JP7318093B1 - 骨材の品質予測方法、生コンクリートの製造方法、及び、生コンクリートの製造システム - Google Patents

Abstract

【課題】生コンクリートの品質の安定化を図る。【解決手段】骨材の品質予測方法は、骨材を撮像して得られる画像データを含む入力情報と、当該入力情報に対応付けられた骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、前記入力情報の入力に応じて、前記複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力する予測モデルを構築する準備工程と、評価対象の骨材を撮像して得られる画像データを含み、前記入力情報に対応する評価情報を取得する取得工程と、前記評価情報を前記予測モデルに入力して、前記区分ごとの質量比率に関して前記予測モデルから出力される予測値を取得する第１予測工程と、前記予測値を骨材の粗粒率に換算する第２予測工程と、を含む。【選択図】図３

Description

本開示は、骨材の品質予測方法、生コンクリートの製造方法、及び、生コンクリートの製造システムに関する。

特許文献１には、土の粒度分布の推定方法が開示されている。特許文献２には、骨材の品質推定方法が開示されている。

特開２０２１－１１７６２５号公報 特開２０２１－１３５１９９号公報

本開示は、生コンクリートの品質の安定化に有用な骨材の品質予測方法、生コンクリートの製造方法、及び、生コンクリートの製造システムを提供する。

［１］骨材を撮像して得られる画像データを含む入力情報と、当該入力情報に対応付けられた骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、前記入力情報の入力に応じて、前記複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力する予測モデルを構築する準備工程と、評価対象の骨材を撮像して得られる画像データを含み、前記入力情報に対応する評価情報を取得する取得工程と、前記評価情報を前記予測モデルに入力して、前記区分ごとの質量比率に関して前記予測モデルから出力される予測値を取得する第１予測工程と、前記予測値を骨材の粗粒率に換算する第２予測工程と、を含む、骨材の品質予測方法。
［２］前記第２予測工程は、前記予測値を補正することと、補正後の前記予測値を骨材の粗粒率に換算することと、を含む、上記［１］に記載の骨材の品質予測方法。
［３］前記第２予測工程における前記予測値の補正では、前記区分ごとに、前記予測モデルから出力された前記予測値が０よりも小さい場合には、補正後の前記予測値を０とするように補正が行われ、前記予測モデルから出力された前記予測値が０以上である場合には、当該予測値をそのまま補正後の前記予測値とするように補正が行われる、上記［２］に記載の骨材の品質予測方法。
［４］前記第２予測工程における前記予測値の補正では、前記区分ごとの補正後の予測値の合計が１００％となるように、前記区分ごとに補正後の前記予測値が算出される、上記［２］又は［３］に記載の骨材の品質予測方法。
［５］前記準備工程では、前記予測モデルが、前記入力情報に応じて、前記区分ごとの質量比率を示す値のみを出力するように構築される、上記［１］～［４］のいずれか１つに記載の骨材の品質予測方法。
［６］前記準備工程は、畳み込みニューラルネットワークを用いた機械学習により前記予測モデルを構築することを含む、上記［１］～［５］のいずれか１つに記載の骨材の品質予測方法。
［７］前記取得工程は、前記評価対象の骨材が積み重なった状態で、前記評価対象の骨材とは離れた位置から前記評価対象の骨材を含む範囲を撮像して、前記評価情報を取得することを含む、上記［１］～［６］のいずれか１つに記載の骨材の品質予測方法。
［８］前記準備工程は、２以上の粒度区分の粒が含まれるように学習用の骨材を準備することを含み、前記入力情報は、前記学習用の骨材を撮像して得られる画像データを含む、上記［１］～［７］のいずれか１つに記載の骨材の品質予測方法。
［９］骨材を含む材料を練り混ぜて、生コンクリートを製造する製造工程と、前記製造工程に用いられる骨材の少なくとも一部の粗粒率を予測する品質予測工程と、を含み、前記品質予測工程は、骨材を撮像して得られる画像データを含む入力情報と、当該入力情報に対応付けられた骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、前記入力情報の入力に応じて、前記複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力する予測モデルを構築する準備工程と、評価対象の骨材を撮像して得られる画像データを含み、前記入力情報に対応する評価情報を取得する取得工程と、前記評価情報を前記予測モデルに入力して、前記区分ごとの質量比率に関して前記予測モデルから出力される予測値を取得する第１予測工程と、前記予測値を骨材の粗粒率に換算する第２予測工程と、を含む、生コンクリートの製造方法。
［１０］骨材を含む材料を練り混ぜて、生コンクリートを製造する製造装置と、前記製造装置が用いる骨材の少なくとも一部の粗粒率を予測する品質予測装置と、を備え、前記品質予測装置は、骨材を撮像して得られる画像データを含む入力情報と、当該入力情報に対応付けられた骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、前記入力情報の入力に応じて、前記複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力する予測モデルを構築する準備工程と、評価対象の骨材を撮像して得られる画像データを含み、前記入力情報に対応する評価情報を取得する取得工程と、前記評価情報を前記予測モデルに入力して、前記区分ごとの質量比率に関して前記予測モデルから出力される予測値を取得する第１予測工程と、前記予測値を骨材の粗粒率に換算する第２予測工程と、を実行するように構成されている、生コンクリートの製造システム。

本開示によれば、生コンクリートの品質の安定化に有用な骨材の品質予測方法、生コンクリートの製造方法、及び、生コンクリートの製造システムが提供される。

図１は、生コンクリートの製造システムの一例を示す模式図である。 図２は、制御装置のハードウェア構成の一例を示す模式図である。 図３（ａ）は、学習フェーズで実行される処理の一例を示すフローチャートである。図３（ｂ）は、評価フェーズで実行される処理の一例を示すフローチャートである。 図４（ａ）は、予測モデルを用いた予測演算の一例を模式的に示す図である。図４（ｂ）は、学習用の画像データを取得する様子の一例を模式的に示す断面図である。 図５は、学習用の画像データの一例を示す図である。 図６（ａ）及び図６（ｂ）は、予測値と正解値との比較結果の一例を示すグラフである。 図７（ａ）及び図７（ｂ）は、予測値と正解値との比較結果の一例を示すグラフである。 図８（ａ）及び図８（ｂ）は、予測値と正解値との比較結果の一例を示すグラフである。 図９（ａ）及び図９（ｂ）は、予測値と正解値との比較結果の一例を示すグラフである。 図１０（ａ）及び図１０（ｂ）は、予測値と正解値との比較結果の一例を示すグラフである。 図１１（ａ）及び図１１（ｂ）は、予測値と正解値との比較結果の一例を示すグラフである。 図１２は、予測値と正解値との比較結果の一例を示すグラフである。

以下、図面を参照して一実施形態について説明する。説明において、同一要素又は同一機能を有する要素には同一の符号を付し、重複する説明を省略する。

図１には、一実施形態に係る生コンクリートの製造システムが模式的に示されている。図１に示される製造システム１は、生コンクリートを製造するシステムである。製造システム１は、コンクリート材料を練り混ぜて、生コンクリートを製造（生成）する。製造システム１は、生コンクリートを製造する機能に加えて、コンクリート材料の品質を予測する機能を有する。

製造システム１によって用いられるコンクリート材料は、セメント、混和材、粗骨材、細骨材、水、及び混和剤等を含む。粗骨材には、例えば、山砂利、陸砂利、川砂利、海砂利などの砂利；砕石；高炉スラグ骨材、フェロニッケルスラグ骨材、電気炉酸化スラグ骨材、石炭ガス化スラグ骨材などのスラグ粗骨材；天然軽量骨材、副産軽量骨材、人工軽量骨材などの軽量粗骨材；再生粗骨材；回収骨材又はこれらを混合した粗骨材が挙げられる。粗骨材としては、例えば、砕岩砕石、又は石灰砕石を含んで良い。細骨材には、例えば、山砂、陸砂、川砂、海砂などの砂；砕砂；高炉スラグ骨材、フェロニッケルスラグ骨材、銅スラグ骨材、電気炉酸化スラグ骨材、石炭ガス化スラグ骨材などのスラグ細骨材；天然軽量骨材、副産軽量骨材、人工軽量骨材などの軽量細骨材；再生細骨材；回収骨材又はこれらを混合した細骨材が挙げられる。また、砕石、砕砂の岩種には、花崗岩、閃緑岩、斑れい岩、ひん岩、輝緑岩、流紋岩、安山岩、玄武岩、蛇紋岩などの火成岩類；礫岩、砂岩、頁岩、粘板岩、凝灰岩などの堆積岩類；片麻岩、結晶片岩などの変成岩類；その他、珪石、石灰岩、ドマロイト、かんらん岩などがある。本開示では、粗骨材及び細骨材を総称して、「骨材」と称する場合がある。この場合、「骨材」は、粗骨材、細骨材、又は、粗骨材及び細骨材の両方を意味する。

製造システム１は、製造した生コンクリートを運搬車Ｃに積み込む。運搬車Ｃは、生コンクリートが積み込まれた後に、生コンクリートが使用される現場（例えば、工事現場）まで生コンクリートを運搬する。運搬車Ｃとしては、例えば、アジテータ車（ミキサ車）、及び、ダンプトラックが挙げられる。製造システム１は、現場ごとに設定された目標品質（要求品質）を満たすように、コンクリート材料から生コンクリートを製造してもよい。一例では、生コンクリートの目標品質は、スランプ、又はスランプフローの目標値を含む。製造システム１は、例えば、材料置場２と、運搬装置８と、製造装置１０と、撮像装置５０と、制御装置６０とを備える。

材料置場２は、コンクリート材料を貯蔵する場所である。材料置場２は、複数のサイロ４を含む。複数のサイロ４は、コンクリート材料の少なくとも一部を、材料の種類ごとに貯蔵する容器である。複数のサイロ４は、粗骨材を貯蔵するサイロ４と、細骨材を貯蔵するサイロ４と、セメントを含むサイロ４とを含む。

運搬装置８は、複数のサイロ４に貯蔵されたコンクリート材料を、製造装置１０まで運搬する装置である。運搬装置８は、例えば、コンクリート材料を搬送するベルトコンベアを含む。ベルトコンベアの横幅は、３０ｃｍ～１６０ｃｍ程度であってもよい。運搬装置８は、互いに異なるタイミングで、材料の種類ごとにコンクリート材料を運搬してもよい。一例では、制御装置６０による動作指示に基づいて、各種コンクリート材料のうちの特定の材料が運搬装置８に移され、製造装置１０まで搬送される。

製造装置１０は、骨材を含むコンクリート材料を練り混ぜて、生コンクリートを製造する装置である。製造装置１０は、制御装置６０からの動作指示に基づいて動作する。製造装置１０は、例えば、貯蔵瓶１２と、計量瓶１４と、集合ホッパ１６と、ミキサ２０と、積込ホッパ３０とを備える。

貯蔵瓶１２は、各種のコンクリート材料を一時的に貯蔵する。貯蔵瓶１２には、材料置場２から、運搬装置８によって各種のコンクリート材料が運搬（搬送）される。貯蔵瓶１２は、各種のコンクリート材料を個別に貯蔵するように構成されている。以下、「コンクリート材料」を単に「材料」と表記する場合がある。貯蔵瓶１２に貯蔵されている各種材料は、必要に応じて計量瓶１４に供給される。

計量瓶１４は、貯蔵瓶１２の下方に配置されている。計量瓶１４は、制御装置６０からの動作指示に基づいて動作し、各種材料を個別に計量する。計量瓶１４は、制御装置６０から指示された目標量の材料を検知すると、その材料を集合ホッパ１６に供給する。水が計量瓶１４に供給される際に、その水に混和剤が混合されてもよい。集合ホッパ１６は、計量瓶１４の下方に配置されている。集合ホッパ１６は、計量瓶１４から排出される各種材料を集約し、集約した各種材料をミキサ２０に供給する。集合ホッパ１６が備えられない場合、計量瓶１４から各種材料がミキサ２０に供給される。

ミキサ２０は、集合ホッパ１６の下方に配置されている。ミキサ２０は、コンクリート材料を練り混ぜる装置である。ミキサ２０は、骨材、セメント、水、及び混和剤等を練り混ぜる（混練する）ことで、生コンクリートを製造する。ミキサ２０の底部から、生コンクリートが積込ホッパ３０に排出される。積込ホッパ３０は、ミキサ２０の下方に配置されており、生コンクリートを一時的に収容する。積込ホッパ３０は、一時的に収容した生コンクリートを運搬車Ｃに供給する。

以上に説明した製造装置１０は、生コンクリートの製造装置の一例であり、生コンクリートの製造装置は、コンクリート材料を練り混ぜて、生コンクリートを製造可能であれば、どのように構成されていてもよい。例えば、製造装置１０は、集合ホッパ１６を備えていなくてもよく、計量瓶１４で計量された各種材料が、計量瓶１４からミキサ２０に供給されてもよい。

撮像装置５０は、コンクリート材料の１つである骨材を撮像することが可能な装置（カメラ）である。撮像装置５０は、骨材を撮像することで画像データを生成する。撮像装置５０は、例えば、可視光に基づき撮像範囲を撮像するデジタルカメラ又はビデオカメラである。撮像装置５０によって生成された画像データは、骨材の品質を予測する際に用いられる。骨材の品質の予測については、後述する。なお、撮像装置５０が撮像対象の動画を生成し、その動画に含まれる静止画が画像データとして取得されてもよい。

撮像装置５０は、撮像対象の骨材と離れた位置から、撮像対象の骨材を含む範囲を撮像するように配置されている。撮像装置５０は、撮像対象の骨材を含む範囲を上方から撮像してもよい。撮像装置５０は、積み重なった状態の骨材を含む範囲を撮像してもよい。積み重なった状態の骨材とは、鉛直上方から見て、骨材に含まれる一部の粒が、他の粒に重なっている状態の骨材をいう。撮像装置５０は、運搬装置８によって運搬されている骨材を撮像可能となるように配置されていてもよい。撮像装置５０は、運搬装置８に含まれるベルトコンベアが停止している状態、又は動いている状態で、運搬中の骨材を撮像してもよい。なお、撮像装置５０は、骨材の受け入れ時において、輸送トラック又は輸送船に積載された状態の骨材を撮像してもよい。撮像装置５０は、床又はゴムシートが準備された撮像室内に配置され、床等に載せられた骨材を撮像してもよい。

制御装置６０は、製造装置１０を制御する装置である。制御装置６０は、１つ又は複数のコンピュータによって構成される。制御装置６０が複数のコンピュータで構成される場合、これらのコンピュータは、互いに通信可能に接続される。制御装置６０は、設定された動作条件に従って製造装置１０を制御する。動作条件の少なくとも一部は、作業員等のオペレータからの指示によって定められてもよい。

制御装置６０には、入出力デバイス６２が接続されてもよい（図２参照）。入出力デバイス６２は、作業員等からの指示を示す情報を制御装置６０に入力すると共に、制御装置６０からの情報を作業員等に出力するためのデバイスである。入出力デバイス６２は、入力デバイスとして、キーボード、操作パネル、又はマウスを含んでいてもよく、出力デバイスとして、モニタ（例えば、液晶ディスプレイ）を含んでいてもよい。入出力デバイス６２は、入力デバイス及び出力デバイスが一体化されたタッチパネルであってもよい。制御装置６０及び入出力デバイス６２が一体化されていてもよい。

製造装置１０によって製造される生コンクリートの品質は、コンクリート材料の品質に影響を受けることが知られている。具体的には、生コンクリートの製造に用いられる骨材の粒度が、生コンクリートの流動性（例えば、スランプ、及びスランプフロー）に影響を及ぼす。例えば、同一の単位水量であれば、骨材の粒度が大きいほど、骨材の表面積が減少することで保水量が小さくなり、生コンクリートの流動性が大きくなり得る。反対に、骨材の粒度が小さいほど、骨材の表面積が増加することで保水量が大きくなり、生コンクリートの流動性が小さくなり得る。このように、生コンクリートの流動性を含む品質を安定化させるためには、骨材の粒度を管理する必要がある。骨材の粒度は、粗粒率で表すことができ、生コンクリートの品質の安定化を図るために、例えば、骨材の粗粒率が所望の範囲であるか否かを管理する必要がある。

制御装置６０は、製造装置１０に対する制御に加えて、製造装置１０による生コンクリートの製造に用いられる骨材の品質を予測するように構成されていてもよい。この場合、制御装置６０が、骨材の品質を予測する品質予測装置を構成する。品質予測装置として機能する制御装置６０は、製造装置１０が用いる骨材の少なくとも一部の粗粒率を予測する。

制御装置６０は、少なくとも、骨材を撮像して得られる画像データを含む入力情報と、当該入力情報に対応付けられた骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、入力情報の入力に応じて、複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力する予測モデルを構築する準備工程を実行するように構成されている。また、制御装置６０は、評価対象の骨材を撮像して得られる画像データを含み、入力情報に対応する評価情報を取得する取得工程と、評価情報を予測モデルに入力して、区分ごとの質量比率に関して予測モデルから出力される予測値を取得する第１予測工程と、予測値を骨材の粗粒率に換算する第２予測工程と、を実行するように構成されている。

制御装置６０は、機能上の構成（以下、「機能モジュール」という。）として、例えば、動作制御部６８と、モデル構築部７２と、モデル保持部７４と、品質予測部７６と、出力部７８とを有する。これらの機能モジュールが実行する処理は、制御装置６０が実行する処理に相当する。動作制御部６８は、上記動作条件に従って、生コンクリートを製造するように製造装置１０を制御する機能モジュールである。作業員等は、生コンクリートの目標品質に応じて、動作条件を調整（変更）してもよい。

モデル構築部７２は、骨材の粗粒率を予測するためのモデル（以下、「予測モデルＭ」という。）を構築する機能モジュールである。予測モデルＭは、骨材を撮像して得られる画像データを含む入力情報に応じて、少なくとも、複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力するモデルである。モデル構築部７２は、上記入力情報と、当該入力情報に対応付けられた粒度区分ごとの質量比率の正解値とに基づく機械学習により、予測モデルＭを構築する。

機械学習とは、機械（コンピュータ）が与えられた情報に基づいて反復的に学習することで、法則又はルールを自律的に見つけ出す手法をいう。予測モデルＭは、アルゴリズム及びデータ構造を用いて構築することができる。予測モデルＭは、例えば、人間の脳神経の仕組みを模した情報処理のモデルであるニューラルネットワークを用いて実現される。予測モデルＭを構築する際に行われる機械学習の具体的なアルゴリズムは特に限定されない。ニューラルネットワークは、入力層と、１層又は複数層の中間層と、出力層とを有する。１以上の中間層を含むことでより複雑な予測モデルＭを構築でき、予測精度を向上できる。

モデル構築部７２は、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）を用いた機械学習により予測モデルＭを構築してもよい。モデル構築部７２は、骨材の粗粒率の正解値と、骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、予測モデルＭを構築してもよい。モデル構築部７２によって構築される予測モデルＭは、上記入力情報に応じて、骨材の粗粒率を示す値と、複数の粒度区分に含まれる区分ごとの質量比率を示す値とを出力してもよい。すなわち、予測モデルＭは、骨材の粗粒率を示す１つの値と、複数の粒度区分について、それぞれが質量比率を示す複数の値とを出力してもよい。

モデル構築部７２は、例えば、機械学習の入力として与えられるデータと、機械学習の出力の正解データ（質量比率等の正解値）とを用いて機械学習を行うことで、粗粒率を予測するための予測モデルＭを自律的に構築してもよい。機械学習の入力は、骨材の画像を含む入力情報の種々のデータセットである。入力情報の種々のデータセットでは、入力情報に含まれる少なくとも画像データが互いに異なっている。機械学習の出力は、骨材の粗粒率及び粒度区分ごとの質量比率を示すデータ（数値）である。モデル構築部７２は、入力情報のデータセット及び質量比率等の正解値の複数の組合せを用いて、骨材の粗粒率と粒度区分ごとの質量比率との予測値を出力するモデルを反復的に学習する。

予測モデルＭを自律的に構築する段階は、学習フェーズに相当する。上記学習フェーズが、生コンクリートの製造を行う生産フェーズの前に行われてもよく、又は、生産フェーズの初期段階で行われてもよい。学習済みのモデルである予測モデルＭは、コンピュータ間で移植可能であってもよい。従って、制御装置６０において構築された予測モデルＭが、製造システム１とは異なる他の製造システムで用いられてもよい。

モデル保持部７４は、予測モデルＭを保持（記憶）する機能モジュールである。品質予測部７６は、骨材の粗粒率を予測する機能モジュールである。以下、粗粒率の予測が行われる対象の骨材を「評価対象の骨材」と称する。品質予測部７６は、評価対象の骨材を撮像して得られる画像データを含み、上記入力情報に対応する情報（以下、「評価情報」という。）を取得する。上記入力情報が粒度区分ごとの質量比率の正解値に対応付けられていたのに対して、評価情報は、質量比率が未知な情報である。品質予測部７６が、予測モデルＭを用いて骨材の粗粒率を予測する段階は、評価フェーズに相当する。

品質予測部７６は、評価情報を予測モデルＭに入力して、粒度区分ごとの質量比率に関して予測モデルＭから出力される予測値を取得する。すなわち、品質予測部７６は、複数の粒度区分について、それぞれが質量比率の値を示す複数の予測値を予測モデルＭから取得する。また、品質予測部７６は、上記評価情報を予測モデルＭに入力して、骨材の粗粒率に関して予測モデルＭから出力される予測値を更に取得する。品質予測部７６は、粒度区分ごとの質量比率に関する予測値（複数の予測値）を、粗粒率に換算する。異なる２つの方法で、予測モデルＭを用いた粗粒率の予測が行われることで、粗粒率の予測値の信頼性を評価することができる。

出力部７８は、少なくとも、予測モデルＭから出力される、粒度区分ごとの質量比率に関する予測値を粗粒率に換算して得られる値を、粗粒率の予測結果として出力する機能モジュールである。出力部７８は、予測モデルＭから出力される骨材の粗粒率に関する予測値を、粗粒率の予測結果として更に出力してもよい。出力部７８は、粗粒率の予測結果を入出力デバイス６２の出力デバイス（例えば、モニタ）に出力することで、予測結果を作業員等に報知してもよい。

図２に示されるように、制御装置６０は、回路９１を有する。回路９１は、１以上のプロセッサ９２と、メモリ９３と、ストレージ９４と、入出力ポート９５と、タイマ９６とを含む。ストレージ９４は、例えば不揮発性の半導体メモリ等、コンピュータによって読み取り可能な記憶媒体を有する。ストレージ９４は、予め設定された制御手順で製造装置１０を制御することを制御装置６０に実行させるためのプログラム、及び、予め設定された予測手順で骨材の粗粒率を予測することを制御装置６０に実行させるためのプログラムを記憶している。例えばストレージ９４は、上述した各機能モジュールを構成するためのプログラムを記憶している。

メモリ９３は、ストレージ９４の記憶媒体からロードしたプログラム及びプロセッサ９２による演算結果を一時的に記憶する。プロセッサ９２は、メモリ９３と協働して上記プログラムを実行することで、制御装置６０の各機能モジュールを構成する。入出力ポート９５は、プロセッサ９２からの指令に従って、製造装置１０、撮像装置５０、及び入出力デバイス６２等との間で電気信号の入出力を行う。タイマ９６は、例えば一定周期の基準パルスをカウントすることで経過時間を計測する。なお、回路９１は、必ずしもプログラムにより各機能を構成するものに限られない。例えば回路９１は、専用の論理回路又はこれを集積したＡＳＩＣ（Application Specific Integrated Circuit）により少なくとも一部の機能を構成してもよい。

［生コンクリートの製造方法］
続いて、製造システム１において実行される生コンクリートの製造方法の一例について説明する。生コンクリートの製造方法は、生コンクリートを製造する工程と、骨材の品質を予測する工程とを含む。生コンクリートを製造する工程が実行されている期間の少なくとも一部と重複する期間において、骨材の品質を予測する工程が実行されてもよい。

生コンクリートを製造する工程（以下、「製造工程」という。）は、例えば、搬送工程と、計量工程と、投入工程と、練混ぜ工程と、排出工程と、積込工程とを含む。搬送工程では、運搬装置８によって、各種のコンクリート材料が貯蔵瓶１２まで搬送されて、貯蔵瓶１２に各種材料が個別に供給される。計量工程では、貯蔵瓶１２から計量瓶１４に各種材料が個別に供給され、計量瓶１４において各種材料が計量される。計量工程では、材料ごとに、計測量が所定の設定量に達した場合に、その材料が集合ホッパ１６に排出される。

投入工程では、集合ホッパ１６に全ての種類の材料が集約された後に、集合ホッパ１６内の材料がミキサ２０に投入（供給）される。練混ぜ工程では、ミキサ２０において複数種のコンクリート材料が練り混ぜられる。排出工程では、ミキサ２０においてコンクリート材料の練混ぜが終了した後に、ミキサ２０から積込ホッパ３０に生コンクリートが排出される。積込工程では、積込ホッパ３０内に排出された生コンクリートが、運搬車Ｃに積み込まれる。

骨材の品質を予測する工程（以下、「品質予測工程」という。）は、学習フェーズでのモデル構築工程と、評価フェーズでの品質評価工程とを含む。品質予測工程（品質予測方法）において、モデル構築工程は、品質評価工程の前に実行される。以下、モデル構築工程の一例と、品質評価工程の一例とについて説明する。なお、骨材の品質として、粗骨材の粗粒率が予測され、上記入力情報には、骨材の画像データのみが含まれる場合を例に説明する。また、予測モデルＭが、粗粒率の予測値と、粒度区分ごとの質量比率の予測値と、を出力する場合の具体例を用いて説明を行う。

（モデル構築工程）
図３（ａ）は、モデル構築工程において実行される一連の処理の一例を示すフローチャートである。このモデル構築工程は、製造装置１０での上記製造工程が実行される前、又は、上記製造工程が開始された初期段階において実行されてもよい。このモデル構築工程では、製造装置１０において生コンクリートの製造に用いられる粗骨材の一部が抽出されて、その粗骨材の一部が「学習用の粗骨材」として用いられてもよい。

モデル構築工程では、最初にステップＳ１１が実行される。ステップＳ１１では、例えば、作業員等によって、機械学習を行うための学習用のデータが準備される。学習用のデータは、学習用の粗骨材を撮像して得られる各種の画像データ（入力情報）と、各種の画像データそれぞれに対応付けられた正解データとを含む。図４（ａ）には、入力情報である画像Ｉｍから、予測モデルＭを用いて粗粒率を予測する演算方法が模式的に示されている。

本開示では、図４（ａ）に示されるように、予測モデルＭが、粒度区分ごとの質量比率、及び粗粒率の２種類の情報を出力することを、「マルチタスク」と称する。また、粒度区分ごとの質量比率、及び粗粒率のいずれか一方の情報を予測モデルＭが出力することを、「シングルタスク」と称する。図４（ａ）では、マルチタスクを実行する予測モデルＭを用いて、２種類の方法で粗粒率が予測される演算方法が例示されている。

学習用の画像の準備では、例えば、複数の粒度区分ごとの質量比率、及び粗粒率が既知である各種粗骨材が、作業員等によって準備される。各種粗骨材とは、粗骨材（例えば、砕石）の品種が異なることではなく、粒度が互いに異なる粗骨材であることを意味する。そして、図４（ｂ）に示されるように、例えば、計測用のシート８ａ上に積み重ねられた状態で、学習用の各種粗骨材がカメラ５２によって個別に撮像される。これにより、各種の粗骨材それぞれについて、学習用の画像データが得られる。カメラ５２は、デジタルカメラであってもよく、計測用のシート８ａ上の粗骨材から離れた所定位置（例えば、上方の所定位置）から、粗骨材を含む範囲を撮像するように設けられる。

シート８ａは、運搬装置８のベルトコンベアを模して形成されたシートであってもよく、例えば、ゴムシートである。シート８ａの横幅は、運搬装置８のベルトコンベアの横幅の半分程度であってもよい。シート８ａに載せられる骨材の量は、特に限定されないが、１ｋｇ～１０ｋｇ程度であってもよい。図４（ｂ）では、シート８ａ上で骨材が堆積した様子が模式的に例示されており、骨材の量が２ｋｇ、５ｋｇ、及び８ｋｇである場合の堆積状態がそれぞれ示されている。

一例では、下記の表１に示される条件で各種粗骨材が準備され、粗骨材を撮像して得られる画像が取得される。表１に示される条件で準備された各種粗骨材における粒度区分ごとの質量比率、及び粗粒率は既知であり、その既知の値が機械学習における正解データである。

粗粒率（Ｆ．Ｍ．）は、例えば、コンクリート標準仕方書で規定される下記の式（１）によって求められる。なお、「建築工事標準仕様書・同解説 ＪＡＳＳ５ 鉄筋コンクリート工事」に規定される計測では、式（１）における８０ｍｍを除いた９個のふるいが用いられる。本開示で予測される粗粒率は、いずれの方式によって規定されるものであってもよい。

表１においては、１０水準の粒度（粗粒率）の粗骨材が準備されることを意味する。区分Ｉは、２．５ｍｍよりも小さい粒の粒度区分を表す。区分Ｉには、２．５ｍｍのふるいを通過する粒が分けられる。区分ＩＩは、２．５ｍｍ以上、且つ５ｍｍよりも小さい粒の粒度区分を表す。区分ＩＩには、２．５ｍｍのふるいにとどまるが、５ｍｍのふるいを通過する粒が分けられる。区分ＩＩＩは、５ｍｍ以上、且つ１０ｍｍよりも小さい粒の粒度区分を表す。区分ＩＩＩには、５ｍｍのふるいにはとどまるが、１０ｍｍのふるいを通過する粒が分けられる。区分ＩＶは、１０ｍｍ以上、且つ２０ｍｍよりも小さい粒の粒度区分を表す。区分ＩＶには、１０ｍｍのふるいにはとどまるが、２０ｍｍのふるいを通過する粒が分けられる。

水準１に関して、粒度区分ごとの質量比率（区分Ｉ～ＩＶそれぞれの質量比率）から、粗粒率が以下のように求められる。水準１の粗骨材では、８０ｍｍ、４０ｍｍ、及び２０ｍｍのふるいにとどまる試料の質量の百分率が、それぞれ０であり、１０ｍｍのふるいにとどまる試料の質量の百分率が８５であり、５ｍｍのふるいにとどまる試料の質量の百分率が１００（＝１５＋８５）である。また、５ｍｍのふるいに全ての粒がとどまるので、２．５ｍｍ、１．２ｍｍ、６００μｍ、３００μｍ、及び１５０μｍのふるいにとどまる試料の質量の百分率が、それぞれ１００である。そのため、粗粒率は、下記の式（２）のように演算される。

水準２～１０に関しても、水準１での上記演算と同様にして粗粒率が求められる。なお、表１に示される学習用の骨材の条件は、あくまで一例であり、水準の個数、各水準での粗粒率及び粒度区分ごとの質量比率、及び粒度区分の設定方法は、作業員等によって、任意に決定されてもよい。表１に示される複数の粒度区分のように、最小の区分（＜１５０μｍ）を含む複数の区分での粒度が、１つの粒度区分にまとめられてもよい。ある区分（例えば、２０～４０ｍｍ）以上での粒度が、複数の粒度区分に含まれていなくてもよい。また、表１の設定方法と異なるが、ある区分（例えば、１．２～２．５μｍ）以下での粒度が、複数の粒度区分に含まれていなくてもよい。

図５には、表１における水準１～１０それぞれの条件に従って準備された学習用の骨材を撮像して得られる画像Ｔ１～Ｔ１０が示されている。水準ｎ（ｎは、１～１０の整数）が、画像Ｔｎに対応する。例えば、水準１に従って準備された学習用の骨材を撮像して画像Ｔ１が得られている。各水準ｎに従った学習用の骨材では、複数の粒度区分の粒が含まれている。このように、ステップＳ１１では、２以上の粒度区分の粒が含まれるように学習用の骨材が準備され、当該学習用の骨材を撮像して得られる画像データを含む入力情報が準備されてもよい。

各水準ｎに関して、学習用の骨材の状態（より詳細には、堆積状態）が互いに異なる複数の画像Ｔｎが準備されてもよい。一例では、計測用のシート８ａ上に学習用の骨材が載せられた状態で、１回目の撮像が行われることで、１つの画像Ｔｎが取得される。そして、学習用の骨材がシート８ａの上から一時的に取り除かれて、多数の粒同士の堆積状態が１回目の撮像時と異なるように、シート８ａ上に再度、同じ学習用の骨材が載せられる。そして、２回目の撮像が行われる。作業員等によって、上記のような撮像が繰り返されることで、各水準ｎに関して複数の画像Ｔｎが準備されてもよい。

作業員等は、準備した画像データ及び正解データを、入出力デバイス６２を介して制御装置６０に入力してもよい。１つの画像Ｔｎと、その画像Ｔｎに対応付けられた水準ｎでの質量比率及び粗粒率の正解データとによって、１つのデータセットが構成される。作業員等は、複数のデータセットを学習用のデータとして準備する。

図３（ａ）に戻り、ステップＳ１１の実行後に、ステップＳ１２が実行される。ステップＳ１２では、例えば、制御装置６０のモデル構築部７２が、ステップＳ１１で準備された画像データ、及び当該画像データに紐付けられた正解データを用いた機械学習を行うことで、予測モデルＭを構築する。予測モデルＭは、４つの粒度区分に関する４つの質量比率の値と、粗粒率に関する１つの値とを出力するように構築されてもよい（図４（ａ）も参照）。予測モデルＭから出力される４つの質量比率の値を、上記の式（２）のように換算することで、粗粒率の予測値が得られる。

このように、予測モデルＭは、マルチタスクを行うモデルであってもよい。予測モデルＭがマルチタスクを行うモデルである場合、異なる手法によって、２つの粗粒率の予測値が得られる。この場合、例えば、粗粒率の予測値の信頼性を評価することができる。一例では、粗粒率に関する２つの予測値同士の差が小さい場合に、予測結果の信頼性が高いと評価することができる。

以下、予測モデルＭの一例について、理解を容易にするために簡素化された数式を用いて説明する。モデル構築部７２によって構築される予測モデルＭは、例えば、次の式（３）及び式（４）のように簡易的に表すことができる。

式（４）において、Ｙは、ｙ１～ｙ５のいずれか１つを表し、予測モデルＭではｙ１～ｙ５のそれぞれについて式（４）が演算される。ｙ１～ｙ５は、粒度区分ごとの質量比率、及び粗粒率を表す出力データである。ｙ１、ｙ２、ｙ３、及びｙ４が、４つの粒度区分それぞれの質量比率の出力値である場合、ｙ５は、粗粒率の出力値である。Ｎは、２以上の整数であり、入力データの個数を表す。入力データには、少なくとも、骨材の画像における各画素の値が含まれる。ｗｉは、重み（係数）であり、ｂは、バイアス項（係数）である。ｆ（Ｕ）は、活性化関数を表す。活性化関数は、線形関数（恒等関数）、又は多項式、絶対値、step関数、sigmoid関数、hardsigmoid関数、logsigmoid関数、softmax関数、logsoftmax関数、softmin関数、softplus関数、softsign関数、tanh関数、tanhShrink関数、hardtanh関数、tanhexp関数、ReLU関数、ReLU6関数、Leaky-ReLU関数、PReLU関数、ELU関数、SELU関数、CELU関数、Swith関数、Mish関数、ACON関数、などの非線形関数である。

モデル構築部７２は、学習用のデータを用いて、式（４）における重みｗｉとバイアス項ｂとを定めることで、ｙ１～ｙ５の値を出力する予測モデルＭを構築する。モデル構築部７２は、次の式（５）及び式（６）で示される演算を繰り返すことで、重みｗｉを決定する。

式（５）において、ｙｊ（ｊは、１～５のいずれかの整数）は、更新中の重みｗｉで規定されるモデルの出力であり、ｔｊは、質量比率又は粗粒率の正解値である。Ｅ及びＥｊは、出力ｙｊと正解値ｔｊとの差を表す誤差である。式（６）において、ｗ’は、更新後の重みｗを表す。式（５）及び式（６）の演算を繰り返すことは、重みｗにある値が入力されているときの出力ｙｊの値と正解値ｔｊとの二乗誤差の総和を算出し、勾配法により、誤差が最小となるように重みｗの値を更新することを意味する。重みｗの更新を繰り返す回数は、作業員等によって定められてもよい。勾配法としては、例えば、最急降下法、確率的勾配降下法（SGD）、ミニバッチ勾配降下法、Adam、ネステロフの加速法（NAG）、AdaGrad、RMSprop、Adadelta、Adam、Adamax、AMSGRAD、Momentumを用いることができる。

式（３）～式（６）を用いた予測モデルＭの説明は、ディープニューラルネットワークに係る一般的な説明である。ディープニューラルネットワークとしては、例えば、畳み込みニューラルネットワーク、回帰型ニューラルネットワーク、再帰型ニューラルネットワークが挙げられる。本実施形態に係る骨材の品質予測方法では、例えば、畳み込みニューラルネットワークを用いることが好ましい。これは、画像データを含む入力情報を用いる場合、重みの更新に際して、畳み込みニューラルネットワークは、通常のディープニューラルネットワークに対して有利なためである。通常のディープニューラルネットワークであれば、画像データのように大量の情報を含む場合、重みを計算する箇所が非常に多くなってしまう。一方、畳み込みニューラルネットワークであれば、フィルタを用いて重みを共有できるため、重みの更新が簡素化される。このように、畳み込みニューラルネットワークを用いると、より好適に画像の特徴を捉えることが可能となる点で好ましい。

ステップＳ１２の実行後に、ステップＳ１３が実行される。ステップＳ１３では、例えば、モデル保持部７４が、ステップＳ１２で構築された予測モデルＭを記憶する。以上により、モデル構築工程が終了する。

（品質評価工程）
図３（ｂ）は、品質評価工程において実行される一連の処理の一例を示すフローチャートである。この品質評価工程は、例えば、製造装置１０での上記製造工程が実行されている期間に行われる。

この品質評価工程では、最初に、制御装置６０がステップＳ２１を実行する。ステップＳ２１では、例えば、品質予測部７６が、計測タイミングとなるまで待機する。計測タイミングは、１日のうちのある時刻に予め定められてもよく、作業員等のオペレータからの指示を受けたタイミングであってもよい。計測タイミングとなった場合に、材料置場２から粗骨材が運搬装置８に載せられるように、制御装置６０が制御を実行してもよい。なお、粗骨材が運搬装置８に運搬されているタイミングに合わせて、計測タイミングが設定されもよい。

次に、制御装置６０は、ステップＳ２２を実行する。ステップＳ２２では、例えば、品質予測部７６が、撮像装置５０に評価対象の骨材の撮像を実行させ、撮像装置５０から画像データを取得する。これにより、品質予測部７６は、評価対象の骨材を撮像して得られる画像データを含む評価情報を取得する。一例では、評価情報は、評価対象の骨材を撮像して得られる画像データのみを含む。ステップＳ２２では、例えば、評価対象の骨材が運搬装置８のベルトコンベア上において積み重なった状態で、撮像装置５０が、評価対象の骨材とは離れた上方の位置から評価対象の骨材を含む範囲を撮像する。

次に、制御装置６０は、ステップＳ２３を実行する。ステップＳ２３では、例えば、品質予測部７６が、ステップＳ２２で取得した画像データ（評価情報）と、モデル保持部７４が保持する予測モデルＭとに基づいて、評価対象の粗骨材の粗粒率を予測する。一例では、品質予測部７６は、ステップＳ２２で取得した画像データを予測モデルＭに入力して、予測モデルＭから直接出力される粗粒率に関する出力値を取得する。また、品質予測部７６は、上記画像データを予測モデルＭに入力して、予測モデルＭから直接出力される粒度区分ごとの質量比率に関する出力値を取得する。そして、品質予測部７６は、粒度区分ごとの質量比率に関する出力値を粗粒率に換算することで、粗粒率の予測値を間接的に取得する。

次に、制御装置６０は、ステップＳ２４を実行する。ステップＳ２４では、例えば、出力部７８が、ステップＳ２３で取得された、粗粒率に関する２つの予測結果を出力する。一例では、出力部７８は、粗粒率に関する２つの予測結果を入出力デバイス６２のモニタ上に表示させる。これにより、作業員等が、粗粒率に関する予測結果を確認できる。粗粒率の予測結果を確認した作業員等は、粗粒率が所定範囲から外れている場合に、生コンクリートの品質を保つための処置（例えば、骨材の粒度の調整、配合の修正、製造の一時中断、原因の追究等）を行ってもよい。

以上により、１回の粗粒率の予測を行う一連の処理が終了する。制御装置６０は、ステップＳ２４の実行後において、ステップＳ２１～Ｓ２４の一連の処理を繰り返してもよい。上述の例では、計測タイミングごとに粗粒率の予測が行われるが、運搬装置８により運搬中の骨材を連続的に撮像して、生コンクリートの製造に用いられる骨材に対して全数検査が行われてもよい。

上述した品質予測方法は、生コンクリートの製造工程（製造ライン）において、生コンクリートの原料（材料）の全数検査を行って品質安定化を図ること以外に、抜き取りによる品質試験の代用としても利用可能である。抜き取りによる品質試験としては、例えば、原料受け入れ時の検査である受入検査、生コンクリートの各製造工程における検査である工程検査が挙げられる。抜き取りによる品質試験は、安定した品質の生コンクリートを供給するために、日常的に行われている。従来、抜き取りによる品質試験によって粗粒率を測定する場合、例えば、粗骨材をふるい分けし、その質量比率から粗粒率を算出する。日常的な品質試験に対して、本実施形態に係る骨材の品質予測方法を適用すれば、品質予測試験の時間を大幅に短縮でき、例えば、１日における品質予測試験の頻度を増加させることができる。これにより、より安定した品質の生コンクリートを供給することが可能になる。本実施形態に係る骨材の品質予測方法を用いて、抜き取りによる品質試験を行う場合、例えば、抜き取った骨材をゴムシートの上に堆積させ、その上から撮像装置５０によって画像データを生成することができる。なお、本実施形態に係る骨材の品質予測方法を受入検査に用いる場合、例えば、輸送トラック、輸送船に撮像装置５０を取り付け、輸送中に品質予測を行うことも可能である。

［予測モデルを用いた予測方法の検証］
以下では、畳み込みニューラルネットワークを用いた機械学習による予測モデルＭを用いた粗粒率の予測方法を検証するために、正解値が既知であるデータセットを用いて、予測モデルＭによる予測結果と正解値との比較検証を行った。学習用の骨材は、上述の表１の条件に従って、粗粒率が互いに異なる１０水準の骨材を準備した。１つの水準ごとに、計測用のシート８ａ上での骨材の状態が互いに異なる状態で、室内において１０回の撮像を行って１０個の画像を取得した。

また、下記の表２に示す基準条件に従って、合計１００枚の画像（１０水準×１０回の撮像）を準備した。これにより、学習用のデータとして、それぞれのデータセットにおいて画像と正解値とが対応付けられた１００個のデータセットを準備した。

１００個のデータセットのうちの８０個のデータセットを用いて、上記予測モデルＭを構築し、２０個のデータセットを検証に用いた。具体的には、各水準において、８個のデータをモデル構築に使用し、２個のデータセットを検証に使用した。２０個のデータセットを用いた検証では、データセットごとに、画像と予測モデルＭとを用いて演算された２つの予測結果と、当該画像に対応付けられた粗粒率等の正解値とを比較した。予測モデルＭは、畳み込み層とプーリング層から構成される中間層を６層設けたのち、４層の全結合層を設けた畳み込みニューラルネットワークにより構成した。また、損失関数にはHuber関数を使用した。なお、それぞれのデータセットでは、ImageAugmentation層により画像の数を増加させた。

図６（ａ）は、上記表１での区分ＩＩＩ及び区分ＩＶにおける質量比率（％）の予測値と、対応する質量比率（％）の正解値との関係を示すグラフである。図６（ａ）に示されるグラフにおいて、横軸が質量比率の正解値であり、縦軸が、予測モデルＭから出力される質量比率の予測値である。区分ＩＩＩ（５ｍｍ～１０ｍｍ）での予測結果が△印でプロットされており、区分ＩＶ（１０ｍｍ～２０ｍｍ）での予測結果が〇印でプロットされている。正解値と予測値とが一致する実線のラインが描かれており、プロットされた結果が、そのラインに近いほど、予測精度が高いことを意味する。図６（ａ）に示される結果から、上記ラインの近傍に予測結果がプロットされており、予測モデルＭにより、質量比率を精度良く予測できていることがわかる。

図６（ｂ）は、予測モデルＭから出力される粗粒率の予測値と、粗粒率の正解値との関係を示すグラフである。図６（ｂ）に示されるグラフにおいて、横軸が粗粒率の正解値であり、縦軸が、予測モデルＭから出力される粗粒率の予測値である。予測結果が□印でプロットされている。実線のラインは、正解値と予測値とが一致するラインであり、そのラインから＋０．１０だけ縦方向にずれた破線の上限ラインと、－０．１０だけ縦方向にずれた下限ラインとが描かれている。上限ラインと下限ラインとの間の領域に含まれる予測結果が、許容範囲内と定義している。現行の生コンクリート工場において許容されている粗粒率の誤差を参考に、±０．１０の範囲を許容範囲として設定した。予測モデルＭを用いた予測結果の全てが、許容範囲に含まれており、予測モデルＭにより、粗粒率を精度良く予測できていることがわかる。

以下では、学習用データを準備する際の各種要因が、予測モデルＭによる予測に与える影響を検証した。具体的には、照明の有無、画像サイズ、粗骨材の量、及び骨材表面の水分状態のうちの少なくとも１つの要因を、表２に示される基準条件から変更して、学習用データを準備した。そして、条件ごとに、対応する学習用データから予測モデルＭを構築したうえで、対応する検証用データを用いて、予測モデルＭによる予測精度を評価した。

図７（ａ）及び図７（ｂ）に示されるグラフの間では、照明の有無が異なっている。室内灯のみで撮像した場合（照明なしの場合）の比較結果が、図７（ａ）に示されており、室内灯に加えてＬＥＤ照明を撮像対象に当てて撮像した場合（照明ありの場合）の比較結果が、図７（ｂ）に示されている。さらに、照明の有無がいずれの場合でも、粗骨材の量が、２ｋｇ、５ｋｇ、及び８ｋｇである場合のそれぞれについて検証した。

予測値が、正解値に対してどの程度外れているかを示す指標として、絶対差平均値を算出した。絶対差平均値は、２０個の検証用データセットにおける正解値と予測値との差分の絶対値の算術平均である。図７（ａ）及び図７（ｂ）に示されるグラフにおいて、「直接予測」は、予測モデルＭから直接出力される粗粒率の出力値に関する検証結果を表す。「間接予測」は、予測モデルＭから出力される粒度区分ごとの質量比率の出力値を換算して、間接的に得られる粗粒率の予測値に関する検証結果を表す。

縦軸が、絶対差平均値を表し、「Ｔｇ」は目標値であることを表す。絶対差平均値が目標値Ｔｇ（０．１０）以下である場合に、予測モデルＭを用いた予測の精度が良いと評価できる。図７（ａ）及び図７（ｂ）に示されるように、粗骨材の量が、２ｋｇ、５ｋｇ、及び８ｋｇのいずれであっても、また、直接予測及び間接予測のいずれであっても、照明の有無に関係なく、絶対差平均値は目標値Ｔｇ以下であった。そのため、照明の有無が、予測モデルＭによる予測の精度に与える影響は小さいものと考えられる。

図８（ａ）及び図８（ｂ）に示されるグラフの間では、予測方法が異なっている。予測モデルＭによる予測のうちの直接予測を用いた場合の比較結果が、図８（ａ）に示されており、予測モデルＭによる予測のうち間接予測を用いた場合の比較結果が、図８（ｂ）に示されている。図８（ａ）及び図８（ｂ）に示されるように、粗骨材の量が、２ｋｇ、５ｋｇ、及び８ｋｇのいずれであっても、また、照明の有無のいずれであっても、直接予測及び間接予測のどちらの方法を用いたのかに関係なく、絶対差平均値は目標値Ｔｇ以下であった。そのため、直接予測及び間接予測の選択結果が、予測モデルＭによる予測の精度に与える影響は小さいものと考えられる。

図９（ａ）及び図９（ｂ）に示されるグラフそれぞれでは、粗骨材の量を変化させて検証が行われている。直接予測を利用し、粗骨材の量を変化させた場合の比較結果が、図９（ａ）に示されており、間接予測を利用し、粗骨材の量を変化させた場合の比較結果が、図９（ｂ）に示されている。図９（ａ）及び図９（ｂ）に示されるように、直接予測及び間接予測のいずれであっても、また、照明の有無のいずれであっても、粗骨材の量に関係なく、絶対差平均値は目標値Ｔｇ以下であった。そのため、粗骨材の量が、予測モデルＭによる予測の精度に与える影響は小さいものと考えられる。

図１０（ａ）及び図１０（ｂ）に示されるグラフそれぞれでは、画像サイズを変化させて検証が行われている。直接予測を利用し、画像サイズを変化させた場合の比較結果が、図１０（ａ）に示されており、間接予測を利用し、画像サイズを変化させた場合の比較結果が図１０（ｂ）に示されている。各グラフにおいて、横軸は、画像サイズ比を表しており、表２における基準条件での画像サイズを１としている。画像サイズの下限は、画像から骨材を人が視認できる範囲で設定されている。図１０（ａ）及び図１０（ｂ）に示されるように、直接予測及び間接予測のいずれであっても、また、骨材の量が２ｋｇ、５ｋｇ、及び８ｋｇのいずれであっても、画像サイズ比に関係なく、絶対差平均値は目標値Ｔｇ以下であった。そのため、画像サイズ（ピクセル数、又は解像度）が、予測モデルＭによる予測の精度に与える影響は小さいものと考えられる。

図１１（ａ）及び図１１（ｂ）に示されるグラフそれぞれでは、骨材表面の水分状態を異ならせて行われた検証結果が示されている。この検証における「気乾状態」は、学習用の骨材を室内に所定時間だけ放置して乾燥（自然に乾燥）された状態である。また、「湿潤状態」は、学習用の骨材に、当該骨材の質量に対して所定比（例えば、質量比で１％～５％）の水を加えて、容器内に混ぜ合わせた状態である。図１１（ａ）及び図１１（ｂ）に示される結果から、気乾状態であれば、絶対差平均値が目標値Ｔｇ以下であり、予測モデルＭにより精度良く予測できることがわかる。なお、湿潤状態で得られる骨材の画像では、照明なしの場合、気乾状態に比べて、全体的に色むらがあり、骨材の各粒子の縁がぼやけて見えていた。また、湿潤状態で得られる骨材の画像では、照明ありの場合、気乾状態に比べて、表面水の反射により白く見える骨材の粒子が含まれていた。

［変形例］
図１１（ａ）に示されるように、直接予測が採用され、粗骨材の量が５ｋｇ及び８ｋｇである場合に、絶対差平均値が目標値Ｔｇを超えている。図１１（ｂ）に示されるように、間接予測が採用され、粗骨材の量が８ｋｇである場合に、絶対差平均値が目標値Ｔｇを超えている。このように、湿潤状態では、粗骨材の量によって、予測精度が低下する可能性があることがわかる。湿潤状態での予測精度の低下を回避するために、予測モデルＭからの出力される粒度区分ごとの質量比率の値から、粗粒率への変換方法を変更してもよい。

モデル構築部７２は、予測モデルＭから出力される粒度区分ごとの質量比率に関する予測値を補正することと、補正後の予測値（補正して得られる予測値）を骨材の粗粒率に換算することと、を実行してもよい。具体的には、モデル構築部７２は、以下の第１補正を行ってもよい。第１補正では、モデル構築部７２は、粒度区分ごとに、予測モデルＭから出力された予測値が０よりも小さい場合には、補正後の予測値を０とするように補正を行い、予測モデルＭから出力された予測値が０以上である場合には、当該予測値をそのまま補正後の予測値とするように補正を行う。

モデル構築部７２は、以下の第２補正を行ってもよい。第２補正では、モデル構築部７２は、粒度区分ごとの補正後の予測値の合計が１００％となるように、粒度区分ごとに補正後の予測値を算出する。具体的には、モデル構築部７２は、第２補正では、区分ごとの質量比率の値を第２補正前の質量比率の総和で除算する。モデル構築部７２は、上記第１補正を行った後に、上記第２補正を行ってもよい。すなわち、モデル構築部７２は、第２補正を実行する際には、第１補正後に得られた予測値に対して第２補正を行ってもよい。粒度区分ごとの質量比率に関する補正後の予測値から粗粒率への換算は、上記式（２）での演算と同様に実行される。

具体的な数値を用いて、上記第１補正及び第２補正について更に説明する。表１に示される水準３の画像データを予測モデルＭに入力して、補正した場合の演算例を、下記の表３に示す。

表２において、「補正前」は、予測モデルＭから出力された値を表し、「第１補正」は、補正前の値に対して第１補正を施して得られる値を表し、「第２補正」は、第１補正後の値に対して第２補正を施して得られる値を表す。補正前の値では、区分ＩＩの質量比率の値がマイナスであり、質量比率の合計が１００を超えている。第１補正及び第２補正を施すことで、マイナスの値が０となり、質量比率の合計が１００となっている。補正前の粗粒率への換算値が６．９５であるのに対して、第１補正及び第２補正を施した後での粗粒率への換算値が６．７５となっている。粗粒率への換算では、マイナスの値はそのまま加算しており、区分Ｉ以下では、各ふるいにとどまる試料の百分率は、１００と仮定している。各区分の質量比率を区分の名称で表すと、粗粒率は、｛（区分ＩＶ）＋（区分ＩＶ＋区分ＩＩＩ）＋（区分ＩＶ＋区分ＩＩＩ＋区分ＩＩ）＋（区分ＩＶ＋区分ＩＩＩ＋区分ＩＩ＋区分Ｉ）＋１００×３}／１００を演算することで求められる。

図１２には、予測モデルＭからの質量比率の予測値を、粗粒率に換算する過程で上記第１補正及び第２補正を行ったこと以外については、図１１（ｂ）に示される検証結果と同じ条件で検証を行った結果が示されている。図１２に示されるように、気乾状態及び湿潤状態の双方において、絶対差平均値が目標値Ｔｇ以下である結果が得られている。すなわち、湿潤状態においても、第１補正及び第２補正を施して、粗粒率への換算を行うことで、精度良く粗粒率を予測できることがわかる。なお、モデル構築部７２は、第１補正及び第２補正のいずれか一方を行ったうえで、質量比率の予測値から粗粒率への換算を行ってもよい。

モデル構築部７２は、画像データを含む入力情報に応じて、粒度区分ごとの質量比率を示す値（複数の粒度区分での質量比率を示す複数の値）のみを出力するように、予測モデルＭを構築してもよい。すなわち、予測モデルＭは、シングルタスクを行うモデルであってもよい。この場合、予測モデルＭを構築するための学習用データでは、画像データを含む入力情報に対して、粒度区分ごとの質量比率の正解値のみが対応付けられている。

モデル構築部７２は、上記式（４）に代えて、次の式（７）に示される予測モデルＭを構築してもよい。式（７）に示される予測モデルＭでは、式（４）と同様に、ｙ１～ｙ４がそれぞれ算出される。

モデル構築部７２は、予測モデルＭを生成するための重みｗを更新する過程において、上記式（５）に代えて、次の式（８）で示される演算を繰り返してもよい。

以上に説明した種々の予測モデルは一例であり、予測モデルは、骨材の画像データを含む情報から、少なくとも、複数の粒度区分それぞれについての質量比率に関する複数の予測値を出力可能であれば、どのようなモデルであってもよい。学習フェーズにおいて、運搬装置８上の骨材が撮像されて、学習用の画像（学習用データ）が準備されてもよい。予測モデルに入力される入力情報及び評価情報には、骨材の画像データに加えて、粗粒率に影響を及ぼし得る物理量を示す情報が含まれていてもよい。

製造システム１は、製造装置１０を制御するコンピュータと、骨材の粗粒率を予測するコンピュータ（品質予測装置）とを備えてもよい。骨材の粗粒率を予測するコンピュータは、モデル構築部７２、モデル保持部７４、品質予測部７６、及び出力部７８を有してもよい。以上に説明した種々の例のうちの１つの例において、他の例で説明した事項の少なくとも一部が適用されてもよい。

［本開示のまとめ］
以上に説明した品質予測方法は、骨材を撮像して得られる画像データを含む入力情報と、当該入力情報に対応付けられた骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、入力情報の入力に応じて、複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力する予測モデルＭを構築する準備工程と、評価対象の骨材を撮像して得られる画像データを含み、入力情報に対応する評価情報を取得する取得工程と、評価情報を予測モデルＭに入力して、区分ごとの質量比率に関して予測モデルＭから出力される予測値を取得する第１予測工程と、上記予測値を骨材の粗粒率に換算する第２予測工程と、を含む。

骨材の粗粒率が、骨材を含むコンクリート材料を練り混ぜて製造される生コンクリートの品質に影響する。例えば、生コンクリートの業界では、品質管理業務の内、フレッシュ性状試験といった工程検査に労力を使用しているという事情がある。そのため、生コンクリート製造の高効率化を図るため、品質管理を省力化することが望まれている。上記品質予測方法では、機械学習により構築された予測モデルＭを用いて骨材の粗粒率を予測するので、生コンクリートの製造に用いられる骨材の粗粒率を検査するための作業の簡素化を図ることができる。その結果、検査頻度を増やすことができるので、又は、粗粒率の管理とは異なる品質管理業務に労力を使えるので、生コンクリートの品質の安定化に有用である。

以上に説明した品質予測方法において、第２予測工程は、上記予測値を補正することと、補正後の上記予測値を骨材の粗粒率に換算することと、を含んでもよい。この場合、粗粒率の予測精度が高くなるように補正を行うことができるので、粗粒率の予測に関する予測精度を向上させるのに有用である。

以上に説明した品質予測方法において、第２予測工程における上記予測値の補正では、区分ごとに、予測モデルＭから出力された上記予測値が０よりも小さい場合には、補正後の上記予測値を０とするように補正が行われてもよく、予測モデルＭから出力された上記予測値が０以上である場合には、当該予測値をそのまま補正後の上記予測値とするように補正が行われてもよい。種々の入力に対して正解値に近い結果が得られるように予測モデルＭが構築されるので、予測モデルＭによる演算結果では、質量比率がマイナスになってしまう場合もある。上記方法では、質量比率がマイナスとなっても、現実に合った値に補正される。そのため、粗粒率の予測に関する予測精度を向上させるのに更に有用である。

以上に説明した品質予測方法において、第２予測工程における上記予測値の補正では、区分ごとの補正後の予測値の合計が１００％となるように、区分ごとに補正後の上記予測値が算出されてもよい。種々の入力に対して正解値に近い結果が得られるように予測モデルＭが構築されるので、予測モデルＭによる演算結果では、粒度区分ごとの質量比率の総和が１００％とならない場合もある。上記方法では、質量比率の総和が１００％と異なる結果が得られても、現実に合った値に補正される。そのため、粗粒率の予測に関する予測精度を向上させるのに更に有用である。

以上に説明した品質予測方法において、準備工程では、予測モデルＭが、入力情報に応じて、区分ごとの質量比率を示す値のみを出力するように構築されてもよい。この場合、質量比率のみの正解データを準備すればよいので、モデルを構築するための作業を簡素化することができる。

以上に説明した品質予測方法において、準備工程は、畳み込みニューラルネットワークを用いた機械学習により予測モデルＭを構築することを含んでもよい。この場合、畳み込みニューラルネットワークを用いた機械学習を行うことで、より複雑なモデルを構築できる。そのため、粗粒率の予測値を正解値に近づけることができる。

以上に説明した品質予測方法において、取得工程は、評価対象の骨材が積み重なった状態で、評価対象の骨材とは離れた位置から評価対象の骨材を含む範囲を撮像して、評価情報を取得することを含んでもよい。生コンクリートを製造する工場では、骨材が積み重なっている場合が多い。例えば、受入れ時には、骨材は輸送トラック又は輸送船に積載された状態で運ばれる。また、製造時には、骨材は積み重なった状態で、ベルトコンベア等により運搬される。上記構成では、骨材が積み重なった状態で撮像が行われるので、評価情報を取得するための作業を簡素化することができる。なお、上述した運搬時のみならず、上記品質予測方法を、品質ふるい分け試験といった品質管理業務の代用とすることもできる。例えば、受入れ時又は製造時に、骨材の一部を採取して、床又はシートなどに敷き並べて撮像してもよい。

以上に説明した品質予測方法において、準備工程は、２以上の粒度区分の粒が含まれるように学習用の骨材を準備することを含み、入力情報は、上記学習用の骨材を撮像して得られる画像データを含んでもよい。この場合、学習用の骨材が、生コンクリートを製造する工場で用いられる実際の骨材と近い状態となり、予測モデルＭによる予測の精度を向上させることができる。

以上に説明した生コンクリートの製造方法は、骨材を含む材料を練り混ぜて、生コンクリートを製造する製造工程と、製造工程に用いられる骨材の少なくとも一部の粗粒率を予測する品質予測工程と、を含む。品質予測工程は、骨材を撮像して得られる画像データを含む入力情報と、当該入力情報に対応付けられた骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、入力情報の入力に応じて、複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力する予測モデルを構築する準備工程と、評価対象の骨材を撮像して得られる画像データを含み、入力情報に対応する評価情報を取得する取得工程と、評価情報を予測モデルＭに入力して、区分ごとの質量比率に関して予測モデルＭから出力される予測値を取得する第１予測工程と、上記予測値を骨材の粗粒率に換算する第２予測工程と、を含む。この製造方法は、上記品質予測方法と同様に、生コンクリートの品質の安定化に有用である。

以上に説明した製造システム１は、骨材を含む材料を練り混ぜて、生コンクリートを製造する製造装置１０と、製造装置１０が用いる骨材の少なくとも一部の粗粒率を予測する制御装置６０（品質予測装置）と、を備える。制御装置６０は、骨材を撮像して得られる画像データを含む入力情報と、当該入力情報に対応付けられた骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、入力情報の入力に応じて、複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力する予測モデルを構築する準備工程と、評価対象の骨材を撮像して得られる画像データを含み、入力情報に対応する評価情報を取得する取得工程と、評価情報を予測モデルＭに入力して、区分ごとの質量比率に関して予測モデルＭから出力される予測値を取得する第１予測工程と、上記予測値を骨材の粗粒率に換算する第２予測工程と、を実行するように構成されている。この製造システム１は、上記品質予測方法と同様に、生コンクリートの品質の安定化に有用である。

１…製造システム、２…材料置場、４…サイロ、８…運搬装置、１０…製造装置、５０…撮像装置、６０…制御装置、７２…モデル構築部、７４…モデル保持部、７６…品質予測部、７８…出力部、Ｍ…予測モデル。

Claims (8)

1. 骨材を撮像して得られる画像データを含む入力情報と、当該入力情報に対応付けられた骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、前記入力情報の入力に応じて、前記複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力する予測モデルを構築する準備工程と、
   評価対象の骨材を撮像して得られる画像データを含み、前記入力情報に対応する評価情報を取得する取得工程と、
   前記評価情報を前記予測モデルに入力して、前記区分ごとの質量比率に関して前記予測モデルから出力される予測値を取得する第１予測工程と、
   前記予測値を補正することと、補正後の前記予測値を骨材の粗粒率に換算することとを含む第２予測工程と、を含み、
   前記第２予測工程における前記予測値の補正では、前記区分ごとの補正後の前記予測値の合計が１００％となるように、前記区分ごとに補正後の前記予測値が算出される、骨材の品質予測方法。
2. 前記第２予測工程における前記予測値の補正では、前記区分ごとに、
   前記予測モデルから出力された前記予測値が０よりも小さい場合には、補正後の前記予測値を０とするように補正が行われ、
   前記予測モデルから出力された前記予測値が０以上である場合には、当該予測値をそのまま補正後の前記予測値とするように補正が行われる、請求項１に記載の骨材の品質予測方法。
3. 前記準備工程では、前記予測モデルが、前記入力情報に応じて、前記区分ごとの質量比率を示す値のみを出力するように構築される、請求項１又は２に記載の骨材の品質予測方法。
4. 前記準備工程は、畳み込みニューラルネットワークを用いた機械学習により前記予測モデルを構築することを含む、請求項１又は２に記載の骨材の品質予測方法。
5. 前記取得工程は、前記評価対象の骨材が積み重なった状態で、前記評価対象の骨材とは離れた位置から前記評価対象の骨材を含む範囲を撮像して、前記評価情報を取得することを含む、請求項１又は２に記載の骨材の品質予測方法。
6. 前記準備工程は、２以上の粒度区分の粒が含まれるように学習用の骨材を準備することを含み、
   前記入力情報は、前記学習用の骨材を撮像して得られる画像データを含む、請求項１又は２に記載の骨材の品質予測方法。
7. 骨材を含む材料を練り混ぜて、生コンクリートを製造する製造工程と、
   前記製造工程に用いられる骨材の少なくとも一部の粗粒率を予測する品質予測工程と、
   を含み、
   前記品質予測工程は、
   骨材を撮像して得られる画像データを含む入力情報と、当該入力情報に対応付けられた骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、前記入力情報の入力に応じて、前記複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力する予測モデルを構築する準備工程と、
   評価対象の骨材を撮像して得られる画像データを含み、前記入力情報に対応する評価情報を取得する取得工程と、
   前記評価情報を前記予測モデルに入力して、前記区分ごとの質量比率に関して前記予測モデルから出力される予測値を取得する第１予測工程と、
   前記予測値を補正することと、補正後の前記予測値を骨材の粗粒率に換算することとを含む第２予測工程と、を含み、
   前記第２予測工程における前記予測値の補正では、前記区分ごとの補正後の前記予測値の合計が１００％となるように、前記区分ごとに補正後の前記予測値が算出される、生コンクリートの製造方法。
8. 骨材を含む材料を練り混ぜて、生コンクリートを製造する製造装置と、
   前記製造装置が用いる骨材の少なくとも一部の粗粒率を予測する品質予測装置と、を備え、
   前記品質予測装置は、
   骨材を撮像して得られる画像データを含む入力情報と、当該入力情報に対応付けられた骨材の複数の粒度区分それぞれの質量比率の正解値とに基づく機械学習により、前記入力情報の入力に応じて、前記複数の粒度区分に含まれる区分ごとに質量比率を示す値を出力する予測モデルを構築する準備工程と、
   評価対象の骨材を撮像して得られる画像データを含み、前記入力情報に対応する評価情報を取得する取得工程と、
   前記評価情報を前記予測モデルに入力して、前記区分ごとの質量比率に関して前記予測モデルから出力される予測値を取得する第１予測工程と、
   前記予測値を補正することと、補正後の前記予測値を骨材の粗粒率に換算することとを含む第２予測工程と、を実行するように構成されており、
   前記品質予測装置は、前記第２予測工程における前記予測値の補正では、前記区分ごとの補正後の前記予測値の合計が１００％となるように、前記区分ごとに補正後の前記予測値を算出する、生コンクリートの製造システム。

Images