JP7382038B2 - 情報処理システム、情報処理装置、情報処理方法、及びプログラム - Google Patents
情報処理システム、情報処理装置、情報処理方法、及びプログラム Download PDFInfo
- Publication number
- JP7382038B2 JP7382038B2 JP2019215755A JP2019215755A JP7382038B2 JP 7382038 B2 JP7382038 B2 JP 7382038B2 JP 2019215755 A JP2019215755 A JP 2019215755A JP 2019215755 A JP2019215755 A JP 2019215755A JP 7382038 B2 JP7382038 B2 JP 7382038B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- waves
- deposit
- output
- thickness
- 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
- 230000010365 information processing Effects 0.000 title claims description 44
- 238000003672 processing method Methods 0.000 title claims description 8
- 238000001514 detection method Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 25
- 239000000284 extract Substances 0.000 claims description 9
- 230000000704 physical effect Effects 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 1
- 239000013598 vector Substances 0.000 description 41
- 238000010586 diagram Methods 0.000 description 23
- 102100040841 C-type lectin domain family 5 member A Human genes 0.000 description 17
- 101150008824 CLEC5A gene Proteins 0.000 description 17
- 101150056111 MDL1 gene Proteins 0.000 description 17
- 101100386697 Magnaporthe oryzae (strain 70-15 / ATCC MYA-4617 / FGSC 8958) DCL1 gene Proteins 0.000 description 17
- 238000000149 argon plasma sintering Methods 0.000 description 17
- 101150095628 MDL2 gene Proteins 0.000 description 14
- 101100062770 Magnaporthe oryzae (strain 70-15 / ATCC MYA-4617 / FGSC 8958) DCL2 gene Proteins 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 101100236856 Prunus serotina MDL3 gene Proteins 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 101100236857 Prunus serotina MDL4 gene Proteins 0.000 description 10
- 239000013049 sediment Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 241000533950 Leucojum Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000011499 joint compound Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4785—Standardising light scatter apparatus; Standards therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/02—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/04—Systems determining the presence of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/481—Constructional features, e.g. arrangements of optical elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/481—Constructional features, e.g. arrangements of optical elements
- G01S7/4816—Constructional features, e.g. arrangements of optical elements of receivers alone
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
- G08B19/02—Alarm responsive to formation or anticipated formation of ice
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N2021/4733—Discriminating different types of scatterers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
- G01S2007/4975—Means for monitoring or calibrating of sensor obstruction by, e.g. dirt- or ice-coating, e.g. by reflection measurement on front-screen
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Environmental Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Description
図1は、実施形態に係る情報処理システム1の構成の一例を示す図である。図示のように、情報処理システム1は、複数のセンサ10-1~10-n(nは任意の自然数)と、情報処理装置100と、学習装置200とを備える。これらの装置は、ネットワークNWに接続される。ネットワークNWは、例えば、WAN(Wide Area Network)やLAN(Local Area Network)などである。複数のセンサ10-1~10-nのうちいずれかを区別しない場合、これらセンサ10-1~10-nをまとめてセンサ10と称して説明する。
図5は、実施形態に係る情報処理装置100の構成の一例を示す図である。図示のように、情報処理装置100は、例えば、通信部102と、表示部104と、制御部110と、記憶部130とを備える。
以下、フローチャートに即して制御部110の運用時の一連の処理の流れを説明する。「運用(ランタイム)」とは、予め学習された推定モデルMDLの出力結果を用いて、センサ10の上方(透過部材16の上面)に堆積した堆積物の状態量を推定することをいう。図6は、実施形態の制御部110の一連の処理の流れの一例を示すフローチャートである。本フローチャートの処理は、例えば、所定の周期で繰り返し行われてよい。
図8は、推定モデルMDLに特徴量を入力する様子を模式的に示す図である。推定モデルMDLには、推定対象である状態量Sの種類に応じて、個別に学習された複数のモデルが含まれる。例えば、状態量Sには、堆積物の種類、性質、物理的特性などが含まれる。物理的特性には、例えば、堆積物の厚さ(深さ)、密度、含水率などが含まれる。このような場合、推定モデルMDLには、堆積物の厚さを推定するための厚さ推定モデルMDL1や、堆積物の性質を推定するための性質推定モデルMDL2、堆積物の密度を推定するための密度推定モデルMDL3、堆積物の種類を推定するための種類推定モデルMDL4などが含まれる。これらのモデルはディープニューラルネットワークであってよい。なお、推定モデルMDLに含まれるモデルの数は4つに限られず、2つや3つであってもよいし、5つ以上であってもよい。
図9は、厚さ推定モデルMDL1の具体的な構成の一例を示す図である。図示の例のように、厚さ推定モデルMDL1は、フルレンジモデルMDL1-1と、シャローレンジモデルMDL1-2と、ディープレンジモデルMDL1-3とによって構成される。
図10は、性質推定モデルMDL2の具体的な構成の一例を示す図である。図示の例のように、性質推定モデルMDL2は、主要カテゴリモデルMDL2-1と、第1カテゴリモデルMDL2-2と、第2カテゴリモデルMDL2-3とによって構成される。主要カテゴリモデルMDL2-1や、第1カテゴリモデルMDL2-2、第2カテゴリモデルMDL2-3は弱学習器であり、それらモデルを合わせた性質推定モデルMDL2は強学習器である。
図11は、性質推定モデルMDL2の具体的な構成の他の例を示す図である。図示の例のように、性質推定モデルMDL2は、上述した主要カテゴリモデルMDL2-1、第1カテゴリモデルMDL2-2、及び第2カテゴリモデルMDL2-3に加えて、更に、第3カテゴリモデルMDL2-4や第4カテゴリモデルMDL2-5といったその他のモデルを備えてよい。
図12は、密度推定モデルMDL3又は種類推定モデルMDL4の一例を示す図である。例えば、密度推定モデルMDL3は、所定の密度をもつ物体に照射されたレーザ光の散乱光又は透過光に基づく画像から得られる複数の特徴量Fが入力されると、レーザ光が照射された物体が所定の密度であることを表す状態量Sを出力するように学習されたモデルである。
以下、推定モデルMDLを学習する学習装置200について説明する。学習装置200は、単一の装置であってもよいし、ネットワークNWを介して接続された複数の装置が互いに協働して動作するシステムであってもよい。すなわち、学習装置200は、分散コンピューティングやクラウドコンピューティングを利用したシステムに含まれる複数のコンピュータ(プロセッサ)によって実現されてもよい。
以下、フローチャートに即して制御部210の学習時の一連の処理の流れを説明する。「学習(トレーニング)」とは、運用時に参照される推定モデルMDLを学習(訓練)することをいう。図14は、実施形態の制御部210の一連の処理の流れの一例を示すフローチャートである。本フローチャートの処理は、例えば、所定の周期で繰り返し行われてよい。また、学習装置200が、分散コンピューティングやクラウドコンピューティングを利用したシステムに含まれる複数のコンピュータによって実現される場合、本フローチャートの処理の一部または全部は、複数のコンピュータによって並列処理されてよい。
Claims (16)
- 堆積物に対して電磁波を照射する照射部と、
前記照射部によって前記堆積物に照射された前記電磁波の散乱波又は透過波を検出する検出部と、
前記検出部によって検出された前記散乱波又は前記透過波に基づく画像から、前記堆積物の状態を判定する判定部と、
前記検出部によって検出された前記散乱波又は前記透過波に基づく画像から複数の特徴量を抽出する抽出部と、を備え、
前記判定部は、物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体の状態量を出力するように学習されたモデルに対して、前記抽出部によって抽出された前記複数の特徴量を入力し、前記複数の特徴量を入力した前記モデルの出力結果に基づいて、前記堆積物の状態を判定し、
前記モデルは、前記物体の互いに異なる厚さを含む状態量を出力するように学習された複数の弱学習器を含み、
前記判定部は、前記複数の弱学習器のそれぞれによって出力された前記状態量に含まれる前記厚さに基づいて、前記堆積物の状態を判定する、
情報処理システム。 - 前記判定部は、前記堆積物の種類、性質、及び物理的特性の少なくとも一つを、前記状態として判定する、
請求項1に記載の情報処理システム。 - 前記モデルは、前記弱学習器として、少なくとも第1モデルと、第2モデルと、第3モデルとを含み、
前記第1モデルは、第1閾値以上かつ前記第1閾値よりも大きい第2閾値未満の第1範囲と、前記第2閾値以上かつ前記第2閾値よりも大きい第3閾値未満の第2範囲とを合わせた第3範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第3範囲内の厚さであることを表す状態量を出力するように学習されたモデルであり、
前記第2モデルは、前記第1範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第1範囲内の厚さであることを表す状態量を出力するように学習されたモデルであり、
前記第3モデルは、前記第2範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第2範囲内の厚さであることを表す状態量を出力するように学習されたモデルである、
請求項1に記載の情報処理システム。 - 前記判定部は、
前記抽出部によって抽出された複数の特徴量を前記第1モデルに入力し、
前記複数の特徴量を入力した前記第1モデルの出力結果である第1結果に基づいて、前記第2モデルまたは前記第3モデルのいずれか一方を選択し、
前記選択したモデルに、前記第1モデルに入力した前記複数の特徴量の一部又は全部を入力し、
前記選択したモデルの出力結果である第2結果、または前記第1結果と前記第2結果とを組み合わせた第3結果に基づいて、前記堆積物の厚さを判定する、
請求項3に記載の情報処理システム。 - 前記判定部は、
前記第1モデルによって、前記堆積物の厚さが前記第1範囲内であることを示す結果が出力された場合、前記第2モデルを選択し、
前記第1モデルによって、前記堆積物の厚さが前記第2範囲内であることを示す結果が出力された場合、前記第3モデルを選択する、
請求項4に記載の情報処理システム。 - 前記モデルは、前記弱学習器として、少なくとも第1モデルと、第2モデルと、第3モデルとを含み、
前記第1モデルは、複数の性質のいずれかをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体の性質が前記複数の性質のいずれかであることを表す状態量を出力するように学習されたモデルであり、
前記第2モデルは、前記複数の性質に含まれる第1の性質をもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体の性質が前記第1の性質であることを表す状態量を出力するように学習されたモデルであり、
前記第3モデルは、前記複数の性質に含まれ、前記第1の性質と異なる第2の性質をもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体の性質が前記第2の性質であることを表す状態量を出力するように学習されたモデルである、
請求項1に記載の情報処理システム。 - 前記判定部は、
前記抽出部によって抽出された複数の特徴量を前記第1モデルに入力し、
前記複数の特徴量を入力した前記第1モデルの出力結果である第1結果に基づいて、前記第2モデルまたは前記第3モデルのいずれか一方を選択し、
前記選択したモデルに、前記第1モデルに入力した前記複数の特徴量の一部又は全部を入力し、
前記選択したモデルの出力結果である第2結果、または前記第1結果と前記第2結果とを組み合わせた第3結果に基づいて、前記堆積物の性質を判定する、
請求項6に記載の情報処理システム。 - 前記判定部は、
前記第1モデルによって、前記堆積物の性質が前記第1の性質であることを示す結果が出力された場合、前記第2モデルを選択し、
前記第1モデルによって、前記堆積物の性質が前記第2の性質であることを示す結果が出力された場合、前記第3モデルを選択する、
請求項7に記載の情報処理システム。 - 堆積物に対して電磁波を照射する照射部と、
前記照射部によって前記堆積物に照射された前記電磁波の散乱波又は透過波を検出する検出部と、
前記検出部によって検出された前記散乱波又は前記透過波に基づく画像から、前記堆積物の状態を判定する判定部と、
前記検出部によって検出された前記散乱波又は前記透過波に基づく画像から複数の特徴量を抽出する抽出部と、を備え、
前記判定部は、物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体の状態量を出力するように学習されたモデルに対して、前記抽出部によって抽出された前記複数の特徴量を入力し、前記複数の特徴量を入力した前記モデルの出力結果に基づいて、前記堆積物の状態を判定し、
前記モデルは、複数の弱学習器として、少なくとも第1モデルと、第2モデルと、第3モデルとを含み、
前記判定部は、前記複数の弱学習器のそれぞれの出力結果に基づいて、前記堆積物の状態を判定し、
前記第1モデルは、第1閾値以上かつ前記第1閾値よりも大きい第2閾値未満の第1範囲と、前記第2閾値以上かつ前記第2閾値よりも大きい第3閾値未満の第2範囲とを合わせた第3範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第3範囲内の厚さであることを表す状態量を出力するように学習されたモデルであり、
前記第2モデルは、前記第1範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第1範囲内の厚さであることを表す状態量を出力するように学習されたモデルであり、
前記第3モデルは、前記第2範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第2範囲内の厚さであることを表す状態量を出力するように学習されたモデルである、
情報処理システム。 - 気象観測情報又は気象モデルによって予測された情報を含む外部情報を取得する取得部を更に備え、
前記判定部は、前記モデルに対して、前記取得部によって取得された前記外部情報を更に入力し、前記複数の特徴量と前記外部情報とを入力した前記モデルの出力結果に基づいて、前記堆積物の状態を判定する、
請求項1から9のうちいずれか一項に記載の情報処理システム。 - 堆積物に対して照射された電磁波の散乱波又は透過波に基づく画像を取得する取得部と、
前記取得部により取得された前記画像から、前記堆積物の状態を判定する判定部と、
前記取得部により取得された前記画像から複数の特徴量を抽出する抽出部と、を備え、
前記判定部は、物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体の状態量を出力するように学習されたモデルに対して、前記抽出部によって抽出された前記複数の特徴量を入力し、前記複数の特徴量を入力した前記モデルの出力結果に基づいて、前記堆積物の状態を判定し、
前記モデルは、前記物体の互いに異なる厚さを含む状態量を出力するように学習された複数の弱学習器を含み、
前記判定部は、前記複数の弱学習器のそれぞれによって出力された前記状態量に含まれる前記厚さに基づいて、前記堆積物の状態を判定する、
情報処理装置。 - 堆積物に対して照射された電磁波の散乱波又は透過波に基づく画像を取得する取得部と、
前記取得部により取得された前記画像から、前記堆積物の状態を判定する判定部と、
前記取得部により取得された前記画像から複数の特徴量を抽出する抽出部と、を備え、
前記判定部は、物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体の状態量を出力するように学習されたモデルに対して、前記抽出部によって抽出された前記複数の特徴量を入力し、前記複数の特徴量を入力した前記モデルの出力結果に基づいて、前記堆積物の状態を判定し、
前記モデルは、複数の弱学習器として、少なくとも第1モデルと、第2モデルと、第3モデルとを含み、
前記判定部は、前記複数の弱学習器のそれぞれの出力結果に基づいて、前記堆積物の状態を判定し、
前記第1モデルは、第1閾値以上かつ前記第1閾値よりも大きい第2閾値未満の第1範囲と、前記第2閾値以上かつ前記第2閾値よりも大きい第3閾値未満の第2範囲とを合わせた第3範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第3範囲内の厚さであることを表す状態量を出力するように学習されたモデルであり、
前記第2モデルは、前記第1範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第1範囲内の厚さであることを表す状態量を出力するように学習されたモデルであり、
前記第3モデルは、前記第2範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第2範囲内の厚さであることを表す状態量を出力するように学習されたモデルである、
情報処理装置。 - コンピュータを利用した情報処理方法であって、
堆積物に対して照射された電磁波の散乱波又は透過波に基づく画像を取得すること、
取得した前記画像から、前記堆積物の状態を判定すること、
取得した前記画像から複数の特徴量を抽出すること、
物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体の状態量を出力するように学習されたモデルに対して、抽出した前記複数の特徴量を入力し、前記複数の特徴量を入力した前記モデルの出力結果に基づいて、前記堆積物の状態を判定すること、
前記モデルは、前記物体の互いに異なる厚さを含む状態量を出力するように学習された複数の弱学習器を含み、
前記複数の弱学習器のそれぞれによって出力された前記状態量に含まれる前記厚さに基づいて、前記堆積物の状態を判定すること、
を含む情報処理方法。 - コンピュータを利用した情報処理方法であって、
堆積物に対して照射された電磁波の散乱波又は透過波に基づく画像を取得すること、
取得した前記画像から、前記堆積物の状態を判定すること、
取得した前記画像から複数の特徴量を抽出すること、
物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体の状態量を出力するように学習されたモデルに対して、抽出した前記複数の特徴量を入力し、前記複数の特徴量を入力した前記モデルの出力結果に基づいて、前記堆積物の状態を判定すること、
前記モデルは、複数の弱学習器として、少なくとも第1モデルと、第2モデルと、第3モデルとを含み、
前記複数の弱学習器のそれぞれの出力結果に基づいて、前記堆積物の状態を判定すること、を含み、
前記第1モデルは、第1閾値以上かつ前記第1閾値よりも大きい第2閾値未満の第1範囲と、前記第2閾値以上かつ前記第2閾値よりも大きい第3閾値未満の第2範囲とを合わせた第3範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第3範囲内の厚さであることを表す状態量を出力するように学習されたモデルであり、
前記第2モデルは、前記第1範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第1範囲内の厚さであることを表す状態量を出力するように学習されたモデルであり、
前記第3モデルは、前記第2範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第2範囲内の厚さであることを表す状態量を出力するように学習されたモデルである、
情報処理方法。 - コンピュータに実行させるためのプログラムであって、
堆積物に対して照射された電磁波の散乱波又は透過波に基づく画像を取得すること、
取得した前記画像から、前記堆積物の状態を判定すること、
取得した前記画像から複数の特徴量を抽出すること、
物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体の状態量を出力するように学習されたモデルに対して、抽出した前記複数の特徴量を入力し、前記複数の特徴量を入力した前記モデルの出力結果に基づいて、前記堆積物の状態を判定すること、
前記モデルは、前記物体の互いに異なる厚さを含む状態量を出力するように学習された複数の弱学習器を含み、
前記複数の弱学習器のそれぞれによって出力された前記状態量に含まれる前記厚さに基づいて、前記堆積物の状態を判定すること、
を含むプログラム。 - コンピュータに実行させるためのプログラムであって、
堆積物に対して照射された電磁波の散乱波又は透過波に基づく画像を取得すること、
取得した前記画像から、前記堆積物の状態を判定すること、
取得した前記画像から複数の特徴量を抽出すること、
物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体の状態量を出力するように学習されたモデルに対して、抽出した前記複数の特徴量を入力し、前記複数の特徴量を入力した前記モデルの出力結果に基づいて、前記堆積物の状態を判定すること、
前記モデルは、複数の弱学習器として、少なくとも第1モデルと、第2モデルと、第3モデルとを含み、
前記複数の弱学習器のそれぞれの出力結果に基づいて、前記堆積物の状態を判定すること、を含み、
前記第1モデルは、第1閾値以上かつ前記第1閾値よりも大きい第2閾値未満の第1範囲と、前記第2閾値以上かつ前記第2閾値よりも大きい第3閾値未満の第2範囲とを合わせた第3範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第3範囲内の厚さであることを表す状態量を出力するように学習されたモデルであり、
前記第2モデルは、前記第1範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第1範囲内の厚さであることを表す状態量を出力するように学習されたモデルであり、
前記第3モデルは、前記第2範囲内のいずれかの厚さをもつ前記物体に照射された電磁波の散乱波又は透過波に基づく画像から得られる複数の特徴量が入力されると、前記物体が前記第2範囲内の厚さであることを表す状態量を出力するように学習されたモデルである、
プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019215755A JP7382038B2 (ja) | 2019-11-28 | 2019-11-28 | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
PCT/JP2020/043864 WO2021106945A1 (ja) | 2019-11-28 | 2020-11-25 | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
US17/779,018 US12000780B2 (en) | 2019-11-28 | 2020-11-25 | Information processing system, information processing device, information processing method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019215755A JP7382038B2 (ja) | 2019-11-28 | 2019-11-28 | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021085785A JP2021085785A (ja) | 2021-06-03 |
JP7382038B2 true JP7382038B2 (ja) | 2023-11-16 |
Family
ID=76087424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019215755A Active JP7382038B2 (ja) | 2019-11-28 | 2019-11-28 | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US12000780B2 (ja) |
JP (1) | JP7382038B2 (ja) |
WO (1) | WO2021106945A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4212848A1 (en) * | 2022-01-14 | 2023-07-19 | Eidg. Forschungsanstalt für Wald, Schnee und Landschaft WSL | Snow density measurement instrument |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000180357A (ja) | 1998-12-11 | 2000-06-30 | Omron Corp | 路面状態判別装置 |
JP2007147517A (ja) | 2005-11-29 | 2007-06-14 | Horiba Ltd | 試料解析方法、及び試料解析装置 |
JP2007257148A (ja) | 2006-03-22 | 2007-10-04 | Nissan Motor Co Ltd | 画像処理装置及び方法 |
WO2010140613A1 (ja) | 2009-06-03 | 2010-12-09 | 学校法人中部大学 | 物体検出装置 |
JP2015007605A (ja) | 2013-05-31 | 2015-01-15 | 三菱重工業株式会社 | 放射性物質拡散予測装置、放射性物質拡散予測方法および放射性物質拡散予測プログラム |
JP2019078720A (ja) | 2017-10-27 | 2019-05-23 | 国立研究開発法人宇宙航空研究開発機構 | 情報処理装置、情報処理方法、プログラム、及びモニタリングシステム |
JP2020134347A (ja) | 2019-02-21 | 2020-08-31 | 国立研究開発法人宇宙航空研究開発機構 | モニタリング装置及びモニタリング方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4008280A1 (de) * | 1990-03-15 | 1991-09-19 | Tzn Forschung & Entwicklung | Verfahren zur ermittlung des fahrbahnoberflaechenzustandes |
US5781115A (en) * | 1995-04-03 | 1998-07-14 | Target Microwave | Apparatus and method for detection and thickness measurement of coatings over a surface |
US7688446B2 (en) | 2005-11-29 | 2010-03-30 | Horiba, Ltd. | Sample analyzing method, sample analyzing apparatus, manufacturing method of organic EL element, manufacturing equipment, and recording medium |
JP6326729B2 (ja) | 2013-06-13 | 2018-05-23 | 国立研究開発法人宇宙航空研究開発機構 | 路面および構造物表面の雪厚と雪質モニタリングセンサー |
JP6540992B2 (ja) | 2015-03-13 | 2019-07-10 | 国立研究開発法人宇宙航空研究開発機構 | 雪氷モニタリング装置 |
-
2019
- 2019-11-28 JP JP2019215755A patent/JP7382038B2/ja active Active
-
2020
- 2020-11-25 US US17/779,018 patent/US12000780B2/en active Active
- 2020-11-25 WO PCT/JP2020/043864 patent/WO2021106945A1/ja active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000180357A (ja) | 1998-12-11 | 2000-06-30 | Omron Corp | 路面状態判別装置 |
JP2007147517A (ja) | 2005-11-29 | 2007-06-14 | Horiba Ltd | 試料解析方法、及び試料解析装置 |
JP2007257148A (ja) | 2006-03-22 | 2007-10-04 | Nissan Motor Co Ltd | 画像処理装置及び方法 |
WO2010140613A1 (ja) | 2009-06-03 | 2010-12-09 | 学校法人中部大学 | 物体検出装置 |
JP2015007605A (ja) | 2013-05-31 | 2015-01-15 | 三菱重工業株式会社 | 放射性物質拡散予測装置、放射性物質拡散予測方法および放射性物質拡散予測プログラム |
JP2019078720A (ja) | 2017-10-27 | 2019-05-23 | 国立研究開発法人宇宙航空研究開発機構 | 情報処理装置、情報処理方法、プログラム、及びモニタリングシステム |
JP2020134347A (ja) | 2019-02-21 | 2020-08-31 | 国立研究開発法人宇宙航空研究開発機構 | モニタリング装置及びモニタリング方法 |
Non-Patent Citations (1)
Title |
---|
FRITSCH, J. et al. ,Monocular Road Terrain Detection by Combining Visual and Spatial Information,IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS,2014年08月,VOL. 15, NO. 4,1586-1596 |
Also Published As
Publication number | Publication date |
---|---|
US12000780B2 (en) | 2024-06-04 |
US20220412887A1 (en) | 2022-12-29 |
WO2021106945A1 (ja) | 2021-06-03 |
JP2021085785A (ja) | 2021-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chu et al. | An ANN-based emulation modelling framework for flood inundation modelling: Application, challenges and future directions | |
Di Giuseppe et al. | Automatic detection of atmospheric boundary layer height using ceilometer backscatter data assisted by a boundary layer model | |
Zaman et al. | Spatio-temporal prediction of root zone soil moisture using multivariate relevance vector machines | |
Mergili et al. | Combining release and runout in statistical landslide susceptibility modeling | |
Rokaya et al. | Modelling of ice jam floods under past and future climates: A review | |
Ghahramani et al. | Field experiments constraining the probability distribution of particle travel distances during natural rainstorms on different slope gradients | |
JP7382038B2 (ja) | 情報処理システム、情報処理装置、情報処理方法、及びプログラム | |
Stephens et al. | Assessing the reliability of probabilistic flood inundation model predictions | |
Owen et al. | Water temperature correlates with baleen whale foraging behaviour at multiple scales in the Antarctic | |
Khan et al. | Assessment of the hydrological and coupled soft computing models, based on different satellite precipitation datasets, to simulate streamflow and sediment load in a mountainous catchment | |
WO2022093036A1 (en) | Method of estimating polymetallic nodule abundance | |
Yüzügüllü et al. | Determination of Secchi Disc depths in Lake Eymir using remotely sensed data | |
McConville et al. | Are regional habitat models useful at a local-scale? A case study of threatened and common insectivorous bats in south-eastern Australia | |
Nkoana | Artificial neural network modelling of flood prediction and early warning | |
CN109190182B (zh) | 一种油膜覆盖非线性海面的电磁散射建模方法 | |
Robson et al. | Evaluating the eReefs Great Barrier Reef marine model against observed emergent properties | |
JP7383247B2 (ja) | 情報処理システム、情報処理装置、情報処理方法、及びプログラム | |
Porskamp et al. | Integrating angular backscatter response analysis derivatives into a hierarchical classification for habitat mapping | |
Wei et al. | Diagnosing rain occurrences using passive microwave imagery: A comparative study on probabilistic graphical models and “black box” models | |
Newlands et al. | Atlantic bluefin tuna in the Gulf of Maine, I: estimation of seasonal abundance accounting for movement, school and school-aggregation behaviour | |
Lei et al. | An automatic rainfall‐type classification algorithm combining diverse 3‐D features of radar echoes | |
Anderson et al. | Long-term Shoreline change at Kailua, Hawaii, using regularized single transect | |
Looper et al. | Distributed hydrologic forecast reliability using next-generation radar | |
Hacıefendioğlu et al. | Deep learning-based total suspended solids concentration classification of stream water surface images captured by mobile phone | |
Guerrero et al. | Assessment of seagrass percent cover and water quality using UAV images and field measurements in Bolinao, Pangasinan |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191226 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220829 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230530 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230725 |
|
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: 20231003 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231026 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7382038 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |