JP2023139099A - 学習用データ収集装置、学習用データ収集方法、及びプログラム - Google Patents

学習用データ収集装置、学習用データ収集方法、及びプログラム Download PDF

Info

Publication number
JP2023139099A
JP2023139099A JP2023116865A JP2023116865A JP2023139099A JP 2023139099 A JP2023139099 A JP 2023139099A JP 2023116865 A JP2023116865 A JP 2023116865A JP 2023116865 A JP2023116865 A JP 2023116865A JP 2023139099 A JP2023139099 A JP 2023139099A
Authority
JP
Japan
Prior art keywords
image
information
learning data
learning
inspection
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.)
Pending
Application number
JP2023116865A
Other languages
English (en)
Inventor
修平 堀田
Shuhei Hotta
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujifilm Corp filed Critical Fujifilm Corp
Publication of JP2023139099A publication Critical patent/JP2023139099A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211Selection of the most significant subset of features
    • G06F18/2113Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/25Determination of region of interest [ROI] or a volume of interest [VOI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/50Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/771Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747Organisation of the process, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30132Masonry; Concrete
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30168Image quality inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

【課題】効率的な再学習を行える学習用データを収集する学習用データ収集装置、学習用データ収集方法及びプログラムを提供する。【解決手段】学習用データ収集装置10が搭載されたコンピュータAは、検査画像を取得する検査画像取得部11と、学習された領域検出器で検出された領域検出結果を取得する領域検出結果取得部(損傷検出結果取得部13)と、領域検出結果の修正履歴を取得する修正履歴取得部15と、修正履歴を定量化した修正定量化情報を算出する算出部17と、検査画像、領域検出結果、及び修正履歴を関連づけて記憶するデータベースと、データベースから再学習に使用する検査画像を抽出する抽出条件であって、修正定量化情報の閾値を抽出条件として設定する画像抽出条件設定部19と、抽出条件を満たす検査画像を、領域検出器を再学習させる学習用データとして抽出する第1の学習用データ抽出部21と、を備える。【選択図】図2

Description

本発明は、学習用データ収集装置、学習用データ収集方法、及びプログラムに関し、特に領域検出器に再学習させる学習用データを抽出する学習用データ収集装置、学習用データ収集方法、及びプログラムである。
近年、検査対象の対象物の撮影画像を使用して、対象物の検査を行うことがある。対象物の検査は、対象物の撮影画像から所定の領域を検出及び特定することにより行われる。例えば、構造物の損傷検査を行う場合には、検査の対象物である、橋梁、道路、ビル等の構造物の撮影画像が取得される。そしてその撮影画像から画像処理により、構造物の損傷を検出及び特定することが行われる。
ここで、撮影画像から画像処理により領域を検出する手法の一つとして、機械学習をさせた領域検出器(例えば損傷検出器)により、領域を検出する手法が知られている。また、一旦、機械学習をさせた領域検出器に対して、新たに再学習(又は追加学習)をさせることにより、領域検出の精度を向上させることができることも知られている。しかしながら、データベース等に蓄積された膨大な数の画像を全て学習用データとして、領域検出器に学習させていては、学習させる時間が膨大となってしまう。また、学習用データとして適切なデータを学習しなければ、高い学習効果を期待することができない。すなわち、無作為に学習用データを選択しているだけでは、領域検出器に効率的な学習を行わせることはできない。
そこで従来より、機械学習を行わせる場合に、効率の良い学習を行わせることを目的として、学習用データの抽出手法に関する提案がなされている。
例えば、特許文献1には、画像の識別精度を確実且つ迅速に向上させることを目的とした技術が記載されている。具体的には、過去の機械学習に用いられた画像以外の画像であって、過去の機械学習に用いられた画像に対する類似度が低い画像を機械学習に用いる技術が記載されている。
特開2017-224184号公報
ここで、対象物の領域の検出を機械学習させた領域検出器により行う場合において、効率的な機械学習を行うためには、その領域検出器で行われた領域検出結果にユーザが満足いかなかった検査画像を使用して再学習を行わせる必要がある。
一方で、ユーザは領域検出結果に対して軽微な修正を行うこともある。このような軽微な修正でも学習には時間は要する。
したがって、効率的な再学習を行うため、ユーザが満足いかなかった検査画像を抽出するとともに、軽微な修正は再学習の対象外としたい。
本発明はこのような事情に鑑みてなされたもので、効率的な再学習を行える学習用データを収集する学習用データ収集装置、学習用データ収集方法、及びプログラム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、本発明の一の態様である学習用データ収集装置は、検査の対象物を撮像した検査画像を取得する検査画像取得部と、検査画像に基づいて、学習された領域検出器で検出された領域検出結果を取得する領域検出結果取得部と、領域検出結果の修正履歴を取得する修正履歴取得部と、修正履歴を定量化した修正定量化情報を算出する算出部と、検査画像、領域検出結果、及び修正履歴を関連づけて記憶するデータベースと、データベースから再学習に使用する検査画像を抽出する抽出条件であって、修正定量化情報の閾値を抽出条件として設定する画像抽出条件設定部と、データベースから、抽出条件を満たす検査画像と検査画像に関連付けられた領域検出結果及び修正履歴とを、領域検出器を再学習させる学習用データとして抽出する第1の学習用データ抽出部と、を備える。
本態様によれば、修正履歴を定量化した修正定量化情報が算出され、一定の修正定量化情報を有する検査画像が学習用データとして抽出されるので、ユーザが領域検出結果に修正を加え、且つその修正が軽微な修正ではない検査画像を学習用データとして収集することができ、収集された学習用データを用いることにより、効率的な再学習を領域検出器に実施することができる。
好ましくは、学習用データ収集装置は、検査画像における実寸サイズ情報を取得する実寸サイズ情報取得部を備え、算出部は、修正定量化情報は実寸サイズ情報により実寸サイズに換算された修正定量化情報を算出する。
好ましくは、画像抽出条件設定部は対象物の画像情報を受け付け、第1の学習用データ抽出部は、画像情報と修正定量化情報の閾値とに基づいて、検査画像をデータベースから抽出する。
好ましくは、対象物の画像情報は、領域の大きさ情報、領域の位置情報、領域の方向情報、領域の種類情報、検査画像のメタ情報のうち少なくとも一つを含む情報である。
好ましくは、学習用データ収集装置は、検査画像の画質を判定する画質判定部を備え、画像抽出条件設定部は検査画像の画質に関する情報を受け付け、第1の学習用データ抽出部は、画質に関する情報と修正定量化情報の閾値とに基づいて、検査画像をデータベースから抽出する。
好ましくは、学習用データ収集装置は、検査画像の識別情報、部材情報、立地情報、環境情報、材質情報、検査情報、及び管理情報の少なくとも一つを含む付帯情報を取得する付帯情報取得部を備え、画像抽出条件設定部は付帯情報を受け付け、第1の学習用データ抽出部は、検査画像が有する付帯情報と画像抽出条件設定部で受け付けた付帯情報とに基づいて、検査画像を抽出する。
好ましくは、学習用データ収集装置は、検査画像が学習に使用された履歴に関する履歴情報を取得する学習履歴取得部と、取得された履歴情報に基づいて、学習に使用された画像の統計情報を生成する統計情報生成部と、を備え、第1の学習用データ抽出部は、生成された統計情報に基づいて検査画像をデータベースから抽出する。
好ましくは、検査画像取得部は、対象物を分割撮影して得られた分割画像と、分割画像を合成して得られたパノラマ合成画像とを含み、修正履歴取得部は、パノラマ合成画像上における修正履歴を取得し、第1の学習用データ抽出部は、パノラマ合成画像上における修正履歴に基づいて、パノラマ合成画像上の領域を抽出し、領域を構成する分割画像を少なくとも一つ抽出する。
好ましくは、第1の学習用データ抽出部で抽出されなかった検査画像から、領域検出器を再学習させる学習用データとして抽出する第2の学習用データ抽出部を備える。
好ましくは、抽出された検査画像及び検査画像に関連する情報を表示する画像確認表示部を備える。
本発明の他の態様である学習用データ収集方法は、検査の対象物を撮像した検査画像を取得するステップと、検査画像に基づいて、学習された領域検出器で検出された領域検出結果を取得するステップと、領域検出結果の修正履歴を取得するステップと、修正履歴を定量化した修正定量化情報を算出するステップと、検査画像、領域検出結果、及び修正履歴を関連づけて記憶するデータベースから再学習に使用する検査画像を抽出する抽出条件であって、修正定量化情報の閾値を抽出条件として設定するステップと、データベースから、抽出条件を満たす検査画像と検査画像に関連付けられた領域検出結果及び修正履歴とを、領域検出器を再学習させる学習用データとして抽出するステップと、を含む。
本発明の他の態様であるプログラムは、検査の対象物を撮像した検査画像を取得するステップと、検査画像に基づいて、学習された領域検出器で検出された領域検出結果を取得するステップと、領域検出結果の修正履歴を取得するステップと、修正履歴を定量化した修正定量化情報を算出するステップと、検査画像、領域検出結果、及び修正履歴を関連づけて記憶するデータベースから再学習に使用する検査画像を抽出する抽出条件であって、修正定量化情報の閾値を抽出条件として設定するステップと、データベースから、抽出条件を満たす検査画像と検査画像に関連付けられた領域検出結果及び修正履歴とを、領域検出器を再学習させる学習用データとして抽出するステップと、を含む学習用データ収集工程をコンピュータに実行させる。
本発明によれば、修正履歴を定量化した修正定量化情報が算出され、一定の修正定量化情報を有する検査画像が学習用データとして抽出されるので、ユーザが領域検出結果に修正を加え、且つその修正が軽微な修正ではない検査画像を収集することができ、収集された学習用データを用いることにより、効率的な再学習を領域検出器に実施することができる。
図1は、学習用データ収集装置とそれに接続される損傷検出器とを示す概念図である。 図2は、学習用データ収集装置の主な機能構成例を示すブロック図である。 図3は、検査画像取得部が取得する検査画像の一例を示す図である。 図4は、損傷検出結果を示す図である。 図5は、修正履歴を示す概念図である。 図6は、修正履歴の具体例を示す図である。 図7は、修正履歴の具体例を示す図である。 図8は、修正履歴の具体例を示す図である。 図9は、学習用データ収集工程を示したフローチャートである。 図10は、学習用データ収集装置の機能構成例を示すブロック図である。 図11は、データベースに検査画像と関連付けて記憶される、検査画像から得られる情報の記憶構成例を示す図である。 図12は、濃度ヒストグラムの例を示す図である。 図13は、学習用データ収集装置の機能構成例を示すブロック図である。 図14は、学習用データ収集装置の機能構成例を示すブロック図である。 図15は、パノラマ合成画像上の修正履歴を概念的に示す図である。 図16は、検査画像の確認画面の例を示す図である。
以下、添付図面にしたがって本発明にかかる学習用データ収集装置、学習用データ収集方法、及びプログラムの好ましい実施の形態について説明する。なお、以下の説明においては、構造物の損傷検査の例に関して説明する。すなわち、検査の対象物は構造物であり、構造物の検査画像から領域として損傷(損傷領域)を検出する検査が行われる場合について説明する。
図1は、本発明の学習用データ収集装置とそれに接続される領域検出器の一例である損傷検出器とを示す概念図である。図1には、本発明の学習用データ収集装置が搭載されたコンピュータAと、学習済みの損傷検出器が搭載されたコンピュータB1及びB2とが示されている。コンピュータA、コンピュータB1、及びコンピュータB2は、ネットワークに接続されており、相互に情報通信が可能である。
コンピュータAはサーバとして機能し、コンピュータB1及びB2からアップロードされる検査画像、損傷検出結果(領域検出結果)、及び修正履歴のアップロードデータC1及びC2をそれぞれ、ネットワークを介して受信する。また、コンピュータAは、コンピュータB1及びB2に搭載される損傷検出器を再学習させることができる学習用コンピュータとしても機能する。そしてコンピュータAは、再学習された損傷検出器、又は損傷検出器が再学習されることにより得られる検出パラメータファイル(図中では符号Dで示す)をコンピュータB1及びB2に配信する。
コンピュータB1及びB2は、入力された検査画像E1及びE2に対して、搭載された損傷検出器により出力される損傷検出結果、及びその損傷検出結果に対してユーザが行う修正履歴をアップロードデータC1及びC2としてコンピュータAにアップロードする。コンピュータB1及びB2は、損傷検出器により処理された全ての検査画像、又は一部の検査画像のアップロードデータC1及びC2に関してアップロードを行う。なお、コンピュータB1及びB2に搭載される損傷検出器は、既に機械学習を施された損傷検出器であり、公知の技術により学習が施された損傷検出器である。
コンピュータAは、受信したアップロードデータC1及びC2を、搭載するデータベース23(図2)に保存する。また、コンピュータAは、搭載する学習用データ収集装置10(図2)により学習用データを抽出し、抽出した学習用データを使用して再学習を行うので、効率的に損傷検出器の検出性能を向上させることができる。ここで、再学習とは、学習用データを追加して既に学習を行った学習用データを改めて全て学習する場合と、学習用データのみを追加で学習する場合とを含む概念である。なお、コンピュータAに接続される損傷検出器を搭載するコンピュータ(図1ではコンピュータB1とB2)の数は限定されず、単数でも複数でもよい。
コンピュータA、コンピュータB1、及びコンピュータB2は、モニタ9がそれぞれ接続されており、ユーザはキーボード5及びマウス7を介して指令を入力する。なお、図示されたコンピュータの形態は一例である。例えば、図示したコンピュータの代わりにタブレット端末を使用することも可能である。
<第1の実施形態>
次に、本発明の第1の実施形態に関して説明する。
図2は、本実施形態のコンピュータAが搭載する学習用データ収集装置10の主な機能構成例を示すブロック図である。図2に示す学習用データ収集装置10の各種制御を実行するハードウェア的な構造は、次に示すような各種のプロセッサ(processor)である。各種のプロセッサには、ソフトウェア(プログラム)を実行して各種の制御部として機能する汎用的なプロセッサであるCPU(Central Processing Unit)、FPGA(Field Programmable Gate Array)などの製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス(Programmable Logic Device:PLD)、ASIC(Application Specific Integrated Circuit)などの特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路などが含まれる。
1つの処理部は、これら各種のプロセッサのうちの1つで構成されていてもよいし、同種又は異種の2つ以上のプロセッサ(例えば、複数のFPGA、あるいはCPUとFPGAの組み合わせ)で構成されてもよい。また、複数の制御部を1つのプロセッサで構成してもよい。複数の制御部を1つのプロセッサで構成する例としては、第1に、クライアントやサーバなどのコンピュータに代表されるように、1つ以上のCPUとソフトウェアの組合せで1つのプロセッサを構成し、このプロセッサが複数の制御部として機能する形態がある。第2に、システムオンチップ(System On Chip:SoC)などに代表されるように、複数の制御部を含むシステム全体の機能を1つのIC(Integrated Circuit)チップで実現するプロセッサを使用する形態がある。このように、各種の制御部は、ハードウェア的な構造として、上記各種のプロセッサを1つ以上用いて構成される。
学習用データ収集装置10は、検査画像取得部11、損傷検出結果取得部(領域検出結果取得部)13、修正履歴取得部15、算出部17、実寸サイズ情報取得部18、画像抽出条件設定部19、第1の学習用データ抽出部21、データベース23、表示制御部25、及び記憶部26を備える。記憶部26には、プログラム及び学習用データ収集装置10の各種制御に係る情報等が記憶される。また、表示制御部25は、モニタ9による表示を制御する。
検査画像取得部11は、検査対象である構造物を撮像した検査画像を取得する。検査画像取得部11で取得される検査画像は、コンピュータB1又はB2に搭載された損傷検出器(領域検出器)に入力された画像であり、損傷検出器により検査画像における損傷(領域)が検出される。
損傷検出結果取得部13は、検査画像取得部11で取得された検査画像の損傷検出結果を取得する。ここで損傷検出結果は、コンピュータB1又はB2に搭載される損傷検出器により出力され、コンピュータAにアップロードされる。
修正履歴取得部15は、損傷検出結果の修正履歴を取得する。修正履歴取得部15で取得される修正履歴は、損傷検出結果取得部13で取得される損傷検出結果に対しての修正履歴である。なお、修正履歴取得部15は、修正が行われなかった場合には、修正が行われなかったことを示す情報を修正履歴として取得する。
算出部17は、修正履歴を定量化した修正定量化情報を算出する。また、算出部17は、実寸サイズ情報取得部18を備えてもよく、実寸サイズ情報取得部18は、検査画像における実寸サイズ情報を取得する。そしてこの場合に算出部17は、実寸サイズ情報により実寸サイズに換算された修正定量化情報を算出する。なお、算出部17で行われる修正定量化情報の算出についての説明は後で行う。
データベース23は、検査画像、損傷検出結果、及び修正履歴を関連づけて記憶する。データベース23は、検査画像取得部11で取得される検査画像、損傷検出結果取得部13で取得される損傷検出結果、及び修正履歴取得部15で取得される修正履歴を関連付けて記憶する。
画像抽出条件設定部19は、データベース23から再学習に使用する検査画像を抽出する抽出条件であって、修正定量化情報の閾値を抽出条件として設定する。修正定量化情報の閾値は、データベース23に保存される修正定量化情報に応じて決定される。またユーザは、この閾値を変更することにより、損傷検出結果が修正された検査画像であって、且つ軽微な修正ではない検査画像を学習用データとして抽出する。例えば、ユーザは所定閾値を設定して、その閾値以上の修正定量化情報を有する検査画像を収集することができる。
第1の学習用データ抽出部21は、データベース23から、抽出条件を満たす検査画像と検査画像に関連付けられた損傷検出結果及び修正履歴とを、損傷検出器を再学習させる学習用データとして抽出する。
<<データベースに記憶されるデータ>>
次にデータベース23に記憶されるデータの具体例を説明する。データベース23には、少なくともコンピュータB1及びB2からアップロードされる検査画像、損傷検出結果、及び修正履歴が記憶される。
図3は、検査画像取得部11が取得する検査画像の一例を示す図である。検査画像31は、検査対象である構造物の一例である橋梁の床版の一部を撮影した画像である。検査画像31は、ひび割れ33とひび割れ35とを有する。検査画像31はコンピュータB1又はB2に入力され、コンピュータB1に搭載されている損傷検出器により損傷検出結果が出力される。なお、構造物は橋梁に限定されるものではなく、トンネル、ボックスカルバート、ダム、防潮堤、建築物(壁面や床など)などの他の構造物でもよい。
図4は、図3で示した検査画像が損傷検出器に入力され、得られた損傷検出結果を示す図である。損傷検出結果41は、ひび割れ33に対しての損傷検出結果37、ひび割れ35に対しての損傷検出結果39を有する。損傷検出結果39は、良好でありひび割れ35を十分に検出している。一方、損傷検出結果37は、ひび割れ33を十分に検出してはなく、不良な損傷検出結果である。したがって、ユーザは損傷検出結果37に関しては、修正を行う。
図5は、図4で示した損傷検出結果41に対して、ユーザが行った修正履歴を示す概念図である。修正履歴52では、ひび割れ33の損傷検出結果37に対して、追加ベクトル54が追加されている。すなわち、損傷検出結果37は、ひび割れ33を十分に検出できていないため、ユーザは手動で追加ベクトル54を加えている。
以上の具体例で説明した検査画像31、損傷検出結果41、及び修正履歴52は、コンピュータB1又はB2からコンピュータAにアップロードされる。
<<修正定量化情報>>
次に、修正定量化情報に関して説明する。修正定量化情報は、算出部17により修正履歴を定量化することにより算出される。ここで修正履歴の定量化(修正量)とは、例えばひび割れなどでは、修正されて追加又は削除されたベクトルの長さを示す情報であったり、修正されて移動されたベクトルの座標の変更量である。また例えば漏水、遊離石灰、剥離、鉄筋露出などでは、修正されて追加又は削除された領域の面積、領域の面積の変化量である。そして、画像抽出条件設定部19では、データベース23に保存されている修正定量化情報に対応した閾値が設定され、第1の学習用データ抽出部21は例えば閾値以上の修正定量化情報を有する検査画像を抽出する。
算出部17は、実寸サイズ情報取得部18を備えても良いし、備えなくてもよい。算出部17が実寸サイズ情報取得部18を備えない場合には、ピクセルサイズにおける修正量を修正定量化情報とする。また、算出部17が実寸サイズ情報取得部18を備える場合には、算出部17は、実寸サイズ情報(被写体解像度(mm/画素)、又は画像中の部材等のサイズ)を用いて、実寸サイズに換算された修正量を算出する。算出部17は、実寸サイズ情報取得部18を備えることにより、より正確に修正量を算出することができる。
図6、図7、及び図8は、修正履歴取得部15で取得される修正履歴の具体例を示す図である。なお、図6、図7、及び図8は、損傷検出器が損傷(ひび割れ)を検出し出力したベクトル(検出ベクトル)を点線で示し、ユーザが修正を加えた後のベクトル(修正後ベクトル)を実線で示す。また、点線と実線がほぼ並行に描かれている箇所は、実際には検出ベクトルと修正後ベクトルが重なっている箇所であり、損傷検出器での検出が良好であることを示している。
図6に示された修正履歴56は、ユーザによって、追加の修正が行われた場合を示している。具体的には、修正履歴56の領域61において、ユーザによって損傷検出器が出力していない修正後ベクトルが追加されており、検出漏れの損傷がユーザの修正により追加されている。
図7に示された修正履歴58は、ユーザによって、誤検出の修正が行われた場合を示している。具体的には、修正履歴58の領域63において損傷が検出されているが、領域63には検出ベクトルだけであり、修正後ベクトルは描かれていない。したがって、領域63の検出ベクトルは誤検出によるものであり、削除され修正される。
図8に示された修正履歴60は、同図中の(A)では、一部の領域では検出ベクトルと修正後ベクトルの一部が重なっているものの、一部の領域ではベクトルが削除される修正が行われ、一部の領域ではベクトルが追加されている。具体的には、領域65では、検出ベクトルのみが存在していることから誤検出の削除の修正が行われており、領域67では、修正後ベクトルのみが存在していることから、検出漏れの損傷が追加されている。また、同図中の(B)では、ベクトルの一部の座標値が変更して修正された修正履歴が記載されている。具体的には、図中の4つの座標値が、検出ベクトルと修正後ベクトルとでは異なり、損傷の検出が一部変更されている。
以上、修正履歴の具体例を示したが、修正履歴はこれに限定されるものではなく、様々な形態の修正履歴が採用される。
<<学習用データ収集工程>>
次に、学習用データ収集装置10を使用した学習用データ収集工程(学習用データ収集方法)に関して説明する。図9は、学習用データ収集装置10を使用した学習用データ収集工程(学習用データ収集方法)を示したフローチャートである。
先ず、検査画像取得部11は、コンピュータB1及びB2からアップロードされる検査画像を取得する(ステップS10)。また、損傷検出結果取得部13は、コンピュータB1及びB2からアップロードされる損傷検出結果を取得する(ステップS11)。また、修正履歴取得部15は、コンピュータB1及びB2からアップロードされる修正履歴を取得する(ステップS12)。その後、算出部17は、取得した修正履歴に基づいて修正定量化情報を算出する(ステップS13)。その後、画像抽出条件設定部19により、修正定量化情報の閾値を抽出条件として設定する(ステップS14)。その後、第1の学習用データ抽出部21により、再学習させる学習用データを抽出する(ステップS15)。
上述の各構成及び機能は、任意のハードウェア、ソフトウェア、或いは両者の組み合わせによって適宜実現可能である。例えば、上述の処理ステップ(処理手順)をコンピュータに実行させるプログラム、そのようなプログラムを記録したコンピュータ読み取り可能な記録媒体(非一時的記録媒体)、或いはそのようなプログラムをインストール可能なコンピュータに対しても本発明を適用することが可能である。
以上で説明したように、本実施態様は、修正履歴が定量化され、その定量化された抽出条件により、学習用データが抽出されるので、修正され且つその修正が軽微でない検査画像が学習用データとして抽出されるので、損傷検出器に効率的な学習を行わすことができる。
<第2の実施形態>
次に、第2の実施形態に関して説明する。第2の実施形態では、修正定量化情報に加えて、検査画像から得られる情報(構造物の画像情報及び検査画像の画質に関する情報)にも基づき、検査画像が抽出される。これにより、より効率的な再学習が行える学習用データを収集することができる。
図10は、本実施形態の学習用データ収集装置10の機能構成例を示すブロック図である。なお、図2で既に説明を行った箇所は同じ符号を付し、説明は省略する。
学習用データ収集装置10は、検査画像取得部11、損傷検出結果取得部13、修正履歴取得部15、算出部17、実寸サイズ情報取得部18、画像抽出条件設定部19、第1の学習用データ抽出部21、画質判定部51、データベース23、表示制御部25、及び記憶部26を備える。
本実施形態の画像抽出条件設定部19は、検査画像から得られる情報の一つである構造物の画像情報を受け付ける。ここで、構造物の画像情報とは、損傷の大きさ情報(領域の大きさ情報)、損傷の位置情報(領域の位置情報)、損傷の方向情報(領域の方向情報)、損傷の種類情報(領域の種類情報)、検査画像のメタ情報のうち少なくとも一つを含む情報である。データベース23には検査画像に関連して、これらの画像情報が記憶されている。なお、画像情報は、例えば損傷検出器で損傷が検出される際に取得される。具体的には、損傷の大きさ情報、損傷の位置情報、損傷の方向情報、損傷の種類情報、検査画像のメタ情報は、損傷検出器により損傷が検出される場合に取得されて検査画像に関連付けてアップロードされる。
第1の学習用データ抽出部21は、画像情報と修正定量化情報とに基づいて、検査画像をデータベース23から抽出する。すなわち、画像抽出条件設定部19において抽出したい(追加で学習したい)画像情報の抽出条件と修正定量化情報の閾値とを設定する。設定される画像情報の抽出条件の具体例としては、最小ひび割れ幅が0.2mm以上の画像を抽出する条件、又は遊離石灰が中央部にある画像を抽出する条件などが挙げられる。なお、画像抽出条件設定部19には、画像情報の抽出条件のみが設定されてもよく、その場合には、画像情報の抽出条件によって、検査画像が抽出される。
<<構造物の画像情報>>
次に、構造物の画像情報に関して説明する。
構造物の画像情報の一つとして、損傷の大きさがある。損傷の大きさは、ピクセルサイズで定量化、又は実寸サイズ情報取得部18を備える場合には実寸サイズで定量化されて、構造物の画像情報とされる。損傷の大きさの具体例としては、検査画像内の損傷のトータル長さ(検査対象がコンクリート構造物の場合のひび割れの長さ、検査対象が鋼部材の場合の亀裂の長さ)が挙げられる。また、ひび割れの幅毎(0.1mm未満、0.1mm以上0.2mm未満、0.2mm以上など)のトータル長さを構造物の画像情報としてもよい。
また、損傷の大きさの具体例として、検査画像内の損傷のトータル面積(検査対象がコンクリート構造物の場合の漏水、遊離石灰、剥離、鉄筋露出など、検査対象が鋼部材の場合の腐食、防食機能の劣化など)が挙げられる。また、損傷の最大幅、最大面積(漏水、遊離石灰、剥離、鉄筋露出の場合など)、最小間隔(同じ種類の隣の損傷との最小距離)、密度(1平方メートル当たりのひび割れ本数、長さ[ひび割れ、亀裂]、面積[漏水、遊離石灰、剥離、鉄筋露出]など)が挙げられる。
構造物の画像情報の一つとして、損傷の位置がある。損傷の位置は、部材全体が写った検査画像から、損傷の位置を把握する。また、部材を分割して撮影した画像をパノラマ合成した後に、パノラマ合成画像により損傷の位置を把握してもよい。損傷の位置の具体例としては、位置(中央部/端部、など)、方向性(床版のひび割れが橋軸方向/橋軸直角方向、橋脚のひび割れが垂直方向/水平方向、など)である。
構造物の画像情報の一つとして、損傷の種類がある。損傷の種類は、損傷検出器の検出結果(例えば、ひび割れ検出、漏水検出、遊離石灰検出、剥離検出、鉄筋露出検出、亀裂検出、腐食検出、防食機能の劣化検出など)を利用する。また、ユーザが損傷の種類を指定してもよい。
構造物の画像情報の一つとして、メタ情報(Exif情報)がある。メタ情報は、例えば、カメラ機種、レンズ種、F値、シャッタースピード、焦点距離、フラッシュON/OFF、画素数、ISO感度などである。
図11は、データベース23に検査画像と関連付けて記憶される、検査画像から得られる情報(構造物の画像情報)の記憶構成例を示す図である。なお符号69で示される情報が学習された検査画像から得られる情報であり、符号71で示す情報は後で説明する付帯情報である。検査画像から得られる情報としては、例えば最大ひび割れ幅(mm)、最小ひび割れ間隔(m)、及び、ひび割れ以外の損傷の有無、撮像された部材名である。例えばこれらの情報は、検査画像が損傷検出器に入力されることにより得られる。このように、データベース23には、検査画像と関連づけられて、構造物の画像情報が記憶されている。
<<画質判定の例>>
検査画像から得られる情報の一つとして、検査画像の画質に関する情報がある。
画質判定部51は、検査画像取得部11で取得された検査画像の画質を判定する。この場合、画像抽出条件設定部19は検査画像の画質に関する情報を受け付ける。第1の学習用データ抽出部21は、画質に関する情報と修正定量化情報の閾値とに基づいて、検査画像をデータベース23から抽出する。
ここで、画質判定部51が行う判定は、様々な手法を採用することができる。以下に画質判定部51の判定手法の具体例を説明する。
<<機械学習による画質の判定>>
画質判定部51が行う画質判定手法としては、機械学習が施された画質判定器による判定手法がある。すなわち、画質判定部51は機械学習による画質判定器(画質判定AI)により構成され、画質判定器により検査画像の画質を判定する。
<<空間周波数スペクトルによる判断>>
画質判定部51は、検査画像中の領域の空間周波数スペクトルにおける高周波領域のスペクトル最大値、平均値、又はスペクトルの和等で画質を定量化して判定してもよい。具体的には、空間周波数スペクトル画像(撮影画像を高速フーリエ変換(FFT:fast Fourier transform)して得られる)の四隅から特定の画素数半径内(rピクセル半径)の成分の最大値、平均値、又は和が大きいほど高周波成分が強い(多い)のでボケ、ブレが少なく、画質がよりよい。
<<ヒストグラムによる判断>>
画質判定部51が行うヒストグラム(画質を示す指標の一例)による判断では、画質判定部51は個別画像(R,G,Bの成分で構成されるカラー画像)をグレースケール画像に変換する。例えば、グレースケール(濃度)=R×0.30+G×0.59+B×0.11である(R,G,Bはそれぞれ赤色信号、緑色信号、青色信号の値)。画質判定部51は、変換したグレースケール画像のヒストグラム(濃度ヒストグラム;図12の例を参照)を計算する。ヒストグラムの計算及び以下の判断は、個別画像の全体ではなく一部の領域について行ってもよい。画質判定部51は、G(i){i=0,1,…,255}を各濃度値(0に近いほど暗く、255に近いほど明るい)のヒストグラムとして、以下の式(1),(2)により個別画像が明るすぎるかどうか、あるいは暗すぎるかどうかを判定する。判定の閾値(kb,hb,kd,hd)は既定値(例えば、kb=205,hb=0.5,kd=50,hd=0.5)でもよいし、操作部(キーボード5及びマウス7)を介したユーザの入力に応じて画質判定部51が設定してもよい。
Figure 2023139099000002
Figure 2023139099000003
画質判定部51は、上述した式(1)において濃度値がkb以上の割合が全体のhb以上であれば「明るすぎる」と判定する。この場合、画質判定部51は「(明るすぎるため)画質が低い」と判断して、個別画像を確認対象画像とする。同様に、画質判定部51は式(2)において濃度値がkd以下の割合が全体のhd以上であれば「(暗すぎるため)画質が低い」と判断して、個別画像を確認対象画像とする。
ヒストグラムに基づき、階調がつぶれているか否かの判定を行うこともできる。例えば、画質判定部51は、G(i){i=0,1,…,255}を各濃度値のヒストグラムとして、G(0)>Tdの場合は「シャドー側の階調がつぶれている」と判定し、またG(255)>Tbの場合は「ハイライト側の階調がつぶれている」と判断する。これらの場合、画質判定部51は「画質が低い」と判断して、個別画像を確認対象画像とする。判定の閾値(Td,Tb)は既定値(例えば、Td=0,Tb=0)でもよいし、操作部(キーボード5及びマウス7)を介したユーザの入力に応じて画質判定部51が設定してもよい。
以上で説明したように、画質判定部51は、様々な手法により検査画像の画質の判定を行うことができる。
本実施形態では、修正定量化情報に加えて、検査画像から得られる情報(構造物の画像情報及び検査画像の画質に関する情報)にも基づき、検査画像が抽出されるので、効率的な再学習が行える学習用データを収集することができる。
<第3の実施形態>
次に、第3の実施形態に関して説明する。第3の実施形態では、修正定量化情報に加えて、検査画像の付帯情報にも基づき、検査画像が抽出される。これにより、より効率的な再学習が行える学習用データを収集することができる。
図13は、本実施形態の学習用データ収集装置10の機能構成例を示すブロック図である。なお、図2で既に説明を行った箇所は同じ符号を付し、説明は省略する。
学習用データ収集装置10は、検査画像取得部11、損傷検出結果取得部13、修正履歴取得部15、算出部17、実寸サイズ情報取得部18、画像抽出条件設定部19、第1の学習用データ抽出部21、付帯情報取得部53、データベース23、表示制御部25、及び記憶部26を備える。
付帯情報取得部53は、検査画像の識別情報、部材情報、立地情報、環境情報、材質情報、検査情報、管理情報、及び構造物種類情報の少なくとも一つを含む付帯情報を取得する。そして、この場合は、画像抽出条件設定部19は付帯情報を受け付け、第1の学習用データ抽出部21は、検査画像が有する付帯情報と画像抽出条件設定部19で受け付けた付帯情報とに基づいて、検査画像を抽出する。すなわち、画像抽出条件設定部19において抽出したい(追加で学習したい)付帯情報の抽出条件も修正定量化情報の閾値と共に設定する。例えば、付帯情報の抽出条件として、海岸からの距離が100m以内の橋脚の画像を抽出、交通量が1000台/日以上で経年数が30年以上の橋の画像を抽出するなどが挙げられる。なお、画像抽出条件設定部19には、付帯情報の抽出条件のみが設定されてもよく、その場合には付帯情報の抽出条件によって、検査画像が抽出される。
以下に各付帯情報の具体例を記載する。識別情報は、例えば、橋の名称やID(Identification)番号である。部材情報は、例えば部材種類(床版/橋脚/桁等)、又は方向(橋軸方向、垂直方向)である。立地情報は、例えば都道府県、市町村、地域、緯度・経度、海からの距離である。環境情報は、例えば気候(気温[平均、最大、最低など]、湿度[平均、最大、最低など]、降雨量、降雪量)、交通量である。材質情報は、例えばコンクリート骨材サイズ、材料強度(圧縮強度、引っ張り強度)である。検査情報(コンクリートのコア抜き試験結果等)は、塩化物イオン濃度、中性化の進行度、アルカリ骨材反応の有無である。管理情報は、経年数、施工条件(施工時の気温又は湿度など)、補修履歴である。構造物種類情報は、橋梁、トンネル、ボックスカルバート、建築物等である。
本実施形態では、修正定量化情報に加えて付帯情報も使用して、学習用データを抽出することにより、より効率的な再学習を行える学習用データを抽出することができる。
<第4の実施形態>
次に、第4の実施形態に関して説明する。
図14は、本実施形態の学習用データ収集装置10の機能構成例を示すブロック図である。なお、図2で既に説明を行った箇所は同じ符号を付し、説明は省略する。
学習用データ収集装置10は、検査画像取得部11、損傷検出結果取得部13、修正履歴取得部15、算出部17、実寸サイズ情報取得部18、画像抽出条件設定部19、第1の学習用データ抽出部21、学習履歴取得部55、統計情報生成部57、第2の学習用データ抽出部59、データベース23、表示制御部25、及び記憶部26を備える。
学習履歴取得部55は、検査画像が学習に使用された履歴に関する履歴情報を取得する。具体的には、学習履歴取得部55は、検査画像取得部11で取得された検査画像が、コンピュータB1又はB2の損傷検出器の機械学習に既に使用されたものであるか否かの情報を取得する。
統計情報生成部57は、取得された履歴情報に基づいて、学習に使用された画像の統計情報を生成する。第1の学習用データ抽出部21は、生成された統計情報に基づいて、検査画像を抽出してもよい。すなわち、画像抽出条件設定部19において抽出したい(追加で学習したい)統計情報の抽出条件も修正定量化情報の閾値と共に設定する。ここで、統計情報の抽出条件は、例えば、既に学習に利用された画像の中で画像情報、又は付帯情報において頻度が少ない条件である。なお、画像抽出条件設定部19には、統計情報の抽出条件のみが設定されてもよく、その場合には、統計情報の抽出条件によって、検査画像が抽出される。
以下に統計情報の具体例を示す。なお、以下に記載の「○%」は、学習済全画像枚数に対し、所定の条件を満たす画像の枚数の割合を示す。
例えば最大ひび割れ幅の統計情報は、0.05mm未満○%、0.05mm以上0.1mm未満○%、0.1mm以上0.2mm未満○%、0.2mm以上0.5mm未満○%、0.5mm以上1.0mm未満○%、1.0mm以上○%と記載することができる。また、例えば最小ひび割れ間隔の統計情報は、0.2m未満○%、0.2m以上0.5m未満○%、0.5m以上1m未満○%、1m以上○%と記載することができる。また、ひび割れ以外の損傷の統計情報は、なし○%、漏水○%、遊離石灰○%、剥離○%、鉄筋露出○%、漏水かつ遊離石灰○%と記載することができる。またこの他にも、部材、海からの距離、交通量、経年数で統計情報を生成することができる。さらに、最大ひび割れ幅×ひび割れ以外の損傷のように、複数の統計情報の組み合わせの条件を生成することができる。
第2の学習用データ抽出部59は、第1の学習用データ抽出部21で抽出されなかった検査画像から、損傷検出器を再学習させる学習用データとして抽出する。例えば、第2の学習用データ抽出部59は、第1の学習用データ抽出部21で抽出されなかった検査画像からランダムに又は規則的(例えば、ファイル名順に並べて所定の個数おきに抽出)に抽出する。また、第2の学習用データ抽出部59は、低画質の検査画像を除いて、ランダムに抽出する。第2の学習用データ抽出部59は、第1の学習用データ抽出部21で抽出された検査画像の数と同数の検査画像を抽出する。第2の学習用データ抽出部59で抽出された学習用データを学習させることにより、学習が偏った条件の検査画像に影響され過ぎるのを防ぐことができる。
<その他の例>
<<パノラマ合成画像>>
次に、パノラマ合成画像において修正履歴がある場合について説明する。
検査画像取得部11が取得する検査画像にはパノラマ合成画像が含まれる。すなわち、検査画像取得部11は、構造物を分割撮影して得られた分割画像と、分割画像を合成して得られたパノラマ合成画像とを取得する。そして、この場合修正履歴取得部15は、パノラマ合成画像において行われた修正履歴を取得する。
第1の学習用データ抽出部21は、パノラマ合成画像上における修正履歴に基づいて、パノラマ合成画像上の領域を抽出し、領域を構成する分割画像を少なくとも一つ抽出する。
図15は、検査画像取得部11が取得したパノラマ合成画像上の修正履歴を概念的に示す図である。
図15に示されたパノラマ合成画像71上において、ユーザは修正(追加又は削除)を行っている。ユーザが行った修正は、ベクトル(1)から(5)で示されている。ユーザが行った修正は、パノラマ合成画像71の一部を構成する分割画像73と分割画像75にまたがって存在している。このような場合に、第1の学習用データ抽出部21は、例えば以下のようなパターンで検査画像の自動選択を行うことができる。なお、この場合、パノラマ合成画像71上の修正は、画像抽出条件設定部19で設定された抽出条件を満たす修正である。
第1の学習用データ抽出部21は、パターン1としてベクトル(1)から(5)が含まれる画像を全て選択する。すなわち、第1の学習用データ抽出部21は、分割画像73と分割画像75とを学習用データとして選択する。また、第1の学習用データ抽出部21は、パターン2としてベクトル(1)から(5)が所定の閾値以上の長さの場合に、ベクトル(1)から(5)が含まれる分割画像を全て選択する。また、第1の学習用データ抽出部21は、パターン3として、ベクトル(1)から(5)が含まれる長さが最長の分割画像を選択する。この場合、分割画像75は分割画像73よりも長くベクトル(1)から(5)を有するので、分割画像75が選択される。また、第1の学習用データ抽出部21は、パターン4として、分割画像73に含まれる修正量と分割画像75に含まれる修正量をそれぞれ所定の閾値と比較し、それぞれの画像毎に抽出する/しないを判別する。また、第1の学習用データ抽出部21は、パターン5として、ベクトル(1)から(5)が含まれる画像の画質を判定し、画質が最も高い画像を選択する。
<<画像確認表示部>>
次に、第1の学習用データ抽出部21又は第2の学習用データ抽出部59で抽出された検査画像を表示する画像確認表示部に関して説明する。
学習用データ収集装置10は、モニタ9で構成される画像確認表示部を備えることが可能である。
図16は、モニタ9に表示される抽出された検査画像の確認画面の例を示す図である。図16に示した例では、抽出された検査画像77が示されている。また、確認画面には、抽出された検査画像に対して、学習用データとして採用か不採用かの選択ボタン81が設けられている。また、修正履歴に基づいて、検出漏れ箇所や誤検出箇所などを明示する指
令を受け付けるボタン79が設けられている。また、確認画面は、検査画像に関連する情報(画像から得られる情報及び/又は付帯情報)の表示83を有している。
このように、学習用データ収集装置10が画像確認表示部を有することにより、ユーザは抽出された検査画像を確認することができ、より学習効果の高い学習用データを収集することができる。
<<他の検査>>
上述した説明では、本発明が構造物の損傷検査を行う場合に適用される例に関して説明をした。本発明の適用される検査の例はこれに限定されるものではない。領域検出器で何らかの領域(物体の領域も含む)を検出させる場合に、本発明は適用される。例えば、検査の対象物が人体の場合に、人体の検査画像であるCT(Computed Tomography)画像から血管を検出する場合にも、本発明が適用される。また、物品及び薬品などの製品を対象物として、画像を用いて表面の傷や欠陥の検査(外観検査等)を行う場合にも、本発明が適用される。また、X線を用いた構造物内部の損傷・欠陥の画像による検査にも適用される。
以上で本発明の例に関して説明してきたが、本発明は上述した実施の形態に限定されず、本発明の精神を逸脱しない範囲で種々の変形が可能であることは言うまでもない。
10:学習用データ収集装置
11:検査画像取得部
13:損傷検出結果取得部
15:修正履歴取得部
17:算出部
18:実寸サイズ情報取得部
19:画像抽出条件設定部
21:第1の学習用データ抽出部
23:データベース
25:表示制御部
26:記憶部
A :コンピュータ
B1:コンピュータ
B2:コンピュータ
C1、C2:アップロードデータ
D:再学習した損傷検出器又は検出パラメータファイル
E1、E2:検査画像

Claims (7)

  1. 検査の対象物を撮像した検査画像に基づいて領域検出器で検出された領域を示す領域検出結果を取得する取得部と、
    前記領域検出結果の修正履歴を定量化した修正定量化情報を算出する算出部と、
    少なくとも前記修正定量化情報の閾値に基づいて、前記検査画像から、前記領域検出器を学習させる学習用データを抽出する抽出部と、
    を備える学習用データ収集装置。
  2. 前記領域検出結果は、前記領域検出器で検出された損傷領域の検出結果であり、
    前記修正履歴は、前記損傷領域の検出結果の修正である、
    請求項1に記載の学習用データ収集装置。
  3. 前記算出部は、前記修正履歴の寸法に基づいて定量化して前記修正定量化情報を算出する請求項1または2に記載の学習用データ収集装置。
  4. 前記閾値は、前記修正定量化情報に対応した次元である請求項1から3のいずれか1項に記載の学習用データ収集装置。
  5. 前記検査画像の画質を判定する画質判定部を備え、
    前記抽出部は、前記検査画像の画質に関する情報を受け付け、
    前記画質に関する情報と前記閾値とに基づいて、前記検査画像を抽出することを特徴とする請求項1から4のいずれか1項に記載の学習用データ収集装置。
  6. 検査の対象物を撮像した検査画像に基づいて領域検出器で検出された領域を示す領域検出結果を取得するステップと、
    前記領域検出結果の修正履歴を定量化した修正定量化情報を算出するステップと、
    少なくとも前記修正定量化情報の閾値に基づいて、前記検査画像から、前記領域検出器を学習させる学習用データを抽出するステップと、
    を含む学習用データ収集方法。
  7. 検査の対象物を撮像した検査画像に基づいて領域検出器で検出された領域を示す領域検出結果を取得するステップと、
    前記領域検出結果の修正履歴を定量化した修正定量化情報を算出するステップと、
    少なくとも前記修正定量化情報の閾値に基づいて、前記検査画像から、前記領域検出器を学習させる学習用データを抽出するステップと、
    を含む学習用データ収集工程をコンピュータに実行させるプログラム。
JP2023116865A 2018-09-20 2023-07-18 学習用データ収集装置、学習用データ収集方法、及びプログラム Pending JP2023139099A (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2018176316 2018-09-20
JP2018176316 2018-09-20
PCT/JP2019/036369 WO2020059706A1 (ja) 2018-09-20 2019-09-17 学習用データ収集装置、学習用データ収集方法、及びプログラム
JP2020548509A JP7104799B2 (ja) 2018-09-20 2019-09-17 学習用データ収集装置、学習用データ収集方法、及びプログラム
JP2022110801A JP7319432B2 (ja) 2018-09-20 2022-07-08 学習用データ収集装置、学習用データ収集方法、及びプログラム

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2022110801A Division JP7319432B2 (ja) 2018-09-20 2022-07-08 学習用データ収集装置、学習用データ収集方法、及びプログラム

Publications (1)

Publication Number Publication Date
JP2023139099A true JP2023139099A (ja) 2023-10-03

Family

ID=69887117

Family Applications (3)

Application Number Title Priority Date Filing Date
JP2020548509A Active JP7104799B2 (ja) 2018-09-20 2019-09-17 学習用データ収集装置、学習用データ収集方法、及びプログラム
JP2022110801A Active JP7319432B2 (ja) 2018-09-20 2022-07-08 学習用データ収集装置、学習用データ収集方法、及びプログラム
JP2023116865A Pending JP2023139099A (ja) 2018-09-20 2023-07-18 学習用データ収集装置、学習用データ収集方法、及びプログラム

Family Applications Before (2)

Application Number Title Priority Date Filing Date
JP2020548509A Active JP7104799B2 (ja) 2018-09-20 2019-09-17 学習用データ収集装置、学習用データ収集方法、及びプログラム
JP2022110801A Active JP7319432B2 (ja) 2018-09-20 2022-07-08 学習用データ収集装置、学習用データ収集方法、及びプログラム

Country Status (5)

Country Link
US (1) US11657491B2 (ja)
EP (1) EP3855389A4 (ja)
JP (3) JP7104799B2 (ja)
CN (1) CN112740267A (ja)
WO (1) WO2020059706A1 (ja)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7261816B2 (ja) * 2018-11-29 2023-04-20 富士フイルム株式会社 構造物の補修工法選定システム、補修工法選定方法、及び補修工法選定サーバ
JP7391504B2 (ja) * 2018-11-30 2023-12-05 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
US11727522B2 (en) * 2019-10-11 2023-08-15 Cargo Spectre Method, system, and apparatus for damage assessment and classification
JP7446771B2 (ja) * 2019-10-30 2024-03-11 株式会社東芝 可視化データ生成装置、可視化データ生成システム、及び可視化データ生成方法
WO2021241537A1 (ja) * 2020-05-29 2021-12-02 富士フイルム株式会社 損傷図作成支援方法及び装置
JP7536545B2 (ja) 2020-07-22 2024-08-20 キヤノン株式会社 画像処理装置およびその制御方法、並びにプログラム
WO2023007958A1 (ja) * 2021-07-30 2023-02-02 富士フイルム株式会社 データ作成装置、記憶装置、データ処理システム、データ作成方法、及びプログラム
WO2023007956A1 (ja) * 2021-07-30 2023-02-02 富士フイルム株式会社 データ作成装置、記憶装置、データ処理システム、データ作成方法、プログラム、及び撮像装置
JP7267523B1 (ja) * 2022-05-09 2023-05-01 スパイダープラス株式会社 詳細図切出システム、詳細図切出方法及びプログラム
JP7217570B1 (ja) * 2022-08-04 2023-02-03 株式会社センシンロボティクス 情報処理システム及びプログラム、情報処理方法、サーバ

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4232064B2 (ja) * 1999-10-25 2009-03-04 株式会社ニコン 画像処理を用いたひび割れ評価装置
CN100474878C (zh) * 2005-09-09 2009-04-01 株式会社理光 图像质量预测方法和设备以及故障诊断系统
JP5333080B2 (ja) * 2009-09-07 2013-11-06 株式会社日本自動車部品総合研究所 画像認識システム
JP2016143354A (ja) * 2015-02-04 2016-08-08 エヌ・ティ・ティ・コムウェア株式会社 学習装置、学習方法、およびプログラム
JP2016191973A (ja) * 2015-03-30 2016-11-10 日本電気株式会社 情報転送装置、学習システム、情報転送方法及びプログラム
JP6629678B2 (ja) 2016-06-16 2020-01-15 株式会社日立製作所 機械学習装置
US10074038B2 (en) * 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
US10417524B2 (en) * 2017-02-16 2019-09-17 Mitsubishi Electric Research Laboratories, Inc. Deep active learning method for civil infrastructure defect detection
EP3596449A4 (en) * 2017-03-14 2021-01-06 University of Manitoba DETECTION OF STRUCTURAL DEFECTS USING AUTOMATIC LEARNING ALGORITHMS

Also Published As

Publication number Publication date
JP2022133467A (ja) 2022-09-13
CN112740267A (zh) 2021-04-30
EP3855389A1 (en) 2021-07-28
JP7104799B2 (ja) 2022-07-21
WO2020059706A1 (ja) 2020-03-26
EP3855389A4 (en) 2021-11-24
US11657491B2 (en) 2023-05-23
JPWO2020059706A1 (ja) 2021-09-16
JP7319432B2 (ja) 2023-08-01
US20210209422A1 (en) 2021-07-08

Similar Documents

Publication Publication Date Title
JP7319432B2 (ja) 学習用データ収集装置、学習用データ収集方法、及びプログラム
Ni et al. Zernike‐moment measurement of thin‐crack width in images enabled by dual‐scale deep learning
WO2019163329A1 (ja) 画像処理装置及び画像処理方法
CN113167742B (zh) 混凝土构造物的点检辅助装置、点检辅助方法及记录介质
JP7351849B2 (ja) 構造物の損傷原因推定システム、損傷原因推定方法、及び損傷原因推定サーバ
Adhikari et al. Tracking of defects in reinforced concrete bridges using digital images
CN107798293A (zh) 一种道路裂缝检测装置
CN112686217A (zh) 一种基于Mask R-CNN的地下排水管道病害像素级别的检测方法
Wei et al. Automated bughole detection and quality performance assessment of concrete using image processing and deep convolutional neural networks
Rivera et al. Automated detection and measurement of cracks in reinforced concrete components
JP2020038132A (ja) コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム
JP6894361B2 (ja) コンクリート表面上のひび割れ方向特定方法、ひび割れ方向特定装置、ひび割れ方向特定システム及びプログラム
CN114758222A (zh) 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法
JP2008267943A (ja) ひび割れ検出方法
CN115100207A (zh) 一种基于机器视觉的检测系统及检测方法
KR102586815B1 (ko) 구조물 균열 측정 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
Bush et al. Deep Neural Networks for visual bridge inspections and defect visualisation in Civil Engineering
Khalifa et al. A new image-based model for predicting cracks in sewer pipes
Zhang et al. Multi-resource fusion of nondestructive evaluation data for bridge deck assessment using discrete wavelet transform and Dempster-Shafer theory
CN117940950A (zh) 信息处理装置、方法及程序、以及图像数据结构
Maningo et al. Crack detection with 2D wall mapping for building safety inspection
Vora et al. Image processing based analysis of cracks on vertical walls
Majidi et al. Intelligent 3D crack reconstruction using close range photogrammetry imagery
Wu et al. Deep learning-based defect detection and assessment for engineering structures
KR20200017588A (ko) 화재 피해를 입은 구조물의 위험도 추정 방법

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230720

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240926