JP7288455B2 - 人工ニューラルネットワークによる屋根ふき膜のひび割れ評価 - Google Patents
人工ニューラルネットワークによる屋根ふき膜のひび割れ評価 Download PDFInfo
- Publication number
- JP7288455B2 JP7288455B2 JP2020547075A JP2020547075A JP7288455B2 JP 7288455 B2 JP7288455 B2 JP 7288455B2 JP 2020547075 A JP2020547075 A JP 2020547075A JP 2020547075 A JP2020547075 A JP 2020547075A JP 7288455 B2 JP7288455 B2 JP 7288455B2
- Authority
- JP
- Japan
- Prior art keywords
- digital image
- artificial neural
- digital
- neural network
- grade
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Description
(a)デジタル画像記録装置を用いて高分子シートの表面の少なくとも一部のデジタル画像を記録すること、及び
(b)訓練された人工ニューラルネットワークによってパターン認識を行うためのコンピュータで実施するプログラムによるひび割れ強度の自動分類をすること、
この自動分類が、以下を含み:
(1)デジタル画像又はこのデジタル画像の一つ若しくは複数の部分領域を入力データとして訓練された人工ニューラルネットワークに入力すること、
(2)所定のスケールのひび割れ強度等級からの等級をデジタル画像又は一つ若しくは複数の部分領域に割り当てることによって人工ニューラルネットワークによる分類を行うこと、及び
(3)デジタル画像及び/又は一つ若しくは複数の部分領域に割り当てられた等級又は等級群を出力データとして出力すること、
この人工ニューラルネットワークが、学習フェーズにおいて、高分子シート表面部分の複数のデジタル画像又はその部分領域によって事前に訓練されていて、この所定のスケールでの等級は既知であり、かつこの所定のスケールの全ての等級をカバーしており、かつこの高分子シートは屋根ふき膜又は密封膜である。
等級0:基本的にひび割れ無し
等級1:平坦且つ僅かなひび割れ(典型的に幅と深さが10μm未満のひび割れが存在)
等級2:中程度~顕著なひび割れ(典型的に幅と深さが10μm超且つ100μm未満のひび割れが存在)
等級3:幅広く且つ深いひび割れ(典型的に幅と深さが100μm超のひび割れが存在)
(1)デジタル画像又は当該デジタル画像の1個以上の部分領域を、訓練された人工ニューラルネットワークへの入力データとして入力するステップと、
(2)デジタル画像又は1個以上の部分領域にひび割れ強度等級の所定のスケールからの等級を割り当てることにより人工ニューラルネットワークにより分類するステップと、
(3)当該デジタル画像及び/又は1個以上の部分領域に割り当てられた等級又は等級群を出力データとして出力するステップとを含んでいる。
-複数のデジタル画像又はその部分領域が人工ニューラルネットワークに入力され、人工ニューラルネットワークに各々のデジタル画像の既知の等級をフィードバックとして与える訓練フェーズと、
-人工ニューラルネットワークが複数のデジタル画像又はその部分領域を分類し、人工ニューラルネットワークにより割り当てられた等級を当該デジタル画像の既知の等級と比較してマッチング確率を決定するテストフェーズと、
-所望のマッチング確率に到達するまで任意選択的に訓練フェーズ及びテストフェーズを反復するステップとを含んでいる。
1)全ての関連するひび割れ等級、例えばDIN EN1297による等級0,1,2,3をカバーする、異なるひび割れ強度を有する膜の少なくとも100個の代表的サンプルを提供し、
2)拡大率10倍の顕微鏡を用いて当該サンプルの画像を撮影し、当該画像を人工ニューラルネットワークに入力し、
3)各画像に割り当てられた、訓練を受けた要員によるひび割れレーティングを人工ニューラルネットワークに入力することにより人工ニューラルネットワークを訓練し、
4)訓練を受けた要員及び人工ニューラルネットワークにより特定の量のサンプルを並行して評価を行い、結果を比較することによりマッチング確率を確認して、
5)所定のマッチング確率(例:訓練を受けた要員と人工ニューラルネットワークとの間で>80%一致)に到達するまで上述の手順及び訓練サンプルのサイズを拡張する。
(A)デジタル画像記録装置と、
(B)本発明の方法のステップ(b)を実行する手段を含むデータ処理装置と
を含んでいる。
本明細書に開示される発明は以下の態様を含む:
[1]所定のスケールのひび割れ強度等級に基づいて、高分子シートのひび割れ強度を評価する方法であって、以下の工程を含み:
(a)デジタル画像記録装置を用いて前記高分子シートの表面の少なくとも一部のデジタル画像を記録すること、及び
(b)訓練された人工ニューラルネットワークによってパターン認識を行うためのコンピュータで実施するプログラムによる前記ひび割れ強度の自動分類をすること、
前記自動分類が、以下を含み:
(1)前記デジタル画像又は前記デジタル画像の一つ若しくは複数の部分領域を入力データとして前記訓練された人工ニューラルネットワークに入力すること、
(2)前記所定のスケールのひび割れ強度等級からの等級を前記デジタル画像又は一つ若しくは複数の前記部分領域に割り当てることによって前記人工ニューラルネットワークによる分類を行うこと、及び
(3)前記デジタル画像及び/又は一つ若しくは複数の前記部分領域に割り当てられた等級又は等級群を出力データとして出力すること、
前記人工ニューラルネットワークが、学習フェーズにおいて、高分子シート表面部分の複数のデジタル画像又はその部分領域によって事前に訓練されていて、前記所定のスケールでの等級が既知であり、かつ前記所定のスケールの全ての等級をカバーしており、かつ前記高分子シートが屋根ふき膜又は密封膜である、
方法。
[2]前記デジタル画像記録装置が、デジタル画像を記録する光学素子である、上記[1]に記載の方法。
[3]前記高分子シートが、単層屋根ふき膜である、上記[1]又は[2]に記載の方法。
[4]前記高分子シートが敷設した高分子シートであり、かつ前記デジタル画像を前記敷設した箇所について記録する、上記[1]~[3]のいずれか一つに記載の方法。
[5]前記デジタル画像が前記高分子シート表面の部分の拡大画像であり、拡大率が好適には5~50倍、より好適には8~30倍、最も好適には約10倍である、上記[1]~[4]のいずれか一つに記載の方法。
[6]DIN EN1297:2004-12、付記B、表B.1に規定されたスケールを、0~3の等級又はこれらの等級から選択された等級と共に、前記ひび割れ強度等級のための前記所定のスケールとして用いる、上記[1]~[5]のいずれか一つに記載の方法。
[7]少なくとも100のデジタル画像を前記学習フェーズにおける前記複数のデジタル画像として用いる、上記[1]~[6]のいずれか一つに記載の方法。
[8]前記学習フェーズが以下を含む、上記[1]~[7]のいずれか一つに記載の方法:
複数のデジタル画像又はその部分領域を前記人工ニューラルネットワークに入力し、かつ前記人工ニューラルネットワークにこれらのデジタル画像のそれぞれの既知の等級をフィードバックとして与える訓練フェーズ、及び
前記人工ニューラルネットワークが複数のデジタル画像又はその部分領域を分類し、かつ前記人工ニューラルネットワークによって割り当てられた等級を前記既知の等級と比較してマッチング確率を決定するテストフェーズ、及び
所望のマッチング確率に到達するまで、前記訓練フェーズ及び前記テストフェーズを任意選択的に反復すること。
[9]前記デジタル画像記録装置が、画像センサを含むデジタルカメラ又は光学的拡大装置であり、好適には画像センサを含む顕微鏡であり、前記デジタル画像記録装置が、記録されたデジタル画像又は記録された拡大デジタル画像を一つ又は複数の処理ユニットに転送する手段を備え、パターン認識のための前記プログラム及び任意選択的に前記デジタル画像の部分領域を生成するためのプログラムが実装されている、かつ/又は
パターン認識のための前記プログラムが、スマートフォン、タブレットコンピュータ、ラップトップコンピュータ、又はパーソナルコンピュータに実装されている、上記[1]~[8]のいずれか一つに記載の方法。
[10]前記デジタル画像記録装置が、画像センサを含む光学的拡大装置、好適には画像センサを含む顕微鏡であり、かつ記録されたデジタル画像又は拡大されたデジタル画像をスマートフォン、タブレットコンピュータ、ラップトップコンピュータ、又はパーソナルコンピュータに転送する手段を備えている、上記[1]~[9]のいずれか一つに記載の方法。
[11]前記デジタル画像の複数の部分領域を前記人工ニューラルネットワークに入力し、並列又は後続処理によって、前記部分領域のそれぞれに等級を割り当て、かつ前記部分領域に割り当てられた等級から、最も多くの部分領域が割り当てられた等級として、前記デジタル画像の等級を決定する、上記[1]~[10]のいずれか一つに記載の方法。
[12]前記デジタル画像の焦点フレームと前記デジタル画像の画像周縁との間に位置する画像領域を、部分領域の配列に分解することによって、好適にはタイリングによって、前記デジタル画像の前記複数の部分領域を生成し、前記複数の部分領域が好適には前記デジタル画像の少なくとも20個の部分領域である、上記[1]~[11]のいずれか一つに記載の方法。
[13]前記高分子シートの異なる位置で前記高分子シートの表面の一つ又は複数の部分から記録した一つ又は複数の更なるデジタル画像を使って、前記方法を一回又は複数回反復する、上記[1]~[12]のいずれか一つに記載の方法。
[14]以下を含む、所定のスケールのひび割れ強度等級に基づいて高分子シートのひび割れ強度を評価するシステム:
(A)デジタル画像記録装置;及び
(B)上記[1]~[13]のいずれか一つに記載の方法の工程(b)を実行する手段を含むデータ処理装置。
[15]前記デジタル画像記録装置が、デジタル画像を記録する光学素子である、上記[14]に記載のシステム。
[16]前記デジタル画像記録装置が、画像センサを含むデジタルカメラ又は光学的拡大装置、好適には画像センサを含む顕微鏡であり、前記デジタル画像記録装置が、記録されたデジタル画像又は拡大されたデジタル画像を前記データ処理装置に転送する手段を備えており、かつ/又は
前記データ処理装置が、スマートフォン、タブレットコンピュータ、ラップトップコンピュータ、又はパーソナルコンピュータである、上記[14]又は[15]に記載のシステム。
[17]前記デジタル画像記録装置が、標準化された記録距離及び標準化された照明条件で前記デジタル画像を記録するために構成されている、上記[14]~[16]のいずれか一つに記載のシステム。
Claims (17)
- 所定のスケールのひび割れ強度等級に基づいて、高分子シートのひび割れ強度を評価する方法であって、以下の工程を含み:
(a)デジタル画像記録装置を用いて前記高分子シートの表面の少なくとも一部のデジタル画像を記録すること、及び
(b)訓練された人工ニューラルネットワークによってパターン認識を行うためのコンピュータで実施するプログラムによる前記ひび割れ強度の自動分類をすること、
前記自動分類が、以下を含み:
(1)前記デジタル画像又は前記デジタル画像の一つ若しくは複数の部分領域を入力データとして前記訓練された人工ニューラルネットワークに入力すること、
(2)前記所定のスケールのひび割れ強度等級からの等級を前記デジタル画像又は一つ若しくは複数の前記部分領域に割り当てることによって前記人工ニューラルネットワークによる分類を行うこと、及び
(3)前記デジタル画像及び/又は一つ若しくは複数の前記部分領域に割り当てられた等級又は等級群を出力データとして出力すること、
前記人工ニューラルネットワークが、学習フェーズにおいて、高分子シート表面部分の複数のデジタル画像又はその部分領域によって事前に訓練されていて、前記所定のスケールでの等級が既知であり、かつ前記所定のスケールの全ての等級をカバーしており、かつ前記高分子シートが屋根ふき膜又は密封膜である、
方法。 - 前記デジタル画像記録装置が、デジタル画像を記録する光学素子である、請求項1に記載の方法。
- 前記高分子シートが、単層屋根ふき膜である、請求項1又は2に記載の方法。
- 前記高分子シートが敷設した高分子シートであり、かつ前記デジタル画像を前記敷設した箇所について記録する、請求項1~3のいずれか一項に記載の方法。
- 前記デジタル画像が前記高分子シート表面の部分の拡大画像である、請求項1~4のいずれか一項に記載の方法。
- DIN EN1297:2004-12、付記B、表B.1に規定されたスケールを、0~3の等級又はこれらの等級から選択された等級と共に、前記ひび割れ強度等級のための前記所定のスケールとして用いる、請求項1~5のいずれか一項に記載の方法。
- 少なくとも100のデジタル画像を前記学習フェーズにおける前記複数のデジタル画像として用いる、請求項1~6のいずれか一項に記載の方法。
- 前記学習フェーズが以下を含む、請求項1~7のいずれか一項に記載の方法:
複数のデジタル画像又はその部分領域を前記人工ニューラルネットワークに入力し、かつ前記人工ニューラルネットワークにこれらのデジタル画像のそれぞれの既知の等級をフィードバックとして与える訓練フェーズ、及び
前記人工ニューラルネットワークが複数のデジタル画像又はその部分領域を分類し、かつ前記人工ニューラルネットワークによって割り当てられた等級を前記既知の等級と比較してマッチング確率を決定するテストフェーズ。 - 前記デジタル画像記録装置が、画像センサを含むデジタルカメラ又は光学的拡大装置であり、前記デジタル画像記録装置が、記録されたデジタル画像又は記録された拡大デジタル画像を一つ又は複数の処理ユニットに転送する手段を備え、パターン認識のための前記プログラムが前記デジタル画像記録装置に実装されている、かつ/又は
パターン認識のための前記プログラムが、スマートフォン、タブレットコンピュータ、ラップトップコンピュータ、又はパーソナルコンピュータに実装されている、請求項1~8のいずれか一項に記載の方法。 - 前記デジタル画像記録装置が、画像センサを含む光学的拡大装置であり、かつ記録されたデジタル画像又は拡大されたデジタル画像をスマートフォン、タブレットコンピュータ、ラップトップコンピュータ、又はパーソナルコンピュータに転送する手段を備えている、請求項1~9のいずれか一項に記載の方法。
- 前記デジタル画像の複数の部分領域を前記人工ニューラルネットワークに入力し、並列又は後続処理によって、前記部分領域のそれぞれに等級を割り当て、かつ前記部分領域に割り当てられた等級から、最も多くの部分領域が割り当てられた等級として、前記デジタル画像の等級を決定する、請求項1~10のいずれか一項に記載の方法。
- 前記デジタル画像の焦点フレームと前記デジタル画像の画像周縁との間に位置する画像領域を、部分領域の配列に分解することによって、前記デジタル画像の前記複数の部分領域を生成する、請求項1~11のいずれか一項に記載の方法。
- 前記高分子シートの異なる位置で前記高分子シートの表面の一つ又は複数の部分から記録した一つ又は複数の更なるデジタル画像を使って、前記方法を一回又は複数回反復する、請求項1~12のいずれか一項に記載の方法。
- 以下を含む、所定のスケールのひび割れ強度等級に基づいて高分子シートのひび割れ強度を評価するシステム:
(A)デジタル画像記録装置;及び
(B)請求項1~13のいずれか一項に記載の方法の工程(b)を実行する手段を含むデータ処理装置。 - 前記デジタル画像記録装置が、デジタル画像を記録する光学素子である、請求項14に記載のシステム。
- 前記デジタル画像記録装置が、画像センサを含むデジタルカメラ又は光学的拡大装置であり、前記デジタル画像記録装置が、記録されたデジタル画像又は拡大されたデジタル画像を前記データ処理装置に転送する手段を備えており、かつ/又は
前記データ処理装置が、スマートフォン、タブレットコンピュータ、ラップトップコンピュータ、又はパーソナルコンピュータである、請求項14又は15に記載のシステム。 - 前記デジタル画像記録装置が、事前に決定された記録距離及び事前に決定された照明条件で前記デジタル画像を記録するために構成されている、請求項14~16のいずれか一項に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18164450.1 | 2018-03-28 | ||
EP18164450 | 2018-03-28 | ||
PCT/EP2019/057831 WO2019185774A1 (en) | 2018-03-28 | 2019-03-28 | Crack evaluation of roofing membrane by artificial neural networks |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021517245A JP2021517245A (ja) | 2021-07-15 |
JP7288455B2 true JP7288455B2 (ja) | 2023-06-07 |
Family
ID=61971901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020547075A Active JP7288455B2 (ja) | 2018-03-28 | 2019-03-28 | 人工ニューラルネットワークによる屋根ふき膜のひび割れ評価 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11861871B2 (ja) |
EP (1) | EP3776352B1 (ja) |
JP (1) | JP7288455B2 (ja) |
BR (1) | BR112020018470A2 (ja) |
ES (1) | ES2960317T3 (ja) |
MX (1) | MX2020009996A (ja) |
WO (1) | WO2019185774A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022021268A (ja) * | 2020-07-21 | 2022-02-02 | 直樹 廣瀬 | 屋根の劣化診断方法および劣化診断システム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001296236A (ja) | 2000-04-12 | 2001-10-26 | Asahi Kasei Corp | 防水シート材の劣化評価法 |
JP2004012422A (ja) | 2002-06-11 | 2004-01-15 | Dainippon Screen Mfg Co Ltd | パターン検査装置、パターン検査方法およびプログラム |
JP2012097453A (ja) | 2010-11-01 | 2012-05-24 | Sekisui House Ltd | 防水シート構造及び防水シートの施行方法 |
JP2016142601A (ja) | 2015-01-30 | 2016-08-08 | 前田建設工業株式会社 | 施工品質評価プログラム、施工品質評価方法及び施工品質評価装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2923302B2 (ja) * | 1989-05-17 | 1999-07-26 | テルモ株式会社 | 隔膜付き管状体 |
JP3188310B2 (ja) | 1992-07-09 | 2001-07-16 | 積水ハウス株式会社 | シート防水材の亀裂写真による劣化判定方法 |
US20090288359A1 (en) * | 2007-06-07 | 2009-11-26 | Martin Jr Joel E | Polyvinyl Chloride (PVC) Compositions and Reinforced Flexible PVC Flooring With Improved Performance Formed of the Same |
US9915069B1 (en) * | 2009-12-31 | 2018-03-13 | Firestone Building Products Co., LLC | Non-black EPDM roof membranes with improved weathering |
AU2012221159B2 (en) | 2011-02-21 | 2015-11-26 | Stratech Systems Limited | A surveillance system and a method for detecting a foreign object, debris, or damage in an airfield |
JP2015516672A (ja) * | 2012-02-26 | 2015-06-11 | ソレクセル、インコーポレイテッド | レーザ分割及び装置層移設のためのシステム及び方法 |
JP6322651B2 (ja) * | 2012-12-27 | 2018-05-09 | ダウ グローバル テクノロジーズ エルエルシー | 異方向回転押出によるtpo屋根膜の製造 |
-
2019
- 2019-03-28 EP EP19714419.9A patent/EP3776352B1/en active Active
- 2019-03-28 BR BR112020018470-5A patent/BR112020018470A2/pt unknown
- 2019-03-28 ES ES19714419T patent/ES2960317T3/es active Active
- 2019-03-28 WO PCT/EP2019/057831 patent/WO2019185774A1/en unknown
- 2019-03-28 MX MX2020009996A patent/MX2020009996A/es unknown
- 2019-03-28 US US16/980,647 patent/US11861871B2/en active Active
- 2019-03-28 JP JP2020547075A patent/JP7288455B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001296236A (ja) | 2000-04-12 | 2001-10-26 | Asahi Kasei Corp | 防水シート材の劣化評価法 |
JP2004012422A (ja) | 2002-06-11 | 2004-01-15 | Dainippon Screen Mfg Co Ltd | パターン検査装置、パターン検査方法およびプログラム |
JP2012097453A (ja) | 2010-11-01 | 2012-05-24 | Sekisui House Ltd | 防水シート構造及び防水シートの施行方法 |
JP2016142601A (ja) | 2015-01-30 | 2016-08-08 | 前田建設工業株式会社 | 施工品質評価プログラム、施工品質評価方法及び施工品質評価装置 |
Non-Patent Citations (1)
Title |
---|
初心者のための畳み込みニューラルネットワーク(MNISTデータセット+Kerasを使ってCNNを構築),codexa, [online],codexa.net,2018年03月08日,[令和5年1月30日検索]、インターネット<URL:https://www.codexa.net/cnn-mnist-keras-beginner/> |
Also Published As
Publication number | Publication date |
---|---|
EP3776352A1 (en) | 2021-02-17 |
JP2021517245A (ja) | 2021-07-15 |
ES2960317T3 (es) | 2024-03-04 |
WO2019185774A1 (en) | 2019-10-03 |
EP3776352B1 (en) | 2023-08-16 |
EP3776352C0 (en) | 2023-08-16 |
MX2020009996A (es) | 2020-10-14 |
US11861871B2 (en) | 2024-01-02 |
US20210012159A1 (en) | 2021-01-14 |
BR112020018470A2 (pt) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102578769B1 (ko) | 단열재 하부부식(cui)을 식별하기 위해 신경망을 이용한 서모그래피 이미지 처리 | |
Zalama et al. | Road crack detection using visual features extracted by Gabor filters | |
Stefenon et al. | Optimized ensemble extreme learning machine for classification of electrical insulators conditions | |
Moselhi et al. | Classification of defects in sewer pipes using neural networks | |
Mathavan et al. | Use of a self-organizing map for crack detection in highly textured pavement images | |
JP2017049974A (ja) | 識別器生成装置、良否判定方法、およびプログラム | |
CN105976389A (zh) | 一种手机底板连接器缺陷检测方法 | |
KR102226871B1 (ko) | 수도 관망 내에서의 누수 심각도 여부를 모니터링하는 인공지능 기반의 누수 모니터링 장치 및 그 동작 방법 | |
JP7288455B2 (ja) | 人工ニューラルネットワークによる屋根ふき膜のひび割れ評価 | |
Umar et al. | Deep Learning Approaches for Crack Detection in Solar PV Panels | |
CN114882215A (zh) | 一种煤矸光电分选图像颗粒集料区域形选识别方法 | |
Kurukuru et al. | Machine learning framework for photovoltaic module defect detection with infrared images | |
CN1220877C (zh) | 织物平整度等级客观评定方法 | |
JP2019087050A (ja) | 構造物維持管理業務支援システム | |
Hong et al. | Development of an Abaca Fiber Automated Grading System Using Computer Vision and Deep Convolutional Neural Network | |
CN116777865A (zh) | 一种水下裂缝的识别方法、系统、装置及存储介质 | |
Singh et al. | Segmentation technique for the detection of Micro cracks in solar cell using support vector machine | |
Anitha et al. | A survey on crack detection algorithms for concrete structures | |
Barkai et al. | A comparative study of source-finding techniques in H I emission line cubes using SoFiA, MTObjects, and supervised deep learning | |
Anilturk et al. | Automatic defect classification (ADC) solution using data-centric artificial intelligence (AI) for outgoing quality inspections in the semiconductor industry | |
Ashraf et al. | Machine learning-based pavement crack detection, classification, and characterization: a review | |
TWM631676U (zh) | 具人工智慧模組進行檢測緊固件的設備 | |
Grönroos et al. | Automated visual inspection of CMS HGCAL silicon sensor surface using an ensemble of a deep convolutional autoencoder and classifier | |
CN116754467B (zh) | 一种天然橡胶老化性能的测评方法 | |
JP4403271B2 (ja) | 金属の結晶粒界解析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220314 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230131 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230425 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230516 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230526 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7288455 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |