WO2023242897A1 - ポットホール予測システム、ポットホール予測方法及び記録媒体 - Google Patents

ポットホール予測システム、ポットホール予測方法及び記録媒体 Download PDF

Info

Publication number
WO2023242897A1
WO2023242897A1 PCT/JP2022/023611 JP2022023611W WO2023242897A1 WO 2023242897 A1 WO2023242897 A1 WO 2023242897A1 JP 2022023611 W JP2022023611 W JP 2022023611W WO 2023242897 A1 WO2023242897 A1 WO 2023242897A1
Authority
WO
WIPO (PCT)
Prior art keywords
pothole
road surface
occurrence
crack
cracks
Prior art date
Application number
PCT/JP2022/023611
Other languages
English (en)
French (fr)
Inventor
優介 水越
千里 菅原
洋介 木村
俊倫 横手
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/JP2022/023611 priority Critical patent/WO2023242897A1/ja
Publication of WO2023242897A1 publication Critical patent/WO2023242897A1/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 disclosure relates to a pothole prediction system and the like.
  • the state of road deterioration is analyzed in order to understand the state of road deterioration and plan road repair.
  • Patent Document 1 discloses a method for quantitatively analyzing the risk of pothole occurrence in drainage pavement.
  • the pothole occurrence risk is calculated based on the amount of local settlement calculated from road surface condition data, the G/R value which is the ratio of green to red obtained from image data, and the average profile calculated from road surface condition data. Predicted using depth values.
  • Patent Document 2 discloses a crack analysis device that detects cracks of a specific shape from an image taken of a road surface and displays the crack detection results.
  • Patent Document 3 discloses a deterioration prediction system that predicts the level of road deterioration at a future point in time and displays the predicted deterioration level in a superimposed manner on a map at each predicted time point in a display mode according to the deterioration level. ing.
  • JP2018-028486A Japanese Patent Application Publication No. 2018-040666 International Publication No. 2021/192790
  • the amount of local subsidence and the average profile depth are used to predict the risk of pothole occurrence. Therefore, the risk of pothole occurrence could not be predicted without using a light-cutting imaging device that irradiates with a slit laser.
  • An object of the present disclosure is to provide a pothole prediction system and the like that can determine the probability of pothole occurrence with a simple configuration.
  • a pothole prediction system includes an acquisition unit that acquires a road surface image obtained by photographing a road surface, an analysis unit that analyzes the state of cracks on the road surface from the road surface image, and a system that analyzes the state of cracks and the occurrence of potholes.
  • calculation means for calculating the pothole occurrence probability predicted from the analysis result by the analysis means using a prediction model learned using data showing the relationship as training data; and output means for outputting the information shown.
  • a pothole prediction method acquires a road surface image obtained by photographing a road surface, analyzes the state of cracks on the road surface from the road surface image, and generates data indicating the relationship between the crack state and the occurrence of potholes. Using the prediction model learned as teacher data, the pothole occurrence probability predicted from the result of the analysis is calculated, and information indicating the calculated pothole occurrence probability is output.
  • a program acquires a road surface image obtained by photographing a road surface, analyzes the state of cracks on the road surface from the road surface image, and uses data indicating the relationship between the crack state and the occurrence of potholes as training data.
  • the learned prediction model is used to calculate the pothole occurrence probability predicted from the result of the analysis, and the computer is caused to execute a process of outputting information indicating the calculated pothole occurrence probability.
  • the program may be stored in a computer-readable non-transitory recording medium.
  • FIG. 1 is a diagram showing an outline of a device connected to a pothole prediction system.
  • FIG. 1 is a block diagram illustrating a configuration example of a pothole prediction system according to a first embodiment. It is a figure showing an example of a crack detection result.
  • FIG. 3 is a diagram showing an example of teacher data. It is a figure showing an example of a prediction model. It is a flow chart which shows an example of operation of the pothole prediction system concerning a 1st embodiment. It is a figure explaining the display mode of an icon.
  • FIG. 3 is a diagram showing an example of a displayed screen. 3 is a flowchart illustrating an example of the operation of an output unit that displays a scale.
  • FIG. 3 is a diagram showing an example of a displayed screen.
  • FIG. 3 is a diagram showing an example of a displayed screen.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of a computer.
  • the pothole prediction system uses the state of cracks on the road surface analyzed from road surface images and a prediction model that has learned the relationship between the crack state and the occurrence of potholes to estimate the probability of pothole occurrence. It is a predictive system.
  • the road surface targeted by the pothole prediction system is not limited to general roads used by vehicles and people, but also includes vehicle test courses, airport runways and taxiways, and the like. That is, the pothole prediction system can cover a wide range of paved road surfaces.
  • FIG. 1 is a diagram schematically showing a device that is communicably connected to the pothole prediction system 100 via a communication network 30, either by wire or wirelessly.
  • the pothole prediction system 100 is connected to, for example, a camera 10, a display 20, an input device 21, and a database 40.
  • the camera 10 photographs a road surface image including the road surface.
  • the road surface image photographed by the camera 10 is stored in the database 40.
  • the camera 10 is realized by, for example, a drive recorder mounted on a vehicle.
  • the type of camera is not limited to this, and various types of cameras may be used.
  • the road surface image may be captured by a camera mounted on another moving body such as a bicycle or a drone, a camera carried by a person, or a fixed camera installed on the road.
  • the road surface image may be a still image continuously photographed by the camera 10 while the moving body is moving, or a moving image.
  • the road surface image may be photographed manually or automatically.
  • the display 20 displays information to the user.
  • the display 20 includes, for example, a display, a tablet, and the like.
  • the display 20 displays various information according to the output from the pothole prediction system 100. The information to be displayed will be described later.
  • the input device 21 accepts operations from the user.
  • the input device 21 includes, for example, a mouse, a keyboard, and the like.
  • the display 20 is a touch panel display, the display 20 may be configured as the input device 21.
  • the database 40 stores maps.
  • the database 40 may further store road images taken by the camera 10.
  • the database 40 that stores maps and the database 40 that stores road images may be provided separately.
  • FIG. 2 is a block diagram showing a configuration example of the pothole prediction system 100 according to the first embodiment.
  • the pothole prediction system 100 according to the first embodiment includes an acquisition section 110, an analysis section 120, a calculation section 130, and an output section 140.
  • the calculation unit 130 includes a prediction model storage unit 131 and a calculation unit 132.
  • the acquisition unit 110 acquires a road surface image obtained by photographing a road surface.
  • the acquisition unit 110 acquires a road surface image from the database 40.
  • the acquisition unit 110 may acquire a road surface image from the camera 10 via the communication network 30.
  • the pothole prediction system 100 is communicably connected to the camera 10 as necessary.
  • the acquisition unit 110 may acquire the road surface image as well as the location information of the point where the road surface image was photographed.
  • the location information includes, for example, latitude and longitude, location information based on GNSS (Global Navigation Satellite System), GPS (Global Positioning System), or a location on a map.
  • GNSS Global Navigation Satellite System
  • GPS Global Positioning System
  • the acquisition unit 110 may acquire the date and time when the road image was photographed together with the road surface image.
  • the analysis unit 120 analyzes the state of cracks from the road surface image acquired by the acquisition unit 110. For example, the analysis unit 120 detects cracks and analyzes the state of the detected cracks.
  • the analysis unit 120 detects cracks using known image recognition technology on the road surface image.
  • the analysis unit 120 may detect cracks using the learned model.
  • the analysis unit 120 may determine whether or not the road surface has deteriorated for each pixel of the road surface image.
  • FIG. 3 is a diagram showing an example of detection results of cracks on a road from a road surface image taken of the road.
  • the photographing range of the road surface image is not limited to the example shown in FIG. 3, and may be narrow or wide in the vertical or horizontal direction, for example.
  • the road surface image may include the sky, sidewalks, and buildings on both sides of the road.
  • the analysis unit 120 may detect road surface deterioration included in the detection area F1 within the road surface image.
  • the detection area F1 is an area where road surface deterioration is detected.
  • the analysis unit 120 divides the road surface image into predetermined units.
  • the analysis unit 120 may detect and analyze cracks in each divided unit.
  • the analysis unit 120 may divide the detection region F1 in which road surface deterioration is detected into blocks of a predetermined size in the road surface image.
  • the crack state indicated by the analysis result by the analysis unit 120 is data indicating the progress state of cracks occurring on the road surface.
  • the condition of a crack includes, for example, a crack rate, a crack length, a crack width, a crack area, a crack shape, and the presence or absence of a crack.
  • the crack rate is expressed, for example, by 100 x (area of cracks/area of road surface).
  • the area of the crack is calculated in any way. Note that the method for calculating the crack rate is not particularly limited, and known calculation methods other than the above can be applied.
  • the width of the crack may be expressed by the width of the widest crack in the predetermined range. Further, the width of the crack may be expressed by the average width of the crack in a predetermined range.
  • the shape of the crack includes, for example, whether the detected crack is a straight crack or a hexagonal crack.
  • the shape of a crack may be represented by a numerical value depending on the presence or absence of a crack of a predetermined shape. For example, it may be expressed as 1 when the road surface image includes hexagonal cracks, and 0 when no hexagonal cracks are included.
  • the crack condition analyzed by the analysis unit 120 may include the amount of hexagonal cracks.
  • the amount of hexagonal cracks indicates the amount of intersecting cracks.
  • the amount of hexagonal cracks may be expressed by the number of units including hexagonal cracks when the road surface image is divided into predetermined units.
  • the amount of hexagonal cracks is expressed by the number of hexagonal crack blocks, which is the number of blocks containing cracks that constitute hexagonal cracks when one road surface image is divided into blocks.
  • the amount of hexagonal cracks may be the area of the block containing the hexagonal cracks.
  • the amount of hexagonal cracks may be expressed by the area of the cracks constituting the hexagonal cracks.
  • the calculation unit 130 calculates the pothole occurrence probability predicted from the analysis result by the analysis unit 120 using a prediction model learned using data indicating the relationship between the crack state and the occurrence of potholes as training data. .
  • the pothole occurrence probability indicates the probability that a pothole will occur within a predetermined period of time.
  • the predetermined period can be set as appropriate, for example, one month, half a year, one year, etc.
  • the probability of occurrence is represented by a number between 0 and 1. The higher the calculated probability of occurrence, the higher the probability that potholes will occur on the road surface analyzed by the analysis unit 120. Furthermore, the probability of occurrence may be expressed as a percentage from 0% to 100%.
  • a prediction model storage unit 131 included in the calculation unit 130 stores a learned prediction model.
  • the calculation unit 132 included in the calculation unit 130 inputs the analysis result by the analysis unit 120 into the trained prediction model, and calculates the probability of pothole occurrence.
  • the calculation unit 130 calculates the pothole occurrence probability using, for example, logistic regression.
  • the learning phase of the predictive model will be explained.
  • a prediction model in logistic regression can be expressed by giving the value x obtained from the linear regression equation of Equation 1 to the sigmoid function of Equation 2.
  • (Number 2) Equation 1 is a linear regression equation in which each explanatory variable is multiplied by a weight.
  • y in Equation 2 is the objective variable.
  • the number of explanatory variables is not particularly limited. Prediction can be made if there is at least one explanatory variable.
  • Weight learning is then performed using the labels of 0 or 1 attached to the explanatory variables of the teacher data. For example, if no potholes have occurred, label 0 is attached, and if potholes have occurred, label 1 is attached. When the weight that minimizes the error between the output value y and the label is obtained, the learning of the prediction model is completed.
  • FIG. 4 is a diagram showing an example of training data showing the relationship between the state of cracks and the occurrence of potholes.
  • explanatory variables for example, the values of the crack rate, the crack width, and the number of hexagonal crack blocks at multiple points may be used.
  • the training data in FIG. 4 includes a label indicating whether or not a pothole has occurred at each point.
  • Equation 1 can be expressed as Equation 3 below.
  • x Crack rate x w 1 + crack width x w 2 + number of turtle shell crack blocks x w 3
  • the value of x is determined by giving the values of the crack rate of 56.7 at point 1, the crack width of 5.2, and the number of hexagonal crack blocks of 8 to Equation 3.
  • an output value y such as 0.7, can be obtained.
  • the label is 1, so the weights w 1 , w 2 , and w 3 are adjusted so that the output value y approaches 1.
  • weights w 1 , w 2 , and w 3 are adjusted using the values of the crack rate, crack width, and number of hexagonal crack blocks at points 2 and 3 , etc. Therefore, weights w 1 , w 2 , and w 3 that can accurately predict the pothole occurrence probability are learned from the crack rate, crack width, and number of hexagonal crack blocks observed at various points.
  • the above learning of the prediction model may be performed in the calculation unit 130 or in another device (not shown).
  • the predictive model storage unit 131 stores the predictive model learned in this way.
  • the calculation unit 132 inputs the analysis result by the analysis unit 120 as an explanatory variable to the predictive model stored in the predictive model storage unit 131.
  • the calculation unit 132 outputs a calculation result of the pothole occurrence probability for the input explanatory variables.
  • the analysis unit 120 analyzes the state of cracks on the road surface from the road surface image, and outputs the crack rate, crack width, and number of hexagonal crack blocks as the analysis results.
  • the calculation unit 132 obtains the value of x in Equation 3 from the value of the analysis result obtained from the analysis unit 120.
  • the calculation unit 132 obtains the predicted value y of the occurrence probability by giving the value of x to the sigmoid function of Equation 2.
  • the crack rate, crack width, and number of hexagonal crack blocks were used as explanatory variables.
  • the types of explanatory variables can be selected as appropriate.
  • an explanatory variable including at least one of crack rate, crack length, crack width, crack area, crack shape, hexagonal crack amount, and presence/absence of cracks may be used as the explanatory variable. If the accuracy of the value predicted using one explanatory variable is insufficient, two or more explanatory variables may be used. Even when it is difficult to predict the probability of pothole occurrence from a single explanatory variable, such as the crack rate, it is possible to predict the probability of pothole occurrence by combining multiple explanatory variables that indicate the state of cracks. Become.
  • the teaching data may include road information as an explanatory variable in addition to the state of cracks.
  • the calculation unit 130 may use a prediction model to calculate the pothole occurrence probability based on the analysis result of the analysis unit 120 and road information on the road surface.
  • Road information is information indicating the characteristics of the road on which a vehicle travels.
  • the road information includes, for example, traffic volume, lane width, or number of lanes.
  • the traffic volume represents, for example, the amount of vehicles passing on a road surface within a predetermined period of time.
  • the traffic volume may be the amount of vehicles weighing more than a predetermined weight. The greater the traffic volume, the faster the road surface deteriorates.
  • the narrower the lane width the more load is applied to the same location on the road surface, and the more likely it is to deteriorate.
  • the fewer the number of lanes the more traffic will concentrate, and the more likely the road will deteriorate. Therefore, the higher the traffic volume, the narrower the lane width, or the fewer the number of lanes, the higher the probability of pothole occurrence is predicted to be.
  • the calculation unit 130 may calculate the probability of occurrence of a pothole using another prediction model that predicts the probability of occurrence of an event.
  • the calculation unit 130 may use a Light GBM (Gradient Boosting Machine).
  • the calculation unit 130 may further predict the size of the pothole that will occur.
  • the predictive model storage unit 131 may store a trained model that predicts the size of the pothole based on the state of the crack.
  • the calculation unit 132 predicts the size of the pothole based on the state of the crack analyzed by the analysis unit 120 and the learned model.
  • the crack condition serving as an explanatory variable is, for example, the crack rate, the length of the crack, or the amount of hexagonal cracks.
  • the size of the pothole, which is a target variable is, for example, the area, width, length, or depth of the pothole, or a combination thereof.
  • the output unit 140 outputs information indicating the pothole occurrence probability calculated by the calculation unit 130.
  • the output unit 140 may be a display control unit that controls display on the display 20.
  • the output unit 140 may display a numerical value of the pothole occurrence probability on the display 20.
  • the output unit 140 may display the estimated pothole occurrence time according to the pothole occurrence probability.
  • the output unit 140 displays a period, such as within one month, within three months, or within one year, as the pothole occurrence time.
  • the correspondence between the pothole occurrence probability and the estimated pothole occurrence time may be determined in advance. For example, a point where the probability of pothole occurrence is calculated to be 80% is estimated to have a pothole occurring within one month, and a point where the probability of pothole occurrence is calculated to be 60% to 70% is estimated to be 2 to 30%. It is estimated that potholes will occur within three months. In this way, the output unit 140 displays the pothole occurrence time based on the predetermined correspondence relationship.
  • the output unit 140 may display an icon indicating the calculated pothole occurrence probability on a map indicating the road surface on which the image used to predict the pothole occurrence probability was taken. For example, the output unit 140 obtains map data from the database 40. Further, the output unit 140 acquires, for example, the position information of the point where the road surface image was photographed from the acquisition unit 110. Then, the output unit 140 displays an icon indicating the pothole occurrence probability on the map as information indicating the pothole occurrence probability.
  • the output unit 140 may display an icon at a point on the map where the calculated probability of pothole occurrence is greater than or equal to a predetermined value.
  • the threshold value for displaying the icon may be changeable by the user. For example, the user inputs, via the input device 21, a value that is a threshold value for determining whether or not to display an icon.
  • the pothole prediction system 100 may further include a reception unit (not shown) that receives a threshold value of the pothole occurrence probability.
  • the output unit 140 displays on the map an icon indicating the probability of occurrence of potholes equal to or higher than the threshold value accepted by the reception unit.
  • FIG. 6 is a flowchart showing an example of the operation of the pothole prediction system 100.
  • the pothole prediction system 100 may start the operation shown in FIG. 6 in response to a user's operation using the input device 21.
  • the acquisition unit 110 acquires a road surface image obtained by photographing the road surface (step S11).
  • the acquisition unit 110 provides the acquired image to the analysis unit 120.
  • the analysis unit 120 analyzes the state of cracks on the road surface from the road surface image acquired by the acquisition unit 110 (step S12).
  • the analysis unit 120 provides the analyzed crack state to the calculation unit 130.
  • the calculation unit 130 calculates the pothole occurrence probability predicted from the analysis result by the analysis unit 120 using a prediction model learned using data indicating the relationship between the crack state and the occurrence of potholes as training data. (Step S13). The calculation unit 130 provides the calculated pothole occurrence probability to the output unit 140.
  • the output unit 140 outputs information indicating the pothole occurrence probability calculated by the calculation unit 130 (step S14). For example, as shown in FIG. 12, which will be described later, the output unit 140 outputs a numerical value of the pothole occurrence probability to the display 20. Alternatively, as shown in FIG. 8, which will be described later, the output unit 140 displays an icon at a point on the map where the probability of pothole occurrence is, for example, 30% or more, as a process of outputting information indicating the probability of pothole occurrence.
  • the pothole prediction system 100 ends the operation of FIG. 6.
  • the output unit 140 may change the color of the icon on the map depending on the pothole occurrence probability.
  • the icon may be displayed in blue for occurrence probability of 0% to 39%, yellow for occurrence probability of 40% to 69%, and red for occurrence probability of 70% or more.
  • the types of colors and the stages of color change can be designed as appropriate.
  • FIG. 7 is a diagram illustrating the display mode of icons according to the pothole occurrence probability.
  • a map pin as shown in FIG. 7 can be used as an icon indicating a point where the probability of occurrence of a pothole is predicted.
  • the shape of the icon is not limited to a map pin.
  • the icon may be displayed in a lighter color as the probability of occurrence is lower, and may be displayed in a darker color as the probability of occurrence is higher.
  • FIG. 8 is a diagram showing an example of a screen displayed by the output unit 140.
  • the screen in FIG. 8 includes an operation menu on the left side, and displays a map on the right side of the operation menu.
  • the operation menu includes a target period display D1, a pothole display switching button D2, and a future prediction function switching button D3.
  • the future prediction function will be explained in the second embodiment.
  • the target period indicates the period in which multiple road surface images used for analysis were taken.
  • the target period indicates that the photographing date of the road surface image is within the past 90 days from the reference date input on the screen.
  • the output unit 140 displays an icon indicating the probability of occurrence calculated by the calculation unit 130 on the map.
  • the pothole occurrence probability is displayed on the map as icons in three different colors.
  • the output unit 140 may display icons only for some areas in the map. For example, the output unit 140 may display an icon for an area selected by the user on the map.
  • the operation menu in FIG. 8 further includes a user interface D4 for narrowing down the icons to be displayed.
  • the locations where the icons are displayed are narrowed down to locations where the pothole occurrence probability is "30% or more.”
  • the user can appropriately set a threshold value for whether or not to display an icon via the input device 21.
  • the user may input the threshold value as a numerical value.
  • the user may set the threshold value by moving the arrow D5 indicating the value of the scale D6 in FIG. 8 left and right. By setting the threshold value by the user in this manner, the user can immediately confirm points where a pothole is likely to occur.
  • the output unit 140 may display a graphic representing the probability of occurrence of a pothole indicated by the selected icon.
  • the output unit 140 displays a graphic representing a standard indicating the magnitude of the pothole occurrence probability as a graphic representing the pothole occurrence probability.
  • a figure representing a criterion for the probability of pothole occurrence is also called a scale. Reference values (for example, 0% and 100%) of the pothole occurrence probability are set at the reference points of the scale (for example, at both ends of the scale).
  • the output unit 140 may display the scale on the map such that an icon on the map points to a value on the scale.
  • the scale represents the probability of a pothole occurring, with an icon on the map pointing to a value on the scale.
  • the scale displayed by the output unit 140 may be a color scale legend representing the pothole occurrence probability indicated by the color of the icon on the map.
  • the output unit 140 may display the color scale legend at a position where the color of the icon on the map corresponds to the color on the scale.
  • the output unit 140 may display a scale indicating a value on the scale using an icon displayed separately from the icon on the selected map. As shown in FIG. 8, the output unit 140 may pop-up display a scale D9 and an icon D8 indicating a value on the scale for the selected icon D10 on the map. In the pop-up area D7, for example, an icon D8 having the same color as the selected icon D10 points to a value on the scale D9. Note that when the output unit 140 displays an icon indicating a value on a scale separately from an icon on a map, the icon indicating a value on a scale may be a shape different from the icon on the map, such as an arrow or a line. It's okay.
  • the output unit 140 displays the scale in correspondence with the icon, allowing the user to see the predicted probability of occurrence in more detail than with the icon on the map. can be understood. Further, even when the pothole occurrence probability is displayed in multiple colors, the output unit 140 displays the scale, so that the user can check the occurrence probability indicated by the icon color on the scale.
  • FIG. 9 is a flowchart showing an example of the operation of the output unit 140 that displays the scale. For example, after step S13 in FIG. 6, the output unit 140 that has received the pothole occurrence probability starts the operation shown in FIG.
  • the output unit 140 superimposes and displays an icon indicating the pothole occurrence probability on the map (step S21). After that, the output unit 140 receives the selection of the icon on the map selected by the user using the input device 21 (step S22).
  • the output unit 140 displays a scale by associating the probability of occurrence indicated by the selected icon with the position of the probability of occurrence on the scale (step S23). With the above, the output unit 140 ends the operation of FIG. 9.
  • the output unit 140 may display the pothole occurrence probability on the map using a method other than the icon. For example, the output unit 140 displays an area on a map divided into a mesh shape or an area of a road divided into predetermined sections in a color corresponding to the pothole occurrence probability in that area.
  • the output unit 140 may further display the degree of road surface deterioration for each road surface section on the map.
  • the output unit 140 may display icons such as arrows of different colors for each road surface section depending on the degree of deterioration.
  • the output unit 140 may display a summary of information indicating the probability of occurrence at a plurality of points, and may display more detailed information about the selected point.
  • the output unit 140 may further display, as detailed information, the road surface image at the point, the date and time when the road surface image was taken, the analysis result of the crack state, and the calculated value of the pothole occurrence probability. .
  • the output unit 140 displays, for example, the road surface image used in the analysis by the analysis unit 120. By displaying the road surface image and the pothole occurrence probability side by side, the user can easily understand the degree of cracking indicated by the numerical value of the pothole occurrence probability. Further, the output unit 140 displays, for example, the photographing date and time acquired by the acquisition unit 110. When the calculation unit 130 predicts the size of a pothole that will occur, the output unit 140 may further display the predicted size of the pothole.
  • the analysis unit 120 analyzes the state of cracks on the road surface from the road surface image. Then, the calculation unit 130 calculates the probability of pothole occurrence predicted from the analysis result using a prediction model learned using data indicating the relationship between the crack state and the occurrence of potholes as training data. Therefore, according to the first embodiment, the pothole occurrence probability can be determined with a simple configuration.
  • the probability of pothole occurrence can be determined based on crack information analyzed from a road surface image captured by a drive recorder. Therefore, there is no need to measure local subsidence or average profile depth using a slit laser. Therefore, the probability of occurrence of potholes can be determined with a simple configuration.
  • the output unit 140 since the output unit 140 outputs information indicating the calculated pothole occurrence probability, the user can efficiently consider a road surface repair plan according to the output information. can do.
  • FIG. 10 is a block diagram showing a configuration example of a pothole prediction system 200 according to the second embodiment.
  • the pothole prediction system 200 differs from the pothole prediction system 100 according to the first embodiment in that it includes a crack prediction unit 121.
  • a crack prediction unit 121 Regarding the configuration of the second embodiment, some descriptions of the configurations similar to those of the first embodiment will be omitted.
  • the crack prediction unit 121 predicts the future state of cracks on the road surface on which the road surface image was taken, based on the analysis result by the analysis unit 120.
  • the crack prediction unit 121 predicts the state of cracks after a predetermined period of time has elapsed from the time when the road surface image was captured.
  • the predetermined period is appropriately set, for example, half a year, one year, or two years.
  • the crack prediction unit 121 may predict the state of cracks at a future point in time specified by the user. Furthermore, the crack prediction unit 121 may predict the state of cracks at multiple points in the future.
  • the method for predicting future crack conditions is not particularly limited.
  • the crack prediction unit 121 may predict future crack conditions using existing technology. For example, the crack prediction unit 121 calculates a future crack rate, crack width, crack area, or based on the crack rate, crack width, crack area, or amount of hexagonal cracks analyzed by the analysis unit 120. Predict the amount of tortoise shell cracks.
  • the crack prediction unit 121 may predict the future state of cracks based on the analysis result by the analysis unit 120 as well as other information such as road information on the road surface and weather information.
  • the calculation unit 130 calculates the pothole occurrence probability predicted from the prediction result of the crack prediction unit 121 using, for example, the same prediction model as the prediction model according to the first embodiment.
  • the output unit 140 outputs information indicating the calculated pothole occurrence probability.
  • the output unit 140 may cause the display 20 to display a numerical value of the pothole occurrence probability calculated based on the future state of cracks.
  • the output unit 140 may display an icon indicating the calculated pothole occurrence probability on the map.
  • the output unit 140 displays an icon indicating the probability of pothole occurrence based on the future state of cracks.
  • the output unit 140 may further display the future crack state predicted by the crack prediction unit 121 for the selected point.
  • the output unit 140 may display a graph representing a change in pothole occurrence probability over time.
  • the pothole prediction system 200 may include a graph generation section (not shown).
  • the graph generation unit obtains the pothole occurrence probability calculated from the output unit 140 and plots it.
  • the graph generation unit then provides the generated graph to the output unit 140.
  • the output unit 140 may display a predicted image representing the future state of the crack.
  • the pothole prediction system 200 may include an image generation section (not shown).
  • the image generation unit uses the road surface image acquired by the acquisition unit 110 to generate a predicted image in which cracks have progressed.
  • the image generation unit generates a predicted image according to, for example, the future state of cracks predicted by the crack prediction unit 121.
  • FIG. 11 is a flowchart showing an example of the operation of the pothole prediction system 200 according to the second embodiment.
  • the pothole prediction system 200 performs the operations from step S11 to step S14 shown in FIG. 6.
  • step S14 if the user turns on the future prediction function switching button D3 (step S31: Yes), the crack prediction unit 121 determines whether the road surface image has been photographed based on the analysis result by the analysis unit 120. The future state of cracks on the road surface is predicted (step S32). The crack prediction unit 121 provides the prediction result to the calculation unit 130.
  • the calculation unit 130 uses the prediction model to calculate the pothole occurrence probability predicted from the prediction result of the crack prediction unit 121 (step S33).
  • the calculation unit 130 outputs the calculated pothole occurrence probability to the output unit 140.
  • the output unit 140 outputs information indicating the probability of pothole occurrence predicted from the future state of cracks (step S34). For example, the output unit 140 causes the display 20 to display information indicating the probability of pothole occurrence.
  • the pothole prediction system 200 ends the operation of FIG. 11.
  • FIG. 12 and 13 are diagrams showing examples of screens displayed by the output unit 140.
  • FIG. 12 is a screen that displays information based on the photographed road surface image.
  • FIG. 13 is a screen that displays information based on the future state of cracks. The screen in FIG. 12 is displayed, for example, when the user selects a predetermined point on the map. When “one year later" is selected from the pull-down list displayed by pressing the "future prediction" button in FIG. 12, the screen in FIG. 13 is displayed.
  • the value of the pothole occurrence probability calculated from the analysis result of the analysis unit 120 is displayed as the current pothole occurrence probability.
  • the screen of FIG. 12 includes the analysis result of the analysis unit 120, a road surface image showing the analyzed road surface, and a graph plotting the current pothole occurrence probability.
  • the output unit 140 may further plot the pothole occurrence probability calculated based on past road surface images.
  • the value of the pothole occurrence probability calculated from the future crack state predicted by the crack prediction unit 121 is displayed as the pothole occurrence probability one year later. Further, the screen in FIG. 13 includes the future crack state predicted by the crack prediction unit 121 and a predicted image one year later. Furthermore, the screen of FIG. 13 includes a graph plotting the current probability of pothole occurrence and the probability of pothole occurrence one year from now.
  • the crack prediction unit 121 predicts the future state of cracks on the road surface, and the calculation unit 130 calculates the probability of pothole occurrence predicted from the prediction result of the crack prediction unit 121. Therefore, according to the second embodiment, it is possible to determine the probability of pothole occurrence based on the future state of cracks. Therefore, the user can consider the necessity of longer-term repair in consideration of the future progression of cracks. For example, the user can make a repair plan for the current period based on the output according to the first embodiment, and make a plan for the next period based on the output according to the second embodiment.
  • the output unit 140 outputs the pothole occurrence probability based on the crack state analyzed from the road surface image and the pothole occurrence probability based on the future crack state. . Therefore, the user can plan road surface repair in consideration of the degree of increase in the probability of pothole occurrence.
  • the pothole prediction system 100 may further include a repair point determination section.
  • the repair point determination unit determines, for example, a point where the pothole occurrence probability exceeds a predetermined threshold value as a point that requires repair. Furthermore, the repair point determining unit may determine an area where the number of points where the pothole occurrence probability exceeds a predetermined threshold value exceeds a predetermined threshold value as an area requiring repair.
  • the output unit 140 outputs information indicating the determined point.
  • the repair point determination unit obtains a repair plan that includes points predetermined as points to be repaired.
  • the repair point determination unit determines a point that is not included in the repair plan even though the pothole occurrence probability exceeds a predetermined threshold. This allows the user to consider repairs at points that were not included in the repair plan.
  • the pothole prediction system 100 may further include a repair priority determination unit.
  • the repair priority determination unit determines the repair priority of the road surface based on the pothole occurrence probability calculated by the calculation unit 130 and other parameters.
  • the output unit 140 displays points with high repair priority on the map.
  • the repair priority determining unit determines that a point where the pothole occurrence probability exceeds a predetermined threshold has a high priority.
  • the repair priority determination unit may further determine the road surface repair priority based on the traffic volume of the road surface as another parameter. For example, if there are points with the same probability of pothole occurrence, the repair priority determination unit may decide to give a higher repair priority to the point with higher traffic volume.
  • the repair priority determination unit may determine the repair priority based on the analysis result of the state of cracks, information on the width of the road, or the presence or absence of a detour.
  • each component of the pothole prediction systems 100, 200 represents a functional unit block. Some or all of the components of the pothole prediction systems 100 and 200 may be realized by any combination of the computer 500 and a program.
  • FIG. 14 is a block diagram showing an example of the hardware configuration of the computer 500.
  • the computer 500 includes, for example, a processor 501, a ROM (Read Only Memory) 502, a RAM (Random Access Memory) 503, a program 504, a storage device 505, a drive device 507, a communication interface 508, an input device 509, It includes an input/output interface 511 and a bus 512.
  • a processor 501 controls the entire computer 500.
  • Examples of the processor 501 include a CPU (Central Processing Unit).
  • the number of processors 501 is not particularly limited, and the number of processors 501 is one or more.
  • the program 504 includes instructions for realizing each function of the pothole prediction systems 100 and 200.
  • the program 504 is stored in advance in the ROM 502, RAM 503, or storage device 505.
  • Processor 501 implements each function of pothole prediction systems 100 and 200 by executing instructions included in program 504.
  • the RAM 503 may store data processed in each function of the pothole prediction systems 100 and 200.
  • the road surface image may be stored in the RAM 503 of the computer 500.
  • the drive device 507 reads from and writes to the recording medium 506.
  • Communication interface 508 provides an interface with a communication network.
  • the input device 509 is, for example, a mouse or a keyboard, and receives information input from a user or the like.
  • the output device 510 is, for example, a display, and outputs (displays) information to a user or the like.
  • the input/output interface 511 provides an interface with peripheral devices.
  • a bus 512 connects each of these hardware components.
  • the program 504 may be supplied to the processor 501 via a communication network, or may be stored in the recording medium 506 in advance, read by the drive device 507, and supplied to the processor 501.
  • FIG. 14 is an example, and components other than these may be added, or some components may not be included.
  • the pothole prediction systems 100 and 200 may be realized by any combination of different computers and programs for each component.
  • the plurality of components included in the pothole prediction systems 100 and 200 may be realized by an arbitrary combination of one computer and a program.
  • pothole prediction systems 100 and 200 may be provided in a SaaS (Software as a Service) format. That is, at least part of the functions for realizing the pothole prediction systems 100, 200 may be executed by software executed via a network.
  • SaaS Software as a Service
  • an acquisition means for acquiring a road surface image obtained by photographing the road surface; analysis means for analyzing the state of cracks on the road surface from the road surface image; Calculation means for calculating the pothole occurrence probability predicted from the analysis result by the analysis means using a prediction model learned using data indicating the relationship between the state of cracks and the occurrence of potholes as training data; output means for outputting information indicating the calculated pothole occurrence probability;
  • the training data is data that includes road information as an explanatory variable in addition to the state of cracks,
  • the pothole prediction system according to any one of Supplementary Notes 1 to 8, wherein the calculation means calculates the probability of occurrence of the pothole based on the analysis result and road information of the road surface.
  • pothole prediction system 110 acquisition unit 120 analysis unit 130 calculation unit 131 prediction model storage unit 132 calculation unit 140 output unit 10 camera 20 display 21 input device 30 communication network 40 database

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)
  • Traffic Control Systems (AREA)

Abstract

本開示に係るポットホール予測システムは、路面を撮影した路面画像を取得する取得手段と、路面画像から路面上のひびの状態を解析する解析手段と、ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、解析手段による解析結果から予測されるポットホールの発生確率を算出する算出手段と、算出されたポットホールの発生確率を示す情報を出力する出力手段と、を備える。

Description

ポットホール予測システム、ポットホール予測方法及び記録媒体
　本開示は、ポットホール予測システム等に関する。
　舗装された道路には、車両の走行や降雨などの要因によって、ひび割れなどの劣化が生じる。道路の劣化状況を把握して、道路の補修を計画するために、道路の劣化状況を分析することが行われる。
　特許文献１は、排水性舗装におけるポットホール発生リスクを定量分析する方法を開示している。特許文献１において、ポットホール発生リスクは、路面性状データから算出される局所沈下量、画像データから得られる緑と赤の比率であるＧ／Ｒ値、および、路面性状データから算出される平均プロファイル深さの値を用いて予測される。
　なお、特許文献２は、路面を撮影した画像から特定の形状のひび割れを検出し、ひび割れの検出結果を表示するひび割れ解析装置を開示している。特許文献３は、将来の時点における道路劣化のレベルを予測し、予測された劣化レベルを、予測時点ごとに、劣化レベルに応じた表示態様で、地図上に重畳表示する劣化予測システムを開示している。
特開２０１８－０２８４８６号公報 特開２０１８－０４０６６６号公報 国際公開第２０２１／１９２７９０号
　特許文献１によれば、ポットホールの発生リスクの予測に局所沈下量や平均プロファイル深さを用いている。よって、スリットレーザを照射する光切断撮影装置を用いなければ、ポットホールの発生リスクを予測することができなかった。
　本開示は、ポットホールの発生確率を簡単な構成で求めることができるポットホール予測システム等を提供することを目的とする。
　本開示に係るポットホール予測システムは、路面を撮影した路面画像を取得する取得手段と、前記路面画像から前記路面上のひびの状態を解析する解析手段と、ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、前記解析手段による解析結果から予測されるポットホールの発生確率を算出する算出手段と、算出された前記ポットホールの発生確率を示す情報を出力する出力手段と、を備える。
　本開示に係るポットホール予測方法は、路面を撮影した路面画像を取得し、前記路面画像から前記路面上のひびの状態を解析し、ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、前記解析の結果から予測されるポットホールの発生確率を算出し、算出した前記ポットホールの発生確率を示す情報を出力する。
　本開示に係るプログラムは、路面を撮影した路面画像を取得し、前記路面画像から前記路面上のひびの状態を解析し、ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、前記解析の結果から予測されるポットホールの発生確率を算出し、算出した前記ポットホールの発生確率を示す情報を出力する処理をコンピュータに実行させる。プログラムは、コンピュータが読み取り可能な非一時的な記録媒体に記憶されていてもよい。
　本開示によれば、ポットホールの発生確率を簡単な構成で求めることが可能となる。
ポットホール予測システムに接続される装置の概要を示す図である。 第１実施形態に係るポットホール予測システムの構成例を示すブロック図である。 ひびの検出結果の一例を示す図である。 教師データの例を示す図である。 予測モデルの例を示す図である。 第１実施形態に係るポットホール予測システムの動作例を示すフローチャートである。 アイコンの表示態様を説明する図である。 表示される画面の例を示す図である。 スケールを表示させる出力部の動作例を示すフローチャートである。 第２実施形態に係るポットホール予測システムの構成例を示すブロック図である。 第２実施形態に係るポットホール予測システムの動作例を示すフローチャートである。 表示される画面の例を示す図である。 表示される画面の例を示す図である。 コンピュータのハードウェア構成の例を示すブロック図である。
　路面のひび割れは、線状のひび割れが増加して、拡がっていき、やがては舗装が剥がれて陥没したポットホールへと進行していく。発生したポットホールによる事故を防ぐために、路面の管理者は路面の補修を行う。路面の補修を計画する際に根拠となる情報があると、効率的に計画を作成することができる。
　本開示に係るポットホール予測システムは、路面画像から解析した路面上のひびの状態と、ひびの状態とポットホールの発生との関係を学習した予測モデルとを用いて、ポットホールの発生確率を予測するシステムである。
　なお、本開示に係るポットホール予測システムが対象とする路面は、車両や人が通行する一般的な道路に限られず、車両のテストコース、及び、空港の滑走路や誘導路なども含まれる。すなわち、ポットホール予測システムは、舗装された路面を広く対象としうる。
　図１は、ポットホール予測システム１００と通信ネットワーク３０を介して有線または無線により通信可能に接続される装置の概要を示す図である。ポットホール予測システム１００は、例えば、カメラ１０、ディスプレイ２０、入力機器２１及びデータベース４０と接続される。
　カメラ１０は、路面を含む路面画像を撮影する。カメラ１０が撮影した路面画像は、データベース４０に記憶される。カメラ１０は、例えば、車両に搭載されたドライブレコーダーにより実現される。ただし、カメラの種類はこれには限られず、様々な種類のカメラが用いられてもよい。例えば、路面画像は、自転車やドローン等の他の移動体に搭載されたカメラ、人が持って歩くカメラ、または、道路に設置された固定カメラで撮影されてもよい。路面画像は、移動体が移動中にカメラ１０が連続で撮影した静止画像であっても、動画像であってもよい。路面画像は、人によって撮影されてもよく、自動で撮影されてもよい。
　ディスプレイ２０は、ユーザに情報を表示する。ディスプレイ２０は、例えば、ディスプレイやタブレットなどを含む。ディスプレイ２０は、ポットホール予測システム１００からの出力に応じて様々な情報を表示させる。表示される情報については後述される。
　入力機器２１は、ユーザからの操作を受け付ける。入力機器２１は、例えば、マウスやキーボードなどを含む。ディスプレイ２０がタッチパネルディスプレイである場合は、ディスプレイ２０が入力機器２１として構成されてもよい。
　データベース４０は、地図を記憶する。データベース４０は、さらに、カメラ１０が撮影した路面画像を記憶してもよい。地図を記憶するデータベース４０と、路面画像を記憶するデータベース４０とは、別個に設けられてもよい。
　［第１実施形態］
　図２は、第１実施形態に係るポットホール予測システム１００の構成例を示すブロック図である。第１実施形態に係るポットホール予測システム１００は、取得部１１０、解析部１２０、算出部１３０及び出力部１４０を備える。算出部１３０は、予測モデル記憶部１３１と演算部１３２を備える。
　取得部１１０は、路面を撮影した路面画像を取得する。例えば、取得部１１０は、データベース４０から路面画像を取得する。他の例において、取得部１１０は、カメラ１０から通信ネットワーク３０を介して路面画像を取得してもよい。このとき、ポットホール予測システム１００は、必要に応じてカメラ１０と通信可能に接続される。
　取得部１１０は、路面画像と共に路面画像が撮影された地点の位置情報を取得してもよい。位置情報は、例えば、緯度と経度、ＧＮＳＳ（Global Navigation Satellite System）、ＧＰＳ（Global Positioning System）による位置情報、または、地図上の位置、を含む。
　さらに、取得部１１０は、路面画像と共に、路面画像が撮影された日時を取得してもよい。
　解析部１２０は、取得部１１０が取得した路面画像からひびの状態を解析する。解析部１２０は、例えば、ひびを検出し、検出したひびの状態を解析する。
　例えば、解析部１２０は、路面画像に対して既知の画像認識技術を用いてひびを検出する。解析部１２０は、学習されたモデルを用いてひびを検出してもよい。解析部１２０は、路面画像のピクセルごとに路面劣化であるか否かを判定してもよい。
　図３は、道路を撮影した路面画像からの道路上のひびの検出結果の一例を示す図である。路面画像の撮影範囲は、図３の例には限定されず、例えば縦方向または横方向に狭くても、広くてもよい。例えば、路面画像は、空や道路の両側の歩道や建物を含んでもよい。解析部１２０は、例えば、路面画像内の検出領域Ｆ１に含まれる路面劣化を検出してもよい。検出領域Ｆ１は、路面劣化の検出対象となる領域である。
　解析部１２０は、例えば、路面画像を所定の単位で区切る。そして、解析部１２０は、区切られた単位ごとにひびの検出と解析をしてもよい。解析部１２０は、路面画像のうち、路面劣化の検出が行われる検出領域Ｆ１を所定の大きさのブロックで区切ってもよい。
　解析部１２０による解析結果が示すひびの状態は、路面に生じるひびの進行状態を示すデータである。ひびの状態は、例えば、ひび割れ率、ひびの長さ、ひびの幅、ひびの面積、ひびの形状及びひびの有無を含む。
　ひび割れ率は、例えば、１００×（ひびの面積／路面の面積）によって表される。ひびの面積は任意の方法で計算される。なおひび割れ率の計算方法は特に限定されず、上記の他に既知の計算方法が適用可能である。
　ひびの幅は、所定の範囲における一番広いひびの幅によって表されてもよい。また、ひびの幅は、所定の範囲におけるひびの幅の平均によって表されてもよい。
　ひびの形状は、例えば、検出されたひびが、直線ひびであるか、亀甲ひびであるかを含む。ひびの形状は、所定の形状のひびの有無に応じた数値により表されてもよい。例えば、路面画像に亀甲ひびが含まれる場合が１、亀甲ひびが含まれない場合が０と表されてもよい。
　解析部１２０が解析するひびの状態には、亀甲ひびの量を含んでもよい。亀甲ひびの量は、交差しているひびの量を示す。亀甲ひびの量は、路面画像を所定の単位に区切った場合に、亀甲ひびを含む該単位の数によって表されてもよい。例えば、亀甲ひびの量は、１枚の路面画像をブロックで区切った場合に、亀甲ひびを構成するひびを含むブロックの数である亀甲ひびブロック数によって表される。また、亀甲ひびの量は、亀甲ひびを含むブロックの面積であってもよい。あるいは、亀甲ひびの量は、亀甲ひびを構成するひびの面積により表されてもよい。
　算出部１３０は、ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、解析部１２０による解析結果から予測されるポットホールの発生確率を算出する。ポットホールの発生確率は、所定期間以内にポットホールが発生する確度を示す。所定期間は、例えば、１か月、半年、１年など、適宜設定可能である。発生確率は、０から１の間の数値によって表される。算出された発生確率が高いほど、解析部１２０が解析した路面において、ポットホールが発生する確度が高いことを示す。また、発生確率は、０％から１００％の百分率により表されてもよい。
　算出部１３０が備える予測モデル記憶部１３１は、学習済みの予測モデルを記憶する。算出部１３０が備える演算部１３２は、解析部１２０による解析結果を学習済みの予測モデルに入力し、ポットホールの発生確率を算出する。
　算出部１３０は、例えば、ロジスティック回帰を用いてポットホールの発生確率を算出する。予測モデルの学習フェーズについて説明する。ロジスティック回帰における予測モデルは、数式１の線形回帰式から求めた値ｘを数式２のシグモイド関数に与えることによって表すことができる。
　（数１）
　ｘ＝説明変数１×ｗ1  + 説明変数２×ｗ2 +・・・＋説明変数ｚ×ｗｚ
　（数２）
Figure JPOXMLDOC01-appb-I000001
　数式１は、各説明変数に重みを掛け合わせた線形回帰式である。数式２のｙは目的変数である。説明変数の数は、特に制限されない。説明変数は、少なくとも１つあれば予測を行うことが可能である。数式２のシグモイド関数にｘの値が与えられることで、０から１の間の出力値ｙが得られる。そして、教師データの説明変数に付された０または１のラベルを用いて、重みの学習が行われる。例えば、ポットホールが発生していない場合、ラベル０が付され、ポットホールが発生している場合、ラベル１が付される。出力値ｙとラベルとの誤差が最小となる重みが得られた場合、予測モデルの学習が終了する。
　路面のひびが進行しているほど、雨などの水が路面の内部に浸透しやすくなる。したがって、水により舗装が劣化して、ポットホールが発生しやすくなる。よって、ひびの状態とポットホールの発生とには関係がある。
　図４は、ひびの状態とポットホールの発生との関係を示す教師データの例を示す図である。説明変数として、例えば、複数の地点におけるひび割れ率と、ひびの幅と、亀甲ひびブロック数との値が用いられてもよい。図４の教師データは、それぞれの地点においてポットホールが発生しているか否かを示すラベルを含む。
　図４の教師データを用いる場合の予測モデルについて、図５を用いて説明する。図４の教師データを用いる場合、数式１の式は、次の数式３のように表すことができる。
　（数３）
　ｘ＝ ひび割れ率×ｗ1 + ひびの幅×ｗ2 + 亀甲ひびブロック数×ｗ3
　例えば、地点１のひび割れ率56.7、ひびの幅5.2、亀甲ひびブロック数８の値が数式３に与えられることで、ｘの値が求められる。求められたｘの値を数式２のシグモイド関数に与えることで、例えば０．７などの出力値ｙが得られる。ここで地点１において、ラベルは１であるから、出力値ｙが１に近づくように重みｗ1、ｗ2、ｗ3が調整される。同様に、地点２や地点３などのひび割れ率、ひびの幅、亀甲ひびブロック数の値を用いて、重みｗ1、ｗ2、ｗ3が調整される。したがって、様々な地点で観測されたひび割れ率、ひびの幅、亀甲ひびブロック数から、正確なポットホールの発生確率を予測できる重みｗ1、ｗ2、ｗ3が学習される。
　以上の予測モデルの学習は、算出部１３０において行われても、図示しない他の装置において行われてよい。
　予測モデル記憶部１３１は、こうして学習された予測モデルを記憶する。予測モデルによる推論のフェーズにおいて、演算部１３２は、予測モデル記憶部１３１が記憶する予測モデルに、説明変数として、解析部１２０による解析結果を入力する。演算部１３２は、入力された説明変数に対するポットホールの発生確率の算出結果を出力する。
　例えば、図５に示した予測モデルを用いる場合、解析部１２０は、路面画像から路面上のひびの状態を解析し、解析結果として、ひび割れ率、ひびの幅及び亀甲ひびブロック数を出力する。演算部１３２は、解析部１２０から取得した解析結果の値から数式３のｘの値を得る。演算部１３２は、ｘの値を数式２のシグモイド関数に与えることで、発生確率の予測値ｙを得る。
　以上の例によれば、説明変数としてひび割れ率、ひびの幅及び亀甲ひびブロック数を用いた。しかし、説明変数の種類は適宜選択可能である。例えば、説明変数として、ひび割れ率、ひびの長さ、ひびの幅、ひびの面積、ひびの形状、亀甲ひびの量及びひびの有無のうち少なくとも一つを含む説明変数が用いられてもよい。一つの説明変数を用いて予測される値の精度が不十分である場合、二つ以上の説明変数が用いられればよい。ひび割れ率など、一つの説明変数からは、ポットホールの発生確率の予測が難しい場合にも、ひびの状態を示す複数の説明変数を組み合わせることで、ポットホールの発生確率を予測することが可能となる。
　教師データは、ひびの状態に加えて、道路情報を説明変数として含むデータであってもよい。算出部１３０は、予測モデルを用いて、解析部１２０の解析結果と路面の道路情報とに基づいて、ポットホールの発生確率を算出してもよい。道路情報は、車両が通行する道路の特徴を示す情報である。道路情報は、例えば、交通量、車線の幅員または車線数を含む。交通量は、例えば、所定期間内に路面上を通行する車両の量を表す。交通量は所定以上の重さの車両の量であってもよい。交通量が大きいほど路面の劣化速度は速い。車線の幅員が狭いほど、路面の同じ位置に荷重がかかりやすく、劣化しやすい。また、車線数が少ないほど交通量が集中し、劣化しやすい。したがって、交通量が高いほど、車線の幅員が狭いほど、あるいは、車線数が少ないほどポットホールの発生確率は高く予測される。
　以上、ロジスティック回帰を用いてポットホールの発生確率を算出する場合について説明した。ただし、算出部１３０は、事象の発生確率を予測するその他の予測モデルを用いて、ポットホールの発生確率を算出してもよい。例えば、算出部１３０は、Light GBM (Gradient Boosting Machine)を用いてもよい。
　算出部１３０は、さらに、発生するポットホールの大きさを予測してもよい。このとき、予測モデル記憶部１３１は、ひびの状態に基づいてポットホールの大きさを予測する学習済みモデルを記憶してもよい。演算部１３２は、解析部１２０が解析したひびの状態と、学習済みモデルとに基づいて、ポットホールの大きさを予測する。説明変数となるひびの状態は、例えば、ひび割れ率、ひびの長さまたは亀甲ひびの量である。目的変数となるポットホールの大きさは、例えば、ポットホールの面積、幅、長さ、深さのいずれか、または、これらの組み合わせである。
　出力部１４０は、算出部１３０が算出したポットホールの発生確率を示す情報を出力する。出力部１４０は、ディスプレイ２０への表示を制御する表示制御部であってもよい。出力部１４０は、例えば、ディスプレイ２０にポットホール発生確率の数値を表示させてもよい。
　また、出力部１４０は、ポットホールの発生確率に応じて推定されるポットホールの発生時期を表示させてもよい。出力部１４０は、ポットホールの発生時期として、例えば、１か月以内、３か月以内、１年以内などの期間を表示させる。ポットホールの発生確率と推定されるポットホールの発生時期との対応は、予め定められてもよい。例えば、ポットホールの発生確率が８０％と算出された地点は、１か月以内にポットホールが発生すると推定され、ポットホールの発生確率が６０％～７０％と算出された地点は、２～３か月以内にポットホールが発生すると推定される。こうして、出力部１４０は、予め定められた対応関係に基づいて、ポットホールの発生時期を表示させる。
　出力部１４０は、ポットホールの発生確率の予測に用いられた画像が撮影された路面を示す地図上に、算出されたポットホールの発生確率を示すアイコンを表示させてもよい。例えば、出力部１４０は、データベース４０から地図データを取得する。また、出力部１４０は、例えば、取得部１１０から路面画像が撮影された地点の位置情報を取得する。そして、出力部１４０は、ポットホールの発生確率を示す情報として、地図上にポットホールの発生確率を示すアイコンを表示させる。
　出力部１４０は、算出されたポットホールの発生確率の値が、所定の値以上の地図上の地点にアイコンを表示させてもよい。アイコンを表示させる閾値は、ユーザにより変更可能であってもよい。例えば、ユーザは入力機器２１を介して、アイコンを表示させるか否かの閾値となる値を入力する。このときポットホール予測システム１００は、ポットホールの発生確率の閾値を受け付ける受付部（図示せず）をさらに備えてもよい。出力部１４０は、受付部が受け付けた閾値以上のポットホールの発生確率を示すアイコンを地図上に表示させる。
　図６は、ポットホール予測システム１００の動作例を示すフローチャートである。ポットホール予測システム１００は、入力機器２１を用いたユーザの操作に応じて、図６の動作を開始してもよい。
　取得部１１０は、路面を撮影した路面画像を取得する（ステップＳ１１）。取得部１１０は、取得した画像を解析部１２０に提供する。
　解析部１２０は、取得部１１０が取得した路面画像から路面上のひびの状態を解析する（ステップＳ１２）。解析部１２０は、解析したひびの状態を算出部１３０に提供する。
　算出部１３０は、ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、解析部１２０による解析結果から予測されるポットホールの発生確率を算出する（ステップＳ１３）。算出部１３０は、算出したポットホールの発生確率を出力部１４０に提供する。
　出力部１４０は、算出部１３０が算出したポットホールの発生確率を示す情報を出力する（ステップＳ１４）。例えば、後述する図１２に示すように、出力部１４０は、ポットホールの発生確率の数値をディスプレイ２０に出力する。あるいは、後述する図８に示すように、出力部１４０は、ポットホールの発生確率を示す情報を出力する処理として、ポットホールの発生確率が例えば３０％以上である地図上の地点にアイコンを表示させる。
　以上により、ポットホール予測システム１００は、図６の動作を終了する。
　出力部１４０がディスプレイ２０にポットホールの発生確率を示す情報を表示させる態様についてより詳細に説明する。
　出力部１４０は、ポットホールの発生確率に応じて地図上のアイコンの色を変えてもよい。例えば、アイコンは、発生確率０％から３９％を青色、発生確率４０％から６９％を黄色、発生確率７０％以上を赤色で表示されてもよい。色の種類と色の変化の段階は適宜設計可能である。
　図７は、ポットホールの発生確率に応じたアイコンの表示態様を説明する図である。ポットホールの発生確率を予測した地点を示すアイコンとして、例えば、図７のようなマップピンを用いることができる。ただし、アイコンの形状はマップピンには限定されない。例えば、図７に示したカラースケールバーの色と対応して、アイコンは、発生確率が低いほど薄い色で表示され、発生確率が高いほど濃い色で表示されてもよい。
　図８は、出力部１４０が表示させる画面の例を示す図である。図８の画面は左側に操作メニューを含み、操作メニューの右側に地図を表示させる。操作メニューは、対象期間の表示Ｄ１と、ポットホール表示の切り替えボタンＤ２と、将来予測機能の切り替えボタンＤ３とを含む。将来予測機能については、第２実施形態において説明する。
　対象期間は、解析に用いる複数の路面画像が撮影された期間を示す。例えば、対象期間は、路面画像の撮影日が、画面に入力された基準日から過去９０日以内であることを示す。
　ユーザがポットホール表示の切り替えボタンＤ２を「オン」にした場合、出力部１４０は、算出部１３０によって算出された発生確率を示すアイコンを地図上に表示させる。図８において、ポットホールの発生確率は、３段階の色のアイコンで地図上に表示されている。出力部１４０は、地図中の一部の領域についてだけ、アイコンを表示させてもよい。例えば、出力部１４０は、地図上でユーザが選択した領域についてアイコンを表示させてもよい。
　図８の操作メニューは、さらに、表示するアイコンの絞り込み操作を行うためのユーザインタフェースＤ４を含む。図８において、アイコンを表示させる地点は、ポットホールの発生確率が「３０％以上」の地点に絞り込まれている。ユーザは、入力機器２１を介して、アイコンを表示させるか否かの閾値となる値を適宜設定することができる。例えば、ユーザは、閾値を数値で入力してもよい。また、ユーザは、図８のスケールＤ６の値を示す矢印Ｄ５を左右に移動させることで、閾値を設定してもよい。このようにユーザが閾値を設定することで、ユーザは、ポットホールが発生する確率が高い地点を即座に確認することができる。
　さらに、出力部１４０は、地図上のアイコンの選択を受け付けた場合、選択されたアイコンが示すポットホールの発生確率を表す図形を表示させてもよい。例えば、出力部１４０は、ポットホールの発生確率を表す図形として、ポットホールの発生確率の大きさを示す基準を表す図形を表示させる。ポットホールの発生確率の基準を表す図形は、スケールとも呼ばれる。スケールの基準点（例えばスケールの両端）には、ポットホールの発生確率の基準値（例えば０％と１００％）が設定される。
　例えば、出力部１４０は、地図上のアイコンがスケール上の値を指し示すように、スケールを地図上に表示させてもよい。地図上のアイコンがスケール上の値を指し示すことで、スケールは、ポットホールの発生確率の値を表す。
　出力部１４０が表示させるスケールは、地図上のアイコンの色が示すポットホールの発生確率を表すカラースケール凡例であってもよい。出力部１４０は、カラースケール凡例を、地図上のアイコンの色とスケール上の色が対応する位置に表示させてもよい。
　また、出力部１４０は、選択された地図上のアイコンとは別に表示されたアイコンによって、スケール上の値を指し示すスケールを表示させてもよい。図８に示すように、出力部１４０は、選択されたアイコンＤ１０について、スケールＤ９とスケール上の値を示すアイコンＤ８とを地図上にポップアップ表示させてもよい。ポップアップ領域Ｄ７において、例えば、選択されたアイコンＤ１０と同じ色のアイコンＤ８が、スケールＤ９上の値を指し示す。なお、出力部１４０が、地図上のアイコンとは別に、スケール上の値を示すアイコンを表示させる場合、スケール上の値を示すアイコンは、矢印や線など地図上のアイコンとは異なる図形であってもよい。
　ポットホールの発生確率が少ない段階の色で表示される場合に、出力部１４０が、スケールをアイコンと対応させて表示させることで、ユーザは地図上のアイコンよりも詳細に、予測された発生確率を把握することができる。また、ポットホールの発生確率が多段階の色で表示される場合にも、出力部１４０がスケールを表示させることで、ユーザはアイコンの色が示す発生確率をスケール上で確認することができる。
　図９は、スケールを表示させる出力部１４０の動作例を示すフローチャートである。例えば、図６におけるステップＳ１３の後、ポットホールの発生確率を受信した出力部１４０は、図９の動作を開始する。
　出力部１４０は、ポットホールの発生確率を示すアイコンを地図上に重畳して表示させる（ステップＳ２１）。その後、出力部１４０は、ユーザが入力機器２１を用いて選択した地図上のアイコンの選択を受け付ける（ステップＳ２２）。
　そして、出力部１４０は、選択されたアイコンが示す発生確率と、スケール上の発生確率の位置を対応させて、スケールを表示させる（ステップＳ２３）。以上により、出力部１４０は、図９の動作を終了する。
　また、出力部１４０は、ポットホールの発生確率をアイコン以外の方法で、地図上にポットホールの発生確率を表示させてもよい。例えば、出力部１４０は、メッシュ状に区切られた地図上の領域や、所定の区間ごとに区切られた道路の領域を、その領域におけるポットホールの発生確率に応じた色で表示させる。
　出力部１４０は、地図上に、ポットホールの発生確率に加えて、路面区間ごとに路面の劣化度をさらに表示させてもよい。例えば、出力部１４０は、劣化度に応じて異なる色の矢印などのアイコンを路面区間ごとに表示させてもよい。
　出力部１４０は、複数の地点の発生確率を示す情報の概要を表示させて、選択された地点について、より詳細な情報を表示させてもよい。出力部１４０は、詳細な情報として、当該地点の路面画像と、路面画像の撮影日時と、ひびの状態の解析結果と、算出されたポットホールの発生確率の値とをさらに表示させてもよい。出力部１４０は、例えば、解析部１２０が解析に用いた路面画像を表示させる。路面画像とポットホールの発生確率とが並べて表示されることで、ユーザは、ポットホールの発生確率の数値が示すひびの程度を簡単に把握することができる。また、出力部１４０は、例えば、取得部１１０が取得した撮影日時を表示させる。算出部１３０が発生するポットホールの大きさを予測する場合、出力部１４０は、予測されたポットホールの大きさをさらに表示させてもよい。
　第１実施形態に係る解析部１２０は、路面画像から路面上のひびの状態を解析する。そして、算出部１３０が、ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、解析結果から予測されるポットホールの発生確率を算出する。したがって、第１実施形態によれば、ポットホールの発生確率を簡単な構成で求めることができる。
　例えば、第１実施形態によれば、ドライブレコーダーが撮影した路面画像から解析されるひびの情報に基づいてポットホールの発生確率を求めることができる。したがって、スリットレーザを用いて局所沈下量や平均プロファイル深さを測定する必要はない。よって、ポットホールの発生確率を簡単な構成で求めることができる。
　また、第１実施形態によれば、ポットホール発生の主要因の一つであるひびの情報に基づいてポットホールの発生を予測することで、精度よくポットホールの発生を予測することが可能となる。
　さらに、第１実施形態によれば、出力部１４０が算出されたポットホールの発生確率を示す情報を出力するから、ユーザは、出力された情報に応じて、路面の補修計画を効率的に検討することができる。
　［第２実施形態］
　図１０は、第２実施形態に係るポットホール予測システム２００の構成例を示すブロック図である。ポットホール予測システム２００は、ひび予測部１２１を備える点で、第１実施形態に係るポットホール予測システム１００と相違する。第２の実施形態の構成について、第１の実施形態と同様の構成については、説明を一部省略する。
　ひび予測部１２１は、解析部１２０による解析結果に基づいて、路面画像が撮影された路面の将来のひびの状態を予測する。ひび予測部１２１は、路面画像が撮影された時点から所定期間経過後のひびの状態を予測する。所定期間は、例えば半年、１年または２年など、適宜設定される。ひび予測部１２１は、ユーザにより指定された将来の時点のひびの状態を予測してもよい。また、ひび予測部１２１は、将来の複数の時点におけるひびの状態を予測してもよい。
　将来のひびの状態の予測方法は特に限定されない。ひび予測部１２１は、既存の技術を用いて将来のひびの状態を予測してもよい。ひび予測部１２１は、例えば、解析部１２０が解析したひび割れ率、ひびの幅、ひびの面積、または、亀甲ひびの量に基づいて、将来のひび割れ率、ひびの幅、ひびの面積、または、亀甲ひびの量を予測する。ひび予測部１２１は、解析部１２０による解析結果に加えて、路面の道路情報や天候情報など他の情報に基づいて、将来のひびの状態を予測してもよい。
　算出部１３０は、例えば、第１実施形態に係る予測モデルと同じ予測モデルを用いて、ひび予測部１２１の予測結果から予測されるポットホールの発生確率を算出する。
　出力部１４０は、算出されたポットホールの発生確率を示す情報を出力する。出力部１４０は、例えば、ディスプレイ２０に将来のひび割れの状態に基づいて算出されたポットホールの発生確率の数値を表示させてもよい。また、出力部１４０は、地図上に、算出されたポットホールの発生確率を示すアイコンを表示させてもよい。例えば、図８において、将来予測機能の切り替えボタンＤ３が押された場合、出力部１４０は、将来のひびの状態に基づくポットホールの発生確率を示すアイコンを表示させる。出力部１４０は、さらに、選択された地点について、ひび予測部１２１が予測した将来のひびの状態を表示させてもよい。
　出力部１４０は、ポットホールの発生確率の時間変化を表すグラフを表示させてもよい。このとき、ポットホール予測システム２００は、図示しないグラフ生成部を備えてもよい。グラフ生成部は、出力部１４０から算出されたポットホールの発生確率を取得し、プロットする。そしてグラフ生成部は、出力部１４０に生成したグラフを提供する。
　また、出力部１４０は、将来のひびの状態を表す予測画像を表示させてもよい。このとき、ポットホール予測システム２００は、図示しない画像生成部を備えてもよい。画像生成部は、取得部１１０が取得した路面画像を用いて、ひびを進行させた予測画像を生成する。画像生成部は、例えば、ひび予測部１２１が予測した将来のひびの状態に応じて、予測画像を生成する。
　図１１は、第２実施形態に係るポットホール予測システム２００の動作例を示すフローチャートである。例えば、ポットホール予測システム２００は、図６に示したステップＳ１１からステップＳ１４の動作を行う。
　ステップＳ１４の後、ユーザが将来予測機能の切り替えボタンＤ３を「オン」にした場合（ステップＳ３１：Ｙｅｓ）、ひび予測部１２１は、解析部１２０による解析結果に基づいて、路面画像が撮影された路面の将来のひびの状態を予測する（ステップＳ３２）。ひび予測部１２１は、予測結果を算出部１３０に提供する。
　算出部１３０は、予測モデルを用いて、ひび予測部１２１の予測結果から予測されるポットホールの発生確率を算出する（ステップＳ３３）。算出部１３０は、算出したポットホールの発生確率を出力部１４０に出力する。
　出力部１４０は、将来のひびの状態から予測されるポットホールの発生確率を示す情報を出力する（ステップＳ３４）。例えば、出力部１４０はディスプレイ２０にポットホールの発生確率を示す情報を表示させる。
　以上により、ポットホール予測システム２００は、図１１の動作を終了する。
　図１２及び図１３は、出力部１４０が表示させる画面の例を示す図である。図１２は、撮影された路面画像に基づく情報を表示する画面である。図１３は、将来のひびの状態に基づく情報を表示する画面である。図１２の画面は、例えば、ユーザが地図上の所定の地点を選択した場合に表示される。図１２の「将来予測」ボタンを押して表示されるプルダウンリストから、「１年後」が選択された場合、図１３の画面が表示される。
　図１２の画面において、解析部１２０の解析結果から算出されたポットホールの発生確率の値が現在のポットホールの発生確率として表示されている。また、図１２の画面は、解析部１２０の解析結果と、解析された路面を示す路面画像と、現在のポットホールの発生確率をプロットしたグラフとを含む。他の例において、出力部１４０は、過去の路面画像に基づいて算出されたポットホールの発生確率をさらにプロットしてもよい。
　図１３の画面において、ひび予測部１２１が予測した将来のひびの状態から算出されたポットホールの発生確率の値が、１年後のポットホールの発生確率として表示されている。また、図１３の画面は、ひび予測部１２１が予測した将来のひびの状態と１年後の予測画像とを含む。さらに、図１３の画面は、現在のポットホールの発生確率と、１年後のポットホールの発生確率をプロットしたグラフを含む。
　第２実施形態によれば、ひび予測部１２１が、路面の将来のひびの状態を予測し、算出部１３０が、ひび予測部１２１の予測結果から予測されるポットホールの発生確率を算出する。したがって、第２実施形態によれば、将来のひびの状態に基づいたポットホールの発生確率を求めることができる。よって、ユーザは、将来のひびの進行を考慮して、より長期の補修の必要性を検討することができる。例えば、ユーザは、第１実施形態による出力に基づいて今期の補修計画を立てて、第２実施形態による出力に基づいて次期の計画を立てることができる。
　また、第２実施形態によれば、出力部１４０が、路面画像から解析されたひびの状態に基づくポットホールの発生確率と、将来のひびの状態に基づいたポットホールの発生確率とを出力する。したがって、ユーザは、ポットホールの発生確率の増加度合いを考慮して路面の補修を計画することができる。
　以上、各実施形態の説明を終了する。
　［変形例］
　各実施形態は、変形して用いられてもよい。
　例えば、ポットホール予測システム１００は、補修地点決定部をさらに備えてもよい。補修地点決定部は、例えば、ポットホールの発生確率が所定の閾値を超える地点を補修が必要な地点と決定する。また、補修地点決定部は、ポットホールの発生確率が所定の閾値を超える地点の数が所定の閾値を超える領域を、補修が必要な領域として決定してもよい。出力部１４０は、決定された地点を示す情報を出力する。
　例えば、補修地点決定部は、補修を行う地点として予め定められた地点を含む補修計画を取得する。そして、補修地点決定部は、ポットホールの発生確率が所定の閾値を超えているにも関わらず、補修計画に含まれていない地点を決定する。これによりユーザは補修計画になかった地点の補修を検討することができる。
　ポットホール予測システム１００は、さらに、補修優先度決定部を備えてもよい。補修優先度決定部は、算出部１３０が算出したポットホールの発生確率と他のパラメータとに基づいて、路面の補修優先度を決定する。出力部１４０は、補修優先度が高い地点を地図上に表示させる。
　補修優先度決定部は、ポットホールの発生確率が所定の閾値を超える地点は、優先度が高いと決定する。補修優先度決定部は、さらに、他のパラメータとして路面の交通量に基づいて、路面の補修優先度を決定してもよい。例えば、ポットホールの発生確率が同じ地点があった場合、補修優先度決定部は、より交通量の高い地点の補修優先度を高く決定してもよい。
　また、他のパラメータとして、補修優先度決定部は、ひびの状態の解析結果、道路の幅の情報またはう回路の有無に基づいて、補修優先度を決定してもよい。
　［ハードウェア構成］
　上述した実施形態において、ポットホール予測システム１００、２００の各構成要素は、機能単位のブロックを示している。ポットホール予測システム１００、２００の各構成要素の一部又は全部は、コンピュータ５００とプログラムとの任意の組み合わせにより実現されてもよい。
　図１４は、コンピュータ５００のハードウェア構成の例を示すブロック図である。図１４を参照すると、コンピュータ５００は、例えば、プロセッサ５０１、ＲＯＭ（Read Only Memory）５０２、ＲＡＭ（Random Access Memory）５０３、プログラム５０４、記憶装置５０５、ドライブ装置５０７、通信インタフェース５０８、入力装置５０９、入出力インタフェース５１１、及び、バス５１２を含む。
　プロセッサ５０１は、コンピュータ５００の全体を制御する。プロセッサ５０１は、例えば、ＣＰＵ（Central Processing Unit）などが挙げられる。プロセッサ５０１の数は特に限定されず、プロセッサ５０１は、１または複数である。
　プログラム５０４は、ポットホール予測システム１００、２００の各機能を実現するための命令（instruction）を含む。プログラム５０４は、予め、ＲＯＭ５０２やＲＡＭ５０３、記憶装置５０５に格納される。プロセッサ５０１は、プログラム５０４に含まれる命令を実行することにより、ポットホール予測システム１００、２００の各機能を実現する。また、ＲＡＭ５０３は、ポットホール予測システム１００、２００の各機能において処理されるデータを記憶してもよい。例えば、コンピュータ５００のＲＡＭ５０３に、路面画像を記憶してもよい。
　ドライブ装置５０７は、記録媒体５０６の読み書きを行う。通信インタフェース５０８は、通信ネットワークとのインタフェースを提供する。入力装置５０９は、例えば、マウスやキーボード等であり、ユーザ等からの情報の入力を受け付ける。出力装置５１０は、例えば、ディスプレイであり、ユーザ等へ情報を出力（表示）する。入出力インタフェース５１１は、周辺機器とのインタフェースを提供する。バス５１２は、これらハードウェアの各構成要素を接続する。なお、プログラム５０４は、通信ネットワークを介してプロセッサ５０１に供給されてもよいし、予め、記録媒体５０６に格納され、ドライブ装置５０７により読み出され、プロセッサ５０１に供給されてもよい。
　なお、図１４に示されているハードウェア構成は例示であり、これら以外の構成要素が追加されていてもよく、一部の構成要素を含まなくてもよい。
　ポットホール予測システム１００、２００の実現方法には、様々な変形例がある。例えば、ポットホール予測システム１００、２００は、構成要素毎にそれぞれ異なるコンピュータとプログラムとの任意の組み合わせにより実現されてもよい。また、ポットホール予測システム１００、２００が備える複数の構成要素が、一つのコンピュータとプログラムとの任意の組み合わせにより実現されてもよい。
　また、ポットホール予測システム１００、２００の少なくとも一部がＳａａＳ（Software as a Service）形式で提供されてよい。すなわち、ポットホール予測システム１００、２００を実現するための機能の少なくとも一部が、ネットワーク経由で実行されるソフトウェアによって実行されてよい。
　以上、実施形態を参照して本開示を説明したが、本開示は上記実施形態に限定されるものではない。本開示の構成や詳細には、本開示のスコープ内で当業者が理解し得る様々な変更をすることができる。また、各実施形態における構成は、本開示のスコープを逸脱しない限りにおいて、互いに組み合わせることが可能である。
　上記実施形態の一部または全部は、以下の付記のように記載され得るが、以下には限られない。
　［付記１］
　路面を撮影した路面画像を取得する取得手段と、
　前記路面画像から前記路面上のひびの状態を解析する解析手段と、
　ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、前記解析手段による解析結果から予測されるポットホールの発生確率を算出する算出手段と、
　算出された前記ポットホールの発生確率を示す情報を出力する出力手段と、
　を備えるポットホール予測システム。
　［付記２］
　前記解析結果は、ひび割れ率、ひびの長さ、ひびの幅、ひびの面積、ひびの形状、亀甲ひびの量、ひびの有無のうち少なくとも一つを含む
　付記１に記載のポットホール予測システム。
　［付記３］
　前記解析結果は、ひび割れ率、ひびの幅及び亀甲ひびの量を含む
　付記２に記載のポットホール予測システム。
　［付記４］
　前記亀甲ひびの量は、前記路面画像を所定の単位に区切った場合に亀甲ひびを含む前記単位の数である
　付記３に記載のポットホール予測システム。
　［付記５］
　前記解析結果に基づいて、前記路面の将来のひびの状態を予測するひび予測手段をさらに備え、
　前記算出手段は、前記ひび予測手段の予測結果から予測されるポットホールの発生確率を算出する
　付記１乃至４のいずれか１つに記載のポットホール予測システム。
　［付記６］
　前記出力手段は、前記路面を示す地図上に、算出された前記ポットホールの発生確率を示すアイコンを表示させる
　付記１乃至５のいずれか１つに記載のポットホール予測システム。
　［付記７］
　前記出力手段は、地図上の前記アイコンの選択を受け付けた場合、選択された前記アイコンが示す前記ポットホールの発生確率の基準を表す図形を表示させる
　付記６に記載のポットホール予測システム。
　［付記８］
　前記ポットホールの発生確率の閾値を受け付ける受付手段をさらに備え、
　前記出力手段は、受け付けた前記閾値以上の前記ポットホールの発生確率を示す前記アイコンを表示させる
　付記６または７に記載のポットホール予測システム。
　［付記９］
　前記教師データは、ひびの状態に加えて、道路情報を説明変数として含むデータであり、
　前記算出手段は、前記解析結果と前記路面の道路情報とに基づいて、前記ポットホールの発生確率を算出する
　付記１乃至８のいずれか１つに記載のポットホール予測システム。
　［付記１０］
　路面を撮影した路面画像を取得し、
　前記路面画像から前記路面上のひびの状態を解析し、
　ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、前記解析の結果から予測されるポットホールの発生確率を算出し、
　算出した前記ポットホールの発生確率を示す情報を出力する、
　ポットホール予測方法。
　［付記１１］
　路面を撮影した路面画像を取得し、
　前記路面画像から前記路面上のひびの状態を解析し、
　ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、前記解析の結果から予測されるポットホールの発生確率を算出し、
　算出した前記ポットホールの発生確率を示す情報を出力する、
　処理をコンピュータに実行させるプログラムを非一時的に記録する記録媒体。
　１００　　ポットホール予測システム
　１１０　　取得部
　１２０　　解析部
　１３０　　算出部
　１３１　　予測モデル記憶部
　１３２　　演算部
　１４０　　出力部
　１０　　カメラ
　２０　　ディスプレイ
　２１　　入力機器
　３０　　通信ネットワーク
　４０　　データベース

Claims (11)

  1. 　路面を撮影した路面画像を取得する取得手段と、
    　前記路面画像から前記路面上のひびの状態を解析する解析手段と、
    　ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、前記解析手段による解析結果から予測されるポットホールの発生確率を算出する算出手段と、
    　算出された前記ポットホールの発生確率を示す情報を出力する出力手段と、
    　を備えるポットホール予測システム。
  2. 　前記解析結果は、ひび割れ率、ひびの長さ、ひびの幅、ひびの面積、ひびの形状、亀甲ひびの量及びひびの有無のうち少なくとも一つを含む
    　請求項１に記載のポットホール予測システム。
  3. 　前記解析結果は、ひび割れ率、ひびの幅及び亀甲ひびの量を含む
    　請求項２に記載のポットホール予測システム。
  4. 　前記亀甲ひびの量は、前記路面画像を所定の単位に区切った場合に亀甲ひびを含む前記単位の数である
    　請求項３に記載のポットホール予測システム。
  5. 　前記解析結果に基づいて、前記路面の将来のひびの状態を予測するひび予測手段をさらに備え、
    　前記算出手段は、前記ひび予測手段の予測結果から予測されるポットホールの発生確率を算出する
    　請求項１乃至４のいずれか１項に記載のポットホール予測システム。
  6. 　前記出力手段は、前記路面を示す地図上に、算出された前記ポットホールの発生確率を示すアイコンを表示させる
    　請求項１乃至５のいずれか１項に記載のポットホール予測システム。
  7. 　前記出力手段は、地図上の前記アイコンの選択を受け付けた場合、選択された前記アイコンが示す前記ポットホールの発生確率の基準を表す図形を表示させる
    　請求項６に記載のポットホール予測システム。
  8. 　前記ポットホールの発生確率の閾値を受け付ける受付手段をさらに備え、
    　前記出力手段は、受け付けた前記閾値以上の前記ポットホールの発生確率を示す前記アイコンを表示させる
    　請求項６または７に記載のポットホール予測システム。
  9. 　前記教師データは、ひびの状態に加えて、道路情報を説明変数として含むデータであり、
    　前記算出手段は、前記解析結果と前記路面の道路情報とに基づいて、前記ポットホールの発生確率を算出する
    　請求項１乃至８のいずれか１項に記載のポットホール予測システム。
  10. 　路面を撮影した路面画像を取得し、
    　前記路面画像から前記路面上のひびの状態を解析し、
    　ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、前記解析の結果から予測されるポットホールの発生確率を算出し、
    　算出した前記ポットホールの発生確率を示す情報を出力する、
    　ポットホール予測方法。
  11. 　路面を撮影した路面画像を取得し、
    　前記路面画像から前記路面上のひびの状態を解析し、
    　ひびの状態とポットホールの発生との関係を示すデータを教師データとして学習された予測モデルを用いて、前記解析の結果から予測されるポットホールの発生確率を算出し、
    　算出した前記ポットホールの発生確率を示す情報を出力する、
    　処理をコンピュータに実行させるプログラムを非一時的に記録する記録媒体。
PCT/JP2022/023611 2022-06-13 2022-06-13 ポットホール予測システム、ポットホール予測方法及び記録媒体 WO2023242897A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/023611 WO2023242897A1 (ja) 2022-06-13 2022-06-13 ポットホール予測システム、ポットホール予測方法及び記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/023611 WO2023242897A1 (ja) 2022-06-13 2022-06-13 ポットホール予測システム、ポットホール予測方法及び記録媒体

Publications (1)

Publication Number Publication Date
WO2023242897A1 true WO2023242897A1 (ja) 2023-12-21

Family

ID=89192556

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/023611 WO2023242897A1 (ja) 2022-06-13 2022-06-13 ポットホール予測システム、ポットホール予測方法及び記録媒体

Country Status (1)

Country Link
WO (1) WO2023242897A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018060427A (ja) * 2016-10-06 2018-04-12 富士通株式会社 路面状況検出プログラム及び路面状況検出装置
WO2021193148A1 (ja) * 2020-03-27 2021-09-30 日本電気株式会社 道路劣化診断装置、道路劣化診断システム、道路劣化診断方法、及び、記録媒体
JP2021170298A (ja) * 2020-04-17 2021-10-28 エヌ・ティ・ティ・コムウェア株式会社 道路不具合検出装置、道路不具合検出方法及び道路不具合検出プログラム
JP2021169705A (ja) * 2020-04-14 2021-10-28 Ｋｙｂ株式会社 学習済みモデル生成方法および路面性状判定装置
JP2022012710A (ja) * 2020-07-02 2022-01-17 一般社団法人ヤマトグループ総合研究所 道路損傷検出装置、道路損傷検出システム、及び道路損傷検出方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018060427A (ja) * 2016-10-06 2018-04-12 富士通株式会社 路面状況検出プログラム及び路面状況検出装置
WO2021193148A1 (ja) * 2020-03-27 2021-09-30 日本電気株式会社 道路劣化診断装置、道路劣化診断システム、道路劣化診断方法、及び、記録媒体
JP2021169705A (ja) * 2020-04-14 2021-10-28 Ｋｙｂ株式会社 学習済みモデル生成方法および路面性状判定装置
JP2021170298A (ja) * 2020-04-17 2021-10-28 エヌ・ティ・ティ・コムウェア株式会社 道路不具合検出装置、道路不具合検出方法及び道路不具合検出プログラム
JP2022012710A (ja) * 2020-07-02 2022-01-17 一般社団法人ヤマトグループ総合研究所 道路損傷検出装置、道路損傷検出システム、及び道路損傷検出方法

Similar Documents

Publication Publication Date Title
JP6955941B2 (ja) 構造物点検支援システム
JP6490003B2 (ja) 道路管理システム及び方法、道路情報収集装置及びプログラム、並びに、道路情報管理装置及びプログラム
JP7517489B2 (ja) 路面検査装置、路面検査方法、およびプログラム
WO2021199915A1 (ja) 劣化表示システム、劣化表示方法と記録媒体
US20220101272A1 (en) System and Method for Optimized Road Maintenance Planning
JP6960168B2 (ja) リアルタイム浸水ハザードマッピングのための現地情報同化装置及び方法並びにプログラム
Hanibuchi et al. Virtual audits of streetscapes by crowdworkers
JP7444613B2 (ja) 道路管理システム、道路管理方法、及びプログラム
JP6678267B1 (ja) 道路不具合検出装置、道路不具合検出方法及び道路不具合検出プログラム
JP2015176534A (ja) 抽出方法、推奨方法、情報処理装置及び道路補修工法決定支援方法
EP4273501A1 (en) Method, apparatus, and computer program product for map data generation from probe data imagery
Astor et al. Unmanned aerial vehicle implementation for pavement condition survey
Makarov et al. A framework for real-time compaction guidance system based on compaction priority mapping
JP6492678B2 (ja) 道路工事計画プログラム、道路工事計画方法および情報処理装置
Hamim et al. Developing empirical model with graphical tool to estimate and predict capacity of rural highway roundabouts
WO2023242897A1 (ja) ポットホール予測システム、ポットホール予測方法及び記録媒体
KR20220138894A (ko) 노면표시 정보의 예측 및 인식방법 및 도로 유지관리 방법
JP6575066B2 (ja) 道路工事計画プログラム、道路工事計画方法および情報処理装置
JP6892197B1 (ja) 劣化表示システム、劣化表示方法、及び、プログラム
Larson et al. Application of analytic hierarchy process to select project scope for videologging and pavement condition data collection
Mace et al. Traffic signs in complex visual environments
JP6738513B2 (ja) 舗装の維持修繕計画策定支援装置及び支援方法
WO2023042238A1 (ja) 画像生成システム、画像生成方法、及び、記録媒体
WO2023135749A1 (ja) 劣化推定システム、劣化推定方法、及び、記録媒体
JP7334851B2 (ja) 劣化診断装置、劣化診断システム、劣化診断方法、及び、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: 22946717

Country of ref document: EP

Kind code of ref document: A1