JP7425284B2 - タイヤ種類学習装置、タイヤ種類推定装置、学習済モデルの生成方法、タイヤ種類推定方法及びプログラム - Google Patents

Description

本発明は、タイヤ種類学習装置、タイヤ種類推定装置、学習済モデルの生成方法、タイヤ種類推定方法及びプログラムに関する。

特許文献１には、タイヤの画像からタイヤ種や摩耗状態などを認識できる認識方法及び認識装置が記載されている。

特開２０１９－３５６２６号公報

タイヤの種類によっては、サイズやトレッド面を見た際の縦横比がまちまちである。ところが、特許文献１に記載の技術におけるタイヤの種類の推定では、サイズやトレッド面を見た際の縦横比がタイヤの種類によってまちまちであることが考慮されていない。そのため特許文献１に記載の技術では、タイヤの種類の推定において充分な推定精度が得られないことがある。

本発明は上記実情に鑑みてなされたものであって、その目的の一つは、タイヤの画像に基づく当該タイヤの種類の推定精度を向上させることができるタイヤ種類学習装置、タイヤ種類推定装置、学習済モデルの生成方法、タイヤ種類推定方法及びプログラムを提供することにある。

上記課題を解決するために、本発明に係るタイヤ種類学習装置は、タイヤのトレッド面が写る学習画像を取得する取得手段と、前記学習画像から前記タイヤが写る部分に外接する領域を抽出する領域抽出手段と、抽出される前記領域の画像を所定の縦横画素数である学習変形画像に変形する画像変形手段と、前記学習変形画像を機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する学習手段と、を含む。

本発明の一態様では、前記学習画像には、前記タイヤのトレッドパターンが写っている。

また、本発明の一態様では、前記学習画像には、前記タイヤの種類を表す文字列の印字が写っている。

また、本発明の一態様では、前記学習画像には、前記タイヤの識別線が写っている。

この態様では、前記学習画像は、カラー画像であってもよい。

また、本発明に係るタイヤ種類推定装置は、タイヤのトレッド面が写るターゲット画像を取得する取得手段と、前記ターゲット画像から前記タイヤが写る部分に外接する領域を抽出する領域抽出手段と、抽出される前記領域の画像を所定の縦横画素数であるターゲット変形画像に変形する画像変形手段と、前記ターゲット変形画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの種類を推定する推定手段と、を含む。

本発明の一態様では、前記ターゲット画像には、前記タイヤのトレッドパターンが写っている。

また、本発明の一態様では、前記ターゲット画像には、前記タイヤの種類を表す文字列の印字が写っている。

また、本発明の一態様では、前記ターゲット画像には、前記タイヤの識別線が写っている。

この態様では、前記ターゲット画像は、カラー画像であってもよい。

また、本発明に係る学習済モデルの生成方法は、タイヤのトレッド面が写る学習画像を取得するステップと、前記学習画像から前記タイヤが写る部分に外接する領域を抽出するステップと、抽出される前記領域の画像を所定の縦横画素数である学習変形画像に変形するステップと、前記学習変形画像を機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行するステップと、を含む。

また、本発明に係るタイヤ種類推定方法は、タイヤのトレッド面が写るターゲット画像を取得するステップと、前記ターゲット画像から前記タイヤが写る部分に外接する領域を抽出するステップと、抽出される前記領域の画像を所定の縦横画素数であるターゲット変形画像に変形するステップと、前記ターゲット変形画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの種類を推定するステップと、を含む。

また、本発明に係るプログラムは、タイヤのトレッド面が写る学習画像を取得する手順、前記学習画像から前記タイヤが写る部分に外接する領域を抽出する手順、抽出される前記領域の画像を所定の縦横画素数である学習変形画像に変形する手順、前記学習変形画像を機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する手順、をコンピュータに実行させる。

また、本発明に係る別のプログラムは、タイヤのトレッド面が写るターゲット画像を取得する手順、前記ターゲット画像から前記タイヤが写る部分に外接する領域を抽出する手順、抽出される前記領域の画像を所定の縦横画素数であるターゲット変形画像に変形する手順、前記ターゲット変形画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの種類を推定する手順、をコンピュータに実行させる。

本発明の一実施形態に係る情報処理装置の構成の一例を示す図である。 本発明の一実施形態に係る情報処理装置の機能の一例を示す機能ブロック図である。 学習画像の一例を示す図である。 単体学習画像の一例を示す図である。 学習変形画像の一例を示す図である。 ターゲット画像の一例を示す図である。 本発明の一実施形態に係る情報処理装置で行われる学習処理の流れの一例を示すフロー図である。 本発明の一実施形態に係る情報処理装置で行われる推定処理の流れの一例を示すフロー図である。

以下、本発明の一実施形態について、図面を参照しながら説明する。

図１は、本発明の一実施形態に係る情報処理装置１０の構成の一例を示す図である。本実施形態に係る情報処理装置１０は、パーソナルコンピュータなどのコンピュータである。図１に示すように情報処理装置１０は、例えば、プロセッサ１２、記憶部１４、通信部１６、表示部１８、操作部２０、撮影部２２、を含んでいる。

プロセッサ１２は、例えば情報処理装置１０にインストールされるプログラムに従って動作するＣＰＵ等のプログラム制御デバイスである。

記憶部１４は、ＲＯＭやＲＡＭ等の記憶素子やハードディスクドライブなどである。記憶部１４には、プロセッサ１２によって実行されるプログラムなどが記憶される。

通信部１６は、例えばネットワークボードなどの通信インタフェースである。

表示部１８は、液晶ディスプレイ等の表示デバイスであって、プロセッサ１２の指示に従って各種の画像を表示する。

操作部２０は、キーボードやマウスなどといったユーザインタフェースであって、ユーザの操作入力を受け付けて、その内容を示す信号をプロセッサ１２に出力する。

撮影部２２は、デジタルカメラなどの撮影デバイスであり、撮影によって生成される画像をプロセッサ１２に出力する。

なお、情報処理装置１０は、ＤＶＤ－ＲＯＭやＢｌｕ－ｒａｙ（登録商標）ディスクなどの光ディスクを読み取る光ディスクドライブ、ＵＳＢ（Universal Serial Bus）ポートなどを含んでいてもよい。

本実施形態では、機械学習モデルを用いて、撮影部２２により撮影される画像に写るタイヤの種類（例えば、タイヤの種類に対応付けられる商品コード）が推定される。

ここで、本実施形態において推定されるタイヤの種類は商品コードに限定されない。例えば、本実施形態において、撮影部２２により撮影される画像に写るタイヤのトレッドパターンが推定されてもよい。また、本実施形態において推定されるタイヤの種類が、商品コード、タイヤサイズ（例：１７５／６５Ｒ１４）、タイヤ幅、タイヤ断面幅、扁平率、構造記号、タイヤ外径、リム径、リム幅、ロードインデックス、速度記号、製造年週、トレッドパターンなどのうちの少なくとも１つであってもよい。また、本実施形態において、推定されるタイヤの商品コードに基づいて、当該タイヤのタイヤサイズ（例：１７５／６５Ｒ１４）、タイヤ幅、タイヤ断面幅、扁平率、構造記号、タイヤ外径、リム径、リム幅、ロードインデックス、速度記号、製造年週、トレッドパターンなどが特定されてもよい。

以下、情報処理装置１０に実装されている機械学習モデルの学習、及び、情報処理装置１０によるタイヤの種類の推定についてさらに説明する。

図２は、本実施形態に係る情報処理装置１０で実装される機能の一例を示す機能ブロック図である。なお、本実施形態に係る情報処理装置１０で、図２に示す機能のすべてが実装される必要はなく、また、図２に示す機能以外の機能が実装されていても構わない。

図２に示すように、情報処理装置１０には、機能的には例えば、機械学習モデル３０、学習データ記憶部３２、学習データ取得部３４、学習領域抽出部３６、学習変形画像生成部３８、学習部４０、ターゲット画像取得部４２、ターゲット領域抽出部４４、ターゲット変形画像生成部４６、推定部４８、が含まれる。

機械学習モデル３０は、プロセッサ１２及び記憶部１４を主として実装される。学習データ記憶部３２は、記憶部１４を主として実装される。学習データ取得部３４、学習領域抽出部３６、学習変形画像生成部３８、学習部４０、ターゲット領域抽出部４４、ターゲット変形画像生成部４６、推定部４８は、プロセッサ１２を主として実装される。ターゲット画像取得部４２は、プロセッサ１２及び撮影部２２を主として実装される。

以上の機能は、コンピュータである情報処理装置１０にインストールされた、以上の機能に対応する指令を含むプログラムをプロセッサ１２で実行することにより実装されてもよい。このプログラムは、例えば、光ディスク、磁気ディスク、磁気テープ、光磁気ディスク、フラッシュメモリ等のコンピュータ読み取り可能な情報記憶媒体を介して、あるいは、インターネットなどを介して情報処理装置１０に供給されてもよい。

情報処理装置１０における、機械学習モデル３０、学習データ記憶部３２、学習データ取得部３４、学習領域抽出部３６、学習変形画像生成部３８、学習部４０の機能は、タイヤの種類の推定に用いられる機械学習モデル３０の学習を実行するタイヤ種類学習装置としての機能に相当する。

また情報処理装置１０における、機械学習モデル３０、ターゲット画像取得部４２、ターゲット領域抽出部４４、ターゲット変形画像生成部４６、推定部４８の機能は、タイヤの種類を推定するタイヤ種類推定装置としての機能に相当する。

機械学習モデル３０は、本実施形態では例えば、アダブースト、ランダムフォレスト、ニューラルネットワーク、サポートベクタマシン（ＳＶＭ）、最近傍識別器、などの機械学習が実装された機械学習モデルである。

本実施形態に係る機械学習モデル３０は、例えば、タイヤの種類を判定する判定モデルである。当該機械学習モデル３０は、入力に応じて、タイヤの種類に対応付けられる数値を出力してもよい。

当該数値は、例えば、商品コードに対応付けられる数値である。なお、当該数値が、トレッドパターンに対応付けられる数値であってもよい。また、当該数値が、商品コード、タイヤサイズ（例：１７５／６５Ｒ１４）、タイヤ幅、タイヤ断面幅、扁平率、構造記号、タイヤ外径、リム径、リム幅、ロードインデックス、速度記号、製造年週、トレッドパターンなどのうちのいずれか、または、これらのうちの複数の組合せに対応付けられる数値であってもよい。

学習データ記憶部３２は、本実施形態では例えば、機械学習モデル３０の学習に用いられる学習データを記憶する。学習データには、例えば、図３に例示する学習画像５０と、当該タイヤの種類に対応付けられる所与の教師データと、が含まれている。

図３は、学習画像５０の一例を示す図である。図３に示すように、学習画像５０は、タイヤ５２のトレッド面が写る画像である。図３に示すように、学習画像５０には、タイヤ５２のトレッドパターンが写っていてもよい。例えば、学習画像５０にトレッドパターンの周期構造が示されていてもよい。また、学習画像５０には、タイヤの種類を表す文字列の印字５４が写っていてもよい。また、学習画像５０には、タイヤ５２の種類に応じた色の線であるタイヤ５２の識別線５６が写っていてもよい。また、学習画像５０は、ＲＧＢ画像などのカラー画像であってもよい。

また、教師データは、例えば、機械学習モデル３０の出力に対応付けられる数値を示すデータである。教師データは、例えば、商品コードに対応付けられる数値を示すものである。なお、教師データが、例えば、トレッドパターンに対応付けられる数値を示すものであってもよい。また、教師データが、商品コード、タイヤサイズ（例：１７５／６５Ｒ１４）、タイヤ幅、タイヤ断面幅、扁平率、構造記号、タイヤ外径、リム径、リム幅、ロードインデックス、速度記号、製造年週、トレッドパターンなどのうちのいずれか、または、これらのうちの複数の組合せに対応付けられる数値を示すものであってもよい。

学習データ取得部３４は、本実施形態では例えば、学習データ記憶部３２に記憶されている学習データを取得する。

学習領域抽出部３６は、本実施形態では例えば、学習画像５０からタイヤ５２が写る部分に外接する領域を抽出する。以下、このようにして抽出される領域を学習領域５８と呼ぶこととする。図３に示すように、学習領域５８は、タイヤ５２が写る部分に外接する矩形の領域であってもよい。

また、学習領域抽出部３６は、抽出された学習領域５８の画像である、図４に例示する単体学習画像６０を生成してもよい。なお、同じ種類のタイヤ５２が写る単体学習画像６０であっても、単体学習画像６０内における、トレッドパターンの位置、印字５４の位置、及び、識別線５６の位置はタイヤ５２によってまちまちである。

学習変形画像生成部３８は、本実施形態では例えば、抽出される学習領域５８の画像を、所定の縦横画素数である図５に例示する学習変形画像６２に変形する。

学習変形画像生成部３８は、例えば、図４に示す単体学習画像６０を変形することで、学習変形画像６２を生成してもよい。ここで学習変形画像６２の縦画素数と横画素数とは、同じであってもよいし、異なっていてもよい。学習変形画像６２の縦画素数と横画素数が同じである場合は、学習変形画像６２は、正方形の画像となる。

例えば、学習変形画像６２の縦画素数が所定数ｘであり、学習変形画像６２の横画素数が所定数ｙであることとする。そして例えば、単体学習画像６０の縦画素数がｘ１であり、横画素数がｙ１であるとする。この場合、学習変形画像生成部３８は、単体学習画像６０の縦の長さをｘ／ｘ１倍し、横の長さをｙ／ｙ１倍することで、学習変形画像６２を生成する。

学習部４０は、本実施形態では例えば、学習変形画像６２を機械学習モデル３０に入力した際の出力を用いて、機械学習モデル３０の学習を実行する。ここで例えば、学習データに含まれる学習画像５０に基づいて生成される学習変形画像６２を機械学習モデル３０に入力した際の出力と、当該学習データに含まれる教師データと、の差が特定されてもよい。そして特定される差に基づいて機械学習モデル３０のパラメータの値が更新される教師あり学習が実行されてもよい。

本実施形態では複数の学習変形画像６２による機械学習モデル３０の学習が実行される。そして学習済の機械学習モデル３０（学習済モデル）を用いて、撮影部２２により撮影される画像に写るタイヤの種類が推定される。

ターゲット画像取得部４２は、本実施形態では例えば、撮影部２２により撮影される、図６に例示するターゲット画像６４を取得する。図６に示すように、ターゲット画像６４は、タイヤのトレッド面が写る画像である。また、図６に示すように、ターゲット画像６４は、複数のタイヤが配置されたラックが写る画像であってもよい。

図３に示す学習画像５０と同様に、ターゲット画像６４には、タイヤのトレッドパターンが写っていてもよい。例えば、ターゲット画像６４にトレッドパターンの周期構造が示されていてもよい。また、ターゲット画像６４には、タイヤの種類を表す文字列の印字が写っていてもよい。また、ターゲット画像６４には、タイヤの種類に応じた色の線であるタイヤの識別線が写っていてもよい。また、ターゲット画像６４は、ＲＧＢ画像などのカラー画像であってもよい。なお、図６の例では、タイヤの種類を表す文字列の印字、及び、識別線の記載は省略されている。

ターゲット領域抽出部４４は、本実施形態では例えば、ターゲット画像６４からタイヤが写る部分に外接する領域を抽出する。以下、このようにして抽出される領域をターゲット領域６６と呼ぶこととする。

図６に示すターゲット画像６４には、２０本のタイヤが写っている。この場合、ターゲット領域抽出部４４が、２０個のターゲット領域６６（ターゲット領域６６ａ～６６ｔ）を抽出してもよい。また、図６に示すように、ターゲット領域６６は、タイヤが写る部分に外接する矩形の領域であってもよい。

また、ターゲット領域抽出部４４は、抽出された２０個のターゲット領域６６のそれぞれについて、当該ターゲット領域６６の画像である単体ターゲット画像を生成してもよい。

ターゲット変形画像生成部４６は、本実施形態では例えば、抽出されるターゲット領域６６の画像を所定の縦横画素数であるターゲット変形画像に変形する。

ターゲット変形画像生成部４６は、例えば、単体ターゲット画像を変形することで、ターゲット変形画像を生成してもよい。ここでは例えば、ターゲット変形画像の縦横画素数は、上述の学習変形画像６２の縦横画素数と同じである。

例えば、ターゲット変形画像の縦画素数が学習変形画像６２の縦画素数と同じ所定数ｘであり、ターゲット変形画像の横画素数が学習変形画像６２の横画素数と同じ所定数ｙであることとする。そして例えば、単体ターゲット画像の縦画素数がｘ２であり、横画素数がｙ２であるとする。この場合、ターゲット変形画像生成部４６は、単体ターゲット画像の縦の長さをｘ／ｘ２倍し、横の長さをｙ／ｙ２倍することで、ターゲット変形画像を生成する。

推定部４８は、本実施形態では例えば、ターゲット変形画像を学習済の機械学習モデル３０（学習済モデル）に入力した際の出力に基づいて、ターゲット変形画像に写るタイヤの種類を推定する。ここで機械学習モデル３０が、入力に応じて、タイヤの種類に対応付けられる数値を出力してもよい。

図６に示すように、ターゲット画像６４に複数のタイヤが写っている場合は、上述のようにそれぞれがいずれかのタイヤに対応付けられる複数のターゲット変形画像が生成される。そして推定部４８は、当該複数のターゲット変形画像のそれぞれについて、当該ターゲット変形画像を学習済の機械学習モデル３０に入力した際の出力に基づいて、当該ターゲット変形画像に写るタイヤの種類を推定する。

なお、ターゲット画像６４は、図６のような複数のタイヤが写る画像である必要はない。ターゲット画像６４が、図３に示す学習画像５０のような、１つのタイヤが写る画像であっても構わない。

また例えば、撮影部２２がターゲット画像６４を連続して撮影する場合に、ターゲット領域抽出部４４は、撮影されたターゲット画像６４と直前に撮影されたターゲット画像６４との差分を特定してもよい。そして、ターゲット領域抽出部４４は、特定された差分を表す画像から、タイヤが写る部分に外接する領域を抽出してもよい。

ここで、本実施形態に係る情報処理装置１０で行われる学習処理の流れの一例を、図７に例示するフロー図を参照しながら説明する。ここでは例えば複数の学習データが学習データ記憶部３２に記憶されていることとする。

まず、学習データ取得部３４が、学習データ記憶部３２に記憶されている複数の学習データのうち、Ｓ１０２～Ｓ１０４に示す処理が実行されていないものを１つ取得する（Ｓ１０１）。

そして、学習領域抽出部３６が、Ｓ１０１に示す処理で取得された学習データに含まれる学習画像５０から、学習領域５８を抽出することで、単体学習画像６０を生成する（Ｓ１０２）。

そして、学習変形画像生成部３８が、Ｓ１０２に示す処理で生成された単体学習画像６０を変形することで、所定の縦横画素数の学習変形画像６２を生成する（Ｓ１０３）。

そして、学習部４０が、Ｓ１０３に示す処理で生成された学習変形画像６２を機械学習モデル３０に入力した際の出力を用いた、機械学習モデル３０の学習を実行する（Ｓ１０４）。ここで例えば、当該出力と、Ｓ１０１に示す処理で取得された学習データに含まれる教師データと、の差に基づいて、機械学習モデル３０のパラメータの値が更新されてもよい。

そして学習部４０が、学習データ記憶部３２に記憶されている複数の学習データのすべてについてＳ１０２～Ｓ１０４に示す処理が実行されたか否かを確認する（Ｓ１０５）。

学習データ記憶部３２に記憶されている複数の学習データのすべてについてＳ１０２～Ｓ１０４に示す処理が実行されていないことが確認された場合は（Ｓ１０５：Ｎ）、Ｓ１０１に示す処理に戻る。

学習データ記憶部３２に記憶されている複数の学習データのすべてについてＳ１０２～Ｓ１０４に示す処理が実行されたことが確認された場合は（Ｓ１０５：Ｙ）、本処理例に示す処理は終了される。

次に、本実施形態に係る情報処理装置１０で行われる推定処理の流れの一例を、図８に例示するフロー図を参照しながら説明する。

まず、ターゲット画像取得部４２が、ターゲット画像６４を取得する（Ｓ２０１）。

そして、ターゲット領域抽出部４４が、Ｓ２０１に示す処理で取得されたターゲット画像６４から、ターゲット領域６６を抽出することで、単体ターゲット画像を生成する（Ｓ２０２）。本処理例ではここで、複数の単体ターゲット画像が生成されることとする。

そして、ターゲット変形画像生成部４６が、Ｓ２０２に示す処理で生成された複数の複単体ターゲット画像のうちから、Ｓ２０３、及び、Ｓ２０４に示す処理が実行されていないものを１つ取得する（Ｓ２０３）。

そして、ターゲット変形画像生成部４６が、Ｓ２０３に示す処理で取得されたターゲット単体画像を変形することで、所定の縦横画素数のターゲット変形画像を生成する（Ｓ２０４）。

そして、推定部４８が、Ｓ２０４に示す処理で生成されたターゲット変形画像を学習済の機械学習モデル３０（学習済モデル）に入力した際の出力に基づいて、当該ターゲット変形画像に写るタイヤの種類を推定する（Ｓ２０５）。

そして、ターゲット変形画像生成部４６が、Ｓ２０２に示す処理で生成された複数の単体ターゲット画像のすべてについてＳ２０３、及び、Ｓ２０４に示す処理が実行されたか否かを確認する（Ｓ２０６）。

Ｓ２０２に示す処理で生成された複数の単体ターゲット画像のすべてについてＳ２０３、及び、Ｓ２０４に示す処理が実行されていないことが確認された場合は（Ｓ２０６：Ｎ）、Ｓ２０３に示す処理に戻る。

Ｓ２０２に示す処理で生成された複数の単体ターゲット画像のすべてについてＳ２０３、及び、Ｓ２０４に示す処理が実行されたことが確認された場合は（Ｓ２０６：Ｙ）、本処理例に示す処理は終了される。

タイヤの種類によっては、サイズやトレッド面を見た際の縦横比がまちまちである。本実施形態によれば、タイヤや縦横比に関係なく、所定の縦横画素数の学習変形画像６２やターゲット変形画像が生成される。

また、学習変形画像６２の画素数と単体学習画像６０の画素数との差が大きいほど、単体学習画像６０の拡縮の程度は大きくなる。例えば、学習変形画像６２の画素数と単体学習画像６０の画素数との差が大きいほど、単体学習画像６０に写るトレッドパターンやタイヤの種類を表す文字列の印字の拡縮の程度は大きくなる。ターゲット変形画像、及び、ターゲット変形画像に写るトレッドパターンやタイヤの種類を表す文字列の印字の拡縮の程度についても同様である。

また、学習変形画像６２の縦横比と単体学習画像６０の縦横比との違いが大きいほど、単体学習画像６０の変形の程度は大きくなる。例えば、学習変形画像６２の縦横比と単体学習画像６０の縦横比との違いが大きいほど、単体学習画像６０に写るトレッドパターンやタイヤの種類を表す文字列の印字の変形の程度は大きくなる。ターゲット変形画像、及び、ターゲット変形画像に写るトレッドパターンやタイヤの種類を表す文字列の印字の変形の程度についても同様である。

そして、本実施形態では、このような拡縮の程度や変形の程度が加味された、機械学習モデル３０の学習や、学習済モデルを用いたタイヤの種類の推定が実行される。そのため、本実施形態によれば、タイヤの画像に基づく当該タイヤの種類の推定精度を向上させることができることとなる。

また、画像に写るトレッドパターンやタイヤの種類を表す文字列の印字は、タイヤの種類の推定における手掛かりとなる。また、トレッドパターンや印字の、拡縮の程度や変形の程度が、機械学習モデル３０の学習に加味される。そのため、学習画像５０やターゲット画像６４にトレッドパターンやタイヤの種類を表す文字列の印字が写っている場合は、タイヤの画像に基づく当該タイヤの種類の推定精度をさらに向上させることができることとなる。

また、学習画像５０やターゲット画像６４にタイヤの識別線が写っている場合も、当該識別線がタイヤの種類の推定における手掛かりとなるので、タイヤの画像に基づく当該タイヤの種類の推定精度をさらに向上させることができることとなる。また当該識別線はカラーであるため、学習画像５０やターゲット画像６４がＲＧＢ画像などのカラー画像であれば、タイヤの画像に基づく当該タイヤの種類の推定精度をさらに向上させることができることとなる。

なお、本実施形態では、トレッドパターンの位置、印字５４の位置、及び、識別線５６の位置が様々である学習画像５０を用いて機械学習モデル３０の学習が行われるようにすることが望ましい。

また、本実施形態によれば、以上のようにして、機械学習モデル３０への入力の要素数を揃えることができる。

以上のようにして得られるターゲット画像６４に写るタイヤの種類の推定結果は、例えば、ターゲット画像６４に写る複数のタイヤに、他のタイヤと異なる種類のタイヤが混入していないかどうかの検査に活用することできる。

例えば、複数のタイヤについて、タイヤの種類を推定し、すべてのタイヤについての種類の推定結果が同じでない場合に、情報処理装置１０が警告音を出力するようにしてもよい。

出荷前のタイヤをラックへ積み込む作業は人が行っているため、異なる種類のタイヤが混入することがある。本実施形態を用いることで、異なる種類のタイヤが混入することによる誤出荷を防ぐことができる。

また仕上工程の設備にタイヤを投入する前に、本実施形態を用いることでＱＲコード（登録商標）などの識別情報がタイヤに貼られていなくても当該タイヤの種類を推定することができる。そして、このような推定の結果を用いて、タイヤの種類に応じた自動段替が可能となる。

なお、本発明は上述の実施形態に限定されるものではない。

また、上記の具体的な数値や文字列、並びに、図面中の具体的な数値や文字列は例示であり、これらの数値や文字列には限定されない。

１０ 情報処理装置、１２ プロセッサ、１４ 記憶部、１６ 通信部、１８ 表示部、２０ 操作部、２２ 撮影部、３０ 機械学習モデル、３２ 学習データ記憶部、３４ 学習データ取得部、３６ 学習領域抽出部、３８ 学習変形画像生成部、４０ 学習部、４２ ターゲット画像取得部、４４ ターゲット領域抽出部、４６ ターゲット変形画像生成部、４８ 推定部、５０ 学習画像、５２ タイヤ、５４ 印字、５６ 識別線、５８ 学習領域、６０ 単体学習画像、６２ 学習変形画像、６４ ターゲット画像、６６，６６ａ，６６ｂ，６６ｃ，６６ｄ，６６ｅ，６６ｆ，６６ｇ，６６ｈ，６６ｉ，６６ｊ，６６ｋ，６６ｌ，６６ｍ，６６ｎ，６６ｏ，６６ｐ，６６ｑ，６６ｒ，６６ｓ，６６ｔ ターゲット領域。

Claims (14)

1. タイヤのトレッド面が写るとともに、前記タイヤが写る部分が前記タイヤの種類に応じた縦横比を有する学習画像を取得する取得手段と、
   前記学習画像から前記タイヤが写る部分に外接する領域を抽出する領域抽出手段と、
   抽出される前記領域の画像を、該画像の縦の長さと横の長さをそれぞれ拡大又は縮小することにより、所定の縦横画素数である学習変形画像に変形する画像変形手段と、
   前記学習変形画像を機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する学習手段と、
   を含むことを特徴とするタイヤ種類学習装置。
2. 前記学習画像には、前記タイヤのトレッドパターンが写っている、
   ことを特徴とする請求項１に記載のタイヤ種類学習装置。
3. 前記学習画像には、前記タイヤの種類を表す文字列の印字が写っている、
   ことを特徴とする請求項１又は２に記載のタイヤ種類学習装置。
4. 前記学習画像には、前記タイヤの識別線が写っている、
   ことを特徴とする請求項１から３のいずれか一項に記載のタイヤ種類学習装置。
5. 前記学習画像は、カラー画像である、
   ことを特徴とする請求項４に記載のタイヤ種類学習装置。
6. タイヤのトレッド面が写るとともに、前記タイヤが写る部分が前記タイヤの種類に応じた縦横比を有するターゲット画像を取得する取得手段と、
   前記ターゲット画像から前記タイヤが写る部分に外接する領域を抽出する領域抽出手段と、
   抽出される前記領域の画像を、該画像の縦の長さと横の長さをそれぞれ拡大又は縮小することにより、所定の縦横画素数であるターゲット変形画像に変形する画像変形手段と、
   前記ターゲット変形画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの種類を推定する推定手段と、
   を含むことを特徴とするタイヤ種類推定装置。
7. 前記ターゲット画像には、前記タイヤのトレッドパターンが写っている、
   ことを特徴とする請求項６に記載のタイヤ種類推定装置。
8. 前記ターゲット画像には、前記タイヤの種類を表す文字列の印字が写っている、
   ことを特徴とする請求項６又は７に記載のタイヤ種類推定装置。
9. 前記ターゲット画像には、前記タイヤの識別線が写っている、
   ことを特徴とする請求項６から８のいずれか一項に記載のタイヤ種類推定装置。
10. 前記ターゲット画像は、カラー画像である、
    ことを特徴とする請求項９に記載のタイヤ種類推定装置。
11. タイヤのトレッド面が写るとともに、前記タイヤが写る部分が前記タイヤの種類に応じた縦横比を有する学習画像を取得するステップと、
    前記学習画像から前記タイヤが写る部分に外接する領域を抽出するステップと、
    抽出される前記領域の画像を、該画像の縦の長さと横の長さをそれぞれ拡大又は縮小することにより、所定の縦横画素数である学習変形画像に変形するステップと、
    前記学習変形画像を機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行するステップと、
    を含むことを特徴とする学習済モデルの生成方法。
12. タイヤのトレッド面が写るとともに、前記タイヤが写る部分が前記タイヤの種類に応じた縦横比を有するターゲット画像を取得するステップと、
    前記ターゲット画像から前記タイヤが写る部分に外接する領域を抽出するステップと、
    抽出される前記領域の画像を、該画像の縦の長さと横の長さをそれぞれ拡大又は縮小することにより、所定の縦横画素数であるターゲット変形画像に変形するステップと、
    前記ターゲット変形画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの種類を推定するステップと、
    を含むことを特徴とするタイヤ種類推定方法。
13. タイヤのトレッド面が写るとともに、前記タイヤが写る部分が前記タイヤの種類に応じた縦横比を有する学習画像を取得する手順、
    前記学習画像から前記タイヤが写る部分に外接する領域を抽出する手順、
    抽出される前記領域の画像を、該画像の縦の長さと横の長さをそれぞれ拡大又は縮小することにより、所定の縦横画素数である学習変形画像に変形する手順、
    前記学習変形画像を機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する手順、
    をコンピュータに実行させることを特徴とするプログラム。
14. タイヤのトレッド面が写るとともに、前記タイヤが写る部分が前記タイヤの種類に応じた縦横比を有するターゲット画像を取得する手順、
    前記ターゲット画像から前記タイヤが写る部分に外接する領域を抽出する手順、
    抽出される前記領域の画像を、該画像の縦の長さと横の長さをそれぞれ拡大又は縮小することにより、所定の縦横画素数であるターゲット変形画像に変形する手順、
    前記ターゲット変形画像を学習済の機械学習モデルに入力した際の出力に基づいて、前記タイヤの種類を推定する手順、
    をコンピュータに実行させることを特徴とするプログラム。

Images