JP2021063703A - タイヤ摩耗度推定装置、タイヤ摩耗度学習装置、タイヤ摩耗度推定方法、学習済モデルの生成方法及びプログラム - Google Patents

Abstract

【課題】学習に用いられるデータ量が少なくても様々な種類のタイヤの摩耗度を的確に推定できるタイヤ摩耗度推定装置、タイヤ摩耗度学習装置、タイヤ摩耗度推定方法、学習済モデルの生成方法及びプログラムを提供する。【解決手段】トレッド面画像取得部６４は、タイヤのトレッド面が写るトレッド面画像を取得する。トレッド面着目領域特定部６６は、トレッド面画像においてトレッド面スリップサインが写るトレッド面着目領域を特定する。ターゲット入力画像生成部６８は、所定画素数のトレッド面着目領域の画像であるターゲット入力画像を生成する。推定部７０は、ターゲット入力画像を学習済の機械学習モデル５０に入力した際の出力に基づいて、タイヤの摩耗度を推定する。【選択図】図７

Description

本発明は、タイヤ摩耗度推定装置、タイヤ摩耗度学習装置、タイヤ摩耗度推定方法、学習済モデルの生成方法及びプログラムに関する。

タイヤの摩耗度の推定技術の一例として、特許文献１には、畳み込みニューラルネットワークを用いてタイヤの画像からタイヤ種や摩耗状態などを認識できる認識方法及び認識装置が記載されている。

また、特許文献２には、摩耗する部品の表面形状を示す情報を含む表面形状データに対する近似線と表面形状データに含まれる摩耗部分とから部品の摩耗度合いを算出する技術が記載されている。

特開２０１９−３５６２６号公報 特開２０１７−１８７４１８号公報

タイヤのトレッドパターンは種類によって様々であるため、特許文献１に記載の技術では、様々な種類のタイヤについて摩耗度を精度よく推定できるようにするためには膨大な量のデータを学習する必要がある。なお上記特許文献２に記載の技術では、そもそも機械学習モデルが用いられていない。

本発明は上記実情に鑑みてなされたものであって、その目的の一つは、学習に用いられるデータ量が少なくても様々な種類のタイヤの摩耗度を的確に推定できるタイヤ摩耗度推定装置、タイヤ摩耗度学習装置、タイヤ摩耗度推定方法、学習済モデルの生成方法及びプログラムを提供することにある。

上記課題を解決するために、本発明に係るタイヤ摩耗度推定装置は、タイヤのトレッド面が写るトレッド面画像を取得するトレッド面画像取得手段と、前記トレッド面画像においてトレッド面スリップサインが写るトレッド面着目領域を特定するトレッド面着目領域特定手段と、所定画素数の前記トレッド面着目領域の画像であるターゲット入力画像を生成するターゲット入力画像生成手段と、前記ターゲット入力画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの摩耗度を推定する推定手段と、を含む。

本発明の一態様では、前記トレッド面着目領域内における所与の位置に前記トレッド面スリップサインが写っている。

また、本発明の一態様では、タイヤの側面が写る画像である側面画像を取得する側面画像取得手段、をさらに含み、前記トレッド面着目領域特定手段は、前記側面画像に写る側面スリップサインの位置に基づいて、前記トレッド面着目領域を特定する。

また、本発明の一態様では、前記トレッド面着目領域特定手段は、前記所定画素数の前記トレッド面着目領域を特定し、前記ターゲット入力画像生成手段は、前記トレッド面画像から前記トレッド面着目領域を抽出することで、前記ターゲット入力画像を生成する。

あるいは、前記ターゲット入力画像生成手段は、前記トレッド面画像から前記トレッド面着目領域を抽出した画像を前記所定画素数の画像に拡大又は縮小することで、前記ターゲット入力画像を生成する。

また、本発明の一態様では、前記トレッド面画像には、前記タイヤのトレッドパターンが写っている。

また、本発明の一態様では、前記トレッド面画像は、奥行き画像又は三次元画像である。

また、本発明に係るタイヤ摩耗度学習装置は、タイヤの摩耗度の推定に用いられる機械学習モデルの学習を実行するタイヤ摩耗度学習装置であって、所与の位置にトレッド面スリップサインが写っている、タイヤのトレッド面が写る所定画素数の学習入力画像を取得する学習入力画像取得手段と、前記学習入力画像を前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する学習手段と、を含む。

本発明の一態様では、前記学習入力画像には、前記タイヤのトレッドパターンが写っている。

また、本発明の一態様では、前記学習入力画像は、奥行き画像又は三次元画像である。

また、本発明に係るタイヤ摩耗度推定方法は、タイヤのトレッド面が写るトレッド面画像を取得するステップと、前記トレッド面画像内においてトレッド面スリップサインが写るトレッド面着目領域を特定するステップと、所定画素数の前記トレッド面着目領域の画像であるターゲット入力画像を生成するステップと、前記ターゲット入力画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの摩耗度を推定するステップと、を含む。

また、本発明に係る学習済モデルの生成方法は、タイヤの摩耗度の推定に用いられる機械学習モデルの学習を実行する学習済モデルの生成方法であって、所与の位置にトレッド面スリップサインが写っている、タイヤのトレッド面が写る所定画素数の学習入力画像を取得するステップと、前記学習入力画像を前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行するステップと、を含む。

また、本発明に係るプログラムは、タイヤのトレッド面が写るトレッド面画像を取得する手順、前記トレッド面画像内においてトレッド面スリップサインが写るトレッド面着目領域を特定する手順、所定画素数の前記トレッド面着目領域の画像であるターゲット入力画像を生成する手順、前記ターゲット入力画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの摩耗度を推定する手順、をコンピュータに実行させる。

また、本発明に係る別のプログラムは、タイヤの摩耗度の推定に用いられる機械学習モデルの学習を実行するコンピュータに、所与の位置にトレッド面スリップサインが写っている、タイヤのトレッド面が写る所定画素数の学習入力画像を取得する手順、前記学習入力画像を前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する手順、を実行させる。

本発明の一実施形態に係る情報処理装置の構成の一例を示す図である。 車両の左側面の一例を模式的に示す図である。 図２に示す車両の上面の一例を模式的に示す図である。 側面画像の一例を示す図である。 トレッド面画像の一例を示す図である。 ターゲット入力画像の一例を示す図である。 本発明の一実施形態に係る情報処理装置の機能の一例を示す機能ブロック図である。 本発明の一実施形態に係る情報処理装置で行われる学習処理の流れの一例を示すフロー図である。 本発明の一実施形態に係る情報処理装置で行われる推定処理の流れの一例を示すフロー図である。 トレッド面画像の一例を示す図である。 側面画像の一例を示す図である。

以下、本発明の一実施形態について、図面を参照しながら説明する。

図１は、本発明の一実施形態に係る情報処理装置１０の構成の一例を示す図である。本実施形態に係る情報処理装置１０は、パーソナルコンピュータなどのコンピュータである。図１に示すように情報処理装置１０は、例えば、プロセッサ１２、記憶部１４、通信部１６、表示部１８、操作部２０、第１撮影部２２ａ、第２撮影部２２ｂを含んでいる。

プロセッサ１２は、例えば情報処理装置１０にインストールされるプログラムに従って動作するＣＰＵ等のプログラム制御デバイスである。

記憶部１４は、ＲＯＭやＲＡＭ等の記憶素子やハードディスクドライブなどである。記憶部１４には、プロセッサ１２によって実行されるプログラムなどが記憶される。

通信部１６は、例えばネットワークボードなどの通信インタフェースである。

表示部１８は、液晶ディスプレイ等の表示デバイスであって、プロセッサ１２の指示に従って各種の画像を表示する。

操作部２０は、キーボードやマウスなどといったユーザインタフェースであって、ユーザの操作入力を受け付けて、その内容を示す信号をプロセッサ１２に出力する。

第１撮影部２２ａは、デジタルカメラなどの撮影デバイスであり、撮影によって生成される画像をプロセッサ１２に出力する。

第２撮影部２２ｂは、三次元画像が撮影可能なステレオカメラや、奥行き画像が撮影可能なデプスカメラなどの撮影デバイスであり、撮影によって生成される三次元画像や奥行き画像をプロセッサ１２に出力する。

なお、情報処理装置１０は、ＤＶＤ−ＲＯＭやＢｌｕ−ｒａｙ（登録商標）ディスクなどの光ディスクを読み取る光ディスクドライブ、ＵＳＢ（Universal Serial Bus）ポートなどを含んでいてもよい。

図２は、摩耗度が推定されるタイヤを備えた車両３０の左側面の一例を模式的に示す図である。図３は、図２に示す車両３０の上面の一例を模式的に示す図である。車両３０は、例えば、駐車場に駐車されているものである。

そして、図２及び図３に示すように、本実施形態では、第１撮影部２２ａが、車両３０の左後輪３２の左側面が撮影可能な位置に配置される。また、第２撮影部２２ｂが、車両３０の左後輪３２のトレッド面が撮影可能な位置に配置される。

図４は、第１撮影部２２ａによって撮影される、タイヤの左側面が写る画像である側面画像３４の一例を示す図である。図４に示すように、側面画像３４には、タイヤの側面（ショルダー部）に刻印された側面のスリップサイン（以下、側面スリップサイン３６と呼ぶ。）が写っている。図４に示すように、側面スリップサイン３６は、タイヤの側面にタイヤの外周に沿って等間隔に刻印されている。一般的には、側面スリップサイン３６は、タイヤの側面にタイヤの外周に沿って等間隔に４〜９個刻印されている。図４に示すタイヤには、側面スリップサイン３６が６個刻印されている。

そして本実施形態では、側面画像３４内の側面着目領域３８内に側面スリップサイン３６が写っているか否かが確認される。ここで側面着目領域３８は、第２撮影部２２ｂの画角（撮影範囲）に相当する領域であり、側面画像３４内における側面着目領域３８の位置、並びに、側面着目領域３８の形状及び大きさは、予め定められている。

側面画像３４内の側面着目領域３８内に側面スリップサイン３６が写っていることが確認されると、第２撮影部２２ｂによって、車両３０の左後輪３２のトレッド面が写る奥行き画像又は三次元画像である、図５に例示するトレッド面画像４０が撮影される。

トレッド面画像４０には、トレッド面のスリップサイン（以下、トレッド面スリップサイン４２と呼ぶ。）が写っている。トレッド面スリップサイン４２は、側面スリップサイン３６の近くの主溝４４に設けられている。本実施形態では上述のように、側面着目領域３８内に側面スリップサイン３６が写っているため、トレッド面画像４０にはトレッド面スリップサイン４２が写ることとなる。

トレッド面画像４０には、トレッドパターンが写っていてもよい。例えば、トレッド面画像４０にトレッドパターンの周期構造が示されていてもよい。なお、図５に示すトレッド面画像４０では、トレッドパターンの記載は省略されている。

そして、本実施形態では、側面画像３４に写る側面スリップサイン３６の位置に基づいて、トレッド面画像４０においてトレッド面スリップサイン４２及びトレッド面の表面が写るトレッド面着目領域４６が特定される。トレッド面着目領域４６は、帯状の領域（図５の例では横長の帯状の領域）である。

トレッド面画像４０内におけるトレッド面着目領域４６の形状及び大きさが、予め定められていてもよい。また、トレッド面着目領域４６の縦横比が、予め定められていてもよい。また、トレッド面着目領域４６の縦方向の長さが予め定められていてもよい。

側面画像３４に写るタイヤ内における側面スリップサイン３６の位置とトレッド面画像４０内におけるトレッド面着目領域４６の位置とは、１対１で対応付けられる。例えば、側面画像３４に写る左後輪３２の中心を通る基準線（図４の例では、右方向の線）と当該中心と側面着目領域３８内に配置されている側面スリップサイン３６とを結ぶ線とのなす角度をａとする。また、トレッド面画像４０の上辺からトレッド面着目領域４６の中心までの長さをｂとする。この場合、角度ａに基づいて長さｂは一意に特定される。

ここで例えば、上述の角度がａである場合におけるトレッド面画像４０の上辺からトレッド面スリップサイン４２の中心までの長さが上述の長さｂとなるよう、角度ａと長さｂとの関係が予め設定されていてもよい。例えば、上述の角度がａである場合におけるトレッド面画像４０の上辺から中央のトレッド面スリップサイン４２の中心までの長さが上述の長さｂとなるよう、角度ａと長さｂとの関係が予め設定されていてもよい。そして、当該関係及び角度ａに基づいて、長さｂが一意に特定されてもよい。このように、トレッド面着目領域４６内における所与の位置にトレッド面スリップサイン４２が写っていてもよい。

そして、本実施形態では、所定画素数のトレッド面着目領域４６の画像である、図６に例示するターゲット入力画像４８が生成される。ここで例えば、トレッド面画像４０から所定画素数のトレッド面着目領域４６を抽出することで、所定画素数のターゲット入力画像４８が生成されてもよい。あるいは、トレッド面画像４０からトレッド面着目領域４６を抽出した画像を所定画素数の画像に拡大又は縮小することで、所定画素数のターゲット入力画像４８が生成されてもよい。

そして、本実施形態では、ターゲット入力画像４８を学習済の機械学習モデルに入力した際の出力に基づいて、左後輪３２のタイヤの摩耗度が推定される。

以下、情報処理装置１０に実装されている機械学習モデルの学習、及び、情報処理装置１０によるタイヤの摩耗度の推定についてさらに説明する。

図７は、本実施形態に係る情報処理装置１０で実装される機能の一例を示す機能ブロック図である。なお、本実施形態に係る情報処理装置１０で、図７に示す機能のすべてが実装される必要はなく、また、図７に示す機能以外の機能が実装されていても構わない。

図７に示すように、情報処理装置１０には、機能的には例えば、機械学習モデル５０、学習データ記憶部５２、学習データ取得部５４、学習部５６、側面画像取得部５８、側面着目領域特定部６０、側面スリップサイン位置特定部６２、トレッド面画像取得部６４、トレッド面着目領域特定部６６、ターゲット入力画像生成部６８、推定部７０、が含まれる。

機械学習モデル５０は、プロセッサ１２及び記憶部１４を主として実装される。学習データ記憶部５２は、記憶部１４を主として実装される。学習データ取得部５４、学習部５６、側面着目領域特定部６０、側面スリップサイン位置特定部６２、トレッド面着目領域特定部６６、ターゲット入力画像生成部６８、推定部７０は、プロセッサ１２を主として実装される。側面画像取得部５８は、プロセッサ１２及び第１撮影部２２ａを主として実装される。トレッド面画像取得部６４は、プロセッサ１２及び第２撮影部２２ｂを主として実装される。

以上の機能は、コンピュータである情報処理装置１０にインストールされた、以上の機能に対応する指令を含むプログラムをプロセッサ１２で実行することにより実装されてもよい。このプログラムは、例えば、光ディスク、磁気ディスク、磁気テープ、光磁気ディスク、フラッシュメモリ等のコンピュータ読み取り可能な情報記憶媒体を介して、あるいは、インターネットなどを介して情報処理装置１０に供給されてもよい。

情報処理装置１０における、機械学習モデル５０、学習データ記憶部５２、学習データ取得部５４、学習部５６の機能は、タイヤの摩耗度の推定に用いられる機械学習モデル５０の学習を実行するタイヤ摩耗度学習装置としての機能に相当する。

また情報処理装置１０における、機械学習モデル５０、側面画像取得部５８、側面着目領域特定部６０、側面スリップサイン位置特定部６２、トレッド面画像取得部６４、トレッド面着目領域特定部６６、ターゲット入力画像生成部６８、推定部７０の機能は、タイヤの摩耗度を推定するタイヤ摩耗度推定装置としての機能に相当する。

機械学習モデル５０は、本実施形態では例えば、アダブースト、ランダムフォレスト、ニューラルネットワーク、サポートベクタマシン（ＳＶＭ）、最近傍識別器、などの機械学習が実装された機械学習モデルである。

本実施形態に係る機械学習モデル５０は、例えば、タイヤの摩耗度が正常であるか異常であるかを推定する判定モデルであってもよい。そしてこの場合に、当該機械学習モデル５０が、入力に応じて、例えばタイヤの摩耗度が正常であるか異常であるかを示す１ビットのデータを出力してもよい。

また当該機械学習モデル５０は、タイヤの摩耗度を示すデータを出力する回帰モデルであってもよい。ここで例えば、タイヤの摩耗度とは、タイヤの残溝量が少ないほど値が大きくなる、タイヤが摩耗している程度を示す指標であってもよい。また、タイヤの摩耗度を示すデータが、タイヤの残溝量そのものを示すデータであっても構わない。そしてこの場合に、当該機械学習モデル５０が、入力に応じて、例えばタイヤの摩耗度の推定値を出力してもよい。

学習データ記憶部５２は、本実施形態では例えば、機械学習モデル５０の学習に用いられる学習データを記憶する。学習データには、タイヤのトレッド面が写る所定画素数の画像である学習入力画像と、当該学習入力画像に写るタイヤの摩耗度を示す所与の教師データと、が含まれている。

学習入力画像は、例えば、図６に例示するターゲット入力画像４８と同様の、所与の位置にトレッド面スリップサイン４２が写っている、タイヤのトレッド面が写る所定画素数の画像である。ここで学習入力画像の画素数は、上述のターゲット入力画像４８の画像の画素数と同じである。

ここで例えば、学習入力画像は、当該学習入力画像の中心を通る左右方向に伸びる線上に、いずれかのトレッド面スリップサイン４２（例えば中央のトレッド面スリップサイン４２）の中心が配置されている画像であってもよい。

また、例えば、図５に例示するトレッド面画像４０と同様の画像に基づいて、学習入力画像が生成されるようにしてもよい。例えば、トレッド面画像４０と同様の画像からトレッド面着目領域４６に相当する所定画素数の領域を抽出することで学習入力画像が生成されてもよい。また例えば、トレッド面画像４０と同様の画像から抽出されるトレッド面着目領域４６に相当する領域の画像を拡大又は縮小することで、所定画素数の学習入力画像が生成されてもよい。

ここで例えば、上述したターゲット入力画像４８の生成方法と同様の方法で学習入力画像が生成されてもよい。また例えば、操作者が目視しながら画像編集操作を行うことで、トレッド面画像４０と同様の画像に基づいて学習入力画像が生成されてもよい。

学習入力画像は、奥行き画像又は三次元画像であってもよい。例えば、ターゲット入力画像４８が奥行き画像である場合は、学習データ記憶部５２には、奥行き画像である学習入力画像を含む学習データが記憶される。また、ターゲット入力画像４８が三次元画像である場合は、学習データ記憶部５２には、三次元画像である学習入力画像を含む学習データが記憶される。

なお、第２撮影部２２ｂが、デジタルカメラなどの撮影デバイスであり、トレッド面画像４０やターゲット入力画像４８が二次元画像であってもよい。この場合は、学習データ記憶部５２には、二次元画像である学習入力画像を含む学習データが記憶される。

また、学習入力画像には、トレッドパターンが写っていてもよい。例えば、学習入力画像にトレッドパターンの周期構造が示されていてもよい。

学習データ取得部５４は、本実施形態では例えば、学習データ記憶部５２に記憶されている学習データを取得する。

学習部５６は、本実施形態では例えば、学習入力画像を機械学習モデル５０に入力する。そして、学習部５６は、本実施形態では例えば、学習入力画像を機械学習モデル５０に入力した際の出力を用いて、機械学習モデル５０の学習を実行する。ここで例えば、学習データに含まれる学習入力画像を機械学習モデル５０に入力した際の出力と、当該学習データに含まれる教師データと、の差が特定されてもよい。そして特定される差に基づいて機械学習モデル５０のパラメータの値が更新される教師あり学習が実行されてもよい。

本実施形態では複数の学習データによる機械学習モデル５０の学習が実行される。そして学習済の機械学習モデル５０（学習済モデル）を用いて、第２撮影部２２ｂにより撮影されるトレッド面画像４０に写るタイヤの摩耗度が推定される。

側面画像取得部５８は、本実施形態では例えば、タイヤの側面が写る画像である側面画像３４を取得する。

側面着目領域特定部６０は、本実施形態では例えば、側面画像３４内の側面着目領域３８を特定する。

側面スリップサイン位置特定部６２は、本実施形態では例えば、側面着目領域３８内に示されている側面スリップサイン３６の位置を特定する。

トレッド面画像取得部６４は、本実施形態では例えば、タイヤのトレッド面が写る画像であるトレッド面画像４０を取得する。ここで、上述のように、トレッド面画像４０は、奥行き画像又は三次元画像であってもよい。また、トレッド面画像４０は、二次元画像であってもよい。

トレッド面着目領域特定部６６は、本実施形態では例えば、トレッド面画像４０においてトレッド面スリップサイン４２が写るトレッド面着目領域４６を特定する。トレッド面着目領域特定部６６は、例えば、側面画像３４に写る側面スリップサイン３６の位置に基づいて、トレッド面着目領域４６を特定する。ここで、トレッド面着目領域４６内における所与の位置にトレッド面スリップサイン４２が写っていてもよい。

ターゲット入力画像生成部６８は、本実施形態では例えば、所定画素数のトレッド面着目領域４６の画像であるターゲット入力画像４８を生成する。

ここで例えば、トレッド面着目領域特定部６６が、所定画素数のトレッド面着目領域４６を特定してもよい。そして、ターゲット入力画像生成部６８が、例えば、トレッド面画像４０から所定画素数のトレッド面着目領域４６を抽出することで、所定画素数のターゲット入力画像４８を生成してもよい。

あるいは、ターゲット入力画像生成部６８は、トレッド面画像４０からトレッド面着目領域４６を抽出した画像を所定画素数の画像に拡大又は縮小することで、所定画素数のターゲット入力画像４８を生成してもよい。

推定部７０は、本実施形態では例えば、ターゲット入力画像４８を学習済の機械学習モデル５０（学習済モデル）に入力した際の出力に基づいて、ターゲット入力画像４８に写るタイヤの摩耗度を推定する。

ここで機械学習モデル５０が判定モデルである場合に、機械学習モデル５０が、入力に
応じて、タイヤの摩耗度が正常であるか異常であるかを示す１ビットのデータを出力してもよい。また機械学習モデル５０が回帰モデルである場合に、機械学習モデル５０が、入力に応じて、タイヤが摩耗している程度を示す摩耗度の推定値を出力してもよい。また、機械学習モデル５０が、入力に応じて、タイヤの残溝量の推定値を出力してもよい。

ここで、本実施形態に係る情報処理装置１０で行われる学習処理の流れの一例を、図８に例示するフロー図を参照しながら説明する。ここでは例えば複数の学習データが学習データ記憶部５２に記憶されていることとする。

まず、学習データ取得部５４が、学習データ記憶部５２に記憶されている複数の学習データのうち、Ｓ１０２に示す処理が実行されていないものを１つ取得する（Ｓ１０１）。

そして、学習部５６が、Ｓ１０１に示す処理で取得された学習データに含まれる学習入力画像を機械学習モデル５０に入力した際の出力を用いた、機械学習モデル５０の学習を実行する（Ｓ１０２）。ここで例えば、当該出力と、Ｓ１０１に示す処理で取得された学習データに含まれる教師データと、の差に基づいて、機械学習モデル５０のパラメータの値が更新されてもよい。

そして学習部５６が、学習データ記憶部５２に記憶されている複数の学習データのすべてについてＳ１０２に示す処理が実行されたか否かを確認する（Ｓ１０３）。

学習データ記憶部５２に記憶されている複数の学習データのすべてについてＳ１０２に示す処理が実行されていないことが確認された場合は（Ｓ１０３：Ｎ）、Ｓ１０１に示す処理に戻る。

学習データ記憶部５２に記憶されている複数の学習データのすべてについてＳ１０２に示す処理が実行されたことが確認された場合は（Ｓ１０３：Ｙ）、本処理例に示す処理は終了される。

次に、本実施形態に係る情報処理装置１０で行われる推定処理の流れの一例を、図９に例示するフロー図を参照しながら説明する。

まず、側面画像取得部５８が、第１撮影部２２ａに側面画像３４の撮影を指示し、第１撮影部２２ａによって撮影された側面画像３４を取得する（Ｓ２０１）。

そして、側面着目領域特定部６０が、側面画像３４内の側面着目領域３８を特定する（Ｓ２０２）。

そして、側面スリップサイン位置特定部６２が、側面着目領域３８に側面スリップサイン３６が写っているか否かを確認する（Ｓ２０３）。

写っていないことが確認された場合は（Ｓ２０３：Ｎ）、本処理例に示す処理は終了される。

写っていることが確認された場合は（Ｓ２０３：Ｙ）、側面スリップサイン位置特定部６２が、側面着目領域３８に写る側面スリップサイン３６の位置を特定する（Ｓ２０４）。ここで例えば、図４に示す角度ａが特定されてもよい。

そして、トレッド面画像取得部６４が、第２撮影部２２ｂにトレッド面画像４０の撮影を指示し、第２撮影部２２ｂによって撮影されたトレッド面画像４０を取得する（Ｓ２０５）。

そして、トレッド面着目領域特定部６６が、Ｓ２０４に示す処理で特定された側面スリップサイン３６の位置に基づいて、トレッド面画像４０内のトレッド面着目領域４６を特定する（Ｓ２０６）。ここで例えば、上述の角度ａに基づいて、図５に示す長さｂが特定されてもよい。

そして、ターゲット入力画像生成部６８が、Ｓ２０６に示す処理で特定されたトレッド面着目領域４６の所定画素数の画像であるターゲット入力画像４８を生成する（Ｓ２０７）。

そして、推定部７０が、Ｓ２０７に示す処理で生成されたターゲット入力画像４８を学習済の機械学習モデル５０（学習済モデル）に入力した際の出力に基づいて、当該ターゲット入力画像に写るタイヤの摩耗度を推定する（Ｓ２０８）。そして、本処理例に示す処理は終了される。

なお、以上の説明では、車両３０が備える左後輪３２のタイヤの摩耗度を推定したが、車両３０が備える左後輪３２のタイヤ以外のタイヤについても同様の方法によりタイヤの摩耗度を推定することはもちろん可能である。

タイヤのトレッドパターンは種類によって様々である。そのため、トレッドパターンを手掛かりとして様々な種類のタイヤについて機械学習モデル５０を用いた摩耗度の推定を精度よく行うためには膨大な量のデータを学習する必要がある。

本実施形態では、タイヤの種類によらず、トレッド面スリップサイン４２近辺のターゲット入力画像４８を機械学習モデル５０への入力として用いて、タイヤの摩耗度の推定が行われる。トレッド面スリップサイン４２はタイヤの種類によらず存在する。また、タイヤの種類の違いによるトレッド面スリップサイン４２近辺の画像の特徴の違いよりも、タイヤの摩耗度の違いによるトレッド面スリップサイン４２近辺の画像の特徴の違いの方が顕著であると考えられる。

そのため、本実施形態によれば、学習に用いられるデータ量が少なくても様々な種類のタイヤの摩耗度を的確に推定できることとなる。

また、本実施形態によれば、奥行き画像や三次元画像が撮影可能なスマートフォンなどを用いて高機能なセンサを用いることなく、タイヤの摩耗量を推定することができる。

また、本実施形態によれば、車両３０の駐車位置に第１撮影部２２ａや第２撮影部２２ｂを設けることで、人が介在することなく、タイヤの摩耗量の推定を定期的に行うことができる。また本実施形態を用いることで、例えば、車両３０が備えるタイヤの交換が必要な程度の摩耗量になった際に当該車両３０の所有者にその旨が通知されるサービスを提供することが可能となる。

なお、本発明は上述の実施形態に限定されるものではない。

例えば本実施形態において、トレッド面着目領域特定部６６が、トレッド面画像４０に基づいて、図１０に例示する、主溝４４が写っている帯状の主溝領域８０を特定してもよい。例えば、トレッド面画像４０が示す各画素のデプスのうちの最大のデプスが特定されてもよい。そして、最大のデプスからの差が所定値以下である画素群を囲む帯状の領域が主溝領域８０に特定されてもよい。図１０の例では、左上、中央の上、右上、左下、中央の下、右下の６個の主溝領域８０が特定される。図１０の例では、主溝領域８０は、上下方向に延伸する帯状の領域である。

そして、トレッド面着目領域特定部６６が、トレッド面着目領域４６内であって、主溝領域８０の帯の延長線上にある、主溝領域８０内の画素よりもデプスが小さい部分を、トレッド面スリップサイン４２が写っているトレッド面スリップサイン領域８２として特定してもよい。

そして、トレッド面着目領域特定部６６が、トレッド面スリップサイン領域８２に基づいて、トレッド面着目領域４６の位置を補正してもよい。例えば、トレッド面着目領域４６の中心を通る左右方向に伸びる線上に、いずれかのトレッド面スリップサイン領域８２（例えば中央のトレッド面スリップサイン領域８２）の中心が配置されているよう、トレッド面着目領域４６の位置が補正されてもよい。

また、以上で説明した方法とは異なる方法によって、トレッド面着目領域４６が特定されてもよい。また、側面画像３４を用いることなく、トレッド面画像４０に基づいて、ターゲット入力画像４８が生成されるようにしてもよい。

また、本実施形態において、第１撮影部２２ａによって、図４に示す側面着目領域３８に相当する部分の画像である、図１１に例示する側面画像８４が撮影されてもよい。そして、側面画像８４に基づいて、トレッド面画像４０内における、トレッド面着目領域４６の位置が特定されてもよい。この場合、側面画像８４内における側面スリップサイン３６の位置とトレッド面画像４０内におけるトレッド面着目領域４６の位置とは、１対１で対応付けられる。そのため、側面画像８４内における側面スリップサイン３６の位置に基づいて、トレッド面画像４０内におけるトレッド面着目領域４６の位置は一意に特定可能である。

また、例えば、実際にタイヤのトレッド面を撮影した画像ではなく、シミュレーションによって生成されたタイヤのトレッド面を表す画像を、学習入力画像に用いてもよい。

また、上記の具体的な数値や文字列、並びに、図面中の具体的な数値や文字列は例示であり、これらの数値や文字列には限定されない。

１０ 情報処理装置、１２ プロセッサ、１４ 記憶部、１６ 通信部、１８ 表示部、２０ 操作部、２２ａ 第１撮影部、２２ｂ 第２撮影部、３０ 車両、３２ 左後輪、３４ 側面画像、３６ 側面スリップサイン、３８ 側面着目領域、４０ トレッド面画像、４２ トレッド面スリップサイン、４４ 主溝、４６ トレッド面着目領域、４８ ターゲット入力画像、５０ 機械学習モデル、５２ 学習データ記憶部、５４ 学習データ取得部、５６ 学習部、５８ 側面画像取得部、６０ 側面着目領域特定部、６２ 側面スリップサイン位置特定部、６４ トレッド面画像取得部、６６ トレッド面着目領域特定部、６８ ターゲット入力画像生成部、７０ 推定部、８０ 主溝領域、８２ トレッド面スリップサイン領域、８４ 側面画像。

Claims (14)

1. タイヤのトレッド面が写るトレッド面画像を取得するトレッド面画像取得手段と、
   前記トレッド面画像においてトレッド面スリップサインが写るトレッド面着目領域を特定するトレッド面着目領域特定手段と、
   所定画素数の前記トレッド面着目領域の画像であるターゲット入力画像を生成するターゲット入力画像生成手段と、
   前記ターゲット入力画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの摩耗度を推定する推定手段と、
   を含むことを特徴とするタイヤ摩耗度推定装置。
2. 前記トレッド面着目領域内における所与の位置に前記トレッド面スリップサインが写っている、
   ことを特徴とする請求項１に記載のタイヤ摩耗度推定装置。
3. タイヤの側面が写る画像である側面画像を取得する側面画像取得手段、をさらに含み、
   前記トレッド面着目領域特定手段は、前記側面画像に写る側面スリップサインの位置に基づいて、前記トレッド面着目領域を特定する、
   ことを特徴とする請求項１又は２に記載のタイヤ摩耗度推定装置。
4. 前記トレッド面着目領域特定手段は、前記所定画素数の前記トレッド面着目領域を特定し、
   前記ターゲット入力画像生成手段は、前記トレッド面画像から前記トレッド面着目領域を抽出することで、前記ターゲット入力画像を生成する、
   ことを特徴とする請求項１から３のいずれか一項に記載のタイヤ摩耗度推定装置。
5. 前記ターゲット入力画像生成手段は、前記トレッド面画像から前記トレッド面着目領域を抽出した画像を前記所定画素数の画像に拡大又は縮小することで、前記ターゲット入力画像を生成する、
   ことを特徴とする請求項１から３のいずれか一項に記載のタイヤ摩耗度推定装置。
6. 前記トレッド面画像には、前記タイヤのトレッドパターンが写っている、
   ことを特徴とする請求項１から５のいずれか一項に記載のタイヤ摩耗度推定装置。
7. 前記トレッド面画像は、奥行き画像又は三次元画像である、
   ことを特徴とする請求項１から６のいずれか一項に記載のタイヤ摩耗度推定装置。
8. タイヤの摩耗度の推定に用いられる機械学習モデルの学習を実行するタイヤ摩耗度学習装置であって、
   所与の位置にトレッド面スリップサインが写っている、タイヤのトレッド面が写る所定画素数の学習入力画像を取得する学習入力画像取得手段と、
   前記学習入力画像を前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する学習手段と、
   を含むことを特徴とするタイヤ摩耗度学習装置。
9. 前記学習入力画像には、前記タイヤのトレッドパターンが写っている、
   ことを特徴とする請求項８に記載のタイヤ摩耗度学習装置。
10. 前記学習入力画像は、奥行き画像又は三次元画像である、
    ことを特徴とする請求項８又は９に記載のタイヤ摩耗度学習装置。
11. タイヤのトレッド面が写るトレッド面画像を取得するステップと、
    前記トレッド面画像内においてトレッド面スリップサインが写るトレッド面着目領域を特定するステップと、
    所定画素数の前記トレッド面着目領域の画像であるターゲット入力画像を生成するステップと、
    前記ターゲット入力画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの摩耗度を推定するステップと、
    を含むことを特徴とするタイヤ摩耗度推定方法。
12. タイヤの摩耗度の推定に用いられる機械学習モデルの学習を実行する学習済モデルの生成方法であって、
    所与の位置にトレッド面スリップサインが写っている、タイヤのトレッド面が写る所定画素数の学習入力画像を取得するステップと、
    前記学習入力画像を前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行するステップと、
    を含むことを特徴とする学習済モデルの生成方法。
13. タイヤのトレッド面が写るトレッド面画像を取得する手順、
    前記トレッド面画像内においてトレッド面スリップサインが写るトレッド面着目領域を特定する手順、
    所定画素数の前記トレッド面着目領域の画像であるターゲット入力画像を生成する手順、
    前記ターゲット入力画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの摩耗度を推定する手順、
    をコンピュータに実行させることを特徴とするプログラム。
14. タイヤの摩耗度の推定に用いられる機械学習モデルの学習を実行するコンピュータに、
    所与の位置にトレッド面スリップサインが写っている、タイヤのトレッド面が写る所定画素数の学習入力画像を取得する手順、
    前記学習入力画像を前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する手順、
    を実行させることを特徴とするプログラム。

Images