WO2023195107A1 - 対象物評価装置、対象物評価方法、及び記録媒体 - Google Patents

対象物評価装置、対象物評価方法、及び記録媒体 Download PDF

Info

Publication number
WO2023195107A1
WO2023195107A1 PCT/JP2022/017196 JP2022017196W WO2023195107A1 WO 2023195107 A1 WO2023195107 A1 WO 2023195107A1 JP 2022017196 W JP2022017196 W JP 2022017196W WO 2023195107 A1 WO2023195107 A1 WO 2023195107A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
evaluation
partial data
partial
dimensional
Prior art date
Application number
PCT/JP2022/017196
Other languages
English (en)
French (fr)
Inventor
一峰 小倉
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2022/017196 priority Critical patent/WO2023195107A1/ja
Publication of WO2023195107A1 publication Critical patent/WO2023195107A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination

Definitions

  • the present invention relates to an object evaluation device, an object evaluation method, and a recording medium.
  • Detecting abnormalities in an object using three-dimensional data indicating the shape of the object is being considered. Particularly in recent years, it has been considered to detect this abnormality using a model trained by machine learning.
  • Patent Document 1 describes that a model is generated by the following method. First, an image of a symmetrical part is extracted from a learning image obtained by capturing an object of the same type as the object to be inspected, and a divided image is generated by dividing the image of the symmetrical part into two in the symmetrical direction. . Next, each of the divided images is further inverted to generate an inverted image. Then, an image on one side of the divided image and an inverted image obtained by inverting the image on the other side of the divided image are obtained as training data for one side of the symmetrical part of the object.
  • an image on the other side of the divided image and an inverted image obtained by inverting the image on one side of the divided image are obtained as training data for the other side of the symmetrical part of the object. Then, by performing machine learning based on the acquired teacher data, a model used for the visual inspection of the object is generated.
  • Patent Document 1 the symmetry of the object is used to increase the amount of training data.
  • the number of objects having an abnormality is small.
  • the number of training data having abnormalities is insufficient, and as a result, the accuracy of the model may not be sufficiently improved.
  • an example of the object of the present invention is to provide an object evaluation device, an object evaluation method, and a recording medium that can detect an abnormality with high accuracy even if the object has few abnormalities.
  • Our goal is to provide the following.
  • a model acquisition unit acquires an evaluation model generated using a part of a plurality of partial data as learning data by dividing three-dimensional data indicating the shape of an object into a plurality of pieces. and, Evaluation data generation means for generating evaluation data for evaluating the presence or absence of an abnormality in the object by using at least a portion of the remaining partial data as input data for the evaluation model; Equipped with The three-dimensional shapes indicated by each of the at least two pieces of partial data are the same within a range including a predetermined error, At least one of the at least two partial data having the same three-dimensional shape is included in the first partial data for generating the learning data, and at least one other of the at least two partial data is included in the first partial data for generating the learning data.
  • An object evaluation device is provided that is included in the second partial data that becomes the input data.
  • the computer Obtaining an evaluation model generated by using some of the plurality of partial data generated by dividing three-dimensional data indicating the shape of the object as learning data, generating evaluation data for evaluating the presence or absence of an abnormality in the object by using at least a portion of the remaining partial data as input data for the evaluation model;
  • the three-dimensional shapes indicated by each of the at least two pieces of partial data are the same within a range including a predetermined error, At least one of the at least two partial data having the same three-dimensional shape is included in the first partial data for generating the learning data, and at least one other of the at least two partial data is included in the first partial data for generating the learning data.
  • a target object evaluation method is provided that is included in the second partial data that becomes the input data.
  • a computer a model acquisition function that acquires an evaluation model generated by using part of the plurality of partial data as learning data, which is generated by dividing the three-dimensional data indicating the shape of the object into a plurality of pieces; an evaluation data generation function that generates evaluation data for evaluating the presence or absence of an abnormality in the object by using at least a portion of the remaining partial data as input data for the evaluation model;
  • We have recorded a program to have The three-dimensional shapes indicated by each of the at least two pieces of partial data are the same within a range including a predetermined error, At least one of the at least two partial data having the same three-dimensional shape is included in the first partial data for generating the learning data, and at least one other of the at least two partial data is included in the first partial data for generating the learning data.
  • a computer-readable recording medium included in the second partial data serving as the input data is provided.
  • an object evaluation device it is possible to provide an object evaluation device, an object evaluation method, and a recording medium that can detect abnormalities with high accuracy even if the object has few abnormalities.
  • FIG. 1 is a diagram showing an overview of an object evaluation device according to an embodiment. It is a figure showing an example of the functional composition of a target object evaluation device.
  • FIG. 3 is a diagram showing a first example of information stored in a storage unit. It is a figure which shows the 2nd example of the information which the memory
  • FIG. 3 is a diagram illustrating a first example of processing performed by a dividing unit. It is a figure which shows the 2nd example of the process which a division part performs.
  • FIG. 3 is a diagram for explaining a first example of processing performed by an allocation unit.
  • FIG. 7 is a diagram for explaining a second example of processing performed by the allocation unit.
  • FIG. 7 is a diagram for explaining a second example of processing performed by the target object evaluation device. It is a flowchart which shows an example of the processing which a target object evaluation device performs.
  • FIG. 1 is a diagram showing an overview of a target object evaluation device 10 according to an embodiment.
  • the object evaluation device 10 includes a model acquisition section 140 and an evaluation data generation section 150.
  • the model acquisition unit 140 acquires an evaluation model.
  • the evaluation model is generated using learning data as part of a plurality of partial data generated by dividing three-dimensional data indicating the shape of an object into a plurality of pieces.
  • the evaluation data generation unit 150 generates evaluation data for evaluating the presence or absence of an abnormality in the object by using at least a portion of the remaining partial data as input data of the evaluation model.
  • the three-dimensional shapes represented by each of the at least two pieces of partial data are the same within a range including a predetermined error. At least one of these partial data having the same three-dimensional shape is included in the first partial data for generating learning data, and at least one other of the partial data is included in the input data.
  • At least one three-dimensional shape of the first partial data for generating the evaluation model and at least one three-dimensional shape of the second partial data for generating the evaluation data include a predetermined error.
  • the range is the same. Therefore, even if the object rarely has an abnormality, the abnormality can be detected with high accuracy.
  • FIG. 2 is a diagram showing an example of the functional configuration of the target object evaluation device 10.
  • the object evaluation device 10 includes a three-dimensional data acquisition section 110, a division section 120, and an allocation section 130 in addition to the model acquisition section 140 and evaluation data generation section 150 described above, and is used together with the storage section 20. Ru. Note that the storage unit 20 may be a part of the object evaluation device 10.
  • the object evaluation device 10 is, for example, a server, but may also be a terminal.
  • the storage unit 20 stores three-dimensional data indicating the shape of the object.
  • the three-dimensional data is, for example, a measurement result by LiDAR, that is, point cloud data, but may also be generated using an image of the object.
  • the target object is, for example, a structure such as a bridge, an elevated bridge, a building, or a tunnel, but it may also be a product produced in a factory.
  • the storage unit 20 stores three-dimensional data for each of the multiple types of objects.
  • the storage unit 20 stores three-dimensional data for each of a plurality of bridges (or each tunnel, each building, or each elevated track).
  • three-dimensional data is generated each time the object is measured.
  • the storage unit 20 stores a plurality of three-dimensional data for each object.
  • the three-dimensional data acquisition unit 110 acquires three-dimensional data from the storage unit 20. If the storage unit 20 stores a plurality of three-dimensional data, the three-dimensional data acquisition unit 110 acquires the three-dimensional data of the object to be checked for abnormality in the current process.
  • the dividing unit 120 divides the three-dimensional data acquired by the three-dimensional data acquiring unit 110 into a plurality of partial data. As described using FIG. 1, the three-dimensional shapes represented by at least two pieces of partial data are the same within a range including a predetermined error. It is preferable that the dividing unit 120 divides the three-dimensional data such that each partial data has at least one other partial data having the same shape. Regarding the predetermined error, if the divided data includes a predetermined shape such as a plane or a spherical surface, it is sufficient that the other data also includes the predetermined shape, such as a plane or a spherical surface. The number of points, area, and volume may be slightly different between the divided data. A specific example of the processing performed by the dividing unit 120 will be described later using other figures.
  • the dividing unit 120 may use part of the three-dimensional data acquired from the three-dimensional data acquiring unit 110 as data that becomes the basis of partial data.
  • the three-dimensional data is a bridge
  • the three-dimensional data acquisition unit 110 may use a portion of the bridge that corresponds to a pier as data that becomes the basis of the partial data.
  • the allocation unit 130 allocates the plurality of partial data generated by the division unit 120 to first partial data for generating an evaluation model and second partial data for generating evaluation data. As described above, each partial data has other partial data having the same shape. Then, the allocation unit 130 sets a part of these plurality of partial data as first partial data, and sets the remainder of these partial data as second partial data. As a result, at least one of the at least two partial data having the same three-dimensional shape is included in the first partial data, and the rest of the at least two partial data is included in the second partial data.
  • the model acquisition unit 140 generates an evaluation model using the first partial data.
  • the type of machine learning used in the evaluation model is, for example, an autoencoder or a generative adversarial network.
  • model acquisition unit 140 may cause the storage unit 20 to store the generated evaluation model.
  • the model acquisition unit 140 stores evaluation models for each of these objects.
  • the evaluation data generation unit 150 generates evaluation data by inputting the second partial data to the evaluation model generated by the model acquisition unit 140. If an autoencoder is used in the evaluation model, the evaluation data will be data indicating a three-dimensional shape.
  • the evaluation data generation unit 150 uses the difference between the shape indicated by the second partial data and the shape indicated by the evaluation data to determine whether there is an abnormality in the part of the object corresponding to the second partial data. to judge. For example, if this difference is greater than or equal to the reference value, the evaluation data generation unit 150 determines that there is an abnormality in the portion of the object that corresponds to the second partial data.
  • the second partial data S is a set of a plurality of point groups
  • the evaluation data S' is also a set of a plurality of point groups.
  • S is the following formula (1)
  • S ⁇ is the following formula (2)
  • the evaluation data generation unit 150 calculates the difference using the following formula (3), and this difference is the reference value. In the above case, it is determined that there is an abnormality in the portion corresponding to the second partial data.
  • the evaluation data generation unit 150 reads the evaluation model from the storage unit 20. If the storage unit 20 stores evaluation models for each of a plurality of objects, the evaluation data generation unit 150 acquires from the storage unit 20 the evaluation model corresponding to the object that is currently being processed.
  • FIG. 3 is a diagram showing a first example of information stored in the storage unit 20.
  • the storage unit 20 stores three-dimensional data for each of a plurality of objects.
  • FIG. 4 is a diagram showing a second example of information stored in the storage unit 20.
  • the storage unit 20 stores evaluation models for each of a plurality of objects.
  • FIG. 5 is a diagram showing a first example of processing performed by the dividing unit 120.
  • the three-dimensional data has translational symmetry.
  • the dividing unit 120 generates a plurality of partial data by dividing the three-dimensional data on a plane perpendicular to the axis direction of translational symmetry (in the example shown in the figure, the vertical direction).
  • the three-dimensional data is divided into three partial data, but the three-dimensional data may be divided into two partial data or four or more partial data. .
  • FIG. 6 is a diagram showing a second example of processing performed by the dividing unit 120.
  • the three-dimensional data has rotational symmetry.
  • the dividing unit 120 generates a plurality of partial data by dividing the three-dimensional data into a plurality of pieces at the same angle (for example, 360°/n, where n is an integer) around the rotationally symmetrical axis of rotation.
  • the three-dimensional data is also divided into three partial data, but the three-dimensional data may be divided into two partial data, or four or more partial data. good.
  • the dividing unit 120 may generate a plurality of partial data using this mirror symmetry.
  • the dividing unit 120 may divide the three-dimensional data into a plurality of parts, and then generate a plurality of partial data by dividing each part into a plurality of parts. Note that the process of dividing the three-dimensional data into a plurality of parts may be performed manually.
  • FIG. 7 is a diagram for explaining a first example of processing performed by the allocation unit 130.
  • the dividing unit 120 generates two partial data. The shapes indicated by these two pieces of partial data are the same. Then, the allocation unit 130 sets one of the two partial data as first partial data, that is, partial data for learning, and sets the other as second partial data, that is, partial data for evaluation.
  • FIG. 8 is a diagram for explaining a second example of processing performed by the allocation unit 130.
  • the dividing unit 120 divides the three-dimensional data into a plurality of parts, each of which has symmetry, and further divides these parts to generate a plurality of partial data. .
  • the allocation unit 130 allocates learning partial data, ie, first partial data, and evaluation partial data, ie, second partial data, to each of the plurality of portions. For example, when a plurality of partial data are generated from a portion corresponding to a pier, the allocation unit 130 allocates these plurality of partial data to the first partial data and the second partial data. Further, when a plurality of partial data are generated from a portion corresponding to the floorboard of a bridge, the allocation unit 130 allocates these plurality of partial data to the first partial data and the second partial data.
  • FIG. 9 is a diagram showing an example of the hardware configuration of the target object evaluation device 10.
  • the object evaluation device 10 includes a bus 1010, a processor 1020, a memory 1030, a storage device 1040, an input/output interface 1050, and a network interface 1060.
  • the bus 1010 is a data transmission path through which the processor 1020, memory 1030, storage device 1040, input/output interface 1050, and network interface 1060 exchange data with each other.
  • the method of connecting the processors 1020 and the like to each other is not limited to bus connection.
  • the processor 1020 is a processor implemented by a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), or the like.
  • the memory 1030 is a main storage device implemented by RAM (Random Access Memory) or the like.
  • the storage device 1040 is an auxiliary storage device realized by a removable medium such as an HDD (Hard Disk Drive), an SSD (Solid State Drive), a memory card, or a ROM (Read Only Memory), and has a recording medium. There is.
  • the recording medium of the storage device 1040 stores program modules that implement each function of the object evaluation device 10 (for example, the three-dimensional data acquisition section 110, the division section 120, the allocation section 130, the model acquisition section 140, and the evaluation data generation section 150). I remember.
  • the processor 1020 reads each of these program modules onto the memory 1030 and executes them, each function corresponding to the program module is realized. Further, the storage device 1040 may also function as the storage unit 20.
  • the input/output interface 1050 is an interface for connecting the object evaluation device 10 and various input/output devices.
  • the network interface 1060 is an interface for connecting the object evaluation device 10 to a network.
  • This network is, for example, a LAN (Local Area Network) or a WAN (Wide Area Network).
  • the method by which the network interface 1060 connects to the network may be a wireless connection or a wired connection.
  • FIG. 10 is a flowchart showing a first example of processing performed by the target object evaluation device 10.
  • the user of the object evaluation device 10 specifies the object to be evaluated and inputs information indicating this object into the object evaluation device 10.
  • the three-dimensional data acquisition unit 110 reads the three-dimensional data of this object from the storage unit 20 (step S10).
  • the dividing unit 120 generates a plurality of partial data using the three-dimensional data acquired by the three-dimensional data acquiring unit 110 (step S20).
  • the allocation unit 130 allocates these plurality of partial data to first partial data and second partial data (step S30).
  • the model acquisition unit 140 then generates an evaluation model using the first partial data (step S40).
  • the evaluation data generation unit 150 After that, the evaluation data generation unit 150 generates evaluation data by inputting the second partial data to the evaluation model (step S50). Then, the evaluation data generation unit 150 uses this evaluation data to determine whether or not there is an abnormality in the object at the time when the three-dimensional data is generated, and outputs the determination result (step S60). Note that when the object evaluation device 10 is a server, this output destination is a terminal. On the other hand, when the object evaluation device 10 is a terminal, the output destination is a display or a printing device.
  • FIG. 11 is a diagram for explaining a second example of processing performed by the target object evaluation device 10.
  • the allocation unit 130, the model acquisition unit 140, and the evaluation data generation unit 150 assign data included in the first partial data and data included in the second partial data to at least two partial data having the same three-dimensional shape. Generation of an evaluation model and generation of evaluation data are repeated while changing the combination of data included in the data. Then, the evaluation data generation unit 150 uses the plurality of evaluation data to identify a portion of the object that has an abnormality.
  • three partial data X, Y, and Z are generated.
  • the shapes of these three partial data are the same.
  • the allocation unit 130, model acquisition unit 140, and evaluation data generation unit 150 generate evaluation models and evaluation data six times.
  • the first partial data is X and Y
  • the second partial data is Z.
  • the first partial data are X and Z
  • the second partial data is Y.
  • the first partial data are Y and Z
  • the second partial data is X.
  • the first partial data is Z
  • the second partial data is X and Y.
  • the first partial data is Y
  • the second partial data is X and Z.
  • the first partial data is X, and the second partial data is Y and Z.
  • the evaluation data generation unit 150 calculates the difference between the shape based on the second partial data and the shape based on the evaluation data each time. For example, Z is evaluated for the first, fifth, and sixth times. Also, the data learned at that time is different. If it is determined in any of the evaluations that there is an abnormality in Z, it is determined that there is a high possibility that there is an abnormality in the part corresponding to Z. Similarly, for Y, it is determined whether there is an abnormality based on the results of the second, fourth, and sixth times. Regarding X, it is determined whether there is an abnormality based on the results of the third, fourth, and fifth times.
  • FIG. 12 is a flowchart showing an example of the processing performed by the object evaluation device 10 in the example shown in FIG. 11.
  • the example shown in this figure is the same as the process described using FIG. 10 except for the following points.
  • the object evaluation device 10 repeats the processing of steps S30 to S50 a predetermined number of times (step S52).
  • the predetermined number of times is set within a range in which the combination of the first partial data and the second partial data can be changed.
  • the evaluation data generation unit 150 uses a plurality of pieces of evaluation data to determine whether or not there is an abnormality in the object, and to identify the abnormal location if there is an abnormality. The evaluation data generation unit 150 then outputs the determination result and the identification result (step S62).
  • the dividing unit 120 divides at least a part of the three-dimensional data of the object into a plurality of partial data.
  • the shapes indicated by these plural pieces of partial data are the same within a predetermined error range.
  • the model acquisition unit 140 then generates an evaluation model using some of these partial data.
  • the evaluation data generation unit 150 then generates evaluation data using the remainder of these partial data. Using this evaluation data, it can be determined whether or not there is an abnormality in the part of the object that corresponds to these partial data. Therefore, by using the object evaluation device 10, it can be determined whether or not there is an abnormality in the object without preparing teacher data in advance.
  • a model acquisition means for acquiring an evaluation model generated by using part of the plurality of partial data as learning data, which is generated by dividing three-dimensional data indicating the shape of the object into a plurality of pieces;
  • Evaluation data generation means for generating evaluation data for evaluating the presence or absence of an abnormality in the object by using at least a portion of the remaining partial data as input data for the evaluation model; Equipped with The three-dimensional shapes indicated by each of the at least two pieces of partial data are the same within a range including a predetermined error, At least one of the at least two partial data having the same three-dimensional shape is included in the first partial data for generating the learning data, and at least one other of the at least two partial data is included in the first partial data for generating the learning data.
  • An object evaluation device included in the second partial data that becomes the input data 2.
  • Equipped with The model acquisition means is an object evaluation device that generates the evaluation model using the learning data including the first partial data.
  • the allocation means, the model acquisition means, and the evaluation data generation means are configured to assign data included in the first partial data and the second partial data to the at least two partial data having the same three-dimensional shape.
  • the evaluation data generation means is an object evaluation device that identifies a portion of the object that has an abnormality using a plurality of the evaluation data. 4.
  • the object evaluation device is an object evaluation device in which the object is at least a part of a structure. 5.
  • the evaluation model is generated for each of the plurality of objects,
  • the model acquisition means is an object evaluation device that acquires the evaluation model corresponding to the object. 7.
  • the computer is Obtaining an evaluation model generated by using some of the plurality of partial data generated by dividing three-dimensional data indicating the shape of the object as learning data, generating evaluation data for evaluating the presence or absence of an abnormality in the object by using at least a portion of the remaining partial data as input data for the evaluation model;
  • the three-dimensional shapes indicated by each of the at least two pieces of partial data are the same within a range including a predetermined error, At least one of the at least two partial data having the same three-dimensional shape is included in the first partial data for generating the learning data, and at least one other of the at least two partial data is included in the first partial data for generating the learning data.
  • the computer includes: dividing the three-dimensional data into the plurality of partial data; Allocating the plurality of partial data to the first partial data and the second partial data, An object evaluation method, wherein the evaluation model is generated using the learning data including the first partial data.
  • the computer includes: For the at least two partial data having the same three-dimensional shape, generating the evaluation model and changing the combination of data included in the first partial data and data included in the second partial data. Repeat generation of evaluation data, An object evaluation method that uses a plurality of pieces of evaluation data to identify a portion of the object that has an abnormality. 10.
  • An object evaluation method wherein the object is at least a part of a structure. 11.
  • An object evaluation method wherein the evaluation model uses an autoencoder. 12.
  • the evaluation model is generated for each of the plurality of objects, The object evaluation method, wherein the computer acquires the evaluation model corresponding to the object. 13.
  • a model acquisition function that acquires an evaluation model generated by using part of the plurality of partial data as learning data, which is generated by dividing the three-dimensional data indicating the shape of the object into a plurality of pieces
  • an evaluation data generation function that generates evaluation data for evaluating the presence or absence of an abnormality in the object by using at least a portion of the remaining partial data as input data for the evaluation model
  • We have recorded a program to have The three-dimensional shapes indicated by each of the at least two pieces of partial data are the same within a range including a predetermined error, At least one of the at least two partial data having the same three-dimensional shape is included in the first partial data for generating the learning data, and at least one other of the at least two partial data is included in the first partial data for generating the learning data.
  • the program causes the computer to a dividing function that divides the three-dimensional data into the plurality of partial data; an allocation function that allocates the plurality of partial data to the first partial data and the second partial data; have
  • the model acquisition function is a recording medium that generates the evaluation model using the learning data including the first partial data.
  • the assignment function, the model acquisition function, and the evaluation data generation function are configured to calculate data included in the first partial data and the second partial data with respect to the at least two partial data having the same three-dimensional shape.
  • the evaluation data generation function is a recording medium that specifies a portion of the object that has an abnormality using a plurality of the evaluation data.
  • the object is a recording medium that is at least a part of a structure.
  • the evaluation model is a recording medium using an autoencoder. 18.
  • the evaluation model is generated for each of the plurality of objects,
  • the model acquisition function is a recording medium for acquiring the evaluation model corresponding to the object. 19.

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

モデル取得部（１４０）は、評価モデルを取得する。評価モデルは、対象物の形状を示す３次元データを複数に分割することによって生成された複数の部分データの一部を学習データとして生成されている。評価データ生成部（１５０）は、複数の部分データの残りの少なくとも一部を評価モデルの入力データとして用いることにより、対象物の異常の有無を評価するための評価データを生成する。少なくとも２つの部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一である。そして、これら３次元形状が互いに同一である部分データの少なくとも一つは学習データを生成するための第１の部分データに含まれ、当該部分データの他の少なくとも一つは入力データに含まれる。

Description

対象物評価装置、対象物評価方法、及び記録媒体
　本発明は、対象物評価装置、対象物評価方法、及び記録媒体に関する。
　対象物の形状を示す３次元データを用いて、対象物の異常を検出することが検討されている。特に近年は、機械学習により訓練されたモデルを用いてこの異常を検出することが検討されている。
　例えば特許文献１には、以下の方法でモデルを生成することが記載されている。まず、検査の対象物と同種の物体を撮像することで得られる学習用画像から対称部分の画像を抽出するとともに、該対称部分の画像をその対称方向において二分割することで分割画像を生成する。次いで、さらに、該分割画像それぞれを反転させることで反転画像を生成する。そして、分割画像における一方側の画像、および、分割画像における他方側の画像を反転させた反転画像を、対象物の対称部分における一方側についての教師データとして取得する。また、分割画像における他方側の画像、および、分割画像における一方側の画像を反転させた反転画像を、対象物の対称部分における他方側についての教師データとして取得する。そして、取得した教師データに基づいて機械学習を行うことで、対象物の外観検査に用いるモデルを生成する。
特開２０２０－１０２１１１号公報
　上述した特許文献１においては、対象物の対称性を、教師データを増やすために利用している。一方、対象物の種類によっては、異常を有している対象物の数は少ない。この場合、特許文献１に記載の方法では、異常を有している教師データの数が不足し、その結果、モデルの精度が十分上がらない可能性が出てくる。
　本発明の目的の一例は、上述した課題を鑑み、対象物が異常を有していることが少なくても、高い精度でその異常を検知できる対象物評価装置、対象物評価方法、及び記録媒体を提供することにある。
　本発明の一態様によれば、対象物の形状を示す３次元データを複数に分割することによって生成された複数の部分データの一部を学習データとして生成された評価モデルを取得するモデル取得手段と、
　前記複数の部分データの残りの少なくとも一部を前記評価モデルの入力データとして用いることにより、前記対象物の異常の有無を評価するための評価データを生成する評価データ生成手段と、
を備え、
　少なくとも２つの前記部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一であり、
　３次元形状が互いに同一である前記少なくとも２つの部分データの少なくとも一つは前記学習データを生成するための第１の前記部分データに含まれ、当該少なくとも２つの部分データの他の少なくとも一つは前記入力データになる第２の前記部分データに含まれる、対象物評価装置が提供される。
　本発明の一態様によれば、コンピュータが、
　　対象物の形状を示す３次元データを複数に分割することによって生成された複数の部分データの一部を学習データとして生成された評価モデルを取得し、
　　前記複数の部分データの残りの少なくとも一部を前記評価モデルの入力データとして用いることにより、前記対象物の異常の有無を評価するための評価データを生成し、
　少なくとも２つの前記部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一であり、
　３次元形状が互いに同一である前記少なくとも２つの部分データの少なくとも一つは前記学習データを生成するための第１の前記部分データに含まれ、当該少なくとも２つの部分データの他の少なくとも一つは前記入力データになる第２の前記部分データに含まれる、対象物評価方法が提供される。
　本発明の一態様によれば、コンピュータに、
　　対象物の形状を示す３次元データを複数に分割することによって生成された複数の部分データの一部を学習データとして生成された評価モデルを取得するモデル取得機能と、
　　前記複数の部分データの残りの少なくとも一部を前記評価モデルの入力データとして用いることにより、前記対象物の異常の有無を評価するための評価データを生成する評価データ生成機能と、
を持たせるプログラムを記録しており、
　少なくとも２つの前記部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一であり、
　３次元形状が互いに同一である前記少なくとも２つの部分データの少なくとも一つは前記学習データを生成するための第１の前記部分データに含まれ、当該少なくとも２つの部分データの他の少なくとも一つは前記入力データになる第２の前記部分データに含まれる、コンピュータに読み取り可能な記録媒体が提供される。
　本発明の一態様によれば、対象物が異常を有していることが少なくても、高い精度でその異常を検知できる対象物評価装置、対象物評価方法、及び記録媒体を提供できる。
実施形態に係る対象物評価装置の概要を示す図である。 対象物評価装置の機能構成の一例を示す図である。 記憶部が記憶している情報の第１例を示す図である。 記憶部が記憶している情報の第２例を示す図である。 分割部が行う処理の第１例を示す図である。 分割部が行う処理の第２例を示す図である。 割当部が行う処理の第１例を説明するための図である。 割当部が行う処理の第２例を説明するための図である。 対象物評価装置のハードウェア構成例を示す図である。 対象物評価装置が行う処理の第１例を示すフローチャートである。 対象物評価装置が行う処理の第２例を説明するための図である。 対象物評価装置が行う処理の一例を示すフローチャートである。
　以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。
　図１は、実施形態に係る対象物評価装置１０の概要を示す図である。対象物評価装置１０は、モデル取得部１４０及び評価データ生成部１５０を備えている。モデル取得部１４０は、評価モデルを取得する。評価モデルは、対象物の形状を示す３次元データを複数に分割することによって生成された複数の部分データの一部を学習データとして生成されている。評価データ生成部１５０は、複数の部分データの残りの少なくとも一部を評価モデルの入力データとして用いることにより、対象物の異常の有無を評価するための評価データを生成する。少なくとも２つの部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一である。そして、これら３次元形状が互いに同一である部分データの少なくとも一つは学習データを生成するための第１の部分データに含まれ、当該部分データの他の少なくとも一つは入力データに含まれる。
　対象物評価装置１０によれば、教師データを予め準備する必要はない。また、評価モデルを生成するための第１の部分データの少なくとも一つの３次元形状と、評価データを生成するための第２の部分データの少なくとも一つの３次元形状と、は所定の誤差を含む範囲で同一である。従って、対象物が異常を有していることが少なくても、高い精度でその異常を検知できる。
　以下、対象物評価装置１０の詳細例について説明する。
　図２は、対象物評価装置１０の機能構成の一例を示す図である。対象物評価装置１０は、上記したモデル取得部１４０及び評価データ生成部１５０の他に、３次元データ取得部１１０、分割部１２０、及び割当部１３０を有しており、記憶部２０と共に使用される。なお、記憶部２０は対象物評価装置１０の一部であってもよい。
　対象物評価装置１０は、例えばサーバであるが、端末であってもよい。
　記憶部２０は、対象物の形状を示す３次元データを記憶している。３次元データは、例えばＬｉＤＡＲによる測定結果すなわち点群データであるが、対象物を撮影した画像を用いて生成されていてもよい。
　対象物は、例えば橋、高架、建物、及びトンネルなどの構造物であるが、工場で生産される製品であってもよい。対象物が複数種類ある場合、記憶部２０は、複数種類の対象物別に３次元データを記憶している。例えば記憶部２０は、複数の橋毎（又はトンネル毎、建物毎、高架毎）に３次元データを記憶している。また、同一の対象物について複数回計測が行われている場合、３次元データは、対象物が計測されるたびに生成されている。そして記憶部２０は、対象物毎にこれら複数の３次元データを記憶している。
　３次元データ取得部１１０は、記憶部２０から３次元データを取得する。記憶部２０が複数の３次元データを記憶している場合、３次元データ取得部１１０は、今回の処理において異常の有無の確認対象となっている対象物の３次元データを取得する。
　分割部１２０は、３次元データ取得部１１０が取得した３次元データを複数の部分データに分割する。図１を用いて説明したように、少なくとも２つの部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一である。分割部１２０は、いずれの部分データも、形状が同一となる他の部分データが少なくとも一つ存在するように、３次元データを分割するのが好ましい。ここで所定の誤差に関して、分割されたデータが平面や球面などの所定の形状を含んでいる場合、もう一方のデータにおいても所定の形状、例えば平面や球面を含んでいればよい。そして、分割されたデータ間で点数・面積・体積が多少異なっていてもよい。分割部１２０が行う処理の具体例については、他の図を用いて後述する。
　なお、分割部１２０は、３次元データ取得部１１０から取得した３次元データの一部を、部分データのもとになるデータとしてもよい。例えば３次元データが橋の場合、３次元データ取得部１１０は、この橋のうち橋脚に相当する部分を、部分データのもとになるデータとしてもよい。
　割当部１３０は、分割部１２０が生成した複数の部分データを、評価モデルを生成するための第１の部分データと、評価データを生成するための第２の部分データと、に割り当てる。上記したように、いずれの部分データも、形状が同一である他の部分データが存在する。そして割当部１３０は、これら複数の部分データの一部を第１の部分データにして、これら部分データの残りを第２の部分データにする。これにより、３次元形状が互いに同一である少なくとも２つの部分データの少なくとも一つは第１の部分データに含まれ、当該少なくとも２つの部分データの残りは第２の部分データに含まれる。
　モデル取得部１４０は、第１の部分データを用いて評価モデルを生成する。評価モデルに用いられる機械学習の種類は、例えばオートエンコーダ又は敵対的生成ネットワークである。
　なお、モデル取得部１４０は、生成した評価モデルを記憶部２０に記憶させてもよい。記憶部２０が複数の対象物毎に３次元データを記憶している場合、モデル取得部１４０は、これら複数の対象物別に評価モデルを記憶させる。
　評価データ生成部１５０は、モデル取得部１４０が生成した評価モデルに第２の部分データを入力することにより、評価データを生成する。評価モデルにオートエンコーダが使用されていた場合、評価データは、３次元の形状を示すデータになる。そして評価データ生成部１５０は、第２の部分データが示す形状と、評価データが示す形状との差を用いて、対象物のうち第２の部分データに相当する部分に異常があるか否かを判断する。例えばこの差が基準値以上である場合、評価データ生成部１５０は、対象物のうち第２の部分データに相当する部分に異常があると判断する。
　例えば３次元データが点群データの場合を考える。第２の部分データＳは、複数の点群の集合であり、また評価データＳ´も複数の点群の集合になる。Ｓを以下の式（１）として、Ｓ＾を以下の式（２）とした場合、評価データ生成部１５０は、以下の式（３）を用いて、差を算出し、この差が基準値以上の場合に、この第２の部分データに相当する部分に異常があると判断する。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
　評価モデルが記憶部２０に記憶されている場合、評価データ生成部１５０は、記憶部２０から評価モデルを読み出す。記憶部２０が複数の対象物別に評価モデルを記憶している場合、評価データ生成部１５０は、今回の処理対象となっている対象物に対応する評価モデルを記憶部２０から取得する。
　図３は、記憶部２０が記憶している情報の第１例を示す図である。本図に示す例において、記憶部２０は、複数の対象物別に３次元データを記憶している。
　図４は、記憶部２０が記憶している情報の第２例を示す図である。本図に示す例において、記憶部２０は、複数の対象物別に評価モデルを記憶している。
　図５は、分割部１２０が行う処理の第１例を示す図である。本図に示す例において、３次元データは並進対称性を有している。そして分割部１２０は、並進対称の軸方向（本図に示す例では上下方向）に直角な面で３次元データを分割することにより、複数の部分データを生成している。本図に示す例において、３次元データは３つの部分データに分割されているが、３次元データは２つの部分データに分割されてもよいし、４つ以上の部分データに分割されてもよい。
　図６は、分割部１２０が行う処理の第２例を示す図である。本図に示す例において３次元データは回転対称性を有している。そして分割部１２０は、回転対称の回転軸を回転中心に、３次元データを同一の角度（例えば３６０°／ｎ：ｎは整数）で複数に分割することにより、複数の部分データを生成している。本図に示す例においても、３次元データは３つの部分データに分割されているが、３次元データは２つの部分データに分割されてもよいし、４つ以上の部分データに分割されてもよい。
　また、３次元データが鏡像対称性を有している場合、分割部１２０は、この鏡像対称性を利用して複数の部分データを生成してもよい。
　なお、３次元データの全体形状としては対称性を有していなくても、この３次元データを複数の部分に分割すると、少なくとも一つの部分において対称性を有していることがある。この場合、分割部１２０は、３次元データを複数の部分に分割したうえで、各部分を複数に分割することにより複数の部分データを生成してもよい。なお、３次元データを複数の部分に分割する処理は、人手で行われてもよい。
　図７は、割当部１３０が行う処理の第１例を説明するための図である。本図に示す例において、分割部１２０は、２つの部分データを生成している。これら２つの部分データが示す形状は、互いに同一である。そして割当部１３０は、２つの部分データの一方を第１の部分データすなわち学習用の部分データとして、他方を第２の部分データすなわち評価用の部分データにする。
　図８は、割当部１３０が行う処理の第２例を説明するための図である。本図に示す例において分割部１２０は、３次元データを、それぞれが対称性を有する複数の部分に分け、かつ、これら複数の部分をさらに分割することにより、複数の部分データを生成している。そして割当部１３０は、複数の部分ごとに、学習用の部分データすなわち第１の部分データ、及び評価用の部分データすなわち第２の部分データを割り当てている。例えば割当部１３０は、橋脚に相当する部分から複数の部分データが生成されている場合、これら複数の部分データを、第１の部分データ及び第２の部分データに割り当てる。また割当部１３０は、橋の床板に相当する部分から複数の部分データが生成されている場合、これら複数の部分データを、第１の部分データ及び第２の部分データに割り当てる。
　図９は、対象物評価装置１０のハードウェア構成例を示す図である。対象物評価装置１０は、バス１０１０、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、及びネットワークインタフェース１０６０を有する。
　バス１０１０は、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、及びネットワークインタフェース１０６０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０２０などを互いに接続する方法は、バス接続に限定されない。
　プロセッサ１０２０は、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）などで実現されるプロセッサである。
　メモリ１０３０は、ＲＡＭ（Random Access Memory）などで実現される主記憶装置である。
　ストレージデバイス１０４０は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、メモリカードなどのリムーバブルメディア、又はＲＯＭ（Read Only Memory）などで実現される補助記憶装置であり、記録媒体を有している。ストレージデバイス１０４０の記録媒体は対象物評価装置１０の各機能（例えば３次元データ取得部１１０、分割部１２０、割当部１３０、モデル取得部１４０、及び評価データ生成部１５０）を実現するプログラムモジュールを記憶している。プロセッサ１０２０がこれら各プログラムモジュールをメモリ１０３０上に読み込んで実行することで、そのプログラムモジュールに対応する各機能が実現される。また、ストレージデバイス１０４０は記憶部２０としても機能してもよい。
　入出力インタフェース１０５０は、対象物評価装置１０と各種入出力機器とを接続するためのインタフェースである。
　ネットワークインタフェース１０６０は、対象物評価装置１０をネットワークに接続するためのインタフェースである。このネットワークは、例えばＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）である。ネットワークインタフェース１０６０がネットワークに接続する方法は、無線接続であってもよいし、有線接続であってもよい。
　図１０は、対象物評価装置１０が行う処理の第１例を示すフローチャートである。対象物評価装置１０の使用者は、評価対象となる対象物を特定し、この対象物を示す情報を対象物評価装置１０に入力する。すると、３次元データ取得部１１０は、この対象物の３次元データを記憶部２０から読み出す（ステップＳ１０）。
　そして分割部１２０は、３次元データ取得部１１０が取得した３次元データを用いて複数の部分データを生成する（ステップＳ２０）。次いで割当部１３０は、これら複数の部分データを第１の部分データ及び第２の部分データに割り当てる（ステップＳ３０）。そしてモデル取得部１４０は、第１の部分データを用いて評価モデルを生成する（ステップＳ４０）。
　その後、評価データ生成部１５０は、評価モデルに第２の部分データを入力することにより、評価データを生成する（ステップＳ５０）。そして、評価データ生成部１５０は、この評価データを用いて、３次元データを生成した時点における対象物の異常の有無を判断し、判断結果を出力する（ステップＳ６０）。なお、対象物評価装置１０がサーバの場合、この出力先は端末である。一方、対象物評価装置１０が端末の場合、この出力先はディスプレイ又は印刷装置である。
　図１１は、対象物評価装置１０が行う処理の第２例を説明するための図である。この例において、割当部１３０、モデル取得部１４０、及び評価データ生成部１５０は、３次元形状が互いに同一である少なくとも２つの部分データについて、第１の部分データに含まれるデータと第２の部分データに含まれるデータの組み合わせを変えつつ、評価モデルの生成及び評価データの生成を繰り返す。そして評価データ生成部１５０は、複数の評価データを用いて対象物のうち異常がある部分を特定する。
　例えば図１１に示す例において、３つの部分データＸ，Ｙ，Ｚが生成されている。これら３つの部分データの形状は互いに同一である。この場合、割当部１３０、モデル取得部１４０、及び評価データ生成部１５０は、評価モデルの生成及び評価データの生成を６回行う。
　具体的には、１回目において第１の部分データはＸ及びＹであり、第２の部分データはＺである。２回目において第１の部分データはＸ及びＺであり、第２の部分データはＹである。３回目において第１の部分データはＹ及びＺであり、第２の部分データはＸである。４回目において第１の部分データはＺであり、第２の部分データはＸ及びＹである。５回目において第１の部分データはＹであり、第２の部分データはＸ及びＺである。６回目において第１の部分データはＸであり、第２の部分データはＹ及びＺである。
　そして評価データ生成部１５０は、各回において、第２の部分データに基づいた形状と、評価データに基づいた形状との差を算出する。例えば、１回目、５回目、及び６回目はいずれもＺについて評価している。また、そのとき学習したデータはそれぞれ異なる。もし、いずれかの評価でＺに異常があると判定された場合、Ｚに相当する部分に異常がある可能性が高いと判断する。同様に、Ｙについては、２回目、４回目、及び６回目の結果に基づいて異常があるかどうか判断する。Ｘについては、３回目、４回目、及び５回目の結果に基づいて異常があるかどうか判断する。
　図１２は、図１１に示した例において対象物評価装置１０が行う処理の一例を示すフローチャートである。本図に示す例は、以下の点を除いて、図１０を用いて説明した処理と同様である。
　まず対象物評価装置１０は、ステップＳ３０～ステップＳ５０の処理を所定回数繰り返す（ステップＳ５２）。所定回数は、第１の部分データと第２の部分データの組み合わせを変更できる範囲内で設定される。
　そして評価データ生成部１５０は、複数の評価データを用いて、対象物の異常の有無を判断するとともに、及び異常があった場合における異常個所を特定する。そして評価データ生成部１５０は、判断結果及び特定結果を出力する（ステップＳ６２）。
　以上、本実施形態によれば、分割部１２０は、対象物の３次元データの少なくとも一部を複数の部分データに分割する。これら複数の部分データが示す形状は、所定の誤差の範囲内で同一である。そしてモデル取得部１４０は、これら部分データの一部を用いて評価モデルを生成する。そして評価データ生成部１５０は、これら部分データの残りを用いて評価データを生成する。この評価データを用いると、対象物のうち、これら部分データに対応する部分に異常があるか否かを判断できる。従って、対象物評価装置１０を用いると、教師データを予め準備しなくても、対象物に異常があるか否かを判断できる。
　以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。
　また、上述の説明で用いた複数のフローチャートでは、複数の工程（処理）が順番に記載されているが、各実施形態で実行される工程の実行順序は、その記載の順番に制限されない。各実施形態では、図示される工程の順番を内容的に支障のない範囲で変更することができる。また、上述の各実施形態は、内容が相反しない範囲で組み合わせることができる。
　上記の実施形態の一部または全部は、以下の付記のようにも記載されうるが、以下に限られない。
　１．対象物の形状を示す３次元データを複数に分割することによって生成された複数の部分データの一部を学習データとして生成された評価モデルを取得するモデル取得手段と、
　前記複数の部分データの残りの少なくとも一部を前記評価モデルの入力データとして用いることにより、前記対象物の異常の有無を評価するための評価データを生成する評価データ生成手段と、
を備え、
　少なくとも２つの前記部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一であり、
　３次元形状が互いに同一である前記少なくとも２つの部分データの少なくとも一つは前記学習データを生成するための第１の前記部分データに含まれ、当該少なくとも２つの部分データの他の少なくとも一つは前記入力データになる第２の前記部分データに含まれる、対象物評価装置。
２．上記１に記載の対象物評価装置において、
　前記３次元データを前記複数の部分データに分割する分割手段と、
　前記複数の部分データを、前記第１の部分データと前記第２の部分データとに割り当てる割当手段と、
を備え、
　前記モデル取得手段は、前記第１の部分データを含む前記学習データを用いて前記評価モデルを生成する、対象物評価装置。
３．上記２に記載の対象物評価装置において、
　前記割当手段、前記モデル取得手段、及び前記評価データ生成手段は、３次元形状が互いに同一である前記少なくとも２つの部分データについて、前記第１の部分データに含まれるデータと前記第２の部分データに含まれるデータの組み合わせを変えつつ、前記評価モデルの生成及び前記評価データの生成を繰り返し、
　前記評価データ生成手段は、複数の前記評価データを用いて前記対象物のうち異常がある部分を特定する、対象物評価装置。
４．上記１～３のいずれか一項に記載の対象物評価装置において、
　前記対象物は、構造物の少なくとも一部である対象物評価装置。
５．上記１～４のいずれか一項に記載の対象物評価装置において、
　前記評価モデルはオートエンコーダを用いている、対象物評価装置。
６．上記１～５のいずれか一項に記載の対象物評価装置において、
　前記評価モデルは、複数の前記対象物別に生成されており、
　前記モデル取得手段は、前記対象物に対応する前記評価モデルを取得する、対象物評価装置。
７．コンピュータが、
　　対象物の形状を示す３次元データを複数に分割することによって生成された複数の部分データの一部を学習データとして生成された評価モデルを取得し、
　　前記複数の部分データの残りの少なくとも一部を前記評価モデルの入力データとして用いることにより、前記対象物の異常の有無を評価するための評価データを生成し、
　少なくとも２つの前記部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一であり、
　３次元形状が互いに同一である前記少なくとも２つの部分データの少なくとも一つは前記学習データを生成するための第１の前記部分データに含まれ、当該少なくとも２つの部分データの他の少なくとも一つは前記入力データになる第２の前記部分データに含まれる、対象物評価方法。
８．上記７に記載の対象物評価方法において、
　前記コンピュータは、
　　前記３次元データを前記複数の部分データに分割し、
　　前記複数の部分データを、前記第１の部分データと前記第２の部分データとに割り当て、
　　前記第１の部分データを含む前記学習データを用いて前記評価モデルを生成する、対象物評価方法。
９．上記８に記載の対象物評価方法において、
　前記コンピュータは、
　　３次元形状が互いに同一である前記少なくとも２つの部分データについて、前記第１の部分データに含まれるデータと前記第２の部分データに含まれるデータの組み合わせを変えつつ、前記評価モデルの生成及び前記評価データの生成を繰り返し、
　　複数の前記評価データを用いて前記対象物のうち異常がある部分を特定する、対象物評価方法。
１０．上記７～９のいずれか一項に記載の対象物評価方法において、
　前記対象物は、構造物の少なくとも一部である対象物評価方法。
１１．上記７～１０のいずれか一項に記載の対象物評価方法において、
　前記評価モデルはオートエンコーダを用いている、対象物評価方法。
１２．上記７～１１のいずれか一項に記載の対象物評価方法において、
　前記評価モデルは、複数の前記対象物別に生成されており、
　前記コンピュータは、前記対象物に対応する前記評価モデルを取得する、対象物評価方法。
１３．コンピュータに、
　　対象物の形状を示す３次元データを複数に分割することによって生成された複数の部分データの一部を学習データとして生成された評価モデルを取得するモデル取得機能と、
　　前記複数の部分データの残りの少なくとも一部を前記評価モデルの入力データとして用いることにより、前記対象物の異常の有無を評価するための評価データを生成する評価データ生成機能と、
を持たせるプログラムを記録しており、
　少なくとも２つの前記部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一であり、
　３次元形状が互いに同一である前記少なくとも２つの部分データの少なくとも一つは前記学習データを生成するための第１の前記部分データに含まれ、当該少なくとも２つの部分データの他の少なくとも一つは前記入力データになる第２の前記部分データに含まれる、コンピュータに読み取り可能な記録媒体。
１４．上記１３に記載の記録媒体において、
　前記プログラムは、前記コンピュータに、
　　前記３次元データを前記複数の部分データに分割する分割機能と、
　　前記複数の部分データを、前記第１の部分データと前記第２の部分データとに割り当てる割当機能と、
を持たせ、
　前記モデル取得機能は、前記第１の部分データを含む前記学習データを用いて前記評価モデルを生成する、記録媒体。
１５．上記１４に記載の記録媒体において、
　前記割当機能、前記モデル取得機能、及び前記評価データ生成機能は、３次元形状が互いに同一である前記少なくとも２つの部分データについて、前記第１の部分データに含まれるデータと前記第２の部分データに含まれるデータの組み合わせを変えつつ、前記評価モデルの生成及び前記評価データの生成を繰り返し、
　前記評価データ生成機能は、複数の前記評価データを用いて前記対象物のうち異常がある部分を特定する、記録媒体。
１６．上記１３～１５のいずれか一項に記載の記録媒体において、
　前記対象物は、構造物の少なくとも一部である記録媒体。
１７．上記１３～１６のいずれか一項に記載の記録媒体において、
　前記評価モデルはオートエンコーダを用いている、記録媒体。
１８．上記１３～１７のいずれか一項に記載の記録媒体において、
　前記評価モデルは、複数の前記対象物別に生成されており、
　前記モデル取得機能は、前記対象物に対応する前記評価モデルを取得する、記録媒体。
１９．上記１３～１８のいずれか一項に記載のプログラム。
１０　　　　対象物評価装置
２０　　　　記憶部
１１０　　　　３次元データ取得部
１２０　　　　分割部
１３０　　　　割当部
１４０　　　　モデル取得部
１５０　　　　評価データ生成部

Claims (8)

  1. 　対象物の形状を示す３次元データを複数に分割することによって生成された複数の部分データの一部を学習データとして生成された評価モデルを取得するモデル取得手段と、
    　前記複数の部分データの残りの少なくとも一部を前記評価モデルの入力データとして用いることにより、前記対象物の異常の有無を評価するための評価データを生成する評価データ生成手段と、
    を備え、
    　少なくとも２つの前記部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一であり、
    　３次元形状が互いに同一である前記少なくとも２つの部分データの少なくとも一つは前記学習データを生成するための第１の前記部分データに含まれ、当該少なくとも２つの部分データの他の少なくとも一つは前記入力データになる第２の前記部分データに含まれる、対象物評価装置。
  2. 　請求項１に記載の対象物評価装置において、
    　前記３次元データを前記複数の部分データに分割する分割手段と、
    　前記複数の部分データを、前記第１の部分データと前記第２の部分データとに割り当てる割当手段と、
    を備え、
    　前記モデル取得手段は、前記第１の部分データを含む前記学習データを用いて前記評価モデルを生成する、対象物評価装置。
  3. 　請求項２に記載の対象物評価装置において、
    　前記割当手段、前記モデル取得手段、及び前記評価データ生成手段は、３次元形状が互いに同一である前記少なくとも２つの部分データについて、前記第１の部分データに含まれるデータと前記第２の部分データに含まれるデータの組み合わせを変えつつ、前記評価モデルの生成及び前記評価データの生成を繰り返し、
    　前記評価データ生成手段は、複数の前記評価データを用いて前記対象物のうち異常がある部分を特定する、対象物評価装置。
  4. 　請求項１～３のいずれか一項に記載の対象物評価装置において、
    　前記対象物は、構造物の少なくとも一部である対象物評価装置。
  5. 　請求項１～３のいずれか一項に記載の対象物評価装置において、
    　前記評価モデルはオートエンコーダを用いている、対象物評価装置。
  6. 　請求項１～３のいずれか一項に記載の対象物評価装置において、
    　前記評価モデルは、複数の前記対象物別に生成されており、
    　前記モデル取得手段は、前記対象物に対応する前記評価モデルを取得する、対象物評価装置。
  7. 　コンピュータが、
    　　対象物の形状を示す３次元データを複数に分割することによって生成された複数の部分データの一部を学習データとして生成された評価モデルを取得し、
    　　前記複数の部分データの残りの少なくとも一部を前記評価モデルの入力データとして用いることにより、前記対象物の異常の有無を評価するための評価データを生成し、
    　少なくとも２つの前記部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一であり、
    　３次元形状が互いに同一である前記少なくとも２つの部分データの少なくとも一つは前記学習データを生成するための第１の前記部分データに含まれ、当該少なくとも２つの部分データの他の少なくとも一つは前記入力データになる第２の前記部分データに含まれる、対象物評価方法。
  8. 　コンピュータに、
    　　対象物の形状を示す３次元データを複数に分割することによって生成された複数の部分データの一部を学習データとして生成された評価モデルを取得するモデル取得機能と、
    　　前記複数の部分データの残りの少なくとも一部を前記評価モデルの入力データとして用いることにより、前記対象物の異常の有無を評価するための評価データを生成する評価データ生成機能と、
    を持たせるプログラムを記録しており、
    　少なくとも２つの前記部分データのそれぞれが示す３次元形状は、所定の誤差を含む範囲で同一であり、
    　３次元形状が互いに同一である前記少なくとも２つの部分データの少なくとも一つは前記学習データを生成するための第１の前記部分データに含まれ、当該少なくとも２つの部分データの他の少なくとも一つは前記入力データになる第２の前記部分データに含まれる、コンピュータに読み取り可能な記録媒体。
PCT/JP2022/017196 2022-04-06 2022-04-06 対象物評価装置、対象物評価方法、及び記録媒体 WO2023195107A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/017196 WO2023195107A1 (ja) 2022-04-06 2022-04-06 対象物評価装置、対象物評価方法、及び記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/017196 WO2023195107A1 (ja) 2022-04-06 2022-04-06 対象物評価装置、対象物評価方法、及び記録媒体

Publications (1)

Publication Number Publication Date
WO2023195107A1 true WO2023195107A1 (ja) 2023-10-12

Family

ID=88242724

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/017196 WO2023195107A1 (ja) 2022-04-06 2022-04-06 対象物評価装置、対象物評価方法、及び記録媒体

Country Status (1)

Country Link
WO (1) WO2023195107A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190362480A1 (en) * 2018-05-22 2019-11-28 Midea Group Co., Ltd. Methods and system for improved quality inspection
WO2020031984A1 (ja) * 2018-08-08 2020-02-13 Ｂｌｕｅ Ｔａｇ株式会社 部品の検査方法及び検査システム
JP2020102111A (ja) * 2018-12-25 2020-07-02 トヨタ自動車株式会社 情報処理装置および外観検査装置
CN112683924A (zh) * 2019-10-17 2021-04-20 神讯电脑(昆山)有限公司 基于人工神经网络的物件表面型态的筛选方法
WO2021111540A1 (ja) * 2019-12-04 2021-06-10 富士通株式会社 評価方法、評価プログラム、および情報処理装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190362480A1 (en) * 2018-05-22 2019-11-28 Midea Group Co., Ltd. Methods and system for improved quality inspection
WO2020031984A1 (ja) * 2018-08-08 2020-02-13 Ｂｌｕｅ Ｔａｇ株式会社 部品の検査方法及び検査システム
JP2020102111A (ja) * 2018-12-25 2020-07-02 トヨタ自動車株式会社 情報処理装置および外観検査装置
CN112683924A (zh) * 2019-10-17 2021-04-20 神讯电脑(昆山)有限公司 基于人工神经网络的物件表面型态的筛选方法
WO2021111540A1 (ja) * 2019-12-04 2021-06-10 富士通株式会社 評価方法、評価プログラム、および情報処理装置

Similar Documents

Publication Publication Date Title
EP3575766A1 (en) Rigidity measurement device and rigidity measurement method
US7986814B2 (en) Method for measuring a curved surface of an object
CN107316047A (zh) 图像处理装置、图像处理方法以及存储介质
JP2013077127A (ja) 画像分類装置および画像分類方法
EP3279864A1 (en) A method for obtaining parameters defining a pixel beam associated with a pixel of an image sensor comprised in an optical device
CN107368829A (zh) 确定输入图像中的矩形目标区域的方法和设备
JP2019036310A (ja) 少なくとも２つの異なる３ｄモデルを登録する方法
WO2023195107A1 (ja) 対象物評価装置、対象物評価方法、及び記録媒体
CN110546687B (zh) 图像处理装置及二维图像生成用程序
JP2022050004A (ja) 医用画像処理装置、医用画像処理方法、および、学習モデルの学習方法
JP5639821B2 (ja) ３次元点群の合成方法
CN109544530A (zh) X射线头影测量图像结构特征点自动定位方法及系统
JP2006234678A (ja) 目標識別装置
CN113029103B (zh) 一种风机塔筒基础环的倾斜测量方法、系统和存储介质
CN115165047A (zh) 一种同步测量重量与重心的电子天平
JP2008181124A5 (ja)
JP3874129B2 (ja) 不釣合いデータ処理方法および装置
CN112747773A (zh) 基于Allan方差和随机多项式提高陀螺仪精度的方法
JP6872324B2 (ja) 計測システム、計測方法および計測プログラム
JP2007003205A (ja) 形状測定装置、形状測定方法、形状測定プログラム
US6828555B2 (en) Three-dimensional structure verification supporting apparatus, three-dimensional structure verification method, recording medium, and program therefor
JP2020088263A (ja) 不良解析装置、不良解析方法、及び不良解析プログラム、並びに教師データ作成装置、教師データ作成方法、及び教師データ作成プログラム
KR20140031082A (ko) 레이더 도표 구성 장치 및 방법
Bures et al. Comparison of 3D scanning and 3D modelling of a workplace from various aspects
JP2018092566A (ja) 粒径解析法および粒径解析プログラム

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: 22936507

Country of ref document: EP

Kind code of ref document: A1