JP6773899B2 - 資産特性を分類するためのプラットフォーム、システム、ならびに方法および航空画像解析による資産特徴保守管理 - Google Patents

Description

関連出願の相互参照
［0001］ 本願は、「Ｐｌａｔｆｏｒｍ，Ｓｙｓｔｅｍｓ，ａｎｄ Ｍｅｔｈｏｄｓ ｆｏｒ Ｉｄｅｎｔｉｆｙｉｎｇ Ｐｒｏｐｅｒｔｙ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ Ｐｒｏｐｅｒｔｙ Ｆｅａｔｕｒｅ Ｍａｉｎｔｅｎａｎｃｅ Ｔｈｒｏｕｇｈ Ａｅｒｉａｌ Ｉｍａｇｅｒｙ Ａｎａｌｙｓｉｓ」と題され、２０１６年９月２３日に出願された米国仮特許出願第６２／３９８，６６５号の優先権を主張するものであり、その全体が参照によって本願明細書に組み込まれる。

［0002］ リスク曝露データベースは、保険に関するできる限り多くの建物資産または特性の編集物を含む。これらの資産は、位置座標、住所、傾斜、標高のような特性を含み得る。他の特性は、建物構造タイプ、占有タイプ、建築年および／または改築年、建物の高さ、ソフトストーリー、階数、および床面積を含む。さらなる特性は、屋根の状態、屋根の形状、屋根葺、屋根のアンカー、屋根の設備、クラッディング、およびパウンディング（隣接建物との距離）を含み得る。これらの特性のいくつかは、立ち入り検査または公文書によってのみ評価され得るが、他の特性は、視覚画像を使用して測定され得る。

［0003］ 本開示において取り上げる特性は、屋根の形状および屋根の状態を含む。一実施例では、屋根の形状は、入母屋屋根、切妻屋根、寄棟屋根、方形屋根、および平屋根の５つのカテゴリに分けられる。各々の屋根の形状は、地震または風のような様々な危険な自然現象に対して固有の反応および損傷の脆弱性を有する。

［0004］ 深層学習は、複数の抽出化レベルを有するデータの表現を学習するための複数の処理層から成る計算モデルを含む。これらのモデルは、予測分析を自動化する１つの方法であると考えられ得る。表現学習は、マシンに生データを供給して、検出または分類に必要な表現を自動的に見つけることができるようにするメソッドセットである。深層学習を使用するケースは、音声認識、動き検出、変換、および医療診断を含む。深層学習アルゴリズムおよびサンプルデータデットを使用することにより、コンピュータは、高レベルの精度で広範囲の特性を区別して分類することができ、人間の認識レベルを上回ることも多い。

［0005］ 深層学習に使用される１つのモデルは、Ｍ．Ｌｉｎらによる論文「Ｎｅｔｗｏｒｋ Ｉｎ Ｎｅｔｗｏｒｋ」に記載されており、２０１４年にＩｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｌｅａｒｎｉｎｇ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ（ａｒＸｉｖ：１４０９．１５５６）に掲載されている「Ｎｅｔｗｏｒｋ Ｉｎ Ｎｅｔｗｏｒｋ」モデルであり、この内容はその全体が参照によって本願明細書に組み込まれる。Ｎｅｔｗｏｒｋ Ｉｎ Ｎｅｔｗｏｒｋモデルを使用すれば、複雑な構造を有するマイクロ・ニューラル・ネットワークを使用して人工知覚結果の多数の層が生成される。人工知覚結果は、その後、積層され、平均化されて、分類のための単一全体平均プーリング層を生成する。

［0006］ 深層学習アルゴリズムは、視覚認識に適用される場合、観察結果の特徴を特性化するために観察結果（例えば、画像）を多数の異なる方法で分類することができる。いくつかの実施例では、深層学習アルゴリズムは、１画素あたりの強度値のセットとして、より抽象的な方法では、特定の形状のエッジ、領域のセットとして、画像を精査するのに適用され得る。いくつかの表現は、特定の学習タスクに基づいて他の表現よりも優れた性能を示し得る。深層学習の可能性の１つは、教師なしまたは半教師あり特徴学習および階層的特徴抽出のために、特徴の人間識別を効率的なアルゴリズムと置換することである。

［0007］ 本発明者らは、航空画像を解析して、個々の資産の特性を自動的に抽出するために、深層学習方法をリスク曝露データベースの母集団に適用することにより、建物の種類および補修状態の迅速で効率的な自動分類を行うことが可能であることに気付いた。位置に基づく脆弱性を、一部は１つまたは複数の資産特徴の補修状態の分類によって識別された個々の資産の脆弱性と組み合わせると、災害による損傷のリスクは、より正確に推定され得る。

［0008］ 例示的な実施態様の上記の概要および以下のその詳細な説明は、本開示の教示の態様の例に過ぎず、限定的なものではない。

［0009］ 本明細書に記載されているシステム、方法、およびコンピューティング・システム・プラットフォームは、機械学習解析によって１つまたは複数の資産の航空画像特徴を対応する資産状態（例えば、資産特徴の保守管理レベル）と照合するのを支援する。好適な用途では、資産状態解析は、暴風雨のような１つまたは複数の災害状況を考慮して損傷のリスクを推定するのに使用され得る。解析はさらに、一実施例では、災害が推定された損傷を引き起こした場合に、各々の資産の補修または建て替えのコストを推定するのを支援し得る。別の実施例では、解析は、資産が補修されたことを確認するのに使用され得る。

［0010］ 一態様では、本開示は、資産特性の補修状態を自動的に分類する方法であって、資産を含む地理的領域の航空画像を取得するステップ、資産特性に対応する航空画像の特徴を識別するステップ、資産特性分類を決定するために特徴を解析するステップ、状態分類を決定するために資産特性を含む航空画像の領域を解析するステップ、および資産特性分類および状態分類を使用して、１つまたは複数の災害による資産への損傷のリスク推定値を決定するステップを含む方法に関する。資産特性分類は、屋根上面の形状であり得る。資産特性を決定するために特徴を解析するステップは、その特徴に深層学習解析モデルを適用するステップを含み得る。深層学習解析モデルは、ＮＩＮであり得る。

［0011］ いくつかの実施形態では、状態分類を決定するために資産特性を含む航空画像の領域を解析するステップは、機械学習解析モデルを領域内の画像画素に適用するステップを含む。機械学習解析モデルは、色ヒストグラム解析モデルを含み得る。状態分類は、良および不良の分類を包含し得る。リスク推定値を決定するステップは、少なくとも１つの災害の第１の災害および資産特性に対応する災害リスクプロファイルを適用するステップを含む。

［0012］ 一態様では、本開示は、資産特性の補修状態を自動的に分類するためのシステムであって、処理回路と、命令が記憶される非一時的なコンピュータ可読媒体とを含むシステムに関する。いくつかの実施形態では、命令は、処理回路によって実行されたときに、処理回路に、資産を含む地理的領域の航空画像を取得させ、資産特性に対応する航空画像の特徴を識別させ、資産特性分類を決定するために特徴を解析させ、状態分類を決定するために資産特性を含む航空画像の領域を解析させ、および資産特性分類および状態分類を使用して、資産特性の建て替えのための建て替えコストを決定させる。航空画像は、２次元航空画像であり得る。

［0013］ いくつかの実施形態では、命令は、処理回路によって実行されたときに、処理回路に、特徴を識別する前に、資産を含む形状マップ画像を取得させ、航空画像を形状マップ画像と重ね合わせさせ、形状マップによって識別された資産の境界が航空画像内に示されている資産の境界と一致するかどうかを決定させる。命令は、処理回路によって実行されたときに、処理回路に、形状マップが対応する資産の境界と一致しないと決定したときに、資産の代替の航空画像を取得させ得る。命令は、処理回路によって実行されたときに、処理回路に、特徴を識別する前に、航空画像の直交性を査定させ得る。資産は、一戸建て住宅であり得る。

［0014］ 一態様では、本開示は、命令が記憶される非一時的なコンピュータ可読媒体に関し、命令は、処理回路によって実行されたときに、処理回路に、資産および少なくとも１つの資産特性の識別を受信させ、資産を含む地理的領域の航空画像を取得させ、少なくとも１つの資産特性の各々の資産特性に対応する航空画像の個々の特徴を識別させる。いくつかの実施形態では、命令は、処理回路によって実行されたときに、処理回路に、各々の資産特性に対して、個々の資産特性分類を決定するために対応する特徴を解析させ、個々の状態分類を決定するために個々の資産特性を含む航空画像の領域を解析させる。命令は、処理回路によって実行されたときに、処理回路に、各々の資産特性の資産特性分類および各々の資産特性の状態分類を使用して、災害による損害のリスクを示す少なくとも１つのリスク推定値を決定させ得る。

［0015］ いくつかの実施形態では、命令は、処理回路によって実行されたときに、処理回路に、地理的領域の航空画像を取得する前に、少なくとも１つの資産特性に基づいて、少なくとも１つの資産特性の各々の資産特性に対応する好適な画像タイプを決定させる。少なくとも１つの資産特性は、２つ以上の資産特性を含み得る。命令は、処理回路によって実行されたときに、処理回路に、少なくとも１つの資産特性の第１の資産特性に対応する好適な画像タイプが地上画像であるとの決定に応答して、資産を含む地理的領域の地上画像を取得させ得る。

［0016］ いくつかの実施形態では、命令は、処理回路によって実行されたときに、処理回路に、１つまたは複数の既知の資産特性にアクセスさせる。少なくとも１つのリスク推定値を決定するステップは、さらに１つまたは複数の既知の資産特性に基づいて少なくとも１つのリスク推定値を決定するステップを含み得る。１つまたは複数の既知の資産特性は、資産年齢、資産標高、資産傾斜、建築年、改築年、および建物の高さのうちの少なくとも１つを含み得る。

［0017］ いくつかの実施形態では、資産および少なくとも１つの資産特性に識別を受信するステップは、リモート・コンピューティング・デバイスからネットワークを介して資産の識別を受信するステップを含む。命令は、処理回路によって実行されたときに、処理回路に、少なくとも１つの資産特性の受信に応答してリアルタイムで、リモート・コンピューティング・デバイスにネットワークを介して少なくとも１つのリスク推定値を提供させ得る。

［0018］ 本明細書に組み込まれ、本明細書の一部を成す添付図面は、１つまたは複数の実施形態を示しており、その説明と合わせて、これらの実施形態を解説するものである。添付図面は、必ずしも正確な比率で描かれているとは限らない。添付のグラフおよび図に示されている任意の値および寸法は、単に例示目的で示されており、実際のまたは好適な値または寸法を表している場合もあれば、そうでない場合もある。必要に応じて、いくつかまたは全ての特徴は、基本的特徴の説明を助けるために示されていない場合がある。

［0019］航空画像特徴を対応する資産保守管理レベルと照合するためのシステム動作フローの一例のフロー図である。 ［0020］特性分類および対応するリスク・プロファイル・データの例を示す図である。 ［0021］状態特性の例および対応するヒストグラムの例を示す図である。 ［0022］資産特性タイプの一例に対応する状態プロファイルの一例を示す図である。 ［0023］航空画像特徴を対応する屋根上面の形状と照合するときに、トレーニングデータを試験データと比較したときのエラー率のグラフの一例である。 ［0024］航空画像の地形学的特徴を対応する資産保守管理レベルと照合するための環境の一例のブロック図である。 ［0025］航空画像解析に基づいて資産の状態特性を分類する方法の一例を示すフローチャートである。 ［0026］地理的地域の構造物形状マップの一例を示す図である。 ［0027］図５Ａの地理的地域の２次元航空画像の一例を示す図である。 ［0028］図５Ａの構造物形状マップのセクションが図５Ｂの航空画像の対応セクションに重なった重ね合わせマップ画像の一例を示す図である。 ［0029］コンピューティングシステムの一例のブロック図である。 ［0030］クラウドコンピューティング環境を含む分散コンピューティング環境の一例のブロック図である。 ［0031］資産特性および保守管理レベル情報を精査するためのユーザインターフェースのスクリーンショットの一連の例を示す図である。 ［0031］資産特性および保守管理レベル情報を精査するためのユーザインターフェースのスクリーンショットの一連の例を示す図である。 ［0031］資産特性および保守管理レベル情報を精査するためのユーザインターフェースのスクリーンショットの一連の例を示す図である。

［0032］ 添付図面に関する以下の説明は、開示される主題の様々な例示的な実施形態を説明することを意図したものである。特定の特徴および機能は、各々の例示的な実施形態に関連して説明されているが、開示されている実施形態がそれらの特定の特徴および機能の各々がなくても実施され得ることは当業者には明らかであろう。

［0033］ 本明細書全体を通して、「１つの実施形態」または「一実施形態」という表現は、１つの実施形態に関連して示されている特定の特徴、構造、または特性が開示される主題の少なくとも１つの実施形態に含まれるという意味である。したがって、本明細書全体を通して、様々な場所で使用されている「１つの実施形態では」または「一実施形態では」という表現は、必ずしも全てが同一の実施形態を指すとは限らない。さらに、特定の特徴、構造、または特性は、１つまたは複数の実施形態において、任意の適切な方法で組み合わせられ得る。さらに、開示されている主題の実施形態はその修正形態および変形形態を網羅するものとする。

［0034］ 本明細書で使用されるとき、文脈が明確に他の意味を示していない限り、単数形（「ａ」、「ａｎ」、「ｔｈｅ」）は、複数の指示対象を含むことに留意しなければならない。すなわち、特に明記しない限り、本明細書で使用されるとき、単数形（「ａ」、「ａｎ」、「ｔｈｅ」など）の語は「１つまたは複数」の意味を有する。さらに、本明細書内で使用され得る「左」、「右」、「上」、「下」、「前」、「後」、「横」、「高さ」、「長さ」、「幅」、「上方」、「下方」、「内部」、「外部」、「内側」、「外側」などのような用語は、単に基準点を示すものであり、必ずしも本開示の実施形態を任意の特定の向きまたは構成に限定するものでないことを理解されたい。また、「第１の」、「第２の」、「第３の」などのような用語は、本明細書に開示されている多数の部分、コンポーネント、ステップ、動作、機能、および／または規準点のうちの１つを単に識別するものであり、同様に、必ずしも本開示の実施形態を任意の特定の構成または向きに限定するものではない。

［0035］ さらに、用語「およそ」、「約」、「近似の」、「わずかな差」および同様の用語は、一般に、特定の実施形態における２０％、１０％または好ましくは５％の差の範囲内の特定値を含む範囲、およびその間の任意の値を指す。

［0036］ 一実施形態に関連して記載されている機能の全ては、明確に示されている場合を除き、または特徴または機能が追加の実施形態と互換性がない場合を除き、以下で説明する追加の実施形態にも適用可能であるものとする。例えば、所与の特徴または機能が一実施形態に関連して明確に示されているが、代替の実施形態に関連して明確に述べられていない場合、本発明者らは、その特徴または機能は、代替の実施形態と互換性がない場合を除き、代替の実施形態に関連して展開され、利用され、または実装され得ることを意図していることを理解すべきである。

［0037］ 図１を参照すると、航空画像特徴を対応する資産保守管理レベルと照合するためのシステム動作フロー１００の一例が資産所在地１０２ｂの画像を取得する（１０４）フロー図が示されている。いくつかの実施態様では、システムによる動作フロー１００の少なくとも一部の開始は、ネットワークを介してシステムに接続されているコンピューティングデバイス上のダッシュボード・インターフェース・スクリーンにおいて保険業者または不動産投資ブローカーのようなユーザによって提出された資産分類要求によってトリガされ得る。例えば、図８Ａに示されているように、マップ・ビュー・ユーザインターフェース８００内の特定の資産、または、代替として、資産の近隣が選択され得る。動作フロー１００は、航空画像１０２ｃに基づいて各々の資産所在地１０２ｂにおける各々の資産の特徴の状態を解析するのに使用され得る。いくつかの実施態様では、動作フロー１００は、例えば、航空画像内で検出された各々の資産特性の補修または建て替えのコストを推定するのを支援し得る。別の実施例では、動作フロー１００は、資産所在地１０２ｂが補修されたことを確認するのに使用され得る。

［0038］ 資産所在地１０２ｂは、いくつかの実施例では、特定の保険業者の保険対象である資産の所在地、竜巻、ハリケーン、地震、高潮、または噴火のような災害によって最近影響を受けた資産の所在地、投資ポートフォリオ対象の資産の所在地、または投資ポートフォリオへの追加を検討されている資産の所在地を表し得る。資産所在地１０２ｂは、いくつかの実施例では、街路アドレス、全地球測位システムの座標、または他の地理的座標によって識別され得る。

［0039］ いくつかの実施態様では、動作フロー１００は、各々の資産所在地１０２ｂの画像を取得する（１０４）。画像は、システムによって記憶される、または遠隔のネットワーク化された場所からシステムによってアクセスされる航空画像１０２ｃを含み得る。航空画像１０２ｃは、例えば、資産所在地１０２ｂの少なくとも１つを含む地理的位置の３次元もしくは２次元画像を含み得る。一実施例では、システムは、街路アドレスまたは地理的座標に基づいて、少なくとも１つの資産所在地１０２ｂの画像を含む最新の航空画像１０２ｃを取得するためにリモートデータベースに問い合わせを行うことができる。リモートデータベースは、いくつかの実施例では、Ｇｏｏｇｌｅ社（マウンテンビュー、カリフォルニア州）のＧｏｏｇｌｅ（登録商標）Ｅａｒｔｈ画像またはＮＴＴ空間情報株式会社（日本）のような民間企業のデータベースを含み得る。他の実施例では、リモートデータベースは、日本の国土地理院（ＧＳＩ）、米国地質調査所、またはドイツ連邦地図測地庁のような公的機関の１つまたは複数のデータベースを含み得る。航空画像は、いくつかの実施形態では、オープンソース地理空間財団（ＯＳＧｅｏ）によるＱＧＩＳのようなオープンソース地理情報システム（ＧＩＳ）を使用して、１つまたは複数の遠隔のネットワーク位置から収集され得る。資産所在地１０２ｂの画像のフォーマットは、いくつかの実施形態では、航空画像１０２ｃに利用可能な様々なソースによって受け取られるフォーマットに依存する。複数の資産所在地１０２ｂの航空画像５１０の一例は、 図５Ｂに示されている。

［0040］ いくつかの実施形態では、システムは、所与の資産所在地１０２ｂの少なくとも２枚の航空画像を取得するために複数の遠隔のデータベースシステムに問い合わせを行うように構成され得る。様々なデータベースで利用可能な航空画像は、例えば、解像度およびキャプチャの最新性の点で異なり得る。特定の資産の２枚以上の画像を収集することで、例えば、システムは、各々の画像を解析して状態解析に使用するための最高品質の画像を決定することができる。状態解析は、いくつかの実施例では、明瞭さ、完全性、および最新性のような複数の要素の均衡を含み得る。

［0041］ さらに、いくつかの実施形態では、システムは、２次元航空画像および３次元航空画像の両方を取得するために複数の遠隔のデータベースシステムに問い合わせを行うように構成され得る。航空画像が２次元フォーマットでキャプチャされたか、それとも３次元フォーマットでキャプチャされたかに基づいて、異なる資産特性が判別され得る。２次元航空画像は、いくつかの実施例では、資産の位置座標、街路名、占有タイプ、床面積、天窓の有無、煙突の有無、屋根の状態、屋根の形状、屋根葺、屋根のアンカー、屋根の設備、および／またはパウンディングを決定するのに使用され得る。３次元航空画像は、２次元航空画像と比較すると、位置座標、街路名、建物構造タイプ、占有タイプ、建築年、建物の高さ、ソフトストーリー、階数、屋根の状態、屋根の形状、屋根葺、屋根のアンカー、屋根の設備、クラッディングおよびパウンディングを決定するのに使用され得る。いくつかの実施形態では、２次元画像または３次元画像のいずれかを使用して識別可能な特性の重複が存在する場合、個々の特性の識別の信頼度を増すために、両方の画像の機械学習解析が組み合わされ得る。

［0042］ いくつかの実施態様では、システムは、資産所在地１０２ｂの各々の形状マップ画像１０２ａを取得する（１０４）。形状マップ画像１０２ａは、例えば、都市計画および都市開発に使用される都市計画図のような市町村内の存在する資産のブロック形状レイアウトを含む。形状マップ画像１０２ａは、別の実施例では、コンピュータベースのナビゲーションシステムのユーザに情報を提供する際に使用されるブロック形状レイアウトマップを含み得る。形状マップ画像１０２ａは、一実施例では、日本の国土地理院または日本の株式会社ゼンリンから取得され得る。都市計画図５００の一例は、図５Ａに示されている（日本の国土地理院から取得された画像、デジタルマップ２５００（Ｓｐａｔｉａｌ Ｄａｔａ Ｆｒａｍｅｗｏｒｋ））。

［0043］ 形状マップ画像１０２ａは、いくつかの実施形態では、特定の資産の位置を確認するのに使用される。地理的地域の形状マップ画像１０２ａは、例えば、資産を画像と照合するために対応する航空画像１０２ｃと重ね合わされ得る。図５Ａの都市計画図画像５００を図５Ｂの航空画像５１０と重ね合わさせた画像５２０の一例は、図５Ｃに示されている。 いくつかの実施形態では、形状マップ画像１０２ａは、航空画像１０２ｃと形状または位置が一致しない場合がある。図５Ｃに図示されているように、例えば、所在地５２２の（太線で示された）形状マップ輪郭は、長方形でない場合があるが、輪郭の下の屋根上面の形状は長方形である場合がある。いくつかの実施形態では、複数の航空画像１０２ｃを解析して最高品質の画像を決定するステップは、対応する形状マップ画像１０２ａと実質的に合致する１つまたは複数の航空画像１０２ｃを識別するステップを含み得る。航空画像１０２ｃと形状マップ画像１０２ａとの重ね合わせは、さらに、特定の資産所在地１０２ｂに解析の焦点を合わせるために航空画像１０２ｃをトリミングするのを支援するのに使用され得る。例えば、図５Ｃを参照すると、資産所在地５２４は、対応する都市計画図画像と実質的に合致しており、全体輪郭は、資産所在地５２４のトリミングを支援するのに使用され得る。いくつかの実施例では、資産の形状全体を変更し得る資産増築のように資産５２４に対して行われた改築を説明するために、資産所在地５２４が重ね合わせられた画像５２０内の資産と所定の許容誤差の範囲で合致する場合に、資産所在地５２４は重ね合わされた画像５２０内で識別され得る。

［0044］ 図１に戻ると、いくつかの実施形態では、形状マップ画像１０２ａは、対応する２次元航空画像１０２ｃのアライメント誤差または不一致を補正する、または補償するために使用され得る。例えば、標準のオルソフォトアングルを示す航空画像は、都市計画図のブロックにそのまま基づいていない場合がある。都市計画図のブロックを目安として使用することで、例えば、航空画像は、真のオルソフォトバージョンの航空画像を取得するために幾何学的に補正され得る。

［0045］ 図１に図示されているように、いくつかの実施態様では、システムは、資産特性を分類するために各々の航空画像１０２ｃの特徴を識別する（１０６）。解析のために機械学習を使用することで、例えば、システムは、特定の資産所在地１０２ｂの航空画像の特徴を抽出することができる。角度、輪郭、実質的に均質な領域などのような抽出された特徴のグループ化は、屋根上面、スイミングプール、煙突、および天窓のような資産特徴を識別するのに使用され得る。資産特徴（例えば、屋根上面）として識別可能な画像関連特徴を抽出すると、抽出された特徴は、その特徴の１つまたは複数の資産特性（例えば、屋根上面のタイプ）を決定するために解析され得る。一実施例では、スイミングプールは、プールの資産特徴（例えば、実質的に均質な青い領域の境界となる特定のサイズまたはそれより大きい輪郭の様々な形状）として識別され、その後、特定の形状（例えば、長方形、円形、またはインゲンマメ形状など）、タイプ（例えば、地上または地下）、および／またはサイズ（例えば、概算面積）として特性化され得る。機械学習解析で使用される機械学習分類子は、いくつかの実施形態では、特定の資産所在地１０２ｂの航空画像１０２ｃを前処理するために、また資産特徴を資産特性１１０として分類するために畳み込みニューラルネットワーク（ＣＮＮ）を含む。ＣＮＮ技術を使用することで、例えば、オブジェクトまたはオブジェクトの特徴を視覚的に精査して識別する生物学的プロセスは、多層人工知覚が前処理を最小化するフィードフォワード人工ニューラルネットワークによって模倣される。ＣＮＮは、確立された一般的な機械学習方法である。ＣＮＮ処理モデルの一例は、Ａｌｅｘｎｅｔである。（雑誌「Ａｄｖａｎｃｅｓ ｉｎ ｎｅｕｒａｌ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ ｓｙｓｔｅｍｓ．（２０１２年）」、Ｋｒｉｚｈｅｖｋｓｙらによる「ＩｍａｇｅＮｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ」を参照。この内容全体は、参照により本願明細書に組み込まれる。） 他の実施形態では、機械学習分類子は、複雑な構造を有するマイクロ・ニューラル・ネットワークを使用して人工知覚結果の多数の層が生成されるＮｅｔｗｏｒｋ Ｉｎ Ｎｅｔｗｏｒｋ（ＮＩＮ）を含み得る。人工知覚結果は、その後、積層され、平均化されて、分類のための単一全体平均プーリング層を生成する。ＮＩＮは、従来のＣＮＮ処理よりも優れた性能結果を示している。さらに、ＮＩＮ処理は、ＣＮＮ処理よりもストレージ集約度が低い。

［0046］ いくつかの実施態様では、資産特徴を分類するのに資産特性プロファイル１０８が使用される。資産特性プロファイル１０８は、例えば、既知の資産特性の航空画像（いくつかの実施形態では、地上画像１０２ｄ）を使用して機械学習アルゴリズムをトレーニングすることによって開発され得る。各々の資産特徴は、例えば、複数の分類に分けられ得る。地上画像の分類を伴う実施例では、クラッディングは、石、れんが、スタッコ、屋根板、垂直板、水平板、または金属を含み得る。機械学習アルゴリズムは、例えば、入母屋屋根上面を含む新しい航空画像１０２ｃと入母屋屋根上面の特性プロファイル１０８との一致に対して信頼度の割合を生成し得る。

［0047］ 図２Ａを参照すると、図示されている実施例では、特定の資産所在地１０２ｂの屋根の形状２０２を分類するのに、航空画像２０４の抽出された角度特徴および輪郭特徴が使用され得る。第１の実施例では、切妻屋根２０２ｂは、対応する航空画像２０４ｂに示されているように、略長方形輪郭における中央山部を含む。入母屋屋根２０２ａは、航空画像２０４ａに図示されているように、切妻屋根２０２ｂのこれらの特徴を含むが、入母屋屋根はさらに、中央の切妻形状部を取り囲む「スカート状」領域を含む。「スカート状」領域は、一部は、切妻形状部の四隅から延びるコーナーエッジに基づいて識別され得る。寄棟屋根２０２ｃは、航空画像２０４ｃに示されているように、中央山部と、中央山部の両端から延びる２つの対向する三角形端部とを含む。中央山部は、２つの台形部分の上端を形成する。それに対して、方形屋根２０２ｄは、中央山部を有さない。代わりに、航空画像２０４ｄに図示されているように、方形屋根は、中央の点で交わる４つの三角形部分を含む。最後に、平屋根２０２ｅは、航空画像２０４ｅに示されているように、長方形の輪郭の実質的に平坦な表面で表される。

［0048］ 図２Ｄを参照すると、エラー率グラフ２４０の一例は、航空画像の屋根上面特性を対応する屋根上面タイプ（例えば、形状）と照合した際に、トレーニングデータ２４２を照合試験データ２４４の精度と比較したものである。試験は、いろいろな色の入母屋屋根、切妻屋根、寄棟屋根、方形屋根、および平屋根の形状を含む２次元航空画像内の屋根上面の形状を分類するために、ＮＩＮ深層学習アルゴリズムを使用して行われた。さらに試験は、異なる画像サイズおよびミニバッチサイズを対象とした。特に、画像は、式

を使用してスケーリングされた。ここで、ｘは資産サイズ（例えば、屋根上面の領域を取り囲む小さい境界を有する建物）を表し、ｙは画素サイズを表し、ｗは０．３３〜０．４０であり、ｚは９０〜１１０である。エラー率は、５個〜２０個のミニバッチを含む初期試験のケースの場合、約４．３％〜約１０％であった。エラー率グラフ２４０で示されているように、トレーニングデータセット内の２２５０枚のサンプル画像および試験データセット内の２５０枚の試験画像を含む試験状況では、屋根上面の状態を決定する際の最小エラー率は、正解率９４％に対して６％であった。

［0049］ いくつかの実施形態では、正解率を向上させるために、画像は、解析の前にトリミングおよび／またはサイズ変更され得る。例えば、画像は、対象の資産、または対象の資産とその周囲の一部（例えば、資産および／または資産が存在する場所に近接する近隣の一部を含む区画）を含むようにトリミングされ得る。別の実施例では、標準的な画像サイズへのサイズ変更は、精度を向上させるのに寄与し得る。

［0050］ いくつかの実施形態では、屋根の形状に加えて、いくつかの実施例では、屋根葺、屋根のアンカー、屋根の設備、天窓、見晴台、タレット、塔、屋根窓、および／または煙突のような追加の屋根の特徴を判別するために、特徴解析が使用され得る。さらに、屋根の輪郭を識別するときに、航空画像１０２ｃの縮尺比に基づいて、資産所在地１０２ｂの占有面積（例えば、屋根のサイズ）が計算され得る。

［0051］ 図１に戻ると、いくつかの実施態様では、特定の資産所在地１０２ｂのみを個々に解析するのではなく、特定の資産所在地１０２ｂは、一部は隣接構造物に基づいて、それぞれ分類される。例えば、区画寸法を含み得る資産所在地１０２ｂの寸法に基づいて、機械学習を使用して、例えば、いくつかの実施例では、デッキ、スイミングプール、物置、見晴らし小屋、独立ガレージ、テニスコート、フェンス、擁壁、ドック、遊具、または温室のような資産所在地１０２ｂにある追加の構造物を識別することができる。さらに、特定の資産所在地１０２ｂは、一部は隣接構造物からの距離（パウンディング）に基づいて、分類され得る。

［0052］ いくつかの実施態様では、地上画像１０２ｄは、航空画像１０２ｃを使用して認識するのが難しい特徴を分類するのに使用され得る。地上画像１０２ｄは、いくつかの実施例では、ストリートビュー・サービスまたは不動産リストから取得されたストリートビュー画像を含み得る。いくつかの実施例では、資産所在地１０２ｂの街路に向かって見たビューを含むストリートビュー画像は、Ｇｏｏｇｌｅ社のＧｏｏｇｌｅ（登録商標）Ｓｔｒｅｅｔ Ｖｉｅｗ、Ｍｉｃｒｏｓｏｆｔ社（レドモンド、ワシントン州）のＢｉｎｇ（登録商標）Ｍａｐｓ Ｓｔｒｅｅｔｓｉｄｅ、またはＭａｐｉｌｌａｒｙ ＡＢ（スウェーデン）のＭａｐｉｌｌａｒｙから取得され得る。例えば、地上画像を使用することで、システムは、建物構造タイプ、クラッディング、建物の高さ、ソフトストーリーの数、階数、位置座標、街路名、傾斜、標高、建築年、および／または占有タイプのような特徴を識別することができる。地上画像１０２ｄを使用して識別可能な特性が２次元または３次元航空画像１０２ｃを使用して識別可能な特性と重複する場合、いくつかの実施形態では、特定の特性（単数または複数）の識別の信頼度を高めるために、地上画像１０２ｄの解析が航空画像の解析と組み合わされ得る。例えば、住宅のサイディングの特徴は、２次元航空画像１０２ｃよりも地上画像１０２ｄおよび／または３次元航空画像１２０ｃ内で、より容易に検出され得る。

［0053］ いくつかの実施態様では、各々の資産特徴の状態は、対応する状態特性１１６として分類され得る（１１２）。新しい資産は良好な状態であるが、資産特徴状態は、資産の通常の摩耗により経時的に劣化し得る。また、資産特徴は、暴風雨および自然災害のような外部の力により損傷を受ける可能性がある。結局は、住宅の特徴の状態は、補修および／または建て替えが必要になり得るほど劣化し得る。ブロック１０６で上述した資産特性のように、個々の検出された資産特徴の現在の状態を分類するために、機械学習アルゴリズムが使用され得る。解析ために機械学習を使用することで、例えば、システムは、特定の資産所在地１０２ｂの航空画像の以前に識別された資産特徴の画素強度分布を抽出することができる。いくつかの実施例では、新しく建築された資産の特徴は、一般に、機械学習画像解析において、際立ったコントラストのはっきりした特徴を有する。一方、風雨にさらされた、または損傷した資産の特徴は、滑らかなエッジ、不鮮明なコントラスト、および所々の非対称の摩耗を有し得る。機械学習状態解析で使用される機械学習分類子は、いくつかの実施形態では、特定の資産所在地１０２ｂの航空画像１０２ｃを処理するために、また以前に識別された資産特性１１０の状態を状態特性１１６として分類するために機械学習解析を含む。機械学習解析は、いくつかの実施例では、２次元色ヒストグラム解析または３次元色ヒストグラム解析を含み得る。他の実施形態では、機械学習解析は、パターン認識アルゴリズム（例えば、欠落しているフェンス支柱または欠落している／ずれた屋根上面の屋根板の決定）を使用して実行され得る。他の実施形態では、機械学習分類子は、ＣＮＮまたはＮＩＮのような深層学習解析を含む。

［0054］ 図示されている実施例では、図２Ｂを参照すると、寄棟屋根の屋根上面の航空画像の状態特性および画素強度の機械学習解析によって作成された対応するヒストグラム例が示されている。例えば、良好な状態の航空画像２１０ａ〜２１４ａのセットは、対応する良好な状態のヒストグラム２１０ｂ〜２１４ｂと共に示されている。図示されている実施形態では、良好な状態のヒストグラム２１０ｂ〜２１４ｂは、グレースケール色分布の確率の指標を示しており、個々の最大値２１０ｃ〜２１４ｃは、良好な状態の屋根のグレースケール色分布の最高確率を示している。例えば、値は、０（完全に黒）〜２５５（完全に白）であり得る。

［0055］ 一方、劣悪な状態の航空画像２１６ａ〜２２０ａのセットは、対応する劣悪な状態のヒストグラム２１６ｂ〜２２０ｂと共に示されている。図示されている実施形態では、劣悪な状態のヒストグラム２１６ｂ〜２２０ｂは、グレースケール色分布の確率の指標を示しており、個々の最大値２１６ｃ〜２２０ｃは、良好な状態の屋根のグレースケール色分布の最高確率を示している。劣悪な状態の屋根上面２１６ａ〜２２０ａに対応する最大値２１６ｃ〜２２０ｃは、良好な状態の屋根上面２１０ａ〜２１４ａの対応する最大値２１０ｃ〜２１４ｃに比べて著しく低い。さらに、劣悪な状態のヒストグラム２１６ｂ〜２２０ｂの分布幅は、良好な状態のヒストグラム２１０ｂ〜２１４ｂの分布幅に比べて著しく広くなり得る。劣悪な状態の屋根上面２１６ａ〜２２０ａの航空画像から分かるように、色分布はまばらで色あせており、屋根上面のエッジの鮮明なラインが無くなっている。一方、良好な状態の屋根上面の航空画像２１０ａ〜２１４ａを見ると、屋根上面は、色が実質的により均一であり、エッジの鮮明なラインを有する。

［0056］ 図２Ｃを参照すると、屋根上面の状態の状態プロファイル２３０が示されている。いくつかの実施態様では、ヒストグラム２１０ｂ〜２２０ｂのような画素値分布ヒストグラムは、屋根上面の状態に対応する状態プロファイル例２３０を作成するために組み合わせられ得る。状態プロファイル２３０は、例えば、図１の状態プロファイル１１４の１つとして含められ得る。状態プロファイル２３０上の参照バー２３２ａ、２３２ｂは、劣化していない寄棟屋根２１４ａと劣化した寄棟屋根２１６ａにそれぞれ対応する値を示している。いくつかの実施例では、参照バー２３２の値がＹ軸上に１に近いほど、屋根の状態が良好であり、０に近い値は劣悪な状態の屋根上面であることを示している。一実施例では、状態プロファイル例２３０の参照バー２３２は、２５００枚の画像を含む試験状態サンプルデータセットに対応する。いくつかの実施形態では、参照バー２３２は、ロジスティック回帰で組み合わされて、屋根の状態プロファイルグラフ２３６が作成される。画像ヒストグラムの正解率は、いくつかの検証に基づいて８０％になる。

［0057］ 異なるタイプの屋根上面（例えば、少なくとも寄棟屋根の屋根上面２１６ａおよび切妻屋根の屋根上面２３４）に対応する１つの状態プロファイル２３０として図示されているが、他の実施形態では、各々の資産特性に対して個々の状態プロファイル１１４（例えば、切妻屋根に固有のプロファイル、入母屋屋根に固有のプロファイル、平屋根に固有のプロファイル、寄棟屋根に固有のプロファイル、方形屋根に固有のプロファイルなど）が作成され得る。さらなる改良において、特定の実施形態では、個々の状態プロファイル１１４は、資産特性の組み合わせ（例えば、切妻の板葺き屋根、切妻の瓦葺き屋根、切妻の金属屋根など）に対して、組み合わされた特性に対応する画素密度に基づいて正解率を向上させるように作成される。資産特徴の特性の多くの組み合わせは、対応する資産特徴の状態を正確に識別するように設計された状態プロファイル１１４を作成するために、単独でまたは組み合わせて使用され得る。

［0058］ 図１に戻ると、いくつかの実施態様では、資産特性１１０および／または状態特性１１６は、災害の１つまたは複数のタイプに基づいて損傷のリスクに対応するリスク推定値１２２を計算する（１２０）ために解析され得る。災害のタイプは、いくつかの実施例では、地震、ハリケーン、竜巻、高潮、直進性の風、または噴火を含み得る。いくつかの実施形態では、災害のタイプおよび推定される深刻度は、特定の資産所在地１０２ｂに基づき得る。例えば、活断層近くの資産は、地震の影響をより受けやすく、沿岸の資産は、高潮の被害をより受けやすくなり得る。リスク推定値１２２は、いくつかの実施例では、特定の資産特性に基づく損傷の可能性を示す保険数理的割合を含み得る。例えば、異なる資産特性は、特定のタイプの損傷の影響を他のものよりも受けやすくなり得る。例えば、平屋根の屋根上面は、堆積した過度の雪による損傷の影響をより受けやすく、ひさしのある屋根上面は、強風の影響をより受けやすくなり得る。

［0059］ いくつかの実施形態では、損傷リスクを計算する際に、資産特性に基づいて１つまたは複数の災害リスクプロファイル１１８が適用され得る。災害による損傷に対する脆弱性は、いくつかの実施例では、位置、高度、傾斜、屋根上面の形状、屋根上面の状態、クラッディングのタイプ、クラッディングの状態、および／またはパウンディングによって、変化し得る。特定の実施例では、図２Ａに示されているように、グラフィカルなリスクプロファイル２０６は、強風に対する脆弱性によって屋根上面のタイプをランク付けしている。風による損傷に対する脆弱性は、最低の脆弱性（平屋根の屋根上面２０２ｅ）から、方形屋根２０２ｄ、寄棟屋根２０２ｃ、切妻屋根２０２ｂへと高くなり、入母屋屋根２０２ａでは、風による損傷に対する脆弱性は最高になる。脆弱性は、災害の様々なタイプおよび／または深刻度による過去の損傷結果から構築された統計情報に基づいて数学的にモデル化され得る。位置に基づく脆弱性を個々の資産特性に基づく脆弱性と組み合わせると、災害による損傷のリスクは、より正確に推定され得る。

［0060］ 図１に戻ると、リスク推定値１２２は、いくつかの実施形態では、保険の査定に使用され得る。例えば、リスク推定値１２２は、資産が潜在的な損傷に対して適切に保証されるかどうかを決定するのに使用され得る。さらに、近い将来の自然災害を追跡するときに、保険会社は、リスク推定値１２２を使用して、暴風雨の予想進路および深刻度に基づいて保険金を推定する。さらに、リスク推定値１２２は、投資ポートフォリオのための投資資産を選択する際に、投資者によって利用され得る。

［0061］ いくつかの実施態様では、良好な状態または「新築同様の」状態の１つまたは複数の資産特性を配置するためのコスト推定値１２８を決定するために、補修または建て替えコストが計算され得る（１２６）。コスト推定値１２８は、いくつかの実施形態では、一部は１つまたは複数の建て替えコストプロファイル１２０に基づき得る。建て替えコストは、いくつかの実施例では、材料のタイプ（例えば、屋根上面の材料、クラッディングの材料など）、作業の規模（例えば、屋根の推定面積、フェンスの推定長さなど）、および／または追加の資産特性（例えば、仕事の複雑さに寄与する）に基づいて変化し得る。建て替えプロファイル１２０は、別の実施例では、一部は位置に基づき得る（例えば、地域ごとに材料および労力のコストは異なる）。いくつかの実施態様では、資産特性の補修または建て替えのためのコスト推定値１２８は、保険業者または不動産投資ブローカーのような請求者のリモート・コンピューティング・デバイスのダッシュボード・インターフェース・スクリーンに出力され得る。

［0062］ いくつかの実施形態では、コスト推定値１２８は、自動的に保険金請求を解析するのに使用され得る。コスト推定値１２８はさらに、特定の資産所在地１０２ｂの保険の補償範囲の妥当性を解析する際に、リスク推定値１２２と組み合わされ得る。また、コスト推定値１２８は、特定の投資資産を維持／アップグレードするコストを決定する際に投資者によって使用され得る。

［0063］ 動作フローは一連の計算処理段階として示されているが、他の実施態様では、それよりも多い、または少ない計算処理段階が含まれる場合がある。例えば、航空画像１０２ｃは、（例えば、所有者が損傷した資産特性を直接補修／建て替えを行うのではなく、資産をアップグレードした場合に、）被保険資産が補修されたことを確認するために、および／または資産の推定値をアップグレードするために、保険金が支払われた後に解析され得る。

［0064］ さらに、他の実施態様では、特定の計算処理段階は、異なる順序で実行され得る。例えば、コスト推定値１２８は、リスク推定値１２２の前に計算され得る。動作フロー１００の他の修正も可能である。

［0065］ 図３は、航空画像の地形学的特徴を対応する資産保守管理レベルと照合するための環境例３００のブロック図である。環境例３００は、例えば、図１に関して説明されている動作フロー１００を実装するのに使用され得る。環境例３００は、クライアント・コンピューティング・システム（単数または複数）３０６と通信する資産特性分類／状態解析システム３０２と、多数のコストデータおよび／またはリスクデータソース・コンピューティング・システム（単数または複数）３０８と、多数の形状マップ、航空画像、および／または地上画像・ソース・コンピューティング・システム（単数または複数）３０４とを含む。通信接続は、様々なネットワークタイプを経由する、有線または無線接続であり得る。概して、システム３０２は、クライアント・コンピューティング・システム（単数または複数）３０６から資産識別子（単数または複数）３４０を取得し、画像ソース・コンピューティング・システム（単数または複数）３０４から資産識別子３４０によって識別された資産の画像にアクセスし、資産特性（単数または複数）３４２および状態特性（単数または複数）３４４を決定するために画像を解析する。コスト／リスクデータソース・コンピューティング・システム（単数または複数）３０８から取得されたコストデータおよび／またはリスクデータを使用することで、システム３０２は、資産特性および資産の状態に基づいて建て替えコスト推定値データ３５０および／または災害リスク推定値データ３５２を決定することができる。

［0066］ いくつかの実施態様では、特定のクライアント・コンピューティング・システム３０６のユーザが、グラフィカル・ユーザインターフェース・エンジン３３４によって提供されたグラフィカル・ユーザインターフェースを介してシステム３０２に要求を提出する。要求は、例えば、少なくとも１つの資産識別子３４０ならびに１つまたは複数の資産特性３４２、および／または建て替えもしくは補修コスト推定値、災害リスク推定値、および補修査定の確認の識別を含み得る。資産識別子３４０は、いくつかの実施例では、位置情報（例えば、住所、地理位置座標、区画境界など）を含み得る。位置情報は、例えば、図１に関して説明した資産所在地情報１０２ｂと合致し得る。他の実施形態では、資産識別子３４０は、データストア３１０内の資産所在地情報を検索するのに使用される固有の資産識別子（例えば、数字または文字列）であり得る。別の実施形態では、ユーザは、資産識別子を提出するのではなく、ユーザに関連付けられた１つまたは複数の資産（例えば、保険のクライアントが保険を掛けている資産、投資のクライアントによって保持されている資産など）を検索するのに使用される固有のユーザ識別子を提出する場合がある。

［0067］ 一実施例では、図８Ａを参照すると、ユーザは、グラフィカル・マップ・インターフェース８００内の資産を選択することによって、１つまたは複数の資産の位置を識別することができる。ピン８０４のような関連ピンで示されているように、マップ・ビュー・ユーザインターフェース８００内で、多くの資産が識別される。ピンは、いくつかの実施例では、特定の保険業者の保険対象である資産、資産のタイプ（例えば、商業用、工業用、居住用など）、および／または値の範囲（例えば、範囲内、閾値を超えるなど）の資産を示し得る。ピンは、例えば、ユーザによって提供された、または別の形でユーザプロファイル（例えば、保険業者識別）に関連付けられたフィルタリングオプションに基づいて表示され得る。特定の実施例では、ユーザは、３つの吹き出し８０２に関連付けられた３つの資産を選択することができる。図示されているように、各々の吹き出しは、資産に関連付けられた建て替え費用を識別し、詳細コントロールを使用して、選択された資産に関する詳細を精査するようユーザに勧める。

［0068］ いくつかの実施態様では、ユーザは、各々の選択された資産に関連付けられた資産特性を入力する。他の実施態様では、特性は、資産の識別（例えば、図８Ａに示されているように、資産を識別するピンの選択）の際にアクセスされ得る。例えば、資産特性３４２は、図３に示されているように、データストア３１０から取得され得る。図８Ｂを参照すると、資産特性ユーザインターフェース例８２０は、建物面積特性８２２（例えば、建物面積８２２ａ、階数８２２ｂ、および建物延面積８２４ｃ）、および構造特性８２４（例えば、構造材料８２４ａ、建物構造クラス８２４ｂ）を提示する。記載されているように、異なる、または追加の特性は、実施態様ごとに異なり得る。いくつかの実施形態では、ユーザは、ユーザインターフェース８２０を介して、例えば、編集コントロール８２８ａまたは８２８ｂを使用して、建物面積特性８２２および／または構造特性８２４を編集することができる。例えば、最近の開発または改築（例えば、増築）の状況では、ユーザは、以前に記憶された特性値を修正することができる。例えば、資産特性ユーザインターフェース８２０は、図８Ａのユーザインターフェースで示されている吹き出し８０２の１つの詳細コントロールの選択の際に、ユーザに提示され得る。

［0069］ いくつかの実施態様では、ユーザインターフェース８２０はさらに、建て替え費用のようなプレミアム特性８２６を提示する。プレミアム情報は、例えば、資産のために購入された保険契約または（例えば、アップグレードされたまたは新しい特性に基づく）資産を保証するためのパラメータに関連し得る。ユーザは、いくつかの実施形態では、編集コントロール８２８ｃを使用してプレミアム情報を更新することができる。

［0070］ いくつかの実施態様では、システム３０２は、資産所在地情報を識別するときに、画像取得エンジン３３６を使用して画像ソース・コンピューティング・システム（単数または複数）３０４から資産の画像にアクセスする。画像は、いくつかの実施例では、形状マップ（例えば、図１に関して説明した形状マップ１０２ａ）、２次元航空画像（例えば、図１に関して説明した航空画像１０２ｃ）、３次元航空画像（例えば、図１に関して説明した航空画像１０２ｃ）、および／または地上画像（例えば、図１に関して説明した地上画像１０２ｄ）を含み得る。いくつかの実施形態では、画像取得エンジン３３６によって取得される画像は、ユーザによって識別された資産特性（単数または複数）に基づく。例えば、特定のタイプの画像は、特定のタイプの資産特性を解析するのに好適である。例えば、住宅サイディングは、２次元航空画像よりも地上画像または３次元航空画像からの方が容易に認識される。

［0071］ いくつかの実施態様では、画像品質解析／前処理エンジン３２６は、取得画像（単数または複数）が資産識別子３４０によって識別された資産の十分に鮮明で詳細な画像を含むことを確認するために、取得画像（単数または複数）を解析する。いくつかの実施形態では、画像品質解析／前処理エンジン３２６は、取得画像（単数または複数）をトリミングする、および／またはサイズ変更する。例えば、画像品質解析／前処理エンジン３２６は、資産（例えば、建物サイズ）に基づいて取得画像の一部を抽出し得る。いくつかの実施態様では、画像品質解析／前処理エンジン３２６は、各々の取得画像を標準サイズにサイズ変更する。標準サイズは、特定の実施例では、１枚の画像につき２５６×２５６画素であり得る。標準サイズへのサイズ変更は、例えば、後の分類解析の精度を高め得る。いくつかの実施形態では、画像品質解析／前処理エンジン３２６は、取得画像（単数または複数）に補正を加えるように構成され得る。例えば、画像品質解析／前処理エンジン３２６は、標準のオルソフォトアングルから、上述したような真のオルソフォトバージョンに、航空画像を調整するように構成され得る。

［0072］ いくつかの実施態様では、画像品質解析／前処理エンジン３２６は、解析の一部として形状輪郭を使用する。例えば、合成画像生成エンジン３１８は、図５Ｃに関して説明したように、航空画像を形状マップ画像と重ね合わせ得る。画像品質解析／前処理エンジン３２６は、生成された合成画像を使用して、航空画像が都市計画図または他の資産配置ガイド（例えば、ナビゲーション・マップ・データなど）と合致することを確認し得る。さらに、画像品質解析／前処理エンジン３２６は、航空画像が真のオルソフォトアングルへの補正が必要であるかどうか、および／または資産（および、任意で、資産の区画または近隣の一部のような資産にすぐ隣接する周囲）をキャプチャするために画像をどの程度までトリミングするかを決定する際に、重ね合わされた形状マップを目安として使用し得る。

［0073］ いくつかの実施態様では、画像品質解析／前処理エンジン３２６が、取得画像が不十分であると判断した場合、画像品質解析／前処理エンジン３２６は、画像取得エンジン３３６からの差し替え画像を要求し得る。例えば、画像取得エンジン３３６は、いくつかの実施例では、キャプチャの最新性、解像度、コスト、および／または特定の資産特性解析への適用可能性を含む様々な要素に基づいて画像を取得し得る。画像品質解析／前処理エンジン３２６によって、第１の取得画像が不十分であると判断されると、例えば、画像取得エンジン３３６は、資産の画像を取得するために、次に最適なソースを決定し得る。

［0074］ いくつかの実施態様では、画像品質解析／前処理エンジン３２６によって画像が承認される（任意で、前処理および／または補正される）と、特徴識別エンジン３２０は、識別された資産特性３４２に関連する資産画像（単数または複数）から特徴を抽出する。例えば、フェンスの場合、特徴識別エンジン３２０は、フェンスを示すものとして、資産に隣接して資産から延在する外周囲いまたは部分的な外周囲いを識別し得る。

［0075］ いくつかの実施態様では、特徴識別エンジン３２０によって特徴が識別されると、資産特性分類エンジン３２２が資産特性を分類する。例えば、特徴は、図１の計算処理段階１０６（各々の画像の特徴を分類する）に関して説明したように、１つまたは複数の機械学習技術を使用して分類され得る。 資産特性分類エンジン３２２は、例えば、特定の資産特徴のグループ化、タイプ、または他の特性化を表す資産特性３４２を生成し得る。続いて、フェンスの特定の例では、抽出された特徴は、高さおよび／または材料に関して解析され、分類され得る。資産特性が分類されると、資産特性分類は、資産特性３４２（図１の資産特性１１０と同様）としてデータストア３１０に記憶され得る。

［0076］ いくつかの実施態様では、資産特性分類エンジン３２２は、資産特性を分類する際に特性プロファイル（単数または複数）３６０を使用する。資産特性分類エンジン３２２は、例えば、解析されている各々の資産特性に対して、プロファイル・データストア３１４から特定の特性プロファイル３６０を取得し得る。特性プロファイルは、例えば、図１に関して説明した特性プロファイル１０８と同様であり得る。

［0077］ いくつかの実施態様では、資産特性プロファイル３６０は、特性分類学習エンジン３２８によって生成される。特性分類学習エンジン３２８は、例えば、図２Ａに関して大まかに説明したようなサンプルデータセット学習プロセスを使用して特性プロファイル３６０を生成し得る。 特定の実施例では、特性分類学習エンジン３２８は、様々な屋根上面の形状を認識するために、ＪＰＧ（Ｊｏｉｎｔ Ｐｈｏｔｏｇｒａｐｈｉｃ Ｅｘｐｅｒｔｓ Ｇｒｏｕｐによって開発された不可逆的圧縮デジタル画像標準）を解析し得る。

［0078］ 特定の資産特性分類は、解析によって行われるが、いくつかの実施態様では、１つまたは複数の特徴分類は、以前に記憶されている資産特性３４２から取得され得る。例えば、納税記録、不動産記録などに基づいて、資産に関するいくつかの基本的な材料および構造の情報は、ローカルおよび／または遠隔のデータベースシステム（単数または複数）を介してすぐに利用可能であり得る。他の実施例では、以前に記憶されている資産特性３４２はさらに、システム３０２によって資産所在地に対して実行された以前の状態査定から取得され得る。

［0079］ いくつかの実施態様では、資産特性分類エンジン３２２が資産特性（単数または複数）を分類すると、特性状態分類エンジン３２４が各々の資産特性の状態を分類する。例えば、図１の計算処理段階１１２（各々の特徴の状態を分類する）に関して説明したように、資産特性が分類され得る。 特性状態分類エンジン３２４は、例えば、特定の特性の状態の評定、適格性、またはランキングを示す状態特性３４４を生成し得る。いくつかの実施例では、特性状態分類エンジン３２４は、特性を、（ａ）「良好」または「不良」、（ｂ）「新築同様」、「許容可能」、「補修が必要」、または「建て替えが必要」、（ｃ）１等級〜５等級のような数値規準（５は「新築同様」に対応し、１は「建て替えが必要」に対応し得る）の評定として認定し得る。他の実施態様では、特定の問題は、例えば、いくつかの実施例では、フェンスの特徴が部分的に倒れている、または屋根の特徴が構造的損傷の兆候を示しているというように、特性状態分類エンジン３２４によって識別され得る。

［0080］ いくつかの実施態様では、特性状態分類エンジン３２４は、資産特性状態を分類する際に状態プロファイル（単数または複数）３６２を使用する。特性状態分類エンジン３２４は、例えば、解析されている各々の資産特性に対して、プロファイル・データストア３１４から特定の状態プロファイル３６２を取得し得る。状態プロファイル３６２は、例えば、図１に関して説明した状態プロファイル１１４と同様であり得る。

［0081］ いくつかの実施態様では、状態プロファイル３６２は、状態分類学習エンジン３３０によって生成される。状態分類学習エンジン３３０は、例えば、図２Ｂに関して大まかに説明したようなサンプルデータセット学習プロセスを使用して状態プロファイル３６２を生成し得る。 特定の実施例では、グレースケール内の画像のピーク画素値を識別するのに、色ヒストグラム解析が使用され得る。学習エンジンは、計算されたピーク画素値群を使用して、資産状態を特定のカテゴリに分類することができる。

［0082］ いくつかの実施態様では、資産特性分類エンジン３２２および／または特性状態分類エンジン３２４の出力に基づいて、リスク計算エンジン３１６が災害の１つまたは複数のタイプに基づく損傷リスクを推定し得る。例えば、図１の計算処理段階１２０（損傷リスクを計算する）に関して説明したように、災害リスク推定値データ３５２が計算され得る。災害リスク推定値データ３５０は、一実施例では、図１のリスク推定値１２２に関して説明したように、特定の資産特性および／または資産状態に基づく各々の特定のタイプのリスクによる損傷可能性の割合を含み得る。さらに、いくつかの実施形態では、災害リスク推定値データ３５０は、いくつかの実施例では、災害の深刻度の数字、災害の特定の進路、および／または災害のハザード強度に基づくリスク推定値セットを含み得る。災害深刻度は、いくつかの実施例では、地震活動のマグニチュードのリヒタースケールまたはＳａｆｆｉｒ−Ｓｉｍｐｓｏｎ Ｈｕｒｒｉｃａｎｅ Ｗｉｎｄ Ｓｃａｌｅカテゴリに対応し得る。災害の進路は、いくつかの実施例では、北東などのような地理的方向、または資産特性（単数または複数）に対する衝突角度を含み得る。災害のハザード強度は、いくつかの実施例では、風速または降水量に関連し得る。補修コストは、例えば、屋根の状態が既知である場合に、より正確に推定され得る。特定の一実施例の屋根上面の劣悪な状態では、屋根は、葺き替えが必要なほどの損傷をより受けやすくなり得る。別の特定の実施例では、劣悪な状態の屋根上面では、内部の資産の損傷（例えば、屋根の割れ目が原因の水害）の可能性は、災害の深刻度の設定レベル以上に高くなり得る。

［0083］ いくつかの実施形態では、リスク計算エンジン３１６は、資産特性および／または状態特性に基づいてデータストア３１４からの１つまたは複数のリスクプロファイル３６４にアクセスする。リスクプロファイルは、例えば、図１に関して説明した災害リスクプロファイル１１８と同様であり得る。 リスクプロファイル３６４は、例えば、コスト／リスクデータ取得エンジン３３８によって、１つまたは複数のデータソース３０６から取得され得る。他の実施形態では、システム３０２は、（例えば、１つまたは複数コスト／リスクデータソース３０６およびリスクデータ解析エンジン（図示せず）から取得されたリスクデータを使用して）リスクプロファイル３６４を生成し得る。

［0084］ リスク推定値データ３５２は、いくつかの実施形態では、１つまたは複数のクライアント３０６と共有される。例えば、保険業者クライアント３０６は、保険の査定を行う際にリスク推定値データを使用し得る。別の実施例では、不動産投資ブローカーまたは会社のクライアント３０６は、投資ポートフォリオのための投資資産を選択するときにリスク推定値データ３５２を利用し得る。

［0085］ 図８Ｃを参照すると、災害リスクユーザインターフェース８４０の一例は、選択された資産（例えば、図８Ａの吹き出し８０２ｃによって識別される資産の１つ）に関連するリスクプロファイル３６４に基づいてリスク査定情報を提示する。ユーザインターフェース８４０は、例えば、ユーザインターフェース８２０から下にスクロールすることによって、アクセスされ得る。ユーザインターフェース８４０は、選択された資産用の多数の災害リスクファクタ８４２および関連するリスク推定値データ８４４を示している。図示されているように、災害リスクファクタ８４２は、火事ファクタ８４２ａ、風ファクタ８４２ｂ、洪水ファクタ８４２ｃ、地震ファクタ８４２ｄ、津波ファクタ８４２ｅ、および地滑りファクタ８４２ｆを含む。いくつかの実施形態では、本明細書に記載されているリスク査定技術を使用して、リスク推定値データのサブセットのみが決定される。例えば、洪水データ８４４ｃは、航空画像査定を使用するのではなく、行政機関の洪水マップ評価に基づいて生成され得るが、火事リスク８４４ａは、少なくとも一部は画像解析によって導出された近隣資産に対する近接度および／または画像解析によって導出された資産構造に基づいて決定され得る。さらに、風リスクデータ８４２ｂは、本明細書でさらに詳細に説明されているように、屋根上面解析によって導出され得る。

［0086］ いくつかの実施態様では、資産特性分類エンジン３２２および／または特性状態分類エンジン３２４の出力に基づいて、コスト計算エンジン３３６が、特性状態分類エンジン３２４によって識別された問題を改善するために補修コストまたは建て替えコストを計算して、建て替えコスト推定値データ３５０を生成する。例えば、図１の計算処理段階１２６（補修コストまたは建て替えコストを計算する）に関して説明したように、建て替えコスト推定値データ３５２が計算され得る。 建て替えコスト推定値データ３５０は、例えば、図１に関して説明したコスト推定値１２８と同様であり得る。

［0087］ いくつかの実施態様では、コスト計算エンジン３３６ は、一部は、（例えば、図１のコストプロファイル１２０と同様の）１つまたは複数のコストプロファイル３６６に基づいて計算する。いくつかの実施形態では、コスト計算エンジン３３６は、資産特性および／または状態特性に基づいてデータストア３１４からの１つまたは複数のコストプロファイル３６６にアクセスする。コストプロファイル３６６は、いくつかの実施形態では、コスト／リスクデータ取得エンジン３３８によって、１つまたは複数のコストデータソース３０６から取得され得る。他の実施形態では、システム３０２は、（例えば、１つまたは複数コスト／リスクデータソース３０６から取得されたコストデータを使用するコストデータ解析エンジン（図示せず）によって）コストプロファイル３６６を生成し得る。

［0088］ コスト推定値データ３５０は、いくつかの実施形態では、１つまたは複数のクライアント３０６と共有される。例えば、保険業者のクライアント３０６は、特定の資産の保険の補償範囲の妥当性を決定する際にコスト推定値データを使用し得る。別の実施例では、不動産投資ブローカーまたは不動産投資会社のクライアント３０６は、特定の投資資産を維持／アップグレードのコストを決定する際にコスト推定値データ３５０を利用し得る。

［0089］ いくつかの実施態様では、コスト推定値データ３５０および／またはリスク推定値データ３５２は、リアルタイムで、またはほぼリアルタイムで、１つまたは複数の資産の識別の受信に応答して、要求しているクライアント３０６に提供される。例えば、ダッシュボード・インターフェースにアクセスしているクライアント３０６は、ダッシュボード・インターフェース内の識別された資産に関するリスク推定値またはコスト推定値の要求をフォーマットして、ネットワークを介してシステム３０２に要求を提出し得る。システム３０２は、要求に応答して、大まかに上述した解析を実行し、リアルタイムで、またはほぼリアルタイムで、クライアント３０６に対してリスク解析またはコスト解析という形で反応を示し得る。例えば、リスク解析情報は、図８Ｃのユーザインターフェース８４０内に提示される。

［0090］ いくつかの実施態様では、システムは、更新された気象データを使用して、災害によって影響を受けたクライアント不動産ポートフォリオ内の１つまたは複数の資産を識別し得る。システムは、影響を受けた資産の識別に加えて、災害が影響を及ぼした直後に、先を見越して補修推定値を作成して不動産ポートフォリオに対応するクライアントに提供し得る。一実施例では、気象庁は、観測の１時間以内かそこらで、ウェブサイトインターフェースを介して観測データを更新し得る。この実施例では、システムは、災害発生後の１時間〜２時間で補修コスト推定値をクライアントに提供し得る。

［0091］ 他の実施形態では、システム３０２は、コスト推定値データ３５０および／またはリスク推定値データ３５２をクライアント３０６と直接共有するのではなく、１つまたは複数の資産の状態、損傷、およびリスク査定に関するレポートを作成するレポート生成エンジン（図示せず）を含み得る。さらに、いくつかの実施形態では、システム３０２は、（例えば、保険金請求の支払いに基づいて）資産所有者が資産の補修を行ったかどうかを確認するために、現在の状態特性３４４を過去の状態特性３４４と比較し得る。システム３０２の他の修正形態も可能である。

［0092］ 図４は、航空画像解析に基づいて資産の状態特性を分類する方法４００の一例を示すフローチャートである。例えば、フローチャートは、図１に関して説明したような計算処理段階１０４〜１１２を示し得る。方法４００は、例えば、図３のシステム３０２によって実行され得る。

［0093］ いくつかの実施態様では、方法４００は、資産の形状を含む２次元形状マップにアクセスするステップ（４０２）から始まる。形状マップは、例えば、図３に関して説明したように、形状マップ画像ソース３０４から画像取得エンジン３３６によってアクセスされ得る。２次元形状マップは、例えば、図１に関して説明した形状マップ１０２ａのいずれかの形態を取り得る。特定の実施例では、形状マップは、図５Ａに関して説明した形状マップ５００と同様の形態であり得る。

［0094］ いくつかの実施態様では、資産の画像を含む２次元および／または３次元航空画像がアクセスされる（４０４）。２次元および／または３次元航空画像は、例えば、図３に関して説明したように、航空画像ソース３０４から画像取得エンジン３３６によってアクセスされ得る。 ２次元および／または３次元航空画像は、例えば、図１に関して説明した航空画像１０２ｃのいずれかの形態を取り得る。特定の実施例では、２次元航空画像は、図５Ｂに関して説明した航空画像５１０と同様の形態であり得る。

［0095］ いくつかの実施態様では、航空画像は、形状マップと重ね合わされる（４０６）。図３の合成画像生成エンジン３１８は、例えば、航空画像を形状マップと重ね合わせて合成画像を生成し得る。合成画像は、例えば、図５Ｃに関して説明した合成画像５２０と同様の形態であり得る。

［0096］ 形状一致が識別されなかった場合（４０８）、いくつかの実施態様では、方法４００は、代替の２次元または３次元航空画像にアクセスする（４１０）。いくつかの実施形態では、図３の画像品質解析／前処理エンジン３２６は、合成画像が対象の資産（単数または複数）の十分な形状一致を示しているかどうかを決定する。画像が一致していないことが判断されると、図３の画像取得エンジン３３６は、例えば、航空画像ソース（単数または複数）３０４から代替の２次元または３次元航空画像を取得し得る。図３に関して説明したように、例えば画像取得エンジン３３６は、１つまたは複数の要素に基づく資産の画像を取得するために、次に最適なソースを決定し得る。一方、他の実施態様では（図示せず）、方法４００は、形状マップを航空画像と一致させずに、次に進むことができる。

［0097］ 形状一致が識別された場合（４０８）、いくつかの実施態様では、航空画像のフォーマットが準備される（４１１）。いくつかの実施形態では、画像は、対象の資産、または対象の資産とその周囲の一部（例えば、資産および／または資産が存在する場所に近接する近隣の一部を含む区画）を含むようにトリミングされる。トリミングは、例えば、形状マップと資産の相関関係に基づき得る。例として、画像は、資産と境界領域の形状マップ輪郭を含むようにトリミングされ得る。いくつかの実施形態では、トリミングは、形状セット（例えば、Ｘ×Ｘ画素の正方形、Ｘ×Ｙの長方形など）へのトリミングを含み得る。いくつかの実施形態では、画像のトリミングに加えて、画像はサイズ変更され得る。例えば、航空画像の解像度に基づいて、例えば、Ｘ×Ｘ画素の正方形またはＸ×Ｙの長方形の範囲内に収まるように、解像度が下げられ得る。標準的な画像サイズへのサイズ変更は、解析の整合性および分類精度の向上に寄与し得る。別の実施形態では、航空画像の色深度および／または色マッピングが調整され得る。画像の整合性のある色ヒストグラム解析のために、例えば、色深度および色マッピングは、解析画像全体にわたって一致され得る。特定の実施例では、カラー画像は、グレースケール画像解析用にグレースケールに変換され得る。画像の調整は、例えば、図３に関して説明した画像品質解析／前処理エンジン３２６によって行われ得る。

［0098］ いくつかの実施態様では、航空画像の直交性が査定される（４１２）。例えば、画像品質解析／前処理エンジン３２６は、航空画像の直交性を査定し得る。画像品質解析／前処理エンジン３２６は、一実施例では、直交性の補正が望ましいことを決定し得る。別の実施例では、画像が真のオルソフォトではなく通常のオルソフォトを示している場合、画像品質解析／前処理エンジン３２６は、航空画像のキャプチャ角度を補正し得る別のモジュールに通知し得る。他の実施態様では（図示せず）、直交性は、重ね合わされた形状マップを使用せずに査定され得る。

［0099］ 図４に戻ると、いくつかの実施態様では、航空画像が直交性を有さない場合（４１４）、航空画像の直交バージョンが生成される（４１６）。例えば、図３の画像品質解析／前処理エンジン３２６が、通常のオルソフォト形態を補正して、真のオルソフォト形態を生成し得る。真のオルソフォト形態は、例えば、形状マップと非常にさらに一致し得る。

［0100］ いくつかの実施態様では、資産の１つまたは複数の資産特性が分類される（４１８）。資産は、いくつかの実施形態では、資産は、実質的に資産の形状マップによって囲まれた航空画像の一部に基づいて解析される。他の実施形態では、資産解析は、資産の周囲（例えば、資産の区画の資産に近接する特徴、近隣資産など）を網羅する。資産特性（単数または複数）は、例えば、図３に関して説明したように、資産特性分類エンジン３２２によって分類され得る。特定の実施例では、屋根上面の資産特徴は、図２Ａに示されているように、様々な屋根上面の形状の１つとして分類され得る。

［0101］ いくつかの実施態様では、資産特性分類が識別された場合（４２０）、資産特性の各々の状態が分類され得る（４２２）。資産特性状態（単数または複数）は、例えば、図３に関して説明したように、特性状態分類エンジン３２４によって分類され得る。特定の実施例では、屋根上面の特徴の寄棟の分類は、図２Ｂに示されているように、良好な状態および劣悪な状態のうちの１つとして分類され得る。 いくつかの実施態様では、資産特性の各々の状態の分類は、ダッシュボード・インターフェース・スクリーンを介して請求者のコンピューティングデバイスに出力され得る（４２４）。いくつかの実施例では、資産特性に対する状態分類の提供に加えて、ダッシュボード・インターフェース・スクリーンは、資産特性を建て替えするための建て替えコスト、自然災害による損傷に対するリスクコスト推定値、または資産特性に対して補修が行われたかどうかの確認を含み得る。

［0102］ 一方、分類一致が識別されなかった場合（４２０）、いくつかの実施態様では、代替の２次元または３次元航空画像がアクセスされ（４１０）、方法４００は、代替航空画像と形状マップとの重ね合わせを再開する（４０６）。あるいは、いくつかの実施形態では、分類一致が識別されなくても、資産特徴に関連付けられたデフォルトプロファイル（図示せず）に基づいて、状態が査定され得る。例えば、屋根上面の形状がシステムの中にトレーニングされている形状の１つと一致しない場合、屋根上面の状態は、様々な屋根上面の形状によってトレーニングされた全般的な状態プロファイルに基づいて、さらに査定され得る。いくつかの実施例では、屋根上面の状態は、現在の屋根上面の状態を資産に対する以前の状態査定から記憶されている過去の状態特性と比較することによって査定され得る。

［0103］ 方法４００は一連のステップとして示されているが、他の実施態様では、それよりも多い、または少ないステップが含まれる場合がある。例えば、いくつかの実施態様では、図１の動作フロー１００に関して説明したように、地上画像が取得され、同一のおよび／または異なる資産特性を分類するのに使用される。

［0104］ さらに、他の実施態様では、特定のステップは、異なる順序で実行され得る。例えば、いくつかの実施態様では、資産特性および状態特性は、並行して分類され得る（４１８、４２２）。動作フロー１００の他の修正も可能である。

［0105］ 本開示の態様は、航空画像を使用して保険業者または不動産投資ブローカーのようなユーザから受信された要求に応答して動的でリアルタイムの資産状態査定を提供するために、資産特性の補修状態を分類するためのコンピューティングシステムを対象とし得る。本明細書に記載されている実施態様は、資産特性の状態が補修または建て替えが必要なほどまで劣化しているかどうかを査定して、資産特性の検出された状態により資産のリスク曝露量を決定するために、取得画像の検出された資産特性に対して深層学習解析モデルを適用することによって、従来の方法を改善する。本明細書に記載されている実施態様は、システムの処理効率を向上させ、状態査定を実行するのに要する時間を低減し、状態査定プロセスを自動化する。

［0106］ 次に、図６を参照しながら、例示的な実施形態のコンピューティングデバイス、モバイル・コンピューティング・デバイス、またはサーバのハードウェア記述について説明する。図６において、コンピューティングデバイス、モバイル・コンピューティング・デバイス、またはサーバは、上述のプロセスを実行するＣＰＵ６００を含む。プロセスデータおよび命令は、メモリ６０２に記憶され得る。さらに、これらのプロセスおよび命令は、ハードドライブ（ＨＤＤ）または可搬記憶媒体のような記憶媒体ディスク６０４上に記憶され得る、または遠隔で記憶され得る。さらに、請求される技術進歩は、本発明のプロセスの命令が記憶されるコンピュータ可読媒体の形態に限定されない。例えば、命令は、ＣＤ、ＤＶＤ、フラッシュメモリ、ＲＡＭ、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ハードディスク、またはサーバまたはコンピュータのようなコンピューティングデバイス、モバイル・コンピューティング・デバイス、またはサーバが通信する任意の他の情報処理デバイスに記憶され得る。

［0107］ さらに、請求される技術進歩の一部は、ＣＰＵ６００およびオペレーティングシステム（Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ６、ＵＮＩＸ、Ｓｏｌａｒｉｓ、ＬＩＮＵＸ、Ａｐｐｌｅ ＭＡＣ−ＯＳ、および当業者に周知の他のシステム）と共に実行するユーティリティアプリケーション、バックグラウンドのデーモン（ｄａｅｍｏｎ）、またはオペレーティングシステムのコンポーネント、またはこれらの組み合わせとして提供され得る。

［0108］ ＣＰＵ６００は、Ｉｎｔｅｌ（米国）のＸｅｎｏｎもしくはＣｏｒｅプロセッサ、またはＡＭＤ（米国）のＯｐｔｅｒｏｎプロセッサであり得る、または当業者によって認識される他のプロセッサタイプであり得る。あるいは、ＣＰＵ６００は、当業者によって認識されるような、ＦＰＧＡ、ＡＳＩＣ、ＰＬＤ上に、または個別論理回路を使用して実装され得る。さらに、ＣＰＵ６００は、上述の本発明のプロセスの命令を実行するのに、同時に協働する複数のプロセッサとして実装され得る。

［0109］ 図６のコンピューティングデバイス、モバイル・コンピューティング・デバイス、またはサーバは、ネットワーク６Ｘとインターフェースするために、Ｉｎｔｅｌ社（米国）のＩｎｔｅｌ Ｅｔｈｅｒｎｅｔ ＰＲＯネットワーク・インターフェース・カードのようなネットワークコントローラ６０６をさらに含む。理解されるように、ネットワーク６２８は、Ｉｎｔｅｒｎｅｔのような公共ネットワーク、またはＬＡＮもしくはＷＡＮネットワークのようなプライベートネットワーク、またはこれらの組み合わせであり得、さらにＰＳＴＮもしくはＩＳＤＮサブネットワークを含み得る。さらに、ネットワーク６２８は、Ｅｔｈｅｒｎｅｔネットワークのような有線であり得る、またはＥＤＧＥ、３Ｇおよび４Ｇ無線セルラーシステムを含むセルラーネットワークのような無線であり得る。無線ネットワークはさらに、Ｗｉ−Ｆｉ、Ｂｌｕｅｔｏｏｔｈ、または周知の任意の他の無線通信形態であり得る。

［0110］ コンピューティングデバイス、モバイル・コンピューティング・デバイス、またはサーバはさらに、Ｈｅｗｌｅｔｔ Ｐａｃｋａｒｄ ＨＰＬ２４４５ｗ ＬＣＤモニタのようなディスプレイ６１０とインターフェースするために、ＮＶＩＤＩＡ社（米国）のＮＶＩＤＩＡ ＧｅＦｏｒｃｅ ＧＴＸもしくはＱｕａｄｒｏグラフィックスアダプタのようなディスプレイコントローラ６０８を含む。汎用Ｉ／Ｏインターフェース６１２は、ディスプレイ６１０上で、またはディスプレイ６１０とは別個に、キーボードおよび／またはマウス６１４、さらにタッチ・スクリーン・パネル６１６とインターフェースする。汎用Ｉ／Ｏインターフェースはさらに、Ｈｅｗｌｅｔｔ Ｐａｃｋａｒｄ社のＯｆｆｉｃｅＪｅｔもしくはＤｅｓｋＪｅｔのようなプリンタおよびスキャナを含む様々な周辺機器６１８に接続する。

［0111］ さらに、スピーカ／マイク６２２とインターフェースして音声および／または音楽を提供するために、コンピューティングデバイス、モバイル・コンピューティング・デバイス、またはサーバ内に、Ｃｒｅａｔｉｖｅ社のＳｏｕｎｄ Ｂｌａｓｔｅｒ Ｘ−Ｆｉ Ｔｉｔａｎｉｕｍのようなサウンドコントローラ６２０が設けられる。

［0112］ 汎用ストレージコントローラ６２４は、コンピューティングデバイス、モバイル・コンピューティング・デバイス、またはサーバのコンポーネントの全てを相互接続するために、通信バス６２６（ＩＳＡ、ＥＩＳＡ、ＶＥＳＡ、ＰＣＩ等であり得る）によって記憶媒体ディスク６０４と接続する。ディスプレイ６１０、キーボードおよび／またはマウス６１４、さらにディスプレイコントローラ６０８、ストレージコントローラ６２４、ネットワークコントローラ６０６、サウンドコントローラ６２０、および汎用Ｉ／Ｏインターフェース６１２の一般的な特徴および機能の説明は、これらの特徴は周知であるので、簡単にするために本明細書では省略されている。

［0113］ １つまたは複数のプロセッサは、特に明記しない限り、本明細書に記載されている様々な機能および／またはアルゴリズムを実装するのに使用され得る。さらに、本明細書に記載されている任意の機能および／またはアルゴリズムは、特に明記しない限り、１つまたは複数の仮想プロセッサ上で、例えば、コンピュータファームまたはクラウドドライブのような１つまたは複数の物理的コンピューティングシステム上で実行され得る。

［0114］ 本開示の実施態様に従う方法、システム、およびコンピュータプログラム製品のフローチャート図およびブロック図について説明してきた。これらの態様は、コンピュータプログラム命令によって実装される。これらのコンピュータプログラム命令は、マシンを作り出すために、汎用コンピュータ、特殊目的コンピュータ、または他のプログラム可能データ処理装置のプロセッサに与えられ、そのことにより、コンピュータまたは他のプログラム可能データ処理装置のプロセッサを介して実行する命令が、フローチャートおよび／またはブロック図のブロック（単数または複数）内で指定された機能／動作を実装するための手段を作成することができる。

［0115］ これらのコンピュータプログラム命令はさらに、コンピュータまたは他のプログラム可能データ処理装置を特定の方法で機能するように指示することができるコンピュータ可読媒体に記憶され、そのことにより、コンピュータ可読媒体に記憶されている命令が、フローチャートおよび／またはブロック図のブロック（単数または複数）内で指定された機能／動作を実装する命令手段を含む製品を作り出すことができる。

［0116］ これらのコンピュータプログラム命令はさらに、コンピュータまたは他のプログラム可能データ処理装置上で実行すべき一連の動作ステップにコンピュータ実装プロセスを生成させるために、コンピュータまたは他のプログラム可能データ処理装置にロードされ、そのことにより、コンピュータまたは他のプログラム可能データ処理装置上で実行する命令が、フローチャートおよび／またはブロック図のブロック（単数または複数）内で指定された機能／動作を実装するためのプロセスを生成することができる。

［0117］ さらに、本開示は、本明細書で記載されている特定の回路要素に限定されない、また本開示は、これらの要素の特定のサイズ設定および分類に限定されない。例えば、当業者は、本明細書に記載されている回路は、バッテリのサイズ設定および化学的性質に基づいて、または駆動されるバックアップ負荷の要件に基づいて設計され得る。

［0118］ 本明細書に記載されている機能および特徴はさらに、システムの様々な分散コンポーネントによって実行され得る。例えば、１つまたは複数のプロセッサは、これらのシステム機能を実行し得、この場合、プロセッサはネットワーク内で通信する複数のコンポーネントにわたって分散され得る。分散コンポーネントは、ヒューマンインターフェース通信デバイス（例えば、ディスプレイモニタ、スマートフォン、タブレット、携帯情報端末（ＰＤＡ））に加えて、図８に示されているように、処理を共有し得る１つまたは複数のクライアントマシンおよびサーバマシンを含み得る。ネットワークは、ＬＡＮもしくはＷＡＮのようなプライベートネットワークであり得る、またはＩｎｔｅｒｎｅｔのような公共ネットワークであり得る。システムへの入力は、直接のユーザ入力によって受信され、リアルタイムで、またはバッチ処理として、遠隔で受信され得る。さらに、いくつかの実施態様は、記載されているのと同一でないモジュールまたはハードウェア上で実行され得る。したがって、他の実施態様は、請求され得る範囲内にある。

［0119］ いくつかの実施態様では、図７に図示されているように、本明細書に記載されている技術革新は、上記で詳述した方法またはアルゴリズムの少なくとも一部を実行するために、Ｇｏｏｇｌｅ Ｃｌｏｕｄ Ｐｌａｔｆｏｒｍ（商標）クラウドコンピューティング環境７３０とインターフェースし得る。本明細書に記載されている方法に関連付けられたプロセスは、データセンタ７３４によって、Ｇｏｏｇｌｅ Ｃｏｍｐｕｔｅ Ｅｎｇｉｎｅのような計算プロセッサ上で実行され得る。データセンタ７３４は、例えば、データを受信し、対応する情報を出力するために本明細書に記載されているシステムとのインターフェースとして使用され得るＧｏｏｇｌｅ Ａｐｐ Ｅｎｇｉｎｅのようなアプリケーションプロセッサも含み得る。クラウドコンピューティング環境７３０はさらに、クラウドストレージおよびクエリデータベースのような１つまたは複数のデータベース７３８または他のデータストレージ含み得る。いくつかの実施態様では、Ｇｏｏｇｌｅ Ｃｌｏｕｄ Ｓｔｏｒａｇｅのようなクラウドストレージデータベース７３８は、本明細書に記載されているシステムによって供給された処理データおよび未処理データを記憶し得る。

［0120］ 本明細書に記載されているシステムは、安全なゲートウェイ７３２を介してクラウドコンピューティング環境７３０と通信し得る。いくつかの実施態様では、安全なゲートウェイ７３２は、Ｇｏｏｇｌｅ ＢｉｇＱｕｅｒｙプラットフォームのようなデータベース・クエリ・インターフェースを含む。

［0121］ クラウドコンピューティング環境１０２は、リソース管理のためのプロビショニングツール７４０を含み得る。プロビショニングツール７４０は、データセンタ７３４のコンピューティングリソースの提供を容易にするために、データセンタ７３４のコンピューティングデバイスに接続され得る。プロビショニングツール７４０は、安全なゲートウェイ７３２またはクラウドコントローラ７３６を介してコンピューティングリソースに対する要求を受信し得る。プロビショニングツール７４０は、データセンタ７３４の特定のコンピューティングデバイスへの接続を容易にし得る。

［0122］ ネットワーク７０２は、クラウド環境７３０を多数のクライアントデバイス（例えば、いくつかの実施例では、携帯電話７１０、タブレットコンピュータ７１２、モバイル・コンピューティング・デバイス７１４、およびデスクトップ・コンピューティング・デバイス７１６）に接続する、Ｉｎｔｅｒｎｅｔのような１つまたは複数のネットワークを表している。ネットワーク７０２はさらに、Ｗｉ−Ｆｉ、Ｂｌｕｅｔｏｏｔｈ、セルラーネットワーク（ＥＤＧＥ、３Ｇおよび４Ｇ無線セルラーシステムを含む）、または周知の任意の他の無線通信形態のような様々なモバイル・ネットワーク・サービス７２０を使用して、無線ネットワークを介して通信し得る。いくつかの実施形態では、ネットワーク７０２は、クライアントデバイスに関連付けられたローカルインターフェースおよびネットワークに依存せず、本明細書に記載されているプロセスを実行するように構成されたローカルインターフェースおよびネットワークの統合を可能にする。

［0123］ 特定の実施形態について説明したが、これらの実施形態は、単なる例として示されており、本開示の範囲を限定するものではない。実際に、本明細書に記載されている新奇な方法、装置、およびシステムは、様々な他の形態で具現化されてよく、さらに、本開示の精神から逸脱せずに、本明細書に記載されている方法、装置、およびシステムの形態の様々な省略、置換、および変更が行われてよい。添付の請求項およびその同等の内容は、本開示の範囲および精神の範囲内にある、そのような形態または修正形態を包含するものとする。

Claims (20)

1. 資産特性の補修状態を自動的に分類する方法であって、
   リモート・コンピューティング・デバイスのユーザから、資産分類要求を受信することであって、前記資産分類要求は、資産および少なくとも１つの資産特性の識別を含む、受信することと、
   前記要求の受信に応答して、コンピューティングシステムの処理回路によって、前記資産を含む地理的領域の航空画像を取得することと、
   前記処理回路によって、前記資産特性に対応する前記航空画像から複数の特徴のうちの１つまたは複数を抽出することであって、前記抽出された特徴は、前記資産特性を示す画素グループを含む、抽出することと、
   前記処理回路によって、前記抽出された特徴から前記資産特性のための資産特性分類を決定することであって、前記資産特性分類を決定することは、前記資産特性のための前記画素グループを、一組の画素グループから資産特性を識別するようにトレーニングされた第１機械学習分類子に適用することを含む、決定することと、
   前記処理回路によって、前記識別された資産特性および前記抽出された特徴に基づいて前記資産特性のための状態分類を決定することであって、前記状態分類を決定することは、前記資産特性のための前記画素グループを、一組の画素グループから資産特性状態を識別するようにトレーニングされた第２機械学習分類子に適用することを含む、決定することと、
   前記処理回路によって、前記資産特性分類および前記状態分類の一部に基づいて１つまたは複数の災害による前記資産への損傷のリスク推定値を決定することと、
   前記資産分類要求の受信に応答して、グラフィカル・ユーザインターフェースを介して、前記リモート・コンピューティング・デバイスの前記ユーザに対して、前記状態分類および前記１つまたは複数の災害による前記資産の損傷の前記リスク推定値を含む前記資産特性の状態査定を返すこととを含む、方法。
2. 前記資産特性分類は屋根上面の形状である、請求項１に記載の方法。
3. 前記第１機械学習分類子および前記第２機械学習分類子の少なくとも１つはネットワークインネットワーク（ＮＩＮ）分類子である、請求項１に記載の方法。
4. 前記リスク推定値を決定することは、（ａ）前記少なくとも１つの災害の第１の災害、
   および（ｂ）前記資産特性、に対応する災害リスクプロファイルを適用することを含む、請求項１に記載の方法。
5. 資産特性の補修状態を自動的に分類するためのシステムであり、
   処理回路と、
   命令が記憶される非一時的なコンピュータ可読媒体と
   を備えるシステムであって、
   前記命令は、前記処理回路によって実行されたときに、前記処理回路に、
   リモート・コンピューティング・デバイスのユーザから、資産分類要求を受信させ、前記資産分類要求は、資産および少なくとも１つの資産特性の識別を含み、
   前記資産分類要求の受信に応答して、リモートデータソースから、前記資産を含む地理的領域の航空画像を取得させ、
   前記資産特性に対応する前記航空画像から複数の特徴のうちの１つまたは複数を抽出させ、前記抽出された特徴は、前記資産特性を示す画素グループを含み、
   前記抽出された特徴から資産特性分類を決定させ、前記資産特性分類を決定することは、前記資産特性のための前記画素グループを、一組の画素グループから資産特性を識別するようにトレーニングされた第１機械学習分類子に適用することを含み、
   前記識別された資産特性および前記抽出された特徴に基づいて、前記資産特性のための状態分類を決定させ、前記状態分類を決定することは、前記資産特性のための前記画素グループを、一組の画素グループから資産特性状態を識別するようにトレーニングされた第２機械学習分類子に適用することを含み、
   前記資産分類要求の受信に応答してリアルタイムで、前記資産特性分類および前記状態分類を使用して、前記資産特性を建て替えるための建て替えコストを決定させる、システム。
6. 前記命令は、前記処理回路によって実行されたときに、前記複数の特徴のうちの前記１つまたは複数を識別する前に、前記処理回路に、
   前記資産を含む形状マップ画像を取得させ、
   前記航空画像を前記形状マップ画像と重ね合わせさせ、
   前記形状マップ画像によって識別された前記資産の境界が前記航空画像内に示されている前記資産の境界と一致するかどうかを決定させる、請求項５に記載のシステム。
7. 前記命令は、前記処理回路によって実行されたときに、前記処理回路に、前記形状マップ画像が前記対応する資産の境界と一致しないと決定したときに、前記資産の代替の航空画像を取得させる、請求項６に記載のシステム。
8. 前記命令は、前記処理回路によって実行されたときに、前記処理回路に、前記資産特性の現在の状態分類を記憶されている前記資産特性の過去の状態分類と比較させる、請求項５に記載のシステム。
9. 前記命令は、前記処理回路によって実行されたときに、前記処理回路に、前記資産分類要求の受信に応答してリアルタイムで、前記資産特性の前記現在の状態分類と前記過去の状態分類との前記比較に基づいて、前記資産に対して補修が行われたかどうかを決定させる、請求項８に記載のシステム。
10. 前記命令は、前記処理回路によって実行されたときに、前記処理回路に、前記複数の特徴のうちの前記１つまたは複数を識別する前に、前記航空画像の直交性を査定させる、請求項５に記載のシステム。
11. 前記命令は、前記処理回路によって実行されたときに、前記処理回路に、前記航空画像
    の直交性が真のオルソフォト形態に対応していないとの査定に応答して、前記航空画像を前記真のオルソフォト形態へと補正させる、請求項１０に記載のシステム。
12. 命令が記憶される非一時的なコンピュータ可読媒体であって、
    前記命令は、処理回路によって実行されたときに、前記処理回路に、
    リモート・コンピューティング・デバイスのユーザから、資産分類要求を受信させ、前記資産分類要求は、資産および少なくとも１つの資産特性の識別を含み、
    前記資産分類要求の受信に応答して、リモートデータソースから、前記資産を含む地理的領域の航空画像を取得させ、
    前記少なくとも１つの資産特性の各々の資産特性に対応する前記航空画像から複数の特徴のうちの１つまたは複数を抽出させ、前記抽出された特徴は、前記個々の資産特性を示す画素グループを含み、
    前記少なくとも１つの資産特性の各々に対して、
    前記個々の資産特性のための前記抽出された特徴から個々の資産特性分類を決定させ、前記個々の資産特性分類を決定することは、前記個々の資産特性のための前記画素グループを、一組の画素グループから資産特性を識別するようにトレーニングされた第１機械学習分類子に適用することを含み、
    前記個々の識別された資産特性および前記個々の抽出された特徴に基づいて、前記個々の資産特性のための個々の状態分類を決定させ、前記個々の状態分類を決定することは、前記個々の資産特性のための前記個々の画素グループを、一組の画素グループから資産特性状態を識別するようにトレーニングされた第２機械学習分類子に適用することを含み、
    前記資産分類要求の受信に応答してリアルタイムで、各々の資産特性の前記資産特性分類および各々の資産特性の前記状態分類を使用して、災害による損害のリスクを示す少なくとも１つのリスク推定値を決定させる、非一時的なコンピュータ可読媒体。
13. 前記命令は、前記処理回路によって実行されたときに、前記処理回路に、前記地理的領域の前記航空画像を取得する前に、前記少なくとも１つの資産特性に基づいて、前記少なくとも１つの資産特性の各々の資産特性に対応する好適な画像タイプを決定させる、請求項１２に記載の非一時的なコンピュータ可読媒体。
14. 前記少なくとも１つの資産特性は、２つ以上の資産特性を含み、
    前記命令は、前記処理回路によって実行されたときに、前記処理回路に、前記少なくとも１つの資産特性の第１の資産特性に対応する前記好適な画像タイプが地上画像であるとの決定に応答して、前記資産を含む前記地理的領域の地上画像を取得させる、請求項１３に記載の非一時的なコンピュータ可読媒体。
15. 前記命令は、前記処理回路によって実行されたときに、前記処理回路に、１つまたは複数の既知の資産特性にアクセスさせ、前記少なくとも１つのリスク推定値の決定は、さらに前記１つまたは複数の既知の資産特性に基づく前記少なくとも１つのリスク推定値の決定を含む、請求項１２に記載の非一時的なコンピュータ可読媒体。
16. 前記１つまたは複数の既知の資産特性は、資産年齢、資産標高、資産傾斜、建築年、改築年、および建物の高さのうちの少なくとも１つを含む、請求項１５に記載の非一時的なコンピュータ可読媒体。
17. 前記資産および前記少なくとも１つの資産特性の識別の受信は、ネットワークを介する、リモート・コンピューティング・デバイスからの前記資産の識別の受信を含み、
    前記命令は、前記処理回路によって実行されたときに、前記処理回路に、前記少なくとも１つの資産特性の受信に応答してリアルタイムで、前記リモート・コンピューティング・デバイスのグラフィカル・ユーザインターフェースに、前記ネットワークを介して、前
    記少なくとも１つのリスク推定値を提供させる、請求項１２に記載の非一時的なコンピュータ可読媒体。
18. 前記画素グループは、前記資産特性を規定する、角度、輪郭、および実質的に均質な領域のうちの少なくとも１つを含む、請求項１に記載の方法。
19. 前記資産特性のための前記状態分類を決定することは、
    前記画素グループから、前記資産特性の画素強度分布を作成することと、
    前記第２機械学習分類子を適用することによって、前記資産特性の前記画素強度分布に基づいて、前記状態分類を決定することとを含む、請求項１に記載の方法。
20. 前記第１機械学習分類子が複数の屋根上面の形状から前記屋根上面の形状を決定するよう構成されるように、前記第１機械学習分類子は、既知の屋根上面の形状を有する一組の航空トレーニング画像を用いてトレーニングされる、請求項２に記載の方法。