CN115443407A - 损伤评价装置、方法及程序 - Google Patents

损伤评价装置、方法及程序 Download PDF

Info

Publication number
CN115443407A
CN115443407A CN202180029334.XA CN202180029334A CN115443407A CN 115443407 A CN115443407 A CN 115443407A CN 202180029334 A CN202180029334 A CN 202180029334A CN 115443407 A CN115443407 A CN 115443407A
Authority
CN
China
Prior art keywords
damage
specific
image
crack
evaluation device
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
CN202180029334.XA
Other languages
English (en)
Inventor
堀田修平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
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 Fujifilm Corp filed Critical Fujifilm Corp
Publication of CN115443407A publication Critical patent/CN115443407A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20096—Interactive definition of curve of interest
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种能够自动评价与结构物的施工相关联地产生的结构物的表层的损伤的损伤评价装置、方法及程序。在具备处理器的结构物的损伤评价装置中，处理器进行如下处理：图像获取处理，获取拍摄了结构物的图像；损伤检测处理，根据获取的图像检测结构物的损伤(裂纹)；特征区域检测处理，根据获取的图像检测与结构物的施工相关联的结构物特征区域(P锥痕迹的区域)；分选处理，在检测出的损伤中分选与检测出的结构物特征区域具有关联性的特定损伤(下沉裂纹)；及信息输出处理，输出分选出的特定损伤的信息。通过以这种方式输出特定损伤的信息，能够自动评价与结构物的施工相关联地产生的结构物的表层的损伤，能够用于施工方法的妥当性的验证和施工方法的改善。

Description

损伤评价装置、方法及程序
技术领域
本发明涉及一种损伤评价装置、方法及程序，尤其涉及一种评价与结构物的施工相关联地产生的结构物的损伤的技术。
背景技术
以往，提出了目视评价在新设的结构物的表层部产生的不良情况，用于施工方法的妥当性验证和施工方法改善(非专利文献1)。
然而，由于目视评价，存在结果因人而异的问题，希望实现基于统一的基准的自动评价。
并且，为了进行结构物的维护及修补而进行结构物的检修评价，但已知有根据拍摄了结构物的图像自动地评价结构物的损伤的技术(专利文献1、2)。
专利文献1中记载了一种图像处理方法，其中，对表示结构物的表面的图像进行图像分析而检测结构物的表面的裂纹，并且检测所检测出的裂纹的特征量(裂纹的方向、长度、宽度、边缘的强度及边缘的密度等)，根据检测出的特征量对各裂纹进行分组，在显示填充裂纹的裂纹图像时，对每个组使用不同的线型或颜色来显示裂纹图像。
并且，专利文献2中记载了一种隧道衬砌面图像的校正方法，其中，对比按时序列获取的隧道衬砌面图像，能够以也能够识别仅变化了几mm左右的裂纹的方式校正本次的隧道衬砌面图像。
专利文献2中记载的隧道衬砌面图像的校正方法中，通过检测隧道衬砌面上的位置不变的设置物或接缝，在不同的时序列图像之间进行使设置物或接缝的位置一致的图像处理，生成位置被标准化的隧道衬砌面图像，从而校正用于变形的时序列管理的隧道衬砌面图像。
以往技术文献
专利文献
专利文献1：日本特开2020-38227号公报
专利文献2：日本特开2015-105905号公报
非专利文献
非专利文献1：混凝土结构物的品质确保指南(草案)、2015年12月、(p.17-20，国土交通省东北地方整备站)、互联网<http：//www.thr.mlit.go.jp/road/sesaku/tebiki/kyoukyaku.pdf>
发明内容
发明要解决的技术课题
在结构物的损伤、劣化中，有些是因结构物的施工而产生。
专利文献1中有根据检测出的裂纹的特征量对结构物的表面的裂纹进行分组的记载，但没有分选与结构物的施工相关联地产生的损伤的记载。
并且，专利文献2中有检测混凝土结构物的裂纹并且检测接缝的记载，但位置不变的接缝是为了进行使上次的隧道衬砌面图像与本次的隧道衬砌面图像一致的图像处理(仿射变换)而使用的，并不是为了分选损伤而使用的。
本发明是鉴于这种情况完成的，其目的在于，提供一种能够自动评价与结构物的施工相关联地产生的结构物的表层的损伤的损伤评价装置、方法及程序。
用于解决技术课题的手段
为了实现上述目的，第1方式所涉及的发明为一种具备处理器的结构物的损伤评价装置，其中，处理器进行如下处理：图像获取处理，获取拍摄了结构物的图像；损伤检测处理，根据获取的图像检测结构物的损伤；特征区域检测处理，根据获取的图像检测与结构物的施工相关联的结构物特征区域；分选处理，在检测出的损伤中分选与检测出的结构物特征区域具有关联性的特定损伤；及信息输出处理，输出分选出的特定损伤的信息。
根据本发明的第1方式，在根据拍摄了结构物的图像检测出的损伤中，自动地分选与和结构物的施工相关联的结构物特征区域具有关联性的特定损伤，并输出分选出的特定损伤的信息，因此能够自动评价与结构物的施工相关联地产生的结构物的表层的损伤，能够用于施工方法的妥当性的验证和施工方法的改善。
在本发明的第2方式所涉及的损伤评价装置中，优选如下：在损伤检测处理中，在输入图像时，执行第1学习完毕模型，所述第1学习完毕模型针对结构物的每个损伤输出各损伤的区域来作为识别结果。
在本发明的第3方式所涉及的损伤评价装置中，结构物的损伤是结构物的裂纹，特定损伤是结构物的裂纹中的因结构物的施工而产生的特定裂纹。特定裂纹例如是在混凝土结构物的表层产生的下沉裂纹、月牙裂纹等。
在本发明的第4方式所涉及的损伤评价装置中，优选如下：在特征区域检测处理中，在输入图像时，执行第2学习完毕模型，所述第2学习完毕模型输出结构物特征区域来作为识别结果。
在本发明的第5方式所涉及的损伤评价装置中，结构物特征区域是表示与因结构物的施工而产生的特定损伤即特定裂纹相关联的施工痕迹的区域。与特定裂纹相关联的施工痕迹例如是混凝土结构物的表层的P锥痕迹、接缝、浇筑缝等。
在本发明的第6方式所涉及的损伤评价装置中，优选如下：在分选处理中，将与结构物特征区域接触的损伤或与结构物特征区域重叠的损伤分选为特定损伤。
在本发明的第7方式所涉及的损伤评价装置中，优选如下：分选处理包括使结构物特征区域的尺寸膨胀的膨胀处理，将与进行了膨胀处理的结构物特征区域接触的损伤或与进行了膨胀处理的结构物特征区域重叠的损伤分选为特定损伤。使结构物特征区域的尺寸膨胀的比例或膨胀量可以是预先设定的值，也可以是用户适当设定的值。
在本发明的第8方式所涉及的损伤评价装置中，优选如下：处理器进行确定特定损伤的尺寸的尺寸确定处理。
在本发明的第9方式所涉及的损伤评价装置中，结构物的损伤包括结构物的裂纹，特定损伤是结构物的裂纹中的因结构物的施工而产生的特定裂纹，尺寸确定处理能够计算特定裂纹在图像上的长度与结构物特征区域在图像上的长度的相对长度，将计算出的相对长度作为特定损伤的尺寸。
在本发明的第10方式所涉及的损伤评价装置中，优选如下：结构物的损伤包括结构物的裂纹，特定损伤是结构物的裂纹中的因结构物的施工而产生的特定裂纹，在尺寸确定处理中，根据特定裂纹在图像上的长度、结构物特征区域在图像上的长度及结构物特征区域的实际尺寸，计算特定损伤的实际尺寸。
在本发明的第11方式所涉及的损伤评价装置中，优选如下：结构物的损伤包括结构物的裂纹，特定损伤是结构物的裂纹中的因结构物的施工而产生的特定裂纹，在图像中拍摄具有实际尺寸为已知的标尺基准的结构物，在尺寸确定处理中，根据特定裂纹在图像上的长度和标尺基准在图像上的长度，计算特定损伤的实际尺寸。
在本发明的第12方式所涉及的损伤评价装置中，优选如下：结构物的损伤包括结构物的裂纹，特定损伤是结构物的裂纹中的因结构物的施工而产生的特定裂纹，在尺寸确定处理中，根据特定裂纹在图像上的长度和拍摄了图像的照相机的摄影条件及照相机信息，计算特定损伤的实际尺寸。照相机的摄影条件例如包括照相机与特定裂纹的距离，照相机信息例如包括焦距、图像传感器的尺寸、像素数或像素间距。
在本发明的第13方式所涉及的损伤评价装置中，优选如下：在信息输出处理中，根据特定损伤的属性以可识别的方式输出各特定损伤。特定损伤的属性包括损伤的长度、宽度、面积等。并且，优选能够根据特定损伤的属性对各特定损伤进行颜色区分，通过线型的差异等进行识别。
在本发明的第14方式所涉及的损伤评价装置中，优选如下：在信息输出处理中，根据特定损伤的属性，以可识别的方式输出与特定损伤对应的结构物特征区域。
在本发明的第15方式所涉及的损伤评价装置中，优选如下：处理器计算结构物特征区域的总数与对应于特定损伤的结构物特征区域的个数的比例，在信息输出处理中，输出计算出的比例。
在本发明的第16方式所涉及的损伤评价装置中，优选如下：处理器进行如下处理：编辑指示接受处理，从由用户操作的操作部接受检测出的损伤的检测结果及检测出的结构物特征区域的检测结果中的至少一者的编辑指示；及编辑处理，按照接受的编辑指示编辑检测结果。
在本发明的第17方式所涉及的损伤评价装置中，优选如下：在信息输出处理中，将特定损伤的信息输出到显示器进行显示，或以文件形式保存在存储器中。
在本发明的第18方式所涉及的损伤评价装置中，优选如下：特定损伤的信息包括损伤数量表，该损伤数量表具有损伤识别信息、损伤种类及尺寸的项目，并且针对每个特定损伤记载有与各项目对应的信息。
第19方式所涉及的发明为一种损伤评价方法，由处理器进行结构物的损伤评价，其中，处理器的各处理包括如下步骤：获取拍摄了结构物的图像；根据获取的图像检测结构物的损伤；根据获取的图像检测与结构物的施工相关联的结构物特征区域；在检测出的损伤中分选与检测出的结构物特征区域具有关联性的特定损伤；及输出分选出的特定损伤的信息。
第20方式所涉及的发明为一种损伤评价程序，其使计算机执行进行结构物的损伤评价的方法，其中，方法包括如下步骤：获取拍摄了结构物的图像；根据获取的图像检测结构物的损伤；根据获取的图像检测与结构物的施工相关联的结构物特征区域；在检测出的损伤中分选与检测出的结构物特征区域具有关联性的特定损伤；及输出分选出的特定损伤的信息。
发明效果
根据本发明，能够自动评价与结构物的施工相关联地产生的结构物的表层的损伤。
附图说明
图1是表示结构物的损伤的一例的图。
图2是表示从损伤检测中分选特定损伤的流程的一例的图。
图3是用于说明分选检测出的裂纹是否为下沉裂纹的方法的图。
图4是表示本发明所涉及的损伤评价装置的硬件结构的一例的框图。
图5是表示由CPU等构成的损伤检测处理部及特征区域检测处理部的实施方式的概念图。
图6是表示拍摄了评价对象结构物的图像和特定损伤的信息等的第1显示例的图。
图7是表示拍摄了评价对象结构物的图像和特定损伤的信息等的第2显示例的图。
图8是表示追加了对图7(B)所示的图像进行颜色区分的裂纹图像的显示画面例的图。
图9是表示与和结构物的施工相关联的结构物特征区域具有关联性的特定损伤的另一例的图。
图10是表示与和结构物的施工相关联的结构物特征区域具有关联性的特定损伤的又一例的图。
图11是表示从损伤检测中分选特定损伤的流程的另一例的图。
图12是包含裂纹信息的损伤图。
图13是表示损伤检测结果中包含的损伤数量表的一例的图表。
图14是表示在沿着裂纹的折线上追加顶点的方法的图。
图15是表示从沿着裂纹的折线中删除顶点的方法的图。
图16是表示本发明所涉及的损伤评价方法的实施方式的流程图。
具体实施方式
以下，按照附图，对本发明所涉及的损伤评价装置、方法及程序的优选的实施方式进行说明。
[本发明的概要]
图1是表示结构物的损伤的一例的图，图1(A)表示拍摄了具有结构物的施工痕迹的混凝土结构物的原始图像，图1(B)表示将裂纹检测结果(裂纹图像)重叠显示在原始图像上的合成图像。
本例的结构物的施工痕迹是塑料锥(以下，称为“P锥”)的痕迹，图1上的P表示P锥痕迹。以下，对P锥痕迹P进行说明。
壁、柱、梁等混凝土结构物的施工通常组装钢筋及模板并浇筑混凝土。模板通过在两端具有螺纹部的棒状隔板和安装在该隔板的两端部的P锥以所希望的间隔固定，混凝土流入模板内，但在混凝土凝固时，卸除模板及P锥。
在卸除P锥时，出现露出隔板的螺纹部的孔。用砂浆堵住该孔的圆形痕迹是P锥痕迹P。
图1(B)的C1～C3表示P锥痕迹P周边的裂纹。裂纹C1～C3由将从图1(A)的原始图像中检测出的裂纹的区域用特定的颜色填充的裂纹图像表现。
P锥痕迹P周边的裂纹C1～C3分类为下沉裂纹，是因结构物的施工而产生的裂纹之一。下沉裂纹是由于模板用隔板、表面的模板等约束混凝土的浇注后的下沉或渗出(bleeding)导致的位移而产生的裂纹。
本发明的一方式从拍摄了结构物的图像中检测结构物的损伤，在检测出的损伤中，分选与结构物的施工具有关联性的损伤(特定损伤)，输出分选出的特定损伤的信息。由此，能够用于结构物的施工方法的妥当性的验证和施工方法的改善。
在图1所示的例子中，与结构物的施工相关联的结构物特征区域是P锥痕迹P的区域，与P锥痕迹的区域具有关联性的特定损伤是下沉裂纹C1～C3。
图2是表示从损伤检测中分选特定损伤的流程的一例的图。
如图2(A)所示，根据拍摄了结构物的图像检测结构物的损伤(在本例中为裂纹)。裂纹的检测可以通过人工智能(AI：artificial intelligence)进行，也可以通过图像处理算法进行。
并且，如图2(B)所示，根据拍摄了结构物的图像检测与结构物的施工相关联的结构物特征区域(在本例中为P锥痕迹P的区域)。P锥痕迹P的区域的检测可以通过AI进行，也可以通过图像处理算法进行。并且，也可以通过接受用户手动输入指示来进行检测。
接着，如图2(C)所示，在检测出的裂纹中，分选与P锥痕迹P的区域具有关联性的下沉裂纹(特定裂纹)C1～C4，对分选出的下沉裂纹C1～C4以可与其他裂纹识别的方式进行颜色区分或改变线型而输出。
图3是用于说明分选检测出的裂纹是否为下沉裂纹的方法的图。
图3(A)表示分别检测出的裂纹C1～C3和P锥痕迹P。
关于裂纹C1～C3是否为与P锥痕迹P的区域具有关联性的下沉裂纹的分选，在裂纹C1～C3与P锥痕迹P的区域接触的情况下，或在与P锥痕迹P的区域重叠的情况下分选为下沉裂纹。
在该分选方法的情况下，裂纹C1～C3均从P锥痕迹P的区域分离，因此识别为无下沉裂纹(图3(B))。
另一方面，如图3(C)所示，使P锥痕迹P的区域的尺寸膨胀为P锥痕迹P1的区域的尺寸。
在P锥痕迹P的区域的膨胀处理中，通过从圆形P锥痕迹P的中心沿径向以一定的比例使P锥痕迹P的区域膨胀，或使圆形P锥痕迹P的外形仅扩大一定的膨胀量(宽度)，能够使P锥痕迹P的区域膨胀。另外，使P锥痕迹P的区域的尺寸膨胀的比例或膨胀量可以是预先设定的值，也可以是用户适当设定的值。
并且，在裂纹C1～C3与进行了膨胀处理的P锥痕迹P1的区域接触的情况下，或在与P锥痕迹P1的区域重叠的情况下，分选为下沉裂纹(图3(D))。
在该分选方法的情况下，由于裂纹C1～C3均与P锥痕迹P1的区域接触，或与P锥痕迹P1的区域重叠，因此分选为下沉裂纹。
另外，P锥痕迹的区域并不限于通过膨胀处理扩大检测出的P锥的区域，也可以将比原本的P锥痕迹的区域稍微宽的区域检测为P锥痕迹的区域。
并且，也可以计算裂纹C1～C3与P锥痕迹P1的区域最接近的距离，在该距离在阈值以内的情况下，分选为下沉裂纹。
[损伤评价装置的硬件结构]
图4是表示本发明所涉及的损伤评价装置的硬件结构的一例的框图。
作为图1所示的损伤评价装置10，能够使用个人计算机或工作站。本例的损伤评价装置10主要由图像获取部12、图像数据库14、存储部16、操作部18、CPU(CentralProcessing Unit：中央处理器)20、RAM(Random Access Memory：随机存取存储器)22、ROM(Read Only Memory：只读存储器)24及显示控制部26构成。
图像获取部12相当于输入输出接口，在本例中获取拍摄了评价对象结构物的图像等。评价对象结构物包括例如桥梁、隧道、建筑物等的壁、柱、梁等。
图像获取部12所获取的图像例如是通过搭载有照相机的无人机(无人飞行器)或机器人、或人手拍摄了结构物的大量的图像(图像组)。优选图像组覆盖结构物的整体，且相邻的各图像重叠。
由图像获取部12获取的图像组存储在图像数据库14中。
存储部16是由硬盘装置、闪存等构成的存储器，在存储部16中，除了操作系统、损伤评价程序以外，还存储有表示结构物的CAD(computer-aided design：计算机辅助设计)数据及文件化的损伤信息。损伤信息包含损伤图像、损伤图(CAD数据)等损伤评价结果。
关于评价对象结构物的CAD数据，在预先存在CAD数据的情况下，能够使用该数据。在不存在结构物的CAD数据的情况下，能够根据保存在图像数据库14中的图像组自动生成。
在存储于图像数据库14中的图像组由搭载在无人机上的照相机拍摄的情况下，能够生成三维点云模型，该三维点云模型是提取图像组的相互重叠的图像之间的特征点，根据所提取的特征点推测搭载在无人机上的照相机的位置及姿势，并且根据照相机的位置及姿势的推测结果同时推测特征点的三维位置。
有一种Structure from Motion(SfM：三维重建)方法，该方法是从照相机的摄影位置通过无人机移动的图像组中跟踪大量的特征点的移动，且同时推测结构物的三维结构(Structure)和照相机姿势(Motion)。近年来，开发了称为bundle adjustment(光束平差法)的最优化计算法，能够进行高精度的输出。
另外，作为适用SfM方法时所需的照相机的参数(焦距、图像传感器的图像尺寸、像素间距等)，能够使用存储在存储部16中的参数。并且，能够根据所生成的三维点云模型来生成结构物的CAD数据。
操作部18包括与计算机有线连接或无线连接的键盘及鼠标等，除了作为进行计算机的通常的操作指示的操作部发挥作用以外，还作为操作部发挥作用，该操作部通过用户操作编辑根据拍摄了结构物的图像检测出的结构物的损伤的检测结果、P锥痕迹等结构物特征区域的检测结果。另外，关于损伤的检测结果的编辑等的详细情况将在后面叙述。
CPU20读出存储在存储部16或ROM24等中的各种程序，对各部进行集中控制，并且进行如下处理：根据拍摄了结构物的图像检测结构物的损伤的损伤检测处理；检测与结构物的施工相关联的结构物特征区域(P锥痕迹的区域等)的特征区域检测处理；分选与检测出的损伤中的结构物特征区域具有关联性的特定损伤的分选处理；及输出分选出的特定损伤的信息的信息输出处理等。
根据拍摄了结构物的图像检测损伤的损伤检测处理及检测结构物特征区域的特征区域检测处理能够分别通过AI来进行。
作为AI，例如，能够使用基于卷积神经网络(CNN：Convolution Neural Network)的学习完毕模型。
图5是表示由CPU等构成的损伤检测处理部及特征区域检测处理部的实施方式的概念图。
在图5中，损伤检测处理部及特征区域检测处理部分别由第1学习完毕模型21A及第2学习完毕模型21B构成。
第1学习完毕模型21A及第2学习完毕模型21B分别具备输入层、中间层及输出层，各层成为多个“节点”由“边缘”连结的结构。
在CNN的输入层中输入拍摄了结构物的图像13。中间层具有将卷积层和池化层作为1组的多组，是从由输入层输入的图像中提取特征的部分。卷积层中，对在前一层中位于附近的节点进行过滤处理(进行使用过滤器的卷积运算)，获取“特征图”。池化层中，缩小从卷积层输出的特征图，作为新的特征图。“卷积层”承担从图像提取边缘等特征提取的作用，“池化层”承担赋予稳健性以使所提取的特征不受平行移动等的影响的作用。
CNN的输出层是输出表示由中间层提取的特征的特征图的部分。本例的第1学习完毕模型21A的输出层例如将以像素单位或将几个像素作为一块的单位对图像中映现的结构物的每个损伤的区域进行区域分类(分段)的推论结果(识别结果)作为损伤检测结果27A输出，同样地，本例的第2学习完毕模型21B的输出层例如将以像素单位或将几个像素作为一块的单位对与图像中映现的结构物的施工相关联的结构物特征区域进行区域分类的推论结果作为结构物特征区域检测结果27B输出。
例如，第1学习完毕模型21A是为了检测裂纹而进行了机器学习的学习完毕模型，第2学习完毕模型21B是为了检测P锥痕迹而进行了机器学习的学习完毕模型。
另外，第1学习完毕模型21A及第2学习完毕模型21B也可以由1个学习完毕模型构成，构成为分别输出损伤检测结果27A及结构物特征区域检测结果27B。
返回到图4，CPU20根据由第1学习完毕模型21A及第2学习完毕模型21B分别检测出的损伤检测结果27A及结构物特征区域检测结果27B，进行在检测出的损伤中分选与检测出的结构物特征区域具有关联性的特定损伤的分选处理。在本例中，在检测出的裂纹中，分选与P锥痕迹具有关联性的下沉裂纹(特定裂纹)。下沉裂纹的分选能够通过使用图3进行说明的方法进行，在此省略详细说明。
CPU20将分选出的特定损伤的信息经由显示控制部26输出到显示部(显示器)30进行显示，或以文件形式保存在存储部(存储器)16中。并且，优选CPU20也将结构物特征区域的信息经由显示控制部26输出到显示部30进行显示，或以文件形式保存在存储部16中。
RAM22用作CPU20的工作区域，用作临时存储所读出的程序或各种数据的存储部。
显示控制部26是生成在显示部30上显示的显示用数据并输出到显示部30的部分，在本例中，将由CPU20检测并分选的特定损伤的信息等显示在显示部30上，并将基于来自操作部18的用户操作的特定损伤的信息等的编辑用画面等显示在显示部30上。
显示部30使用可与计算机连接的液晶监视器等各种显示器，与从显示控制部26输入的拍摄了结构物的图像一起显示从图像中检测出的特定损伤的信息等，并且与操作部18一起用作用户界面的一部分。
上述结构的损伤评价装置10的包括CPU20的处理器通过读出存储在存储部16或ROM24中的损伤评价程序并执行损伤评价程序来进行上述各处理。
<损伤评价装置的作用>
接着，对于图4所示的损伤评价装置10的作用，作为结构物以桥梁为例进行说明。
图6是表示拍摄了评价对象结构物的图像和特定损伤的信息等的第1显示例的图。
损伤评价装置10的CPU20、存储在存储部16中的损伤评价程序、RAM22及ROM24、显示控制部26等构成处理器，处理器进行以下所示的各种处理。
处理器进行从图像获取部12获取拍摄了评价对象结构物(混凝土结构物的表层)的图像的图像获取处理。在图像数据库14中存储有结构物的图像的情况下，处理器从图像数据库14中读出评价对象结构物的图像。在该情况下，处理器获取多张图像，进行全景合成多张图像的图像处理，以使获取的多张图像的各重叠区域的图像一致。
如图6(A)所示，全景合成的全景合成图像优选为正投影在混凝土结构物的表面上的正射图像。
为了从图像中检测0.1mm以下的裂纹，要求高分辨率的图像，因此1张图像的摄影范围变小。为了获取一定程度大小的结构物的图像，优选全景合成多张图像，但在高分辨率的照相机或要求检测裂纹的裂纹宽度大的情况下，也可以是1张图像。
关于作为图5所示的损伤检测处理部及特征区域检测处理部发挥作用的第1学习完毕模型21A及第2学习完毕模型21B，在输入全景合成图像(图像13)时，第1学习完毕模型21A根据所输入的图像13检测裂纹，输出表示检测出的裂纹的损伤检测结果27A，第2学习完毕模型21B根据所输入的图像13检测P锥痕迹，输出表示检测出的P锥痕迹的结构物特征区域检测结果27B。
接着，处理器根据损伤检测结果27A和结构物特征区域检测结果27B，进行在损伤检测结果27A(裂纹)中分选与结构物特征区域检测结果27B(P锥痕迹)具有关联性的下沉裂纹的分选处理。该分选处理如使用图3进行说明那样，检测裂纹的区域与P锥痕迹的区域的接触，或裂纹的区域与P锥痕迹的区域的重叠，将与P锥痕迹的区域接触或重叠的裂纹分选为下沉裂纹。
接着，处理器进行尺寸确定处理，该尺寸确定处理针对每个对应的P锥痕迹确定特定损伤(下沉裂纹)的尺寸。
以下，对确定下沉裂纹的尺寸的尺寸确定处理进行说明。
<第1尺寸确定处理>
在第1尺寸确定处理中，计算下沉裂纹在图像上的长度与对应于该下沉裂纹的P锥痕迹在图像上的长度(在本例中为P锥痕迹的直径)的相对长度，将计算出的相对长度作为下沉裂纹的尺寸。
根据第1尺寸确定处理，下沉裂纹的尺寸确定为P锥痕迹的直径的X倍。另外，X倍也可以用例如零(无下沉裂纹)、小于3倍、3倍以上且小于5倍、5倍以上的4个等级表示。
<第2尺寸确定处理>
在第2尺寸确定处理中，根据下沉裂纹在图像上的长度、对应于该下沉裂纹的P锥痕迹在图像上的直径及P锥痕迹的实际尺寸，计算下沉裂纹的实际尺寸。
即，下沉裂纹的实际尺寸能够通过上述(相对长度(X倍))×(P锥痕迹的实际尺寸)计算。
P锥痕迹的实际尺寸能够适用用户通过操作部18输入的数值或规定的数值。
<第3尺寸确定处理>
第3尺寸确定处理适用于拍摄了具有实际尺寸为已知的标尺基准的结构物的图像的情况。标尺基准可以是粘贴在结构物的表面上带刻度的标尺，也可以是设置在结构物的表面上的已知实际尺寸的钢材、螺栓头等。
在第3尺寸确定处理中，根据下沉裂纹在图像上的长度和已知实际尺寸的标尺基准在图像上的长度，计算下沉裂纹的实际尺寸。
<第4尺寸确定处理>
在第4尺寸确定处理中，根据下沉裂纹在图像上的长度和拍摄了图像的照相机的摄影条件及照相机信息，计算下沉裂纹的实际尺寸。
照相机的摄影条件例如包括照相机与下沉裂纹的距离(摄影距离)、照相机的摄影方向与结构物的表面的角度等，照相机信息例如包含摄影透镜的焦距、图像传感器的尺寸、像素数或像素间距等。
目前，在照相机的摄影方向与结构物的表面正交的情况下，在摄影距离为D，摄影透镜的焦距为f，将下沉裂纹在图像上的长度换算为图像传感器上的长度的长度为u、像素间距为p时，下沉裂纹的实际尺寸L能够通过下式计算：
[数式1]
L＝D×u×p/f。
另外，在上述第1尺寸确定处理至第4尺寸确定处理中，在与1个P锥痕迹的区域相关联地分选出多条下沉裂纹的情况下，将多条下沉裂纹中的最长的下沉裂纹的长度作为与该P锥痕迹对应的下沉裂纹的长度(代表长度)。
并且，在下沉裂纹信息中，除了下沉裂纹的长度以外，还能够包含下沉裂纹的宽度及面积。
图6(B)是表示显示在显示部的画面上的特定损伤的信息等的第1显示例的图。
如图6(B)所示，在显示部的画面上显示根据对应的下沉裂纹的属性(尺寸等)对与下沉裂纹对应的P锥痕迹的区域进行颜色区分，重叠在全景合成图像(图6(B))上的图像，并且显示与各种P锥痕迹相关的信息等。
在图6(B)所示的例子中，24个P锥痕迹的区域根据第1尺寸确定处理的结果，颜色区分为4色(红色、黄色、绿色、蓝色)。
在图6(B)上，表示P锥痕迹的PR、PY、PG、PB具有以下下沉裂纹。
PR(红色)：产生P锥痕迹直径的5倍以上的长度的下沉裂纹的P锥痕迹
PY(黄色)：产生P锥痕迹直径的3倍以上且小于5倍的长度的下沉裂纹的P锥痕迹
PG(绿色)：产生小于P锥痕迹直径的3倍的长度的下沉裂纹的P锥痕迹
PB(蓝色)：未产生下沉裂纹的P锥痕迹
如图6(B)所示，P锥痕迹的总数为24个，如上所述进行颜色区分的P锥痕迹PR、PY、PG、PB的个数分别为2个、6个、7个、9个。处理器计算P锥痕迹的总数与对应于下沉裂纹的P锥痕迹PR、PY、PG的个数的比例(产生比例)，也显示该产生比例(在本例中为63％)。
根据图6(B)的显示画面，通过P锥痕迹的颜色，能够根据各P锥痕迹中的下沉裂纹的有无及产生下沉裂纹的P锥痕迹的颜色，容易地确认该下沉裂纹的尺寸，并且，还告知下沉裂纹的产生比例等信息。
另外，在图6(B)中，区分颜色显示P锥痕迹，但并不限于此，也可以对检测出的全部裂纹附加颜色显示裂纹图像，或仅对分选出的下沉裂纹附加颜色显示裂纹图像，或通过在它们之间适当切换来显示。
图7是表示拍摄了评价对象结构物的图像和特定损伤的信息等的第2显示例的图。
图7(A)表示拍摄了评价对象结构物的6张图像。这些6张图像分别是以1个P锥痕迹大致成为图像中心的方式拍摄的图像。
图7(B)是表示显示在显示部的画面上的特定损伤的信息等的第2显示例的图。
如图7(B)所示，在显示部的画面上并列地一览显示6张图像，并且在各图像的P锥痕迹中附加有与下沉裂纹的属性(尺寸等)对应的颜色。P锥痕迹的颜色区分能够与图6(B)同样地进行。
并且，也可以显示裂纹检测结果。例如，也可以根据裂纹的长度对裂纹图像进行颜色区分，根据裂纹宽度对裂纹图像进行颜色区分，对检测出的全部裂纹附加颜色来显示裂纹图像，或仅对分选出的下沉裂纹附加颜色来显示裂纹图像，或通过在它们之间适当切换来显示。
图8是表示追加了对图7(B)所示的图像进行颜色区分的裂纹图像的显示画面例的图。
在图8中，在P锥痕迹PR中产生3条下沉裂纹CR、CG、CY，在P锥痕迹PY中产生2条下沉裂纹CG、CY，在P锥痕迹PG中产生2条下沉裂纹CG。
另外，下沉裂纹CR、CG、CY根据各下沉裂纹的属性(长度)，例如，如下进行颜色区分。
CR(红色)：P锥痕迹直径的5倍以上的长度的下沉裂纹
CY(黄色)：P锥痕迹直径的3倍以上且小于5倍的长度的下沉裂纹
CG(绿色)：小于P锥痕迹直径的3倍的长度的下沉裂纹
<与和结构物的施工相关联的结构物特征区域具有关联性的特定损伤的另一例>
图9是表示与和结构物的施工相关联的结构物特征区域具有关联性的特定损伤的另一例的图。
图9(A)是拍摄了包括接缝及裂纹的评价对象结构物的原始图像。
混凝土的接缝对于由于因温度引起的收缩、膨胀等而容易产生裂纹的混凝土以恒定的间隔在混凝土表层上加入切口，由此具有防止其他部位中的裂纹的作用，但在接缝中诱发裂纹。另外，在接缝中填充接缝材料(缓冲材料)。
从图9(A)所示的原始图像中检测裂纹作为损伤，检测接缝的区域作为与结构物的施工相关联的结构物特征区域。
在检测出的裂纹中，将裂纹的两端与接缝的区域相接或重叠的裂纹分选为特定裂纹(所谓的“月牙裂纹”)。
另外，关于接缝的区域，也可以通过膨胀处理扩大检测出的接缝的区域，或将比原本的接缝的区域稍微宽的区域检测为接缝的区域。
并且，在分选月牙裂纹的情况下，也可以分别计算裂纹的两端与接缝的区域的最短距离，在计算出的各距离在阈值以内的情况下，分选为月牙裂纹。
在图9(B)中，J表示接缝，CY表示两端与接缝J相接的月牙裂纹。图9(B)表示在图9(A)的原始图像上重叠显示分别用特定的颜色填充接缝J的区域及月牙裂纹CY的区域的接缝图像及裂纹图像的画面。
图10是表示与和结构物的施工相关联的结构物特征区域具有关联性的特定损伤的又一例的图。
图10(A)是拍摄了包括接缝及裂纹的评价对象结构物的另一原始图像。图10(B)表示在图10(A)的原始图像上重叠显示分别用特定的颜色填充接缝J的区域及月牙裂纹CY的区域的接缝图像及裂纹图像的画面。
用户通过图9(B)及图10(B)所示的显示画面能够容易地识别因接缝J引起的月牙裂纹CY，能够用于接缝的施工方法的妥当性的验证和接缝的施工方法的改善。
图11是表示从损伤检测中分选特定损伤的流程的另一例的图。
如图11(A)所示，根据拍摄了结构物的图像检测结构物的损伤(在本例中为裂纹)。裂纹的检测可以通过AI进行，也可以通过图像处理算法进行。
并且，如图11(B)所示，根据拍摄了结构物的图像检测与结构物的施工相关联的结构物特征区域(在图11的例子中为接缝J的区域)。接缝J区域的检测可以通过AI进行，也可以通过图像处理算法进行。并且，也可以通过接受用户手动输入指示来进行检测。
接着，如图11(C)所示，在检测出的裂纹中，分选与接缝J的区域具有关联性的月牙裂纹(特定裂纹)CY，将分选出的月牙裂纹CY以可与其他裂纹识别的方式进行颜色区分或改变线型而输出。
另外，月牙裂纹CY的两端与接缝J的区域相接，弯曲成月牙状，如图11(C)的上方所示的裂纹那样，仅该裂纹的一端与接缝J的区域相接的裂纹不是月牙裂纹。
图12是包含裂纹信息的损伤图。
在图12所示的损伤图中，示出了裂纹C1～C5、P锥痕迹P1、P2，尤其裂纹C1是在P锥痕迹P1上产生的下沉裂纹，裂纹C4、C5是在P锥痕迹P2上产生的下沉裂纹。
并且，损伤图通过沿着各裂纹C1～C5的折线的描绘图案来表现，能够作为CAD数据。
图13是表示损伤检测结果中包含的损伤数量表的一例的图表，与图12所示的损伤图对应。
图13所示的损伤数量表具有损伤识别信息(ID：identification：识别码)、损伤种类、尺寸(宽度)、尺寸(长度)、尺寸(面积)的项目，并针对每个损伤记载有与各项目对应的信息。
在裂纹的情况下，进行各裂纹C1～C5的长度或宽度的定量化，这些信息与损伤ID建立关联地记载在损伤数量表中。
[损伤检测结果的编辑]
图5所示的第1学习完毕模型21A在输入拍摄了结构物的图像13时，将各损伤区域作为损伤检测结果27A而输出，但损伤检测结果27A有时会被错误地检测或不准确地检测。
例如，损伤区域以像素单位、或将几个像素作为一块的单位进行区域分类，因此有时缺乏准确性。并且，作为2条裂纹检测出的裂纹有时优选作为1条裂纹连结。这是因为，有时能够类推为裂纹在混凝土内部连接。
因此，CPU20进行通过利用由用户操作的操作部18(例如，鼠标)的操作接受损伤检测结果的编辑指示的编辑指示接受处理，并进行按照接受的编辑指示编辑损伤检测结果的编辑处理。
作为损伤检测结果的编辑例，在线状损伤(裂纹)且沿着裂纹的折线的端点彼此接近的裂纹的情况下，可考虑连结端点彼此的编辑。关于此时的编辑，可以在损伤检测处理后测定裂纹的折线的端点彼此的距离，在所测定的距离为阈值以下的情况下，自动连结端点彼此，也可以根据用户的指示自动连结。阈值可以使用默认的值，也可以设为能够由用户设定。
并且，也可以设置相对于裂纹的长度或宽度的阈值，自动删除小于阈值的损伤检测结果。关于该损伤检测结果的删除，可以在损伤检测处理后自动删除，也可以根据用户的指示删除。阈值可以使用默认的值，也可以设为能够由用户设定。
图14及图15分别是表示损伤检测结果的编辑例的图。另外，在进行损伤检测结果的编辑的情况下，优选将填充裂纹图像的颜色的透明度设定得较高，使其成为容易视觉辨认结构物的图像的状态。
图14是表示在沿着裂纹的折线上追加顶点的方法的图。
折线是连结沿着裂纹的多个顶点(在图14中为用四边形表示的顶点)而描绘的。
在向该折线追加顶点的情况下，如图14(A)所示，使鼠标的光标对准想要追加顶点的折线的线上，右击鼠标，在上下文菜单中选择[追加]。由此，如图14(B)所示，能够在折线的线上追加新的顶点。
并且，通过拖动追加的顶点，使其移动到原本的裂纹的区域，能够编辑沿着裂纹的折线。
图15是表示从沿着裂纹的折线中删除顶点的方法的图。
在从该折线中删除顶点的情况下，如图15(A)所示，使鼠标的光标对准想要删除的顶点，用鼠标右击(使顶点成为选择状态)，在上下文菜单中选择[删除]。由此，如图15(B)所示，能够从折线中删除顶点。
如图15(B)所示，在从折线删除顶点时，在所删除的顶点前后的顶点之间连结折线的线，由此编辑沿着裂纹的折线。
作为上述编辑功能，具有如下功能：通过点击连结顶点的线等使折线整体成为选择状态，一并删除折线整体的功能、或对于裂纹的漏检部位手动新追加折线的功能等。
[损伤评价方法]
图16是表示本发明所涉及的损伤评价方法的实施方式的流程图。
图16所示的各步骤的处理例如通过图4所示的损伤评价装置10的由CPU20等构成的处理器来进行。
在图16中，处理器从图像获取部12或图像数据库14等获取拍摄了评价对象结构物的图像(步骤S10)。
作为损伤检测处理部发挥作用的第1学习完毕模型21A(图5)根据在步骤S10中获取的图像检测结构物的损伤(裂纹)(步骤S12)。
作为特征区域检测处理发挥作用的第2学习完毕模型21B(图5)根据在步骤S10中获取的图像检测与结构物的施工相关联的结构物特征区域(P锥痕迹的区域)(步骤S14)。
处理器通过在步骤S12中进行的损伤检测处理来判别是否检测出损伤(步骤S16)，在检测出损伤的情况(“是”的情况)下，进入步骤S18。
在步骤S18中，在步骤S12中检测出的损伤(裂纹)中，分选与结构物特征区域具有关联性的特定损伤(下沉裂纹)，进入步骤S20。
在步骤S20中，判别是否分选出特定损伤，在判别为分选出特定损伤(“是”的情况)时，处理器输出特定损伤的信息(步骤S22)。
特定损伤的信息的输出例如通过在图像上重叠损伤图像，或将损伤图像单独显示在显示部上，或将表示损伤图的CAD数据以文件形式输出来进行。并且，优选确定特定损伤(下沉裂纹)的尺寸(长度)，根据所确定的尺寸对下沉裂纹图像进行颜色区分或改变线型而输出。
并且，在步骤S20中，在判别为未分选出特定损伤(“否”的情况)时，对于在步骤S12中检测出的损伤(裂纹)，以能够识别不是下沉裂纹的方式输出裂纹信息(步骤S24)。例如，以与下沉裂纹不同的颜色或线型输出裂纹图像。另外，也可以省略步骤S24，不输出特定损伤(下沉裂纹)以外的信息。
[其他]
在本实施方式中，作为与结构物的施工相关联的结构物特征区域，举出了P锥痕迹、接缝的例子，但并不限于此，也可以检测浇筑缝等其他结构物特征区域。并且，作为与结构物特征区域具有关联性的特定损伤，举出了下沉裂纹、月牙裂纹的例子，但从接缝、浇筑缝等中流出的漏水、或因漏水等而从混凝土部件内流出，在水分蒸发时石灰成分在表面露出的游离石灰等损伤是与结构物特征区域(接缝、浇筑缝的区域)具有关联性的特定损伤。
实现本发明所涉及的损伤评价装置的硬件能够由各种处理器(processor)构成。各种处理器包括执行程序而作为各种处理部发挥作用的通用的处理器即CPU(CentralProcessing Unit：中央处理器)、FPGA(Field Programmable Gate Array：现场可编程门阵列)等在制造后能够变更电路结构的处理器即可编程逻辑器件(Programmable LogicDevice；PLD)、ASIC(Application Specific Integrated Circuit：专用集成电路)等具有为了执行特定的处理而进行专用设计的电路结构的处理器即专用电路等。构成损伤评价装置的1个处理部可以由上述各种处理器中的1个构成，也可以由同种或不同种类的2个以上的处理器构成。例如，1个处理部也可以由多个FPGA或CPU和FPGA的组合构成。并且，也可以由1个处理器构成多个处理部。作为由1个处理器构成多个处理部的例子，第一、有如下方式：如以客户端或服务器等计算机为代表那样，由1个以上的CPU和软件的组合构成1个处理器，该处理器作为多个处理部发挥作用。第二、有如下方式：如以片上系统(System OnChip；SoC)等为代表那样，使用由1个IC(Integrated Circuit：集成电路)芯片实现包括多个处理部的系统整体的功能的处理器。如此，作为硬件结构，各种处理部使用1个以上的上述各种处理器而构成。而且，更具体而言，这些各种处理器的硬件结构为将半导体元件等电路元件组合而成的电路(circuitry)。
并且，本发明包括损伤评价程序及记录有该损伤评价程序的存储介质，该损伤评价程序通过安装在计算机中，使计算机作为本发明所涉及的损伤评价装置发挥作用。
此外，本发明并不限定于上述实施方式，在不脱离本发明的精神的范围内，当然能够进行各种变形。
符号说明
10-损伤评价装置，12-图像获取部，13-图像，14-图像数据库，16-存储部，18-操作部，20-CPU，21A-第1学习完毕模型，21B-第2学习完毕模型，22-RAM，24-ROM，26-显示控制部，27A-损伤检测结果，27B-结构物特征区域检测结果，30-显示部，C1～C5、CR、CG、CY-裂纹，J-接缝，P、P1、P2、PB、PG、PR、PY-P锥痕迹，S10～S24-步骤。

Claims (21)

1.一种具备处理器的结构物的损伤评价装置，其中，
所述处理器进行如下处理：
图像获取处理，获取拍摄了所述结构物的图像；
损伤检测处理，根据获取的所述图像检测所述结构物的损伤；
特征区域检测处理，根据获取的所述图像检测与所述结构物的施工相关联的结构物特征区域；
分选处理，在检测出的所述损伤中分选与检测出的所述结构物特征区域具有关联性的特定损伤；及
信息输出处理，输出分选出的所述特定损伤的信息。
2.根据权利要求1所述的损伤评价装置，其中，
在所述损伤检测处理中，在输入所述图像时，执行第1学习完毕模型，所述第1学习完毕模型针对所述结构物的每个损伤输出各损伤的区域来作为识别结果。
3.根据权利要求1或2所述的损伤评价装置，其中，
所述结构物的损伤是所述结构物的裂纹，
所述特定损伤是所述结构物的裂纹中的因所述结构物的施工而产生的特定裂纹。
4.根据权利要求1至3中任一项所述的损伤评价装置，其中，
在所述特征区域检测处理中，在输入所述图像时，执行第2学习完毕模型，所述第2学习完毕模型输出所述结构物特征区域来作为识别结果。
5.根据权利要求1至4中任一项所述的损伤评价装置，其中，
所述结构物特征区域是表示与因所述结构物的施工而产生的所述特定损伤即特定裂纹相关联的施工痕迹的区域。
6.根据权利要求1至5中任一项所述的损伤评价装置，其中，
在所述分选处理中，将与所述结构物特征区域接触的损伤或与所述结构物特征区域重叠的损伤分选为所述特定损伤。
7.根据权利要求6所述的损伤评价装置，其中，
所述分选处理包括使所述结构物特征区域的尺寸膨胀的膨胀处理，将与进行了所述膨胀处理的所述结构物特征区域接触的损伤或与进行了所述膨胀处理的所述结构物特征区域重叠的损伤分选为所述特定损伤。
8.根据权利要求1至7中任一项所述的损伤评价装置，其中，
所述处理器进行确定所述特定损伤的尺寸的尺寸确定处理。
9.根据权利要求8所述的损伤评价装置，其中，
所述结构物的损伤包括所述结构物的裂纹，
所述特定损伤是所述结构物的裂纹中的因所述结构物的施工而产生的特定裂纹，
在所述尺寸确定处理中，计算所述特定裂纹在所述图像上的长度与所述结构物特征区域在所述图像上的长度的相对长度，将计算出的所述相对长度作为所述特定损伤的尺寸。
10.根据权利要求8所述的损伤评价装置，其中，
所述结构物的损伤包括所述结构物的裂纹，
所述特定损伤是所述结构物的裂纹中的因所述结构物的施工而产生的特定裂纹，
在所述尺寸确定处理中，根据所述特定裂纹在所述图像上的长度、所述结构物特征区域在所述图像上的长度及所述结构物特征区域的实际尺寸，计算所述特定损伤的实际尺寸。
11.根据权利要求8所述的损伤评价装置，其中，
所述结构物的损伤包括所述结构物的裂纹，
所述特定损伤是所述结构物的裂纹中的因所述结构物的施工而产生的特定裂纹，
在所述图像中拍摄具有实际尺寸为已知的标尺基准的所述结构物，
在所述尺寸确定处理中，根据所述特定裂纹在所述图像上的长度和所述标尺基准在所述图像上的长度，计算所述特定损伤的实际尺寸。
12.根据权利要求8所述的损伤评价装置，其中，
所述结构物的损伤包括所述结构物的裂纹，
所述特定损伤是所述结构物的裂纹中的因所述结构物的施工而产生的特定裂纹，
在所述尺寸确定处理中，根据所述特定裂纹在所述图像上的长度和拍摄了所述图像的照相机的摄影条件及照相机信息，计算所述特定损伤的实际尺寸。
13.根据权利要求1至12中任一项所述的损伤评价装置，其中，
在所述信息输出处理中，根据所述特定损伤的属性以可识别的方式输出各特定损伤。
14.根据权利要求1至13中任一项所述的损伤评价装置，其中，
在所述信息输出处理中，根据所述特定损伤的属性，以可识别的方式输出与所述特定损伤对应的所述结构物特征区域。
15.根据权利要求1至14中任一项所述的损伤评价装置，其中，
所述处理器计算所述结构物特征区域的总数与对应于所述特定损伤的所述结构物特征区域的个数的比例，
在所述信息输出处理中，输出计算出的所述比例。
16.根据权利要求1至15中任一项所述的损伤评价装置，其中，
所述处理器进行如下处理：
编辑指示接受处理，从由用户操作的操作部接受检测出的所述损伤的检测结果及检测出的所述结构物特征区域的检测结果中的至少一者的编辑指示；及
编辑处理，按照接受的所述编辑指示编辑所述检测结果。
17.根据权利要求1至16中任一项所述的损伤评价装置，其中，
在所述信息输出处理中，将所述特定损伤的信息输出到显示器进行显示，或以文件形式保存在存储器中。
18.根据权利要求1至17中任一项所述的损伤评价装置，其中，
所述特定损伤的信息包括损伤数量表，所述损伤数量表具有损伤识别信息、损伤种类及尺寸的项目，并且针对每个所述特定损伤记载有与各项目对应的信息。
19.一种损伤评价方法，由处理器进行结构物的损伤评价，其中，
所述处理器的各处理包括如下步骤：
获取拍摄了所述结构物的图像；
根据获取的所述图像检测所述结构物的损伤；
根据获取的所述图像检测与所述结构物的施工相关联的结构物特征区域；
在检测出的所述损伤中分选与检测出的所述结构物特征区域具有关联性的特定损伤；及
输出分选出的所述特定损伤的信息。
20.一种损伤评价程序，其使计算机执行进行结构物的损伤评价的方法，其中，
所述方法包括如下步骤：
获取拍摄了所述结构物的图像；
根据获取的所述图像检测所述结构物的损伤；
根据获取的所述图像检测与所述结构物的施工相关联的结构物特征区域；
在检测出的所述损伤中分选与检测出的所述结构物特征区域具有关联性的特定损伤；及
输出分选出的所述特定损伤的信息。
21.一种记录介质，其为非临时性且计算机可读取的记录介质，记录有权利要求20所述的程序。
CN202180029334.XA 2020-05-07 2021-04-26 损伤评价装置、方法及程序 Pending CN115443407A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020-081971 2020-05-07
JP2020081971 2020-05-07
PCT/JP2021/016627 WO2021225084A1 (ja) 2020-05-07 2021-04-26 損傷評価装置、方法及びプログラム

Publications (1)

Publication Number Publication Date
CN115443407A true CN115443407A (zh) 2022-12-06

Family

ID=78467958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180029334.XA Pending CN115443407A (zh) 2020-05-07 2021-04-26 损伤评价装置、方法及程序

Country Status (5)

Country Link
US (1) US20230113537A1 (zh)
EP (1) EP4148663A4 (zh)
JP (1) JP7429774B2 (zh)
CN (1) CN115443407A (zh)
WO (1) WO2021225084A1 (zh)

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4958306A (en) * 1988-01-06 1990-09-18 Pacific Northwest Research & Development, Inc. Pavement inspection apparatus
JP2005043324A (ja) * 2003-07-25 2005-02-17 Matsushita Electric Ind Co Ltd 路面損傷状態点検方法及び路面損傷位置の特定方法
JP5854452B2 (ja) * 2011-04-22 2016-02-09 株式会社太平洋コンサルタント コンクリート構造物の劣化診断用画像表示システム
JP6255224B2 (ja) * 2013-11-29 2017-12-27 公益財団法人鉄道総合技術研究所 コンクリート壁面画像から目地を検出する方法
JP2015105905A (ja) 2013-12-02 2015-06-08 公益財団法人鉄道総合技術研究所 変状の時系列管理に用いるトンネル覆工面画像の補正方法
JP6373111B2 (ja) * 2014-07-25 2018-08-15 西日本高速道路エンジニアリング四国株式会社 トンネル覆工面調査システムおよびトンネル覆工面調査システムに用いる車両
JP6508939B2 (ja) * 2014-12-25 2019-05-08 西日本高速道路エンジニアリング四国株式会社 トンネル覆工面画像のひび割れ領域抽出のための画像処理方法
JP2016142601A (ja) 2015-01-30 2016-08-08 前田建設工業株式会社 施工品質評価プログラム、施工品質評価方法及び施工品質評価装置
JP6576473B2 (ja) * 2016-01-22 2019-09-18 富士フイルム株式会社 ひび割れ情報編集装置、ひび割れ情報編集方法およびひび割れ情報編集プログラム
WO2017217185A1 (ja) 2016-06-14 2017-12-21 富士フイルム株式会社 サーバ装置、画像処理システム及び画像処理方法
WO2018165753A1 (en) * 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
CN110892255B (zh) * 2017-07-07 2024-03-01 佳能株式会社 从图像检测缺陷的图像处理装置、方法和存储介质
KR20190066789A (ko) * 2017-12-06 2019-06-14 서울시립대학교 산학협력단 딥러닝을 이용한 영상 기반 콘크리트 균열 탐지 시스템
JP7330710B2 (ja) * 2018-04-26 2023-08-22 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム

Also Published As

Publication number Publication date
JPWO2021225084A1 (zh) 2021-11-11
WO2021225084A1 (ja) 2021-11-11
JP7429774B2 (ja) 2024-02-08
EP4148663A4 (en) 2023-10-25
EP4148663A1 (en) 2023-03-15
US20230113537A1 (en) 2023-04-13

Similar Documents

Publication Publication Date Title
JP7319432B2 (ja) 学習用データ収集装置、学習用データ収集方法、及びプログラム
JP6807459B2 (ja) 損傷図作成方法、損傷図作成装置、損傷図作成システム、及び記録媒体
JP6874096B2 (ja) 損傷図編集装置及びプログラム
JP7170023B2 (ja) 損傷データ編集装置、損傷データ編集方法、プログラム、およびシステム
CN113167742B (zh) 混凝土构造物的点检辅助装置、点检辅助方法及记录介质
JP2016090548A (ja) ひび割れ情報収集方法及びひび割れ情報収集プログラム
CN111684234A (zh) 修补长度的确定方法及修补长度的确定装置
JP2021196705A (ja) 画像処理装置、画像処理方法およびプログラム
US20230112828A1 (en) Inspection support device, inspection support method, and program
KR101492505B1 (ko) 철근 조립체의 카메라 촬영 이미지를 이용한 철근 배근 상태 정보 산출 방법
US11423511B2 (en) Image composition method, image composition device, and recording medium
JP2023168548A (ja) 点検支援装置、方法及びプログラム
JP6323179B2 (ja) 物体検出システムおよび物体検出方法
CN115443407A (zh) 损伤评价装置、方法及程序
KR102588141B1 (ko) 드론 영상정보를 이용한 딥러닝 기반 구조물 손상 점검 방법
CN115731186A (zh) 面料质量检测方法、装置、设备及存储介质
JP6894339B2 (ja) ひび割れ検出装置、ひび割れ検出方法、および、コンピュータプログラム
JP2004021578A (ja) 画像処理方法
JP7329951B2 (ja) 画像処理装置およびその制御方法
JP2022062915A (ja) 情報処理装置、情報処理方法及びプログラム
JP7326446B2 (ja) 画像表示装置、方法及びプログラム
JP7390743B2 (ja) 物体測定装置及び物体測定方法
YAMANE et al. Reflection of the position of cracks in a 3-d model of a bridge using semantic segmentation
KR102541678B1 (ko) 무인 비행체를 이용한 깊이 맵 기반의 디지털 외관 조사망도 구축 및 구조물 물량 산출 장치 및 방법
Majidi et al. Intelligent 3d Crack Reconstruction Using Close Range Photogrammetry Imagery

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination