JP2019057221A - 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム - Google Patents
情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム Download PDFInfo
- Publication number
- JP2019057221A JP2019057221A JP2017182452A JP2017182452A JP2019057221A JP 2019057221 A JP2019057221 A JP 2019057221A JP 2017182452 A JP2017182452 A JP 2017182452A JP 2017182452 A JP2017182452 A JP 2017182452A JP 2019057221 A JP2019057221 A JP 2019057221A
- Authority
- JP
- Japan
- Prior art keywords
- image
- damage
- unit
- road surface
- information processing
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 title abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 78
- 238000003384 imaging method Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 37
- 238000003672 processing method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000007689 inspection Methods 0.000 description 113
- 238000000605 extraction Methods 0.000 description 87
- 238000010586 diagram Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 18
- 238000003860 storage Methods 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 12
- 238000012986 modification Methods 0.000 description 12
- 230000004048 modification Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 230000010354 integration Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000012447 hatching Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 241000270666 Testudines Species 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
Description
図1は、本発明の第1の実施形態に係る情報処理システムsysの構成の一例を示す概略図である。
情報処理システムsysは、少なくとも情報処理装置1を含んで構成される。情報処理システムsysは、建造物の表面の状態を解析するシステムである。以下では、一例として、情報処理システムsysが建造物の表面の損傷を解析する場合について説明する。
建造物は、例えば、道路、橋梁、施設等であり、社会インフラも含まれる。また、表面は、建造物の外部表面又は内部表面である。つまり、建造物の表面とは、例えば、道路の路面や橋梁、施設の上面、側面、下面である。損傷とは、物理的な凹凸、色彩の変化、亀裂や破損等である。以下の説明では、一例として路面の損傷を評価、解析する場合について説明するが、これに限られず、各種建造物の損傷の評価、解析にも適用可能である。
図2に示す路面の画像P1は、轍D1の例である。図3に示す路面の画像P2は、ポットホールD2の例である。図4に示す路面の画像P3は、ひび割れD3の例である。図5に示す路面の画像P4は、段差D4の例である。図6に示す路面の画像P5は、パッチングD5の例である。情報処理装置1は、図2から図6に図示する例の他、上述した各種の路面の損傷度合を評価、解析する。
なお、位置情報やタイムスタンプの取得は、GPS(Global Positioning System)センサを搭載した撮影機器や外部装置を使用してもよい。
情報処理装置1は、路面の画像の解析結果として、路面の損傷度合や、路面の損傷の損傷種別などを出力する。本実施形態では、深層学習により解析する場合の一例について説明する。
情報処理装置1は、入力部10と、通信部13と、記憶部15と、制御部17と、出力部19と、を含んで構成される。制御部17は、画像取得部171と、画像抽出部173と、領域抽出部175と、算出部177と、を含んで構成される。算出部177は、状態判定部1771と、度合算出部1773と、を含んで構成される。
制御部17は、画像取得部171と、画像抽出部173と、領域抽出部175と、算出部177と、を含んで構成される。算出部177は、状態判定部1771と、度合算出部1773と、を含んで構成される。
なお、領域抽出部175は、位置情報を用いずに、複数の路面の画像間で重複する路面の領域がなく、且つ欠落する路面の領域が無いように、画像抽出部173が抽出した検査画像候補の中から検査画像を抽出してもよい。この場合、例えば、ある検査画像候補と、該検査画像候補と連続する検査画像候補との対応点マッチングを用いればよい。
なお、算出部177は、算出した損傷度合を、複数の閾値と比較し、損傷度合がいずれの閾値の範囲内であるかを判定し、判定結果に応じて複数の損傷区分に分類してもよい。複数の損傷区分は、例えば、損傷の程度が小さい区分1、損傷の程度が中程度の区分2、損傷の度合いが大きい区分3などの段階的な区分であればよい。この場合、算出部177は、損傷度合を出力部19に出力させる代わりに、又は加えて、損傷区分を出力させてもよい。
ステップS101において、画像取得部171は、入力部10や通信部13を介して、1または複数の路面の画像を取得する。
ステップS103において、画像抽出部173は、画像取得部171から路面の画像を表す情報が入力されると、路面の画像に対して各種画像処理を行う。また、画像抽出部173は、路面の画像を表す情報に含まれる路面の画像のメタデータを参照して、タイムスタンプ、位置情報などを抽出する。画像抽出部173は、取得した一連の路面の画像から、検査画像候補の特定、該検査画像候補の抽出等の処理を実行する。
ステップS107において、状態判定部1771は、深層学習により各検査画像中の路面に損傷があるか否かを判定し、路面の損傷が検出された検査画像を「1」、路面の損傷が検出されていない検査画像を「0」のように2値化して損傷有無情報を算出する。
これにより、面の損傷を自動検出するとともに、定量的な評価ができるため、建造物の損傷の自動検出の際の利便性を向上させることができる。
第2の実施形態では、複数の路面の画像間で領域の一部を重複させて検査画像を抽出する場合の一例について説明する。なお、第2の実施形態では、第1の実施形態と異なる部分を中心に説明する。
情報処理装置1Aは、入力部10と、通信部13と、記憶部15と、制御部17と、出力部19と、を含んで構成される。制御部17は、画像取得部171と、画像抽出部173と、重複領域抽出部175Aと、算出部177と、を含んで構成される。算出部177は、状態判定部1771と、度合算出部1773と、を含んで構成される。
ステップS201において、画像取得部171は、入力部10や通信部13を介して、1または複数の路面の画像を取得する。
ステップS203において、画像抽出部173は、後述する画像抽出処理を実行する。
ステップS205において、重複領域抽出部175Aは、メタデータから抽出した位置情報に基づいて、複数の路面の画像間で、ある路面の画像における路面の領域と、他の路面の画像における路面の領域と重複する路面の領域とのうちの少なくとも一部が重複するように、画像抽出部173が抽出した検査画像候補の中から検査画像を抽出する。
ステップS209において、度合算出部1773は、損傷有無情報に基づいて損傷度合を算出する。具体的には、度合算出部1773は、所定区間、例えば20m区間における損傷有無情報の総和を、該所定区間における検査画像数で除算することで損傷度合を算出する。
ステップS301において、画像抽出部173は、フレームの路面の画像を選択する。具体的には、路面の画像が未選択の場合、画像抽出部173は、最初のフレームの路面の画像を選択する。一方、既にフレームを選択している場合、画像抽出部173は、選択中のフレームの次のフレームの路面の画像を選択する。
ステップS305において、画像抽出部173は、算出した移動距離を、移動距離合計に加算する。移動距離合計は、画像抽出処理の開始時に初期化される。
ステップS311において、画像抽出部173は、選択中の画像を検査画像候補に設定する。
ステップS315において、画像抽出部173は、検査画像候補を重複領域抽出部175Aに出力する。
また、算出部177は、画像取得部171が取得した連続する複数の画像の各々について、それぞれの画像中の面の損傷度合を算出する。また、情報処理装置1Aは、それぞれの画像中の面の状態を判定する状態判定部1771、をさらに備え、算出部177は、それぞれの画像中の面の状態に基づいて、それぞれの画像中の面の損傷度合を算出する。
これにより、面の損傷を自動検出するとともに、定量的な評価ができるため、建造物の損傷の自動検出の際の利便性を向上させることができる。
第3の実施形態では、1つの路面の画像内で複数の領域に分割し、該複数の領域のそれぞれが、該画像内の他の領域と一部が重複する場合の一例について説明する。なお、第3の実施形態では、第1の実施形態と異なる部分を中心に説明する。
情報処理装置1Bは、入力部10と、通信部13と、記憶部15と、制御部17と、出力部19と、を含んで構成される。
制御部17は、画像取得部171と、画像抽出部173と、部分画像抽出部175Bと、算出部177と、を含んで構成される。算出部177は、状態判定部1771と、度合算出部1773と、を含んで構成される。
度合算出部1773は、損傷有無情報に基づいて損傷度合、例えば、ひび割れ率を算出する。具体的には、度合算出部1773は、所定区間、例えば20m区間における判定スコアの値の総和を、該所定区間における検査画像中の領域数で除算することで損傷度合を算出する。算出部177は、算出した損傷度合と、位置情報とを出力部19に出力させる。ここで、移動距離が所定区間に満たない場合、算出部177は、検査画像毎に損傷度合を算出する。
ステップS401において、画像取得部171は、入力部10や通信部13を介して、1または複数の路面の画像を取得する。
ステップS403において、画像抽出部173は、後述する画像抽出処理を実行する。
ステップS405において、部分画像抽出部175Bは、メタデータから抽出した位置情報に基づいて、それぞれの検査画像候補から互いに一部が重複する複数の路面の領域を抽出する。部分画像抽出部175Bは、複数の領域を抽出した検査画像候補を、検査画像として特定し、検査画像を表す情報、および検査画像候補から抽出された複数の領域を表す領域情報と、位置情報とを算出部177に出力する。
ステップS409において、所定区間、例えば20m区間における判定スコアの値の総和を、該所定区間における検査画像中の領域数で除算することで損傷度合を算出する。
ステップS501において、画像抽出部173は、フレームの路面の画像を選択する。具体的には、路面の画像が未選択の場合、画像抽出部173は、最初のフレームの路面の画像を選択する。一方、既にフレームを選択している場合、画像抽出部173は、選択中のフレームの次のフレームの路面の画像を選択する。
ステップS505において、画像抽出部173は、算出した移動距離を、移動距離合計に加算する。移動距離合計は、画像抽出処理の開始時に初期化される。
ステップS511において、画像抽出部173は、選択中の画像を検査画像候補に設定する。
ステップS515において、画像抽出部173は、検査画像候補と、領域情報とを部分画像抽出部175Bに出力する。
情報処理装置1Bは、画像取得部171が取得した画像を分割し、画像の一部分である部分画像を複数生成する部分画像生成部(部分画像抽出部175B)、をさらに備え、算出部177は、部分画像生成部(部分画像抽出部175B)が生成した部分画像の各々について、部分画像中の面の損傷度合を算出する。
情報処理装置1Bは、部分画像生成部(部分画像抽出部175B)が生成した部分画像の各々について、部分画像中の面の状態を判定する状態判定部1771、をさらに備え、算出部177は、部分画像中の面の状態に基づいて、部分画像中の面の損傷度合を算出する。
部分画像生成部(部分画像抽出部175B)は、画像取得部171が取得した画像内において、画像を分割し、分割された第1部分画像と、前記第1部分画像の頂点部分または辺部分を含む第2部分画像と、を生成する。
これにより、面の損傷を自動検出するとともに、定量的な評価ができるため、建造物の損傷の自動検出の際の利便性を向上させることができる。
第1の実施形態から第3の実施形態では、損傷度合を算出する場合の一例について説明した。
第4の実施形態では、損傷の種別を判定する場合の一例について説明する。ここで、第4の実施形態では、第1の実施形態、第2の実施形態、第3の実施形態、各変形例と異なる部分を中心に説明する。
ここで、路面を修繕するときには、路面の損傷の種別に応じて、修繕に係る作業工程、作業日数、費用等が変わる。そのため、路面の損傷の種別が検出できれば、すなわち、路面の状態を評価できれば、これらの見積りが可能となり、ユーザの利便性を向上させることができる。
また、第1の実施形態、第2の実施形態、第3の実施形態、各変形例で説明した内容、またはこれらの一部または全部を組み合わせて、度合算出部1773が算出した損傷度合を、損傷スコアとして用いてもよい。この場合、損傷度合を算出した所定区間の路面を、1つの路面の領域として扱ってもよいし、所定区間を短い区間として該短い所定区間の路面を1つの路面の領域として扱ってもよい。
ここで、各図は、路面の一部を表したものであり、各図におけるマス目、すなわち路面の領域数が多い方向が走行方向、路面の領域数が少ない方向が幅員方向である。
情報処理装置1Cは、入力部10と、通信部13と、記憶部15と、制御部17と出力部19と、を含んで構成される。制御部17は、損傷スコア算出部177Cと、分類部179と、を含んで構成される。分類部179は、統合部1791と、分類判定部1793と、を含んで構成される。
損傷スコア算出部177Cは、算出した損傷スコアと、該損傷スコアに対応する路面の領域の情報とを、分類部179に出力する。
なお、統合部1791は、各領域の情報に含まれる領域の位置情報に応じて、判定対象の路面の位置と領域とを対応付けを行わなくてもよい。すなわち、統合部1791は、位置情報を用いなくてもよい。この場合、分類部179として統合部1791、分類判定部1793の処理を行えばよい。例えば、分類部179は、路面の領域の情報に含まれる各領域の情報と、各領域の損傷スコアとを統合し、路面の各領域と各損傷スコアとを対応付けて、上述の分類判定部1793の処理を行えばよい。
ステップS601において、損傷スコア算出部177Cは、上述した情報処理装置1、1A、1Bの制御部17の一部または全部の機能を有し、第1の実施形態、第2の実施形態、第3の実施形態、各変形例で説明した内容、またはこれらの一部または全部を組み合わせて、損傷スコアを算出する。
ステップS603において、分類部179は、路面の領域の情報に含まれる各領域の情報と、各領域の損傷スコアとを統合する。
ステップS605において、分類部179は、所定区間における領域ごとの損傷スコアの分布に応じて複数の路面の損傷種別のうちのいずれの損傷の種別であるかを判定する。また、分布による判定は、上述したように既知の分布に基づくルールベースで行っても良いし、分布の教師データに基づく深層学習で行っても良い。
また、情報処理装置1Cは、画像取得部171が取得した画像を分割し、画像の一部分である部分画像を複数生成する部分画像生成部(部分画像抽出部175B)、をさらに備え、種別判定部(分類判定部1793)は、部分画像生成部(部分画像抽出部175B)が抽出した部分画像中の面の損傷度合に基づいて、面の前記損傷種別を判定する。
また、種別判定部(分類判定部1793)は、1つの画像から生成された複数の部分画像の各々の中の面の損傷度合を統合して、面の損傷種別を判定する。
また、種別判定部(分類判定部1793)は、画像取得部171が取得した連続する複数の画像のそれぞれの前記画像中の面の損傷度合に基づいて、面の損傷種別を判定する。
また、種別判定部(分類判定部1793)は、損傷度合が所定値以上である複数の画像の分布に基づいて、面の前記損傷種別を判定する。
また、種別判定部(分類判定部1793)は、連続する複数の画像におけるぞれぞれの画像中の面の損傷度合を統合して、面の損傷種別を判定する。
また、算出部177は、深層学習により損傷度合を算出する。
1、1A、1B、1C 情報処理装置
10 入力部
13 通信部
15 記憶部
17 制御部
171 画像取得部
173 画像抽出部
175 領域抽出部
175A 重複領域抽出部
175B 部分画像抽出部
177 算出部
1771 状態判定部
1773 度合算出部
177C 損傷スコア算出部
179 分類部
1791 統合部
1793 分類判定部
19 出力部
複数の画像を選択し、選択している画像間距離と所定設定距離とを比較し、画像間距離が設定距離に比して大きい場合には選択中の画像を検査画像候補に設定し、画像間距離が設定距離に比して小さい場合には選択中の画像を検査画像候補に設定しない、画像抽出部と、前記検査画像候補に対応する位置情報に基づいて、複数の路面の画像間で、ある路面の画像における路面の領域と、他の路面の画像における路面の領域とのうちの少なくとも一部が重複するように、前記画像抽出部が抽出した検査画像候補の中から検査画像を抽出する重複領域抽出部と、前記重複領域抽出部により抽出された検査画像の各々について、前記検査画像中の面の状態を判定する状態判定部と、前記検査画像の各々について、前記検査画像中の面の状態に基づいて、前記検査画像中の面の損傷度合を算出する算出部と、を備え、前記所定設定距離は、1つの検査画像における路面損傷の認識精度が高いほど大きく設定されることにより、各検査画像に写る路面の重複を少なくし、1つの検査画像における路面損傷の認識精度が低いほど小さく設定されることにより、各検査画像に写る路面の重複を多くする、情報処理システムである。
Claims (13)
- 撮像装置で撮影された面を含む領域の画像を取得する画像取得部と、
前記画像取得部が取得した画像に基づいて、前記面の損傷度合を算出する算出部と、
を備える情報処理装置。 - 前記画像取得部が取得した画像を分割し、前記画像の一部分である部分画像を複数生成する部分画像生成部、をさらに備え、
前記算出部は、前記部分画像生成部が生成した部分画像の各々について、前記部分画像中の面の損傷度合を算出する、
請求項1に記載の情報処理装置。 - 前記部分画像生成部が生成した部分画像の各々について、前記部分画像中の面の状態を判定する状態判定部、をさらに備え、
前記算出部は、前記部分画像中の面の状態に基づいて、前記部分画像中の面の損傷度合を算出する、
請求項2に記載の情報処理装置。 - 前記部分画像中の面の損傷度合に応じて、複数の段階のいずれであるかを分類する分類判定部をさらに備える、
請求項2または請求項3に記載の情報処理装置。 - 前記部分画像生成部は、前記画像取得部が取得した前記画像内において、前記画像を分割し、分割された第1部分画像と、前記第1部分画像の頂点部分または辺部分を含む第2部分画像と、を生成する、
請求項2から請求項4のいずれか一項に記載の情報処理装置。 - 前記部分画像生成部は、前記画像取得部が取得した前記画像間において、前記画像を分割し、分割された第1部分画像と、前記第1部分画像の頂点部分または辺部分を含む第2部分画像と、を生成する、
請求項2から請求項4のいずれか一項に記載の情報処理装置。 - 前記算出部は、前記画像取得部が取得した連続する複数の前記画像の各々について、それぞれの前記画像中の面の損傷度合を算出する、
請求項1に記載の情報処理装置。 - それぞれの前記画像中の面の状態を判定する状態判定部、をさらに備え、
前記算出部は、それぞれの前記画像中の面の状態に基づいて、それぞれの前記画像中の面の損傷度合を算出する、
請求項7に記載の情報処理装置。 - それぞれの前記画像中の面の損傷度合に応じて、複数の段階のいずれであるかを分類する分類判定部をさらに備える、
請求項7または請求項8に記載の情報処理装置。 - 前記画像取得部が取得した連続する複数の前記画像間において、前記画像を分割し、分割された第1部分画像と、前記第1部分画像の頂点部分または辺部分を含む第2部分画像と、を生成する、
請求項7から請求項9のいずれか一項に記載の情報処理装置。 - 撮像装置で撮影された面を含む領域の画像を取得する画像取得部と、
前記画像取得部が取得した画像に基づいて、前記面の損傷度合を算出する算出部と、
を備える情報処理システム。 - 情報処理装置のコンピュータが、
撮像装置で撮像された面を含む領域の画像を取得する画像取得過程と、
前記画像取得過程により取得された画像に基づいて、前記面の損傷度合を算出する算出過程と、
を有する情報処理方法。 - 情報処理装置のコンピュータが、
撮像装置で撮像された面を含む領域の画像を取得する画像取得過程と、
前記画像取得過程により取得された画像に基づいて、前記面の損傷度合を算出する算出過程と、
を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017182452A JP6516384B2 (ja) | 2017-09-22 | 2017-09-22 | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017182452A JP6516384B2 (ja) | 2017-09-22 | 2017-09-22 | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019057221A true JP2019057221A (ja) | 2019-04-11 |
JP6516384B2 JP6516384B2 (ja) | 2019-05-22 |
Family
ID=66107569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017182452A Active JP6516384B2 (ja) | 2017-09-22 | 2017-09-22 | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6516384B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019056668A (ja) * | 2017-09-22 | 2019-04-11 | エヌ・ティ・ティ・コムウェア株式会社 | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム |
CN111126460A (zh) * | 2019-12-10 | 2020-05-08 | 福建省高速公路集团有限公司 | 基于人工智能的路面病害自动巡检方法、介质、设备及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002188998A (ja) * | 2001-10-03 | 2002-07-05 | Keisoku Kensa Kk | トンネルの内部壁面のひび割れ検出方法及びその表示方法 |
JP2002310920A (ja) * | 2001-04-19 | 2002-10-23 | Keisoku Kensa Kk | コンクリート壁のひび割れ検出方法およびその装置 |
JP2003216953A (ja) * | 2002-01-22 | 2003-07-31 | Kitakyushu Foundation For The Advancement Of Industry Science & Technology | 画像から対象物を抽出する方法およびその装置 |
JP2003254913A (ja) * | 2002-03-05 | 2003-09-10 | Tokyoto Gesuido Service Kk | 管渠内検査診断支援装置、管渠内検査診断支援方法及び管渠内検査診断支援プログラムを記憶した記憶媒体 |
JP2004210459A (ja) * | 2002-12-27 | 2004-07-29 | Fuji Heavy Ind Ltd | 搬送装置の監視装置及び搬送装置の監視方法 |
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 |
JP2009103719A (ja) * | 2009-02-10 | 2009-05-14 | Keisoku Kensa Kk | 微細ひび割れ幅検量方法 |
JP2011179874A (ja) * | 2010-02-26 | 2011-09-15 | East Nippon Expressway Co Ltd | 舗装路面のクラックの抽出と損傷レベルの評価方法 |
JP2012202858A (ja) * | 2011-03-25 | 2012-10-22 | Railway Technical Research Institute | コンクリート表面の閉合ひび割れ検出方法 |
JP2013250059A (ja) * | 2012-05-30 | 2013-12-12 | Railway Technical Research Institute | コンクリート表面の変状管理方法 |
JP2016045508A (ja) * | 2014-08-19 | 2016-04-04 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 路面の劣化度合い推定方法およびアルゴリズム(多重解像度画像のガボール・フィルター出力画像を使用した、ひび割れ検出手法) |
JP2016218762A (ja) * | 2015-05-20 | 2016-12-22 | 株式会社東芝 | 画像処理装置、方法及びプログラム |
WO2017014288A1 (ja) * | 2015-07-21 | 2017-01-26 | 株式会社東芝 | ひび割れ解析装置、ひび割れ解析方法及びひび割れ解析プログラム |
-
2017
- 2017-09-22 JP JP2017182452A patent/JP6516384B2/ja active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002310920A (ja) * | 2001-04-19 | 2002-10-23 | Keisoku Kensa Kk | コンクリート壁のひび割れ検出方法およびその装置 |
JP2002188998A (ja) * | 2001-10-03 | 2002-07-05 | Keisoku Kensa Kk | トンネルの内部壁面のひび割れ検出方法及びその表示方法 |
JP2003216953A (ja) * | 2002-01-22 | 2003-07-31 | Kitakyushu Foundation For The Advancement Of Industry Science & Technology | 画像から対象物を抽出する方法およびその装置 |
JP2003254913A (ja) * | 2002-03-05 | 2003-09-10 | Tokyoto Gesuido Service Kk | 管渠内検査診断支援装置、管渠内検査診断支援方法及び管渠内検査診断支援プログラムを記憶した記憶媒体 |
JP2004210459A (ja) * | 2002-12-27 | 2004-07-29 | Fuji Heavy Ind Ltd | 搬送装置の監視装置及び搬送装置の監視方法 |
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 |
JP2009103719A (ja) * | 2009-02-10 | 2009-05-14 | Keisoku Kensa Kk | 微細ひび割れ幅検量方法 |
JP2011179874A (ja) * | 2010-02-26 | 2011-09-15 | East Nippon Expressway Co Ltd | 舗装路面のクラックの抽出と損傷レベルの評価方法 |
JP2012202858A (ja) * | 2011-03-25 | 2012-10-22 | Railway Technical Research Institute | コンクリート表面の閉合ひび割れ検出方法 |
JP2013250059A (ja) * | 2012-05-30 | 2013-12-12 | Railway Technical Research Institute | コンクリート表面の変状管理方法 |
JP2016045508A (ja) * | 2014-08-19 | 2016-04-04 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 路面の劣化度合い推定方法およびアルゴリズム(多重解像度画像のガボール・フィルター出力画像を使用した、ひび割れ検出手法) |
JP2016218762A (ja) * | 2015-05-20 | 2016-12-22 | 株式会社東芝 | 画像処理装置、方法及びプログラム |
WO2017014288A1 (ja) * | 2015-07-21 | 2017-01-26 | 株式会社東芝 | ひび割れ解析装置、ひび割れ解析方法及びひび割れ解析プログラム |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019056668A (ja) * | 2017-09-22 | 2019-04-11 | エヌ・ティ・ティ・コムウェア株式会社 | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム |
CN111126460A (zh) * | 2019-12-10 | 2020-05-08 | 福建省高速公路集团有限公司 | 基于人工智能的路面病害自动巡检方法、介质、设备及装置 |
CN111126460B (zh) * | 2019-12-10 | 2024-04-02 | 福建省高速公路集团有限公司 | 基于人工智能的路面病害自动巡检方法、介质、设备及装置 |
Also Published As
Publication number | Publication date |
---|---|
JP6516384B2 (ja) | 2019-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6764842B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム | |
US9235902B2 (en) | Image-based crack quantification | |
KR101926561B1 (ko) | 블랙박스 영상을 이용한 딥러닝 기반의 패치 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램 | |
WO2019104781A1 (zh) | 一种点云数据处理方法、装置、电子设备及计算机可读存储介质 | |
US11574395B2 (en) | Damage detection using machine learning | |
Yang et al. | Datasets and processing methods for boosting visual inspection of civil infrastructure: A comprehensive review and algorithm comparison for crack classification, segmentation, and detection | |
WO2019154383A1 (zh) | 刀具检测方法及装置 | |
Brackenbury et al. | Automated defect detection for masonry arch bridges | |
KR102185225B1 (ko) | 딥러닝 및 데이터 결합을 이용한 싱크홀 탐지방법 및 이를 이용한 싱크홀 탐지시스템 | |
Panella et al. | Deep learning and image processing for automated crack detection and defect measurement in underground structures | |
Dong et al. | Intelligent segmentation and measurement model for asphalt road cracks based on modified mask R-CNN algorithm | |
JP6516384B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム | |
Camilleri et al. | Detecting road potholes using computer vision techniques | |
JP6980208B2 (ja) | 構造物維持管理業務支援システム | |
Pan | Three-dimensional vision-based structural damage detection and loss estimation–towards more rapid and comprehensive assessment | |
Park et al. | A framework for improving object recognition of structural components in construction site photos using deep learning approaches | |
JP7348575B2 (ja) | 劣化検出装置、劣化検出システム、劣化検出方法、およびプログラム | |
Wang et al. | Instance segmentation of soft‐story buildings from street‐view images with semiautomatic annotation | |
Tilon et al. | Infrastructure degradation and post-disaster damage detection using anomaly detecting generative adversarial networks | |
KR20230003730A (ko) | 드론을 이용하여 구조물의 외부 균열을 검사하는 방법, 시스템 및 비일시성 판독 가능 기록 매체 | |
JP2022056219A (ja) | 情報処理装置、情報処理方法及びプログラム | |
Iraldi et al. | Damage classification on roads using machine learning | |
Kembhavi et al. | Low-cost image processing system for evaluating pavement surface distress | |
KR102599196B1 (ko) | 학습 데이터 생성에 관한 작업 비용 예측 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 | |
KR102658711B1 (ko) | 경계선 지정을 통한 어노테이션 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190130 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190319 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190415 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6516384 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |