JP7477764B2 - 情報処理プログラム、情報処理方法、および情報処理装置 - Google Patents
情報処理プログラム、情報処理方法、および情報処理装置 Download PDFInfo
- Publication number
- JP7477764B2 JP7477764B2 JP2020138525A JP2020138525A JP7477764B2 JP 7477764 B2 JP7477764 B2 JP 7477764B2 JP 2020138525 A JP2020138525 A JP 2020138525A JP 2020138525 A JP2020138525 A JP 2020138525A JP 7477764 B2 JP7477764 B2 JP 7477764B2
- Authority
- JP
- Japan
- Prior art keywords
- result
- inference
- cleansing
- frame image
- frame
- 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 27
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000012545 processing Methods 0.000 claims description 42
- 230000001186 cumulative effect Effects 0.000 claims description 37
- 238000009825 accumulation Methods 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 description 106
- 238000000034 method Methods 0.000 description 69
- 230000003287 optical effect Effects 0.000 description 66
- 230000008569 process Effects 0.000 description 59
- 238000010586 diagram Methods 0.000 description 31
- 238000012790 confirmation Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000013500 data storage Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 238000003379 elimination reaction Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Description
コンピュータは、機械学習で得られた学習済モデルを用いて、動画データに含まれる複数のフレーム画像それぞれに表されている対象物の推論結果を取得する。次にコンピュータは、予め設定されたパラメータに基づいて、動画データに含まれる複数のフレーム画像それぞれの推論結果を利用することが適切か否かを判定する。次にコンピュータは、動画データ内での先頭から複数のフレーム画像それぞれまでの、推論結果を利用することが適切であると判定された第1のフレーム画像それぞれの第1の推論結果を累積させた累積結果を算出する。次にコンピュータは、複数のフレーム画像それぞれについて算出された推論結果の時系列変化を示す第1のグラフと、複数のフレーム画像それぞれについて算出された累積結果の時系列変化を示す第2のグラフとを生成する。そしてコンピュータは、第1のグラフと第2のグラフとを、第1のフレーム画像の第1の推論結果または第1の累積結果の表示領域と、推論結果を利用することが不適切であると判定された第2のフレーム画像の第2の推論結果または第2の累積結果の表示領域とを異なる表示態様で表示させる。
〔第1の実施の形態〕
まず第1の実施の形態について説明する。
処理部12は、機械学習で得られた学習済モデルを用いて、動画データ1に含まれる複数のフレーム画像1a,1b,・・・それぞれに表されている対象物の推論結果を取得する。対象物が船舶の場合、例えば推論結果として船舶の類識別の結果が得られる。次に処理部12は、予め設定されたパラメータに基づいて、動画データに含まれる複数のフレーム画像1a,1b,・・・それぞれの推論結果を利用することが適切か否かを判定する。パラメータは、例えばフレーム画像を解析して得られる特徴量についての閾値である。その場合、処理部12は、フレーム画像の特徴量と、パラメータとして設定された閾値との大小の比較結果に基づいて、そのフレーム画像から算出した推論結果を利用することが適切か否かを判定する。
次に第2の実施の形態について説明する。第2の実施の形態は、光学/電波センサ(可視光また赤外線などの光によるカメラ、その他の各種レーダを含む)によって船舶の類識別を自動で行う場合に、類識別の自動判定に不適切な画像の除去の効率化を図るものである。なお、処理に悪影響を与えると考えられるデータを除外し、学習後の識別機の性能を向上させる処理は、データクレンジングと呼ばれる。以下の説明では、類識別の自動判定に不適切な画像(またはその画像に対する推論結果)を除去する処理を、クレンジングと呼ぶ。
図5は、クレンジングの重要性を説明する図である。光学/電波センサ装置31から取得した動画(光学/電波センサ動画50)には、複数のフレーム画像51,52,53,・・・が含まれる。フレーム画像が正常画像であれば、船舶固有の船首、船尾、上部構造物の特徴などから、その船舶の類別を判別できる。しかし光学/電波センサで取得したフレーム画像51,52,53,・・・は、航空機30の振動や取得条件によって、突発的にぼやけやノイズが画像に生じる。フレーム画像にぼやけやノイズが生じると、フレーム画像内での対象物の特徴が不鮮明になる。例えば船首、船尾の位置、または上部構造物の形状が、ぼやけやノイズによって不鮮明となる。このようなフレーム画像は、対象物の類識別の利用には適さない。
画像取得部32aは、光学/電波センサ装置31から光学/電波センサ動画50のフレーム画像51,52,53,・・・を取得する。画像取得部32aは、取得したフレーム画像を画像データ記憶部32bに格納する。
画像読み込み部110は、サーバ32の画像データ記憶部32bから、フレーム画像を1つずつ読み込む。例えば画像読み込み部110は、画像データ記憶部32bに格納された画像に基づいて機械学習を行う場合であれば、過去に記録した光学/電波センサ動画50に含まれるフレーム画像を、時系列に先頭から順番に読み込む。そして画像読み込み部110は、読み込んだフレーム画像をクレンジング部120、および学習部131に送信する。
図7は、パラメータ管理テーブルの一例を示す図である。パラメータ管理テーブル141には、例えば特徴量の名称に対応付けて、その特徴量における閾値とクレンジング対象とする条件とが設定されている。図7の例では、閾値としては、小型船舶の類識別に用いる小型用閾値、中型船舶の類識別に用いる中型用閾値、大型船舶の類識別に用いる大型用閾値が設けられている。クレンジング対象とする条件としては、例えば特徴量と閾値との大小関係についての条件が設定されている。フレーム画像の特徴量の値がクレンジング対象とする条件を満たす場合、そのフレーム画像はクレンジング対象となる。
累積結果は、対応するフレーム画像の推論結果およびそのフレーム画像より前に解析が行われたフレーム画像の推論結果を累積して得られた類識別の判断結果である。例えば最初のフレーム画像から対応するフレーム画像まで船舶の種別ごとの推論結果の平均値が、累積結果として設定される。
[ステップS101]画像読み込み部110は、光学/電波センサ動画50のフレーム画像をサーバ32の画像データ記憶部32bから読み込む。
[ステップS103]クレンジング部120は、学習に使用する光学/電波センサ動画50のすべてのフレーム画像に対するクレンジング処理が終了したか否かを判断する。クレンジング部120は、すべてのフレーム画像のクレンジング処理が終了した場合、処理をステップS104に進める。またクレンジング部120は、未処理のフレーム画像があれば、処理をステップS101に進める。
[ステップS105]学習部131は、クレンジング対象外のフレーム画像に基づいて、船舶の類識別用のモデルを学習する。
このようにして船舶の類識別用の学習済モデルが生成される。学習処理では、クレンジング処理を適切に実行することで、評価の高い学習済モデルを効率的に生成することができる。クレンジング処理の結果はクレンジング結果確認画面によって確認でき、クレンジング結果確認画面を介してクレンジング結果を修正することもできる。
図14は、船舶の類識別処理の手順の一例を示すアクティビティ図である。以下、図14に示す処理をステップ番号に沿って説明する。
[ステップS204]解析結果表示部150は、取得したフレーム画像を、メモリ102内の画面表示用の領域(例えばフレームバッファ)に描画する。例えば解析結果表示部150は、フレーム画像が所定の画像圧縮形式で圧縮されている場合、フレーム画像を伸張して、ピクセル単位の輝度を求める。そして解析結果表示部150は、ピクセル単位の輝度の値を画面表示用の領域に書き込む。
例えばクレンジング部120は、取得したフレーム画像がクレンジング対象であり、直前のフレーム画像はクレンジング対象外であった場合、取得したフレーム画像をクレンジング範囲とするレコードを、クレンジング結果テーブルに追加する。追加されたレコードの開始フレームと終了フレームとの値は、取得したフレーム画像のフレーム番号である。
[ステップS209]推論部132は、推論結果の格納が完了し、かつクレンジング処理が終了すると、取得したフレーム画像がクレンジング対象か否かを判断する。例えば推論部132は、クレンジング結果テーブル142を参照し、取得したフレーム画像のフレーム番号をクレンジング範囲に含むレコードがあるか否かを判断する。推論部132は、該当するレコードがある場合、クレンジング対象であると判断する。推論部132は、クレンジング対象である場合、処理をステップS212に進める。また推論部132は、クレンジング対象でなければ、処理をステップS210に進める。
このようにして、1つのフレーム画像ごとに船舶の類識別の解析が行われ、逐次、推論結果がモニタ21に表示される。
第2の実施の形態では、船舶の類識別を行っているが、他の動画像を用いた他の解析にも利用可能である。また動画像は、光学/電波センサ画像のようにレーダ画像ではなく、可視光を撮影した動画像であってもよい。
1a,1b,・・・ フレーム画像
2 第1のグラフ
2a,2b,3a,3b 表示領域
3 第2のグラフ
4 表示画面
10 情報処理装置
11 記憶部
12 処理部
Claims (6)
- コンピュータに、
機械学習で得られた学習済モデルを用いて、動画データに含まれる複数のフレーム画像それぞれに表されている対象物の推論結果を取得し、
予め設定されたパラメータに基づいて、前記動画データに含まれる前記複数のフレーム画像それぞれの前記推論結果を利用することが適切か否かを判定し、
前記動画データ内での先頭から前記複数のフレーム画像それぞれまでの、前記推論結果を利用することが適切であると判定された第1のフレーム画像それぞれの第1の推論結果を累積させた累積結果を算出し、
前記複数のフレーム画像それぞれについて算出された前記推論結果の時系列変化を示す第1のグラフと、前記複数のフレーム画像それぞれについて算出された前記累積結果の時系列変化を示す第2のグラフとを生成し、
前記第1のグラフと前記第2のグラフとを、前記第1のフレーム画像の前記第1の推論結果または第1の累積結果の表示領域と、前記推論結果を利用することが不適切であると判定された第2のフレーム画像の第2の推論結果または第2の累積結果の表示領域とを異なる表示態様で表示させる、
処理を実行させる情報処理プログラム。 - 前記累積結果は、前記動画データの先頭のフレーム画像から前記累積結果の算出対象となるフレーム画像までに含まれる前記第1のフレーム画像それぞれの前記推論結果に示される値の平均値である、
請求項1記載の情報処理プログラム。 - 前記動画データから一フレーム画像が読み込まれるごとに、前記一フレーム画像の前記推論結果の取得、前記一フレーム画像までの前記第1のフレーム画像それぞれの前記推論結果を累積させた前記累積結果の算出、前記第1のグラフと前記第2のグラフとの更新、および前記第1のグラフと前記第2のグラフとの表示を実行させる、
請求項1または2に記載の情報処理プログラム。 - 前記第2のフレーム画像が連続する範囲を表示させ、前記範囲の開始位置となる前記第2のフレーム画像、または前記範囲の終了位置となる前記第2のフレーム画像を変更する入力を受け付け、前記入力により前記範囲に新たに含まれる前記第1のフレーム画像の前記推論結果を、前記累積結果の算出における累積の対象から除外し、前記入力により前記範囲から外れる前記第2のフレーム画像の前記推論結果を、前記累積結果の算出における累積の対象に含める、
請求項1ないし3のいずれかに記載の情報処理プログラム。 - コンピュータが、
機械学習で得られた学習済モデルを用いて、動画データに含まれる複数のフレーム画像それぞれに表されている対象物の推論結果を取得し、
予め設定されたパラメータに基づいて、前記動画データに含まれる前記複数のフレーム画像それぞれの前記推論結果を利用することが適切か否かを判定し、
前記動画データ内での先頭から前記複数のフレーム画像それぞれまでの、前記推論結果を利用することが適切であると判定された第1のフレーム画像それぞれの第1の推論結果を累積させた累積結果を算出し、
前記複数のフレーム画像それぞれについて算出された前記推論結果の時系列変化を示す第1のグラフと、前記複数のフレーム画像それぞれについて算出された前記累積結果の時系列変化を示す第2のグラフとを生成し、
前記第1のグラフと前記第2のグラフとを、前記第1のフレーム画像の前記第1の推論結果または第1の累積結果の表示領域と、前記推論結果を利用することが不適切であると判定された第2のフレーム画像の第2の推論結果または第2の累積結果の表示領域とを異なる表示態様で表示させる、
情報処理方法。 - 機械学習で得られた学習済モデルを用いて、動画データに含まれる複数のフレーム画像それぞれに表されている対象物の推論結果を取得し、予め設定されたパラメータに基づいて、前記動画データに含まれる前記複数のフレーム画像それぞれの前記推論結果を利用することが適切か否かを判定し、前記動画データ内での先頭から前記複数のフレーム画像それぞれまでの、前記推論結果を利用することが適切であると判定された第1のフレーム画像それぞれの第1の推論結果を累積させた累積結果を算出し、前記複数のフレーム画像それぞれについて算出された前記推論結果の時系列変化を示す第1のグラフと、前記複数のフレーム画像それぞれについて算出された前記累積結果の時系列変化を示す第2のグラフとを生成し、前記第1のグラフと前記第2のグラフとを、前記第1のフレーム画像の前記第1の推論結果または第1の累積結果の表示領域と、前記推論結果を利用することが不適切であると判定された第2のフレーム画像の第2の推論結果または第2の累積結果の表示領域とを異なる表示態様で表示させる処理部、
を有する情報処理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020138525A JP7477764B2 (ja) | 2020-08-19 | 2020-08-19 | 情報処理プログラム、情報処理方法、および情報処理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020138525A JP7477764B2 (ja) | 2020-08-19 | 2020-08-19 | 情報処理プログラム、情報処理方法、および情報処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022034699A JP2022034699A (ja) | 2022-03-04 |
JP7477764B2 true JP7477764B2 (ja) | 2024-05-02 |
Family
ID=80443075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020138525A Active JP7477764B2 (ja) | 2020-08-19 | 2020-08-19 | 情報処理プログラム、情報処理方法、および情報処理装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7477764B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015032133A (ja) | 2013-08-02 | 2015-02-16 | 株式会社日立国際電気 | 物体検索システム |
JP2016202347A (ja) | 2015-04-17 | 2016-12-08 | セイコーエプソン株式会社 | 生体情報処理システム、生体情報処理装置及び解析結果情報の生成方法 |
JP2019008638A (ja) | 2017-06-27 | 2019-01-17 | オムロン株式会社 | 見守り支援システム及びその制御方法 |
-
2020
- 2020-08-19 JP JP2020138525A patent/JP7477764B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015032133A (ja) | 2013-08-02 | 2015-02-16 | 株式会社日立国際電気 | 物体検索システム |
JP2016202347A (ja) | 2015-04-17 | 2016-12-08 | セイコーエプソン株式会社 | 生体情報処理システム、生体情報処理装置及び解析結果情報の生成方法 |
JP2019008638A (ja) | 2017-06-27 | 2019-01-17 | オムロン株式会社 | 見守り支援システム及びその制御方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2022034699A (ja) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3637320B1 (en) | Computer program, learning apparatus, detecting apparatus, learning method, and detecting method | |
CN111127425B (zh) | 基于视网膜眼底图像的目标检测定位方法和装置 | |
US20020071034A1 (en) | Intruding object detection method and intruding object monitor apparatus which automatically set a threshold for object detection | |
WO2019206208A1 (zh) | 基于机器学习的眼底图像检测方法、装置及系统 | |
CN109697719B (zh) | 一种图像质量评估方法、装置及计算机可读存储介质 | |
US11915430B2 (en) | Image analysis apparatus, image analysis method, and storage medium to display information representing flow quantity | |
CN110572636B (zh) | 摄像头脏污检测方法、装置、存储介质及电子设备 | |
CN111932596B (zh) | 摄像头遮挡区域的检测方法、装置、设备和存储介质 | |
CN109951635A (zh) | 拍照处理方法、装置、移动终端以及存储介质 | |
JPWO2018179361A1 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
JP2018181333A5 (ja) | ||
US10455144B2 (en) | Information processing apparatus, information processing method, system, and non-transitory computer-readable storage medium | |
US20190289202A1 (en) | Image sensor | |
JP7446060B2 (ja) | 情報処理装置、プログラム及び情報処理方法 | |
JP4821355B2 (ja) | 人物追跡装置、人物追跡方法および人物追跡プログラム | |
JPWO2018179360A1 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN108932465B (zh) | 降低人脸检测误检率的方法、装置及电子设备 | |
JP7477764B2 (ja) | 情報処理プログラム、情報処理方法、および情報処理装置 | |
CN112288697A (zh) | 用于量化异常程度的方法、装置、电子设备及可读存储介质 | |
JP7197000B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
US7646892B2 (en) | Image inspecting apparatus, image inspecting method, control program and computer-readable storage medium | |
KR20210028966A (ko) | 작물 이미지의 병해충 검출 방법 및 장치 | |
US20220157050A1 (en) | Image recognition device, image recognition system, image recognition method, and non-transitry computer-readable recording medium | |
CN112581472B (zh) | 一种面向人机交互的目标表面缺陷检测方法 | |
JP7414629B2 (ja) | 学習用データ処理装置、学習装置、学習用データ処理方法、およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230511 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240312 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240319 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240401 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7477764 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |