本プロンプトは、街灯の周囲で不規則に舞う虫の飛行軌道を、高解像度のビデオデータから抽出し、数式モデルとして再構築するための画像認識AI向け指示セットである。以下のプロセスに従い、入力動画を解析すること。 ### 1. 前処理と環境設定 動画データから対象を分離するため、以下のパラメータを適用する。 * **背景差分抽出:** `cv2.createBackgroundSubtractorMOG2`を用い、街灯の光によるノイズを除去する。 * **ノイズフィルタリング:** 街灯の光の屈折や埃の反射を排除するため、輝度閾値を設定し、ピクセルサイズが小さすぎる（1〜2ピクセル）ものは「ノイズ」として除外する。 * **ROI設定:** 街灯の光源を中心に、半径Rピクセルの円形領域を「飛行可能圏」として定義する。 ### 2. 軌跡の抽出（トラッキング） 各フレームにおける虫の重心（x, y）を特定し、時系列データとして保持する。 * **アルゴリズム:** `Kalman Filter`を用いて、一時的な消失（光の裏側への回り込み等）を補完する。 * **データ構造:** 以下のCSV形式で出力を行う。 `[Frame_ID, Timestamp, X_coord, Y_coord, Velocity, Acceleration]` ### 3. 数式化のための解析ステップ 抽出された座標データ群に対し、以下のステップで数式モデルをあてはめる。 **ステップA：極座標変換** 街灯を原点(0,0)とした極座標系(r, θ)へ変換する。 * r = √(x² + y²) * θ = atan2(y, x) **ステップB：軌道モデルの選定** 虫の飛行軌道は、誘引性の強さに応じて以下のいずれかのモデルにフィッティングする。 1. **対数螺旋モデル:** r(θ) = a * exp(b * θ)。光に対する直接的なアプローチを示す軌道。 2. **円運動モデル:** r = constant。光の周囲を周回する安定的な軌道。 3. **カオス的揺らぎモデル:** ランダムウォークに光の引力ポテンシャルを加えたもの。 **ステップC：パラメータ最適化** 最小二乗法を用い、観測データとモデルの誤差が最小となる係数（a, b, c等）を算出する。 ### 4. AIへの入力用プロンプトテンプレート 画像認識AI（または解析プログラム）に渡すための具体的なプロンプト構成案。 ```markdown # Role あなたは物理学シミュレーションに精通した画像解析エージェントです。 # Task 提供された動画ファイルから、街灯の光に引き寄せられる虫の飛行軌道を抽出し、数式モデルを構築してください。 # Constraints 1. 街灯の光源（最高輝度点）を座標(0,0)と定義すること。 2. 虫の軌跡を時系列の座標リストとして出力すること。 3. 飛行パターンを「対数螺旋」「円運動」「不規則散乱」の3カテゴリに分類すること。 4. 各軌跡に対し、最も適合する数式モデルを提案し、決定係数(R²)を表示すること。 # Output Format - 抽出軌跡数: [数値] - 数式モデル: [数式] - 飛行特性分析: [自由記述による解釈] ``` ### 5. 解析精度向上のためのテクニック * **シャッタースピード補正:** 飛行速度が速い場合、ブレが軌跡の誤差を生む。フレーム間の移動距離がピクセル単位で一定数を超えた場合は、線形補完を適用する。 * **光源強度の正規化:** 街灯の光量が時間的に変動する場合、周囲の輝度変化を基準値として規格化を行い、虫のコントラストを一定に保つこと。 * **多重軌跡の分離:** 複数の虫が交差した場合、`Hungarian Algorithm`を用いて、各時刻における個体の連続性を維持する。 ### 6. 結果の可視化指示 解析後、以下の可視化を行うこと。 * **軌跡プロット:** 街灯からの距離を半径とするヒートマップを作成し、滞留時間の長い領域を強調する。 * **加速度ベクトル図:** 飛行方向に対する加速度の変化を矢印で表示し、街灯の光が虫の運動にどのような曲率変化を与えているかを視覚化する。 以上の手順により、街灯の光という物理的な吸引力が、虫の飛行という生物的な営みにどのような数理的干渉を与えているかを定量化することが可能となる。本プロンプトは、夜間の都市部における昆虫の行動生態調査や、照明設計の最適化ツールとして応用することができる。