JP2020085546A - 構造物の点検・補修支援システム - Google Patents
構造物の点検・補修支援システム Download PDFInfo
- Publication number
- JP2020085546A JP2020085546A JP2018216837A JP2018216837A JP2020085546A JP 2020085546 A JP2020085546 A JP 2020085546A JP 2018216837 A JP2018216837 A JP 2018216837A JP 2018216837 A JP2018216837 A JP 2018216837A JP 2020085546 A JP2020085546 A JP 2020085546A
- Authority
- JP
- Japan
- Prior art keywords
- image
- inspection
- damaged
- data
- region
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 108
- 230000008439 repair process Effects 0.000 title claims abstract description 55
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000013500 data storage Methods 0.000 claims description 21
- 238000013139 quantization Methods 0.000 claims description 14
- 239000004567 concrete Substances 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 102100028971 HLA class I histocompatibility antigen, C alpha chain Human genes 0.000 claims 1
- 101100395312 Homo sapiens HLA-C gene Proteins 0.000 claims 1
- 238000000034 method Methods 0.000 description 35
- 238000012545 processing Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 25
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 239000011150 reinforced concrete Substances 0.000 description 8
- 230000006866 deterioration Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
図1は、本発明の構造物の点検・補修支援システムの第1の実施の形態の構成を示すブロック図である。第1の実施の形態の構造物の点検・補修支援システム1は、画像データ取得部3と、データ蓄積部5と、関心領域決定部7と、表示データ作成部9と画像表示装置11を備えている。本実施の形態では、画像データ取得部3〜表示データ作成部9までの主要部は、コンピュータにインストロールしたソフトウエアによってコンピュータの内部に実現されている。画像データ取得部3は、図2(A)に示すような検査対象のコンクリート構造物において損傷している損傷部分と該損傷部分の近傍とをデジタルカメラ等の撮影装置で撮影した1以上の対象損傷部分a1〜a3を含む画像データを取得する。損傷部分は、コンクリート構造物から露出した鉄筋、コンクリートのひび割れや浮き、鋼構造物クラック等である。
関心領域決定用の学習モデルの生成と学習モデルを用いた関心領域の推定は、任意の手法を用いることが可能である。例えば、本実施の形態では、SSD(Single Shot multi-box Detector)による手法と、VGGによる手法を用いている。これらの手法については、下記の論文に詳細に説明されている。
(VGGの文献) K. Simonyan and A. Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recoginition. In Intl. Conf. on Learning Repre-sentations (ICLR), 2015.。
複数の損傷画像と対応した正解矩形画像のデータセットを学習用の教師データとして、SSD(Single Shot multi-box Detector)モデルを学習する。SSDモデルは、画像中から物体検出を目的とした深層学習モデルのひとつであり、一般物体検出において高速、高精度に動作する手法である。畳み込みニューラルネットワーク(Convolutional Neural Networks:CNN)を通し、その過程で得られる複数の異なるスケールを持つ特徴マップを生成する。これらの特徴マップにおけるそれぞれの位置について、アスペクト比を変化させながら対象物体との相対位置と尤度を算出する。
図13は畳み込みニューラルネットワーク(CNN)で構成されるVGGモデルによる学習モデルを構築するための学習処理のフローチャートである。このVGGモデルによる学習モデルの学習処理では、まず、読み込んだ複数の損傷画像データ及び対応する損傷画像検査範囲を用いて、正解画像を生成する(ST231´)。図14(A−1)及び(A−2)乃至図14(D−1)及び(D−2)に示すように、正解画像は、データ蓄積部で蓄積された損傷画像検査範囲を含む領域を1、それ以外の領域を0とする2値画像となる。正解画像は、損傷画像検査範囲が矩形ではない場合は、その範囲を包含する矩形領域を1、それ以外の領域を0とする2値画像となる。複数の損傷画像と対応した正解矩形画像のデータセットを学習用の教師データとして、VGGモデルを学習する(ST232´)。
図19は、本発明の第2の実施の形態の構成を示すブロック図である。図19には、第1の実施の形態の構成を示す図1に示した構成要素と同じ構成要素には、図1に付した符号と同じ符号を付して説明を省略する。本実施の形態では、関心領域決定部7が決定した関心領域を点検者がマニュアル操作で補正したデータを検査範囲のデータとしてデータ蓄積部5に蓄積する関心領域補正部13をさらに備えている。本実施の形態では、関心領域補正部13で補正しない場合でも、表示データ作成部9が作成したデータをデータ蓄積部5に蓄積する。図20(A)乃至(C)は、関心領域補正部13の動作を説明するために用いる図である。関心領域決定部7が、図20(A)に示すような関心領域b4及びb5を推定したときに、本実施の形態では、点検者が自分の実際の点検結果あら関心領域b5をもう少し広げるべきだと感じた場合には、図20(B)に示すように例えばカーソルの移動を利用して関心領域b5を関心領域b5´に補正することができる。この補正は、関心領域の大きさと位置の変更を可能にする。
図21は、本発明の第3の実施の形態の構成を示すブロック図である。図21には、第1の実施の形態の構成を示す図1に示した構成要素と同じ構成要素には、図1に付した符号と同じ符号を付して説明を省略する。本実施の形態では、対象損傷部分の画像データ及び複数の損傷部分の画像データから画像特徴量を求める画像特徴量演算部15と、画像特徴量演算部15の演算結果から、対象損傷部分の画像に類似する複数の損傷部分の画像を複数選択する類似画像選択部17をさらに備えている。そして、表示データ作成部9は、対象損傷部分の画像の上に関心領域を表示した表示画像を画像表示装置11の表示画面に表示する表示データを作成することに加え、類似画像選択部17が選択した複数の損傷部分の画像を画像表示装置11の表示画面に選択可能に表示する表示データを作成する。図22は、表示データ作成部9における表示データ作成処理の工程(ステップST41〜ST43)を示すフローチャートである。
図21の画像特徴量演算部15は、形状特徴量と色彩特徴量を結合したものを画像特徴量として演算する。
明るさ変動の影響を軽減するため、形状特徴量と色彩特徴量に対し、それぞれ次の前処理を施す。
図25は、画像特徴量演算部15をソフトウエアで実現する場合のアルゴリズムの一例を示している。図25の例では、対象損傷部分の画像データ及び複数の損傷部分の画像データが、RGB画像データとして切り出される(ステップST51)。まずステップST52A〜ST55Aにより、形状特徴量の抽出を行う。ステップST52Aでは、RGB画像をグレースケール画像に変換する。そしてステップST53Aでは、グレースケール画像に変換された画像からガウシアンフィルタによりノイズを除去する。そしてステップST54Aでは、ラプラシアンフィルタにより、エッジ(輪郭)抽出をする。最後にステップST55Aでは、HLAC特徴量抽出を行う。HLAC特徴とは、周知の高次局所自己相関特徴(HLAC: Higher-order Local AutoCorrelation)である。HLAC特徴量抽出では、勾配画像に対し、35種類のHLACマスクパターンを適用し、35次元の形状特徴量を算出する。特徴量算出後、各形状について45°回転に対して同じ形状となるマスクパターンについて統合し、回転・反転不変特徴として構成する。
色量子化モデルは図26(A)の手順により作成する。なお図27は色彩情報抽出の概念を示す図であり、図28は、代表色決定の概念を示す図である。まずステップST60Aで、画像データベース中から複数枚の画像群を読み込む。次にステップ60Bで、図27に示すように、入力されたすべての画像について、RGB色空間からL*a*b*色空間への変換を行う。次にステップST60Cで、図27に示すように、色彩情報の抽出を行う。すなわちL*a*b*で表現された画像群について、a*b*の色情報だけを抽出する。次にステップ60Dで、色量子化モデルを算出して、ステップST60Eで色量子化モデルを出力する。図28に示すように、複数の損傷画像から色点群を取得する。すなわちa*b*の色情報となった画像群から、ランダムにn点(例えば10,000点)を選択する。「点」はa*b*から構成される二次元ベクトルであり、色を表す。そしてこれから色量子化モデルを作成する。すなわちランダムに選択したn点について、k-meansなどのクラスタリング手法により代表色を決定する。なおkの値は32などで量子化する。図28は、代表色(k=3)の例である。
ステップST61では、ステップ53Bで色彩情報を分離して得た色成分(a*b*成分)画像について、前述の色量子化モデルに基づき色成分を量子化する。次にステップST63で、図29に示すように、色量子化された画像中のすべてのピクセルにおける色情報をI(色領域内)とB(色の境界)に分類する。この例では3色の代表色の色量子化モデルを用いている。
「R. Stehling, et al. “A compact and efficient image retrieval approach based on border/interior pixel classification”, Proceedings of the 11th international conference on information and knowledge management」.。
類似画像選択部17では、特徴量ベースの類似画像検索を行う。類似画像の選択は、例えば、検索対象画像の画像特徴量と、データベース内の画像特徴量とのユークリッド距離を比較し、距離が小さい上位n枚について検索候補を提示する。そして類似画像検索結果を読込んで、n枚の検索候補について、類似画像リスト、補修情報リスト、損傷ランクリスト生成する。
3 画像データ取得部
5 データ蓄積部
7 関心領域決定部
9 表示データ作成部
11 画像表示装置
13 関心領域補正部
15 画像特徴量演算部
Claims (11)
- 点検対象のコンクリート構造物において損傷している損傷部分と該損傷部分の近傍とを撮影装置で撮影した1以上の対象損傷部分を含む画像データを取得する画像データ取得部と、
過去に点検を行って得た複数の損傷部分の画像データと、該複数の損傷部分の画像データに対応する検査範囲のデータを少なくとも含む前記複数の損傷部分の損傷データを蓄積するデータ蓄積部と、
前記1以上の対象損傷部分を含む前記画像データを入力として、少なくとも過去に点検を行って得た複数の損傷部分を含む画像データ及び該複数の損傷部分を含む画像データに対応して、点検または補修作業の熟練者が決定した前記複数の損傷部分の検査範囲を含むデータを教師データとして作成した学習モデルを用いて、前記1以上の対象損傷部分について点検者が点検をすべき検査範囲を関心領域として決定する関心領域決定部と、
前記1以上の対象損傷部分の画像の上に前記関心領域を表示した表示画像を画像表示装置の表示画面に表示する表示データを作成する表示データ作成部を備えてなる構造物の点検・補修支援システム。 - 前記関心領域決定部は、過去に点検を行って得た複数の損傷部分を含む画像データ及び、該複数の損傷部分を含む画像データに対応して、前記点検または補修作業の熟練者が決定した前記複数の損傷部分の検査範囲を含むデータを教師データとして、前記損傷部分及び該損傷部分の周囲における損傷の有無の確率を出力として推定するように構築された前記学習モデルを備え、前記対象損傷部分を含む画像データを入力として前記学習モデルから出力された前記対象損傷部分及び該対象損傷部分の周囲領域における前記損傷の有無の確率が、予め定めた値を超える部分を含む領域を前記関心領域として決定することを特徴とする請求項1に記載の構造物の点検・補修支援システム。
- 前記表示データ作成部は、前記関心領域の表示として、前記点検者が点検をすべき領域の輪郭形状を示す表示または前記輪郭を囲む矩形形状を示す表示を作成する請求項1または2に記載の構造物の点検・補修支援システム。
- 前記関心領域決定部が決定した前記関心領域を点検者がマニュアル操作で補正したデータを前記検査範囲のデータとして前記データ蓄積部に蓄積する関心領域補正部をさらに備えている請求項2に記載の構造物の点検・補修支援システム。
- 前記対象損傷部分の画像データ及び前記複数の損傷部分の画像データから画像特徴量を求める画像特徴量演算部と、
前記画像特徴量演算部の演算結果から、前記対象損傷部分の画像に類似する前記複数の損傷部分の画像を複数選択する類似画像選択部をさらに備え、
前記表示データ作成部は、前記類似画像選択部が選択した前記複数の損傷部分の画像を前記画像表示装置の前記表示画面に選択可能に表示する表示データを作成することを特徴とする請求項1に記載の構造物の点検・補修支援システム。 - 前記画像特徴量演算部が演算する前記画像特徴量は、形状特徴量と色彩特徴量を結合したものである請求項5に記載の構造物の点検・補修支援システム。
- 前記対象損傷部分の画像データ及び前記複数の損傷部分の画像データはRGB画像データであり、
前記画像特徴量演算部は、
前記RGB画像データのRGB色空間をL*a*b*表色系に変換し、
前記L*a*b*表色系に変換したデータからL*a*b*成分のうち、a*b*成分のみを分離し、
分離した前記a*b*成分を量子化モデルにより量子化し、
量子化して得た量子化色画像について色領域内Iと色の境界Bの2種類に分類し、
分類した前記色領域内Iと前記色の境界Bについてそれぞれ量子化された各色の出現頻度を前記色彩特徴量(量子化BIC特徴量)として抽出することを特徴とする請求項6に記載の構造物の点検・補修支援システム。 - 前記画像特徴量演算部は、
前記RGB画像データをグレースケール画像データに変換し、
変換したグレースケール画像データからノイズを除去し、
ノイズを除去したグレースケール画像データから輪郭を抽出し、
輪郭を抽出したグレースケール画像データからHLAC特徴量を前記形状特徴量として抽出することを特徴とする請求項7に記載の構造物の点検・補修支援システム。 - 前記画像特徴量演算部は、前記形状特徴量と前記色彩特徴量を連結し、連結した特徴量を正規化して前記画像特徴量として出力することを特徴とする請求項8に記載の構造物の点検・補修支援システム。
- 前記データ蓄積部には、過去に点検を行って得た前記複数の損傷部分の画像データに対応して前記複数の損傷部分の補修履歴情報が蓄積されており、
前記表示データ作成部は、前記表示画面に表示された前記複数の損傷部分の画像から選択された前記損傷部分の画像に対応する補修履歴情報を前記表示画面に表示する表示データを作成することを特徴とする請求項5記載の構造物の点検・補修支援システム。 - 前記データ蓄積部には、過去に点検を行って得た前記複数の損傷部分の画像データに対応して前記複数の損傷部分の損傷の程度を損傷クラスで表す損傷クラスデータが蓄積されており、
前記表示データ作成部は、前記損傷クラスを前記複数の損傷部分の画像と一緒に前記表示画面に表示する表示データを作成することを特徴とする請求項10に記載の構造物の点検・補修支援システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018216837A JP7517641B2 (ja) | 2018-11-19 | 構造物の点検・補修支援システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018216837A JP7517641B2 (ja) | 2018-11-19 | 構造物の点検・補修支援システム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020085546A true JP2020085546A (ja) | 2020-06-04 |
JP2020085546A5 JP2020085546A5 (ja) | 2021-11-25 |
JP7517641B2 JP7517641B2 (ja) | 2024-07-17 |
Family
ID=
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112520064A (zh) * | 2020-12-04 | 2021-03-19 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于应变监测的损伤自动识别方法 |
CN112686888A (zh) * | 2021-01-27 | 2021-04-20 | 上海电气集团股份有限公司 | 混凝土轨枕裂纹的检测方法、系统、设备和介质 |
JPWO2021256444A1 (ja) * | 2020-06-15 | 2021-12-23 | ||
WO2022074746A1 (ja) * | 2020-10-06 | 2022-04-14 | 日本電信電話株式会社 | 劣化検出装置、劣化検出方法、及びプログラム |
WO2023249293A1 (ko) * | 2022-06-22 | 2023-12-28 | 주식회사 메디트 | 이미지 처리 장치 및 이미지 처리 방법 |
JP2023184316A (ja) * | 2022-06-17 | 2023-12-28 | 三菱電機株式会社 | 解析システム、解析方法、および解析プログラム |
EP4220532A4 (en) * | 2020-09-25 | 2024-03-27 | FUJIFILM Corporation | APPARATUS, METHOD AND PROGRAM FOR SUPPORTING STRUCTURAL REPAIRS |
WO2024111029A1 (ja) * | 2022-11-21 | 2024-05-30 | 日本電信電話株式会社 | 構造解析システム、構造解析方法およびプログラム |
WO2024111030A1 (ja) * | 2022-11-21 | 2024-05-30 | 日本電信電話株式会社 | 構造解析システム、構造解析方法およびプログラム |
JP7507208B2 (ja) | 2022-09-29 | 2024-06-27 | 株式会社三井E&S | 構造物の損傷診断装置及び損傷診断プログラム |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001156135A (ja) * | 1999-11-29 | 2001-06-08 | Hitachi Ltd | 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法 |
JP2007527993A (ja) * | 2004-02-18 | 2007-10-04 | イスラ ヴィズィオーン ジュステーム アーゲー | 検査路設定及び検査領域決定方法 |
JP2013167596A (ja) * | 2012-02-17 | 2013-08-29 | Honda Motor Co Ltd | 欠陥検査装置、欠陥検査方法及びプログラム |
JP2014115920A (ja) * | 2012-12-12 | 2014-06-26 | Casio Comput Co Ltd | 多クラス識別器、方法、及びプログラム |
JP2014197342A (ja) * | 2013-03-29 | 2014-10-16 | 日本電気株式会社 | 物体位置検出装置、物体位置検出方法、及びプログラム |
JP2016126769A (ja) * | 2014-12-26 | 2016-07-11 | 古河機械金属株式会社 | 検査結果出力装置、検査結果出力方法、及び、プログラム |
JP2017033469A (ja) * | 2015-08-05 | 2017-02-09 | キヤノン株式会社 | 画像識別方法、画像識別装置及びプログラム |
JP2018004541A (ja) * | 2016-07-06 | 2018-01-11 | 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 |
WO2018055014A1 (en) * | 2016-09-23 | 2018-03-29 | Ventana Medical Systems, Inc. | Methods and systems for scoring extracellular matrix biomarkers in tumor samples |
JP2018120300A (ja) * | 2017-01-23 | 2018-08-02 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001156135A (ja) * | 1999-11-29 | 2001-06-08 | Hitachi Ltd | 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法 |
JP2007527993A (ja) * | 2004-02-18 | 2007-10-04 | イスラ ヴィズィオーン ジュステーム アーゲー | 検査路設定及び検査領域決定方法 |
JP2013167596A (ja) * | 2012-02-17 | 2013-08-29 | Honda Motor Co Ltd | 欠陥検査装置、欠陥検査方法及びプログラム |
JP2014115920A (ja) * | 2012-12-12 | 2014-06-26 | Casio Comput Co Ltd | 多クラス識別器、方法、及びプログラム |
JP2014197342A (ja) * | 2013-03-29 | 2014-10-16 | 日本電気株式会社 | 物体位置検出装置、物体位置検出方法、及びプログラム |
JP2016126769A (ja) * | 2014-12-26 | 2016-07-11 | 古河機械金属株式会社 | 検査結果出力装置、検査結果出力方法、及び、プログラム |
JP2017033469A (ja) * | 2015-08-05 | 2017-02-09 | キヤノン株式会社 | 画像識別方法、画像識別装置及びプログラム |
JP2018004541A (ja) * | 2016-07-06 | 2018-01-11 | 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 |
WO2018055014A1 (en) * | 2016-09-23 | 2018-03-29 | Ventana Medical Systems, Inc. | Methods and systems for scoring extracellular matrix biomarkers in tumor samples |
JP2018120300A (ja) * | 2017-01-23 | 2018-08-02 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7095817B2 (ja) | 2020-06-15 | 2022-07-05 | Jfeスチール株式会社 | 機械的特性の計測装置、機械的特性の計測方法、物質の製造設備、物質の管理方法および物質の製造方法 |
JPWO2021256444A1 (ja) * | 2020-06-15 | 2021-12-23 | ||
EP4220532A4 (en) * | 2020-09-25 | 2024-03-27 | FUJIFILM Corporation | APPARATUS, METHOD AND PROGRAM FOR SUPPORTING STRUCTURAL REPAIRS |
WO2022074746A1 (ja) * | 2020-10-06 | 2022-04-14 | 日本電信電話株式会社 | 劣化検出装置、劣化検出方法、及びプログラム |
JPWO2022074746A1 (ja) * | 2020-10-06 | 2022-04-14 | ||
JP7410442B2 (ja) | 2020-10-06 | 2024-01-10 | 日本電信電話株式会社 | 劣化検出装置、劣化検出方法、及びプログラム |
CN112520064A (zh) * | 2020-12-04 | 2021-03-19 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于应变监测的损伤自动识别方法 |
CN112686888A (zh) * | 2021-01-27 | 2021-04-20 | 上海电气集团股份有限公司 | 混凝土轨枕裂纹的检测方法、系统、设备和介质 |
JP2023184316A (ja) * | 2022-06-17 | 2023-12-28 | 三菱電機株式会社 | 解析システム、解析方法、および解析プログラム |
JP7466588B2 (ja) | 2022-06-17 | 2024-04-12 | 三菱電機株式会社 | 解析システム、解析方法、および解析プログラム |
WO2023249293A1 (ko) * | 2022-06-22 | 2023-12-28 | 주식회사 메디트 | 이미지 처리 장치 및 이미지 처리 방법 |
JP7507208B2 (ja) | 2022-09-29 | 2024-06-27 | 株式会社三井E&S | 構造物の損傷診断装置及び損傷診断プログラム |
WO2024111029A1 (ja) * | 2022-11-21 | 2024-05-30 | 日本電信電話株式会社 | 構造解析システム、構造解析方法およびプログラム |
WO2024111030A1 (ja) * | 2022-11-21 | 2024-05-30 | 日本電信電話株式会社 | 構造解析システム、構造解析方法およびプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027547B (zh) | 一种针对二维图像中的多尺度多形态目标的自动检测方法 | |
EP3739513A1 (en) | Surface defect identification method and apparatus | |
Khoshelham et al. | Performance evaluation of automated approaches to building detection in multi-source aerial data | |
CN108961180B (zh) | 红外图像增强方法及系统 | |
CN111256594B (zh) | 一种飞机蒙皮表面状态物理特征的测量方法 | |
CN111462076A (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN115841447A (zh) | 一种磁瓦表面缺陷的检测方法 | |
CN111814852B (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
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 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN115187530A (zh) | 超声自动乳腺全容积图像的识别方法、装置、终端及介质 | |
CN110334775B (zh) | 一种基于宽度学习的无人机线路故障识别方法和装置 | |
CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
JP2020085546A (ja) | 構造物の点検・補修支援システム | |
JP7517641B2 (ja) | 構造物の点検・補修支援システム | |
CN115690001A (zh) | 一种用于检测钢管焊接数字射线图像中缺陷的方法 | |
CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20181214 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20181217 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20181214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20181217 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211013 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211013 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220831 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221004 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230412 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230801 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230928 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20230928 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20230928 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231226 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240219 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240604 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240624 |