JP6829753B1 - 学習済モデル生成装置及びプログラム - Google Patents

Abstract

【課題】より精度よくソーラーパネルを特定可能な学習済モデルを生成する学習済モデル生成装置及びプログラムを提供する。【解決手段】学習済モデル生成装置は、入力された上空からの撮影画像からソーラーパネルを検出して出力する学習済モデルを生成する生成手段を備える。生成手段は、ソーラーパネルに係る特徴及びソーラーパネル付構造物に係る特徴の学習を行う。【選択図】図２

Description

この発明は、学習済モデル生成装置及びプログラムに関する。

上空から俯瞰撮影された画像データから家屋やソーラーパネルなどの構造物を抽出して、構造物のエリアや面積を特定し、家屋図を生成したり、各種評価などを行ったりする技術がある。特許文献１には、建物の特定精度を向上させるために、畳み込みニューラルネットワーク（ＣＮＮ）を用いた建物抽出用学習モデルにおいて、プーリングを用いずに複数段の拡張畳み込み層を有する学習済モデルを利用する技術について開示されている。

特開２０１９−２８６５７号公報

しかしながら、画像データから学習済モデルを用いて地上のソーラーパネルを抽出、特定する場合、ソーラーパネルが建築物といった他の構造物に付設されていると、当該他の構造物との区別がつきにくく、精度よくソーラーパネルを検出することができないという課題がある。

この発明の目的は、より精度よくソーラーパネルを特定可能な学習済モデルを生成する学習済モデル生成装置及びプログラムを提供することにある。

上記目的を達成するため、本開示は、
入力された上空からの撮影画像からソーラーパネルを検出して出力する学習済モデルを生成する生成手段を備え、
前記生成手段は、ソーラーパネルに係る特徴及びソーラーパネルの設置構造物に係る特徴の学習を行う
ことを特徴とする学習済モデル生成装置である。

本開示によれば、生成された学習済モデルにより、より精度よくソーラーパネルを特定することができるという効果がある。

処理装置の機能構成を示すブロック図である。 ソーラーパネル位置データについて説明する図である。 ソーラーパネル検出に係る機械学習モデルの学習処理の流れを示す図である。 第２教師データがない場合の学習の流れを説明する図である。 ソーラーパネル検出モデル学習処理の制御手順を示すフローチャートである。 学習済モデルを用いたソーラーパネルの検出処理の制御手順を示すフローチャートである。

以下、本発明の実施の形態を図面に基づいて説明する。
図１は、本実施形態の学習済モデル生成装置である処理装置１の機能構成を示すブロック図である。

処理装置１は、通常のコンピュータ（ＰＣ）であってよい。処理装置１は、制御部１１と、記憶部１２と、入出力インターフェイス１３（Ｉ／Ｆ）と、操作受付部１４と、表示部１５などを備える。

制御部１１は、各種演算処理を行うプロセッサであり、例えば、ＣＰＵ（Central Processing Unit）などを備える。ＣＰＵは、記憶部１２からプログラムなどを読み込んで実行することで各種制御処理を行う。

記憶部１２は、各種データを記憶するメモリである。メモリには、ＲＡＭと不揮発性メモリとが含まれる。ＲＡＭは、ＣＰＵに作業用のメモリ空間を提供し、一時データを記憶する。不揮発性メモリは、プログラム、設定データ及びソーラーパネルの検出結果のデータなどを記憶保持する。不揮発性メモリにはフラッシュメモリが含まれ、あるいは、これに代えて又は加えてＨＤＤ（Hard Disk Drive）などが含まれてもよい。また、初期制御プログラムなどは、ＲＯＭ（Read Only Memory）に格納されていてもよい。プログラムには、後述のソーラーパネル検出処理に係るソーラーパネル学習モデル１２３の機械学習に係るプログラム１２１（学習済モデルの生成プログラム）、構造物検出用の構造物検出学習済モデル１２２、及び学習前のソーラーパネル学習モデル１２３が含まれる。

構造物検出学習済モデル１２２は、撮影画像データ２０３から構造物の部分とその外と（内外）を判別する機械学習済モデルである。構造物検出学習済モデル１２２は、撮影画像における各画素（各単位領域）が構造物の部分であるか否かをそれぞれ示す２値データを出力する。なお、構造物は、家屋や倉庫などの建築物が最低限特定されるものであってよく、これらに加えて塀、門、モニュメントや各種土木建造物などが特定可能であってもよい。

ソーラーパネル学習モデル１２３は、撮影画像データ２０３からソーラーパネルを判別するための機械学習済モデルを生成する前のアルゴリズム（構造）設定がなされた元データである。

入出力インターフェイス１３は、周辺機器と接続するための接続端子１３１及び外部機器との間で信号の送受信を行うための通信部１３２などを備える。周辺機器としては、大型の補助記憶装置、例えば、データベース装置２１、並びにＣＤＲＯＭ、ＤＶＤ及びＢｌｕ−ｒａｙ（登録商標）などの可搬型記憶媒体（光学ディスク）を読み取る光学読取装置２２などが挙げられる。また、可搬型記憶媒体に磁気テープが含まれ、この磁気テープを読み取る読取装置が周辺機器に含まれてもよい。接続端子には、ＵＳＢ（Universal Serial Bus）など各種規格に応じたものが含まれてよい。あるいは、ＬＡＮ（Local Area Network）などのネットワーク回線を介して通信部が外部から取得するものであってもよい。データベース装置２１及び／又は可搬型記憶媒体に記憶されたデータには、ソーラーパネル位置範囲データ２０１、ソーラーパネル位置データ２０２、及び撮影画像データ２０３などが含まれる。

撮影画像データ２０３は、上空から俯瞰して（見下ろして）撮影された航空写真及び衛星写真などの光学撮影画像のデータである。これらのデータは、オルソ補正がなされた画像（オルソ画像）であってもよい。撮影画像データ２０３には、ソーラーパネル学習モデル１２３の学習に用いられる撮影画像データが含まれる。学習用の撮影画像データは、例えば、１〜数軒（棟）程度の建物が含まれる範囲のものである。光学撮影は、主に可視光によって行われるが、赤外線などの可視光外が含まれていても／であってもよい。

ソーラーパネル位置範囲データ２０１は、撮影画像におけるソーラーパネルの位置及びその範囲を示すデータであり、ソーラーパネル学習モデル１２３の教師データとして用いられる。ソーラーパネルの形状は、例えば、担当者が学習用の撮影画像を目視で判定して輪郭を入力操作することなどにより決定される。ソーラーパネル位置範囲データ２０１は、上記学習用の撮影画像データの一部に対応したものである。

ソーラーパネル位置データ２０２は、学習用の撮影画像データに含まれる各構造物のうち、屋上や壁面などにソーラーパネルが設けられている構造物を識別するデータである。ここでは、各構造物の範囲内の任意の点が指定されることで、当該構造物のどこかにソーラーパネルが設けられていることが示される。

図２は、ソーラーパネル位置データ２０２について説明する図である。
図２（ａ）に示すように、学習用の撮影画像データ２０３に建物Ｈ１〜Ｈ５（構造物）が写っており、このうち建物Ｈ１にソーラーパネルＰ１、Ｐ２が設けられ、また、建物Ｈ２にソーラーパネルＰ３が設けられている。建物Ｈ３〜Ｈ５には、ソーラーパネルが設けられていない。

図２（ｂ）に示すように、ソーラーパネル位置データ２０２は、ソーラーパネルＰ１〜Ｐ３の位置を点Ｌ１〜Ｌ３で示している。点Ｌ１〜Ｌ３は、ソーラーパネルＰ１〜Ｐ３の範囲内のいずれか任意の点を示していればよい。

図２（ｃ）に示すように、建物Ｈ１〜Ｈ５の範囲が建物範囲ＡＨ１〜ＡＨ５として示されている構造物範囲のデータと、ソーラーパネル位置データ２０２とを位置合わせし、点Ｌ１〜Ｌ３が内部に含まれる建物範囲ＡＨ１、ＡＨ２を検出されることで、図２（ｄ）のように、ソーラーパネルＰ１〜Ｐ３が設けられた建物Ｈ１、Ｈ２の範囲が特定される。ここでの構造物範囲のデータは、建物の位置及びその範囲を示すデータである。

操作受付部１４は、例えば、キーボードやマウスなどの入力デバイスを備え、ユーザなど外部からの入力操作を受け付ける。入力デバイスには、タッチパネル（タッチセンサ）などが含まれていてもよい。

表示部１５は、制御部１１の制御により表示画面にメニュー、ステータス及び処理結果などの表示を行わせる。表示画面は、特には限られないが、例えば、液晶表示画面である。操作受付部１４がタッチパネルを有する場合には、表示画面は、当該タッチパネル（タッチセンサ）と重ねて設けられる。

次に、ソーラーパネルの検出について説明する。
本実施形態の処理装置１では、入力された上空からの撮影画像からソーラーパネルを検出して出力するモデルを機械学習させて学習済モデルを生成し、当該学習済モデルを用いてソーラーパネルを検出する。このとき、機械学習時に種々のソーラーパネルを単純に学習させただけでは、建物などの他の構造物（設置構造物）に付設されているソーラーパネルの検出精度が、地上などに単独で配置されたソーラーパネルと比較して低下する。そこで、処理装置１では、設置構造物のソーラーパネルについては、異なる方法で学習が行われる。

図３は、本実施形態のソーラーパネル検出に係る機械学習モデルの学習処理の流れを示す図である。
上述のように、この機械学習モデルでは、学習用の撮影画像データ２０３が入力データであり、撮影画像データ２０３に対応するソーラーパネル位置範囲データ２０１は、第２教師データとして定められる。また、撮影画像２０３に対応するソーラーパネル位置データ２０２は、第１教師データの生成に用いられるデータである。

ここでは、撮影画像データ２０３は、構造物検出学習済モデル１２２に入力されて、構造物範囲が特定される（ＰＲ１）。特定された構造物範囲のデータ（構造物データ）が示す構造物の位置及び形状（範囲）と、ソーラーパネル位置データ２０２（ポイントデータ）が示すソーラーパネル内の位置とを重ね合わせて、ソーラーパネル（上記ポイント）を内部に含む構造物範囲内をソーラーパネル付構造物範囲として特定する（ＰＲ２；教師データ生成手段）。このソーラーパネル付構造物範囲のデータは、第１教師データとして定められる。また、ＰＲ１で特定された構造物範囲のデータは、第３教師データとして定められる。

一方で、撮影画像データ２０３は、ソーラーパネル学習モデル１２３に入力されて、ＣＮＮ（畳み込みニューラルネットワーク）などにより多次元の全体特徴量（共通特徴量）を算出する（ＰＲ３；算出手段）。全体特徴量は、ここでは、構造物の特徴、ソーラーパネルに係る特徴及びソーラーパネル付構造物（設置構造物）に係る特徴をそれぞれ含む共通のパラメータである。すなわち、全体特徴量が示す特徴は、ソーラーパネル、建物などの構造物、及びソーラーパネルを有する構造物の共通のものであり、これら３つの間で互いに関係がある特徴と、各々他とは関係のない特徴とが混在する。ＣＮＮの段数や全体特徴量の次元数は、適宜定められてよい。算出された全体特徴量は、更に第２〜第４のＣＮＮに入力されて、第２のＣＮＮでは、構造物特徴量が算出され（ＰＲ４）、第３のＣＮＮでは、ソーラーパネル特徴量（個別特徴量）が算出され（ＰＲ５）、第４のＣＮＮでは、ソーラーパネル付構造物特徴量が算出される（ＰＲ６）。第２〜第４のＣＮＮの段数や次元数は各々別個に定められてよい。これらＰＲ４〜ＰＲ６で得られた３つの特徴量は、上記全体特徴量から対応するソーラーパネル、ソーラーパネル付構造物及び構造物の特徴のみを抽出したものであり、他の影響（すなわちノイズとなる成分）が低減される。

構造物特徴量の画素ごとに、各次元の値を重み付け結合（全結合）して、各画素が構造物である確率の分布を算出（構造物の範囲を推定）する（ＰＲ７）。また、ソーラーパネル特徴量を画素ごとに全結合して、各画素が各々ソーラーパネルである確率を算出（ソーラーパネルの範囲を推定）する（ＰＲ８）。また、ソーラーパネル付構造物特徴量を画素ごとに全結合して、各画素がソーラーパネル付構造物である確率を算出（設置構造物の範囲を推定）する（ＰＲ９）。
ＰＲ５及びＰＲ８の処理が、本実施形態の推定手段を構成する。ＰＲ６及びＰＲ９の処理は、本実施形態の設置構造物推定手段を構成する。
すなわち、本実施形態の処理装置１では、ソーラーパネルの検出に係る機械学習モデルの学習（生成手段としての動作）において、出力対象となるソーラーパネルの特徴の学習だけではなく、ソーラーパネルが設けられる構造物（設置構造物）の特徴の学習を併せて行うことで、他の構造物に設けられたソーラーパネルについてもより精度よく検出することが可能となる。

ＰＲ７で得られた構造物の確率分布と構造物範囲のデータ（第３教師データ）とが比較されて、損失関数が求められる。損失関数は、畳み込みのフィルタに係る各係数や全結合に係る重み付け係数などの各パラメータ（係数）にフィードバックされ、当該パラメータが更新されることにより学習がなされる。ＰＲ８で得られたソーラーパネルの確率分布と第２教師データであるソーラーパネル位置範囲データ２０１とが比較されて、損失関数が求められる。損失関数は、上記各パラメータにフィードバックされ、当該パラメータが更新されることにより学習がなされる。また、ＰＲ９で得られたソーラーパネル付構造物である確率データが第１教師データと比較されて（に基づいて）、損失関数が求められる。損失関数は、上記各パラメータにフィードバックされて、当該パラメータが更新されることにより学習がなされる（ＰＲ１０；反映手段）。フィードバックは、誤差逆伝播法など周知の方法でなされればよい。

本実施形態の処理装置１では、ソーラーパネルを含む複数の撮影画像データ２０３（複数のソーラーパネル）の一部のみに対し、ソーラーパネル位置範囲データ２０１が用意される。すなわち、ソーラーパネル位置範囲データ２０１がない場合の教師データは、ソーラーパネル位置データ２０２から生成される第１教師データと、撮影画像データ２０３から生成される第３教師データのみとなる。

図４は、第２教師データがない場合の学習の流れを説明する図である。
上述のように、ソーラーパネル位置範囲データ２０１のソーラーパネル学習モデル１２３への入力がない場合には、比較の対象となるソーラーパネル特徴量と確率算出に係るＰＲ８の処理は、ＰＲ１０の処理につなげられない。なお、先にソーラーパネル位置範囲データ２０１の入力有無が判定されて、判定結果に応じてＰＲ８の処理自体が省略されてもよい。この場合には、ＰＲ９の処理で求められたソーラーパネル付構造物の確率分布と、ＰＲ２の処理に基づいて入力されたソーラーパネル付構造物の第１教師データとの比較に基づく損失関数の算出及びフィードバック処理、並びにＰＲ７の処理で求められた構造物の確率分布と、ＰＲ１の処理に基づいて入力された構造物の第３教師データとの比較に基づく損失関数の算出及びフィードバック処理がなされればよい。

上述のように、一部の学習用の撮影画像データ２０３に対して第２教師データであるソーラーパネル位置範囲データ２０１がない場合でも、ソーラーパネルを有する構造物の判別が改良される。一般的に、構造物内にソーラーパネルがあるか否かのみを特定する手間は、当該ソーラーパネルの輪郭を特定する手間よりもはるかに少なくてよいので、ソーラーパネル学習モデルの学習に用いられる学習データを準備する手間を大きく低減させることができる。

ソーラーパネル位置範囲データ２０１がある学習とない学習との順序は、ランダムで適宜混在して並べられるとよい。一方ずつに偏って並ぶと、学習にバイアスがかかりやすい。

なお、構造物が有するソーラーパネルではない場合には、上記実施形態で示した方法での学習ができないので、通常通りソーラーパネルの範囲データを教師データとして、撮影画像データからソーラーパネルの特徴量を算出し、教師データとの間のずれに応じた損失関数に基づいてフィードバックさせることで学習が行われる。

図５は、本実施形態のソーラーパネル検出モデル学習処理の制御部１１による制御手順を示すフローチャートである。この処理は、制御部１１の生成手段としての動作の実施形態であり、例えば、操作受付部１４により受け付けられた開始命令に応じて開始される。

ソーラーパネル検出モデル学習処理が開始されると、制御部１１は、学習用の撮影画像データ２０３を取得する（ステップＳ１０１）。学習用の撮影画像データ２０３には、ソーラーパネルが含まれている画像データと含まれていない画像データとが複数枚ずつ含まれる。制御部１１は、取得した撮影画像データ２０３の画像データを１つ選択して構造物検出学習済モデル１２２に入力させて、構造物確率分布を取得する（ステップＳ１０２；上記ＰＲ１の処理に対応）。

制御部１１は、取得された構造物確率分布データを第３教師データとして設定する（ステップＳ１０３）。制御部１１は、構造物確率分布データの構造物確率分布と、ソーラーパネル位置データ２０２のソーラーパネル位置とを重ねて、ソーラーパネルを有する構造物及びその形状を特定する（ステップＳ１０４；上記ＰＲ２の処理（教師データ生成手段）に対応）。

制御部１１は、当該構造物の形状データを第１教師データとして設定する（ステップＳ１０５）。制御部１１は、同構造物が有するソーラーパネルに係るソーラーパネル位置範囲データ２０１を第２教師データとして設定する（ステップＳ１０６）。なお、選択されている撮影画像データに対応するソーラーパネル位置範囲データ２０１がない場合には、制御部１１は、ステップＳ１０６の処理を省略するか、又は第２教師データがない旨の設定を行う。

制御部１１は、選択されている撮影画像データ２０３をソーラーパネル学習モデル１２３に入力し、第１のＣＮＮにより全体特徴量を算出する（ステップＳ１０７；上記ＰＲ３の処理（算出手段）に対応）。制御部１１は、得られた全体特徴量を第２〜第４のＣＮＮに入力して、それぞれ、ソーラーパネルの特徴量ＳＰ、ソーラーパネルを有する構造物の特徴量ＳＢ、及び構造物の特徴量Ｂを算出する（ステップＳ１０８；上記ＰＲ４〜ＰＲ６の各処理に対応）。

制御部１１は、特徴量ＳＰを画素ごとに全結合して、撮影画像の各画素位置がソーラーパネルである確率の分布を算出する。制御部１１は、特徴量ＳＢを画素ごとに全結合して、撮影画像の各画素位置がソーラーパネル付構造物である確率の分布を算出する。制御部１１は、特徴量Ｂを画素ごとに全結合して、撮影画像の各画素位置が構造物である確率の分布を算出する（ステップＳ１０９；上記ＰＲ７〜ＰＲ９の各処理に対応）。

制御部１１は、得られた構造物確率分布と第３教師データとを比較して、損失関数を算出する。制御部１１は、この損失関数をソーラーパネル学習モデル１２３における畳み込みのフィルタに係る各係数や全結合に係る重み付け係数などの各パラメータにフィードバックさせて当該パラメータを更新する（ステップＳ１１０）。制御部１１は、得られたソーラーパネル付構造物確率分布と第１教師データとを比較して、損失関数を算出する。制御部１１は、この損失関数をソーラーパネル学習モデル１２３の上記各パラメータへフィードバックさせて当該パラメータを更新する（ステップＳ１１１）。

制御部１１は、第２教師データが設定されているか否かを判別する（ステップＳ１１２）。設定されていると判別された場合には（ステップＳ１１２で“ＹＥＳ”）、制御部１１は、得られたソーラーパネル確率分布と第２教師データとを比較して、損失関数を算出し、ソーラーパネル学習モデル１２３の上記各パラメータへフィードバックさせる（ステップＳ１１３）。それから、制御部１１の処理は、ステップＳ１１４へ移行する。第２教師データが設定されていないと判別された場合には（ステップＳ１１２で“ＮＯ”）、制御部１１の処理は、ステップＳ１１４へ移行する。ステップＳ１１０〜Ｓ１１３の各処理は、上記のＰＲ１０の処理（反映手段）に対応する。

ステップＳ１１４の処理へ移行すると、制御部１１は、全ての学習用の撮影画像データが選択、取得されたか否かを判別する（ステップＳ１１４）。取得されていない学習用の撮影画像データがあると判別された場合には（ステップＳ１１４で“ＮＯ”）、制御部１１の処理は、ステップＳ１０１に戻る。全ての学習用の撮影画像データが取得されたと判別された場合には（ステップＳ１１４で“ＹＥＳ”）、制御部１１は、学習させていたソーラーパネル学習モデル１２３を学習済モデルとして確定し（ステップＳ１１５）、ソーラーパネル検出モデル学習処理を終了する。

図６は、学習済モデルを用いたソーラーパネルの検出処理の制御部１１による制御手順を示すフローチャートである。このソーラーパネル検出処理は、操作受付部１４への所定の入力操作などに応じて開始される。

制御部１１は、ソーラーパネルの検出対象の撮影画像データを取得する（ステップＳ２０１）。制御部１１は、学習済モデルにソーラーパネル検出対象の撮影画像データを入力し、ＣＮＮにより全体特徴量を算出する（ステップＳ２０２）。

制御部１１は、全体特徴量を第３のＣＮＮに入力して、ソーラーパネルの特徴量ＳＰを算出する（ステップＳ２０３）。制御部１１は、ソーラーパネルの特徴量ＳＰを画素ごとに全結合してソーラーパネルの確率分布を算出する（ステップＳ２０４）。制御部１１は、確率分布を適宜な基準で２値化することにより、ソーラーパネルの有無及び範囲を特定する。制御部１１は、特定されたソーラーパネルの範囲を検出結果として出力する（ステップＳ２０５）。そして、制御部１１は、ソーラーパネル検出処理を終了する。

すなわち、このソーラーパネル検出処理では、上記学習時にパラメータの更新がなされた構造物の特徴量Ｂの算出及びソーラーパネル付構造物の特徴量ＳＢの算出は行われない。ソーラーパネルの検出は、通常の学習及び上記の学習の組合せにより、構造物が有する場合にも、従来通り構造物とは別個の場合でも、精度よく可能となる。

以上のように、本実施形態の処理装置１は、制御部１１を備える。制御部１１は、生成手段として、入力された上空からの撮影画像からソーラーパネルを検出して出力する学習済モデルを生成する。制御部１１は、生成手段として、ソーラーパネルに係る特徴及びソーラーパネルの設置構造物に係る特徴の学習を行う。
このように、ソーラーパネルの検出に係る学習済モデルの生成、すなわち機械学習において、単にソーラーパネルの教師データに基づく学習を行うだけでなく、ソーラーパネルを有する建築物などの構造物の学習を行わせる。そして、この学習により得られた学習済モデルを利用することで、他の構造物に設けられたソーラーパネルをより精度よく検出することができる。都市部を中心に、屋上に設けられるソーラーパネルが数多く存在するので、これらをより正確に検出することが可能になる。

また、制御部１１は、算出手段として、撮影画像から、ソーラーパネルに係る特徴と、設置構造物に係る特徴とを含む全体特徴量を算出し、反映手段として、全体特徴量に基づいて設置構造物を検出し、当該検出の結果と、設置構造物に係る第１教師データ（ソーラーパネル付構造物範囲データ）とに基づいて学習を行う。
すなわち、ＣＮＮにより求められる特徴量は、ソーラーパネルの特徴だけではなくソーラーパネル付構造物の特徴を含み、予め得られたソーラーパネル付き構造物範囲データを教師データとして各パラメータ（特徴）を学習させていくので、ソーラーパネルが他の構造物に設けられている場合に、当該構造物をソーラーパネルが設けられていない構造物とより正確に識別可能になる。

また、制御部１１は、推定手段として、全体特徴量からソーラーパネル特徴量を算出し、このソーラーパネル特徴量に基づいてソーラーパネルの位置範囲を推定する。そして、制御部１１は、反映手段として、複数のソーラーパネルのうち一部に係る教師データであるソーラーパネル位置範囲データ２０１と推定手段として推定したソーラーパネルの位置範囲とに基づいて学習を行わせる。
このように、ソーラーパネル付構造物に係る学習を行うことで、ソーラーパネル自体に係る学習を一部省略しても、従来よりも高い精度で他の構造物に設けられたソーラーパネルの特定を行うことができる。ソーラーパネル付構造物の特定は、ソーラーパネルの位置範囲、すなわち輪郭を特定するよりもはるかに容易な処理で可能なので、より容易に学習データ及び対応する教師データを増大させることができ、これにより検出精度を向上させることができる。
また、全体特徴量から更にソーラーパネル付き構造物特徴量と、ソーラーパネル特徴量とを各々算出して区分することで、各特徴量における他のパラメータの影響の多寡に伴うノイズを低減させることができる。

また、制御部１１は、教師データ生成手段として、構造物の位置及び形状を示す構造物データから、ソーラーパネルを示すポイントデータが示す位置を内部に含む構造物を特定して当該構造物に係る教師データを第１教師データとして生成する。すなわち、ソーラーパネルの位置を示すデータとして、撮影画像上のソーラーパネル上に順次点を打ってゆき、ソーラーパネル位置データ２０２を準備さえすれば、従来技術に基づいて容易に取得可能な構造物の位置範囲データと対応付けることで簡便にソーラーパネル付構造物範囲のデータが得られるので、教師データの準備の手間を容易に軽減させつつ、精度よく他の構造物に設けられたソーラーパネルを検出可能な学習済モデルを得ることができる。

また、本実施形態のプログラム１２１は、コンピュータである処理装置１を、入力された上空からの撮影画像からソーラーパネルを検出して出力する学習済モデルを生成する生成手段として機能させ、生成手段は、ソーラーパネルに係る特徴及びソーラーパネルの設置構造物に係る特徴の学習を行う。
このようなプログラムにより、通常のコンピュータでソフトウェア的に、より精度よくソーラーパネルを検出可能な学習済モデルを容易に得ることが可能になる。

なお、本発明は、上記実施の形態に限られるものではなく、様々な変更が可能である。
例えば、上記実施の形態では、ソーラーパネル位置範囲データ２０１は、学習対象のソーラーパネルの一部に対してのみ用意されるものとして説明したが、全てのソーラーパネルに対して用意されてもよい。

また、上記実施の形態では、構造物の特徴量Ｂ及び構造物である確率も併せて算出するものとして説明したが、これらは省略されてもよい。

また、上記実施の形態では、全体特徴量から構造物、ソーラーパネルの特徴量ＳＰ及びソーラーパネル付構造物の特徴量ＳＢを算出しなおしてから、各々の範囲を算出するものとして説明したが、全体特徴量から直接これらの範囲の一部又は全部が算出されてもよい。

また、上記実施の形態では、撮影画像データ２０３を構造物検出学習済モデル１２２に入力して構造物範囲を特定したが、予め別途家屋図などの構造物範囲が特定されたデータが生成保持されている場合には、ＰＲ１、ステップＳ１０２の処理を省略して、このデータを直接第３教師データとして利用してよい。

また、上記実施の形態では、構造物検出学習済モデル１２２により構造物であるか否かを各画素について出力するものとして説明したが、構造物の輪郭を出力する学習済モデルであってもよい。この場合には、ソーラーパネル位置データ２０２が示す点（ポイントデータ）がどの輪郭内にあるかを判別する処理が行われて、ソーラーパネルが設けられた構造物が特定されればよい。

また、上記実施の形態では、ソーラーパネルが設けられる構造物を一括して取り扱ったが、構造物の種別、例えば、一軒家、集合住宅、倉庫や工場などに応じて各々別個にソーラーパネル付構造物の特徴量ＳＢが算出されてもよい。この場合、例えば、構造物範囲を特定する家屋図などに構造物の種別の情報が付加されていれば、この付加情報を利用して種別ごとの分類を行ってもよい。

また、上記実施の形態では、全体特徴量及び個別の各特徴量の算出にＣＮＮを利用することとして説明したが、これに限られない。適切な他のアルゴリズムを用いてもよい。また、全体特徴量の算出と、個別の各特徴量の算出とは、互いに異なるアルゴリズムが利用されていてもよい。

また、上記実施の形態では、処理装置１がソーラーパネル検出用の機械学習モデルの学習と、学習済モデルの利用とを両方行うものとして説明したが、同一のコンピュータで両方とも行われる必要はない。生成された学習済モデルは、他のコンピュータなどにコピーされて利用されてもよい。

また、上記実施の形態では、１つの学習済モデルにより、構造物に設けられたソーラーパネルと独立したソーラーパネルとをまとめて検出可能としたが、これに限られない。構造物に設けられたソーラーパネルの検出に特化した学習済モデルと、従来のソーラーパネル検出に係る学習済モデルとを併用し、ソーラーパネルの位置範囲に対応して構造物が存在しているか否かに基づいて、どちらの学習済モデルの結果を優先するかを定めてもよい。また、構造物、特に建築物に設けられたソーラーパネルのみを抽出したい場合などにも、構造物に設けられたソーラーパネルの検出に特化した学習済モデルが用いられてもよい。これらの場合、上記実施形態のようにソーラーパネルの検出を行うだけでなく、ソーラーパネル付構造物の検出を併せて行ってもよい。

また、上記実施の形態では、プログラム１２１により制御部１１が実行するソーラーパネル検出モデル学習処理により、ソーラーパネル学習モデル１２３内の処理であるステップＳ１０７〜Ｓ１１３の処理も実行制御されたが、これらの処理がソーラーパネル学習モデル１２３内で自律的に行われる場合には、制御部１１は、撮影画像データ及び各教師データをソーラーパネル学習モデル１２３に入力して、プログラム１２１外で当該ソーラーパネル学習モデル１２３の学習動作を行い、各処理の終了後にプログラム１２１の実行制御に戻ってステップＳ１１４の処理を行ってもよい。すなわち、制御部１１による各処理の制御は、別個の２つのプログラムが並行してやり取りされながら行われてもよい。また、制御部１１は、単一のＣＰＵを有しているものに限られない。複数のＣＰＵが各処理を分担して行ってもよい。分担は、プログラム１２１の処理とソーラーパネル学習モデル１２３の処理とで完全に独立していてもよいし、負荷などに応じて動的にいずれかに割り当てられてもよい。

また、上記実施の形態では、プログラム１２１が不揮発性メモリ又はＨＤＤなどの記憶部１２に記憶されるものとして説明したが、これに限られない。プログラム１２１は、ＣＤＲＯＭ、ＤＶＤ、又はＢｌｕ−ｒａｙなどの光学ディスクといった可搬型記憶媒体に記憶されてよい。また、本発明に係るプログラムのデータを通信回線を介して提供する媒体として、キャリアウェーブ（搬送波）も本発明に適用される。
その他、上記実施の形態で示した構成、制御内容及びその手順などは、本発明の趣旨を逸脱しない範囲において適宜変更可能である。

１ 処理装置
１１ 制御部
１２ 記憶部
１２１ プログラム
１２２ 構造物検出学習済モデル
１２３ ソーラーパネル学習モデル
１３ 入出力インターフェイス
１３１ 接続端子
１３２ 通信部
１４ 操作受付部
１５ 表示部
２１ データベース装置
２２ 光学読取装置
２０１ ソーラーパネル位置範囲データ
２０２ ソーラーパネル位置データ
２０３ 撮影画像データ

Claims (5)

1. 入力された上空からの撮影画像からソーラーパネルを検出して出力する学習済モデルを生成する生成手段を備え、
   前記生成手段は、ソーラーパネルに係る特徴及びソーラーパネルの設置構造物に係る特徴の学習を行う
   ことを特徴とする学習済モデル生成装置。
2. 前記生成手段は、
   前記撮影画像から、前記ソーラーパネルに係る特徴と、前記設置構造物に係る特徴とを含む共通特徴量を算出する算出手段と、
   前記共通特徴量に基づいて前記設置構造物を検出し、当該検出の結果と、前記設置構造物に係る第１教師データとに基づいて前記学習を行う反映手段と、
   を有することを特徴とする請求項１記載の学習済モデル生成装置。
3. 前記生成手段は、前記共通特徴量から前記ソーラーパネルに係る個別特徴量を算出し、当該個別特徴量に基づいて前記ソーラーパネルの位置範囲を推定する推定手段を備え、
   前記反映手段は、複数の前記ソーラーパネルのうち一部に係る第２教師データと前記推定手段が推定した前記ソーラーパネルの位置範囲とに基づいて前記学習を行わせる
   ことを特徴とする請求項２記載の学習済モデル生成装置。
4. 構造物の位置及び形状を示す構造物データから、ソーラーパネルを示すポイントデータが示す位置を内部に含む前記構造物を特定して前記第１教師データを生成する教師データ生成手段を備えることを特徴とする請求項３記載の学習済モデル生成装置。
5. コンピュータを、
   入力された上空からの撮影画像からソーラーパネルを検出して出力する学習済モデルを生成する生成手段として機能させ、
   前記生成手段は、ソーラーパネルに係る特徴及びソーラーパネルの設置構造物に係る特徴の学習を行う
   ことを特徴とするプログラム。

Images