JP2020153673A - Fracture surface state estimation device, fracture surface state estimation method, and program - Google Patents
Fracture surface state estimation device, fracture surface state estimation method, and program Download PDFInfo
- Publication number
- JP2020153673A JP2020153673A JP2019049539A JP2019049539A JP2020153673A JP 2020153673 A JP2020153673 A JP 2020153673A JP 2019049539 A JP2019049539 A JP 2019049539A JP 2019049539 A JP2019049539 A JP 2019049539A JP 2020153673 A JP2020153673 A JP 2020153673A
- Authority
- JP
- Japan
- Prior art keywords
- image
- fracture surface
- fracture
- starting point
- estimation model
- 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
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
Description
本発明は、破断面状態推定装置、破断面状態推定方法、及びプログラムに関する。 The present invention relates to a fracture surface state estimation device, a fracture surface state estimation method, and a program.
従来から、破壊実験等により得られる物質の破壊の起点や破壊モード等の破断面の状態を、ＳＥＭ（Ｓｃａｎｎｉｎｇ Ｅｌｅｃｔｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ）等の電子顕微鏡を用いて、経験豊富な測定者の目視による観察により判定していた（図８）。しかし、人手による判定が非効率であることや主観的な判断では客観性に欠けるため、電子顕微鏡により得られた物質の破断面を含む画像を解析することにより推定する技術が研究されている（特許文献１〜３）。 Conventionally, the starting point of destruction of a substance obtained by a destruction experiment or the state of a fracture surface such as a fracture mode is determined by visual observation by an experienced measurer using an electron microscope such as SEM (Scanning Electron Microscope). (Fig. 8). However, since manual judgment is inefficient and subjective judgment lacks objectivity, a technique for estimating by analyzing an image including a fracture surface of a substance obtained by an electron microscope is being studied (). Patent Documents 1 to 3).
例えば、特許文献１では、破断面の凹凸情報から、一般物理式を用いて亀裂進展速度を求める。特許文献２及び３では、観測深さ及び結晶の方位情報やコントラスト差から経験式を用いて破壊モードを推定する。 For example, in Patent Document 1, the crack growth rate is obtained by using a general physical formula from the unevenness information of the fracture surface. In Patent Documents 2 and 3, the fracture mode is estimated using an empirical formula from the observation depth, the orientation information of the crystal, and the contrast difference.
しかし、上記特許文献１では、予め起点が分かっている前提で、凹凸情報から亀裂進展速度を求めるため、起点や凹凸情報が不明である場合には、破断面の状態を求めることができない、という問題があった。また、特許文献１〜３では、経験式や一般物理式等の因果関係が既知であることが前提であり、そのような因果関係が未知の破断面については、破断面の状態を精度良く判定することができない、という問題があった。 However, in Patent Document 1, since the crack growth rate is obtained from the unevenness information on the premise that the starting point is known in advance, the state of the fracture surface cannot be obtained when the starting point and the unevenness information are unknown. There was a problem. Further, in Patent Documents 1 to 3, it is premised that the causal relationship such as an empirical formula or a general physical formula is known, and for a fracture surface whose causal relationship is unknown, the state of the fracture surface is accurately determined. There was a problem that it could not be done.
本発明は上記の点に鑑みてなされたものであり、破断面を含む画像から精度良く破断面の状態を推定することができる破断面状態推定装置、破断面状態推定方法、及びプログラムを提供することを目的とする。 The present invention has been made in view of the above points, and provides a fracture surface state estimation device, a fracture surface state estimation method, and a program capable of accurately estimating the fracture surface state from an image including a fracture surface. The purpose is.
本発明に係る破断面状態推定装置は、物質の破断面を含む入力画像の入力を受け付ける画像入力部と、前記入力画像と、予め学習された、画像に含まれる物質の破断面における、前記物質の破断の生じた起点の位置を推定する起点推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面における前記起点の位置を推定する起点推定部と、前記入力画像と、予め学習された、画像に含まれる前記物質の破断面の破壊モードを推定する破壊モード推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面の破壊モードを推定する破壊モード推定部と、を備えて構成される。 The fracture surface state estimation device according to the present invention includes an image input unit that accepts input of an input image including a fracture surface of a substance, the input image, and the substance in a fracture surface of a substance contained in the image that has been learned in advance. Based on the starting point estimation model that estimates the position of the starting point where the fracture occurred, the starting point estimation unit that estimates the position of the starting point on the fracture surface of the substance included in the input image, and the input image are learned in advance. A fracture mode estimation unit that estimates the fracture mode of the fracture surface of the material contained in the input image based on the fracture mode estimation model that estimates the fracture mode of the fracture surface of the substance contained in the image. Is configured with.
また、本発明に係る破断面状態推定方法は、画像入力部が、物質の破断面を含む入力画像の入力を受け付け、起点推定部が、前記入力画像と、予め学習された、画像に含まれる物質の破断面における、前記物質の破断の生じた起点の位置を推定する起点推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面における前記起点の位置を推定し、破壊モード推定部が、前記入力画像と、予め学習された、画像に含まれる前記物質の破断面の破壊モードを推定する破壊モード推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面の破壊モードを推定する。 Further, in the fracture surface state estimation method according to the present invention, the image input unit receives the input of the input image including the fracture surface of the substance, and the starting point estimation unit is included in the input image and the image learned in advance. Based on the starting point estimation model that estimates the position of the starting point where the fracture of the material occurred in the fracture surface of the material, the position of the starting point in the fracture surface of the material included in the input image is estimated, and the fracture mode is estimated. Based on the input image and a fracture mode estimation model for estimating the fracture mode of the fracture surface of the material contained in the image, which is learned in advance, the unit destroys the fracture surface of the substance contained in the input image. Estimate the mode.
本発明に係る破断面状態推定装置及び破断面状態推定方法によれば、画像入力部が、物質の破断面を含む入力画像の入力を受け付け、起点推定部が、入力画像と、予め学習された、画像に含まれる物質の破断面における、物質の破断の生じた起点の位置を推定する起点推定モデルとに基づいて、入力画像に含まれる物質の破断面における起点の位置を推定する。 According to the fracture surface state estimation device and the fracture surface state estimation method according to the present invention, the image input unit receives the input of the input image including the fracture surface of the substance, and the starting point estimation unit is learned in advance from the input image. , The position of the starting point in the fracture surface of the material contained in the input image is estimated based on the starting point estimation model for estimating the position of the starting point where the material is broken in the fracture surface of the material contained in the image.
そして、破壊モード推定部が、入力画像と、予め学習された、画像に含まれる物質の破断面の破壊モードを推定する破壊モード推定モデルとに基づいて、入力画像に含まれる物質の破断面の破壊モードを推定する。 Then, the fracture mode estimation unit determines the fracture surface of the material contained in the input image based on the input image and the fracture mode estimation model for estimating the fracture mode of the fracture surface of the substance contained in the image, which has been learned in advance. Estimate the destruction mode.
このように、入力画像と、予め学習された、画像に含まれる物質の破断面における、物質の破断の生じた起点の位置を推定する起点推定モデルとに基づいて、入力画像に含まれる物質の破断面における起点の位置を推定し、入力画像と、予め学習された、画像に含まれる物質の破断面の破壊モードを推定する破壊モード推定モデルとに基づいて、入力画像に含まれる物質の破断面の破壊モードを推定することにより、破断面を含む画像から精度良く破断面の状態を推定することができる。 In this way, based on the input image and the starting point estimation model that estimates the position of the starting point where the material breaks in the fracture surface of the material contained in the image, which has been learned in advance, the material contained in the input image Fracture of the substance contained in the input image based on the input image and the fracture mode estimation model for estimating the fracture mode of the fracture surface of the substance contained in the image, which is learned in advance by estimating the position of the starting point in the fracture surface. By estimating the fracture mode of the cross section, the state of the fracture surface can be estimated accurately from the image including the fracture surface.
また、本発明に係る破断面状態推定装置は、物質の破断面を含む学習画像と、前記学習画像における前記物質の破断の生じた起点の位置と、前記学習画像に含まれる前記物質の破断面の破壊モードとの組からなる画像データの入力を受け付ける画像データ入力部と、前記起点推定モデルにより推定した前記学習画像の前記起点の位置と前記破壊モード推定モデルにより推定した前記学習画像に含まれる前記物質の破断面の破壊モードとが、前記画像データに含まれる前記起点の位置及び前記破壊モードと一致するように、前記起点推定モデルのパラメータと前記破壊モード推定モデルのパラメータとを学習する学習部と、を更に含み、前記起点推定部は、前記入力画像と、前記学習部により予め学習された前記起点推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面における前記起点の位置を推定し、前記破壊モード推定部は、前記入力画像と、前記学習部により予め学習された前記破壊モード推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面の破壊モードを推定することができる。 Further, the fracture surface state estimation device according to the present invention includes a learning image including a fracture surface of a substance, a position of a starting point where the material is fractured in the training image, and a fracture surface of the substance included in the learning image. It is included in the image data input unit that accepts the input of the image data consisting of the set of the destruction mode, the position of the starting point of the learning image estimated by the starting point estimation model, and the learning image estimated by the destruction mode estimation model. Learning to learn the parameters of the origin estimation model and the parameters of the fracture mode estimation model so that the fracture mode of the fracture surface of the substance matches the position of the origin and the fracture mode included in the image data. The starting point estimation unit further includes a unit, and the starting point estimation unit is based on the input image and the starting point estimation model previously learned by the learning unit, and the starting point estimation unit is a starting point in a fracture surface of the material included in the input image. The position is estimated, and the fracture mode estimation unit determines the fracture mode of the fracture surface of the material included in the input image based on the input image and the fracture mode estimation model previously learned by the learning unit. Can be estimated.
また、本発明に係る破断面状態推定装置は、前記画像データ入力部により受け付けた画像データの学習画像を、異なる撮影条件で撮影されたときに得られる擬似的な画像に変更するデータ処理部を更に含み、前記学習部は、前記起点推定モデルにより推定した前記擬似的な画像の前記起点の位置と前記破壊モード推定モデルにより推定した前記擬似的な画像に含まれる前記物質の破断面の破壊モードとが、前記画像データに含まれる前記起点の位置及び前記破壊モードと一致するように、前記起点推定モデルのパラメータと前記破壊モード推定モデルのパラメータとを学習することができる。 Further, the fracture surface state estimation device according to the present invention includes a data processing unit that changes a learning image of image data received by the image data input unit into a pseudo image obtained when images are taken under different shooting conditions. Further included, the learning unit includes the position of the starting point of the pseudo image estimated by the starting point estimation model and the fracture mode of the fracture surface of the substance included in the pseudo image estimated by the destruction mode estimation model. The parameters of the starting point estimation model and the parameters of the destruction mode estimation model can be learned so as to match the position of the starting point and the destruction mode included in the image data.
また、本発明に係る破断面状態推定装置の前記データ処理部は、前記学習画像のコントラストを変更することにより、異なる観察角度で撮影されたときに得られる擬似的な画像に変更するコントラスト変更部を更に含むことができる。 Further, the data processing unit of the fracture surface state estimation device according to the present invention changes the contrast of the learning image to a pseudo image obtained when the image is taken at a different observation angle. Can be further included.
また、本発明に係る破断面状態推定装置の前記データ処理部は、前記学習画像の観察深さを変更することにより、電子顕微鏡の異なる電圧を印加して撮影されたときに得られる擬似的な画像に変更する観察深度変更部を更に含むことができる。 Further, the data processing unit of the fracture surface state estimation device according to the present invention is obtained by changing the observation depth of the learning image to obtain a pseudo image obtained by applying different voltages of an electron microscope. An observation depth changing unit that changes the image can be further included.
また、本発明に係る破断面状態推定装置は、亀裂進展方向推定部と、材質推定部と、を更に含み、前記画像データは、更に、前記学習画像に含まれる前記物質の破断面における亀裂進展方向、及び前記学習画像に含まれる前記物質の材質を含み、前記学習部は、前記撮影条件毎に、前記起点推定モデルにより推定した前記学習画像の前記起点の位置、前記破壊モード推定モデルにより推定した前記学習画像に含まれる前記物質の破断面の破壊モード、画像に含まれる物質の破断面における亀裂進展方向を推定するモデルである亀裂進展方向推定モデルにより推定した、前記学習画像に含まれる前記物質の破断面における亀裂進展方向、及び画像に含まれる物質の材質を推定するモデルである材質推定モデルにより推定した、前記学習画像に含まれる前記物質の材質が、前記画像データに含まれる前記起点の位置、前記破壊モード、前記亀裂進展方向及び前記材質と一致するように、前記起点推定モデルのパラメータと、前記破壊モード推定モデルのパラメータと、前記亀裂進展方向推定モデルのパラメータと、前記材質推定モデルのパラメータとを学習し、前記亀裂進展方向推定部は、前記入力画像と、前記学習部により予め学習された前記亀裂進展方向推定モデルとに基づいて、前記入力画像に含まれる物質の破断面における亀裂進展方向を推定し、前記材質推定部は、前記入力画像と、前記学習部により予め学習された前記材質推定モデルとに基づいて、前記入力画像に含まれる物質の材質を推定することができる。 Further, the fracture surface state estimation device according to the present invention further includes a crack growth direction estimation unit and a material estimation unit, and the image data further includes crack growth in the fracture surface of the material included in the learning image. The learning unit includes the direction and the material of the substance contained in the learning image, and the learning unit estimates the position of the starting point of the learning image estimated by the starting point estimation model and the destruction mode estimation model for each shooting condition. The fracture mode of the fracture surface of the material included in the learning image, and the crack growth direction estimation model, which is a model for estimating the crack growth direction in the fracture surface of the material contained in the image, are included in the learning image. The material of the material included in the learning image, which is estimated by the material estimation model, which is a model for estimating the crack growth direction in the fracture surface of the material and the material of the material contained in the image, is the starting point included in the image data. The parameters of the starting point estimation model, the parameters of the fracture mode estimation model, the parameters of the crack growth direction estimation model, and the material estimation so as to match the position, the fracture mode, the crack growth direction, and the material. The crack growth direction estimation unit learns the parameters of the model, and the crack growth direction estimation unit is based on the input image and the crack growth direction estimation model previously learned by the learning unit, and the fracture surface of the substance contained in the input image. The material estimation unit can estimate the material of the substance contained in the input image based on the input image and the material estimation model previously learned by the learning unit. it can.
また、本発明に係る破断面状態推定装置の前記画像入力部は、撮影条件が異なる複数の入力画像であって、同一の破断面を含む複数の入力画像を受け付け、前記起点推定モデルは、同一の破断面を含む複数の画像に含まれる前記物質の破断面における前記起点の位置を推定し、前記起点推定部は、前記複数の入力画像と、前記起点推定モデルとに基づいて、前記複数の入力画像に含まれる前記物質の破断面における前記起点の位置を推定し、前記破壊モード推定モデルは、同一の破断面を含む複数の画像に含まれる前記物質の破断面の破壊モードを推定し、前記破壊モード推定部は、前記複数の入力画像と、前記破壊モード推定モデルとに基づいて、前記複数の入力画像に含まれる前記物質の破断面の破壊モードを推定することができる。 Further, the image input unit of the fracture surface state estimation device according to the present invention receives a plurality of input images having different imaging conditions and includes the same fracture surface, and the starting point estimation model is the same. The position of the starting point in the fracture surface of the substance included in the plurality of images including the fracture surface of the above is estimated, and the starting point estimation unit is based on the plurality of input images and the starting point estimation model. The position of the starting point in the fracture surface of the material included in the input image is estimated, and the fracture mode estimation model estimates the fracture mode of the fracture surface of the substance contained in a plurality of images including the same fracture surface. The destruction mode estimation unit can estimate the destruction mode of the fracture surface of the material contained in the plurality of input images based on the plurality of input images and the destruction mode estimation model.
また、本発明に係る破断面状態推定装置の前記撮影条件は、観察角度又は電子顕微鏡の電圧であるとすることができる。 Further, the imaging condition of the fracture surface state estimation device according to the present invention can be an observation angle or a voltage of an electron microscope.
本発明に係るプログラムは、コンピュータを、上記の破断面状態推定装置の各部として機能させるためのプログラムである。 The program according to the present invention is a program for making a computer function as each part of the above-mentioned fracture surface state estimation device.
本発明の破断面状態推定装置、破断面状態推定方法、及びプログラムによれば、破断面を含む画像から精度良く破断面の状態を推定することができる。 According to the fracture surface state estimation device, the fracture surface state estimation method, and the program of the present invention, the fracture surface state can be estimated accurately from the image including the fracture surface.
以下、本発明の実施の形態について図面を用いて説明する。
＜本発明の実施の形態に係る破断面推定モデル学習装置の構成＞
図１を参照して、本発明の実施の形態に係る破断面推定モデル学習装置１０の構成について説明する。図１は、本発明の実施の形態に係る破断面推定モデル学習装置１０の構成を示すブロック図である。
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
<Structure of a fracture surface estimation model learning device according to an embodiment of the present invention>
The configuration of the fracture surface estimation model learning device 10 according to the embodiment of the present invention will be described with reference to FIG. FIG. 1 is a block diagram showing a configuration of a fracture surface estimation model learning device 10 according to an embodiment of the present invention.
破断面推定モデル学習装置１０は、ＣＰＵと、ＲＡＭと、後述する破断面推定モデル学習処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備えたコンピュータで構成され、機能的には次に示すように構成されている。 The fracture surface estimation model learning device 10 is composed of a computer including a CPU, a RAM, and a ROM storing a program for executing a fracture surface estimation model learning processing routine described later, and is functionally shown below. It is configured as follows.
図１に示すように、本実施形態に係る破断面推定モデル学習装置１０は、画像データ入力部１００と、データ処理部１１０と、特徴点推定部１２０と、学習部１３０と、モデル記憶部１４０とを備えて構成される。 As shown in FIG. 1, the fracture surface estimation model learning device 10 according to the present embodiment includes an image data input unit 100, a data processing unit 110, a feature point estimation unit 120, a learning unit 130, and a model storage unit 140. It is configured with and.
画像データ入力部１００は、物質の破断面を含む複数の学習画像と、複数の学習画像の各々について、当該学習画像における物質の破断の生じた起点の位置と、当該学習画像における破壊進展方向と、当該学習画像に含まれる物質の破断面の破壊モードと、当該学習画像における物質の材質との組からなる画像データの入力を受け付ける。 The image data input unit 100 determines, for each of the plurality of training images including the fracture surface of the material and each of the plurality of training images, the position of the starting point where the material is broken in the training image and the direction of the destruction progress in the training image. , Accepts the input of image data consisting of a set of the fracture mode of the fracture surface of the material contained in the training image and the material of the material in the training image.
具体的には、学習画像は、図２に示すように、起点の位置と亀裂進展方向とが分かっている画像を用いる。起点の位置は、当該学習画像上の任意の位置を原点とした場合における座標である。起点が当該学習画像に含まれていない場合には、当該学習画像外の座標を示すように指定する。例えば、起点が当該学習画像に含まれていない場合、学習画像の左上を原点、右下を正の値の方向とした場合に、起点の位置を示す座標が負の値を取るように指定する。 Specifically, as the learning image, as shown in FIG. 2, an image in which the position of the starting point and the crack growth direction are known is used. The position of the starting point is a coordinate when an arbitrary position on the learning image is used as the origin. If the starting point is not included in the training image, it is specified to indicate the coordinates outside the training image. For example, when the starting point is not included in the learning image, the coordinates indicating the position of the starting point are specified to take a negative value when the upper left of the learning image is the origin and the lower right is the direction of the positive value. ..
また、亀裂進展方向は、起点の位置から、何れの方向に亀裂が進んでいるかを示す方向ベクトルである。亀裂の進展の強さ、度合いにより、方向ベクトルの要素の値が定められている。亀裂の進展が放射状や円弧状に進む場合があるため、方向ベクトルには、亀裂の進展方向の中心の方向ベクトルと進展の広がりを示す角とが含まれる。 The crack growth direction is a direction vector indicating in which direction the crack is proceeding from the position of the starting point. The value of the element of the direction vector is determined by the strength and degree of crack growth. Since the crack growth may proceed in a radial or arc shape, the direction vector includes a direction vector at the center of the crack growth direction and an angle indicating the spread of the crack.
物質の破断面には、疲労破壊、延性破壊、脆性破壊、応力腐食割れ、遅れ破壊、クリープ破壊、環境応力割れ等の破壊モードが存在し、この破壊モードは一般に、起点及び亀裂の形状・模様に基づいて判断される。画像データには、学習画像における破断面について、このように既に判断された破壊モードが含まれる。また、画像データには、当該学習画像における物質の材質が含まれる。例えば、黄銅、ステンレス鋼、樹脂、はんだ等の材質である。 Fracture modes such as fatigue rupture, ductile rupture, brittle rupture, stress corrosion cracking, delayed rupture, creep rupture, and environmental stress rupture are present in the fracture surface of the material, and this rupture mode generally has the starting point and the shape and pattern of the crack. Judgment is based on. The image data includes the fracture mode already determined in this way for the fracture surface in the trained image. In addition, the image data includes the material of the substance in the learning image. For example, it is a material such as brass, stainless steel, resin, and solder.
そして、画像データ入力部１００は、受け付けた画像データを、データ処理部１１０に渡す。 Then, the image data input unit 100 passes the received image data to the data processing unit 110.
データ処理部１１０は、画像データに含まれる複数の学習画像の各々について、異なる撮影条件で撮影されたときに得られる擬似的な画像を生成する。具体的には、データ処理部１１０は、コントラスト変更部１１１と、観察深度変更部１１２と、観察範囲変更部１１３と、観察倍率変更部１１４とを備えて構成される。 The data processing unit 110 generates a pseudo image obtained when each of the plurality of learned images included in the image data is photographed under different imaging conditions. Specifically, the data processing unit 110 includes a contrast changing unit 111, an observation depth changing unit 112, an observing range changing unit 113, and an observing magnification changing unit 114.
ここで、撮影条件は、観察角度又は電子顕微鏡の電圧である。観察角度とは、破断面を撮影する角度であり、人手で観察角度を変えた破断面の画像を用いることにより起点を探す際に用いられている。本実施の形態では、このような同一の破断面に対して観察角度が異なる複数の画像を生成して破断面状態モデルの学習に用いる。なぜなら、実際に目視により観察する際には、光線に対して破断面の向き（観察角度）を色々変えることにより、破断面全体の等高線を把握することができる。破断面上に生じる等高線（図３中のラテットマークや放射状模様等）は、破断面の細かい凹凸による光学的なコントラストによるものである。その等高線を把握する際、照明の状態が重要になる。照明の方向は破断面に垂直よりも斜め方向に照射する方が、有効な場合が多い。そして、破断面全体の等高線がわかれば、凹部のつながりや、等高線のパターンから、ひび割れの進展方向がわかる。破断面のひび割れ模様の多くは、線対称、同心円状等、規則性があるため、そのひび割れ模様の開始点や中心が起点となる。このようにして、同一の破断面に対して観察角度が異なる複数の画像を生成して学習に用いることにより、様々な観察角度で撮影された画像に対しても、起点の位置や破壊モード等の破断面の状態を推定することができるにようしようとするのである。 Here, the imaging condition is the observation angle or the voltage of the electron microscope. The observation angle is an angle at which the fracture surface is photographed, and is used when searching for a starting point by using an image of the fracture surface in which the observation angle is manually changed. In the present embodiment, a plurality of images having different observation angles for the same fracture surface are generated and used for learning the fracture surface state model. This is because, when actually visually observing, the contour lines of the entire fracture surface can be grasped by changing the direction (observation angle) of the fracture surface with respect to the light beam. The contour lines (lattice marks, radial patterns, etc. in FIG. 3) generated on the fracture surface are due to the optical contrast due to the fine irregularities of the fracture surface. The lighting conditions are important when grasping the contour lines. It is often more effective to illuminate the fracture surface diagonally rather than perpendicularly. Then, if the contour lines of the entire fracture surface are known, the direction of crack growth can be known from the connection of the recesses and the contour line pattern. Most of the crack patterns on the fracture surface have regularity such as line symmetry and concentric circles, so the starting point and center of the crack pattern are the starting points. In this way, by generating a plurality of images having different observation angles for the same fracture surface and using them for learning, the position of the starting point, the destruction mode, etc. can be obtained even for images taken at various observation angles. It tries to be able to estimate the state of the fracture surface of.
また、電子顕微鏡の電圧を変化させることにより、観察深さが変化する。観察深さとは、ＳＥＭ等の電子顕微鏡における焦点の深さである（図４）。観察角度の場合と同様に、同一の破断面に対して電子顕微鏡の電圧が異なる複数の画像を生成して学習に用いることにより、電子顕微鏡の様々な電圧で撮影された画像に対しても、起点の位置や破壊モード等の破断面の状態を推定することができるにようしようとするのである。 In addition, the observation depth changes by changing the voltage of the electron microscope. The observation depth is the depth of focus in an electron microscope such as SEM (Fig. 4). As in the case of the observation angle, by generating a plurality of images having different voltage of the electron microscope for the same fracture surface and using them for learning, even for images taken with various voltages of the electron microscope. It is intended to be able to estimate the state of the fracture surface such as the position of the starting point and the fracture mode.
コントラスト変更部１１１は、複数の学習画像の各々について、当該学習画像のコントラストを変更することにより、異なる観察角度で撮影されたときに得られる擬似的な画像を生成する。 The contrast changing unit 111 changes the contrast of the learning image for each of the plurality of learning images to generate a pseudo image obtained when the images are taken at different observation angles.
観察深度変更部１１２は、複数の学習画像の各々について、当該学習画像の観察深さを変更することにより、電子顕微鏡の異なる電圧を印加して撮影されたときに得られる擬似的な画像を生成する。 The observation depth changing unit 112 generates a pseudo image obtained when images are taken by applying different voltages of electron microscopes by changing the observation depth of the learning image for each of the plurality of learning images. To do.
観察範囲変更部１１３は、画像データに含まれる複数の学習画像の各々、コントラスト変更部１１１により生成された擬似的な画像の各々、及び観察深度変更部１１２により生成された擬似的な画像の各々について、当該画像の複製し、複製した画像を分割することにより、観察範囲変更画像を生成する。観察範囲変更部１１３は、生成した観察範囲変更画像の各々について、当該観察範囲変更画像に対応する起点の位置等の情報を付加し、画像データに含める。そして、観察範囲変更部１１３は、画像データを観察倍率変更部１１４に渡す。 The observation range changing unit 113 includes each of the plurality of learning images included in the image data, each of the pseudo images generated by the contrast changing unit 111, and each of the pseudo images generated by the observation depth changing unit 112. The observation range change image is generated by duplicating the image and dividing the duplicated image. The observation range changing unit 113 adds information such as the position of the starting point corresponding to the observation range changing image to each of the generated observation range changing images, and includes the information in the image data. Then, the observation range changing unit 113 passes the image data to the observation magnification changing unit 114.
観察倍率変更部１１４は、画像データに含まれる複数の学習画像の各々、コントラスト変更部１１１により生成された擬似的な画像の各々、観察深度変更部１１２により生成された擬似的な画像の各々、及び観察範囲変更部１１３により生成された観察範囲変更画像の各々について、当該画像を複製し、複製した画像を拡大又は縮小することにより、観察倍率変更画像を生成する。観察倍率変更部１１４は、生成した観察倍率変更画像の各々について、当該観察倍率変更画像に対応する起点の位置等の情報を付加し、画像データに含める。そして、観察倍率変更部１１４は、画像データを特徴点推定部１２０に渡す。 The observation magnification changing unit 114 includes each of the plurality of learning images included in the image data, each of the pseudo images generated by the contrast changing unit 111, and each of the pseudo images generated by the observation depth changing unit 112. And for each of the observation range change images generated by the observation range change unit 113, the observation magnification change image is generated by duplicating the image and enlarging or reducing the duplicated image. The observation magnification changing unit 114 adds information such as the position of the starting point corresponding to the observation magnification changing image to each of the generated observation magnification changing images, and includes the information in the image data. Then, the observation magnification changing unit 114 passes the image data to the feature point estimation unit 120.
特徴点推定部１２０は、画像データに含まれる複数の学習画像の各々、コントラスト変更部１１１により生成された擬似的な画像の各々、観察深度変更部１１２により生成された擬似的な画像の各々、観察範囲変更部１１３により生成された観察範囲変更画像の各々、及び観察倍率変更部１１４により生成された観察倍率変更画像の各々を教師画像とし、当該教師画像に含まれる物質の破断面における、物質の破断の生じた起点の位置、亀裂進展方向、破壊モード、及び物質の材質を推定する。具体的には、特徴点推定部１２０は、起点推定部１２１と、破壊モード推定部１２２と、亀裂進展方向推定部１２３と、材質推定部１２４とを備えて構成される。 The feature point estimation unit 120 includes each of the plurality of learned images included in the image data, each of the pseudo images generated by the contrast changing unit 111, and each of the pseudo images generated by the observation depth changing unit 112. Each of the observation range changing images generated by the observation range changing unit 113 and each of the observation magnification changing images generated by the observation magnification changing unit 114 are used as teacher images, and the substance in the fracture surface of the substance contained in the teacher image. Estimate the position of the origin of the break, the crack growth direction, the break mode, and the material of the material. Specifically, the feature point estimation unit 120 includes a start point estimation unit 121, a fracture mode estimation unit 122, a crack growth direction estimation unit 123, and a material estimation unit 124.
起点推定部１２１は、教師画像の各々について、当該教師画像と、画像に含まれる物質の破断面における、物質の破断の生じた起点の位置を推定する起点推定モデルとに基づいて、教師画像に含まれる物質の破断面における起点の位置を推定する。具体的には、起点推定部１２１は、まず、モデル記憶部１４０から、起点推定モデルのパラメータを取得する。ここで、起点推定モデルには、例えばニューラルネットワークを用いることができる。次に、起点推定部１２１は、教師画像を起点推定モデルに入力して、起点の位置を推定する。そして、起点推定部１２１は、推定した起点の位置を学習部１３０に渡す。 For each of the teacher images, the starting point estimation unit 121 converts the teacher image into a teacher image based on the teacher image and a starting point estimation model that estimates the position of the starting point where the substance breaks in the fracture surface of the substance contained in the image. Estimate the position of the starting point in the fracture surface of the contained material. Specifically, the starting point estimation unit 121 first acquires the parameters of the starting point estimation model from the model storage unit 140. Here, for example, a neural network can be used as the starting point estimation model. Next, the starting point estimation unit 121 inputs the teacher image into the starting point estimation model and estimates the position of the starting point. Then, the starting point estimation unit 121 passes the estimated starting point position to the learning unit 130.
破壊モード推定部１２２は、教師画像の各々について、当該教師画像と、画像に含まれる物質の破断面の破壊モードを推定する破壊モード推定モデルとに基づいて、教師画像に含まれる前記物質の破断面の破壊モードを推定する。具体的には、破壊モード推定部１２２は、まず、モデル記憶部１４０から、破壊モード推定モデルのパラメータを取得する。ここで、破壊モード推定モデルには、例えばニューラルネットワークを用いることができる。次に、破壊モード推定部１２２は、教師画像を破壊モード推定モデルに入力して、破壊モードを推定する。そして、破壊モード推定部１２２は、推定した破壊モードを学習部１３０に渡す。 For each of the teacher images, the destruction mode estimation unit 122 breaks the substance contained in the teacher image based on the teacher image and a destruction mode estimation model for estimating the destruction mode of the fracture surface of the substance contained in the image. Estimate the fracture mode of the cross section. Specifically, the destruction mode estimation unit 122 first acquires the parameters of the destruction mode estimation model from the model storage unit 140. Here, for example, a neural network can be used as the fracture mode estimation model. Next, the destruction mode estimation unit 122 inputs the teacher image into the destruction mode estimation model to estimate the destruction mode. Then, the destruction mode estimation unit 122 passes the estimated destruction mode to the learning unit 130.
亀裂進展方向推定部１２３は、教師画像の各々について、当該教師画像と、画像に含まれる物質の破断面における亀裂進展方向を推定するモデルである亀裂進展方向推定モデルとに基づいて、教師画像に含まれる物質の破断面における亀裂進展方向を推定する。具体的には、亀裂進展方向推定部１２３は、まず、モデル記憶部１４０から、亀裂進展方向推定モデルのパラメータを取得する。ここで、亀裂進展方向推定モデルには、例えばニューラルネットワークを用いることができる。次に、亀裂進展方向推定部１２３は、教師画像を亀裂進展方向推定モデルに入力して、亀裂進展方向を推定する。そして、亀裂進展方向推定部１２３は、推定した亀裂進展方向を学習部１３０に渡す。 The crack growth direction estimation unit 123 converts each of the teacher images into a teacher image based on the teacher image and a crack growth direction estimation model which is a model for estimating the crack growth direction in the fracture surface of the material contained in the image. Estimate the crack growth direction in the fracture surface of the contained material. Specifically, the crack growth direction estimation unit 123 first acquires the parameters of the crack growth direction estimation model from the model storage unit 140. Here, for example, a neural network can be used for the crack growth direction estimation model. Next, the crack growth direction estimation unit 123 inputs the teacher image into the crack growth direction estimation model to estimate the crack growth direction. Then, the crack growth direction estimation unit 123 passes the estimated crack growth direction to the learning unit 130.
材質推定部１２４は、教師画像の各々について、当該教師画像と、画像に含まれる物質の材質を推定するモデルである材質推定モデルとに基づいて、教師画像に含まれる物質の材質を推定する。具体的には、材質推定部１２４は、まず、モデル記憶部１４０から、材質推定モデルのパラメータを取得する。ここで、材質推定モデルには、例えばニューラルネットワークを用いることができる。次に、材質推定部１２４は、教師画像を材質推定モデルに入力して、物質の材質を推定する。そして、材質推定部１２４は、推定した物質の材質を学習部１３０に渡す。 For each of the teacher images, the material estimation unit 124 estimates the material of the substance contained in the teacher image based on the teacher image and the material estimation model which is a model for estimating the material of the substance contained in the image. Specifically, the material estimation unit 124 first acquires the parameters of the material estimation model from the model storage unit 140. Here, for example, a neural network can be used as the material estimation model. Next, the material estimation unit 124 inputs the teacher image into the material estimation model to estimate the material of the substance. Then, the material estimation unit 124 passes the estimated material of the substance to the learning unit 130.
学習部１３０は、教師画像の各々について、起点推定部１２１により推定された当該教師画像の起点の位置、破壊モード推定部１２２により推定された当該教師画像に含まれる物質の破断面の破壊モード、亀裂進展方向推定部１２３により推定された、当該教師画像に含まれる物質の破断面における亀裂進展方向、及び材質推定部１２４により推定された、当該教師画像に含まれる物質の材質が、当該教師画像における起点の位置、破壊モード、亀裂進展方向及び材質と一致するように、起点推定モデルのパラメータと、破壊モード推定モデルのパラメータと、亀裂進展方向推定モデルのパラメータと、材質推定モデルのパラメータとを学習する。 For each of the teacher images, the learning unit 130 describes the position of the starting point of the teacher image estimated by the starting point estimation unit 121, the destruction mode of the fracture surface of the substance contained in the teacher image estimated by the destruction mode estimation unit 122, and so on. The crack growth direction in the fracture surface of the material contained in the teacher image estimated by the crack growth direction estimation unit 123, and the material of the material contained in the teacher image estimated by the material estimation unit 124 are the teacher image. The parameters of the starting point estimation model, the parameters of the fracture mode estimation model, the parameters of the crack growth direction estimation model, and the parameters of the material estimation model are set so as to match the position of the starting point, the fracture mode, the crack growth direction, and the material. learn.
具体的には、学習部１３０は、起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルの各々が、正解である画像データから得られる、当該教師画像における起点の位置、破壊モード、亀裂進展方向及び材質を正しく推定することができるように、誤差逆伝搬法等の学習法を用いて、起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルのパラメータを同時に学習する。すなわち、起点の位置、破壊モード、亀裂進展方向、物質の材質の相関関係を加味して、起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルが互いに正しく推定することができるように、起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルのパラメータを学習する。そして、学習部１３０は、撮影条件毎に学習した各推定モデルのパラメータを、モデル記憶部１４０に格納する。 Specifically, the learning unit 130 describes the position of the starting point in the teacher image, which is obtained from the image data in which each of the starting point estimation model, the fracture mode estimation model, the crack growth direction estimation model, and the material estimation model is correct. The starting point estimation model, the fracture mode estimation model, the crack growth direction estimation model, and the material estimation model are used by learning methods such as the error back propagation method so that the fracture mode, crack growth direction, and material can be correctly estimated. Learn the parameters at the same time. That is, the starting point estimation model, the fracture mode estimation model, the crack growth direction estimation model, and the material estimation model can correctly estimate each other by considering the correlation between the starting point position, the fracture mode, the crack growth direction, and the material of the material. The parameters of the starting point estimation model, the fracture mode estimation model, the crack growth direction estimation model, and the material estimation model are learned so as to be possible. Then, the learning unit 130 stores the parameters of each estimation model learned for each shooting condition in the model storage unit 140.
学習部１３０は、所定の終了条件を満たすまで、例えば所定の回数だけ学習処理が行われるまで、画像データ入力部１００による画像データの入力の受け付け、データ処理部による処理、特徴点推定部１２０による処理、及び学習部１３０による学習処理を繰り返す。 The learning unit 130 receives image data input by the image data input unit 100, processes by the data processing unit, and features point estimation unit 120 until a predetermined end condition is satisfied, for example, until learning processing is performed a predetermined number of times. The process and the learning process by the learning unit 130 are repeated.
モデル記憶部１４０には、起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルのパラメータが格納されている。 The model storage unit 140 stores parameters of a starting point estimation model, a fracture mode estimation model, a crack growth direction estimation model, and a material estimation model.
＜本発明の実施の形態に係る破断面推定モデル学習装置の作用＞
図５は、本発明の実施の形態に係る破断面推定モデル学習処理ルーチンを示すフローチャートである。
<Action of the fracture surface estimation model learning device according to the embodiment of the present invention>
FIG. 5 is a flowchart showing a fracture surface estimation model learning processing routine according to the embodiment of the present invention.
画像データ入力部１００に画像データが入力されると、破断面推定モデル学習装置１０において、図５に示す破断面推定モデル学習処理ルーチンが実行される。 When the image data is input to the image data input unit 100, the fracture surface estimation model learning device 10 executes the fracture surface estimation model learning processing routine shown in FIG.
まず、ステップＳ１００において、画像データ入力部１００は、撮影条件が異なる複数の学習画像であって、物質の同一の破断面を含む複数の学習画像と、複数の学習画像の各々について、当該学習画像における物質の破断の生じた起点の位置と、当該学習画像における破壊進展方向と、当該学習画像に含まれる物質の破断面の破壊モードと、当該学習画像における物質の材質との組からなる画像データの入力を受け付ける。 First, in step S100, the image data input unit 100 is a plurality of training images having different shooting conditions, and the training images are obtained for each of the plurality of training images including the same fracture surface of the substance and the plurality of training images. Image data consisting of a set of the position of the starting point where the material is broken in the image, the direction of the destruction progress in the training image, the destruction mode of the fracture surface of the material contained in the learning image, and the material of the material in the learning image. Accepts input.
ステップＳ１１０において、コントラスト変更部１１１は、数の学習画像の各々について、当該学習画像のコントラストを変更することにより、異なる観察角度で撮影されたときに得られる擬似的な画像を生成する。 In step S110, the contrast changing unit 111 generates a pseudo image obtained when the images are taken at different observation angles by changing the contrast of the trained image for each of the number of trained images.
ステップＳ１２０において、観察深度変更部１１２は、複数の学習画像の各々について、当該学習画像の観察深さを変更することにより、電子顕微鏡の異なる電圧を印加して撮影されたときに得られる擬似的な画像を生成する。 In step S120, the observation depth changing unit 112 changes the observation depth of the learning image for each of the plurality of learning images, thereby applying a pseudo voltage obtained by applying different voltages of the electron microscope. Image is generated.
ステップＳ１３０において、観察範囲変更部１１３は、画像データに含まれる複数の学習画像の各々、コントラスト変更部１１１により生成された擬似的な画像の各々、及び観察深度変更部１１２により生成された擬似的な画像の各々について、当該画像の複製し、複製した画像を分割することにより、観察範囲変更画像を生成する。 In step S130, the observation range changing unit 113 includes each of the plurality of learning images included in the image data, each of the pseudo images generated by the contrast changing unit 111, and the pseudo image generated by the observation depth changing unit 112. An observation range change image is generated by duplicating the image and dividing the duplicated image for each of the images.
ステップＳ１４０において、観察倍率変更部１１４は、画像データに含まれる複数の学習画像の各々、コントラスト変更部１１１により生成された擬似的な画像の各々、観察深度変更部１１２により生成された擬似的な画像の各々、及び観察範囲変更部１１３により生成された観察範囲変更画像の各々について、当該画像を複製し、複製した画像を拡大又は縮小することにより、観察倍率変更画像を生成する。 In step S140, the observation magnification changing unit 114 is a pseudo image generated by the observation depth changing unit 112, each of the plurality of learning images included in the image data, and each of the pseudo images generated by the contrast changing unit 111. An observation magnification change image is generated by duplicating the image and enlarging or reducing the duplicated image for each of the images and each of the observation range change images generated by the observation range change unit 113.
ステップＳ１５０において、起点推定部１２１、破壊モード推定部１２２、亀裂進展方向推定部１２３、及び材質推定部１２４は、モデル記憶部１４０から、それぞれ起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルのパラメータを取得する。 In step S150, the starting point estimation unit 121, the fracture mode estimation unit 122, the crack growth direction estimation unit 123, and the material estimation unit 124 are the starting point estimation model, the fracture mode estimation model, and the crack growth direction estimation model, respectively, from the model storage unit 140. , And get the parameters of the material estimation model.
ステップＳ１６０において、起点推定部１２１は、教師画像の各々について、当該教師画像と、画像に含まれる物質の破断面における、物質の破断の生じた起点の位置を推定する起点推定モデルとに基づいて、教師画像に含まれる物質の破断面における起点の位置を推定する。 In step S160, the starting point estimation unit 121 estimates the position of the starting point where the material breaks in the fracture surface of the material contained in the teacher image and the starting point estimation model for each of the teacher images. , Estimate the position of the starting point in the fracture surface of the substance contained in the teacher image.
ステップＳ１７０において、破壊モード推定部１２２は、教師画像の各々について、当該教師画像と、画像に含まれる物質の破断面の破壊モードを推定する破壊モード推定モデルとに基づいて、教師画像に含まれる前記物質の破断面の破壊モードを推定する。 In step S170, the fracture mode estimation unit 122 is included in the teacher image for each of the teacher images, based on the teacher image and the fracture mode estimation model for estimating the fracture mode of the fracture surface of the substance contained in the image. The fracture mode of the fracture surface of the material is estimated.
ステップＳ１８０において、亀裂進展方向推定部１２３は、教師画像の各々について、当該教師画像と、画像に含まれる物質の破断面における亀裂進展方向を推定するモデルである亀裂進展方向推定モデルとに基づいて、教師画像に含まれる物質の破断面における亀裂進展方向を推定する。 In step S180, the crack growth direction estimation unit 123 is based on the teacher image and the crack growth direction estimation model, which is a model for estimating the crack growth direction in the fracture surface of the material contained in the image, for each of the teacher images. , Estimate the crack growth direction in the fracture surface of the material contained in the teacher image.
ステップＳ１９０において、材質推定部１２４は、教師画像の各々について、当該教師画像と、画像に含まれる物質の材質を推定するモデルである材質推定モデルとに基づいて、教師画像に含まれる物質の材質を推定する。 In step S190, the material estimation unit 124 uses the teacher image and the material estimation model, which is a model for estimating the material of the substance contained in the image, for each of the teacher images, and the material of the substance contained in the teacher image. To estimate.
ステップＳ２００において、学習部１３０は、教師画像の各々について、起点推定部１２１により推定された当該教師画像の起点の位置、破壊モード推定部１２２により推定された当該教師画像に含まれる物質の破断面の破壊モード、亀裂進展方向推定部１２３により推定された、当該教師画像に含まれる物質の破断面における亀裂進展方向、及び材質推定部１２４により推定された、当該教師画像に含まれる物質の材質が、当該教師画像における起点の位置、破壊モード、亀裂進展方向及び材質と一致するように、起点推定モデルのパラメータと、破壊モード推定モデルのパラメータと、亀裂進展方向推定モデルのパラメータと、材質推定モデルのパラメータとを学習する。 In step S200, the learning unit 130 indicates the position of the starting point of the teacher image estimated by the starting point estimation unit 121 and the fracture surface of the substance contained in the teacher image estimated by the destruction mode estimation unit 122 for each of the teacher images. The fracture mode, the crack growth direction in the fracture surface of the material contained in the teacher image estimated by the crack growth direction estimation unit 123, and the material of the material contained in the teacher image estimated by the material estimation unit 124. , The parameters of the starting point estimation model, the parameters of the fracture mode estimation model, the parameters of the crack growth direction estimation model, and the material estimation model so as to match the position of the origin, the fracture mode, the crack growth direction, and the material in the teacher image. Learn with the parameters of.
ステップＳ２１０において、学習部１３０は、上記ステップＳ２００により学習された起点推定モデルのパラメータと、破壊モード推定モデルのパラメータと、亀裂進展方向推定モデルのパラメータと、材質推定モデルのパラメータとを、モデル記憶部１４０に格納する。 In step S210, the learning unit 130 stores the parameters of the starting point estimation model learned in step S200, the parameters of the fracture mode estimation model, the parameters of the crack growth direction estimation model, and the parameters of the material estimation model. It is stored in the unit 140.
ステップＳ２２０において、学習部１３０は、所定の終了条件を満たしているか否かを判定する。 In step S220, the learning unit 130 determines whether or not the predetermined end condition is satisfied.
終了条件を満たしていない場合（上記ステップＳ２２０のＮＯ）、ステップＳ１５０に戻り、ステップＳ１５０〜Ｓ２１０の処理を繰り返す。一方、終了条件を満たしている場合（上記ステップＳ２２０のＹＥＳ）、処理を終了する。 If the end condition is not satisfied (NO in step S220), the process returns to step S150 and the processes of steps S150 to S210 are repeated. On the other hand, if the end condition is satisfied (YES in step S220 above), the process ends.
以上説明したように、本発明の実施形態に係る破断面推定モデル学習装置によれば、物質の破断面を含む学習画像と、当該学習画像における物質の破断の生じた起点の位置と、当該学習画像に含まれる物質の破断面の破壊モードとの組からなる画像データの入力を受け付け、撮影条件毎に、画像に含まれる物質の破断面における、前記物質の破断の生じた起点の位置を推定する起点推定モデルにより推定した当該学習画像の起点の位置と画像に含まれる前記物質の破断面の破壊モードを推定する破壊モード推定モデルにより推定した当該学習画像に含まれる物質の破断面の破壊モードとが、画像データに含まれる起点の位置及び破壊モードと一致するように、起点推定モデルのパラメータと破壊モード推定モデルのパラメータとを学習することにより、破断面を含む画像から精度良く破断面の状態を推定するための破断面推定モデルを学習することができる。 As described above, according to the fracture surface estimation model learning device according to the embodiment of the present invention, the learning image including the fracture surface of the material, the position of the starting point where the material fracture occurs in the learning image, and the learning. Accepts the input of image data consisting of the fracture mode of the fracture surface of the material contained in the image, and estimates the position of the starting point where the fracture of the material occurred in the fracture surface of the material contained in the image for each shooting condition. Destruction mode for estimating the position of the starting point of the learning image estimated by the starting point estimation model and the fracture mode of the fracture surface of the material contained in the image Destruction mode of the fracture surface of the material contained in the learning image estimated by the estimation model By learning the parameters of the starting point estimation model and the parameters of the fracture mode estimation model so that they match the position of the starting point and the fracture mode included in the image data, the fracture surface can be accurately obtained from the image including the fracture surface. It is possible to learn a fracture surface estimation model for estimating the state.
＜本発明の実施の形態に係る破断面状態推定装置の構成＞
図６を参照して、本発明の実施の形態に係る破断面状態推定装置２０の構成について説明する。図６は、本発明の実施の形態に係る破断面状態推定装置２０の構成を示すブロック図である。なお、上記破断面推定モデル学習装置１０と同様の構成については、同一の符号を付して詳細な説明は省略する。
<Structure of the fracture surface state estimation device according to the embodiment of the present invention>
The configuration of the fracture surface state estimation device 20 according to the embodiment of the present invention will be described with reference to FIG. FIG. 6 is a block diagram showing the configuration of the fracture surface state estimation device 20 according to the embodiment of the present invention. The same components as those of the fracture surface estimation model learning device 10 are designated by the same reference numerals, and detailed description thereof will be omitted.
破断面状態推定装置２０は、ＣＰＵと、ＲＡＭと、後述する破断面状態推定処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備えたコンピュータで構成され、機能的には次に示すように構成されている。 The fracture surface state estimation device 20 is composed of a computer including a CPU, a RAM, and a ROM storing a program for executing a fracture surface state estimation processing routine described later, and is functionally as shown below. It is configured.
図６に示すように、本実施形態に係る破断面状態推定装置２０は、画像入力部２００と、特徴点推定部１２０と、モデル記憶部１４０と、出力部２５０とを備えて構成される。 As shown in FIG. 6, the fracture surface state estimation device 20 according to the present embodiment includes an image input unit 200, a feature point estimation unit 120, a model storage unit 140, and an output unit 250.
モデル記憶部１４０には、破断面推定モデル学習装置１０により予め学習された起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルのパラメータが格納されている。 The model storage unit 140 stores parameters of a starting point estimation model, a fracture mode estimation model, a crack growth direction estimation model, and a material estimation model learned in advance by the fracture surface estimation model learning device 10.
画像入力部２００は、物質の破断面を含む入力画像の入力を受け付ける。そして、画像入力部２００は、受け付けた入力画像を、特徴点推定部１２０に渡す。破断面状態推定装置２０において、特徴点推定部１２０は、起点推定部１２１、破壊モード推定部１２２、亀裂進展方向推定部１２３、及び材質推定部１２４による推定結果を、出力部２５０に渡す。 The image input unit 200 receives an input of an input image including a fracture surface of the substance. Then, the image input unit 200 passes the received input image to the feature point estimation unit 120. In the fracture surface state estimation device 20, the feature point estimation unit 120 passes the estimation results by the starting point estimation unit 121, the fracture mode estimation unit 122, the crack growth direction estimation unit 123, and the material estimation unit 124 to the output unit 250.
出力部２５０は、推定結果を出力する。 The output unit 250 outputs the estimation result.
＜本発明の実施の形態に係る破断面状態推定装置の作用＞
図７は、本発明の実施の形態に係る破断面状態推定処理ルーチンを示すフローチャートである。
<Operation of the fracture surface state estimation device according to the embodiment of the present invention>
FIG. 7 is a flowchart showing a fracture surface state estimation processing routine according to the embodiment of the present invention.
画像入力部２００に入力画像が入力されると、破断面状態推定装置２０において、図７に示す破断面状態推定処理ルーチンが実行される。 When the input image is input to the image input unit 200, the fracture surface state estimation device 20 executes the fracture surface state estimation processing routine shown in FIG. 7.
まず、ステップＳ３００において、画像入力部２００は、物質の破断面を含む入力画像の入力を受け付ける。 First, in step S300, the image input unit 200 receives an input of an input image including a fracture surface of the substance.
ステップＳ３３０において、出力部２５０は、上記ステップＳ１６０〜Ｓ１９０により得られた推定結果を出力する。 In step S330, the output unit 250 outputs the estimation results obtained in steps S160 to S190.
以上説明したように、本発明の実施形態に係る破断面状態推定装置によれば、入力画像と、予め学習された、画像に含まれる物質の破断面における、物質の破断の生じた起点の位置を推定する起点推定モデルとに基づいて、入力画像に含まれる物質の破断面における起点の位置を推定し、入力画像と、予め学習された、画像に含まれる物質の破断面の破壊モードを推定する破壊モード推定モデルとに基づいて、入力画像に含まれる物質の破断面の破壊モードを推定することにより、破断面を含む画像から精度良く破断面の状態を推定することができる。 As described above, according to the fracture surface state estimation device according to the embodiment of the present invention, the position of the starting point where the material fracture occurs in the input image and the fracture surface of the material contained in the image learned in advance. The position of the starting point in the fracture surface of the material contained in the input image is estimated based on the starting point estimation model for estimating, and the fracture mode of the fracture surface of the material contained in the input image and the previously learned image is estimated. By estimating the fracture mode of the fracture surface of the substance contained in the input image based on the fracture mode estimation model, the state of the fracture surface can be accurately estimated from the image including the fracture surface.
このような破断面状態推定装置を用いれば、例えば、破断面を解析する際に、ＳＥＭにより破断面を走査して撮影している場合に、適宜破断面状態推定装置により起点の位置を推定して、走査位置を起点周辺に移動させ、効率的に撮影することができる。 When such a fracture surface state estimation device is used, for example, when analyzing a fracture surface, when the fracture surface is scanned by SEM and photographed, the position of the starting point is estimated by the fracture surface state estimation device as appropriate. Therefore, the scanning position can be moved to the vicinity of the starting point to efficiently shoot.
また、破壊モードが同じであれば、破断面に現れる形態も同じであるため、学習画像に用いた材質が異なる場合であっても、破壊モードを精度良く推定することができる。例えば、材質が鉄鋼のみの学習画像を用いて学習された破壊モード推定モデルを用いても、他の材質の破断面を含む入力画像に対して、精度良く破壊モードを推定することができる。 Further, if the fracture mode is the same, the form appearing on the fracture surface is also the same, so that the fracture mode can be estimated accurately even when the materials used for the learning image are different. For example, even if a fracture mode estimation model learned using a learning image of only steel as the material is used, the fracture mode can be estimated accurately for an input image including a fracture surface of another material.
なお、本発明は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。 The present invention is not limited to the above-described embodiment, and various modifications and applications are possible without departing from the gist of the present invention.
例えば、上述の起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルの各々は、一つの画像を入力とする場合を例に説明したが、これに限定するものではない。例えば、起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルの各々は、撮影条件が異なる複数の画像であって、同一の破断面を含む複数の画像を入力とするようにしてもよい。 For example, each of the above-mentioned starting point estimation model, fracture mode estimation model, crack growth direction estimation model, and material estimation model has been described by taking the case where one image is input as an example, but the present invention is not limited thereto. For example, each of the starting point estimation model, the fracture mode estimation model, the crack growth direction estimation model, and the material estimation model is a plurality of images with different shooting conditions, and a plurality of images including the same fracture surface are input. It may be.
この場合、破断面推定モデル学習装置により、画像データに含まれる学習画像と、コントラスト変更部１１１により当該学習画像から生成された擬似的な画像の各々と、観察深度変更部１１２により当該学習画像から生成された擬似的な画像の各々とを、起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルの各々に入力して、起点の位置、亀裂進展方向、破壊モード、及び物質の材質を推定するようにすればよい。 In this case, each of the learning image included in the image data by the fracture surface estimation model learning device, each of the pseudo images generated from the learning image by the contrast changing unit 111, and the learning image by the observation depth changing unit 112. Each of the generated pseudo-images is input to each of the origin estimation model, the fracture mode estimation model, the crack growth direction estimation model, and the material estimation model, and the origin position, crack growth direction, fracture mode, and The material of the substance may be estimated.
また、破断面推定装置は、撮影条件が異なる複数の入力画像であって、同一の破断面を含む複数の入力画像を受け付け、受け付けた複数の入力画像を、起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルの各々に入力して、起点の位置、亀裂進展方向、破壊モード、及び物質の材質を推定するようにすればよい。ここで、撮影条件が、撮影角度である場合には、通常、撮影角度が異なる入力画像間で、画素単位のずれが生じているため、従来既知の手法を用いて、画素単位のずれを補正するように幾何変換を行い、幾何変換後の入力画像を、起点推定モデル、破壊モード推定モデル、亀裂進展方向推定モデル、及び材質推定モデルの各々に入力するようにすればよい。 Further, the fracture surface estimation device receives a plurality of input images having different shooting conditions and includes a plurality of input images including the same fracture surface, and receives the received plurality of input images as a starting point estimation model, a destruction mode estimation model, and the like. It may be input to each of the crack growth direction estimation model and the material estimation model to estimate the position of the starting point, the crack growth direction, the fracture mode, and the material of the material. Here, when the shooting condition is the shooting angle, the deviation in pixel units usually occurs between the input images having different shooting angles. Therefore, the deviation in pixel units is corrected by using a conventionally known method. The geometric transformation may be performed so as to be performed, and the input image after the geometric transformation may be input to each of the starting point estimation model, the fracture mode estimation model, the crack growth direction estimation model, and the material estimation model.
このように、撮影条件が異なる複数の入力画像であって、同一の破断面を含む複数の入力画像と、予め学習された、同一の破断面を含む複数の画像に含まれる物質の破断面における起点の位置を推定する起点推定モデルとに基づいて、複数の入力画像に含まれる物質の破断面における起点の位置を推定し、複数の入力画像と、予め学習された、同一の破断面を含む複数の画像に含まれる物質の破断面の破壊モードを推定する破壊モード推定モデルとに基づいて、入力画像に含まれる物質の破断面の破壊モードを推定することにより、破断面を含む画像から精度良く破断面の状態を推定することができる。 As described above, in the plurality of input images having different shooting conditions, the plurality of input images including the same fracture surface and the fracture surfaces of the substances contained in the plurality of images including the same fracture surface learned in advance. Based on the starting point estimation model that estimates the position of the starting point, the position of the starting point in the fracture surface of the material contained in the plurality of input images is estimated, and the plurality of input images and the same fracture surface learned in advance are included. By estimating the fracture mode of the fracture surface of the material contained in the input image based on the fracture mode estimation model that estimates the fracture mode of the fracture surface of the material contained in multiple images, the accuracy is obtained from the image including the fracture surface. The state of the fracture surface can be estimated well.
すなわち、同一の破断面に対して、様々な観察角度や観察深さで撮影された複数の入力画像を用いることにより、起点の位置や破壊モード等の当該破断面の状態をより精度良く推定することができる。 That is, by using a plurality of input images taken at various observation angles and observation depths for the same fracture surface, the state of the fracture surface such as the position of the starting point and the fracture mode can be estimated more accurately. be able to.
また、上述の実施の形態では、破断面推定モデル学習装置と破断面状態推定装置とを別の装置として構成したが、これに限定されるものではなく、同一の装置として構成してもよい。 Further, in the above-described embodiment, the fracture surface estimation model learning device and the fracture surface state estimation device are configured as separate devices, but the device is not limited to this, and may be configured as the same device.
また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。 Further, although described as an embodiment in which the program is pre-installed in the specification of the present application, it is also possible to provide the program by storing it in a computer-readable recording medium.
１０ 破断面推定モデル学習装置
２０ 破断面状態推定装置
１００ 画像データ入力部
１１０ データ処理部
１１１ コントラスト変更部
１１２ 観察深度変更部
１１３ 観察範囲変更部
１１４ 観察倍率変更部
１２０ 特徴点推定部
１２１ 起点推定部
１２２ 破壊モード推定部
１２３ 亀裂進展方向推定部
１２４ 材質推定部
１３０ 学習部
１４０ モデル記憶部
２００ 画像入力部
２５０ 出力部
10 Fracture surface estimation model learning device 20 Fracture surface estimation device 100 Image data input unit 110 Data processing unit 111 Contrast changing unit 112 Observation depth changing unit 113 Observation range changing unit 114 Observation magnification changing unit 120 Feature point estimation unit 121 Starting point estimation unit 122 Destruction mode estimation unit 123 Crack growth direction estimation unit 124 Material estimation unit 130 Learning unit 140 Model storage unit 200 Image input unit 250 Output unit
Claims (10)
前記入力画像と、予め学習された、画像に含まれる物質の破断面における、前記物質の破断の生じた起点の位置を推定する起点推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面における前記起点の位置を推定する起点推定部と、
前記入力画像と、予め学習された、画像に含まれる前記物質の破断面の破壊モードを推定する破壊モード推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面の破壊モードを推定する破壊モード推定部と、
を含む破断面状態推定装置。 An image input unit that accepts input of input images including fracture surfaces of substances,
Based on the input image and a starting point estimation model for estimating the position of the starting point where the substance is broken in the fracture surface of the substance contained in the image, which has been learned in advance, the substance contained in the input image. A starting point estimation unit that estimates the position of the starting point on the fracture surface,
The fracture mode of the fracture surface of the substance contained in the input image is estimated based on the input image and the fracture mode estimation model for estimating the fracture mode of the fracture surface of the substance contained in the image, which has been learned in advance. Destruction mode estimation unit and
Fracture surface condition estimation device including.
前記起点推定モデルにより推定した前記学習画像の前記起点の位置と前記破壊モード推定モデルにより推定した前記学習画像に含まれる前記物質の破断面の破壊モードとが、前記画像データに含まれる前記起点の位置及び前記破壊モードと一致するように、前記起点推定モデルのパラメータと前記破壊モード推定モデルのパラメータとを学習する学習部と、
を更に含み、
前記起点推定部は、前記入力画像と、前記学習部により予め学習された前記起点推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面における前記起点の位置を推定し、
前記破壊モード推定部は、前記入力画像と、前記学習部により予め学習された前記破壊モード推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面の破壊モードを推定する
請求項１記載の破断面状態推定装置。 Input of image data consisting of a pair of a learning image including a fracture surface of a substance, a position of a starting point where the material is fractured in the training image, and a fracture mode of the fracture surface of the substance included in the training image. Image data input unit to accept and
The position of the starting point of the learning image estimated by the starting point estimation model and the breaking mode of the fracture surface of the substance included in the learning image estimated by the breaking mode estimation model are the starting points included in the image data. A learning unit that learns the parameters of the starting point estimation model and the parameters of the destruction mode estimation model so as to match the position and the destruction mode.
Including
The starting point estimation unit estimates the position of the starting point on the fracture surface of the substance contained in the input image based on the input image and the starting point estimation model previously learned by the learning unit.
The destruction mode estimation unit estimates the fracture mode of the fracture surface of the material contained in the input image based on the input image and the destruction mode estimation model previously learned by the learning unit. The described fracture surface state estimation device.
を更に含み、
前記学習部は、
前記起点推定モデルにより推定した前記擬似的な画像の前記起点の位置と前記破壊モード推定モデルにより推定した前記擬似的な画像に含まれる前記物質の破断面の破壊モードとが、前記画像データに含まれる前記起点の位置及び前記破壊モードと一致するように、前記起点推定モデルのパラメータと前記破壊モード推定モデルのパラメータとを学習する
請求項２記載の破断面状態推定装置。 Further including a data processing unit that changes the learning image of the image data received by the image data input unit into a pseudo image obtained when the image is taken under different shooting conditions.
The learning unit
The image data includes the position of the starting point of the pseudo image estimated by the starting point estimation model and the fracture mode of the fracture surface of the substance included in the pseudo image estimated by the destruction mode estimation model. The fracture surface state estimation device according to claim 2, wherein the parameters of the starting point estimation model and the parameters of the destruction mode estimation model are learned so as to match the position of the starting point and the breaking mode.
を更に含む請求項３記載の破断面状態推定装置。 The fracture surface state estimation according to claim 3, wherein the data processing unit further includes a contrast changing unit that changes the contrast of the learning image to a pseudo image obtained when the image is taken at a different observation angle. apparatus.
を更に含む請求項３又は４記載の破断面状態推定装置。 The data processing unit further includes an observation depth changing unit that changes the observation depth of the learning image to a pseudo image obtained when the image is taken by applying different voltages of an electron microscope. Item 3. The fracture surface state estimation device according to Item 3.
材質推定部と、
を更に含み、
前記画像データは、更に、前記学習画像に含まれる前記物質の破断面における亀裂進展方向、及び前記学習画像に含まれる前記物質の材質を含み、
前記学習部は、前記撮影条件毎に、前記起点推定モデルにより推定した前記学習画像の前記起点の位置、前記破壊モード推定モデルにより推定した前記学習画像に含まれる前記物質の破断面の破壊モード、画像に含まれる物質の破断面における亀裂進展方向を推定するモデルである亀裂進展方向推定モデルにより推定した、前記学習画像に含まれる前記物質の破断面における亀裂進展方向、及び画像に含まれる物質の材質を推定するモデルである材質推定モデルにより推定した、前記学習画像に含まれる前記物質の材質が、前記画像データに含まれる前記起点の位置、前記破壊モード、前記亀裂進展方向及び前記材質と一致するように、前記起点推定モデルのパラメータと、前記破壊モード推定モデルのパラメータと、前記亀裂進展方向推定モデルのパラメータと、前記材質推定モデルのパラメータとを学習し、
前記亀裂進展方向推定部は、前記入力画像と、前記学習部により予め学習された前記亀裂進展方向推定モデルとに基づいて、前記入力画像に含まれる物質の破断面における亀裂進展方向を推定し、
前記材質推定部は、前記入力画像と、前記学習部により予め学習された前記材質推定モデルとに基づいて、前記入力画像に含まれる物質の材質を推定する
請求項３乃至５の何れか１項記載の破断面状態推定装置。 Rhagades growth direction estimation part and
Material estimation part and
Including
The image data further includes the crack growth direction in the fracture surface of the substance included in the learning image, and the material of the substance contained in the learning image.
For each shooting condition, the learning unit includes the position of the starting point of the learning image estimated by the starting point estimation model, the destruction mode of the fracture surface of the substance included in the learning image estimated by the destruction mode estimation model, and the like. The crack growth direction in the fracture surface of the material included in the learning image and the material contained in the image estimated by the crack growth direction estimation model, which is a model for estimating the crack growth direction in the fracture surface of the material contained in the image. The material of the substance included in the learning image, which is estimated by the material estimation model, which is a model for estimating the material, matches the position of the starting point, the fracture mode, the crack growth direction, and the material included in the image data. As described above, the parameters of the starting point estimation model, the parameters of the fracture mode estimation model, the parameters of the crack growth direction estimation model, and the parameters of the material estimation model are learned.
The crack growth direction estimation unit estimates the crack growth direction in the fracture surface of the material contained in the input image based on the input image and the crack growth direction estimation model previously learned by the learning unit.
The material estimation unit estimates the material of the substance contained in the input image based on the input image and the material estimation model previously learned by the learning unit. Any one of claims 3 to 5. The described fracture surface state estimation device.
前記起点推定モデルは、同一の破断面を含む複数の画像に含まれる前記物質の破断面における前記起点の位置を推定し、
前記起点推定部は、前記複数の入力画像と、前記起点推定モデルとに基づいて、前記複数の入力画像に含まれる前記物質の破断面における前記起点の位置を推定し、
前記破壊モード推定モデルは、同一の破断面を含む複数の画像に含まれる前記物質の破断面の破壊モードを推定し、
前記破壊モード推定部は、前記複数の入力画像と、前記破壊モード推定モデルとに基づいて、前記複数の入力画像に含まれる前記物質の破断面の破壊モードを推定する
請求項１記載の破断面状態推定装置。 The image input unit receives a plurality of input images having different shooting conditions and includes the same fracture surface, and receives a plurality of input images.
The origin estimation model estimates the position of the origin in the fracture surface of the substance contained in a plurality of images including the same fracture surface.
The starting point estimation unit estimates the position of the starting point on the fracture surface of the substance contained in the plurality of input images based on the plurality of input images and the starting point estimation model.
The fracture mode estimation model estimates the fracture mode of the fracture surface of the substance contained in a plurality of images including the same fracture surface.
The fracture surface according to claim 1, wherein the fracture mode estimation unit estimates the fracture mode of the fracture surface of the substance contained in the plurality of input images based on the plurality of input images and the destruction mode estimation model. State estimator.
起点推定部が、前記入力画像と、予め学習された、画像に含まれる物質の破断面における、前記物質の破断の生じた起点の位置を推定する起点推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面における前記起点の位置を推定し、
破壊モード推定部が、前記入力画像と、予め学習された、画像に含まれる前記物質の破断面の破壊モードを推定する破壊モード推定モデルとに基づいて、前記入力画像に含まれる前記物質の破断面の破壊モードを推定する
破断面状態推定方法。 The image input unit accepts the input of the input image including the fracture surface of the substance,
The starting point estimation unit uses the input image and a starting point estimation model for estimating the position of the starting point where the substance is broken in the fracture surface of the substance contained in the image, which is learned in advance, on the input image. The position of the starting point in the fracture surface of the contained substance is estimated,
The fracture mode estimation unit destroys the substance contained in the input image based on the input image and a fracture mode estimation model for estimating the fracture mode of the fracture surface of the substance contained in the image, which has been learned in advance. Fracture state estimation method for estimating the fracture mode of a cross section.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019049539A JP7251234B2 (en) | 2019-03-18 | 2019-03-18 | Fracture surface state estimation device, fracture surface state estimation method, and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019049539A JP7251234B2 (en) | 2019-03-18 | 2019-03-18 | Fracture surface state estimation device, fracture surface state estimation method, and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020153673A true JP2020153673A (en) | 2020-09-24 |
| JP7251234B2 JP7251234B2 (en) | 2023-04-04 |
Family
ID=72558539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019049539A Active JP7251234B2 (en) | 2019-03-18 | 2019-03-18 | Fracture surface state estimation device, fracture surface state estimation method, and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7251234B2 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112763526A (en) * | 2020-12-29 | 2021-05-07 | 中国航空工业集团公司西安飞机设计研究所 | Fracture analysis-based airplane structure failure mode analysis method |
| JP7465522B2 (en) | 2020-03-27 | 2024-04-11 | 地方独立行政法人大阪産業技術研究所 | Fracture surface analysis device and fracture surface analysis method |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07238759A (en) * | 1994-02-25 | 1995-09-12 | Kurosaki Rokogyo Kk | Ladder fixing device and boarding deck |
| JP2004198414A (en) * | 2002-12-06 | 2004-07-15 | Polyplastics Co | Fractography method for crystalline polymer material |
| JP2009085737A (en) * | 2007-09-28 | 2009-04-23 | Hitachi Ltd | Fracture surface analysis method and analyzer |
| WO2016208274A1 (en) * | 2015-06-23 | 2016-12-29 | 日本電気株式会社 | Detection system, detection method, and program |
| JP6371027B1 (en) * | 2018-06-20 | 2018-08-08 | オリエンタル白石株式会社 | Reinforced concrete member discrimination system and reinforced concrete member discrimination program |
-
2019
- 2019-03-18 JP JP2019049539A patent/JP7251234B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07238759A (en) * | 1994-02-25 | 1995-09-12 | Kurosaki Rokogyo Kk | Ladder fixing device and boarding deck |
| JP2004198414A (en) * | 2002-12-06 | 2004-07-15 | Polyplastics Co | Fractography method for crystalline polymer material |
| JP2009085737A (en) * | 2007-09-28 | 2009-04-23 | Hitachi Ltd | Fracture surface analysis method and analyzer |
| WO2016208274A1 (en) * | 2015-06-23 | 2016-12-29 | 日本電気株式会社 | Detection system, detection method, and program |
| JP6371027B1 (en) * | 2018-06-20 | 2018-08-08 | オリエンタル白石株式会社 | Reinforced concrete member discrimination system and reinforced concrete member discrimination program |
Non-Patent Citations (1)
| Title |
|---|
| 植竹大輔: "フラクタル解析と画像処理による金属材料の破面解析の定量化", 栃木県産業技術センター研究報告, JPN7022002966, August 2018 (2018-08-01), pages 82 - 85, ISSN: 0004811899 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7465522B2 (en) | 2020-03-27 | 2024-04-11 | 地方独立行政法人大阪産業技術研究所 | Fracture surface analysis device and fracture surface analysis method |
| CN112763526A (en) * | 2020-12-29 | 2021-05-07 | 中国航空工业集团公司西安飞机设计研究所 | Fracture analysis-based airplane structure failure mode analysis method |
| CN112763526B (en) * | 2020-12-29 | 2024-01-12 | 中国航空工业集团公司西安飞机设计研究所 | Fracture analysis-based aircraft structure damage mode analysis method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7251234B2 (en) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2020153673A (en) | Fracture surface state estimation device, fracture surface state estimation method, and program | |
| EP3859560A3 (en) | Method and apparatus for visual question answering, computer device and medium | |
| CN110136116B (en) | Injection pump defect detection method, device, equipment and storage medium | |
| JP2020120160A5 (en) | ||
| JP6944736B1 (en) | Fatigue life prediction method, fatigue life prediction device, fatigue life prediction program and storage medium | |
| JP4789260B2 (en) | Charged particle beam apparatus and aperture axis adjusting method | |
| JP2017173314A (en) | Fatigue crack generation life evaluation test method of weld heat-affected zone, method for manufacturing flat plate test piece, and flat plate test piece | |
| US8094191B2 (en) | System and method for correcting an image | |
| CN109146866A (en) | The method and device that robot handles weld seam | |
| JP2011141237A (en) | Method and for system predicting breakage, program and recording medium | |
| JP4891736B2 (en) | Ronchigram center determination method | |
| JP2019082364A (en) | Hardness tester and program | |
| US20050061974A1 (en) | Method of analyzing material structure using CBED | |
| JP2019158474A (en) | Stress estimation device, stress estimation method, and program | |
| JP2008116206A (en) | Apparatus, method, and program for pattern size measurement | |
| JP5034570B2 (en) | Evaluation method and evaluation apparatus for scanning electron microscope apparatus | |
| JP4565845B2 (en) | Cell culture state detector | |
| JP2004028836A (en) | Method and system for detecting defect by 8- neighborhood point adjoining comparison system in imaging inspection device | |
| JP2012225811A (en) | Coated film deterioration prediction method, coated film deterioration prediction device and computer program | |
| JP2000155011A (en) | Position measuring method and device | |
| JPWO2020153468A1 (en) | Electrode placement estimation method for living tissue | |
| KR20210077308A (en) | Apparatus and method for dividing phase of microstructure | |
| CN110728661A (en) | Image distortion evaluation network training method and device based on randomly generated samples | |
| Le Delliou et al. | The digital image correlation technique applied to single specimen testing methodology | |
| WO2020138267A1 (en) | Method for assessing dependence of laser machining on laser light intensity, and laser machining device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210825 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220531 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220628 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220826 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221025 |
|
| 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: 20230221 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230306 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7251234 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |