JP7337557B2 - Information processing device, system, information processing method and program - Google Patents
Information processing device, system, information processing method and program Download PDFInfo
- Publication number
- JP7337557B2 JP7337557B2 JP2019111305A JP2019111305A JP7337557B2 JP 7337557 B2 JP7337557 B2 JP 7337557B2 JP 2019111305 A JP2019111305 A JP 2019111305A JP 2019111305 A JP2019111305 A JP 2019111305A JP 7337557 B2 JP7337557 B2 JP 7337557B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- difficulty level
- information processing
- analysis
- determining
- 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
Landscapes
- Image Analysis (AREA)
Description
本発明は、情報処理装置、システム、情報処理方法及びプログラムに関する。 The present invention relates to an information processing device, system, information processing method, and program.
近年、過去に建設された橋やトンネル等の構造物の経年劣化が懸念されている。そこで、問題の発生を防ぐため、構造物のひび割れ等の変状箇所を特定し、記録する点検業務が重要となってきている。
その中で、点検対象の構造物を人が近接的に目視で点検するのではなく、構造物をカメラで撮影し、撮影した画像を用いて構造物の点検を行う技術が提案されている。特許文献1には、撮影画像内からひび割れ等を画像処理により検知する技術が開示されている。
In recent years, there has been concern about deterioration over time of structures such as bridges and tunnels constructed in the past. Therefore, in order to prevent problems from occurring, it has become important to carry out inspection work to identify and record deformed portions such as cracks in structures.
Among them, a technique has been proposed in which a structure is photographed with a camera and the structure is inspected using the photographed image, instead of a person visually inspecting the structure to be inspected in close proximity. Japanese Patent Application Laid-Open No. 2002-200000 discloses a technique for detecting cracks and the like from within a captured image by image processing.
特許文献1に示されるような技術を用いて、撮影された画像に対して画像処理を行うサービスが考えられる。例えば、撮影した画像からひび割れを検知する画像処理を行い、その結果を提供するサービスが考えられる。このようなサービスを行うにあたり、画像処理対象の画像の画質を加味せず、画像枚数やデータ容量に応じて価格を設定することが考えられる。この場合、画像の内容(例えば、画像に写るひび割れの有無等)に関わらず、画像枚数や容量に応じた価格でサービスを運用することになる。しかし、画像処理のコスト(処理に係るリソースのコストや設定作業等の工程に係るコスト)は、画像処理対象の画像に対する画像処理の難易度が高い程、高くなる。例えば、再計算や設定の調整といった追加の工程が発生する場合がある。そのため、画像の内容に関わらず一定の価格で画像処理を請け負うと、その価格がサービス提供に係る価格に見合わないこととなる場合が生じる。
本発明は、画像に対して画像処理を実行するサービスについて、より適切な価格を決定することを目的とする。
A service that performs image processing on a photographed image using a technique such as that disclosed in
An object of the present invention is to determine a more appropriate price for a service that performs image processing on an image.
本発明の情報処理装置は、被写体の画像を取得する取得手段と、前記取得手段により取得された前記画像についての、画質に関する第1の解析の結果に基づいて、前記画像に対する画像処理の第1の難易度を決定する第1の決定手段と、前記被写体についての第2の解析の結果に基づいて、前記取得手段により取得された前記画像に対する前記画像処理の第2の難易度を決定する第2の決定手段と、前記第1の決定手段により決定された前記第1の難易度と、前記第2の決定手段により決定された前記第2の難易度と、に基づいて、前記取得手段により取得された前記画像に対して前記画像処理を実行するサービスの価値を示す情報を決定する第3の決定手段と、を有する。 The information processing apparatus of the present invention comprises an acquisition means for acquiring an image of a subject; and a second difficulty level for determining the second difficulty level of the image processing for the image acquired by the acquisition means based on the result of the second analysis of the subject. 2 determination means, the first difficulty level determined by the first determination means, and the second difficulty level determined by the second determination means, the acquisition means and a third determining means for determining information indicating the value of the service for performing the image processing on the acquired image.
本発明によれば、画像に対して画像処理を実行するサービスについて、より適切な価格を決定することができる。 According to the present invention, a more appropriate price can be determined for a service that performs image processing on an image.
以下に、本発明の実施の形態の一例を、図面に基づいて詳細に説明する。 An example of an embodiment of the present invention will be described in detail below with reference to the drawings.
<実施形態1>
本実施形態の情報処理装置100は、予め定められた画像処理(以下では、実行画像処理とする)を画像に対して実行するサービス(以下では、提供サービスとする)に係る価格を決定する。本実施形態では、実行画像処理は、画像から、設定されたオブジェクト(本実施形態では、構造物のひび割れ部分)を検知する処理である。そのため、提供サービスは、対象の画像から、被写体に生じているひび割れ部分を検知するサービスである。また、以下では、提供サービスに係る価格を決定する処理を、見積処理とする。
図1は、情報処理装置100のハードウェア構成の一例を示す図である。情報処理装置100は、提供サービスに係る価格を決定する情報処理装置である。本実施形態では、情報処理装置100は、パーソナルコンピュータ(PC)であるとするが、他の例として、サーバ装置、タブレット装置等の他の情報処理装置であってもよい。
情報処理装置100は、Central Processing Unit(CPU)101、Random Access Memory(RAM)102、Read Only Memory(ROM)103、ネットワークIF104を含む。また、情報処理装置100は、Video RAM(VRAM)105、入力コントローラ107、HDD109、入力IF110を含む。各要素は、入出力バス111を介して相互に通信可能に接続されている。
<
The
FIG. 1 is a diagram showing an example of a hardware configuration of an
The
CPU101は、情報処理装置100の制御を行う中央演算装置である。RAM102は、CPU101の主メモリ、実行プログラムのロード、プログラム実行に必要なワークメモリ等として機能する記憶装置である。
ROM103は、CPU101の動作処理手順を規定する制御プログラム等を記憶する記憶装置である。ROM103は、コンピュータシステムの機器制御を行う基本ソフト(OS:Operating System)のプログラムを記憶するプログラムROMと、システムの稼動に用いられる情報等を記憶するデータROMと、を含む。CPU101は、ROM103の代わりにHDD109を用いてもよい。
A
The
ネットワークIF104は、ネットワークインターフェースであり、ネットワークを介して送受信される画像データ等のデータの入出力制御を行う。本実施形態では、ネットワークIF104は、Local Area Networkに接続されているとするが、他の例として、インターネット、複数の種類のネットワークの複合ネットワーク等の他のネットワークに接続されることとしてもよい。VRAM105は、ビデオRAMである。CPU101は、VRAM105に、ディスプレイ106の画面に表示される画像データを展開する。
ディスプレイ106は、情報処理装置100の接続インターフェースを介して情報処理装置100に接続された表示装置である。本実施形態では、ディスプレイ106は、液晶ディスプレイであるとするが、他の例として、情報処理装置100から出力される情報の表示が可能な表示装置ならば液晶TV等の他の表示装置でであってもよい。
A network IF 104 is a network interface, and performs input/output control of data such as image data transmitted/received via a network. In this embodiment, the network IF 104 is connected to the Local Area Network, but as another example, it may be connected to other networks such as the Internet, a complex network of multiple types of networks, and the like. VRAM 105 is a video RAM. The
The
入力コントローラ107は、入力装置108からの入力信号を制御するコントローラである。入力装置108は、入力コントローラ107を介して情報処理装置100に接続された外部入力装置であって、ユーザによる操作を受け付ける。本実施形態では、入力装置108は、キーボードとマウスとの組であるとする。ただし、他の例として、入力装置108は、情報処理装置100への情報の入力が可能な入力装置であれば、タッチパネル、リモコン等の他の入力装置であってもよいし、他の複数の入力装置の組であってもよい。HDD109は、各種プログラム、画像等のデータ等を記憶する記憶装置である。
入力IF110は、CD(DVD)-ROMドライブ、メモリカードドライブ等の外部装置との接続に用いられるインターフェースであり、デジタルカメラで撮影された画像データの読み出し等に用いられる。入出力バス111は、各ハードウェア構成要素間の接続に用いられるバス(アドレスバス、データバス、及び制御バス)である。
CPU101が、ROM103又はHDD109に記憶されたプログラムにしたがって処理を実行することで、図2で後述する機能等の情報処理装置100の機能、図5、6で後述するフローチャートの処理等の情報処理装置100の処理が実現される。
The
The
The
図2は、情報処理装置100の機能構成の一例を示す図である。
情報処理装置100は、画像取得部201、第1の決定部202、第2の決定部203、分析部204、表示制御部205を含む。
FIG. 2 is a diagram showing an example of the functional configuration of the
The
画像取得部201は、実行画像処理の対象となる画像を取得する。本実施形態では、画像取得部201は、入力IF110を介して接続された外部記憶装置から撮影装置により撮影された画像を取得し、HDD109に記憶する。以下では、画像取得部201により取得される画像を、実行画像処理の対象となる対象画像とする。また、以下では、対象画像に撮影されている被写体を、対象被写体とする。
なお、情報処理装置100の各ハードウェア構成要素との間では、実際には画像データを示す信号のやり取りが行われるが、以下では、画像データを示す信号のやり取りを、単に画像のやり取りとして説明する。
The
Note that signals indicating image data are actually exchanged with each hardware component of the
本実施形態では、情報処理装置100は、入力IF110を介して接続された外部記憶装置から、予め撮影装置により撮影された撮影画像を取得することとした。
ただし、他の例として、情報処理装置100は、他の方法で、撮影装置により撮影された撮影画像を取得してもよい。例えば、情報処理装置100は、入力IF110を介して接続された撮影装置から、この撮影装置により撮影された撮影画像を取得してもよい。また、情報処理装置100は、HDD109に予め撮影装置により撮影された撮影画像が記憶されている場合、HDD109から記憶されている撮影画像を取得してもよい。また、情報処理装置100は、ネットワークIF104を介して、ネットワーク経由で、外部の装置から、撮影装置により撮影された撮影画像を取得してもよい。
In the present embodiment, the
However, as another example, the
第1の決定部202は、画像取得部201により取得された対象画像(対象被写体の画像)の画質の解析を行う。以下では、第1の決定部202により行われる画像の画質の解析を、画質解析とする。画質解析は、第1の解析の一例である。本実施形態では、第1の決定部202は、画質解析の手法として、公知の以下の手法を用いる。即ち、画像のボケ具合が大きいほど、画質が低いと解析する手法である。ただし、他の例として、第1の決定部202は、公知の他の手法(例えば、画素の輝度や色の分布の偏りを用いた手法等)を用いて画質解析を行ってもよい。
そして、第1の決定部202は、解析結果に基づいて、対象画像に対する実行画像処理の難易度を決定する。実行画像処理の難易度とは、実行画像処理を、設定された水準以上の精度で行うことの難しさを示す指標値である。以下では、第1の決定部202により決定された難易度を、第1の難易度とする。
The
Then, the
第2の決定部203は、画像取得部201により取得された対象画像(対象被写体の画像)を、予め定められた学習モデルを用いて、検知対象のオブジェクト(構造物のひび割れ部分)をどの程度の精度で検知できるかの解析を行う。以下では、第2の決定部203により行われる検知対象のオブジェクトをどの程度の精度で検知できるかの解析を、検知解析とする。検知解析は、第2の解析の一例である。
そして、第2の決定部203は、解析結果に基づいて、対象画像に対する実行画像処理の難易度を決定する。以下では、第2の決定部203により決定された難易度を、第2の難易度とする。
The
Then, the
分析部204は、第1の決定部202により決定された第1の難易度と、第2の決定部203により決定された第2の難易度と、に基づいて、対象画像に対して実行画像処理を実行する提供サービスに係る価格を決定する。なお、本実施形態の分析部204は、提供サービスの価値を貨幣の額で表した値である「価格」を出力する。しかしながら、分析部204の出力形式は、第1の難易度と第2の難易度に基づいて導かれる提供サービスの価値を示すものであれば、貨幣の額に限定されない。分析部204は、提供サービスの価値を、有形または無形のものの価値に置き換えた表現方法によって出力すればよい。例えば、サービスの対価を、サービス独自のあるいは一般的なポイントで支払いが可能なシステムを構築する場合、ポイント数によってサービスの価値が示されてもよい。
表示制御部205は、画像取得部201により取得された対象画像をディスプレイ106に表示する。また、表示制御部205は、分析部204により決定された提供サービスに係る価格を、ディスプレイ106に表示する。
Based on the first difficulty level determined by the
The
学習モデルデータベース206は、図3で後述する学習モデルテーブル301が記憶される記憶領域であり、HDD109に実装される。ただし、他の例として、学習モデルデータベース206は、ROM103等の他の記憶装置に実装されることとしてもよい。学習モデルとは、機械学習で学習されたモデルであって、関数やパラメータ群等で表される。
料金データベース207は、図7で後述する料金テーブル701が記憶される記憶領域であって、HDD109に実装される。ただし、他の例として、料金データベース207は、ROM103等の他の記憶装置に実装されることとしてもよい。
A
A
図3は、学習モデルを管理するテーブルである学習モデルテーブル301の一例を示す図である。学習モデルテーブル301は、予め学習された1つ以上の学習モデルの管理に用いられるテーブルである。本実施形態では、学習モデルテーブル301が示す1つ以上の学習モデルそれぞれは、画像から設定されたオブジェクト構造物のひび割れ部分)を検知する処理に用いられるモデルである。
学習モデルテーブル301は、学習モデルの識別情報を示す「ID」と、対応する学習モデルの記憶場所(Path)を示す「モデルPath」と、の項目を含む。本実施形態では、学習モデルテーブル301は、複数の学習モデルに関する情報を含む。これら複数の学習モデルは、学習で用いられたパラメータやデータセットの違い等により、特性(検知結果の表れ方)が異なっている。そのため、学習モデルにより得意、不得意な画像が異なっている。本実施形態では、学習モデルテーブル301に示される各学習モデルは、HDD109に記憶されているとするが、ROM103等の他の記憶装置に記憶されることとしてもよい。
FIG. 3 is a diagram showing an example of a learning model table 301 that is a table for managing learning models. The learning model table 301 is a table used for managing one or more learning models learned in advance. In this embodiment, each of the one or more learning models indicated by the learning model table 301 is a model used for the process of detecting the crack portion of the object structure set from the image.
The learning model table 301 includes items of “ID” indicating identification information of a learning model and “Model Path” indicating a storage location (Path) of the corresponding learning model. In this embodiment, the learning model table 301 contains information about multiple learning models. The plurality of learning models have different characteristics (how detection results appear) due to differences in the parameters and data sets used in learning. Therefore, images that are good and bad are different depending on the learning model. Although each learning model shown in the learning model table 301 is stored in the
図4(a)は、情報処理装置100によりディスプレイ106に表示されるGUI(Graphical User Interface)画面の一例を表す。
画面401は、対象画像を対象とした提供サービスに係る価格の決定の処理(見積処理)に用いられる画面である。画面401は、表示領域402、ボタン405、ボタン406、ボタン407、ボタン408を含む。表示領域402は、実行画像処理の対象となる画像(本実施形態では、対象画像)が表示される領域である。ひび割れ403は、表示領域402に表示される対象画像に写るひび割れ部分である。
4A shows an example of a GUI (Graphical User Interface) screen displayed on the
A
トレースひび割れ領域404は、ボタン405の押下に応じて、選択されたひび割れ部分の領域である。トレース処理とは、画像中から、検知対象となるオブジェクト(本実施形態では、ひび割れ部分)を指定する処理である。
ボタン405は、トレース処理の開始の指示に用いられるボタンである。本実施形態では、情報処理装置100は、トレース処理を、公知の技術を利用して実現する。より具体的には、情報処理装置100は、ユーザによる入力装置108の操作に基づいて、表示領域402に表示された対象画像中のひび割れ部分の領域の指定を受付けることで、トレース処理を実現する。
A
ボタン406は、対象画像の読込、及び、対象画像の表示領域402への表示の指示に用いられるボタンである。ボタン407は、表示領域402に表示された画像を対象とする見積処理の実行の指示に用いられるボタンである。CPU101は、ボタン407の押下を検知すると、表示領域402に表示された対象画像を対象とする見積処理を実行し、画面401の内容を遷移する。更新後の画面401については、図4(b)で後述する。
ボタン408は、画面401を閉じる処理の指示に用いられるボタンである。CPU101は、ボタン408の押下を検知した場合、画面401を閉じて、画面401を介してお行われる処理を終了する。
A
A
図4(b)は、ボタン407の押下後に内容が更新された画面401の一例を示す図である。
更新後の画面401は、表示領域402、ボタン408、表示領域411、表示領域415を含む。
図4(b)では、説明の簡略化のため、トレースひび割れ領域404を図示していない。本実施形態では、CPU101は、更新後の画面401の表示領域402に、更新前の画面401の表示領域402と同様の画像を表示することとするが、他の例として、表示領域402の画像にひび割れ部分の検知処理の結果の領域を重畳して表示してもよい。
FIG. 4B is a diagram showing an example of the
The updated
In FIG. 4(b), the
表示領域411は、対象画像に対する実行画像処理の難易度がどの程度であるかを示す情報が表示される領域である。本実施形態では、表示領域411には、縦軸が第1の難易度の値を示し、横軸が第2の難易度の値を示すグラフの情報が表示される。以下では、このグラフを、難易度グラフとする。マーカ412は、第1の決定部により決定された第1の難易度と、第2の決定部により決定された第2の難易度と、に対応する座標を示すオブジェクトである。本実施形態では、CPU101は、マーカ412の添え字として、表示領域402に表示された対象画像のファイル名を表示する。
破線413は、第1の難易度についての予め定められた閾値を示す。以下では、この閾値を、第1閾値とする。破線414は、第2の難易度についての予め定められた閾値を示す。以下では、この閾値を、第2閾値とする。
A
A dashed
例えば、難易度グラフ上で、マーカ412が、破線413より上側に存在していれば、対象画像の画質が、設定された水準よりも低いこととなる。また、例えば、難易度グラフ上で、マーカ412が、破線414より右側に存在していれば、対象画像に対する設定されたオブジェクト(ひび割れ部分)の検知処理の難しさが、設定された水準よりも高いこととなる。
また、以下では、難易度グラフ上でおいて、破線413と破線414の交点を原点とし、原点の右上の領域を第1象限とし、同様に左上を第2象限、左下を第3象限、右下を第4象限とする。
For example, if the
In the following, on the difficulty level graph, the intersection point of the dashed
表示領域415は、見積処理の結果、決定された価格が表示される領域である。
本実施形態では、画面401の情報は、予めHDD109に記憶されている。表示制御部205は、HDD109から画面401の情報を取得し、ディスプレイ106に画面401を表示する。
A
In this embodiment, the information of the
図5は、情報処理装置100の処理の一例を示すフローチャートである。図5を用いて、対象画像を対象とした提供サービスに係る価格を決定し、決定した価格を表示する処理を説明する。
図5の処理の開始の前に、表示制御部205は、HDD109から画面401の情報を取得し、取得した情報に基づいて、画面401をディスプレイ106に表示する。本実施形態では、表示制御部205は、図4(a)で説明したように表示領域402、ボタン405~408を含む画面401を表示する。そして、表示制御部205は、表示領域402にS501で取得された対象画像を表示する。
S501において、画像取得部201は、ボタン406の押下を検知したことに応じて、入力IF110を介して、対象画像を取得し、取得した対象画像をHDD109に記憶する。
FIG. 5 is a flowchart showing an example of processing of the
5, the
In step S<b>501 , the
S502において、表示制御部205は、ユーザによるボタン405の押下を検知し、検知対象となるひび割れ部分の領域の指定を受付ける。表示制御部205は、受け付けた指定が示す領域を、HDD109に記憶する。本実施形態では、表示制御部205は、1つのひび割れ部分の領域の指定を受付け、受け付けた指定が示す領域を記憶する。ただし、他の例として、表示制御部205は、複数のひび割れ部分の領域の指定を受付け、受け付けた指定が示す複数の領域を記憶することとしてもよい。
In step S<b>502 , the
S503において、第1の決定部202は、ボタン407の押下を検知したことに応じて、対象画像に対して、画質解析を行ない、第1の難易度を決定する。本実施形態では、第1の決定部202は、S501で取得された対象画像のボケの度合を、画質の程度を示す指標値(高い程、画質が低いことを示す)として特定する。そして、第1の決定部202は、特定した指標値を、第1の難易度として決定する。
S504において、第2の決定部203は、学習モデルデータベース206から学習モデルテーブル301を取得する。
In step S<b>503 , the
In S<b>504 , the
S505において、第2の決定部203は、S504で取得した学習モデルテーブル301が示す学習モデルから、1つを選択する。以下では、図5の説明において、最新のS505で選択された学習モデルを、選択学習モデルとする。また、第2の決定部203は、RAM102に暫定的な第2の難易度を記憶する記憶領域を用意する。以下では、この記憶領域を、暫定記憶領域とする。また、以下では、暫定記憶領域に記憶されている第2の難易度を暫定難易度とする。そして、第2の決定部203は、選択学習モデルを用いた検知解析として、S506~S507の処理を行う。
S506において、第2の決定部203は、選択学習モデルを用いて、対象画像に対して、実行画像処理(設定されたオブジェクト(ひび割れ部分)の検知処理)を行う。
In S505, the
In S506, the
S507において、第2の決定部203は、S506での検知処理により検知された領域と、S502で指定されたひび割れ部分の領域と、の一致の度合(再現率)を求める。本実施形態では、第2の決定部203は、S506での検知処理により検知された領域と、S502で指定されたひび割れ部分の領域と、の重複領域の面積を、S502で指定されたひび割れ部分の領域の面積で割った値を、再現率として求める。
ただし、他の例として、第2の決定部203は、S502で指定されたひび割れ部分の領域が複数ある場合、以下のようにしてもよい。即ち、第2の決定部203は、この複数のひび割れ部分の領域のうち、S506での検知処理により検知された領域の個数を、S502で指定されたひび割れ部分の領域の個数で割った値を、再現率として求めてもよい。
In S507, the
However, as another example, the second determining
そして、第2の決定部203は、求めた再現率に基づいて、選択学習モデルを用いた場合の第2の難易度を決定する。以下では、S507で決定される選択学習モデルを用いた場合の第2の難易度を、仮難易度とする。本実施形態では、第2の決定部203は、1から求めた再現率を引いた値を、選択学習モデルを用いた場合の仮難易度として決定する。
ただし、他の例として、第2の決定部203は、再現率が高い程低くなり、再現率が低い程高くなるような値であれば、他の値を仮難易度として決定してもよい。例えば、第2の決定部203は、求めた再現率の逆数を、仮難易度として決定してもよい。
Then, the
However, as another example, the second determining
S508において、第2の決定部203は、直前のS507で決定した仮難易度が、破線414が示す第2閾値(例えば、0.4、0.5等)未満であるか否かを判定する。
第2の決定部203は、直前のS507で決定した仮難易度が、第2閾値未満であると判定した場合、この仮難易度を最終的な第2の難易度に決定し、処理をS510に進める。
In S508, the
If the
また、第2の決定部203は、直前のS507で決定した仮難易度が、第2閾値以上であると判定した場合、以下の処理を行う。即ち、第2の決定部203は、直前のS507で決定した仮難易度が、暫定記憶領域に記憶されている暫定難易度よりも小さい場合、暫定記憶領域に記憶されている暫定難易度の値を、この仮難易度の値に更新する。また、第2の決定部203は、直前のS507で決定した仮難易度が、暫定記憶領域に記憶されている暫定難易度以上である場合、暫定記憶領域に記憶されている暫定難易度の値を更新しない。また、第2の決定部203は、暫定記憶領域に暫定難易度が記憶されていない場合、直前のS507で決定した仮難易度を暫定難易度として暫定記憶領域に記憶する。そして、第2の決定部203は、処理をS509に進める。
Further, when the second determining
S509において、第2の決定部203は、S504で取得した学習モデルテーブル301が示す学習モデルの全てについてS505で選択学習モデルとして選択したか否かを判定する。
第2の決定部203は、学習モデルテーブル301が示す学習モデルの全てについてS505で選択学習モデルとして選択したと判定した場合、暫定記憶領域に記憶された暫定難易度を最終的な第2の難易度に決定して、処理をS510に進める。また、第2の決定部203は、学習モデルテーブル301が示す学習モデルの中にS505で選択学習モデルとして選択していない学習モデルがあると判定した場合、処理をS505に進める。
S510において、分析部204は、S503で決定された第1の難易度と、S505~S509で決定された第2の難易度と、に基づいて、対象画像を対象とした提供サービスに係る価格を決定する。S510の処理の詳細は、図6で後述する。
In S509, the
When the
In S510, the
S511において、表示制御部205は、S510で決定された価格を、ディスプレイ106に表示することで出力する。本実施形態では、表示制御部205は、ディスプレイ106に表示されている画面401の内容を、図4(b)のように、表示領域402、ボタン408、表示領域411、表示領域415を含むように更新する。そして、表示制御部205は、表示領域415にS510で決定された価格を表示する。また、表示制御部205は、表示領域411の難易度グラフ上の第1の難易度と第2の難易度とに対応する位置に、対象画像に対応するマーカをプロットする。
In S<b>511 , the
ただし、他の例として、表示制御部205は、他の出力形式で、S510で決定された価格を出力してもよい。例えば、表示制御部205は、ユーザの端末等の予め定められた送信先に、S510で決定された価格を送信することで出力してもよい。また、例えば、表示制御部205は、HDD109等の予め定められた記憶先に、S510で決定された価格を記憶することで出力してもよい。
また、表示制御部205は、複数の異なる出力形式で、S510で決定された価格を出力してもよい。
However, as another example, the
Also, the
図6を用いて、S510の詳細を説明する。
S601において、分析部204は、S503で決定された第1の難易度と、S505~S509で決定された第2の難易度と、を取得する。
S602において、分析部204は、料金データベース207から、料金テーブル701を取得する。料金テーブル701は、第1の難易度及び第2の難易度と、提供サービスに係る価格の程度を示す指標値と、の対応を示すテーブルである。以下では、この指標値を、価格指標値とする。本実施形態では、第1の難易度が破線413の示す第1閾値未満であり、第2の難易度が破線414の示す第2閾値未満である単位サイズの画像を対象とした提供サービスに係る価格は、基本単価として予め定められている。本実施形態では、基本単価の情報は、HDD109に記憶されている。この単位サイズは、本実施形態では、1000画素×1000画素とする。本実施形態では、価格指標値は、対象画像における単位サイズの領域についての提供サービスに係る価格の基本単価を基準とした倍率を示す。
Details of S510 will be described with reference to FIG.
In S601, the
In S<b>602 , the
図7を用いて、料金テーブル701について説明する。料金テーブル701の各行は、第1の難易度の範囲を示す。また、料金テーブル701の各列は、第2の難易度の範囲を示す。
本実施形態では、料金テーブル701は、図7に示すように、2行×2列のテーブルである。料金テーブル701の1行目は、第1閾値以上となる第1の難易度の範囲を示す。また、料金テーブル701の2行目は、第1閾値未満となる第1の難易度の範囲を示す。また、料金テーブル701の1列目は、第2閾値未満となる第2の難易度の範囲を示す。料金テーブル701の2列目は、第2閾値以上となる第2の難易度の範囲を示す。
料金テーブル701の各要素は、第1の難易度が対応する行の範囲に属し、第2の難易度が対応する列の範囲に属す場合の価格指標値を示す。
A fee table 701 will be described with reference to FIG. Each row of the fee table 701 indicates the range of the first difficulty level. Also, each column of the charge table 701 indicates the range of the second difficulty level.
In this embodiment, the charge table 701 is a table of 2 rows×2 columns, as shown in FIG. The first line of the charge table 701 indicates the range of the first difficulty level equal to or higher than the first threshold. Also, the second row of the charge table 701 indicates the range of the first difficulty level that is less than the first threshold. Also, the first column of the charge table 701 indicates the range of the second difficulty that is less than the second threshold. The second column of the charge table 701 indicates the range of the second difficulty level equal to or higher than the second threshold.
Each element of the fee table 701 indicates a price index value when the first difficulty belongs to the corresponding row range and the second difficulty belongs to the corresponding column range.
本実施形態では、料金テーブル701の左下の要素は、対象画像の画質が第1閾値の示す水準以上であり、学習モデルテーブル301に管理される既存の学習モデルでの検知の精度も第2閾値の示す水準以上である場合に対応する。そのため、料金テーブル701の左下の要素が示す価格指標値は、対象画像に対する実行画像処理の難易度が、予め定められた水準以上ではないため、1(基本価格そのまま)となっている。
また、料金テーブル701の右下の要素は、対象画像の画質が、第1閾値の示す水準以上であるが、学習モデルテーブル301に管理される既存の学習モデルでの検知の精度が第2閾値の示す水準未満である場合に対応する。そのため、料金テーブル701の右下の要素が示す価格指標値は、対象画像に対する実行画像処理の難易度が、予め定められた水準以上よりも高いとして、1.5(基本価格の1.5倍)となっている。
In this embodiment, the lower left element of the fee table 701 indicates that the image quality of the target image is equal to or higher than the level indicated by the first threshold, and the detection accuracy of the existing learning model managed by the learning model table 301 is also the second threshold. Corresponds when it is equal to or higher than the level indicated by . Therefore, the price index value indicated by the lower left element of the charge table 701 is 1 (basic price as it is) because the difficulty level of the image processing to be executed on the target image is not equal to or higher than the predetermined level.
The lower right element of the fee table 701 indicates that the image quality of the target image is equal to or higher than the level indicated by the first threshold, but the detection accuracy of the existing learning model managed by the learning model table 301 is lower than the second threshold. Corresponds when it is less than the level indicated by . Therefore, the price index value indicated by the lower right element of the charge table 701 is 1.5 (1.5 times the basic price), assuming that the difficulty level of image processing to be executed on the target image is higher than a predetermined level. ).
また、料金テーブル701の左上の要素は、対象画像の画質が第1閾値の示す水準未満であり、学習モデルテーブル301に管理される既存の学習モデルでの検知の精度が第2閾値の示す水準以上である場合に対応する。そのため、料金テーブル701の左上の要素が示す価格指標値は、対象画像に対する実行画像処理の難易度が、予め定められた水準以上よりも高いとして、2(基本価格の2倍)となっている。画像の画質が低いほど学習モデルの追加学習に係る手間が大きくなる。そのため、左上の要素が示す価格指標値は、右下の要素が示す価格指標値に比べて大きな値となっている。
また、料金テーブル701の右上の要素は、対象画像の画質が第1閾値の示す水準よりも低く、学習モデルテーブル301に管理される既存の学習モデルでの検知の精度が第2閾値の示す水準よりも低い場合に対応する。そのため、料金テーブル701の右上の要素が示す価格指標値は、4つの要素の中で最も高い2.5(基本価格の2.5倍)となっている。
The upper left element of the fee table 701 indicates that the image quality of the target image is below the level indicated by the first threshold, and the detection accuracy of the existing learning model managed by the learning model table 301 is the level indicated by the second threshold. It corresponds to the case above. Therefore, the price index value indicated by the upper left element of the charge table 701 is 2 (twice the basic price), assuming that the difficulty level of image processing for the target image is higher than a predetermined level. . The lower the image quality of the image, the greater the effort involved in additional learning of the learning model. Therefore, the price index value indicated by the upper left element is larger than the price index value indicated by the lower right element.
In the upper right element of the fee table 701, the image quality of the target image is lower than the level indicated by the first threshold, and the detection accuracy of the existing learning model managed by the learning model table 301 is the level indicated by the second threshold. corresponds to the case lower than Therefore, the price index value indicated by the upper right element of the charge table 701 is 2.5 (2.5 times the base price), which is the highest among the four elements.
S603において、分析部204は、S602で取得した料金テーブル701から、S601で取得した第1の難易度と第2の難易度とに対応する価格指標値を取得する。より具体的には、分析部204は、S601で取得した第1の難易度が、料金テーブル701の各行が示す範囲のうちのどの範囲に属するかを特定し、特定した範囲に対応する行を特定する。また、分析部204は、S601で取得した第2の難易度が、料金テーブル701の各列が示す範囲のうちのどの範囲に属するかを特定し、特定した範囲に対応する列を特定する。そして、分析部204は、料金テーブル701における特定した行と、特定した列と、に対応する要素が示す価格指標値を取得する。
S604において、分析部204は、S603で取得した価格指標値に基づいて、対象画像を対象とした提供サービスに係る価格を決定する。より具体的には、分析部204は、基本単価*(対象画像のサイズ)/(単位サイズ(1000画素×1000画素))*価格指標値で求まる価格を、対象画像を対象とした提供サービスに係る価格として決定する。
In S603, the
In S604, the
以上、本実施形態では、情報処理装置100は、第1の決定部202により決定された第1の難易度と、第2の決定部203により決定された第2の難易度と、に基づいて、対象画像を対象とする提供サービスに係る価格を決定した。これにより、情報処理装置100は、対象画像に対する実行画像処理の難易度を加味したより適切な価格を決定できる。また、情報処理装置100は、ディスプレイ106に表示し、ユーザに提示できる。
As described above, in the present embodiment, the
本実施形態では、情報処理装置100は、対象画像として1枚の画像を取得することとした。ただし、他の例として、情報処理装置100は、複数の画像を対象画像として取得してもよい。
その場合、第1の決定部202は、例えば、複数の対象画像それぞれについて、第1の難易度を決定し、決定した複数の第1の難易度に基づいて、最終的な第1の難易度を決定してもよい。例えば、第1の決定部202は、複数の対象画像それぞれについて決定した第1の難易度の平均値や重心等を最終的な第1の難易度として決定してもよい。
In this embodiment, the
In that case, for example, the
また、第2の決定部203は、例えば、複数の対象画像それぞれについて、第2の難易度を決定し、決定した複数の第2の難易度に基づいて、最終的な第2の難易度を決定してもよい。例えば、第2の決定部203は、複数の対象画像それぞれについて決定した第2の難易度の平均値や重心等を最終的な第2の難易度として決定してもよい。
情報処理装置100は、このようにすることで、複数の対象画像の中に第1の難易度、第2の難易度が極端に低かったり高かったりするような場合でも、複数の対象画像を対象とした提供サービスに係る適切な価格を決定できる。
Further, the
By doing so, the
また、本実施形態では、料金テーブル701に示されるように、価格指標値は、第1の難易度と第2の難易度とに応じて、予め定められた4つの値のうちの1つの値を取り得ることとした。ただし、他の例として、価格指標値は、第1の難易度と第2の難易度とに応じて、予め定められた5つ以上の個数の値のうちの1つの値を取り得ることとしてもよい。また、価格指標値は、第1の難易度と第2の難易度とに応じて、予め定められた3つ以下の個数の値のうちの1つの値を取り得ることとしてもよい。
例えば、料金テーブル701が、2×3のテーブルであるとしてもよい。その場合、料金テーブル701の1列目が第2の難易度について予め定められた閾値A未満の範囲を示すとする。また、料金テーブル701の2列目が第2の難易度について閾値A以上であり予め定められた閾値B(閾値Aよりも大きい)未満の範囲を示し、3列目が第2の難易度について閾値B以上の範囲を示すとする。
Further, in this embodiment, as shown in the price table 701, the price index value is one of four predetermined values according to the first difficulty level and the second difficulty level. We decided to obtain However, as another example, the price index value can take one value out of five or more predetermined values according to the first difficulty level and the second difficulty level. good too. Also, the price index value may take one of three or less predetermined values according to the first difficulty level and the second difficulty level.
For example, the fee table 701 may be a 2×3 table. In that case, assume that the first column of the charge table 701 indicates the range below the predetermined threshold A for the second difficulty level. Further, the second column of the fee table 701 indicates the range of the second difficulty level that is equal to or greater than the threshold value A and less than the predetermined threshold value B (greater than the threshold value A), and the third column indicates the second difficulty level. Suppose that the range equal to or greater than the threshold value B is indicated.
また、料金テーブル701の1行目が第1の難易度について予め定められた閾値α未満の範囲を示し、2行目が以上であり予め定められた閾値B(閾値Aよりも大きい)未満の範囲を示し、3列目が第2の難易度について閾値B以上の範囲を示すとする。
そして、料金テーブル701の6個の要素が示す各価格指標は、第1の難易度と第2の難易度との値が高い程、高くなるように設定されているとする。例えば、料金テーブル701の第1列目に対応する価格指標と第2列目に対応する価格指標と第3列目に対応する価格指標とが、1:2:3となることとしてもよい。
分析部204は、このような料金テーブル701を用いることで、料金テーブル701が4つの価格指標を含む場合に比べて、より細かい粒度で、対象画像を対象とする提供サービスに係る価格を決定できる。
Also, the first row of the charge table 701 indicates the range of the first difficulty level below the predetermined threshold value α, and the second row indicates the range above the predetermined threshold value B (greater than the threshold value A). Suppose that the third column indicates the range above the threshold B for the second difficulty level.
Each price index indicated by the six elements of the fee table 701 is set to increase as the values of the first difficulty level and the second difficulty level increase. For example, the price index corresponding to the first column, the price index corresponding to the second column, and the price index corresponding to the third column of the charge table 701 may be 1:2:3.
By using such a price table 701, the
また、本実施形態では、情報処理装置100は、予め定められた料金テーブル701を用いて、価格指標を取得することとした。ただし、他の例として、情報処理装置100は、第1の難易度と第2の難易度とを引数として、価格指標を出力する予め定められた関数を用いて、価格指標を取得することとしてもよい。
また、本実施形態では、第2の決定部203は、検知解析において再現率を求めて、求めた再現率を用いて、第2の難易度を決定した。ただし、他の例として、第2の決定部203は、検知解析において誤検知率を求めて、誤検知率を用いて第2の難易度を決定してもよい。誤検知率とは、S506での検知処理で検知された領域のうちS502で指定された領域以外の領域の、S506での検知処理で検知された領域全体に対する割合である。そして、第2の決定部203は、求めた誤検知率を、第2の難易度として決定してもよい。
Further, in the present embodiment, the
Further, in the present embodiment, the
また、第2の決定部203は、検知解析において再現率と誤検知率との両方を求めて、求めた再現率と誤検知率とに基づいて、第2の難易度を決定してもよい。例えば、第2の決定部203は、((1-再現率)+誤検知率)/2の値を、第2の難易度として決定してもよい。
また、第2の決定部203は、S502で指定された領域が複数ある場合には、S506で検知した領域と、S502で指定された複数の領域と、に基づいて、第2の難易度を決定してもよい。例えば、第2の決定部203は、S502で指定された複数の領域それぞれについて、仮難易度を決定し、決定した仮難易度の平均値を第2の難易度に決定してもよい。また、例えば、第2の決定部203は、S502で指定された複数の領域のうちS506で検知できた領域の数が多いほど大きくなるように第2の難易度を決定してもよい。
Further, the second determining
Further, when there are a plurality of areas designated in S502, the
また、第2の決定部203は、S508を行うことで、仮難易度が第2閾値未満の場合S505~S509のループ処理から抜け出すこととした。ただし、第2の決定部203は、S508の処理を行わないこととしてもよい。その場合、第2の決定部203は、学習モデルテーブル301で管理される全ての学習モデルについてS506、S507の処理を行うことで求まる仮難易度から第2の難易度を決定してもよい。例えば、第2の決定部203は、求めた仮難易度のうち、最小の仮難易度を、第2の難易度として決定してもよい。
また、第2の決定部203は、例えば、全ての学習モデルについてのS506、S507の処理で求まった仮難易度から最大の値を抽出し、その難易度の結果に対してS508と同様の閾値判定をしてもよい。ただし、この場合は正式受注後にどの学習モデルを選択すればよいかの正確度が上がるが、全学習モデルに対してひび割れ検知処理を行うため、処理時間がかかる。逆に言えば、図5のようにS508で条件分岐を行う方法では、価格の決定に係る時間を節約できるという利点がある。
Further, the second determining
In addition, the
また、本実施形態では、第1の決定部202は、画質解析で、対象画像のボケの度合を求めて、求めたボケの度合を、第1の難易度として決定した。ただし、第1の決定部202は、他の手法で、第1の難易度を決定してもよい。
例えば、第1の決定部202は、画質解析で、対象画像について、画素の輝度についてのヒストグラムを求め、求めたヒストグラムに基づいて第1の難易度を決定してもよい。例えば、第1の決定部202は、求めたヒストグラムにおける明側もしくは暗側の分布に偏りの有無に応じて、分布に偏りがある程高くなるように第1の難易度を決定してもよい。
また、例えば、第1の決定部202は、画質解析で、対象画像について、画素の色(例えば、RGB等)それぞれについてのヒストグラムを求め、求めたヒストグラムに基づいて第1の難易度を決定してもよい。例えば、第1の決定部202は、各色のヒストグラムの明側(値が大きい側)に偏りの有無に基づいて、分布に偏りがある程高くなるように第1の難易度を決定してもよい。
また、第1の決定部202は、複数種類の解析を、画質解析として行い、複数の解析結果に基づいて、第1の難易度を決定してもよい。
Further, in the present embodiment, the
For example, the first determining
Also, for example, the first determining
Further, the
<実施形態2>
実施形態1では、情報処理装置100は、検知解析の結果に基づいて、第2の難易度を決定した。本実施形態の情報処理装置100は、対象画像と予め実行画像処理が実行された画像との類似性の解析結果に基づいて、第2の難易度を決定する。
本実施形態の情報処理装置100のハードウェア構成は、実施形態1と同様である。
<
In the first embodiment, the
The hardware configuration of the
また、本実施形態の情報処理装置100の機能構成は、実施形態1と同様である。ただし、本実施形態では、第2の決定部203は、検知解析ではなく、対象画像と、特徴量が既知であり、予め実行画像処理が実行された画像と、の類似の度合を求める解析である画像類似解析の結果に基づいて、第2の難易度を決定する。画像類似解析は、第2の解析の一例である。本実施形態では、第2の決定部203は、図8に示すように、学習モデルデータベース206に記憶された学習モデルではなく、特徴量データベース801に記憶された特徴量を用いて、第2の難易度を決定する。
特徴量データベース801は、図9で後述する特徴量テーブル901が記憶される記憶領域であり、HDD109に実装される。ただし、他の例として、特徴量データベース801は、ROM103に実装されることとしてもよい。
Also, the functional configuration of the
A
図9は、特徴量データベース801に記憶された特徴量テーブル901の一例を示す図である。特徴量テーブル901は、特徴量を識別する「ID」、特徴量の1つであるRGBそれぞれについての平均色を示す「RGB平均色」、特徴量の1つである平均輝度値を示す「輝度値」、特徴量の1つであるF値を示す「F値」の項目を含む。特徴量テーブル901の各行の特徴量は、それぞれ、既に実行画像処理が実行された画像の特徴量を示す。即ち、本実施形態では、情報処理装置100は、既に実行画像処理が実行された画像と対象画像との類似の度合に基づいて、対象画像に対する実行画像処理の難易度である第2の難易度を決定する。
本実施形態では、第2の決定部203は、比較対象の2つの画像の類似の度合を判断するために、それぞれの画像の特徴量間の距離を求める。本実施形態では、特徴量テーブル901には、特徴量として、RGB平均色、平均輝度値、F値が含まれるが、他の種類の特徴量が含まれることとしてもよい。例えば、特徴量テーブル901には、画像を解析して得られるヒストグラムや、ハイパスフィルタを行って得られる鮮鋭度等の特徴量が含まれることとしてもよい。
FIG. 9 is a diagram showing an example of a feature amount table 901 stored in the
In this embodiment, the second determining
図10は、本実施形態の情報処理装置100の処理の一例を示すフローチャートである。図10のS501~S503、S510、S511それぞれの処理は、図5と同様である。図10の処理のうち図5と異なっている点について説明する。
S1001において、第2の決定部203は、対象画像から、予め定められた特徴量(本実施形態では、特徴量テーブル901に管理されるRGB平均色、平均輝度値、F値)を取得する。
S1002において、第2の決定部203は、特徴量データベース801から特徴量テーブル901を取得する。そして、第2の決定部203は、特徴量テーブル901から1行分の特徴量を選択する。以下、図10の説明において最新のS1002で選択された特徴量を選択特徴量とする。また、第2の決定部203は、RAM102に暫定難易度を記憶する暫定記憶領域を用意する。
FIG. 10 is a flowchart showing an example of processing of the
In S<b>1001 , the
In S<b>1002 , the
S1003において、第2の決定部203は、S1001で求めた特徴量と、選択特徴量と、に基づいて、対象画像と選択特徴量に対応する画像(以下では、比較画像とする)との類似の度合を示す指標として、特徴量間の距離を求める。対象画像と選択特徴量との特徴量間の距離を求める解析は、画像類似解析の一例である。
本実施形態では、第2の決定部203は、対象画像について、RGBの各色を0から1に正規化し、画像全体のRGB各色の平均値を求めて、RGB空間内での位置を求める。そして、第2の決定部203は、求めたRGB空間内での位置と、選択特徴量の「RGB平均色」が示すRGB空間内の位置と、の間の距離を求め、求めた距離を正規化し、RGB平均色についての特徴量間の距離を求める。
また、第2の決定部203は、対象画像について、画像全体の輝度値の平均値を求める。そして、第2の決定部203は、求めた輝度値の平均値と、選択特徴量の「輝度値」が示す輝度値の平均値と、の差分を正規化することで、平均輝度値についての特徴量間の距離を求める。
In S1003, the
In this embodiment, the second determining
The
また、第2の決定部203は、対象画像について、F値を求める。そして、第2の決定部203は、求めたF値と、選択特徴量の「F値」が示すF値と、の差を求める。その際、第2の決定部203は、F2やF2.8といった絞りの1段を1単位として、1段の差に応じた特徴量間の距離を0.25とし、4段以上離れた場合は1とする。これにより、第2の決定部203は、F値についての特徴量間の距離を求める。
そして、第2の決定部203は、RGB平均色、平均輝度値、F値それぞれについて求めた特徴量間の距離の平均値を、対象画像と比較画像との特徴量間の距離の最終的な値として求める。そして、第2の決定部203は、求めた特徴量間の距離を、仮難易度として決定する。
Also, the
Then, the second determining
S1004において、第2の決定部203は、S1003で決定した仮難易度が予め定められた閾値(破線414が示す第2閾値)未満であるか否かを判定する。なお、本実施形態の第2閾値は、実施形態1の場合と異なる値であってもよい。第2の決定部203は、S1003で決定した仮難易度が予め定められた閾値未満であると判定した場合、仮難易度を最終的な第2の難易度に決定し、処理をS510に進める。
また、第2の決定部203は、S1003で決定した仮難易度が予め定められた閾値以上であると判定した場合、処理をS1005に進める。また、この場合、第2の決定部203は、S1003で決定した仮難易度が、暫定記憶領域に記憶された値よりも小さければ、暫定記憶領域に記憶された値を、S1003で決定した仮難易度の値で更新する。また、第2の決定部203は、暫定記憶領域に値が記憶されていない場合、S1003で決定した仮難易度の値を、暫定記憶領域に記憶する。
本実施形態では、S1004で用いられる第2閾値は、予め定められた閾値であるとするが、他の例として、入力装置108を介してユーザから指定された閾値であってもよいし、統計的な手法により求められた閾値であってもよい。
In S1004, the
If the second determining
In this embodiment, it is assumed that the second threshold used in S1004 is a predetermined threshold. It may be a threshold value obtained by a conventional method.
S1005において、第2の決定部203は、特徴量テーブル901内の全ての特徴量について、S1002で選択特徴量として選択したか否かを判定する。第2の決定部203は、特徴量テーブル901内の全ての特徴量について、S1002で選択特徴量として選択したと判定した場合、暫定記憶領域に記憶されている値を、最終的な第2の難易度として決定し、処理をS510に進める。第2の決定部203は、特徴量テーブル901内の特徴量の中にS1002で選択特徴量として選択していない特徴量があると判定した場合、処理をS1002に進める。
In S1005, the
本実施形態では、情報処理装置100は、既に実行画像処理を実行済みの画像との類似の度合から第2の難易度を求めた。情報処理装置100は、類似の度合が高い程、既に処理済みの画像と似ている特徴があるため、第2の難易度が低いと決定する。また、情報処理装置100は、類似の度合が低い程、未知の画像である可能性が高いとして第2の難易度を高く決定する。これにより、情報処理装置100は、既に実行画像処理が実行済みの画像との類似の度合を加味した上で、対象画像を対象とした提供サービスに係る価格をより適切に決定できる。
なお、情報処理装置100は、特徴量間の距離を求める際に、本実施形態で用いた特徴量と異なる特徴量を用いてもよい。また、情報処理装置100は、類似の度合を他の方法で求めてもよく、機械学習の手法を用いて求めてもよい。
In the present embodiment, the
Note that the
<実施形態3>
実施形態1、2では、情報処理装置100は、対象画像に対する解析結果に基づいて、第2の難易度を決定した。本実施形態の情報処理装置100は、対象画像の被写体である対象被写体の構造物に関する情報(以下では、構造物情報とする)に基づいて、対象被写体の構造物と予め定められた構造物との類似の度合を解析し、解析結果に基づいて第2の難易度を決定する。
本実施形態の情報処理装置100のハードウェア構成は、実施形態1と同様である。
<
In
The hardware configuration of the
また、本実施形態の情報処理装置100の機能構成は、実施形態1と同様である。ただし、本実施形態では、第2の決定部203は、検知解析ではなく、対象被写体と、予め定められた構造物と、の類似の度合を求める解析である被写体解析の結果に基づいて、第2の難易度を決定する。被写体解析は、第2の解析の一例である。本実施形態では、第2の決定部203は、図11に示すように、学習モデルデータベース206に記憶された学習モデルではなく、構造物データベース1101に記憶された予め定められた構造物情報を用いて、第2の難易度を決定する。
構造物データベース1101は、図13で後述する構造物情報テーブル1301が記憶される記憶領域であり、HDD109に実装される。ただし、他の例として、構造物データベース1101は、ROM103に実装されることとしてもよい。
Also, the functional configuration of the
The
図12は、本実施形態の画面401の一例を示す図である。本実施形態では、画面401は、対象被写体の構造物情報の入力に用いられる。本実施形態では、情報処理装置100は、図4(a)の画面401の代わりに、図12の画面401をディスプレイ106に表示する。
本実施形態の画面401は、項目名称領域1202、項目指定領域1203、ボタン406、ボタン407を含む。項目名称領域1202は、対象被写体である構造物情報の項目を示す領域である。図12の例では、項目名称領域1202には、構造物の種類を示す「案件構造」、構造物の竣工年度を示す「竣工年度」、構造物の長さを示す「案件長さ」、チョークの量を示す「チョーク量」、シミの量を示す「シミ量」が示されている。ただし、他の例として、項目名称領域1202は、図12に示されている項目以外の項目を含んでいてもよい。
項目指定領域1203は、項目名称領域1202に示される各項目についての値の指定に用いられる領域である。
FIG. 12 is a diagram showing an example of the
The
An
図13は、構造物データベース1101に記憶された構造物情報テーブル1301の一例を示す図である。
本実施形態では、構造物情報テーブル1301は、構造物の識別情報を示す「ID」、構造物の種類を示す「構造」、構造物の竣工年度を示す「竣工」、構造物の長さを示す「案件長さ」の項目を含む。また、構造物情報テーブル1301は、構造物のチョークの量を示す「チョーク量」、構造物のシミの量を示す「シミ量」の項目を含む。構造物情報テーブルの各行は、既に画像が撮影され、実行画像処理が実行された構造物についての構造物情報を示す。
FIG. 13 is a diagram showing an example of a structure information table 1301 stored in the
In this embodiment, the structure information table 1301 includes "ID" indicating the identification information of the structure, "structure" indicating the type of structure, "completion" indicating the completion year of the structure, and the length of the structure. Include an item for "issue length" that indicates. The structure information table 1301 also includes items of "amount of chalk" indicating the amount of chalk on the structure and "amount of stain" indicating the amount of stain on the structure. Each row of the structure information table indicates structure information about a structure for which an image has already been captured and execution image processing has been performed.
図14は、本実施形態の情報処理装置100の処理の一例を示すフローチャートである。図14のS501~S503、S510、S511それぞれの処理は、図5と同様である。図14の処理のうち図5と異なっている点について説明する。
S1401において、第2の決定部203は、画面401内の項目指定領域1203に指定された対象被写体の構造物についての構造物情報を取得する。以下では、S1401で取得された対象被写体の構造物についての構造物情報を、取得情報とする。
S1402において、第2の決定部203は、構造物データベース1101から構造物情報テーブル1301を取得する。そして、第2の決定部203は、構造物情報テーブル1301から1行分の構造物情報を選択する。以下、図10の説明において最新のS1002で選択された情報を選択情報とする。また、第2の決定部203は、RAM102に暫定難易度を記憶する暫定記憶領域を用意する。
FIG. 14 is a flowchart showing an example of processing of the
In S<b>1401 , the
In S<b>1402 , the
S1403において、第2の決定部203は、S1401で取得した取得情報と選択情報との類似の度合(類似度)を求めて、求めた類似度に基づいて、第2の難易度を決定する。取得情報と選択情報との類似度を求める解析は、被写体解析の一例である。
より具体的には、第2の決定部203は、構造物情報の設定された項目(本実施形態では、構造物の種類、竣工年度、構造物の長さ、チョークの量、シミの量)それぞれについて、取得情報と選択情報とが一致しているか否かを特定する。そして、第2の決定部203は、1つの項目について、一致している場合、類似の度合を示す指標値(類似値)を1として、一致していない場合、類似値を0とする。そして、第2の決定部203は、設定された項目全体について、類似値の合計を求めて、求めた合計を、項目全体の個数で割った値を、取得情報と選択情報との類似度として求める。例えば、構造物情報に含まれる項目が5つであり、一致する項目が2つの場合、類似度は、2/5で0.4となる。
そして、第2の決定部203は、1から求めた類似度を引いた値を、第2の難易度として決定する。ただし、第2の決定部203は、類似度が高い程低くなり、類似度が低い程高くなるような指標値であれば、他の指標値を第2の難易度として決定してもよい。例えば、第2の決定部203は、求めた類似度の逆数を、第2の難易度として決定してもよい。
In S1403, the second determining
More specifically, the
Then, the
本実施形態では、第2の決定部203は、設定された項目それぞれについて、取得情報と選択情報とが一致するか否かに基づいて、取得情報と選択情報との類似値を求めることとする。ただし、他の例として、第2の決定部203は、構造物情報の項目によっては、元の値をそのまま比較するだけでなく、加工した値で比較して一致するか否かを決定してもよい。例えば、第2の決定部203は、竣工年度について、取得情報と選択情報との差分が、設定された閾値よりも小さい場合、取得情報と選択情報とが一致すると決定し、設定された閾値以上の場合、取得情報と選択情報とが一致しないと決定してもよい。
また、第2の決定部203は、比較対象の構造物情報の竣工年度同士の差を、所定の年数(例えば10年)で区分けされた何れの段階に属するかに応じて、類似値を決定してもよい。例えば、第2の決定部203は、この差が、10年未満である場合、類似値を1.0として、10年以上20年未満である場合、類似値を0.75として、20年以上30年未満である場合、類似値を0.5としてもよい。そして、第2の決定部203は、この差が、30年以上40年未満である場合、類似値を0.25、40年以上である場合、類似値を0としてもよい。
In this embodiment, the second determining
Further, the
S1404において、第2の決定部203は、S1403で決定した仮難易度が予め定められた閾値(破線414が示す第2閾値)未満か否かを判定する。本実施形態の第2閾値は、実施形態1、2の場合と異なる値であってもよい。第2の決定部203は、S1403で決定した仮難易度が第2閾値未満であると判定した場合、この仮難易度を最終的な第2の難易度として決定し、処理をS510に進める。
また、第2の決定部203は、S1403で決定した仮難易度が第2閾値以上であると判定した場合、処理をS1405に進める。また、この場合、第2の決定部203は、S1403で決定した仮難易度が、暫定記憶領域に記憶された値よりも小さければ、暫定記憶領域に記憶された値を、S1403で決定した仮難易度の値で更新する。また、第2の決定部203は、暫定記憶領域に値が記憶されていない場合、S1403で決定した仮難易度の値を、暫定記憶領域に記憶する。
In S1404, the
If the
S1405において、第2の決定部203は、構造物情報テーブル1301内の全ての構造物情報について、S1402で選択情報として選択したか否かを判定する。
第2の決定部203は、構造物情報テーブル1301内の全ての構造物情報について、S1402で選択情報として選択したと判定した場合、暫定記憶領域に記憶されている値を最終的な第2の難易度として決定し、処理をS510に進める。第2の決定部203は、構造物情報テーブル1301内にS1402で選択情報として選択されていない構造物情報があると判定した場合、処理をS1402に進める。
In S1405, the
When the
以上、本実施形態では、情報処理装置100は、提供サービスの対象となる対象被写体の構造物情報を取得し、取得した情報と、既に実行画像処理が実行済みの画像に対応する構造物情報との類似の度合から、第2の難易度を算出する。情報処理装置100は、対象被写体の構造物情報と、予め定められた構造物情報と、の類似度が高い程、低くなるように、また、この類似度が低い程、高くなるように、第2の難易度を決定することとした。これにより、情報処理装置100は、画像の解析で得られない被写体の情報を加味した第2の難易度を決定できる。情報処理装置100は、画像の解析からだけでは求めることが困難な構造物情報(例えば、構造物の種類、形状、製造年度の情報等)を加味した第2の難易度を決定できる。即ち、情報処理装置100は、構造物情報を加味したうえで、対象画像を対象とする提供サービスに係る価格を決定できる。
なお、本実施形態の情報処理装置に実施形態1や実施形態2で行っている画像処理による難易度算出の手法を加えてもよい。例えば、情報処理装置100は、2軸で無く、複数の軸で判定し、価格指標を決定してもよい。
As described above, in the present embodiment, the
Note that the method of calculating the difficulty level by image processing performed in the first and second embodiments may be added to the information processing apparatus of the present embodiment. For example, the
<その他の実施形態>
実施形態1~3では、実行画像処理は、画像から、構造物のひび割れ部分を検出する処理であるとした。ただし、他の例として、実行画像処理は、画像から、構造物のひび割れ部分と異なるオブジェクト(例えば、構造物における塗料が剥げている部分、構造物における歪曲している部分等)を検出する処理であるとしてもよい。また、実行画像処理は、画像から、複数の種類のオブジェクトを検出する処理であるとしてもよい。
なお、実施形態1~3で上述した各処理部のうち、第1の決定部202、第2の決定部203、分析部204等については、情報処理装置100は、その代わりとして、機械学習された学習済みモデルを代わりに用いて処理してもよい。その場合には、例えば、その処理部への入力データと出力データとの組合せを学習データとして複数個準備し、それらから機械学習によって知識を獲得し、獲得した知識に基づいて入力データに対する出力データを結果として出力する学習済みモデルを生成する。学習済みモデルは、例えばニューラルネットワークモデルで構成可能である。そして、その学習済みモデルは、これらの処理部と同等の処理をするためのプログラムとして、CPUあるいはGPUなどと協働で動作することにより、前記処理部の処理を行う。なお、情報処理装置100は、上記学習済みモデルを、必要に応じて一定の処理後に更新するようにしてもよい。
<Other embodiments>
In
Among the processing units described above in
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記録媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサがプログラムを読み出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。 The present invention supplies a program that implements one or more functions of the above-described embodiments to a system or apparatus via a network or a recording medium, and one or more processors in the computer of the system or apparatus reads and executes the program. It can also be realized by processing to It can also be implemented by a circuit (for example, ASIC) that implements one or more functions.
例えば、上述した情報処理装置100の機能構成の一部又は全てをハードウェアとして情報処理装置100に実装してもよい。以上、本発明の実施形態の一例について詳述したが、本発明は係る特定の実施形態に限定されるものではない。例えば、上述した各実施形態を任意に組み合わせる等してもよい。
For example, part or all of the functional configuration of the
100 情報処理装置
101 CPU
100
Claims (10)
前記取得手段により取得された前記画像についての、画質に関する第1の解析の結果に基づいて、前記画像に対する画像処理の第1の難易度を決定する第1の決定手段と、
前記被写体についての第2の解析の結果に基づいて、前記取得手段により取得された前記画像に対する前記画像処理の第2の難易度を決定する第2の決定手段と、
前記第1の決定手段により決定された前記第1の難易度と、前記第2の決定手段により決定された前記第2の難易度と、に基づいて、前記取得手段により取得された前記画像に対して前記画像処理を実行するサービスの価値を示す情報を決定する第3の決定手段と、
を有する情報処理装置。 acquisition means for acquiring an image of a subject;
a first determination means for determining a first difficulty level of image processing for the image based on a result of a first analysis regarding image quality of the image acquired by the acquisition means;
a second determining means for determining a second difficulty level of the image processing for the image acquired by the acquiring means based on the result of the second analysis of the subject;
Based on the first difficulty level determined by the first determination means and the second difficulty level determined by the second determination means, the image acquired by the acquisition means a third determining means for determining information indicating the value of the service for executing the image processing;
Information processing device having
前記第3の決定手段により決定された前記価格を出力する第1の出力手段を更に有する請求項1乃至4の何れか1項に記載の情報処理装置。 the information indicating the value of the service is the price of the service;
5. The information processing apparatus according to claim 1, further comprising first output means for outputting said price determined by said third determination means.
前記取得手段により取得された前記画像についての、画質に関する第1の解析の結果に基づいて、前記画像に対する画像処理の第1の難易度を決定する第1の決定手段と、
前記被写体についての第2の解析の結果に基づいて、前記取得手段により取得された前記画像に対する前記画像処理の第2の難易度を決定する第2の決定手段と、
前記第1の決定手段により決定された前記第1の難易度と、前記第2の決定手段により決定された前記第2の難易度と、に基づいて、前記取得手段により取得された前記画像に対して前記画像処理を実行するサービスの価値を示す情報を決定する第3の決定手段と、
を有するシステム。 acquisition means for acquiring an image of a subject;
a first determination means for determining a first difficulty level of image processing for the image based on a result of a first analysis regarding image quality of the image acquired by the acquisition means;
a second determining means for determining a second difficulty level of the image processing for the image acquired by the acquiring means based on the result of the second analysis of the subject;
Based on the first difficulty level determined by the first determination means and the second difficulty level determined by the second determination means, the image acquired by the acquisition means a third determining means for determining information indicating the value of the service for executing the image processing;
A system with
被写体の画像を取得する取得ステップと、
前記取得ステップで取得された前記画像についての、画質に関する第1の解析の結果に基づいて、前記画像に対する画像処理の第1の難易度を決定する第1の決定ステップと、
前記被写体についての第2の解析の結果に基づいて、前記取得ステップで取得された前記画像に対する前記画像処理の第2の難易度を決定する第2の決定ステップと、
前記第1の決定ステップで決定された前記第1の難易度と、前記第2の決定ステップで決定された前記第2の難易度と、に基づいて、前記取得ステップで取得された前記画像に対して前記画像処理を実行するサービスの価値を示す情報を決定する第3の決定ステップと、
を含む情報処理方法。 An information processing method executed by an information processing device,
an acquisition step of acquiring an image of a subject;
a first determination step of determining a first difficulty level of image processing for the image based on a result of a first image quality analysis of the image acquired in the acquisition step;
a second determination step of determining a second difficulty level of the image processing for the image acquired in the acquisition step based on a result of a second analysis of the subject;
Based on the first difficulty determined in the first determination step and the second difficulty determined in the second determination step, the image acquired in the acquisition step a third determining step of determining information indicative of the value of the service performing the image processing for the
Information processing method including.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019111305A JP7337557B2 (en) | 2019-06-14 | 2019-06-14 | Information processing device, system, information processing method and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019111305A JP7337557B2 (en) | 2019-06-14 | 2019-06-14 | Information processing device, system, information processing method and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020204835A JP2020204835A (en) | 2020-12-24 |
JP7337557B2 true JP7337557B2 (en) | 2023-09-04 |
Family
ID=73838402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019111305A Active JP7337557B2 (en) | 2019-06-14 | 2019-06-14 | Information processing device, system, information processing method and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7337557B2 (en) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7023425B1 (en) * | 2021-03-29 | 2022-02-21 | 三菱電機株式会社 | Information processing equipment, information processing methods, and information processing programs |
CN114170204B (en) * | 2021-12-13 | 2024-06-21 | 国网重庆市电力公司电力科学研究院 | Image metering pricing method |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012109750A (en) | 2010-11-16 | 2012-06-07 | Konica Minolta Business Technologies Inc | Image processing system and image processing method |
JP2015123047A (en) | 2013-12-27 | 2015-07-06 | 富士ゼロックス株式会社 | Image processing device and program |
WO2017126368A1 (en) | 2016-01-22 | 2017-07-27 | 富士フイルム株式会社 | Imaging support device and imaging support method |
-
2019
- 2019-06-14 JP JP2019111305A patent/JP7337557B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012109750A (en) | 2010-11-16 | 2012-06-07 | Konica Minolta Business Technologies Inc | Image processing system and image processing method |
JP2015123047A (en) | 2013-12-27 | 2015-07-06 | 富士ゼロックス株式会社 | Image processing device and program |
WO2017126368A1 (en) | 2016-01-22 | 2017-07-27 | 富士フイルム株式会社 | Imaging support device and imaging support method |
Also Published As
Publication number | Publication date |
---|---|
JP2020204835A (en) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101346539B1 (en) | Organizing digital images by correlating faces | |
US11378522B2 (en) | Information processing apparatus related to machine learning for detecting target from image, method for controlling the same, and storage medium | |
US8542951B2 (en) | Image retrieval device and computer program for image retrieval applicable to the image retrieval device | |
CN109426835A (en) | Information processing unit, the control method of information processing unit and storage medium | |
JP2005339522A (en) | Method for automatically identifying hair region | |
WO2015115274A1 (en) | Object assessment device, image sensor, and object assessment method | |
US10762372B2 (en) | Image processing apparatus and control method therefor | |
US20120207379A1 (en) | Image Inspection Apparatus, Image Inspection Method, And Computer Program | |
US20150356342A1 (en) | Image processing apparatus, image processing method, and storage medium | |
JP7337557B2 (en) | Information processing device, system, information processing method and program | |
JP2020129439A (en) | Information processing system and information processing method | |
CN112837108A (en) | Information processing method and device and electronic equipment | |
CN114374760A (en) | Image testing method and device, computer equipment and computer readable storage medium | |
JP2010008159A (en) | Visual inspection processing method | |
CN109740409A (en) | Information processing unit and method, photographic device, camera arrangement and storage medium | |
CN106355182A (en) | Methods and devices for object detection and image processing | |
JP7154786B2 (en) | Image processing device, image processing method and program | |
US20220292662A1 (en) | Information processing apparatus,information processing method,and non-transitory computer-readable storage medium | |
US20230080978A1 (en) | Machine learning method and information processing apparatus for machine learning | |
JP2001195579A (en) | Image evaluating device | |
JP2018197692A (en) | Damage state processing system | |
JP2018005612A (en) | Image processing device, image processing method, and program | |
JP2006260410A (en) | Evaluation apparatus and method for image processing algorithm, producing system and method, program for making computer function as evaluation system, and program for making computer function as producing system | |
JP2021197599A (en) | Image processing apparatus, image processing method, and program | |
WO2024095721A1 (en) | Image processing device and image processing method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220610 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230414 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230425 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230531 |
|
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: 20230725 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230823 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7337557 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |