JP2023034745A - 肌落ち予測装置、機械学習装置、肌落ち予測方法、及び、機械学習方法 - Google Patents

Abstract

【課題】より精度高く肌落ちの危険性がある箇所を予測することができる肌落ち予測装置を提供する。【解決手段】本発明に係る肌落ち予測装置５は、トンネル切羽における肌落ちを予測する肌落ち予測装置５であって、トンネル切羽が撮像された予測用画像を含む判定データを取得する判定データ取得部５００と、前記トンネル切羽が撮像された学習用画像を含む入力データと、当該学習用画像に含まれる肌落ち予測指摘箇所と肌落ち要因パターン指摘箇所とに関するデータを含む出力データとの相関関係を機械学習させた学習モデル２を記憶する学習済みモデル記憶部５２と、前記判定データ取得部５００により取得された前記判定データを前記学習モデルに入力し、前記予測用画像に撮像された前記トンネル切羽の肌落ち予測箇所を推論する推論部５０１とを備えることを特徴とする。【選択図】 図１０

Description

本発明は、トンネル切羽における肌落ちの可能性を予測する肌落ち予測装置、肌落ち予測装置に用いられる学習モデルを生成する機械学習装置、トンネル切羽における肌落ちの可能性を予測する肌落ち予測方法、及び、肌落ち予測方法に用いられる学習モデルを生成する機械学習方法に関する。

山岳トンネル工事における掘削の最先端（切羽）においては、岩石の落下など（肌落ち）による重大災害を可能な限り抑制することが肝要となる。このため、切羽観察を行い、剥落が予測される箇所を推定し、あらかじめ当該箇所をたたき落としたり、当該箇所に対してコンクリート吹き付けを行ったりなどの対策が講じられる。切羽観察は熟練の技術者の目視判断に依存しているため、見落としや個人差が発生しやすい。そこで、非特許文献１においては、人工知能技術を用いて、切羽における肌落ちを予測する技術が提案されている。

西沢ほか「マルチモーダル深層学習による切羽崩落予測」２０１９年人工知能学会全国大会第３３回論文集

非特許文献１記載の従来技術では、切羽画像、風化変質度数値、割目交差密度数値をＲｅｓｎｅｔ５０で特徴抽出し、ニューラルネットワークで肌落ちの可能性あり、なしの二択を検出するものであり、肌落ちの危険性がある位置を予測することができない、という課題があった。

また、従来技術は、切羽画像の他には、風化変質度数値、割目交差密度数値だけから肌落ちの可能性を評価するものであり、精度と汎用性が低い、という課題もあった。さらに、従来技術のようにＲｅｓｎｅｔ５０で特徴量を抽出するだけでは、肌落ち予測の要因がブラックボックス化してしまう、という課題もあった。

本発明は、上述した課題に鑑みてなされたものであって、肌落ちの危険性がある位置を予測することが可能な肌落ち予測装置、肌落ち予測装置に用いられる学習モデルを生成する機械学習装置、肌落ちの危険性がある位置を予測することが可能な肌落ち予測方法、及び、肌落ち予測方法に用いられる学習モデルを生成する機械学習方法を提供することを目的とする。

上記目的を達成するために、本発明に係る肌落ち予測装置は、トンネル切羽における肌落ちを予測する肌落ち予測装置であって、トンネル切羽が撮像された予測用画像を含む判定データを取得する判定データ取得部と、前記トンネル切羽が撮像された学習用画像を含む入力データと、当該学習用画像に含まれる肌落ち予測指摘箇所と肌落ち要因パターン指摘箇所とに関するデータを含む出力データとの相関関係を機械学習させた学習モデルを記憶する学習済みモデル記憶部と、前記判定データ取得部により取得された前記判定データを前記学習モデルに入力し、前記予測用画像に撮像された前記トンネル切羽の肌落ち予測箇所を推論する推論部とを備えることを特徴とする。

また、本発明に係る肌落ち予測装置は、前記予測用画像は、複数の画像データに切り出され用いられると共に、複数の画像データのそれぞれは、他の画像データとの重複部を有することを特徴とする。

また、本発明に係る肌落ち予測装置は、複数の画像データそれぞれは重み係数を有し、画像データと共に当該画像データの重み係数が前記学習モデルに入力されることを特徴とする。

また、本発明に係る肌落ち予測装置は、前記予測用画像において、前記肌落ち予測箇所が標識されることを特徴とする。

また、本発明に係る肌落ち予測装置は、前記予測用画像において、前記肌落ち予測箇所の予測根拠が可視化されることを特徴とする。

また、本発明に係る機械学習装置は、 トンネル切羽における肌落ちを予測する肌落ち予測装置に用いられる学習モデルを生成する機械学習装置であって、前記トンネル切羽が撮像された学習用画像を含む入力データと、当該学習用画像に含まれる肌落ち予測指摘箇所と肌落ち要因パターン指摘箇所とに関するデータを含む出力データとで構成される学習データを複数組記憶する学習データ記憶部と、前記学習モデルに前記学習データを複数組入力することで、前記入力データと前記出力データとの相関関係を前記学習モデルに機械学習させる機械学習部と、前記機械学習部により機械学習させた前記学習モデルを記憶する学習済みモデル記憶部とを備えることを特徴とする。

また、本発明に係る機械学習装置は、前記学習用画像は、複数の画像データに切り出され用いられると共に、複数の画像データのそれぞれは、他の画像データとの重複部を有することを特徴とする。

また、本発明に係る機械学習装置は、複数の画像データそれぞれは重み係数を有し、画像データと共に当該画像データの重み係数が前記学習モデルに入力されることを特徴とする。

また、本発明に係る肌落ち予測方法は、トンネル切羽における肌落ちを予測する肌落ち予測方法であって、トンネル切羽が撮像された予測用画像を含む判定データを取得する判定データ取得工程と、前記判定データ取得工程により取得された前記判定データを、前記トンネル切羽が撮像された学習用画像を含む入力データと、当該学習用画像に含まれる肌落ち予測指摘箇所と肌落ち要因パターン指摘箇所とに関するデータを含む出力データとの相関関係を機械学習させた学習モデルに入力し、前記予測用画像に撮像された前記トンネル切羽の肌落ち予測箇所を推論する推論工程とを備えることを特徴とする。

また、本発明に係る機械学習方法は、トンネル切羽における肌落ちを予測する肌落ち予測方法に用いられる学習モデルを生成する機械学習方法であって、前記トンネル切羽が撮像された学習用画像を含む入力データと、当該学習用画像に含まれる肌落ち予測指摘箇所と肌落ち要因パターン指摘箇所とに関するデータを含む出力データとで構成される学習データを学習データ記憶部に複数組記憶する学習データ記憶工程と、前記学習モデルに前記学習データを複数組入力することで、前記入力データと前記出力データとの相関関係を前記学習モデルに機械学習させる機械学習工程と、前記機械学習工程により機械学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程とを備えることを特徴とする。

本発明に係る肌落ち予測装置によれば、肌落ち予測指摘箇所に加え、肌落ち要因パターン指摘箇所に基づいて、肌落ち予測箇所が推論されるので、より精度高く肌落ちの危険性がある箇所を予測することができる。また、肌落ち要因パターン指摘箇所に基づく推論がなされるために、肌落ち予測要因がブラックボックス化してしまうことを防止できる。

また、本発明に係る機械学習装置によれば、より精度高く肌落ちの危険性がある箇所を予測可能な肌落ち予測装置に用いられる学習モデルを生成することができる。

本発明に係る肌落ち予測方法によれば、肌落ち予測指摘箇所に加え、肌落ち要因パターン指摘箇所に基づいて、肌落ち予測箇所が推論されるので、より精度高く肌落ちの危険性がある箇所を予測することができる。また、肌落ち要因パターン指摘箇所に基づく推論がなされるために、肌落ち予測要因がブラックボックス化してしまうことを防止できる。

また、本発明に係る機械学習方法によれば、より精度高く肌落ちの危険性がある箇所を予測可能な肌落ち予測方法に用いられる学習モデルを生成することができる。

本発明の実施形態に係る肌落ち予測システム１の一例を示す全体構成図である。 本発明の実施形態に係る機械学習装置４の一例を示すブロック図である。 本発明の実施形態に係る肌落ち予測システム１における学習データの作成工程例を説明する図である。 肌落ち要因パターン指摘箇所の分類表を示している。 トンネル切羽１０が撮像された学習用画像３０の処理例を説明する図である。 学習データのデータセット例を示す図である。 学習モデル２で用いられる重み係数を説明する図である。 本発明の実施形態に係る学習モデル２に適用されるニューラルネットワークモデル２０の一例を示す概略図である。 各出力層で得られる推論結果を説明する図である。 本発明の実施形態に係る肌落ち予測装置５の一例を示すブロック図である。 肌落ち予測システム１の各装置３～６を構成するコンピュータ９００の一例を示すハードウエア構成図である。 本発明の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである 本発明の実施形態に係る肌落ち予測装置５による肌落ち予測方法の一例を示すフローチャートである。 本発明の実施形態に係る肌落ち予測装置５による出力表示例を示す図である。

以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
（本発明の実施形態）
図１は、本発明の実施形態に係る肌落ち予測システム１の一例を示す全体構成図である。肌落ち予測システム１は、山岳トンネル工事における掘削の最先端のトンネル切羽１０に関する情報を取得し、これに基づいて、トンネル切羽１０における肌落ちを予測するシステムである。このために、肌落ち予測システム１は、人工知能技術を用いた機械学習装置４と、この機械学習装置４によって学習された学習データに基づいて推論を行う肌落ち予測装置５とを有している。

肌落ち予測システム１は、トンネル切羽１０を撮像する撮像装置３と、機械学習の学習フェーズの主体として動作する機械学習装置４と、機械学習における推論フェーズの主体として動作する肌落ち予測装置５と、肌落ち予測システム１の管理者や作業者が使用する端末装置６を備える。肌落ち予測システム１の各装置３～６は、ネットワーク７により相互に通信可能に接続される。なお、図１に示す肌落ち予測システム１のシステム構成は一例であり、適宜変更することができる。例えば、本実施形態においては、肌落ち予測装置５と機械学習装置４と端末装置６とをそれぞれ独立した情報処理装置により構成しているが、これらを一つの情報処理装置で構成することもできる。

撮像装置３は、例えば、ＣＭＯＳセンサやＣＣＤセンサ等のイメージセンサで構成されるカメラを備え、トンネル切羽１０の全体を撮像する。なお、撮像装置３は、手持ち式又は固定設置式のカメラであって、例えば、作業者が操作して画像を撮像するものでもよいし、所定の撮像条件が満たされたときに自動で画像を撮像するものでもよい。また、本実施形態では、一つの撮像装置３によって、トンネル切羽１０全体を撮像するようにしているが、複数の撮像装置３によって、トンネル切羽１０を撮像するようにしてもよい。

撮像装置３は、撮像装置３の画角内にトンネル切羽１０を撮像し、所定の画像形式に基づいてデジタルデータとしての画像を出力する。なお、撮像装置３は、図１に示すように、機械学習装置４に接続された撮像装置３と、肌落ち予測装置５に接続された撮像装置３とが別々に設けられてもよいし、１つの撮像装置３が機械学習装置４及び肌落ち予測装置５の双方に接続されて共用されてもよい。また、図１では、簡略化のため、１つの撮像装置３が、機械学習装置４及び肌落ち予測装置５にそれぞれ接続されているが、複数の撮像装置３がそれぞれ接続されていてもよい。

機械学習装置４は、汎用又は専用のコンピュータ等で構成され、機械学習における学習フェーズの主体として動作する。機械学習装置４は、撮像装置３により撮像された画像（学習用画像）を含む学習データを用いて、学習モデル２の機械学習を実施する。機械学習装置４は、学習済みの学習モデル２をネットワーク７や記録媒体等を介して肌落ち予測装置５に提供する。なお、コンピュータの構成例については、後述する。

肌落ち予測装置５は、汎用又は専用のコンピュータ等で構成され、機械学習における推論フェーズの主体として動作する。肌落ち予測装置５は、機械学習装置４により学習済みの学習モデル２を用いて、撮像装置３により撮像された画像（予測用画像）からトンネル切羽１０の予測を行う。

端末装置６は、汎用又は専用のコンピュータ等で構成される。端末装置６は、肌落ち予測システム１にて、学習データの準備、学習モデル２の機械学習、トンネル切羽１０の肌落ち予測を行うために、入力画面を介して各種の操作入力を受け付けるとともに、アプリケーションやブラウザ等の表示画面を介して各種の情報を表示する。また、図１では、簡略化のため、１つの端末装置６を図示しているが、端末装置６は複数でもあってもよい。
（機械学習装置４）
図２は、本発明の実施形態に係る機械学習装置４の一例を示すブロック図である。機械学習装置４は、制御部４０、通信部４１、学習データ記憶部４２、及び、学習済みモデル記憶部４３を備える。

撮像装置３は学習用画像３０を撮像し、機械学習装置４に送信する。機械学習装置４の制御部４０は、学習データ取得部４００及び機械学習部４０１として機能する。通信部４１は、ネットワーク７を介して外部装置（例えば、撮像装置３、肌落ち予測装置５及び端末装置６等）と接続され、各種のデータを送受信する通信インターフェースとして機能する。

学習データ取得部４００は、外部装置と通信部４１及びネットワーク７を介して接続され、入力データ及び出力データが対応付けられて構成される学習データを取得する。

学習データ記憶部４２は、学習データ取得部４００で取得した学習データを複数組記憶するデータベースである。なお、学習データ記憶部４２を構成するデータベースの具体的な構成は適宜設計すればよい。

機械学習部４０１は、学習データ記憶部４２に記憶された学習データを用いて機械学習を実施する。すなわち、機械学習部４０１は、学習モデル２に学習データを複数組入力することで、学習データを構成する入力データと出力データとの相関関係を学習モデル２に機械学習させることで、学習モデル２を生成する。

学習済みモデル記憶部４３は、機械学習部４０１により機械学習させた学習済みの学習モデル２を記憶するデータベースである。学習済みモデル記憶部４３に記憶された学習モデル２は、ネットワーク７や記録媒体等を介して実システム（例えば、肌落ち予測装置５）に提供される。なお、学習モデル２は、外部コンピュータ（例えば、サーバ型コンピュータやクラウド型コンピュータ）に提供されて、外部コンピュータの記憶部に記憶されてもよい。また、図２では、学習データ記憶部４２と、学習済みモデル記憶部４３とが別々の記憶部として示されているが、これらは単一の記憶部で構成されてもよい。

図３は本発明の実施形態に係る肌落ち予測システム１における学習データの作成工程例を説明する図である。図３（Ａ）は撮像装置３により撮像されたトンネル切羽１０の全体の画像である。また、図３（Ｂ）は当該画像について熟練技術者によって指摘された肌落ち予測指摘箇所のラベリングを示す図であり、図中点線で囲まれた部分がた肌落ち予測指摘箇所のラベリング部を示している。このようなラベリングが、本発明の実施形態に係る肌落ち予測システム１における学習データとなる。

また、図３（Ｃ）は当該画像について熟練技術者によって指摘された肌落ち要因パターン指摘箇所のラベリングを示す図であり、図中枠で囲まれた部分が肌落ち要因パターン指摘箇所のラベリング部を示している。また、図４は、肌落ち要因パターン指摘箇所の分類表を示しており、このような分類に基づいて、熟練技術者がトンネル切羽１０の学習用画像において、肌落ちの要因となりそうな箇所を、当該分類と共に指定を行う。

本発明の実施形態に係る肌落ち予測システム１においては、肌落ち要因パターンとしては、地質に起因する肌落ち要因パターンである（１）岩塊の抜け落ち跡、（２）割れ目に沿って切羽凸凹、（３）割れ目細かく入る、（４）割れ目に粘土・介在物、（５）周囲より風化変色、風化変色著しい、（６）破砕帯、破砕状、土砂化、（７）滲水、湧水あり、（８）その他、の８つの要因パターンに分類し、これに基づいた学習データとすることで、肌落ち予測の要因がブラックボックス化してしまうことを防いでいる。肌落ち要因パターンの分類としては、これらの８つの要因パターンに限定されることはなく、適宜選択することができる。要は、少なくとも２つ以上の肌落ち要因パターンが設定されていれば、本発明に係る肌落ち予測システム１を構成することができる。図３（Ｃ）では、肌落ち要因パターンとして、熟練技術者によって、（２）割れ目に沿って切羽凸凹、（３）割れ目細かく入る、が指摘されているケースを示すものであり、これらの肌落ち要因パターンが肌落ち予測システム１における学習データとなる。

入力データに含まれる学習用画像３０は、撮像装置３によりトンネル切羽１０全体が撮像されたものである。ここで、トンネル切羽１０全体が撮像された学習用画像３０は分割されて、学習のためのデータとして利用されると共に、本発明に係る肌落ち予測システム１の推論時の予測用画像としても、分割されて推論に供される。

図５はトンネル切羽１０が撮像された学習用画像３０の処理例を説明する図である。トンネル切羽１０が撮像された学習用画像３０或いは予測用画像３１は、周知の画像解析技術などに基づいて、トンネル切羽１０が認識された後、複数の方眼のグリッド状に分割される。このようなグリッドに分割された画像は、図５（Ａ）に示すように、例えば、左隅上の４つのグリッドからなる画像Ｇ１が切り出されて、この画像データＧ１が学習等に供される。続いて、図５（Ｂ）に示すように、画像データＧ２が切り出されて、この画像データが学習等に供される。

ここで、図５（Ａ）と図５（Ｂ）からも分かるように、画像データＧ１と、画像データＧ２とは、２つのグリッド（画像データＧ１における右２つのグリッドと画像データＧ２における左２つのグリッド）が重複するようにして切り出される。以下、同様に、左上から、右下にかけてスキャンするように（図５（Ｃ）→図５（Ｄ）に示すように）、それぞれの画像データは、上下・左右で隣接した画像データと、重複したグリッドを含むようにして、順次切り出され、学習・判定等に用いられるようになっている。本発明に係る肌落ち予測システム１においては、このように重複するグリッドが含まれる画像データが、学習・判定等に用いられるので、取りこぼしがなく、精度高く、肌落ちの危険箇所を予測することが可能となる。

なお、図５に示す例では、切り出される一つの画像データを４つのグリッドで構成するようにしたが、切り出される画像データをいくつのグリッドで構成するかは任意である。

上記のように学習用画像、予測用画像からグリッドに基づいて切り出されたデータを、本明細書では「画像データ」と称する。

さて、以上のように学習用画像３０から切り出された画像データ（以下、一般化しＧｎとする。ｎは自然数。）を用いて、機械学習装置４が学習を行う。図６は学習データのデータセット例を示す図である。ここで、入力データが画像データＧｎであり、出力データは、教師あり学習において、例えば、正解ラベルと呼ばれるものである。

画像データＧｎ中において、肌落ち予測指摘箇所が所定面積以上ある場合、出力データとして、肌落ち予測箇所「あり」の正解ラベルが設定される。また、画像データＧｎ中において、肌落ち予測指摘箇所が所定面積より小さい場合には、出力データとして、肌落ち予測箇所「なし」の正解ラベルが設定される。

また、画像データＧｎ中における肌落ち要因パターンの（１）～（８）の比率に応じて正解ラベルが設定される。図６の例では、肌落ち要因パターンとして（２）の比率（例えば、面積比）が、また、肌落ち要因パターンとして（１）～（８）のいずれにも該当しない比率（例えば、面積比）が、正解ラベルとして設定される。肌落ち要因パターンの分類に基づく、それぞれの正解ラベルの和は１となる。

また、画像データＧｎ中の肌落ち予測指摘箇所が所定面積以上ある場合、肌落ち可能性として、正解ラベル「１」が設定される。また、画像データＧｎ中において、肌落ち予測指摘箇所が所定面積より小さい場合には、肌落ち可能性として「０」の正解ラベルが設定される。

次に、本発明に係る肌落ち予測システム１で用いられる重み係数について説明する。図７は本発明に係る肌落ち予測システム１の学習モデル２で用いられる重み係数を説明する図である。トンネル切羽１０における肌落ちの確率は、トンネル切羽１０の中央部より周縁部の方がより高く、さらに、トンネル切羽１０の下方部より上方部の方がより高いことが経験的に知られている。

そこで、画像データＧｎを学習モデル２で処理する際には、どの４つのグリッドで画像データＧｎが構成されているかに応じて、重み係数によって重み付けを行うようにする。図７示す例では、重み係数として１．３を有するグリッド、重み係数として１．０を有するグリッド、重み係数として０．７を有するグリッドの３種類が設定されている。重み係数の値や、種類は任意であるが、重み係数の値としては、トンネル切羽１０の中央部より周縁部の方がより高く、さらに、トンネル切羽１０の下方部より上方部の方がより高くなるように設定される。

重み係数が異なるグリッドで構成される画像データについては、例えば、４つの重み係数の平均値を、その画像データにとっての重み係数として、利用することができる。例えば、図７で示されている画像データＧｎの重み係数としては、（１．０＋１．０＋１．０＋１．３）／４＝１．０７５を用いることができる。

図８は、本発明の実施形態に係る学習モデル２に適用されるニューラルネットワークモデル２０の一例を示す概略図である。ニューラルネットワークモデル２０は、機械学習の具体的な手法として、畳み込みニューラルネットワーク（ＣＮＮ）を採用したものである。ニューラルネットワークモデル２０は、入力層２１、第１の中間層２２ａ、第２の中間層２２ｂ、第１の出力層２３ａ、第２の出力層２３ｂ、及び、第３の出力層２３ｃを備える。

ニューラルネットワークモデル２０において、第１の中間層２２ａ、第１の出力層２２
ａでは、肌落ち予測指摘箇所に関するデータ処理がなされ、第２の中間層２２ｂ、第２の出力層２３ｂでは、肌落ち要因パターン指摘箇所に関するデータ処理がなされる。第１の出力層２３ａからの出力は、先に説明した重み係数によって重み付けされた上で、第３の出力層２３ｃを有する全結合層２２２ｃに入力される。また、第２の出力層２３ｂからの出力は、第３の出力層２３ｃを有する全結合層２２２ｃに入力される。

入力層２１は、入力データとしての画像データＧｎの画素数に対応する数のニューロンを有し、各ピクセルの画素値が各ニューロンにそれぞれ入力される。

第１の中間層２２ａ、第２の中間層２２ｂは、それぞれ畳み込み層２２０ａ、２２０ｂプーリング層２２１ａ、２２１ｂ及び全結合層２２２ａ、２２２ｂから構成されている。それぞれの畳み込み層、プーリング層としては共通のものを利用できる。畳み込み層２２０ａ、２２０ｂ及びプーリング層２２１ａ、２２１ｂは、例えば、交互に複数層設けられている。畳み込み層２２０ａ、２２０ｂ及びプーリング層２２１ａ、２２１ｂは、入力層２１を介して入力された画像から特徴量を抽出する。

それぞれの全結合層２２２ａ、２２２ｂは、それぞれの畳み込み層２２０ａ、２２０ｂ及びプーリング層２２１ａ、２２１ｂにより画像から抽出された二次元配列の特徴量を、例えば、活性化関数によって変換し、一次元配列の特徴ベクトルとして出力する。なお、全結合層２２２ａ、２２２ｂは、複数層設けられていてもよい。

出力層２３ａは、全結合層２２２ａから出力された特徴ベクトルに基づいて、画像データＧｎに含まれる肌落ち予測指摘箇所の判定結果を含む出力データを出力する。また、出力層２３ｂは、全結合層２２２ｂから出力された特徴ベクトルに基づいて、画像データＧｎに含まれる肌落ち要因パターン指摘箇所の判定結果を含む出力データを出力する。

図９は各出力層で得られる推論結果を説明する図である。図９に示すように、出力層２３ａは、「肌落ち予測箇所あり」、「肌落ち予測箇所あり」が出力される。また、出力層２３ｂからは「分類（1）の比率」、「分類（2）の比率」、「分類（3）の比率」、「分類（4）の比率」、「分類（5）の比率」、「分類（6）の比率」、「分類（7）の比率」、「分類（8）の比率」、「分類（1）-（8）のいずれにも該当しない比率」が出力される。

第１の出力層２３ａからの出力は、重み係数によって重み付けされた上で、全結合層２２２ｃに入力される。また、第２の出力層２３ｂからの出力は、全結合層２２２ｃに入力される。第３の出力層２３ｃからは、「肌落ち可能性」が０から１の間の値で、出力されるように設定されている。

ニューラルネットワークモデル２０ａ、２０ｂの各層の間には、層間のニューロンをそれぞれ接続するシナプスが張られており、中間層２２ａ、２２ｂの畳み込み層２２０ａ、２２０ｂ及び全結合層２２２ａ、２２２ｂの各シナプスには、重みが対応付けられている。

機械学習部４０１は、学習データをニューラルネットワークモデル２０に入力し、入力データ（学習用画像３０から切り出された画像データＧｎ）と、出力データとの相関関係をニューラルネットワークモデル２０に機械学習させる。具体的には、機械学習部４０１は、学習データを構成する画像データＧｎを入力データとして、ニューラルネットワークモデル２０の入力層２１に入力する。なお、機械学習部４０１は、学習用画像３０を入力層２１に入力する際の前処理として、所定の画像調整（例えば、画像フォーマット、画像サイズ、画像フィルタ、画像マスク等）を画像データＧｎに施してもよい。

機械学習部４０１は、出力層２３から推論結果として出力された出力データと、当該学習データを構成する出力データ（正解ラベル）とを比較する誤差関数を用いて、誤差関数の評価値が小さくなるように、各シナプスに対応付けられた重みを調整する（バックプロバケーション）ことを反復する。

機械学習部４０１は、上記の一連の処理を所定の回数反復実施することや、誤差関数の評価値が許容値より小さくなること等の所定の学習終了条件が満たされたと判断した場合には、機械学習を終了し、そのときのニューラルネットワークモデル２０（各シナプスのそれぞれに対応付けられた全ての重みからなる重みパラメータ群）を、学習済みの学習モデル２として学習済みモデル記憶部４３に格納する。なお、機械学習部４０１は、学習モデル２の機械学習を実施する際、重みを調整する手法として、例えば、オンライン学習、バッチ学習、ミニバッチ学習等を採用してもよいし、複数組の学習データを訓練データとテストデータに分割して学習モデル２を評価する手法として、例えば、ホールドアウト法、交差検証等を採用してもよいし、所定の学習終了条件として、誤判定率が最小であることを判定するようにしてもよい。
（肌落ち予測装置５）
図１０は、本発明の実施形態に係る肌落ち予測装置５の一例を示すブロック図である。肌落ち予測装置５は、制御部５０、通信部５１、及び、学習済みモデル記憶部５２を備える。

制御部５０は、判定データ取得部５００、推論部５０１及び出力処理部５０２として機能する。通信部５１は、ネットワーク７を介して外部装置（例えば、撮像装置３、機械学習装置４及び端末装置６等）と接続され、各種のデータを送受信する通信インターフェースとして機能する。

判定データ取得部５００は、外部装置と通信部５１及びネットワーク７を介して接続され、トンネル切羽１０が撮像された予測用画像３１を含む判定データを取得する。予測用画像３１は、学習の際と同様に、４つのグリッドからなる画像データとして切り出されて肌落ち予測に用いるようにする。予測用画像３１から切り出された画像データをＨｎ（ｎは自然数）と称することとする。肌落ち予測装置５からは、予測用画像３１から切り出された画像データＨｎに対して「肌落ち可能性」が０から１の間の値で出力される。予測用画像３１は、機械学習装置４にて学習モデル２を機械学習させたときの学習用画像３０に相当するものである。また、それぞれのＨｎに対しては、学習の際と同様に、重み係数が算出されて、学習モデル２に対して入力される。なお、判定データには、少なくとも予測用画像３１が含まれるが、肌落ちの予測に有用なその他のデータも含めることができる。

推論部５０１は、判定データ取得部５００により取得された画像データＨｎを学習モデル２に入力することにより、トンネル切羽１０の「肌落ち可能性」を推論する推論処理を行う。

学習済みモデル記憶部５２は、推論部５０１の推論処理にて用いられる学習済みの学習モデル２を記憶するデータベースである。なお、学習済みモデル記憶部５２に記憶される学習モデル２の数は１つに限定されず、例えば、機械学習の手法が異なる複数の学習済みモデルが記憶され、選択的に利用可能としてもよい。また、学習済みモデル記憶部５２は、外部コンピュータ（例えば、サーバ型コンピュータやクラウド型コンピュータ）の記憶部で代用されてもよく、その場合には、推論部５０１は、当該外部コンピュータにアクセスすることで、上記の推論処理を行ってもよい。

出力処理部５０２は、推論部５０１により推論されたトンネル切羽１０の画像データＨｎに対する「肌落ち可能性」の予測結果を出力するための出力処理を行う。予測結果を出力するための具体的な出力手段は、種々の手段を採用することが可能である。例えば、出力処理部５０２は、判定結果を端末装置６に送信したり、さらに画面表示したりしてもよいし、判定結果を肌落ち予測装置５の記憶部に記憶したりしてもよい。

ここでの学習モデル２は、機械学習装置４にて複数組の学習データを用いて、学習用画像３０から切り出された画像データＧｎと、肌落ち予測指摘箇所、肌落ち要因パターン指摘箇所とのの関関係を機械学習させたものであり、重みパラメータ群が調整済み（学習済み）の学習モデル２である。したがって、推論部５０１は、予測用画像３１から切り出された画像データＨｎと、重み係数とを学習モデル２に入力することにより、当該予測用画像３１の画像データＨｎにおける「肌落ち可能性」を推論することができる。

なお、予測用画像３１に含まれる画像データＨｎに対する肌落ちの予測結果は、学習済みモデル記憶部５２や他の記憶装置（不図示）に記憶されることが好ましく、過去の予測結果は、例えば、学習済みの学習モデル２の推論精度の更なる向上のため、オンライン学習や再学習に用いられる学習データとして利用してもよい。
（コンピュータ９００の構成）
図１１は、肌落ち予測システム１の各装置３～６を構成するコンピュータ９００の一例を示すハードウエア構成図である。

肌落ち予測システム１の各装置３～６は、汎用又は専用のコンピュータ９００により構成される。コンピュータ９００は、その主要な構成要素として、バス９１０、プロセッサ９１２、メモリ９１４、入力デバイス９１６、出力デバイス９１７、表示デバイス９１８、ストレージ装置９２０、通信Ｉ／Ｆ（インターフェース）部９２２、外部機器Ｉ／Ｆ部９２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部９２６、及び、メディア入出力部９２８を備える。なお、上記の構成要素は、コンピュータ９００が使用される用途に応じて適宜省略されてもよい。

プロセッサ９１２は、１つ又は複数の演算処理装置（ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＤＳＰ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等）で構成され、コンピュータ９００全体を統括する制御部として動作する。メモリ９１４は、各種のデータ及びプログラム９３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ、フラッシュメモリ等）とで構成される。

入力デバイス９１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成され、入力部として機能する。出力デバイス９１７は、例えば、音（音声）出力装置、バイブレーション装置等で構成され、出力部として機能する。表示デバイス９１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成され、出力部として機能する。入力デバイス９１６及び表示デバイス９１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置９２０は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、記憶部として機能する。ストレージ装置９２０は、オペレーティングシステムやプログラム９３０の実行に必要な各種のデータを記憶する。

通信Ｉ／Ｆ部９２２は、インターネットやイントラネット等のネットワーク９４０（図１のネットワーク７と同じでもよい）に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器Ｉ／Ｆ部９２４は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器９５０に有線又は無線により接続され、所定の通信規格に従って外部機器９５０との間でデータの送受信を行う通信部として機能する。Ｉ／ＯデバイスＩ／Ｆ部９２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス９６０に接続され、Ｉ／Ｏデバイス９６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部９２８は、例えば、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）ドライブ、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）ドライブ等のドライブ装置で構成され、ＤＶＤ、ＣＤ等のメディア（非一時的な記憶媒体）９７０に対してデータの読み書きを行う。

上記構成を有するコンピュータ９００において、プロセッサ９１２は、ストレージ装置９２０に記憶されたプログラム９３０をメモリ９１４に呼び出して実行し、バス９１０を介してコンピュータ９００の各部を制御する。なお、プログラム９３０は、ストレージ装置９２０に代えて、メモリ９１４に記憶されていてもよい。プログラム９３０は、インストール可能なファイル形式又は実行可能なファイル形式でメディア９７０に記録され、メディア入出力部９２８を介してコンピュータ９００に提供されてもよい。プログラム９３０は、通信Ｉ／Ｆ部９２２を介してネットワーク９４０経由でダウンロードすることによりコンピュータ９００に提供されてもよい。また、コンピュータ９００は、プロセッサ９１２がプログラム９３０を実行することで実現する各種の機能を、例えば、ＦＰＧＡ（ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）等のハードウエアで実現するものでもよい。

コンピュータ９００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ９００は、コンピュータ９００の使用用途に応じて、クライアント型コンピュータやエッジ型コンピュータで構成されてもよいし、サーバ型コンピュータやクラウド型コンピュータで構成されてもよい。
（機械学習方法）
図１２は、本発明の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである。

まず、ステップＳ１００において、学習データ取得部４００は、機械学習を開始するための事前準備として、所望の数の学習データを準備し、その準備した学習データを学習データ記憶部４２に記憶する。ここで準備する学習データの数は、最終的に得られる学習モデル２に求められる推論精度を考慮して設定すればよい。

学習データを準備する方法には、いくつかの方法を採用することができる。例えば、撮像装置３を用いてトンネル切羽１０の学習用画像３０を撮像し、端末装置６を用いて、熟練技術者が、学習用画像３０中に肌落ち予測指摘箇所、肌落ち要因パターン指摘箇所を記録していく。このような作業を、新たなトンネル切羽１０が出現する毎に繰り返すことで学習データを複数組準備することが可能である。

次に、ステップＳ１１０において、機械学習部４０１は、機械学習を開始すべく、学習前の学習モデル２を準備する。ここで準備する学習前の学習モデル２は、図８に例示した畳み込みニューラルネットワークを採用したものであり、各シナプスの重みが初期値に設定されている。入力層２１の各ニューロンには、学習データを構成する入力データとしての学習用画像３０から切り出された画像データＧｎの各画素が対応付けられる。
第１の出力層２３ａの各ニューロンには、学習データを構成する出力データとしての肌落ち予測指摘箇所のあり、なしが対応付けられる。第２の出力層２３ｂの各ニューロンには、学習データを構成する出力データとしての肌落ち要因パターン指摘箇所に基づいた各分類の比率が対応付けられる。第３の出力層２３ｃの各ニューロンには、学習データを構成する出力データとしての肌落ち可能性が対応付けられる。

次に、ステップＳ１２０において、機械学習部４０１は、学習データ記憶部４２に記憶された複数組の学習データから、例えば、ランダムに１組の学習データを取得する。

次に、ステップＳ１３０において、機械学習部４０１は、１組の学習データに含まれる入力データを、準備された学習前（又は学習中）の学習モデル２の入力層に入力する。その結果、学習モデル２の出力層から推論結果として出力データが出力されるが、当該出力データは、学習前（又は学習中）の学習モデル２によって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習データに含まれる出力データ（正解ラベル）とは異なる情報を示す。

次に、ステップＳ１４０において、機械学習部４０１は、ステップＳ１２０において取得された１組の学習データに含まれる出力データ（正解ラベル）と、ステップＳ１３０において出力層から推論結果として出力された出力データとを比較し、各シナプスの重みを調整することで、機械学習を実施する。これにより、機械学習部４０１は、入力データと出力データとの相関関係を学習モデル２に学習させる。

次に、ステップＳ１５０において、機械学習部４０１は、所定の学習終了条件が満たされたか否かを、例えば、推論結果と、学習データに含まれる出力データ（正解ラベル）とに基づく誤差関数の評価値や、学習データ記憶部４２内に記憶された未学習の学習データの残数に基づいて判定する。

ステップＳ１５０において、機械学習部４０１が、学習終了条件が満たされておらず、機械学習を継続すると判定した場合（ステップＳ１５０でＮｏ）、ステップＳ１２０に戻り、学習中の学習モデル２に対してステップＳ１２０～Ｓ１４０の工程を未学習の学習データを用いて複数回実施する。一方、ステップＳ１５０において、機械学習部４０１が、学習終了条件が満たされて、機械学習を終了すると判定した場合（ステップＳ１５０でＹｅｓ）、ステップＳ１６０に進む。

そして、ステップＳ１６０において、機械学習部４０１は、各シナプスに対応付けられた重みを調整することで機械学習させた学習済みの学習モデル２（調整済みの重みパラメータ群）を学習済みモデル記憶部４３に記憶し、図８に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ１００が学習データ記憶工程、ステップＳ１１０～Ｓ１５０が機械学習工程、ステップＳ１６０が学習済みモデル記憶工程に相当する。なお、図１２に示す一連の機械学習方法では、重みを調整する手法として、オンライン学習を採用した場合について説明したが、バッチ学習やミニバッチ学習（例えば、１００組の学習データ単位）等が採用されてもよい。また、複数組の学習データを訓練データとテストデータに分割した場合には、図１２に示す一連の機械学習方法は、訓練データを用いて実行されればよい。さらに、所定の学習終了条件が満たされたか否かを誤判定率に基づいて判定するようにしてもよい。

以上のように、本実施形態に係る機械学習装置４及び機械学習方法によれば、撮像装置３よりトンネル切羽１０の少なくとも一部が撮像された学習用画像３０から、トンネル切羽１０の肌落ち予測を高精度に推論（判定、予測）することが可能な学習モデル２を提供することができる。
（肌落ち予測方法）
図１３は、本発明の実施形態に係る肌落ち予測装置５による肌落ち予測方法の一例を示すフローチャートである。なお、図１３に示す一連の肌落ち予測方法は、肌落ち予測装置５により所定のタイミングにて繰り返し実行される。所定のタイミングは、任意のタイミングでよく、例えば、撮像装置３が予測用画像３１を新たに撮像したときでもよいし、所定の事象発生時（端末装置６から管理者や作業者による判定操作を受け付けた時、肌落ち予測システム１から判定指令を受信した時等）でもよい。

ステップＳ２００において、トンネル切羽１０が撮像装置３により撮像されて、予測用画像３１が肌落ち予測装置５に送信されることで、判定データ取得部５００が、当該予測用画像３１を含む判定データを取得する。

続いて、ステップＳ２１０から予測用画像から、これまで説明したようにグリッドに基づいて複数の画像データＨｎを切り出す処理を実行する。そして、ステップＳ２２０においては、各画像データＨｎの重み係数を、これまで説明した要領で算出する。

次に、ステップＳ２３０において、推論部５０１は、画像データＨｎ、その重み係数を学習済みの学習モデル２の入力層に入力し、その学習モデル２の出力層から推論結果として、画像データＨｎに対する「肌落ち可能性」を０から１の間の値で得る。

ステップＳ２４０においては、全ての画像データＨｎについて、推論結果を得たか否かが判定される。当該判定の結果がＮｏであれば、ステップＳ２８０で、次の対象となる画像データを選択して、再びステップＳ２３０に進む。一方、当該判定の結果がＹｅｓであれば、ステップＳ２５０に進む。

ステップＳ２５０では、画像データＨｎに基づく推論結果を、予測用画像に対応するものに復元する。推論結果として、画像データＨｎ毎に「肌落ち可能性」の値が得られているが、画像データＨｎには重複するグリッドが存在するので、あるグリッドに対しては、異なる「肌落ち可能性」の値が得られることがある。そのような場合は、安全サイドに振るために、「肌落ち可能性」の値としてより高い値のものをそのグリッドに対応させるようにするのがよい。

また、ステップＳ２５０では、上記のようにして、各グリッドに「肌落ち可能性」の値が対応付けられた予測用画像において、肌落ち可能性の値が所定値以上の箇所を「肌落ち予測箇所」として表示できるように標識を生成する。

続く、ステップＳ２６０においては、予測用画像において肌落ち可能性の値が所定値以上の箇所が存在する場合には、予測根拠の可視化する処理を実行する。これにより、肌落ち予測箇所として、ニューラルネットワークでどのような観点で選択されたかについての知見を得ることができ、この意味でも、肌落ち予測のブラックボックス化を防止することが可能となる。なお、予測根拠の可視化について処理は、Ｇｒａｄ―ＣＡＭ（Ｇｒａｄｉｅｎｔ－ｗｅｉｇｈｔｅｎｄ Ｃｌａｓｓ Ａｃｔｖａｔｉｏｎ Ｍａｐｐｉｎｇ）などの周知のアルゴリズムを用いることができる。

ステップＳ２７０では、出力処理部５０２により、例えば、表示等の出力を実行する。このようなステップＳ２７０に基づく、出力表示例を図１４に示す。図１４（Ａ）は、ステップＳ２５０で肌落ち予測箇所として標識された予測用画像の例を示している。図１４（Ａ）の例では、肌落ち予測箇所が、枠などの標識で囲まれて、認識できるようになっている。また、図１４（Ｂ）は、ステップＳ２６０で予測根拠の可視化する処理された予測用画像の例を示している。図１４（Ｂ）の例では、学習モデル２がどのような根拠で予測を行ったかを濃淡（或いは、色の別など）によって、認識できるようになっている。

以上、本発明に係る肌落ち予測装置５によれば、肌落ち予測指摘箇所に加え、肌落ち要因パターン指摘箇所に基づいて、肌落ち予測箇所が推論されるので、より精度高く肌落ちの危険性がある箇所を予測することができる。また、肌落ち要因パターン指摘箇所に基づく推論がなされるために、肌落ち予測要因がブラックボックス化してしまうことを防止できる。

また、本発明に係る機械学習装置４によれば、より精度高く肌落ちの危険性がある箇所を予測可能な肌落ち予測装置５に用いられる学習モデルを生成することができる。

本発明に係る肌落ち予測方法によれば、肌落ち予測指摘箇所に加え、肌落ち要因パターン指摘箇所に基づいて、肌落ち予測箇所が推論されるので、より精度高く肌落ちの危険性がある箇所を予測することができる。また、肌落ち要因パターン指摘箇所に基づく推論がなされるために、肌落ち予測要因がブラックボックス化してしまうことを防止できる。

また、本発明に係る機械学習方法によれば、より精度高く肌落ちの危険性がある箇所を予測可能な肌落ち予測方法に用いられる学習モデルを生成することができる。

また、本発明に係る肌落ち予測装置５及び肌落ち予測方法によれば、経験の浅い技術者や作業員でも、地質専門家の技能と同様の人工知能に基づく知見を得ることにより、肌落ち可能性のある箇所を事前に認識できるため、当該技術者や作業員が経験を積むことができるようになると共に、作業の安全性が確保できる。

また、本発明に係る肌落ち予測装置５及び肌落ち予測方法によれば、撮像装置により写真を撮るだけで、肌落ち可能性のある個所がわかるため、熟練技術でなくても、切羽観察や切羽監視ができるため、熟練技術者の省人化がはかれる。

また、本発明に係る肌落ち予測装置５及び肌落ち予測方法によれば、コソク（岩塊など落下させる浮石落しの作業）が十分であるかを確認可能となるため、コソクの作業時間を短縮できる。

また、本発明に係る肌落ち予測装置５及び肌落ち予測方法によれば、コソクが徹底され、浮石が除去されるので品質が向上する。

また、本発明に係る肌落ち予測装置５及び肌落ち予測方法によれば、適切な吹付厚が提案できるので、合理的な鏡吹付ができる。

また、本発明に係る肌落ち予測装置５及び肌落ち予測方法によれば、肌落ち防止設備が不要となり、経済的になるとともに、切羽作業効率が向上する。

トンネル切羽と類似した状況は、岩盤の大規模切土法面掘削時、採石場残壁斜面、自然斜面などにも見られる。本発明に係る肌落ち予測装置５及び肌落ち予測方法は、山岳トンネルの切羽だけに限定するのではなく、これらののり面や斜面にも適用可能であり、肌落ちおよび落石災害防止のためのモニタリング方法の一つとなる。

これまで説明した実施形態では、機械学習の学習手法として、トンネル切羽１０の肌落ちの予測・判定を分類問題として扱うニューラルネットワークモデル（深層学習を含む）２０、により学習モデル２を構成した場合について説明したが、回帰問題として扱うニューラルネットワークモデルにより学習モデルを構成してもよい。さらに、上記実施形態における入力データ及び出力データの相関関係を学習データから機械学習するものであれば、上記の例に限られるものでなく、他の学習手法を採用してもよい。例えば、学習モデルは、再帰型ニューラルネットワーク（ＲＮＮ）やアンサンブル学習を用いたものでもよい。また、回帰問題として扱う場合には、学習モデルは、統計的な学習手法を採用したものでもよく、例えば、自己回帰和分移動平均（ＡＲＩＭＡ）モデルやベイズ推定等の統計的モデルを用いたものでもよい。

また、上記実施形態における機械学習装置４の制御部４０、又は、肌落ち予測装置５の制御部５０が備える各部は、図１１に示すコンピュータ９００のプロセッサ９１２にプログラムで実行させることで実現されるものでもよい。
きる。

また、上記実施形態に係る肌落ち予測装置５の態様に代えて、トンネル切羽１０の肌落ちの予測・判定するために用いられる推論装置（推論方法又は推論プログラム）の態様で提供してもよい。この場合、推論装置は、メモリと、プロセッサとを含み、このうちのプロセッサが、一連の処理を実行する。

当該一連の処理には、予測用画像３１を含む判定データを取得するデータ取得処理と、データ取得処理にて判定データを取得すると、予測用画像３１を学習モデルに入力し、予測用画像３１に撮像されたトンネル切羽の肌落ち予測箇所を推論する推論処理とが含まれる。

上記の推論装置（推論方法又は推論プログラム）の態様で提供することで、肌落ち予測装置５を実装する場合に比して簡単に種々の装置への適用が可能となる。なお、推論装置（推論方法又は推論プログラム）がトンネル切羽１０の肌落ちを予測・判定する際、上記実施形態に係る機械学習装置４により生成された学習済みの学習モデル２を用いて、肌落ち予測装置５の推論部５０１が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。

１・・・肌落ち予測システム、
２、２ａ、２ｂ・・・学習モデル、
３・・・撮像装置、
４・・・機械学習装置、
５・・・肌落ち予測装置、
６・・・端末装置、
７・・・ネットワーク、
８Ａ・・・環境観測装置、
８Ｂ・・・環境情報提供装置、
１０・・・トンネル切羽、
２０・・・ニューラルネットワークモデル、
２１・・・入力層、
２２ａ・・・第１の中間層、
２２ｂ・・・第２の中間層、
２３ａ・・・第１の出力層、
２３ｂ・・・第２の出力層、
２３ｃ・・・第３の出力層
３０・・・学習用画像、
３１・・・予測用画像、
４０・・・制御部、
４１・・・通信部、
４２・・・学習データ記憶部、
４３・・・学習済みモデル記憶部、
５０・・・制御部、
５１・・・通信部、
５２・・・学習済みモデル記憶部、
８０・・・学習用環境情報、
８１・・・判定用環境情報、
２２０ａ、２２０ｂ・・・畳み込み層、
２２１ａ、２２１ｂ・・・プーリング層、
２２２ａ、２２２ｂ、２２２ｃ・・・全結合層、
４００、４００ａ、４００ｂ・・・学習データ取得部、
４０１、４０１ａ、４０１ｂ・・・機械学習部、
５００、５００ａ・・・判定データ取得部、
５０１、５０１ａ、５０１ｂ・・・推論部、
５０２・・・出力処理部、
９００・・・コンピュータ
９１０・・・バス、
９１２・・・プロセッサ、
９１４・・・メモリ、
９１６・・・入力デバイス、
９１７・・・出力デバイス、
９１８・・・表示デバイス、
９２０・・・ストレージ装置、
９２２・・・通信Ｉ／Ｆ（インターフェース）部、
９２４・・・外部機器Ｉ／Ｆ部、
９２６・・・Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部、
９２８・・・メディア入出力部

Claims (10)

1. トンネル切羽における肌落ちを予測する肌落ち予測装置であって、
   トンネル切羽が撮像された予測用画像を含む判定データを取得する判定データ取得部と、
   前記トンネル切羽が撮像された学習用画像を含む入力データと、当該学習用画像に含まれる肌落ち予測指摘箇所と肌落ち要因パターン指摘箇所とに関するデータを含む出力データとの相関関係を機械学習させた学習モデルを記憶する学習済みモデル記憶部と、
   前記判定データ取得部により取得された前記判定データを前記学習モデルに入力し、前記予測用画像に撮像された前記トンネル切羽の肌落ち予測箇所を推論する推論部とを備えることを特徴とする肌落ち予測装置。
2. 前記予測用画像は、複数の画像データに切り出され用いられると共に、
   複数の画像データのそれぞれは、他の画像データとの重複部を有することを特徴とする請求項１に記載の肌落ち予測装置。
3. 複数の画像データそれぞれは重み係数を有し、画像データと共に当該画像データの重み係数が前記学習モデルに入力されることを特徴とする請求項２に記載の肌落ち予測装置。
4. 前記予測用画像において、前記肌落ち予測箇所が標識されることを特徴とする請求項１乃至請求項３のいずれか１項に記載の肌落ち予測装置。
5. 前記予測用画像において、前記肌落ち予測箇所の予測根拠が可視化されることを特徴とする請求項１乃至請求項４のいずれか１項に記載の肌落ち予測装置。
6. トンネル切羽における肌落ちを予測する肌落ち予測装置に用いられる学習モデルを生成する機械学習装置であって、
   前記トンネル切羽が撮像された学習用画像を含む入力データと、当該学習用画像に含まれる肌落ち予測指摘箇所と肌落ち要因パターン指摘箇所とに関するデータを含む出力データとで構成される学習データを複数組記憶する学習データ記憶部と、
   前記学習モデルに前記学習データを複数組入力することで、前記入力データと前記出力データとの相関関係を前記学習モデルに機械学習させる機械学習部と、
   前記機械学習部により機械学習させた前記学習モデルを記憶する学習済みモデル記憶部とを備えることを特徴とする機械学習装置。
7. 前記学習用画像は、複数の画像データに切り出され用いられると共に、
   複数の画像データのそれぞれは、他の画像データとの重複部を有することを特徴とする請求項７に記載の機械学習装置。
8. 複数の画像データそれぞれは重み係数を有し、画像データと共に当該画像データの重み係数が前記学習モデルに入力されることを特徴とする請求項７に記載の機械学習装置。
9. トンネル切羽における肌落ちを予測する肌落ち予測方法であって、
   トンネル切羽が撮像された予測用画像を含む判定データを取得する判定データ取得工程と、
   前記判定データ取得工程により取得された前記判定データを、前記トンネル切羽が撮像された学習用画像を含む入力データと、当該学習用画像に含まれる肌落ち予測指摘箇所と肌落ち要因パターン指摘箇所とに関するデータを含む出力データとの相関関係を機械学習させた学習モデルに入力し、前記予測用画像に撮像された前記トンネル切羽の肌落ち予測箇所をを推論する推論工程とを備えることを特徴とする肌落ち予測方法。
10. トンネル切羽における肌落ちを予測する肌落ち予測方法に用いられる学習モデルを生成する機械学習方法であって、
    前記トンネル切羽が撮像された学習用画像を含む入力データと、当該学習用画像に含まれる肌落ち予測指摘箇所と肌落ち要因パターン指摘箇所とに関するデータを含む出力データとで構成される学習データを学習データ記憶部に複数組記憶する学習データ記憶工程と、
    前記学習モデルに前記学習データを複数組入力することで、前記入力データと前記出力データとの相関関係を前記学習モデルに機械学習させる機械学習工程と、
    前記機械学習工程により機械学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程とを備えることを特徴とする機械学習方法。

Images