JP2020041290A - コンクリートの最適締固め判定施工システム - Google Patents

Abstract

【課題】複雑な取り扱いを必要とすることなく、型枠内に打込まれたコンクリートを締固める際に、誰でもコンクリートの締固めを容易に、且つ高精度に判定できるようにする。具合を高精度に予測すること。【解決手段】コンクリートの最適締固め判定施工システムは、コンクリートの画像を取得するビデオカメラ（撮影手段）５と、ビデオカメラ５から取得された画像を基に、機械学習を用いてコンクリートの締固め具合に関する特徴量である数値ベクトルを算出する画像特徴量算出部２４と、画像特徴量算出部２４によって算出された数値ベクトルを基に、機械学習を用いてコンクリートの締固め具合を表す数値の予測値を導出する学習部２５と、学習部２５からの予測値を演算して締固め判定を行う締固め判定部２７とを備える。【選択図】図１

Description

本発明は、フレッシュコンクリートを締固める際に、最適な締固め状態を判定するコンクリートの最適締固め判定施工システムに関する。

通常、フレッシュコンクリートを締固める際は、運搬時、打込み時に巻き込んだ空気をコンクリートから除去し、鉄筋や埋設物などをコンクリートとよく密着させ、コンクリートを均一で密実にすることが求められる。一般に、コンクリートの締固めは、型枠内に打込まれたコンクリートにバイブレータを挿入し振動を加えることで行われている。また、この場合、コンクリートの十分な締固めの判断、つまり、締固めの判定は、ベテランの作業員や技術者のコンクリート表面に対する目視判断によって行われている。この振動締固めが十分になされることにより、コンクリートを型枠、鉄筋の隅々まで密に充填し、かつコンクリートの内部及び表面の気泡などの空隙をなくして、強度、水密性、耐久性に優れたコンクリートを作ることができる。

なお、コンクリートの十分な締固めに関し、一般的な指針として、コンクリート標準示方書では「振動締固めが十分である証拠の一つは、コンクリートとせき板との接触面にセメントペーストの線が現れることである。また、コンクリートの容積の減っていくのが認められなくなり、表面に光沢が現れてコンクリート全体が均一に溶け合ったように見えること等から分かる。」と記載されている。

また、従来においては、作業員の個人的技量に左右されないで、打設コンクリートの所要の品質を確保することを目的としたコンクリートの締固め方法が特許文献１により提案され、また、カメラ撮影や、距離センサによる計測技術により打設コンクリートの締固め判定を行う技術が特許文献２及び特許文献３により提案されている。

上記特許文献１のコンクリートの締固め方法では、打設するコンクリートの型枠底部に浮揚式バイブレータを設置し、型枠内にコンクリートを所定高さになるように打設するとともに、バイブレータ付近のコンクリート圧に応じてバイブレータを振動させながらコンクリート内を上方へ浮上させることにより、打設コンクリートを下部から上方へ向けて締固める。

この場合、バイブレータは、型枠内に打設するコンクリートが所定厚さに達すると、圧力センサーにより検出されるコンクリート圧の検出信号により原動機が駆動し、これにより、バイブレータは所定周波数で振動して周囲のコンクリートを締固めるとともに、バイブレータとコンクリートとの摩擦抵抗を減少させる。また、バイブレータのかさ比重がコンクリートの比重より軽量に形成されているので、バイブレータとコンクリートとの摩擦抵抗の減少に伴ってバイブレータに公知の浮力が発生し、バイブレータは振動して周囲のコンクリートを締固めながら上方へ上昇する。そして、バイブレータがコンクリートの上面に位置すると、コンクリート圧が０値の検出信号が圧力センサーから原動機へ送電され、バイブレータが停止してコンクリートの締固めが終了する。

このようにこのコンクリートの締固め方法では、浮揚式バイブレータを用いることにより、コンクリートの締固め作業を自動化して、従来の重作業から解放することができ、コンクリートの締固め度合いが個人的技量に依存されないため、施工の信頼性を向上させることができる、としている。

上記特許文献２のコンクリートの締固め判定を行う技術は、コンクリート内部に挿入したバイブレーターで振動を加えること等によって、締固め作業を行う。ここで、あらかじめ設定した所定の時間間隔でバイブレーターを一時的に停止し、形状データ取得手段（カメラ等）によりコンクリートの表面Ｓの形状データを取得する。平滑度検出手段による形状データ解析によって、表面の凹凸形状が把握され、取得した表面の平滑度が検出される。検出した平滑度に基づいて締固め度判定手段がコンクリートの締固め度を定量的に判定する。この結果、所定の締固め度に達したら、締固め完了と判定する、としている。

また、上記特許文献３のコンクリートの締固め判定を行う技術は、光線を対象物に投射して、点群データの集合である３次元距離データを取得する３次元距離センサと、取得された前記３次元距離データを、３次元直交座標に基づく点群データに変換する座標変換部と、変換された点群データから、平面として認識される点群を抽出する平面抽出部と、抽出された平面を構成する点群の点群数を計算する点群数計算部と、計算された点群数が閾値以上であるか否かを判定する判定部と、を備えた判定システムにおいて、前記判定部で点群数が閾値以上であるときコンクリートの締固めが完了したことを判定する、としている。

特開平４−３５７２７４号公報 特開２０１７−０２５６０９号公報 特開２０１７−０５３０８４号公報

しかしながら、従来のコンクリートの締固めの判定は、ベテランの作業員や技術者のコンクリート表面に対する目視判断によって行われており、その判断基準が作業員や技術者の経験、技量などに依存するため、適切に判断できる者が限られており、また他面で、作業員、技術者間で判定結果に個人差が生じることがあり、さらにはコンクリート内部における振動の伝播状況までは把握できないことから、コンクリートの仕上がり品質にばらつきが生じるおそれがある、という問題がある。

また、特許文献１のコンクリートの締固め方法では、作業員の個人的技量に左右されない点で利点があるものの、バイブレータ自体が浮上するものであるため、コンクリートの締固めの判定がコンクリート内のバイブレータの挿入位置のみの判定に留まり、また、この場合も、コンクリート内部における振動の伝播状況までは把握することができないことから、コンクリートの仕上がり品質にばらつきが生じるおそれがある、という問題がある。

また、特許文献２のコンクリートの締固め判定方法では、打設したコンクリートの判定画像を取得するために、あらかじめ設定した所定の時間間隔でバイブレーターを一時的に停止し、形状データ取得手段（カメラ等）によりコンクリートの表面Ｓの形状データを取得するため、作業が中断される、という問題がある。

また、特許文献３のコンクリートの締固め判定方法では、カメラ等の撮影方法を用いていないこと、及び、３次元距離データを、３次元直交座標に基づく点群データに変換し、その点群データとコンクリートの締固め具合との関係を表す閾値を予め設計することなど、人間（設計者）による事前の作業に手間がかかる、という問題がある。

本発明は、このような従来の問題を解決するものであり、その目的は、コンクリートの締固めの判定を、ベテランの作業員や技術者のコンクリート表面に対する目視判断と同様な操作によるコンクリートの締固めの判定を、コンピュータ化して、コンクリートの締固め判定に作業員や技術者の経験や技量などの個人差を排除したコンクリートの最適締固め判定施工システムを提供することである。

本発明の第２の目的は、コンピュータによるコンクリートの締固め判定処理を最適化し、品質の高い締固め判定ができるコンクリートの最適締固め判定施工システムを提供することである。

上記目的を達成するために、本発明は、打設されたコンクリートに挿入されて当該コンクリートに振動を与え、コンクリートの締固めを行うバイブレータと、前記締固めされるコンクリートの画像を取得する撮影手段と、前記撮影手段から取得された画像を基に、機械学習を用いて前記対象物の締固め具合に関する特徴量である数値列を算出する画像特徴量算出部と、前記撮影手段から取得された画像と前記画像特徴量算出部によって算出された前記数値列との関係を、機械学習を用いて学習するとともに、前記コンクリートの締固め具合を表す数値の予測値を導出する学習部と、学習部からの予測値を演算して締固め判定を行う締固め判定部と、を備えるコンクリートの最適締固め判定システムを要旨とする。前記締固め判定システムにおいて、前記学習部は、前記予測値として、前記コンクリートの表面状態に関する数値の予測値を導出してもよい。

本発明はまた、撮影手段を用いて、打設されたコンクリートの表面の画像を取得し、画像特徴量算出部により、前記撮影手段から取得された画像を基に、機械学習を用いて前記コンクリートの締固め具合に関する特徴量である数値列を算出し、学習部により、前記画像特徴量算出部によって算出された前記数値列を基に、機械学習を用いて前記対象物の締固め具合を表す数値の予測値を導出し、締固め判定部により、学習部からの予測値を演算して締固め判定を行うコンクリートの最適締固め判定方法を要旨とする。

本発明はさらに、打設されたコンクリートに挿入されて当該コンクリートに振動を与え、コンクリートの締固めを行うバイブレータと、前記締固めされるコンクリートの画像を取得する撮影手段と、打設されたコンクリートに対して、バイブレータを昇降動作および位置変更動作を行わせるバイブレータ駆動手段と、前記締固めされるコンクリートに対して、撮影手段を昇降動作および位置変更動作を行わせる撮影手段駆動手段と、前記撮影手段から取得された画像を基に、機械学習を用いて前記対象物の締固め具合に関する特徴量である数値列を算出する画像特徴量算出部と、前記撮影手段から取得された画像と前記画像特徴量算出部によって算出された前記数値列との関係を、機械学習を用いて学習するとともに、前記コンクリートの締固め具合を表す数値の予測値を導出する学習部と、学習部からの予測値を演算して締固め判定を行う締固め判定部と、前記バイブレータ駆動手段および前記撮影手段駆動手段を駆動制御する動作制御部と、を備えるコンクリートの最適締固め判定施工システムを要旨とする。

本発明のコンクリートの最適締固め判定施工システムによれば、型枠内に打込まれたコンクリートにバイブレータを挿入し振動を加えてコンクリートを締固めるに当り、ＡＩ（Ａｒｔｉｆｉｃａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）の機械学習機能を用いてコンクリートの締固め具合を予測して締固め判定に活用するようにしたため、コンクリートの締固め判定に作業員や技術者の経験や技量などの個人差を排除したコンクリートの最適締固め判定および施工を行うことができる。また、コンピュータによるコンクリートの締固め判定処理を最適化し、品質の高い締固め判定ができる。

本発明の一実施の形態に係るコンクリートの最適締固め判定施工システムの全体を示す構成図である。 上記実施の形態における制御装置に備えられたコンピュータのハードウェア構成の一例を示すブロック図である。 上記図２に示された制御装置の機能的構成を表す機能ブロック図である。 上記実施の形態にかかる締固め判定施工システムの制御装置による締固め判定及び施工制御の処理手順を示すフローチャートである。 上記実施の形態の学習動作で採用されるＣＮＮによる動作手順の一例を示す処理流れ図である。 上記実施の形態において、画像取得部により取得されるラベル付きフレーム画像が締固め操作により時間経過とともに変化する様子を示す図である。 上記実施の形態において、フレッシュ性の異なる３種類のコンクリートに対し、締固め試験を実施したときの締固め判定結果の良否を表す図である。

次に、この発明を実施するための形態について図を用いて説明する。図１は本発明の一実施の形態に係るコンクリートの最適締固め判定施工システム（以下、単に「締固め判定施工システム」という）の全体を示す構成図である。図１に示すように、この締固め判定施工システム１は、コンクリート２を収容する型枠３と、型枠３内において、コンクリート２に挿入されるバイブレータ４と、締固め作業中にバイブレータ４の挿入位置付近のコンクリート２の面を撮影する撮影手段としてのビデオカメラ５と、ビデオカメラ５に接続され、当該ビデオカメラ５からの撮影信号を取得して各種データ処理を行う制御装置６とを備えて成る。

バイブレータ４は、当該バイブレータ４を懸架支持する支持棒７の先端（下端）に取り付けられている。ビデオカメラ５は、当該ビデオカメラ５を懸架支持するカメラ支持棒８の先端（下端）に取り付けられている。支持棒７およびカメラ支持棒８はそれぞれ、別々のレール（図示してない）に移動可能に連結され、型枠３の平面区域内部で駆動装置によって移動されるようになっている。支持棒７には昇降機（図示してない）が取り付けられており、この昇降機により支持棒７を上下方向へ運動させることによりバイブレータ４をコンクリート２に対して上下方向へ運動させるようになっている。また、カメラ支持棒８にも別のカメラ昇降部材（図示してない）が取り付けられており、このカメラ昇降部材によりカメラ支持棒８を上下方向へ運動させることによりビデオカメラ５をコンクリート２の面に対して上下方向へ運動させてコンクリート２の面からの高さ調整ができるようになっている。また、ビデオカメラ５は、位置および高さ調整により、バイブレータ４から３０ｃｍ（センチメートル）程度の範囲のコンクリート２の面を撮影するように設定されている。

上述の通り、ビデオカメラ５と制御装置６とは接続関係にあるが、この接続関係は、ビデオカメラ５と制御装置６とが図１中符号９で示されるような信号線により接続されていてもよいし、或いはビデオカメラ５と制御装置６とが公衆通信ネットワーク（インターネット等）や近距離簡易通信システム（ブルーツース等）により接続されていてもよい。また、ビデオカメラ５にはレーザー距離計のような距離測定手段が搭載され、コンクリート２の打設面とビデオカメラ５との距離を計測して取得画像の縮尺の相違に対応するようになっている。縮尺対応は取得画像の中にスケールを入れることによっても行うことができる。この締固め判定施工システム１では、機械学習により対象物としてのコンクリート２の締固め具合が予測され、締固めの完了が判定される。なお、撮影手段としては、上記ビデオカメラ５以外にも、ディジタルカメラ、３Ｄ距離センサなど、２次元配列画像のキャプチャが行われるものであれば採用可能である。

本実施形態で使用する機械学習は、画像或いは画像特徴とコンクリートの締固め具合に関する既知の数値列との集合である学習データを学習することで、画像或いは画像特徴を数値列に変換するパターン変換関数を獲得し、そのパターン変換関数を用いて未知の値を予測する処理である。本実施形態では、数値列である教師データを用い、その教師データから得られたパターン変換関数を用いて将来の時点における値を予測する。なお、数値列とは、コンクリート２に関する現象の様々な観測値によって得られた数値の系列であり、その現象をある規則に基づいて観測することにより得られた数値の系列である。本実施形態では、教師データとして、締固め未完了（ｂｅｆｏｒｅ）、或いは締固め完了（ｊｕｓｔ）という情報を付与した画像を用いる。機械学習の一例として、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ： 以下、「ＣＮＮ」という。）があり、本実施の形態においてはこのニューラルネットワークにおける深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）用いた例を説明する。

なお機械学習の他の例としては、リカレントニューラルネットワーク（ＲＮＮ Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、多層パーセプトロン（ＭＬＰ Ｍｕｌｔｉｌａｙｅｒ Ｐｅｒｃｅｐｔｒｏｎ）、サポートベクターマシン（ＳＶＭ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、あるいはそのＳＶＭを回帰に対応させたサポートベクター回帰（ＳＶＲ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）、決定木学習，相関ルール学習，ベイジアンネットワークなどが挙げられ、本実施の形態に係る締固め判定施工システム１は、その有用性に応じてこれらのアルゴリズムのいずれかを用いてもよい。

本実施の形態に係る締固め判定施工システム１が予測する対象としては、打設されたコンクリート２の締固め具合としてコンクリート２の表面の態様が挙げられる。

締固め判定施工システム１は、ビデオカメラ５で取得された画像信号が信号線９或いは通信ネットワークを介して制御装置６によって取得可能に構成されている。また、バイブレータ４の移動及び昇降動作が制御装置６から送られた制御信号によって制御可能に構成されている。さらに、ビデオカメラ５の移動及び昇降動作が制御装置６から送られた制御信号によって制御可能に構成されている。

制御装置６は１台、またはそれ以上のコンピュータを備えてなる。制御装置６が複数台のコンピュータを備える場合には、後述する制御装置６の各機能要素は分散処理により実現される。個々のコンピュータの種類は限定されない。例えば、据置型または携帯型のパーソナルコンピュータ（ＰＣ）を用いてもよいし、ワークステーションを用いてもよいし、高機能携帯電話機（スマートフォン）や携帯電話機、携帯情報端末（ＰＤＡ）などの携帯端末を用いてもよい。あるいは、様々な種類のコンピュータを組み合わせて制御装置６を構築してもよい。複数台のコンピュータを用いる場合には、これらのコンピュータはインターネットやイントラネットなどの通信ネットワークを介して接続される。

図２は、制御装置６に備えられた個々のコンピュータ５０のハードウェア構成の一例を示すブロック図である。コンピュータ５０は、オペレーティングシステムや締固め判定用のアプリケーション・プログラムなどを実行する演算装置であるＣＰＵ（プロセッサ）５１と、上記アプリケーション・プログラムを格納するＲＯＭ（リード・オンリー・メモリ：読出し専用メモリ）、或いはデータ処理動作で随時処理される各種データが格納されるＲＡＭ（ランダム・アクセス・メモリ：随時書換え可能メモリ）で構成される主記憶部５２と、ハードディスクやフラッシュメモリなどで構成される補助記憶部５３と、ネットワークカードあるいは無線通信モジュールで構成される通信制御部５４と、キーボードやマウスなどの入力装置５５と、ディスプレイやプリンタなどの出力装置５６とを備える。なお、搭載されるハードウェアモジュールはコンピュータ５０の種類により異なる場合がある。例えば、据置型のＰＣおよびワークステーションは入力装置および出力装置としてキーボード、マウスを備えることが多く、出力装置としてディスプレイ等のモニタを備えることが多いが、スマートフォンではタッチパネルが入力装置および出力装置として機能することが多い。

後述する制御装置６の各機能要素は、ＣＰＵ５１または主記憶部５２の上に所定のソフトウェアを読み込ませ、ＣＰＵ５１の制御の下で通信制御部５４や入力装置５５、出力装置５６などを動作させ、主記憶部５２または補助記憶部５３におけるデータの読み出し及び書き込みを行うことで実現される。データ処理に必要なデータやデータベースは主記憶部５２または補助記憶部５３内に格納される。

図３は、上記図２に示された制御装置６の機能的構成を表す機能ブロック図である。この制御装置６は、機能的要素として、ビデオカメラ５に接続され、このビデオカメラ５によって連続して取得された画像を入力する画像取得部２１と、上記主記憶部５２又は補助記憶部５３に設けられ、教師データ及び各種処理に必要なデータが格納されるデータベース２２と、データベース２２に接続され、このデータベース２２から教師データを受け取る教師データ取得部２３と、画像取得部２１及び教師データ取得部２３に接続され、これらの動作部２１，２３からのデータを基に入力画像の特徴量を算出する画像特徴量算出部２４と、画像特徴量算出部２４に接続され、撮影手段であるビデオカメラ５から取得された画像と前記画像特徴量算出部によって算出された前記数値列との関係を、機械学習を用いて学習するとともに、前記コンクリートの締固め具合を表す数値の予測値を導出する学習部（予測値導出部）２５とを備える。制御装置６はさらに、画像特徴量算出部２４及び学習部２５における処理結果を基に締固め判定のための演算を行う演算部２６と、演算部２６に接続され、演算部位の演算結果により締固め具合が締固め未完了（ｂｅｆｏｒｅ）であるか，締固め完了（ｊｕｓｔ）であるかの判定を行う締固め判定部２７と、締固め判定部２７に接続され、この締固め判定部２７における判定結果をモニター等の出力装置５６に出力する出力部２８と、締固め判定部２７に接続され、この締固め判定部２７における判定結果に基づきバイブレータ４の設置位置を変更したり、ビデオカメラ５の設置位置を変更したりする制御動作を行う動作制御部２９とを備える。画像特徴量算出部２４は、学習部２５で使用される機械学習によって、受け取った画像をそのまま学習部２５に渡すか、画像特徴量を算出してから学習部２５へ渡すかする。

図４は本実施の形態にかかる締固め判定施工システムの制御装置６による締固め判定及び施工制御の処理手順を示すフローチャートである。

まず、ユーザによる指示入力等を契機に制御装置６による締固め判定施工制御の処理が起動されると、型枠３内の所定の位置（挿入点Ａとする）でバイブレータ４の巻き下げ、すなわち、降下動作が開始され、バイブレータ４がコンクリート２の中に挿入される（ステップＳ１）。バイブレータ４には、当該バイブレータ４をコンクリート２の面に対して昇降させる機構が搭載されていて、制御装置６により制御される。

次にバイブレータ４が始動される（ステップＳ２）とともに、ビデオカメラ５の動作が開始され、バイブレータによる振動動作を受けているコンクリート２の面が撮影される（ステップＳ３）。ビデオカメラ５またはカメラ支持棒８には、ビデオカメラ５とコンクリート２の面との距離を維持する機構及び距離計測器（レーザー距離計など）が搭載されていて、制御装置６により制御される。図１中の符号Ｐ１は本実施の形態におけるビデオカメラ５による撮影範囲を表す。この撮影範囲Ｐ１は、一例として、バイブレータ４から概略３０ｃｍ（センチメートル）の範囲である。

次に、画像取得部２１による画像データの取得、及び教師データ取得部２２による教師データの取得が行われ、２次元配列画像のキャプチャが行われる（ステップＳ４）。この２次元配列画像のキャプチャ処理において、画像取得部２１は、ビデオカメラ５によって連続して取得された画像を、ラベル付きフレーム画像の画像信号として受信する。この画像取得部２１は、受信した画像をアナログ／ディジタル変換して画像データを生成し、２次元配列画像として画像特徴量算出部２４に送付する。教師データ取得部２３は、データベース２２から教師データを取得し、この教師データを２次元配列画像として画像特徴量算出部２４に送付する。

本実施の形態に係る締固め判定施工システムの動作には学習フェーズと、予測（判定実行）フェーズとがある。よって、先ず学習フェーズの動作について説明する。
学習フェーズ
この学習フェーズは、画像或いは画像特徴量と、締固め具合を表す既知の数値列との集合（学習データ）をデータベース２２に蓄積し、その後、蓄積した学習データを読み出して、機械学習を用いてＣＮＮにパターン変換関数を獲得させる動作モードである。本実施の形態のように機械学習のためにＣＮＮが用いられる場合は、上記２次元配列画像は、画像特徴量算出部２４をスルー（つまり、通過）してＡＩすなわち、ＣＮＮへ入力される（ステップＳ５）。ＣＮＮは、予め、ビデオカメラ５から入力される映像のフレーム画像と、締固め状態との対応関係を学習している。このため、入力されるフレーム画像は、尤度（もっともらしさ）の高いクラスに分類される。画像特徴量算出部２４は、画像データを基に、機械学習を用いて対象物であるコンクリート２の締固め具合に関する特徴量である数値ベクトル（数値列）を算出する。例えば、画像特徴量算出部２４は、画像データと教師データとを用いて、将来（例えば、それぞれの画像データの取得時点から所定時間後）の、時間差によって生じるコンクリート２の差分締固め量の差分（以下、「差分締固め量）という）を機械学習による予測対象の数値（目的変数）とした教師あり機械学習を実行する。上記ＣＮＮは、機械学習の一例であり、公知の深層学習の手法である畳み込みニューラルネットワークである。

図５はＣＮＮによる学習フェーズの動作手順の一例を示す処理流れ図である。ＣＮＮは、図５に示されるように、入力画像データ４０に対して、第１畳み込み層における畳み込み処理を実行し（ステップＳ２１）、その次に第１プーリング層におけるプーリング処理を実行し（ステップＳ２２）、さらにその後、第２畳み込み層における畳み込み処理を実行し（ステップＳ２３）、その次に第２プーリング層におけるプーリング処理を実行し（ステップＳ２４）、次に第３畳み込み層３の畳み込み処理を実行し（ステップＳ２５）、その後、全結合層Ａの処理を実行し（ステップＳ２６）、また、全結合層Ｂの処理を実行する（ステップＳ２７）というように、畳み込み処理動作とプーリング処理動作を繰り返すことで画像データから機械的に特徴量を抽出できる手法である。ＣＮＮを用いる場合の一例を示すと、画像特徴量算出部２４は、畳み込み層とプーリング層とにおける処理を何回か（例えば、５回）繰り返した後に、出力層における処理を経由して、目的変数である差分締固め量の予測値を算出する。この予測値がコンクリート２の将来の締固め具合を表している。その際、画像特徴量算出部２４は、ＣＮＮの学習アルゴリズムにしたがって、画像と締固め具合に関する数値列との関係を学習し、ＣＮＮの結合の重みの更新をすることにより、パターン変換関数を更新できる。ここで、画像特徴量算出部２４は、いったんパターン変換関数を構築した後は、実測値のデータを用いたパターン変換関数の更新は停止してもよく、最初からパターン変換関数が構築されている場合には、パターン変換関数の更新の機能は含まれていなくてもよい。さらに、画像特徴量算出部２４は、構築された状態での画像データを対象にした出力層の出力を、特徴量である数値ベクトル（例えば、２５６列の数値ベクトル）として、学習部２５に出力する。

次に、予測（判定実行）フェーズについて説明する。
予測（判定実行）フェーズ
この予測（判定実行）フェーズは、上述の学習フェーズにおいて求められたパターン変換関数を上記機械学習によって獲得したＣＮＮを用いて、数値列を予測する動作モードである。この予測（判定実行）フェーズの動作例が図６に示されている。図６は画像取得部２１により取得されるラベル付きフレーム画像が締固め操作により時間経過とともに変化する様子を示す図である。図６に示されるように、コンクリート２の打設直後（０秒後）では締固めはまだ進行しておらず、締固め判定結果も締固め未完了（ｂｅｆｏｒｅ）の結果である。コンクリート２の打設が行われて４秒後の状態では、締固めはまだ十分に進行しておらず、締固め判定結果も締固め未完了（ｂｅｆｏｒｅ）のままである。コンクリート２の打設が行われてから８秒後の状態では、締固めは十分に進行しており、締固め判定結果は締固め完了（ｊｕｓｔ）の結果になっている。コンクリート２の打設が行われてから１６秒後の状態では、締固めはさらに十分に進行しており、締固め判定結果は締固め完了（ｊｕｓｔ）の判定になっている。

学習部２５は、画像特徴量算出部２４によって算出された数値ベクトルを基に、コンクリート２の締固め具合を表す数値として、差分締固め量の予測値を導出する。この予測値の導出処理動作の一例を説明すると、学習部２５は、数値ベクトルと時系列の環境測定データとを組み合わせた数値ベクトルを基に、機械学習を実行することにより、目的変数である差分締固め量の予測値の推移を算出する。その際、学習部２５は、教師データを基に、機械学習を実行することによりフィルタパラメータ等のパターン変換関数を更新する。学習部２５は、いったんパターン変換関数を構築した後は、実測値のデータを用いたパターン変換関数の更新は停止してもよく、最初からパターン変換関数が構築されている場合には、パターン変換関数の更新の機能は含まれていなくてもよい。そして、学習部２５は、パターン変換関数が構築された状態での機械学習による差分締固め量の予測値の推移のデータを、締固め判定部２７に出力する。

締固め判定部２７では、上記差分締固め量の予測値の推移データにより、コンクリート２の締固め具合が締固め未完了であるか、締固め完了であるかの判定を行い（ステップＳ６）、締固め未完了である場合は、「ｂｅｆｏｒｅ」信号を出力し、ステップＳ３のビデオカメラ５による撮影動作に戻る。他方，締固め完了である場合は、「ｊｕｓｔ」信号を出力する。さらに、締固め判定部２７は、上記「ｂｅｆｏｒｅ」信号又は「ｊｕｓｔ」信号を動作制御部２９に送付する。

動作制御部２９は、締固め判定部２７によって出力されたコンクリート２の締固め判定結果を基に、バイブレータ４及びビデオカメラ５の動作を制御するための制御信号を生成する。そして、動作制御部２９は、締固め判定部２７が「ｊｕｓｔ」信号を出力した場合は、バイブレータを巻き上げる動作を開始し（ステップＳ７）、この動作を行った後、バイブレータ４を停止させる（ステップＳ８）。

次に、制御装置のＣＰＵ５０は、コンクリート２の全領域の締固めが完了したか否かをチェックし（ステップＳ９）、コンクリート２の全領域の締固めが完了していなければ、締固め領域の移動を動作制御部２９に指示する（ステップＳ１０）。動作制御部２９は、支持棒７およびカメラ支持棒８をそれぞれ対応するレールに沿って移動させ、図１に示されるように、バイブレータ４による締固め位置を挿入点Ａから挿入点Ｂへ変更し、また、ビデオカメラ５による撮影領域を撮影範囲Ｐ１から撮影範囲Ｐ２へと変更する。そして、制御装置６の処理動作によりステップＳ１〜ステップＳ９の動作が行われる。

実施例
フレッシュ性の異なる３種類のコンクリートに対し、締固め試験を実施した。この締固め試験では、ビデオカメラ５により、１秒当たり３０フレームの映像を撮影した締固め試験映像を５０本取得した。

そして、上記１秒当たり３０フレームの映像を撮影した締固め試験映像から、複数名の熟練オペレータが判定した締固め完了（ｊｕｓｔ）の適正時間（フレーム番号で特定される）の平均値を取り、この平均値を、そのコンクリートの締固め試験における締固め未完了（ｂｅｆｏｒｅ）と締固め完了（ｊｕｓｔ）の境界の教師データとした。また、画像取得部２１により取得したすべてのフレーム画像に「ｂｅｆｏｒｅ」、または「ｊｕｓｔ」の正解ラベルを付与し、「締固め判定」、及び「締固め判定の評価」試験とした。また、締固め試験時のバイブレータの位置によるコンクリートの締固め状態の違いを考慮して、フレーム画像を左右の２つの画像に分割し、各々に対する適正時間を判定した。

図７は、上述のようにフレッシュ性の異なる３種類のコンクリート２に対し、締固め試験を実施したときの締固め判定結果の良否を表す図である。図７において、テスト０１、テスト０２、テスト０３は、それぞれフレッシュ性の異なる３種類のコンクリート２に対する締固め試験を表す。各テストにおいて、上段は教師データにおける締固め判定の「ｂｅｆｏｒｅ」又は「ｊｕｓｔ」の境界を表し、下段は本実施の形態に係る締固め判定施工システムによる判定結果の良否を表す。図７中の下段の判定結果の良否について、判定結果「ｃｏｒｒｅｃｔ」は、締固め判定の「ｂｅｆｏｒｅ」および「ｊｕｓｔ」のいずれにおいても、判定結果が良であったことを示す。他方、判定結果「ｉｎｃｏｒｒｅｃｔ」は、締固め判定の「ｂｅｆｏｒｅ」および「ｊｕｓｔ」のいずれにおいても、判定結果が誤りであったことを示す。図７に示されるように、テスト０１では、教師データ（上段）に対して判定施工システムによる判定結果（下段）は上記「ｂｅｆｏｒｅ」又は「ｊｕｓｔ」の境界部分及びこの境界部分からそれ程離れていない範囲で判定の誤り（黒塗り部分）が表れていることにより、概略教師データに合致した判定結果が得られている。

テスト０２では、教師データ（上段）に対して判定施工システムによる判定結果（下段）は上記「ｂｅｆｏｒｅ」又は「ｊｕｓｔ」の境界部分のみならず、境界から「ｂｅｆｏｒｅ」方向へ（約５５０フレーム位置）も、また「ｊｕｓｔ」方向へ（約１６００フレームより先の位置）も判定の誤り（黒塗り部分）が表れていることにより、かなり不正確な判定結果が得られている。

テスト０３では、教師データ（上段）に対して判定施工システムによる判定結果（下段）は上記「ｂｅｆｏｒｅ」又は「ｊｕｓｔ」の境界に近接した部分でのみ判定の誤り（黒塗り部分）が表れていることにより、教師データに非常に合致した判定結果が得られている。

なお、今回の締固め試験では、フレーム画像の右画像を６４×６４画素にリサイズした画像のみを使用した。

本発明によれば、コンクリートの締固め判定において、ＡＩの機械学習機能を用いてコンクリートの締固め具合を予測して締固め判定に活用するため、コンクリートの締固め判定に作業員や技術者の経験や技量などの個人差を排除したコンクリートの最適締固め判定および施工を行うことができ、有用である。

１ 締固め判定施工システム
２ コンクリート
３ 型枠
４ バイブレータ
５ ビデオカメラ（撮影手段）
６ 制御装置
７ 支持棒
８ カメラ支持棒
９ 信号線
２１ 画像取得部
２２ データベース
２３ 教師データ取得部
２４ 画像特徴量算出部
２５ 学習部（予測値導出部）
２６ 演算部
２７ 締固め判定部
２８ 出力部
２９ 動作制御部

Claims (4)

1. 打設されたコンクリートに挿入されて当該コンクリートに振動を与え、コンクリートの締固めを行うバイブレータと、
   前記締固めされるコンクリートの画像を取得する撮影手段と、
   前記撮影手段から取得された画像を基に、機械学習を用いて前記対象物の締固め具合に関する特徴量である数値列を算出する画像特徴量算出部と、
   前記撮影手段から取得された画像と前記画像特徴量算出部によって算出された前記数値列との関係を、機械学習を用いて学習するとともに、前記コンクリートの締固め具合を表す数値の予測値を導出する学習部と、
   学習部からの予測値を演算して締固め判定を行う締固め判定部と、
   を備えるコンクリートの最適締固め判定システム。
2. 前記学習部は、前記予測値として、前記コンクリートの表面状態に関する数値の予測値を導出する、
   請求項１記載のコンクリートの最適締固め判定システム。
3. 撮影手段を用いて、打設されたコンクリートの表面の画像を取得し、
   画像特徴量算出部により、前記撮影手段から取得された画像を基に、機械学習を用いて前記コンクリートの締固め具合に関する特徴量である数値列を算出し、
   学習部により、前記撮影手段から取得された画像と前記画像特徴量算出部によって算出された前記数値列との関係を、機械学習を用いて学習するとともに、前記コンクリートの締固め具合を表す数値の予測値を導出し、
   締固め判定部により、学習部からの予測値を演算して締固め判定を行う、
   ことを特徴とするコンクリートの最適締固め判定方法。
4. 打設されたコンクリートに挿入されて当該コンクリートに振動を与え、コンクリートの締固めを行うバイブレータと、
   前記締固めされるコンクリートの画像を取得する撮影手段と、
   打設されたコンクリートに対して、バイブレータを昇降動作および位置変更動作を行わせるバイブレータ駆動手段と、
   前記締固めされるコンクリートに対して、撮影手段を昇降動作および位置変更動作を行わせる撮影手段駆動手段と、
   前記撮影手段から取得された画像を基に、機械学習を用いて前記対象物の締固め具合に関する特徴量である数値列を算出する画像特徴量算出部と、
   前記撮影手段から取得された画像と前記画像特徴量算出部によって算出された前記数値列との関係を、機械学習を用いて学習するとともに、前記コンクリートの締固め具合を表す数値の予測値を導出する学習部と、
   学習部からの予測値を演算して締固め判定を行う締固め判定部と、
   前記バイブレータ駆動手段および前記撮影手段駆動手段を駆動制御する動作制御部と、
   を備えるコンクリートの最適締固め判定施工システム。