JP7318469B2 - 配筋評価システム、配筋評価方法及び配筋評価プログラム - Google Patents

Description

本発明は、建築工事等における配筋を評価するための配筋評価システム、配筋評価方法及び配筋評価プログラムに関する。

画像解析技術を用いた配筋検査の効率化が検討されている。例えば、マーカーを利用し対象までの距離を算出した上で画像上の鉄筋幅をカウントすることによる２次元画像を用いる方法や、ステレオ画像やＳＬＡＭ技術などを利用して３次元点群を取得する技術が検討されている（例えば、特許文献１，２参照。）。

特許文献１に記載された技術においては、携帯端末が、鉄筋の画像から、背景板に対して垂直方向の連続的な径長を抽出し、中央部９０％のデータにおける最大値を最大径として取得する。

特許文献２に記載された技術においては、背景バーの部分に相当する画像全体から２つのマーカーを検出し、マーカー間にある画像を切り出す。そして、切り出した画像において、鉄筋の軸方向に垂直な方向で、ピクセルの輝度が不連続な箇所を検出して、領域の境界線となるエッジを抽出し、不要なエッジを除去する。次に、画像の輝度分布に対して作成した度数分布に基づいて鉄筋、影、背景の各領域の代表輝度値を計算し、各代表輝度値を用いて各エッジに挟まれた領域を特定し、エッジを挟んで隣り合う領域が同じである場合には１つの領域として統合する。

これら特許文献に開示された技術においては、マーカーを利用して鉄筋までの距離を測定した上で、解析したい鉄筋が画像内に占めるピクセル幅を計測することで鉄筋径を算出する。

特開２０１３－４０５４９号公報 特開２０１３－１５４５２号公報

しかしながら、鉄筋径の計測結果を高精度に得たい場合には、計測対象である鉄筋と、その他の部分（背景側の鉄筋や背景）とを正確に分離する必要がある。このため、既存の技術では、計測したい鉄筋列の背景側に、白いテープやボード等を配置した上で写真撮影する必要があり、手間が掛かる。更に、照明環境によっては、テープやボードに、鉄筋の影ができることがある。この影を鉄筋の一部として検出してしまうと、鉄筋径を的確に計測できない。

上記課題を解決するための配筋評価システムは、推定モデル記憶部に接続され、配筋を評価する制御部を備えた配筋評価システムであって、前記制御部が、鉄筋を示した画像と、前記画像において前記鉄筋の少なくとも径領域の輪郭を指定した画像とを教師データとして用いた機械学習を行なって、前記画像に含まれる鉄筋の径領域を前記画像から予測する推定モデルを生成して、前記推定モデル記憶部に記録し、処理対象の画像を取得した場合、前記推定モデルを用いて、前記処理対象の画像に含まれる鉄筋の径領域を予測し、前記径領域における前記鉄筋の径を算出する。

本発明によれば、鉄筋領域を的確に特定して、鉄筋径を精度よく算出することができる。

実施形態のシステムの説明図。 実施形態のハードウェア構成の説明図。 実施形態の記憶部に記録されたデータの説明図であって、（ａ）は撮影画像、（ｂ）は輪郭画像、（ｃ）はペイント画像。 実施形態の処理手順を説明する流れ図であって、（ａ）は教師データ作成処理、（ｂ）は輪郭推定モデル学習処理、（ｃ）はペイント推定モデル学習処理。 実施形態の配筋検査処理の処理手順の流れ図。 変更例において輪郭画像とペイント画像とを重ねた重畳画像の説明図。

以下、図１～図５を用いて、配筋評価システム、配筋評価方法及び配筋評価プログラムを具体化した一実施形態を説明する。本実施形態の配筋評価システムは、建築工事の工事現場における配筋の検査を行なう場合に用いられる。
本実施形態では、図１に示すように、ユーザ端末１０、評価サーバ２０を用いる。

（ハードウェア構成の説明）
図２を用いて、ユーザ端末１０、評価サーバ２０を構成する情報処理装置Ｈ１０のハードウェア構成を説明する。情報処理装置Ｈ１０は、通信装置Ｈ１１、入力装置Ｈ１２、表示装置Ｈ１３、記憶部Ｈ１４、プロセッサＨ１５を備える。なお、このハードウェア構成は一例であり、他のハードウェアにより実現することも可能である。

通信装置Ｈ１１は、他の装置との間で通信経路を確立して、データの送受信を実行するインタフェースであり、例えばネットワークインタフェースカードや無線インタフェース等である。

入力装置Ｈ１２は、各種情報の入力を受け付ける装置であり、例えばマウスやキーボード、カメラ（撮影装置）等である。表示装置Ｈ１３は、各種情報を表示するディスプレイ等である。

記憶部Ｈ１４は、ユーザ端末１０、評価サーバ２０の各種機能を実行するためのデータや各種プログラムを格納する記憶装置である。記憶部Ｈ１４の一例としては、ＲＯＭ、ＲＡＭ、ハードディスク等がある。

プロセッサＨ１５は、記憶部Ｈ１４に記憶されるプログラムやデータを用いて、ユーザ端末１０、評価サーバ２０における各処理を制御する。プロセッサＨ１５の一例としては、例えばＣＰＵやＭＰＵ等がある。このプロセッサＨ１５は、ＲＯＭ等に記憶されるプログラムをＲＡＭに展開して、各処理のための各種プロセスを実行する。

プロセッサＨ１５は、自身が実行するすべての処理についてソフトウェア処理を行なうものに限られない。例えば、プロセッサＨ１５は、自身が実行する処理の少なくとも一部についてハードウェア処理を行なう専用のハードウェア回路（例えば、特定用途向け集積回路：ＡＳＩＣ）を備えてもよい。すなわち、プロセッサＨ１５は、〔１〕コンピュータプログラム（ソフトウェア）に従って動作する１つ以上のプロセッサ、〔２〕各種処理のうち少なくとも一部の処理を実行する１つ以上の専用のハードウェア回路、或いは〔３〕それらの組み合わせ、を含む回路（circuitry）として構成し得る。プロセッサは、ＣＰＵ並びに、ＲＡＭ及びＲＯＭ等のメモリを含み、メモリは、処理をＣＰＵに実行させるように構成されたプログラムコード又は指令を格納している。メモリすなわちコンピュータ可読媒体は、汎用又は専用のコンピュータでアクセスできるあらゆる利用可能な媒体を含む。

（システム構成）
次に、図１を用いて、配筋評価システムの各機能を説明する。
ユーザ端末１０は、配筋を評価する担当者が用いるコンピュータ端末である。このユーザ端末１０は、機械学習に用いる教師データの作成を指示するために用いる。更に、ユーザ端末１０は、配筋を被写体とする画像を評価サーバ２０にアップロードして、評価の実行を指示するために用いる。

評価サーバ２０は、配筋の評価を実行するコンピュータシステムである。この評価サーバ２０は、制御部２１、撮影画像記憶部２２、輪郭画像記憶部２３、ペイント画像記憶部２４、推定モデル記憶部２５及び確認結果記憶部２６を備える。

制御部２１は、後述する処理（教師データ生成段階、学習段階、評価段階、予測段階等を含む処理）を行なう。このための各処理のためのプログラムを実行することにより、制御部２１は、教師データ生成部２１１、学習部２１２、評価部２１３、予測部２１４等として機能する。

教師データ生成部２１１は、学習用の撮影画像を用いて、機械学習に用いる教師データを生成する処理を実行する。
学習部２１２は、教師データを用いた機械学習によって、撮影画像に含まれる配筋の鉄筋径を予測するための推定モデルを生成する処理を実行する。本実施形態では、機械学習として、入力層、中間層（隠れ層）、出力層に含まれる複数のノードを結合する深層学習（ディープラーニング）を用いる。更に、この深層学習としては、畳み込み層を持つ畳み込みニューラルネットワーク（ＣＮＮ）を利用する。
評価部２１３は、配筋検査対象の鉄筋についての評価処理を実行する。
予測部２１４は、推定モデルを用いて鉄筋の径領域を予測する。

撮影画像記憶部２２には、教師データを作成するための撮影画像管理データが記録される。この撮影画像管理データは、多様な工事現場において配置された鉄筋（配筋）を撮影した撮影画像がアップロードされた場合に記録される。撮影画像管理データは、画像ＩＤデータと、これに関連付けられた撮影画像に関するデータとを含む。

画像ＩＤデータ領域には、各撮影画像を特定するための識別子に関するデータが記録される。
撮影画像データ領域には、複数の鉄筋が配置された配筋を撮影した画像に関するデータが記録される。この配筋には、柱に埋設される鉄筋篭や、スラブ床に埋設されるスラブ筋等がある。
図３（ａ）に示すように、この撮影画像５０には、鉄筋５１だけではなく、撮影現場の背景５２が含まれる。

図１の輪郭画像記憶部２３には、教師データを作成するための輪郭画像管理データが記録される。この輪郭画像管理データは、撮影画像において、輪郭画像が作成された場合に記録される。輪郭画像管理データは、画像ＩＤデータと、これに関連付けられた輪郭画像に関するデータとを含む。

画像ＩＤデータ領域には、各輪郭画像を特定するための識別子に関するデータが記録される。本実施形態では、画像ＩＤとして、輪郭画像に対応する撮影画像の画像ＩＤを用いる。
輪郭画像データ領域には、撮影画像に含まれる鉄筋について、フシ、リブを省いて、径領域の輪郭を線書きした画像である。

図３（ｂ）に示すように、この輪郭画像６０は、撮影画像５０と同じ構図で、鉄筋６１の径領域の輪郭線６１ａのみが描画されている。この輪郭画像６０では、鉄筋が前後で重なっている場合、後ろ側の鉄筋は、前側の鉄筋に隠れて描画されている。

ペイント画像記憶部２４には、教師データを作成するためのペイント画像管理データが記録される。このペイント画像管理データは、撮影画像において、ペイント画像が作成された場合に記録される。ペイント画像管理データは、画像ＩＤデータと、これに関連付けられたペイント画像に関するデータとを含む。

画像ＩＤデータ領域には、各ペイント画像を特定するための識別子に関するデータが記録される。本実施形態では、画像ＩＤとして、ペイント画像に対応する撮影画像の画像ＩＤを用いる。

ペイント画像データ領域には、撮影画像に含まれる鉄筋について、フシ、リブを省いて、径領域を塗りつぶしてベタ塗りした画像である。
図３（ｃ）に示すように、このペイント画像７０は、撮影画像５０と同じ構図で、鉄筋の径領域７１が塗りつぶされている。

推定モデル記憶部２５には、撮影画像に含まれる鉄筋の径領域を推定するための推定モデルが記録される。この推定モデルは、教師データを用いた機械学習を行なった場合に記録される。推定モデルは、撮影画像を入力層として、撮影画像に含まれる鉄筋の径領域を出力とするネットワークにより構成される。

本実施形態では、輪郭推定モデル及びペイント推定モデルが記憶される。輪郭推定モデルは、撮影画像に含まれる鉄筋の径領域の輪郭を予測するモデルである。この輪郭推定モデルを用いた場合、鉄筋が前後で重なっている領域では、前側の鉄筋の径領域の輪郭のみを表示する。ペイント推定モデルは、撮影画像に含まれる鉄筋の径領域をベタ塗りした全体を推定するモデルである。

確認結果記憶部２６は、配筋検査において確認された鉄筋の評価結果に関するデータが記録される。この評価結果は、配筋検査が終了したときに記録される。この評価結果には、評価対象画像、鉄筋の位置及び鉄筋の径に関するデータが含まれる。

評価対象画像データ領域には、評価を行なう配筋を撮影した撮影画像に関するデータが含まれる。
鉄筋の位置データ領域及び鉄筋の径データ領域には、評価対象画像に含まれる鉄筋の位置及び鉄筋の径に関するデータが含まれる。

次に、上記のように構成された評価サーバ２０において、配筋を評価する場合の処理手順を説明する。ここでは、教師データ作成処理、学習処理及び配筋検査処理を実行する。
（教師データ作成処理）
まず、図４（ａ）を用いて、教師データ作成処理を説明する。
ここでは、まず、評価サーバ２０の制御部２１は、撮影画像の記録処理を実行する（ステップＳ１－１）。具体的には、制御部２１の教師データ生成部２１１は、ユーザ端末１０から、配置された鉄筋を撮影した撮影画像を取得する。この撮影画像には、背景も含まれる。この場合、教師データ生成部２１１は、画像ＩＤを付与し、画像ＩＤ及び撮影画像を含む撮影画像管理データを生成して、撮影画像記憶部２２に記録する。

次に、評価サーバ２０の制御部２１は、輪郭画像の記録処理を実行する（ステップＳ１－２）。具体的には、ユーザ端末１０において、担当者は、撮影画像に含まれる鉄筋の径領域の輪郭をなぞって、線描きを行なう。ここでは、フシ、リブ以外の径領域のみの線描きを行なう。そして、制御部２１の教師データ生成部２１１は、ユーザ端末１０から、撮影画像の輪郭画像を取得する。この場合、教師データ生成部２１１は、撮影画像の画像ＩＤを輪郭画像に付与し、画像ＩＤ及び輪郭画像を含む輪郭画像管理データを生成して、輪郭画像記憶部２３に記録する。

次に、評価サーバ２０の制御部２１は、ペイント画像の記録処理を実行する（ステップＳ１－３）。具体的には、ユーザ端末１０において、担当者は、撮影画像に含まれる鉄筋の径領域をベタ塗りしたペイント画像を作成する。ここでは、フシ、リブ以外の径領域のみをベタ塗りする。そして、制御部２１の教師データ生成部２１１は、ユーザ端末１０から、撮影画像のペイント画像を取得する。この場合、教師データ生成部２１１は、撮影画像の画像ＩＤをペイント画像に付与して、画像ＩＤ及びペイント画像を含むペイント画像管理データを生成して、ペイント画像記憶部２４に記録する。

（学習処理）
次に、図４（ｂ）及び（ｃ）を用いて、学習処理を説明する。ここでは、機械学習によって、輪郭推定モデルとペイント推定モデルとを生成する。

まず、図４（ｂ）を用いて、輪郭推定モデルの学習処理について説明する。
評価サーバ２０の制御部２１は、撮影画像及び輪郭画像の取得処理を実行する（ステップＳ２－１）。具体的には、制御部２１の学習部２１２は、撮影画像記憶部２２から撮影画像管理データを抽出する。更に、学習部２１２は、この撮影画像管理データの画像ＩＤを有する輪郭画像管理データの輪郭画像を抽出する。

次に、評価サーバ２０の制御部２１は、輪郭推定モデルの生成処理を実行する（ステップＳ２－２）。具体的には、制御部２１の学習部２１２は、抽出した撮影画像を入力層、この撮影画像に対応する輪郭画像を出力層として、入力層のノードから出力層のノードを結び付ける中間層のノード及び結合からなる輪郭推定モデルを生成して、推定モデル記憶部２５に記録する。

次に、図４（ｃ）を用いて、ペイント推定モデルの学習処理について説明する。
評価サーバ２０の制御部２１は、撮影画像及びペイント画像の取得処理を実行する（ステップＳ３－１）。具体的には、制御部２１の学習部２１２は、撮影画像記憶部２２から撮影画像管理データを抽出し、この撮影画像管理データの画像ＩＤを有するペイント画像管理データのペイント画像を抽出する。

次に、評価サーバ２０の制御部２１は、ペイント推定モデルの生成処理を実行する（ステップＳ３－２）。具体的には、制御部２１の学習部２１２は、抽出した撮影画像を入力層、この撮影画像に対応するペイント画像を出力層として、入力層のノードから出力層のノードを結び付ける中間層のノード及び結合からなるペイント推定モデルを生成して、推定モデル記憶部２５に記録する。

（配筋検査処理）
次に、図５を用いて、配筋検査処理を説明する。
まず、評価サーバ２０の制御部２１は、評価対象画像の取得処理を実行する（ステップＳ４－１）。具体的には、建築工事の工事現場において撮影を行なう場合、評価対象の鉄筋の近傍にマーカーを貼付する。このマーカーとしては、特許文献１に記載されているマーカーを利用することができる。このマーカーは、予め大きさが決まっているため、撮影画像に含まれるマーカーのピクセル数を用いて、単位ピクセルあたりの実寸を算出することができる。そして、カメラを用いて、このマーカーを含めて配筋を撮影する。次に、カメラで撮影した撮影画像をユーザ端末１０に入力して、ユーザ端末１０を介して、評価サーバ２０にアップロードする。評価サーバ２０の制御部２１は、アップロードされた撮影画像をメモリに仮記憶する。

次に、評価サーバ２０の制御部２１は、変換係数の算出処理を実行する（ステップＳ４－２）。具体的には、制御部２１の評価部２１３は、メモリに仮記憶された撮影画像において、マーカー領域を検出する。そして、マーカー領域のピクセル数とマーカーサイズを用いて、画像から実寸を算出するための変換係数を算出する。

次に、評価サーバ２０の制御部２１は、鉄筋領域の推定処理を実行する（ステップＳ４－３）。具体的には、制御部２１の予測部２１４は、処理対象の撮影画像を、輪郭推定モデル及びペイント推定モデルの入力層に入力し、出力層で輪郭領域とベタ塗り領域とを推定する。この場合、処理対象の撮影画像に複数の鉄筋が含まれる場合には、複数の鉄筋の径領域が推定される。そして、輪郭径領域とベタ塗り領域を重ね合わせて、各鉄筋の位置及び径領域を推定する。

次に、評価サーバ２０の制御部２１は、鉄筋領域毎に、鉄筋径の推定処理を実行する（ステップＳ４－４）。具体的には、制御部２１の評価部２１３は、ステップＳ４－３において推定された鉄筋領域において、この領域の長辺方向を鉄筋の延在方向として特定する。次に、評価部２１３は、鉄筋の延在方向の直交方向（径方向）について、複数位置で、径領域のピクセル数を算出する。次に、評価部２１３は、算出した各位置でのピクセル数の統計値を算出する。そして、算出した統計値と変換係数とを用いて、各鉄筋の径方向の長さを算出する。この径方向の長さが鉄筋の直径に対応する。次に、評価部２１３は、処理対象の撮影画像、この撮影画像において特定した鉄筋の位置及び鉄筋の直径を、確認結果記憶部２６に記録する。

本実施形態によれば、以下のような効果を得ることができる。
（１）本実施形態では、評価サーバ２０の制御部２１は、鉄筋領域の推定処理（ステップＳ４－３）及び鉄筋径の推定処理（ステップＳ４－４）を実行する。これにより、撮影画像における鉄筋領域を推定するので、撮影画像に背景が含まれる場合にも、効率的に鉄筋領域のみを特定して、鉄筋径を算出することができる。

（２）本実施形態では、鉄筋領域の推定処理（ステップＳ４－３）において、評価サーバ２０の制御部２１は、処理対象の撮影画像を、輪郭推定モデル及びペイント推定モデルの入力層に入力し、出力層で各鉄筋の径領域を推定する。これにより、輪郭だけでは鉄筋が存在する領域を特定できない場合にも、ペイント画像を用いることにより、鉄筋の位置を的確に特定することができる。

（３）本実施形態では、配筋検査処理において、評価サーバ２０の制御部２１は、変換係数の算出処理（ステップＳ４－２）及び鉄筋径の推定処理（ステップＳ４－４）を実行する。これにより、変換係数を用いて、鉄筋径を推定することができる。

本実施形態は、以下のように変更して実施することができる。本実施形態及び以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。
・上記実施形態では、評価サーバ２０の制御部２１が、鉄筋領域の推定処理（ステップＳ４－３）を含む配筋検査処理を実行する。この配筋検査処理を行なうハードウェアは、評価サーバ２０に限定されるものではない。例えば、ユーザ端末１０で処理を実行してもよいし、評価サーバ２０とユーザ端末とが共同して処理を実行してもよい。

・上記実施形態では、評価サーバ２０の制御部２１は、教師データの生成処理において、撮影画像について、輪郭や塗りつぶしを手書きにより行なう。輪郭や塗りつぶしは、手作業で行なわれる場合に限定されるものではない。例えば、輪郭抽出処理を行なった後で、鉄筋の径領域を特定してもよい。また、撮影画像において、鉄筋の配色を指定し、この配色のオブジェクトを抽出してもよい。

・上記実施形態では、評価サーバ２０の制御部２１は、鉄筋領域の推定処理（ステップＳ４－３）において、輪郭推定モデルとペイント推定モデルとを用いて、鉄筋の径領域を推定した。鉄筋領域の推定に用いるモデルはこれらに限定されるものではない。例えば、何れか一つを用いて推定してもよいし、輪郭推定モデルとペイント推定モデルとを重畳させた重畳推定モデルを生成してもよい。この重畳推定モデルは、撮影画像に含まれる鉄筋の径領域の輪郭及びベタ塗りした領域を推定するモデルである。

図６には、重畳画像８０を示している。この重畳画像８０は、ペイント画像７０の鉄筋の径領域７１に対して輪郭画像６０の輪郭線６１ａを重ね合わせた画像であり、撮影画像５０と同じ構図で作成される。

この重畳推定モデルは、輪郭推定モデルとペイント推定モデルとを重畳させて生成してもよいし、この重畳推定モデルを機械学習によって生成してもよい。
機械学習による学習処理によって生成する場合には、まず、評価サーバ２０の制御部２１は、撮影画像記憶部２２、輪郭画像記憶部２３及びペイント画像記憶部２４から、同じ画像ＩＤが付与された撮影画像、輪郭画像、ペイント画像を取得する。更に、制御部２１は、線描き以外の領域を透明化させた輪郭画像をペイント画像に重畳させた重畳画像を生成する。

そして、評価サーバ２０の制御部２１は、重畳推定モデルの生成処理を実行する。具体的には、制御部２１の学習部２１２は、撮影画像を入力層、重畳画像を出力層として、入力層のノードから出力層のノードを結びつける中間層のノード及び結合からなる重畳推定モデルを生成して、推定モデル記憶部２５に記録する。

そして、評価サーバ２０の制御部２１は、配筋検査処理の配筋領域の推定処理（ステップＳ４－３）において、処理対象の撮影画像を、輪郭推定モデル、ペイント推定モデル及び重畳推定モデルの入力層に入力し、出力層で各鉄筋の径領域を推定する。

・上記実施形態では、評価サーバ２０の制御部２１は、鉄筋領域毎に、鉄筋径の推定処理を実行する（ステップＳ４－４）。ここでは、径領域のピクセル数を算出して、鉄筋径を推定する。これに代えて、鉄筋領域を異なる視点から撮影した複数の画像群を取得し、Structure from Motion技術等を用いて画像群から点群配置（３次元構造）を生成し、この３次元構造から鉄筋径を推定するようにしてもよい。この場合も、撮影画像における鉄筋の領域を、その他の領域と区別して特定するための推定モデル（輪郭推定モデル、ペイント推定モデル）を用いる。Structure from Motion技術では、各画像間で特徴点をマッチングすることで点群配置を得るが、誤ったマッチングが行なわれることもある。鉄筋領域のみを識別する推定モデルを用いることにより、画像内の鉄筋の領域が明らかになり、背景領域上にある特徴点を参照して生成された点群は誤りとして除去できるため、ノイズの低減を図ることができる。

・上記実施形態では、鉄筋径の推定処理（ステップＳ４－４）において、評価サーバ２０の制御部２１は、評価対象の鉄筋の近傍に貼付したマーカーのマーカー領域に基づいて算出した変換係数を用いて、鉄筋径を推定する。鉄筋径の推定においては、マーカー領域に基づいて算出した変換係数を用いる場合に限定されるものではない。例えば、ステレオカメラを用いて、撮影装置から鉄筋までの距離を算出し、この距離を用いて、鉄筋領域を推定して鉄筋の径を推定してもよい。また、レーザスキャン装置を用いて取得した画像を用いて、鉄筋領域を推定して鉄筋の径を推定してもよい。このレーザスキャン装置を用いて取得した画像としては、例えば、鉄筋の表面において反射した複数の点で構成される点群を配置した点群配置画像がある。

１０…ユーザ端末、２０…評価サーバ、２１…制御部、２２…撮影画像記憶部、２３…輪郭画像記憶部、２４…ペイント画像記憶部、２５…推定モデル記憶部、２６…確認結果記憶部、５０…撮影画像、５１，６１…鉄筋、５２…背景、６０…輪郭画像、６１ａ…輪郭線、７０…ペイント画像、７１…径領域、８０…重畳画像、２１１…教師データ生成部、２１２…学習部、２１３…評価部、２１４…予測部。

Claims (7)

1. 推定モデル記憶部に接続され、配筋を評価する制御部を備えた配筋評価システムであって、
   前記制御部が、
   鉄筋を示した画像と、前記画像において前記鉄筋の少なくとも径領域の輪郭を指定した画像とを教師データとして用いた機械学習を行なって、前記画像に含まれる鉄筋の径領域を前記画像から予測する推定モデルを生成して、前記推定モデル記憶部に記録し、
   処理対象の画像を取得した場合、前記推定モデルを用いて、前記処理対象の画像に含まれる鉄筋の径領域を予測し、
   前記径領域における前記鉄筋の径を算出することを特徴とする配筋評価システム。
2. 前記制御部は、前記画像において、前記鉄筋を示した画素を指定したペイント画像を教師データとして用いて機械学習を行なって前記径領域を予測する推定モデルを生成して、前記推定モデル記憶部に記憶することを特徴とする請求項１に記載の配筋評価システム。
3. 前記制御部は、前記画像を撮影した撮影装置から前記鉄筋までの距離と、前記予測した径領域の所定方向のピクセル数とを用いて、前記画像における前記鉄筋の径を算出することを特徴とする請求項１又は２に記載の配筋評価システム。
4. 前記制御部は、前記画像において、前記鉄筋に付されたマーカーを検出し、前記マーカーの形状に応じて、前記鉄筋までの距離を算出することを特徴とする請求項３に記載の配筋評価システム。
5. 前記制御部は、
   異なる視点から撮影した複数の画像群を取得し、
   前記画像群を用いて取得した点群配置において、前記推定モデルを用いて予測した径領域から取得した点群配置により、前記鉄筋の径を算出することを特徴とする請求項１～４の何れか一項に記載の配筋評価システム。
6. 推定モデル記憶部に接続され、配筋を評価する制御部を備えた配筋評価システムを用いて配筋を評価する方法であって、
   前記制御部が、
   鉄筋を示した画像と、前記画像において前記鉄筋の少なくとも径領域の輪郭を指定した画像とを教師データとして用いた機械学習を行なって、前記画像に含まれる鉄筋の径領域を前記画像から予測する推定モデルを生成して、前記推定モデル記憶部に記録し、
   処理対象の画像を取得した場合、前記推定モデルを用いて、前記処理対象の画像に含まれる鉄筋の径領域を予測し、
   前記径領域における前記鉄筋の径を算出することを特徴とする配筋評価方法。
7. 推定モデル記憶部に接続され、配筋を評価する制御部を備えた配筋評価システムを用いて配筋を評価するプログラムであって、
   前記制御部を、
   鉄筋を示した画像と、前記画像において前記鉄筋の少なくとも径領域の輪郭を指定した画像とを教師データとして用いた機械学習を行なって、前記画像に含まれる鉄筋の径領域を前記画像から予測する推定モデルを生成して、前記推定モデル記憶部に記録し、
   処理対象の画像を取得した場合、前記推定モデルを用いて、前記処理対象の画像に含まれる鉄筋の径領域を予測し、
   前記径領域における前記鉄筋の径を算出する手段として機能させることを特徴とする配筋評価プログラム。