JP6764982B1 - 分布推定システム、分布推定方法、および、分布推定プログラム - Google Patents

Abstract

【課題】物体群において、構造の種別における分布を推定可能とした分布推定システム、分布推定方法、および、分布推定プログラムを提供する。【解決手段】粒度分布推定システムは、骨材群の表面における複数の位置を示す表面点群データから特徴量を算出する特徴量算出部２３と、特徴量から骨材群における粒体の大きさの分布を出力するように学習した機械学習器を用いて特徴量算出部２３が算出した特徴量から粒体の大きさの分布を推定する分布推定部２４とを備える。【選択図】図２

Description

本発明は、分布推定システム、分布推定方法、および、分布推定プログラムに関する。

コンクリートを形成する材料である骨材として、種々の大きさを有した骨材が用いられている。骨材の体積は、コンクリートの体積における大部分を占めるため、コンクリートの物性は、骨材の大きさに大きく影響される。それゆえに、例えば、複数の骨材が骨材を貯蔵するサイトから骨材を出荷するための施設に搬送されるときに、所定の閾値を超える大きな骨材が、他の骨材から取り除かれている。この際に、骨材の大きさは、二次元画像における輝度の分布に基づいて特定されている（例えば、特許文献１を参照）。

特開２００８−２１２７７８号公報

ところで、所望の物性を有したコンクリートを形成するために、互いに異なる大きさを有した複数の骨材を所望の割合で混合することが試みられている。そして、骨材の大きさを推定するシステムには、骨材における粒度の分布を推定することが新たに求められている。なお、こうした課題は、骨材に限らず、互いに異なる大きさを有した粒体を含む粒体群において粒度の分布を推定する場合に共通している。また、こうした課題は、互いに異なる大きさや形状を有した物体を含む物体群において、構造の種別である大きさや形状での分布を推定する場合にも共通している。

本発明は、物体群において、構造の種別における分布を推定可能とした分布推定システム、分布推定方法、および、分布推定プログラムを提供することを目的とする。

上記課題を解決するための分布推定システムは、物体群の表面における複数の位置を示す表面点群データから特徴量を算出する特徴量算出部と、前記特徴量から前記物体群が含む物体の構造における種別の分布を出力するように学習した機械学習器を用いて前記特徴量算出部が算出した前記特徴量から物体の構造における種別の分布を推定する分布推定部と、を備える。

本発明によれば、構造の種別における分布を推定することができる。

一実施形態における粒度分布推定システムの構成を模式的に示す装置構成図。 粒度分布推定システムが備える処理部の構成をデータ生成部とともに模式的に示すブロック図。 一実施形態の粒度分布推定方法が含む学習処理の手順を示すフローチャート。 第１特徴量の算出方法を模式的に示す模式図。 第２特徴量の算出方法を模式的に示す模式図。 一実施形態の粒度分布推定方法が含む推定処理の手順を示すフローチャート。 推定処理の変更例における手順を示すフローチャート。

図１から図６を参照して、分布推定システム、分布推定方法、および、分布推定プログラムの一実施形態を説明する。分布推定システムは、特徴量算出部と、分布推定部とを備えている。特徴量算出部は、物体群の表面における複数の位置を示す表面点群データから特徴量を算出する。分布推定部は、特徴量から物体群が含む物体の構造における種別の分布を出力するように学習した機械学習器を用いて特徴量算出部が算出した特徴量から物体の構造における種別の分布を推定する。物体の構造とは、物体の大きさおよび物体の形状のいずれかである。物体の構造が物体の大きさである場合には、種別とは、物体の大小である。物体の構造が物体の形状である場合には、種別は、例えば、円筒状、および、直方体状などの複数の形状を含む。

以下では、分布推定システムの一例である粒度分布推定システム、分布推定方法の一例である粒度分布推定方法、および、分布推定プログラムの一例である粒度分布推定プログラムについて説明する。

［粒度分布推定システムの構成］
図１および図２を参照して、粒度分布推定システムの構成を説明する。
図１が示す粒度分布推定システム１０は、複数の骨材Ａから構成される骨材群ＡＧにおける粒度分布を推定するシステムである。骨材Ａは、物体の一例である。骨材群ＡＧは、物体群の一例である。粒度分布は、粒体群に含まれる粒体の大きさの分布である。

粒度分布推定システム１０は、データ生成部１１、処理部１２、および、搬送部１３を備えている。データ生成部１１は、骨材Ａに対する三次元点群データを生成する。データ生成部１１は、例えば、ＴＯＦ（Time of Fright）方式の３次元スキャナーである。三次元点群データは、測定対象に対してデータ生成部１１が設定する複数の測定対象点であって、実際の空間である三次元空間に位置する各点を直交座標で表現した点データの集合である。直交座標は、例えば（ｘ、ｙ、ｚ）によって表現される。

搬送部１３は、骨材Ａに対する三次元点群データを生成するデータ生成部１１に向けて骨材Ａを搬送する。搬送部１３は、例えば、ベルトコンベアーである。搬送部１３は、骨材Ａの搬送を開始する所定の開始位置から、骨材Ａの搬送を終了する所定の終了位置まで延び、搬送部１３の延びる方向に沿って骨材Ａを搬送する。データ生成部１１は、開始位置から終了位置に向かう途中に位置する。搬送部１３が開始位置から終了位置まで骨材Ａを搬送するとき、搬送部１３は、搬送部１３が延びる方向に沿って、データ生成部１１よりも上流の位置からデータ生成部１１に向けて骨材Ａを搬送する。開始位置は、例えば、骨材Ａを製造する砕石場であり、終了位置は、例えば骨材Ａを貯蔵するサイロである。

処理部１２は、データ生成部１１が生成した三次元点群データを用いて、骨材Ａにおける粒度分布の推定に関わる処理を行う。処理部１２は、例えば、データ生成部の一例である三次元スキャナーに接続されたコンピューターである。

図２を参照して、データ生成部１１、および、処理部１２の構成をより詳しく説明する。
図２が示すように、処理部１２は、学習部２１、保持部２２、特徴量算出部２３、分布推定部２４、および、管理部２５を備えている。

データ生成部１１は、粒度分布を学習するための骨材群ＡＧ、すなわち、学習用の骨材群ＡＧに対する三次元点群データである学習用データＤＴと、粒度分布を推定するための骨材群ＡＧ、すなわち、判定用の骨材群ＡＧに対する三次元点群データである推定用データＤＥとを生成する。

学習用の骨材群ＡＧは、粒度分布が未知である骨材群ＡＧの粒度分布を推定するための学習モデルを学習するための骨材群ＡＧである。学習用の骨材群ＡＧにおける粒度分布は、既知である。これに対して、判定用の骨材群ＡＧは、粒度分布が未知の骨材群ＡＧであって、粒度分布推定システム１０による推定の対象となる骨材群ＡＧである。

特徴量算出部２３は、骨材群ＡＧの表面における複数の位置を示す三次元点群データから特徴量を算出する。三次元点群データは、表面点群データの一例である。特徴量算出部２３は、学習用データＤＴの入力に応じて、学習用データＤＴから学習用特徴量ＦＴを生成する。一方で、特徴量算出部２３は、推定用データＤＥの入力に応じて、推定用データＤＥから推定用特徴量ＦＥを生成する。

学習部２１は、学習用特徴量ＦＴから学習用の骨材群ＡＧの粒度分布を出力するように、学習用特徴量ＦＴを用いた機械学習を行う。学習部２１は、学習結果として、粒度分布モデルＭを生成する。粒度分布モデルＭは、例えば、粒度分布を推定するための関数やパラメータである。
保持部２２は、学習部２１の生成した粒度分布モデルＭを保持する。

分布推定部２４は、特徴量算出部２３が算出した特徴量から粒度分布を推定する。分布推定部２４は、粒度分布の推定に、特徴量から骨材群ＡＧの粒度分布を出力するように学習した機械学習器を用いる。本実施形態において、上述した学習部２１と保持部２２とが、機械学習器の一例を構成している。分布推定部２４は、保持部２２が保持する粒度分布モデルＭを用いて、推定用特徴量ＦＥにおける粒度分布を推定する。

管理部２５は、各機能部が実行する処理を管理する。管理部２５が管理する処理は、例えば、学習部２１が粒度分布モデルＭを生成するための処理、および、保持部２２が粒度分布モデルＭを保持するための処理を含む。管理部２５が管理する処理は、例えば、特徴量算出部２３が、学習用特徴量ＦＴおよび推定用特徴量ＦＥを算出するための処理を含む。また、管理部２５が管理する処理は、分布推定部２４が粒度分布を推定するための処理を含む。管理部２５は、粒度分布推定プログラムを有し、粒度分布推定プログラムを実行することによって、処理部１２を学習部２１、保持部２２、特徴量算出部２３、および、分布推定部２４として機能させる。

データ生成部１１は、有線、あるいは、無線によって、処理部１２に接続されている。データ生成部１１は、学習用データＤＴ、または、推定用データＤＥを出力する。処理部１２は、データ生成部１１が出力した学習用データＤＴ、または、推定用データＤＥを入力する。

なお、処理部１２は、自身が実行する全ての処理についてソフトウェア処理を行うものに限られない。たとえば、処理部１２は、自身が実行する処理の少なくとも一部についてハードウェア処理を行う専用のハードウェア回路（たとえば特定用途向け集積回路：ＡＳＩＣ）を備えてもよい。すなわち、処理部１２は、１）コンピュータプログラム（ソフトウェア）に従って動作する１つ以上のプロセッサ、２）各種処理のうち少なくとも一部の処理を実行する１つ以上の専用のハードウェア回路、あるいは３）それらの組み合わせ、を含む回路（circuitry）として構成され得る。プロセッサは、ＣＰＵ、並びに、ＲＡＭおよびＲＯＭなどのメモリを含む。メモリは、処理をＣＰＵに実行させるように構成されたプログラムコードまたは指令を格納している。メモリすなわちコンピューター可読媒体は、汎用または専用のコンピューターでアクセスできるあらゆる利用可能な媒体を含む。

［粒度分布推定方法］
図３から図６を参照して、粒度分布推定方法を説明する。本実施形態の粒度分布推定方法は、以下に説明する学習処理と推定処理とを含む。なお、粒度分布推定方法は、推定処理を含む一方で、学習処理を含まなくてもよい。また以下では、学習処理と推定処理とを順に説明する。

［学習処理］
図３から図５を参照して学習処理を説明する。
学習処理は、特徴量を算出することと、特徴量を用いた学習を行うこととを含んでいる。特徴量を算出することでは、学習用データＤＴについて、骨材群ＡＧの表面における複数の位置を示す三次元点群データから特徴量を算出する。特徴量を用いた学習を行うことでは、特徴量から骨材群ＡＧの粒度分布を出力するように機械学習する。以下、図面を参照して、学習処理について詳しく説明する。

本実施形態の学習処理は、特徴量および回帰分析を選択する選択工程（ステップＳ１１）と、粒度分布モデルＭを生成する学習工程（ステップＳ１２）とにより構成される。粒度分布モデルＭを生成する学習工程では、骨材群ＡＧの粒度分布の推定において推定の対象となる複数の粒度の各々に対する粒度分布モデルＭが生成される。以下、選択工程および学習工程の各々についてより詳しく説明する。

［選択工程］
選択工程は、候補となる複数の特徴量の算出手法および複数の回帰分析手法から、高い予測性能を発揮することができる特徴量の算出手法と回帰分析手法との組み合わせを選択する。

選択工程では、まず、複数の特徴量の算出手法および複数の回帰分析手法の全ての組み合わせについて交差判定法を用いて予測性能を評価する。そして、予測性能の評価結果に基づき、特徴量の算出手法と回帰分析手法との組み合わせを選択する。

以下、本実施形態において上述した候補となる特徴量の算出手法、および、回帰分析手法について説明する。また、本実施形態において用いられる交差判定法について説明する。

［特徴量の算出手法］
図４および図５を参照して、特徴量の算出手法を説明する。
本実施形態において、候補となる特徴量の算出手法は、以下に説明する３つである。

第１手法は、骨材群ＡＧの表面に位置する複数の点での平均平面と、各点との距離を含む第１特徴量Ｆ１を算出する。
すなわち、図４が示すように、第１特徴量Ｆ１を算出する際には、まず、三次元点群データＴＤから、当該三次元点群データＴＤに属する複数の点Ｐを２次元空間に射影することで、平均平面ＭＰを算出する。次いで、三次元点群データＴＤに属する各点Ｐと、平均平面ＭＰとの間の距離を算出する。そして、算出された複数の距離において、各距離が発生する頻度からヒストグラムを生成する。この生成されたヒストグラムが、第１特徴量Ｆ１である。

なお、第１特徴量Ｆ１の算出において、例えば、距離の最小値を−１００ｍｍに設定し、距離の最大値を１００ｍｍに設定することができる。距離の最小値は、ヒストグラムの階級における最小値であり、距離の最大値は、ヒストグラムの階級における最大値である。また、第１特徴量Ｆ１の算出において、例えば、ヒストグラムの次元数を５０に設定することができる。

第２手法は、骨材群ＡＧの表面に位置する複数の点によって形成される平面での法線ベクトルと、複数の点の一部によって形成される平面での法線ベクトルとが形成する角度を含む第２特徴量Ｆ２を算出する。

すなわち、図５が示すように、第２特徴量Ｆ２を算出する際には、まず、三次元点群データＴＤから、当該三次元点群データＴＤに属する複数の点Ｐによる平均平面ＭＰを算出する。次いで、平均平面ＭＰの平均法線ＮＭを算出する。そして、一定の間隔で抽出される局所領域ＬＡに含まれる複数の点Ｐから局所平均平面を算出し、かつ、当該局所平均平面の局所法線ＮＬを算出する。そして、２つの法線ＮＭ，ＮＬによって形成される角度を算出する。算出された複数の角度において、各角度が発生する頻度からヒストグラムを生成する。この生成されたヒストグラムが、第２特徴量Ｆ２である。

なお、第２特徴量Ｆ２の算出において、例えば、ｘ軸方向における局所法線ＮＬの算出数、および、ｙ軸方向における局所法線ＮＬの算出数を５０に設定することができる。すなわち、例えば、ｘ軸方向、および、ｙ軸方向において、１０ｍｍ間隔で局所法線ＮＬを計算することができる。また、第２特徴量Ｆ２の算出において、局所領域ＬＡの半径を４０ｍｍに設定することができる。さらに、第２特徴量Ｆ２の算出において、ヒストグラムの次元数を１００に設定することができる。なお、角度を算出する最小の点数を１０に設定することができる。すなわち、角度を算出することが可能な局所領域ＬＡが１０以上である場合に、第２特徴量Ｆ２を算出する。

第３手法は、第１特徴量Ｆ１と第２特徴量Ｆ２とに基づき第３特徴量Ｆ３を算出する。
より詳しくは、第３特徴量Ｆ３を算出する際には、まず、同一の三次元点群データＴＤから得られた第１特徴量Ｆ１、および、第２特徴量Ｆ２をそれぞれ正規化する。すなわち、各特徴量としてのヒストグラムに含まれる頻度の総和を１とし、各階級における頻度を頻度の総和によって除算する。そして、正規化された第１特徴量Ｆ１と、正規化された第２特徴量Ｆ２とを結合することによって、第３特徴量Ｆ３を算出する。

上述した特徴量Ｆ１，Ｆ２，Ｆ３は、骨材群ＡＧの粒度分布の推定において推定の対象となる複数の粒度の各々について算出される。例えば、推定の対象となる複数の粒度が、第１粒度、第２粒度、および、第３粒度の互いに異なる３つの粒度を含む場合には、第１粒度に対する特徴量Ｆ１，Ｆ２，Ｆ３の算出、第２粒度に対する特徴量Ｆ１，Ｆ２，Ｆ３の算出、および、第３粒度に対する特徴量Ｆ１，Ｆ２，Ｆ３の算出が行われる。

［回帰分析手法］
粒度分布推定方法では、連続性を有した値である骨材群ＡＧにおける粒度の分布が推定の対象である。そのため、特徴量を用いた粒度分布に関する学習では、連続性を有した値を推定するモデル当てはめが推定に有効である。そのため、学習部２１による学習には、回帰分析を用いることが好ましい。

回帰分析の手法は、例えば、線形重回帰、ラッソ回帰、リッジ回帰、ElasticNet、サポートベクター回帰、ポアソン回帰、ランダムフォレスト、ブースト決定木、高速フォレスト分布、ニューラルネットワーク、および、Deep Learningなどであってよい。サポートベクター回帰は、例えば、線形カーネルを用いたサポートベクター回帰、多項式カーネルを用いたサポートベクター回帰、および、ラジアル基底関数（RBF : radial basis function）カーネルを用いたサポートベクター回帰のいずれかであってよい。

［交差判定法］
交差判定を行う際には、まず、骨材Ａの粒度を選択する。次いで、特徴量の算出手法と回帰分析手法との組み合わせを選択する。そして、選択された特定の組み合わせについて交差判定を行うことによって、予測性能を評価する。交差判定による予測性能の評価は、各粒度について、特徴量の算出手法と回帰分析手法との組み合わせの数だけ行われる。

交差判定では、各粒度について準備した複数の学習用データＤＴを複数（以下、ｋ個と表記する）のデータ群に分割する。粒度ごとに準備される学習用データＤＴには、その粒度を有した骨材Ａの百分率が紐付けられている。そして、ｋ個のデータ群のうち、ｋ−１個のデータ群を訓練用データ群として用い、１個のデータ群を評価用データ群として用いる。これにより、ｋ−１個の訓練用データ群を用いた訓練と、１個の評価用データ群を用いた訓練結果の評価とが行われる。こうした訓練および評価は、各データ群を評価用データ群に設定する都度１回行われることによって、ｋ回行われる。

また、評価が行われる都度、評価用データ群と、評価用データを用いた評価結果とに基づいて、予測誤差を算出する。そして、全ての予測誤差から予測誤差の平均値を交差判定のスコアとして算出する。本実施形態では、特徴量の算出手法と回帰分析手法との組み合わせのなかで、交差判定のスコアが最も高い組み合わせを、最良の予測性能を有した組み合わせとしている。

本実施形態では、上述したように、粒度ごとに特徴量Ｆ１，Ｆ２，Ｆ３と回帰分析との組み合わせごとの交差判定が行われる。例えば、回帰分析の候補として７つの候補が選択される場合には、３つの特徴量Ｆ１，Ｆ２，Ｆ３のうちの１つの特徴量と、７つの回帰分析のうちの１つの回帰分析との組み合わせを用いた交差判定を、特徴量と回帰分析との組み合わせの数だけ行う。そして、最も高いスコアを有する特徴量の算出手法と回帰分析手法との組み合わせ、すなわち、最も予測性能の高い組み合わせを、学習工程において用いる組み合わせに選択する。

［学習工程］
学習工程では、骨材群ＡＧの粒度分布の推定において推定の対象となる複数の粒度の各々について学習が行われる。これにより、各粒度に対して粒度分布モデルＭが生成される。この際に、各粒度に対して特徴量と回帰分析との組み合わせが選択される。

例えば、推定の対象となる複数の粒度が、第１粒度、第２粒度、および、第３粒度の互いに異なる３つの粒度を含む場合には、第１粒度に対する学習、第２粒度に対する学習、および、第３粒度に対する学習が個別に行われる。学習工程では、上述した交差判定において準備された全ての学習用データＤＴを用いた学習が行われる。これにより、各粒度に対する粒度分布モデルＭが生成され、生成された粒度分布モデルＭが保持部２２に格納される。

このように、本実施形態では、各粒度の学習に用いられる特徴量の算出手法と回帰分析手法との組み合わせには、交差判定によって最良の予測性能を有する組み合わせが選択される。そのため、特徴量の算出手法と回帰分析手法との組み合わせは、全粒度において同じである場合もあるし、粒度ごとに異なる組み合わせが選択される場合もある。

［推定処理］
図６を参照して推定処理を説明する。
図６が示すように、推定処理は、特徴量を算出する算出工程（ステップＳ２１）、および、粒度分布を推定する推定工程（ステップＳ２２）を含んでいる。算出工程では、上述した学習処理での選択工程（ステップＳ１１）と同様の方法によって、推定用データＤＥに対する特徴量の算出が行われ、算出された特徴量が生成される。推定工程では、機械学習の結果である粒度分布モデルＭを用いて特徴量から粒度分布を推定する。以下、算出工程および推定工程について、より詳しく説明する。

［算出工程］
算出工程では、学習処理と同様に、第１特徴量Ｆ１、第２特徴量Ｆ２、および、第３特徴量Ｆ３の全てが算出される。これにより、算出工程では、複数の粒度の各々について推定用特徴量ＦＥが生成される。なお、各粒度に適用される特徴量Ｆ１，Ｆ２，Ｆ３の算出方法は、当該粒度に対して学習処理の選択工程によって選択された算出方法と同じである。

［推定工程］
推定工程では、保持部２２に保持された粒度分布モデルＭを用いて、推定対象の骨材群ＡＧにおける粒度分布を推定する。学習処理において、粒度分布モデルＭは、複数の粒度に含まれる各粒度に対して１つずつ生成される。そのため、推定工程においても、各粒度に対応づけられた粒度分布モデルＭを用いて、骨材群ＡＧにおける当該粒度を有した骨材Ａの百分率を推定する。上述したように、推定の対象となる複数の粒度が、第１粒度、第２粒度、および、第３粒度の互いに異なる３つの粒度を含む場合には、第１粒度に対する推定、第２粒度に対する推定、および、第３粒度に対する推定がそれぞれ行われる。

全ての粒度に対する推定が終了した後に、各粒度における百分率の合計が１００％になるように、各粒度における百分率を調整する。この際に、全ての粒度における推定結果を合計した推定結果の総和に対する、各粒度での推定結果の百分率を算出する。例えば、第１粒度の推定結果、第２粒度の推定結果、および、第３粒度の推定結果の総和を算出し、当該総和に対する各粒度での推定結果の百分率を算出する。

以上説明したように、分布推定システム、分布推定方法、および、分布推定プログラムの一実施形態によれば、以下に記載の効果を得ることができる。
（１）骨材群ＡＧの表面に位置する各点Ｐの位置から、骨材群ＡＧを構成する骨材Ａの粒度分布を得ることができる。

（２）複数の点Ｐでの平均平面と、各点Ｐとの距離、または、複数の点Ｐによって形成される平面での法線ベクトルと、複数の点Ｐの一部によって形成される平面での法線ベクトルとが形成される角度によって、特徴量を算出することが可能である。そのため、局所特徴量を算出する場合に比べて、特徴量の算出に要する負荷が大きくなることが抑えられる。

（３）回帰分析を用いて学習するため、連続値である粒度分布を精度よく推定することが可能である。
（４）骨材群ＡＧにおける粒度の分布を推定することが可能である。

なお、上述した実施形態は、以下のように変更して実施することができる。
［学習処理］
・粒度分布推定システム１０は、学習による粒度分布モデルＭの生成を所定の間隔で繰り返し行ってもよい。粒度分布推定システム１０は、例えば、所定の時間が経過するごとに学習を行ってもよいし、所定の回数だけ粒度分布の推定を行うごとに学習を行ってもよい。粒度分布推定システム１０は、学習ごとに新規の学習用データＤＴを用いる。粒度分布推定システム１０は、学習のたびに粒度分布モデルＭを更新し、更新された粒度分布モデルＭを骨材群ＡＧに対する粒度分布の推定に用いる。

・粒度分布推定方法が学習処理を含まない場合には、粒度分布推定システム１０の処理部１２は、学習部２１と保持部２２とを含まなくてもよい。粒度分布推定システム１０は、粒度分布推定システム１０とは異なるシステムが有する機械学習器の学習結果である粒度分布モデルＭを用いた粒度分布の推定が可能であればよい。

［選択工程］
・学習処理は、選択工程を有しなくてもよい。学習処理が選択工程を有しない場合には、上述した第１特徴量Ｆ１から第３特徴量Ｆ３のうちで、予め定められた特徴量だけが算出されてもよい。あるいは、上述した実施形態と同様、第１特徴量Ｆ１から第３特徴量Ｆ３の全てが算出されてもよい。回帰分析手法についても、特徴量と同様に予め定められた回帰手法としてもよい。

［算出工程］
・特徴量の算出工程（ステップＳ２１）では、学習処理における選択工程の結果として選択された特徴量のみが算出されてもよい。

［存否判定工程］
・推定処理は、骨材Ａが搬送部１３上に存在するか否かを判定する存否判定工程を含んでもよい。存否判定工程では、推定処理の対象とされた推定用データＤＥが、搬送部１３が骨材Ａを搬送している間にデータ生成部１１によって生成されたデータであるか、あるいは、搬送部１３が骨材Ａを搬送していない間にデータ生成部１１によって生成されたデータであるかが判断される。

この場合には、図７が示すように、推定処理において、存否判定工程（ステップＳ３１）は、算出工程（ステップＳ２１）と推定工程（ステップＳ２２）との間にて行われる。存否判定工程では、三次元点群データＴＤに基づく特徴量から、骨材Ａの存否を判定するように学習した機械学習の結果を用いて、骨材Ａの存否を判定する。

存否判定工程を実施するためには、学習部２１が、上述した粒度分布モデルＭに加えて、骨材群ＡＧの存否を出力するための識別モデルを生成している。識別モデルの学習には、例えばサポートベクターマシンなどの分類手法を用いることができる。また、保持部２２は、学習部２１が生成した粒度分布モデルＭに加えて、識別モデルを保持している。

推定処理では、存否判定工程において骨材Ａが存在しないと判定された場合に（ステップＳ３１：ＮＯ）、推定処理に関わる処理が一旦終了される。これに対して、存否判定工程において骨材Ａが存在していると判定された場合には（ステップＳ３１：ＹＥＳ）、推定工程が行われる。

［クラス判定処理］
・分布推定方法は、クラス判定処理を含んでもよい。判定処理では、粒度分布の推定対象である骨材群ＡＧが属するクラスが判定される。クラス判定処理では、骨材群ＡＧが、骨材の分級に用いられる種別であるＧ１、Ｇ２、および、Ｇ３のいずれに属するかが判定される。また、クラス判定処理では、骨材Ａの種別だけでなく、骨材Ａが搬送部１３上に存在しないことを判定することも可能である。クラス判定処理では、三次元点群データＴＤに基づく特徴量から、骨材群ＡＧが属するクラスを出力するように学習した機械学習の結果を用いて、骨材群ＡＧのクラスを判定する。

クラス判定処理を実施するためには、学習部２１が、上述した粒度分布モデルＭに加えて、骨材群ＡＧが属するクラスを出力するための識別モデルを生成している。識別モデルの学習には、例えばサポートベクターマシンなどの分類手法を用いることができる。また、保持部２２は、学習部２１が生成した粒度分布モデルＭに加えて、識別モデルを保持している。
クラス判定処理は、推定工程と並行して行われてもよいし、推定工程よりも前に行われてもよいし、推定工程よりも後に行われてもよい。

・クラス判定処理は、予め算出された判別式を用いて行われてもよい。この場合には、保持部２２が、判別式を保持している。判別式は、各クラスでの頻度を重みとした骨材Ａの大きさにおける加重平均値を用いて定義される。加重平均値は、各クラスに属する骨材Ａの粒度分布を実測した値から算出される。クラス判定処理では、判別式に対して、上述した推定工程において推定された各粒度での推定結果が適用されることによって、骨材群ＡＧが属するクラスが判定される。この場合には、クラス判定処理は、推定工程よりも後に行われる。

［特徴量］
・三次元点群データＴＤから算出される特徴量は、上述した３つの特徴量以外の特徴量であってもよい。例えば、ＳＨＯＴ特徴量、ＰＦＨ特徴量、ＰＰＦ特徴量、ＣＳＨＯＴ特徴量、および、Spin Imageなどの局所特徴量から生成されるヒストグラムを特徴量としてもよい。

［粒体］
・粒度分布の推定対象は、上述した骨材Ａ以外の粒体であってもよい。粒体は、例えば、所定の構造物の構成要素である部品や、食品などであってもよい。

［推定対象］
・分布推定システムによる推定対象は、上述した粒体の大きさに限らず、粒状以外の所定の形状を有した物体における構造の種別であってよい。なお、構造の種別とは上述したように、物体の大きさおよび形状のいずれかである。

１０…粒度分布推定システム、１１…データ生成部、１２…処理部、１３…搬送部、２１…学習部、２２…保持部、２３…特徴量算出部、２４…分布推定部、２５…管理部、Ａ…骨材、ＡＧ…骨材群、ＬＡ…局所領域、ＭＰ…平均平面、ＮＬ…局所法線、ＮＭ…平均法線、Ｐ…点、ＴＤ…三次元点群データ。

Claims (9)

1. 物体群の表面における複数の位置を示す表面点群データから特徴量を算出する特徴量算出部と、
   前記特徴量から前記物体群が含む物体の構造における種別の分布を出力するように学習した機械学習器を用いて前記特徴量算出部が算出した前記特徴量から物体の構造における種別の分布を推定する分布推定部と、を備える
   分布推定システム。
2. 前記特徴量は、前記物体群の前記表面に位置する複数の点での平均平面と、各点との距離を含む
   請求項１に記載の分布推定システム。
3. 前記特徴量は、前記物体群の前記表面に位置する複数の点によって形成される平面での法線ベクトルと、前記複数の点の一部によって形成される平面での法線ベクトルとが形成する角度を含む
   請求項１に記載の分布推定システム。
4. 前記特徴量は、前記物体群の前記表面に位置する複数の点での平均平面と、各点との距離を含む第１特徴量と、前記物体群の前記表面を構成する複数の平面での法線ベクトルと、前記複数の点の一部によって形成される平面での法線ベクトルとが形成する角度を含む第２特徴量とに基づき算出される
   請求項１に記載の分布推定システム。
5. 前記機械学習器は、回帰分析を用いて前記特徴量から前記物体群が含む物体の構造における種別の分布を出力するように学習する
   請求項１から４のいずれか一項に記載の分布推定システム。
6. 前記物体は、粒体である
   請求項１から５のいずれか一項に記載の分布推定システム。
7. 前記粒体は、骨材である
   請求項６に記載の分布推定システム。
8. 物体群の表面における複数の位置を示す表面点群データから特徴量を算出することと、
   前記特徴量から前記物体群が含む物体の構造における種別の分布を出力するように機械学習することと、
   前記機械学習の結果を用いて前記特徴量から物体の構造における種別の分布を推定することと、を含む
   分布推定方法。
9. コンピューターを、
   物体群の表面における複数の位置を示す表面点群データから特徴量を算出する特徴量算出部と、
   前記特徴量から前記物体群が含む物体の構造における種別の分布を出力するように学習した機械学習器を用いて前記特徴量算出部が算出した前記特徴量から物体の構造における種別の分布を推定する分布推定部として機能させる
   分布推定プログラム。