WO2022196425A1 - 情報処理方法、プログラム、情報処理装置及びモデル生成方法 - Google Patents
情報処理方法、プログラム、情報処理装置及びモデル生成方法 Download PDFInfo
- Publication number
- WO2022196425A1 WO2022196425A1 PCT/JP2022/009901 JP2022009901W WO2022196425A1 WO 2022196425 A1 WO2022196425 A1 WO 2022196425A1 JP 2022009901 W JP2022009901 W JP 2022009901W WO 2022196425 A1 WO2022196425 A1 WO 2022196425A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- measurement data
- magnetic
- data
- model
- thickness
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 230000010365 information processing Effects 0.000 title claims abstract description 48
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 331
- 230000004907 flux Effects 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 37
- 239000000523 sample Substances 0.000 claims abstract description 35
- 238000007689 inspection Methods 0.000 claims abstract description 34
- 230000007423 decrease Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 32
- 230000009467 reduction Effects 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000002131 composite material Substances 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000007654 immersion Methods 0.000 claims description 3
- 238000009683 ultrasonic thickness measurement Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000004048 modification Effects 0.000 description 48
- 238000012986 modification Methods 0.000 description 48
- 238000010586 diagram Methods 0.000 description 36
- 239000000284 extract Substances 0.000 description 18
- 230000007547 defect Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000000696 magnetic material Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 4
- 229910000975 Carbon steel Inorganic materials 0.000 description 3
- 239000010962 carbon steel Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007636 ensemble learning method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910001566 austenite Inorganic materials 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 229910001039 duplex stainless steel Inorganic materials 0.000 description 1
- 238000007716 flux method Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
- G01B7/06—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness
- G01B7/10—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness using magnetic means, e.g. by measuring change of reluctance
- G01B7/107—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness using magnetic means, e.g. by measuring change of reluctance for measuring objects while moving
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
- G01B7/06—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness
- G01B7/10—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness using magnetic means, e.g. by measuring change of reluctance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Electrochemistry (AREA)
- Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)
Abstract
Description
(実施の形態1)
図1は、欠陥推定システムの構成例を示す説明図である。本実施の形態では、機械学習モデルを用いて、磁性管の磁気特性値を測定した測定データから、減肉等の欠陥を推定する欠陥推定システムについて説明する。欠陥推定システムは、情報処理装置1、ユーザ端末2、測定装置3、検査プローブ4を含む。情報処理装置1及びユーザ端末2は、インターネット等のネットワークNを介して通信接続されている。
実施の形態1では、磁性管の測定データを画像に変換し、推定モデル50に入力する形態について説明した。変形例1では、元の測定データをそのまま推定モデル50の入力に用いる形態について説明する。なお、実施の形態1と重複する内容については同一の符号を付して説明を省略する。
本変形例では、アンサンブル学習の手法を用いて推定モデル50を生成する形態について説明する。
変形例2とは異なるアンサンブル学習の手法を用いる例について説明する。一般的なアンサンブル学習としては、同一のデータセットを、学習機構が異なる複数のモデルに入力し、これらの複数のモデルからの出力の平均、または、これらの複数のモデルからの多数決出力を、学習結果とすることが知られている。
変形例4は、MFR方式における磁束の乱れに伴うホール素子電圧の影響を低減するために、動的時間伸縮法を用いて、推定モデルの学習に使用される測定データを補正する手法に関する例である。
変形例5は、主成分分析の手法を利用してデータ数を増加させる例である。図25は、変形例5におけるデータ拡張処理に関する説明図である。
実施の形態1では、推定モデル50を用いて、磁性管の減肉等の欠陥を推定する欠陥推定システムについて説明した。本実施の形態では、ユーザが実際に本システムを利用して磁性管の欠陥を検査する際の実施形態について述べる。
端末2の制御部21は、肉厚情報の推定に用いる推定モデル50の選択入力を受け付ける(ステップS501)。具体的には、制御部21は、磁性管の減肉形態、寸法、材質など、推定対象とする磁性管に関する磁性管情報の指定入力を受け付ける。また、制御部21は、推定モデル50の更新に係る測定データの利用(提供)の可否の選択入力を受け付ける(ステップS502)。制御部11は、ステップS501、S502の選択内容と共に、磁性管の測定データをサーバ1に送信する(ステップS403)。端末2から測定データを取得した場合、サーバ1の制御部11はステップS33~S35の処理を実行し、推定モデル50に基づき推定した肉厚情報を端末2に送信する(ステップS36)。
11 制御部
12 主記憶部
13 通信部
14 補助記憶部
P1 プログラム
142 モデルDB
143 測定DB
2 端末(ユーザ端末)
21 制御部
22 主記憶部
23 通信部
24 表示部
25 入力部
26 補助記憶部
P2 プログラム
3 測定装置
4 検査プローブ
41 ヨーク
42 磁石
43 ホール素子(磁気センサ)
50 推定モデル
50a 薄肉特化型モデル
50b 厚肉特化型モデル
50c 最終モデル
Claims (35)
- 磁性管の磁気特性値を測定した測定データを取得し、
前記測定データを入力した場合に前記磁性管の肉厚に関する肉厚情報を推定するよう学習済みのモデルに、取得した前記測定データを入力することで前記肉厚情報を推定する
処理をコンピュータが実行する情報処理方法。 - 前記磁気特性値は、磁場を発生させる磁石と、該磁石に対して前記磁性管とは反対側に配置されるヨークと、前記ヨーク及び磁性管の間に配置され、前記ヨーク、磁石及び磁性管を通過する磁束密度を測定する磁気センサとを備える検査プローブを用いて測定した測定値であって、前記磁束密度に比例する前記磁気センサの出力電圧である
請求項1に記載の情報処理方法。 - 前記測定データは、前記ヨークの外周上に周期的に前記磁石及び磁気センサが取り付けられた前記検査プローブを用いて、円筒状の前記磁性管の長手方向に沿う各位置において、前記磁性管の断面を周方向に沿って等分した各位置の前記磁気特性値を測定したデータであり、
前記磁性管外での前記磁気特性値が前記周方向に沿う全ての位置で一致し、かつ、減肉が生じていない前記磁性管の健全部での前記磁気特性値が前記周方向に沿う全ての位置で一致するように、前記磁気特性値を正規化し、
前記磁気特性値を正規化した前記測定データを前記モデルに入力することで、前記肉厚情報を推定する
請求項2に記載の情報処理方法。 - 前記測定データは、前記ヨークの外周上に周期的に前記磁石及び磁気センサが取り付けられた前記検査プローブを用いて、円筒状の前記磁性管の断面を周方向に沿って等分した各位置の前記磁気特性値を測定したデータであり、
前記各位置の磁気特性値を、前記検査プローブが前記磁性管の中心軸を通る場合の値に補正し、
前記磁気特性値を補正した前記測定データを前記モデルに入力することで、前記各位置における前記肉厚情報を推定する
請求項2又は3に記載の情報処理方法。 - 前記測定データは、前記ヨークの外周上に周期的に前記磁石及び磁気センサが取り付けられた前記検査プローブを用いて、円筒状の前記磁性管の長手方向に沿う各位置において、前記磁性管の断面を周方向に沿って等分した各位置の前記磁気特性値を測定したデータであり、
前記長手方向又は周方向の各位置の前記磁気特性値から、前記長手方向又は周方向に沿う前記磁気特性値の平均値、標準偏差、歪度又は尖度を算出し、
前記平均値、標準偏差、歪度又は尖度を追加した前記測定データを前記モデルに入力することで、前記肉厚情報を推定する
請求項2~4のいずれか1項に記載の情報処理方法。 - 前記測定データは、前記磁性管の長手方向に沿う各位置の前記磁気特性値を測定したデータであり、
前記測定データを前記モデルに入力することで、前記磁性管を前記長手方向に沿って一定長毎に分けた各部分の前記肉厚情報を推定する
請求項1~5のいずれか1項に記載の情報処理方法。 - 前記長手方向に沿って前記磁気特性値の移動平均を取ることで、前記測定データのベースラインを特定し、
前記測定データから、前記ベースラインと前記磁気特性値との差分が所定の閾値以上であるピーク部分のデータを抽出し、
抽出した前記ピーク部分のデータを前記モデルに入力することで、前記ピーク部分の前記肉厚情報を推定する
請求項6に記載の情報処理方法。 - 前記測定データから、所定長のデータ区間を前記長手方向に沿って互いにずらした各データ区間のデータを抽出し、
抽出した前記各データ区分のデータを前記モデルに入力することで、前記ピーク部分の肉厚情報を推定する
請求項7に記載の情報処理方法。 - 前記測定データは、前記磁性管の長手方向に沿う各位置において、前記長手方向と直交する断面上の各位置の前記磁気特性値を測定したデータであり、
前記測定データを、画像の第1軸を前記長手方向に沿う位置とし、第2軸を前記断面上の位置として、前記磁性管の各位置の前記磁気特性値に応じて各画素の画素値を割り当てた画像に変換し、
前記画像を前記モデルに入力することで前記肉厚情報を推定する
請求項1~8のいずれか1項に記載の情報処理方法。 - 前記測定データから、乗指数が互いに異なる複数パターンの前記磁気特性値のべき乗値を、互いに異なる色相に割り当てた複数の色相画像を生成し、
前記複数の色相画像を合成した合成画像を生成し、
生成した前記合成画像を前記モデルに入力することで前記肉厚情報を推定する
請求項9に記載の情報処理方法。 - 前記測定データにおける測定対象の前記磁性管に関する磁性管情報を取得し、
前記磁性管情報に応じて異なる訓練データを学習済みの複数の前記モデルの内、取得した前記磁性管情報に対応する前記モデルを選択し、
選択した前記モデルに前記測定データを入力することで前記肉厚情報を推定する
請求項1~10のいずれか1項に記載の情報処理方法。 - 前記モデルは、測定データ及び前記磁性管の残存肉厚が所定値より薄い肉厚情報に主に基づいて学習された第1モデルと、測定データ及び前記磁性管の残存肉厚が前記所定値より厚い肉厚情報に主に基づいて学習された第2モデルと、前記第1モデルから出力される肉厚情報及び前記第2モデルから出力される肉厚情報を入力した場合に肉厚情報を出力するよう学習された第3モデルとを含み、
取得した測定データを前記第1モデル及び第2モデルに入力し、前記第1モデル及び第2モデルからの出力を前記第3モデルに入力することで前記肉厚情報を推定する
請求項1~11のいずれか1項に記載の情報処理方法。 - 前記測定データは、該測定データと該測定データに対応する肉厚情報とのユークリッド距離の和が最小となるよう補正されており、
前記モデルは、補正後の測定データおよび肉厚情報に基づき学習されている
請求項1~12のいずれか1項に記載の情報処理方法。 - 前記測定データは、前記磁性管の周方向に設けられた複数のセンサから得られたセンサデータ、該センサデータに対して演算処理を含む前処理を施して得られる第1グループデータ、及び、前記センサデータ及び第1グループデータに対し主成分分析を実行して得られる第2グループデータを含み、
前記センサデータ、第1グループデータ及び第2グループデータを、前記モデルに入力することで前記肉厚情報を推定する
請求項1~13のいずれか1項に記載の情報処理方法。 - 磁性管の磁気特性値を測定した測定データを取得し、
前記測定データを入力した場合に前記磁性管の肉厚に関する肉厚情報を推定するよう学習済みのモデルに、取得した前記測定データを入力することで前記肉厚情報を推定する
処理をコンピュータに実行させるプログラム。 - 磁性管の磁気特性値を測定した測定データを取得する取得部と、
前記測定データを入力した場合に前記磁性管の肉厚に関する肉厚情報を推定するよう学習済みのモデルに、取得した前記測定データを入力することで前記肉厚情報を推定する推定部と
を備える情報処理装置。 - 磁性管の磁気特性値を測定した測定データに対し、前記磁性管の肉厚に関する肉厚情報の正解値が対応付けられた訓練データを取得し、
前記訓練データに基づき、前記測定データを入力した場合に前記肉厚情報を推定する学習済みモデルを生成する
処理をコンピュータが実行するモデル生成方法。 - 前記測定データは、円筒状の前記磁性管の断面を周方向に沿って等分した各位置の前記磁気特性値を測定したデータであり、
前記磁気特性値を測定した前記磁性管の断面上の位置を前記周方向に沿ってずらすことで、前記訓練データから複数パターンの測定データを生成し、
前記複数パターンの測定データを用いて、前記学習済みモデルを生成する
請求項17に記載のモデル生成方法。 - 複数パターンの所定のノイズを付加することで、前記訓練データから複数パターンの測定データを生成し、
前記複数パターンの測定データを用いて、前記学習済みモデルを生成する
請求項17又は18に記載のモデル生成方法。 - 前記測定データは、前記磁性管の長手方向に沿う各位置の前記磁気特性値を測定したデータであり、
前記長手方向に沿って連続する2点間の磁気特性値の線形補間を行うことで、前記訓練データから複数パターンの前記測定データを生成し、
前記複数パターンの測定データを用いて、前記学習済みモデルを生成する
請求項17~19のいずれか1項に記載のモデル生成方法。 - 測定データ及び前記磁性管の残存肉厚が所定値より薄い肉厚情報を主に含む第1訓練データを取得し、
取得した第1訓練データに基づき、測定データを入力した場合に第1肉厚情報を出力する第1モデルを生成し、
測定データ及び前記磁性管の残存肉厚が前記所定値より厚い肉厚情報を主に含む第2訓練データを取得し、
取得した第2訓練データに基づき、測定データを入力した場合に第2肉厚情報を出力する第2モデルを生成し、
前記第1モデルから出力される第1肉厚情報及び前記第2モデルから出力される第2肉厚情報と、肉厚情報とを含む第3訓練データを取得し、
取得した第3訓練データに基づき、第1肉厚情報及び第2肉厚情報を入力した場合に肉厚情報を出力する第3モデルを生成する
請求項17~20のいずれか1項に記載のモデル生成方法。 - 測定データと該測定データに対応する肉厚情報を取得し、
取得した測定データと肉厚情報とのユークリッド距離の和が最小となるよう前記測定データを補正し、
補正後の測定データおよび肉厚情報に基づき前記モデルを学習する
請求項17~21のいずれか1項に記載のモデル生成方法。 - ネットワークを介して通信可能に接続された各ユーザ端末から、磁性管の磁気特性値を測定した測定データを取得し、
前記測定データを入力した場合に前記磁性管の肉厚に関する肉厚情報を推定するよう学習済みのモデルに、取得した前記測定データを入力することで前記肉厚情報を推定し、
推定した前記肉厚情報を、前記測定データの取得元である前記ユーザ端末に送信する
処理をコンピュータが実行する情報処理方法。 - 前記磁気特性値は、磁場を発生させる磁石と、該磁石に対して前記磁性管とは反対側に配置されるヨークと、前記ヨーク及び磁性管の間に配置され、前記ヨーク、磁石及び磁性管を通過する磁束密度を測定する磁気センサとを備える検査プローブを用いて測定した測定値であって、前記磁束密度が大きいほど低くなる前記磁気センサの出力電圧である
請求項23に記載の情報処理方法。 - 測定対象の前記磁性管に関する磁性管情報の指定入力を受け付け、
前記磁性管情報に応じて異なる訓練データを学習済みの複数の前記モデルの内、取得した前記磁性管情報に対応する前記モデルを選択し、
選択した前記モデルに前記測定データを入力することで前記肉厚情報を推定する
請求項23又は24に記載の情報処理方法。 - 各ユーザ端末から取得した前記測定データを記憶部に記憶し、
前記測定データに対応する前記肉厚情報の正解値を取得し、
前記記憶部に記憶された前記測定データと、前記正解値とに基づき、前記モデルを更新する
請求項23~25のいずれか1項に記載の情報処理方法。 - 前記測定データの取得元であるユーザ別に、該ユーザのユーザ端末から取得した前記測定データを用いて前記モデルを更新する
請求項26に記載の情報処理方法。 - 前記肉厚情報を推定した場合、前記モデルを利用した前記肉厚情報の推定処理の計算量に応じて、ユーザに課す前記モデルの利用料を決定する
請求項26又は27に記載の情報処理方法。 - 前記ユーザ端末から前記測定データを取得する場合に、前記モデルの更新に係る前記測定データの利用の可否の選択入力をユーザから受け付け、
前記測定データを利用可能である旨の選択入力を受け付けた場合、前記測定データを前記記憶部に記憶し、
前記測定データの利用の可否に応じて、前記ユーザに課す前記モデルの利用料を減算する
請求項28に記載の情報処理方法。 - 前記ユーザ端末から、前記正解値を表す第2測定データであって、前記測定データとは異なる測定方法で前記磁性管の肉厚を測定した第2測定データを取得し、
前記測定データ及び第2測定データに基づいて前記モデルを更新し、
前記第2測定データの取得の有無に応じて、前記ユーザに課す前記モデルの利用料を減算する
請求項28又は29に記載の情報処理方法。 - 前記第2測定データは、水浸回転式超音波厚さ測定法による測定データである
請求項8に記載の情報処理方法。 - ネットワークを介して通信可能に接続された各ユーザ端末から、磁性管の磁気特性値を測定した測定データを取得する取得部と、
前記測定データを入力した場合に前記磁性管の肉厚に関する肉厚情報を推定するよう学習済みのモデルに、取得した前記測定データを入力することで前記肉厚情報を推定する推定部と、
推定した前記肉厚情報を、前記測定データの取得元である前記ユーザ端末に送信する送信部と
を備える情報処理装置。 - 磁性管の磁気特性値を測定した測定データを測定装置から取得し、
前記測定データを、前記測定データを入力した場合に前記磁性管の肉厚に関する肉厚情報を推定するよう学習済みのモデルを用いて前記肉厚情報を推定する情報処理装置に送信し、
前記測定データを前記モデルに入力することで推定された前記肉厚情報を前記情報処理装置から取得し、
取得した前記肉厚情報を表示部に表示する
処理をコンピュータに実行させるプログラム。 - 前記肉厚情報の正解値を表す第2測定データであって、前記測定データとは異なる測定方法で前記磁性管の肉厚を測定した第2測定データを前記情報処理装置に送信し、
前記測定データ及び第2測定データに基づき更新される前記モデルを用いて推定された前記肉厚情報を前記情報処理装置から取得する
請求項11に記載のプログラム。 - 前記測定データは、前記磁性管の長手方向に沿う各位置において、前記長手方向と直交する断面上の各位置の前記磁気特性値を測定したデータであり、
前記長手方向に沿う各位置における前記断面上の各位置の肉厚を示す前記肉厚情報に基づき、前記長手方向に沿う各位置の肉厚を示すグラフを表示し、
前記グラフ上で、前記長手方向に沿う位置を指定する指定入力を受け付け、
指定された位置における前記断面上の各位置の肉厚を再現した前記磁性管の断面画像を表示する
請求項33又は34に記載のプログラム。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020237032387A KR20230154205A (ko) | 2021-03-16 | 2022-03-08 | 정보 처리 방법, 프로그램, 정보 처리 장치 및 모델 생성 방법 |
CN202280021259.7A CN116981941A (zh) | 2021-03-16 | 2022-03-08 | 信息处理方法、程序、信息处理装置以及模型生成方法 |
EP22771177.7A EP4310491A1 (en) | 2021-03-16 | 2022-03-08 | Information processing method, program, information processing device, and model generation method |
JP2023506987A JPWO2022196425A1 (ja) | 2021-03-16 | 2022-03-08 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-042848 | 2021-03-16 | ||
JP2021042847 | 2021-03-16 | ||
JP2021042848 | 2021-03-16 | ||
JP2021-042847 | 2021-03-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022196425A1 true WO2022196425A1 (ja) | 2022-09-22 |
Family
ID=83320473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2022/009901 WO2022196425A1 (ja) | 2021-03-16 | 2022-03-08 | 情報処理方法、プログラム、情報処理装置及びモデル生成方法 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4310491A1 (ja) |
JP (1) | JPWO2022196425A1 (ja) |
KR (1) | KR20230154205A (ja) |
WO (1) | WO2022196425A1 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0214592B2 (ja) | 1982-07-16 | 1990-04-09 | Kawasaki Heavy Ind Ltd | |
JP2007225564A (ja) * | 2006-02-27 | 2007-09-06 | Mitsubishi Heavy Ind Ltd | 渦流探傷信号の評価方法及び装置 |
JP2010054414A (ja) * | 2008-08-29 | 2010-03-11 | Sumitomo Chemical Co Ltd | 水素脆化の検査方法 |
JP2017026354A (ja) * | 2015-07-16 | 2017-02-02 | 住友化学株式会社 | 欠陥測定方法、欠陥測定装置、および検査プローブ |
CN106950276A (zh) * | 2017-03-21 | 2017-07-14 | 东北大学 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
WO2019107575A1 (ja) * | 2017-12-01 | 2019-06-06 | 住友化学株式会社 | 欠陥測定装置、欠陥測定方法および検査プローブ |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6514592B2 (ja) | 2015-07-16 | 2019-05-15 | 住友化学株式会社 | 欠陥測定方法、欠陥測定装置および検査プローブ |
-
2022
- 2022-03-08 KR KR1020237032387A patent/KR20230154205A/ko unknown
- 2022-03-08 JP JP2023506987A patent/JPWO2022196425A1/ja active Pending
- 2022-03-08 WO PCT/JP2022/009901 patent/WO2022196425A1/ja active Application Filing
- 2022-03-08 EP EP22771177.7A patent/EP4310491A1/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0214592B2 (ja) | 1982-07-16 | 1990-04-09 | Kawasaki Heavy Ind Ltd | |
JP2007225564A (ja) * | 2006-02-27 | 2007-09-06 | Mitsubishi Heavy Ind Ltd | 渦流探傷信号の評価方法及び装置 |
JP2010054414A (ja) * | 2008-08-29 | 2010-03-11 | Sumitomo Chemical Co Ltd | 水素脆化の検査方法 |
JP2017026354A (ja) * | 2015-07-16 | 2017-02-02 | 住友化学株式会社 | 欠陥測定方法、欠陥測定装置、および検査プローブ |
JP6579840B2 (ja) | 2015-07-16 | 2019-09-25 | 住友化学株式会社 | 欠陥測定方法、欠陥測定装置、および検査プローブ |
CN106950276A (zh) * | 2017-03-21 | 2017-07-14 | 东北大学 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
WO2019107575A1 (ja) * | 2017-12-01 | 2019-06-06 | 住友化学株式会社 | 欠陥測定装置、欠陥測定方法および検査プローブ |
JP2019100850A (ja) | 2017-12-01 | 2019-06-24 | 住友化学株式会社 | 欠陥測定装置、欠陥測定方法および検査プローブ |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022196425A1 (ja) | 2022-09-22 |
EP4310491A1 (en) | 2024-01-24 |
KR20230154205A (ko) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6216024B1 (ja) | 学習済モデル生成方法及び信号データ判別装置 | |
CN109902616B (zh) | 基于深度学习的人脸三维特征点检测方法及系统 | |
CN114359283A (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
CN111429482A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
JP2019159961A (ja) | 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置 | |
CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
CN113176529B (zh) | 一种磁梯度仪校正方法、磁梯度仪校正装置及存储介质 | |
CN111179235A (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
Parthasarathy et al. | Controlled time series generation for automotive software-in-the-loop testing using GANs | |
Alemi et al. | GILBO: One metric to measure them all | |
CN111179207B (zh) | 一种基于并联生成网络的跨模态医学图像合成方法 | |
CN116611018A (zh) | 基于多源数据融合的装备系统健康管理及故障诊断方法 | |
CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
WO2022196425A1 (ja) | 情報処理方法、プログラム、情報処理装置及びモデル生成方法 | |
US20230306578A1 (en) | Ultrasonic defect detection and classification system using machine learning | |
US20240159708A1 (en) | Information processing method, non-transitory computer-readable storage medium, information processing device, and model generation method | |
Miotto et al. | Flow imaging as an alternative to non-intrusive measurements and surrogate models through vision transformers and convolutional neural networks | |
JPWO2021130978A1 (ja) | 動作分析システムおよび動作分析プログラム | |
JP6854248B2 (ja) | 境界探索テスト支援装置および境界探索テスト支援方法 | |
CN113447111B (zh) | 基于形态分量分析的视觉振动放大方法、检测方法及系统 | |
CN112819813B (zh) | 一种地下管线智能识别方法、装置及存储介质 | |
CN116981941A (zh) | 信息处理方法、程序、信息处理装置以及模型生成方法 | |
CN115222649A (zh) | 用于对热图的图案进行检测和分类的系统、设备和方法 | |
KR20210097623A (ko) | 치수 오류 판별 방법 및 장치 | |
KR20200125131A (ko) | 인공지능 기반 영상 두께 측정 방법 및 시스템 |
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: 22771177 Country of ref document: EP Kind code of ref document: A1 |
|
WWE | Wipo information: entry into national phase |
Ref document number: 2023506987 Country of ref document: JP |
|
WWE | Wipo information: entry into national phase |
Ref document number: 202280021259.7 Country of ref document: CN |
|
WWE | Wipo information: entry into national phase |
Ref document number: 18282301 Country of ref document: US |
|
ENP | Entry into the national phase |
Ref document number: 20237032387 Country of ref document: KR Kind code of ref document: A |
|
WWE | Wipo information: entry into national phase |
Ref document number: 2022771177 Country of ref document: EP |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
ENP | Entry into the national phase |
Ref document number: 2022771177 Country of ref document: EP Effective date: 20231016 |
|
WWE | Wipo information: entry into national phase |
Ref document number: 11202306712R Country of ref document: SG |
|
WWE | Wipo information: entry into national phase |
Ref document number: 523450692 Country of ref document: SA |