JP7284023B2

JP7284023B2 - 骨材判別システム

Info

Publication number: JP7284023B2
Application number: JP2019139754A
Authority: JP
Inventors: 英明佐藤; 博一北川
Original assignee: Kumagai Gumi Co Ltd
Current assignee: Kumagai Gumi Co Ltd
Priority date: 2019-07-30
Filing date: 2019-07-30
Publication date: 2023-05-30
Anticipated expiration: 2039-07-30
Also published as: JP2021020420A

Description

本発明は、骨材判別システムに関する。

ダムやビル等の各種構造物の建設に用いるコンクリートは、主に、セメント、水、細骨材、粗骨材および混和材を混練して製造される。

ところで、混練したコンクリートについて、一つの産地のみの骨材を用いた場合に、各種構造物に対応した所期の品質を確保できない場合がある。そのため、細骨材について複数種の材料を混合して使用したり、粗骨材について複数の分級（粒径区分）に属するものを使用することが多い。

一方、コンクリート製造プラントにおいて、複数種の骨材が搬入される際には、誤投入や誤混合が生じないようにベルトコンベア等の慎重な運転管理が求められ、管理負担等が大きいという問題があった。

そこで、管理負担等を軽減すべく、搬入される骨材を判別する骨材判別装置に関する技術が種々提案されている（例えば、特許文献１）。

特開２００３－３０７４９６号公報

ところで、骨材を判別するための骨材の複数種の特性としては、骨材の粒径、骨材の粒度分布、骨材の岩種などがある。

しかしながら、従来技術に係る骨材判別装置では、骨材の粒度しか判別できず、その他の骨材の粒度分布、骨材の岩種等に基づく判別を行うことは困難であった。

また、骨材の粒径の判別についても、より高精度で判別したいという要望があった。

本発明は、上記課題に鑑みてなされたものであり、骨材の複数種の特性に基づいて骨材の判別を精度良く行うことのできる骨材判別システ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、請求項１に係る骨材判別システムは、複数種類の骨材を撮影する撮影手段と、該撮影手段で撮影した複数の画像を格納する骨材画像格納手段と、前記複数の画像に基づいて、ディープラーニング用の教師データを生成する教師データ生成手段と、前記教師データに基づいて各種類の骨材の特徴量を算出する骨材の特徴量算出手段と、前記各種類の骨材の特徴量を学習する学習手段と、該学習手段による学習結果と、前記撮影手段で別途撮影された被検体としての骨材の画像に基づいて当該骨材の複数種の特性を判別する特性推論手段とを備え、前記特性推論手段は、前記被検体としての骨材の画像から複数箇所を切り出し、それぞれの箇所における骨材の特性を判別し、閾値以上の箇所の判別結果が同じ場合に、当該判別結果を総合的な判別結果とすることを要旨とする。

これにより、骨材の複数種の特性に基づいて骨材の判別を精度良く行うことができる。

請求項２に係る骨材判別システムは、請求項１に記載の発明について、前記撮影手段は、ステレオタイプのデジタルカメラ、または距離測定機能を有する単眼タイプのデジタルカメラで構成されることを要旨とする。

これにより、骨材画像を安定して取得することができる。

請求項３に係る骨材判別システムは、請求項１または請求項２に記載の発明について、前記特徴量算出手段、前記学習手段および前記特性推論手段は、ディープラーニングによる学習型のＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ：人工知能）エンジンで構成されることを要旨とする。

これにより、骨材の複数種の特性に基づいて骨材の判別を高精度且つ高速に行うことができる。

請求項４に係る骨材判別システムは、請求項１から請求項３の何れか１項に記載の発明について、前記骨材の複数種の特性は、前記骨材の粒径、前記骨材の岩種、前記骨材の粒度分布の少なくとも１つを含むことを要旨とする。

これにより、骨材の複数種の特性に基づいて骨材の判別を行うことができる。

請求項５に係る骨材判別システムは、請求項１から請求項４の何れか１項に記載の発明について、前記撮影手段は、目盛りを有するグレーカードが載置された骨材を撮影することを要旨とする。

これにより、撮影手段から骨材までの距離の調整および明るさの調整を行うことができる。

請求項６に係る骨材判別システムは、請求項１から請求項５の何れか１項に記載の発明について、前記画像を複数領域に分割する画像分割手段をさらに備え、前記教師データ生成手段は、前記画像分割手段で分割された画像に基づいて前記教師データを作成することを要旨とする。

これにより、より少ない撮影枚数の画像に基づいて、骨材の判別を精度良く行うことができる。

請求項７に係る骨材判別システムは、請求項１から請求項６の何れか１項に記載の発明について、前記撮影手段は、前記骨材を搬送する搬送路の途中に設けられることを要旨とする。

これにより、各種構造物の建設現場で骨材の判別を精度良く行うことができる。

請求項８に係る骨材判別システムは、請求項１から請求項６の何れか１項に記載の発明について、前記撮影手段は、前記骨材を搬入する搬送車両の荷台を撮影可能な位置に配設されることを要旨とする。

本発明によれば、骨材の複数種の特性に基づいて骨材の判別を精度良く行うことのできる骨材判別システムを提供することができる。

実施の形態に係る骨材判別システムの機能構成を示す機能ブロック図である。実施の形態に係る骨材判別システムの構成例を示す説明図である。実施の形態に係る骨材判別システムの要部の構成例を示す説明図である。実施の形態に係る骨材判別システムの要部の他の構成例を示す説明図である。実施の形態に係る骨材判別システムで実行される学習処理の処理手順を示すフローチャートである。実施の形態に係る骨材判別システムで実行される骨材判別処理の処理手順を示すフローチャートである。４種類の骨材を例示する撮像図である。実施の形態に係る骨材判別システムで粒径判別を行う場合の画像切抜きの例を示す撮像図である。実施の形態に係る骨材判別システムで粒径判別を行った場合の判定結果を示す表である。比較例に係る骨材判別の判定結果を示す表である。実施の形態に係る骨材判別システムで粒径判別を行う場合の他の画像切抜きの例を示す撮像図である。実施の形態に係る骨材判別システムで粒径判別を行う場合の他の画像例を示す撮像図である。実施の形態に係る骨材判別システムで粒径判別を行った場合の総合判定結果を示す表である。比較例に係る骨材のふるい分け試験を行った骨材Ｇｘ、Ｓｘの粗粒率の算出結果を示す表である。実施の形態に係る骨材判別システムで粒度分布予測を行った場合の骨材Ｇｙの粗粒率の計算結果を示すヒストグラム（ａ）および骨材Ｓｙの粗粒率の計算結果を示すヒストグラム（ｂ）である。実施の形態に係る骨材判別システムで粒度分布予測を行う場合の骨材の学習データの例を示す説明図である。実施の形態に係る骨材判別システムで粒度分布予測を行う場合の学習フェーズを示す説明図である。実施の形態に係る骨材判別システムで粒度分布予測を行う場合の検証フェーズを示す説明図である。実施の形態に係る骨材判別システムで岩種判別を行う場合の学習画像を示す撮像図である。実施の形態に係る骨材判別システムで岩種判別を行う場合の信頼度を示す表である。実施の形態に係る骨材判別システムで用いる骨材画像の撮影に用いるスケール付きのグレーカードの構成例を示す正面図である。図２０に示すスケール付きのグレーカードを用いた撮影方法を示す説明図である。

図１～図４を参照して、本発明の実施の形態に係る骨材判別システムＳ１について説明する。

ここで、図１は、本実施の形態に係る骨材判別システムＳ１の機能構成を示す機能ブロック図、図２は、骨材判別システムＳ１の構成例を示す説明図、図３は、骨材判別システムＳ１の要部の構成例を示す説明図、図４は、骨材判別システムＳ１の要部の他の構成例を示す説明図である。

（骨材判別システムＳ１の機能構成）
図１に示すように、本実施の形態に係る骨材判別システムＳ１は、複数種類の骨材を撮影する撮影手段ＣＡＭと、この撮影手段ＣＡＭで撮影した複数の画像を格納するハードディスク装置等で構成される骨材画像格納手段２０１と、複数の画像に基づいて、ディープラーニング用の教師データを生成する教師データ生成手段２０２と、教師データに基づいて各種類の骨材の特徴量を算出する骨材の特徴量算出手段２０３と、各種類の骨材の特徴量を学習する学習手段２０４と、学習手段２０４による学習結果と、撮影手段ＣＡＭで別途撮影された被検体としての骨材の画像に基づいて当該骨材の複数種の特性を推論可能な特性推論手段２０５と、この特性推論手段２０５による推論結果を表示する液晶表示装置等で構成される表示手段３００とを備えている。

また、撮影手段ＣＡＭで撮影された画像を複数領域に分割する画像分割手段２０６をさらに備え、教師データ生成手段２０２は、画像分割手段２０６で分割された画像に基づいて教師データを作成するようにできる。

ここで、撮影手段ＣＡＭは、ステレオタイプのデジタルカメラＣＡＭ１，ＣＡＭ２、または距離測定機能を有する単眼タイプのデジタルカメラで構成することができる。

なお、デジタルカメラＣＡＭ１，ＣＡＭ２は、カラー画像を撮影可能なカラーデジタルカメラで構成される。

また、特徴量算出手段（粒径判別）の処理の仕方によっては、カラー画像ではなく、モノクロ画像を用いてもよい。この場合には、カラー画像をモノクロ画像に変換して判別するようにしてもよいし、或いは、カラーデジタルカメラに代えて、モノクロのステレオカメラを用いるようにしてもよい。

また、特徴量算出手段２０３、学習手段２０４および特性推論手段２０５は、学習型のＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ：人工知能）エンジン１００で構成することができる。

ＡＩエンジン１００の全部または一部を構成するコンピュータプログラムコードは、特定のプログラム言語（例えば、Ｐｙｔｈｏｎ（登録商標）、Ｍａｔｌａｂ（登録商標）、Ｊａｖａ（登録商標）、ＪａｖａＳｃｒｉｐｔ（登録商標）、ＡｃｔｉｏｎＳｃｒｉｐｔ（登録商標）、ＤＡＲＴ（登録商標）、Ｃ＋＋、Ｃ＃、ＰＨＰ、Ｒｕｂｙ、ＰＥＲＬ、Ｓｃａｌａ、Ｅｒｌａｎｇ、Ｃａｎｄｌｅ、および．ＮＥＴ言語からなるグループから選択された動的言語またはスクリプト言語を使用して記述することができる。

また、骨材の複数種の特性は、「骨材の粒径」、「骨材の粒度分布」、「骨材の岩種」の少なくとも１つを含むようにできる。

そして、特性推論手段２０５は、骨材の粒径判別（細骨材、粗骨材の粒度区分の判別）、骨材の粒度分布予測（粗粒率（Ｆ．Ｍ．値）の概略判定）および骨材の岩種判別（骨材種別の判別）を行うことができる。なお、具体例については後述する。

（骨材判別システムＳ１の構成例）
ここで、図２～図４を参照して、骨材判別システムＳ１の構成例について説明する。

まず、図２および図３は、ダム等の構造物の建設現場６００に配置された骨材判別システムＳ１の構成例を示す。

建設現場６００には、外部からダンプトラック５５０（図４参照）等で搬入される骨材ＳＴを貯蔵する骨材貯蔵所５０１と、骨材ＳＴをコンクリートの混練設備６１０まで搬送するベルトコンベア装置（或いはベルトフィーダ装置等）Ｂ１、Ｂ２と、骨材貯蔵所５０１からベルトコンベア装置Ｂ１まで骨材ＳＴを運搬するブルドーザ５００と、ＡＩエンジン１００等を構成するコンピュータ装置Ｃ１等が配置されている。

なお、ベルトコンベア装置Ｂ１の搬送路の末端側には、骨材ＳＴを投入するホッパ５０５が設けられている。

そして、ベルトコンベア装置Ｂ１の搬送路の途中の上方には、ステレオタイプのデジタルカメラ（ＣＡＭ１，ＣＡＭ２）が配置されている。

これにより、ベルトコンベア装置Ｂ１で搬送される骨材ＳＴをステレオタイプのデジタルカメラ（ＣＡＭ１，ＣＡＭ２）で撮影して画像を取得することができる。

撮影された画像データＤ１は、無線方式または有線方式で、ＡＩエンジン１００等を構成するコンピュータ装置Ｃ１に送信される。

一方、図４に示す構成例では、ステレオタイプのデジタルカメラＣＡＭ１，ＣＡＭ２は、骨材ＳＴを運搬するダンプトラック（搬送車両）５５０等の荷台を撮影可能な位置に配設されている。

なお、ステレオタイプのデジタルカメラＣＡＭ１，ＣＡＭ２に代えて、レーザ式あるいは超音波式等の距離測定機能を有する単眼タイプのデジタルカメラを設けるようにしてもよい。

また、図２、図４では、２台のカメラＣＡＭ１、ＣＡＭ２を設ける場合を示したが、３台以上のカメラを設けるようにしてもよい。

また、ステレオタイプのデジタルカメラＣＡＭ１，ＣＡＭ２の撮影範囲Ｐ（図４参照）の照度を上げるために照明装置５１０を設けるようにしてもよい。照明装置５１０としては、設置する環境や条件に応じて適宜選択できるが、例えば、水銀灯、蛍光灯、白熱電球、ハロゲンランプ又は発光ダイオード等を使用可能である。

また、図４に示すように、ステレオタイプのデジタルカメラＣＡＭ１，ＣＡＭ２を制御するマイクロコンピュータ等で構成されるコントローラ（Ｉ／Ｏボックス等）１１０を設け、ＡＩエンジン１００等を構成するコンピュータ装置Ｃ１との間で画像データＤ１や制御信号ＳＧ等の送受信を行うようにできる。

（学習処理について）
次に、図５－１のフローチャートを参照して、本実施の形態に係る骨材判別システムＳ１で実行される学習処理の処理手順について説明する。

この処理が開始されると、まずステップＳ１０で、ステレオタイプのデジタルカメラＣＡＭ１，ＣＡＭ２により、骨材ＳＴを撮影して画像データＤ１を取得する。

次いでステップＳ１１では、教師データ生成手段２０２により画像データＤ１に基づいて教師データ（教師画像）セットを生成する。なお、この際に、画像分割手段２０６により、データＤ１を複数領域に分割し、教師データ生成手段２０２は、分割された画像に基づいて教師データセットを作成するようにしてもよい。

なお、教師データとは、一般的に、教師ありディープラーニングで用いられる「入力データ」と「正解ラベル」とのペアをいう。即ち、例えば「入力データ」としての画像を多数のパラメータを有するニューラルネットワークに入力することでディープラーニング学習を実施し、推論ラベルと正解ラベルとの差（学習中の重み）を更新して、学習済み重みを求めるような処理により、教師データが生成される。

次に、ステップＳ１２では、特徴量算出手段２０３により、教師データに基づいて各種類の骨材の特徴量を算出してステップＳ１３に移行する。

ステップＳ１３では、学習手段２０４により、各種類の骨材の特徴量を学習して処理を終了する。

なお、事前撮影したステレオ画像を上述の教師データとして用いてもよい。

（骨材判別処理について）
次に、図５－２のフローチャートを参照して、本実施の形態に係る骨材判別システムＳ１で実行される骨材判別処理の処理手順について説明する。

この処理が開始されると、まずステップＳ２０で、ステレオタイプのデジタルカメラＣＡＭ１，ＣＡＭ２により、被検体としての骨材ＳＴを撮影して画像データを取得する。

次いで、ステップＳ２１では、学習処理で学習された特徴量に基づいて骨材の判別を行う。

ステップＳ２２では、粒径判別処理を実行し、特性推論手段２０５により、被検体としての骨材ＳＴについての「骨材の粒径」を求めてステップＳ２３に移行する。

ステップＳ２３では、岩種判別処理を実行し、特性推論手段２０５により、被検体としての骨材ＳＴについての「岩種」を求めて、ステップＳ２４に移行する。

ステップＳ２４では、粒度分布予測処理を実行し、特性推論手段２０５により、被検体としての骨材ＳＴについての「骨材の粒度分布」の予測値を求めて処理を終了する。

なお、図５－２のフローチャートにおいて、ステップＳ２１～Ｓ２４の処理は、同時並行的に実行してもよいし、各処理の順番を入れ替えて実行してもよい。

（粒径判別の検証例）
図６～図１２を参照して、本実施の形態に係る骨材判別システムＳ１における骨材ＳＴの粒径判別の検証例について説明する。

ここで、図６は、４種類の骨材を例示する撮像図、図７は、本実施の形態に係る骨材判別システムＳ１で粒径判別を行う場合の画像切抜きの例を示す撮像図、図８は、粒径判別を行った場合の判定結果を示す表、図９は、比較例に係る骨材判別の判定結果を示す表、図１０は、粒径判別を行う場合の他の画像切抜きの例を示す撮像図、図１１は、粒径判別を行う場合の他の画像例を示す撮像図、図１２は、粒径判別を行った場合の総合判定結果を示す表である。

撮影対象の骨材としては、４０～８０ｍｍの粗骨材Ｇ１、２０～４０ｍｍの粗骨材Ｇ２、５～２０ｍｍの粗骨材Ｇ３、５ｍｍ以下の細骨材Ｓの４種類を用いた（図６参照）。

検証条件としては、学習用の画像は、荷高さ（撮像距離）の影響によるサイズのばらつきを抑えるため、カメラＣＡＭから骨材ＳＴまでの距離が例えば約４メートルで分解能を統一とした（分解能：約０．５ｍｍ／ｐｉｘｅｌ）。

また、検証用アプリケーションの仕様により、全ての画像を切り抜き、サイズを例えば約２２．４×２２．４ｃｍ（４４８×４４８ｐｉｘｅｌ）に統一した。

撮影方法は、特には限定されないが、例えば図２０に示すように、目盛り７００を備えた治具としてのグレーカードＧＣを用いることができる。

そして、図２１に示すように、骨材ＳＴ上に、グレーカードＧＣを載置して撮影を行うことにより、カメラから骨材ＳＴまでの距離の調整および明るさの調整を行うことができる。

学習用の画像（Ｇ１，Ｇ２，Ｇ３，Ｓ）は、ランダムに選出した各２５０枚、計１０００枚を学習対象とした。

また、テスト用の画像（Ｇ１，Ｇ２，Ｇ３，Ｓ）は、全２０１２７枚を検証対象とした。

図７に示す例では、ステレオカメラＣＡＭ１による画像Ｒ１と、ステレオカメラＣＡＭ２による画像Ｒ２について、切り抜き領域Ｒ１ａ、Ｒ２ｂで切り抜いた画像を用いて、サイズを例えば約２２．４×２２．４ｃｍ（４４８×４４８ｐｉｘｅｌ）とした。

そして、骨材種別判定結果は図８の表のようになった。なお、図８において、「ＯＫ」は判定成功、「ＮＧ」は判定不良を示す。

図８に示すように、全体的な判定率は９９．８％という高精度を示している。

なお、比較例（ステレオカメラのみによる骨材判別）として示す図９の骨材種別判定結果では、全体的な判定率は９８．６％であった。なお、図９において、「ＯＫ」は判定成功、「ＮＧ」は判定不良を示す。

したがって、本実施の形態に係る骨材判別システムＳ１によれば、粒径判別について、従来に比して、１．２％の精度向上を図ることができた。

次に、図１０～図１２を参照して、画像切り出しの他の例について述べる。

この画像切り出しでは、図１０および図１１に示すように、１枚の画像からＲ１０～Ｒ１４の５箇所を切り出し、それぞれディープラーニングによって評価した。

なお、５箇所中の３箇所以上の判別結果が同じ場合には、その判定結果を総合的な判別結果とする。

また、２箇所以下しか揃わなかった場合には、総合的な判別結果は「ＧＲＡＹ」とする。

図１２に、上記の画像切り出しを行った場合の総合判別の結果を示す。

図１２に示すように、上記の画像切り出しを行った場合には、総合的な判定率が９９．９０６％と非常に高い精度を達成することができた。

このように、一枚の画像について、比較的広い領域で骨材の判別を行う場合の方が、より高い判定率を得られることが分かる。

なお、画像が明るすぎる場合、暗すぎる場合、ブレている場合等をエラーとする分類を追加し、このようなエラーを除去することにより、誤判別を低減するようにしてもよい。

また、図１０および図１１に示すような１枚の画像から複数枚の画像を切り出す手法は、ディープラーニングによる学習以外に、岩種の判定等にも適用することができる。

（粒度分布予測の検証例）
図１３および図１４を参照して、本実施の形態に係る骨材判別システムＳ１における骨材ＳＴの粒度分布予測の検証例について説明する。

ここで、図１３は、骨材判別システムＳ１に学習させるために撮影した骨材について、骨材のふるい分け試験（JIS A 1102）を行った５～２０ｍｍ以下の骨材Ｇｘ、５ｍｍ以下の骨材Ｓｘのふるいに留まる量を測定し粗粒率の算出結果を示す表、図１４（ａ）は、骨材判別システムＳ１で粒度分布予測を行った場合の５～２０ｍｍ以下の骨材Ｇｙの粗粒率の計算結果を示すヒストグラム、図１４（ｂ）は、５ｍｍ以下の骨材Ｓｙの粗粒率の計算結果を示すヒストグラムである。

なお、粗粒率とは、骨材が各ふるいの呼び寸法において、ふるいに留まる量の百分率の和を１００で除した値をいい、ここでは、ふるいの呼び寸法８０ｍｍ、４０ｍｍ、２０ｍｍ、１０ｍｍ、５ｍｍ、２．５ｍｍ、１．２ｍｍ、０．６ｍｍ、０．３ｍｍ、０．１５ｍｍの１０種類のふるいに留まる質量分率の和を１００で除して、四捨五入によって小数点以下２けたに丸めた値を算出した（JIS A 1102）。

ここで、骨材判別システムＳ１におけるディープラーニングを適用した累積粒度分布予測では、ふるいの呼び寸法０．１５ｍｍ以下、０．１５～８０ｍｍ、８０ｍｍ以上についての「ふるいを通る量（割合）」（図１５参照）と骨材画像の対（セット）を骨材の種類ごとに例えば１０００セットずつ学習させた（学習フェーズ：図１６参照）。

また、検証フェーズでは、骨材として４０～８０ｍｍの粗骨材Ｇ１、２０～４０ｍｍの粗骨材Ｇ２、５～２０ｍｍの粗骨材Ｇ３、５ｍｍ以下の細骨材Ｓ画像全２０１２７枚を入力し、骨材判別システムＳ１におけるディープラーニングにより、図１７に示すような「ふるいを通る量（割合）」を出力させ、「ふるいを通る量（割合）」から、「ふるいに留まる量（割合）」を計算（１－ふるいを通る量（割合）＝ふるいに留まる量（割合））し、その結果から骨材として４０～８０ｍｍの粗骨材、２０～４０ｍｍの粗骨材、５～２０ｍｍの粗骨材、５ｍｍ以下の細骨材の骨材毎にヒストグラムを作成した。

なお、図１５、図１６および図１７において、便宜上ふるいを通る量と、ふるいに留まる量は、それぞれの質量分率を１００で除した割合の値を記載した。また、本検証は、ダム建設現場において撮影した画像を用いて行った。

撮影対象の骨材としては、５～８０ｍｍの粗骨材と、５ｍｍ以下の細骨材の２種類を用いた（前出の図６参照）。

また、検証用アプリケーションの仕様により、全ての画像を切り抜き、サイズを約２２．４×２２．４ｃｍ（４４８×４４８ｐｉｘｅｌ）に統一した。

各骨材種で学習、評価を行った結果、５～２０ｍｍ以下の粗骨材を骨材Ｇｙとし、その粗粒率については図１４（ａ）のヒストグラムに示すような結果を、５ｍｍ以下の細骨材を骨材Ｓｙとし、その粗粒率については図１４（ｂ）のヒストグラムに示すような結果をそれぞれ得ることができ、図１３の表の骨材Ｇｘの結果と図１４（ａ）の骨材Ｇｙとのヒストグラムの傾向が合致することと、図１３の測定表の骨材Ｓｘの結果と図１４（ｂ）の骨材Ｓｙとのヒストグラムの傾向が合致することが確認できた。

（岩種判別の検証例）
図１８および図１９を参照して、本実施の形態に係る骨材判別システムＳ１における骨材ＳＴの岩種判別（材料判別）の検証例について説明する。

ここで、図１８は、実施の形態に係る骨材判別システムＳ１で岩種判別を行う場合の学習画像を示す撮像図、図１９は、本実施の形態に係る骨材判別システムＳ１で岩種判別を行う場合の信頼度を示す表である。

撮影対象の骨材としては、図１８に示すような５種類の骨材ＳＴ１～ＳＴ５を用いた。

検証条件としては、学習用の画像は、荷高さ（撮像距離）の影響によるサイズのばらつきを抑えるため、図２１に示すように、骨材ＳＴ（ＳＴ１～ＳＴ５）上に、治具としてのグレーカードＧＣを載置して撮影を行うことにより、カメラから骨材ＳＴまでの距離の調整および明るさの調整を行う。

分解能は、例えば約０．３ｍｍ／ｐｉｘｅｌで統一した。

また、検証用アプリケーションの仕様により、全ての画像を切り抜き、サイズを例えば約１３．４４×１３．４４ｃｍ（４４８×４４８ｐｉｘｅｌ）に統一した。

学習用画像は、１クラス６０枚（日陰、日向、濡れ各２０枚）の計３００枚を学習対象とした。なお、「濡れ」とは、雨等の状況を再現するため、骨材に水を撒いた状態をいう。

また、検証用画像は、全１５００枚を検証対象とした。

これにより、図１９に示すような結果を得た。

図１９を見ると分かるように、ＯＫが１４９５枚／１５００枚、ＮＧが５枚／１５００枚であり、判定率は９９．６６７％と高精度であった。

なお、ＮＧとなった５枚については、信頼度が０．９未満であった。また、信頼度が低いものは、「ＧＲＡＹ」とすることで誤判別を低減することが可能である。

以上、本発明の骨材判別システム等を図示の実施形態に基づいて説明したが、本発明はこれに限定されるものではなく、各部の構成は、同様の機能を有する任意の構成のものに置き換えることができる。

Ｓ１…骨材判別システム
ＣＡＭ（ＣＡＭ１、ＣＡＭ２）…撮影手段（ステレオタイプのデジタルカメラ等）
１００…ＡＩ（人工知能）エンジン
２０１…骨材画像格納手段
２０２…教師データ生成手段
２０３…骨材の特徴量算出手段
２０４…学習手段
２０５…特性推論手段
２０６…画像分割手段
３００…表示手段

Claims

複数種類の骨材を撮影する撮影手段と、
該撮影手段で撮影した複数の画像を格納する骨材画像格納手段と、
前記複数の画像に基づいて、ディープラーニング用の教師データを生成する教師データ生成手段と、
前記教師データに基づいて各種類の骨材の特徴量を算出する骨材の特徴量算出手段と、
前記各種類の骨材の特徴量を学習する学習手段と、
該学習手段による学習結果と、前記撮影手段で別途撮影された被検体としての骨材の画像に基づいて当該骨材の複数種の特性を判別する特性推論手段とを備え、
前記特性推論手段は、前記被検体としての骨材の画像から複数箇所を切り出し、それぞれの箇所における骨材の特性を判別し、閾値以上の箇所の判別結果が同じ場合に、当該判別結果を総合的な判別結果とすることを特徴とする骨材判別システム。
前記撮影手段は、ステレオタイプのデジタルカメラ、または距離測定機能を有する単眼タイプのデジタルカメラで構成されることを特徴とする請求項１に記載の骨材判別システム。
前記特徴量算出手段、前記学習手段および前記特性推論手段は、ディープラーニングによる学習型のＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ：人工知能）エンジンで構成されることを特徴とする請求項１または請求項２に記載の骨材判別システム。
前記骨材の複数種の特性は、前記骨材の粒径、前記骨材の岩種、前記骨材の粒度分布の少なくとも１つを含むことを特徴とする請求項１から請求項３の何れか１項に記載の骨材判別システム。
前記撮影手段は、目盛りを有するグレーカードが載置された骨材を撮影することを特徴とする請求項１から請求項４の何れか１項に記載の骨材判別システム。
前記画像を複数領域に分割する画像分割手段をさらに備え、
前記教師データ生成手段は、前記画像分割手段で分割された画像に基づいて前記教師データを作成することを特徴とする請求項１から請求項５の何れか１項に記載の骨材判別システム。
前記撮影手段は、前記骨材を搬送する搬送路の途中に設けられることを特徴とする請求項１から請求項６の何れか１項に記載の骨材判別システム。
前記撮影手段は、前記骨材を搬入する搬送車両の荷台を撮影可能な位置に配設されることを特徴とする請求項１から請求項６の何れか１項に記載の骨材判別システム。