WO2021131158A1 - 磁気検知システム、磁気信号の波形パターン分類方法、および、磁気検知システム用の波形パターン分布作成方法 - Google Patents

磁気検知システム、磁気信号の波形パターン分類方法、および、磁気検知システム用の波形パターン分布作成方法 Download PDF

Info

Publication number
WO2021131158A1
WO2021131158A1 PCT/JP2020/032433 JP2020032433W WO2021131158A1 WO 2021131158 A1 WO2021131158 A1 WO 2021131158A1 JP 2020032433 W JP2020032433 W JP 2020032433W WO 2021131158 A1 WO2021131158 A1 WO 2021131158A1
Authority
WO
WIPO (PCT)
Prior art keywords
magnetic
waveform pattern
waveform
magnetic sensor
sensor
Prior art date
Application number
PCT/JP2020/032433
Other languages
English (en)
French (fr)
Inventor
剛士 大野
Original Assignee
株式会社島津製作所
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社島津製作所 filed Critical 株式会社島津製作所
Priority to JP2021566809A priority Critical patent/JP7176650B2/ja
Priority to US17/642,861 priority patent/US11835597B2/en
Priority to EP20905396.6A priority patent/EP4083646A4/en
Publication of WO2021131158A1 publication Critical patent/WO2021131158A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
    • G01R33/0206—Three-component magnetometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
    • G01V3/081—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices the magnetic field is produced by the objects or geological structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/0005—Geometrical arrangement of magnetic sensor elements; Apparatus combining different magnetic sensor types
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/0023—Electronic aspects, e.g. circuits for stimulation, evaluation, control; Treating the measured signals; calibration
    • G01R33/0029—Treating the measured signals, e.g. removing offset or noise
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
    • G01R33/06—Measuring direction or magnitude of magnetic fields or magnetic flux using galvano-magnetic devices
    • G01R33/09—Magnetoresistive devices
    • G01R33/091—Constructional adaptation of the sensor to specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
    • G01R33/10—Plotting field distribution ; Measuring field distribution
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/09—Supervised learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Definitions

  • the present invention relates to a magnetic detection system, a method for classifying a waveform pattern of a magnetic signal, and a method for creating a waveform pattern distribution for a magnetic detection system.
  • Japanese Unexamined Patent Publication No. 2013-156225 discloses a magnetic detection system including a magnetic sensor and a determination means for determining whether or not the magnetic signal acquired by the magnetic sensor is a signal derived from a magnetic material.
  • the magnetic signal acquired from the magnetic sensor is derived from a magnetic material based on the waveform pattern of the magnetic signal acquired by the magnetic sensor and a plurality of standard waveform patterns. It is configured to detect a magnetic substance by determining whether it is a magnetic signal to be generated or a magnetic signal derived from noise.
  • the magnetic signal acquired from the magnetic sensor is a magnetic substance based on the waveform pattern of the magnetic signal acquired by the magnetic sensor and a plurality of standard waveform patterns.
  • the present invention has been made to solve the above problems, and one object of the present invention is a magnetic detection system, magnetism, which can determine the traveling direction of a magnetic material from a magnetic signal acquired by a magnetic sensor. It is to provide a method of classifying a waveform pattern of a signal and a method of creating a waveform pattern distribution for a magnetic detection system.
  • the magnetic detection system is provided in water and inputs a magnetic sensor that acquires a magnetic signal and waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor.
  • the waveform pattern distribution created based on a plurality of fully coupled layers generated by weighting and combining each feature for each waveform pattern and the magnetic signal acquired by the magnetic sensor by learning by machine learning.
  • It is provided with a waveform pattern classification unit configured to classify the waveform pattern of the magnetic signal acquired by the magnetic sensor based on the characteristics of the waveform pattern.
  • the method for classifying the waveform pattern of magnetic signals in the second aspect of the present invention includes a step of acquiring a magnetic signal by a magnetic sensor provided in water and a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor.
  • the step of generating a fully coupled sensor signal layer weighted with is a machine, and the waveform pattern of multiple signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor is used as input data.
  • a waveform pattern distribution which is a distribution of waveform patterns of a plurality of signals created based on a plurality of fully connected layers generated by weighting and combining each feature for each waveform pattern by learning by learning, and learning. It includes a step of classifying the waveform pattern of the magnetic signal acquired by the magnetic sensor based on the fully coupled sensor signal layer generated using the completed model.
  • the waveform pattern distribution creation method for the magnetic detection system in the third aspect of the present invention is a step of learning by machine learning the waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor as input data. And, using a trained model that has been machine-learned using the waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor as input data, each feature is weighted and combined for each waveform pattern.
  • the inventor of the present application has noted that there is a correlation between the waveform pattern of the magnetic signal acquired by the magnetic sensor and the relative position and traveling direction of the magnetic material with respect to the magnetic sensor. Then, as a result of diligent studies by the inventor of the present application, the inventor of the present application creates the result based on a plurality of fully connected layers in which each feature is weighted and combined for each waveform pattern of a plurality of signals by learning by machine learning. We have found that the waveform pattern distribution is divided according to the waveform pattern that correlates with the relative position and traveling direction of the magnetic material with respect to the magnetic sensor, and came up with the present invention.
  • each feature is weighted and generated for each waveform pattern of a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor.
  • a waveform pattern distribution is created based on multiple fully connected layers.
  • the waveform pattern classification unit is configured to classify the waveform pattern of the magnetic signal acquired by the magnetic sensor based on the waveform pattern distribution and the characteristics of the waveform pattern of the magnetic signal acquired by the magnetic sensor. There is.
  • the waveform pattern of the magnetic signal acquired by the magnetic sensor is used by using the waveform pattern distribution created based on the plurality of fully coupled layers generated by weighting each feature for each waveform pattern of the plurality of signals.
  • the relative position of the magnetic material with respect to the magnetic sensor is based on the classification result of the waveform pattern of the magnetic signal. And the direction of travel can be determined.
  • a magnetic detection system capable of discriminating the traveling direction of the magnetic material from the magnetic signal acquired by the magnetic sensor.
  • the fully coupled sensor signal layer in which the features in the waveform pattern of the magnetic signal acquired by the magnetic sensor are weighted and coupled is trained. Is used to generate. Then, a waveform pattern distribution, which is a distribution of waveform patterns of a plurality of signals, is created based on a plurality of fully connected layers generated by weighting and combining each feature for each waveform pattern of a plurality of signals, and a sensor is used. The waveform pattern of the magnetic signal acquired by the magnetic sensor is classified based on the signal fully coupled layer and the waveform pattern distribution.
  • the waveform pattern of the magnetic signal acquired by the magnetic sensor the waveform pattern distribution created based on the plurality of fully coupled layers generated by weighting each feature for each waveform pattern of the plurality of signals is used. From the sensor signal fully coupled layer in which the features are weighted and coupled, the waveform pattern of the magnetic signal acquired by the magnetic sensor can be classified. Since there is a correlation between the waveform pattern of the magnetic signal and the relative position and traveling direction of the magnetic material with respect to the magnetic sensor, the relative position of the magnetic material with respect to the magnetic sensor is based on the classification result of the waveform pattern of the magnetic signal. And the direction of travel can be determined. As a result, it is possible to provide a method for classifying the waveform pattern of a magnetic signal capable of discriminating the traveling direction of the magnetic material from the magnetic signal acquired by the magnetic sensor.
  • each feature of each waveform pattern of a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor.
  • a waveform pattern distribution which is a distribution of waveform patterns of a plurality of signals, is created based on a plurality of fully connected layers weighted and connected.
  • the relative position of the magnetic material with respect to the magnetic sensor is based on the classification result of the waveform pattern of the magnetic signal. And the direction of travel can be determined. As a result, it is possible to provide a method for creating a waveform pattern distribution for a magnetic detection system that can determine the traveling direction of a magnetic material from a magnetic signal acquired by a magnetic sensor.
  • FIG. 1 is a diagram showing a relative position and a traveling direction of a magnetic material with respect to a magnetic sensor. It is a figure which showed the waveform pattern of the magnetic signal acquired by the magnetic sensor when the magnetic material moves as shown in FIG.
  • FIG. 2 is a diagram showing a relative position and a traveling direction of a magnetic material with respect to a magnetic sensor.
  • FIG. 6 is a diagram showing a waveform pattern of a magnetic signal acquired by a magnetic sensor when the magnetic material moves as shown in FIG.
  • FIG. 3 is a diagram showing a relative position and a traveling direction of a magnetic material with respect to a magnetic sensor. It is a figure which showed the waveform pattern of the magnetic signal acquired by the magnetic sensor when the magnetic material moves as shown in FIG.
  • FIG. 4 is a diagram showing a relative position and a traveling direction of a magnetic material with respect to a magnetic sensor. It is a figure which showed the waveform pattern of the magnetic signal acquired by the magnetic sensor when the magnetic material moves as shown in FIG. It is a figure which showed an example of the waveform pattern distribution creation of one Embodiment of this invention.
  • FIG. 1 is a diagram showing a waveform pattern in a waveform pattern distribution.
  • FIG. 2 is a diagram showing a waveform pattern in a waveform pattern distribution.
  • FIG. 3 is a diagram showing a waveform pattern in a waveform pattern distribution. It is a figure which showed an example of the determination and classification of the waveform pattern by the magnetic detection system of one Embodiment of this invention.
  • FIG. 1 is a diagram showing an example of display of a determination result and an estimation result by a display unit.
  • FIG. 2 is a diagram showing an example of display of a determination result and an estimation result by a display unit.
  • the magnetic detection system 100 includes a plurality of magnetic sensors 1, a receiving unit 2, and a computer 3 installed in the detection area 10.
  • the magnetic detection system 100 is a system that detects the approach of the magnetic body 200 by detecting the magnetic signal 11 caused by the magnetic body 200. Further, in the present embodiment, the magnetic detection system 100 estimates the traveling direction of the magnetic body 200 with respect to the plurality of magnetic sensors 1 by classifying the waveform patterns of the magnetic signals 11 acquired by the plurality of magnetic sensors 1. It is configured in.
  • the user who monitors the approach (intrusion) of the magnetic body 200 to the detection region 10 is based on the determination result 81 (see FIG. 3) and the estimation result 84 (see FIG. 17) output by the magnetic detection system 100 described later (see FIG. 17). It is possible to grasp the presence or absence of passage of the magnetic body 200 (by visually recognizing the display unit 32) and to estimate the traveling direction of the magnetic body 200.
  • the plurality of magnetic sensors 1 are provided in, for example, a port. Further, the magnetic material 200 includes a ship, a diver (diver) and the like.
  • the plurality of magnetic sensors 1 are provided underwater (underwater) and are configured to acquire the magnetic signal 11.
  • a plurality of magnetic sensors 1 are installed in a plurality of detection regions 10 for detecting the presence / absence of approach of the magnetic body 200.
  • the plurality of magnetic sensors 1 include a first magnetic sensor 1a, a second magnetic sensor 1b, a third magnetic sensor 1c, a fourth magnetic sensor 1d, a fifth magnetic sensor 1e, a sixth magnetic sensor 1f, a seventh magnetic sensor 1g, and the like.
  • Eighth magnetic sensor 1h is included.
  • Each of the plurality of magnetic sensors 1 is installed so as to be separated from each other, and is wiredly connected to the receiving unit 2.
  • the plurality of magnetic sensors 1 acquire the magnetic signal 11 caused by the magnetic body 200 approaching the detection region 10.
  • the plurality of magnetic sensors 1 are configured to output, for example, the acquired magnetic signal 11 as an optical signal to a receiving unit 2 installed on land.
  • the plurality of magnetic sensors 1 are configured to output the magnetic signal 11 acquired by a predetermined sampling cycle.
  • the plurality of magnetic sensors 1 include, for example, a fluxgate type sensor.
  • the plurality of magnetic sensors 1 may be a sensor that acquires the magnetic signal 11 by only one axis, or the magnetic signal 11 in a plurality of axial directions such as three axes (X-axis, Y-axis, and Z-axis). It may be a sensor that acquires.
  • the predetermined sampling cycle is set to 0.5 seconds. The predetermined sampling period can be arbitrarily changed.
  • the receiving unit 2 is wiredly connected to a plurality of magnetic sensors 1 and receives the magnetic signals 11 acquired by the plurality of magnetic sensors 1. Then, the receiving unit 2 converts the received magnetic signal 11 which is an optical signal into an electric signal. Further, the receiving unit 2 is connected to the computer 3 by wire and transmits the magnetic signal 11 converted into an electric signal to the computer 3.
  • the connection between the plurality of magnetic sensors 1 and the receiving unit 2 and the connection between the receiving unit 2 and the computer 3 may be connected to a wireless connection.
  • the computer 3 includes an operation unit 31, a display unit 32, a control unit 33, and a storage unit 34.
  • the computer 3 is, for example, a computer terminal used by a user in a land monitoring facility.
  • the operation unit 31 accepts an input operation by the user.
  • the operation unit 31 includes a pointing device such as a keyboard and a mouse, for example.
  • the display unit 32 has a magnetic signal 11 acquired by a plurality of magnetic sensors 1 under the control of the control unit 33, a determination result 81 (see FIG. 3) output by the learned model 51 described later, and a traveling direction described later. It is configured to display the estimation result 84 (see FIG. 17), which is the result of estimating the traveling direction of the magnetic body 200 output by the estimation unit 33d.
  • the display of the magnetic signal 11, the determination result 81, and the estimation result 84 by the display unit 32 will be described later.
  • the display unit 32 includes, for example, a liquid crystal display.
  • the storage unit 34 stores the magnetic signal 11 under the control of the control unit 33. Further, the storage unit 34 acquires the measurement data 40 including the magnetic signal 11 acquired by the magnetic sensor 1. In addition to the magnetic signal 11, the measurement data 40 includes position information 40a of the magnetic sensor 1 in the detection region 10 and time information 40b about the time when the magnetic signal 11 is acquired. Further, the storage unit 34 stores the generation unit 50 including the learned model 51 described later, the waveform pattern distribution 60, various programs executed by the control unit 33, and the like.
  • the generation unit 50 may include a plurality of trained models, or may include a trained model that has been trained differently from the trained model 51 together with the trained model 51.
  • the storage unit 34 includes, for example, an HDD (Hard Disk Drive) or a non-volatile memory.
  • the generation unit 50 is an input layer 51a (see FIG. 3) which is input data of a magnetic signal 11 acquired by a plurality of magnetic sensors 1 and input to the trained model 51 of the generation unit 50. ), A fully connected layer 51c (see FIG. 3) is generated.
  • the generation unit 50 determines whether or not each magnetic signal 11 acquired by the plurality of magnetic sensors 1 is a magnetic body 200 based on the generated fully coupled layer 51c (a determination result 81 ().
  • the output layer 51d (see FIG. 3) that outputs (see FIG. 3) is generated for each magnetic sensor 1.
  • the output layer 51d is generated based on the input layer 51a which is the input data of the magnetic signal 11 input to the trained model 51 of the generation unit 50.
  • the trained model 51 is a trained neural network model stored (stored) in the storage unit 34. The details of the trained model 51 will be described later.
  • the waveform pattern distribution 60 learns the waveform patterns of a plurality of signals according to the relative positions and traveling directions of the magnetic bodies 200 with respect to the plurality of magnetic sensors 1 as input data 61 (see FIG. 12) by machine learning. As a result, it is created based on a plurality of fully connected layers 52c (see FIG. 12) generated by weighting and combining each feature for each waveform pattern.
  • the control unit 33 includes a preprocessing unit 33a, a classification unit 33c, a dimension compression unit 33b, a traveling direction estimation unit 33d, and a display control unit 33e as functional configurations. That is, the control unit 33 functions as a preprocessing unit 33a, a dimensional compression unit 33b, a classification unit 33c, a traveling direction estimation unit 33d, and a display control unit 33e by executing the program.
  • the control unit 33 includes, for example, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), and the like.
  • the preprocessing unit 33a is configured to perform preprocessing of the magnetic signal 11. That is, the preprocessing unit 33a removes the high frequency noise component in the acquired magnetic signal 11.
  • the preprocessing unit 33a includes, for example, a low-pass filter.
  • the dimensional compression unit 33b is configured to perform dimensional compression on the output from the fully connected layer 51c (see FIG. 3) generated by the trained model 51.
  • the dimensional compression unit 33b dimensionally compresses the output of the fully connected layer 51c by the dimensional compression algorithm.
  • the dimensional compression algorithm includes any of t-SNE (Stochastic Neighbor Embedding) and PCA (Principal Component Analysis). In this embodiment, an example using t-SNE as the dimensional compression algorithm of the dimensional compression unit 33b will be described.
  • the classification unit 33c classifies the waveform patterns of the magnetic signals 11 acquired by the plurality of magnetic sensors 1 based on the waveform pattern distribution 60 and the characteristics of the waveform patterns of the magnetic signals 11 acquired by the plurality of magnetic sensors 1. It is configured to do.
  • the classification unit 33c is an example of the “waveform pattern classification unit” described in the claims.
  • the traveling direction estimation unit 33d is configured to estimate the traveling direction of the magnetic body 200 with respect to the plurality of magnetic sensors 1 based on the classification by the classification unit 33c for the waveform patterns of the magnetic signals 11 acquired by the plurality of magnetic sensors 1. Has been done.
  • the display control unit 33e is configured to control the display of the display unit 32.
  • the display control unit 33e controls the display of the display unit 32 based on the magnetic signal 11, the determination result 81, and the estimation result 84.
  • the trained model 51 is machine-learned using waveform patterns of a plurality of signals according to the relative positions and traveling directions of the magnetic bodies 200 with respect to the plurality of magnetic sensors 1 as input data 61 (see FIG. 3).
  • a one-dimensional convolutional neural network model (see FIG. 3) including an input layer, a convolutional layer, a fully connected layer, and an output layer is used as a method (learning method) for creating the trained model 51.
  • a plurality of simulation waveforms created by simulating the magnetic signal 11 caused by the magnetic body 200 and a plurality of noise waveforms are used as input data 61, and a one-dimensional convolutional neural network model is used.
  • the trained model 51 is created by performing machine learning.
  • the plurality of parameters include, for example, the magnetic direction, traveling direction, velocity, underwater depth, and lateral distance (horizontal distance) of the magnetic body 200.
  • the plurality of simulation waveforms are simulated based on four waveform patterns in which the waveform patterns of the magnetic signal 11 preprocessed by the preprocessing unit 33a are roughly classified.
  • the waveform pattern of the magnetic signal 11 preprocessed by the preprocessing unit 33a corresponds to the relative position and traveling direction of the magnetic body 200 with respect to the plurality of magnetic sensors 1 (see FIGS. 4, 6, 8, and 10).
  • the waveform patterns are roughly classified into four waveform patterns (FIG. 5, FIG. 7, FIG. 9, and FIG. 11).
  • the vertical axis of FIGS. 5, 7, 9, and 11 is the signal strength, and the horizontal axis is the time.
  • the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1 and preprocessed by the preprocessing unit 33a has a correlation with the relative position and traveling direction of the magnetic body 200 with respect to the plurality of magnetic sensors 1.
  • the waveform pattern when moving in the order of the positions Xa, Xb, and Xc in the direction is a waveform pattern like the first waveform pattern 71 shown in FIG.
  • the time T xa shown in FIG. 5 is the time when the magnetic body 200 is located at the position Xa
  • the time T x b is the time when the magnetic body 200 is located at the position Xb. ..
  • the time T xc is the time when the magnetic material 200 is located at the position Xc.
  • the waveform pattern when moving in the order of the positions Xd, Xe, and Xf in the orthogonal direction is a waveform pattern like the second waveform pattern 72 shown in FIG. 7.
  • the time TXd shown in FIG. 7 is the time when the magnetic body 200 is located at the position Xd
  • the time TXe is the time when the magnetic body 200 is located at the position Xe. ..
  • the time TXf is the time when the magnetic body 200 is located at the position Xf.
  • the positions Ya, Yb, and Yc are in the directions in which the north pole side and the south pole side of the magnetic sensor 1 are adjacent to each other.
  • the waveform pattern when the magnetic sensor 1 moves from the north pole side to the south pole side in this order is a waveform pattern like the third waveform pattern 73 shown in FIG.
  • the time TY shown in FIG. 9 is the time when the magnetic body 200 is located at the position Ya
  • the time TYb is the time when the magnetic body 200 is located at the position Yb. ..
  • the time TYc is the time when the magnetic material 200 is located at the position Yc.
  • the positions Yd, Ye, and Yf are in the directions in which the north pole side and the south pole side of the magnetic sensor 1 are adjacent to each other.
  • the waveform pattern when the magnetic sensor 1 moves from the S pole side to the N pole side in this order is a waveform pattern like the fourth waveform pattern 74 shown in FIG.
  • the time TYd shown in FIG. 11 is the time when the magnetic body 200 is located at the position Yd
  • the time TYe is the time when the magnetic body 200 is located at the position Ye. ..
  • the time TYf is the time when the magnetic material 200 is located at the position Yf.
  • FIGS. 4, 6, 8, and. It is possible to calculate the waveform pattern in the relative position and traveling direction of the magnetic body 200 other than that shown in FIG. 10 with respect to the magnetic sensor 1.
  • the generation unit 50 inputs the magnetic signal 11 acquired by the magnetic sensor 1 to the learned model 51 created by the machine learning as described above, so that the magnetic signal 11 is input. It is configured to generate a fully coupled layer 51c (see FIG. 3), which is a fully coupled layer based on the magnetic signal 11 acquired by the magnetic sensor 1 whose features in the waveform pattern are weighted and coupled.
  • the trained model 51 can be input to the input layer 51a.
  • the convolution layer 51b, the fully connected layer 51c, and the output layer 51d are generated in this order.
  • the trained model 51 may be configured to generate a pooling layer after the convolution layer 51b, or may be configured to generate the convolution layer 51b, the pooling layer, and the fully connected layer 51c a plurality of times. ..
  • the fully coupled layer 51c is an example of the “sensor signal fully coupled layer” in the claims.
  • the input layer 51a is a layer generated in the input data 62 input to the trained model 51.
  • the convolution layer 51b is a layer in which the output from the input layer 51a is calculated by convolution. Then, the fully coupled layer 51c is generated so that the features in the waveform pattern of the magnetic signal 11 in the output from the convolution layer 51b are weighted and fully coupled (the features in the waveform pattern of the magnetic signal 11 are extracted). Is.
  • the output layer 51d is a layer for outputting the generated determination result 81 (identification result) based on the output from the fully connected layer 51c. Then, the determination result 81 is output as the output from the output layer 51d generated by the trained model 51.
  • the waveform pattern distribution 60 is a distribution of waveform patterns of a plurality of signals used for classifying the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1 by the classification unit 33c as described above.
  • the waveform pattern distribution 60 is created (generated) using the trained model 52. Similar to the trained model 51, the trained model 52 is machine-learned using waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1 as input data 61 (see FIG. 12). .. Specifically, in the trained model 52, machine learning is performed using a plurality of simulation waveforms created by simulating a magnetic signal 11 caused by the magnetic body 200 and a plurality of noise waveforms as input data 61. It is a model. That is, the trained model 52 is a one-dimensional convolutional neural network model created by machine learning equivalent to the trained model 51.
  • a plurality of fully coupled layers 52c are a plurality of fully coupled layers 52c according to the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1. It is generated using a trained model 52 that has been machine-learned using the waveform pattern of the signal as input data 61.
  • the plurality of fully connected layers 52c for creating the waveform pattern distribution 60 may be created by the trained model 51.
  • each of the waveform patterns (plurality of simulation waveforms) of a plurality of signals according to the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1 is input as input data 61. ..
  • the trained model 52 has the input layer 52a, the convolution layer 52b, the fully coupled layer 52c, and the output layer 52d. Are generated in order.
  • Each of the generated plurality of fully connected layers 52c is fully connected with the outputs from the convolution layer 52b in a state in which the characteristics of the respective waveform patterns are weighted. That is, each of the generated plurality of fully connected layers 52c is weighted with the characteristics of each waveform pattern of the waveform patterns (plurality of simulation waveforms) of the plurality of signals input as the input data 61.
  • the plurality of fully connected layers 52c are an example of the "plurality of fully connected layers" in the claims.
  • the waveform pattern distribution 60 is created by dimensionally compressing the outputs from each of the plurality of fully connected layers 52c.
  • the output from each of the plurality of fully connected layers 52c created by using the trained model 51 is dimensionally compressed in two dimensions.
  • the waveform pattern distribution 60 which is the distribution of the plurality of dimensional compression results 80 (the distribution of the waveform patterns of the plurality of signals). (See FIG. 13) is created.
  • FIG. 13 An example of the waveform pattern distribution 60 created by the method described above is shown in FIG.
  • the distribution of the plurality of simulation waveforms created by simulating the magnetic signal 11 caused by the magnetic material 200 is indicated by a cross, and the distribution of the plurality of noise waveforms is indicated by a circle.
  • the waveform pattern distribution 60 is represented in two dimensions.
  • the horizontal axis of FIG. 13 is the first dimension (one dimension), and the vertical axis is the second dimension (the other dimension).
  • the waveform patterns distributed in the distribution ranges 60a, 60b, and 60c shown in FIG. 13 are different.
  • the distribution ranges 60a, 60b, and 60c are examples of the "set distribution range" category described in the claims.
  • many waveform patterns having the same waveform pattern as the fourth waveform pattern 74 are distributed in the distribution range 60a. Further, in the distribution range 60a, a part of the same waveform pattern as the first waveform pattern 71 (see FIG. 5) is also distributed.
  • the distribution range 60b includes a waveform pattern having the same waveform pattern as the first waveform pattern 71 (see FIG. 5) and a waveform similar to the second waveform pattern 72 (see FIG. 7). Waveform patterns with patterns are distributed.
  • many waveform patterns having the same waveform pattern as the third waveform pattern 73 are distributed in the distribution range 60c. Further, in the distribution range 60a, a part of the same waveform pattern as the second waveform pattern 72 (see FIG. 7) is also distributed.
  • the fourth waveform pattern 74, the first waveform pattern 71, the second waveform pattern 72, and the third waveform pattern 73 are arranged so as to overlap a part of adjacent distributions in this order.
  • the tendency of the distribution of the waveform pattern distribution 60 shown in FIGS. 13 to 16 is an example.
  • the distribution tendency of the waveform pattern distribution 60 is a weighting value when a plurality of fully connected layers 52c are generated by using the contents of the input data 61 input during the training of the trained model 52 and the trained model 52. It shows different tendencies depending on such factors.
  • the classification unit is based on the characteristics of the waveform patterns such as the above-mentioned four roughly classified waveform patterns (first waveform pattern 71, second waveform pattern 72, third waveform pattern 73, and fourth waveform pattern 74).
  • the distribution range of the waveform pattern used when classifying the waveform pattern according to 33c is defined.
  • the magnetic detection system 100 is acquired by the magnetic sensor 1 by setting the distribution range (distribution ranges 60a, 60b, and 60c) based on the characteristics of the waveform pattern in the waveform pattern distribution 60.
  • the waveform pattern of the magnetic signal 11 input to the generation unit 50 is classified.
  • the waveform pattern distribution 60 when the distribution range 60c (see FIG. 13) is set to the distribution range 60c in which the same waveform pattern as the third waveform pattern 73 (see FIG. 9) is distributed, it is acquired by the magnetic sensor 1.
  • the waveform pattern of the magnetic signal 11 is classified as having the same waveform pattern as the third waveform pattern 73.
  • the distribution ranges 60a, 60b, and 60c can be arbitrarily set by the creator and the user of the waveform pattern distribution 60 in the two-dimensional waveform pattern distribution 60.
  • the shape of the distribution range set in the waveform pattern distribution 60 includes various shapes represented by two dimensions such as a circular shape, a triangular shape, and a rectangular shape. Further, the number of distribution ranges of the waveform pattern may be one or a plurality.
  • the trained model 51 By inputting the magnetic waveform generated based on the magnetic signal 11 acquired by the magnetic sensor 1 into the trained model 51 in the generation unit 50 as the input data 62, the trained model 51 can be input to the input layer 51a.
  • the convolution layer 51b, the fully connected layer 51c, and the output layer 51d are generated in this order.
  • the trained model 51 is configured to output a determination result 81 based on the magnetic signals 11 acquired in the determination period preset by the plurality of magnetic sensors 1. Specifically, the trained model 51 is generated every 0.5 seconds when the magnetic signal 11 is acquired, based on the magnetic signal 11 acquired from the time when the magnetic signal 11 is acquired to the time when it goes back 12 minutes.
  • the magnetic waveform is input as input data 62.
  • the determination result 81 is output from the output layer 51d generated by the trained model 51.
  • the trained model 51 outputs a determination result 81 based on the magnetic signal 11 acquired (acquired 1400 times) within 12 minutes, which is a preset determination period.
  • the determination period can be changed arbitrarily.
  • the determination result 81 is a numerical value indicating the certainty of whether or not the acquired magnetic signal 11 is caused by the approach of the magnetic body 200.
  • the determination result 81 is represented by a numerical value between 0 and 1.
  • the determination result 81 indicates that the closer the magnetic signal 11 is to 1, the more likely the magnetic signal 11 is the magnetic signal 11 caused by the approach of the magnetic body 200, and the closer it is to 0, the more likely the magnetic signal 11 is noise. means.
  • the determination result 81 which is the output from the output layer 51d generated by the trained model 51, is input to the display control unit 33e and is used for controlling the display of the display unit 32 by the display control unit 33e.
  • the output from the fully connected layer 51c generated by the trained model 51 is used for classifying the waveform pattern by the classification unit 33c.
  • the output from the fully connected layer 51c is input to the dimensional compression unit 33b.
  • the dimensional compression unit 33b is configured to perform dimensional compression on the output from the fully connected layer 51c generated by the trained model 51.
  • the input output from the fully connected layer 51c compresses the output of the fully connected layer 51c by the dimensional compression algorithm.
  • the output from the fully connected layer 51c is, for example, 20-dimensional data.
  • the dimensional compression unit 33b dimensionally compresses the output of the fully connected layer 51c into two-dimensional data.
  • the dimensional compression result 82 which is the result of compressing the output of the fully connected layer 51c, is input to the classification unit 33c.
  • the classification unit 33c has magnetism acquired by a plurality of magnetic sensors 1 based on the dimensional compression result 82, which is the result of dimensional compression of the output from the fully coupled layer 51c generated by the generation unit 50, and the waveform pattern distribution 60. It is configured to classify the waveform pattern of the signal 11.
  • the dimensional compression result 82 includes features in the waveform pattern of the magnetic signal 11 of the fully coupled layer 51c.
  • the classification unit 33c has a two-dimensional waveform pattern distribution 60 created by two-dimensionally compressing the output from each of the two-dimensionally compressed dimensional compression result 82 and the plurality of fully connected layers 52c. Based on the set distribution ranges (distribution ranges 60a, 60b, and 60c), the waveform patterns of the magnetic signals 11 acquired by the plurality of magnetic sensors 1 and input to the generation unit 50 are classified.
  • the classification unit 33c associates the waveform pattern with the distribution range set in the waveform pattern distribution 60, and when the dimensional compression result 82 is distributed in the set distribution range, the waveform of the input magnetic signal 11
  • the patterns are classified into waveform patterns corresponding to the set distribution range, and the classification result 83 is output. For example, when the distribution range 60c (see FIG. 13) is associated with the third waveform pattern 73 (see FIG. 9) and the dimensional compression result 82 is distributed in the distribution range 60c, the input magnetic signal.
  • the waveform pattern of 11 is classified as the third waveform pattern 73
  • the probability of the third waveform pattern 73 is 70%
  • the probability of the second waveform pattern 72 is 70%.
  • the probability of the first waveform pattern 71 may be 10%
  • the waveform pattern classification result 83 may be output with a probability.
  • the classification result 83 for the waveform pattern of the magnetic signal 11 input to the generation unit 50 classified by the classification unit 33c is output.
  • the classification result 83 is input to the traveling direction estimation unit 33d.
  • the traveling direction estimation unit 33d is configured to estimate the traveling direction of the magnetic body 200 with respect to the magnetic sensor 1 based on the input classification result 83.
  • the traveling direction estimation unit 33d acquires what kind of waveform pattern the waveform pattern of the magnetic signal 11 input from the classification result 83 is classified into. Then, the traveling direction estimation unit 33d estimates the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1 from the correlation between the classified waveform pattern and the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1. Then, the estimation result 84 is output. For example, when the waveform pattern of the input magnetic signal 11 is classified as the third waveform pattern 73 (see FIG.
  • the N pole of the magnetic sensor 1 with the magnetic body 200 looking at the magnetic sensor 1 on the right side. It is presumed that the magnetic sensor 1 is moving from the north pole side to the south pole side in the direction in which the side and the south pole side are adjacent to each other.
  • the magnetic sensor 1 is a sensor that acquires magnetic signals 11 in a plurality of axial directions such as three axes (X-axis, Y-axis, and Z-axis)
  • the input data 62 to be input to the trained model 51 may be input, or a plurality of axial directions may be input.
  • a magnetic waveform generated based on a signal obtained by synthesizing all the magnetic signals 11 may be input.
  • the magnetic waveform generated based on the combined signal of the magnetic signals 11 acquired by the plurality of magnetic sensors 1 may be input as the input data 62 to be input to the trained model 51.
  • the traveling direction estimation unit 33d may estimate the position of the magnetic body 200 and the traveling direction from a plurality of estimation results 84 based on magnetic signals 11 acquired from a plurality of different magnetic sensors 1. ..
  • the determination result 81, the classification result 83, and the estimation result 84 are output every 0.5 seconds when the input data 62 is input.
  • the output determination result 81 and estimation result 84 are input to the display control unit 33e.
  • the processing time from the input of the input data 62 to the calculation of the estimation result 84 differs depending on the processing speed of the CPU and GPU used for the processing, but the input data 62 from 100 channels (100 magnetic sensors 1) is used. When processed at the same time, it is about 5 milliseconds or more and 50 milliseconds or less.
  • the display control unit 33e controls the display of the display unit 32 based on the input determination result 81 and the estimation result 84.
  • the display unit 32 displays a magnetic signal display 90a that displays the magnetic signal 11 and a determination result display 90b that indicates the determination result 81 of the magnetic signal 11.
  • the determination result display 90b displays the determination result 81 together with the determined numerical value. For example, in the case of the magnetic signal 11 caused by the approach of the magnetic body 200, “Signal” is displayed (see FIG. 18), and the determined numerical value "0.75" is displayed (see FIG. 18). Further, when the magnetic signal 11 acquired by the magnetic sensor 1 is noise, it may be displayed as "Noise".
  • the display control unit 33e controls to display the warning display 90c and the approach display 90d (see FIG. 18) when the estimation result 84 in which the approach of the magnetic body 200 is estimated is input.
  • the warning display 90c displays, for example, characters such as "EMERGENCY” to warn the user (see FIG. 18).
  • the approach display 90d displays characters such as "approaching” in order to notify the user of the approach of the magnetic body 200 (see FIG. 18).
  • the warning display 90c and the approach display 90d may be blinked or the like so that the user can easily recognize them.
  • the display control unit 33e may display the estimation result 84 as shown in FIG.
  • icons 91 (icons 91a, 92b, 91c, 91d, 91e, 91f, 91g, and 91h) indicating a plurality of magnetic sensors 1 are displayed on the display unit 32.
  • the icons 91a, 92b, 91c, 91d, 91e, 91f, 91g, and 91h are the first magnetic sensor 1a, the second magnetic sensor 1b, the third magnetic sensor 1c, the fourth magnetic sensor 1d, and the fifth magnetic sensor, respectively.
  • the icon 200i is an icon indicating the estimated position of the magnetic body 200 with respect to the magnetic sensor 1.
  • the traveling direction icon 200d is an icon indicating an estimation result 84 of the traveling direction of the magnetic body 200 with respect to the magnetic sensor 1.
  • the estimated position of the magnetic body 200 with respect to the magnetic sensor 1 is calculated from the correlation between the classified waveform pattern and the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1.
  • the display control unit 33e has icons (icons 91a, 92b, 91c, 91d, 91e, 91f, 91g, and icons 91a, 92b, 91c, 91d, 91e, 91f, 91g, and icons indicating the positions of the plurality of magnetic sensors 1 according to the distance between the estimated position of the magnetic body 200 and the magnetic sensor 1. , 91h) is configured to control to change the display color. For example, as shown in FIG. 19, the display control unit 33e changes the display color of the color of the magnetic sensor 1 in which the estimated position of the magnetic body 200 and the magnetic sensor 1 are close to each other (shown by hatching in FIG. 19). Control the display.
  • Machine learning is performed in step 101. Specifically, learning is performed by machine learning using the waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1 as input data 61. After the trained model 52 is created by machine learning, the processing step shifts to step 102.
  • step 102 data is input to the trained model 52.
  • step 101 with respect to the machine-learned trained model 52, waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1 are used as a plurality of input data 61. input.
  • the processing step shifts to step 103.
  • a plurality of fully connected layers 52c are generated. Specifically, using the machine-learned trained model 52, it corresponds to a plurality of input data 61 input as waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1. Therefore, a plurality of fully connected layers 52c are generated in which the characteristics of each of the waveform patterns of the plurality of signals are weighted and combined. After creating the plurality of fully connected layers 52c, the processing step proceeds to step 104.
  • step 104 the plurality of fully connected layers 52c are dimensionally compressed. Specifically, the outputs of the plurality of fully connected layers 52c generated by the trained model 51 are subjected to dimensional compression processing by the dimensional compression algorithm. The outputs of the plurality of fully connected layers 52c are each dimensionally compressed in two dimensions. After the dimensional compression of the plurality of fully connected layers 52c is completed, the processing step shifts to step 104.
  • the waveform pattern distribution 60 is created. Specifically, the waveform pattern distribution 60, which is the distribution of the waveform patterns of a plurality of signals, is created by collectively creating the distribution in each of the two dimensions of the plurality of fully connected layers 52c that are dimensionally compressed in two dimensions. Is created. In this way, the waveform pattern distribution 60 used for classifying the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1 is created based on the plurality of fully coupled layers 52c, and the waveform pattern distribution creation process is completed. ..
  • step 201 the magnetic signal 11 is acquired.
  • the magnetic detection system 100 acquires a magnetic signal 11 by a magnetic sensor 1 provided in water.
  • the processing step shifts to step 202.
  • the magnetic signal 11 is input.
  • the magnetic detection system 100 refers to a trained model 51 machine-learned using waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1 as input data 62.
  • the magnetic waveform generated based on the magnetic signal 11 acquired by the magnetic sensor 1 is input as input data 62.
  • the processing step shifts to step 203.
  • the fully bonded layer 51c is generated.
  • the trained model 51 sequentially generates an input layer 51a, a convolution layer 51b, a fully connected layer 51c, and an output layer 51d based on the input data 62.
  • the magnetic detection system 100 uses the trained model 51 to generate a fully coupled layer 51c in which features in the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1 input to the trained model 51 are weighted and coupled. ..
  • the processing step shifts to step 204.
  • step 204 the waveform pattern is classified. Specifically, the classification unit 33c of the magnetic detection system 100 classifies the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1 based on the waveform pattern distribution 60 and the fully coupled layer 51c. After classifying the waveform patterns, the classification result 83 is output, and the processing step shifts to step 205.
  • step 205 the traveling direction of the magnetic material 200 is estimated. Specifically, the traveling direction estimation unit 33d of the magnetic detection system 100 advances the magnetic body 200 with respect to the magnetic sensor 1 based on the classification of the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1 (classification result 83). Estimate the direction. After estimating the traveling direction of the magnetic material 200, the estimation result 84 is output, and the processing step shifts to step 206.
  • step 206 the estimation result 84 is displayed. Specifically, the estimation result 84 output in step 205 is input to the display control unit 33e, and the display control unit 33e controls the display of the display unit 32 based on the input estimation result 84. After the estimation result 84 is displayed on the display unit 32, the processing step returns to step 201.
  • the magnetic sensor 1 is based on the waveform pattern distribution 60 by the classification unit 33c (waveform pattern classification unit) and the features of the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1. It is configured to classify the waveform pattern of the magnetic signal 11 acquired by. As a result, the magnetic signal acquired by the magnetic sensor 1 using the waveform pattern distribution 60 created based on the plurality of fully coupled layers 52c generated by weighting each feature for each waveform pattern of the plurality of signals. The waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1 can be classified from the characteristics of the waveform pattern of 11.
  • the magnetic sensor 1 Since there is a correlation between the waveform pattern of the magnetic signal 11 and the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1, the magnetic sensor 1 is based on the classification result 83 of the waveform pattern of the magnetic signal 11. The relative position and traveling direction of the magnetic material 200 with respect to the magnetic material 200 can be determined. As a result, it is possible to provide the magnetic detection system 100 capable of discriminating the traveling direction of the magnetic body 200 from the magnetic signal 11 acquired by the magnetic sensor 1.
  • the traveling direction estimation unit 33d is a magnetic sensor based on the classification by the classification unit 33c (wave pattern classification unit) for the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1.
  • the traveling direction of the magnetic material 200 with respect to 1 is estimated.
  • the traveling direction of the magnetic body 200 with respect to the magnetic sensor 1 can be estimated by the traveling direction estimation unit 33d from the magnetic signal 11 acquired by the magnetic sensor 1.
  • the user can determine whether or not the magnetic body 200 is approaching the magnetic sensor 1 based on the estimation result 84 of the traveling direction of the magnetic body 200 estimated by the traveling direction estimation unit 33d. it can.
  • the generation unit 50 is a fully coupled layer 51c (sensor) based on the magnetic signal 11 acquired by the magnetic sensor 1 in which the features in the waveform pattern of the magnetic signal 11 are weighted and coupled. Signal full coupling layer) is generated. Then, the classification unit 33c (waveform pattern classification unit) is acquired by the magnetic sensor 1 based on the waveform pattern distribution 60 and the characteristics of the magnetic signal 11 of the fully coupled layer 51c generated by the generation unit 50 in the waveform pattern. The waveform pattern of the magnetic signal 11 is classified.
  • the features of the waveform pattern of the magnetic signal 11 are weighted in the fully coupled layer 51c, so that it is easier to classify the waveform pattern of the magnetic signal 11 using the waveform pattern distribution 60.
  • the waveform pattern of the signal 11 can be classified.
  • the classification unit 33c (waveform pattern classification unit) is the result of dimensionally compressing the output from the fully coupled layer 51c (sensor signal fully coupled layer) generated by the generation unit 50.
  • the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1 is classified based on the dimensional compression result 82 and the waveform pattern distribution 60 created by dimensionally compressing the outputs from each of the plurality of fully coupled layers 52c. To do.
  • the output from each of the plurality of fully connected layers 52c is dimensionally compressed to create the waveform pattern distribution 60, so that the dimension of the waveform pattern distribution 60 can be reduced.
  • the creator and the user of the waveform pattern distribution 60 can easily confirm the distribution of the waveform pattern in the waveform pattern distribution 60 as compared with the case where the output from each of the plurality of fully connected layers 52c is not dimensionally compressed. .. Further, since the output from the fully connected layer 51c is dimensionally compressed, the output from the fully connected layer 51c is dimensionally compressed with the output from the fully connected layer 51c generated by the generation unit 50 as compared with the case where the output from the fully connected layer 51c is not dimensionally compressed. The creator and the user of the waveform pattern distribution 60 can easily compare the created waveform pattern distribution 60 with the created waveform pattern distribution 60.
  • the classification unit 33c (wave pattern classification unit) two-dimensionally outputs the two-dimensionally compressed dimensional compression result 82 and the outputs from each of the plurality of fully connected layers 51c.
  • the output from the fully connected layer 51c is dimensionally compressed in two dimensions
  • the output from the fully connected layer 51c and the distribution ranges 60a, 60b, and 60c set in the waveform pattern distribution 60 have the same dimension ( Since it is possible to make a comparison in two dimensions), the user can easily visually compare the output from the fully connected layer 51c and the distribution ranges 60a, 60b, and 60c set in the waveform pattern distribution 60. Can be done.
  • the generation unit 50 is based on the input layer 51a which is the input data of the magnetic signal 11 acquired by the magnetic sensor 1 and input to the trained model 51 of the generation unit 50.
  • Fully coupled layer 51c sensor signal fully coupled layer
  • the generation unit 50 generates an output layer 51d that outputs a determination result 81 as to whether or not the magnetic signal 11 acquired by the magnetic sensor 1 is a magnetic body 200, based on the generated fully coupled layer 51c.
  • the determination result 81 of whether or not the magnetic signal 11 acquired by the magnetic sensor 1 is the magnetic body 200 is output by the trained model 51 of the generation unit 50, so that the acquired magnetic signal With respect to 11, the user can easily confirm whether or not the magnetic signal 11 is caused by the magnetic material 200.
  • the fully coupled layer 51c sensor signal fully coupled layer
  • the waveform pattern Based on the distribution 60 the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1 is classified.
  • the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1 can be classified from the fully coupled layer 51c in which the features in the waveform pattern of the above are weighted and coupled.
  • the magnetic sensor 1 Since there is a correlation between the waveform pattern of the magnetic signal 11 and the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1, the magnetic sensor 1 is based on the classification result 83 of the waveform pattern of the magnetic signal 11. The relative position and traveling direction of the magnetic material 200 with respect to the magnetic material 200 can be determined. As a result, it is possible to provide a method for classifying the waveform pattern of the magnetic signal 11 that can determine the traveling direction of the magnetic body 200 from the magnetic signal 11 acquired by the magnetic sensor 1.
  • the traveling direction of the magnetic body 200 with respect to the magnetic sensor 1 is estimated based on the classification of the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1.
  • the traveling direction of the magnetic body 200 with respect to the magnetic sensor 1 can be estimated from the magnetic signal 11 acquired by the magnetic sensor 1.
  • the user can determine whether or not the magnetic body 200 is approaching the magnetic sensor 1 based on the estimation result 84 of the traveling direction of the magnetic body 200.
  • the waveform pattern distribution creation method for the magnetic detection system according to the present embodiment can obtain the following effects.
  • each feature is weighted and combined for each waveform pattern of a plurality of signals according to the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1.
  • a waveform pattern distribution 60 which is a distribution of waveform patterns of a plurality of signals, is created based on the plurality of fully connected layers 52c. With this configuration, by using the created waveform pattern distribution 60 in the magnetic detection system 100, the magnetic signal acquired by the magnetic sensor 1 is derived from the characteristics of the waveform pattern of the magnetic signal 11 acquired by the magnetic sensor 1. Eleven waveform patterns can be classified.
  • the magnetic sensor 1 Since there is a correlation between the waveform pattern of the magnetic signal 11 and the relative position and traveling direction of the magnetic body 200 with respect to the magnetic sensor 1, the magnetic sensor 1 is based on the classification result 83 of the waveform pattern of the magnetic signal 11. The relative position and traveling direction of the magnetic material 200 with respect to the magnetic material 200 can be determined. As a result, it is possible to provide a method for creating a waveform pattern distribution for a magnetic detection system capable of discriminating the traveling direction of the magnetic body 200 from the magnetic signal 11 acquired by the magnetic sensor 1.
  • the waveform pattern distribution 60 is created based on the result of dimensionally compressing the plurality of fully connected layers 52c.
  • the creator and the user of the waveform pattern distribution 60 can easily confirm the distribution of the waveform pattern in the waveform pattern distribution 60 as compared with the case where the plurality of fully connected layers 52c are not dimensionally compressed.
  • the magnetic detection system 100 shows an example of a configuration in which a magnetic signal 11 is acquired by a plurality of magnetic sensors 1, but the present invention is not limited to this.
  • the present invention may be applied to a magnetic detection system having a configuration in which a magnetic signal 11 is acquired by only one magnetic sensor.
  • the waveform pattern distribution 60 is stored in the storage unit 34, but the present invention is not limited to this.
  • the computer 303 is connected to the network 400, and the waveform pattern distribution 60 is stored in the external database 401 without being stored in the storage unit 334. It may be memorized.
  • the generation unit 50 including the waveform pattern distribution 60 and the trained model 51 is stored in the storage unit 34, but the present invention is not limited to this.
  • the computer 503 is connected to the network 400, and the generation unit 50 including the waveform pattern distribution 60 and the trained model 51 is stored in the storage unit 534. Instead of storing it, it may be stored in the external database 402.
  • the present invention is not limited to this.
  • the input data 661 used for machine learning is stored in the storage unit 634 of the computer 603, and the pre-learning model 653 of the generation unit 650.
  • the trained model may be generated.
  • the determination result 81 of whether or not the magnetic signal 11 is the magnetic material 200 shows an example based on the output of the output layer 51d, but the present invention is not limited to this. In the present invention, it may be configured to determine whether or not the magnetic signal is a magnetic material depending on whether or not the classification result of the waveform pattern falls within the noise distribution range in the waveform pattern distribution.
  • the output from each of the dimensional compression result 82 and the plurality of fully connected layers 52c is dimensionally compressed in two dimensions, but the present invention is not limited to this.
  • the dimensional compression result and the output from each of the plurality of fully connected layers may be dimensionally compressed in three dimensions to create a three-dimensional waveform pattern distribution.
  • the waveform pattern is classified based on the dimension compression result 82 in which the output of the fully coupled layer 51c (sensor signal fully coupled layer) is dimensionally compressed and the waveform pattern distribution 60.
  • the present invention is not limited to this.
  • the output of the sensor signal fully coupled layer (fully coupled layer 51c) is not dimensionally compressed in the computer 703, and the sensor signal fully coupled layer (fully coupled layer) is not dimensionally compressed.
  • the waveform patterns may be classified based on the characteristics of the waveform pattern of the magnetic signal 11 weighted in the output from the convolution layer 51b included in 51c) and the waveform pattern distribution 60.
  • a one-dimensional convolutional neural network model is used with a plurality of simulation waveforms created by simulating the magnetic signal 11 caused by the magnetic material 200 and a plurality of noise waveforms as input data 61.
  • An example is shown in which the trained model 51 is created by performing machine learning, but the present invention is not limited to this.
  • a learned model is created by performing machine learning using a magnetic waveform generated based on a magnetic signal actually acquired by a magnetic sensor of a magnetic detection system as input data. May be good.
  • a plurality of simulation waveforms created by simulating, a plurality of noise waveforms, and a magnetic waveform generated based on a magnetic signal actually acquired by the magnetic sensor of the magnetic detection system are input.
  • a trained model may be created by performing machine learning.
  • the magnetic detection system may be configured to only classify the waveform pattern by the waveform pattern classification unit, and the traveling direction of the magnetic material may be estimated by the user. Further, in the present invention, the magnetic detection system may notify the traveling direction of the magnetic material when the magnetic material passes, based on the classification result 83.
  • the magnetic sensor 1 is installed in the detection region 10 to detect the magnetic signal 11 caused by the magnetic body 200, but the present invention is not limited to this.
  • the position of the magnetic material relative to the magnetic sensor may be detected by moving the magnetic sensor.
  • the traveling direction estimation processing by the magnetic detection system 100 of the present invention has been described using a flow-driven flowchart in which the processing is sequentially performed along the processing flow.
  • the processing operation may be performed by event-driven (event-driven) processing in which processing is executed in event units. In this case, it may be completely event-driven, or it may be a combination of event-driven and flow-driven.
  • the process of creating the waveform pattern distribution 60 of the present invention has been described using a flow-driven flowchart in which the process is sequentially performed along the processing flow, but the present invention is limited to this. I can't.
  • the processing operation may be performed by event-driven (event-driven) processing in which processing is executed in event units. In this case, it may be completely event-driven, or it may be a combination of event-driven and flow-driven.
  • a magnetic sensor that is installed underwater and acquires a magnetic signal, By learning the waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor as input data by machine learning, each feature is weighted and combined for each waveform pattern. Based on the waveform pattern distribution created based on the plurality of fully coupled layers and the characteristics of the magnetic signal waveform pattern acquired by the magnetic sensor, the waveform pattern of the magnetic signal acquired by the magnetic sensor is obtained.
  • a magnetic detection system with a waveform pattern classifier configured to classify.
  • the item 1 comprises further comprising a traveling direction estimation unit that estimates the traveling direction of the magnetic material with respect to the magnetic sensor based on the classification by the waveform pattern classification unit for the waveform pattern of the magnetic signal acquired by the magnetic sensor. Magnetic detection system.
  • the magnetic detection system By inputting the magnetic signal acquired by the magnetic sensor into a trained model machine-learned using waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor as input data. , It is configured to generate a sensor signal fully coupled layer, which is a fully coupled layer based on the magnetic signal acquired by the magnetic sensor, in which features in the input waveform pattern of the magnetic signal are weighted and coupled. With more generators
  • the waveform pattern classification unit is the magnetic signal acquired by the magnetic sensor based on the waveform pattern distribution and the characteristics of the magnetic signal waveform pattern of the sensor signal fully coupled layer generated in the generation unit.
  • the magnetic detection system according to item 1 or 2, which is configured to classify the waveform patterns of.
  • the waveform pattern classification unit dimensionally compresses the dimensional compression result, which is the result of dimensional compression of the output from the sensor signal fully coupled layer generated by the generation unit, and the output from each of the plurality of fully coupled layers.
  • the magnetic detection system according to item 3 wherein the waveform pattern of the magnetic signal acquired by the magnetic sensor is classified based on the waveform pattern distribution created by the above.
  • the waveform pattern classification unit has a two-dimensional waveform pattern distribution created by two-dimensionally compressing the two-dimensionally compressed result and the output from each of the plurality of fully connected layers.
  • the magnetic detection system according to item 4 wherein the waveform pattern of the magnetic signal acquired by the magnetic sensor and input to the generation unit is classified based on the distribution range set in the above.
  • the trained model is a trained neural network model.
  • the generation unit generates and generates the sensor signal fully coupled layer based on the input layer which is the input data of the magnetic signal acquired by the magnetic sensor and input to the learned model of the generation unit.
  • Items 3 to 5 are configured to generate an output layer that outputs a determination result of whether or not the magnetic signal acquired by the magnetic sensor is a magnetic material based on the sensor signal fully coupled layer.
  • the magnetic detection system according to any one of the above items.
  • the step of acquiring a magnetic signal with a magnetic sensor installed in water A step of inputting the magnetic signal acquired by the magnetic sensor into a trained model machine-learned using waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor as input data.
  • a step of generating a fully coupled sensor signal layer in which features in the waveform pattern of the magnetic signal acquired by the magnetic sensor input to the trained model are weighted and coupled is generated.
  • a plurality of signals generated by combining and weighting each feature for each waveform pattern by learning the waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor as input data by machine learning.
  • the magnetic sensor Based on the waveform pattern distribution, which is the distribution of the waveform patterns of the plurality of signals created based on the fully coupled layer of the above, and the fully coupled layer of the sensor signals generated using the trained model, the magnetic sensor A method for classifying a waveform pattern of a magnetic signal, which comprises a step of classifying the waveform pattern of the acquired magnetic signal.
  • a step of learning by machine learning the waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor as input data Using a trained model that was machine-learned using the waveform patterns of a plurality of signals according to the relative position and traveling direction of the magnetic material with respect to the magnetic sensor as input data, each feature was weighted and combined for each waveform pattern.
  • Steps to create multiple fully connected layers and A step of creating a waveform pattern distribution which is a distribution of waveform patterns of a plurality of signals used for classifying the waveform patterns of magnetic signals acquired by the magnetic sensor, based on the plurality of fully coupled layers. Waveform pattern distribution creation method for magnetic detection systems.
  • Step 10 The method for creating a waveform pattern distribution for a magnetic detection system according to item 9, wherein the step of creating the waveform pattern distribution is a step of creating the waveform pattern distribution based on the result of dimensionally compressing the plurality of fully connected layers. ..
  • Magnetic sensor 11 Magnetic signal 33c Classification unit (waveform pattern classification unit) 33d Travel direction estimation part 50 Generation part 51 Trained model 51a Input layer 51c Fully connected layer 51d Output layer 52c (Multiple) fully connected layers 60 Waveform pattern distribution 60a Distribution range (set distribution range) 60b distribution range (set distribution range) 60c distribution range (set distribution range) 61 Input data 81 Judgment result 82 Dimensional compression result 100 Magnetic detection system 200 Magnetic material

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Measuring Magnetic Variables (AREA)

Abstract

この磁気検知システム（１００）は、磁気センサ（１）と、波形パターン分類部（３３ｃ）とを備える。波形パターン分類部（３３ｃ）は、機械学習により学習することによって、波形パターンごとにそれぞれの特徴が重み付けられて結合して生成される複数の全結合層（５２ｃ）に基づいて作成される波形パターン分布（６０）と、磁気信号の波形パターンにおける特徴とに基づいて、磁気センサ（１）によって取得された磁気信号の波形パターンを分類するように構成されている。

Description

磁気検知システム、磁気信号の波形パターン分類方法、および、磁気検知システム用の波形パターン分布作成方法
　本発明は、磁気検知システム、磁気信号の波形パターン分類方法、および、磁気検知システム用の波形パターン分布作成方法に関する。
　従来、磁気センサによって磁性体の検知を行う磁気検知システムが知られている。このような、磁気検知システムは、特開２０１３－１５６２２５号公報に開示されている。
　特開２０１３－１５６２２５号公報には、磁気センサと、磁気センサにより取得される磁気信号が磁性体に由来する信号か否かを判定する判定手段とを備える磁気検知システムが開示されている。特開２０１３－１５６２２５号公報に記載の磁気検知システムでは、磁気センサにより取得される磁気信号の波形パターンと、複数の標準波形パターンとに基づいて、磁気センサから取得した磁気信号が磁性体に由来する磁気信号か、ノイズに由来する磁気信号かを判定して、磁性体を検知するように構成されている。
特開２０１３－１５６２２５号公報
　ここで、磁気センサに対して、検知した磁性体がどの方向に向かって移動しているのか（近づいているのか、または、遠ざかっているのか）という磁性体の進行方向の情報は、磁性体の接近および通過の有無を監視するユーザにとって、重要な情報となる。しかしながら、特開２０１３－１５６２２５号公報に記載の磁気検知システムでは、磁気センサにより取得される磁気信号の波形パターンと、複数の標準波形パターンとに基づいて、磁気センサから取得した磁気信号が磁性体に由来する信号か、ノイズに由来する磁気信号かを判定して、磁性体を検知することができるものの、磁気センサにより取得した磁気信号から磁性体の進行方向を判別することはできない。そのため、磁気センサにより取得した磁気信号から磁性体の進行方向を判別可能にすることが望まれている。
　この発明は、上記のような課題を解決するためになされたものであり、この発明の１つの目的は、磁気センサにより取得した磁気信号から磁性体の進行方向を判別可能な磁気検知システム、磁気信号の波形パターン分類方法、および、磁気検知システム用の波形パターン分布作成方法を提供することである。
　この発明の第１の局面における磁気検知システムは、水中に設けられ、磁気信号を取得する磁気センサと、磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習により学習することによって、波形パターンごとにそれぞれの特徴が重み付けられて結合して生成される複数の全結合層に基づいて作成される波形パターン分布と、磁気センサによって取得された磁気信号の波形パターンにおける特徴とに基づいて、磁気センサによって取得された磁気信号の波形パターンを分類するように構成されている波形パターン分類部とを備える。
　この発明の第２の局面における磁気信号の波形パターン分類方法は、水中に設けられた磁気センサにより磁気信号を取得するステップと、磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習された学習済みモデルに対して、磁気センサが取得した磁気信号を入力するステップと、学習済みモデルに入力された磁気センサが取得した磁気信号の波形パターンにおける特徴が重み付けられて結合されたセンサ信号全結合層を学習済みモデルを用いて、生成するステップと、磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習により学習することによって波形パターンごとにそれぞれの特徴が重み付けられて結合して生成される複数の全結合層に基づいて作成される複数の信号の波形パターンの分布である波形パターン分布と、学習済みモデルを用いて生成されたセンサ信号全結合層とに基づいて、磁気センサによって取得された磁気信号の波形パターンを分類するステップとを含む。
　この発明の第３の局面における磁気検知システム用の波形パターン分布作成方法は、磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習により学習するステップと、磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習された学習済みモデルを用いて、波形パターンごとにそれぞれの特徴が重み付けられて結合された複数の全結合層を生成するステップと、複数の全結合層に基づいて、磁気センサによって取得された磁気信号の波形パターンを分類するために用いられる複数の信号の波形パターンの分布である波形パターン分布を作成するステップとを含む。
　ここで、本願発明者は、磁気センサにより取得される磁気信号の波形パターンと、磁気センサに対する磁性体の相対位置および進行方向との間には相関関係があることに着目した。そして、本願発明者が鋭意検討した結果、本願発明者は、機械学習により学習することによって、複数の信号の波形パターンごとにそれぞれの特徴が重み付けられて結合した複数の全結合層に基づいて作成した波形パターン分布において、磁気センサに対する磁性体の相対位置および進行方向と相関関係がある波形パターンによって分布が分かれていることを見出し、本願発明を想到するに至った。
　本発明の第１の局面による磁気検知システムでは、上記のように、磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンごとにそれぞれの特徴が重み付けられて生成される複数の全結合層に基づいて、波形パターン分布が作成される。そして、波形パターン分類部により、波形パターン分布と、磁気センサによって取得された磁気信号の波形パターンにおける特徴とに基づいて、磁気センサによって取得された磁気信号の波形パターンを分類するように構成されている。これにより、複数の信号の波形パターンごとにそれぞれの特徴が重み付けられて生成される複数の全結合層に基づいて作成された波形パターン分布を用いて、磁気センサによって取得された磁気信号の波形パターンにおける特徴から、磁気センサによって取得された磁気信号の波形パターンを分類することができる。そして、磁気信号の波形パターンと磁気センサに対する磁性体の相対位置および進行方向との間には相関関係があるので、磁気信号の波形パターンの分類結果に基づいて、磁気センサに対する磁性体の相対位置および進行方向を判別することができる。その結果、磁気センサにより取得した磁気信号から磁性体の進行方向を判別可能な磁気検知システムを提供することができる。
　本発明の第２の局面による磁気信号の波形パターン分類方法では、上記のように、磁気センサが取得した磁気信号の波形パターンにおける特徴が重み付けられて結合されたセンサ信号全結合層を学習済みモデルを用いて、生成する。そして、複数の信号の波形パターンごとにそれぞれの特徴が重み付けられて結合して生成される複数の全結合層に基づいて複数の信号の波形パターンの分布である波形パターン分布を作成して、センサ信号全結合層と、波形パターン分布と、に基づいて、磁気センサによって取得された磁気信号の波形パターンを分類する。これにより、複数の信号の波形パターンごとにそれぞれの特徴が重み付けられて生成される複数の全結合層に基づいて作成された波形パターン分布を用いて、磁気センサが取得した磁気信号の波形パターンにおける特徴が重み付けられて結合されたセンサ信号全結合層から、磁気センサによって取得された磁気信号の波形パターンを分類することができる。そして、磁気信号の波形パターンと磁気センサに対する磁性体の相対位置および進行方向との間には相関関係があるので、磁気信号の波形パターンの分類結果に基づいて、磁気センサに対する磁性体の相対位置および進行方向を判別することができる。その結果、磁気センサにより取得した磁気信号から磁性体の進行方向を判別可能な磁気信号の波形パターン分類方法を提供することができる。
　本発明の第３の局面による磁気検知システム用の波形パターン分布作成方法では、上記のように、磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンごとにそれぞれの特徴が重み付けられて結合された複数の全結合層に基づいて、複数の信号の波形パターンの分布である波形パターン分布を作成する。これにより、作成された波形パターン分布を磁気検知システムにおいて用いることによって、磁気センサによって取得された磁気信号の波形パターンにおける特徴から、磁気センサによって取得された磁気信号の波形パターンを分類することができる。そして、磁気信号の波形パターンと磁気センサに対する磁性体の相対位置および進行方向との間には相関関係があるので、磁気信号の波形パターンの分類結果に基づいて、磁気センサに対する磁性体の相対位置および進行方向を判別することができる。その結果、磁気センサにより取得した磁気信号から磁性体の進行方向を判別可能な磁気検知システム用の波形パターン分布作成方法を提供することができる。
本発明の一実施形態による磁気検知システムの全体構成を示した模式図である。 本発明の一実施形態による磁気検知システムの全体構成を示したブロック図である。 本発明の一実施形態の学習済みモデルを説明するための図である。 磁気センサに対する磁性体の相対位置および進行方向を示した第１図である。 図４のように磁性体が移動した場合における磁気センサが取得した磁気信号の波形パターンを示した図である。 磁気センサに対する磁性体の相対位置および進行方向を示した第２図である。 図６のように磁性体が移動した場合における磁気センサが取得した磁気信号の波形パターンを示した図である。 磁気センサに対する磁性体の相対位置および進行方向を示した第３図である。 図８のように磁性体が移動した場合における磁気センサが取得した磁気信号の波形パターンを示した図である。 磁気センサに対する磁性体の相対位置および進行方向を示した第４図である。 図１０のように磁性体が移動した場合における磁気センサが取得した磁気信号の波形パターンを示した図である。 本発明の一実施形態の波形パターン分布作成の一例を示した図である。 学習済みモデルにより作成される波形パターン分布の一例である。 波形パターン分布における波形パターンを示した第１図である。 波形パターン分布における波形パターンを示した第２図である。 波形パターン分布における波形パターンを示した第３図である。 本発明の一実施形態の磁気検知システムによる波形パターンの判定および分類の一例を示した図である。 表示部による判定結果および推定結果の表示の一例を示した第１図である。 表示部による判定結果および推定結果の表示の一例を示した第２図である。 本発明の一実施形態による波形パターン分布作成処理の一例を示したフローチャートである。 本発明の一実施形態による進行方向推定処理の一例を示したフローチャートである。 本発明の一実施形態による磁気検知システムの第１変形例を示したブロック図である。 本発明の一実施形態による磁気検知システムの第２変形例を示したブロック図である。 本発明の一実施形態による磁気検知システムの第３変形例を示したブロック図である。 本発明の一実施形態による磁気検知システムの第４変形例を示したブロック図である。
　以下、本発明を具体化した実施形態を図面に基づいて説明する。
　（磁気検知システムの全体構成）
　図１および図２を参照して、本発明の一実施形態による磁気検知システム１００の全体構成について説明する。
　本実施形態による磁気検知システム１００は、図１に示すように、検知領域１０に設置された複数の磁気センサ１、受信部２、および、コンピュータ３、を備える。本実施形態による磁気検知システム１００は、磁性体２００に起因する磁気信号１１を検知することによって、磁性体２００の接近を検知するシステムである。また、本実施形態において、磁気検知システム１００は、複数の磁気センサ１によって取得された磁気信号１１の波形パターンを分類することにより、複数の磁気センサ１に対する磁性体２００の進行方向を推定するように構成されている。
　磁性体２００の検知領域１０への接近（侵入）を監視するユーザは、後述する磁気検知システム１００によって出力される判定結果８１（図３参照）および推定結果８４（図１７参照）を基づいて（表示部３２を視認することによって）磁性体２００の通過の有無を把握することが可能であるとともに、磁性体２００の進行方向を推定することが可能である。複数の磁気センサ１は、たとえば、港湾などに設けられている。また、磁性体２００は、船舶およびダイバー（潜水士）などを含む。
　複数の磁気センサ１は、図１に示すように、水中（海中）に設けられ、磁気信号１１を取得するように構成されている。本実施形態では、複数の磁気センサ１は、磁性体２００の接近の有無を検知する検知領域１０に複数設置されている。複数の磁気センサ１は、第１磁気センサ１ａ、第２磁気センサ１ｂ、第３磁気センサ１ｃ、第４磁気センサ１ｄ、第５磁気センサ１ｅ、第６磁気センサ１ｆ、第７磁気センサ１ｇ、および、第８磁気センサ１ｈを含む。複数の磁気センサ１の各々は、互いに離間して設置されており、受信部２と有線接続されている。複数の磁気センサ１は、磁性体２００が検知領域１０に接近することに起因する磁気信号１１を取得する。
　また、複数の磁気センサ１は、たとえば、取得した磁気信号１１を、光信号として、陸上に設置された受信部２に出力するように構成されている。そして、複数の磁気センサ１は、所定のサンプリング周期によって取得した磁気信号１１を出力するように構成されている。複数の磁気センサ１は、たとえば、フラックスゲート型センサを含む。また、複数の磁気センサ１は、１つの軸のみにより、磁気信号１１を取得するセンサでもよいし、３軸（Ｘ軸、Ｙ軸、および、Ｚ軸）など複数の軸方向において、磁気信号１１を取得するセンサでもよい。また、本実施形態では、所定のサンプリング周期は、０．５秒として設定されている。なお、所定のサンプリング周期は、任意に変更可能である。
　受信部２は、複数の磁気センサ１と有線接続されており、複数の磁気センサ１によって取得された磁気信号１１を受信する。そして、受信部２は、受信した光信号である磁気信号１１を電気信号に変換する。また、受信部２は、コンピュータ３と有線接続されているとともに、電気信号に変換された磁気信号１１をコンピュータ３に送信する。なお、複数の磁気センサ１と受信部２との接続、および、受信部２とコンピュータ３との接続は無線接続に接続されてもよい。
　コンピュータ３は、図２に示すように、操作部３１と、表示部３２と、制御部３３と、記憶部３４とを含む。コンピュータ３は、たとえば、陸上の監視施設においてユーザが用いるコンピュータ端末である。
　操作部３１は、ユーザによる入力操作を受け付ける。操作部３１は、たとえば、キーボードおよびマウスなどのポインティングデバイスを含む。
　表示部３２は、制御部３３による制御によって、複数の磁気センサ１によって取得された磁気信号１１と、後述する学習済みモデル５１によって出力された判定結果８１（図３参照）と、後述する進行方向推定部３３ｄによって出力された磁性体２００の進行方向を推定した結果である推定結果８４（図１７参照）とを表示するように構成されている。表示部３２による磁気信号１１、判定結果８１、および、推定結果８４の表示については、後述する。表示部３２は、たとえば、液晶ディスプレイを含む。
　記憶部３４は、制御部３３による制御によって、磁気信号１１を記憶する。また、記憶部３４は、磁気センサ１によって取得された磁気信号１１を含む測定データ４０を取得する。測定データ４０は、磁気信号１１に加えて、検知領域１０における磁気センサ１の位置情報４０ａと、磁気信号１１を取得した時刻についての時刻情報４０ｂとを含む。また、記憶部３４は、後述する学習済みモデル５１を含む生成部５０、波形パターン分布６０、制御部３３が実行する各種プログラムなどを記憶する。なお、生成部５０は、複数の学習済みモデルを含んでもよいし、学習済みモデル５１とは異なる学習が行われた学習済みモデルを学習済みモデル５１とともに含んでもよい。記憶部３４は、たとえば、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）または不揮発性メモリなどを含む。
　本実施形態では、生成部５０は、後述するように、複数の磁気センサ１によって取得され生成部５０の学習済みモデル５１に入力された磁気信号１１の入力データである入力層５１ａ（図３参照）に基づいて、全結合層５１ｃ（図３参照）を生成する。
　さらに、生成部５０は、後述するように、生成した全結合層５１ｃに基づいて、複数の磁気センサ１によって取得された各々の磁気信号１１が磁性体２００であるか否かの判定結果８１（図３参照）を出力する出力層５１ｄ（図３参照）を磁気センサ１ごとに生成するように構成されている。出力層５１ｄは、生成部５０の学習済みモデル５１に入力された磁気信号１１の入力データである入力層５１ａに基づいて、生成される。
　学習済みモデル５１は、記憶部３４に格納（記憶）された学習済みニューラルネットワークモデルである。学習済みモデル５１の詳細については、後述する。
　波形パターン分布６０は、後述するように、複数の磁気センサ１に対する磁性体２００の相対位置および進行方向に応じた複数の信号の波形パターンを入力データ６１（図１２参照）として機械学習により学習することによって、波形パターンごとにそれぞれの特徴が重み付けられて結合して生成される複数の全結合層５２ｃ（図１２参照）に基づいて作成される。
　制御部３３は、機能的な構成として、前処理部３３ａ、分類部３３ｃ、次元圧縮部３３ｂ、進行方向推定部３３ｄ、および、表示制御部３３ｅを含む。すなわち、制御部３３は、プログラムを実行することによって、前処理部３３ａ、次元圧縮部３３ｂ、分類部３３ｃ、進行方向推定部３３ｄ、および、表示制御部３３ｅとして機能する。制御部３３は、たとえば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、および、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）などを含む。
　前処理部３３ａは、磁気信号１１の前処理を行うように構成されている。すなわち、前処理部３３ａは、取得された磁気信号１１のうちの高周波ノイズ成分を除去する。前処理部３３ａは、たとえば、ローパスフィルタを含む。
　次元圧縮部３３ｂは、後述するように、学習済みモデル５１により生成された全結合層５１ｃ（図３参照）からの出力に対して、次元圧縮を行うように構成されている。次元圧縮部３３ｂは、次元圧縮アルゴリズムにより、全結合層５１ｃの出力を次元圧縮する。次元圧縮アルゴリズムは、ｔ－ＳＮＥ（Ｓｔｏｃｈａｓｔｉｃ　Ｎｅｉｇｈｂｏｒ　Ｅｍｂｅｄｄｉｎｇ）およびＰＣＡ（Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ）などのいずれかを含む。なお、本実施形態では、次元圧縮部３３ｂの次元圧縮アルゴリズムとして、ｔ－ＳＮＥを用いた例を説明する。
　分類部３３ｃは、波形パターン分布６０と、複数の磁気センサ１によって取得された磁気信号１１の波形パターンにおける特徴とに基づいて、複数の磁気センサ１によって取得された磁気信号１１の波形パターンを分類するように構成されている。なお、分類部３３ｃは、請求の範囲に記載の「波形パターン分類部」の一例である。
　進行方向推定部３３ｄは、複数の磁気センサ１によって取得された磁気信号１１の波形パターンに対する分類部３３ｃによる分類に基づいて、複数の磁気センサ１に対する磁性体２００の進行方向を推定するように構成されている。
　表示制御部３３ｅは、表示部３２の表示の制御を行うように構成されている。表示制御部３３ｅは、磁気信号１１、判定結果８１、および、推定結果８４に基づいて、表示部３２の表示の制御を行う。
　（学習済みモデルの構成）
　次に図３を参照して、本実施形態による磁気検知システム１００の学習済みモデル５１について、説明する。
　学習済みモデル５１は、複数の磁気センサ１に対する磁性体２００の相対位置および進行方向に応じた複数の信号の波形パターンを入力データ６１（図３参照）として機械学習されている。
　学習済みモデル５１の作成方法（学習方法）には、入力層、畳み込み層、全結合層、および、出力層を含む１次元畳み込みニューラルネットワークモデル（図３参照）が用いられる。本実施形態では、磁性体２００に起因する磁気信号１１をシミュレートすることによって作成された複数のシミュレーション波形と、複数のノイズ波形とを入力データ６１として、１次元畳み込みニューラルネットワークモデルを用いて、機械学習が行われることにより、学習済みモデル５１が作成される。
　複数のシミュレーション波形は、複数のパラメータを種々の値に設定することにより網羅的に作成される。複数のパラメータは、たとえば、磁性体２００の磁気の方向、進行方向、速度、水中深度、および、横距（横方向の距離）などを含む。複数のシミュレーション波形は、前処理部３３ａにより前処理された磁気信号１１の波形パターンを大別した４つの波形パターンに基づいて、シミュレートされる。
　ここで、前処理部３３ａにより前処理された磁気信号１１の波形パターンを大別した４つの波形パターンについて、図４～図１１を参照して、説明する。
　前処理部３３ａにより前処理された磁気信号１１の波形パターンは、複数の磁気センサ１に対する磁性体２００の相対位置および進行方向（図４、図６、図８、および、図１０参照）に応じて、４つの波形パターン（図５、図７、図９、および、図１１）に大別される。なお、図５、図７、図９、および、図１１の縦軸は信号強度であり、横軸は時間である。磁気センサ１により取得され、前処理部３３ａにより前処理された磁気信号１１の波形パターンは、複数の磁気センサ１に対する磁性体２００の相対位置および進行方向との間に相関関係を有する。
　図４に示すように、磁気センサ１のＮ極側において、磁性体２００が磁気センサ１を右側に見た状態で、磁気センサ１のＮ極側とＳ極側とが隣り合う方向と直交する方向に位置Ｘａ、Ｘｂ、および、Ｘｃの順に移動する際の波形パターンは、図５に示した第１波形パターン７１のような波形パターンになる。なお、図５に示した時間Ｔｘａは、磁性体２００が位置Ｘａに位置している時の時間であり、時間Ｔｘｂは、磁性体２００が位置Ｘｂに位置している時の時間である。また、時間Ｔｘｃは、磁性体２００が位置Ｘｃに位置している時の時間である。
　また、図６に示すように、磁気センサ１のＳ極側において、磁性体２００が磁気センサ１を右側に見た状態で、磁気センサ１のＮ極側とＳ極側とが隣り合う方向と直交する方向に位置Ｘｄ、Ｘｅ、および、Ｘｆの順に移動する際の波形パターンは、図７に示した第２波形パターン７２のような波形パターンになる。なお、図７に示した時間ＴＸｄは、磁性体２００が位置Ｘｄに位置している時の時間であり、時間ＴＸｅは、磁性体２００が位置Ｘｅに位置している時の時間である。また、時間ＴＸｆは、磁性体２００が位置Ｘｆに位置している時の時間である。
　また、図８に示すように、磁性体２００が磁気センサ１を右側に見た状態で、磁気センサ１のＮ極側とＳ極側とが隣り合う方向において、位置Ｙａ、Ｙｂ、および、Ｙｃの順に磁気センサ１のＮ極側からＳ極側に移動する際の波形パターンは、図９に示した第３波形パターン７３のような波形パターンになる。なお、図９に示した時間ＴＹａは、磁性体２００が位置Ｙａに位置している時の時間であり、時間ＴＹｂは、磁性体２００が位置Ｙｂに位置している時の時間である。また、時間ＴＹｃは、磁性体２００が位置Ｙｃに位置している時の時間である。
　また、図１０に示すように、磁性体２００が磁気センサ１を右側に見た状態で、磁気センサ１のＮ極側とＳ極側とが隣り合う方向において、位置Ｙｄ、Ｙｅ、および、Ｙｆの順に磁気センサ１のＳ極側からＮ極側に移動する際の波形パターンは、図１１に示した第４波形パターン７４のような波形パターンになる。なお、図１１に示した時間ＴＹｄは、磁性体２００が位置Ｙｄに位置している時の時間であり、時間ＴＹｅは、磁性体２００が位置Ｙｅに位置している時の時間である。また、時間ＴＹｆは、磁性体２００が位置Ｙｆに位置している時の時間である。
　また、上記の４つの波形パターン（第１波形パターン７１、第２波形パターン７２、第３波形パターン７３、および、第４波形パターン７４）に基づいて、図４、図６、図８、および、図１０に示した以外の磁性体２００の磁気センサ１に対する相対位置および進行方向における波形パターンを算出することが可能である。
　本実施形態では、生成部５０は、前述したような機械学習により作成された学習済みモデル５１に対して、磁気センサ１が取得した磁気信号１１を入力することにより、入力された磁気信号１１の波形パターンにおける特徴が重み付けられて結合された磁気センサ１によって取得された磁気信号１１に基づく全結合層である全結合層５１ｃ（図３参照）を生成するように構成されている。
　具体的には、学習済みモデル５１に対して、磁気センサ１が取得した磁気信号１１に基づいて生成された磁気波形を入力データ６２として入力することにより、学習済みモデル５１は、入力層５１ａ、畳み込み層５１ｂ、および、全結合層５１ｃ、および、出力層５１ｄを順に生成する。なお、学習済みモデル５１は、畳み込み層５１ｂの後にプーリング層を生成するようにしてもよいし、畳み込み層５１ｂ、プーリング層、および、全結合層５１ｃを複数回生成するように構成してもよい。なお、全結合層５１ｃは、請求の範囲の「センサ信号全結合層」の一例である。
　入力層５１ａは、学習済みモデル５１に入力された入力データ６２に生成された層である。畳み込み層５１ｂは、入力層５１ａからの出力が畳み込み演算された層である。そして、全結合層５１ｃは、畳み込み層５１ｂからの出力における磁気信号１１の波形パターンにおける特徴が重み付けられて全結合されるように生成された（磁気信号１１の波形パターンにおける特徴を抽出する）層である。また、出力層５１ｄは、全結合層５１ｃからの出力に基づいて、生成された判定結果８１（識別結果）を出力するための層である。そして、学習済みモデル５１により生成された出力層５１ｄからの出力として、判定結果８１が出力される。
　（波形パターン分布作成について）
　次に、波形パターン分布６０の作成について、図１２を参照して説明する。波形パターン分布６０は、前述したように磁気センサ１によって取得された磁気信号１１の波形パターンを分類部３３ｃにより分類するために用いられる複数の信号の波形パターンの分布である。
　波形パターン分布６０は、学習済みモデル５２を用いて作成（生成）される。学習済みモデル５２は、学習済みモデル５１と同様に磁気センサ１に対する磁性体２００の相対位置および進行方向に応じた複数の信号の波形パターンを入力データ６１（図１２参照）として機械学習されている。具体的には、学習済みモデル５２は、磁性体２００に起因する磁気信号１１をシミュレートすることによって作成された複数のシミュレーション波形と、複数のノイズ波形とを入力データ６１として機械学習が行われたモデルである。すなわち、学習済みモデル５２は、学習済みモデル５１と同等の機械学習により作成された１次元畳み込みニューラルネットワークモデルである。
　波形パターン分布６０は、複数の信号の波形パターンごとにそれぞれの特徴が重み付けられて結合された複数の全結合層５２ｃが、磁気センサ１に対する磁性体２００の相対位置および進行方向に応じた複数の信号の波形パターンを入力データ６１として機械学習された学習済みモデル５２を用いて、生成されている。なお、波形パターン分布６０を作成するための複数の全結合層５２ｃは、学習済みモデル５１により作成されてもよい。
　具体的には、学習済みモデル５２には、磁気センサ１に対する磁性体２００の相対位置および進行方向に応じた複数の信号の波形パターン（複数のシミュレーション波形）の各々が入力データ６１として入力される。そして、複数の信号の波形パターン（複数のシミュレーション波形）を入力データ６１として入力することにより、学習済みモデル５２は、入力層５２ａ、畳み込み層５２ｂ、および、全結合層５２ｃ、および、出力層５２ｄをそれぞれ順に複数生成する。
　生成された複数の全結合層５２ｃのそれぞれは、それぞれの波形パターンの特徴が重み付けられた状態で、畳み込み層５２ｂからの出力が全結合されている。すなわち、生成された複数の全結合層５２ｃのそれぞれは、入力データ６１として入力された複数の信号の波形パターン（複数のシミュレーション波形）のそれぞれの波形パターンの特徴が重み付けられている。なお、複数の全結合層５２ｃは、請求の範囲の「複数の全結合層」の一例である。
　そして、波形パターン分布６０は、複数の全結合層５２ｃの各々からの出力を次元圧縮することにより作成される。
　具体的には、まず学習済みモデル５１を用いて作成された複数の全結合層５２ｃの各々からの出力がそれぞれ２次元に次元圧縮される。そして、得られた複数の次元圧縮結果８０を２次元上において、１つにまとめて示すことにより、複数の次元圧縮結果８０の分布（複数の信号の波形パターンの分布）である波形パターン分布６０（図１３参照）が作成される。なお、複数の全結合層５２ｃの各々からの出力を次元圧縮する際には、後述する次元圧縮部３３ｂによる全結合層５１ｃの次元圧縮（図１７）と同様の方法（同様の次元圧縮アルゴリズム）が用いられる。
　（波形パターン分布の構成）
　前述した方法により作成される波形パターン分布６０の一例を、図１３に示す。なお、磁性体２００に起因する磁気信号１１をシミュレートすることによって作成された複数のシミュレーション波形の分布はバツ印、複数のノイズ波形の分布は丸印で示している。また、波形パターン分布６０は、２次元により表される。図１３の横軸は第１次元（一方の次元）であり、縦軸は第２次元（他方の次元）である。後述するように、図１３に示した、分布範囲６０ａ、６０ｂ、および、６０ｃにおいて、それぞれ分布している波形パターンは異なっている。なお、分布範囲６０ａ、６０ｂ、および、６０ｃは、請求の範囲に記載の「設定された分布範囲」範の一例である。
　分布範囲６０ａには、図１４に示すように、第４波形パターン７４（図１１参照）と同様の波形パターンを有する波形パターンが多く分布している。また、分布範囲６０ａには、第１波形パターン７１（図５参照）と同様の波形パターンも一部分布している。
　そして、分布範囲６０ｂには、図１５に示すように、第１波形パターン７１（図５参照）と同様の波形パターンを有する波形パターンと、第２波形パターン７２（図７参照）と同様の波形パターンを有する波形パターンとが分布している。
　また、分布範囲６０ｃには、図１６に示すように、第３波形パターン７３（図９参照）と同様の波形パターンを有する波形パターンが多く分布している。また、分布範囲６０ａには、第２波形パターン７２（図７参照）と同様の波形パターンも一部分布している。
　すなわち、第１波形パターン７１（図５参照）、第２波形パターン７２（図７参照）、第３波形パターン７３（図９参照）、および、第４波形パターン７４（図１１参照）の分布は、第４波形パターン７４、第１波形パターン７１、第２波形パターン７２、および、第３波形パターン７３の順に隣り合う分布の一部が重畳するように配置している。このような波形パターン分布６０の分布の傾向を利用することにより波形パターンを分類して、分類された波形パターンと磁気センサ１に対する磁性体２００の相対位置および進行方向との相関関係を用いることにより、磁性体２００の進行方向を推定することが可能となる。
　なお、図１３～図１６に示した波形パターン分布６０の分布の傾向は一例である。波形パターン分布６０の分布の傾向は、学習済みモデル５２の学習の際に入力された入力データ６１の内容および学習済みモデル５２を用いて、複数の全結合層５２ｃを生成する際の重み付けの値などによって、異なる傾向を示す。
　また、前述した大別した４つの波形パターン（第１波形パターン７１、第２波形パターン７２、第３波形パターン７３、および、第４波形パターン７４）などの波形パターンの特徴に基づいて、分類部３３ｃによる波形パターンの分類の際に用いられる波形パターンの分布範囲（たとえば、分布範囲６０ａ、６０ｂ、および、６０ｃ）が定められる。
　そして、本実施形態では、磁気検知システム１００は、波形パターン分布６０において、波形パターンの特徴に基づいて分布範囲（分布範囲６０ａ、６０ｂ、および、６０ｃ）を設定することにより、磁気センサ１によって取得され生成部５０に入力された磁気信号１１の波形パターンを分類する。たとえば、波形パターン分布６０において、分布範囲６０ｃ（図１３参照）が第３波形パターン７３（図９参照）と同様の波形パターンが分布する分布範囲６０ｃと設定した場合には、磁気センサ１により取得された磁気信号１１に基づいた結果が分布範囲６０ｃ内に収まる場合には、第３波形パターン７３と同様の波形パターンであると磁気信号１１の波形パターンを分類する。分布範囲６０ａ、６０ｂ、および、６０ｃは、２次元の波形パターン分布６０において、波形パターン分布６０の作成者およびユーザにより任意に設定することが可能である。
　また、波形パターン分布６０において設定される分布範囲の形状は、円形状、三角形形状、矩形形状など２次元により表される様々な形状を含む。また、波形パターンの分布範囲の数は１つでも複数でもよい。
　（磁気検知システムによる判定、分類、および、推定に関する構成）
　次に、本実施形態の磁気検知システム１００による磁気信号１１の判定、波形パターンの分類、および、磁性体２００の進行方向の推定について、図１７を参照して、説明する。
　生成部５０内の学習済みモデル５１に対して、磁気センサ１が取得した磁気信号１１に基づいて生成された磁気波形を入力データ６２として入力することにより、学習済みモデル５１は、入力層５１ａ、畳み込み層５１ｂ、および、全結合層５１ｃ、および、出力層５１ｄを順に生成する。
　学習済みモデル５１は、複数の磁気センサ１によって予め設定された判定期間において取得された磁気信号１１に基づいて、判定結果８１を出力するように構成されている。具体的には、学習済みモデル５１は、磁気信号１１を取得する０．５秒毎に、磁気信号１１を取得した時点から１２分間遡った時点までにおいて取得された磁気信号１１に基づいて生成された磁気波形を入力データ６２として入力する。
　そして、入力データ６２が入力されることにより、学習済みモデル５１により生成された出力層５１ｄから判定結果８１が出力される。学習済みモデル５１は、予め設定された判定期間である１２分間のうちに取得された（１４００回取得された）磁気信号１１に基づいて、判定結果８１を出力する。なお、判定期間は任意に変更可能である。
　判定結果８１は、取得した磁気信号１１が磁性体２００の接近に起因するか否かの確度を表す数値である。判定結果８１は、０～１の間の数値によって表される。なお、判定結果８１は、１に近づくほど磁気信号１１が磁性体２００の接近に起因する磁気信号１１である可能性が高く、０に近づくほど磁気信号１１がノイズである可能性が高いことを意味する。学習済みモデル５１が生成した出力層５１ｄからの出力である判定結果８１は、表示制御部３３ｅに入力されることにより、表示制御部３３ｅによる表示部３２の表示の制御に用いられる。
　学習済みモデル５１が生成した全結合層５１ｃからの出力は、分類部３３ｃによる波形パターンの分類に用いられる。全結合層５１ｃからの出力は、次元圧縮部３３ｂに入力される。次元圧縮部３３ｂは、学習済みモデル５１により生成された全結合層５１ｃからの出力に対して、次元圧縮を行うように構成されている。入力された全結合層５１ｃからの出力は、次元圧縮アルゴリズムにより、全結合層５１ｃの出力を圧縮する。全結合層５１ｃからの出力は、たとえば、２０次元のデータである。次元圧縮部３３ｂは、全結合層５１ｃの出力を２次元のデータに次元圧縮する。全結合層５１ｃの出力を圧縮した結果である次元圧縮結果８２は、分類部３３ｃに入力される。
　分類部３３ｃは、生成部５０が生成した全結合層５１ｃからの出力を次元圧縮した結果である次元圧縮結果８２と、波形パターン分布６０とに基づいて、複数の磁気センサ１により取得された磁気信号１１の波形パターンを分類するように構成されている。次元圧縮結果８２には、全結合層５１ｃの磁気信号１１の波形パターンにおける特徴が含まれている。
　分類部３３ｃは、２次元に次元圧縮された次元圧縮結果８２と、複数の全結合層５２ｃの各々からの出力を２次元に次元圧縮することにより作成される２次元の波形パターン分布６０において、設定された分布範囲（分布範囲６０ａ、６０ｂ、および、６０ｃ）に基づいて、複数の磁気センサ１によって取得され生成部５０に入力された磁気信号１１の波形パターンを分類する。分類部３３ｃは、波形パターン分布６０において設定された分布範囲に波形パターンを対応付けることにより、設定された分布範囲に次元圧縮結果８２が分布している場合には、入力された磁気信号１１の波形パターンを設定された分布範囲に対応した波形パターンに分類して、分類結果８３を出力するように構成されている。たとえば、分布範囲６０ｃ（図１３参照）が第３波形パターン７３（図９参照）と対応付けられており、分布範囲６０ｃに次元圧縮結果８２が分布している場合には、入力された磁気信号１１の波形パターンを第３波形パターン７３と分類する。
　また、分類部３３ｃは、たとえば、分布範囲６０ｃに次元圧縮結果８２が分布している場合において、第３波形パターン７３（図９参照）の確率が７０パーセント、第２波形パターン７２（図７参照）の確率が２０パーセント、および、第１波形パターン７１（図５参照）の確率が１０パーセントといったように波形パターンの分類結果８３を確率により出力してもよい。
　そして、分類部３３ｃにより分類された生成部５０に入力された磁気信号１１の波形パターンに対する分類結果８３が出力される。分類結果８３は、進行方向推定部３３ｄに入力される。
　進行方向推定部３３ｄは、入力された分類結果８３に基づいて、磁気センサ１に対する磁性体２００の進行方向を推定するように構成されている。進行方向推定部３３ｄは、分類結果８３から入力された磁気信号１１の波形パターンがどのような波形パターンに分類されたかを取得する。そして、進行方向推定部３３ｄは、分類された波形パターンと、磁気センサ１に対する磁性体２００の相対位置および進行方向との相関関係から、磁気センサ１に対する磁性体２００の相対位置および進行方向を推定して、推定結果８４を出力する。たとえば、入力された磁気信号１１の波形パターンを第３波形パターン７３（図９参照）と分類した場合には、磁性体２００が磁気センサ１を右側に見た状態で、磁気センサ１のＮ極側とＳ極側とが隣り合う方向において、磁気センサ１のＮ極側からＳ極側に移動していると推定する。
　なお、磁気センサ１が３軸（Ｘ軸、Ｙ軸、および、Ｚ軸）など複数の軸方向において、磁気信号１１を取得するセンサである場合には、学習済みモデル５１に入力する入力データ６２として、１つの磁気センサ１の３軸（Ｘ軸、Ｙ軸、および、Ｚ軸）のそれぞれ軸ごとの磁気信号１１に基づいて生成された磁気波形が入力されてもよいし、複数の軸方向全ての磁気信号１１を合成した信号に基づいて生成された磁気波形が入力されてもよい。また、複数の磁気センサ１の取得した磁気信号１１を合成した信号に基づいて生成された磁気波形が学習済みモデル５１に入力する入力データ６２として入力されてもよい。
　また、進行方向推定部３３ｄは、異なる複数の磁気センサ１から取得した磁気信号１１に基づいた複数の推定結果８４から、磁性体２００の位置の推定、進行方向の推定を行うようにしてもよい。
　また、判定結果８１、分類結果８３、および、推定結果８４の出力は、入力データ６２が入力される０．５秒毎に行われる。出力された判定結果８１および推定結果８４は、表示制御部３３ｅに入力される。
　なお、入力データ６２の入力から推定結果８４の算出までの処理時間は、処理に用いられるＣＰＵおよびＧＰＵの処理速度によっても異なるが、１００チャンネル（１００個の磁気センサ１）からの入力データ６２を同時に処理した場合において、５ミリ秒以上５０ミリ秒以下程度である。
　そして、表示制御部３３ｅは、入力された判定結果８１および推定結果８４に基づいて、表示部３２の表示の制御を行う。
　（推定結果および判定結果の表示）
　次に、表示部３２による推定結果８４および判定結果８１の表示の一例について、図１８および図１９を参照して説明する。
　表示部３２は、磁気信号１１を表示する磁気信号表示９０ａと、磁気信号１１の判定結果８１を示す判定結果表示９０ｂとを表示している。判定結果表示９０ｂは、判定結果８１を判定された数値とともに表示する。たとえば、磁性体２００の接近に起因する磁気信号１１である場合には、「Ｓｉｇｎａｌ」と表示（図１８参照）して、判定された数値「０．７５」を表示（図１８参照）する。また、磁気センサ１が取得した磁気信号１１がノイズである場合には、「Ｎｏｉｓｅ」と表示してもよい。
　また、表示制御部３３ｅは、磁性体２００の接近が推定された推定結果８４が入力された場合において、警告表示９０ｃおよび接近表示９０ｄを表示する（図１８参照）制御を行う。警告表示９０ｃは、たとえば、ユーザに警告を促すため「ＥＭＥＲＧＥＮＣＹ」などの文字を表示（図１８参照）する。また、接近表示９０ｄは、ユーザに磁性体２００の接近を通知するために「接近中」などの文字を表示（図１８参照）する。警告表示９０ｃおよび接近表示９０ｄは、ユーザが認識し易いように点滅などを行うようにしてもよい。
　また、図１８とは異なる推定結果８４の表示方法として、表示制御部３３ｅは、図１９のように、推定結果８４を表示してもよい。
　図１９に示したように、表示部３２には、複数の磁気センサ１を示すアイコン９１（アイコン９１ａ、９２ｂ、９１ｃ、９１ｄ、９１ｅ、９１ｆ、９１ｇ、および、９１ｈ）が表示される。アイコン９１ａ、９２ｂ、９１ｃ、９１ｄ、９１ｅ、９１ｆ、９１ｇ、および、９１ｈは、それぞれ順に第１磁気センサ１ａ、第２磁気センサ１ｂ、第３磁気センサ１ｃ、第４磁気センサ１ｄ、第５磁気センサ１ｅ、第６磁気センサ１ｆ、第７磁気センサ１ｇ、および、第８磁気センサ１ｈを示すアイコンである。
　また、アイコン２００ｉは、磁気センサ１に対する磁性体２００の推定位置を示すアイコンである。進行方向アイコン２００ｄは、磁気センサ１に対する磁性体２００の進行方向の推定結果８４を示すアイコンである。なお、磁気センサ１に対する磁性体２００の推定位置は、分類された波形パターンと、磁気センサ１に対する磁性体２００の相対位置および進行方向との相関関係から算出される。
　表示制御部３３ｅは、磁性体２００の推定位置と磁気センサ１との距離に応じて、複数の磁気センサ１の位置を示すアイコン（アイコン９１ａ、９２ｂ、９１ｃ、９１ｄ、９１ｅ、９１ｆ、９１ｇ、および、９１ｈ）の表示色を変える制御を行うように構成されている。たとえば、図１９に示すように、表示制御部３３ｅは、磁性体２００の推定位置と磁気センサ１との距離が近い磁気センサ１の色の表示色を変える（図１９ではハッチングにより示す）ように表示の制御を行う。
　（波形パターン分布作成処理）
　次に、図２０を参照して、本実施形態の波形パターン分布作成処理をフローチャートに基づいて説明する。
　ステップ１０１において、機械学習が行われる。具体的には、磁気センサ１に対する磁性体２００の相対位置および進行方向に応じた複数の信号の波形パターンを入力データ６１として機械学習による学習が行われる。機械学習により学習済みモデル５２が作成された後、処理ステップは、ステップ１０２に移行する。
　ステップ１０２において、学習済みモデル５２にデータが入力される。具体的には、ステップ１０１において、機械学習された学習済みモデル５２に対して、磁気センサ１に対する磁性体２００の相対位置および進行方向に応じた複数の信号の波形パターンを複数の入力データ６１として入力する。学習済みモデル５２に対する入力データ６１の入力の完了後、処理ステップは、ステップ１０３に移行する。
　ステップ１０３において、複数の全結合層５２ｃが生成される。具体的には、機械学習された学習済みモデル５２を用いて、磁気センサ１に対する磁性体２００の相対位置および進行方向に応じた複数の信号の波形パターンとして入力された複数の入力データ６１に応じて、複数の信号の波形パターンごとにそれぞれの特徴が重み付けられて結合された複数の全結合層５２ｃを生成する。複数の全結合層５２ｃの作成後、処理ステップは、ステップ１０４に移行する。
　ステップ１０４において、複数の全結合層５２ｃが次元圧縮される。具体的には、学習済みモデル５１により生成された複数の全結合層５２ｃの出力は、次元圧縮アルゴリズムによりそれぞれ次元圧縮処理が行われる。複数の全結合層５２ｃの出力は、それぞれ２次元に次元圧縮される。複数の全結合層５２ｃの次元圧縮完了後、処理ステップは、ステップ１０４に移行する。
　ステップ１０５において、波形パターン分布６０が作成される。具体的には、２次元に次元圧縮された複数の全結合層５２ｃのそれぞれの２次元における分布を１つにまとめて作成することにより、複数の信号の波形パターンの分布である波形パターン分布６０が作成される。このように、複数の全結合層５２ｃに基づいて、磁気センサ１によって取得された磁気信号１１の波形パターンを分類するために用いられる波形パターン分布６０が作成され、波形パターン分布作成処理が終了する。
　（進行方向推定処理）
　次に、図２１を参照して、本実施形態の磁気検知システム１００による進行方向推定処理をフローチャートに基づいて説明する。
　ステップ２０１において、磁気信号１１が取得される。具体的には、磁気検知システム１００は、水中に設けられた磁気センサ１により磁気信号１１を取得する。磁気信号１１の取得後、処理ステップは、ステップ２０２に移行する。
　ステップ２０２において、磁気信号１１が入力される。具体的には、磁気検知システム１００は、磁気センサ１に対する磁性体２００の相対位置および進行方向に応じた複数の信号の波形パターンを入力データ６２として機械学習された学習済みモデル５１に対して、磁気センサ１が取得した磁気信号１１に基づいて生成された磁気波形を入力データ６２として入力する。学習済みモデル５１に対する入力データ６２の入力後、処理ステップは、ステップ２０３に移行する。
　ステップ２０３において、全結合層５１ｃが生成される。具体的には、学習済みモデル５１は、入力データ６２に基づいて、入力層５１ａ、畳み込み層５１ｂ、および、全結合層５１ｃ、および、出力層５１ｄを順に生成する。磁気検知システム１００は、学習済みモデル５１に入力された磁気センサ１が取得した磁気信号１１の波形パターンにおける特徴が重み付けられて結合された全結合層５１ｃを学習済みモデル５１を用いて、生成する。全結合層５１ｃの生成後、処理ステップは、ステップ２０４に移行する。
　ステップ２０４において、波形パターンが分類される。具体的には、磁気検知システム１００の分類部３３ｃは、波形パターン分布６０と、全結合層５１ｃとに基づいて、磁気センサ１によって取得された磁気信号１１の波形パターンを分類する。波形パターンを分類後、分類結果８３が出力され、処理ステップは、ステップ２０５に移行する。
　ステップ２０５において、磁性体２００の進行方向が推定される。具体的には、磁気検知システム１００の進行方向推定部３３ｄは、磁気センサ１によって取得された磁気信号１１の波形パターンの分類（分類結果８３）に基づいて、磁気センサ１に対する磁性体２００の進行方向を推定する。磁性体２００の進行方向を推定後、推定結果８４が出力され、処理ステップは、ステップ２０６に移行する。
　ステップ２０６において、推定結果８４を表示する。具体的には、ステップ２０５により出力された推定結果８４が表示制御部３３ｅに入力され、入力された推定結果８４に基づいて、表示制御部３３ｅによる表示部３２の表示の制御を行う。表示部３２に推定結果８４が表示された後、処理ステップは、ステップ２０１へと戻る。
　（本実施形態の磁気検知システムの効果）
　本実施形態の磁気検知システム１００では、以下のような効果を得ることができる。
　本実施形態の磁気検知システム１００では、分類部３３ｃ（波形パターン分類部）により、波形パターン分布６０と、磁気センサ１によって取得された磁気信号１１の波形パターンにおける特徴とに基づいて、磁気センサ１によって取得された磁気信号１１の波形パターンを分類するように構成されている。これにより、複数の信号の波形パターンごとにそれぞれの特徴が重み付けられて生成される複数の全結合層５２ｃに基づいて作成された波形パターン分布６０を用いて、磁気センサ１によって取得された磁気信号１１の波形パターンにおける特徴から、磁気センサ１によって取得された磁気信号１１の波形パターンを分類することができる。そして、磁気信号１１の波形パターンと磁気センサ１に対する磁性体２００の相対位置および進行方向との間には相関関係があるので、磁気信号１１の波形パターンの分類結果８３に基づいて、磁気センサ１に対する磁性体２００の相対位置および進行方向を判別することができる。その結果、磁気センサ１により取得した磁気信号１１から磁性体２００の進行方向を判別可能な磁気検知システム１００を提供することができる。
　また、上記実施形態による磁気検知システム１００では、以下のように構成したことによって、下記のような更なる効果が得られる。
　また、本実施形態の磁気検知システム１００では、進行方向推定部３３ｄは、磁気センサ１によって取得された磁気信号１１の波形パターンに対する分類部３３ｃ（波形パターン分類部）による分類に基づいて、磁気センサ１に対する磁性体２００の進行方向を推定する。このように構成すれば、磁気センサ１により取得した磁気信号１１から磁性体２００の磁気センサ１に対する進行方向を進行方向推定部３３ｄによって推定することができる。その結果、ユーザは、進行方向推定部３３ｄによって推定された磁性体２００の進行方向の推定結果８４に基づいて、磁性体２００が磁気センサ１に対して近づいているのか否かを判断することができる。
　また、本実施形態の磁気検知システム１００では、生成部５０は、磁気信号１１の波形パターンにおける特徴が重み付けられて結合された磁気センサ１によって取得された磁気信号１１に基づく全結合層５１ｃ（センサ信号全結合層）を生成する。そして、分類部３３ｃ（波形パターン分類部）は、波形パターン分布６０と、生成部５０において生成された全結合層５１ｃの磁気信号１１の波形パターンにおける特徴とに基づいて、磁気センサ１によって取得された磁気信号１１の波形パターンを分類する。このように構成すれば、全結合層５１ｃにおいて磁気信号１１の波形パターンにおける特徴が重み付けられているので、波形パターン分布６０を用いて磁気信号１１の波形パターンを分類する際に、より容易に磁気信号１１の波形パターンを分類することができる。
　また、本実施形態の磁気検知システム１００では、分類部３３ｃ（波形パターン分類部）は、生成部５０が生成した全結合層５１ｃ（センサ信号全結合層）からの出力を次元圧縮した結果である次元圧縮結果８２と、複数の全結合層５２ｃの各々からの出力を次元圧縮することにより作成される波形パターン分布６０とに基づいて、磁気センサ１により取得された磁気信号１１の波形パターンを分類する。このように構成すれば、複数の全結合層５２ｃの各々からの出力を次元圧縮して波形パターン分布６０が作成されるので、波形パターン分布６０の次元を減少させることができる。その結果、複数の全結合層５２ｃの各々からの出力を次元圧縮しない場合に比べて、波形パターン分布６０における波形パターンの分布を波形パターン分布６０の作成者およびユーザが容易に確認することができる。また、全結合層５１ｃからの出力が次元圧縮されるので、全結合層５１ｃからの出力を次元圧縮しない場合に比べて、生成部５０が生成した全結合層５１ｃからの出力と次元圧縮して作成された波形パターン分布６０とを波形パターン分布６０の作成者およびユーザが容易に比較することができる。
　また、本実施形態の磁気検知システム１００では、分類部３３ｃ（波形パターン分類部）は、２次元に次元圧縮された次元圧縮結果８２と、複数の全結合層５１ｃの各々からの出力を２次元に次元圧縮することにより作成される２次元の波形パターン分布６０において設定された分布範囲６０ａ、６０ｂ、および、６０ｃとに基づいて、磁気センサ１によって取得され生成部５０に入力された磁気信号１１の波形パターンを分類するように構成されている。このように構成すれば、波形パターン分布６０が２次元により作成されるので、波形パターン分布６０における波形パターンの分布を波形パターン分布６０の作成者およびユーザが容易に視認して分布範囲６０ａ、６０ｂ、および、６０ｃを設定することができる。また、全結合層５１ｃからの出力が２次元に次元圧縮されるので、全結合層５１ｃからの出力と、波形パターン分布６０において設定された分布範囲６０ａ、６０ｂ、および、６０ｃとを同一次元（２次元）において比較することが可能になるので、全結合層５１ｃからの出力と波形パターン分布６０において設定された分布範囲６０ａ、６０ｂ、および、６０ｃとをユーザが容易に視認して比較することができる。
　また、本実施形態の磁気検知システム１００では、生成部５０は、磁気センサ１によって取得され生成部５０の学習済みモデル５１に入力された磁気信号１１の入力データである入力層５１ａに基づいて、全結合層５１ｃ（センサ信号全結合層）を生成する。そして、生成部５０は、生成した全結合層５１ｃに基づいて、磁気センサ１によって取得された磁気信号１１が磁性体２００であるか否かの判定結果８１を出力する出力層５１ｄを生成する。このように構成すれば、磁気センサ１によって取得された磁気信号１１が磁性体２００であるか否かの判定結果８１が生成部５０の学習済みモデル５１により出力されるので、取得された磁気信号１１について、磁性体２００に起因する磁気信号１１であるか否かを容易にユーザが確認することができる。
　（本実施形態による磁気信号の波形パターン分類方法の効果）
　本実施形態による磁気信号１１の波形パターン分類方法では、以下のような効果を得ることができる。
　本実施形態による磁気信号１１の波形パターン分類方法では、磁気センサ１が取得した磁気信号１１の波形パターンにおける特徴が重み付けられて結合された全結合層５１ｃ（センサ信号全結合層）と、波形パターン分布６０と、に基づいて、磁気センサ１によって取得された磁気信号１１の波形パターンを分類する。これにより、複数の信号の波形パターンごとにそれぞれの特徴が重み付けられて生成される複数の全結合層５２ｃに基づいて作成された波形パターン分布６０を用いて、磁気センサ１が取得した磁気信号１１の波形パターンにおける特徴が重み付けられて結合された全結合層５１ｃから、磁気センサ１によって取得された磁気信号１１の波形パターンを分類することができる。そして、磁気信号１１の波形パターンと磁気センサ１に対する磁性体２００の相対位置および進行方向との間には相関関係があるので、磁気信号１１の波形パターンの分類結果８３に基づいて、磁気センサ１に対する磁性体２００の相対位置および進行方向を判別することができる。その結果、磁気センサ１により取得した磁気信号１１から磁性体２００の進行方向を判別可能な磁気信号１１の波形パターン分類方法を提供することができる。
　また、上記実施形態による磁気信号１１の波形パターン分類方法では、以下のように構成したことによって、下記のような更なる効果が得られる。
　また、本実施形態による磁気信号１１の波形パターン分類方法では、磁気センサ１によって取得された磁気信号１１の波形パターンの分類に基づいて、磁気センサ１に対する磁性体２００の進行方向を推定する。このように構成すれば、磁気センサ１により取得した磁気信号１１から磁性体２００の磁気センサ１に対する進行方向を推定することができる。その結果、ユーザは、磁性体２００の進行方向の推定結果８４に基づいて、磁性体２００が磁気センサ１に対して近づいているのか否かを判断することができる。
　（本実施形態による磁気検知システム用の波形パターン分布作成方法の効果）
　本実施形態による磁気検知システム用の波形パターン分布作成方法では、以下のような効果を得ることができる。
　本実施形態による磁気検知システム用の波形パターン分布作成方法では、磁気センサ１に対する磁性体２００の相対位置および進行方向に応じた複数の信号の波形パターンごとにそれぞれの特徴が重み付けられて結合された複数の全結合層５２ｃに基づいて、複数の信号の波形パターンの分布である波形パターン分布６０を作成する。このように構成すれば、作成された波形パターン分布６０を磁気検知システム１００において用いることによって、磁気センサ１によって取得された磁気信号１１の波形パターンにおける特徴から、磁気センサ１によって取得された磁気信号１１の波形パターンを分類することができる。そして、磁気信号１１の波形パターンと磁気センサ１に対する磁性体２００の相対位置および進行方向との間には相関関係があるので、磁気信号１１の波形パターンの分類結果８３に基づいて、磁気センサ１に対する磁性体２００の相対位置および進行方向を判別することができる。その結果、磁気センサ１により取得した磁気信号１１から磁性体２００の進行方向を判別可能な磁気検知システム用の波形パターン分布作成方法を提供することができる。
　また、上記実施形態による磁気検知システム用の波形パターン分布作成方法では、以下のように構成したことによって、下記のような更なる効果が得られる。
　また、本実施形態による磁気検知システム用の波形パターン分布作成方法では、複数の全結合層５２ｃを次元圧縮した結果に基づいて波形パターン分布６０を作成する。これにより、複数の全結合層５２ｃを次元圧縮しない場合に比べて、波形パターン分布６０における波形パターンの分布を波形パターン分布６０の作成者およびユーザが容易に確認することができる。
　［変形例］
　なお、今回開示された実施形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施形態の説明ではなく請求の範囲によって示され、さらに請求の範囲と均等の意味および範囲内でのすべての変更（変形例）が含まれる。
　たとえば、上記実施形態では、磁気検知システム１００は、複数の磁気センサ１により磁気信号１１を取得する構成の例を示したが、本発明はこれに限られない。本発明は、１つの磁気センサのみにより磁気信号１１を取得する構成の磁気検知システムに適用してもよい。
　また、上記実施形態では、波形パターン分布６０は、記憶部３４に記憶されている例を示したが、本発明はこれに限られない。本発明では、図２２に示す第１変形例による磁気検知システム３００のように、コンピュータ３０３をネットワーク４００に接続して、波形パターン分布６０を記憶部３３４に記憶させずに、外部のデータベース４０１に記憶させるようにしてもよい。
　また、上記実施形態では、波形パターン分布６０および学習済みモデル５１を含む生成部５０は、記憶部３４に記憶されている例を示したが、本発明はこれに限られない。本発明では、図２３に示す第２変形例による磁気検知システム５００のように、コンピュータ５０３をネットワーク４００に接続して、波形パターン分布６０および学習済みモデル５１を含む生成部５０を記憶部５３４に記憶させずに、外部のデータベース４０２に記憶させるようにしてもよい。
　また、上記実施形態では、予め機械学習により生成した学習済みモデル５１が記憶部３４に記憶されている例を示したが、本発明はこれに限られない。本発明では、図２４に示す第３変形例による磁気検知システム６００のように、コンピュータ６０３の記憶部６３４に機械学習に用いられる入力データ６６１が記憶されており、生成部６５０の学習前モデル６５３に入力データ６６１を入力することにより、コンピュータ６０３内において、学習済みモデルを生成するようにしてもよい。
　また、上記実施形態では、磁気信号１１が磁性体２００であるか否かの判定結果８１が、出力層５１ｄの出力に基づく例を示したが、本発明はこれに限られない。本発明では、波形パターンの分類結果が、波形パターン分布におけるノイズの分布範囲に収まるか否かによって、磁気信号が磁性体であるか否かの判定を行うように構成してもよい。
　また、上記実施形態では、次元圧縮結果８２および複数の全結合層５２ｃの各々からの出力は、２次元に次元圧縮される例を示したが、本発明はこれに限られない。本発明では、次元圧縮結果および複数の全結合層の各々からの出力は、３次元に次元圧縮され、３次元の波形パターン分布を作成するように構成してもよい。
　また、上記実施形態では、全結合層５１ｃ（センサ信号全結合層）の出力を次元圧縮した次元圧縮結果８２と、波形パターン分布６０に基づいて、波形パターンを分類するように構成する例を示したが、本発明はこれに限られない。本発明では、図２５に示す第４変形例のように、コンピュータ７０３内において、センサ信号全結合層（全結合層５１ｃ）の出力を次元圧縮せずに、センサ信号全結合層（全結合層５１ｃ）に含まれる畳み込み層５１ｂからの出力において重み付けられた磁気信号１１の波形パターンにおける特徴と、波形パターン分布６０とに基づいて、波形パターンを分類するように構成してもよい。
　また、上記実施形態では、磁性体２００に起因する磁気信号１１をシミュレートすることによって作成された複数のシミュレーション波形と、複数のノイズ波形とを入力データ６１として、１次元畳み込みニューラルネットワークモデルを用いて、機械学習が行われることにより、学習済みモデル５１が作成される例を示したが、本発明はこれに限られない。本発明では、磁気検知システムの磁気センサが実際に取得した磁気信号に基づいて生成された磁気波形を入力データとして、機械学習が行われることにより、学習済みモデルが作成されるように構成してもよい。また、本発明では、シミュレートすることによって作成された複数のシミュレーション波形と、複数のノイズ波形と、磁気検知システムの磁気センサが実際に取得した磁気信号に基づいて生成された磁気波形とを入力データとして、機械学習が行われることにより、学習済みモデルが作成されるように構成してもよい。
　また、上記実施形態では、分類結果８３に基づいて、磁気センサ１に対する磁性体２００の進行方向を推定する進行方向推定部３３ｄを備える例を示したが、本発明はこれに限られない。本発明では、磁気検知システムは、波形パターン分類部による波形パターンの分類のみを行うように構成され、ユーザによって磁性体の進行方向を推定されるようにしてもよい。また、本発明では、磁気検知システムは、分類結果８３に基づいて、磁性体の通過時に磁性体の進行方向を通知するようにしてもよい。
　また、上記実施形態では、磁気センサ１は、検知領域１０に設置され、磁性体２００に起因する磁気信号１１を検知する例を示したが、本発明はこれに限られない。本発明では、磁気センサを移動させることにより、磁気センサに対する磁性体の相対位置を検出するように構成してもよい。
　また、上記実施形態では、説明の便宜上、本発明の磁気検知システム１００による進行方向推定処理を処理フローに沿って順番に処理を行うフロー駆動型のフローチャートを用いて説明したが、本発明はこれに限られない。本発明では、処理動作を、イベント単位で処理を実行するイベント駆動型（イベントドリブン型）の処理により行ってもよい。この場合、完全なイベント駆動型で行ってもよいし、イベント駆動およびフロー駆動を組み合わせて行ってもよい。
　また、上記実施形態では、説明の便宜上、本発明の波形パターン分布６０の作成処理を処理フローに沿って順番に処理を行うフロー駆動型のフローチャートを用いて説明したが、本発明はこれに限られない。本発明では、処理動作を、イベント単位で処理を実行するイベント駆動型（イベントドリブン型）の処理により行ってもよい。この場合、完全なイベント駆動型で行ってもよいし、イベント駆動およびフロー駆動を組み合わせて行ってもよい。
　［態様］
　上記した例示的な実施形態は、以下の態様の具体例であることが当業者により理解される。
　（項目１）
　水中に設けられ、磁気信号を取得する磁気センサと、
　前記磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習により学習することによって、波形パターンごとにそれぞれの特徴が重み付けられて結合して生成される複数の全結合層に基づいて作成される波形パターン分布と、前記磁気センサによって取得された前記磁気信号の波形パターンにおける特徴とに基づいて、前記磁気センサによって取得された前記磁気信号の波形パターンを分類するように構成されている波形パターン分類部とを備える磁気検知システム。
　（項目２）
　前記磁気センサによって取得された前記磁気信号の波形パターンに対する前記波形パターン分類部による分類に基づいて、前記磁気センサに対する磁性体の進行方向を推定する進行方向推定部をさらに備える、項目１に記載の磁気検知システム。
　（項目３）
　前記磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習された学習済みモデルに対して、前記磁気センサが取得した前記磁気信号を入力することにより、入力された前記磁気信号の波形パターンにおける特徴が重み付けられて結合された前記磁気センサによって取得された前記磁気信号に基づく全結合層であるセンサ信号全結合層を生成するように構成されている生成部をさらに備え、
　前記波形パターン分類部は、前記波形パターン分布と、前記生成部において生成された前記センサ信号全結合層の前記磁気信号の波形パターンにおける特徴とに基づいて、前記磁気センサによって取得された前記磁気信号の波形パターンを分類するように構成されている、項目１または２に記載の磁気検知システム。
　（項目４）
　前記波形パターン分類部は、前記生成部が生成した前記センサ信号全結合層からの出力を次元圧縮した結果である次元圧縮結果と、前記複数の全結合層の各々からの出力を次元圧縮することにより作成される前記波形パターン分布とに基づいて、前記磁気センサにより取得された前記磁気信号の波形パターンを分類するように構成されている、項目３に記載の磁気検知システム。
　（項目５）
　前記波形パターン分類部は、２次元に次元圧縮された前記次元圧縮結果と、前記複数の全結合層の各々からの出力を２次元に次元圧縮することにより作成される２次元の前記波形パターン分布において設定された分布範囲とに基づいて、前記磁気センサによって取得され前記生成部に入力された前記磁気信号の波形パターンを分類するように構成されている、項目４に記載の磁気検知システム。
　（項目６）
　前記学習済みモデルは、学習済みニューラルネットワークモデルであり、
　前記生成部は、前記磁気センサによって取得され前記生成部の前記学習済みモデルに入力された前記磁気信号の入力データである入力層に基づいて、前記センサ信号全結合層を生成するとともに、生成した前記センサ信号全結合層に基づいて、前記磁気センサによって取得された前記磁気信号が磁性体であるか否かの判定結果を出力する出力層を生成するように構成されている、項目３～５のいずれか１項に記載の磁気検知システム。
　（項目７）
　水中に設けられた磁気センサにより磁気信号を取得するステップと、
　前記磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習された学習済みモデルに対して、前記磁気センサが取得した前記磁気信号を入力するステップと、
　前記学習済みモデルに入力された前記磁気センサが取得した前記磁気信号の波形パターンにおける特徴が重み付けられて結合されたセンサ信号全結合層を前記学習済みモデルを用いて、生成するステップと、
　前記磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習により学習することによって波形パターンごとにそれぞれの特徴が重み付けられて結合して生成される複数の全結合層に基づいて作成される複数の信号の波形パターンの分布である波形パターン分布と、前記学習済みモデルを用いて生成された前記センサ信号全結合層とに基づいて、前記磁気センサによって取得された前記磁気信号の波形パターンを分類するステップとを含む、磁気信号の波形パターン分類方法。
　（項目８）
　前記磁気センサによって取得された前記磁気信号の波形パターンの分類に基づいて、前記磁気センサに対する磁性体の進行方向を推定するステップをさらに含む、項目７に記載の磁気信号の波形パターン分類方法。
　（項目９）
　磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習により学習するステップと、
　前記磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習された学習済みモデルを用いて、波形パターンごとにそれぞれの特徴が重み付けられて結合された複数の全結合層を作成するステップと、
　前記複数の全結合層に基づいて、前記磁気センサによって取得された磁気信号の波形パターンを分類するために用いられる複数の信号の波形パターンの分布である波形パターン分布を作成するステップとを含む、磁気検知システム用の波形パターン分布作成方法。
　（項目１０）
　前記波形パターン分布を作成するステップは、前記複数の全結合層を次元圧縮した結果に基づいて前記波形パターン分布を作成するステップである、項目９に記載の磁気検知システム用の波形パターン分布作成方法。
　１　磁気センサ
　１１　磁気信号
　３３ｃ　分類部（波形パターン分類部）
　３３ｄ　進行方向推定部
　５０　生成部
　５１　学習済みモデル
　５１ａ　入力層
　５１ｃ　全結合層
　５１ｄ　出力層
　５２ｃ　（複数の）全結合層
　６０　波形パターン分布
　６０ａ　分布範囲（設定された分布範囲）
　６０ｂ　分布範囲（設定された分布範囲）
　６０ｃ　分布範囲（設定された分布範囲）
　６１　入力データ
　８１　判定結果
　８２　次元圧縮結果
　１００　磁気検知システム
　２００　磁性体

Claims (10)

  1. 　水中に設けられ、磁気信号を取得する磁気センサと、
    　前記磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習により学習することによって、波形パターンごとにそれぞれの特徴が重み付けられて結合して生成される複数の全結合層に基づいて作成される波形パターン分布と、前記磁気センサによって取得された前記磁気信号の波形パターンにおける特徴とに基づいて、前記磁気センサによって取得された前記磁気信号の波形パターンを分類するように構成されている波形パターン分類部とを備える磁気検知システム。
  2. 　前記磁気センサによって取得された前記磁気信号の波形パターンに対する前記波形パターン分類部による分類に基づいて、前記磁気センサに対する磁性体の進行方向を推定する進行方向推定部をさらに備える、請求項１に記載の磁気検知システム。
  3. 　前記磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習された学習済みモデルに対して、前記磁気センサが取得した前記磁気信号を入力することにより、入力された前記磁気信号の波形パターンにおける特徴が重み付けられて結合された前記磁気センサによって取得された前記磁気信号に基づく全結合層であるセンサ信号全結合層を生成するように構成されている生成部をさらに備え、
    　前記波形パターン分類部は、前記波形パターン分布と、前記生成部において生成された前記センサ信号全結合層の前記磁気信号の波形パターンにおける特徴とに基づいて、前記磁気センサによって取得された前記磁気信号の波形パターンを分類するように構成されている、請求項１に記載の磁気検知システム。
  4. 　前記波形パターン分類部は、前記生成部が生成した前記センサ信号全結合層からの出力を次元圧縮した結果である次元圧縮結果と、前記複数の全結合層の各々からの出力を次元圧縮することにより作成される前記波形パターン分布とに基づいて、前記磁気センサにより取得された前記磁気信号の波形パターンを分類するように構成されている、請求項３に記載の磁気検知システム。
  5. 　前記波形パターン分類部は、２次元に次元圧縮された前記次元圧縮結果と、前記複数の全結合層の各々からの出力を２次元に次元圧縮することにより作成される２次元の前記波形パターン分布において設定された分布範囲とに基づいて、前記磁気センサによって取得され前記生成部に入力された前記磁気信号の波形パターンを分類するように構成されている、請求項４に記載の磁気検知システム。
  6. 　前記学習済みモデルは、学習済みニューラルネットワークモデルであり、
    　前記生成部は、前記磁気センサによって取得され前記生成部の前記学習済みモデルに入力された前記磁気信号の入力データである入力層に基づいて、前記センサ信号全結合層を生成するとともに、生成した前記センサ信号全結合層に基づいて、前記磁気センサによって取得された前記磁気信号が磁性体であるか否かの判定結果を出力する出力層を生成するように構成されている、請求項３に記載の磁気検知システム。
  7. 　水中に設けられた磁気センサにより磁気信号を取得するステップと、
    　前記磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習された学習済みモデルに対して、前記磁気センサが取得した前記磁気信号を入力するステップと、
    　前記学習済みモデルに入力された前記磁気センサが取得した前記磁気信号の波形パターンにおける特徴が重み付けられて結合されたセンサ信号全結合層を前記学習済みモデルを用いて、生成するステップと、
    　前記磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習により学習することによって波形パターンごとにそれぞれの特徴が重み付けられて結合して生成される複数の全結合層に基づいて作成される複数の信号の波形パターンの分布である波形パターン分布と、前記学習済みモデルを用いて生成された前記センサ信号全結合層とに基づいて、前記磁気センサによって取得された前記磁気信号の波形パターンを分類するステップとを含む、磁気信号の波形パターン分類方法。
  8. 　前記磁気センサによって取得された前記磁気信号の波形パターンの分類に基づいて、前記磁気センサに対する磁性体の進行方向を推定するステップをさらに含む、請求項７に記載の磁気信号の波形パターン分類方法。
  9. 　磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習により学習するステップと、
    　前記磁気センサに対する磁性体の相対位置および進行方向に応じた複数の信号の波形パターンを入力データとして機械学習された学習済みモデルを用いて、波形パターンごとにそれぞれの特徴が重み付けられて結合された複数の全結合層を生成するステップと、
    　前記複数の全結合層に基づいて、前記磁気センサによって取得された磁気信号の波形パターンを分類するために用いられる複数の信号の波形パターンの分布である波形パターン分布を作成するステップとを含む、磁気検知システム用の波形パターン分布作成方法。
  10. 　前記波形パターン分布を作成するステップは、前記複数の全結合層を次元圧縮した結果に基づいて前記波形パターン分布を作成するステップである、請求項９に記載の磁気検知システム用の波形パターン分布作成方法。
PCT/JP2020/032433 2019-12-25 2020-08-27 磁気検知システム、磁気信号の波形パターン分類方法、および、磁気検知システム用の波形パターン分布作成方法 WO2021131158A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021566809A JP7176650B2 (ja) 2019-12-25 2020-08-27 磁気検知システム、磁気信号の波形パターン分類方法、および、磁気検知システム用の波形パターン分布作成方法
US17/642,861 US11835597B2 (en) 2019-12-25 2020-08-27 Magnetic detection system, magnetic signal waveform pattern classification method, and waveform pattern distribution generation method for magnetic detection system
EP20905396.6A EP4083646A4 (en) 2019-12-25 2020-08-27 MAGNETIC DETECTION SYSTEM, METHOD FOR CLASSIFICATION OF A MAGNETIC SIGNAL WAVEFORM PATTERN AND METHOD FOR GENERATING A WAVEFORM PATTERN FOR A MAGNETIC DETECTION SYSTEM

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019234165 2019-12-25
JP2019-234165 2019-12-25

Publications (1)

Publication Number Publication Date
WO2021131158A1 true WO2021131158A1 (ja) 2021-07-01

Family

ID=76575837

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/032433 WO2021131158A1 (ja) 2019-12-25 2020-08-27 磁気検知システム、磁気信号の波形パターン分類方法、および、磁気検知システム用の波形パターン分布作成方法

Country Status (4)

Country Link
US (1) US11835597B2 (ja)
EP (1) EP4083646A4 (ja)
JP (1) JP7176650B2 (ja)
WO (1) WO2021131158A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117631752B (zh) * 2024-01-25 2024-05-07 深圳市鼎阳科技股份有限公司 波形序列的创建方法、显示方法及波形序列发生器

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0666921A (ja) * 1992-08-21 1994-03-11 Tech Res & Dev Inst Of Japan Def Agency ３個の１軸磁力計を用いた移動物体の位置局限装置
JPH08233920A (ja) * 1995-02-27 1996-09-13 Tech Res & Dev Inst Of Japan Def Agency 磁気測定装置
JP2006275737A (ja) * 2005-03-29 2006-10-12 Universal Shipbuilding Corp 探知ブイ
JP2007155388A (ja) * 2005-12-01 2007-06-21 Universal Shipbuilding Corp 移動体位置等推定検出方法、装置及び移動体位置等推定検出方法のプログラム
JP2009198289A (ja) * 2008-02-21 2009-09-03 Shimadzu Corp 目標体探査器
JP2013156225A (ja) 2012-01-31 2013-08-15 Shimadzu Corp 磁気検知システム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6853194B2 (en) * 2000-03-22 2005-02-08 The Johns Hopkins University Electromagnetic target discriminator sensor system and method for detecting and identifying metal targets
JP3647736B2 (ja) * 2000-09-29 2005-05-18 株式会社東芝 磁気抵抗効果素子、磁気ヘッド及び磁気再生装置
JP6127734B2 (ja) 2013-05-31 2017-05-17 株式会社島津製作所 水中電界測定装置及び水中電界測定方法
JP6052090B2 (ja) 2013-07-25 2016-12-27 株式会社島津製作所 磁気測定システム
JP2015215179A (ja) 2014-05-08 2015-12-03 株式会社島津製作所 磁気検知システムおよび磁気検知方法
US10527746B2 (en) * 2016-05-31 2020-01-07 Lockheed Martin Corporation Array of UAVS with magnetometers
JP6825241B2 (ja) * 2016-06-21 2021-02-03 セイコーエプソン株式会社 磁場計測装置、磁場計測装置の製造方法
CN109407131B (zh) * 2017-08-17 2020-12-04 北京嘀嘀无限科技发展有限公司 车头朝向确定方法、装置及设备
CN107797149A (zh) * 2017-11-10 2018-03-13 广东工业大学 一种船舶分类方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0666921A (ja) * 1992-08-21 1994-03-11 Tech Res & Dev Inst Of Japan Def Agency ３個の１軸磁力計を用いた移動物体の位置局限装置
JPH08233920A (ja) * 1995-02-27 1996-09-13 Tech Res & Dev Inst Of Japan Def Agency 磁気測定装置
JP2006275737A (ja) * 2005-03-29 2006-10-12 Universal Shipbuilding Corp 探知ブイ
JP2007155388A (ja) * 2005-12-01 2007-06-21 Universal Shipbuilding Corp 移動体位置等推定検出方法、装置及び移動体位置等推定検出方法のプログラム
JP2009198289A (ja) * 2008-02-21 2009-09-03 Shimadzu Corp 目標体探査器
JP2013156225A (ja) 2012-01-31 2013-08-15 Shimadzu Corp 磁気検知システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4083646A4

Also Published As

Publication number Publication date
EP4083646A4 (en) 2024-01-10
EP4083646A1 (en) 2022-11-02
US11835597B2 (en) 2023-12-05
US20220390528A1 (en) 2022-12-08
JP7176650B2 (ja) 2022-11-22
JPWO2021131158A1 (ja) 2021-07-01

Similar Documents

Publication Publication Date Title
Xing et al. Identification and analysis of driver postures for in-vehicle driving activities and secondary tasks recognition
JP6431017B2 (ja) 機械学習により外力の検出精度を向上させた人協調ロボットシステム
Culbertson et al. Generating haptic texture models from unconstrained tool-surface interactions
KR102083385B1 (ko) 영상 추출 데이터의 동작 인지에 기초하는 위험 상황 판단 방법
EP3131311A1 (en) Monitoring
JP2018156151A (ja) 異常検知装置及び機械学習装置
JP6897037B2 (ja) 作業性評価装置
CN107305370A (zh) 设定与产品的异常相关的变量的判定值的生产系统
JP2010207488A (ja) 行動解析装置及びプログラム
EP4082726A1 (en) Training data selection device, robot system, and training data selection method
KR102046706B1 (ko) 착용가능 디바이스를 사용하여 신경망 기반의 제스처 인식을 수행하는 기법
EP2857951A1 (en) Apparatus and method of using events for user interface
WO2021131158A1 (ja) 磁気検知システム、磁気信号の波形パターン分類方法、および、磁気検知システム用の波形パターン分布作成方法
JP2022033805A (ja) 無人車内の乗客状態の識別方法、装置、機器及び記憶媒体
Pan et al. Cognitive acoustic analytics service for Internet of Things
Hu et al. Temporal head pose estimation from point cloud in naturalistic driving conditions
Zhang et al. Neural network based uncertainty prediction for autonomous vehicle application
CN111006808A (zh) 基于柔性阵列式触觉传感器的三维力解耦方法
CN111402287A (zh) 用于活动序列的标准化评估的系统和方法
CN106598234A (zh) 基于惯性传感的手势识别方法
US10891503B2 (en) Method and device for classifying eye opening data of at least one eye of an occupant of a vehicle, and method and device for detecting drowsiness and/or microsleep of an occupant of a vehicle
CN110110631A (zh) 一种识别打电话的方法及设备
JP2005071285A (ja) 空間内のインタラクションに応じて詳細度を変更する衝突検出方法及びその方法を用いた仮想空間生成装置
US20200258379A1 (en) Determination of movement information with surroundings sensors
US20220301282A1 (en) Method for Analyzing Image Information Using Assigned Scalar Values

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20905396

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021566809

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020905396

Country of ref document: EP

Effective date: 20220725