Gemini API による回答添削、画像理解（ソースコードと実行結果）

【概要】Google Gemini 2.5 Flash APIを利用した画像解析GUIアプリケーションの解説である。学習問題の添削支援や画像内文字情報の読み取りに活用できる。プログラムの利用方法、開発環境の構築手順、技術的な実装の説明、および実験・研究スキルの基礎について説明する。

【目次】

  1. プログラム利用ガイド
  2. Python開発環境、ライブラリ類
  3. プログラムコードの説明
  4. 実験・研究スキルの基礎：Windowsで学ぶ画像解析実験
プログラムの実行画面

プログラム利用ガイド

1. このプログラムの利用シーン

学習問題の添削支援、画像内の文字情報の読み取り、場所や施設の案内情報の分析などの用途に適する。学習場面では手書き解答の評価とフィードバック生成に活用でき、日常場面では標識や案内板の内容理解を支援できる。

2. 主な機能

3. 基本的な使い方

4. 便利な機能

Python開発環境、ライブラリ類

ここでは、最低限の事前準備について説明する。機械学習や深層学習を行う場合は、NVIDIA CUDA、Visual Studio、Cursorなどを追加でインストールすると便利である。これらについては別ページ https://www.kkaneko.jp/cc/dev/aiassist.htmlで詳しく解説しているため、必要に応じて参照されたい。

Python 3.12 のインストール

インストール済みの場合は実行する必要はない。

管理者権限でコマンドプロンプトを起動（手順：Windowsキーまたはスタートメニュー > cmd と入力 > 右クリック > 「管理者として実行」）し、以下を実行する。管理者権限は、wingetの--scope machineオプションでシステム全体にソフトウェアをインストールするために必要である。

REM Python をシステム領域にインストール
winget install --scope machine --id Python.Python.3.12 -e --silent --accept-source-agreements --accept-package-agreements
REM Python のパス設定
set "PYTHON_PATH=C:\Program Files\Python312"
set "PYTHON_SCRIPTS_PATH=C:\Program Files\Python312\Scripts"
echo "%PATH%" | find /i "%PYTHON_PATH%" >nul
if errorlevel 1 setx PATH "%PATH%;%PYTHON_PATH%" /M >nul
echo "%PATH%" | find /i "%PYTHON_SCRIPTS_PATH%" >nul
if errorlevel 1 setx PATH "%PATH%;%PYTHON_SCRIPTS_PATH%" /M >nul

【関連する外部ページ】

Python の公式ページ: https://www.python.org/

AI エディタ Windsurf のインストール

Pythonプログラムの編集・実行には、AI エディタの利用を推奨する。ここでは、Windsurfのインストールを説明する。

管理者権限でコマンドプロンプトを起動（手順：Windowsキーまたはスタートメニュー > cmd と入力 > 右クリック > 「管理者として実行」）し、以下を実行して、Windsurfをシステム全体にインストールする。管理者権限は、wingetの--scope machineオプションでシステム全体にソフトウェアをインストールするために必要となる。

winget install --scope machine --id Codeium.Windsurf -e --silent --accept-source-agreements --accept-package-agreements

【関連する外部ページ】

Windsurf の公式ページ: https://windsurf.com/

必要なライブラリをシステム領域にインストール

コマンドプロンプトを管理者として実行（手順：Windowsキーまたはスタートメニュー > cmd と入力 > 右クリック > 「管理者として実行」）し、以下を実行する。

pip install opencv-python pillow pillow-heif langchain-google-genai SpeechRecognition

プログラムコードの説明

1. 概要

このプログラムは、Google Gemini 2.5 Flash APIを利用して画像の内容を解析し、ユーザーの質問に応答するGUIアプリケーションである。画像ファイルの選択またはWebカメラからの撮影により画像を取得し、テキストまたは音声による質問入力を受け付ける。解析結果は画面表示と同時にテキストファイルへ保存される。

2. 主要技術

Google Gemini 2.5 Flash API

Google DeepMindが開発したマルチモーダルAIモデルのAPI[1]。テキストと画像を同時に入力として受け付け、画像の内容理解とテキスト生成を統合的に処理する。モデルは推論時に思考プロセスを実行することで、複雑な質問への応答精度を向上させる。APIはクラウド経由でモデルにアクセスし、ローカル環境へのモデルダウンロードを必要としない。

LangChain Expression Language（LCEL）

LangChain開発チームが実装したパイプライン構成フレームワーク[2]。Runnableインターフェースに基づき、プロンプト生成、モデル実行、出力解析の各処理を宣言的に接続する。パイプ演算子（|）による記述により、同期・非同期実行、ストリーミング、バッチ処理の機能が自動的に提供される[2]。

3. 技術的特徴

4. 実装の特色

プログラムは以下の機能を統合する。

5. 参考文献

[1] Google DeepMind. (2025). Gemini 2.5 Flash. https://deepmind.google/models/gemini/flash/

[2] LangChain. (2023). LangChain Expression Language (LCEL). https://python.langchain.com/docs/concepts/lcel/

[3] Zhang, A. (Uberi). (2016). SpeechRecognition: Library for performing speech recognition. https://pypi.org/project/SpeechRecognition/

ソースコード 


"""
プログラム名: Gemini API 画像解析ツール
特徴技術名: Google Gemini API (Gemini 2.5 Flash)
出典: Google AI Studio Documentation (2024). Gemini API. https://ai.google.dev/docs
特徴機能: マルチモーダル画像理解機能 - 画像とテキストを同時に理解し、画像の内容について詳細な説明、分析、質問への回答を生成
学習済みモデル: Gemini 2.5 Flash (クラウドAPI経由で使用、ダウンロード不要)
方式設計:
  - 関連利用技術:
    - LangChain（LCEL: Runnableを用いたパイプライン構成）
    - OpenCV（Webカメラからの画像キャプチャ）
    - Tkinter（GUIフレームワーク）
    - SpeechRecognition（Google Web Speech API（SpeechRecognitionのrecognize_google）による音声入力）
    - PIL/Pillow（画像のリサイズとプレビュー表示）
    - pillow-heif（HEIC/HEIFの読み込み対応）
  - 入力と出力: 入力: 静止画像（ファイル選択またはカメラ撮影）+ テキスト指示。出力: テキスト形式の解析結果（GUI表示・result.txtに保存）
  - 処理手順: 1.画像を長辺1600px以内に自動リサイズ、2.Base64エンコードとMIME判定、3.LCELでHumanMessage生成→Gemini API呼び出し→文字列化、4.GUI表示と履歴保存
  - 追加処理: プロンプトテンプレート機能（学習支援、シーン分析、場所別分析）
  - 調整パラメータ: temperature（0-2、現在0）
将来方策: temperatureの自動調整機能
その他の重要事項: APIキーは.envまたはGUI入力で設定。無料枠の制限あり
前準備:
  - pip install opencv-python pillow pillow-heif langchain-google-genai SpeechRecognition
"""

import tkinter as tk
from tkinter import ttk, filedialog, scrolledtext
import base64
import os
import cv2
from PIL import Image, ImageTk
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_core.messages import HumanMessage
from langchain_core.runnables import RunnableLambda
from langchain_core.output_parsers import StrOutputParser
import datetime
import threading
import speech_recognition as sr
import io

# HEIC/HEIF対応（pillow-heif）
try:
    from pillow_heif import register_heif_opener
    register_heif_opener()
except Exception as e:
    print(f'HEIC/HEIF読み込みサポートの初期化に失敗しました（pillow-heif未導入の可能性）: {str(e)}')

# 設定定数
# ウィンドウ設定
WINDOW_WIDTH = 800
WINDOW_HEIGHT = 700
PREVIEW_MAX_WIDTH = 250
PREVIEW_MAX_HEIGHT = 200
QUESTION_HEIGHT = 8
QUESTION_WIDTH = 40
RESULT_HEIGHT = 15
RESULT_WIDTH = 80
API_ENTRY_WIDTH = 50

# 画像処理設定
MAX_LONG_SIDE = 1600  # 送信前の最大長辺ピクセル

# ファイル設定
TEMP_IMAGE_FILE = 'temp_captured_image.jpg'
RESULT_FILE = 'result.txt'
ENV_FILE = '.env'

# 色設定（ボタンの背景色）
COLOR_PRIMARY = '#007bff'      # 青（学習支援）
COLOR_SECONDARY = '#6c757d'    # グレー（自由記入、使用方法）
COLOR_SUCCESS = '#28a745'      # 緑（画像選択）
COLOR_DANGER = '#dc3545'       # 赤（画像解析）
COLOR_WARNING = '#ffc107'      # 黄（音声入力）
COLOR_INFO = '#17a2b8'         # 水色（カメラ）
COLOR_PURPLE = '#9333ea'       # 紫（シーン分析）
COLOR_PINK = '#f43f5e'         # ピンク（場所別分析）

# ボタンの押下時の色
COLOR_PRIMARY_DARK = '#0056b3'
COLOR_SECONDARY_DARK = '#495057'
COLOR_PURPLE_DARK = '#a855f7'
COLOR_PINK_DARK = '#e11d48'

# API設定
TEMPERATURE = 0
MODEL_NAME = 'gemini-2.5-flash'  # 指示により現状のまま使用

# グローバル変数
api_key = ''
llm = None
chain = None
img_path = ''
root = None
api_key_var = None
img_path_var = None
img_path_label = None
image_label = None
q_text = None
r_text = None
v_button = None
v_status_var = None
progress = None
recognizer = None
microphone = None
hint_text = None
learning_button = None
free_button = None
scene_button = None
location_button = None

# .envファイルからAPIキー読み込み
if os.path.exists(ENV_FILE):
    try:
        with open(ENV_FILE, 'r', encoding='utf-8') as f:
            for line in f:
                line = line.strip()
                if line and not line.startswith('#'):
                    if line.startswith('GEMINI_API_KEY='):
                        api_key = line.split('=', 1)[1].strip()
    except Exception as e:
        print(f'.envファイルの読み込みに失敗しました: {str(e)}')

# 音声認識の初期化（Google Web Speech API / SpeechRecognition の recognize_google）
try:
    recognizer = sr.Recognizer()
    microphone = sr.Microphone()
except Exception as e:
    print(f'音声認識の初期化に失敗しました: {str(e)}')
    recognizer = None
    microphone = None

# プロンプト定義
prompt_learn = '''この画像は学習問題とその手書き解答を含んでいます。以下の観点で詳細に分析してください：

1. 解答の正確性: 正解・不正解の判定と根拠
2. 解答プロセス: 思考過程や解法の適切性
3. 表現・記述: 字の読みやすさ、図表の工夫など
4. 評価とフィードバック:
   - 良い点（具体的に褒める部分）
   - 改善点（1つの重要なアドバイス）
   - 理解度の推定
5. 教育的補足: 問題に関する解説や関連知識

学習者のモチベーション向上を重視し、建設的で温かい添削をお願いします。'''

prompt_scene = '''この画像を詳細に分析し、以下の観点で情報を提供してください：

1. 場所・シーンの特定: 画像に写っている場所やシーンの種類
2. 重要な情報: 標識、表示、文字情報など
3. 安全性の確認: 危険箇所、注意すべき点
4. 状態の評価: 設備や環境の状態
5. その他の観察事項: 特筆すべき点や気づいたこと

実用的で具体的な情報を提供してください。'''

prompt_location = '''この画像について、場所の種類（駅、空港、ショッピングモール、その他）を特定し、以下の観点で詳細に分析してください：

1. 場所の特定と基本情報:
   - 場所の種類（屋内/屋外、建物の種類、具体的な場所名）
   - プラットフォーム番号、ゲート番号、店舗名など場所固有の識別情報
   - 営業時間、運行情報などの時間に関する情報

2. 案内・方向情報:
   - 出口案内、階段、エスカレーター、エレベーターの位置
   - フロアガイド、施設配置図
   - 行き先表示、方向指示

3. 施設・サービス情報:
   - トイレ、売店、レストラン、休憩所などの位置
   - 特別なサービス（ラウンジ、免税店、コインロッカーなど）
   - バリアフリー設備

4. 重要な表示・告知:
   - 時刻表、フライト情報、セール情報
   - 注意事項、警告表示
   - イベント情報、臨時案内

5. 文字情報の翻訳と解説:
   - 看板、標識、標示に書かれている文字情報（英語表記は日本語に翻訳）
   - 時間帯、天候、混雑状況などの状況
   - その他の特徴的で有用な情報

必ず日本語で回答し、実用的な情報を提供してください。'''

# ヒントテキスト
hint_learn = '''【学習問題の添削機能】
本モードは学習問題と手書き解答の添削に適する。

【画像の準備】
・問題文と手書き解答が両方写る画像を使用
・文字が読み取りやすい解像度で撮影
・影や反射を避ける'''

hint_free = '枠に自由に記入できる。'

hint_scene = '''【シーン分析の撮影のコツ】
・全体が明瞭に写るように撮影
・標識や表示が読み取れる解像度を確保'''

hint_location = '''【場所別分析の撮影のコツ】
・案内板や標識を含めて撮影
・方向や位置関係が分かる構図で撮影'''

# ヒント更新
def update_hint(text):
    hint_text.config(state=tk.NORMAL)
    hint_text.delete('1.0', tk.END)
    hint_text.insert('1.0', text)
    hint_text.config(state=tk.DISABLED)

# プロンプトとボタン状態
def set_prompt(prompt_text, active_btn, active_color, hint):
    q_text.delete('1.0', tk.END)
    q_text.insert('1.0', prompt_text)
    buttons = [
        (learning_button, COLOR_PRIMARY),
        (free_button, COLOR_SECONDARY),
        (scene_button, COLOR_PURPLE),
        (location_button, COLOR_PINK)
    ]
    for btn, color in buttons:
        btn.config(relief=tk.RAISED, bg=color)
    active_btn.config(relief=tk.SUNKEN, bg=active_color)
    update_hint(hint)

# 画像の送信用前処理（長辺1600pxリサイズ、フォーマット別処理）
def prepare_image_bytes_for_api(path, max_long_side=MAX_LONG_SIDE):
    """
    画像を開き、必要に応じて長辺をmax_long_sideに収めて再エンコードし、バイト列とMIMEタイプを返す。
    対応拡張子: .jpg/.jpeg, .png, .webp, .heic, .heif
    HEIC/HEIFは読み込み後JPEGに変換して送信。
    """
    ext = os.path.splitext(path)[1].lower()
    allowed = {'.jpg', '.jpeg', '.png', '.webp', '.heic', '.heif'}
    if ext not in allowed:
        raise ValueError('サポートされていない画像形式である')
    im = Image.open(path)
    if max(im.size) > max_long_side:
        im.thumbnail((max_long_side, max_long_side), Image.Resampling.LANCZOS)
    if ext in ('.jpg', '.jpeg'):
        save_format, mime = 'JPEG', 'image/jpeg'
        if im.mode in ('RGBA', 'P'):
            im = im.convert('RGB')
    elif ext == '.png':
        save_format, mime = 'PNG', 'image/png'
    elif ext == '.webp':
        save_format, mime = 'WEBP', 'image/webp'
    elif ext in ('.heic', '.heif'):
        save_format, mime = 'JPEG', 'image/jpeg'
        if im.mode in ('RGBA', 'P'):
            im = im.convert('RGB')
    else:
        save_format, mime = 'JPEG', 'image/jpeg'
        if im.mode in ('RGBA', 'P'):
            im = im.convert('RGB')
    buf = io.BytesIO()
    im.save(buf, format=save_format)
    data = buf.getvalue()
    return data, mime

# LCEL: 入力辞書からHumanMessageを生成するRunnable
def build_human_message(inputs):
    return [
        HumanMessage(
            content=[
                {"type": "text", "text": inputs["question"]},
                {"type": "image_url", "image_url": {"url": inputs["image_data_url"]}}
            ]
        )
    ]

def build_chain():
    """LLM作成後にLCELのパイプラインを構築"""
    global chain
    if llm is None:
        chain = None
        return
    chain = RunnableLambda(build_human_message) | llm | StrOutputParser()

# APIキー設定処理
def set_api_key():
    """APIキーを設定し、LLMとLCELチェーンを初期化"""
    global api_key, llm
    api_key = api_key_var.get().strip()
    if not api_key:
        r_text.delete('1.0', tk.END)
        r_text.insert('1.0', 'APIキーが入力されていない。')
        return
    try:
        os.environ['GOOGLE_API_KEY'] = api_key
        llm = ChatGoogleGenerativeAI(
            model=MODEL_NAME,
            temperature=TEMPERATURE
        )
        build_chain()
        r_text.delete('1.0', tk.END)
        r_text.insert('1.0', 'APIキーが設定された。')
    except Exception as e:
        r_text.delete('1.0', tk.END)
        r_text.insert('1.0', f'APIキーの設定に失敗した: {str(e)}')

# カメラ撮影処理
def capture_from_camera():
    """Webカメラから画像を撮影"""
    global img_path
    try:
        # 指定の初期化手順（CAP_DSHOW → 通常Openのフォールバック）
        cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)
        if not cap.isOpened():
            cap = cv2.VideoCapture(0)
        if not cap.isOpened():
            r_text.delete('1.0', tk.END)
            r_text.insert('1.0', 'カメラを開けない。')
            return

        cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)

        while True:
            # る
            cap.grab()
            ret, frame = cap.retrieve()
            if not ret:
                break
            cv2.imshow('Camera - Press SPACE to capture, Q to quit', frame)
            key = cv2.waitKey(1) & 0xFF
            if key == ord(' '):
                cv2.imwrite(TEMP_IMAGE_FILE, frame)
                img_path = TEMP_IMAGE_FILE
                img_path_var.set('撮影した画像')
                image = Image.open(TEMP_IMAGE_FILE)
                image.thumbnail((PREVIEW_MAX_WIDTH, PREVIEW_MAX_HEIGHT), Image.Resampling.LANCZOS)
                photo = ImageTk.PhotoImage(image)
                image_label.configure(image=photo, text='')
                image_label.image = photo
                break
            elif key == ord('q'):
                break
        cap.release()
        cv2.destroyAllWindows()
    except Exception as e:
        r_text.delete('1.0', tk.END)
        r_text.insert('1.0', f'カメラ撮影エラー: {str(e)}')

# 画像ファイル選択
def select_image():
    """画像ファイルを選択"""
    global img_path
    filetypes = [
        ('画像ファイル', '*.jpg *.jpeg *.png *.webp *.heic *.heif'),
        ('JPEG files', '*.jpg *.jpeg'),
        ('PNG files', '*.png'),
        ('WebP files', '*.webp'),
        ('HEIC files', '*.heic'),
        ('HEIF files', '*.heif'),
        ('すべてのファイル', '*.*')
    ]
    filename = filedialog.askopenfilename(
        title='画像ファイルを選択',
        filetypes=filetypes,
        initialdir=os.getcwd()
    )
    if filename:
        img_path = filename
        img_path_var.set(os.path.basename(filename))
        try:
            image = Image.open(filename)
            image.thumbnail((PREVIEW_MAX_WIDTH, PREVIEW_MAX_HEIGHT), Image.Resampling.LANCZOS)
            photo = ImageTk.PhotoImage(image)
            image_label.configure(image=photo, text='')
            image_label.image = photo
        except Exception as e:
            r_text.delete('1.0', tk.END)
            r_text.insert('1.0', f'画像の読み込みエラー: {str(e)}')

# プロンプト設定（個別）
def set_learning_support():
    set_prompt(prompt_learn, learning_button, COLOR_PRIMARY_DARK, hint_learn)

def set_free_input():
    set_prompt('', free_button, COLOR_SECONDARY_DARK, hint_free)

def set_scene_analysis():
    set_prompt(prompt_scene, scene_button, COLOR_PURPLE_DARK, hint_scene)

def set_location_analysis():
    set_prompt(prompt_location, location_button, COLOR_PINK_DARK, hint_location)

# 音声入力（別スレッド）
def voice_input_thread():
    """Google Web Speech API / SpeechRecognition の recognize_google を使用"""
    try:
        root.after(0, lambda: v_status_var.set('音声を聞いている...'))
        root.after(0, lambda: v_button.config(state='disabled'))
        with microphone as source:
            recognizer.adjust_for_ambient_noise(source, duration=1)
            audio = recognizer.listen(source, timeout=10)
        root.after(0, lambda: v_status_var.set('音声を認識中...'))
        text = recognizer.recognize_google(audio, language='ja-JP')
        root.after(0, lambda: q_text.delete('1.0', tk.END))
        root.after(0, lambda: q_text.insert('1.0', text))
        root.after(0, lambda: v_status_var.set('認識完了'))
    except sr.UnknownValueError:
        root.after(0, lambda: v_status_var.set('音声を認識できなかった'))
    except sr.RequestError as e:
        root.after(0, lambda: v_status_var.set(f'音声認識エラー: {str(e)}'))
    except sr.WaitTimeoutError:
        root.after(0, lambda: v_status_var.set('タイムアウト：音声が検出されなかった'))
    except Exception as e:
        root.after(0, lambda: v_status_var.set(f'エラー: {str(e)}'))
    finally:
        root.after(0, lambda: v_button.config(state='normal'))
        root.after(3000, lambda: v_status_var.set(''))

def voice_input():
    if not recognizer or not microphone:
        v_status_var.set('音声認識が利用できない')
        root.after(3000, lambda: v_status_var.set(''))
        return
    thread = threading.Thread(target=voice_input_thread)
    thread.daemon = True
    thread.start()

# 使用方法ガイド
def show_usage_guide():
    guide_window = tk.Toplevel(root)
    guide_window.title('使用方法ガイド')
    guide_window.geometry('700x600')
    guide_text = '''
Gemini API 画像解析ツール 使用ガイド

【初期設定】
1. パッケージのインストール
   - pip install opencv-python pillow pillow-heif langchain-google-genai SpeechRecognition

2. Google AI StudioでAPIキーを取得
   - https://aistudio.google.com/app/apikey

3. APIキーの設定
   - APIキー入力欄に貼り付けて「APIキー設定」

【画像の準備】
- 対応形式: JPEG, PNG, WEBP, HEIC, HEIF
- カメラ撮影: スペースで撮影、Qでキャンセル

【画像処理】
- 送信前に長辺1600px以内へ自動リサイズ

【入力】
- テキスト入力または音声入力（Google Web Speech API / recognize_google）

【解析結果】
- 画面表示とresult.txtへの保存（時刻付き履歴）
    '''
    text_widget = scrolledtext.ScrolledText(guide_window, wrap=tk.WORD, font=('Yu Gothic', 10))
    text_widget.pack(fill=tk.BOTH, expand=True, padx=10, pady=10)
    text_widget.insert(tk.END, guide_text)
    text_widget.config(state=tk.DISABLED)

# 画像解析
def analyze_image():
    """画像を解析し、結果を表示"""
    if llm is None:
        r_text.delete('1.0', tk.END)
        r_text.insert('1.0', 'APIキーが設定されていない。')
        return
    if not img_path:
        r_text.delete('1.0', tk.END)
        r_text.insert('1.0', '画像が選択されていない。')
        return
    question = q_text.get('1.0', tk.END).strip()
    if not question:
        r_text.delete('1.0', tk.END)
        r_text.insert('1.0', '質問・指示が入力されていない。')
        return
    if chain is None:
        build_chain()

    progress.start()
    r_text.delete('1.0', tk.END)
    r_text.insert('1.0', '解析中...')
    root.update()

    try:
        # 送信用画像を準備
        processed_bytes, mime_type = prepare_image_bytes_for_api(img_path, MAX_LONG_SIDE)
        encoded_image = base64.b64encode(processed_bytes).decode('utf-8')
        data_url = f'data:{mime_type};base64,{encoded_image}'

        # LCELチェーンで推論
        inputs = {"question": question, "image_data_url": data_url}
        response_text = chain.invoke(inputs)

        r_text.delete('1.0', tk.END)
        r_text.insert('1.0', response_text)

        # 履歴保存
        timestamp = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
        history_entry = f'''
{'='*80}
解析日時: {timestamp}
画像ファイル: {os.path.basename(img_path)}
使用モデル: {MODEL_NAME}
{'='*80}
質問:
{question}
{'-'*80}
解析結果:
{response_text}
{'='*80}

'''
        with open(RESULT_FILE, 'a', encoding='utf-8') as f:
            f.write(history_entry)

    except Exception as e:
        r_text.delete('1.0', tk.END)
        r_text.insert('1.0', f'解析エラー: {str(e)}')

    progress.stop()

# ウィンドウ終了処理
def on_closing():
    current_result = r_text.get('1.0', tk.END).strip()
    if current_result and current_result != '解析中...':
        timestamp = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
        session_end = f'''
{'='*80}
セッション終了: {timestamp}
{'='*80}

'''
        with open(RESULT_FILE, 'a', encoding='utf-8') as f:
            f.write(session_end)
    if os.path.exists(TEMP_IMAGE_FILE):
        try:
            os.remove(TEMP_IMAGE_FILE)
        except:
            pass
    root.destroy()

# GUI作成
root = tk.Tk()
root.title('Gemini API 画像解析ツール')
root.geometry(f'{WINDOW_WIDTH}x{WINDOW_HEIGHT}')
root.protocol('WM_DELETE_WINDOW', on_closing)

main_frame = ttk.Frame(root, padding='10')
main_frame.grid(row=0, column=0, sticky=(tk.W, tk.E, tk.N, tk.S))

# API設定
api_frame = ttk.LabelFrame(main_frame, text='API設定', padding='5')
api_frame.grid(row=0, column=0, columnspan=2, sticky=(tk.W, tk.E), pady=(0, 10))

ttk.Label(api_frame, text='Google API Key:', font=('Yu Gothic', 10)).grid(row=0, column=0, sticky=tk.W)
api_key_var = tk.StringVar()
if api_key:
    api_key_var.set(api_key)
api_entry = ttk.Entry(api_frame, textvariable=api_key_var, width=API_ENTRY_WIDTH, show='*', font=('Yu Gothic', 10))
api_entry.grid(row=0, column=1, padx=(5, 0), sticky=(tk.W, tk.E))

api_button = tk.Button(api_frame, text='APIキー設定', command=set_api_key,
                      bg=COLOR_PRIMARY, fg='white', font=('Yu Gothic', 10, 'bold'),
                      cursor='hand2')
api_button.grid(row=0, column=2, padx=(5, 0))

api_help_text = '''APIキー入手手順:
1. https://aistudio.google.com/app/apikey を開く
2. Googleアカウントにログイン
3. 'Get API key'→'Create API key'→'Create API key in new project'
4. 表示されたAPIキーをコピー'''
api_help_label = ttk.Label(api_frame, text=api_help_text, foreground='gray', font=('Yu Gothic', 9))
api_help_label.grid(row=1, column=0, columnspan=3, sticky=tk.W, pady=(5, 0))

# 画像選択
image_frame = ttk.LabelFrame(main_frame, text='画像選択', padding='5')
image_frame.grid(row=1, column=0, columnspan=2, sticky=(tk.W, tk.E), pady=(0, 10))

select_button = tk.Button(image_frame, text='画像ファイルを選択', command=select_image,
                         bg=COLOR_SUCCESS, fg='white', font=('Yu Gothic', 10, 'bold'),
                         cursor='hand2')
select_button.grid(row=0, column=0)

camera_button = tk.Button(image_frame, text='カメラで撮影', command=capture_from_camera,
                         bg=COLOR_INFO, fg='white', font=('Yu Gothic', 10, 'bold'),
                         cursor='hand2')
camera_button.grid(row=0, column=1, padx=(5, 0))

img_path_var = tk.StringVar()
img_path_label = ttk.Label(image_frame, textvariable=img_path_var, foreground='blue', font=('Yu Gothic', 10))
img_path_label.grid(row=1, column=0, columnspan=2, padx=(0, 0), sticky=tk.W)

# プレビュー
preview_frame = ttk.LabelFrame(main_frame, text='画像プレビュー', padding='5')
preview_frame.grid(row=2, column=0, sticky=(tk.W, tk.E, tk.N, tk.S), pady=(0, 10))
image_label = ttk.Label(preview_frame, text='画像が選択されていない', font=('Yu Gothic', 10))
image_label.grid(row=0, column=0)

# ヒント
hint_frame = ttk.LabelFrame(main_frame, text='使い方のヒント', padding='5')
hint_frame.grid(row=3, column=0, sticky=(tk.W, tk.E, tk.N, tk.S), pady=(0, 10))
hint_text = scrolledtext.ScrolledText(hint_frame, height=8, width=30, font=('Yu Gothic', 9), wrap=tk.WORD)
hint_text.grid(row=0, column=0, sticky=(tk.W, tk.E, tk.N, tk.S))

# 質問・指示
question_frame = ttk.LabelFrame(main_frame, text='質問・指示', padding='5')
question_frame.grid(row=2, column=1, rowspan=2, sticky=(tk.W, tk.E, tk.N, tk.S), pady=(0, 10), padx=(10, 0))

prompt_button_frame = ttk.Frame(question_frame)
prompt_button_frame.grid(row=0, column=0, pady=(0, 5), sticky=(tk.W, tk.E))

learning_button = tk.Button(prompt_button_frame, text='学習支援', command=set_learning_support,
                           bg=COLOR_PRIMARY, fg='white', font=('Yu Gothic', 10, 'bold'),
                           cursor='hand2', relief=tk.SUNKEN)
learning_button.pack(side=tk.LEFT, padx=(0, 5))

free_button = tk.Button(prompt_button_frame, text='自由記入', command=set_free_input,
                       bg=COLOR_SECONDARY, fg='white', font=('Yu Gothic', 10, 'bold'),
                       cursor='hand2', relief=tk.RAISED)
free_button.pack(side=tk.LEFT, padx=(0, 5))

scene_button = tk.Button(prompt_button_frame, text='シーン分析', command=set_scene_analysis,
                        bg=COLOR_PURPLE, fg='white', font=('Yu Gothic', 10, 'bold'),
                        cursor='hand2', relief=tk.RAISED)
scene_button.pack(side=tk.LEFT, padx=(0, 5))

location_button = tk.Button(prompt_button_frame, text='場所別分析', command=set_location_analysis,
                           bg=COLOR_PINK, fg='white', font=('Yu Gothic', 10, 'bold'),
                           cursor='hand2', relief=tk.RAISED)
location_button.pack(side=tk.LEFT)

q_text = scrolledtext.ScrolledText(question_frame, height=QUESTION_HEIGHT, width=QUESTION_WIDTH, font=('Yu Gothic', 10))
q_text.grid(row=1, column=0, sticky=(tk.W, tk.E, tk.N, tk.S))
q_text.insert('1.0', prompt_learn)

button_frame = ttk.Frame(question_frame)
button_frame.grid(row=2, column=0, pady=(5, 0), sticky=(tk.W, tk.E))

analyze_button = tk.Button(button_frame, text='画像を解析', command=analyze_image,
                          bg=COLOR_DANGER, fg='white', font=('Yu Gothic', 10, 'bold'),
                          cursor='hand2')
analyze_button.pack(side=tk.LEFT, padx=(0, 5))

v_button = tk.Button(button_frame, text='音声入力', command=voice_input,
                    bg=COLOR_WARNING, fg='black', font=('Yu Gothic', 10, 'bold'),
                    cursor='hand2')
v_button.pack(side=tk.LEFT)

guide_button = tk.Button(button_frame, text='使用方法', command=show_usage_guide,
                        bg=COLOR_SECONDARY, fg='white', font=('Yu Gothic', 10, 'bold'),
                        cursor='hand2')
guide_button.pack(side=tk.LEFT, padx=(5, 0))

v_status_var = tk.StringVar()
v_status_label = ttk.Label(button_frame, textvariable=v_status_var, foreground='green', font=('Yu Gothic', 10))
v_status_label.pack(side=tk.LEFT, padx=(10, 0))

# 解析結果
result_frame = ttk.LabelFrame(main_frame, text='解析結果', padding='5')
result_frame.grid(row=4, column=0, columnspan=2, sticky=(tk.W, tk.E, tk.N, tk.S), pady=(10, 0))
r_text = scrolledtext.ScrolledText(result_frame, height=RESULT_HEIGHT, width=RESULT_WIDTH, font=('Yu Gothic', 10))
r_text.grid(row=0, column=0, sticky=(tk.W, tk.E, tk.N, tk.S))

progress = ttk.Progressbar(main_frame, mode='indeterminate')
progress.grid(row=5, column=0, columnspan=2, sticky=(tk.W, tk.E), pady=(5, 0))

# 注意書き
notice_label = ttk.Label(main_frame,
                        text='※ このツールは学習サポートが目的である。最終的な理解は自分で確認すること。',
                        foreground='#666666',
                        font=('Yu Gothic', 9))
notice_label.grid(row=6, column=0, columnspan=2, pady=(5, 0))

# グリッド設定
main_frame.columnconfigure(0, weight=1)
main_frame.columnconfigure(1, weight=1)
main_frame.rowconfigure(2, weight=1)
main_frame.rowconfigure(3, weight=1)
main_frame.rowconfigure(4, weight=2)
api_frame.columnconfigure(1, weight=1)
result_frame.columnconfigure(0, weight=1)
result_frame.rowconfigure(0, weight=1)
question_frame.columnconfigure(0, weight=1)
question_frame.rowconfigure(1, weight=1)
hint_frame.columnconfigure(0, weight=1)
hint_frame.rowconfigure(0, weight=1)
root.columnconfigure(0, weight=1)
root.rowconfigure(0, weight=1)

# APIキー自動設定
if api_key:
    set_api_key()

# 初期ヒント表示
update_hint(hint_learn)

# 使用方法表示（標準出力）
env_status = ''
if api_key:
    env_status = '\n※.envファイルからAPIキーが自動読み込みされた'
print('Gemini API 画像解析ツール')
print('1. Google AI StudioでAPIキーを取得する')
print('2. APIキーを入力して「APIキー設定」をクリック')
print('   (.envにGEMINI_API_KEY=を設定すると自動読み込み)')
print('3. 画像を選択またはカメラで撮影')
print('4. 質問や指示を入力（音声入力も可：Google Web Speech API / recognize_google）')
print('5. 「画像を解析」をクリックして結果を確認')
print('')
print('対応画像形式: JPEG, PNG, WEBP, HEIC, HEIF')
print('送信前に長辺1600pxへ自動リサイズ')
if env_status:
    print(env_status)

root.mainloop()

実験・研究スキルの基礎：Windowsで学ぶ画像解析実験

1. 実験・研究のスキル構成要素

実験や研究を行うには、以下の5つの構成要素を理解する必要がある。

1.1 実験用データ

このプログラムでは画像ファイルと質問テキストが実験用データである。

1.2 実験計画

何を明らかにするために実験を行うのかを定める。

計画例：

1.3 プログラム

実験を実施するためのツールである。このプログラムはGoogle Gemini 2.5 Flash APIとLangChain Expression Languageを使用している。

1.4 プログラムの機能

このプログラムは画像とテキストを入力として受け付け、AIによる解析結果を出力する。

入力パラメータ。

出力情報。

プログラムの動作。

1.5 検証（結果の確認と考察）

プログラムの実行結果を観察し、入力条件の影響を考察する。

基本認識：

観察のポイント：

2. 間違いの原因と対処方法

2.1 プログラムのミス（人為的エラー）

プログラムがエラーで停止する。

画像が表示されない。

解析に時間がかかる。

2.2 期待と異なる結果が出る場合

質問を変えても解析結果が変化しない。

明らかに存在する情報が解析結果に含まれない。

解析結果に誤った情報が含まれる。

手書き文字が正しく認識されない。

3. 実験レポートのサンプル

プロンプトの具体性が学習問題添削の詳細度に与える影響

実験目的：

手書き数学問題の解答画像に対して、プロンプトの記述方法を変化させることで、添削結果の詳細度と有用性がどのように変化するかを明らかにする。

実験計画：

同一の画像に対して、異なる4種類のプロンプトを使用し、解析結果を比較する。

実験方法：

プログラムを実行し、以下の4種類のプロンプトで同じ画像を解析する。

実験結果：

プロンプト 解答の正誤判定 誤りの指摘 改善提案 詳細度評価
A xxxx xxxx xxxx xxxx
B xxxx xxxx xxxx xxxx
C xxxx xxxx xxxx xxxx
D xxxx xxxx xxxx xxxx

考察：

結論：

（例文）学習問題の添削において、抽象的な質問では表面的な記述しか得られないが、具体的な指示を含むプロンプトを使用することで、詳細かつ有用な添削結果を得られることが確認できた。（例文）学習支援テンプレートまたはそれに準じる詳細なプロンプトを使用することが推奨される。（例文）ただし、プロンプトが長くなりすぎると本質的でない情報が増える可能性がある。（例文）目的に応じた適切な具体性のバランスを取ることが重要である。