JP2021107650A - 切羽性状推定装置および推定方法 - Google Patents

Abstract

【課題】施工中のトンネルにおける切羽性状の推定に適合した学習済モデルを構築する。【解決手段】制御部（１０）は、ある切羽の性状の判定結果を取得する判定結果取得部（１０１）と、判定結果取得部（１０１）が取得した判定結果と一致または類似する判定結果を含んだ教師データを１つ以上抽出する抽出部（１０３）と、抽出された１つ以上の教師データを用いて、学習済モデル（１２１）を再学習させる再学習部（１０４）と、を備える。【選択図】図１

Description

本発明は、切羽性状推定装置および推定方法等に関する。

トンネルの掘削工事では、事前に地山の地質を調査した上で施工計画が練られ、実際の工事が行われる。しかしながら、実際に施工してみた場合、地山の地質が事前調査の結果と異なる地質である場合も多い。そのため、掘削工事の施工業者は、切羽性状を判定することで、切羽周辺の地山の地質を確認することが一般的である。この判定は、施工中定期的に行われる。施工業者は、切羽性状の判定結果を考慮して、掘削工事の安全方策および施工計画を立てる。

切羽性状の判定は、人間が知識と経験に基づいて行うため、その判定精度は判定者に依存している。例えば、従来は、切羽性状の判定は、地質学の専門家が、切羽の写真または観測データを総合的に参照して下していた。一方、近年、地質評価を人工知能（ＡＩ）に行わせる技術が開発されている。例えば、特許文献１には、ＡＩが行う岩盤の強度判定の、精度を高めるための技術が開示されている。

特開２０１８−１７５７０号公報

上述のように、切羽性状の判定結果は、工事の安全方策を練るためにも用いられる。そのため、切羽性状の判定は高精度であることが求められる。しかしながら、特許文献１に記載のＡＩ等、従来技術のＡＩを用いて切羽性状の判定を行うと、高くても９０％程度の正解率しか得られていない。ゆえに、これらのＡＩの判定結果を無条件で安全対策および施工計画の検討に用いることはリスクが高く、ＡＩによる切羽性状の判定は実用性が低かった。

本発明の一態様は、上記問題点に鑑みたものである。本発明の一態様は、施工中のトンネルにおける切羽性状の推定に適合した学習済モデルを構築することを目的とする。

前記の課題を解決するために、本発明に係る切羽性状推定装置は、施工中のトンネルのある切羽の測定データに基づいて専門家により判定された、当該ある切羽の性状の判定結果を取得する判定結果取得部と、種々の切羽についての測定データと、前記種々の切羽それぞれに対応する前記判定結果との組み合わせから成る教師データであって、前記判定結果取得部が取得した前記判定結果と一致または類似する判定結果を含んだ教師データを、１つ以上抽出する抽出部と、前記抽出部により抽出された１つ以上の教師データを用いて、前記種々の切羽の測定データと、前記判定結果との相関関係を機械学習させた学習済モデルを再学習させる再学習部と、を備え、前記測定データは、ステレオ画像および三次元画像のうち少なくとも一方と、スペクトル画像と、を含む。

前記の構成または方法によれば、専門家による施工中のトンネルのある切羽の性状についての判定結果と、結果が一致または類似している教師データを用いて、学習済モデルに再学習を実行させる。これにより、施工中のトンネルにおける切羽性状の推定に、より適合した学習済モデルを構築することができる。

前記切羽性状推定装置は、前記測定データを取得する測定データ取得部と、種々の切羽の前記測定データを、前記再学習を実行した後の前記学習済モデルに入力することによって、前記測定データが示す各切羽の性状を推定する推定部と、を備えていてもよい。

前記の構成によれば、再学習後の学習済モデルを用いて、測定データから切羽の性状を推定することができる。再学習後の学習済モデルは、再学習前の学習済モデルよりも、そのトンネルの切羽の性状を推定するのに適合したモデルである。したがって、前記の構成によれば、学習済モデルを用いた切羽性状の推定を高精度で実行することができる。

前記切羽性状推定装置において、前記推定部は、前記ある切羽の測定データを、前記再学習を実行する前の前記学習済モデルに入力することによって、前記ある切羽の性状を事前推定してもよい。そして、前記ある切羽の判定結果は、前記推定部が前記ある切羽の性状を事前推定した結果を修正することによって作成されてもよい。

前記の構成によれば、専門家に学習済モデルの事前推定の結果を修正させることによって、より正しい判定結果を得ることができる。また、その判定結果に基づいて学習済モデルを再学習させることで、学習済モデルの判定精度を向上させることができる。

前記切羽性状推定装置において、前記抽出部は、前記推定部が前記ある切羽の性状を事前推定した結果と、前記判定結果取得部の取得した前記ある切羽の性状の判定結果と、の少なくとも一部が異なる場合に、前記教師データを抽出してもよい。そして、前記再学習部は、前記抽出部が前記教師データを抽出した場合に、前記学習済モデルに前記再学習を行わせてもよい。

また、前記の構成によれば、学習済モデルの事前推定の結果と、専門家の判定結果とを照合して、少なくとも一部が異なる場合に再学習を実行する。再学習後の学習済モデルは、再学習前の学習済モデルよりも、そのトンネルの切羽判定に適合したモデルである。したがって、前記の構成によれば、再学習によって切羽性状の判定を高精度に実行可能な学習済モデルを構築することができる。

前記切羽性状推定装置において、前記抽出部は、前記判定結果取得部が取得した前記判定結果と、該判定結果に対応する前記測定データとを組み合わせて作成された教師データを１つ以上抽出してもよい。

前記の構成によれば、専門家の判定結果を用いて作成した教師データを用いて学習済モデルを再学習させることができる。これにより、学習済モデルに、適切な再学習を実行させることができる。

前記教師データを複数個記憶している記憶装置において、前記複数個の前記教師データは、該教師データに含まれるステレオ画像および三次元画像のうち少なくとも一方と、スペクトル画像とを生成するための画像の撮影地域に応じて、複数のデータセットに分類されて記憶されていてもよい。そして、前記切羽性状推定装置の前記抽出部は、前記判定結果取得部が取得した前記ある切羽の判定結果と一致または類似する判定結果を含む教師データを含む前記データセットを抽出してもよい。

切羽の性状は一律の条件で判定するよりも、切羽周辺の地山の地質に基づいて、総合的に推定することが望ましい。前記の構成によれば、施工中のトンネルにおける切羽性状の推定に、より適合した学習済モデルを構築することができる。

前記切羽性状推定装置において、前記測定データは、近赤外写真を含んでいてもよい。

近赤外写真からは、切羽が含有する水量（有水量）を特定することができる。したがって、前記の構成によれば、切羽性状のうち、有水量についてより精密に特定することが可能な学習済モデルを構築することができる。また、該学習済モデルを用いて切羽性状の推定を行う場合に、切羽の有水量について、より精密な推定結果を得ることができる。

前記の課題を解決するために、本発明に係る推定方法は、施工中のトンネルのある切羽の測定データに基づいて専門家により判定された、当該ある切羽の性状の判定結果を取得する判定結果取得ステップと、種々の切羽についての測定データと、前記種々の切羽それぞれに対応する前記判定結果との組み合わせから成る教師データであって、前記判定結果取得ステップにおいて取得された前記判定結果と一致または類似する判定結果を含んだ教師データを、１つ以上抽出する抽出ステップと、前記抽出ステップにおいて抽出された１つ以上の教師データを用いて、前記種々の切羽の測定データと、前記判定結果との相関関係を機械学習させた学習済モデルを再学習させる再学習ステップと、を含み、前記測定データは、ステレオ画像および三次元画像のうち少なくとも一方と、スペクトル画像と、を含む。前記の推定方法によれば、前記切羽性状推定装置と同様の効果を奏する。

前記推定方法において、前記測定データは、近赤外写真を含んでいてもよい。

近赤外写真からは、切羽が含有する水量（有水量）を特定することができる。したがって、前記の推定によれば、切羽性状のうち、有水量についてより精密に特定することが可能な学習済モデルを構築することができる。また、該学習済モデルを用いて切羽性状の推定を行う場合に、切羽の有水量について、より精密な推定結果を得ることができる。

本発明の一態様によれば、施工中のトンネルにおける切羽性状の推定に適合した学習済モデルを構築することができる。

実施形態１に係る切羽推定システムの概要を示す図である。 前記切羽推定システムに含まれる各種装置の要部構成を示す、ブロック図である。 実施形態１に係る学習済モデルの一例を模式的に示した図である。 実施形態１に係る推定装置における、学習済モデルの再学習に係る処理の流れを示すフローチャートである。 実施形態２に係る切羽推定システムの概要を示す図である。 前記切羽推定システムに含まれる装置の要部構成を示すブロック図である。 実施形態２に係る推定装置の処理の流れの一例を示すフローチャートである。 実施形態４に係る学習済モデルの一例を模式的に示した図である。

〔実施形態１〕
≪システム概要≫
図１は、本実施形態に係る切羽推定システム１００の概要を示す図である。切羽推定システム１００は、切羽性状を推定する学習済モデルを、より適切なモデルになるよう再学習させるためのシステムである。

ここで、「切羽性状」とは、切羽の岩質、風化度合、凹凸度合、亀裂の有無、水の有無、含有する水量（有水量）等、切羽およびその周辺の地質の性質または状態に関する情報を意味する。切羽性状は、専門家が種々の測定データを参照して判定することができる。本実施形態において「専門家」とは、地質学の専門家または地質技術者等、切羽性状の判定を下す技能を有する者を示す。端末装置３は、入力された切羽性状の判定結果を示す情報を、推定装置１へと送信する。以降、切羽性状の判定結果を示す情報を、判定結果情報と称する。

切羽推定システム１００は、例えば、測定装置２と、端末装置３と、推定装置１と、記憶装置４とを含む。なお、端末装置３は必須の構成ではない。推定装置１と端末装置３、推定装置１と記憶装置４、端末装置３と記憶装置４とは互いに通信可能に接続されている。

測定装置２は、施工中のトンネルの切羽に関する測定を行うための装置である。本実施形態において測定装置２は、切羽を被写体として、下記（１）および（２）を撮影する。
（１）異なる視点からの複数の単眼画像
（２）異なる波長帯の電磁波を記録した複数の画像
測定装置２は、ステレオ画像および三次元画像のうち、少なくとも一方を生成する。「ステレオ画像」とは、（１）の複数の単眼画像自体、または（１）の画像群から生成される、立体視が可能な画像である。また、「三次元画像」とは、（１）の複数の単眼画像から生成される、三次元の立体画像である。また、測定装置２は、（２）から、スペクトル画像を生成する。「スペクトル画像」とは、（２）の画像の少なくとも１つから生成される、複数の波長帯の電磁波を記録した画像である。スペクトル画像には、可視光線、紫外線、赤外線、遠赤外線等の少なくともいずれかの波長帯の電磁波が記録される。以降、測定装置２が生成したデータを「測定データ」と称する。すなわち、本実施形態では、測定データには、ステレオ画像および三次元画像のうち少なくとも一方と、スペクトル画像とが含まれる。なお、測定データには、これらの画像の元となる（１）（２）の画像群が含まれていてもよい。

測定装置２の測定データは、端末装置３に供給される。例えば、測定装置２は、有線または無線で接続している端末装置３に、測定データを送信する。または、測定装置２は、ＵＳＢフラッシュメモリおよびＳＤカード等の外部記録媒体に測定データを記録させてもよい。そして、前記外部記録媒体を端末装置３に接続させ、端末装置３に読み取らせてもよい。これにより、測定装置２から端末装置３に測定データを移すことができる。このように、外部記録媒体を介して測定データを供給する場合、測定装置２と端末装置３との通信接続は不必須である。

端末装置３は、測定データを専門家が閲覧するための装置である。また、端末装置３は、専門家が、自身が閲覧した測定データが示す切羽についての、切羽性状の判定結果を入力するための装置である。端末装置３は、入力された切羽性状の判定結果を示す情報を推定装置１に送信する。以降、切羽性状の判定結果を単に「判定結果」とも称する。また、該判定結果を示す情報を「判定結果情報」と称する。

端末装置３はまた、受信した測定データと、該測定データに対応する判定結果とを対応付けて、記憶装置４に送信する。記憶装置４において、該測定データと判定結果との組は１つの教師データとして記憶される。すなわち、教師データは、種々の切羽についての測定データと、前記種々の切羽それぞれに対応する判定結果との組み合わせから成る。なお、端末装置３は、判定結果情報ではなく教師データを推定装置１に送信してもよい。

推定装置１は、学習済モデルに再学習を実行させる装置である。推定装置１は、端末装置３から受信した判定結果情報または教師データに基づいて、記憶装置４から学習済モデルの再学習に用いる教師データを抽出する。推定装置１は、当該再学習に用いる教師データを用いて、学習済モデルの再学習を実行する。ここで、学習済モデルは、種々の切羽についての測定データと判定結果との相関関係を機械学習させたモデルである。

記憶装置４は、教師データを複数個記憶している記憶装置である。記憶装置４において教師データは、該教師データに含まれる測定データの測定地域に応じて、複数のデータセットに分類されて記憶されていてもよい。なお、ここで言う「地域」とは地山の地質学的性状から区分される地域であり、地理上の地域と必ずしも一致しない。記憶装置４は、推定装置１からの要求に応じて記憶している教師データを読み出して、推定装置１に送信する。

トンネルを施工する際、切羽性状の判定は施工の進捗に合わせて複数回行われることが一般的である。また、切羽の性状は一律の条件で判定するよりも、切羽周辺の地山の地質に基づいて、総合的に判定することが望ましい。

図１に示す切羽推定システム１００によれば、ある切羽の性状についての判定結果と、結果が一致または類似している教師データを用いて、学習済モデルに再学習を実行させる。ここで、「ある切羽」とは、再学習を実行した後の学習済モデルを用いて、切羽の性状推定を実行する予定の地山に在る切羽である。より具体的には、「ある切羽」とは、例えば施工中のトンネルの切羽等である。これにより、施工中のトンネルにおける切羽性状の推定に適合した学習済モデルを構築することができる。

また、地山の岩質または土質は、地域によってその傾向が異なる。例えば、同じ岩質であっても、地域によって切羽の見た目が異なる場合もある。また、同じ岩質の切羽でも、風化度合によって見た目が異なる場合がある。したがって、切羽性状を推定する学習済モデルを構築する場合、推定を実施する切羽の存在する、すなわち、施工中のトンネルの存在する地域における測定データおよび切羽性状の判定結果を教師データとして、学習済モデルを構築することが望ましい。

しかしながら、同じ地域で得られる測定データの数は限られており、また、該測定データの内容は似通ったものになることが多い。ゆえに、同じ地域で得られる教師データの数は限られている上、それぞれが似通った教師データになることが多い。例えば施工中のトンネルの切羽の測定および性状判定を教師データとして、学習済モデルを構築した場合、似通った教師データが多くなる虞がある。そして、このような似通った教師データを用いて機械学習を実行させると、学習済モデルの汎用性が失われてしまい、切羽性状を推定可能な範囲（例えば、推定可能な地域）が限定されてしまう虞がある。

これに対し、切羽推定システム１００によれば、ある切羽の性状についての判定結果と結果が一致または類似している教師データを、記憶装置４から抽出して再学習を実行する。ここで抽出する教師データは、同じ地域の測定データ由来の教師データとは限らない。したがって、同じ地域で得られる測定データの数が限られている場合でも、教師データの多様性を担保することができる。

上述の通り、切羽推定システム１００において、端末装置３は必須構成ではない。切羽推定システム１００が端末装置３を含まない場合、推定装置１が端末装置３の機能を兼ねていてもよい。すなわち、切羽推定システム１００において、端末装置３と推定装置１とは一体に構成されていてもよい。この場合、推定装置１は、測定装置２から測定データを取得するための、測定データ取得部を備える。また、測定装置２は推定装置１に測定データを送信する。そして、専門家は推定装置１において測定データを閲覧してもよい。そして、専門家は、推定装置１に対し判定結果を入力してもよい。

≪要部構成≫
図２は、切羽推定システム１００に含まれる装置の要部構成を示すブロック図である。なお、図２では端末装置３も併せて図示しているが、切羽推定システム１００において、端末装置３は必須の構成ではない。

（測定装置２）
測定装置２は、少なくとも、ステレオカメラ２２と、スペクトルカメラ２３とを含む。さらに、測定装置２は制御部２０と、通信部２１と、光源２４と、記憶部２５のうち１つ以上の構成を含んでいてもよい。また、測定装置２はボタン、マウス、およびタッチパネル等の入力部と、ディスプレイ等の表示部を含んでいてもよい。

ステレオカメラ２２は、切羽のステレオ画像、または三次元画像を生成するための画像を撮影するためのカメラである。切羽全体のステレオ画像を撮影可能であれば、ステレオカメラ２２の詳細な構造および性能は特に限定されない。

スペクトルカメラ２３は、切羽のスペクトル画像を生成するための画像を撮影するためのカメラである。切羽の少なくとも一部分のスペクトル画像を撮影可能であれば、スペクトルカメラ２３の詳細な構造および性能は特に限定されない。

測定装置２において、ステレオカメラ２２とスペクトルカメラ２３は、同じ撮影対象を同じ向きおよび角度で撮影可能なように配置および固定されていることが望ましい。また、測定装置２は、トンネルの切羽付近まで測定装置２を運搬可能な移動体に搭載されていることが望ましい。これにより、切羽撮影のために施工が中断される時間を短縮することができる。例えば、測定装置２はトラックの荷台に固定され、切羽付近まで運搬される。

光源２４は、ステレオカメラ２２およびスペクトルカメラ２３の少なくとも一方が画像を撮影する際の、標準光源である。光源２４は、例えば発光ダイオードを用いたライトで実現可能である。光源２４を用いることによって、トンネル内の光（例えば、工事のためのライト等の光）、すなわちバックグラウンドの光の、撮影画像に対する影響を少なくすることができる。

光源２４の光は、太陽光と同程度の色および強度であることが望ましい。例えば、光源２４の光は、彩度が所定の範囲内である光であることが望ましい。ここで、所定の範囲とは、例えば人間の目で光源２４の光を見た場合に、白色光に見える程度の彩度の値の範囲を示す。また例えば、光源２４の光を、白色光に見えるような色相の光としてもよい。また、光源２４の光を色温度が３５００ケルビン以上５０００ケルビン以下程度の白色光としてもよい。これにより、光源２４の光の色が撮影画像に与える影響を最小限にすることができる。また、光源２４は平面から拡散光を照射可能なフラット光源であることが望ましい。これにより、撮影の際に均等に光を照射することができる。

通信部２１は、測定装置２と他の装置との通信を行う通信インタフェースである。例えば、通信部２１は、制御部２０の制御に従って端末装置３と通信する。例えば、通信部２１は、制御部２０から入力された測定データを端末装置３に送信する。また、通信部２１は、図示しない他の装置から、測定装置２での撮影開始の指示を受信してもよい。撮影開始の指示を受信した場合、通信部２１は該指示を制御部２０に出力する。

制御部２０は、測定装置２を統括的に制御する。制御部２０は、ステレオカメラ２２およびスペクトルカメラ２３を制御して、それぞれに切羽を撮影させる。例えば制御部２０は、通信部２１を介して他の装置から受信した撮影開始指示に応答して、ステレオカメラ２２およびスペクトルカメラ２３に撮影を実行させてもよい。また例えば、制御部２０は測定装置２に備えられたまたは測定装置２に接続された、入力装置等を介して、撮影開始を指示するユーザの入力操作を受け付けてもよい。そして、該入力操作を受け付けた場合、制御部２０はステレオカメラ２２およびスペクトルカメラ２３に撮影を実行させてもよい。

ステレオカメラ２２による撮影と、スペクトルカメラ２３による撮影は、同タイミング、さらに望ましくは略同時に、実行される。制御部２０はステレオ画像および三次元画像の少なくとも一方と、スペクトル画像とを取得する。

制御部２０は、１回の測定で得られた測定データを対応付けてもよい。例えば、制御部２０は、同タイミングの撮影画像から生成された、ステレオ画像および三次元画像の少なくとも一方とスペクトル画像とを対応付けてよい。制御部２０は、１回の測定毎に測定データを記憶部２５に記憶させる。なお、測定データに含まれる各画像の対応付けを行う際、制御部２０は、各画像に写った切羽の位置合わせを行ってもよい。

例えば、制御部２０は、光学カメラの撮影領域を基準として、ステレオカメラ２２およびスペクトルカメラ２３の撮影領域を予め位置合わせした上で、撮影を行ってもよい。この場合、測定装置２は光学カメラ（図示せず）を備える。そして、制御部２０は、光学カメラとスペクトルカメラ２３を、各カメラの撮影領域の左上、左下、右上、右下いずれかの四隅の１点、または中央の１点が同じ位置になるように位置合わせする。次に、制御部２０は、光学カメラとステレオカメラ２２との撮影領域を、光学カメラとスペクトルカメラ２３との位置合わせのときと同様に、四隅の１点または中央の１点が同じ位置になるように位置合わせする。これにより、測定装置２は、撮影を実行した際に、上述のいずれか１点で位置合わせされた画像を得ることができる。したがって、測定装置２は、位置合わせされたステレオ画像、三次元画像、およびスペクトル画像を生成することができる。

もしくは、測定装置２または端末装置３にて切羽画像の編集ソフトウェアを実行し、当該ソフトウェアを用いて、測定データに含まれる各画像の位置合わせを行ってもよい。例えば、一般的な切羽エディターのソフトウェアにおいて、切羽の形状図と、測定データに含まれる各画像の切羽の輪郭とを重ねあわせることで、両者の画像を位置合わせしてもよい。

また、制御部２０は端末装置３からの要求に応じて、記憶部２５に記憶された測定データを読み出して、該測定データを、通信部２１を介して端末装置３に送信してもよい。また、制御部２０は１回の測定毎に測定データを自律的に端末装置３に送信してもよい。

また、測定装置２が光源２４を含む場合、制御部２０は光源２４の位置および向きのうち少なくとも一方を制御してもよい。また、測定装置２が光源２４を含む場合、制御部２０は光源２４の光の強さおよび色のうち少なくとも一方を制御してもよい。

記憶部２５は、測定装置２の処理に必要な各種データを記憶する記憶装置である。また、記憶部２５は、測定データを記憶する。本実施形態では、記憶部２５は、ステレオカメラ２２の撮影した単眼画像に基づくステレオ画像および三次元画像の少なくとも一方と、スペクトルカメラ２３の撮影した画像に基づくスペクトル画像とを測定データとして記憶する。

（端末装置３）
端末装置３は、例えばパーソナルコンピュータ（ＰＣ）等である。端末装置３は、測定データを表示する表示部と、専門家が判定結果を入力するための、マウス、ボタン、キーボード等の入力部とを含む。また、端末装置３は推定装置１および測定装置２と通信するための通信部を有する。また、端末装置３は、外部記録媒体を接続するためのインタフェースを有する。

端末装置３は、推定装置１に判定結果情報を送信する。また、端末装置３は、測定装置２から取得した測定データと、専門家によって入力された、該測定データに対する判定結果と、を対応付けて、記憶装置４に送信する。すなわち、端末装置３は教師データを作成して記憶装置４に送信する。なお、端末装置３は、推定装置１に判定結果情報ではなく教師データを送信してもよい。

また、端末装置３は、自装置に接続された外部記録媒体に、作成した教師データを記録させてもよい。そして、記憶装置４は、前記外部記録媒体が接続された場合、外部記憶媒体から教師データを読み取って記憶してもよい。

（推定装置１）
推定装置１は、通信部１１と、記憶部１２と、制御部（切羽性状推定装置）１０とを含む。なお、推定装置１は、外部記録媒体を接続することが可能なインタフェースを備えていてもよい。例えば、推定装置１はＵＳＢフラッシュメモリまたはＳＤカード等を接続可能なインタフェースを備えていてもよい。また、推定装置１はボタン、マウス、およびタッチパネル等の入力部と、ディスプレイ等の表示部を含んでいてもよい。なお、切羽推定システム１００が端末装置３を含まない場合、推定装置１は、端末装置３としての機能を実現するため、前述した端末装置３の各種部材に相当する構成を備えている。

通信部１１は、推定装置１と他の装置との通信を実現する。通信部１１は、端末装置３、および記憶装置４と通信を行う。例えば、通信部１１は端末装置３から判定結果情報または教師データを受信する。例えば、通信部１１は記憶装置４から再学習用データセットを受信する。なお、外部記録媒体を介して判定結果情報を取得する場合、通信部１１は端末装置３との通信を行わなくてもよい。また例えば、通信部１１は記憶装置４から再学習用データセットを受信する。なお、切羽推定システム１００が端末装置３を含まない場合、通信部１１は、測定装置２から測定データを受信し、該測定データを制御部１０に出力する。

記憶部１２は、推定装置１の処理に必要なデータを記憶する記憶装置である。記憶部１２は、学習済モデル１２１を記憶する。学習済モデル１２１は、種々の切羽のステレオ画像および三次元画像の少なくとも一方、ならびにスペクトル画像と、判定結果との相関関係を機械学習させた学習済モデルである。学習済モデル１２１の構造は特に限定されない。例えば、学習済モデル１２１は、ＣＮＮ（Convolution al Neural Network、畳み込みニューラルネットワーク）構造を有するモデルで実現可能である。本実施形態に係る切羽推定システム１００では、一例として、AlexNetのモデル構造を有する学習済モデル１２１を用いることとして説明を行う。

また、学習済モデル１２１を最初に構築するための学習方法、および学習用のデータセットの内容も特に限定されない。例えば、過去に施工した、種々の地域におけるトンネルの切羽の測定データと、各切羽についての切羽性状の判定結果との組み合わせを、学習用の教師データとしてもよい。学習済モデル１２１は、後述する再学習部１０４によって再学習が行われる。

なお、記憶部１２は推定装置１の外部装置であってもよい。例えば、記憶部１２は、推定装置１と通信可能に接続されたサーバ等の記憶装置であってもよい。

制御部１０は、推定装置１を統括的に制御する。制御部１０は、判定結果取得部１０１と、データセット決定部１０２と、抽出部１０３と、再学習部１０４と、を含む。

判定結果取得部１０１は、判定結果情報または教師データを取得する。推定装置１と端末装置３とが通信接続されている場合、判定結果取得部１０１は、通信部１１を介して端末装置３から判定結果情報または教師データを取得する。また、外部記録媒体を介して判定結果情報または教師データの受け渡しを行う場合、判定結果取得部１０１は、推定装置１のインタフェースに接続された外部記録媒体から、判定結果情報または教師データを読み出す。判定結果取得部１０１は、判定結果情報または教師データをデータセット決定部１０２に出力する。

データセット決定部１０２は、判定結果情報または教師データに応じて、記憶装置４の再学習用データセット４１から、学習済モデル１２１の再学習に用いるデータセットを１つ以上決定する。例えば、データセット決定部１０２は、記憶装置４にアクセスして再学習用データセット４１を参照して、再学習に用いるデータセットを決定する。データセット決定部１０２は決定したデータセットを示す情報を、抽出部１０３に出力する。

より詳しくは、データセット決定部１０２は少なくとも、判定結果情報が示す判定結果と一致または類似する判定結果を含んだ教師データを特定し、当該教師データを含んだデータセットを、再学習に用いるデータセットとして決定する。

なお、データセット決定部１０２は、判定結果取得部１０１から教師データを取得した場合、当該教師データのうち「正解データ」である判定結果と、一致または類似する判定結果を含んだ教師データを特定し、当該教師データを含んだデータセットを、再学習に用いるデータセットとして決定してもよい。

判定結果取得部１０１から教師データを取得した場合、データセット決定部１０２は、教師データに含まれる判定結果と一致または類似する判定結果を含み、かつ、取得した教師データに含まれる測定データ（すなわち、判定結果に対応する測定データ）の少なくともいずれかのパラメータが一致または類似する教師データを、再学習用データセット４１の一群から特定してもよい。

そして、データセット決定部１０２は、該特定した教師データを含むデータセットを、再学習に用いるデータセットとして決定してもよい。例えば、測定データに測定地域の名称、測定地点の山の名称、山脈名等、測定地点を地理的に示す情報、および測定日時を示す情報等が含まれていてもよい。この場合、上述のように測定データを加味して再学習を行うことで、学習済モデル１２１を、切羽性状の推定を実施する地域および日時により適合したモデルにすることができる。

抽出部１０３は、データセット決定部１０２が決定した１つ以上のデータセット、すなわち１つ以上の教師データを、記憶装置４の再学習用データセット４１から抽出する。抽出部１０３は抽出した１つ以上のデータセットを再学習部１０４に出力する。

再学習部１０４は、抽出部１０３が取得したデータセットに含まれている、１つ以上の教師データを用いて、学習済モデル１２１を再学習させる。再学習の方法は特に限定されない。

記憶装置４は、再学習用データセットの一群を記憶する記憶装置である。以降、再学習用データセットの一群をまとめて再学習用データセット４１と呼称する。再学習用データセット４１は、教師データを１つ以上含んだデータセットの一群である。再学習用データセット４１の各データセットは、測定データの測定地域、すなわち、ステレオ画像および三次元画像のうち少なくとも一方と、スペクトル画像との撮影地域に応じて、教師データを分類したものである。記憶装置４は、推定装置１からの要求に応じて、再学習用データセット４１から再学習用データセットを読み出して、推定装置１に送信する。なお、上述した記憶部１２と記憶装置４とは一体に構成されていてもよい。すなわち、学習済モデル１２１と、再学習用データセット４１とは同じ記憶装置に格納されていてもよい。

切羽の性状は一律の条件で判定するよりも、切羽周辺の地山の地質に基づいて、総合的に推定されることが望ましい。前記の構成によれば、施工中のトンネルにおける切羽性状の推定に、より適合した学習済モデルを構築することができる。

≪学習済モデルの詳細≫
図３は、本実施形態に係る学習済モデル１２１の一例を模式的に示した図である。図示の通り、学習済モデル１２１には、測定データが入力される。図３の例では、測定データとして、ステレオ画像と、スペクトル画像とが入力されることとする。ステレオ画像における切羽の位置と、スペクトル画像における切羽の位置とは位置合わせされていることが望ましい。

学習済モデル１２１は、例えば、畳み込み層と、プーリング層と、結合層とから成る。畳み込み層において、入力データはフィルタリングによる情報の畳み込みがなされる。畳み込みを経たデータは、プーリング層においてプーリング処理が施される。これにより、データ中の特徴の位置変化に対するモデルの認識能力を向上させることができる。プーリング処理を経たデータは、結合層で処理されることによって、学習済モデル１２１の出力データ、すなわち、切羽性状の推定結果の形式に変換されて出力される。

すなわち、学習済モデル１２１に入力された測定データを、図３に示す各層をこれらの順に通過させることにより、最終的に、切羽の岩質、風化度合、凹凸度合、亀裂の有無、水の有無等、切羽性状の推定結果が出力される。なお、推定結果の出力形式は特に限定されない。例えば、各種性状は指標値として数値で示されてもよいし、「亀裂有り」「無し」等の２値で示されてもよい。もしくは、各種性状の推定結果はテキストデータで示されてもよい。

≪処理の流れ≫
図４は、推定装置１における、学習済モデルの再学習に係る処理の流れを示すフローチャートである。なお、同図は、推定装置１が端末装置３から判定結果情報を取得する場合の処理の流れを示している。

推定装置１の判定結果取得部１０１は、端末装置３から判定結果情報を取得する（Ｓ１０）。判定結果取得部１０１は、判定結果情報をデータセット決定部１０２に出力する。データセット決定部１０２は、入力された判定結果情報が示す判定結果に基づいて、学習済モデル１２１の再学習に用いるデータセットを決定する（Ｓ１１）。データセット決定部１０２は、決定したデータセットを示す情報を、抽出部１０３に出力する。

抽出部１０３はデータセット決定部１０２の決定した再学習用データセットを、記憶装置４の再学習用データセット４１から抽出して取得する（Ｓ１２）。抽出部１０３は取得したデータセットを再学習部１０４に出力する。再学習部１０４は、抽出部１０３から入力されたデータセットを用いて、学習済モデル１２１に再学習を行わせる（Ｓ１３）。

〔実施形態２〕
本発明の一態様に係る推定装置は、測定データを取得する測定データ取得部と、種々の切羽の測定データを、再学習を実行した後の学習済モデル１２１に入力することによって、測定データが示す各切羽の性状を推定する推定部と、を備えていてもよい。

また、前述の推定部は、ある切羽の測定データを、再学習を実行する前の学習済モデル１２１に入力することによって、ある切羽の性状を事前推定してもよい。そして、ある切羽の判定結果は、推定部がある切羽の性状を事前推定した結果を修正することによって作成されたものであってもよい。

このように、切羽の性状を事前推定または推定する場合、推定装置５は図示しない表示部等に、推定部の推定結果を表示してもよい。もしくは、推定装置５はプリンタ等の出力装置と接続されており、該推定結果を、該出力装置を介して出力することとしてもよい。

以下、本発明の実施形態２について説明する。なお、説明の便宜上、前述の実施形態１にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。これは、以降の実施形態についても同様である。

≪システム概要≫
図５は、本実施形態に係る切羽推定システム２００の概要を示す図である。切羽推定システム２００は、推定装置１が推定装置５に代わった構成である。切羽推定システム２００は、測定装置２が端末装置３と推定装置５へ測定データを送信する点、および、推定装置５から端末装置３へ、切羽性状の推定結果を送信する点で、実施形態１に係る切羽推定システム１００と異なる。

推定装置５は、学習済モデル１２１を用いて、測定データから該測定データの示す切羽の性状を事前推定する。ここで、事前推定とは、学習済モデル１２１を再学習させる前に行う推定のことを示す。推定装置５は事前推定の結果（事前推定結果）を端末装置３に送信する。端末装置３を操作する専門家は、測定データと、推定装置５の事前推定結果とを閲覧し、該事前推定結果に誤りがある場合は、該事前推定結果を正しい結果に修正することにより、切羽性状の判定結果を作成してもよい。端末装置３は判定結果情報または教師データを、推定装置５に送信する。なお、教師データに含まれる判定結果も、上述のように事前推定結果を修正することにより得られた判定結果となる。

また、推定装置５は、再学習後の学習済モデル１２１を用いて、測定データから該測定データの示す切羽の性状を推定してもよい。そして、推定結果は、プリンタ等の出力装置を介して出力されてもよい。

前記の構成によれば、再学習後の学習済モデル１２１を用いて、測定データから切羽の性状を推定することができる。再学習後の学習済モデル１２１は、再学習前の学習済モデル１２１よりも、そのトンネルの切羽の性状を推定するのに適合したモデルである。したがって、前記の構成によれば、学習済モデル１２１を用いた切羽性状の推定を高精度で実行することができる。

また、前記の構成によれば、専門家に再学習前の学習済モデル１２１の事前推定結果を修正させることによって判定結果を得ることができる。したがって、学習済モデル１２１の事前推定結果に応じた、切羽性状の判定結果に基づいて、再学習用データセットを抽出することができる。したがって、再学習により適したデータセットを抽出することができる。

なお、図５では、測定装置２から端末装置３および推定装置５の両方に測定データを送信する例について記載している。しかしながら、切羽推定システム２００では、測定装置２は推定装置５を介して端末装置３に測定データを送信することとしてもよい。具体的には、推定装置５は推定結果を端末装置３に送信するときに、該推定結果に対応する測定データをともに端末装置３に送信してもよい。

≪要部構成≫
図６は、切羽推定システム２００に含まれる各種装置の要部構成を示すブロック図である。切羽推定システム２００は、推定装置１にかわり推定装置５を含んでいる点で、切羽推定システム１００と異なる。

なお、切羽推定システム１００と同様、切羽推定システム２００においても、外部記録媒体を介して測定装置２、端末装置３、記憶装置４、および推定装置５の間の各種データの受け渡しを実現してもよい。推定装置５は、推定装置１に含まれる各種構成に加えて、測定データ取得部１０５と、推定部１０６と、を含む。

測定データ取得部１０５は、測定データを取得する。推定装置５と測定装置２とが通信接続されている場合、測定データ取得部１０５は、通信部１１を介して測定装置２から測定データを取得する。また、外部記録媒体を介して測定データの受け渡しを行う場合、測定データ取得部１０５は、推定装置５のインタフェースに接続された外部記録媒体から、測定データを読み出す。測定データ取得部１０５は、測定データを推定部１０６に出力する。

推定部１０６は、再学習後の学習済モデル１２１に測定データを入力することにより、切羽性状を事前推定する。また、推定部１０６は、再学習前の学習済モデル１２１に測定データを入力することにより、切羽性状を推定してもよい。推定部１０６は、事前推定結果を、通信部１１を介し端末装置３に送信する。

端末装置３は、測定データと、推定装置５の事前推定結果とを専門家に向けて表示する。また、端末装置３は、事前推定結果を修正するための入力操作を受け付ける。端末装置３は、修正された事前推定結果、すなわち切羽性状の判定結果を作成して、該判定結果を示す判定結果情報を推定装置５に送信する。また、端末装置３は該判定結果を含む教師データを作成して、記憶装置４に送信する。なお、端末装置３は、判定結果情報ではなく教師データを推定装置５に送信してもよい。

≪処理の流れ≫
図７は、推定装置５の実行する処理の流れの一例を示すフローチャートである。なお、同図は、推定装置５が、端末装置３から判定結果情報を取得する場合の処理の流れを示している。測定データ取得部１０５は、測定装置２から測定データを取得する（Ｓ２０）。測定データ取得部１０５は、測定データを推定部１０６に出力する。推定部１０６は、測定データを学習済モデル１２１に入力して（Ｓ２１）、学習済モデル１２１から出力される切羽性状の事前推定結果を取得する（Ｓ２２）。推定部１０６は、取得した事前推定結果を、通信部１１を介して端末装置３に送信する（Ｓ２３）。

端末装置３は、事前推定結果を取得すると、該事前推定結果と、それに対応する測定データとを表示する。端末装置３は専門家による、事前推定結果の修正を指示する入力操作を受け付ける。端末装置３は前記入力操作に従って事前推定結果を修正することで、切羽性状の判定結果を作成する。端末装置３は判定結果情報を推定装置５に送信する。

推定装置５の判定結果取得部１０１は、通信部１１を介して端末装置３から判定結果情報を取得する（Ｓ２４）。以降のＳ２５〜Ｓ２７の処理は、図４のＳ１１〜Ｓ１３と同様である。

（変形例１）
なお、推定装置５は、端末装置３に事前推定結果を送信しない構成としてもよい。そして、端末装置３は実施形態１に記載の端末装置３と同様に、測定装置２から得られた測定データから専門家の判定結果を作成し、該判定結果を推定装置５に送信してもよい。

この場合、推定装置５の判定結果取得部１０１は判定結果を受信し、データセット決定部１０２に出力する。また、推定装置５の推定部１０６は、学習済モデル１２１を用いて切羽性状を事前推定し、該事前推定結果をデータセット決定部１０２に出力する。以降の処理は、前述の実施形態２と同様である。

（変形例２）
また、データセット決定部１０２は、推定部１０６がある切羽の性状を事前推定した結果と、判定結果取得部１０１の取得した該ある切羽の性状の判定結果とを照合して、これらの少なくとも一部が異なる場合に、データセットを抽出すると決定してもよい。そして、再学習部１０４は、抽出部１０３が教師データを抽出した場合に、学習済モデル１２１に再学習を行わせてもよい。

前記の構成によれば、学習済モデル１２１の事前推定結果と、専門家の判定結果とを照合して、少なくとも一部が異なる場合に、再学習を実行する。再学習後の学習済モデル１２１は、再学習前の学習済モデル１２１よりも、そのトンネルの切羽判定に適合したモデルである。したがって、前記の構成によれば、再学習によって切羽性状の判定を高精度に実行可能な学習済モデル１２１を構築することができる。
（変形例３）
また、データセット決定部１０２は、推定部１０６がある切羽の性状を事前推定した結果と、判定結果取得部１０１の取得した該ある切羽の性状の判定結果とを照合して、これらの少なくとも一部が異なる場合に、データセットを抽出すると決定してもよい。そして、再学習部１０４は、抽出部１０３が教師データを抽出した場合に、学習済モデル１２１に再学習を行わせてもよい。

また、データセット決定部１０２は、判定結果情報と一致または類似し、かつ、前記判定結果情報の判定結果に対応する測定データと一致または類似する測定データを含む教師データ（または教師データのデータセット）を、抽出対象の教師データ（またはデータセット）と決定してもよい。そして、前記抽出部１０３は、データセット決定部１０２が決定した教師データ（またはデータセット）を、記憶装置４から抽出してもよい。例えば、測定データに測定地域の名称、測定地点の山の名称、山脈名等、測定地点を地理的に示す情報、および測定日時を示す情報等が含まれていてもよい。この場合、上述のように測定データを加味して教師データを抽出することで、学習済モデル１２１を、切羽性状の推定を実施する地域および日時により適合したモデルにすることができる。

（変形例４）
データセット決定部１０２は、測定データ取得部１０５から、ある切羽の測定データを取得してもよい。また、データセット決定部１０２は、判定結果取得部１０１から、当該ある切羽の判定結果情報を取得してもよい。また、データセット決定部１０２は、判定結果情報が示す判定結果と、当該判定結果に対応する測定データとを組み合わせて、教師データを作成してもよい。そして、データセット決定部１０２は、作成した教師データを抽出部１０３に出力してもよい。

この場合、抽出部１０３は、作成された教師データを、抽出した再学習用の教師データ（例えば、再学習用データセット）と同様に取り扱う。すなわち、抽出部１０３は、当該作成された教師データを再学習部１０４に出力する。そして、再学習部１０４は、当該教師データを用いて学習済モデルに再学習させる。なお、データセット決定部１０２は、上述した教師データの作成に加え、実施形態２に示す再学習用データセットの決定も行ってよい。そして、抽出部１０３は、記憶装置４から当該再学習用データセットの抽出も行ってよい。この場合、抽出部１０３は、作成された教師データと、再学習用データセットとの両方を再学習部１０４に出力する。そして、再学習部１０４は、作成された教師データと、再学習用データセットとの両方を用いて、学習済モデル１２１に再学習を実行させる。前記の構成によれば、専門家の判定結果を用いて作成した教師データを用いて、学習済モデル１２１を再学習させることができる。これにより、学習済モデルに、適切な再学習を実行させることができる。

（変形例５）
また、データセット決定部１０２は、測定データと、該測定データを用いた場合の事前推定結果との関係性を解析してもよい。そして、データセット決定部１０２は、当該解析の結果を加味して、再学習用データセットを決定してもよい。ここで言う「解析」とは、例えば、学習済モデル１２１を用いて事前推定を行う際に、学習済モデル１２１が、測定データの何のデータのどの部分（例えば、どのパラメータまたはどの領域）に着目して、事前推定結果を出力したかについての解析である。以降、学習済モデル１２１の前述の着目点のことを単に「着目点」とも称する。

より具体的に言えば、例えば、データセット決定部１０２は、スペクトル画像、三次元画像、およびステレオ画像の少なくともいずれかにおける着目点を特定してもよい。なお、当該特定の手法は特に限定されない。例えば、データセット決定部１０２は、Grad-CAM またはGuided Grad-CAMの技術を用いることで、着目点を特定することができる。

そして、データセット決定部１０２は、特定した着目点（すなわち、画像における着目領域）が類似する測定データを含んだ複数の教師データ（または該教師データを含むデータセット）を、再学習用データセットと決定してよい。これにより、学習済モデル１２１に、より効果的な再学習を実行させることができる。

（変形例６）
また、学習済モデル１２１がＣＮＮ以外の構成も含む場合、データセット決定部１０２は、学習済モデル１２１がＣＮＮからどのような影響を受けているかを特定してもよい。ここで、「ＣＮＮ以外の構成」とは、例えばＣＮＮにデータを入力する前の前処理工程のための構成、またはＣＮＮの出力結果を推定結果の形式に変換する、後処理工程のための構成等である。そして、データセット決定部１０２は、学習済モデル１２１がＣＮＮから受ける影響のうち、間違った影響については修正を行い、修正後のデータを再学習用データとして用いてもよい。

具体的には、データセット決定部１０２は、前述した変形例３と同様に、ある切羽についての事前推定結果と、判定結果取得部１０１の取得した該ある切羽についての判定結果とを照合する。次に、データセット決定部１０２は、照合結果において、事前推定結果が判定結果と異なっている箇所を「事前推定において、学習済モデル１２１がＣＮＮから受けた、間違った影響」であると特定する。続いて、データセット決定部１０２は、特定した影響箇所を、判定結果に応じて修正して、測定データと、該修正した事前推定結果とを組み合わせたデータを教師データとして生成する。データセット決定部１０２は、該教師データを再学習部１０４に出力し、再学習部１０４は該教師データを用いて学習済モデル１２１に再学習を実行させる。これにより、学習済モデル１２１に、より効果的な再学習を実行させることができる。

〔実施形態３〕
測定装置２は、ステレオカメラ２２、スペクトルカメラ２３に加えて、近赤外写真を撮影可能なカメラを備えていてもよい。そして、測定データには該カメラで撮影された、切羽の近赤外写真が含まれていてもよい。

この場合、切羽の性状の判定結果は、切羽のステレオ画像および三次元画像のうち少なくとも一方、スペクトル画像、および近赤外写真に基づいて専門家により判定された結果である。また、教師データに含まれている測定データにも、各切羽の近赤外写真が含まれる。また、学習済モデル１２１は、種々の切羽のステレオ画像および三次元画像のうち少なくとも一方、スペクトル画像、および近赤外写真と、前記判定結果との相関関係を機械学習させた学習済モデルである。

近赤外写真からは、切羽が含有する水量（有水量）を精度良く特定することができる。したがって、前記の構成によれば、切羽性状のうち、有水量についてより精密に特定することが可能な学習済モデル１２１を構築することができる。また、該学習済モデル１２１を用いて切羽性状の推定（または事前推定）を行う場合に、切羽の有水量について、より精密な推定結果を得ることができる。

〔実施形態４〕
また、実施形態１〜３に係るステレオカメラ２２およびスペクトルカメラ２３は、バンドパスフィルタ２７が取り付けられた複数のカメラ群２６で実現されてもよい。カメラ群２６の各カメラのバンドパスフィルタ２７は、それぞれ異なる波長帯域の光を透過する。これにより、カメラ群２６からの複数枚の単眼画像に基づいて、スペクトル画像を生成することができる。また、カメラ群２６からの複数枚の単眼画像は複眼画像であるともいえる。この複眼画像をステレオ画像として用いる、または、この複眼画像に基づいて、三次元画像を生成することができる。

このようにカメラ群２６を構成することにより、スペクトル画像の元画像を撮影するためのカメラと、ステレオ画像または三次元画像用の元画像を撮影するためのカメラとを分けて用意せずとも、同じカメラを用いて両方の画像生成に必要な元画像を撮影することができる。すなわち、一度の撮影で得られる複数枚の単眼画像に基づいて、ステレオ画像または三次元画像の少なくとも一方と、スペクトル画像とを生成することが出来る。なお、カメラ群２６に含まれる単眼カメラの台数は、撮影対象範囲に応じて適宜設定されてよい。

また、実施形態１〜３に係る学習済モデル１２１は、複数のサブモデルから構成されていてもよい。図８は、本実施形態に係る学習済モデル１２１の一例を模式的に示した図である。図示の通り、本実施形態において、学習済モデル１２１は、第１学習済モデル１２１−１と、第２学習済モデル１２１−２の２つのサブモデルから成る。なお、各サブモデルの構造は特に限定されない。例えば、第１学習済モデル１２１−１および第２学習済モデル１２１−２はそれぞれ、実施形態１に係る学習済モデル１２１と同様、AlexNetのモデル構造を有していてもよい。

なお、図８は、ステレオカメラ２２およびスペクトルカメラ２３を、バンドパスフィルタ２７が取り付けられた複数のカメラ群２６で実現した場合の例を示している。しかしながら、図８で示す学習済モデル１２１の構成は、ステレオカメラ２２とスペクトルカメラ２３とをそれぞれ別個に設けた場合においても実現可能である。また、図８の例では、測定データには、三次元画像と、スペクトル画像とが含まれていることとする。

第１学習済モデル１２１−１は、複数のカメラの画像から生成されたスペクトル画像を入力すると、中間結果として、切羽性状のうちの風化度合、凹凸度合、および亀裂の有無を出力する学習済モデルである。第２学習済モデル１２１−２は、第１学習済モデル１２１−１の出力データである中間結果と、複数のカメラの画像から生成された三次元画像とを入力データとして、切羽性状の最終的な推定結果を出力するモデルである。例えば、図８の例では、第２学習済モデル１２１−２は、推定結果として岩質、風化度合、凹凸度合、亀裂の有無、および水の有無等の推定結果を出力する。

本実施形態に係る推定部１０６は、まず測定データのうちスペクトル画像を、第１学習済モデル１２１−１に入力することで、中間結果を得る。次に推定部１０６は、該中間結果と、測定データのうちの三次元画像とを第２学習済モデル１２１−２に入力することで、最終的な推定結果を得る。なお、推定部１０６は、切羽性状の推定と同様、第１学習済モデル１２１−１および第２学習済モデル１２１−２を用いて、切羽性状の事前推定も実行可能である。

また、本実施形態に係る再学習部１０４は、学習済モデル１２１に再学習を実行させる場合、教師データに含まれる測定データを、各サブモデルの入力データに適合するよう、分解して再学習に用いてもよい。

このように、学習済モデル１２１を複数のサブモデルで構成することによって、切羽性状をより精密に推定することができる。例えば、一般的にスペクトル画像からは、切羽の風化度合、凹凸度合、亀裂の有無等を推定することができる。したがって、スペクトル画像を第１学習済モデル１２１−１に入力して推定を行い、次に推定結果と三次元画像とを合わせて、第２学習済モデル１２１−２で推定結果をブラッシュアップすることで、切羽性状のより精密な推定結果を得ることができる。なお、事前推定についても同様に、より精密な事前推定結果を得ることができる。

〔実施形態５〕
また、前記各実施形態に記載の推定部１０６は、ルールベースでの切羽性状の推定と、学習済モデル１２１での切羽性状の推定とを組み合わせて実施してもよい。この場合、記憶部１２には、該ルールを定めたデータベース等が格納されている。

例えば、記憶部１２は、スペクトル画像の所定の特徴と、該特徴に対応する岩質および風化度合の指標値とを対応付けたデータベース（ＤＢ）を格納していてもよい。そして、学習済モデル１２１は、該ＤＢにおける岩質および風化度合の指標値、ならびにステレオ画像または三次元画像と、切羽性状の推定結果との相関関係を機械学習させた学習済モデルであってもよい。

この場合、推定部１０６は、測定データ取得部１０５から測定データが入力されると、まず測定データのうちのスペクトル画像から特徴を特定し、該特徴に対応する岩質と風化度合の指標値とを、記憶部１２のＤＢを参照して特定する。そして、推定部１０６は、特定した岩質と風化度合の指標値と、ステレオ画像または三次元画像とを学習済モデル１２１に入力することで、最終的な切羽性状の推定結果を取得する。なお、推定部１０６は、切羽性状の推定と同様、記憶部１２のＤＢと学習済モデル１２１とを用いて、切羽性状の事前推定も実行可能である。

以上の構成によれば、測定データ、特に画像データ等、情報量の大きいデータを、まずルールベースで数値等の情報に変換してから、学習済モデル１２１での推定を行うことができる。これにより、切羽性状の推定にかかる処理量を減少させることができる。なお、事前推定についても同様に、事前推定にかかる処理量を減少させることができる。

また、前述したＤＢは、記憶装置４に記憶されていてもよい。そして、推定部１０６は、切羽性状の推定を行う際に、通信部１１を介して記憶装置４のＤＢにアクセスしてもよい。

〔ソフトウェアによる実現例〕
推定装置１および５の制御ブロック（判定結果取得部１０１、データセット決定部１０２、抽出部１０３、再学習部１０４、測定データ取得部１０５、および推定部１０６のうち少なくとも１つ）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、推定装置１および５は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１、５ 推定装置
２ 測定装置
３ 端末装置
４ 記憶装置
１０、２０ 制御部
１１、２１ 通信部
１２、２５ 記憶部
２２ ステレオカメラ
２３ スペクトルカメラ
２４ 光源
４１ 再学習用データセット
１００、２００ 切羽推定システム
１０１ 判定結果取得部
１０２ データセット決定部
１０３ 抽出部
１０４ 再学習部
１０５ 測定データ取得部
１０６ 推定部
１２１ 学習済モデル

Claims (9)

1. 施工中のトンネルのある切羽の測定データに基づいて専門家により判定された、当該ある切羽の性状の判定結果を取得する判定結果取得部と、
   種々の切羽についての測定データと、前記種々の切羽それぞれに対応する前記判定結果との組み合わせから成る教師データであって、前記判定結果取得部が取得した前記判定結果と一致または類似する判定結果を含んだ教師データを、１つ以上抽出する抽出部と、
   前記抽出部により抽出された１つ以上の教師データを用いて、前記種々の切羽の測定データと、前記判定結果との相関関係を機械学習させた学習済モデルを再学習させる再学習部と、を備え、
   前記測定データは、ステレオ画像および三次元画像のうち少なくとも一方と、スペクトル画像と、を含むことを特徴とする、切羽性状推定装置。
2. 前記測定データを取得する測定データ取得部と、
   種々の切羽の前記測定データを、前記再学習を実行した後の前記学習済モデルに入力することによって、前記測定データが示す各切羽の性状を推定する推定部と、を備えることを特徴とする、請求項１に記載の切羽性状推定装置。
3. 前記推定部は、前記ある切羽の測定データを、前記再学習を実行する前の前記学習済モデルに入力することによって、前記ある切羽の性状を事前推定し、
   前記ある切羽の判定結果は、前記推定部が前記ある切羽の性状を事前推定した結果を修正することによって作成されることを特徴とする、請求項２に記載の切羽性状推定装置。
4. 前記抽出部は、前記推定部が前記ある切羽の性状を事前推定した結果と、前記判定結果取得部の取得した前記ある切羽の性状の判定結果と、の少なくとも一部が異なる場合に、前記教師データを抽出し、
   前記再学習部は、前記抽出部が前記教師データを抽出した場合に、前記学習済モデルに前記再学習を行わせることを特徴とする、請求項３に記載の切羽性状推定装置。
5. 前記抽出部は、前記判定結果取得部が取得した前記判定結果と、該判定結果に対応する前記測定データとを組み合わせて作成された教師データを１つ以上抽出することを特徴とする、請求項２〜４のいずれか１項に記載の切羽性状推定装置。
6. 前記教師データを複数個記憶している記憶装置において、前記複数個の前記教師データは、該教師データに含まれるステレオ画像および三次元画像のうち少なくとも一方と、スペクトル画像とを生成するための画像の撮影地域に応じて、複数のデータセットに分類されて記憶されており、
   前記抽出部は、前記判定結果取得部が取得した前記ある切羽の判定結果と一致または類似する判定結果を含む教師データを含む前記データセットを抽出することを特徴とする、請求項１〜５のいずれか１項に記載の切羽性状推定装置。
7. 前記測定データは、近赤外写真を含むことを特徴とする、請求項１〜６のいずれか１項に記載の切羽性状推定装置。
8. 施工中のトンネルのある切羽の測定データに基づいて専門家により判定された、当該ある切羽の性状の判定結果を取得する判定結果取得ステップと、
   種々の切羽についての測定データと、前記種々の切羽それぞれに対応する前記判定結果との組み合わせから成る教師データであって、前記判定結果取得ステップにおいて取得された前記判定結果と一致または類似する判定結果を含んだ教師データを、１つ以上抽出する抽出ステップと、
   前記抽出ステップにおいて抽出された１つ以上の教師データを用いて、前記種々の切羽の測定データと、前記判定結果との相関関係を機械学習させた学習済モデルを再学習させる再学習ステップと、を含み、
   前記測定データは、ステレオ画像および三次元画像のうち少なくとも一方と、スペクトル画像と、を含むことを特徴とする、推定方法。
9. 前記測定データは、近赤外写真を含むことを特徴とする、請求項８に記載の推定方法。

Images