特開 2022-109074 機械学習装置及び異常識別装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022109074

(43)【公開日】2022-07-27

(54)【発明の名称】機械学習装置及び異常識別装置

(51)【国際特許分類】

   G06T 7/00 20170101AFI20220720BHJP

   G06N 20/00 20190101ALI20220720BHJP

   G06T 1/00 20060101ALI20220720BHJP

   E02D 29/12 20060101ALI20220720BHJP

   E03F 5/02 20060101ALI20220720BHJP

   G01N 21/88 20060101ALI20220720BHJP

【ＦＩ】

G06T7/00 610Z

G06N20/00 130

G06T7/00 350B

G06T1/00 300

E02D29/12 Z

E03F5/02

G01N21/88 J

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2021004410

(22)【出願日】2021-01-14

(71)【出願人】

【識別番号】000211307

【氏名又は名称】中国電力株式会社

(74)【代理人】

【識別番号】100106002

【弁理士】

【氏名又は名称】正林 真之

(74)【代理人】

【識別番号】100120891

【弁理士】

【氏名又は名称】林 一好

(72)【発明者】

【氏名】美馬 賢司

(72)【発明者】

【氏名】木瀬 信一

(72)【発明者】

【氏名】藤村 海飛

【テーマコード（参考）】

2D063

2D147

2G051

5B057

5L096

【Ｆターム（参考）】

2D063DA07

2D147BA00

2G051AA90

2G051AB02

2G051EB05

5B057AA17

5B057BA02

5B057CA08

5B057CA12

5B057CA16

5B057CB08

5B057CB12

5B057CB16

5B057CC01

5B057DA03

5B057DB02

5B057DB09

5L096AA06

5L096BA03

5L096CA02

5L096DA02

5L096EA43

5L096FA17

5L096FA69

5L096KA04

(57)【要約】      （修正有）

【課題】マンホール内に設置される金物の錆や腐食状態を自動で特定する機械学習装置及び異常識別装置を提供する。
【解決手段】マンホール内の異常を識別するための学習モデルを構築する機械学習装置であって、第１学習部～第４学習部のうちの第１学習部は、マンホール内の設備を被写体として含む現場写真を第１入力データとして取得する第１入力データ取得手段１１１と、マンホール内の設備を被写体として含む現場写真に含まれる金物の錆・腐食状態の判定結果を第１ラベルとして取得する第１ラベル取得手段１１２と、第１入力データと第１ラベルとの組を教師データとして教師あり学習を行うことにより、マンホール内の設備を被写体として含む新たな現場写真に含まれる金物の錆・腐食状態を判定するための第１学習モデルを構築する第１学習モデル構築手段１１３と、を備える。
【選択図】図２

【特許請求の範囲】

【請求項1】

マンホール内の異常を識別するための学習モデルを構築する機械学習装置であって、
前記マンホール内の設備を被写体として含む現場写真を第１入力データとして取得する第１入力データ取得手段と、
前記マンホール内の設備を被写体として含む現場写真に含まれる金物の錆・腐食状態の判定結果を第１ラベルとして取得する第１ラベル取得手段と、
前記第１入力データと前記第１ラベルとの組を教師データとして教師あり学習を行うことにより、前記マンホール内の設備を被写体として含む新たな現場写真に含まれる前記金物の錆・腐食状態を判定するための第１学習モデルを構築する第１学習モデル構築手段と、
を備える機械学習装置。

【請求項2】

前記マンホール内の設備を被写体として含む現場写真を第２入力データとして取得する第２入力データ取得手段と、
前記マンホール内の設備を被写体として含む現場写真に含まれる壁におけるクラックの発生箇所の判定結果を第２ラベルとして取得する第２ラベル取得手段と、
前記第２入力データと前記第２ラベルとの組を教師データとして教師あり学習を行うことにより、前記マンホール内の設備を被写体として含む新たな現場写真に含まれる壁におけるクラックの発生箇所を判定するための第２学習モデルを構築する第２学習モデル構築手段と、
を更に備える、請求項１に記載の機械学習装置。

【請求項3】

前記マンホール内の水位、前記マンホール内の貯留水のｐＨ及び硫化水素濃度、前記マンホールに設置される前記金物の取付日時、及び、前記金物の素材に係る情報を含む第１現地状況データを、第３入力データとして取得する第３入力データ取得手段と、
前記第３入力データの示す日時より所定期間後の前記金物の腐食レベルを第３ラベルとして取得する第３ラベル取得手段と、
前記第３入力データと前記第３ラベルとの組を教師データとして教師あり学習を行うことにより、新たな前記第１現地状況データの示す日時より前記所定期間後の前記金物の腐食レベルを予測するための第３学習モデルを構築する第３学習モデル構築手段と、
を更に備える、請求項１又は請求項２に記載の機械学習装置。

【請求項4】

前記マンホール内の水位、前記マンホール内の貯留水のｐＨ及び硫化水素濃度、前記マンホールに設置される前記金物の取付日時、前記金物の素材に係る情報、及び前記マンホール内の設備を被写体として含む現場写真を含む第２現地状況データを、第４入力データとして取得する第４入力データ取得手段と、
前記第４入力データの示す日時より所定期間後の前記現場写真を第４ラベルとして取得する第４ラベル取得手段と、
前記第４入力データと前記第４ラベルとの組を教師データとして教師あり学習を行うことにより、新たな前記第２現地状況データの示す日時より前記所定期間後の前記マンホール内の設備を被写体として含む予測写真を生成するための第４学習モデルを構築する第４学習モデル構築手段と、
を更に備える、請求項１から請求項３のいずれか１項に記載の機械学習装置。

【請求項5】

請求項１から請求項４までのいずれか１項に記載の機械学習装置で構築した前記第１学習モデルを用いた異常識別装置であって、
前記マンホール内の設備を被写体として含む新たな現場写真を取得する現場写真取得手段と、
前記現場写真と前記第１学習モデルとに基づいて、前記金物の錆・腐食状態を判定する錆・腐食状態判定手段と、
を備える異常識別装置。

【請求項6】

請求項２に記載の機械学習装置で構築した前記第２学習モデルを更に用いた異常識別装置であって、
前記マンホール内の設備を被写体として含む新たな現場写真を取得する現場写真取得手段と、
前記現場写真と前記第２学習モデルとに基づいて、前記マンホール内の設備を被写体として含む新たな現場写真に含まれる壁におけるクラックの発生箇所を判定するクラック判定手段と、
を更に備える、請求項５に記載の異常識別装置。

【請求項7】

前記マンホール内の設備を被写体として含む現場写真から、前記マンホールに備わるケーブルの異常を判定する、ケーブル異常判定手段を更に備える、請求項５又は請求項６に記載の異常識別装置。

【請求項8】

前記金物の錆・腐食状態、前記クラックの発生箇所、及び前記ケーブルの移動量のうち少なくとも１に基づいて、前記マンホール内の異常を識別する、請求項７に記載の異常識別装置。

【請求項9】

請求項３に記載の機械学習装置で構築した前記第３学習モデルを更に用いた異常識別装置であって、
前記マンホールの新たな前記第１現地状況データを取得する第１現地状況データ取得手段と、
前記第１現地状況データと前記第３学習モデルとに基づいて、新たな前記第１現地状況データの示す日時より前記所定期間後の前記金物の腐食レベルを予測する腐食レベル予測手段と、
を更に備える、請求項５から請求項８のいずれか１項に記載の異常識別装置。

【請求項10】

請求項４に記載の機械学習装置で構築した前記第４学習モデルを更に用いた異常識別装置であって、
前記マンホールの新たな前記第２現地状況データを取得する第２現地状況データ取得手段と、第２現地状況データと前記第４学習モデルとに基づいて、新たな前記第２現地状況データの示す日時より前記所定期間後の前記マンホール内の設備を被写体として含む予測写真を生成する予測写真生成手段と、
を更に備える、請求項５から請求項９のいずれか１項に記載の異常識別装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習装置及び異常識別装置に関する。

【背景技術】

【0002】

地中送電線を格納するマンホール内の点検として、主に、測定器具によるケーブル移動量の測定、目視による金具の劣化状況の確認、及び目視によるマンホール躯体内のひびや管路口の漏水の確認を実施している。

【0003】

ケーブル移動量の測定については、ケーブル曲げ半径が最大となる位置を目視で予測した後、測定器具を当てながら実際に最大となる位置を探し出すなど、測定者により測定値が異なることがある。また数ミリ単位での管理が必要となるが、測定者による誤差が大きい。

【0004】

金物の劣化状況の確認については、錆の色見本や発生した腐食性生物に基づいて判定しているが、点検者の判断により判定が異なることがある。

【0005】

マンホール躯体内のひびや管路口の漏水については、人間の目視だけでは微小なひび割れや、微量の漏水などを見逃す可能性があり、次回点検時までに異常が大きく進行していることがある。

【0006】

例えば、特許文献１は、機械学習によりコンクリート表面上のひびを特定する技術を開示している。しかし、特許文献１に係る技術においては、マンホール躯体内のひびのみならず、マンホール内に設置される金物の錆や腐食状態を自動で特定することはできなかった。

【先行技術文献】

【特許文献】

【0007】

【特許文献1】特開２０２０－０３８１３２号公報

【発明の概要】

【発明が解決しようとする課題】

【0008】

本発明は、上記課題に鑑みてなされたものであり、マンホール内に設置される金物の錆や腐食状態を自動で特定する機械学習装置及び異常識別装置を提供することを目的とする。

【課題を解決するための手段】

【0009】

前記目的を達成するため、本発明は、次に記載する構成を備えている。

【0010】

（１） マンホール内の異常を識別するための学習モデルを構築する機械学習装置であって、前記マンホール内の設備を被写体として含む現場写真を第１入力データとして取得する第１入力データ取得手段と、前記マンホールの現場写真に含まれる金物の錆・腐食状態の判定結果を第１ラベルとして取得する第１ラベル取得手段と、前記第１入力データと前記第１ラベルとの組を教師データとして教師あり学習を行うことにより、前記マンホール内の設備を被写体として含む新たな現場写真に含まれる前記金物の錆・腐食状態を判定するための第１学習モデルを構築する第１学習モデル構築手段と、を備える機械学習装置。

【0011】

（１）によれば、マンホール内に設置される金物の錆や腐食状態を自動で特定する機械学習装置を提供することが可能となる。

【0012】

（２） （１）に記載の機械学習装置において、前記マンホール内の設備を被写体として含む現場写真を第２入力データとして取得する第２入力データ取得手段と、前記マンホール内の設備を被写体として含む現場写真に含まれる壁におけるクラックの発生箇所の判定結果を第２ラベルとして取得する第２ラベル取得手段と、前記第２入力データと前記第２ラベルとの組を教師データとして教師あり学習を行うことにより、前記マンホール内の設備を被写体として含む新たな現場写真に含まれる壁におけるクラックの発生箇所を判定するための第２学習モデルを構築する第２学習モデル構築手段と、を更に備えることが好ましい。

【0013】

（２）によれば、マンホール躯体内のひびや管路口の漏水を自動で特定する機械学習装置を提供することが可能となる。

【0014】

（３） （１）又は（２）に記載の機械学習装置において、前記マンホール内の水位、前記マンホール内の貯留水のｐＨ及び硫化水素濃度、前記マンホールに設置される前記金物の取付日時、及び、前記金物の素材に係る情報を含む第１現地状況データを、第３入力データとして取得する第３入力データ取得手段と、前記第３入力データの示す日時より所定期間後の前記金物の腐食レベルを第３ラベルとして取得する第３ラベル取得手段と、前記第３入力データと前記第３ラベルとの組を教師データとして教師あり学習を行うことにより、新たな前記第１現地状況データの示す日時より前記所定期間後の前記金物の腐食レベルを予測するための第３学習モデルを構築する第３学習モデル構築手段と、を更に備えることが好ましい。

【0015】

（３）によれば、マンホール内に設置される金物の腐食レベルを自動で予測する機械学習装置を提供することが可能となる。

【0016】

（４） （１）～（３）に記載の機械学習装置において、前記マンホール内の水位、前記マンホール内の貯留水のｐＨ及び硫化水素濃度、前記マンホールに設置される前記金物の取付日時、前記金物の素材に係る情報、及び前記マンホール内の設備を被写体として含む現場写真を含む第２現地状況データを、第４入力データとして取得する第４入力データ取得手段と、前記第４入力データの示す日時より所定期間後の前記現場写真を第４ラベルとして取得する第４ラベル取得手段と、前記第４入力データと前記第４ラベルとの組を教師データとして教師あり学習を行うことにより、新たな前記第２現地状況データの示す日時より前記所定期間後の前記マンホール内の設備を被写体として含む予測写真を生成するための第４学習モデルを構築する第４学習モデル構築手段と、を更に備えることが好ましい。

【0017】

（４）によれば、マンホール内の設備を被写体として含む予測写真を自動で生成する機械学習装置を提供することが可能となる。

【0018】

（５） （１）～（４）までのいずれか１に記載の機械学習装置で構築した前記第１学習モデルを用いた異常識別装置であって、前記マンホール内の設備を被写体として含む新たな現場写真を取得する現場写真取得手段と、前記現場写真と前記第１学習モデルとに基づいて、前記金物の錆・腐食状態を判定する錆・腐食状態判定手段と、を備える異常識別装置。

【0019】

（５）によれば、マンホール内に設置される金物の錆や腐食状態を自動で判定する異常識別装置を提供することが可能となる。

【0020】

（６） （５）に記載の異常識別装置において、（２）に記載の機械学習装置で構築した前記第２学習モデルを更に用いた異常識別装置であって、前記マンホール内の設備を被写体として含む新たな現場写真を取得する現場写真取得手段と、前記現場写真と前記第２学習モデルとに基づいて、前記マンホール内の設備を被写体として含む新たな現場写真に含まれる壁におけるクラックの発生箇所を判定するクラック判定手段と、を更に備えることが好ましい。

【0021】

（６）によれば、マンホール躯体内のひびや管路口の漏水を自動で判定する異常識別装置を提供することが可能となる。

【0022】

（７） （６）に記載の異常識別装置において、前記マンホール内の設備を被写体として含む現場写真から、前記マンホールに備わるケーブルの異常を判定する、ケーブル異常判定手段を更に備えることが好ましい。

【0023】

（７）によれば、マンホール躯体内のケーブルの移動量を自動で判定する異常識別装置を提供することが可能となる。

【0024】

（８） （７）に記載の異常識別装置において、前記金物の錆・腐食状態、前記クラックの発生箇所、及び前記ケーブルの移動量のうち少なくとも１に基づいて、前記マンホール内の異常を識別することが好ましい。

【0025】

（８）によれば、マンホール躯体内の異常を自動で識別する異常識別装置を提供することが可能となる。

【0026】

（９） （５）～（８）に記載の異常識別装置において、（３）に記載の機械学習装置で構築した前記第３学習モデルを更に用いた異常識別装置であって、前記マンホールの新たな前記第１現地状況データを取得する第１現地状況データ取得手段と、前記第１現地状況データと前記第３学習モデルとに基づいて、新たな前記第１現地状況データの示す日時より前記所定期間後の前記金物の腐食レベルを予測する腐食レベル予測手段と、を更に備えることが好ましい。

【0027】

（９）によれば、マンホール内に設置される金物の腐食レベルを自動で予測する異常識別装置を提供することが可能となる。

【0028】

（１０） （５）～（９）のいずれか１に記載の異常識別装置において、（４）に記載の機械学習装置で構築した前記第４学習モデルを更に用いた異常識別装置であって、前記マンホールの新たな前記第２現地状況データを取得する第２現地状況データ取得手段と、第２現地状況データと前記第４学習モデルとに基づいて、新たな前記第２現地状況データの示す日時より前記所定期間後の前記マンホール内の設備を被写体として含む予測写真を生成する予測写真生成手段と、を更に備えることが好ましい。

【0029】

（１０）によれば、マンホール内の設備を被写体として含む予測写真を自動で生成する異常識別装置を提供することが可能となる。

【発明の効果】

【0030】

本発明によれば、マンホール内に設置される金物の錆や腐食状態を自動で特定することが可能となる。

【図面の簡単な説明】

【0031】

【図1】本発明の実施形態に係る異常識別システムの全体構成を示す図である。

【図2】本発明の実施形態に係る機械学習装置に備わる第１学習部の機能ブロック図である。

【図3】本発明の実施形態に係る異常識別装置の機能ブロック図である。

【図4】本発明の実施形態に係る機械学習装置の動作を示すフローチャートである。

【図5】本発明の実施形態に係る機械学習装置の動作を示すフローチャートである。

【図6】本発明の実施形態に係る機械学習装置の動作を示すフローチャートである。

【図7】本発明の実施形態に係る機械学習装置の動作を示すフローチャートである。

【図8】本発明の実施形態に係る異常識別装置の動作を示すフローチャートである。

【図9】本発明の実施形態に係る異常識別装置の動作を示すフローチャートである。

【図10】本発明の実施形態に係る異常識別装置の動作を示すフローチャートである。

【発明を実施するための形態】

【0032】

以下、本発明の実施形態について、図１～図１０を参照することにより説明する。

【0033】

〔１ 実施形態の構成〕
まず、本実施形態に係る異常識別システム１００の構成について説明する。図１は、本実施形態に係る異常識別システムを示すブロック図である。異常識別システム１００は、図１に示すように、機械学習装置１０及び異常識別装置２０を備えている。

【0034】

ここで、機械学習装置１０と異常識別装置２０とは１対１の組とされて、通信可能に接続されている。なお、図１では図示しないが、機械学習装置１０と異常識別装置２０とはネットワークを介して、互いに接続されていてもよい。ネットワークは、例えば、ＬＡＮ（Local Area Network）や、インターネット、公衆電話網、あるいは、これらの組み合わせである。ネットワークにおける具体的な通信方式や、有線接続及び無線接続のいずれであるか等については、特に限定されない。あるいは、機械学習装置１０と異常識別装置２０とは、ネットワークを用いた通信ではなく、接続部を介して直接接続してもよい。

【0035】

機械学習装置１０は、教師あり学習により、異常識別装置２０で用いる学習モデルを構築する。そのため、機械学習装置１０は、図１に示すように、第１学習部１１～第４学習部１４を備える。

【0036】

第１学習部１１は、マンホール内の設備を被写体として含む新たな現場写真に含まれる金物の錆・腐食状態を判定するための第１学習モデルを構築する。なお、この「マンホール内の設備」には、マンホールの内壁も含まれる。

【0037】

図２は、第１学習部１１の機能ブロック図である。第１学習部１１は、図２に示すように、第１入力データ取得部１１１、第１ラベル取得部１１２、第１学習モデル構築部１１３、第１学習モデル記憶部１１４を備える。

【0038】

第１入力データ取得部１１１は、マンホール内の設備を被写体として含む現場写真を第１入力データとして取得する。ここで、マンホール内の設備を被写体として含む現場写真には、マンホール内に設置される接続箱、ケーブルの線形、管路口、金物が写り込んでいることが好適である。

【0039】

第１ラベル取得部１１２は、マンホール内の設備を被写体として含む現場写真に含まれる金物の錆・腐食状態の判定結果を第１ラベルとして取得する。なお、この判定結果は、例えば、第１入力データとして用いるマンホール内の設備を被写体として含む現場写真を、熟練の作業員が目視することにより得られる、当該現場写真に含まれる金物の錆・腐食状態であってよい。

【0040】

ここで、金物の腐食状態には、金物の腐食の進行度合いを示す腐食レベルが含まれてよい。腐食レベルとしては、例えば以下に示すレベルＡ～レベルＤの４段階のレベルを用いてもよい。

【0041】

レベルＡは、隙間腐食が発生し、マンホールに含まれるケーブルに著しく損傷を与えているレベルである。より詳細には、１年以内に、電気設備技術基準違反、設計強度不足、営業運転ができない等の状態になるため、早急に改修する必要がある状態である。

【0042】

レベルＢは、隙間腐食の発生により、ケーブルへの損傷が予想されるレベルである。より詳細には、修理の必要性があるか、詳細な調査を要すると共に、１年以内にレベルＡの状態に移行すると思われる状態である。

【0043】

レベルＣは、表面に孔食・腐食が発生し、次回の点検までにケーブルを損傷する可能性がある状態である。より詳細には、レベルＢに比較すれば腐食による生成物が少なく、数年後にレベルＡまでに移行すると思われるため、継続監視が必要な状態である。

【0044】

レベルＤは、孔食・腐食が発生していないか、又は、表面に孔食・腐食が発生しているものの、次回点検までに損傷はないと思われるために、経過観察が必要な程度の状態である。

【0045】

第１学習モデル構築部１１３は、第１入力データと第１ラベルとの組を教師データとして教師あり学習を行うことにより、マンホール内の設備を被写体として含む現場写真に含まれる金物の錆・腐食状態を判定するための第１学習モデルを構築し、構築した第１学習モデルを、異常識別装置２０に送信する。

【0046】

第１学習モデル構築部１１３は、例として、サポート・ベクター・マシン（Support Vector Machine、以下ＳＶＭともいう）を用いて実現することが可能である。

【0047】

この場合、第１学習モデル構築部１１３は、上記の第１ラベルとして、特定の腐食レベルに該当するか否かに係る二値化されたラベルを用いると共に、上記の第１入力データを含む空間を、上記の特定の腐食レベルに該当するか否かに関して、マージンが最大となるように分離する超平面を算出する。さらに、第１学習モデル構築部１１３は、この超平面の係数を、後述の異常識別装置２０が腐食レベル判定のために用いる学習モデルのパラメータとすることが可能である。

【0048】

第１学習モデル記憶部１１４は、第１学習モデル構築部１１３が構築した学習モデルを記憶する。

【0049】

第２学習部１２は、マンホール内の設備を被写体として含む新たな現場写真に含まれる壁におけるクラックの発生箇所を判定するための第２学習モデルを構築する。
第２学習部１２は、第２入力データ取得部１２１、第２ラベル取得部１２２、第２学習モデル構築部１２３、第２学習モデル記憶部１２４を備える。なお、第２学習部１２の構成は、図２に示す第１学習部１１の構成と同様であるからその図示を省略する。

【0050】

第２入力データ取得部１２１は、マンホール内の設備を被写体として含む現場写真を第２入力データとして取得する。

【0051】

第２ラベル取得部１２２は、マンホール内の設備を被写体として含む現場写真に含まれる壁におけるクラックの発生箇所の判定結果を第２ラベルとして取得する。なお、この判定結果は、例えば、第２入力データとして用いるマンホール内の設備を被写体として含む現場写真を、熟練の作業員が目視することにより得られる、当該現場写真に含まれるクラックの発生箇所であってよい。

【0052】

この「クラックの発生箇所」としては、単にクラックが発生している箇所のみならず、クラックからの漏水箇所を含んでもよい。

【0053】

第２学習モデル構築部１２３は、第２入力データと第２ラベルとの組を教師データとして教師あり学習を行うことにより、マンホール内の設備を被写体として含む新たな現場写真に含まれる壁におけるクラックの発生箇所を判定するための第２学習モデルを構築し、構築した第２学習モデルを、異常識別装置２０に送信する。

【0054】

第２学習モデル記憶部１２４は、第２学習モデル構築部１２３が構築した学習モデルを記憶する。

【0055】

第３学習部１３は、新たな第１現地状況データの示す日時より所定期間後の金物の腐食レベルを予測するための第３学習モデルを構築する。
第３学習部１３は、第３入力データ取得部１３１、第３ラベル取得部１３２、第３学習モデル構築部１３３、第３学習モデル記憶部１３４を備える。なお、第３学習部１３の構成は、図２に示す第１学習部１１の構成と同様であるからその図示を省略する。

【0056】

第３入力データ取得部１３１は、マンホール内の水位、マンホール内の貯留水のｐＨ及び硫化水素濃度、マンホールに設置される金物の取付日時、及び、金物の素材に係る情報を含む第１現地状況データを、第３入力データとして取得する。

【0057】

第３ラベル取得部１３２は、第３入力データの示す日時より所定期間後の前記金物の腐食レベルを第３ラベルとして取得する。

【0058】

例えば、所定日時における、マンホール内の水位、マンホール内の貯留水のｐＨ及び硫化水素濃度、マンホールに設置される金物の取付日時、金物の素材に係る情報、及び当該所定日時における金物の腐食レベルから構成される履歴データを元に、第３入力データ取得部１３１が、第１の日時におけるマンホール内の水位、マンホール内の貯留水のｐＨ及び硫化水素濃度、マンホールに設置される金物の取付日時、金物の素材に係る情報を、第３入力データとして取得し、第３ラベル取得部１３２が、同一マンホールにおける、所定期間経過後の第２の日時における金物の腐食レベルを、第３ラベルとして取得してもよい。

【0059】

第３学習モデル構築部１３３は、第３入力データと第３ラベルとの組を教師データとして教師あり学習を行うことにより、新たな第１現地状況データの示す日時より所定期間後の金物の腐食レベルを予測するための第３学習モデルを構築し、構築した第３学習モデルを、異常識別装置２０に送信する。
なお、第３学習モデル構築部１３３は、この「所定期間」として、複数種類の「所定期間」を設定し、これら複数種類の「所定期間」に応じて、各々に対応する複数個の学習モデルを構築してもよい。

【0060】

第３学習モデル記憶部１３４は、第３学習モデル構築部１３３が構築した学習モデルを記憶する。

【0061】

第４学習部１４は、新たな第２現地状況データの示す日時より所定期間後の現場写真を予測するための第４学習モデルを構築する。
第４学習部１４は、第４入力データ取得部１４１、第４ラベル取得部１４２、第４学習モデル構築部１４３、第４学習モデル記憶部１４４を備える。なお、第４学習部１４の構成は、図２に示す第１学習部１１の構成と同様であるからその図示を省略する。

【0062】

第４入力データ取得部１４１は、マンホール内の水位、マンホール内の貯留水のｐＨ及び硫化水素濃度、マンホールに設置される金物の取付日時、金物の素材に係る情報、及びマンホール内の設備を被写体として含む現場写真を含む第２現地状況データを第４入力データとして取得する。

【0063】

第４ラベル取得部１４２は、第４入力データの示す日時より所定期間後のマンホール内の設備を被写体として含む現場写真を第４ラベルとして取得する。

【0064】

例えば、所定日時における、マンホール内の水位、マンホール内の貯留水のｐＨ及び硫化水素濃度、マンホールに設置される金物の取付日時、金物の素材に係る情報、及びマンホール内の設備を被写体として含む現場写真から構成される履歴データを元に、第４入力データ取得部１４１が、第１の日時におけるマンホール内の水位、マンホール内の貯留水のｐＨ及び硫化水素濃度、マンホールに設置される金物の取付日時、マンホール内の設備を被写体として含む現場写真を、第４入力データとして取得し、第４ラベル取得部１４２が、同一マンホールにおける、所定期間経過後の第２の日時におけるマンホール内の設備を被写体として含む現場写真を、第４ラベルとして取得してもよい。

【0065】

なお、第４入力データに含まれるマンホール内の設備を被写体として含む現場写真と、第４ラベルに含まれる所定期間経過後のマンホールの現場写真とは、同一アングルで撮影されていると好適である。あるいは、所定期間経過後のマンホール内の設備を被写体として含む現場写真を、第４入力データに含まれるマンホール内の設備を被写体として含む現場写真と同一アングルの写真となるよう修正した上で、第４ラベルとしてもよい。

【0066】

第４学習モデル構築部１４３は、第４入力データと第４ラベルとの組を教師データとして教師あり学習を行うことにより、新たな第２現地状況データの示す日時より所定期間後の現場写真を予測するための第４学習モデルを構築し、構築した第４学習モデルを、異常識別装置２０に送信する。
なお、第４学習モデル構築部１４３は、この「所定期間」として、複数種類の「所定期間」を設定し、これら複数種類の「所定期間」に応じて、各々に対応する複数個の学習モデルを構築してもよい。

【0067】

第４学習モデル記憶部１４４は、第４学習モデル構築部１４３が構築した学習モデルを記憶する。

【0068】

図３は、異常識別装置２０の機能ブロック図である。異常識別装置２０は、制御部２１と、記憶部２２と、表示部２３とを備える。

【0069】

制御部２１は、異常識別装置２０の全体を制御する部分であり、各種プログラムを、ＲＯＭ、ＲＡＭ、フラッシュメモリ又はハードディスク（ＨＤＤ）等の記憶領域から適宜読み出して実行することにより、本実施形態における各種機能を実現している。制御部２１は、ＣＰＵであってよい。制御部２１は、現場写真取得部２１１、第１現地状況データ取得部２１２、第２現地状況データ取得部２１３、錆・腐食判定部２１４、クラック判定部２１５、ケーブル異常判定部２１６、異常識別部２１７、腐食レベル予測部２１８、予測写真生成部２１９を備える。

【0070】

現場写真取得部２１１は、機械学習装置１０で機械学習をした際に用いた教師データに含まれるマンホール内の設備を被写体として含む現場写真とは別個に、マンホール内の設備を被写体として含む新たな現場写真を取得する。例えば、作業員が、異常識別装置２０に備わるキーボードやマウス等の入力デバイスを操作することにより、異常識別装置２０にマンホール内の設備を被写体として含む新たな現場写真を読み込ませた後、現場写真取得部２１１は、読み込ませた新たな現場写真を取得してもよい。

【0071】

第１現地状況データ取得部２１２は、機械学習装置１０で機械学習をした際に用いた教師データに含まれる第１現地状況データとは別個に、マンホールの新たな第１現地状況データを取得する。例えば、作業員が、異常識別装置２０に備わるキーボードやマウス等の入力デバイスを操作することにより、異常識別装置２０にマンホールの新たな第１現地状況データを読み込ませた後、第１現地状況データ取得部２１２は、読み込ませた新たな第１現地状況データを取得してもよい。

【0072】

第２現地状況データ取得部２１３は、機械学習装置１０で機械学習をした際に用いた教師データに含まれる第２現地状況データとは別個に、マンホールの新たな第２現地状況データを取得する。例えば、作業員が、異常識別装置２０に備わるキーボードやマウス等の入力デバイスを操作することにより、異常識別装置２０にマンホールの新たな第２現地状況データを読み込ませた後、第２現地状況データ取得部２１３は、読み込ませた新たな第２現地状況データを取得してもよい。

【0073】

錆・腐食判定部２１４は、現場写真取得部２１１によって取得された現場写真と第１学習モデルとに基づいて、マンホールに備わる金物の錆・腐食状態を判定する。

【0074】

クラック判定部２１５は、現場写真取得部２１１によって取得された現場写真と第２学習モデルとに基づいて、マンホールの新たな現場写真に含まれる壁におけるクラックの発生箇所を判定する。

【0075】

ケーブル異常判定部２１６は、現場写真取得部２１１によって取得されたマンホール内の設備を被写体として含む現場写真から、マンホールに備わるケーブルの異常を判定する。

【0076】

例えば、ケーブルの種類に基づいて、ケーブルの許容曲げ半径を判定し、現場写真取得部２１１によって取得される現場写真が３Ｄ写真の場合、当該３Ｄ写真を用いて算出される測量データとケーブルの許容曲げ半径との差分を求め、差分が規定値内であればケーブルは正常、規定値を超えれば異常と判定とする。

【0077】

ケーブル異常判定部２１６は、現時点、とりわけ後述の異常識別部２１７による異常判定時における現場写真からケーブルの異常を判定することが好適である。

【0078】

異常識別部２１７は、錆・腐食判定部２１４によって判定された金物の錆・腐食状態、クラック判定部２１５によって判定されたクラックの発生箇所、及び、ケーブル異常判定部２１６によって判定されたケーブルに係る異常判定に基づいて、マンホール内の異常を識別する。
とりわけ、金物の錆・腐食状態に関しては、錆の発生箇所や腐食箇所がケーブルに接触しており、ケーブルへの損傷が予想される箇所がある場合、異常識別部２１７は、当該錆の発生箇所や腐食箇所をマンホール内の異常として識別する。

【0079】

腐食レベル予測部２１８は、第１現地状況データ取得部２１２によって取得された第１現地状況データと、第３学習モデルに基づいて、第１現地状況データの示す日時より所定期間後の金物の腐食レベルを予測する。この「所定期間」とは、第３学習モデル生成時に用いた教師データにおける、第３入力データの示す日時と、第３ラベルの示す日時とのタイムラグに一致する。

【0080】

予測写真生成部２１９は、第２現地状況データ取得部２１３によって取得された第２現地状況データと、第４学習モデルに基づいて、第２現地状況データの示す日時より所定期間後のマンホール内の設備を被写体として含む予測写真を生成する。この「所定期間」とは、第４学習モデル生成時に用いた教師データにおける、第４入力データの示す日時と、第４ラベルの示す日時とのタイムラグに一致する。

【0081】

記憶部２２は、機械学習装置１０から取得した第１学習モデル～第４学習モデルを記憶する。また、記憶部２２は、現場写真取得部２１１によって取得されたマンホール内の設備を被写体として含む現場写真、第１現地状況データ取得部２１２によって取得された第１現地状況データ、第２現地状況データ取得部２１３によって取得された第２現地状況データ、錆・腐食判定部２１４、クラック判定部２１５、ケーブル異常判定部２１６による判定結果、異常識別部２１７による識別結果、腐食レベル予測部２１８による予測結果、予測写真生成部２１９によって生成される予測写真を記憶してもよい。

【0082】

表示部２３は、錆・腐食判定部２１４、クラック判定部２１５、ケーブル異常判定部２１６による判定結果、異常識別部２１７による識別結果、腐食レベル予測部２１８による予測結果、予測写真生成部２１９によって生成される予測写真を表示するモニタである。

【0083】

〔２ 実施形態の動作〕
次に、本実施形態に係る異常識別システム１００の動作について説明する。まず、図４～図７を参照し、機械学習装置１０の動作について説明する。

【0084】

〔２．１ 機械学習装置１０の動作〕
図４は、第１学習部１１の動作を示すフローチャートである。
ステップＳ１１において、第１入力データ取得部１１１が、マンホール内の設備を被写体として含む現場写真を第１入力データとして取得する。

【0085】

ステップＳ１２において、第１ラベル取得部１１２が、マンホール内の設備を被写体として含む現場写真に含まれる金物の錆・腐食状態の判定結果を第１ラベルとして取得する。

【0086】

ステップＳ１３において、第１学習モデル構築部１１３は、第１入力データと第１ラベルとの組を教師データとする。

【0087】

ステップＳ１４において、第１学習モデル構築部１１３は、ステップＳ１３の教師データを用いて教師あり学習を行う。

【0088】

ステップＳ１５において、機械学習が終了した場合（Ｓ１５：ＹＥＳ）には、処理はステップＳ１６に移行する。機械学習がまだ終了していない場合（Ｓ１５：ＮＯ）には、処理はステップＳ１１に移行する。

【0089】

ステップＳ１６において、第１学習モデル構築部１１３は、構築した第１学習モデルを異常識別装置２０に送信する。その後、全ての処理を終了する。

【0090】

図５は、第２学習部１２の動作を示すフローチャートである。
ステップＳ２１において、第２入力データ取得部１２１が、マンホール内の設備を被写体として含む現場写真を第２入力データとして取得する。

【0091】

ステップＳ２２において、第２ラベル取得部１２２が、マンホール内の設備を被写体として含む現場写真に含まれる壁におけるクラックの発生箇所の判定結果を第２ラベルとして取得する。

【0092】

ステップＳ２３において、第２学習モデル構築部１２３は、第２入力データと第２ラベルとの組を教師データとする。

【0093】

ステップＳ２４において、第２学習モデル構築部１２３は、ステップＳ２３の教師データを用いて教師あり学習を行う。

【0094】

ステップＳ２５において、機械学習が終了した場合（Ｓ２５：ＹＥＳ）には、処理はステップＳ２６に移行する。機械学習がまだ終了していない場合（Ｓ２５：ＮＯ）には、処理はステップＳ２１に移行する。

【0095】

ステップＳ２６において、第２学習モデル構築部１２３は、構築した第２学習モデルを異常識別装置２０に送信する。その後、全ての処理を終了する。

【0096】

図６は、第３学習部１３の動作を示すフローチャートである。
ステップＳ３１において、第３入力データ取得部１３１が、マンホールの第１現地状況データとして、マンホール内の水位、マンホール内の貯留水のｐＨ及び硫化水素濃度、マンホールに設置される金物の取付日時、及び、金物の素材に係る情報を第３入力データとして取得する。

【0097】

ステップＳ３２において、第３ラベル取得部１３２が、第３入力データの示す日時より所定期間後の金物の腐食レベルを第３ラベルとして取得する。

【0098】

ステップＳ３３において、第３学習モデル構築部１３３は、第３入力データと第３ラベルとの組を教師データとする。

【0099】

ステップＳ３４において、第３学習モデル構築部１３３は、ステップＳ３３の教師データを用いて教師あり学習を行う。

【0100】

ステップＳ３５において、機械学習が終了した場合（Ｓ３５：ＹＥＳ）には、処理はステップＳ３６に移行する。機械学習がまだ終了していない場合（Ｓ３５：ＮＯ）には、処理はステップＳ３１に移行する。

【0101】

ステップＳ３６において、第３学習モデル構築部１３３は、構築した第３学習モデルを異常識別装置２０に送信する。その後、全ての処理を終了する。

【0102】

図７は、第４学習部１４の動作を示すフローチャートである。
ステップＳ４１において、第４入力データ取得部１４１が、マンホール内の水位、マンホール内の貯留水のｐＨ及び硫化水素濃度、マンホールに設置される金物の取付日時、及び、金物の素材に係る情報、及びマンホール内の設備を被写体として含む現場写真を含む第２現地状況データを第４入力データとして取得する。

【0103】

ステップＳ４２において、第４ラベル取得部１４２が、第４入力データの示す日時より所定期間後の所定期間後のマンホール内の設備を被写体として含む現場写真を第４ラベルとして取得する。

【0104】

ステップＳ４３において、第４学習モデル構築部１４３は、第４入力データと第４ラベルとの組を教師データとする。

【0105】

ステップＳ４４において、第４学習モデル構築部１４３は、ステップＳ４３の教師データを用いて教師あり学習を行う。

【0106】

ステップＳ４５において、機械学習が終了した場合（Ｓ４５：ＹＥＳ）には、処理はステップＳ４６に移行する。機械学習がまだ終了していない場合（Ｓ４５：ＮＯ）には、処理はステップＳ４１に移行する。

【0107】

ステップＳ４６において、第４学習モデル構築部１４３は、構築した第４学習モデルを異常識別装置２０に送信する。その後、全ての処理を終了する。

【0108】

〔２．２ 異常識別装置２０の動作〕
次に、図８～図１０を参照し、異常識別装置２０の動作について説明する。

【0109】

まず、図８を参照することにより、異常識別装置２０による異常識別方法について説明する。

【0110】

ステップＳ５１において、現場写真取得部２１１が新たな現場写真を取得する。

【0111】

ステップＳ５２において、錆・腐食判定部２１４は、現場写真取得部２１１によって取得された現場写真と第１学習モデルとに基づいて、マンホールに備わる金物の錆・腐食状態を判定する。

【0112】

ステップＳ５３において、クラック判定部２１５は、現場写真取得部２１１によって取得された現場写真と第２学習モデルとに基づいて、マンホール内の設備を被写体として含む新たな現場写真に含まれる壁におけるクラックの発生箇所を判定する。

【0113】

ステップＳ５４において、ケーブル異常判定部２１６は、現時点における現場写真からケーブルの異常を判定する。

【0114】

ステップＳ５５において、異常識別部２１７は、錆・腐食判定部２１４によって判定された金物の錆・腐食状態、クラック判定部２１５によって判定されたクラックの発生箇所、及び、ケーブル異常判定部２１６によって判定されたケーブルの異常に基づいて、マンホール内の異常を識別する。その後、全ての処理を終了する。

【0115】

次に、図９を参照することにより、異常識別装置２０による腐食レベル予測方法について説明する。

【0116】

ステップＳ６１において、第１現地状況データ取得部２１２は、機械学習装置１０で機械学習をした際に用いた教師データに含まれる第１現地状況データとは別個に、マンホールの新たな第１現地状況データを取得する。

【0117】

ステップＳ６２において、腐食レベル予測部２１８は、第１現地状況データ取得部２１２によって取得された第１現地状況データと、第３学習モデルに基づいて、第１現地状況データの示す日時より所定期間後の金物の腐食レベルを予測する。その後、全ての処理を終了する。

【0118】

次に、図１０を参照することにより、異常識別装置２０による予測写真生成方法について説明する。

【0119】

ステップＳ７１において、第２現地状況データ取得部２１３は、機械学習装置１０で機械学習をした際に用いた教師データに含まれる第２現地状況データとは別個に、マンホールの新たな第２現地状況データを取得する。

【0120】

ステップＳ７２において、予測写真生成部２１９は、第２現地状況データ取得部２１３によって取得された第２現地状況データと、第４学習モデルに基づいて、第２現地状況データの示す日時より所定期間後の前記マンホール内の設備を被写体として含む予測写真を生成する。その後、全ての処理を終了する。

【0121】

〔３ 変形例〕
以上、本発明の実施形態について説明したが、本発明は前述した実施形態に限るものではない。また、本実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本実施形態に記載されたものに限定されるものではない。

【0122】

〔３．１ 変形例１〕
上記の実施形態において、機械学習装置１０と異常識別装置２０とを別体として示したがが、これには限定されない。例えば、機械学習装置１０が異常識別装置２０の筐体に組み込まれることにより、異常識別システム１００が一体化されて実現される態様としてもよい。

【0123】

〔３．２ 変形例２〕
また、上記の実施形態において、第１学習部１１の第１入力データ取得部１１１は、マンホール内の設備を被写体として含む現場写真を第１入力データとして取得し、第２学習部１２の第２入力データ取得部１２１は、マンホール内の設備を被写体として含む現場写真を第２入力データとして取得するとしたが、これには限定されない。例えば、第１入力データ取得部１１１及び第２入力データ取得部１２１は、マンホール内の設備を被写体として含む現場写真に加えて、マンホール内データ（マンホールの寸法、接続箱の壁面からの距離、管路口の位置）、接続箱及び金物の寸法のうちいずれか１以上を、第１入力データ又は第２入力データとして取得してもよい。

【0124】

異常識別システム１００による異常識別方法は、ソフトウェアにより実現される。ソフトウェアによって実現される場合には、このソフトウェアを構成するプログラムが、コンピュータにインストールされる。また、これらのプログラムは、リムーバブルメディアに記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。

【符号の説明】

【0125】

１０ 機械学習装置
１１ 第１学習部
１２ 第２学習部
１３ 第３学習部
１４ 第４学習部
２０ 異常識別装置
２１ 制御部
２２ 記憶部
２３ 表示部
１１１ 第１入力データ取得部
１１２ 第１ラベル取得部
１１３ 第１学習モデル構築部
１１４ 第１学習モデル記憶部
１２１ 第２入力データ取得部
１２２ 第２ラベル取得部
１２３ 第２学習モデル構築部
１２４ 第２学習モデル記憶部
１３１ 第３入力データ取得部
１３２ 第３ラベル取得部
１３３ 第３学習モデル構築部
１３４ 第３学習モデル記憶部
１４１ 第４入力データ取得部
１４２ 第４ラベル取得部
１４３ 第４学習モデル構築部
１４４ 第４学習モデル記憶部
２１１ 現場写真取得部
２１２ 第１現地状況データ取得部
２１３ 第２現地状況データ取得部
２１４ 錆・腐食判定部
２１５ クラック判定部
２１６ ケーブル異常判定部
２１７ 異常識別部
２１８ 腐食レベル予測部
２１９ 予測写真生成部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】