JP2019035626A - タイヤ画像の認識方法及びタイヤ画像の認識装置 - Google Patents
タイヤ画像の認識方法及びタイヤ画像の認識装置 Download PDFInfo
- Publication number
- JP2019035626A JP2019035626A JP2017156115A JP2017156115A JP2019035626A JP 2019035626 A JP2019035626 A JP 2019035626A JP 2017156115 A JP2017156115 A JP 2017156115A JP 2017156115 A JP2017156115 A JP 2017156115A JP 2019035626 A JP2019035626 A JP 2019035626A
- Authority
- JP
- Japan
- Prior art keywords
- tire
- image
- recognition
- images
- teacher
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 12
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 238000005299 abrasion Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000011478 gradient descent method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000011324 bead Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
- B60C11/24—Wear-indicating arrangements
- B60C11/246—Tread wear monitoring systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/02—Tyres
- G01M17/027—Tyres using light, e.g. infrared, ultraviolet or holographic techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C19/00—Tyre parts or constructions not otherwise provided for
- B60C2019/006—Warning devices, e.g. devices generating noise due to flat or worn tyres
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Tires In General (AREA)
Abstract
Description
摩耗量の判別においては、それがタイヤの走行性能や安全性能に対して重要であるにも関わらず、運転者による点検が日常的に必要な頻度で実施されているとは言い難い。
そこで、人による目視ではなく、カメラのような機械による画像から摩耗量などのタイヤ情報を認識できれば、点検の省力化が実現できるだけでなく、管理コストの低減も期待できる。
近年、画像処理、画像認識の技術が大きく進歩しており、例えば、タイヤのトレッドパターンを撮影し、そのアスペクト比やトレッド溝深さを解析してタイヤ摩耗量を特定するなど、タイヤの点検への活用が検討され始めている(例えば、特許文献1参照)。
更に、用いる画像の明るさや角度、大きさといった個別の画像状態に解析精度が左右されてしまっていた。
このように、タイヤ画像を認識する際に、畳み込み層とプーリング層により入力したタイヤ画像データから特徴量を抽出した後、全結合層(従来のニューラルネットワーク)にて判別する畳み込みニューラルネットワークを用いたので、ニューラルネットワーク内のパラメータが大幅に削減されて計算速度を速めることができるだけでなく、トレッドパターンのエッジやラインといった特徴的な幾何学情報を設定することなく、品種や摩耗量などのタイヤ情報を精度よく認識・判別することができる。
また、畳み込みニューラルネットワークでは、学習時は、教師用画像データのセットに対する誤差を、勾配急降下法(GD)や確率的勾配急降下法(SGD)などを用いて誤差逆伝搬法により最小化するように、ニューラルネットワークのパラメータを更新して最適化しているので、認識対象のタイヤの判別精度を大幅に向上させることができる。
また、前記教師用画像及び認識対象のタイヤのタイヤ画像に、少なくとも1つのパターン周期構造が写っているようにしたので、少ない画像情報量でタイヤ情報を正確に認識・判別できる。
また、前記教師用画像及び認識対象のタイヤのタイヤ画像をグレースケールに変換し、前記グレースケールの階調を0〜1の範囲に規格化したので、画像情報量を少なくして計算時間を短縮できる。
このような構成を採ることにより、品種や摩耗量などのタイヤ情報を精度よく認識・判別することのできるタイヤ画像の認識装置を実現できる。
本例のタイヤ画像の認識装置10は、タイヤ画像撮影手段11と、画像データ変換手段12と、画像格納手段13と、タイヤ認識・判別手段14と、表示手段15とを備え、撮影されたタイヤの画像から、当該タイヤの摩耗状態を判別する。
タイヤ画像撮影手段11としては、例えば、デジタルカメラやスマートフォンなどの撮影装置が用いられ、表示手段15は、ディスプレイ等から構成される。なお、ビデオなどの動画を撮影して、その静止画を用いてもよい。
また、画像データ変換手段12〜タイヤ認識・判別手段14までの各手段は、ROMやRAMなどの記憶装置とマイクロコンピュータのプログラムとから構成される。
タイヤ画像撮影手段11は、タイヤ20の表面の画像を撮影してタイヤ画像を取得する。具体的には、タイヤ20の周の複数の位置(例えば、6か所)を撮影して複数の画像を取得する。
色調は、グレースケール、RGBのいずれでもよいが、タイヤは黒色なので、本例では、グレースケール画像を用いた。これにより、チャンネル数が1つで済むので、画像情報量を少なくすることができる。なお、画像階調としては、グレースケール225階調を0〜1の範囲に規格化した画像を使用した。
タイヤ画像撮影手段11は、畳み込みニューラルネットワークの学習用データを取得するための、摩耗量が異なる複数の基準タイヤと、摩耗量を認識・判別するため認識用タイヤとを撮影する。
本例では、基準タイヤの画像数を6枚、認識用タイヤの画像数を2枚とした。
また、画像のサイズや画素数も特に限定しないが、本例では、撮影画像のサイズを、480×640ピクセルとした。また、画像範囲も特に限定しないが、画像全体にトレッドのいずれかの部分が収まっていることが望ましい。もし、画像に、風景や車両などのタイヤ20以外の物体が写っている場合には、タイヤ部分を抽出して、これを新たにタイヤ画像とすることが望ましい。
具体的には、図2に示すように、撮影したタイヤ画像G0から、矩形もしくは正方形の範囲で、タイヤ画像G0よりもサイズが小さい複数の画像G1〜Gnを切り出し、これらを変換画像とする。このとき、変換画像G1〜Gnの各画像内には、トレッドパターンを構成する最小周期のパターンが最低でも1個収まっていることが望ましい。
本例では、タイヤ画像G0のサイズを480×640ピクセルとし、変換画像G1〜Gnのサイズを256×256ピクセルとし、1枚のタイヤ画像G0から6枚の変換画像G1〜G6を切り出した。変換画像の個数は36枚となる。
画像格納手段13は、 画像データ変換手段12で変換された、学習用データの変換画像GL1〜GLnと、認識用データの変換画像GS1〜GSnとを収納する。なお、学習用データの変換画像GL1〜GLnは、後述する畳み込み層やプーリング層のフィルタや全結合層のパラメータなどを決定するための教師データGL1〜GLmと、畳み込みニューラルネットワークの判別精度を確認するためのテストデータGLm+1〜GLnとに分けて収納される。教師データの個数mとしては、学習用データの総数nの2/3以上とすることが好ましい。
本例では、水準数を2とし、mを27とした。すなわち、36×2枚の学習用画像のうちの27×2枚を教師画像とし、残りの9×2枚をテスト画像とした。
特徴量抽出部14Aは、畳み込み用フィルタF1(ここでは、F11,F12)を備えた畳み込み層と、矩形フィルタF2(ここでは、F21,F22)を備えたプーリング層とを備え、画像データ変換手段12で変換された認識用データの変換画像GS(GS1〜GSn)から認識する対象となるタイヤの画像である認識用画像の特徴量を抽出した後、各ピクセルの値を一次元に展開して認識・判別部14Bに送る。
認識・判別部14Bは、入力層、隠れ層、出力層の3つの全結合層を備え、認識用画像の特徴量と教師用画像の特徴量とを比較して、対象となるタイヤの摩耗状態を認識・判別し、判別結果を「確率」の形で出力層から表示手段15に出力する。
全結合層は、それぞれが、図1の丸印で示す、1つ1つがある関数を有する複数個のユニット(ニューロンともいう)から構成され、かつ、前の全結合層の全てのユニットと結合されている。出力層のユニット数は、摩耗状態の水準数に等しい。
ここでは、摩耗状態の水準数を、新品(摩耗量0mm)と摩耗量大(摩耗量11mm)の2水準とした。
なお、全結合層の数は2層であってもよいし、4層以上であってもよい。
また、上記の畳み込み用フィルタF11,F12と矩形フィルタF21,F22、及び、全結合層のユニット同士を結合するパラメータ(重み、もしくは、weight)は、教師データGL1〜GLkを用いた深層学習(Deep Learning)により求められる。
畳み込みニューラルネットワークの詳細と深層学習については後述する。
表示手段15は、タイヤ認識・判別手段14の判定結果を表示画面15Gに表示する。
畳み込みニューラルネットワークは、入力画像に対してフィルタを用いた畳み込み処理を行って特徴画像を出力する畳み込み層(Convolution layer)と、抽出された特徴の位置感度を低下させることで位置変化に対する認識能力を向上させるプーリング層(Pooling layer)とを組み合わせたフィードフォワード型のニューラルネットワークで、畳み込み層とプーリング層とを何回か繰り返した後に、全結合層(fully connected layer)が配置される構成となっている。なお、畳み込み層とプーリング層とは必ずしもペアで有る必要なく、例えば、畳み込み層−畳み込み層−プーリング層としてもよい。
畳み込み層は、入力画像に対してフィルタをかける(畳み込む)層で、入力画像の特徴を的確に捉えるためには、フィルタを複数個使うことが好ましい。
なお、畳み込み用のフィルタは、適当な大きさの領域に含まれる各画素値を重みづけして足し合わせるもので、4次元テンソルで表せる。
一方、プーリング層は、矩形のフィルタを入力画像内でずらして行き矩形内の最大値を取出して新しい画像を出力する(MAXプーリング)ことで抽出された特徴の位置感度を低下させる。なお、矩形内の値の平均値を採る平均値プーリングを行ってもよい。
畳み込み用フィルタF11としては、一般には、サイズがp×pの正方形のフィルタが用いられる。畳み込み用フィルタF11の升目の大きさは認識用画像Gkのピクセルに相当し、升目内の数字(フィルタ値)a1,1〜ap,pが学習により更新可能なパラメータとなっている。すなわち、学習の過程で、画像の特徴量が抽出できるように、パラメータa1,1〜ap,pが更新される。
図3に示すように、入力画像である認識用画像Gkに、畳み込み用フィルタF11を所定のスライド幅で掛けて、第1の畳み込み画像Gk(F11)を得る。この第1の畳み込み画像Gk(F11)の画素値は、畳み込み用フィルタF11が掛けられたp×pの正方形内の認識用画像Gkの画素値とフィルタ値との内積で与えられる。なお上記の畳み込み処理より、第1の畳み込み画像Gk(F11)のサイズは、認識用画像Gkのサイズよりも小さくなる。
なお、畳み込み用フィルタF12を用いて、後述する第2のプーリング画像Gk(F21)から第2の畳み込み画像Gk(F12)を得る動作も同様である。
畳み込み用フィルタF11,F12としては、横方向のエッジを検出する横方向微分フィルタや縦方向のエッジを検出する縦方向微分フィルタなどが用いられる。
本例では、図4に示すように、入力画像である第1の畳み込み画像Gk(F11)内で、q×qの矩形フィルタF21を、所定のスライド幅でずらして行き、畳み込み用フィルタF21が掛けられたq×qの正方形内の第1の畳み込み画像Gk(F11)の画素値のうちの最大の値を取出して新しい画像である第1のプーリング画像Gk(F21)を出力するMAXプーリングを行った。プーリング処理でも、第1のプーリング画像Gk(F21)のサイズは、第1の畳み込み画像Gk(F11)のサイズよりも小さくなる。
矩形フィルタF22を用いて、第2の畳み込み画像Gk(F11)から第2のプーリング画像Gk(F22)を得る動作も同様である。
なお、プーリング処理では、学習の過程で更新されるパラメータは存在しない。
図5に示すように、同図の白丸で示す全結合層の各ユニットは、前の層及び次の層の全てのユニットと、学習により更新可能なパラメータにより結合されている。
入力層及び隠れ層のユニット数をそれぞれN1、N2、入力層の上からm番目(m=1〜N2)のユニットと隠れ層の上からn番目のユニットとの結合パラメータである重みをWm,n、入力層の各ユニットの値をu1,k(k=1〜N1)とすると、隠れ層の上からn番目のユニットへの入力値u2,mは、u2,m=W1,m×u1,1+W2,m×u1,2+……+WN1,m×u1,N1となる。実際には、この入力値u2,nにバイアスb2,nが加わる。バイアスb2,nも、学習により更新可能なパラメータである。
ニューラルネットワークでは、このようにして得られた入力値u2,nに、更に重み活性化関数(activation function)を通して出力することで、非線形性を高めて分類の判別精度を向上させる。
隠れ層が複数ある場合、及び、隠れ層と出力層との関係も、同様である。
重み活性化関数としては、tanhやジグモイド(Sigmoid)関数などが用いられるが、本例では、tanhよりも高速でかつ高性能なReLU(Rectified Linear Unit)関数を用いた。
なお、出力層では、重み活性化関数としてSoftmax関数を用いる。
Softmax関数は、出力層のみに用いられる特別な活性化関数で、出力層の出力値の組み合わせを確率に変換する。すなわち、出力値が0〜1、出力値の総和が1(100%)になるように出力層の出力値を変換する。
まず、各水準の出力値についての「正答」の出力値と、教師用画像を入力して得られた出力値との差を、誤差関数(loss function)により数値化する。本例では、教師用画像が27×2枚であるので、54枚のデータを畳み込みネットワークに通した時の誤差の合計が最小になるように上記のパラメータを更新する。本例では、誤差関数として交差エントロピー関数(cross-entropy loss function)を用いた。
また、本例では、誤差を小さくする方法として、確率的勾配下降法(SGD; Stochastic Gradient Descent method)を用いるとともに、誤差関数の勾配の修正に、誤差逆伝搬法(back propagation)のアルゴリズムを用いた。
確率的勾配下降法は、全データの中から、ミニバッチ単位で少数のサンプルだけを抜き出し、このサンプルでの全体と見做してパラメータを更新する。
また、誤差逆伝搬法は、勾配を直接計算するのではなく、出力から入力にかけて勾配を順次求めることで、勾配を高速に求めることができる。
なお、データ数が多い場合には、全結合層の計算を行う際に、一部のユニットをないものとして計算するDropoutの手法を用いれば、過学習を防ぐことができる。
また、学習回数については特に限定しないが、最低10回以上行うことが好ましい。学習が正しく行われていれば、誤差関数の値が学習を経る後に減少する。
まず、CNN(畳み込みニューラルネットワーク)の学習が終了しているか否かを確認する(ステップS10)。
学習が終了していない場合にはステップS11に進み、学習が終了している場合にはステップS21に進む。
ステップS11では、摩耗量が異なる複数の基準タイヤの表面を撮影して、基準タイヤの画像を取得する。
次に、取得した基準タイヤの画像を一定サイズの大きさの複数の画像に変換(ステップS12)した後、この変換された画像を複数の教師用画像とテスト用画像とに分ける(ステップS13)。
そして、これら複数の教師用画像を用いて、深層学習し、畳み込み層やプーリング層のフィルタ値、及び、全結合層の重みなどのCNNのパラメータを自己更新して、学習パラメータを求め(ステップS14)、これら求められた学習済みのパラメータを用いて、図1のタイヤ認識・判別手段に相当する摩耗量判別装置を構築する(ステップS15)。
そして、学習が完了した時点で、テスト用画像を用いて、摩耗量判別装置の判別精度を確認する(ステップS16)。
判別精度の確認後には、ステップS21に進んで、摩耗量を認識・判別する対象となるタイヤの表面を撮影して、認識用タイヤの画像を取得する。
次に、取得した認識用タイヤの画像を一定サイズの大きさの複数の画像に変換する(ステップS22)。
そして、これら変換された画像のデータを、前記ステップS15で構築した摩耗量判別装置に入力して、認識用タイヤを認識・判別(ステップS23)した後、その判別結果をディスプレイ等の表示画面に表示(ステップS24)して、本処理を終了する。
なお、次のタイヤの認識・判別を行う場合には、ステップS21〜ステップS24の処理を行えばよい。
例えば、摩耗状態に代えて、摩耗量を判別したい場合には、教師データとして、1〜2mm刻みで摩耗した複数水準のタイヤ画像を摩耗量の水準数だけラベリングして学習させておき、そのパラメータを用いて実際の判別したいタイヤの摩耗量を判別するようにすればよい。
また、前記実施形態では、タイヤ状態をトレッド摩耗量としたが、サイドトレッドにひび割れがあるか否かなどについても、正常品と不良品とを認識して判別することも可能である。
また、トレッドパターンから品種を特定したい場合には、品種の数をラベルとして学習させ、判別に用いればよい。
なお、出力された判別結果は、サーバーやクラウドなどに格納しておけば、結果の情報を現場ユーザーへ告知したり、結果によってはタイヤの交換を推奨するといったサービスに用いることができる。
同一品種のタイヤにおいて、タイヤ摩耗量を、新品及び摩耗量大の2水準とした場合の識別結果について説明する。
なお、識別方法については、図6に示したフローチャートによる。
タイヤの仕様を下記に示す。
・タイヤ1
サイズ;245/70R19.5
パターン;A
摩耗量;0mm(新品のタイヤ)
・タイヤ2
サイズ;245/70R19.5
パターン;A
摩耗量;11mm
・撮影画像
写真はスマートフォンのカメラで、各タイヤの周長を無作為に6枚ずつ撮影した。
図7(a)がタイヤ1の画像で、図7(b)がタイヤ2の画像である。
画像のサイズは、いずれも、480×640ピクセルである。
・画像階調
グレースケール255階調を0〜1の範囲に規格化した。
データ変換後の画像を図7(c),(d)に示す。
データ変換後の画像のサイズは、256×256ピクセルである。
2種類のタイヤに対して、それぞれ、以下のようにデータを振り分けた。
Pic0,1.jpeg〜Pic4,3.jpeg;教師画像27枚
Pic44,.jpeg〜Pic5,6.jpeg;テスト画像9枚
・深層学習条件
畳み込みの数;2
フィルターサイズ;それぞれ、16,6
プーリングの数;2
プーリング領域;それぞれ、7,3
全結合層のサイズ
第1層(入力層);400×1×27
第2層(隠れ層);50×1×27
第3層(出力層);2×1×27
第1層から第2層への計算では、ドロップアウト手法を適用。
出力値は、ソフトマックス関数で確率要素に変換。
誤差関数としてクロスエントロピー関数を用い、教師データとの誤差を見積もった。
勾配逆伝搬法で、フィルタと重み関数とを更新。
以上の学習サイクルを10回繰り返し、学習パラメータを得た。
・結果
得られた学習パラメータをテスト画像の識別テストに用いた結果を以下の表1に示す。
また、判別正答率は100%であった。
すなわち、テスト用タイヤ1の9画像とテスト用タイヤ2の9画像の合計18枚を、全て正しく認識・分類した。
タイヤ摩耗量が大のタイヤ2と摩耗量が中のタイヤ3とを識別した
・タイヤ2
サイズ;245/70R19.5
パターン;A
摩耗量;11mm
・タイヤ3
サイズ;245/70R19.5
パターン;A
摩耗量;8mm
図8(a),(b)は、タイヤ2とタイヤ3の撮影画像で、図8(c),(d)は、データ変換後の画像である。
・実施条件は、実施例1に順ずる。
・結果
判別正答率は96%であった。
すなわち、テスト用タイヤ2の9画像とテスト用タイヤ3の9画像の合計18枚のうち、17枚を正しく認識・分類した。
新品タイヤ1とタイヤ摩耗量が大のタイヤ2と摩耗量が中のタイヤ3とを識別した
・タイヤ1
サイズ;245/70R19.5
パターン;A
摩耗量;0mm(新品のタイヤ)
・タイヤ2
サイズ;245/70R19.5
パターン;A
摩耗量;11mm
・タイヤ3
サイズ;245/70R19.5
パターン;A
摩耗量;8mm
なお、タイヤ1〜タイヤ3の撮影画像とデータ変換後の画像は、図7及び図8に示したものと同じである。
・実施条件は、実施例1に順ずる。
・結果
判別正答率は96%であった。
すなわち、テスト用タイヤ1の9画像とテスト用タイヤ2の9画像とテスト用タイヤ3の9画像の合計27枚のうち、26枚を正しく認識・分類した。
品種の異なるタイヤ1とタイヤ4とを識別した。
・タイヤ1
サイズ;245/70R19.5
パターン;A
摩耗量;0mm(新品のタイヤ)
・タイヤ4
サイズ;205/65R15
パターン;B
摩耗量;0mm(新品のタイヤ)
図9(a),(b)は、タイヤ1とタイヤ4の撮影画像で、図9(c),(d)は、データ変換後の画像である。
・実施条件は、実施例1に順ずる。
・結果
判別正答率は100%であった。
すなわち、テスト用タイヤ1の9画像とテスト用タイヤ4の9画像の合計18枚を、全て正しく認識・分類した。
トレッドパターンの異なるタイヤ4とタイヤ5とを識別した。
・タイヤ4
サイズ;205/65R15
パターン;B
摩耗量;0mm(新品のタイヤ)
・タイヤ5
サイズ;205/65R15
パターン;C
摩耗量;0mm(新品のタイヤ)
図10(a),(b)は、タイヤ4とタイヤ5の撮影画像で、図10(c),(d)は、データ変換後の画像である。
・画像に関する実施条件は、実施例1と同様である。
・深層学習条件
畳み込みの数;4
フィルターサイズ;それぞれ、8,5,4,4
プーリングの数;4
プーリング領域;それぞれ、5,4,4,4
全結合層のサイズ
第1層(入力層);2304×1×27
第2層(隠れ層);なし
第3層(出力層);2×1×27
他の学習条件は実施例1に順ずる。
・結果
判別正答率は100%であった。
すなわち、テスト用タイヤ4の9画像とテスト用タイヤ5の9画像の合計18枚を、全て正しく認識・分類した。
畳み込み構造を持たないタイヤ識別装置にて、新品タイヤ1とタイヤ摩耗量が大のタイヤ2と摩耗量が中のタイヤ3とを識別した
・タイヤ1
サイズ;245/70R19.5
パターン;A
摩耗量;0mm(新品のタイヤ)
・タイヤ2
サイズ;245/70R19.5
パターン;A
摩耗量;11mm
・タイヤ3
サイズ;245/70R19.5
パターン;A
摩耗量;8mm
・画像に関する実施条件は、実施例1と同様である。
・深層学習条件
畳み込み;なし
全結合層のサイズ
第1層(入力層);65536×1×27
第2層(隠れ層);50×1×27
第3層(出力層);2×1×27
他の学習条件は実施例1に順ずる。
・結果
判別正答率は59%であった。
すなわち、テスト用タイヤ1の9画像とテスト用タイヤ2の9画像とテスト用タイヤ3の9画像の合計27枚のうち、16枚しか正しく認識・分類できなかった。
12 画像データ変換手段、13 画像格納手段、14 タイヤ認識・判別手段、
14A 特徴量抽出部、14B 認識・判別部、15 表示手段、20 タイヤ。
Claims (5)
- タイヤ画像を認識する方法であって、
品種もしくはタイヤ状態のいずれか一方もしくは両方の異なる複数のタイヤ画像を取得して、これを教師用画像とするステップと、
前記教師用画像を、それぞれ、一定の画素数のサイズへ変換するステップと、
前記変換した複数の教師用画像データを学習用画像として、畳み込みニューラルネットワークで学習し、前記ニューラルネットワークのパラメータを設定するステップと、
認識対象のタイヤのタイヤ画像を取得し、これを前記教師用画像と同じサイズへ変換するステップと、
前記変換された認識対象のタイヤのタイヤ画像を前記畳み込みニューラルネットワークに入力し、前記対象となるタイヤの品種もしくはタイヤ状態のいずれか一方もしくは両方を判別するステップとを備えることを特徴とするタイヤ画像の認識方法。 - 前記品種もしくはタイヤ状態が、トレッドパターン、トレッド摩耗量、サイドトレッドのひび割れ、のいずれかであることを特徴とする請求項1に記載のタイヤ画像の認識方法。
- 前記教師用画像及び認識対象のタイヤのタイヤ画像には、少なくとも1つのパターン周期構造が写っていることを特徴とする請求項1または請求項2に記載のタイヤ画像の認識方法。
- 前記教師用画像及び認識対象のタイヤのタイヤ画像をグレースケールに変換し、前記グレースケールの階調を0〜1の範囲に規格化したことを特徴とする請求項1〜請求項3にいずれかに記載のタイヤ画像の認識方法。
- タイヤ画像を認識する装置であって、
品種もしくはタイヤ状態のいずれか一方もしくは両方の異なる複数の教師用画像と認識対象となる認識用画像とを撮影するタイヤ画像撮影手段と、
前記教師用画像と前記認識用画像とを一定の画素数のサイズへ変換する画像データ変換手段と、
前記画像データ変換手段で変換された画像の特徴量を抽出する特徴量抽出手段と、
前記認識用画像の特徴量と教師用画像の特徴量とを比較して、前記対象となるタイヤの品種もしくはタイヤ状態のいずれか一方もしくは両方を判別する判別手段とを備え、
前記特徴量抽出手段が、
前記教師用画像を学習用画像として構築した畳み込みニューラルネットワークの畳み込み層とプーリング層であり、
前記判別手段が、
前記畳み込みニューラルネットワークの全結合層であることを特徴とするタイヤ画像の認識装置。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017156115A JP7132701B2 (ja) | 2017-08-10 | 2017-08-10 | タイヤ画像の認識方法及びタイヤ画像の認識装置 |
PCT/JP2018/029613 WO2019031503A1 (ja) | 2017-08-10 | 2018-08-07 | タイヤ画像の認識方法及びタイヤ画像の認識装置 |
US16/619,793 US11176408B2 (en) | 2017-08-10 | 2018-08-07 | Tire image recognition method and tire image recognition device |
EP18843613.3A EP3667286A4 (en) | 2017-08-10 | 2018-08-07 | TIRE IMAGE RECOGNITION PROCESS AND TIRE IMAGE RECOGNITION DEVICE |
CN201880048281.4A CN110945337A (zh) | 2017-08-10 | 2018-08-07 | 轮胎图像识别方法和轮胎图像识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017156115A JP7132701B2 (ja) | 2017-08-10 | 2017-08-10 | タイヤ画像の認識方法及びタイヤ画像の認識装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019035626A true JP2019035626A (ja) | 2019-03-07 |
JP7132701B2 JP7132701B2 (ja) | 2022-09-07 |
Family
ID=65271196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017156115A Active JP7132701B2 (ja) | 2017-08-10 | 2017-08-10 | タイヤ画像の認識方法及びタイヤ画像の認識装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11176408B2 (ja) |
EP (1) | EP3667286A4 (ja) |
JP (1) | JP7132701B2 (ja) |
CN (1) | CN110945337A (ja) |
WO (1) | WO2019031503A1 (ja) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020175350A1 (ja) | 2019-02-28 | 2020-09-03 | 三菱マテリアル株式会社 | 廃電子基板の処理方法 |
JP2021060271A (ja) * | 2019-10-07 | 2021-04-15 | 横浜ゴム株式会社 | タイヤ空気圧低下度推定装置、タイヤ空気圧低下度学習装置、タイヤ空気圧低下度推定方法、学習済モデルの生成方法及びプログラム |
JP2021063703A (ja) * | 2019-10-11 | 2021-04-22 | 横浜ゴム株式会社 | タイヤ摩耗度推定装置、タイヤ摩耗度学習装置、タイヤ摩耗度推定方法、学習済モデルの生成方法及びプログラム |
JP2021064282A (ja) * | 2019-10-16 | 2021-04-22 | 横浜ゴム株式会社 | タイヤ種類学習装置、タイヤ種類推定装置、学習済モデルの生成方法、タイヤ種類推定方法及びプログラム |
JP2021124315A (ja) * | 2020-02-03 | 2021-08-30 | 横浜ゴム株式会社 | タイヤ空気圧低下度判定装置、タイヤ空気圧低下度判定方法及びプログラム |
JP2021128696A (ja) * | 2020-02-17 | 2021-09-02 | 横浜ゴム株式会社 | 交換支援システム、交換支援方法およびプログラム |
JP7020581B1 (ja) | 2021-10-06 | 2022-02-16 | 住友ゴム工業株式会社 | タイヤの状態の推定方法 |
KR102367702B1 (ko) * | 2020-12-30 | 2022-02-25 | 주식회사 오토피디아 | 심층 인공신경망을 이용한 타이어 규격 자동 인식 시스템 및 방법 |
WO2022131822A1 (ko) * | 2020-12-18 | 2022-06-23 | 한국공학대학교산학협력단 | 딥러닝 기반의 타이어 외관 결함 검출 방법 및 장치 |
KR20220086851A (ko) * | 2020-12-17 | 2022-06-24 | 한국타이어앤테크놀로지 주식회사 | 내부공기 측정설비와 딥러닝부를 이용한 불량타이어의 자동검출방법 |
KR20220097152A (ko) * | 2020-12-30 | 2022-07-07 | 주식회사 오토피디아 | 심층 인공신경망을 이용한 타이어 트레드면 마모 판단 시스템 및 방법 |
KR20220162337A (ko) * | 2021-06-01 | 2022-12-08 | 한국타이어앤테크놀로지 주식회사 | 타이어에 설치된 전자장치를 이용한 클라우드 시스템 및 이의 서비스 방법 |
WO2023119663A1 (ja) * | 2021-12-24 | 2023-06-29 | 日本電気株式会社 | タイヤ検査支援装置及び方法、並びに、コンピュータ可読媒体 |
US11803970B2 (en) | 2019-12-23 | 2023-10-31 | Konica Minolta, Inc. | Image judgment device, image judgment method, and storage medium |
JP2023183769A (ja) * | 2022-06-16 | 2023-12-28 | オートペディア カンパニー リミテッド | 深層人工ニューラルネットワークを用いたタイヤトレッド面摩耗判断システム及び方法 |
JP7441115B2 (ja) | 2020-05-26 | 2024-02-29 | Toyo Tire株式会社 | タイヤ設計支援方法、システム及びプログラム |
JP7462480B2 (ja) | 2020-06-16 | 2024-04-05 | Toyo Tire株式会社 | タイヤ性能予測モデルの学習方法、タイヤ性能予測方法、システム及びプログラム |
JP7492120B2 (ja) | 2020-04-06 | 2024-05-29 | 横浜ゴム株式会社 | 消耗状態学習装置、学習済モデルの生成方法及びプログラム |
JP7495596B2 (ja) | 2020-02-17 | 2024-06-05 | 横浜ゴム株式会社 | 交換支援システム、交換支援方法およびプログラム |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6333871B2 (ja) * | 2016-02-25 | 2018-05-30 | ファナック株式会社 | 入力画像から検出した対象物を表示する画像処理装置 |
CN111507362B (zh) * | 2019-01-30 | 2023-12-19 | 中强光电股份有限公司 | 神经网络的训练方法、基于神经网络的分类方法及其装置 |
CN110458838A (zh) * | 2019-08-23 | 2019-11-15 | 讯飞智元信息科技有限公司 | 一种故障类型的检测方法、装置、存储介质及设备 |
US11507831B2 (en) * | 2020-02-24 | 2022-11-22 | Stmicroelectronics International N.V. | Pooling unit for deep learning acceleration |
US11393072B2 (en) * | 2020-06-26 | 2022-07-19 | Adobe Inc. | Methods and systems for automatically correcting image rotation |
DE102020210888A1 (de) * | 2020-08-28 | 2022-03-03 | Robert Bosch Gesellschaft mit beschränkter Haftung | Computerimplementiertes Verfahren zum Trainieren eines Künstlichen Intelligenzmoduls zum Bestimmen eines Reifentyps eines Kraftfahrzeuges |
CN112270402A (zh) * | 2020-10-20 | 2021-01-26 | 山东派蒙机电技术有限公司 | 一种轮胎磨损辨识模型的训练方法及系统 |
CN113255847B (zh) * | 2021-07-08 | 2021-10-01 | 山东捷瑞数字科技股份有限公司 | 一种基于生成对抗网络的轮胎磨损程度预测方法 |
EP4296089A1 (en) * | 2022-06-21 | 2023-12-27 | Autopedia Co., Ltd. | Tire tread wear determination system and method using deep artificial neural network |
TWI819914B (zh) * | 2022-12-06 | 2023-10-21 | 緯創資通股份有限公司 | 輪胎尺寸辨識方法、輪胎尺寸辨識系統及電腦可讀取儲存媒體 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10255048A (ja) * | 1997-03-11 | 1998-09-25 | Toyota Motor Corp | 対象物の判別方法 |
JP2013532315A (ja) * | 2010-04-19 | 2013-08-15 | コンパニー ゼネラール デ エタブリッスマン ミシュラン | タイヤの表面の外観をモニタする方法 |
JP2015148979A (ja) * | 2014-02-07 | 2015-08-20 | キヤノン株式会社 | 画像処理方法、画像処理プログラムおよび画像処理装置 |
JP2017129492A (ja) * | 2016-01-21 | 2017-07-27 | 横浜ゴム株式会社 | タイヤ接地面解析装置、タイヤ接地面解析システム及びタイヤ接地面解析方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2743237C (en) * | 2008-10-22 | 2014-05-27 | International Electronic Machines Corp. | Thermal imaging-based vehicle analysis |
US8737747B2 (en) | 2011-02-14 | 2014-05-27 | Xerox Corporation | Method for automated tire detection and recognition |
US10102616B2 (en) * | 2014-01-28 | 2018-10-16 | Ent. Services Development Corporation Lp | Method and system for surface wear determination |
JP6456031B2 (ja) | 2014-03-25 | 2019-01-23 | キヤノン株式会社 | 画像認識装置、画像認識方法およびプログラム |
KR101580630B1 (ko) * | 2015-01-29 | 2016-01-04 | 주식회사 다인 | 타이어 인식 방법 및 장치 |
CN106548127B (zh) * | 2015-09-18 | 2022-11-04 | 松下电器(美国)知识产权公司 | 图像识别方法 |
CN108292369A (zh) | 2015-12-10 | 2018-07-17 | 英特尔公司 | 使用深度学习属性来进行视觉识别 |
CN105913450A (zh) * | 2016-06-22 | 2016-08-31 | 武汉理工大学 | 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统 |
-
2017
- 2017-08-10 JP JP2017156115A patent/JP7132701B2/ja active Active
-
2018
- 2018-08-07 CN CN201880048281.4A patent/CN110945337A/zh active Pending
- 2018-08-07 EP EP18843613.3A patent/EP3667286A4/en active Pending
- 2018-08-07 WO PCT/JP2018/029613 patent/WO2019031503A1/ja unknown
- 2018-08-07 US US16/619,793 patent/US11176408B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10255048A (ja) * | 1997-03-11 | 1998-09-25 | Toyota Motor Corp | 対象物の判別方法 |
JP2013532315A (ja) * | 2010-04-19 | 2013-08-15 | コンパニー ゼネラール デ エタブリッスマン ミシュラン | タイヤの表面の外観をモニタする方法 |
JP2015148979A (ja) * | 2014-02-07 | 2015-08-20 | キヤノン株式会社 | 画像処理方法、画像処理プログラムおよび画像処理装置 |
JP2017129492A (ja) * | 2016-01-21 | 2017-07-27 | 横浜ゴム株式会社 | タイヤ接地面解析装置、タイヤ接地面解析システム及びタイヤ接地面解析方法 |
Non-Patent Citations (1)
Title |
---|
LEI ZHANG, FAN YANG, YIMIN DANIEL ZHANG, AND YING JULIE ZHU: "ROAD CRACK DETECTION USING DEEP CONVOLUTIONAL NEURAL NETWORK", 2016 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP), JPN6021004755, 25 September 2016 (2016-09-25), pages 3708 - 3712, XP033017197, ISSN: 0004664866, DOI: 10.1109/ICIP.2016.7533052 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020175350A1 (ja) | 2019-02-28 | 2020-09-03 | 三菱マテリアル株式会社 | 廃電子基板の処理方法 |
JP2021060271A (ja) * | 2019-10-07 | 2021-04-15 | 横浜ゴム株式会社 | タイヤ空気圧低下度推定装置、タイヤ空気圧低下度学習装置、タイヤ空気圧低下度推定方法、学習済モデルの生成方法及びプログラム |
JP7335503B2 (ja) | 2019-10-07 | 2023-08-30 | 横浜ゴム株式会社 | タイヤ空気圧低下度推定装置、タイヤ空気圧低下度学習装置、タイヤ空気圧低下度推定方法、学習済モデルの生成方法及びプログラム |
JP7428870B2 (ja) | 2019-10-11 | 2024-02-07 | 横浜ゴム株式会社 | タイヤ摩耗度推定装置、タイヤ摩耗度学習装置、タイヤ摩耗度推定方法、学習済モデルの生成方法及びプログラム |
JP2021063703A (ja) * | 2019-10-11 | 2021-04-22 | 横浜ゴム株式会社 | タイヤ摩耗度推定装置、タイヤ摩耗度学習装置、タイヤ摩耗度推定方法、学習済モデルの生成方法及びプログラム |
JP2021064282A (ja) * | 2019-10-16 | 2021-04-22 | 横浜ゴム株式会社 | タイヤ種類学習装置、タイヤ種類推定装置、学習済モデルの生成方法、タイヤ種類推定方法及びプログラム |
JP7425284B2 (ja) | 2019-10-16 | 2024-01-31 | 横浜ゴム株式会社 | タイヤ種類学習装置、タイヤ種類推定装置、学習済モデルの生成方法、タイヤ種類推定方法及びプログラム |
US11803970B2 (en) | 2019-12-23 | 2023-10-31 | Konica Minolta, Inc. | Image judgment device, image judgment method, and storage medium |
JP7385118B2 (ja) | 2020-02-03 | 2023-11-22 | 横浜ゴム株式会社 | タイヤ空気圧低下度判定装置、タイヤ空気圧低下度判定方法及びプログラム |
JP2021124315A (ja) * | 2020-02-03 | 2021-08-30 | 横浜ゴム株式会社 | タイヤ空気圧低下度判定装置、タイヤ空気圧低下度判定方法及びプログラム |
JP7495596B2 (ja) | 2020-02-17 | 2024-06-05 | 横浜ゴム株式会社 | 交換支援システム、交換支援方法およびプログラム |
JP2021128696A (ja) * | 2020-02-17 | 2021-09-02 | 横浜ゴム株式会社 | 交換支援システム、交換支援方法およびプログラム |
JP7492120B2 (ja) | 2020-04-06 | 2024-05-29 | 横浜ゴム株式会社 | 消耗状態学習装置、学習済モデルの生成方法及びプログラム |
JP7441115B2 (ja) | 2020-05-26 | 2024-02-29 | Toyo Tire株式会社 | タイヤ設計支援方法、システム及びプログラム |
JP7462480B2 (ja) | 2020-06-16 | 2024-04-05 | Toyo Tire株式会社 | タイヤ性能予測モデルの学習方法、タイヤ性能予測方法、システム及びプログラム |
KR102546778B1 (ko) * | 2020-12-17 | 2023-06-23 | 한국타이어앤테크놀로지 주식회사 | 내부공기 측정설비와 딥러닝부를 이용한 불량타이어의 자동검출방법 |
KR20220086851A (ko) * | 2020-12-17 | 2022-06-24 | 한국타이어앤테크놀로지 주식회사 | 내부공기 측정설비와 딥러닝부를 이용한 불량타이어의 자동검출방법 |
WO2022131822A1 (ko) * | 2020-12-18 | 2022-06-23 | 한국공학대학교산학협력단 | 딥러닝 기반의 타이어 외관 결함 검출 방법 및 장치 |
KR102425320B1 (ko) * | 2020-12-30 | 2022-07-27 | 주식회사 오토피디아 | 심층 인공신경망을 이용한 타이어 트레드면 마모 판단 시스템 및 방법 |
KR20220097152A (ko) * | 2020-12-30 | 2022-07-07 | 주식회사 오토피디아 | 심층 인공신경망을 이용한 타이어 트레드면 마모 판단 시스템 및 방법 |
KR102367702B1 (ko) * | 2020-12-30 | 2022-02-25 | 주식회사 오토피디아 | 심층 인공신경망을 이용한 타이어 규격 자동 인식 시스템 및 방법 |
KR20220162337A (ko) * | 2021-06-01 | 2022-12-08 | 한국타이어앤테크놀로지 주식회사 | 타이어에 설치된 전자장치를 이용한 클라우드 시스템 및 이의 서비스 방법 |
KR102568012B1 (ko) * | 2021-06-01 | 2023-08-17 | 한국타이어앤테크놀로지 주식회사 | 타이어에 설치된 전자장치를 이용한 클라우드 시스템 및 이의 서비스 방법 |
JP2023055522A (ja) * | 2021-10-06 | 2023-04-18 | 住友ゴム工業株式会社 | タイヤの状態の推定方法 |
WO2023058445A1 (ja) * | 2021-10-06 | 2023-04-13 | 住友ゴム工業株式会社 | タイヤの状態の推定方法 |
JP7020581B1 (ja) | 2021-10-06 | 2022-02-16 | 住友ゴム工業株式会社 | タイヤの状態の推定方法 |
WO2023119663A1 (ja) * | 2021-12-24 | 2023-06-29 | 日本電気株式会社 | タイヤ検査支援装置及び方法、並びに、コンピュータ可読媒体 |
JP2023183769A (ja) * | 2022-06-16 | 2023-12-28 | オートペディア カンパニー リミテッド | 深層人工ニューラルネットワークを用いたタイヤトレッド面摩耗判断システム及び方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3667286A4 (en) | 2021-04-28 |
US20200125887A1 (en) | 2020-04-23 |
JP7132701B2 (ja) | 2022-09-07 |
EP3667286A1 (en) | 2020-06-17 |
WO2019031503A1 (ja) | 2019-02-14 |
US11176408B2 (en) | 2021-11-16 |
CN110945337A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019035626A (ja) | タイヤ画像の認識方法及びタイヤ画像の認識装置 | |
Meijer et al. | A defect classification methodology for sewer image sets with convolutional neural networks | |
CN111062938B (zh) | 基于机器学习的板材涨塞检测系统和检测方法 | |
KR102141302B1 (ko) | 회귀 딥러닝 모델 기반의 영상 객체 검출 방법 및 영상처리장치 | |
JP2020085546A (ja) | 構造物の点検・補修支援システム | |
CN103824090A (zh) | 一种自适应的人脸低层特征选择方法及人脸属性识别方法 | |
Li et al. | Image quality assessment using deep convolutional networks | |
CN110751644A (zh) | 道路表面裂纹检测方法 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
CN115619708A (zh) | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 | |
JP7298176B2 (ja) | 欠点検査装置および学習済みモデル | |
Gwon et al. | CNN-based image quality classification considering quality degradation in bridge inspection using an unmanned aerial vehicle | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN108154199B (zh) | 一种基于深度学习的高精度快速单类目标检测方法 | |
JP2019075078A (ja) | 工事現場画像判定装置及び工事現場画像判定プログラム | |
JP2021165909A (ja) | 情報処理装置、情報処理装置の情報処理方法およびプログラム | |
KR102494829B1 (ko) | 컨볼루션 신경망을 이용한 건물 손상 평가 방법 및 상기 방법을 수행하는 컴퓨팅 장치 | |
KR20210037199A (ko) | 자동 분할 태깅 장치 및 이를 이용하여 학습된 손상영역 검출 장치 | |
CN115830514A (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN111179226B (zh) | 视野图的识别方法、装置及计算机存储介质 | |
JP2020077158A (ja) | 画像処理装置及び画像処理方法 | |
CN112801950B (zh) | 一种基于几何失真度量的图像适配质量评价方法 | |
WO2019073615A1 (ja) | 工事現場画像判定装置及び工事現場画像判定プログラム | |
CN114077877A (zh) | 一种新增垃圾识别方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200701 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210216 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210405 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210706 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211005 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20211005 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20211102 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20211109 |
|
C27B | Notice of submission of publications, etc. [third party observations] |
Free format text: JAPANESE INTERMEDIATE CODE: C2714 Effective date: 20211109 |
|
A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20211224 |
|
C211 | Notice of termination of reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C211 Effective date: 20211228 |
|
C22 | Notice of designation (change) of administrative judge |
Free format text: JAPANESE INTERMEDIATE CODE: C22 Effective date: 20220208 |
|
C13 | Notice of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: C13 Effective date: 20220607 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220610 |
|
C23 | Notice of termination of proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C23 Effective date: 20220705 |
|
C03 | Trial/appeal decision taken |
Free format text: JAPANESE INTERMEDIATE CODE: C03 Effective date: 20220802 |
|
C30A | Notification sent |
Free format text: JAPANESE INTERMEDIATE CODE: C3012 Effective date: 20220802 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220826 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7132701 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |