JP2020144132A - 生コンクリートの品質予測方法 - Google Patents

Abstract

【課題】生コンクリートの品質について、人間の感覚や経験によらなくても、短時間でかつ高い精度で予測することができる方法を提供する。【解決手段】予測モデルを用いて、生コンクリートの品質を予測するための方法であって、予測モデルは、画像データを含む学習用入力データと生コンクリートの品質に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成されたものであり、画像データを含む予測用入力データを、予測モデルに入力し、予測モデルから生コンクリートの品質に関する予測用出力データを出力して、生コンクリートの品質を予測する生コンクリートの品質予測方法。【選択図】図１

Description

本発明は、生コンクリートの品質予測方法に関する。

生コンクリートは、目的とする生コンクリートの品質に合わせて調整された配合に基づいて、ミキサ内で各材料を所定の時間練り混ぜることで製造される。
一方で、配合や練り混ぜ時間が同じであっても、骨材の表面水率や、外気温等の変動によって、製造された生コンクリートの品質も変動する。このため、通常、ミキサ内に設置されたカメラによって撮影されたモニタ画像の目視による確認や、ミキサの電力負荷値等を用いて、所望の品質を有する生コンクリートを製造できるか否かを判断して、適宜、製造条件を調整している。
しかし、上記判断は、感覚と経験に基づいて、人間が行うものであるため、作業者によって判断が異なる場合があり、安定した品質の生コンクリートを製造することは困難である。

熟練者ではなくてもコンクリートの品質管理を行うことが可能なシステムとして、例えば、特許文献１には、高流動コンクリートを混練中にミキサから発生する振動や音を計測する計測手段と、前記計測した振動や音をスペクトル解析するスペクトル解析手段と、前記スペクトル解析した結果から高流動コンクリートに関する品質を推定する品質推定手段と、を備えた高流動コンクリート品質管理システムが記載されている。

特開２００３−１７７１１５号公報

本発明の目的は、生コンクリートの品質について、人間の感覚や経験によらなくても、短時間でかつ高い精度で予測することができる方法を提供することである。

本発明者は、上記課題を解決するために鋭意検討した結果、画像データを含む入力データと生コンクリートの品質に関する出力データの組み合わせを複数用いた機械学習によって作成された予測モデルに、画像データを含む入力データを入力して得られた出力データを用いて、生コンクリートの品質を予測する方法によれば、上記目的を達成できることを見出し、本発明を完成した。
すなわち、本発明は、以下の［１］〜［８］を提供するものである。
［１］ 予測モデルを用いて、生コンクリートの品質を予測するための方法であって、上記予測モデルは、画像データを含む学習用入力データと生コンクリートの品質に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成されたものであり、画像データを含む予測用入力データを、上記予測モデルに入力し、上記予測モデルから生コンクリートの品質に関する予測用出力データを出力して、該予測用出力データを用いて生コンクリートの品質を予測し、上記学習用入力データ及び上記予測用入力データに含まれる画像データが、上記生コンクリートの材料を練り混ぜるためのミキサ内を撮影した画像から、撮影されたミキサの略中央部分であり、かつ、上記ミキサの回転軸と該回転軸に固着してなる撹拌羽根からなる混練用部材の、以下の（１）〜（３）のすべての部分についてその近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲を切り取ったものであることを特徴とする生コンクリートの品質予測方法。
（１） 上記回転軸の少なくとも一部分
（２） 上記撹拌羽根の先端部分
（３） 上記回転軸と上記撹拌羽根の固着部分
［２］ 上記学習用入力データ及び上記予測用入力データに含まれる画像データが、上記生コンクリートの材料を練り混ぜるためのミキサ内を、水と水以外の生コンクリートの材料の練り混ぜを開始して上記ミキサの電力負荷値が安定した後に、撮影したものである前記［１］に記載の生コンクリートの品質予測方法。
［３］ 上記予測用入力データに含まれる画像データが、上記生コンクリートの材料を練り混ぜるためのミキサ内を、水と水以外の生コンクリートの材料を練り混ぜている状態で、連続的に撮影した複数の画像の各々から得られる、複数の画像データであり、上記複数の画像データの各々について、画像データを含む予測用入力データを、上記予測モデルに入力し、上記予測モデルから生コンクリートの品質に関する予測用出力データを出力した後、出力された複数の予測用出力データの移動平均値を用いて生コンクリートの品質を予測する前記［１］又は［２］に記載の生コンクリートの品質予測方法。
［４］ 上記学習用入力データ及び上記予測用入力データが、さらに、上記生コンクリートの材料の練り混ぜ時におけるミキサの電力負荷値に関するデータを含む前記［１］〜［３］のいずれかに記載の生コンクリートの品質予測方法。

［５］ 上記機械学習が、畳み込みニューラルネットワークを用いた学習である前記［１］〜［４］のいずれかに記載の生コンクリートの品質予測方法。
［６］ 上記学習用出力データ及び上記予測用出力データが、生コンクリートのスランプ及びスランプフローの少なくともいずれか一方の分類に関するデータである、前記［１］〜［５］のいずれかに記載の生コンクリートの品質予測方法。
［７］ 上記学習用出力データ及び上記予測用出力データが、生コンクリートのスランプ及びスランプフローの少なくともいずれか一方の数値に関するデータである、前記［１］〜［５］のいずれかに記載の生コンクリートの品質予測方法。
［８］ 上記学習用入力データ及び上記予測用入力データが、さらに、生コンクリートの配合条件に関するデータ、目的とする生コンクリートの品質に関するデータ、生コンクリートの材料であるセメントに関するデータ、セメント以外の生コンクリートの材料に関するデータ、生コンクリートの材料の練り混ぜの手段及び方法に関するデータ、生コンクリートの材料の練り混ぜ時の環境に関するデータ、及び生コンクリートの運搬に関するデータの中から選ばれる１種以上のデータを含む前記［１］〜［７］のいずれかに記載の生コンクリートの品質予測方法。

本発明の生コンクリートの品質予測方法を用いれば、短時間でかつ高い精度で生コンクリートの品質を予測することができ、目的とする品質の生コンクリートを効率的かつ安定的に製造することができる。

実施例１において、二軸ミキサの上方からミキサ内を撮影した静止画像及び該静止画像から切り出す画像データの位置（ａ）と、該位置を基準として、５ピクセル単位でずらした画像データの位置（ｂ）を示す図である。 ミキサ（二軸ミキサ）の上面図である。 生コンクリート材料を練り混ぜているミキサ（二軸ミキサ）の、回転軸に対して垂直な方向に切断した状態を示す断面図である。 実施例２において、二軸ミキサの上方からミキサ内を撮影した静止画像及び該静止画像から切り出す画像データの位置を示す図である。 実施例において、二軸ミキサで練り混ぜを開始して１分間経過した時点での電力負荷値と、２分間経過した時点での電力負荷値の関係を示す図である。

本発明の生コンクリートの品質予測方法は、予測モデルを用いて、生コンクリートの品質を予測するための方法であって、予測モデルは、画像データを含む学習用入力データと生コンクリートの品質に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成されたものであり、画像データを含む予測用入力データを、予測モデルに入力し、予測モデルから生コンクリートの品質に関する予測用出力データを出力して、該予測用出力データを用いて生コンクリートの品質を予測するものである。
以下、詳しく説明する。

予測モデルは、機械学習によって作成されたものである。
機械学習に用いられる学習方法の例としては、ニューラルネットワーク、線形回帰、決定木、サポートベクター回帰、アンサンブル法、サポートベクターマシン、判別分析、単純ベイズ法、最近傍法等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。
中でも、より高い精度で品質を予測することができる観点から、ニューラルネットワークが好ましい。
ニューラルネットワークは、より高い精度で品質を予測することができる観点から、入力層と出力層の間に一つ以上の中間層を有する階層型のニューラルネットワークが好適である。

ニューラルネットワークの例としては、３次元畳み込みニューラルネットワーク（３ＤＣＮＮ：３Ｄ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等の畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）や、再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）や、長期・短期記憶（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ ｍｅｍｏｒｙ）ニューラルネットワーク（ＬＳＴＭを用いて再帰型ニューラルネットワークを改良したもの）等が挙げられる。
中でも、画像認識の分野において優れた性能を有する、畳み込みニューラルネットワーク（中間層として、畳み込み層やプーリング層等を有するニューラルネットワーク）がより好適である。畳み込みニューラルネットワークによれば、画像データから特徴量を検出し、該特徴量を用いて、分類または回帰を行うことが可能な予測モデルを作成することができる。
畳み込みニューラルネットワークにおける、畳み込み層とプーリング層の組み合わせからなる層の数は、より高い精度で予測をすることができる観点から、好ましくは２つ以上、より好ましくは３つ以上である。
また、機械学習は、例えば、Google社が開発したソフトウェアライブラリである「ＴｅｎｓｏｒＦｌｏｗ」（「ＴＥＮＳＯＲＦＬＯＷ」は、登録商標である。）や、IBM社が開発したシステムである「ＩＢＭ Ｗａｔｓｏｎ」（「ＩＢＭ ＷＡＴＳＯＮ」は、登録商標である。）等を用いて行うことができる。

予測モデルは、画像データを含む学習用入力データと生コンクリートの品質に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成される。
学習用入力データとして用いられる画像データとしては、生コンクリートの製造に関する画像データが挙げられる。具体的には、生コンクリートの材料を練り混ぜるためのミキサ（以下、単に「ミキサ」ともいう。）内で各材料を練り混ぜる様子を撮影した画像データや、ミキサ内で各材料を練り混ぜて生コンクリートを得た後、該生コンクリートをミキサからホッパーに投入する様子を撮影した画像データや、トラックアジテータのドラム内で攪拌されている生コンクリートの様子を撮影した画像データ（例えば、トラックアジテータの生コンクリート投入口付近から、ライト等を用いて光を当てて、ドラム内を撮影したもの）、生コンクリートの材料の練り混ぜ時におけるミキサの電力負荷値の履歴を表示しているモニタ（電力負荷値の経時変化等を、グラフ等を用いて視覚的にわかるように表示したもの）を撮影した画像データ等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。
中でも、より高い精度で品質を予測することができる観点から、ミキサ内で各材料を練り混ぜる様子を撮影した画像データが好ましい。該画像データは、各材料の練り混ぜ直後から練り混ぜ終了時までのどの時点の画像データでもよいが、早期に品質を予測する観点から、電力負荷値の減少の程度が緩やかになったときに撮影したものが好ましい。

学習用入力データとして用いられる画像データの数は、より高い精度で品質を予測することができる観点から、好ましくは１００以上、より好ましくは１，０００以上、さらに好ましくは１万以上、さらに好ましくは５万以上、特に好ましくは１０万以上である。
画像データは、動画像のデータであっても静止画像のデータであってもよい。また、画像は２次元画像であってもよく３次元画像であってもよい。
画像データの撮影は、ミキサ内やミキサ周辺等に適宜設置されたカメラによって行われる。例えば、ミキサ内の上部に、練り混ぜられている各材料が良く映るように、カメラを設置する。
また、練り混ぜられている各材料の凹凸が良く見えるようにする目的で、練り混ぜられている各材料の側面あるいは斜め上方からライト等を用いて光を当てて、影がより濃く生じるようにしてもよい。
また、画像データの撮影は、より高い精度で品質を予測することができる観点から、ミキサ内において回転している撹拌羽根（ミキサ羽根）が、ミキサ内の任意に定めた特定の場所に位置した際に行うことが好ましい。任意に定めた特定の場所は、一か所であっても二か所以上であってもよい。

画像データは、ミキサ内を撮影した画像（例えば、ミキサ内の全体が映るように撮影されたもの）から、特定の範囲の画像を切り出したものであってもよい。
上記特定の範囲は、より高い精度で予測をすることができる観点から、ミキサ内において生コンクリートの材料を練り混ぜる様子を連続的に撮影する際に、材料の挙動が表れやすい部分が映りこむ可能性のある範囲が好ましい。以下、図２〜３を参照にしながら説明する。
上記範囲の例としては、ミキサ１内を撮影した画像から、ミキサ１の回転軸２に固着してなる撹拌羽根４の近傍に位置する生コンクリートの材料３が映りこむ可能性のある範囲（図２中、太い線からなる矩形の枠で囲まれた部分を参照）が挙げられる。該範囲は、生コンクリートの材料３を練り混ぜる際に、画像（経時的に連続する複数の静止画像、または、動画像）に映りこむ生コンクリートの材料３の表面の動き（変化）が大きい範囲であるため、学習用入力データとして好適である。
また、生コンクリートの材料３の練り混ぜ量が多い場合等において、画像に映りこむ生コンクリートの材料３の表面の動きが大きい画像データを得る観点から、画像データは、回転時の撹拌羽根４が表面側にくるときに切り出されたもの（図３中、太い線からなる矩形の枠で囲まれた部分を参照）が好適である。

また、材料の挙動が表れやすい部分が映りこむ可能性のある範囲の例としては、ミキサ１の回転軸２と回転軸２に固着してなる撹拌羽根４からなる混練用部材５の、以下の（１）〜（３）のすべての部分についてその近傍に位置する生コンクリートの材料３が映りこむ可能性のある範囲が挙げられる。
（１） 回転軸２の少なくとも一部分
（２） 撹拌羽根４の先端部分
（３） 回転軸２と撹拌羽根４の固着部分
なお、撹拌羽根４が複数ある場合は、少なくとも１つの攪拌羽根４の、上記先端部分及び上記固着部分が映りこめばよい。
また、上記ミキサ１が二軸ミキサである場合、一方の回転軸２と他方の回転軸２の間であって、両方の回転軸２の一部分の近傍に位置する生コンクリートの材料３が映りこむ可能性のある範囲が好ましい。

ミキサ内を撮影した画像から、特定の範囲の画像を画像データ（学習用入力データとして用いられるもの）として切り出す場合において、ミキサ内を撮影した一つの画像から、複数の画像データを切り出してもよい。
複数の画像データは、その切り出された範囲が、各々、一部重複したものであってもよい。例えば、最初に画像データを切り出した位置を基準として、縦方向及び横方向（上下の方向及び左右の方向）の少なくとも一つの方向に、１〜１０ピクセル単位でずらした位置から、別の画像データを切り出すことで、一つの画像から、複数の画像データを得てもよい。

ミキサ内を撮影した画像は、畳み込みニューラルネットワークなどの機械学習により適した画像データにする観点から、１ピクセルを０から２５５の２５６階調の数値で表すグレースケール画像、または、１ピクセルをＲ（赤）Ｇ（緑）、Ｂ（青）をそれぞれ０から２５５の２５６階調の数値で表すカラー画像に変換してもよい。

撮影された二つ以上の画像データから任意に選択された二つの画像データから得られる差分データを、学習用入力データとして用いられる画像データとして用いてもよい。例えば、ミキサ内の任意に定めた二か所の場所にミキサ羽根が位置した際に撮影された二つの画像データの差分データを、学習用入力データとして用いられる画像データとして用いてもよい。
なお、本明細書中、差分データとは、二つの画像データを比較して、異なる部分のみを抽出した画像データをいう。
また、経時的に連続する複数の静止画像を重ね合わせて合成したものを画像データとして用いてもよい。このような画像データは、例えば、市販の画像ソフトを用いて、複数の静止画像の各々の不透明度（または透明度）を３０〜７０％程度にしたうえで、重ね合わせることで得ることができる。重ね合わせる静止画像の枚数は、作業の効率性等の観点から、好ましくは２〜２０枚である。
画像データの撮影は、例えば、１秒間あたりのフレーム数を１０として、１０秒間行われる。これにより、１００枚の静止画像のデータを得ることができる。

より高い精度で品質を予測することができる観点から、学習用入力データとして、さらに、練り混ぜ時におけるミキサの電力負荷値（以下、単に「電力負荷値」ともいう。）に関するデータを用いてもよい。
電力負荷値に関するデータの例としては、各材料の練り混ぜ直後から練り混ぜ終了時までの特定の時点における電力負荷値及びその絶対値や、練り混ぜ時における電力負荷値の最大値または最小値や、電力負荷値の変化量や、電力負荷値の変化パターン等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。
また、電力負荷値に関するデータの数は１つであってもよいが、より高い精度で品質を予測することができる観点から、好ましくは２以上、より好ましくは５以上である。

また、電力負荷値に関するデータに基づいて、学習用入力データとして使用する画像データ（ミキサ内で各材料を練り混ぜる様子を撮影した画像データ）を定めてもよい。例えば、より高い精度でかつ早い段階で品質を予測することができる観点からは、水と水以外の生コンクリートの材料の練り混ぜを開始して、ミキサの電力負荷値が安定した時点（電力負荷値の変化量が小さくなった時点）の後に、撮影した画像データを用いることが好ましい。
生コンクリートの材料の練り混ぜにおいて、ミキサの電力負荷値が安定する時期の判断は、生コンクリートの水セメント比等によっても異なるが、例えば、以下の（１）〜（３）のいずれかの条件を満たした後であれば、ミキサの電力負荷値が安定したと判断してもよい。
（１） 電力負荷値が、練り混ぜ終了時の電力負荷値から±２０％程度の値となった後
（２） 生コンクリートの水セメント比が５０〜７０％程度であれば、水と水以外の生コンクリートの材料の練り混ぜの開始時（例えば、水以外の生コンクリートの材料をミキサ内に投入して空練りした後、ミキサに水を投入して練り混ぜを開始した時）から、３０秒間程度経過した後
（３）強度発現性の観点から水セメント比を小さく（５０％未満に）した場合、上記時期は遅くなり、高強度コンクリートでは、水と水以外の生コンクリートの材料の混練の開始時から、１〜１０分間程度経過した後

また、電力負荷値に関するデータに基づいて、二つ以上の画像データを撮影し、撮影された二つ以上の画像データから任意に選択された二つの画像データから得られる差分データを、学習用入力データとして用いられる画像データとして用いてもよい。例えば、電力負荷値が安定した時点から、任意の時間、撮影（例えば、１秒間で３０枚（フレーム）撮影）を行い、得られた複数の画像データから任意に選択された二つの画像データから得られる差分データを、学習用入力データとして用いられる画像データとして用いてもよい。

また、より高い精度で品質を予測する観点から、学習用入力データとして、さらに他のデータを用いてもよい。
他のデータとしては、生コンクリートの配合条件に関するデータ、目的とする生コンクリートの品質に関するデータ、セメントに関するデータ、セメント以外の生コンクリートの材料に関するデータ、練り混ぜの手段及び方法に関するデータ、練り混ぜ時の環境に関するデータ、及び生コンクリートの運搬に関するデータ等が挙げられる。これらは１種を単独で用いてもよいが、２種以上を組み合わせて用いてもよい。
これらの各種データには、数値に関するデータ、及び、分類に関するデータが含まれる。
ここで、本明細書中、数値に関するデータとは、具体的な数値として表すことのできるデータを意味し、分類に関するデータとは、特定の配合設計や、特定の種類や、特定の性質や、特定の数値範囲等の基準に従って区分されたデータを意味している。

生コンクリートの配合条件に関するデータの例としては、生コンクリートに配合される、セメント、細骨材、粗骨材、水、各種混和剤（ＡＥ剤、減水剤、ＡＥ減水剤、高性能減水剤、高性能ＡＥ減水剤、流動化剤、凝結遅延剤等）、及び各種混和材等の配合割合（例えば、セメント１００質量％に対する混和剤の量（質量％））や、示方配合表の項目である、水セメント比、空気量、細骨材率、単位水量、単位セメント量、単位細骨材量、単位粗骨材量、単位混和剤量、及び単位混和材量等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。

目的とする生コンクリートの品質に関するデータの例としては、目的とする生コンクリートの設計上の、強度（呼び強度、圧縮強度、曲げ強度等）、スランプ、スランプフロー、空気量、塩化物含有量、ひび割れ抵抗性、動弾性係数、動せん断弾性係数、動ポアソン比、硬化体空隙量及び空隙径分布、耐久性、色調等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。
中でも、生コンクリートの品質としてより重要性の高い、スランプ及びスランプフローが好ましい。
なお、生コンクリートの強度、スランプ、スランプフロー、空気量、及び塩化物含有量は、例えば、「ＪＩＳ Ａ ５３０８：２０１９（レディーミクストコンクリート）」に記載の試験方法によって測定することができる。

セメントに関するデータの例としては、生コンクリートの材料として用いられるセメントの、種類、化学組成、鉱物組成、湿式ｆ．ＣａＯ、強熱減量、ブレーン比表面積、粒度分布、ふるい試験残分量、色調や、セメントに含まれる各鉱物の鉱物学的性質及び結晶学的性質や、セメントに含まれる石膏の半水化率等の、セメント全体に関するデータ；セメントクリンカーの調合原料の、化学組成、水硬率、ふるい試験残分量、ブレーン比表面積（粉末度）、強熱減量、供給量、副原料（廃棄物のような特殊な原料）の供給量、ブレンディングサイロの貯留量（残量）、ストレージサイロの貯留量（残量）や、原料ミルと調合原料のブレンディングサイロの間に位置するサイクロンの電流値（サイクロンの回転数を表し、サイクロンを通過する原料の速度と相関関係があるもの）や、キルンへの投入時から所定の時間前の時点（例えば、５時間前の１つの時点や、３時間前、４時間前、５時間前、及び６時間前の４つの時点のような複数の時点）のセメントクリンカーの原料（搬送中に向流する空気流によって微粒分等が抜き取られたセメントクリンカーの調合原料。以後、セメントクリンカーの窯入原料と称す。）の化学組成及びその水硬率や、セメントクリンカーの窯入原料と副原料を混合してなる原料の化学組成、水硬率、ブレーン比表面積、ふるい試験残分量、脱炭酸率、及び水分量等の、セメントクリンカーの原料に関するデータ；セメントクリンカーの焼成時における、セメントクリンカーの原料のキルンへの挿入量、キルン回転数、落口温度、焼成帯温度、セメントクリンカー温度、キルン平均トルク、Ｏ_２濃度、ＮＯ_Ｘ濃度や、クリンカークーラー温度、及び、プレヒーターのガスの流量（プレヒーターの温度と相関関係があるもの）等の、セメントクリンカーの焼成条件に関するデータ；粉砕温度、仕上ミル内の散水量、セパレーター風量、石膏の種類、石膏の添加量、セメントクリンカーの投入量、仕上ミルの回転数、仕上ミルから排出される粉体の温度、仕上ミルから排出される粉体の量、仕上ミルから排出されない粉体の量等の、セメントの粉砕条件に関するデータ；セメントクリンカーの、鉱物組成、化学組成、湿式ｆ．ＣａＯ（フリーライム）、及び、容重や、セメントクリンカーに含まれる各鉱物の結晶学的性質（格子定数や結晶子径など）や、セメントクリンカーに含まれる２種以上の鉱物組成の比等の、セメントクリンカーに関するデータ等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。

セメント以外の生コンクリートの材料に関するデータの例としては、骨材（細骨材や粗骨材）の、種類、密度、吸水率、含水率、表面水率、粒度分布、最大寸法、及び、粒形や、混和剤の種類や、混和材の種類等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。
練り混ぜの手段及び方法に関するデータの例としては、ミキサの、種類、形式、容量や、材料の練り混ぜ量や、練り混ぜ時間等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。
練り混ぜ時の環境に関するデータの例としては、温度（外気温、ミキサ内の温度、生コンクリートの温度）や、練り混ぜ水、セメント、骨材等の使用材料の各温度や、保管する場所（容器内）の温度及び湿度等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。
生コンクリートの運搬に関するデータの例としては、トラックアジテータのドラム内の電力負荷値、生コンクリートの容量、打ち込み部材厚、質量及び温度や、運搬時の外気温度や、運搬時間（練り混ぜ終了後、運搬終了時点（荷卸時）までの時間）、運搬距離等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。

生コンクリートの品質に関する学習用出力データの例としては、ミキサによる練り混ぜ直後又はアジテータトラックを用いた運搬終了時点（荷卸時）における生コンクリートの、スランプ、スランプフロー、空気量、単位水量、温度、施工性、生コンクリートを構成する各材料の分離状況、流動性、レオロジーに関する値（塑性粘度、降伏値など）、硬化後の強度（圧縮強度、曲げ強度、ヤング係数等）や耐久性（収縮、凍結融解抵抗性、中性化など）等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。

本発明における機械学習は、画像データを含む学習用入力データと生コンクリートの品質に関する学習用出力データの組み合わせである学習データを複数用いて、機械学習の従来知られている一般的な方法に従って行われる。
なお、学習データとして用いられる学習用入力データ及び学習用出力データは、実際に学習データ用のサンプルとして、生コンクリートを製造した際に得られる画像や実測値等のデータである。
学習データ用のサンプルの数は、必要とされる学習用入力データ及び学習用出力データの種類によっても異なるが、より高い精度で品質を予測することができる観点から、好ましくは４以上、より好ましくは６以上、特に好ましくは８以上である。

また、一つのサンプルから得られる画像データの数は、より高い精度で品質を予測することができる観点から、好ましくは１，０００枚以上、より好ましくは２，０００枚以上、特に好ましくは２，５００枚以上である。
学習回数は、より高い精度で品質を予測することができる観点から、好ましくは１，０００回以上、より好ましくは８，０００回以上、特に好ましくは１万回以上である。
一回の学習において、サンプルから得られた学習データの全てを使用する必要はなく、全ての学習データから選択された複数の学習データを使用してもよい。
一回の学習で使用される学習データの選択は、特に限定されるものではなく、特定の条件（例えば、撮影した順序）によって並べられた学習データを上から順番に選択してもよく、ランダムに選択してもよい。また、学習データ用のサンプルが複数ある場合には、各サンプルの学習データが少なくとも一つ入るように選択してもよい。
また、本明細書中、「機械学習」とは、人間による思考を介さずに、機械（特に、コンピュータ）のみよって学習するこという。

また、学習データ（学習用入力データと学習用出力データの組み合わせ）の一部（例えば、全学習データのうち、１５〜２５％の学習データ）については、機械学習において使用せず、機械学習によって作成された予測モデルの信頼性を確認するためのテストデータとして用いてもよい。具体的には、予測モデルを作成した後、該予測モデルに、テストデータから得られる予測用入力データを入力し、予測モデルから得られた予測用出力データ（予測値）と、テストデータから得られた実測値を比較することで、得られた予測モデルの信頼性を推し測ることができる。
通常、機械学習は、学習データとして使用されるデータの種類、学習データの個数、及び学習回数等を適宜変更しながら行われ、信頼性に優れた予測モデルが得られるまで行われる。

機械学習によって作成された予測モデルに、画像データを含む予測用入力データを入力し、予測モデルから生コンクリートの品質に関する予測用出力データを出力した後、該予測用出力データを用いて生コンクリートの品質を予測することができる。
より高い精度で品質を予測することができる観点から、予測用入力データとして、さらに、練り混ぜ時におけるミキサの電力負荷値に関するデータ、生コンクリートの配合条件に関するデータ、目的とする生コンクリートの品質に関するデータ、セメントに関するデータ、セメント以外の生コンクリートの材料に関するデータ、練り混ぜの手段及び方法に関するデータ、練り混ぜ時の環境に関するデータ、及び生コンクリートの運搬に関するデータ等を用いてもよい。これらは１種を単独で用いてもよいが、２種以上を組み合わせて用いてもよい。これらのデータは、生コンクリートの製造において、リアルタイムに得られるデータである。
予測用入力データとして用いられる画像データ等の詳細は、上述した学習用入力データとして用いられる画像データ等と同じである。
また、生コンクリートの品質に関する予測用出力データの詳細は、上述した生コンクリートの品質に関する学習用出力データと同じである。

本発明の生コンクリートの品質予測方法によれば、生コンクリートの製造において、予め作成した予測モデルに、製造中の生コンクリートの画像データ等を入力することで、得られる生コンクリートの品質（例えば、生コンクリートのスランプ）を、人間の判断によらずに、高い精度で迅速に予測することができる。なお、「生コンクリートの品質」には、生コンクリートが硬化してなる硬化体の品質が含まれるものとする。
品質の予測は、製造時に取得された複数の画像データ毎に行われるので、複数の画像データから、複数の出力データ（例えば、スランプ等の予測値）を得ることができる。
また、得られた複数の出力データから算出された平均値を、予測用出力データとしてもよい。
例えば、学習用入力データとして用いられる画像データが、生コンクリートの材料を練り混ぜるためのミキサ内を、水と水以外の生コンクリートの材料を練り混ぜている状態で、連続的に撮影した複数の画像の各々から得られる、複数の画像データであり、上記複数の画像データの各々について、画像データを含む予測用入力データを、予測モデルに入力し、予測モデルから生コンクリートの品質に関する予測用出力データを出力した後、出力された複数の予測用出力データの移動平均値を用いて生コンクリートの品質を予測してもよい。
移動平均値は、連続的（経時的に）に撮影した複数の画像の各々から得られる、複数の画像データを用いて得られた、全ての予測用出力データの平均値であってもよく、連続的に撮影した複数の画像の各々から得られる、複数の画像データのうち、品質の予測を行う時から直近に得られた任意の数（例えば、５）の画像データを用いて得られた、複数（任意の数）の予測用出力データの平均値であってもよい。

また、練り混ぜ中に、連続的に撮影することで得られた複数の画像データの各々について予測値を出力した場合等において、得られた複数の出力データ（例えば、スランプ等の予測値）のうち、明らかに他の出力データと異なる出力データが得られた場合、該データを予測用出力データから排除してもよい。
得られた出力データを、予測用出力データから排除する方法の例としては、データ集合の標準偏差σを算出し、そのデータ集合の平均値から±σまたは±２σである数値範囲から外れる出力データを、明らかに他の出力データと異なる出力データと判断して、排除する方法等が挙げられる。
得られる生コンクリートの品質が、目的とする生コンクリートの品質を満たさないと予測される場合には、生コンクリートの製造条件を変える等の対応を適宜行うことによって、効率的かつ安定的に生コンクリートを製造することができる。

例えば、予測モデルから得られたスランプの予測値が、目標とするスランプの数値（以下、「目標値」ともいう。）と大きく異なる場合には、生コンクリートの材料として使用した、セメント、骨材、混和剤等の品質の異常や、これらの材料の計量値が誤っていた可能性が考えられるため、直ちに製造工程を見直す必要がある。また、骨材の表面水の設定値が実際の値と異なることも想定され、ミキサから排出される前に補正値を算出し、補正値に基いて適切な量の追加の水をミキサ内に注水することもできる。
また、定期的にスランプの予測を行い、得られたスランプの予測値が、目標値と少しずつずれていく場合には、骨材の表面水率の変動が考えられるため、表面水の設定値を見直す等の対応を行えばよい。

また、生コンクリートの製造を制御するコンピュータと、本発明の生コンクリートの品質予測方法を実施するために用いられるコンピュータを接続することによって、制御システムの自動化を図ることができる。例えば、スランプの予測値と目標値の差の変動から、表面水の設定を自動制御で行う方法が挙げられる。
さらに、複数の工場における生コンクリートの製造における各種データを、インターネットを経由して送信し、一か所において本発明の生コンクリートの品質予測方法を用いてリアルタイムで集中的に管理、制御してもよい。
また、実際の生コンクリート工場において生コンクリートを製造する際に、本発明の品質予測方法を用いて生コンクリートの品質を予測する場合、リアルタイムの画像を用いて予測してもよい。具体的な予測方法としては、カメラとコンピュータを接続し、生コンクリート製造中の練り混ぜ画像をリアルタイムで抽出しながら、予め作成した学習モデルを組み込んだコンピュータでリアルタイムに予測する方法等が挙げられる。
また、実際の生コンクリート工場において生コンクリートを製造する際に得られた、生コンクリートの練り混ぜ画像を学習用入力データとし、練り混ぜ後に測定したスランプ等を学習用出力データとし、上記学習用入力データと学習用出力データの組み合わせである学習データを用いて、予め作成した学習モデルを、随時、再学習させて、最新の学習モデルを得ることによって、予測値の精度をより高めることができる。

［生コンクリート１〜２６の作製］
セメント、細骨材（山砂）、粗骨材Ａ（砕石５号）、粗骨材Ｂ（砕石６号）を二軸ミキサに投入して、空練りした後、水を投入して練り混ぜて、生コンクリート１〜２６を作製した。各材料の量は、表１に示す単位量となる量にした。
なお、生コンクリート１〜９、１０〜１９、２０〜２６は、各々、目標とするスランプ値を８ｃｍ、１２ｃｍ、１８ｃｍとし、該スランプ値を得ることができるように各材料の配合設計を行ったものである。
ここで、目標とするスランプ値を８ｃｍとし、該スランプ値を得ることができるように各材料の配合設計を行った生コンクリート（生コンクリート１〜９）をＡに、目標とするスランプ値を１２ｃｍとし、該スランプ値を得ることができるように各材料の配合設計を行った生コンクリート（生コンクリート１０〜１９）をＢに、目標とするスランプ値を１８ｃｍとし、該スランプ値を得ることができるように各材料の配合設計を行った生コンクリート（生コンクリート２０〜２６）をＣに、それぞれ分類分けした。
また、生コンクリートを作製する際に、二軸ミキサの上方にビデオカメラを設置し、各材料を練り混ぜる際の動画像を撮影した。
作製した各生コンクリートについて、「ＪＩＳ Ａ １１０１：２０１４（コンクリートのスランプ試験方法）」に準拠して、スランプの実測値を測定した。結果を表１に示す。
なお、生コンクリート１〜２６の製造において、練り混ぜを開始してから１分間経過した時の電力負荷値と、２分間経過した時点の電力負荷値の関係を示すグラフを図５に示す。

［実施例１］
学習データ用のサンプルとして、生コンクリート１、２、３、１０、１１、１３、２１、２３、及び２６を選択した。
各サンプルについて、ミキサ内に水を投入して、練り混ぜを開始して２分間経過した時点から５秒間の動画像から、一秒あたりのフレーム数を３０として、二軸ミキサの内部全体が映っている１５０（３０×５）枚の静止画像を得た。各静止画像から、二軸ミキサの略中央部分でありかつ一方の回転軸と他方の回転軸が位置する間の範囲であって、練り混ぜを行いながら撮影した際に、（１）両方の回転軸の一部分、（２）回転軸（二つの回転軸のうち、いずれか一方又は両方）に固着してなる複数の撹拌羽根の先端部分の少なくとも一つ、（３）回転軸（二つの回転軸のうち、いずれか一方又は両方）と複数の撹拌羽根の固着部分の少なくとも一つ、のすべての部分について、その近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲の画像データ（２５６×２５６ピクセル）を切り出した（図１（ａ）の線で囲まれた部分参照）。
なお、二軸ミキサの電力負荷値は、練り混ぜを開始して２分間経過した時点ですでに安定した状態であり、練り混ぜが終了するまで電力負荷値は安定していた。

また、図１（ｂ）に示すように、上記画像データを切り出した位置を基準として、縦方向及び横方向（上下の方向及び左右の方向）に５ピクセル単位でずらした位置から、２５６×２５６ピクセルの画像データを、合計で２４枚（切り出した位置がすべて異なる画像データ）切り出した。すなわち、１つの静止画像から合計で２５枚の画像データを切り出し、サンプル１つにつき３，７５０（３０×５×２５）枚、合計して３３，７５０（３，７５０×９）枚の画像データを得た。
なお、２５枚の画像データは、上記（１）〜（３）のすべての部分について、その近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲の画像データであった。
次いで、各画像データを６４×６４ピクセルの画像サイズに縮小して、学習入力用データとして用いる３３，７５０枚の８０％である２７，０００枚の画像データを使用し、学習用テストデータとして残りの２０％である６，７５０枚を使用した。

得られた６４×６４ピクセルの画像データを、該画像データの各１ピクセルを２５６階調に変換したグレースケール画像とし、変換後の画像データを学習用入力データとして、学習用入力データとして使用する画像データが得られたサンプルの目標としていたスランプ値（８ｃｍ、１２ｃｍまたは１８ｃｍ：生コンクリートのスランプの分類に関するデータ）を学習用出力データとした。
上記学習用入力データと上記学習用出力データの組み合わせからなる学習データを使用して、予測モデルの機械学習を行い、学習済みの予測モデルを得た。
機械学習には、「ＴｅｎｓｏｒＦｌｏｗ」を使用し、５層の畳み込みニューラルネットワークを用いて学習を行った。なお、畳み込み層とプーリング層は、「畳み込み層とプーリング層の組み合わせ」を１層として数えるものとする。
学習回数は１万回とし、一回の学習で入力される画像データ（学習用入力データ）の数は、５０個（ランダムに選択されたもの）とした。

検証データ用のサンプルとして、学習に使用していない生コンクリート４、８、９、１６、１７、１９、２０、２４、及び２５を選択した。
各サンプルについて、ミキサ内に水を投入して、練り混ぜを開始して２分間経過した時点から５秒間の動画像から、一秒あたりのフレーム数を３０として、二軸ミキサの内部全体が映っている１５０枚の静止画像を得た。１つの静止画像から、上記（１）〜（３）のすべての部分について、その近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲の画像データ（２５６×２５６ピクセル）を切り出した。次いで、該画像データを切り出した位置を基準として、縦方向及び横方向（上下の方向及び左右の方向）に１０ピクセル単位でずらした位置から、２５６×２５６ピクセルの画像データを、合計で８枚（切り出した位置がすべて異なる画像データ）切り出した。すなわち、１つの静止画像から合計で９枚の画像データを切り出し、サンプル１つにつき１，３５０枚、合計して１２，１５０枚の画像データを得た。
検証用の画像データを予測用入力データとして、上記学習済みの予測モデルに入力し、予測モデルから、生コンクリートの品質に関する予測用出力データとして、生コンクリートのスランプの分類に関するデータ（Ａ、ＢまたはＣ）を出力した。
なお、上記スランプの分類に関するデータは、検証用の画像データが得られたサンプルの配合設計が、８ｃｍ、１２ｃｍまたは１８ｃｍのいずれのスランプ値を目標としていたもの（Ａ、Ｂ、またはＣ）なのかを予測するものである。
画像データから得られた１２，１５０個の予測用出力データの正解率（予測が正しかったもの（すなわち、予測された分類（Ａ、ＢまたはＣ）と、実際のサンプルの分類（Ａ、ＢまたはＣ）が同じもの）の割合）は、８６％であった。

［実施例２］
ミキサ内に水を投入して、練り混ぜを開始して１分間経過した時点から１５秒間の動画像から、一秒あたりのフレーム数を３０として、二軸ミキサの内部全体が映っている４５０枚の静止画像を抽出した後、該静止画像から１０１，２５０（３０×１５×２５×９）枚の画像データを得る以外は、実施例１と同様にして、学習済みの予測モデルを作成し、該予測モデルを用いて、スランプの分類に関するデータを出力した。
画像データから得られた１２，１５０個の予測用出力データの正解率は、８８％であった。
また、実施例１と実施例２を比較すると、実施例１では、練り混ぜを開始してから２分間経過した時点から撮影された画像を使用したのに対して、実施例２では、練り混ぜを開始してから１分間経過した時点から撮影された画像を使用している。
これに関連して、図４から、練り混ぜを開始してから、２分間経過した時点の電力負荷値と１分間経過した時点の電力負荷値は、同程度であったことがわかる。また、練り混ぜが終了するまで電力負荷値は安定していた。
実施例２の予測用出力データの正解率（８８％）は、実施例１の予測用出力データの正解率（８６％）と同等以上であり、実施例２は、実施例１と比較して、より早い段階で生コンクリートの品質を予測しうることがわかる。
［実施例３］
学習回数を２０，０００回とする以外は、実施例２と同様にして、学習済みの予測モデルを作成し、該予測モデルを用いて、スランプの分類に関するデータを出力した。
画像データから得られた１２，１５０個の予測用出力データの正解率は、９２％であった。
実施例１〜３から、本発明によれば、画像データを用いて、高い精度で生コンクリートの分類（スランプによる分類）の予測を行うことができることがわかる。

［実施例４］
学習データ用のサンプルとして、生コンクリート２〜４、６〜８、１０〜１２、１４〜１５、１８、２１、及び２３を選択した。
各サンプルについて、ミキサ内に水を投入して、練り混ぜを開始して１分間経過した時点から１５秒間の動画像から、一秒あたりのフレーム数を３０として、二軸ミキサの内部全体が映っている４５０枚の静止画像を得た。実施例１と同様にして、各静止画像から２５枚の画像データを切り出し、サンプル１つにつき１１，２５０枚、合計して１５７，５００（１１，２５０×１４）枚の画像データを得た。
なお、二軸ミキサの電力負荷値は、練り混ぜを開始して１分間経過した時点ですでに安定した状態であり、練り混ぜが終了するまで電力負荷値は安定していた。

得られた画像データを学習用入力データとし、学習用入力データとして使用する画像データが得られたサンプルのスランプの実測値を学習用出力データとした。
上記学習用入力データと上記学習用出力データの組み合わせからなる学習データを使用して、予測モデルの機械学習を行い、学習済みの予測モデルを得た。
機械学習には、「ＴｅｎｓｏｒＦｌｏｗ」を使用し、６層の畳み込みニューラルネットワークを用いて学習を行った。また、学習において、誤差関数として最小二乗法を使用した。
学習回数は５０万回とし、一回の学習で入力される画像データ（学習用入力データ）の数は、５０個（ランダムに選択されたもの）とした。

検証データ用のサンプルとして、生コンクリート５、９、１６、２０、２２、及び２６を選択した。
各サンプルについて、ミキサ内に水を投入して、練り混ぜを開始して１分間経過した時点から１５秒間の動画像から、一秒あたりのフレーム数を３０として、二軸ミキサの内部全体が映っている４５０枚の静止画像を得た。１つの静止画像から、上記（１）〜（３）のすべての部分について、その近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲が含まれる、２５６×２５６ピクセルの画像データを切り出した。次いで、該画像データを切り出した位置を基準として、縦方向及び横方向（上下の方向及び左右の方向）に１０ピクセル単位でずらした位置から、２５６×２５６ピクセルの画像データを、合計で８枚（切り出した位置がすべて異なる画像データ）切り出した。すなわち、１つの静止画像から合計で９枚の画像データを切り出し、サンプル１つにつき４，０５０枚、合計して２４，３００枚の画像データを得た。

検証用の各画像データについて、画像データを予測用入力データとして、上記学習済みの予測モデルに入力し、予測モデルから、生コンクリートの品質に関する予測用出力データとして、スランプの予測値（生コンクリートの数値に関するデータ）を出力した。
画像データが得られたサンプルのスランプの実測値と、画像データから得られたスランプの予測値を比較し、該予測値が実測値の±１ｃｍ以内の数値であった場合を正解とした。画像データから得られた２４，３００個のスランプの予測値の正解率（予測値が実測値の±１ｃｍ以内の数値であった場合のものの割合）は、９１％であった。
また、検証データ用のサンプル（生コンクリート５、９、１６、２０、２２、及び２６）の各々について、サンプルから得られた４，０５０枚の画像データを予測モデルに入力することで得られたスランプの予測値の平均値を算出した。次いで、サンプルのスランプの実測値と、上記平均値を比較し、該平均値が実測値の±１ｃｍ以内の数値であった場合を正解とした。検証データ用のサンプルから得られた６個のスランプの予測値の平均値の正解率（平均値が実測値の±１ｃｍ以内の数値であった場合のものの割合）は、１００％であった。
実施例４から、本発明によれば、画像データを用いて、高い精度で生コンクリートのスランプの数値を予測しうることがわかる。

［実施例５］
生コンクリートの工場において、実際に行われている生コンクリートの製造において、以下に記載する生コンクリートの品質予測方法を用いて、生コンクリートの品質を予測した。
生コンクリートの材料としては、セメント（普通ポルトランドセメント、中庸熱ポルトランドセメント、又は低熱ポルトランドセメント）、細骨材（砕砂と山砂を混合してなるもの）、粗骨材（砕石２００５）、及び、混和剤（ＡＥ剤、ＡＥ減水剤、及び高性能ＡＥ減水剤から選ばれる少なくとも１種）を使用した。
各材料の種類及び量は、生コンクリートの水セメント比が３４〜５５％の範囲内であり、得られる生コンクリートのスランプ値が１５〜２５ｃｍの範囲内となり、かつ、得られる生コンクリートのスランプフロー値が４２〜６３ｃｍｍの範囲内となるように適宜定めた。また、各材料の混練は、二軸ミキサ（容量５ｍ^３）を使用し、練り混ぜ時間は６０〜１２０秒間の範囲内とし、各材料の合計の量は２．００〜４．２５ｍ^３の範囲内とした。

上述した条件で、様々な配合の生コンクリートを７０バッチ製造し、該バッチから学習データを得た。
具体的には、生コンクリートを製造する際に、二軸ミキサの上部にビデオカメラを設置し、該カメラを用いて、各材料を練り混ぜる際の動画像を撮影した。撮影された動画像は、ビデオ信号分配器によって監視室のモニタに映し出すとともに、録画装置のＳＤカード内に動画像のデータとして保存した。
動画像の撮影は、練り混ぜ終了時（生コンクリートを二軸ミキサから排出する直前）の１５秒前から、練り混ぜ終了時までの１５秒間行った。動画像の一秒あたりのフレーム数を３０とし、二軸ミキサの内部全体が映っている４５０（３０×１５）枚の静止画像を得た。各静止画像から、二軸ミキサ内の回転軸に固着してなる撹拌羽根の近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲から、画像データ（５１２×５１２ピクセル）を切り出した。
なお、上記範囲は、経時的に連続する複数の静止画像を確認し、画像に映りこむ生コンクリートの表面の動きが大きいと判断した範囲（図４の白線で囲まれた部分参照）であり、該範囲は撹拌羽根の近傍の部分であった。
なお、二軸ミキサの電力負荷値は、動画像の撮影を開始する際にはすでに安定した状態であり、練り混ぜが終了するまで電力負荷値は安定していた。

また、上記画像データを切り出した位置を基準として、縦方向及び横方向（上下の方向及び左右の方向）に５ピクセル単位でずらした位置から、５１２×５１２ピクセルの画像データを、合計で２４枚（切り出した位置がすべて異なる画像データ）切り出した（図１（ｂ）参照）。すなわち、１つの静止画像から合計で２５枚の画像データを切り出し、１バッチにつき１１，２５０（３０×１５×２５）枚、合計して７８７，５００（１１，２５０×７０）枚の画像データ（７０バッチ分の画像データ）を得た。
なお、２５枚の画像データは、上記のすべての部分について、二軸ミキサ内の回転軸に固着してなる撹拌羽根の近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲の画像データであった。
次いで、各画像データを６４×６４ピクセルの画像サイズに縮小して、７８７，５００枚の８０％に相当する６３０，０００枚の画像データを学習用入力データとして使用した。また、残り２０％に相当する１５７，５００枚を、機械学習後に得られた予測モデルの信頼性を確認するためのテストデータとして使用した。

製造後の生コンクリートを、ミキサから排出して、トラックアジテータに積み込んだ。次いで、トラックアジテータから排出された生コンクリートを採取して、「ＪＩＳ Ａ １１０１：２０１４（コンクリートのスランプ試験方法）」に準拠して、７０バッチ分のスランプの実測値を測定し、該実測値を学習用出力データまたはテストデータとした。
また、上記生コンクリートについて、「ＪＩＳ Ａ ５３０８：２０１４（レディーミクスコンクリート）」に準拠して、７０バッチ分のスランプフローの実測値を測定し、該実測値を学習用出力データまたはテストデータとした。
学習用入力データ（画像データ）と、該学習用入力データとして使用する画像データが得られたバッチの学習用出力データ（スランプ及びスランプフローの実測値）の組み合わせを学習データとした。
ＳＤカード内の動画像のデータを別のコンピュータに保存した後、該コンピュータを用いて、上記学習データを使用して、予測モデルの機械学習を行い、学習済みの予測モデルを得た。
機械学習には、「ＴｅｎｓｏｒＦｌｏｗ」を使用し、７層の畳み込みニューラルネットワークを用いて学習を行った。また、学習において、誤差関数として最小二乗法を使用した。
学習回数は５０万回とし、一回の学習で入力される画像データ（学習用入力データ）の数は、５０枚（ランダムに選択されたもの）とした。

検証データ用として、上述した７０バッチと同様の条件で、新たに２６バッチの生コンクリートを製造し、上述した７０バッチの生コンクリートと同様にして動画像を撮影し、該動画像から、１バッチにつき、４５０（３０×１５）枚の静止画像を得た。
各静止画像から、上述した７０バッチと同様にして、一つの画像データを切り出し、さらに、該画像データを切り出した位置を基準として、縦方向及び横方向（上下の方向及び左右の方向）に１０ピクセル単位でずらした位置から、５１２×５１２ピクセルの画像データを、合計で８枚（切り出した位置がすべて異なる画像データ）切り出した。すなわち、１つの静止画像から合計で９枚の画像データを切り出し、１バッチにつき４，０５０（３０×１５×９）枚、合計して１０５，３００（４，０５０×２６）枚の画像データ（２６バッチ分の画像データ）を得た。
なお、上記画像データは、上記（１）〜（３）のすべての部分について、その近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲の画像データであった。
次いで、各画像データを６４×６４ピクセルの画像サイズに縮小して、得られた画像データを検証用データとした。
また、製造後の生コンクリートの、スランプの実測値及びスランプフローの実測値を、上述した７０バッチの生コンクリートと同様にして測定した。

検証用データが得られた２６バッチを、各バッチから得られたスランプの実測値を元に、表２に示すＡ〜Ｄに分類した。
上記２６バッチから得られた画像データを予測用入力データとして、上記学習済みの予測モデルに入力し、予測モデルから、生コンクリートの品質に関する予測用出力データとして、スランプの予測値（生コンクリートの数値に関するデータ）を出力した。
表２に示す各分類に分類されたバッチについて、スランプの実測値とスランプの予測値を比較し、各分類における、スランプの予測値が、実測値の±２．０ｃｍ以内の数値であったバッチを正解（許容範囲内）として、各分類の正解率（正解したバッチの数／分類されたバッチの合計数）を算出した。
また、スランプの予測値が、実測値の±２．５ｃｍ以内の数値であった場合を正解（許容範囲内）とする以外は同様にして、各分類の正解率を算出した。結果を表２に示す。

また、上記２６バッチを、各バッチから得られたスランプフローの実測値を元に、表３に示すＥ〜Ｈに分類した。
上記２６バッチから得られた画像データを予測用入力データとして、上記学習済みの予測モデルに入力し、予測モデルから、生コンクリートの品質に関する予測用出力データとして、スランプフローの予測値（生コンクリートの数値に関するデータ）を出力した。
表３に示す各分類に分類されたバッチについて、スランプフローの実測値とスランプフローの予測値を比較し、分類Ｅ〜Ｇに分類されたバッチでは、スランプフローの予測値が、実測値の±７．５ｃｍ以内の数値であったバッチを正解（許容範囲内）とし、分類Ｈに分類されたバッチでは、スランプフローの予測値が、実測値の±２．５ｃｍ以内の数値であったバッチ正解（許容範囲内）として、各分類の正解率を算出した。結果を表３に示す。

表２〜３から、正解率は７２〜９９％であり、本発明によれば、画像データを用いて、高い精度で生コンクリートのスランプおよびスランプフローの数値を予測しうることがわかる。

１ ミキサ
２ 回転軸
３ 生コンクリートの材料
４ 撹拌羽根
５ 混練用部材

Claims (8)

1. 予測モデルを用いて、生コンクリートの品質を予測するための方法であって、
   上記予測モデルは、画像データを含む学習用入力データと生コンクリートの品質に関する学習用出力データの組み合わせである学習データを複数用いた機械学習によって作成されたものであり、
   画像データを含む予測用入力データを、上記予測モデルに入力し、上記予測モデルから生コンクリートの品質に関する予測用出力データを出力して、該予測用出力データを用いて生コンクリートの品質を予測し、
   上記学習用入力データ及び上記予測用入力データに含まれる画像データが、上記生コンクリートの材料を練り混ぜるためのミキサ内を撮影した画像から、撮影されたミキサの略中央部分であり、かつ、上記ミキサの回転軸と該回転軸に固着してなる撹拌羽根からなる混練用部材の、以下の（１）〜（３）のすべての部分についてその近傍に位置する生コンクリートの材料が映りこむ可能性のある範囲を切り取ったものであることを特徴とする生コンクリートの品質予測方法。
   （１） 上記回転軸の少なくとも一部分
   （２） 上記撹拌羽根の先端部分
   （３） 上記回転軸と上記撹拌羽根の固着部分
2. 上記学習用入力データ及び上記予測用入力データに含まれる画像データが、上記生コンクリートの材料を練り混ぜるためのミキサ内を、水と水以外の生コンクリートの材料の練り混ぜを開始して上記ミキサの電力負荷値が安定した後に、撮影したものである請求項１に記載の生コンクリートの品質予測方法。
3. 上記予測用入力データに含まれる画像データが、上記生コンクリートの材料を練り混ぜるためのミキサ内を、水と水以外の生コンクリートの材料を練り混ぜている状態で、連続的に撮影した複数の画像の各々から得られる、複数の画像データであり、上記複数の画像データの各々について、画像データを含む予測用入力データを、上記予測モデルに入力し、上記予測モデルから生コンクリートの品質に関する予測用出力データを出力した後、出力された複数の予測用出力データの移動平均値を用いて生コンクリートの品質を予測する請求項１又は２に記載の生コンクリートの品質予測方法。
4. 上記学習用入力データ及び上記予測用入力データが、さらに、上記生コンクリートの材料の練り混ぜ時におけるミキサの電力負荷値に関するデータを含む請求項１〜３のいずれか１項に記載の生コンクリートの品質予測方法。
5. 上記機械学習が、畳み込みニューラルネットワークを用いた学習である請求項１〜４のいずれか１項に記載の生コンクリートの品質予測方法。
6. 上記学習用出力データ及び上記予測用出力データが、生コンクリートのスランプ及びスランプフローの少なくともいずれか一方の分類に関するデータである、請求項１〜５のいずれか１項に記載の生コンクリートの品質予測方法。
7. 上記学習用出力データ及び上記予測用出力データが、生コンクリートのスランプ及びスランプフローの少なくともいずれか一方の数値に関するデータである、請求項１〜５のいずれか１項に記載の生コンクリートの品質予測方法。
8. 上記学習用入力データ及び上記予測用入力データが、さらに、生コンクリートの配合条件に関するデータ、目的とする生コンクリートの品質に関するデータ、生コンクリートの材料であるセメントに関するデータ、セメント以外の生コンクリートの材料に関するデータ、生コンクリートの材料の練り混ぜの手段及び方法に関するデータ、生コンクリートの材料の練り混ぜ時の環境に関するデータ、及び生コンクリートの運搬に関するデータの中から選ばれる１種以上のデータを含む請求項１〜７のいずれか１項に記載の生コンクリートの品質予測方法。