JP7469731B2 - 監視システム、監視方法、およびプログラム - Google Patents
監視システム、監視方法、およびプログラム Download PDFInfo
- Publication number
- JP7469731B2 JP7469731B2 JP2023527922A JP2023527922A JP7469731B2 JP 7469731 B2 JP7469731 B2 JP 7469731B2 JP 2023527922 A JP2023527922 A JP 2023527922A JP 2023527922 A JP2023527922 A JP 2023527922A JP 7469731 B2 JP7469731 B2 JP 7469731B2
- Authority
- JP
- Japan
- Prior art keywords
- taboo
- iron scrap
- probability
- learning model
- unit
- 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
- 238000000034 method Methods 0.000 title claims description 108
- 238000012544 monitoring process Methods 0.000 title claims description 79
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 588
- 229910052742 iron Inorganic materials 0.000 claims description 294
- 238000000605 extraction Methods 0.000 claims description 82
- 238000003384 imaging method Methods 0.000 claims description 72
- 230000032258 transport Effects 0.000 claims description 69
- 238000013136 deep learning model Methods 0.000 claims description 67
- 230000006870 function Effects 0.000 claims description 23
- 229910000831 Steel Inorganic materials 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 18
- 239000010959 steel Substances 0.000 claims description 18
- 238000001514 detection method Methods 0.000 description 81
- 238000010586 diagram Methods 0.000 description 36
- 230000008569 process Effects 0.000 description 33
- 238000004891 communication Methods 0.000 description 20
- 239000000463 material Substances 0.000 description 18
- 238000012545 processing Methods 0.000 description 18
- 238000007689 inspection Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 10
- 238000013500 data storage Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 230000000052 comparative effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 229910052802 copper Inorganic materials 0.000 description 5
- 239000010949 copper Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010792 warming 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09B—DISPOSAL OF SOLID WASTE NOT OTHERWISE PROVIDED FOR
- B09B5/00—Operations not covered by a single other subclass or by a single other group in this subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G01N2201/10—Scanning
- G01N2201/104—Mechano-optical scan, i.e. object and beam moving
- G01N2201/1042—X, Y scan, i.e. object moving in X, beam in Y
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Manufacturing & Machinery (AREA)
- Environmental & Geological Engineering (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Description
(1)
鉄スクラップを監視するシステムであって、
前記鉄スクラップに対して現在時刻を含む別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、前記学習モデルによって特定された現在時刻での禁忌物である確率および現在時刻より過去のタイミングで前記学習モデルによって特定された禁忌物である確率を所定の関数に入力し、前記現在時刻での禁忌物である確率を再計算する禁忌物特定部と、
前記禁忌物特定部により算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備える、監視システム。
(2)
鉄スクラップを監視するシステムであって、
前記鉄スクラップに対して別視点かつある時点を含む別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、複数の視点かつ前記ある時点を含む複数のタイミングで撮影された複数の画像を前記学習モデルに入力することで得られた複数の当該禁忌物である確率を所定の関数に入力し、前記ある時点での禁忌物である確率を再計算する禁忌物特定部と、
前記禁忌物特定部により算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備える、監視システム。
(3)
鉄スクラップを監視するシステムであって、
前記鉄スクラップを運搬する運搬部と、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定部と、
前記禁忌物特定部により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備え、
前記撮影部は、前記運搬部により運搬中の前記鉄スクラップの位置および前記運搬部の操作に関する少なくともいずれかの情報に基づいて撮影方向および撮影倍率を逐次調整して、運搬中の前記鉄スクラップを追従した撮影を行い、
前記禁忌物特定部は、前記追従した撮影により得られた複数の画像を前記学習モデルに入力して、前記禁忌物の種類、位置、および禁忌物である確率を特定する、監視システム。
(4)
前記運搬部は、リフトマグネットであり、
前記撮影部は、前記リフトマグネットの磁力強度または吊り荷重量に応じて、前記撮影方向および前記撮影倍率を逐次調整する、(3)に記載の監視システム。
(5)
鉄スクラップを監視するシステムであって、
前記鉄スクラップを運搬する運搬部と、
前記運搬部により運搬中の前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像から、それぞれ禁忌物が含まれている可能性のある領域を抽出する領域抽出部と、
前記領域抽出部により抽出されたそれぞれの領域の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率を特定する禁忌物特定部と、
前記禁忌物特定部により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備え、
前記運搬部は、リフトマグネットであり、
前記領域抽出部は、前記リフトマグネットの磁力強度または吊り荷重量に応じて、抽出する領域サイズを変更する、監視システム。
(6)
前記領域抽出部は、前記撮影部の撮影により得られた複数の画像から、深層学習モデルを用いてリフトマグネットを特定し、特定したリフトマグネットの直下から禁忌物が含まれている可能性のある領域を抽出し、前記リフトマグネットの磁力強度または吊り荷重量に応じて、当該抽出する領域サイズを変更する、(5)に記載の監視システム。
(7)
鉄スクラップを監視するシステムであって、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像から、第1の深層学習モデルを用いて禁忌物が含まれている可能性のある領域を、それぞれ抽出する領域抽出部と、
前記領域抽出部により抽出されたそれぞれの領域の画像を第2の深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定部と、
前記禁忌物特定部により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備える、監視システム。
(8)
前記領域抽出部において前記第1の深層学習モデルに入力される画像は、前記禁忌物特定部において前記第2の深層学習モデルに入力される画像よりも低解像度である、(7)に記載の監視システム。
(9)
鉄スクラップを監視するシステムであって、
前記鉄スクラップを運搬する運搬部と、
前記運搬部により運搬中の前記鉄スクラップに対して別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像についての差分の画像から、禁忌物が含まれている可能性のある領域を抽出する領域抽出部と、
前記領域抽出部により抽出された領域の画像を深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定部と、
前記禁忌物特定部により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備え、
前記禁忌物特定部は、前記領域抽出部により抽出された、禁忌物が含まれている可能性のある領域から、前記運搬部を除いた画像を、前記深層学習モデルに入力する、監視システム。
(10)
鉄スクラップを監視する監視方法であって、
前記鉄スクラップに対して現在時刻を含む別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップにおける撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、前記学習モデルによって特定された現在時刻での禁忌物である確率および現在時刻より過去のタイミングで前記学習モデルによって特定された禁忌物である確率を所定の関数に入力し、前記現在時刻での禁忌物である確率を再計算する禁忌物特定ステップと、
前記禁忌物特定ステップにより算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備える、監視方法。
(11)
鉄スクラップを監視する監視方法であって、
前記鉄スクラップに対して別視点かつある時点を含む別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップにおける撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、複数の視点かつ前記ある時点を含む複数のタイミングで撮影された複数の画像を前記学習モデルに入力することで得られた複数の当該禁忌物である確率を所定の関数に入力し、前記ある時点での禁忌物である確率を再計算する禁忌物特定ステップと、
前記禁忌物特定ステップにより算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備える、監視方法。
(12)
鉄スクラップを監視する監視方法であって、
前記鉄スクラップを運搬する運搬ステップと、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップにおける撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定ステップと、
前記禁忌物特定ステップにより特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備え、
前記撮影ステップは、前記運搬ステップにより運搬中の前記鉄スクラップの位置および前記運搬ステップの操作に関する少なくともいずれかの情報に基づいて撮影方向および撮影倍率を逐次調整して、運搬中の前記鉄スクラップを追従した撮影を行い、
前記禁忌物特定ステップは、前記追従した撮影により得られた複数の画像を前記学習モデルに入力して、前記禁忌物の種類、位置、および禁忌物である確率を特定する、監視方法。
(13)
前記運搬ステップは、リフトマグネットにより行われ、
前記撮影ステップは、前記リフトマグネットの磁力強度または吊り荷重量に応じて、前記撮影方向および前記撮影倍率を逐次調整する、(12)に記載の監視方法。
(14)
鉄スクラップを監視する監視方法であって、
前記鉄スクラップを運搬する運搬ステップと、
前記運搬ステップにより運搬中の前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップの撮影により得られた複数の画像から、それぞれ禁忌物が含まれている可能性のある領域を抽出する領域抽出ステップと、
前記領域抽出ステップにより抽出されたそれぞれの領域の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率を特定する禁忌物特定ステップと、
前記禁忌物特定ステップにより特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備え、
前記運搬ステップは、リフトマグネットにより行われ、
前記領域抽出ステップは、前記リフトマグネットの磁力強度または吊り荷重量に応じて、抽出する領域サイズを変更する、監視方法。
(15)
前記領域抽出ステップは、前記撮影ステップの撮影により得られた複数の画像から、深層学習モデルを用いてリフトマグネットを特定し、特定したリフトマグネットの直下から禁忌物が含まれている可能性のある領域を抽出し、前記リフトマグネットの磁力強度または吊り荷重量に応じて、当該抽出する領域サイズを変更する、(14)に記載の監視方法。
(16)
鉄スクラップを監視する監視方法であって、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップの撮影により得られた複数の画像から、第1の深層学習モデルを用いて禁忌物が含まれている可能性のある領域を、それぞれ抽出する領域抽出ステップと、
前記領域抽出ステップにより抽出されたそれぞれの領域の画像を第2の深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定ステップと、
前記禁忌物特定ステップにより特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備える、監視方法。
(17)
前記領域抽出ステップにおいて前記第1の深層学習モデルに入力される画像は、前記禁忌物特定ステップにおいて前記第2の深層学習モデルに入力される画像よりも低解像度である、(16)に記載の監視方法。
(18)
鉄スクラップを監視する監視方法であって、
前記鉄スクラップを運搬する運搬部によって運搬中の前記鉄スクラップに対して別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップの撮影により得られた複数の画像についての差分の画像から、禁忌物が含まれている可能性のある領域を抽出する領域抽出ステップと、
前記領域抽出ステップにより抽出された領域の画像を深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定ステップと、
前記禁忌物特定ステップにより特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備え、
前記禁忌物特定ステップは、前記領域抽出ステップにより抽出された、禁忌物が含まれている可能性のある領域から、前記運搬部を除いた画像を、前記深層学習モデルに入力する、監視方法。
(19)
鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップに対して現在時刻を含む別タイミングで複数回撮影する撮影手順と、
前記撮影手順における撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、前記学習モデルによって特定された現在時刻での禁忌物である確率および現在時刻より過去のタイミングで前記学習モデルによって特定された禁忌物である確率を所定の関数に入力し、前記現在時刻での禁忌物である確率を再計算する禁忌物特定手順と、
前記禁忌物特定手順により算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、コンピュータに実行させるための、プログラム。
(20)
鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップに対して別視点かつある時点を含む別タイミングで複数回撮影する撮影手順と、
前記撮影手順における撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、複数の視点かつ前記ある時点を含む複数のタイミングで撮影された複数の画像を前記学習モデルに入力することで得られた複数の当該禁忌物である確率を所定の関数に入力し、前記ある時点での禁忌物である確率を再計算する禁忌物特定手順と、
前記禁忌物特定手順により算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、をコンピュータに実行させるための、プログラム。
(21)
鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップを運搬する運搬手順と、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影手順と、
前記撮影手順における撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定手順と、
前記禁忌物特定手順により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、をコンピュータに実行させ、
前記撮影手順は、前記運搬手順により運搬中の前記鉄スクラップの位置および前記運搬手順の操作に関する少なくともいずれかの情報に基づいて撮影方向および撮影倍率を逐次調整して、運搬中の前記鉄スクラップを追従した撮影を行い、
前記禁忌物特定手順は、前記追従した撮影により得られた複数の画像を前記学習モデルに入力して、前記禁忌物の種類、位置、および禁忌物である確率を特定する、プログラム。
(22)
前記運搬手順は、リフトマグネットにより行われ、
前記撮影手順は、前記リフトマグネットの磁力強度または吊り荷重量に応じて、前記撮影方向および前記撮影倍率を逐次調整する、請求項21に記載のプログラム。
(23)
鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップを運搬する運搬手順と、
前記運搬手順により運搬中の前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影手順と、
前記撮影手順の撮影により得られた複数の画像から、それぞれ禁忌物が含まれている可能性のある領域を抽出する領域抽出手順と、
前記領域抽出手順により抽出されたそれぞれの領域の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率を特定する禁忌物特定手順と、
前記禁忌物特定手順により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、をコンピュータに実行させ、
前記運搬手順は、リフトマグネットにより行われ、
前記領域抽出手順は、前記リフトマグネットの磁力強度または吊り荷重量に応じて、抽出する領域サイズを変更する、プログラム。
(24)
前記領域抽出手順は、前記撮影手順の撮影により得られた複数の画像から、深層学習モデルを用いてリフトマグネットを特定し、特定したリフトマグネットの直下から禁忌物が含まれている可能性のある領域を抽出し、前記リフトマグネットの磁力強度または吊り荷重量に応じて、当該抽出する領域サイズを変更する、(23)に記載のプログラム。
(25)
鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影手順と、
前記撮影手順の撮影により得られた複数の画像から、第1の深層学習モデルを用いて禁忌物が含まれている可能性のある領域を、それぞれ抽出する領域抽出手順と、
前記領域抽出手順により抽出されたそれぞれの領域の画像を第2の深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定手順と、
前記禁忌物特定手順により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、をコンピュータに実行させる、プログラム。
(26)
前記領域抽出手順において前記第1の深層学習モデルに入力される画像は、前記禁忌物特定手順において前記第2の深層学習モデルに入力される画像よりも低解像度である、(25)に記載のプログラム。
(27)
鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップを運搬する運搬部によって運搬中の前記鉄スクラップに対して別タイミングで複数回撮影する撮影手順と、
前記撮影手順の撮影により得られた複数の画像についての差分の画像から、禁忌物が含まれている可能性のある領域を抽出する領域抽出手順と、
前記領域抽出手順により抽出された領域の画像を深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定手順と、
前記禁忌物特定手順により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、をコンピュータに実行させ、
前記禁忌物特定手順は、前記領域抽出手順により抽出された、禁忌物が含まれている可能性のある領域から、前記運搬部を除いた画像を、前記深層学習モデルに入力する、プログラム。
まず、図1を参照して、本発明の一実施形態の概要を説明する。図1は、本実施形態に係る監視システム1の適用例を示す図である。図1に示すように、監視システム1は、鉄スクラップを監視するシステムであって、例えば、鉄スクラップヤードで用いられる。工場、市中などで発生した鉄スクラップは、トラック2によって鉄スクラップヤードに搬入されると、リフトマグネットなどの運搬装置10を用いて検品済み鉄スクラップ積載場3まで運搬(荷下ろし)される。
図1に示すとおり、本実施形態に係る監視システム1は、運搬装置10と、撮影装置20と、禁忌物検出装置30と、を備える。
運搬装置10は、鉄スクラップヤード内の所定位置に停車したトラック2の荷台から、検品済み鉄スクラップ積載場3まで、未検品鉄スクラップ4を運搬する。図1に示す例では、運搬装置10は、リフトマグネット11と、クレーン12と、クレーンレール13と、運搬制御部14と、操作部15と、を備え、磁力によって未検品鉄スクラップ4を吊り上げて運搬可能である。ただし、本発明は係る例に限定されず、運搬装置10は、例えばベルトコンベア、アーム、重機のような機械装置であってもよく、未検品鉄スクラップ4をトラック2の荷台から検品済み鉄スクラップ積載場3まで運搬できるのであればどのような形態でもよい。
撮影装置20は、トラック2の荷台に置かれた状態の未検品鉄スクラップ4、もしくは運搬装置10により運搬中の未検品鉄スクラップ4を撮影部で撮影する。これを撮影ステップとする。図1に示す例では、撮影装置20は、単一のカメラにより構成され、連続的に異なるタイミングで複数回撮影することで動画を作成する。ただし、撮影装置20は、複数のカメラにより構成され、それぞれのカメラが別視点で複数回撮影することで、複数の静止画を作成してもよい。また、鉄スクラップ4は運搬装置10を介して基本的には動き続けており、複数のカメラは運搬中の鉄スクラップ4を撮影対象とする。
なお、それぞれのカメラが別視点で複数回撮影することとは、複数のカメラを異なる場所に設置し、各々のカメラが時系列的に複数のタイミングで鉄スクラップを撮影することをいう。あるいはカメラが1つの場合は、鉄スクラップに対する撮影装置の位置を変更ながら撮影したり、撮影倍率を変更しながら撮影したりしてもよい。
また、別タイミングで複数回撮影することとは、時系列的に複数のタイミングで鉄スクラップを撮影することをいう。なお、カメラが複数台の場合、各カメラの撮影のタイミングは一致していてもよく、また、一致していなくてもよい。
図1に戻り、禁忌物検出装置30は、撮影装置20から得られた画像(静止画、動画を含む)に含まれている禁忌物を検出し、その検出結果をオペレータに通知する。これを実現するために、図1に示す例では、禁忌物検出装置30は、検出制御部31と、出力部32とを備えている。
検出制御部31は、撮影装置20を制御して、未検品鉄スクラップ4に対して別視点又は別タイミングで複数回撮影させ、動画、又は複数の静止画を取得する。検出制御部31は、取得した複数の画像(すなわち、動画、又は複数の静止画)を深層学習モデル(機械学習により学習済みの学習モデル)に入力して、禁忌物の種類、位置、および禁忌物である確率を逐次特定する。そして、検出制御部31は、特定された禁忌物である確率が所定の閾値を超えたときに、その禁忌物の種類、位置、および禁忌物である確率を、それぞれ出力部32に送信する。
上記学習モデルは上記複数の画像に対し共通(単一)とせず、複数設けてもよい。例えば、撮影装置20が複数のカメラにより構成される場合は、カメラ毎に異なる学習モデルを設けてもよい。撮影装置20が単一のカメラにより構成される場合であっても、例えば、モーター、ガスボンベといった禁忌物の種類毎にそれぞれの禁忌物を検出するのに特化した別々の学習モデルを設けてもよい。
出力部32は、検出制御部31から送信された情報を出力する。すなわち、出力部32は、禁忌物特定手順で禁忌物である確率が所定の閾値を超えたときに、その禁忌物の種類および、位置をそれぞれ出力する。また、出力部32は、禁忌物の検出に用いた画像(後述する図6に示す元画像)、および検出結果の画像(図6に示すマーキング画像、矩形生成画像)を併せて出力してもよい。また、出力部32は、深層学習モデルにより特定された禁忌物である確率を併せて出力してもよい。
次に、禁忌物検出装置30の機能構成について説明する。図3は、禁忌物検出装置30の機能構成例を示すブロック図である。
画像取得部310は、撮影装置20を制御して、未検品鉄スクラップ4に対して別視点又は別タイミングで複数回撮影手順を繰り返し、複数の画像(動画、又は複数の静止画)を取得する。画像取得部310は、撮影装置20より取得した画像を適切な所定サイズに変換し、領域抽出部311又は禁忌物特定部312へ出力する。
領域抽出部311は、撮影装置20の撮影により得られた複数の画像(所定サイズに変換された画像)から、それぞれ禁忌物が含まれている可能性のある領域(以下、「鉄スクラップの存在領域」と称する)を抽出する。鉄スクラップの存在領域とは、運搬中の鉄スクラップが存在する領域のことであり、例えば、運搬開始場所(具体的にはトラックの荷台など)におけるスクラップの表面や、運搬終了場所におけるスクラップの表面、運搬中の鉄スクラップのことである。
例えば、領域抽出部311は、深層学習モデルなどを用いて鉄スクラップの存在領域を特定し、特定した鉄スクラップの存在領域のみを抽出して禁忌物特定部312へ出力する。
複数の画像を入力画像として深層学習モデル(周知のYOLOv3(非特許文献1)に入力すると、オペレータが注目していない運搬中の鉄スクラップ以外のものを異物として検知したり、既に検品が終了したスクラップ中の異物に反応したりするので実用的ではない。そこで、「鉄スクラップの存在領域」の抽出として、物体検出モデルを使用して、リフトマグネットと鉄スクラップの領域を特定し、抽出された鉄スクラップの存在領域を異物検出モデルに適用してもよい。また、リフトマグネット等の運搬部の座標をオペレータの操作情報から取得し、予めどの座標であれば画像中のどこの位置に運搬部や鉄スクラップが存在するかの対応付け情報を準備しておき、その対応付け情報に基づき、鉄スクラップの存在領域を抽出してもよい。また、時系列的に連続する複数の画像の情報から「鉄スクラップの存在領域」を検出してもよい。これにより、禁忌物特定部312において誤検知を防ぐことができると同時に処理時間も短くなる。また、深層学習モデルは、例えば、ニューラルネットワーク等のディープラーニング(深層学習)によって生成された学習済みモデルである。ディープラーニングの手法としては、畳み込みニューラルネットワーク(CNN:Convolutional Neural Network)などの多層のニューラルネットワークを適用することができるが、これに限定されるものではない。
なお領域抽出部311で鉄スクラップの存在領域を抽出する深層学習モデルに入力される画像は、禁忌物特定部312で用いる深層学習モデルに入力される画像と比べて低解像度でよく、従って処理時間も短い。よって、領域抽出部311が無い場合と比較した際に、領域抽出部311を追加することで全体の処理時間が長くなることはない。
また、領域抽出部311を設けず、画像取得部310で取得された画像をそのまま禁忌物特定部312に出力してもよい。
図3に戻り、禁忌物特定ステップで、禁忌物特定部312は、画像取得部310により取得された複数の画像(所定サイズに変換された画像、もしくは領域抽出部311により抽出された領域の画像)を、深層学習モデル(機械学習により学習済みの学習モデル)に入力して、禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する。また、禁忌物を検出した時に禁忌物の位置を特定することで、オペレータが当該画像内における禁忌物の場所を目視で即座に確認することが出来る。これにより、オペレータは画像上で禁忌物の位置を短時間で判別でき、監視方法、監視システムの精度をより高めることが出来る。
本実施形態において、ディスプレイには運搬中の鉄スクラップが映し出されており、運搬中の鉄スクラップに対して禁忌物の位置、確率、種類をさらに表示させている。そのため、オペレータはどのような種類の禁忌物がどの位置に存在しているのか、精度よく把握することができる。
なお、禁忌物の位置を表示するとは、例えば禁忌物が存在する領域を枠で囲むこととしてもよい。また、禁忌物の種類を表示するとは、例えば、予め設定された禁忌物の種類ごとに枠の色や形状等を変更したり、テキストで禁忌物の種類を表示したりしてもよい。また、禁忌物の確率を表示するとは、例えば、枠で囲まれた領域に禁忌物が存在する確率を数値でディスプレイに表示することとしても良い。なお、運搬中の鉄スクラップをディスプレイに表示させるため、撮像装置が取得した鉄スクラップの画像を随時ディスプレイに表示させることとしてもよい。なお、本実施形態において、禁忌物の位置および種類に加えて、禁忌物の確率を出力ステップで出力しているが、禁忌物の位置および種類のみを出力することとしてもよい。
禁忌物の種類の設定の仕方としては、例えば、モーター、ガスボンベ、というように禁忌物が利用される際の機能に応じた設定とすることができるが、これに限られるものではない。例えば、モーター、ガスボンベ、その他の禁忌物を全てまとめて1種類として扱ってもよい。この場合、禁忌物の種類としては1つになる(例えば「禁忌物」との1種類)。モーター、ガスボンベなど種類を細分化するのと比較して、得られる情報は少なくなるが、除去すべき禁忌物が存在するとの最低限出力すべき情報は出力することができる。また、禁忌物の種類の設定の仕方は組合せも考えられる。例えば、禁忌物特定部312における深層学習モデルの出力では、モーター、ガスボンベなど種類を細分化しておくが、出力部32における出力では、全ての禁忌物を1種類にまとめた形で出力することもできる。
判定部313は、禁忌物特定部312により特定された禁忌物である確率が所定の閾値を超えているか否かを判定する。そして、判定部313は、禁忌物である確率が所定の閾値を超えたときに、その禁忌物の種類、位置、および禁忌物である確率を、それぞれ出力部32に送信する。
モデル生成部33は、撮影装置20で撮影された未検品鉄スクラップ4の画像から禁忌物の種類、位置、および禁忌物である確率を特定する単数あるいは複数の学習モデルを生成する。
モデル出力部34は、モデル生成部33により生成された学習モデルを出力する。例えば、モデル出力部34は、モデル生成部33により生成された学習モデルを、禁忌物特定部312において禁忌物の種類、位置、および禁忌物である確率を特定するときに用いることが可能なように、禁忌物特定部312へ出力する。
データ記憶部35は、モデル生成部33が学習モデルを生成する際に用いる学習データを記憶する記憶装置である。データ記憶部35は、撮影装置20により撮影して得られた全ての画像を記憶しておいてもよいし、学習データとして用いる予定の画像のみを記憶しておいてもよい。
以下、本実施形態に係る監視システム1の動作について説明する。最初に、監視システム1において実施される学習モデル生成処理について説明する。図7は、本実施形態に係る学習モデル生成処理を説明するためのフローチャートである。
本実施形態の学習モデルの学習条件は、モデル条件、データセット条件及び学習設定条件を含む。モデル条件は、ニューラルネットワークの構造に関する条件である。データセット条件は、学習中にニューラルネットワークに入力する学習データの選択条件、それらデータの前処理や画像の拡張方法の条件等を含む。学習設定条件は、重みやバイアスといったニューラルネットワークのパラメータの初期化条件や最適化方法の条件、損失関数の条件等を含む。ここで、損失関数の条件には正則化関数の条件も含まれる。
図7に示すように、学習モデル生成処理を開始すると、まず、モデル生成部33は、撮影装置20により撮影された画像から鉄スクラップ中に含まれている禁忌物を検出することが可能な学習モデルの生成に必要な学習データを、データ記憶部35から取得する(S110)。例えば、モデル生成部33は、撮影装置20により撮影された過去の未検品鉄スクラップ4の元画像と、その元画像中に含まれていた禁忌物の種類および位置を表す情報とが関連付けられた複数のデータを、学習データとして取得する。
次いで、モデル生成部33は、ステップS110により取得した学習データを用いて、機械学習によって、禁忌物を検出可能な学習モデルを生成する(S120)。
第1学習モデルを生成する場合は、モデル生成部33は、データ記憶部35から取得した禁忌物が含まれている画像(図6の上図の元画像)を第1学習モデルに入力し、その第1学習モデルが出力する禁忌物の位置(領域)が、禁忌物が存在している正解の位置(図6の中図、下図に示す画像の禁忌物の位置)に近づくように、また禁忌物の種類とその禁忌物である確率が所定の基準値以上(例えば、100%)となるように、学習モデルを最適化する。この形式の第1学習モデルを禁忌物の検出に用いる場合、禁忌物の種類、禁忌物の位置(領域)を示す座標データ、確信度を示す確率の値が第1学習モデルから出力される(例えば非特許文献1)。
一方、第2学習モデルを生成する場合は、モデル生成部33は、データ記憶部35から取得した禁忌物が含まれていない正常な未検品鉄スクラップ4の画像を第2学習モデルに入力し、正常な鉄スクラップ全体の特徴を学習する。このとき、生成される第2学習モデルが未検品鉄スクラップ4に禁忌物が含まれていないことを表現(出力)できるように学習モデルを最適化する。この場合、禁忌物が含まれた画像が第2学習モデルに入力された際の禁忌物の位置および禁忌物である確率の算出には、第2学習モデルに入力した画像と、第2学習モデルから出力された画像との差分画像又は異常度を用いる(例えば非特許文献3)。上記の第2学習モデルは、機械学習モデルに正常な特徴を学習させ、異常が含まれる画像から異常の部位や異常度を算出するモデルの一例であり、非特許文献2のようなアルゴリズムに限られない(例えば非特許文献4、5)。
モデル出力部34は、ステップS120にて生成された学習モデルを、禁忌物特定部312へ出力する(S130)。
次に、監視システム1において実施される禁忌物検出処理について説明する。図8は、本実施形態に係る禁忌物検出処理を説明するためのフローチャートである。
図8に示すように、禁忌物検出処理を開始すると、まず、画像取得部310は、撮影装置20を制御して、未検品鉄スクラップ4に対して別視点又は別タイミングで複数回撮影させ、複数の画像(動画、又は複数の静止画)を取得する(S210)。なお、未検品鉄スクラップ4の撮影は、トラック2の荷台に置かれた状態の未検品鉄スクラップ4に対して行ってもよいし、運搬装置10により運搬中の未検品鉄スクラップ4に対して行ってもよい。画像取得部310は、撮影装置20より取得した画像を適切な所定サイズに変換し、逐次、領域抽出部311へ出力する。
ここで、ステップS210で取得した画像は、未検品鉄スクラップ4を含む検品作業現場全体が画角に入る画像であるが、図4A又は図4Bに示すように、領域抽出部311は、禁忌物が含まれている可能性のある領域(鉄スクラップの存在領域)を、ステップS210で取得した画像から抽出する。例えば、領域抽出部311は、深層学習モデルなどを用いて鉄スクラップの存在領域を特定し、特定した鉄スクラップの存在領域のみを抽出して禁忌物特定部312へ出力する。ここで、鉄スクラップの存在領域は、ピクセル毎に定められた領域としてもよいし、単純な矩形により定められた領域としてもよい。なお、ステップS220の処理は省略可能であり、その場合は、画像取得部310が、取得した画像を直接禁忌物特定部312へ出力すればよい。
次いで、禁忌物特定部312は、領域抽出部311から出力された複数の画像を、上述した学習モデル生成処理でモデル生成部33が生成した学習モデルに入力して、禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する(S230)。このとき、禁忌物特定部312は、画像から1つでも禁忌物を特定できた場合には(S230:YES)、学習モデルから出力された禁忌物の種類、位置、および禁忌物である確率を判定部313に出力して、処理をステップS240に進める。一方で、禁忌物特定部312は、画像から1つも禁忌物を特定できなかった場合には(S230:NO)、処理をステップS270に進める。
判定部313は、禁忌物特定部312より禁忌物の種類、位置、禁忌物である確率などの情報を受け取ると、禁忌物である確率が所定の閾値(例:80%)を超えているか否か判定する(S240)。このとき、判定部313は、禁忌物である確率が所定の閾値を超えている場合には(S240:YES)、その禁忌物の種類、位置、および禁忌物である確率のうちを、それぞれ出力手順で出力部32に送信して、処理をステップS250に進める。一方で、判定部313は、禁忌物である確率が所定の閾値以下である場合には(S240:NO)、処理をステップS270に進める。
出力部32は、判定部313から出力された出力結果を受け取ると、オペレータ(検品作業者)に対し、その出力結果を出力する(S250)。このように、出力部32は、禁忌物である確率が所定の閾値を超えたときに、その禁忌物の種類、位置、および禁忌物である確率をそれぞれ出力しているため、必要なときに限って禁忌物の除去をオペレータに促している。上記のような閾値を設けずに、判定部313の結果を無選別にオペレータに連続的に出力することは、オペレータの集中力を低下させるなど、安全上好ましくない。また、ステップS250では、出力部32は、禁忌物の検出の際に学習モデルに入力された画像(図6の上図に示す元画像)、およびその学習モデルから出力されたラベル付きの画像(図6の中図に示すマーキング画像、図6の下図に示す矩形生成画像に示すような形式)を併せて出力してもよい。
なお、本実施形態において、出力部32は、禁忌物である確率が所定の閾値を超えたときに、その禁忌物の種類、位置、および禁忌物である確率をそれぞれ出力している場合について説明したが、これに限られない。出力部32は、禁忌物である確率が所定の閾値を超えたときに、その禁忌物の種類、および位置をそれぞれ出力するものとし、禁忌物である確率を必ずしも出力する必要はない。
出力部32の出力を受けたオペレータは、未検品鉄スクラップ4に禁忌物が混入しているおそれがあることを知ると、未検品鉄スクラップ4に含まれている禁忌物の除去を行う(S260)。ここでの除去の作業は、一度地面に禁忌物を含む鉄スクラップ群を広げ、人手、重機、ロボットなどを用いて除去される。除去後、オペレータの操作に従って、除去作業の終了を検出制御部31へ通知し、検出制御部31は、処理をステップS270に進める。
処理がステップS270に進むと、例えば、出力部32は、オペレータに運搬作業の開始、継続、もしくは再開を促す通知を行う。運搬制御部14は、操作部15からの指示に基づき、リフトマグネット11とクレーン12を制御して、未検品鉄スクラップ4の運搬を開始、継続、もしくは再開する。禁忌物を特定できなかった場合(S230:NO)や、特定できたとしても禁忌物である確率が所定の閾値を超えなかった場合(S240:NO)は、オペレータへ何の通知も表示もなすことなく、運搬作業を継続することが可能である。
上記のステップS210からS270までのステップは、トラック2の荷台から、未検品鉄スクラップ4がなくなるまで繰り返される(S280:YES)。
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
図11は、上記実施形態および変形例における禁忌物検出装置30のハードウェア構成の一例を示すブロック図である。
上記実施形態に係る手法の効果を検証すべく、図1に示した監視システム1を用いて、禁忌物を検出するための学習モデルを生成し、鉄スクラップ中の禁忌物の検出、除去を実施して、その検出率を算出した。本実施例では、禁忌物を最も混入頻度が高い禁忌物であるモーターに限定した。モーターを589個用意し、そのうち489個をモデル学習用、100個をスクラップヤードでの検品性能の検証用として振り分けた。
2 トラック
3 検品済み鉄スクラップ積載場
4 未検品鉄スクラップ
5 検品済み鉄スクラップ
10 運搬装置
10a ベルトコンベア
11 リフトマグネット
11a センサ
12 クレーン
13 クレーンレール
14 運搬制御部
15 操作部
20 撮影装置
20a 第1カメラ
20b 第2カメラ
20c 第3カメラ
30 禁忌物検出装置
31 検出制御部
32 出力部
33 モデル生成部
34 モデル出力部
35 データ記憶部
310 画像取得部
311 領域抽出部
312 禁忌物特定部
313 判定部
901 CPU
903 ROM
905 RAM
907 バス
909 入力I/F
911 出力I/F
913 ストレージ装置
915 ドライブ
917 接続ポート
919 通信装置
921 入力装置
923 出力装置
925 リムーバブル記録媒体
927 外部機器
929 通信網
Claims (27)
- 鉄スクラップを監視するシステムであって、
前記鉄スクラップに対して現在時刻を含む別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、前記学習モデルによって特定された現在時刻での禁忌物である確率および現在時刻より過去のタイミングで前記学習モデルによって特定された禁忌物である確率を所定の関数に入力し、前記現在時刻での禁忌物である確率を再計算する禁忌物特定部と、
前記禁忌物特定部により算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備える、監視システム。 - 鉄スクラップを監視するシステムであって、
前記鉄スクラップに対して別視点かつある時点を含む別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、複数の視点かつ前記ある時点を含む複数のタイミングで撮影された複数の画像を前記学習モデルに入力することで得られた複数の当該禁忌物である確率を所定の関数に入力し、前記ある時点での禁忌物である確率を再計算する禁忌物特定部と、
前記禁忌物特定部により算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備える、監視システム。 - 鉄スクラップを監視するシステムであって、
前記鉄スクラップを運搬する運搬部と、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定部と、
前記禁忌物特定部により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備え、
前記撮影部は、前記運搬部により運搬中の前記鉄スクラップの位置および前記運搬部の操作に関する少なくともいずれかの情報に基づいて撮影方向および撮影倍率を逐次調整して、運搬中の前記鉄スクラップを追従した撮影を行い、
前記禁忌物特定部は、前記追従した撮影により得られた複数の画像を前記学習モデルに入力して、前記禁忌物の種類、位置、および禁忌物である確率を特定する、監視システム。 - 前記運搬部は、リフトマグネットであり、
前記撮影部は、前記リフトマグネットの磁力強度または吊り荷重量に応じて、前記撮影方向および前記撮影倍率を逐次調整する、請求項3に記載の監視システム。 - 鉄スクラップを監視するシステムであって、
前記鉄スクラップを運搬する運搬部と、
前記運搬部により運搬中の前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像から、それぞれ禁忌物が含まれている可能性のある領域を抽出する領域抽出部と、
前記領域抽出部により抽出されたそれぞれの領域の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率を特定する禁忌物特定部と、
前記禁忌物特定部により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備え、
前記運搬部は、リフトマグネットであり、
前記領域抽出部は、前記リフトマグネットの磁力強度または吊り荷重量に応じて、抽出する領域サイズを変更する、監視システム。 - 前記領域抽出部は、前記撮影部の撮影により得られた複数の画像から、深層学習モデルを用いてリフトマグネットを特定し、特定したリフトマグネットの直下から禁忌物が含まれている可能性のある領域を抽出し、前記リフトマグネットの磁力強度または吊り荷重量に応じて、当該抽出する領域サイズを変更する、請求項5に記載の監視システム。
- 鉄スクラップを監視するシステムであって、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像から、第1の深層学習モデルを用いて禁忌物が含まれている可能性のある領域を、それぞれ抽出する領域抽出部と、
前記領域抽出部により抽出されたそれぞれの領域の画像を第2の深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定部と、
前記禁忌物特定部により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備える、監視システム。 - 前記領域抽出部において前記第1の深層学習モデルに入力される画像は、前記禁忌物特定部において前記第2の深層学習モデルに入力される画像よりも低解像度である、請求項7に記載の監視システム。
- 鉄スクラップを監視するシステムであって、
前記鉄スクラップを運搬する運搬部と、
前記運搬部により運搬中の前記鉄スクラップに対して別タイミングで複数回撮影する撮影部と、
前記撮影部の撮影により得られた複数の画像についての差分の画像から、禁忌物が含まれている可能性のある領域を抽出する領域抽出部と、
前記領域抽出部により抽出された領域の画像を深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定部と、
前記禁忌物特定部により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力部と、を備え、
前記禁忌物特定部は、前記領域抽出部により抽出された、禁忌物が含まれている可能性のある領域から、前記運搬部を除いた画像を、前記深層学習モデルに入力する、監視システム。 - 鉄スクラップを監視する監視方法であって、
前記鉄スクラップに対して現在時刻を含む別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップにおける撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、前記学習モデルによって特定された現在時刻での禁忌物である確率および現在時刻より過去のタイミングで前記学習モデルによって特定された禁忌物である確率を所定の関数に入力し、前記現在時刻での禁忌物である確率を再計算する禁忌物特定ステップと、
前記禁忌物特定ステップにより算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備える、監視方法。 - 鉄スクラップを監視する監視方法であって、
前記鉄スクラップに対して別視点かつある時点を含む別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップにおける撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、複数の視点かつ前記ある時点を含む複数のタイミングで撮影された複数の画像を前記学習モデルに入力することで得られた複数の当該禁忌物である確率を所定の関数に入力し、前記ある時点での禁忌物である確率を再計算する禁忌物特定ステップと、
前記禁忌物特定ステップにより算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備える、監視方法。 - 鉄スクラップを監視する監視方法であって、
前記鉄スクラップを運搬する運搬ステップと、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップにおける撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定ステップと、
前記禁忌物特定ステップにより特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備え、
前記撮影ステップは、前記運搬ステップにより運搬中の前記鉄スクラップの位置および前記運搬ステップの操作に関する少なくともいずれかの情報に基づいて撮影方向および撮影倍率を逐次調整して、運搬中の前記鉄スクラップを追従した撮影を行い、
前記禁忌物特定ステップは、前記追従した撮影により得られた複数の画像を前記学習モデルに入力して、前記禁忌物の種類、位置、および禁忌物である確率を特定する、監視方法。 - 前記運搬ステップは、リフトマグネットにより行われ、
前記撮影ステップは、前記リフトマグネットの磁力強度または吊り荷重量に応じて、前記撮影方向および前記撮影倍率を逐次調整する、請求項12に記載の監視方法。 - 鉄スクラップを監視する監視方法であって、
前記鉄スクラップを運搬する運搬ステップと、
前記運搬ステップにより運搬中の前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップの撮影により得られた複数の画像から、それぞれ禁忌物が含まれている可能性のある領域を抽出する領域抽出ステップと、
前記領域抽出ステップにより抽出されたそれぞれの領域の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率を特定する禁忌物特定ステップと、
前記禁忌物特定ステップにより特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備え、
前記運搬ステップは、リフトマグネットにより行われ、
前記領域抽出ステップは、前記リフトマグネットの磁力強度または吊り荷重量に応じて、抽出する領域サイズを変更する、監視方法。 - 前記領域抽出ステップは、前記撮影ステップの撮影により得られた複数の画像から、深層学習モデルを用いてリフトマグネットを特定し、特定したリフトマグネットの直下から禁忌物が含まれている可能性のある領域を抽出し、前記リフトマグネットの磁力強度または吊り荷重量に応じて、当該抽出する領域サイズを変更する、請求項14に記載の監視方法。
- 鉄スクラップを監視する監視方法であって、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップの撮影により得られた複数の画像から、第1の深層学習モデルを用いて禁忌物が含まれている可能性のある領域を、それぞれ抽出する領域抽出ステップと、
前記領域抽出ステップにより抽出されたそれぞれの領域の画像を第2の深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定ステップと、
前記禁忌物特定ステップにより特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備える、監視方法。 - 前記領域抽出ステップにおいて前記第1の深層学習モデルに入力される画像は、前記禁忌物特定ステップにおいて前記第2の深層学習モデルに入力される画像よりも低解像度である、請求項16に記載の監視方法。
- 鉄スクラップを監視する監視方法であって、
前記鉄スクラップを運搬する運搬部によって運搬中の前記鉄スクラップに対して別タイミングで複数回撮影する撮影ステップと、
前記撮影ステップの撮影により得られた複数の画像についての差分の画像から、禁忌物が含まれている可能性のある領域を抽出する領域抽出ステップと、
前記領域抽出ステップにより抽出された領域の画像を深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定ステップと、
前記禁忌物特定ステップにより特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力ステップと、を備え、
前記禁忌物特定ステップは、前記領域抽出ステップにより抽出された、禁忌物が含まれている可能性のある領域から、前記運搬部を除いた画像を、前記深層学習モデルに入力する、監視方法。 - 鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップに対して現在時刻を含む別タイミングで複数回撮影する撮影手順と、
前記撮影手順における撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、前記学習モデルによって特定された現在時刻での禁忌物である確率および現在時刻より過去のタイミングで前記学習モデルによって特定された禁忌物である確率を所定の関数に入力し、前記現在時刻での禁忌物である確率を再計算する禁忌物特定手順と、
前記禁忌物特定手順により算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、コンピュータに実行させるための、プログラム。 - 鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップに対して別視点かつある時点を含む別タイミングで複数回撮影する撮影手順と、
前記撮影手順における撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定し、複数の視点かつ前記ある時点を含む複数のタイミングで撮影された複数の画像を前記学習モデルに入力することで得られた複数の当該禁忌物である確率を所定の関数に入力し、前記ある時点での禁忌物である確率を再計算する禁忌物特定手順と、
前記禁忌物特定手順により算出された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、をコンピュータに実行させるための、プログラム。 - 鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップを運搬する運搬手順と、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影手順と、
前記撮影手順における撮影により得られた複数の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定手順と、
前記禁忌物特定手順により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、をコンピュータに実行させ、
前記撮影手順は、前記運搬手順により運搬中の前記鉄スクラップの位置および前記運搬手順の操作に関する少なくともいずれかの情報に基づいて撮影方向および撮影倍率を逐次調整して、運搬中の前記鉄スクラップを追従した撮影を行い、
前記禁忌物特定手順は、前記追従した撮影により得られた複数の画像を前記学習モデルに入力して、前記禁忌物の種類、位置、および禁忌物である確率を特定する、プログラム。 - 前記運搬手順は、リフトマグネットにより行われ、
前記撮影手順は、前記リフトマグネットの磁力強度または吊り荷重量に応じて、前記撮影方向および前記撮影倍率を逐次調整する、請求項21に記載のプログラム。 - 鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップを運搬する運搬手順と、
前記運搬手順により運搬中の前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影手順と、
前記撮影手順の撮影により得られた複数の画像から、それぞれ禁忌物が含まれている可能性のある領域を抽出する領域抽出手順と、
前記領域抽出手順により抽出されたそれぞれの領域の画像を学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率を特定する禁忌物特定手順と、
前記禁忌物特定手順により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、をコンピュータに実行させ、
前記運搬手順は、リフトマグネットにより行われ、
前記領域抽出手順は、前記リフトマグネットの磁力強度または吊り荷重量に応じて、抽出する領域サイズを変更する、プログラム。 - 前記領域抽出手順は、前記撮影手順の撮影により得られた複数の画像から、深層学習モデルを用いてリフトマグネットを特定し、特定したリフトマグネットの直下から禁忌物が含まれている可能性のある領域を抽出し、前記リフトマグネットの磁力強度または吊り荷重量に応じて、当該抽出する領域サイズを変更する、請求項23に記載のプログラム。
- 鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップに対して別視点又は別タイミングで複数回撮影する撮影手順と、
前記撮影手順の撮影により得られた複数の画像から、第1の深層学習モデルを用いて禁忌物が含まれている可能性のある領域を、それぞれ抽出する領域抽出手順と、
前記領域抽出手順により抽出されたそれぞれの領域の画像を第2の深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定手順と、
前記禁忌物特定手順により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、をコンピュータに実行させる、プログラム。 - 前記領域抽出手順において前記第1の深層学習モデルに入力される画像は、前記禁忌物特定手順において前記第2の深層学習モデルに入力される画像よりも低解像度である、請求項25に記載のプログラム。
- 鉄スクラップを監視するためのプログラムであって、
前記鉄スクラップを運搬する運搬部によって運搬中の前記鉄スクラップに対して別タイミングで複数回撮影する撮影手順と、
前記撮影手順の撮影により得られた複数の画像についての差分の画像から、禁忌物が含まれている可能性のある領域を抽出する領域抽出手順と、
前記領域抽出手順により抽出された領域の画像を深層学習モデルに入力して、前記鉄スクラップから除去する対象となる禁忌物の種類、位置、および禁忌物である確率をそれぞれ特定する禁忌物特定手順と、
前記禁忌物特定手順により特定された前記確率が所定の閾値を超えたときに、前記禁忌物の種類および位置をそれぞれ出力する出力手順と、をコンピュータに実行させ、
前記禁忌物特定手順は、前記領域抽出手順により抽出された、禁忌物が含まれている可能性のある領域から、前記運搬部を除いた画像を、前記深層学習モデルに入力する、プログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021096468 | 2021-06-09 | ||
JP2021096468 | 2021-06-09 | ||
PCT/JP2022/023309 WO2022260133A1 (ja) | 2021-06-09 | 2022-06-09 | 監視システム、監視方法、プログラム、およびコンピュータプログラムが記憶されたコンピュータ読み取り可能な記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022260133A1 JPWO2022260133A1 (ja) | 2022-12-15 |
JP7469731B2 true JP7469731B2 (ja) | 2024-04-17 |
Family
ID=84424588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023527922A Active JP7469731B2 (ja) | 2021-06-09 | 2022-06-09 | 監視システム、監視方法、およびプログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240177293A1 (ja) |
JP (1) | JP7469731B2 (ja) |
KR (1) | KR20230154274A (ja) |
CN (1) | CN117157518A (ja) |
WO (1) | WO2022260133A1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019208729A1 (ja) | 2018-04-27 | 2019-10-31 | 日立造船株式会社 | 情報処理装置、制御装置、および不適物検出システム |
US20200012894A1 (en) | 2018-07-05 | 2020-01-09 | Mitsubishi Electric Research Laboratories, Inc. | Visually Aided Active Learning for Training Object Detector |
JP2020035195A (ja) | 2018-08-30 | 2020-03-05 | 富士通株式会社 | 画像認識装置、画像認識方法および画像認識プログラム |
JP2020095709A (ja) | 2018-11-29 | 2020-06-18 | 株式会社神鋼エンジニアリング&メンテナンス | スクラップ等級判定システム、スクラップ等級判定方法、推定装置、学習装置、学習済みモデルの生成方法、及びプログラム |
JP2021086285A (ja) | 2019-11-26 | 2021-06-03 | 株式会社神鋼エンジニアリング&メンテナンス | 密閉物検出システム、密閉物検出方法、推定装置、及びプログラム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3187237B2 (ja) | 1994-03-16 | 2001-07-11 | 新日本製鐵株式会社 | 鉄スクラップ群から銅を含有したスクラップを自動識別する方法 |
JP7213741B2 (ja) | 2019-04-17 | 2023-01-27 | 株式会社メタルワン | 鉄スクラップ検品方法および鉄スクラップ検品システム |
-
2022
- 2022-06-09 WO PCT/JP2022/023309 patent/WO2022260133A1/ja active Application Filing
- 2022-06-09 JP JP2023527922A patent/JP7469731B2/ja active Active
- 2022-06-09 CN CN202280028057.5A patent/CN117157518A/zh active Pending
- 2022-06-09 KR KR1020237034848A patent/KR20230154274A/ko unknown
- 2022-06-09 US US18/283,323 patent/US20240177293A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019208729A1 (ja) | 2018-04-27 | 2019-10-31 | 日立造船株式会社 | 情報処理装置、制御装置、および不適物検出システム |
US20200012894A1 (en) | 2018-07-05 | 2020-01-09 | Mitsubishi Electric Research Laboratories, Inc. | Visually Aided Active Learning for Training Object Detector |
JP2020035195A (ja) | 2018-08-30 | 2020-03-05 | 富士通株式会社 | 画像認識装置、画像認識方法および画像認識プログラム |
JP2020095709A (ja) | 2018-11-29 | 2020-06-18 | 株式会社神鋼エンジニアリング&メンテナンス | スクラップ等級判定システム、スクラップ等級判定方法、推定装置、学習装置、学習済みモデルの生成方法、及びプログラム |
JP2021086285A (ja) | 2019-11-26 | 2021-06-03 | 株式会社神鋼エンジニアリング&メンテナンス | 密閉物検出システム、密閉物検出方法、推定装置、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20240177293A1 (en) | 2024-05-30 |
CN117157518A (zh) | 2023-12-01 |
KR20230154274A (ko) | 2023-11-07 |
WO2022260133A1 (ja) | 2022-12-15 |
JPWO2022260133A1 (ja) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528721B (zh) | 一种桥吊集卡安全定位方法和系统 | |
CN104773626B (zh) | 一种施工升降机标准节螺栓安全状态检测装置 | |
JP6856522B2 (ja) | 情報処理装置、制御装置、情報処理方法、および情報処理プログラム | |
JP5168215B2 (ja) | 外観検査装置 | |
JP2007230706A (ja) | ベルトコンベアの縦裂き検知方法および装置 | |
JP2020128877A (ja) | 線状体の異常検出装置及び異常検出方法 | |
JP7213741B2 (ja) | 鉄スクラップ検品方法および鉄スクラップ検品システム | |
CN115082850A (zh) | 基于计算机视觉的模板支架安全风险识别方法 | |
JP7469731B2 (ja) | 監視システム、監視方法、およびプログラム | |
CN110674900A (zh) | 基于rfid的无人机巡检杆塔缺陷的方法及装置 | |
CN112802017B (zh) | 一种基于工作台的产品外部合格性检测方法及装置 | |
WO2014103617A1 (ja) | 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム | |
US20230316489A1 (en) | Scrap discrimination system and scrap discrimination method | |
JP2020135051A (ja) | 欠点検査装置、欠点検査方法、欠点検査プログラム、学習装置および学習済みモデル | |
JP2024082930A (ja) | 監視方法、監視システム及び検品済み鉄スクラップ製造方法 | |
JP4823996B2 (ja) | 輪郭検出方法及び輪郭検出装置 | |
JP2024082912A (ja) | 監視システム及び監視方法 | |
CN111652873A (zh) | 基于迁移学习的永磁自卸除铁器弃铁输送带断裂检测方法 | |
JP2020037464A (ja) | 判定装置および判定方法 | |
US20210080521A1 (en) | Magnetic particle inspection device | |
CN114663365A (zh) | 缺陷检测方法、装置及计算机存储介质 | |
JP2024087501A (ja) | 監視システム及び監視方法 | |
CN107543826A (zh) | 一种轴承缺陷检测装置 | |
CN115279684A (zh) | 控制系统、信息处理装置、以及信息处理方法 | |
JP7241011B2 (ja) | 情報処理装置、情報処理方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230906 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230906 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231003 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231204 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240216 |
|
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: 20240305 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240318 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7469731 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |