JP7261026B2 - Deterioration level determination device, deterioration level determination method, and program - Google Patents
Deterioration level determination device, deterioration level determination method, and program Download PDFInfo
- Publication number
- JP7261026B2 JP7261026B2 JP2019018514A JP2019018514A JP7261026B2 JP 7261026 B2 JP7261026 B2 JP 7261026B2 JP 2019018514 A JP2019018514 A JP 2019018514A JP 2019018514 A JP2019018514 A JP 2019018514A JP 7261026 B2 JP7261026 B2 JP 7261026B2
- Authority
- JP
- Japan
- Prior art keywords
- deterioration level
- deterioration
- determination
- unit
- determination target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000006866 deterioration Effects 0.000 title claims description 650
- 238000000034 method Methods 0.000 title claims description 27
- 238000011156 evaluation Methods 0.000 claims description 95
- 238000004422 calculation algorithm Methods 0.000 claims description 83
- 238000010801 machine learning Methods 0.000 claims description 56
- 230000015556 catabolic process Effects 0.000 claims description 53
- 238000006731 degradation reaction Methods 0.000 claims description 53
- 238000013500 data storage Methods 0.000 claims description 23
- 238000009825 accumulation Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 description 37
- 238000012545 processing Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000006735 deficit Effects 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
- Working Measures On Existing Buildindgs (AREA)
- Length Measuring Devices By Optical Means (AREA)
Description
本発明は、建造物の劣化レベルを判定する劣化レベル判定装置等に関するものである。 TECHNICAL FIELD The present invention relates to a deterioration level determination device and the like for determining the deterioration level of a building.
従来、建造物を構成する部材の劣化状況を、巡視点検の現場などで直感的に把握できるように支援する装置が存在した(例えば、特許文献1参照)。 2. Description of the Related Art Conventionally, there has been a device that assists in intuitively grasping the state of deterioration of members that constitute a building at the site of a patrol inspection or the like (see, for example, Patent Literature 1).
しかし、上記のような従来技術では、建造物の劣化レベルを自動判定できなかった。 However, the above-described conventional technology cannot automatically determine the deterioration level of a building.
本第一の発明の劣化レベル判定装置は、建造物の劣化箇所を撮影した教師画像と劣化レベルとの対応である2以上の教師データから取得された学習情報が格納される学習情報格納部と、判定対象の建造物の画像である判定対象画像を取得する判定対象画像取得部と、学習情報に判定対象画像を適用し、劣化レベルを取得する劣化レベル取得部と、劣化レベルを出力する出力部とを具備する劣化レベル判定装置である。 The deterioration level determination device of the first invention comprises a learning information storage unit storing learning information acquired from two or more teacher data corresponding to teacher images of deteriorated parts of a building and deterioration levels. , a determination target image acquisition unit that acquires a determination target image that is an image of a building to be determined, a deterioration level acquisition unit that applies the determination target image to learning information and acquires a deterioration level, and an output that outputs the deterioration level and a deterioration level determination device.
かかる構成により、建造物の劣化レベルを自動判定できる。 With such a configuration, the deterioration level of the building can be automatically determined.
また、本第二の発明の劣化レベル判定装置は、第一の発明に対して、2以上の教師データが格納される教師データ格納部をさらに具備し、劣化レベル取得部は、2以上の各教師画像ごとに、教師画像の少なくとも一部から2以上の特徴量の組である教師特徴量群を取得する教師特徴量群取得手段と、教師特徴量群取得手段が取得した2以上の教師特徴量群を用いて、2以上の特徴量と劣化レベルとの対応に関する学習情報を取得し、学習情報格納部に蓄積する学習情報取得手段と、判定対象画像の少なくとも一部から2以上の特徴量の組である判定対象特徴量群を取得する判定対象特徴量群取得手段と、判定対象特徴量群を学習情報に適用し、判定対象特徴量群に対応する劣化レベルを取得する劣化レベル取得手段とを具備する劣化レベル判定装置である。 In addition, the deterioration level determination device of the second invention, in contrast to the first invention, further comprises a teacher data storage unit for storing two or more teacher data, and the deterioration level acquisition unit includes two or more each a teacher feature quantity group acquiring means for acquiring, for each teacher image, a teacher feature quantity group that is a set of two or more feature quantities from at least a part of the teacher image; and two or more teacher features acquired by the teacher feature quantity group acquiring means. learning information acquiring means for acquiring learning information relating to correspondence between two or more feature quantities and deterioration levels using the quantity group and storing the learning information in a learning information storage; Determination target feature quantity group acquisition means for acquiring a determination target feature quantity group that is a set of; and deterioration level acquisition means for applying the determination target feature quantity group to learning information and acquiring a deterioration level corresponding to the determination target feature quantity group and a deterioration level determination device.
かかる構成により、建造物の劣化レベルを学習により自動判定できる。 With such a configuration, the deterioration level of the building can be automatically determined by learning.
なお、上記のような劣化レベル取得部において、教師特徴量群取得手段と学習情報取得手段とで学習部が構成され、判定対象特徴量群取得手段と劣化レベル取得手段とで自動判定部が構成されてもよい。また、劣化レベル判定部は、学習部を有さず、自動判定部のみを有していてもよく、その場合は、建造物の劣化レベルを事前の学習により自動判定できる。 In the deterioration level acquisition unit as described above, the learning unit is configured by the teacher feature group acquisition unit and the learning information acquisition unit, and the automatic determination unit is configured by the determination target feature group acquisition unit and the deterioration level acquisition unit. may be Further, the deterioration level determination unit may have only an automatic determination unit without the learning unit. In that case, the deterioration level of the building can be automatically determined by prior learning.
また、本第三の発明の劣化レベル判定装置は、第二の発明に対して、学習情報取得手段は、教師特徴量群取得手段が取得した2以上の教師特徴量群を用いて、機械学習のアルゴリズムにより、2以上の特徴量を入力とし、劣化レベルを出力とする学習器である学習情報を構成し、劣化レベル取得手段は、判定対象特徴量群を学習器に入力し、学習器から出力される劣化レベルを取得する劣化レベル判定装置である。
Further, in the deterioration level determination device of the third invention, in contrast to the second invention, the learning information acquisition means uses two or more teacher feature amount groups acquired by the teacher feature amount group acquisition means to perform
かかる構成により、建造物の劣化レベルを、学習器を用いた機械学習により自動判定できる。 With such a configuration, the deterioration level of a building can be automatically determined by machine learning using a learner.
また、本第四の発明の劣化レベル判定装置は、第三の発明に対して、判定対象画像と劣化レベルとの対応である判定結果データと、当該判定対象画像に対するユーザによる評価であるユーザ評価とを有する1以上の組情報が格納される組情報格納部と、組情報格納部に格納されている1以上の各判定結果データを構成する判定対象画像が予め決められた第一条件を満たすか否かを判断する第一判断部と、第一条件を満たす1以上の各判定対象画像に対するユーザ評価を受け付ける受付部と、第一条件を満たす1以上の各判定対象画像に対して受付部が受け付けたユーザ評価を、当該判定対象画像が構成する判定結果データに対応付けて蓄積することにより、組情報格納部において、第一条件を満たす判定対象画像を含む判定結果データと、当該判定対象画像に対するユーザ評価とを有する1以上の組情報を構成する第二蓄積部と、組情報格納部に格納されている1以上の組情報を用いて、機械学習のアルゴリズムにより学習器を再構成する再構成部をさらに具備する劣化レベル判定装置である。 Further, in contrast to the third invention, the deterioration level determination apparatus of the fourth invention includes determination result data that is correspondence between the determination target image and the deterioration level, and user evaluation that is the user's evaluation of the determination target image. and a determination target image constituting one or more determination result data stored in the set information storage unit satisfies a predetermined first condition. a first judging unit for judging whether a By accumulating the received user evaluation in association with the determination result data composed of the determination target image, the determination result data including the determination target image satisfying the first condition and the determination target Reconfigure a learning device by a machine learning algorithm using a second accumulation unit that configures one or more sets of information including user evaluations of images and one or more sets of information stored in the set information storage unit. The deterioration level determination device further includes a reconstruction unit.
かかる構成により、第一条件を満たす判定対象画像に対するユーザ評価を用いて学習器を再構成することで、第一条件を満たす判定対象画像に対応する建物の劣化レベルを高い精度で自動判定できるようになる。 With this configuration, by reconfiguring the learning device using the user evaluation of the determination target image that satisfies the first condition, the deterioration level of the building corresponding to the determination target image that satisfies the first condition can be automatically determined with high accuracy. become.
また、本第五の発明の劣化レベル判定装置は、第四の発明に対して、受付部が受け付けたユーザ評価が予め決められた第二条件を満たすか否かを判断する第二判断部をさらに具備し、再構成部は、ユーザ評価が第二条件を満たす場合に学習器を再構成する劣化レベル判定装置である。 Further, the deterioration level determination device of the fifth invention, in contrast to the fourth invention, includes a second determination unit that determines whether or not the user evaluation received by the reception unit satisfies a predetermined second condition. Further, the reconstruction unit is a deterioration level determination device that reconstructs the learner when the user evaluation satisfies the second condition.
かかる構成により、第一条件を満たす判定対象画像に対するユーザ評価が第二条件を満たす場合に、当該ユーザ評価を用いて学習器を再構成することで、第一条件を満たす判定対象画像に対応する建物の劣化レベルをより高い精度で自動判定できるようになる。 With such a configuration, when the user evaluation of the determination target image satisfying the first condition is the second condition, the user evaluation is used to reconfigure the learning device, so that the determination target image that satisfies the first condition can be handled. It will be possible to automatically determine the deterioration level of buildings with higher accuracy.
また、本第六の発明の劣化レベル判定装置は、第四または第五の発明に対して、第一条件は、当該判定対象画像に対応付いた劣化レベルが、閾値以下である、という条件である劣化レベル判定装置である。 Further, in the deterioration level determination device of the sixth invention, in contrast to the fourth or fifth invention, the first condition is that the deterioration level associated with the image to be determined is equal to or less than a threshold. It is a certain deterioration level determination device.
かかる構成により、劣化レベルが低い判定対象画像に対するユーザ評価を用いて学習器を再構成することで、劣化度が低い建物の劣化レベルを高い精度で自動判定できるようになる。 With such a configuration, by reconfiguring the learning device using the user's evaluation of the determination target image with the low deterioration level, it is possible to automatically determine the deterioration level of the building with the low deterioration level with high accuracy.
また、本第七の発明の劣化レベル判定装置は、第四から第六いずれか1つの発明に対して、第二条件は、劣化レベルとユーザ評価とが異なる組情報が、閾値以上または閾値より多く、組情報格納部に格納された、という条件である劣化レベル判定装置である。 Further, in the deterioration level determination device of the seventh invention, for any one of the fourth to sixth inventions, the second condition is that the group information in which the deterioration level and the user evaluation are different is greater than or equal to the threshold value It is a degradation level determination device under the condition that most of them are stored in the set information storage unit.
かかる構成により、劣化レベルが低い判定対象画像に対するユーザ評価であり、当該劣化レベルとは異なるユーザ評価が多い場合に、当該ユーザ評価を用いて学習器を再構成することで、建物の劣化レベルをより高い精度で自動判定できるようになる。 With such a configuration, when there are many user evaluations of a determination target image with a low deterioration level, and there are many user evaluations different from the deterioration level, the learning device is reconfigured using the user evaluations, thereby determining the deterioration level of the building. Automatic judgment can be performed with higher accuracy.
また、本第八の発明の劣化レベル判定装置は、第一から第七いずれか1つの発明に対して、劣化レベル取得部は、判定対象画像の一部である2以上のブロックを取得し、2以上の各ブロックを学習情報に適用し、ブロックごとの劣化レベルである2以上の局所的劣化レベルを取得し、2以上の局所的劣化レベルを用いて、2以上のブロックに対する劣化レベルである大局的劣化レベルを取得する劣化レベル判定装置である。 Further, in the deterioration level determination device of the eighth invention, in any one of the first to seventh inventions, the deterioration level acquisition unit acquires two or more blocks that are part of the determination target image, applying each of the two or more blocks to the learning information to obtain two or more local impairment levels, which are the impairment levels for each block; A deterioration level determination device for acquiring a global deterioration level.
かかる構成により、局所的な判定と大局的な判定を組み合わせることで、効率的な自動判定が行える。 With such a configuration, efficient automatic determination can be performed by combining local determination and global determination.
また、本第九の発明の劣化レベル判定装置は、第八の発明に対して、劣化レベル取得部は、2以上の局所的劣化レベルを機械学習のアルゴリズムにより取得し、大局的劣化レベルを機械学習のアルゴリズムにより取得する劣化レベル判定装置である。 Further, in the deterioration level determination device of the ninth invention, in contrast to the eighth invention, the deterioration level acquisition unit acquires two or more local deterioration levels by a machine learning algorithm, and calculates the global deterioration level by machine. It is a deterioration level determination device obtained by a learning algorithm.
かかる構成により、局所的な判定も大局的な判定も機械学習で自動的に行える。 With such a configuration, both local determination and global determination can be automatically performed by machine learning.
また、本第十の発明の劣化レベル判定装置は、第八の発明に対して、劣化レベル取得部は、2以上の局所的劣化レベルを用いて、判定対象画像の中の劣化箇所に対応する領域である劣化領域のサイズを取得し、劣化領域のサイズを用いて、大局的劣化レベルを取得する劣化レベル判定装置である。 Further, in the deterioration level determination device of the tenth invention, in contrast to the eighth invention, the deterioration level acquisition unit uses two or more local deterioration levels to correspond to the deterioration location in the image to be determined. This is a degradation level determination device that acquires the size of a degraded region, which is an area, and uses the size of the degraded region to acquire a global degradation level.
かかる構成により、局所的な判定の結果を用いて劣化領域のサイズを取得し、当該サイズを大局的な判定に用いることで、より効率的な自動判定が行える。 With such a configuration, the size of the degraded region is obtained using the result of local determination, and the size is used for global determination, so that more efficient automatic determination can be performed.
また、本第十一の発明の劣化レベル判定装置は、第十の発明に対して、劣化レベル取得部は、教師画像の中のオブジェクトのサイズを取得し、オブジェクトのサイズと、オブジェクトの中の劣化領域のサイズとを用いて、大局的劣化レベルを取得する劣化レベル判定装置である。 Further, in the deterioration level determination device of the eleventh invention, in contrast to the tenth invention, the deterioration level acquisition unit acquires the size of the object in the teacher image, and the size of the object and the size of the object in the object This is a degradation level determination device that acquires a global degradation level using the size of a degradation region.
かかる構成により、オブジェクトに対する劣化領域の相対的なサイズを用いることで、的確な自動判定が行える。 With such a configuration, accurate automatic determination can be performed by using the relative size of the degraded area with respect to the object.
また、本第十二の発明の劣化レベル判定装置は、第一から第十一いずれか1つの発明に対して、判定対象画像を用いて、判定対象の劣化原因が、予め決められた2以上の劣化原因のうちいずれであるかを判定する原因判定部をさらに具備する劣化レベル判定装置である。 Further, in the deterioration level determination device of the twelfth invention, in any one of the first to eleventh inventions, the deterioration cause of the determination target is determined in advance by using the determination target image. The deterioration level determination device further includes a cause determination unit that determines which of the deterioration causes.
かかる構成により、劣化原因をも自動判定できる。 With such a configuration, the cause of deterioration can also be automatically determined.
また、本第十三の発明の劣化レベル判定装置は、第一から第十二いずれか1つの発明に対して、劣化レベル取得部は、予め決められた2以上のアルゴリズムのうち、判定対象の劣化度に応じたアルゴリズムにより劣化レベルを取得する劣化レベル判定装置である。 Further, in the deterioration level determination device of the thirteenth invention, for any one of the first to twelfth inventions, the deterioration level acquisition unit selects the predetermined two or more algorithms, It is a deterioration level determination device that acquires a deterioration level by an algorithm according to the degree of deterioration.
かかる構成により、建造物の劣化の程度に応じた的確なレベル判定が行える。 With such a configuration, it is possible to accurately determine the level according to the degree of deterioration of the building.
また、本第十四の発明の劣化レベル判定装置は、第十三の発明に対して、2以上のアルゴリズムは、回帰式により連続値を取得する第一アルゴリズム、およびクラス分類により離散値を取得する第二アルゴリズムを含み、劣化レベル取得部は、第二アルゴリズムにより離散値である第一劣化レベルを取得し、第一劣化レベルが閾値以下または閾値より低い場合に、第一アルゴリズムにより連続値である第二劣化レベルをさらに取得し、第二劣化レベルに対応する劣化レベルを採用し、第一劣化レベルが閾値より高い又は閾値以上である場合には、第一劣化レベルに対応する劣化レベルを採用する劣化レベル判定装置である。 Further, in the deterioration level determination device of the fourteenth invention, in contrast to the thirteenth invention, the two or more algorithms are a first algorithm that acquires continuous values by a regression equation and a discrete value that is acquired by class classification. The deterioration level obtaining unit obtains a first deterioration level that is a discrete value by the second algorithm, and if the first deterioration level is equal to or less than the threshold value or lower than the threshold value, the first algorithm is a continuous value further obtaining a certain second deterioration level, adopting the deterioration level corresponding to the second deterioration level, and if the first deterioration level is higher than or equal to or greater than the threshold, adopting the deterioration level corresponding to the first deterioration level This is the deterioration level determination device to be adopted.
かかる構成により、建造物の劣化が軽度の場合は、回帰式による第一アルゴリズムで細かなレベル判定が行え、建造物の劣化が重度の場合は、クラス分類による第二アルゴリズムで多様なクラス分けが行える。 With this configuration, when the deterioration of the building is light, detailed level judgment can be performed by the first algorithm based on the regression formula, and when the deterioration of the building is severe, the second algorithm by class classification enables various classifications. can do
本発明によれば、建造物の劣化レベルを自動判定できる。 According to the present invention, the deterioration level of a building can be automatically determined.
以下、劣化レベル判定装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。 Embodiments of a deterioration level determination device and the like will be described below with reference to the drawings. It should be noted that, since components denoted by the same reference numerals in the embodiments perform similar operations, repetitive description may be omitted.
劣化レベル判定装置は、通常、サーバであり、例えば、鉄道に関連する業務を行う企業や団体等の組織のサーバである。鉄道に関連する業務とは、例えば、鉄道による旅客や貨物の輸送、鉄道とそれに付随する設備の保守・管理などであるが、その種類は問わない。または、劣化レベル判定装置は、例えば、クラウドサーバでもよいし、組織の職員が携帯する携帯端末でもよく、そのタイプや所在は問わない。なお、携帯端末とは、例えば、タブレット端末、スマートフォン、携帯電話機、ノートPC等であるが、その種類は問わない。 The deterioration level determination device is usually a server, for example, a server of an organization such as a company or an organization that conducts business related to railways. Businesses related to railways include, for example, transportation of passengers and freight by railways, maintenance and management of railways and associated equipment, etc., but the type of business does not matter. Alternatively, the deterioration level determination device may be, for example, a cloud server or a mobile terminal carried by an employee of the organization, regardless of its type or location. Note that the mobile terminal is, for example, a tablet terminal, a smart phone, a mobile phone, a notebook PC, etc., but the type of mobile terminal does not matter.
または、劣化レベル判定装置は、鉄道関連以外の業務を行う組織のサーバ等でもよく、その所属先は問わない。なお、鉄道関連以外の業務とは、例えば、船舶に関連する業務、バスに関連する業務など、鉄道以外の乗り物に関連する業務でもよいし、オフィスビルやマンションといった、鉄道とは直接関係ない建築物の保守・管理などでもよく、その種類は問わない。 Alternatively, the deterioration level determination device may be a server or the like of an organization that conducts business other than railway-related work, and the organization to which it belongs does not matter. Non-railway-related business includes, for example, ship-related business, bus-related business, and other non-railway vehicle-related business, as well as office buildings and condominiums that are not directly related to railways. It may be the maintenance and management of things, and the type is not limited.
図1は、本実施の形態における劣化レベル判定装置1のブロック図である。劣化レベル判定装置1は、格納部11、受付部12、処理部13、および出力部14を備える。格納部11は、学習情報格納部112、教師データ格納部111、および組情報格納部113を備える。処理部13は、判定対象画像取得部131、劣化レベル取得部132、第一蓄積部133、第一判断部134、第二蓄積部135、第二判断部136、再構成部137、および原因判定部138を備える。劣化レベル取得部132は、教師特徴量群取得手段1321、学習情報取得手段1322、判定対象特徴量群取得手段1323、および劣化レベル取得手段1324を備える。
FIG. 1 is a block diagram of a deterioration
格納部11は、各種の情報を格納し得る。各種の情報とは、例えば、後述する教師データ、後述する学習情報、および後述する組情報などである。 The storage unit 11 can store various types of information. The various types of information are, for example, teacher data, which will be described later, learning information, which will be described later, and group information, which will be described later.
また、格納部11には、通常、判定対象画像も格納される。判定対象画像とは、劣化レベル判定装置1による判定の対象となる建造物を撮影した画像である。判定対象画像は、後述する組情報の一部であってもよい。ただし、判定対象画像は、必ずしも格納部11に格納されなくてもよい。
The storage unit 11 also normally stores a determination target image. A determination target image is a photographed image of a building to be determined by the deterioration
建造物とは、建造された物である。建造物は、通常、建築物である。本実施の形態における建築物は、例えば、鉄道に関連する建築物である。鉄道に関連する建築物は、例えば、駅の建物である。駅の建物は、例えば、駅舎、プラットホーム、跨線橋等であるが、その種類は問わない。または、鉄道に関連する建築物は、駅以外の場所に建てられた建物でもよい。この種の建築物は、例えば、列車を格納する車庫、変電設備などであるが、鉄道に関連する建築物であれば何でもよい。 A building is something that is built. A building is typically a building. The building in this embodiment is, for example, a building related to railways. Railway-related buildings are, for example, station buildings. The station building is, for example, a station building, a platform, an overpass, etc., but the type of the building does not matter. Alternatively, the railway-related building may be a building built in a place other than a station. Buildings of this type are, for example, depots for storing trains, substation facilities, etc., but any building related to railways may be used.
または、建築物は、鉄道以外の乗り物に関連する建築物であってもよい。鉄道以外の乗り物とは、例えば、船舶、バスなどであるが、その種類は問わない。この種の建築物は、例えば、港湾施設、バスターミナルなどであるが、その種類は問わない。なお、建造物は、例えば、鉄道や船舶等の乗り物それ自体をも含むと考えてもよい。 Alternatively, the building may be a building associated with non-railway vehicles. Vehicles other than railroads are, for example, ships, buses, etc., but the type of vehicle does not matter. Buildings of this type are, for example, harbor facilities, bus terminals, etc., but the type of building does not matter. It should be noted that the building may be considered to include, for example, vehicles such as railroads and ships.
または、建造物は、鉄道とは直接関係ない建築物でもよい。この種の建築物は、例えば、自動車または歩行者のうち1種類以上のための専用の橋梁、オフィスビルやマンション、工場などである。ただし、鉄道とは直接関係ない建築物は、本実施の形態における建造物から除外してもよい。 Alternatively, the building may be a building not directly related to railways. Buildings of this kind are, for example, dedicated bridges for one or more of vehicles or pedestrians, office buildings or apartments, factories, and the like. However, buildings that are not directly related to railways may be excluded from the buildings in this embodiment.
また、建造物は、建築物等の全体でも、一部分でもよい。建築物等の一部分とは、建築物等を構成する各種の部材である。各種の部材は、例えば、駅舎を構成する柱や梁等であり、特に、鉄等の、錆びや腐食が生じ易い金属の部材であるが、その種類や材質は問わない。 Also, the building may be the whole building or the like, or a part thereof. A part of a building or the like is various members that constitute the building or the like. The various members are, for example, pillars, beams, etc., which constitute the station building, and in particular, metal members such as iron, which are easily rusted or corroded.
教師データ格納部111には、2以上の教師データが格納される。教師データとは例えば、機械学習を行う際に教師となるデータである。機械学習とは、人が行う学習と同様の機能をコンピュータで実現する手法である。機械学習は、例えば、教師あり学習であるが、教師なし学習でもよい。なお、以下では、機械学習を単に学習と記す場合がある。
Two or more pieces of teacher data are stored in the teacher
本実施の形態における教師データは、教師画像と劣化レベルとの対応を示す情報である。教師画像とは、建造物の劣化の程度と劣化レベルとの対応を学習する際に教師となる画像である。教示画像は、建造物をカメラで撮影した画像である。画像は、通常、静止画であるが、動画を構成する2以上の各静止画でもよい。 The training data in this embodiment is information indicating the correspondence between the training image and the deterioration level. A teacher image is an image used as a teacher when learning the correspondence between the degree of deterioration of a building and the deterioration level. A teaching image is an image of a building captured by a camera. The image is usually a still image, but may be two or more still images that constitute a moving image.
教師画像は、例えば、横800画素×縦600画素(以下、“800×600”のように記す場合がある)のサイズを有する。画素とは、画像を構成する要素であり、例えば、RGBやYUV等の情報を有する。ただし、教師画像のサイズは、例えば、1200×900や1600×900等、何でもよい。また、画素が有する情報の表現形式も問わない。なお、かかる事項は、後述する判定対象画像についても当てはまる。 The teacher image has a size of, for example, 800 horizontal pixels by 600 vertical pixels (hereinafter sometimes written as “800×600”). A pixel is an element that constitutes an image, and has information such as RGB and YUV, for example. However, the size of the teacher image may be any size such as 1200×900 or 1600×900. In addition, the representation format of the information possessed by the pixels does not matter. This matter also applies to a determination target image, which will be described later.
劣化とは、時間の経過に伴って、品質が悪化すること又は性能が低下することである。劣化は、例えば、建造物に錆が発生すること(発錆)である。または、劣化は、建造物にひび割れや変形等が生じることでもよく、その種類は問わない。なお、劣化は、必ずしも経年変化によるものでなくてもよく、例えば、地震等の自然災害や事故などによる破損なども含むと考えてもよい。劣化の程度や速さは、例えば、建造物の材質によって異なり、また、同じ材質の建造物でも、環境や使用状況等に応じて変化する。 Degradation is the deterioration of quality or deterioration of performance over time. Deterioration is, for example, the generation of rust in a building (rusting). Alternatively, the deterioration may be cracks, deformation, or the like in the building, regardless of the type. It should be noted that the deterioration does not necessarily have to be due to secular change, and may include, for example, damage due to natural disasters such as earthquakes and accidents. The degree and speed of deterioration differ, for example, depending on the material of the building, and even buildings made of the same material change depending on the environment, usage conditions, and the like.
劣化レベルとは、建造物の劣化の程度(以下、劣化度と記す場合がある)をコンピュータの処理によって数値的に表現した情報である。すなわち、本実施の形態における劣化度とは、人の判断に基づく数値であるのに対し、劣化レベルは、コンピュータの処理に基づく数値である。劣化レベルは、例えば、“1”,“2”,“3”等の離散的な数値(以下、離散値)でもよいし、または、“2.2”,“2.45”等の小数部をも有する連続的な数値(以下、連続値)でも構わない。なお、本実施の形態における劣化レベルは、例えば、0から5の範囲の数値であり、その数値が大きいほど、建造物の劣化の程度も大きい。ただし、劣化レベルは、例えば、1~10の範囲の数値でもよいし、その数値が小さいほど、建造物の劣化の程度は大きくてもよく、その表現形式は問わない。例えば、劣化レベルは、数値に限らず、例えば、“A”,“B”,“C”等の文字で表現されても構わない。 The deterioration level is information that numerically expresses the degree of deterioration of the building (hereinafter sometimes referred to as the degree of deterioration) by computer processing. That is, the degree of deterioration in the present embodiment is a numerical value based on human judgment, whereas the deterioration level is a numerical value based on computer processing. The deterioration level may be, for example, discrete numerical values such as "1", "2", and "3" (hereinafter referred to as discrete values), or fractional numbers such as "2.2" and "2.45". A continuous numerical value (hereinafter referred to as a continuous value) having also may be used. The deterioration level in the present embodiment is, for example, a numerical value ranging from 0 to 5, and the larger the numerical value, the greater the degree of deterioration of the building. However, the deterioration level may be, for example, a numerical value in the range of 1 to 10, and the smaller the numerical value, the greater the degree of deterioration of the building. For example, the deterioration level is not limited to numerical values, and may be represented by letters such as "A", "B", and "C".
教師データは、例えば、教師画像と劣化レベルとの対で構成される。教師データを構成する教師画像は、前述したような建造物の劣化箇所を撮影した画像である。教師データを構成する劣化レベルは、例えば、人の判断結果に基づく数値であるが、機械学習により取得される数値でもよい。ただし、教師データのデータ構造は問わない。教師データを構成する劣化レベルの取得方法も問わない。 The training data is composed of pairs of training images and deterioration levels, for example. A teacher image that constitutes the teacher data is an image obtained by photographing a deteriorated portion of the building as described above. The deterioration level that constitutes the teacher data is, for example, a numerical value based on the results of human judgment, but may be a numerical value acquired by machine learning. However, the data structure of the training data does not matter. Any method of acquiring the deterioration level that constitutes the teacher data is also available.
なお、教師データを構成する劣化レベルには、例えば、劣化分布が付随していてもよい。劣化分布とは、劣化の分布に関する情報である。劣化分布は、例えば、全体劣化、局所劣化などである。全体劣化とは、建造物の全体に渡る劣化であり、局所劣化とは、建造物の一部のみの劣化である。劣化分布は、例えば、局所劣化に対応する“P”、全体劣化に対応する“G”のように、数字以外の文字や記号で表現されるが、その表現形式は問わない。 It should be noted that, for example, a deterioration distribution may accompany the deterioration level that constitutes the teacher data. The deterioration distribution is information about distribution of deterioration. The degradation distribution is, for example, global degradation, local degradation, or the like. Global deterioration is deterioration over the entire building, and local deterioration is deterioration of only a part of the building. The deterioration distribution is represented by letters and symbols other than numbers, such as "P" corresponding to local deterioration and "G" corresponding to global deterioration, but the expression format is not limited.
劣化分布付きの劣化レベルは、例えば、“2P”(レベル2の局所劣化),“4G”(レベル4の局所劣化)等のような添え字付きの数値で表現される。または、局所劣化のみ添え字“P”を付し、全体劣化には何ら添え字を付さなくてもよく、その表現形式は問わない。
The deterioration level with the deterioration distribution is represented by a numerical value with a subscript, such as "2P" (
ただし、本実施の形態において、上記のような教師データは、必須ではない。例えば、学習情報格納部112に予め学習情報が格納されており、劣化レベル判定装置1内で学習が行われない場合には、教師データは不要である。また、劣化レベル判定装置1内で、教師なし学習が行われる場合にも、教師データは必要ない。従って、劣化レベル判定装置1は、必ずしも教師データ格納部111を具備していなくてよい。
However, in the present embodiment, such teacher data as described above is not essential. For example, if learning information is stored in advance in the learning
学習情報格納部112には、学習情報が格納される。学習情報とは、学習により取得された情報である。格納される学習情報は、2以上の特徴量と劣化レベルとの対応を示す情報である。学習情報は、通常、後述する学習情報取得手段1322が、教師データ格納部111に格納されている2以上の教師データを用いて、機械学習を行うことにより取得した情報である。ただし、学習情報の一部または全部は、例えば、人が計算や解析を行うことにより学習した結果を利用して取得された情報でもよい。または、学習情報は、外部の装置で機械学習等により取得された情報でもよく、その由来は問わない。
Learning information is stored in the learning
特徴量とは、劣化領域に関する各種の特徴を定量的に示す情報である、といってもよい。劣化領域とは、教師画像または判定対象画像の中の、建造物の劣化箇所に対応する領域である。 It can be said that the feature amount is information that quantitatively indicates various features related to the deteriorated region. A degraded region is a region corresponding to a degraded portion of a building in the teacher image or determination target image.
劣化領域に関する各種の特徴とは、例えば、色の特徴、明るさの特徴などである。色の特徴は、例えば、色の種類であるが、色の変化率でもよい。明るさの特徴は、例えば、明るさの変化率である。この種の特徴は、例えば、劣化領域内の複数の画素に対応する複数の画素値の集合でもよいし、かかる複数の画素値の統計量でもよい。統計量は、例えば、平均値であるが、中央値や最頻値でもよいし、分散でもよく、その種類は問わない。 Various features related to the degraded area are, for example, color features, brightness features, and the like. The color feature is, for example, the type of color, but may also be the rate of color change. The brightness feature is, for example, the rate of change of brightness. This type of feature may be, for example, a set of pixel values corresponding to pixels in the degraded region, or a statistic of such pixel values. The statistic is, for example, an average value, but may be a median value, a mode value, or a variance.
なお、色の種類は、例えば、色相を用いて表現される。色相とは、色相環における各種の色の位置を示す情報である。色相は、例えば、0~360の範囲の数値である。または、色の種類は、RGB等の3つの数値の組で表現されてもよく、その表現形式は問わない。また、明るさは、例えば、明度(0~100)を用いて表現されるが、輝度で表現されてもよく、その表現形式は問わない。さらに、色の変化率は、例えば、色相の一次微分であり、明るさの変化率は、例えば、明度の一次微分であるが、それらの表現形式も問わない。 Note that the type of color is expressed using hue, for example. Hue is information indicating the positions of various colors on the color wheel. Hue is a numerical value in the range of 0 to 360, for example. Alternatively, the color type may be represented by a set of three numerical values such as RGB, and the representation format is not limited. Also, the brightness is expressed using, for example, lightness (0 to 100), but it may also be expressed by luminance, and the expression format is not limited. Furthermore, the rate of change in color is, for example, the primary differential of hue, and the rate of change in brightness is, for example, the primary differential of lightness, but their expression formats do not matter.
特徴量は、例えば、劣化領域に特有の色(特徴色)である。特徴色は、例えば、赤茶色等の錆の色である。または、特徴色は、焦げ茶色等の腐食の色などでもよく、その種類は問わない。 The feature quantity is, for example, a color (characteristic color) specific to the degraded area. The characteristic color is, for example, a rust color such as reddish brown. Alternatively, the characteristic color may be a corroded color such as dark brown, and any kind of color may be used.
または、特徴量は、色の分散でもよい。色の分散とは、色のばらつき具合である。なお、錆や腐食などが生じた箇所では、例えば、色むらや斑模様が現れる結果、色の分散が大きくなる。このため、色の分散は、劣化箇所か否かの判定や、劣化の程度の判定に用いることができる。 Alternatively, the feature quantity may be color variance. Color dispersion is the degree of color dispersion. It should be noted that, in areas where rust or corrosion occurs, for example, as a result of the appearance of color unevenness or mottled patterns, color dispersion increases. For this reason, the color dispersion can be used to determine whether or not there is deterioration and to determine the degree of deterioration.
または、特徴量は、色の変化率または明るさの変化率でもよい。なお、色の変化率または明るさの変化率は、例えば、エッジの強弱、高周波成分の多寡といってもよい。ひび割れや表面のざらつきが生じた箇所では、色または明るさの変化率が大きくなる(またはエッジが強くなる、または高周波成分が多くなる)ことから、色または明るさの変化率等は、劣化箇所か否かの判定や、劣化の程度の判定に用いることができる。 Alternatively, the feature amount may be the color change rate or the brightness change rate. Note that the rate of color change or the rate of change in brightness may be referred to, for example, as the intensity of edges or the amount of high-frequency components. The rate of change in color or brightness increases (or edges become stronger, or high-frequency components increase) at locations where cracks or surface roughness occur. It can be used to determine whether the
または、特徴量は、劣化領域のサイズでもよい。サイズは、例えば、面積である。面積は、例えば、ブロック数で表現される。ブロック数とは、劣化領域に含まれるブロックの数である。 Alternatively, the feature quantity may be the size of the degraded region. The size is, for example, area. The area is expressed, for example, by the number of blocks. The number of blocks is the number of blocks included in the degraded area.
ブロックとは、2以上の画素に対応する領域である。ブロックは、例えば、M画素×N画素の画像を、横方向にm分割し、かつ縦方向にn分割して得られる、“m×n”個の“(M/m)画素×(N/n)画素”の領域の各々である。ただし、Mは2以上の整数であり、mはMの約数である。また、Nは、2以上の整数であり、nは、Nの約数である。さらに、NとMは、異なる値でも、同じ値でもよい。ブロックは、具体的には、例えば、800×600の画像を、横方向に160分割し、かつ縦方向に120分割して得られる、19200個の“5画素×5画素”の領域の各々である。ただし、一のブロックの画素数や横縦比は問わない。 A block is an area corresponding to two or more pixels. A block is obtained by, for example, dividing an image of M pixels×N pixels into m in the horizontal direction and n in the vertical direction into “m×n” pieces of “(M/m) pixels×(N/ n) each of a region of "pixels". However, M is an integer of 2 or more, and m is a divisor of M. Also, N is an integer of 2 or more, and n is a divisor of N. Furthermore, N and M can be different values or the same value. Specifically, a block is each of 19200 "5 pixels x 5 pixels" regions obtained by dividing an 800 x 600 image into 160 in the horizontal direction and 120 in the vertical direction. be. However, the number of pixels in one block and the aspect ratio do not matter.
または、サイズは、長さでもよい。長さは、例えば、劣化領域の最大径である。最大径とは、一の領域の最大の差し渡しであり、例えば、矩形の領域の場合は対角線、円形の領域の場合は直径であるが、その表現形式は問わない。なお、長さは、縦方向または横方向の長さでもよい。例えば、縦方向の柱に生じた劣化領域のサイズは、縦方向の長さのみで表現されてもよいし、横方向の梁に生じた劣化領域のサイズは、横方向の長さのみで表現されてもよい。 Alternatively, the size may be length. The length is, for example, the maximum diameter of the degraded region. The maximum diameter is the maximum span of one region, for example, the diagonal line in the case of a rectangular region, and the diameter in the case of a circular region, but the representation format is not limited. The length may be vertical or horizontal. For example, the size of a degraded region in a vertical column may be expressed only by the length in the vertical direction, and the size of a degraded region in a horizontal beam may be expressed by the length in the horizontal direction only. may be
長さは、例えば、一の方向の画素数で表現される。一の方向とは、例えば、対角線の方向、縦方向、または横方向等である。または、長さは、一の方向のブロック数で表現されてもよいし、後述する実寸でもよく、その表現形式は問わない。 The length is expressed, for example, by the number of pixels in one direction. One direction is, for example, a diagonal direction, a vertical direction, a horizontal direction, or the like. Alternatively, the length may be expressed by the number of blocks in one direction, or may be an actual size, which will be described later, and the form of expression does not matter.
なお、劣化領域のサイズに関する上記事項は、下記のオブジェクトのサイズについても当てはまる。そして、劣化領域のサイズは、オブジェクトに対する相対的なサイズであることは好適である。 Note that the above matters regarding the size of the degraded area also apply to the sizes of the following objects. Then, the size of the degraded area is preferably a size relative to the object.
オブジェクトとは、教師画像または判定対象画像の中の、建造物(例えば、駅舎、または駅舎を構成する柱や梁等の各種の部材)に対応する領域である。オブジェクトに対する相対的なサイズとは、オブジェクトのサイズに対する、劣化領域のサイズの比率である。 An object is an area corresponding to a building (for example, a station building or various members such as pillars and beams that constitute the station building) in the teacher image or the determination target image. The size relative to the object is the ratio of the size of the degraded region to the size of the object.
すなわち、特徴量は、オブジェクトのサイズに対する、劣化領域のサイズの比率でもよい。比率は、例えば、面積比であるが、長さの比でもよい。比率は、具体的には、例えば、“1/15”、“5%”、“1割”等であるが、その表現形式は問わない。 That is, the feature amount may be the ratio of the size of the degraded area to the size of the object. The ratio is, for example, an area ratio, but may also be a length ratio. The ratio is specifically, for example, "1/15", "5%", "10%", etc., but the expression format does not matter.
ただし、劣化領域のサイズは、絶対的なサイズでもよい。すなわち、特徴量は、現実の建造物における劣化箇所の実寸でもよい。劣化箇所の実寸は、例えば、“60mm”、“15cm”等であるが、その表現形式は問わない。劣化箇所の実寸は、例えば、既知である建造物の実寸に、上記比率を乗算することにより取得される。または、劣化箇所の実寸は、手入力の受け付けにより取得されてもよい。 However, the size of the degraded area may be an absolute size. That is, the feature amount may be the actual size of the deteriorated portion in the actual building. The actual size of the deteriorated portion is, for example, "60 mm", "15 cm", etc., but the representation format is not limited. The actual size of the deteriorated portion is obtained, for example, by multiplying the known actual size of the building by the above ratio. Alternatively, the actual size of the deteriorated portion may be obtained by accepting manual input.
学習情報は、上記のような2以上の特徴量と、劣化レベルとの対応を示す情報である。対応を示す情報とは、2以上の特徴量と劣化レベルとの対である対情報の集合でもよいし、関数でもよい。 The learning information is information indicating the correspondence between the above two or more feature amounts and the deterioration level. The information indicating the correspondence may be a set of pair information, which is pairs of two or more feature quantities and deterioration levels, or may be a function.
前者の学習情報は、例えば、クラス分類である。クラス分類とは、2以上の特徴量と、離散値である劣化レベル(以下、「第一劣化レベル」と記す場合がある)との対である対情報の集合である、といってもよい。従って、クラス分類は、例えば、対応表と言い換えてもよい。クラス分類は、2以上の特徴量と第一劣化レベルとの対の集合である。クラス分類を構成する2以上の各対は、例えば、教師データ格納部111に格納されている2以上の各教師データを構成する教師画像から取得された2以上の特徴量(以下、教師特徴量群と記す場合がある)と、当該教師データを構成する劣化レベルとの対である。 The former learning information is, for example, class classification. It can be said that class classification is a set of paired information that is a pair of two or more feature values and a degradation level that is a discrete value (hereinafter sometimes referred to as "first degradation level"). . Therefore, class classification may be rephrased as a correspondence table, for example. A class classification is a set of pairs of two or more feature quantities and first deterioration levels. Each of the two or more pairs constituting the class classification is, for example, two or more feature amounts (hereafter referred to as teacher feature amount (sometimes referred to as a group) and the deterioration level that constitutes the teacher data.
また、後者の学習情報は、例えば、回帰式である。回帰式とは、2以上の特徴量と、連続値である劣化レベル(以下、「第二劣化レベル」と記す場合がある)との関係を示す式である、といってもよい。回帰式は、2以上の特徴量をパラメータとする関数である。回帰式は、例えば、線形関数であるが、非線形関数でもよい。 Also, the latter learning information is, for example, a regression equation. A regression equation can be said to be an equation representing the relationship between two or more feature quantities and a continuous value of deterioration level (hereinafter sometimes referred to as “second deterioration level”). A regression equation is a function having two or more feature amounts as parameters. The regression equation is, for example, a linear function, but may be a non-linear function.
回帰式は、教師データ格納部111に格納されている2以上の教師データを用いて取得される。回帰式は、例えば、2以上の各教師データから取得された、2以上の特徴量と劣化レベルとの対の集合を用いて、最小二乗法等のアルゴリズムにより取得されるが、その取得方法は問わない。
A regression equation is acquired using two or more teacher data stored in the teacher
そして、上記のような学習情報は、学習器であってもよい。学習器とは、2以上の教師データを用いて、2以上の特徴量と劣化レベルとの対応を機械学習することにより、2以上の特徴量の入力に対し、対応する劣化レベルを出力する機能ないしプログラムである、といってもよい。学習器は、例えば、回帰式による学習器でもよいし、クラス分類による学習器でもよい。 The learning information as described above may be a learning device. A learning device is a function that outputs a corresponding deterioration level for input of two or more feature values by machine learning correspondences between two or more feature values and deterioration levels using two or more teacher data. Or it can be said that it is a program. The learning device may be, for example, a learning device based on a regression equation or a learning device based on class classification.
なお、学習情報格納部112には、予め学習情報が格納されていてもよい。予め格納される学習情報は、例えば、外部の装置において、例えば、機械学習により取得された情報である。または、予め格納される学習情報は、劣化レベル判定装置1内において、教師データ格納部111に格納されている2以上の教師データを用いて、例えば、機械学習により、または人の判断結果(例えば、後述するユーザ評価)を受け付けることにより、取得された情報であってもよく、その由来は問わない。
Learning information may be stored in the learning
組情報格納部113には、1または2以上の組情報が格納される。組情報とは、判定結果データとユーザ評価との組で構成された情報である。判定結果データとは、判定対象画像に対して、劣化レベル判定装置1が判定した劣化レベルに関する情報である。判定結果データは、判定対象画像と、劣化レベル判定装置1が判定した劣化レベルとの対応を示す情報である。
The group
判定結果データは、例えば、判定対象画像と、劣化レベルとの対で構成される。または、判定結果データは、画像識別子と劣化レベルとの対で構成されてもよく、そのデータ構造は問わない。画像識別子とは、画像を識別する情報である。画像は、教師画像または判定対象画像である。画像識別子は、例えば、“1”,“2”,“3”等のIDであるが、画像を識別し得る情報であれば何でもよい。 The determination result data is composed of, for example, a pair of a determination target image and a deterioration level. Alternatively, the determination result data may be composed of a pair of an image identifier and a deterioration level, and its data structure is irrelevant. An image identifier is information that identifies an image. The image is a teacher image or a determination target image. The image identifier is, for example, an ID such as "1", "2", "3", etc., but any information that can identify the image may be used.
なお、以下では、教師データ格納部111に格納されている教師画像の数を“K”個(ただし、Kは2以上の自然数)とし、ID“k”(ただし、kは、K以下の自然数)で識別される教師画像を「教師画像k」と記す場合がある。
In the following description, the number of teacher images stored in the teacher
詳しくは、判定結果データは、例えば、後述する判定対象画像取得部131が取得した判定対象画像と、当該判定対象画像に対して、後述する劣化レベル取得部132が取得した劣化レベルとを有する。
Specifically, the determination result data includes, for example, a determination target image acquired by a determination target
ユーザ評価とは、ユーザによる評価である。ユーザ評価は、例えば、判定結果データが有する判定対象画像に対して、ユーザが判定した劣化レベルである。なお、ユーザが判定した劣化レベルは、劣化レベル判定装置1が判定した劣化レベルと同じでも、違っていてもよい。または、ユーザ評価は、判定結果データが有する劣化レベルの適否について、ユーザが判断した結果でもよい。または、ユーザ評価は、ユーザが不適であると判断した劣化レベルを有する判定結果データの判定対象画像に対して、ユーザが判定し直した劣化レベルでもよい。
A user evaluation is an evaluation by a user. The user evaluation is, for example, the deterioration level determined by the user for the determination target image included in the determination result data. The deterioration level determined by the user may be the same as or different from the deterioration level determined by the deterioration
受付部12は、各種の指示や各種の情報を受け付ける。各種の指示とは、例えば、劣化レベルの判定を行う旨の指示である。各種の情報とは、例えば、ユーザ評価である。受け付けとは、例えば、キーボードやタッチパネル等の入力デバイスから入力された情報の受け付けであるが、ネットワークや通信回線等を介して送信された情報の受信、ディスクや半導体メモリなどの記録媒体から読み出された情報の受け付けなどでもよい。
The
受付部12は、例えば、組情報格納部113に格納されている1以上の各判定対象画像に対するユーザ評価を、キーボード等の入力デバイスを介して受け付ける。詳しくは、例えば、後述する出力部14が、組情報格納部113から一の判定結果データを取得してディスプレイに表示し、受付部12は、表示されている判定結果データを構成する判定対象画像に対するユーザ評価を受け付ける処理を、格納されている1以上の全ての判定対象画像に対するユーザ評価の受け付けが完了するまで、繰り返し行ってもよい。
The receiving
また、受付部12は、例えば、外部の装置から送信された学習情報を受信したり、記録媒体から読み出された学習情報を受け付けたりしてもよい。受付部12は、こうして受け付けた学習情報を、学習情報格納部112に蓄積する。
Further, the
さらに、受付部12は、例えば、外部の装置から送信された1または2以上の判定対象画像を受信したり、記録媒体から読み出された1または2以上の判定対象画像を受け付けたり、劣化レベル判定装置1を実現する携帯端末の内蔵カメラで撮影された画像を受け付けたりしてもよい。受付部12は、こうして受け付けた1以上の判定対象画像を、例えば、組情報格納部113に蓄積する。
Further, the receiving
処理部13は、各種の処理を行う。各種の処理とは、例えば、判定対象画像取得部131、劣化レベル取得部132、第一蓄積部133、第一判断部134、第二蓄積部135、第二判断部136、再構成部137、原因判定部138、教師特徴量群取得手段1321、学習情報取得手段1322、判定対象特徴量群取得手段1323、および劣化レベル取得手段1324などの処理である。また、処理部13は、フローチャートで説明する判断や判別なども行う。
The
判定対象画像取得部131は、判定対象画像を取得する。例えば、組情報格納部113に1以上の判定対象画像が格納されており、判定対象画像取得部131は、組情報格納部113から一の判定対象画像を取得する。または、劣化レベル判定装置1が携帯端末であり、判定対象の建造物が携帯端末の内蔵カメラで撮影された場合、判定対象画像取得部131は、その撮影された判定対象画像を取得してもよい。
The determination target
劣化レベル取得部132は、学習情報格納部112に格納されている学習情報に、判定対象画像取得部131が取得した判定対象画像を適用し、劣化レベルを取得する。
The deterioration
格納されている学習情報は、例えば、回帰式またはクラス分類のうち1種類以上の情報である。適用とは、例えば、機械学習の実行である。機械学習の実行は、例えば、回帰式への代入、または、クラス分類に従うクラス分け、または、代入およびクラス分けの両方である。取得とは、例えば、回帰式による算出結果の取得、または、クラス分類による分類結果の取得、または、算出結果および分類結果の両方の取得である。 The stored learning information is, for example, one or more types of information among regression equations and class classifications. Application is, for example, the execution of machine learning. Machine learning implementations are, for example, imputation into regression equations, or classification according to classification, or both imputation and classification. Acquisition is, for example, acquisition of a calculation result by a regression equation, acquisition of a classification result by class classification, or acquisition of both a calculation result and a classification result.
劣化レベル取得部132は、例えば、教師データ格納部111に格納されている2以上の教師データを用いて、機械学習のアルゴリズムにより、2以上の特徴量を入力とし、劣化レベルを出力とする学習器である学習情報を構成する。機械学習のアルゴリズムは、例えば、ランダムフォレストのアルゴリズムである。
The deterioration
または、機械学習のアルゴリズムは、ランダムフォレスト以外の教師あり学習のアルゴリズムでもよい。ランダムフォレスト以外の教師あり学習のアルゴリズムは、例えば、SVR、決定木、深層学習等であるが、ニューラルネットワーク、SVM等でもよく、その種類は問わない。なお、機械学習においても、劣化レベルの判定に用いる2種類以上の特徴量の数や組み合わせは、通常、人為的に決定される必要があるが、深層学習(ディープラーニングともいう)の場合は、こうした数や組み合わせも自動的に決定される。 Alternatively, the machine learning algorithm may be a supervised learning algorithm other than random forest. Algorithms for supervised learning other than random forest include, for example, SVR, decision tree, deep learning, etc., but may also be neural network, SVM, etc., and the type thereof does not matter. Also in machine learning, the number and combination of two or more types of feature quantities used to determine the deterioration level usually need to be determined artificially, but in the case of deep learning, Such numbers and combinations are also determined automatically.
または、機械学習のアルゴリズムは、例えば、クラスタ分析、主成分分析、ベクトル量子化といった、教師なし学習のアルゴリズムでもよい。ただし、教師なし学習のアルゴリズムは、本実施の形態における機械学習のアルゴリズムから除外されてもよい。 Alternatively, the machine learning algorithm may be an unsupervised learning algorithm such as cluster analysis, principal component analysis, vector quantization, for example. However, the unsupervised learning algorithm may be excluded from the machine learning algorithm in this embodiment.
機械学習のアルゴリズムにより構成される学習器は、例えば、回帰式による学習器でもよいし、クラス分類による学習器でもよいし、これら2種類の学習器の両方でもよい。 A learner configured by a machine learning algorithm may be, for example, a regression-based learner, a class classification-based learner, or both of these two types of learners.
劣化レベル取得部132は、教師データ格納部111に格納されている2以上の教師データを用いて、機械学習のアルゴリズムにより、例えば、2以上の特徴量を入力とし、離散的な劣化レベルを出力とする回帰式による学習器、または、2以上の特徴量を入力とし、離散的な劣化レベルを出力とするクラス分類による学習器のうち、1種類以上の学習器を構成する。
The deterioration
そして、劣化レベル取得部132は、判定対象画像取得部131が取得した判定対象画像から2以上の特徴量を取得し、取得した2以上の特徴量(以下、判定対象特徴量群と記す場合がある)を、上記のように構成した1種類以上の各学習器に入力し、当該1種類以上の学習器から出力される1種類以上の劣化レベルを取得する。取得される1種類以上の劣化レベルは、第一劣化レベルまたは第二劣化レベルのうちの1種類以上である。第一劣化レベルとは、クラス分類による学習器(以下、第一の学習器と記す場合がある)から出力される離散的な劣化レベルである。第二劣化レベルとは、回帰式による学習器(第二の学習器)から出力される連続的な劣化レベルである。
Then, the deterioration
なお、一の判定対象特徴量群を第一および第二の各学習器に入力し、第一の学習器から出力される第一劣化レベル、および第二の学習器から出力される第二劣化レベルの両方を取得した場合、劣化レベル取得部132は、第一または第二のいずれか一方の劣化レベルを採用してもよい。その際、劣化レベル取得部132は、例えば、閾値より低い又は閾値以下の劣化レベルについては、第二劣化レベルを採用し、閾値以上または閾値より高い劣化レベルについては、第一劣化レベルを採用することは好適である。
In addition, one determination target feature amount group is input to each of the first and second learners, and the first deterioration level output from the first learner and the second deterioration level output from the second learner When both levels are acquired, the deterioration
なお、適用は、例えば、劣化レベル取得部132が機械学習により取得した劣化レベルに対して、その尤度(尤もらしさ)を示すスコアを取得することをも含んでいてもよい。スコアは、例えば、0から1の数値で表現されるが、0から100の整数値で表現されてもよく、その表現形式は問わない。例えば、学習情報に尤度関数が含まれており、劣化レベル取得部132は、尤度関数を用いて、取得した劣化レベルに対するスコアを取得してもよい。
Note that the application may also include, for example, obtaining a score indicating the likelihood of the deterioration level obtained by the deterioration
または、適用とは、機械学習によらない検索を行うことでもよい。劣化レベル取得部132は、例えば、判定対象画像から取得された判定対象特徴量群をキーとして、格納されている学習情報(例えば、クラス分類)を検索し、当該判定対象特徴量群と予め決められた条件を満たすほど類似する教師特徴量群と組になる劣化レベルを取得してもよい。予め決められた条件とは、例えば、判定対象特徴量群との類似度が、最も高く、かつ閾値以上である、という条件である。
Alternatively, applying may be performing a search that does not rely on machine learning. For example, the deterioration
この場合、劣化レベル取得部132は、格納されている学習情報を構成する2以上の教師特徴量群のうち、取得された判定対象特徴量群との類似度が最も高い教師特徴量群を選択し、当該判定対象特徴量群と当該教師特徴量群との類似度が閾値以上である又は閾値より大きい場合に、当該教師特徴量群と組になる劣化レベルを取得する。
In this case, the deterioration
または、予め決められた条件は、判定対象特徴量群との類似度が最も高い、という条件でもよく、その場合、劣化レベル取得部132は、格納されている学習情報を構成する2以上の教師特徴量群のうち、取得された判定対象特徴量群との類似度が最も高い教師特徴量群を選択し、当該教師特徴量群と組になる劣化レベルを取得する。 Alternatively, the predetermined condition may be a condition that the degree of similarity with the feature amount group to be determined is the highest. A teacher feature quantity group having the highest degree of similarity with the acquired determination target feature quantity group is selected from among the feature quantity groups, and a degradation level paired with the teacher feature quantity group is acquired.
劣化レベル取得部132を構成する教師特徴量群取得手段1321は、教師データ格納部111に格納されている2以上の各教師画像ごとに、当該教師画像の少なくとも一部から、教師特徴量群を取得する。
A teacher feature quantity
教師特徴量群とは、一の教師画像から取得される2以上の特徴量の組である。2以上の特徴量の組は、例えば、3つの特徴量“色相”,“色相の変化率”,および“明度の変化率”の組である。ただし、2以上の特徴量の組は、例えば、上記3つの特徴量に加えて、またはそのうち1つの特徴量に代えて、LBP(Local Binary Pattern)を含んでいてもよく、教師特徴量群を構成する特徴量の数や種類は問わない。なお、LBPとは、画像を構成する2以上の各画素ごとに、当該画素とその周囲の近傍画素との差分が閾値以上であるか否かを、“0”,“1”等のビット値で示した情報である、といってもよい。LBPは公知であり、詳しい説明を省略する。 A teacher feature quantity group is a set of two or more feature quantities obtained from one teacher image. A set of two or more feature amounts is, for example, a set of three feature amounts "hue", "hue change rate", and "brightness change rate". However, a set of two or more feature quantities, for example, in addition to the above three feature quantities or in place of one of them, may include an LBP (Local Binary Pattern), and the teacher feature quantity group The number and types of feature quantities to be configured do not matter. The LBP is a bit value such as "0" or "1" that indicates whether the difference between each of two or more pixels that make up an image is equal to or greater than a threshold value. It can be said that it is the information shown in The LBP is well known and will not be described in detail.
教師画像の少なくとも一部とは、一の教師画像の全部でもよいし、一の教師画像のうちの2以上の各ブロックに対応する部分でもよい。 At least a portion of the teacher image may be the entirety of one teacher image, or may be a portion of one teacher image corresponding to two or more blocks.
詳しくは、教師特徴量群取得手段1321は、例えば、“M画素×N画素”の教師画像kを、横方向にm分割し、かつ縦方向にn分割することにより、“m×n”個のブロックを取得する。“m×n”個の各ブロックは、“(M/m)画素×(N/n)画素”で構成される。
More specifically, the teacher feature quantity
具体的には、例えば、教師画像kが800画素×600画素で構成される場合(以下では、かかる教師画像を「800×600の教師画像k」のように記す場合がある)、教師特徴量群取得手段1321は、この800×600の教師画像kを、横方向に160分割し、かつ縦方向に120分割することにより、19200個の“5×5”のブロックを取得する。 Specifically, for example, when the teacher image k is composed of 800 pixels×600 pixels (hereinafter, such a teacher image may be referred to as “800×600 teacher image k”), the teacher feature amount The group obtaining means 1321 obtains 19200 “5×5” blocks by dividing this 800×600 teacher image k into 160 in the horizontal direction and 120 in the vertical direction.
次に、教師特徴量群取得手段1321は、取得した“m×n”個のブロックの各々から、教師特徴量群を取得する。これにより、教師画像kから、“m×n”個のブロックに対応する“m×n”個の教師特徴量群が取得される。例えば、800×600の教師画像kからは、19200個のブロックに対応する19200個の教師特徴量群が取得される。 Next, the teacher feature quantity group acquisition means 1321 acquires a teacher feature quantity group from each of the acquired “m×n” blocks. As a result, “m×n” teacher feature quantity groups corresponding to “m×n” blocks are acquired from the teacher image k. For example, from an 800×600 teacher image k, 19200 teacher feature quantity groups corresponding to 19200 blocks are acquired.
教師特徴量群取得手段1321は、こうして教師画像kから取得した“m×n”個の各教師特徴量群を、画像識別子“k”およびブロック識別子(i,j)に対応付けて、格納部11に蓄積する。 The teacher feature quantity group acquisition means 1321 associates each of the “m×n” teacher feature quantity groups acquired from the teacher image k in this way with the image identifier “k” and the block identifier (i, j), and stores them in the storage unit 11.
ブロック識別子とは、ブロックを識別する情報である。ブロック識別子は、例えば、IDである。教師画像kから取得された“m×n”個のブロックに関するブロック識別子は、例えば、横方向のブロック番号iおよび縦方向のブロック番号jの組(i,j)である。横方向のブロック番号iとは、横方向のm個のブロックの配列における位置(例えば、左からi番目)を示す情報である。縦方向のブロック番号jとは、縦方向のn個のブロックの配列における位置(例えば、上からj番目)を示す情報である。 A block identifier is information that identifies a block. A block identifier is, for example, an ID. A block identifier for the “m×n” blocks acquired from the teacher image k is, for example, a set (i, j) of a horizontal block number i and a vertical block number j. The horizontal block number i is information indicating the position (for example, the i-th block from the left) in the array of m blocks in the horizontal direction. The vertical block number j is information indicating the position (for example, the j-th block from the top) in the array of n blocks in the vertical direction.
具体的には、例えば、800×600の教師画像kから取得された19200個の各ブロックを識別するブロック識別子は、(1,1),(1,2),・・・(120,160)等である。かかるブロック識別子(i,j)は、教師画像k内における当該ブロックの位置を示す位置情報でもある。なお、ブロック配列が一次元の場合のブロック識別子は、例えば、“1”,“2”,“3”といった、一のブロック番号でよい。ただし、ブロック識別子の表現形式は問わない。 Specifically, for example, block identifiers for identifying each of 19200 blocks acquired from an 800×600 teacher image k are (1, 1), (1, 2), . . . (120, 160) etc. Such a block identifier (i, j) is also positional information indicating the position of the block in the teacher image k. Note that the block identifier when the block array is one-dimensional may be one block number such as "1", "2", "3", for example. However, the representation format of the block identifier does not matter.
例えば、M画素×N画素の教師画像kから取得した“m×n”個の各ブロックごとに、3つの特徴量“色相”,“色相の変化率”,および“明度の変化率”の組で構成される教師特徴量群を取得する場合、教師特徴量群取得手段1321は、当該ブロックを構成する“(M/m)×(N/n)”個の画素を用いて、色相を取得する。教師特徴量群取得手段1321は、取得した“m×n”個の各色相を、画像識別子“k”およびブロック識別子(i,j)に対応付けて、格納部11に蓄積する。
For example, for each of “m×n” blocks obtained from a teacher image k of M pixels×N pixels, a set of three feature amounts “hue”, “hue change rate”, and “brightness change rate” , the teacher feature
これにより、例えば、800×600の教師画像kから取得された19200個の各色相が、画像識別子“k”およびブロック識別子(1,1),(1,2),・・・(120,160)等に対応付けて、格納部11に格納される結果となる。 As a result, for example, 19200 hues obtained from an 800×600 teacher image k are represented by image identifier “k” and block identifiers (1, 1), (1, 2), . . . (120, 160 ) etc., and stored in the storage unit 11 .
次に、教師特徴量群取得手段1321は、例えば、格納部11に、ブロック識別子(i,j)と対に格納されている“m×n”個の色相を用いて、“m×n”個の各ブロックごとに、色相を位置情報で一次微分した結果である“色相の変化率”を取得する。教師特徴量群取得手段1321は、取得した“m×n”個の各“色相の変化率”を、ブロック識別子(i,j)に対応付けて、格納部11にさらに蓄積する。
Next, the teacher feature quantity
これにより、例えば、800×600の教師画像kから取得された19200個の各“色相の変化率”が、画像識別子“k”およびブロック識別子(1,1),(1,2),・・・(120,160)等に対応付けて、格納部11にさらに格納される結果となる。 As a result, for example, 19200 “hue change rates” obtained from an 800×600 teacher image k are represented by image identifier “k” and block identifiers (1, 1), (1, 2), . (120, 160) and the like are further stored in the storage unit 11 .
また、教師特徴量群取得手段1321は、例えば、“m×n”個の各ブロックごとに、当該ブロックを構成する“(M/m)×(N/n)”個の画素を用いて、明度を取得する。そして、教師特徴量群取得手段1321は、取得した“m×n”個の明度を用いて、明度を位置情報で一次微分した結果である“明度の変化率”を取得する。教師特徴量群取得手段1321は、こうして取得した2以上の各“明度の変化率”を、画像識別子“k”およびブロック識別子(i,j)に対応付けて、格納部11にさらに蓄積する。
Further, the teacher feature quantity
これにより、例えば、800×600の教師画像kから取得された19200個の各“明度の変化率”が、画像識別子“k”およびブロック識別子(1,1),(1,2),・・・(120,160)等に対応付けて、格納部11にさらに格納され、それによって、格納部11には、教師画像kの“m×n”個の各ブロックごとに、3つの特徴量“色相”,“色相の変化率”,および“明度の変化率”の組で構成された教師特徴量群が格納される結果となる。 As a result, for example, 19200 "brightness change rates" obtained from an 800×600 teacher image k are represented by the image identifier "k" and the block identifiers (1, 1), (1, 2), . (120, 160), etc., are further stored in the storage unit 11, whereby the storage unit 11 stores three feature values " As a result, a teacher feature amount group composed of a set of "hue", "hue change rate", and "brightness change rate" is stored.
次に、教師特徴量群取得手段1321は、教師データ格納部111から、当該一の教師画像に対応する劣化レベルを取得する。そして、教師特徴量群取得手段1321は、格納部11に、画像識別子“k”およびブロック識別子(i,j)に対応付けて格納されている、“m×n”個のブロックに対応する“m×n”個の教師特徴量群の集合に、教師データ格納部111から取得した劣化レベルを対応付ける。
Next, the teacher feature quantity
これにより、格納部11には、例えば、800×600の教師画像kから取得された19200個の教師特徴量群が、画像識別子“k”およびブロック識別子(1,1),(1,2),・・・(120,160)等に対応付けて格納される結果となる。 As a result, in the storage unit 11, for example, 19200 teacher feature quantity groups obtained from the 800×600 teacher image k are stored with the image identifier “k” and the block identifiers (1, 1), (1, 2). , .
教師特徴量群取得手段1321は、上記のような処理を、K個の各教師画像ごとに行い、それによって、格納部11には、画像識別子“k”およびブロック識別子(i,j)に対応付けて、3つの特徴量“色相”,“色相の変化率”,および“明度の変化率”の組で構成された“K×m×n”個の教師特徴量群が格納される結果となる。 The teacher feature quantity group acquisition means 1321 performs the above-described processing for each of K teacher images. In addition, the result of storing "K×m×n" teacher feature amount groups composed of sets of three feature amounts "hue", "hue change rate", and "brightness change rate" Become.
なお、ブロックのサイズは、可変でもよい。すなわち、教師特徴量群取得手段1321は、例えば、教師画像のサイズに応じて、異なるサイズのブロックを採用し、各ブロックから教師特徴量群を取得してもよい。具体的には、教師特徴量群取得手段1321は、例えば、800×600の教師画像に対して5×5のブロックを採用し、640×480の教師画像に対しては4×4のブロックを採用することにより、例えば、教師画像のサイズが小さくても、教師特徴量群を高い精度で取得でき、また、教師画像のサイズが大きくても、教師特徴量群の取得のための処理量の抑制できる。つまり、サイズが異なる2以上の各教師画像から、2以上の教師特徴量群を効率よく取得できる。 Note that the block size may be variable. That is, the teacher feature quantity group acquisition means 1321 may employ blocks of different sizes according to the size of the teacher image, for example, and acquire the teacher feature quantity group from each block. Specifically, the teacher feature quantity group acquisition means 1321 adopts, for example, 5×5 blocks for an 800×600 teacher image, and 4×4 blocks for a 640×480 teacher image. By adopting, for example, even if the size of the teacher image is small, the teacher feature value group can be acquired with high accuracy, and even if the size of the teacher image is large, the amount of processing for acquiring the teacher feature value group can be reduced. can be suppressed. In other words, it is possible to efficiently acquire two or more teacher feature quantity groups from two or more teacher images of different sizes.
または、教師特徴量群取得手段1321は、一の教師画像内で、例えば、色または輝度の変化率に応じて、異なるサイズのブロックを採用し、各ブロックから教師特徴量群を取得してもよい。具体的には、教師特徴量群取得手段1321は、例えば、一の教師画像内で、色または輝度の変化率が閾値より大きい又は閾値以上である部分に対して5×5のブロックを採用し、色または輝度の変化率が閾値以下または閾値未満である部分に対しては10×10のブロックを採用することにより、劣化領域に対応する部分から高い精度の教師特徴量群を取得し、劣化領域以外の領域(以下、健全領域と記す場合がある)に対応する部分からは、低い精度の教師特徴量群を取得する。こうして、一の教師画像内の劣化領域からのみ、高い精度で教示情報群を取得し、健全領域からは、低い精度で教示情報群を取得することで、2以上の教師特徴量群を異なる精度で効率よく取得できる。
Alternatively, the teacher feature quantity group acquisition means 1321 may adopt blocks of different sizes in one teacher image, for example, according to the change rate of color or brightness, and acquire the teacher feature quantity group from each block. good. Specifically, the teacher feature quantity
または、教師特徴量群取得手段1321は、一の教師画像内で、色または輝度の変化率が閾値より大きい又は閾値以上である部分からのみ、教師特徴量群を取得し、色または輝度の変化率が閾値以下または閾値未満である部分からは教師特徴量群を取得しなくてもよい。 Alternatively, the teacher feature quantity group acquisition means 1321 acquires a teacher feature quantity group only from a part in one teacher image in which the rate of change in color or brightness is greater than or equal to the threshold value. It is not necessary to acquire a teacher feature quantity group from a portion whose rate is equal to or less than the threshold or less than the threshold.
詳しくは、教師特徴量群取得手段1321は、例えば、教師画像を2以上のブロックに分割し、当該2以上のブロックのうち、色または輝度の変化率が閾値より大きい又は閾値以上であるブロックからのみ、教師特徴量群を取得し、色または輝度の変化率が閾値以下または閾値未満であるブロックからは、教師特徴量群を取得しない。
Specifically, the teacher feature quantity
これにより、一の教師画像内の劣化領域からのみ、2以上の教師特徴量群を高い精度で効率よく取得できる。 As a result, two or more teacher feature quantity groups can be efficiently obtained with high accuracy only from the degraded region in one teacher image.
なお、教師画像のブロックに関する上記事項は、判定対象画像のブロックについても当てはまる。 It should be noted that the above-mentioned items regarding the block of the teacher image also apply to the block of the determination target image.
または、教師特徴量群取得手段1321は、2以上の各教師画像ごとに、輪郭線検出および領域抽出を行うことにより、劣化領域を取得してもよい。輪郭線検出とは、画像内の領域の輪郭線を検出する処理である。教師特徴量群取得手段1321は、例えば、予め決められた閾値で教師画像を二値化することにより、劣化領域の輪郭線を検出する。領域抽出とは、画像から領域を抽出す処理である。教師特徴量群取得手段1321は、教師画像から、検出した輪郭線で囲まれる領域を抽出する。教師特徴量群取得手段1321は、こうして2以上の教師画像から取得した2以上の各劣化領域ごとに、教師特徴量群を取得してもよい。
Alternatively, the teacher feature quantity
学習情報取得手段1322は、教師データ格納部111に格納されている2以上の各教師画像に対して教師特徴量群取得手段1321が取得した2以上の教師特徴量群を用いて、学習情報を取得し、学習情報格納部112に蓄積する。
The learning
学習情報取得手段1322は、例えば、教師データ格納部111に格納されているK個の教師画像に対して教師特徴量群取得手段1321が取得した“K×m×n”個の教師特徴量群を用いて、学習情報を取得し、学習情報格納部112に蓄積する。
For example, the learning
学習情報取得手段1322は、格納されている2以上の各教師画像に対して取得された2以上の教師特徴量群を用いて、例えば、教師画像と2以上の教師特徴量群との対の集合である学習情報を取得する。
The learning
学習情報取得手段1322は、例えば、格納されているK以上の各教師画像に対して取得された“m×n”個の教師特徴量群を用いて、教師画像と“m×n”個の教師特徴量群とのk個の対の集合で構成された学習情報を取得する。
The learning
または、学習情報取得手段1322は、教師データ格納部111に格納されている2以上の各教師画像に対して教師特徴量群取得手段1321が取得した2以上の教師特徴量群を用いて、例えば、機械学習のアルゴリズムにより、クラス分類による第一の学習器、または回帰式による第二の学習器のうち、1種類以上の学習器を構成してもよい。
Alternatively, the learning
また、学習情報取得手段1322は、格納されている2以上の各教師画像に対して、教師特徴量群取得手段1321が取得した教師特徴量群と、取得された2以上の各教師特徴量群に対して、第一の学習器から出力される離散的な第一劣化レベル、および第二学習器から出力される連続的な第二劣化レベルとを用いて、例えば、機械学習のアルゴリズムにより、第三の学習器をも構成してもよい。第三の学習器とは、第一および第二の劣化レベルを入力とし、第一または第二のいずれかの劣化レベルを出力とする学習器である。
In addition, the learning
さらに、学習情報取得手段1322は、格納されている2以上の各教師画像に対して、教師特徴量群取得手段1321が当該教師画像を構成する“m×n”個のブロックから取得した“m×n”個の教師特徴量群と、当該“m×n”個の教師特徴量群に対して、第一または第二の学習器から出力される第一または第二の劣化レベルである“m×n”個の局所的劣化レベルとを用いて、例えば、機械学習のアルゴリズムにより、第四の学習器をも構成してもよい。第四の学習器とは、“m×n”個の局所的劣化レベルを入力とし、大局的劣化レベルを出力とする学習器である。
Further, the learning
判定対象特徴量群取得手段1323は、判定対象画像取得部131が取得した判定対象画像の少なくとも一部から、2以上の特徴量の組である判定対象特徴量群を取得する。なお、判定対象特徴量群取得手段1323が判定対象画像から判定対象特徴量群を取得する手順は、教師特徴量群取得手段1321が教師画像から教師特徴量群を取得する手順と同じでよい。
The determination target feature amount
すなわち、判定対象特徴量群取得手段1323は、例えば、取得された判定対象画像を2以上のブロックに分割し、当該2以上のブロックの各々から、判定対象特徴量群を取得する。
That is, the determination target feature amount
判定対象特徴量群取得手段1323は、例えば、“M画素×N画素”の判定対象画像を、横方向にm分割し、かつ縦方向にn分割することにより、“(M/m)画素×(N/n)画素”で構成された“m×n”個のブロックを取得する。これにより、例えば、800×600の判定対象画像は、前述した800×600の教師画像kの場合と同じく、5×5の19200個のブロックに分割され、19200個のブロックの各々から、判定対象特徴量群が取得される。
For example, the determination target feature amount
劣化レベル取得手段1324は、判定対象特徴量群取得手段1323が取得した判定対象特徴量群を、学習情報格納部112の学習情報に適用し、当該判定対象特徴量群に対応する劣化レベルを取得する。
The deterioration
劣化レベル取得手段1324は、例えば、判定対象特徴量群取得手段1323が2以上の各ブロックから取得した判定対象特徴量群を学習情報に適用し、各ブロックの局所的劣化レベルを取得する。局所的劣化レベルとは、判定対象画像を構成する2以上の各ブロックごとの劣化レベルである。
For example, the deterioration
劣化レベル取得手段1324は、例えば、判定対象特徴量群取得手段1323がm×n個の各ブロックから取得した判定対象特徴量群を学習情報に適用し、m×n個の各ブロックの局所的劣化レベルを取得する。こうして取得されるm×n個の各局所的劣化レベルは、例えば、ブロック識別子(i,j)と劣化レベルとを有する。
For example, the deterioration
劣化レベル取得手段1324は、2以上(例えば、m×n個:以下同様)の局所的劣化レベルを、例えば、機械学習のアルゴリズムにより取得する。
The deterioration
また、劣化レベル取得手段1324は、こうして取得した2以上の局所的劣化レベルを用いて、大局的劣化レベルを取得する。大局的劣化レベルとは、判定対象画像を構成する2以上のブロックに対する劣化レベルである。大局的劣化レベルは、例えば、判定対象画像を構成する2以上のブロックの全部に対する劣化レベル(つまり、判定対象画像を単位とする劣化レベル)であるが、判定対象画像を構成する2以上のブロックのうち、オブジェクトに対応する2以上のブロックに対する劣化レベル(つまり、オブジェクトを単位とする劣化レベル)でもよい。
Further, the deterioration
大局的劣化レベルは、例えば、劣化領域のサイズを用いて取得される。大局的劣化レベルは、特に、例えば、判定対象画像のサイズに対する、劣化領域のサイズの比率を用いて取得されることは好適である。判定対象画像のサイズに対する、劣化領域のサイズの比率は、例えば、判定対象画像を構成するブロックの数に対する、局所的劣化レベルが閾値より小さい又は閾値以下であるブロックの数の割合である。 A global degradation level is obtained using, for example, the size of the degraded region. It is particularly preferable to obtain the global deterioration level using, for example, the ratio of the size of the deteriorated region to the size of the determination target image. The ratio of the size of the degraded region to the size of the image to be determined is, for example, the ratio of the number of blocks whose local deterioration level is smaller than or equal to or less than the threshold to the number of blocks forming the image to be determined.
劣化レベル取得手段1324は、例えば、取得した2以上の局所的劣化レベルを用いて、劣化領域のサイズを取得し、取得した劣化領域のサイズを用いて、大局的劣化レベルを取得する。
The deterioration
または、劣化レベル取得手段1324は、取得した劣化領域のサイズを、判定対象画像のサイズで除算し、その除算結果を用いて、大局的劣化レベルを取得してもよい。
Alternatively, the deterioration
例えば、800×600の判定対象画像を5×5のブロックに分割する場合、劣化レベル取得部132は、“800×600”を“5×5”で除算することにより、判定対象画像のサイズ“19200”を取得する。これら19200個のブロックの中に、局所的劣化レベルが閾値より小さい又は閾値以下のブロックが、例えば、600個含まれている場合、劣化レベル取得部132は、劣化領域のサイズ“600”を判定対象画像のサイズ“19200”で除算し、除算結果“1/32”を取得する。
For example, when dividing an 800×600 determination target image into 5×5 blocks, the deterioration
劣化レベル取得手段1324は、取得した劣化領域のサイズを用いて、または取得した劣化領域のサイズを判定対象画像のサイズで除算した結果を用いて、例えば、機械学習のアルゴリズムにより、大局的劣化レベルを取得する。
The deterioration
または、格納部11に、劣化領域のサイズと大局的劣化レベルとの対応を示す対応情報が格納されており、劣化レベル取得手段1324は、取得した劣化領域のサイズに対応する大局的劣化レベルを、この対応情報を用いて取得してもよい。 Alternatively, the correspondence information indicating the correspondence between the size of the degraded area and the global degradation level is stored in the storage unit 11, and the degradation level acquisition means 1324 acquires the global degradation level corresponding to the acquired size of the degraded area. , may be obtained using this correspondence information.
または、格納部11に、除算結果と大局的劣化レベルとの対応を示す対応情報が格納されており、劣化レベル取得手段1324は、取得した劣化領域のサイズを判定対象画像のサイズで除算し、除算結果に対応する大局的劣化レベルを、この対応情報を用いて取得してもよい。
Alternatively, the storage unit 11 stores correspondence information indicating the correspondence between the division result and the global deterioration level, and the deterioration
劣化レベル取得手段1324は、予め決められた2以上のアルゴリズムのうち、判定対象の劣化度に応じたアルゴリズムにより、劣化レベルを取得してもよい。予め決められた2以上のアルゴリズムは、例えば、第一アルゴリズム、および第二アルゴリズムを含む。第一アルゴリズムとは、回帰式により連続値を取得するアルゴリズムである。第二アルゴリズムとは、クラス分類により離散値を取得するアルゴリズムである。
The deterioration
劣化レベル取得手段1324は、例えば、最初、第二アルゴリズムにより、離散値である第一劣化レベルを取得する。劣化レベル取得手段1324は、取得した第一劣化レベルが閾値以下または閾値より低い場合に、第一アルゴリズムにより、連続値である第二劣化レベルをさらに取得し、当該第二劣化レベルに対応する劣化レベルを採用する。第一劣化度が閾値より高い又は閾値以上である場合には、劣化レベル取得手段1324は、当該第一劣化度に対応する劣化レベルを採用する。
The deterioration level acquisition means 1324, for example, first acquires the first deterioration level, which is a discrete value, by the second algorithm. When the obtained first deterioration level is equal to or less than the threshold or lower than the threshold, the deterioration
または、劣化レベル取得手段1324は、一の判定対象に対し、第一および第二の各アルゴリズムで劣化度を取得し、取得した2以上の劣化度のうち条件を満たす劣化度に対応する劣化レベルを採用してもよい。条件は、例えば、第二のアルゴリズムで取得した劣化度が閾値より大きい又は閾値以上である場合は、当該劣化度に対応する劣化レベルを採用し、第二の各アルゴリズムで取得した劣化度が閾値以下または閾値より小さい場合は、第二のアルゴリズムで取得した劣化度に対応する劣化レベルを採用する、という条件である。
Alternatively, the deterioration
または、条件は、第一および第二のアルゴリズムで取得した2つの劣化度の平均値が閾値より大きい又は閾値以上である場合は、第二のアルゴリズムで取得した劣化度に対応する劣化レベルを採用し、かかる平均値が閾値より小さい又は閾値以下である場合は、第一アルゴリズムで取得した劣化度に対応する劣化レベルを採用する、という条件でもよい。 Alternatively, if the average value of the two deterioration degrees obtained by the first and second algorithms is greater than or equal to the threshold, the deterioration level corresponding to the deterioration degree obtained by the second algorithm is adopted. However, if the average value is smaller than the threshold value or equal to or less than the threshold value, the condition may be such that the deterioration level corresponding to the degree of deterioration acquired by the first algorithm is adopted.
なお、上記のように構成された劣化レベル取得部132において、教師特徴量群取得手段1321と学習情報取得手段1322とで、図示しない学習部が構成され、判定対象特徴量群取得手段1323と劣化レベル取得手段1324とで、図示しない自動判定部が構成されてもよい。
In the deterioration
また、劣化レベル判定部132は、上記学習部を有さず、上記自動判定部のみを有していてもよく、その場合、劣化レベル判定装置1は、建造物の劣化レベルを事前の学習により自動判定できる。事前の学習による自動判定とは、例えば、学習情報格納部112に予め格納されている学習情報を用いて、劣化レベルを判定する行うことである。
Further, the deterioration
第一蓄積部133は、判定結果データを組情報格納部113に蓄積する。第一蓄積部133は、例えば、判定対象画像取得部131が取得した判定対象画像と、当該判定対象画像に対して劣化レベル取得手段1324が取得した劣化レベルとの対で構成された判定結果データを、組情報格納部113に蓄積する。
The
第一判断部134は、組情報格納部113に格納されている1以上の各判定結果データを構成する判定対象画像が、予め決められた第一条件を満たすか否かを判断する。第一条件は、例えば、当該判定対象画像に対応付いた劣化レベルが、閾値以下である又は閾値より小さい、という条件である。閾値は、例えば、“3”であるが、“2”や“4”等でもよく、その数値は問わない。
The
なお、第一条件は、例えば、判定対象画像に対する劣化レベルが取得された、という条件でもよいし、判定対象画像が取得された、という条件でもよく、判定対象画像に関する条件であれば何でもよい。例えば、第一条件は、判定対象画像に対して取得された劣化レベルの尤度を示すスコアが、閾値以下である又は閾値より小さい、という条件であってもよい。または、第一条件は、当該判定対象画像に対応付いた劣化レベルが、閾値以下である又は閾値より小さく、かつ、当該劣化レベルの尤度を示すスコアが、閾値以下である又は閾値より小さい、という条件であってもよい。 Note that the first condition may be, for example, the condition that the deterioration level for the determination target image is acquired, or the condition that the determination target image is acquired, or any condition related to the determination target image. For example, the first condition may be a condition that the score indicating the likelihood of the deterioration level acquired for the determination target image is equal to or less than a threshold or smaller than a threshold. Alternatively, the first condition is that the deterioration level associated with the determination target image is equal to or less than a threshold or less than the threshold, and the score indicating the likelihood of the deterioration level is equal to or less than the threshold or less than the threshold. It may be a condition that
第二蓄積部135は、第一条件を満たす1以上の各判定対象画像に対して受付部12が受け付けたユーザ評価を、当該判定対象画像が構成する判定結果データに対応付けて蓄積する。これにより、組情報格納部113において、第一条件を満たす判定対象画像を含む判定結果データと、当該判定対象画像に対するユーザ評価とを有する1以上の組情報が構成される。
The
第二蓄積部135は、例えば、第一条件を満たす1以上の各判定対象画像に対して受付部12が受け付けたユーザ評価であり、ユーザが判定した劣化レベルを示すユーザ評価を、当該判定対象画像が構成する判定結果データに対応付けて蓄積する。これにより、組情報格納部113において、第一条件を満たす判定対象画像を含む判定結果データと、当該判定対象画像に対してユーザが判定した劣化レベルを示すユーザ評価とを有する、1以上の組情報が構成される。
The
第二判断部136は、受付部12が受け付けたユーザ評価が、予め決められた第二条件を満たすか否かを判断する。第二条件は、例えば、劣化レベルとユーザ評価とが異なる組情報が、閾値以上または閾値より多く、組情報格納部113に格納された、という条件である。閾値は、例えば、“2”であるが、“1”でもよいし、“5”や“10”等でもよく、その数値は問わない。
The
なお、第二条件は、例えば、ユーザ評価が受け付けられた、という条件でもよく、ユーザ評価に関する条件であれば何でもよい。例えば、第二条件は、算出された劣化レベルと、受け付けられたユーザ評価とが異なる、という条件でもよい。 Note that the second condition may be, for example, a condition that user evaluation has been received, or any condition related to user evaluation. For example, the second condition may be a condition that the calculated deterioration level is different from the received user evaluation.
再構成部137は、組情報格納部113に格納されている1以上の組情報を用いて、学習情報格納部112に格納されている学習情報を再構成する。
The
再構成部137は、1以上の組情報を用いて、例えば、機械学習のアルゴリズムにより、学習器を再構成する。
The
または、再構成部137は、教師データ格納部111に格納されている2以上の教師データに加えて、組情報格納部113に格納されている1以上の組情報をも用いて、機械学習のアルゴリズムにより学習器を再構成してもよい。
Alternatively, the
再構成部137は、通常、第二判断部136が、受付部12が受け付けたユーザ評価が第二条件を満たすと判断した場合に、学習器を再構成する。または、再構成部137は、受付部12が、再構成を行う旨の指示を受け付けた場合に、学習情報を再構成してもよく、学習情報の再構成を行うトリガやタイミングは問わない。
The
原因判定部138は、判定対象画像取得部131が取得した判定対象画像を用いて、判定対象の劣化原因が、予め決められた2以上の劣化原因のうちいずれであるかを判定する。劣化原因とは、建造物の劣化の原因である。本実施の形態における劣化原因は、例えば、劣化の態様と言ってもよい。劣化原因は、例えば、錆であるが、ひび割れ、変形等でもよく、その種類は問わない。なお、各種の劣化が生じる要因は、経年変化に限らない。例えば、錆は、雨漏り、塩分飛来等によっても生じるし、変形は、加重、振動等によっても生じる。つまり、劣化が生じる要因は問わない。
The
予め決められた2以上の種類とは、例えば、錆、ひび割れ、変形といった、劣化の態様に関する種類であり、判定は、劣化の態様が、かかる2以上の態様のいずれであるかを判定することである。または、判定は、例えば、劣化原因を、錆、ひび割れ、変形といった2種類以上の態様に分類することである、といってもよい。 The predetermined two or more types are, for example, types related to deterioration modes such as rust, cracks, and deformation, and the determination is to determine which of these two or more modes the deterioration mode is. is. Alternatively, the determination may be, for example, classifying the cause of deterioration into two or more aspects such as rust, cracking, and deformation.
詳しくは、例えば、格納部11に、原因判定用情報が格納されている。原因判定用情報とは、建造物の劣化の原因を判定するための情報である。原因判定用情報は、例えば、1以上の特徴量と劣化原因との対の集合で構成される。1以上の特徴量と劣化原因との対とは、例えば、錆に特徴的な色相を示す特徴量“赤茶色”と、劣化原因“錆”との対、ひび割れに特徴的な高周波成分(例えば、閾値より大きい又は閾値以上の“明度の変化率”)を示す特徴量と、劣化原因“ひび割れ”との対などである。 Specifically, for example, the storage unit 11 stores cause determination information. The cause determination information is information for determining the cause of deterioration of the building. The cause determination information is composed of, for example, a set of pairs of one or more feature quantities and deterioration causes. One or more pairs of feature quantity and cause of deterioration include, for example, a pair of feature quantity “reddish brown” indicating a hue characteristic of rust and the cause of deterioration “rust”, and a high frequency component characteristic of cracks (for example , a “brightness change rate” greater than or equal to a threshold) and a deterioration cause “crack”.
原因判定部138は、例えば、判定対象画像取得部131が取得した判定対象画像に対し、判定対象特徴量群取得手段1323が取得した判定対象特徴量群(例えば、色相、高周波成分等)を用いて、判定対象の劣化原因が、予め決められた2以上の劣化原因のうちいずれであるかを判定する。
For example, the
または、原因判定部138は、判定対象画像取得部131が取得した判定対象画像に対し、劣化レベル取得部132が取得した劣化レベルが閾値以上また閾値より高い場合に、例えば、判定対象特徴量群取得手段1323が取得した判定対象特徴量群を用いて、判定対象の劣化原因が、予め決められた2以上の劣化原因のうちいずれであるかを判定してもよい。
Alternatively, when the deterioration level acquired by the deterioration
または、原因判定部138は、ランダムフォレスト等の機械学習のアルゴリズムにより劣化原因の判定を行ってもよし、1以上の特徴量を入力とし、劣化原因を出力とする学習器を構成しても構わない。劣化原因の判定に用いられる1以上の特徴量は、例えば、劣化原因の判定に用いられる2以上の特徴量の一部であるが、劣化原因の判定用とは別の特徴量でもよい。なお、原因判定部138は、取得した劣化原因の尤度を示すスコアをも取得してもよい。
Alternatively, the
なお、原因判定部138が判定した劣化原因は、例えば、出力部14により出力される。または、判定された劣化原因は、劣化レベル取得部132に引き渡され、劣化レベル取得部132は、劣化原因によって異なるアルゴリズムにより、レベル判定を行ってもよい。
The cause of deterioration determined by the
出力部14は、劣化レベル取得部132が取得した劣化レベルを出力する。出力とは、例えば、ディスプレイへの表示、スピーカからの音出力、プリンタでの印字、記録媒体への蓄積、他のプログラムへの引渡し、外部の装置への送信などを含む概念である。なお、出力部14は、取得された劣化レベルと共に、当該劣化レベルに対して取得されたスコアをも出力してもよい。
The
また、出力部は、例えば、原因判定部138が取得した劣化原因を出力してもよい。
Also, the output unit may output the cause of deterioration acquired by the
出力部14は、劣化レベル等の情報を、通常、ディスプレイに表示するが、例えば、記録媒体に蓄積してもよいし、他のプログラムに引き渡したり、外部の装置に送信したりしても構わない。
The
格納部11、学習情報格納部112、教師データ格納部111、および組情報格納部113は、例えば、ハードディスクやフラッシュメモリといった不揮発性の記録媒体が好適であるが、RAMなど揮発性の記録媒体でも実現可能である。
The storage unit 11, the learning
格納部11等に情報が記憶される過程は問わない。例えば、記録媒体を介して情報が格納部11等で記憶されるようになってもよく、ネットワークや通信回線等を介して送信された情報が格納部11等で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された情報が格納部11等で記憶されるようになってもよい。入力デバイスは、例えば、キーボード、マウス、タッチパネル等、何でもよい。 It does not matter how the information is stored in the storage unit 11 or the like. For example, information may be stored in the storage unit 11 or the like via a recording medium, or information transmitted via a network, a communication line, or the like may be stored in the storage unit 11 or the like. Alternatively, information input via an input device may be stored in the storage unit 11 or the like. Any input device such as a keyboard, mouse, touch panel, or the like may be used.
受付部12は、入力デバイスを含むと考えても、含まないと考えてもよい。受付部12は、入力デバイスのドライバーソフトによって、または入力デバイスとそのドライバーソフトとで実現され得る。
The
なお、受付部12の受信機能は、通常、有線または無線の通信手段(例えば、NIC(Network interface controller)やモデム等の通信モジュール)で実現されるが、放送を受信する手段(例えば、放送受信モジュール)で実現されてもよい。
Note that the reception function of the
処理部13、判定対象画像取得部131、劣化レベル取得部132、第一判断部134、第一蓄積部133、第二蓄積部135、再構成部137、第二判断部136、原因判定部138、教師特徴量群取得手段1321、学習情報取得手段1322、判定対象特徴量群取得手段1323、および劣化レベル取得手段1324は、通常、MPUやメモリ等から実現され得る。処理部13等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはROM等の記録媒体に記録されている。ただし、処理手順は、ハードウェア(専用回路)で実現してもよい。
Processing
出力部14は、ディスプレイやスピーカ等の出力デバイスを含むと考えても含まないと考えてもよい。出力部14は、出力デバイスのドライバーソフトによって、または出力デバイスとそのドライバーソフトとで実現され得る。
The
なお、出力部16の送信機能は、通常、有線または無線の通信手段で実現されるが、放送手段(例えば、放送モジュール)で実現されてもよい。 The transmission function of the output unit 16 is usually realized by wired or wireless communication means, but may be realized by broadcasting means (for example, a broadcasting module).
次に、劣化レベル判定装置1の動作について図2のフローチャートを用いて説明する。
Next, the operation of the deterioration
(ステップS201)処理部13は、劣化レベルの判定を行うか否かを判断する。処理部13は、例えば、受付部12が、劣化レベルの判定を行う旨の指示を受け付けた場合に、劣化レベルの判定を行うと判断する。または、処理部13は、受付部12が、劣化レベル判定装置1を実現する携帯端末の内蔵カメラで撮影された画像を受け付けた場合に、劣化レベルの判定を行うと判断してもよい。劣化レベルの判定を行う場合はステップS202に進み、劣化レベルの判定を行わない場合はステップS206に進む。
(Step S201) The
(ステップS202)判定対象画像取得部131は、判定対象画像を取得する。例えば、組情報格納部113に1以上の判定対象画像が格納されており、判定対象画像取得部131は、組情報格納部113から一の判定対象画像を取得する。または、劣化レベル判定装置1が携帯端末であり、判定対象の建造物が携帯端末の内蔵カメラで撮影された場合、判定対象画像取得部131は、その撮影された判定対象画像を取得してもよい。
(Step S202) The determination target
(ステップS203)劣化レベル取得部132は、学習情報格納部112に格納されている学習情報に、ステップS202で取得された判定対象画像を適用し、劣化レベルを取得する。なお、劣化レベル取得部132の詳細な動作については、前述したので同じ説明を繰り返さない。
(Step S203) The deterioration
(ステップS204)出力部14は、ステップS203で取得された劣化レベルを出力する。出力部14は、取得された劣化レベルを、通常、ディスプレイに表示するが、例えば、記録媒体に蓄積したり、他のプログラムに引き渡したり、外部の装置に送信したりしてもよい。
(Step S204) The
(ステップS205)第一蓄積部133は、ステップS202で受け付けられた判定対象画像と、ステップS203で取得された劣化レベルとの対応である判定結果データを、組情報格納部113に蓄積する。その後、ステップS201に戻る。
(Step S205) The
(ステップS206)第一判断部134は、組情報格納部113に格納されている1以上の各判定結果データを構成する判定対象画像が第一条件を満たすか否かを判断する。第一条件は、例えば、当該判定対象画像に対応付いた劣化レベルが、閾値以下である又は閾値より小さい、という条件である。いずれか1つの判定対象画像が第一条件を満たす場合はステップS206に進み、いずれの判定対象画像も第一条件を満たさない場合はステップS201に戻る。
(Step S<b>206 ) The
(ステップS207)処理部13は、第一条件を満たす判定対象画像に対するユーザ評価を、受付部12が受け付けたか否かを判別する。第一条件を満たす判定対象画像に対するユーザ評価が受け付けられた場合はステップ208に進み、受け付けられていない場合はステップS201に戻る。
(Step S207) The
(ステップS208)第二蓄積部135は、ステップS207で受け付けられたユーザ評価を、当該ユーザ評価の対象である判定対象画像を含む判定結果データに対応付けて蓄積する。これにより、組情報格納部113において、第一条件を満たす判定対象画像を含む判定結果データと、当該判定対象画像に対するユーザ評価とを有する組情報が構成される。
(Step S208) The
(ステップS209)第二判断部136は、ステップS207で受け付けられたユーザ評価が第二条件を満たすか否かを判断する。第二条件は、例えば、劣化レベルとユーザ評価とが異なる組情報が、閾値以上または閾値より多く、組情報格納部113に格納された、という条件である。
(Step S209) The
(ステップS210)再構成部137は、組情報格納部113に格納されている1以上の組情報を用いて、学習情報格納部112に格納されている学習情報を再構成する。その後、ステップS201に戻る。
(Step S<b>210 ) The
なお、図2のフローチャートにおいて、劣化レベル判定装置1の電源オンやプログラムの起動に応じて処理が開始し、電源オフや処理終了の割り込みにより処理は終了する。ただし、処理の開始または終了のトリガは問わない。
In the flowchart of FIG. 2, the process starts when the power of the deterioration
以下、劣化レベル判定装置1の具体的な動作例について説明する。本例における劣化レベル判定装置1は、鉄道による旅客等の輸送、駅舎等の設備の保守・管理などを行う企業のサーバである。建造物は、駅舎等の建築物、またはそれを構成する柱や梁などの部材であり、劣化箇所は、柱等の部材の錆びた箇所であるとする。
A specific operation example of the deterioration
教師データ格納部111には、例えば、図3に示すような、2以上の教師データが予め格納されている。図3は、教師データのデータ構造図である。教師データは、教師画像と劣化レベルとの対である。教示画像は、柱等の部材の錆びた箇所を撮影した画像である。劣化レベルは、0~5の範囲の離散値である。
The teacher
格納される2以上の教師データには、ID(例えば、“1”,“2”等)が対応付いている。例えば、ID“1”に対応する教師データ(以下、教師データ1と記す場合がある)は、教師画像1と劣化レベル“2”とを有する。同様に、ID“2”に対応する教師データ(教師データ2)は、教師画像2と劣化レベル“4”とを有する。
Two or more pieces of stored teacher data are associated with IDs (for example, "1", "2", etc.). For example, teacher data corresponding to ID "1" (hereinafter sometimes referred to as teacher data 1) has
学習情報格納部112には、2以上の学習器が格納され得る。2以上の学習器のうち2つは、3つの特徴量“色相”,“色相の変化率”,および“明度の変化率”の組である特徴量群を入力とし、劣化レベルを出力とする学習器である。かかる2つの学習器のうち、一方は、回帰式による第一の学習器であり、他方は、クラス分類による第二の学習器である。上記特徴量群の入力に対し、第一の学習器からは、0~5の範囲の離散値である第一劣化レベルが出力され、第二の学習器からは、同範囲の連続値である第二劣化レベルが出力される。
Two or more learners can be stored in the learning
また、学習情報格納部112には、第一の学習器からの第一劣化レベルおよび第二の学習器からの第二劣化レベルを入力とし、第一劣化レベルまたは第二劣化レベルのいずれか一方を出力とする第三の学習器も格納され得る。
Further, the learning
さらに、学習情報格納部112には、第一または第二の学習器からの“160×120”個の局所的劣化レベルを入力とし、一の大局的劣化レベルを出力とする第四の学習器も格納され得る。なお、第四の学習器から出力される大局的劣化レベルは、第三の学習器から入力される局所的劣化レベルが第一劣化レベルか第二劣化レベルかに関わらず、第一劣化レベルである。だだし、第四の学習器からは、第三の学習器から入力される局所的劣化レベルが第一劣化レベルであれば、同じ第一劣化レベルである大局的劣化レベルが出力され、第三の学習器から入力される局所的劣化レベルが第二劣化レベルであれば、同じ第二劣化レベルである大局的劣化レベルが出力されてもよい。
Furthermore, in the learning
第一および第二の学習器は、学習情報取得手段1322によって、教師データ格納部111に格納されている2以上の教師データ(教師データ1、教師データ2等:図3参照)を用いて、機械学習のアルゴリズムにより構成され、学習情報格納部112に蓄積される。
The first and second learners use two or more teacher data (
第一および第二の学習器が構成されるに当たって、格納部11には、例えば、図4に示すような、教師特徴量群と劣化レベルとの対の集合が格納され得る。 In constructing the first and second learners, the storage unit 11 can store, for example, sets of pairs of teacher feature groups and deterioration levels as shown in FIG.
教師特徴量群と劣化レベルとの対とは、例えば、教師画像1を構成する“160×120”(=19200)個のフロックから取得された“160×120”個の教師特徴量群と、教師画像1に対応する劣化レベル“2”との対(以下、第一の対)、および、教師画像2を構成する“160×120”個のフロックから取得された“160×120”個の教師特徴量群と、教師画像2に対応する劣化レベル“4”との対(以下、第二の対)などである。
A pair of a teacher feature quantity group and a deterioration level is, for example, a teacher feature quantity group of “160×120” (=19200) pieces obtained from “160×120” (=19200) blocks constituting the
第一の対を構成する“160×120”個の各教師特徴量群は、画像識別子“1”およびブロック識別子(1,1),(1,2),・・・(160,120)に対応付けて、格納部11に格納される。 Each of the “160×120” teacher feature quantity groups that make up the first pair is assigned to the image identifier “1” and block identifiers (1, 1), (1, 2), . . . (160, 120). They are stored in the storage unit 11 in association with each other.
例えば、画像識別子“1”およびブロック識別子(1,1)に対応付いた教師特徴量群は、色相“H1”、色相の変化率“RH1”、および明度の変化率“RB1”の組である。なお、以下では、ブロック(1,1)に対応する特徴量の組を“(H1,HR1,RB1)”のように記す場合がある。また、(H1,HR1,RB1)等は、3個の数値の組である。 For example, the teacher feature quantity group associated with the image identifier “1” and block identifier (1, 1) is a set of hue “H1”, hue change rate “RH1”, and lightness change rate “RB1”. . Note that, hereinafter, a set of feature amounts corresponding to block (1, 1) may be written as "(H1, HR1, RB1)". Also, (H1, HR1, RB1), etc. are sets of three numerical values.
同様に、画像識別子“1”およびブロック識別子(1,2)に対応付いた教師特徴量群は(H2,HR2,RB2)である。また、画像識別子“1”およびブロック識別子(160,120)に対応付いた教師特徴量群は(H19200,HR19200,RB19200)である。 Similarly, the teacher feature quantity group associated with the image identifier "1" and the block identifier (1, 2) is (H2, HR2, RB2). Also, the teacher feature amount group associated with the image identifier "1" and the block identifier (160, 120) is (H19200, HR19200, RB19200).
第二の対を構成する“160×120”個の各教師特徴量群は、画像識別子“2”およびブロック識別子(1,1),(1,2),・・・(160,120)に対応付けて、格納部11に格納される。 Each of the “160×120” teacher feature quantity groups that make up the second pair is assigned to image identifier “2” and block identifiers (1, 1), (1, 2), . . . (160, 120) They are stored in the storage unit 11 in association with each other.
例えば、画像識別子“2”およびブロック識別子(1,1)に対応付いた教師特徴量群は(H1,HR1,RB1)であり、画像識別子“2”およびブロック識別子(1,2)に対応付いた教師特徴量群は(H2,HR2,RB2)であり、画像識別子“2”およびブロック識別子(160,120)に対応付いた教師特徴量群は(H19200,HR19200,RB19200)である。 For example, the teacher feature quantity group associated with image identifier “2” and block identifier (1, 1) is (H1, HR1, RB1), and is associated with image identifier “2” and block identifier (1, 2). The teacher feature quantity group obtained is (H2, HR2, RB2), and the teacher feature quantity group associated with the image identifier "2" and the block identifier (160, 120) is (H19200, HR19200, RB19200).
なお、図4に示した、教師特徴量群と劣化レベルとの対の集合において、劣化レベルは、図示しない局所的劣化レベル、および図示しない大局的劣化レベルを含む。局所的劣化レベルは、離散的な第一劣化レベル、または連続的な第二劣化レベルである。大局的劣化レベルは、離散的な第一劣化レベルである。 Note that in the set of pairs of teacher feature quantity groups and deterioration levels shown in FIG. 4, the deterioration levels include a local deterioration level (not shown) and a global deterioration level (not shown). A local deterioration level is a discrete first deterioration level or a continuous second deterioration level. A global degradation level is a discrete first degradation level.
構成された第一および第二の各学習器に対し、判定対象画像から取得された“160×120”個の判定対象特徴量群が入力され、第一の学習器から“160×120”個の第一劣化レベルが出力され、第二の学習器からは“160×120”個の第二劣化レベルが出力される。 To each of the configured first and second learning devices, "160 x 120" determination target feature quantity groups obtained from the determination target image are input, and "160 x 120" feature values are input from the first learning device. , and the second learning device outputs 160×120 second deterioration levels.
第三の学習器は、2以上の各教師画像から取得された“160×120”個の判定対象特徴量群と、当該“160×120”個の判定対象特徴量群に対して、第一の学習器から出力された“160×120”個の第一劣化レベル、および第二の学習器からの“160×120”個の第二劣化レベルを用いて、機械学習のアルゴリズムにより構成される。 The third learning device performs the first Constructed by a machine learning algorithm using "160 × 120" first deterioration levels output from the learner and "160 × 120" second deterioration levels from the second learner .
構成された第三の学習器に対し、第一の学習器から出力された“160×120”個の第一劣化レベルと、第二の学習器から出力された“160×120”個の第二劣化レベルとが入力され、第三の学習器から、“160×120”個の第一または第二の劣化レベルが出力される。 For the configured third learner, "160 × 120" first deterioration levels output from the first learner and "160 × 120" first deterioration levels output from the second learner Two deterioration levels are input, and "160×120" first or second deterioration levels are output from the third learner.
第四の学習器は、2以上の各教師画像から取得された“160×120”個の判定対象特徴量群に対して、第一の学習器から出力された“160×120”個の第一劣化レベル、および第二の学習器からの“160×120”個の第二劣化レベルと、当該“160×120”個の第一劣化レベルおよび当該“160×120”個の第二劣化レベルに対して第三の学習器から出力された“160×120”個の第一または第二の劣化レベルとを用いて、機械学習のアルゴリズムにより構成される。 The fourth learning device outputs "160 x 120" number of third one deterioration level, and the "160×120" second deterioration levels from the second learner, the "160×120" first deterioration levels and the "160×120" second deterioration levels It is configured by a machine learning algorithm using “160×120” first or second deterioration levels output from the third learning device for .
構成された第四の学習器に対し、第三の学習器から出力された“160×120”個の第一または第二の劣化レベルが入力され、第四の学習器から、一の第一劣化レベルである大局的劣化レベルが出力される。 "160 × 120" first or second deterioration levels output from the third learner are input to the configured fourth learner, and one first A global degradation level, which is the degradation level, is output.
組情報格納部113に格納されている1以上の各判定対象画像に対し、劣化レベル取得手段1324が、第一~第四の学習器を用いて、劣化レベルを取得するに当たって、格納部11には、例えば、図5に示すような、判定対象特徴量群と劣化レベルとの対の集合が格納され得る。劣化レベルは、局所的劣化レベル、および大局的劣化レベルを含む。
When the deterioration
判定対象特徴量群と劣化レベルとの対とは、例えば、判定対象画像αを構成する“160×120”(=19200)個のフロックから取得された“160×120”個の判定対象特徴量群と、当該“160×120”個の判定対象特徴量群に対応する“160×120”個の局所的劣化レベル、および判定対象画像αに対応する大局的劣化レベル“3”を含む劣化レベルとの対(以下、第一の対)である。 A pair of a determination target feature amount group and a deterioration level is, for example, “160×120” determination target feature values obtained from “160×120” (=19200) flocks forming the determination target image α. group, "160x120" local degradation levels corresponding to the "160x120" determination target feature quantity groups, and a global degradation level "3" corresponding to the determination target image α. (hereinafter referred to as the first pair).
または、判定対象特徴量群と劣化レベルとの対は、判定対象画像βを構成する“160×120”(=19200)個のフロックから取得された“160×120”個の判定対象特徴量群と、当該“160×120”個の判定対象特徴量群に対応する“160×120”個の局所的劣化レベル、および判定対象画像βに対応する大局的劣化レベル“4”を含む劣化レベルとの対(以下、第二の対)でもよい。 Alternatively, the pair of the determination target feature amount group and the deterioration level is the "160×120" determination target feature amount group obtained from the "160×120" (=19200) flocks forming the determination target image β. , a deterioration level including “160×120” local deterioration levels corresponding to the “160×120” determination target feature quantity groups, and a global deterioration level “4” corresponding to the determination target image β (hereinafter referred to as the second pair).
判定対象特徴量群のデータ構造は、図4の示した教師特徴量群のデータ構造と同じである。例えば、第一の対において、画像識別子“α”およびブロック識別子(1,1)に対応付いた判定対象特徴量群は(H1,HR1,RB1)であり、画像識別子“α”およびブロック識別子(1,2)に対応付いた判定対象特徴量群は(H2,HR2,RB3)であり、画像識別子“α”およびブロック識別子(160,120)に対応付いた判定対象特徴量群は(H19200,HR19200,RB19200)である。 The data structure of the determination target feature quantity group is the same as the data structure of the teacher feature quantity group shown in FIG. For example, in the first pair, the determination target feature quantity group associated with the image identifier “α” and the block identifier (1, 1) is (H1, HR1, RB1), and the image identifier “α” and the block identifier ( 1, 2) is (H2, HR2, RB3), and the feature group to be determined associated with the image identifier "α" and the block identifier (160, 120) is (H19200, HR19200, RB19200).
第一の対における判定対象特徴量群(H1,HR1,RB1)には、局所的劣化レベル“2.2”が対応付き、判定対象特徴量群(H2,HR2,RB2)には、局所的劣化レベル“3.8”が対応付き、判定対象特徴量群(H19200,HR19200,RB19200)には、局所的劣化レベル“3.5”が対応付いている。そして、これら“160×120”個の、連続的な第二劣化レベルである局所的劣化レベルには、離散的な第一劣化レベルである大局的劣化レベル“3”が対応付いている。 The determination target feature value group (H1, HR1, RB1) in the first pair is associated with the local deterioration level "2.2", and the determination target feature value group (H2, HR2, RB2) is associated with the local A deterioration level of "3.8" is associated, and a local deterioration level of "3.5" is associated with the determination target feature quantity group (H19200, HR19200, RB19200). These “160×120” local deterioration levels, which are continuous second deterioration levels, are associated with global deterioration level “3”, which is discrete first deterioration levels.
同様に、第二の対において、画像識別子“β”およびブロック識別子(1,1)に対応付いた判定対象特徴量群は(H1,HR1,RB1)であり、画像識別子“β”およびブロック識別子(1,2)に対応付いた判定対象特徴量群は(H2,HR2,RB3)であり、画像識別子“β”およびブロック識別子(160,120)に対応付いた判定対象特徴量群は(H19200,HR19200,RB19200)である。 Similarly, in the second pair, the determination target feature quantity group associated with the image identifier "β" and the block identifier (1, 1) is (H1, HR1, RB1), and the image identifier "β" and the block identifier The determination target feature amount group associated with (1, 2) is (H2, HR2, RB3), and the determination target feature amount group associated with the image identifier "β" and the block identifier (160, 120) is (H19200 , HR19200, RB19200).
第二の対における判定対象特徴量群(H1,HR1,RB1)には、局所的劣化レベル“4”が対応付き、判定対象特徴量群(H2,HR2,RB2)には、局所的劣化レベル“5”が対応付き、判定対象特徴量群(H19200,HR19200,RB19200)には、局所的劣化レベル“4”が対応付いている。そして、これら“160×120”個の、離散的な第一劣化レベルである局所的劣化レべルには、離散的な第一劣化レベルである大局的劣化レベル“4”が対応付いている。 A local deterioration level "4" is associated with the determination target feature value group (H1, HR1, RB1) in the second pair, and a local deterioration level is associated with the determination target feature value group (H2, HR2, RB2). "5" is associated, and the determination target feature amount group (H19200, HR19200, RB19200) is associated with the local deterioration level "4". These “160×120” local deterioration levels, which are discrete first deterioration levels, are associated with global deterioration level “4”, which is discrete first deterioration levels. .
また、格納部11には、判定対象画像に関する第一条件“判定対象画像の劣化レベルが閾値3以下である”が格納されている。さらに、格納部11には、評価レベルに関する第二条件“劣化レベルとユーザ評価とが異なる組情報が、閾値2以上、組情報格納部113に格納された”も格納されている。
Further, the storage unit 11 stores a first condition "the deterioration level of the determination target image is
組情報格納部113には、例えば、図6に示すような、1以上の組情報が格納され得る。図6は、組情報のデータ構造図である。組情報は、判定結果データとユーザ評価との組で構成される。判定結果データは、判定対象画像と劣化レベルとを含む。
The set
格納される1以上の組情報には、ID(例えば、“1”,“2”等)が対応付いている。例えば、ID“1”に対応する組情報1は、判定対象画像α、劣化レベル“3”、およびユーザ評価“2”を有する。なお、劣化レベル“3”は、判定対象画像αに対して、劣化レベル判定装置1が判定した劣化レベルであり、具体的には、第四の学習器が出力された大局的劣化レベル“3”(図5参照)である。ユーザ評価“2”は、判定対象画像αに対して、ユーザが判定した劣化レベルであり、受付部12によって受け付けられた値である。
One or more sets of stored information are associated with IDs (for example, "1", "2", etc.). For example,
同様に、組情報2は、判定対象画像β、劣化レベル“4”、およびユーザ評価“Null”を有する。なお、劣化レベル“4”は、判定対象画像βに対して、劣化レベル判定装置1が判定した劣化レベルであり、第四の学習器からの出力である大局的劣化レベル“4”(図5参照)である。ユーザ評価“Null”は、判定対象画像βに対してユーザが判定した劣化レベルは存在しない旨の情報である。
Similarly, set
現時点で、学習情報格納部112に学習器は格納されておらず、格納部11には、2つの判定対象画像αおよびβのみが格納されているとする。
At present, no learning device is stored in the learning
最初、学習情報格納部112に格納されている2以上の教師画像1および2等を用いて、教師特徴量群取得手段1321および学習情報取得手段1322は、以下の手順で学習器を構成する。
First, using two or
教師特徴量群取得手段1321は、教師画像1を“160×120”個のブロックに分割し、当該“160×120”個のブロックから、“色相”,“色相の変化率”,および“明度の変化率”の組である教師特徴量群(H1,HR1,RB1),(H2,HR2,RB2),・・・(H19200,HR19200,RB19200)を取得する。そして、教師特徴量群取得手段1321は、取得した“160×120”個の各教師特徴量群を、画像識別子“1”およびブロック識別子(1,1),(1,2),・・・(160,120)に対応付けて、格納部11に蓄積する。また、教師特徴量群取得手段1321は、教師データ1を用いて、教師画像1に対応する劣化レベル“2”を取得し、取得した劣化レベル“2”を、取得した上記“160×120”個の教師特徴量群に対応付けて格納部11に蓄積する。
The teacher feature quantity group acquisition means 1321 divides the
次に、教師特徴量群取得手段1321は、教師画像2を“160×120”個のブロックに分割し、当該“160×120”個のブロックから、同様の教師特徴量群(H1,HR1,RB1),(H2,HR2,RB2),・・・(H19200,HR19200,RB19200)を取得して、画像識別子“2”およびブロック識別子(1,1),(1,2),・・・(160,120)に対応付けて、格納部11に蓄積する。また、教師特徴量群取得手段1321は、教師データ2を用いて、教師画像2に対応する劣化レベル“4”を取得し、取得した劣化レベル“4”を、取得した上記“160×120”個の教師特徴量群に対応付けて格納部11に蓄積する。
Next, the teacher feature quantity group acquisition means 1321 divides the
これにより、格納部11において、図4に示したような、教師特徴量群と劣化レベルとの対の集合が構成される。学習情報取得手段1322は、かかる教師特徴量群と劣化レベルとの対の集合を用いて、機械学習のアルゴリズムにより、クラス分類による第一の学習器、および回帰式による第二の学習器を構成し、学習情報格納部112に蓄積する。なお、第一および第二の学習器については前述したので、詳しい説明を繰り返さない。第三および第四の学習器についても同様である。
As a result, in the storage unit 11, a set of pairs of teacher feature quantity groups and deterioration levels is formed as shown in FIG. The learning information acquisition means 1322 configures a first learner based on class classification and a second learner based on a regression equation by a machine learning algorithm using a set of pairs of teacher feature groups and deterioration levels. and stored in the learning
また、学習情報取得手段1322は、上記教師特徴量群と劣化レベルとの対の集合と、各対に対して、第一の学習器から出力される第一劣化レベル、および第二学習器から出力される第二劣化レベルとを用いて、機械学習のアルゴリズムにより、第三の学習器をも構成し、学習情報格納部112に蓄積する。
In addition, the learning information acquisition means 1322 provides a set of pairs of the teacher feature quantity group and the deterioration level, the first deterioration level output from the first learning device for each pair, and the Using the output second deterioration level, a third learning device is also configured by a machine learning algorithm, and stored in the learning
さらに、学習情報取得手段1322は、上記各対に対して、第一の学習器から出力された“160×120”個の第一劣化レベル、および第二の学習器からの“160×120”個の第二劣化レベルと、当該“160×120”個の第一劣化レベルおよび当該“160×120”個の第二劣化レベルに対して第三の学習器から出力された“160×120”個の第一または第二の劣化レベルとを用いて、機械学習のアルゴリズムにより第四の学習器を構成し、学習情報格納部112に蓄積する。
Further, the learning information acquisition means 1322 selects the “160×120” first deterioration levels output from the first learning device and the “160×120” number from the second learning device for each pair. "160 × 120" output from the third learner for the "160 × 120" second deterioration levels and the "160 × 120" second deterioration levels A fourth learning device is configured by a machine learning algorithm using the first and second deterioration levels, and stored in the learning
こうして、学習情報格納部112には、第一~第四の学習器が格納される結果となる。なお、学習情報格納部112には、第一~第四の学習器に代えて、例えば、図4に示したような、教師特徴量群と劣化レベルとの対の集合で構成された学習情報が格納されてもよい。
As a result, the learning
その後、ユーザが、キーボード等の入力デバイスを介して、劣化レベルの判定を行う旨の指示を入力したとする。劣化レベル判定装置1において、受付部12は、当該指示を受け付ける。判定対象画像取得部131は、組情報格納部113から、判定対象画像αを取得する。劣化レベル取得部132は、学習情報格納部112に格納されている学習情報に、取得された判定対象画像αを適用し、劣化レベルを取得する。
Assume that the user then inputs an instruction to determine the deterioration level via an input device such as a keyboard. In the deterioration
詳しくは、劣化レベル取得部132を構成する判定対象特徴量群取得手段1323は、判定対象画像αを“160×120”個のブロックに分割し、当該“160×120”個のブロックから、教師特徴量群(H1,HR1,RB1),(H2,HR2,RB2),・・・(H19200,HR19200,RB19200)を取得する。そして、判定対象特徴量群取得手段1323は、取得した“160×120”個の判定対象特徴量群を、画像識別子“α”およびブロック識別子(1,1),(1,2),・・・(160,120)に対応付けて、格納部11に蓄積する。
Specifically, the determination target feature amount
劣化レベル取得手段1324は、最初、上記“160×120”個の判定対象特徴量群を、第一および第二の学習器の各々に入力し、第一の学習器から出力される第一劣化レベルと、第二の学習器から出力される第二劣化レベルとを取得する。次に、劣化レベル取得手段1324は、取得した第一および第二の劣化レベルを第三の学習器に入力し、第三の学習器から出力される第一または第二の劣化レベルを取得する。
The deterioration level acquisition means 1324 first inputs the “160×120” determination target feature amount group to each of the first and second learning devices, and obtains the first deterioration level output from the first learning device. Obtain the level and the second degradation level output from the second learner. Next, the deterioration
本例では、第三の学習器から、離散的な第二劣化レベルであり、“160×120”個のグロックに対応する“160×120”個の局所的劣化レベル“2.2”,“3.8”,・・・“3.5”が出力されたとする。劣化レベル取得手段1324は、取得した“160×120”個の局所的劣化レベル“2.2”,“3.8”,・・・“3.5”を、画像識別子“α”およびブロック識別子(1,1),(1,2),・・・(160,120)に対応付けて、格納部11に蓄積する。 In this example, from the third learner, "160×120" local deterioration levels "2.2", " Assume that 3.8", . . . "3.5" are output. The degradation level acquisition means 1324 stores the acquired “160×120” local degradation levels “2.2”, “3.8”, . (1, 1), (1, 2), .
劣化レベル取得手段1324は、第三の学習器から出力された、第二劣化レベルである上記“160×120”個の局所的劣化レベル“2.2”,“3.8”,・・・“3.5”を、第四の学習器に入力し、第四の学習器から出力される大局的劣化レベルを取得する。本例では、第四の学習器から、大局的劣化レベル“3”が出力されたとする。第一蓄積部133は、こうして劣化レベル取得手段1324が取得した大局的劣化レベルである劣化レベル“3”を、画像識別子“α”に対応付けて、格納部11に蓄積する。
The deterioration level acquisition means 1324 obtains the above "160×120" local deterioration levels "2.2", "3.8", . Input "3.5" into the fourth learner to obtain the global degradation level output from the fourth learner. In this example, it is assumed that the global deterioration level "3" is output from the fourth learning device. The
これによって、格納部11には、画像識別子“α”に対応付けて、図5に示したような、“160×120”個の判定対象特徴量群(H1,HR1,RB1),(H2,HR2,RB2),・・・(H19200,HR19200,RB19200)と、“160×120”個の局所的劣化レベル“2.2”,“3.8”,・・・“3.5”、および大局的劣化レベル“3”との対が格納される結果となる。 As a result, in the storage unit 11, "160×120" determination target feature amount groups (H1, HR1, RB1), (H2, HR2, RB2), . The result is that a pair with a global deterioration level of "3" is stored.
第一蓄積部133は、組情報格納部113の判定対象画像αに、画像識別子“α”に対応付いている上記大局的劣化レベル“3”を対応付けて蓄積し、それによって、組情報格納部113において、判定対象画像αと、上記大局的劣化レベルである劣化レベル“3”とを有する判定結果データが構成される。
The
出力部14は、組情報格納部113から、上記判定結果データを取得し、ディスプレイ等の出力デバイスを介して出力する。ディスプレイには、判定対象画像αと、これに対する劣化レベル判定装置1の判定結果である劣化レベル“3”とが表示される。
The
判定対象画像αに対して取得された劣化レベル“3”は、第一条件を満たすため、受付部12は、判定対象画像αに対するユーザ評価を、キーボード等の入力デバイスを介して受け付ける。本例では、ユーザ評価“2”が受け付けられたとする。
Since the deterioration level “3” acquired for the determination target image α satisfies the first condition, the
第一蓄積部133は、受け付けられた評価レベル“2”を、上記判定結果データに対応付けて、組情報格納部113に蓄積する。これによって、組情報格納部113において、図6に示した組情報1が構成される結果となる。
The
なお、この時点で、組情報格納部113には、劣化レベルとユーザ評価とが異なる組情報は、組情報1のみしか格納されておらず、第二判断部136は、第二条件を満たしていないと判断する。従って、再構成部137による学習情報の再構成は、この時点では行われない。
At this point,
次に、判定対象画像取得部131は、組情報格納部113から判定対象画像βを取得し、劣化レベル取得部132は、学習情報格納部112の学習情報に判定対象画像βを適用して、劣化レベルを取得する。
Next, the determination target
詳しくは、判定対象特徴量群取得手段1323は、判定対象画像βを“160×120”個のブロックに分割し、当該“160×120”個のブロックから、教師特徴量群(H1,HR1,RB1),(H2,HR2,RB2),・・・(H19200,HR19200,RB19200)を取得する。そして、判定対象特徴量群取得手段1323は、取得した“160×120”個の判定対象特徴量群を、画像識別子“β”およびブロック識別子(1,1),(1,2),・・・(160,120)に対応付けて、格納部11に蓄積する。
Specifically, the determination target feature amount
劣化レベル取得手段1324は、上記“160×120”個の判定対象特徴量群を、第一および第二の学習器の各々に入力することにより、第一および第二の劣化レベルを取得し、次に、取得した第一および第二の劣化レベルを第三の学習器に入力することにより、第一または第二の劣化レベルを取得する。 The deterioration level acquisition means 1324 acquires the first and second deterioration levels by inputting the “160×120” number of determination target feature quantity groups to the first and second learners, respectively, Next, the first or second deterioration level is obtained by inputting the obtained first and second deterioration levels to the third learning device.
本例では、第三の学習器から、離散的な第一劣化レベルであり、“160×120”個のブロックに対応する“160×120”個の局所的劣化レベル“4”,“5”,・・・“4”が出力されたとする。劣化レベル取得手段1324は、取得した“160×120”個の局所的劣化レベル“4”,“5”,・・・“4”を、画像識別子“β”およびブロック識別子(1,1),(1,2),・・・(160,120)に対応付けて、格納部11に蓄積する。
In this example, from the third learner, "160 × 120" local deterioration levels "4" and "5" corresponding to "160 × 120" blocks, which are discrete first deterioration levels. , . . . "4" is output. The deterioration
劣化レベル取得手段1324は、第三の学習器から出力された、第一劣化レベルである上記“160×120”個の局所的劣化レベル“4”,“5”,・・・“4”を、第四の学習器に入力し、第四の学習器から出力される大局的劣化レベルを取得する。本例では、第四の学習器から、大局的劣化レベル“4”が出力されたとする。第一蓄積部133は、こうして取得された大局的劣化レベルである劣化レベル“4”を、画像識別子“β”に対応付けて、格納部11に蓄積する。
The deterioration
これによって、格納部11には、画像識別子“β”に対応付けて、図5に示したような、“160×120”個の判定対象特徴量群(H1,HR1,RB1),(H2,HR2,RB2),・・・(H19200,HR19200,RB19200)と、“160×120”個の局所的劣化レベル“4”,“5”,・・・“4”、および大局的劣化レベル“4”との対が格納される結果となる。 As a result, in the storage unit 11, "160×120" determination target feature quantity groups (H1, HR1, RB1), (H2, HR2, RB2), . ” is stored.
第一蓄積部133は、組情報格納部113の判定対象画像βに、画像識別子“β”に対応付いている上記大局的劣化レベル“4”を対応付けて蓄積し、それによって、組情報格納部113において、判定対象画像βと、上記大局的劣化レベルである劣化レベル“4”とを有する判定結果データが構成される。
The
出力部14は、組情報格納部113から上記判定結果データを取得し、ディスプレイ等の出力デバイスを介して出力する。ディスプレイには、判定対象画像βと、これに対する判定結果である劣化レベル“4”とが表示される。
The
なお、判定対象画像βに対して取得された劣化レベル“4”は、第一条件を満たさないため、判定対象画像βに対するユーザ評価の受け付けは行われない。 Note that since the deterioration level "4" acquired for the determination target image β does not satisfy the first condition, user evaluation for the determination target image β is not accepted.
第一蓄積部133は、ユーザ評価が存在しない旨の“Null”を、上記判定結果データに対応付けて、組情報格納部113に蓄積する。これによって、組情報格納部113において、図6に示した組情報2が構成される結果となる。
The
なお、この時点でも、組情報格納部113には、劣化レベルとユーザ評価とが異なる組情報は、組情報1のみしか格納されておらず、第二判断部136は、第二条件を満たしていないと判断する。従って、再構成部137による学習情報の再構成は、この時点でも行われない。
Even at this point, only the set
この後、図示しない評価対象画像γについて、上記と同様の処理が行われ、組情報格納部113に、判定対象画像γ、劣化レベル“2”、およびユーザ評価“3”を有する組情報3が格納されたとすると、第二判断部136は、第二条件を満たしたと判断し、再構成部137は、組情報格納部113に格納されている、劣化レベルとユーザ評価とが異なる2つの組情報1および3を用いて、学習情報の再構成を行う。
After that, the evaluation target image γ (not shown) is subjected to the same processing as described above, and
詳しくは、再構成部137は、判定対象画像αから取得された判定対象特徴量群を第一および第二の学習器への入力として、第四の学習器から、ユーザ評価“2”と同じ大局的劣化レベル“2”が出力され、かつ、判定対象画像γから取得された判定対象特徴量群を第一および第二の学習器への入力として、第四の学習器から、ユーザ評価“3”と同じ大局的劣化レベル“3”が出力されるように、第一~第四の学習器を再構成する。
Specifically, the
これにより、劣化レベル判定装置1は、閾値3以下の劣化レベルをも、的確に判定できるようになる。
As a result, the deterioration
以上、本実施の形態によれば、学習情報格納部112に、建造物の劣化箇所を撮影した教師画像と劣化レベルとの対応である2以上の教師データから取得された学習情報が格納され、劣化レベル判定装置1は、判定対象の建造物の画像である判定対象画像を取得し、学習情報に判定対象画像を適用し、劣化レベルを取得し、劣化レベルを出力することにより、建造物の劣化レベルを自動判定できる。
As described above, according to the present embodiment, the learning
また、教師データ格納部111に、2以上の教師データが格納され、劣化レベル判定装置1は、2以上の各教師画像ごとに、教師画像の少なくとも一部から2以上の特徴量の組である教師特徴量群を取得し、取得した2以上の教師特徴量群を用いて、2以上の特徴量と劣化レベルとの対応に関する学習情報を取得し、学習情報格納部112に蓄積する。そして、劣化レベル判定装置1は、判定対象画像の少なくとも一部から2以上の特徴量の組である判定対象特徴量群を取得し、判定対象特徴量群を学習情報に適用し、判定対象特徴量群に対応する劣化レベルを取得することにより、建造物の劣化レベルを学習により自動判定できる。
Two or more pieces of teacher data are stored in the teacher
また、劣化レベル判定装置1は、取得した2以上の教師特徴量群を用いて、機械学習のアルゴリズムにより、2以上の特徴量を入力とし、劣化レベルを出力とする学習器を構成し、判定対象特徴量群を学習器に入力し、学習器から出力される劣化レベルを取得することにより、建造物の劣化レベルを、学習器を用いた機械学習により自動判定できる。
In addition, the deterioration
また、組情報格納部113に、判定対象画像と劣化レベルとの対応である判定結果データと、当該判定対象画像に対するユーザによる評価であるユーザ評価とを有する1以上の組情報が格納され、劣化レベル判定装置1は、組情報格納部113に格納されている1以上の各判定結果データを構成する判定対象画像が予め決められた第一条件を満たすか否かを判断し、第一条件を満たす1以上の各判定対象画像に対するユーザ評価を受け付け、第一条件を満たす1以上の各判定対象画像に対して受け付けたユーザ評価を、当該判定対象画像が構成する判定結果データに対応付けて蓄積することにより、組情報格納部113において、第一条件を満たす判定対象画像を含む判定結果データと、当該判定対象画像に対するユーザ評価とを有する1以上の組情報を構成し、組情報格納部113に格納されている1以上の組情報を用いて、機械学習のアルゴリズムにより学習器を再構成する。こうして、第一条件を満たす判定対象画像に対するユーザ評価を用いて学習器を再構成することで、第一条件を満たす判定対象画像に対応する建物の劣化レベルを高い精度で自動判定できるようになる。
Further, in the set
また、劣化レベル判定装置1は、受け付けたユーザ評価が予め決められた第二条件を満たすか否かを判断し、ユーザ評価が第二条件を満たす場合に学習器を再構成する。こうして、第一条件を満たす判定対象画像に対するユーザ評価が第二条件を満たす場合に、当該ユーザ評価を用いて学習器を再構成することで、劣化レベル判定装置1は、第一条件を満たす判定対象画像に対応する建物の劣化レベルをより高い精度で自動判定できるようになる。
Further, the deterioration
また、第一条件は、当該判定対象画像に対応付いた劣化レベルが、閾値以下である、という条件であることにより、劣化レベル判定装置1は、劣化レベルが低い判定対象画像に対するユーザ評価を用いて学習器を再構成することで、劣化度が低い建物の劣化レベルを高い精度で自動判定できるようになる。
Further, since the first condition is that the deterioration level associated with the determination target image is equal to or less than the threshold, the deterioration
また、第二条件は、劣化レベルとユーザ評価とが異なる組情報が、閾値以上または閾値より多く、組情報格納部113に格納された、という条件であることにより、劣化レベル判定装置1は、劣化レベルが低い判定対象画像に対するユーザ評価であり、当該劣化レベルとは異なるユーザ評価が多い場合に、当該ユーザ評価を用いて学習器を再構成することで、建物の劣化レベルをより高い精度で自動判定できるようになる。
In addition, the second condition is that the number of pieces of grouped information in which the deterioration level and the user evaluation are different is greater than or equal to the threshold value and is stored in the grouped
また、劣化レベル判定装置1は、判定対象画像の一部である2以上のブロックを取得し、2以上の各ブロックを学習情報に適用し、ブロックごとの劣化レベルである2以上の局所的劣化レベルを取得し、2以上の局所的劣化レベルを用いて、2以上のブロックに対する劣化レベルである大局的劣化レベルを取得する。こうして、局所的な判定と大局的な判定を組み合わせることで、効率的な自動判定が行える。
Further, the deterioration
また、劣化レベル判定装置1は、2以上の局所的劣化レベルを機械学習のアルゴリズムにより取得し、大局的劣化レベルを機械学習のアルゴリズムにより取得することにより、局所的な判定も大局的な判定も機械学習で自動的に行える。
Further, the deterioration
また、劣化レベル判定装置1は、2以上の局所的劣化レベルを用いて、判定対象画像の中の劣化箇所に対応する領域である劣化領域のサイズを取得し、劣化領域のサイズを用いて、大局的劣化レベルを取得すること。こうして、局所的な判定の結果を用いて劣化領域のサイズを取得し、当該サイズを大局的な判定に用いることで、より効率的な自動判定が行える。
Further, the deterioration
また、劣化レベル判定装置1は、教師画像の中のオブジェクトのサイズを取得し、オブジェクトのサイズと、オブジェクトの中の劣化領域のサイズとを用いて、大局的劣化レベルを取得する。こうして、オブジェクトに対する劣化領域の相対的なサイズを用いることで、的確な自動判定が行える。
Further, the deterioration
また、劣化レベル判定装置1は、判定対象画像を用いて、判定対象の劣化原因が、予め決められた2以上の劣化原因のうちいずれであるかを判定することにより、劣化原因をも自動判定できる。
Further, the deterioration
また、劣化レベル判定装置1は、予め決められた2以上のアルゴリズムのうち、判定対象の劣化度に応じたアルゴリズムにより劣化レベルを取得することにより、建造物の劣化の程度に応じた的確なレベル判定が行える。
Further, the deterioration
また、2以上のアルゴリズムは、回帰式により連続値を取得する第一アルゴリズム、およびクラス分類により離散値を取得する第二アルゴリズムを含み、劣化レベル判定装置1は、第二アルゴリズムにより離散値である第一劣化レベルを取得し、第一劣化レベルが閾値以下または閾値より低い場合に、第一アルゴリズムにより連続値である第二劣化レベルをさらに取得し、第二劣化レベルに対応する劣化レベルを採用し、第一劣化レベルが閾値より高い又は閾値以上である場合には、第一劣化レベルに対応する劣化レベルを採用する。従って、建造物の劣化が軽度の場合は、回帰式による第一アルゴリズムで細かなレベル判定が行え、建造物の劣化が重度の場合は、クラス分類による第二アルゴリズムで多様なクラス分けが行える。
In addition, the two or more algorithms include a first algorithm that acquires continuous values by a regression equation and a second algorithm that acquires discrete values by class classification, and the deterioration
さらに、本実施の形態における処理は、ソフトウェアで実現してもよい。そして、このソフトウェアをソフトウェアダウンロード等により配布してもよい。また、このソフトウェアをCD-ROMなどの記録媒体に記録して配布してもよい。なお、本実施の形態における情報処理装置を実現するソフトウェアは、例えば、次のようなプログラムである。 Furthermore, the processing in this embodiment may be realized by software. Then, this software may be distributed by software download or the like. Also, this software may be recorded on a recording medium such as a CD-ROM and distributed. Software that implements the information processing apparatus according to the present embodiment is, for example, the following program.
つまり、コンピュータがアクセス可能な記録媒体は、建造物の劣化箇所を撮影した教師画像と劣化レベルとの対応である2以上の教師データから取得された学習情報が格納される学習情報格納部112を具備し、このプログラムは、前記コンピュータを、判定対象の建造物の画像である判定対象画像を取得する判定対象画像取得部131と、前記学習情報に前記判定対象画像を適用し、劣化レベルを取得する劣化レベル取得部132と、前記劣化レベルを出力する出力部14として機能させるためのプログラムである。
In other words, the computer-accessible recording medium includes a learning
図7は、本実施の形態におけるプログラムを実行して、劣化レベル判定装置1を実現するコンピュータシステム900の外観図である。本実施の形態は、コンピュータハードウェアおよびその上で実行されるコンピュータプログラムによって実現され得る。図7において、コンピュータシステム900は、ディスクドライブ905を含むコンピュータ901と、キーボード902と、マウス903と、ディスプレイ904とを備える。なお、キーボード902やマウス903やディスプレイ904をも含むシステム全体をコンピュータと呼んでもよい。
FIG. 7 is an external view of a
図8は、コンピュータシステム900の内部構成の一例を示す図である。図8において、コンピュータ901は、ディスクドライブ905に加えて、MPU911と、ブートアッププログラム等のプログラムを記憶するためのROM912と、MPU911に接続され、アプリケーションプログラムの命令を一時的に記憶すると共に、一時記憶空間を提供するRAM913と、アプリケーションプログラム、システムプログラム、およびデータを記憶するストレージ914と、MPU911、ROM912等を相互に接続するバス915と、外部ネットワークや内部ネットワーク等のネットワークへの接続を提供するネットワークカード916と、を備える。ストレージ914は、例えば、ハードディスク、SSD、フラッシュメモリなどである。
FIG. 8 is a diagram showing an example of the internal configuration of the
コンピュータシステム900に、劣化レベル判定装置1の機能を実行させるプログラムは、例えば、DVD、CD-ROM等のディスク921に記憶されて、ディスクドライブ905に挿入され、ストレージ914に転送されてもよい。これに代えて、そのプログラムは、ネットワークを介してコンピュータ901に送信され、ストレージ914に記憶されてもよい。プログラムは、実行の際にRAM913にロードされる。なお、プログラムは、ディスク921、またはネットワークから直接、ロードされてもよい。また、ディスク921に代えて他の着脱可能な記録媒体(例えば、DVDやメモリカード等)を介して、プログラムがコンピュータシステム900に読み込まれてもよい。
A program that causes the
プログラムは、コンピュータの詳細を示す901に、劣化レベル判定装置1の機能を実行させるオペレーティングシステム(OS)、またはサードパーティプログラム等を必ずしも含んでいなくてもよい。プログラムは、制御された態様で適切な機能やモジュールを呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいてもよい。コンピュータシステム900がどのように動作するのかについては周知であり、詳細な説明は省略する。
The program does not necessarily have to include an operating system (OS) or a third-party program that executes the functions of the deterioration
なお、上述したコンピュータシステム900は、サーバまたは据え置き型のPCであるが、劣化レベル判定装置1は、例えば、タブレット端末やスマートフォンやノートPCといった、携帯端末で実現されてもよい。この場合、例えば、キーボード902およびマウス903はタッチパネルに、ディスクドライブ905はメモリカードスロットに、ディスク921はメモリカードに、それぞれ置き換えられる。ただし、以上は例示であり、劣化レベル判定装置1を実現するコンピュータのハードウェア構成は問わない。
Although the
なお、上記プログラムにおいて、情報を送信する送信ステップや、情報を受信する受信ステップなどでは、ハードウェアによって行われる処理、例えば、送信ステップにおけるモデムやインターフェースカードなどで行われる処理(ハードウェアでしか行われない処理)は含まれない。 In the above program, the transmission step for transmitting information and the reception step for receiving information are performed by hardware. not included).
また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。 Also, the number of computers that execute the above programs may be singular or plural. That is, centralized processing may be performed, or distributed processing may be performed.
また、上記実施の形態において、一の装置に存在する2以上の通信手段(例えば、受付部12の受信機能、および出力部14の送信機能など)は、物理的に一の媒体で実現されてもよいことは言うまでもない。
Further, in the above embodiment, two or more communication means (for example, the reception function of the
また、上記各実施の形態において、各処理(各機能)は、単一の装置(システム)によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。 Further, in each of the above embodiments, each process (each function) may be implemented by centralized processing by a single device (system), or may be implemented by distributed processing by a plurality of devices. may be
本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。 It goes without saying that the present invention is not limited to the above-described embodiments, and that various modifications are possible and are also included within the scope of the present invention.
以上のように、本発明にかかる劣化レベル判定装置は、建造物の劣化レベルを自動判定できるという効果を有し、劣化レベル判定装置等として有用である。 INDUSTRIAL APPLICABILITY As described above, the deterioration level determination device according to the present invention has the effect of being able to automatically determine the deterioration level of a building, and is useful as a deterioration level determination device or the like.
1 劣化レベル判定装置
11 格納部
12 受付部
13 処理部
14 出力部
111 教師データ格納部
112 学習情報格納部
113 組情報格納部
131 判定対象画像取得部
132 劣化レベル取得部
133 第一蓄積部
134 第一判断部
135 第二蓄積部
136 第二判断部
137 再構成部
138 原因判定部
1321 教師特徴量群取得手段
1322 学習情報取得手段
1323 判定対象特徴量群取得手段
1324 劣化レベル取得手段
1 deterioration level determination device 11
Claims (15)
判定対象の建造物の画像である判定対象画像を取得する判定対象画像取得部と、
前記学習器に前記判定対象画像を適用し、劣化レベルを取得する劣化レベル取得部と、
前記劣化レベルを出力する出力部と、
判定対象画像と劣化レベルとの対応である判定結果データと、当該判定対象画像に対するユーザによる評価であるユーザ評価とを有する1以上の組情報が格納される組情報格納部と、
前記判定対象画像と、当該判定対象画像に対して前記劣化レベル取得部が取得した劣化レベルとの対応である判定結果データを前記組情報格納部に蓄積する第一蓄積部と、
前記組情報格納部に格納されている1以上の各判定結果データを構成する判定対象画像が予め決められた第一条件を満たすか否かを判断する第一判断部と、
前記第一条件を満たす1以上の各判定対象画像に対するユーザ評価を受け付ける受付部と、
前記第一条件を満たす1以上の各判定対象画像に対して前記受付部が受け付けたユーザ評価を、当該判定対象画像が構成する判定結果データに対応付けて蓄積することにより、前記組情報格納部において、前記第一条件を満たす判定対象画像を含む判定結果データと、当該判定対象画像に対するユーザ評価とを有する1以上の組情報を構成する第二蓄積部と、
前記組情報格納部に格納されている1以上の組情報を用いて、機械学習のアルゴリズムにより前記学習器を再構成する再構成部とを具備する劣化レベル判定装置。 a learning information storage unit storing a learner, which is learning information acquired by machine learning from two or more teacher data corresponding to teacher images of deteriorated parts of a building and deterioration levels;
a determination target image acquisition unit that acquires a determination target image that is an image of a building to be determined;
a deterioration level acquisition unit that applies the determination target image to the learning device and acquires a deterioration level;
an output unit that outputs the deterioration level;
a grouped information storage unit storing one or more grouped information having judgment result data corresponding to a judgment target image and a deterioration level, and user evaluation, which is a user evaluation of the judgment target image;
a first accumulation unit for accumulating judgment result data corresponding to the judgment target image and the deterioration level acquired by the deterioration level acquisition unit for the judgment target image in the group information storage unit;
a first determination unit that determines whether or not a determination target image that constitutes one or more determination result data stored in the group information storage unit satisfies a predetermined first condition;
a reception unit that receives user evaluations of the one or more determination target images that satisfy the first condition;
By accumulating the user evaluation received by the receiving unit for each of the one or more determination target images satisfying the first condition in association with the determination result data formed by the determination target images, the group information storage unit a second accumulation unit that configures one or more sets of information having determination result data including a determination target image that satisfies the first condition and a user evaluation of the determination target image;
and a reconstruction unit that reconstructs the learning device by a machine learning algorithm using one or more group information stored in the group information storage unit.
前記劣化レベル取得部は、
前記2以上の各教師画像ごとに、当該教師画像の少なくとも一部から2以上の特徴量の組である教師特徴量群を取得する教師特徴量群取得手段と、
前記教師特徴量群取得手段が取得した2以上の教師特徴量群を用いて、2以上の特徴量と劣化レベルとの対応に関する学習情報を取得し、前記学習情報格納部に蓄積する学習情報取得手段と、
前記判定対象画像の少なくとも一部から2以上の特徴量の組である判定対象特徴量群を取得する判定対象特徴量群取得手段と、
前記判定対象特徴量群を前記学習情報に適用し、当該判定対象特徴量群に対応する劣化レベルを取得する劣化レベル取得手段とを具備する請求項1記載の劣化レベル判定装置。 further comprising a teacher data storage unit that stores the two or more teacher data,
The deterioration level acquisition unit,
a teacher feature quantity group acquiring means for acquiring a teacher feature quantity group, which is a set of two or more feature quantities, from at least a part of each of the two or more teacher images;
Acquisition of learning information relating to correspondence between the two or more feature amounts and deterioration levels using the two or more teacher feature amount groups acquired by the teacher feature amount group acquisition means, and accumulation of learning information in the learning information storage unit means and
Determination target feature quantity group acquisition means for acquiring a determination target feature quantity group, which is a set of two or more feature quantities, from at least a portion of the determination target image;
2. The deterioration level determination apparatus according to claim 1, further comprising deterioration level acquisition means for applying the determination target feature amount group to the learning information and acquiring a deterioration level corresponding to the determination target feature amount group.
前記教師特徴量群取得手段が取得した2以上の教師特徴量群を用いて、機械学習のアルゴリズムにより、2以上の特徴量を入力とし、劣化レベルを出力とする学習器である学習情報を構成し、
前記劣化レベル取得手段は、
前記判定対象特徴量群を前記学習器に入力し、当該学習器から出力される劣化レベルを取得する請求項2記載の劣化レベル判定装置。 The learning information acquisition means is
Using two or more teacher feature quantity groups acquired by the teacher feature quantity group acquisition means, learning information is configured as a learning device that receives two or more feature quantities as input and outputs a deterioration level by a machine learning algorithm. death,
The deterioration level acquisition means is
3. The deterioration level determination device according to claim 2, wherein the determination target feature quantity group is input to the learning device, and the deterioration level output from the learning device is acquired.
前記再構成部は、
前記ユーザ評価が前記第二条件を満たす場合に前記学習器を再構成する請求項1から請求項3いずれか一項に記載の劣化レベル判定装置。 further comprising a second determination unit that determines whether the user evaluation received by the reception unit satisfies a predetermined second condition;
The reconstruction unit
The deterioration level determination device according to any one of claims 1 to 3, wherein the learning device is reconfigured when the user evaluation satisfies the second condition.
前記判定対象画像の一部である2以上のブロックを取得し、
前記2以上の各ブロックを前記学習情報に適用し、ブロックごとの劣化レベルである2以上の局所的劣化レベルを取得し、
前記2以上の局所的劣化レベルを用いて、2以上のブロックに対する劣化レベルである大局的劣化レベルを取得する請求項1から請求項6いずれか一項に記載の劣化レベル判定装置。 The deterioration level acquisition unit,
Acquiring two or more blocks that are part of the determination target image;
Applying each of the two or more blocks to the learning information to obtain two or more local degradation levels that are degradation levels for each block;
7. The degradation level determination device according to claim 1, wherein the two or more local degradation levels are used to obtain a global degradation level, which is a degradation level for two or more blocks.
前記2以上の局所的劣化レベルを機械学習のアルゴリズムにより取得し、
前記大局的劣化レベルを機械学習のアルゴリズムにより取得する請求項7記載の劣化レベル判定装置。 The deterioration level acquisition unit,
Obtaining the two or more local deterioration levels by a machine learning algorithm,
8. The deterioration level determination device according to claim 7, wherein the global deterioration level is acquired by a machine learning algorithm.
前記2以上の局所的劣化レベルを用いて、前記判定対象画像の中の前記劣化箇所に対応する領域である劣化領域のサイズを取得し、
前記劣化領域のサイズを用いて、前記大局的劣化レベルを取得する請求項7記載の劣化レベル判定装置。 The deterioration level acquisition unit,
obtaining the size of a degraded region corresponding to the degraded portion in the determination target image using the two or more local degradation levels;
8. The deterioration level determination device according to claim 7, wherein the size of the deterioration area is used to obtain the global deterioration level.
前記教師画像の中のオブジェクトのサイズを取得し、
前記オブジェクトのサイズと、当該オブジェクトの中の前記劣化領域のサイズとを用いて、前記大局的劣化レベルを取得する請求項9記載の劣化レベル判定装置。 The deterioration level acquisition unit,
obtaining the size of an object in the training image;
10. The deterioration level determination device according to claim 9, wherein the global deterioration level is acquired using the size of the object and the size of the deteriorated area in the object.
予め決められた2以上のアルゴリズムのうち、判定対象の劣化度に応じたアルゴリズムにより劣化レベルを取得する請求項1から請求項11いずれか一項に記載の劣化レベル判定装置。 The deterioration level acquisition unit,
12. The deterioration level determination device according to any one of claims 1 to 11, wherein the deterioration level is acquired by an algorithm corresponding to the degree of deterioration to be determined, from two or more predetermined algorithms.
前記劣化レベル取得部は、
前記第二アルゴリズムにより離散値である第一劣化レベルを取得し、
前記第一劣化レベルが閾値以下または閾値より低い場合に、前記第一アルゴリズムにより連続値である第二劣化レベルをさらに取得し、当該第二劣化レベルに対応する劣化レベルを採用し、
前記第一劣化レベルが閾値より高い又は閾値以上である場合には、当該第一劣化レベルに対応する劣化レベルを採用する請求項12記載の劣化レベル判定装置。 The two or more algorithms include a first algorithm that obtains continuous values by a regression equation and a second algorithm that obtains discrete values by classification,
The deterioration level acquisition unit,
Obtaining a first deterioration level, which is a discrete value, by the second algorithm;
If the first deterioration level is equal to or less than the threshold value or lower than the threshold value, further obtain a second deterioration level that is a continuous value by the first algorithm, adopt the deterioration level corresponding to the second deterioration level,
13. The deterioration level determination device according to claim 12, wherein when the first deterioration level is higher than or equal to or greater than a threshold, a deterioration level corresponding to the first deterioration level is adopted.
前記判定対象画像取得部が、判定対象の建造物の画像である判定対象画像を取得する判定対象画像取得ステップと、
前記劣化レベル取得部が、前記学習器に前記判定対象画像を適用し、劣化レベルを取得する劣化レベル取得ステップと、
前記出力部が、前記劣化レベルを出力する出力ステップと、
前記第一蓄積部が、前記判定対象画像と、当該判定対象画像に対して前記劣化レベル取得部が取得した劣化レベルとの対応である判定結果データを前記組情報格納部に蓄積する第一蓄積ステップと、
前記第一判断部が、前記組情報格納部に格納されている1以上の各判定結果データを構成する判定対象画像が予め決められた第一条件を満たすか否かを判断する第一判断ステップと、
前記受付部が、前記第一条件を満たす1以上の各判定対象画像に対するユーザ評価を受け付ける受付ステップと、
前記第二蓄積部が、前記第一条件を満たす1以上の各判定対象画像に対して前記受付部が受け付けたユーザ評価を、当該判定対象画像が構成する判定結果データに対応付けて蓄積することにより、前記組情報格納部において、前記第一条件を満たす判定対象画像を含む判定結果データと、当該判定対象画像に対するユーザ評価とを有する1以上の組情報を構成する第二蓄積ステップと、
前記再構成部が、前記組情報格納部に格納されている1以上の組情報を用いて、機械学習のアルゴリズムにより前記学習器を再構成する再構成ステップとを含む劣化レベル判定方法。 A learning information storage unit that stores a learning device that is learning information acquired by machine learning from two or more teacher data that correspond to teacher images of deteriorated parts of a building and deterioration levels, and an image to be judged. A set information storage unit storing at least one piece of set information having determination result data corresponding to a deterioration level and user evaluation of the determination target image by a user, a determination target image acquisition unit, and deterioration level acquisition A deterioration level determination method realized by a unit, an output unit, a first storage unit, a first determination unit, a reception unit, a second storage unit, and a reconstruction unit,
a determination target image acquisition step in which the determination target image acquisition unit acquires a determination target image that is an image of a building to be determined;
a degradation level acquisition step in which the degradation level acquisition unit acquires a degradation level by applying the determination target image to the learning device;
an output step in which the output unit outputs the deterioration level;
The first accumulation unit stores determination result data corresponding to the determination target image and the deterioration level acquired by the deterioration level acquisition unit for the determination target image in the group information storage unit. a step;
A first judgment step in which the first judgment unit judges whether or not the judgment target image constituting one or more pieces of judgment result data stored in the group information storage unit satisfies a predetermined first condition. and,
a receiving step in which the receiving unit receives user evaluations of the one or more determination target images that satisfy the first condition;
The second storage unit stores the user evaluations received by the reception unit for each of the one or more determination target images that satisfy the first condition, in association with determination result data formed by the determination target images. a second accumulation step of configuring, in the group information storage unit, one or more group information having judgment result data including a judgment target image satisfying the first condition and a user evaluation of the judgment target image;
and a reconstruction step in which the reconstruction unit reconstructs the learner by a machine learning algorithm using one or more group information stored in the group information storage unit.
判定対象の建造物の画像である判定対象画像を取得する判定対象画像取得部と、
前記学習器に前記判定対象画像を適用し、劣化レベルを取得する劣化レベル取得部と、
前記劣化レベルを出力する出力部と、
判定対象画像と劣化レベルとの対応である判定結果データと、当該判定対象画像に対するユーザによる評価であるユーザ評価とを有する1以上の組情報が格納される組情報格納部と、
前記判定対象画像と、当該判定対象画像に対して前記劣化レベル取得部が取得した劣化レベルとの対応である判定結果データを前記組情報格納部に蓄積する第一蓄積部と、
前記組情報格納部に格納されている1以上の各判定結果データを構成する判定対象画像が予め決められた第一条件を満たすか否かを判断する第一判断部と、
前記第一条件を満たす1以上の各判定対象画像に対するユーザ評価を受け付ける受付部と、
前記第一条件を満たす1以上の各判定対象画像に対して前記受付部が受け付けたユーザ評価を、当該判定対象画像が構成する判定結果データに対応付けて蓄積することにより、前記組情報格納部において、前記第一条件を満たす判定対象画像を含む判定結果データと、当該判定対象画像に対するユーザ評価とを有する1以上の組情報を構成する第二蓄積部と、
前記組情報格納部に格納されている1以上の組情報を用いて、機械学習のアルゴリズムにより前記学習器を再構成する再構成部として機能させるためのプログラム。 A learning information storage unit that stores a learning device that is learning information acquired by machine learning from two or more teacher data that correspond to teacher images of deteriorated parts of a building and deterioration levels, and an image to be determined. a computer capable of accessing a paired information storage unit storing one or more pieces of paired information having determination result data corresponding to a deterioration level and user evaluation of the image to be determined;
a determination target image acquisition unit that acquires a determination target image that is an image of a building to be determined;
a deterioration level acquisition unit that applies the determination target image to the learning device and acquires a deterioration level;
an output unit that outputs the deterioration level;
a grouped information storage unit storing one or more grouped information having judgment result data corresponding to a judgment target image and a deterioration level, and user evaluation, which is a user evaluation of the judgment target image;
a first accumulation unit for accumulating judgment result data corresponding to the judgment target image and the deterioration level acquired by the deterioration level acquisition unit for the judgment target image in the group information storage unit;
a first determination unit that determines whether or not a determination target image that constitutes one or more determination result data stored in the group information storage unit satisfies a predetermined first condition;
a reception unit that receives user evaluations of the one or more determination target images that satisfy the first condition;
By accumulating the user evaluation received by the receiving unit for each of the one or more determination target images satisfying the first condition in association with the determination result data formed by the determination target images, the group information storage unit a second accumulation unit that configures one or more sets of information having determination result data including a determination target image that satisfies the first condition and a user evaluation of the determination target image;
A program for functioning as a reconfiguring unit that reconfigures the learning device by a machine learning algorithm using one or more pieces of tuple information stored in the tuple information storage unit.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019018514A JP7261026B2 (en) | 2019-02-05 | 2019-02-05 | Deterioration level determination device, deterioration level determination method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019018514A JP7261026B2 (en) | 2019-02-05 | 2019-02-05 | Deterioration level determination device, deterioration level determination method, and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020125980A JP2020125980A (en) | 2020-08-20 |
JP7261026B2 true JP7261026B2 (en) | 2023-04-19 |
Family
ID=72083825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019018514A Active JP7261026B2 (en) | 2019-02-05 | 2019-02-05 | Deterioration level determination device, deterioration level determination method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7261026B2 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7410442B2 (en) * | 2020-10-06 | 2024-01-10 | 日本電信電話株式会社 | Deterioration detection device, deterioration detection method, and program |
CN118159832A (en) * | 2021-10-28 | 2024-06-07 | 松下知识产权经营株式会社 | Learning support system, appearance inspection device, appearance inspection software updating device, and appearance inspection model updating method |
EP4425155A1 (en) * | 2021-10-28 | 2024-09-04 | Panasonic Intellectual Property Management Co., Ltd. | Annotation assistance system and training assistance system that is for model for inspecting appearance and that uses said annotation assistance system |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011259575A (en) | 2010-06-08 | 2011-12-22 | Hitachi Ltd | Power distribution facility deterioration diagnosis device |
JP6364565B1 (en) | 2018-02-15 | 2018-07-25 | 阪神高速技術株式会社 | Analysis device, crack detection processing device, and analysis program |
JP2018198053A (en) | 2017-05-22 | 2018-12-13 | キヤノン株式会社 | Information processor, information processing method, and program |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6368207B2 (en) * | 2014-09-25 | 2018-08-01 | 前田建設工業株式会社 | Inspection support device, inspection support method, and program for concrete structure |
-
2019
- 2019-02-05 JP JP2019018514A patent/JP7261026B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011259575A (en) | 2010-06-08 | 2011-12-22 | Hitachi Ltd | Power distribution facility deterioration diagnosis device |
JP2018198053A (en) | 2017-05-22 | 2018-12-13 | キヤノン株式会社 | Information processor, information processing method, and program |
JP6364565B1 (en) | 2018-02-15 | 2018-07-25 | 阪神高速技術株式会社 | Analysis device, crack detection processing device, and analysis program |
Also Published As
Publication number | Publication date |
---|---|
JP2020125980A (en) | 2020-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229307B (en) | Method, device and equipment for object detection | |
US20220084186A1 (en) | Automated inspection system and associated method for assessing the condition of shipping containers | |
CN107392218B (en) | Vehicle loss assessment method and device based on image and electronic equipment | |
JP7261026B2 (en) | Deterioration level determination device, deterioration level determination method, and program | |
US11790632B2 (en) | Method and apparatus for sample labeling, and method and apparatus for identifying damage classification | |
WO2019104780A1 (en) | Laser radar point cloud data classification method, apparatus and device, and storage medium | |
Angulo et al. | Road damage detection acquisition system based on deep neural networks for physical asset management | |
WO2017176304A1 (en) | Automatic assessment of damage and repair costs in vehicles | |
CN109241871A (en) | A kind of public domain stream of people's tracking based on video data | |
CN106462940A (en) | Generic object detection in images | |
CN110008947B (en) | Granary grain quantity monitoring method and device based on convolutional neural network | |
US10217017B2 (en) | Systems and methods for containerizing multilayer image segmentation | |
Chatterjee et al. | Intelligent Road Maintenance: a Machine Learning Approach for surface Defect Detection. | |
CN116071651B (en) | Voltage equalizing field identification method and device, storage medium and terminal | |
BRUZZONE et al. | Simulation, analysis and optimization of container terminals processes | |
CN106204551A (en) | A kind of image significance detection method and device | |
CN113506315A (en) | Method and device for detecting moving object and storage medium | |
CN110824451A (en) | Processing method and device of radar echo map, computer equipment and storage medium | |
CN111126493A (en) | Deep learning model training method and device, electronic equipment and storage medium | |
CN113076983B (en) | Image identification method and device | |
CN116958113A (en) | Product detection method, device, equipment and storage medium | |
CN109003254B (en) | Method, device, equipment, system and medium for detecting icing based on logistic regression | |
CN116778357A (en) | Power line unmanned aerial vehicle inspection method and system utilizing visible light defect identification | |
US11190902B1 (en) | System and methods for large-scale automated indoor map data georeferencing | |
CN115409839A (en) | Road sound barrier hidden danger identification method and device based on pixel analysis model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220124 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221206 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230131 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230313 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230322 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230407 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7261026 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |