演算法相關的第1關聯度（80%）更新得更高。另一方面，在根據該檢測演算法（1347〜1367nm）檢測被攝體的結果如圖14（c）所示那樣，在該檢測演算法的波長範圍內為特定的閾值以下的情況下，判斷為利用該檢測演算法無法正確地檢測目標事項，將與該檢測演算法相關的第1關聯度（80%）更新成更低。
檢測到的光譜的強度主要取決於是否出現了該被攝體的目標事項，在上述的例子中，確實是主要取決於作為被攝體的葉片是否出現了作為目標事項的光合作用。但是，該光譜的強度並不僅僅取決於這一點，會受到檢測該被攝體的目標事項所需的檢測演算法的適合性的影響。在用於檢測被攝體的目標事項的檢測演算法並不適合從而適應性較低的情況下，與其適合性高的情況比較，完全可以考慮到光譜的強度會降低。如果作為被攝體的葉片出現了相同程度的光合作用，但光譜強度不同，很明顯這是受到了檢測演算法的適合性的影響。
另外，還有如下可能性：在這樣的檢測演算法的波長範圍內，光譜的強度降低，而在該波長範圍外，光譜的強度反而升高。此外，該光譜的強度是與用於檢測被攝體的目標事項的檢測演算法相適應的演算法，在適合性高的情況下也存在檢測演算法的波長範圍內的光譜的強度反而降低的情況，在適合性低的情況下，存在該波長範圍內的光譜的強度升高的情況。
即，根據被攝體的目標事項與檢測演算法的適合性，檢測演算法的波長區域內的光譜強度或其波長區域外的光譜強度會受到影響。在本發明中，根據因受到該影響而出現的光譜強度來更新第1關聯度。由此，通過依次更新的第1關聯度，被攝體的目標事項與檢測演算法之間的適合性逐漸提高。
並且該光譜資料除了被攝體的目標事項與檢測演算法的適合性，同樣還會反映出被拍攝的被攝體本身的影像特徵（即影像上繪製的被攝體的形狀、紋理、對比度、位置等）。
例如如圖15所示，通過借助光譜攝像裝置4或拍攝裝置5來拍攝被攝體11而得到的影像中的各圖元P1、P2分別由光譜資料構成。這些各光譜資料反映了被攝體的目標事項與檢測演算法的適合性、被拍攝的被攝體本身的影像特徵量。例如，P1是影像的邊緣部分，因此影像特徵量的影響主要由光譜資料反映，而且該P1還是作為被攝體的目標事項的葉片的光合作用沒有發生的部位，因此該影響不太會被光譜資料反映出來。另一方面，P2不是影像的邊緣部分，因此影像特徵量的影響不太會被光譜資料反映出來，而且該P2還是作為被攝體的目標事項的葉片的光合作用發生的部分，因此該影響主要由光譜資料反映。此外，P1、P2的各光譜資料均會受到與檢測演算法之間的適合性的影響。
即，光譜資料受到這樣的影像特徵量、甚至是影像上繪製的被攝體的形狀、紋理、對比度、位置等空間資訊的影響。因此，如果根據光譜資料執行上述處理動作，該光譜資料的主導因素在於被攝體的目標事項、與檢測演算法之間的適合性、和空間資訊。
特別是在本發明中，可以在考慮與該空間資訊、甚至是影像特徵量之間的關係的基礎上，進行被攝體的目標事項與檢測演算法的適合性的判定，還可以在該基礎上進行第1關聯度或第2關聯度的更新。
此外，在上述的實施方式中以多光譜為例進行了說明，但高光譜的情況也同樣如此，圖14中虛線所示的是高光譜，但對此也可以根據縱軸的光譜強度來更新第1關聯度。在這種情況下，也可以取得由光譜攝像裝置4攝像得到的高光譜。此外，可以將由拍攝裝置5取得的多光譜恢復成高光譜，根據該高光譜來判斷適合性。該多光譜向高光譜的恢復借助搜索裝置2等來執行，例如可以根據預先設定的恢復演算法進行。該恢復演算法可以由高光譜與多光譜之間的對應關係構成的樣板構成，根據需要來讀取，對之參照並進行恢復。
也可以根據例如圖16所示那樣的更新用關聯度來進行這樣的更新處理。在該更新用關聯度中，在左側設定本次所設定的檢測演算法和通過對被攝體攝像而得到的光譜資料，並隔著節點70而在右側繪製上述的適合性。
該節點70由本次所設定的檢測演算法與所取得的光譜資料（光譜強度）的組合構成。並且該節點70分別與作為輸出解的適合性相連。更新用關聯度也同樣由三個等級以上的關聯度構成。
預先獲得這樣的更新用關聯度。並且，參照該更新用關聯度，根據本次所設定的檢測演算法與實際得到的光譜強度來搜索作為輸出解的適合性。對於該具體的搜索方法，與上述第1關聯度相同。
此處，在本次所設定的檢測演算法是1375±10nm，並據此對被攝體攝像而得到的光譜強度為10的情況下，節點70b符合，該節點70b的最高的更新用關聯度的適合性較“低”。在這種情況下，從獲得的光譜強度的觀點來看，判斷檢測演算法1375±10nm的適合性較低。然後，再次進行設定，將該圖8所示的第1關聯度設定得較低。
此外，假設在節點70a符合的情況下，該節點70的最高的更新用關聯度的適合性較“高”。在這種情況下，從獲得的光譜強度的觀點來看，判斷檢測演算法1375±10nm的適合性較高。並且，再次進行設定，將該圖8所示的第1關聯度設定得更高。另外，如果是基於該更新用關聯度，則未必需要選擇較高的更新用關聯度，也可以選擇較低的更新用關聯度。
另外，在上述實施方式中，對根據檢測到的光譜強度來對搜索解進行搜索的例子進行了說明，但如果是根據光譜資料，則可以根據任何因素來進行搜索。
此外，根據本發明，可以輸入該圖16所示的本次所設定的檢測演算法以外的其他檢測演算法。並且，可以分別輸入其他檢測演算法和根據其他檢測演算法而攝像得到的光譜資料，並生成搜索解。
此外，上述的反饋回路可以應用於第2關聯度。
光譜攝像裝置4或拍攝裝置5取得由搜索裝置2根據上述方法而搜索到的拍攝條件。並且，該光譜攝像裝置4或拍攝裝置5根據該拍攝條件而實際拍攝被攝體9。作為該拍攝對象的被攝體9與在S11中輸入的被攝體9對應，其拍攝目的相當於檢測在該步驟S11中輸入的目標事項。即，在上述的步驟S11中輸入對葉片光合作用進行檢測以作為被攝體的目標事項，設在步驟S13中搜索到的檢測演算法適合檢測該葉片光合作用。在這種情況下，將該搜索到的拍攝條件輸入到光譜攝像裝置4或拍攝裝置5。並且根據該輸入的拍攝條件，借助光譜攝像裝置4或拍攝裝置5來拍攝作為被攝體9的葉片，嘗試檢測光合作用。
光譜攝像裝置4或拍攝裝置5將通過拍攝被攝體9而得到的光譜資料發送到演算法資料庫3。演算法資料庫3根據這樣的光譜資料來更新第2關聯度。
例如圖10所示的被攝體9也同樣，針對作為目標事項的葉片光合作用搜索白平衡〇〇的拍攝條件，如果據此實際上拍攝作為被攝體9的樹的葉片而得到的光譜資料能夠恰當地表現出樹的葉片的光合作用，則判斷為該拍攝條件是恰當的，搜索該拍攝條件的第2關聯度的精度較高，不特別進行更新。另一方面，得到的光譜資料如果未能恰當地表現出樹的葉片的光合作用，則判斷為該拍攝條件不恰當，搜索該拍攝條件的第2關聯度的精度存在改善的餘地，要對該第2關聯度進行更新。
例如可以根據光譜資料來判斷是否恰當地表現出了作為該目標事項的葉片光合作用。在這種情況下，與第1關聯度同樣，可以根據各波長區域中的光譜的強度來判斷。
此外，也可以更新第2關聯度，作為該更新的規則而言，可以根據檢測到的光譜的強度進行。如果解釋成光譜強度越高，越更恰當地檢測出了作為目標事項的光合作用，則將與該攝影條件有關的第2關聯度更新得更高。在例如圖10所示的第2關聯度中，在用於檢測葉片光合作用的拍攝條件中，白平衡〇〇的第2關聯度最高。在基於該拍攝條件（白平衡〇〇）來檢測被攝體的結果是光譜強度超過了特定的閾值的情況下，判斷為根據該拍攝條件能夠正確地檢測目標事項，將與該拍攝條件有關的第2關聯度（80%）更新得更高。另一方面，在基於該拍攝條件（白平衡〇〇）來檢測被攝體的結果是光譜強度為特定的閾值以下的情況下，判斷為根據該拍攝條件無法正確地檢測目標事項，將與該拍攝條件有關的第2關聯度（80%）更新得更低。
檢測到的光譜的強度主要取決於是否出現了該被攝體的目標事項，在上述的例子中，確實是主要取決於作為被攝體的葉片是否出現了作為目標事項的光合作用。但是，該光譜的強度並不僅僅取決於這一點，還會受到檢測該被攝體的目標事項所需的拍攝條件的適合性的影響。在用於檢測被攝體的拍攝條件並不相稱而適合性低的情況下，與其適合性高的情況比較，完全可以考慮到光譜的強度會降低。
此外，該光譜的強度是與用於檢測被攝體的目標事項的攝影條件相稱的強度，存在在適合性較高的情況下光譜的強度反而降低的情況，還可能有在適合性低的情況下光譜的強度升高的情況。
即，根據被攝體的目標事項與拍攝條件的適合性，光譜強度會受到影響。在本發明中，根據因受到該影響而出現的光譜強度來更新第2關聯度。由此，通過被依次更新的第2關聯度，被攝體的目標事項與檢測演算法的適合性會逐漸升高。
此外，在上述的實施方式中以多光譜為例進行了說明，但高光譜的情況也同樣如此，雖然圖14中虛線所示的是高光譜，但對此也可以根據縱軸的光譜強度來更新第2關聯度。在這種情況下，也可以取得由光譜攝像裝置4攝像得到的高光譜。此外，也可以將由拍攝裝置5所取得的多光譜恢復成高光譜，根據該高光譜來判斷適合性。該多光譜向高光譜的恢復是借助搜索裝置2等執行的，例如可以根據預先設定的恢復演算法來進行。該恢復演算法可以通過由高光譜與多光譜之間的對應關係構成的樣板構成，根據需要來讀取，對之進行參照並進行恢復。
可以根據例如圖17所示那樣的更新用關聯度進行這樣的更新處理。在該更新用關聯度中，在左側設定本次所設定的拍攝條件、和通過對被攝體進行攝像而得的光譜資料，隔著節點70而在右側描繪了上述的適合性。
該節點70由本次所設定的拍攝條件與得到的光譜資料（光譜強度）的組合構成。並且該節點70分別與作為輸出解的適合性相連。更新用關聯度也同樣由三個等級以上的關聯度構成。
預先獲得這樣的更新用關聯度。並且，參照該更新用關聯度，根據本次所設定的拍攝條件與實際得到的光譜強度，來搜索作為輸出解的適合性。對於該具體的搜索方法，與上述第2關聯度相同。
此處，在本次所設定的拍攝條件（白平衡〇〇）下、據此對被攝體攝像而得到的光譜強度為10的情況下，節點70b是符合的，該節點70b的最高的更新用關聯度的適合性較“低”。在這種情況下，從獲得的光譜強度觀點來看，判斷為拍攝條件（白平衡〇〇）的適合性較低。然後，再次進行設定，將該圖10所示的第2關聯度設定得較低。
對於形成第2關聯度而言，並不限於通過輸入已知的被攝體的參照用目標事項和檢測演算法來使其學習的所謂的有教師學習，也可以基於無教師的學習來形成該第2關聯度。在這種情況下，可以通過對得到的資料進行聚類分析來分類，基於此來形成第2關聯度。
另外，在上述實施方式中，對根據檢測到的光譜強度來對搜索解進行搜索的例子進行了說明，但如果根據光譜資料，則可以根據任何因素來進行搜索。
此外，根據本發明，也可以輸入該圖17所示的本次所設定的拍攝條件以外的其他攝影條件。並且，也可以分別輸入其他拍攝條件和根據該其他拍攝條件進行攝像而得到的光譜資料，並產生搜索解。
在應用了本發明的資訊搜索系統1中，可以設置例如圖18所示那樣的反饋回路。在該反饋回路中，還具備與光譜攝像裝置4連接的位置檢測部81和與該位置檢測部81連接的地圖資訊獲得部82。在該圖18所示的反饋回路中，對於與圖13所示的反饋回路相同的結構要素，標注相同標號，在以下省略其說明。
位置檢測部81根據從人工衛星發送的衛星定位訊號來即時取得光譜攝像裝置4的當前的位置資訊。假如光譜攝像裝置4搭載於行駛的車輛，在該車輛行駛于道路上的過程中，由該位置檢測部81隨時接收衛星定位訊號，由此能夠獲得該行駛的道路上的各地點的位置資訊。由位置檢測部81檢測的位置資訊發送到演算法資料庫3。
地圖資訊獲得部82儲存由日本國內的地圖、世界各國的地圖構成的地圖資訊。此處所謂的地圖資訊構成為，以平面方式示出了地圖的二維地圖、以立體方式示出了地圖的三維地圖、由在道路上的地點進行拍攝而得到的周圍全景影像構成的街景影像所具體表現出的電子資料。根據這樣的地圖資訊，能夠借助PC或智慧手機、平板型終端等將地圖顯示在介面上，進而能夠通過應用軟體對該顯示的地圖執行各種動作。該地圖資訊保持部82可以獲得當初的地圖資訊被發佈在互聯網上的地圖電子資料，也可以獲得其他免費分發或者市售的地圖電子資料。由地圖資訊保持部82檢測到的地圖資訊被發送到演算法資料庫3。
在這種情況下，可以根據例如圖19所示的更新用關聯度進行更新處理。在該更新用關聯度中，在左側除了本次所設定的檢測演算法和通過對被攝體進行攝像而得到的光譜資料之外，還設定了由位置檢測部81檢測出的位置資訊和由地圖資訊保持部82檢測出的地圖資訊，隔著節點70在右側描繪出了上述的適合性。
該節點70除了本次所設定的檢測演算法和所得到的光譜資料（光譜強度）之外，還由位置資訊與地圖資訊的組合構成。並且該節點70分別與作為輸出解的適合性相連。更新用關聯度也同樣由三個等級以上的關聯度構成。
預先獲得這樣的更新用關聯度。並且，參照該更新用關聯度，根據本次所設定的檢測演算法與實際得到的光譜強度來搜索作為輸出解的適合性。對於該具體的搜索方法，與上述第1關聯度相同。
此處，在本次所設定的檢測演算法為1375±10nm且據此對被攝體進行攝像而得到的光譜強度為15，且位置資訊為○○、地圖資訊為XX的情況下，節點70b符合，該節點70b的最高的更新用關聯度的適合性較“低”。在這種情況下，從獲得的光譜強度的觀點來看，判斷檢測演算法1375±10nm的適合性較低。然後，再次設定該圖8所示的第1關聯度，設定得更低。在應用了本發明的資訊搜索系統1中，可以設置例如圖20所示那樣的反饋回路。在該反饋回路中，還具備與光譜攝像裝置4連接的形態檢測部83。在該圖20所示的反饋回路中，對於與圖13、圖18所示的反饋回路相同的結構要素，標注同一標號，在以下省略其說明。
形態檢測部83由對被攝體9攝像的照相機構成。能夠從由該形態檢測部83攝像得到的被攝體9的影像識別出該被攝體9的形態（形狀、模樣、顏色、質感等）。由形態檢測部83檢測到的被攝體9的形態資訊被發送到演算法資料庫3。該被攝體9的形態資訊不僅是單從某一方向進行攝像而獲得的影像，也可以是使拍攝範圍或拍攝方向不同進行攝像而得到的影像。
在這種情況下，可以根據例如圖21所示的更新用關聯度來進行更新處理。該更新用關聯度除了在左側本次所設定的檢測演算法和通過對被攝體進行攝像而得到的光譜資料之外，還設定了由形態檢測部83檢測出的被攝體9的形態資訊，隔著節點70在右側描繪出了上述的適合性。
該節點70除了本次所設定的檢測演算法和得到的光譜資料（光譜強度）之外，還由與形態資訊的組合構成。並且該節點70分別與作為輸出解的適合性相連。更新用關聯度也同樣由三個等級以上的關聯度構成。
預先獲得這樣的更新用關聯度。並且，參照該更新用關聯度，根據本次所設定的檢測演算法與實際得到的光譜強度來搜索作為輸出解的適合性。對於該具體的搜索方法，與上述第1關聯度相同。
此處，在本次所設定的檢測演算法為1375±10nm且據此對被攝體攝像而得到的光譜強度為15，且為形態資訊〇〇和形態資訊XX的組合的情況下，節點70b符合，該節點70b的最高的更新用關聯度的適合性為 “較低”。在這種情況下，從獲得的光譜強度的觀點來看，判斷檢測演算法1375±10nm的適合性較低。然後，再次設定該圖8所示的第1關聯度，將其設定得較低。同樣，在檢測演算法為970±10nm、形態資訊為〇〇的情況下，節點70d符合，該節點70d的最高的更新用關聯度的適合性為“普通”。在這種情況下，從獲得的光譜強度的觀點來看，判斷檢測演算法9705±10nm的適合性較低。這樣，通過與被攝體9的形態資訊組合來進行判斷，能夠提高判斷精度。
另外，作為形態資訊，可以包括所謂的空間特徵資訊。此處，所謂的空間特徵資訊是指包括空間位置（配置）、形態（形狀、大小、模樣、紋理、顏色、質感等）的資訊。該空間特徵資訊是包括在所謂深度挖掘技術中使用的影像上的特徵量的概念，是用於通過提取該特徵量來識別空間位置（配置）或形態的資訊。該空間特徵資訊除了一般的空間特徵量，還可以包括按每個光譜提取的光譜特徵量。或者，該空間特徵資訊可以由該光譜特徵量與空間特徵量融合構成。該光譜特徵量是根據分光影像來提取特徵量的，因此能夠容易從背景的移動等僅分離出期望的被攝體並提取特徵量，能夠容易把握形態資訊。
另外，除了該形態資訊以外，還可以與上述的位置資訊、地圖資訊組合而進行判斷是顯而易見的。
1‧‧‧資訊搜索系統2‧‧‧搜索裝置3‧‧‧演算法資料庫4‧‧‧光譜攝像裝置5‧‧‧拍攝裝置9,10,11‧‧‧被攝體16‧‧‧影像21‧‧‧內部匯流排23‧‧‧顯示部24‧‧‧控制部25‧‧‧操作部26‧‧‧通訊部27‧‧‧搜索部28‧‧‧儲存部41‧‧‧物鏡42‧‧‧精密直線運動工作台43‧‧‧狹縫板43a‧‧‧狹縫開口部44‧‧‧准直透鏡45‧‧‧分散光學元件46‧‧‧成像透鏡47‧‧‧攝像元件48‧‧‧控制部51‧‧‧成像光學系統52‧‧‧濾光器53‧‧‧攝像元件54‧‧‧訊號處理部56‧‧‧攝像透鏡70‧‧‧節點81‧‧‧位置檢測部82‧‧‧地圖資訊保持部83‧‧‧形態檢測部481‧‧‧拍攝控制部482‧‧‧移動控制部483‧‧‧分光資料生成部484‧‧‧影像處理部484-1‧‧‧校正處理部484-2‧‧‧計算部484-3‧‧‧顏色解析影像獲得部
圖1 是示出應用了本發明的資訊搜索系統的整體結構的框圖。 圖2 是構成資訊搜索系統的搜索裝置的框圖。 圖3 是構成資訊搜索系統的光譜攝像裝置的框圖。 圖4 是用於說明光譜攝像裝置中的控制部的詳細結構的圖。 圖5 是示出拍攝裝置的框結構例的圖。 圖6 是示出資訊搜索程式的處理動作步驟的流程圖。 圖7 是用於對借助光譜資料來判別某果實的新鮮度的例子進行說明的圖。 圖8 是示出利用第1關聯度將被攝體的參照用目標事項與檢測演算法資訊相互關聯的網路的圖。 圖9 是示出除了被攝體的目標事項之外，還利用第1關聯度將這些照明系統、攝像系統的各種參數相關聯的例子的圖。 圖10 是示出利用第2關聯度將被攝體的參照用目標事項與拍攝條件相互關聯的網路的圖。 圖11 是示出利用第2關聯度將被攝體的參照用目標事項和參照用拍攝條件與拍攝條件相互關聯的網路的圖。 圖12 是從輸入被攝體的目標事項到取得拍攝裝置的拍攝條件為止的資料流程圖。 圖13 是示出設置了反饋回路的資訊搜索系統的例子的圖。 圖14 是示出根據光譜資料來判斷目標事項的例子的圖。 圖15 是用於對包含空間資訊的情況的例子進行說明的圖。 圖16 是示出根據更新用關聯度進行第1關聯度的更新處理的例子的圖。 圖17 是示出根據更新用關聯度進行第2關聯度的更新處理的例子的圖。 圖18 是示出設置有包含位置資訊和地圖資訊的反饋回路的資訊搜索系統的例子的圖。 圖19 是示出在包含位置資訊和地圖資訊的情況下進行更新處理的例子的圖。 圖20 是示出設置了包含形態資訊的反饋回路的資訊搜索系統的例子的圖。 圖21 是示出在包含形態資訊的情況下進行更新處理的例子的圖。
1‧‧‧資訊搜索系統
2‧‧‧搜索裝置
3‧‧‧演算法資料庫
4‧‧‧光譜攝像裝置
5‧‧‧拍攝裝置

Claims (15)

  1. 一種資訊搜索系統，其搜索從所拍攝到的被攝體判別出目標事項所需要的光譜資料的一檢測演算法資訊，該資訊搜索系統包括： 一第1關聯資料庫，其預先儲存有一被攝體的各目標事項與該檢測演算法資訊之間的三個等級以上的第1關聯度； 一目標事項輸入單元，其輸入與新的應當進行判別的被攝體的一目標事項有關的資訊； 一搜索單元，其參照該第1關聯資料庫中所儲存的該第1關聯度，根據經由該目標事項輸入單元而輸入的與該目標事項有關的資訊，來搜索一個以上的檢測演算法資訊；以及 一接收單元，其從對該被攝體進行了拍攝的拍攝終端接收與該拍攝到的被攝體的目標事項有關的資訊，該第1關聯資料庫根據該接收單元所接收到的資訊來更新該第1關聯度。
  2. 如請求項1所述之資訊搜索系統，該接收單元從根據該搜索單元所搜索到的檢測演算法資訊而對被攝體進行了拍攝的拍攝終端接收與該拍攝到的被攝體的目標事項有關的資訊。
  3. 如請求項1或2所述之資訊搜索系統，該接收單元接收通過拍攝被攝體的目標事項而得到的光譜資料作為與該拍攝到的被攝體的目標事項有關的資訊，該第1關聯資料庫根據該接收單元所接收到的光譜資料來更新該第1關聯度。
  4. 一種資訊搜索系統，其搜索從所拍攝到的被攝體判別出目標事項所需要的光譜資料的一檢測演算法資訊，該資訊搜索系統包括： 一第1關聯資料庫，其預先儲存有一被攝體的各目標事項與該檢測演算法資訊之間的三個等級以上的第1關聯度； 一目標事項輸入單元，其輸入與新的應當進行判別的被攝體的一目標事項有關的資訊； 一搜索單元，其參照該第1關聯資料庫中所儲存的該第1關聯度，根據經由該目標事項輸入單元而輸入的與該目標事項有關的資訊，來搜索一個以上的檢測演算法資訊； 一接收單元，其從根據該搜索單元所搜索到的檢測演算法資訊而對被攝體進行了拍攝的拍攝終端接收多光譜資料，該多光譜資料是與該拍攝到的被攝體的目標事項有關的資訊；以及 一資料恢復單元，其基於該接收單元所接收到的多光譜資料對高光譜資料進行恢復，該第1關聯資料庫根據被該資料恢復單元恢復後的光譜資料來更新該第1關聯度。
  5. 一種資訊搜索系統，其搜索用於從所拍攝到的被攝體判別出目標事項的拍攝裝置的拍攝條件，該資訊搜索系統包括： 一第2關聯資料庫，其預先儲存有一被攝體的各目標事項與各拍攝條件之間的三個等級以上的第2關聯度； 一目標事項輸入單元，其輸入與新的應當進行判別的被攝體的一目標事項有關的資訊； 一搜索單元，其參照該第2關聯資料庫中所儲存的該第2關聯度，根據經由該目標事項輸入單元而輸入的與該目標事項有關的資訊，來搜索一個以上的拍攝條件；以及 一接收單元，其從對該被攝體進行了拍攝的拍攝終端接收與該拍攝到的被攝體的目標事項有關的資訊，該第2關聯資料庫根據該接收單元所接收到的資訊，來更新該第2關聯度。
  6. 如請求項5所述之資訊搜索系統，該接收單元從根據該搜索單元所搜索到的拍攝條件而對被攝體進行了拍攝的拍攝終端接收與該拍攝到的被攝體的目標事項有關的資訊。
  7. 如請求項5或6所述之資訊搜索系統，該接收單元接收通過拍攝被攝體的目標事項而得到的光譜資料作為與該拍攝到的被攝體的目標事項有關的資訊，該第2關聯資料庫根據該接收單元所接收到的光譜資料來更新該第2關聯度。
  8. 一種資訊搜索系統，其搜索用於從拍攝到的被攝體判別出目標事項的拍攝裝置的拍攝條件，該資訊搜索系統包括： 一第2關聯資料庫，其預先儲存有一被攝體的各目標事項與各拍攝條件之間的三個等級以上的第2關聯度； 一目標事項輸入單元，其輸入與新的應當進行判別的被攝體的一目標事項有關的資訊； 一搜索單元，其參照該第2關聯資料庫中所儲存的該第2關聯度，根據經由該目標事項輸入單元而輸入的與該目標事項有關的資訊，來搜索一個以上的拍攝條件； 一接收單元，其從根據該搜索單元所搜索到的拍攝條件而對被攝體進行了拍攝的拍攝終端接收多光譜資料，該多光譜資料是與該拍攝到的被攝體的目標事項有關的資訊；以及 一資料恢復單元，其基於該接收單元所接收到的多光譜資料對高光譜資料進行恢復，該第2關聯資料庫根據被該資料恢復單元恢復後的光譜資料來更新該第2關聯度。
  9. 如請求項1至7中任一項所述之資訊搜索系統，該資料庫還根據被攝體的位置資訊及/或形態資訊來更新各關聯度。
  10. 如請求項1至4中任一項所述之資訊搜索系統，在該第1關聯資料庫中，通過神經網路構成該三個等級以上的第1關聯度，並且該第1關聯資料庫通過運用人工智慧來更新該第1關聯度。
  11. 如請求項5至8中任一項所述之資訊搜索系統，在該第2關聯資料庫中，通過神經網路構成該三個等級以上的第2關聯度，並且該第2關聯資料庫通過運用人工智慧來更新該第2關聯度。
  12. 一種資訊搜索程式，是搜索從所拍攝到的被攝體判別出目標事項所需要的光譜資料的一檢測演算法資訊，並經由電腦載入該資訊搜索程式以執行以下步驟： 關聯度取得步驟，預先取得被攝體的各目標事項與該檢測演算法資訊之間的三個等級以上的第1關聯度； 目標事項輸入步驟，輸入與新的應當進行判別的被攝體的一目標事項有關的資訊； 搜索步驟，參照在該關聯度取得步驟中所取得的該第1關聯度，根據在該目標事項輸入步驟中所輸入的與該目標事項有關的資訊，來搜索一個以上的檢測演算法資訊；以及 接收步驟，從對該被攝體進行了拍攝的拍攝終端接收與該拍攝到的被攝體的目標事項有關的資訊， 在該關聯度取得步驟中，根據在該接收步驟中接收到的資訊來更新該第1關聯度。
  13. 一種資訊搜索程式，是搜索從所拍攝到的被攝體判別出目標事項所需要的光譜資料的一檢測演算法資訊，並經由電腦載入該資訊搜索程式以執行以下步驟： 關聯度取得步驟，預先取得被攝體的各目標事項與該檢測演算法資訊之間的三個等級以上的第1關聯度； 目標事項輸入步驟，輸入與新的應當進行判別的被攝體的一目標事項有關的資訊； 搜索步驟，參照在該關聯度取得步驟中所取得的該第1關聯度，根據在該目標事項輸入步驟中所輸入的與該目標事項有關的資訊，來搜索一個以上的檢測演算法資訊； 接收步驟，從根據在該搜索步驟中所搜索到的檢測演算法資訊而對被攝體進行了拍攝的拍攝終端接收多光譜資料，該多光譜資料是與該拍攝到的被攝體的目標事項有關的資訊；以及 資料恢復步驟，其基於在該接收步驟中所接收到的多光譜資料對高光譜資料進行恢復， 在該關聯度取得步驟中，根據在該資料恢復步驟中被恢復後的光譜資料來更新該第1關聯度。
  14. 一種資訊搜索程式，是搜索用於從所拍攝到的被攝體判別出目標事項的拍攝裝置的拍攝條件，並經由電腦載入該資訊搜索程式以執行以下步驟： 關聯度取得步驟，預先取得被攝體的各目標事項與各拍攝條件之間的三個等級以上的第2關聯度， 目標事項輸入步驟，輸入與新的應當進行判別的被攝體的一目標事項有關的資訊； 搜索步驟，參照在該關聯度取得步驟中所取得的該第2關聯度，根據在該目標事項輸入步驟中所輸入的與該目標事項有關的資訊，來搜索一個以上的拍攝條件；以及 接收步驟，從對該被攝體進行了拍攝的拍攝終端接收與該拍攝到的被攝體的目標事項有關的資訊， 在該關聯度取得步驟中，根據在該接收步驟中所接收到的資訊來更新該第2關聯度。
  15. 一種資訊搜索程式，是搜索用於從所拍攝到的被攝體判別出目標事項的拍攝裝置的拍攝條件，並經由電腦載入該資訊搜索程式以執行以下步驟： 關聯度取得步驟，預先取得被攝體的各目標事項與各拍攝條件之間的三個等級以上的第2關聯度； 目標事項輸入步驟，輸入與新的應當進行判別的被攝體的一目標事項有關的資訊； 搜索步驟，參照在該關聯度取得步驟中所取得的該第2關聯度，根據在該目標事項輸入步驟中所輸入的與該目標事項有關的資訊，來搜索一個以上的拍攝條件； 接收步驟，從根據在該搜索步驟中所搜索到的拍攝條件而對被攝體進行了拍攝的拍攝終端接收多光譜資料，該多光譜資料是與該拍攝到的被攝體的目標事項有關的資訊；以及 資料恢復步驟，其基於在該接收步驟中所接收到的多光譜資料對高光譜資料進行恢復， 在該關聯度取得步驟中，根據在該資料恢復步驟中被恢復後的光譜資料來更新該第2關聯度。
TW107142136A 2018-03-27 2018-11-26 情報探索資料搜尋系統及程式 TWI696924B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-060572 2018-03-27
JP2018060572A JP6951753B2 (ja) 2018-03-27 2018-03-27 情報探索システム及びプログラム

Publications (2)

Publication Number Publication Date
TW201942765A TW201942765A (zh) 2019-11-01
TWI696924B true TWI696924B (zh) 2020-06-21

Family

ID=67436969

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107142136A TWI696924B (zh) 2018-03-27 2018-11-26 情報探索資料搜尋系統及程式

Country Status (12)

Country Link
US (1) US10846325B2 (zh)
EP (1) EP3572793A4 (zh)
JP (1) JP6951753B2 (zh)
KR (1) KR102222913B1 (zh)
CN (1) CN110637224A (zh)
AU (1) AU2018415972B2 (zh)
CA (1) CA3026545C (zh)
IL (1) IL277615B1 (zh)
RU (1) RU2734870C2 (zh)
SG (1) SG11202008391VA (zh)
TW (1) TWI696924B (zh)
WO (1) WO2019187277A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6843439B2 (ja) * 2017-05-17 2021-03-17 エバ・ジャパン 株式会社 情報探索システム及び方法、情報探索プログラム
JP6951753B2 (ja) * 2018-03-27 2021-10-20 エバ・ジャパン 株式会社 情報探索システム及びプログラム
EP4012471A4 (en) 2019-09-25 2022-10-05 Sony Group Corporation OPTICAL IMAGING SYSTEM AND IMAGING DEVICE
JP2022039717A (ja) * 2020-08-28 2022-03-10 キヤノン株式会社 撮像装置およびその制御方法ならびにプログラム
CN112905823B (zh) * 2021-02-22 2023-10-31 深圳市国科光谱技术有限公司 一种基于大数据平台的高光谱物质检测识别***及方法
CN113570574B (zh) * 2021-07-28 2023-12-01 北京精英***科技有限公司 一种场景特征检测的装置、搜索的装置及搜索的方法
CN114245021B (zh) * 2022-02-14 2023-08-08 北京火山引擎科技有限公司 互动拍摄方法、电子设备、存储介质及计算机程序产品
CN117197269A (zh) * 2023-08-31 2023-12-08 北华航天工业学院 一种基于深度学习模型的高光谱影像模拟方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080123097A1 (en) * 2004-10-25 2008-05-29 Hamed Hamid Muhammed System for Multi- and Hyperspectral Imaging
JP2013535014A (ja) * 2010-06-25 2013-09-09 セルマーク セラノスティクス，リミテッド ライアビリティー カンパニー 生物学的試片をスペクトル画像により分析する方法
US20160150213A1 (en) * 2014-11-21 2016-05-26 Christopher M. MUTTI Imaging system for object recognition and assessment
JP2017138808A (ja) * 2016-02-03 2017-08-10 キヤノン株式会社 情報処理装置および情報処理方法
TW201737135A (zh) * 2015-11-12 2017-10-16 卡尤迪生物科技（北京）有限公司 用於疾病監測和評估的方法和系統

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6919959B2 (en) * 1999-06-30 2005-07-19 Masten Opto-Diagnostics Co. Digital spectral identifier-controller and related methods
JP2001343336A (ja) * 2000-05-31 2001-12-14 Nidek Co Ltd 欠陥検査方法及び欠陥検査装置
US7450761B2 (en) * 2004-11-02 2008-11-11 The Boeing Company Spectral geographic information system
JP4539432B2 (ja) * 2005-05-16 2010-09-08 ソニー株式会社 画像処理装置および撮像装置
DE602006009191D1 (de) * 2005-07-26 2009-10-29 Canon Kk Bildaufnahmegerät und -verfahren
US8154612B2 (en) 2005-08-18 2012-04-10 Qualcomm Incorporated Systems, methods, and apparatus for image processing, for color classification, and for skin color detection
JP4595750B2 (ja) * 2005-08-29 2010-12-08 ソニー株式会社 画像処理装置および方法、並びにプログラム
US7420678B2 (en) 2005-09-12 2008-09-02 The Boeing Company Multi-spectral imaging
JP4642681B2 (ja) 2005-09-30 2011-03-02 富士フイルム株式会社 光断層画像化装置
JP2009053064A (ja) 2007-08-28 2009-03-12 Sekonic Corp カラーメータ
KR100932843B1 (ko) * 2008-01-29 2009-12-21 엔에이치엔(주) 검색결과간의 연관도에 기초하여 클러스터링된 검색결과를제공하는 방법 및 시스템 그리고 검색결과를클러스터링하는 방법 및 시스템
JP2009206458A (ja) * 2008-02-29 2009-09-10 Canon Inc 検出装置、露光装置およびデバイス製造方法
JP5108563B2 (ja) * 2008-03-03 2012-12-26 日本放送協会 ニューラルネットワーク装置及びそれを用いたロボットカメラ制御装置並びにニューラルネットワークプログラム
JP4508257B2 (ja) * 2008-03-19 2010-07-21 ソニー株式会社 構図判定装置、構図判定方法、プログラム
WO2010081116A2 (en) 2009-01-10 2010-07-15 Goldfinch Solutions, Llc System and method for analyzing properties of meat using multispectral imaging
US20100201800A1 (en) 2009-02-09 2010-08-12 Olympus Corporation Microscopy system
JP2011095225A (ja) 2009-11-02 2011-05-12 Olympus Corp 画像処理装置、画像処理方法および顕微鏡システム
JP5274288B2 (ja) * 2009-02-10 2013-08-28 独立行政法人農業・食品産業技術総合研究機構 穀粉の判別方法及び装置
JP5698489B2 (ja) 2010-09-30 2015-04-08 オリンパス株式会社 検査装置
JPWO2012090416A1 (ja) 2010-12-28 2014-06-05 オリンパス株式会社 検査装置
US9019358B2 (en) * 2011-02-08 2015-04-28 Xerox Corporation Method for classifying a pixel of a hyperspectral image in a remote sensing application
EP2728344A4 (en) 2011-06-29 2015-04-08 Kyoto Prefectural Public Univ Corp DEVICE AND METHOD FOR IDENTIFYING THE SITE OF A TUMOR
US8600227B2 (en) 2011-09-22 2013-12-03 Xerox Corporation Multi-filter array for a multi-resolution, multi-spectral camera
CA2856261C (en) * 2011-11-17 2020-04-14 Bayer Medical Care Inc. Methods and techniques for collecting, reporting, and managing information about medical diagnostic procedures
US10165976B2 (en) 2011-12-21 2019-01-01 Orlucent, Inc. System for imaging lesions aligning tissue surfaces
WO2013145201A1 (ja) * 2012-03-29 2013-10-03 株式会社日立製作所 画像生成システム及び画像生成方法
NL2009015C2 (en) * 2012-04-10 2013-10-15 Biosparq B V Method for classification of a sample on the basis of spectral data, method for creating a database and method for using this database, and corresponding computer program, data storage medium and system.
WO2014182282A1 (en) * 2013-05-07 2014-11-13 Halliburton Energy Services, Inc. Optical sensor optimization and system implementation with simplified layer structure
JP6068375B2 (ja) 2014-03-03 2017-01-25 エバ・ジャパン 株式会社 分光放射輝度計
KR102251960B1 (ko) * 2015-01-15 2021-05-14 삼성전자주식회사 이미지 분석 방법과 이를 수행하는 전자 장치 및 서버
JP6586782B2 (ja) 2015-06-12 2019-10-09 株式会社リコー 情報処理装置、情報処理プログラム、および情報処理システム
US9946933B2 (en) * 2016-08-18 2018-04-17 Xerox Corporation System and method for video classification using a hybrid unsupervised and supervised multi-layer architecture
JP6843439B2 (ja) * 2017-05-17 2021-03-17 エバ・ジャパン 株式会社 情報探索システム及び方法、情報探索プログラム
JP6951753B2 (ja) * 2018-03-27 2021-10-20 エバ・ジャパン 株式会社 情報探索システム及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080123097A1 (en) * 2004-10-25 2008-05-29 Hamed Hamid Muhammed System for Multi- and Hyperspectral Imaging
JP2013535014A (ja) * 2010-06-25 2013-09-09 セルマーク セラノスティクス，リミテッド ライアビリティー カンパニー 生物学的試片をスペクトル画像により分析する方法
US20160150213A1 (en) * 2014-11-21 2016-05-26 Christopher M. MUTTI Imaging system for object recognition and assessment
TW201737135A (zh) * 2015-11-12 2017-10-16 卡尤迪生物科技（北京）有限公司 用於疾病監測和評估的方法和系統
JP2017138808A (ja) * 2016-02-03 2017-08-10 キヤノン株式会社 情報処理装置および情報処理方法

Also Published As

Publication number Publication date
RU2734870C2 (ru) 2020-10-23
CA3026545C (en) 2024-02-20
EP3572793A4 (en) 2020-04-08
KR102222913B1 (ko) 2021-03-04
TW201942765A (zh) 2019-11-01
WO2019187277A1 (ja) 2019-10-03
US20200065326A1 (en) 2020-02-27
IL277615A (en) 2020-11-30
CA3026545A1 (en) 2019-09-27
JP6951753B2 (ja) 2021-10-20
RU2018143650A3 (zh) 2020-06-10
JP2019174200A (ja) 2019-10-10
IL277615B1 (en) 2024-04-01
CN110637224A (zh) 2019-12-31
AU2018415972B2 (en) 2024-06-13
US10846325B2 (en) 2020-11-24
KR20190113523A (ko) 2019-10-08
AU2018415972A1 (en) 2020-10-22
EP3572793A1 (en) 2019-11-27
RU2018143650A (ru) 2020-06-10
SG11202008391VA (en) 2020-10-29

Similar Documents

Publication Publication Date Title
TWI696924B (zh) 情報探索資料搜尋系統及程式
CN103609102B (zh) 高分辨率多光谱图像捕捉
Treibitz et al. Wide field-of-view fluorescence imaging of coral reefs
JP2009134383A (ja) 画像処理装置および方法、並びにプログラム
Liu et al. TuLUMIS-a tunable LED-based underwater multispectral imaging system
CA3026633C (en) Information search system, information search method, and information search program
CN116849612B (zh) 一种多光谱舌象图像采集分析***
Li et al. Tongue fissure extraction and classification using hyperspectral imaging technology
Aguilera et al. RGBN multispectral images: A novel color restoration approach
US20230162354A1 (en) Artificial intelligence-based hyperspectrally resolved detection of anomalous cells
KR20220066168A (ko) 측정 대상 물질의 스펙트럼 정보를 추출하는 방법
CN110647781B (zh) 一种基于谱图融合的农作物生长信息获取方法及装置
Jabari et al. Improving UAV imaging quality by optical sensor fusion: an initial study
CN114972547A (zh) 用于确定牙齿颜色的方法
JP6925046B2 (ja) 撮像装置の設計システム、撮像装置の設計プログラム
Ndou et al. Radiometric Compensation for Occluded Crops Imaged Using High-Spatial-Resolution Unmanned Aerial Vehicle System
Goenka et al. Multichannel tunable imager architecture for hyperspectral imaging in relevant spectral domains
JP6730629B2 (ja) バンドパスフィルタの設計システム、バンドパスフィルタの設計プログラム
WO2018212078A1 (ja) 情報探索システム及び方法、情報探索プログラム
WO2023234020A1 (ja) 撮像装置、および撮像装置の作動方法、並びにプログラム
Ding et al. Method for GPU-based spectral data cube reconstruction of integral field snapshot imaging spectrometers
Gerken et al. Contrast enhancement of SWIR images based on four filter discrimination and principle components analysis