特開 2022-30233 流量推定装置及び流量推定プログラム

(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】P2022030233

(43)【公開日】2022-02-18

(54)【発明の名称】流量推定装置及び流量推定プログラム

(51)【国際特許分類】

   G01F 1/00 20220101AFI20220210BHJP

   G06T 7/00 20170101ALI20220210BHJP

   G06F 17/10 20060101ALI20220210BHJP

【ＦＩ】

G01F1/00 H

G06T7/00 350C

G06F17/10 A

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2020134077

(22)【出願日】2020-08-06

(71)【出願人】

【識別番号】000150110

【氏名又は名称】株式会社竹中土木

(71)【出願人】

【識別番号】507060549

【氏名又は名称】エバ・ジャパン株式会社

(71)【出願人】

【識別番号】516256294

【氏名又は名称】株式会社コンピュータマインド

(74)【代理人】

【識別番号】110001519

【氏名又は名称】特許業務法人太陽国際特許事務所

(72)【発明者】

【氏名】森 守正

(72)【発明者】

【氏名】大村 啓介

(72)【発明者】

【氏名】佐藤 裕考

(72)【発明者】

【氏名】植松 佑太

(72)【発明者】

【氏名】野呂 直樹

(72)【発明者】

【氏名】高良 洋平

(72)【発明者】

【氏名】八重森 洋毅

(72)【発明者】

【氏名】古川 拓之介

【テーマコード（参考）】

2F030

5B056

5L096

【Ｆターム（参考）】

2F030CA02

2F030CE02

2F030CE04

2F030CE09

2F030CE32

5B056BB26

5L096CA05

5L096CA17

5L096DA02

5L096GA08

5L096HA11

5L096KA04

(57)【要約】

【課題】本発明は、遠隔で、放流口からの流量を精度よく計測することを目的とする。
【解決手段】画像取得部１２２が、水を放流している放流口を含む所定範囲を表す画像であって、各画素が、特定の第１波長の光の反射率を表す画素値を有する第１画像と、各画素が、特定の第２波長の光の反射率を表す画素値を有する第２画像と、を取得する。計算部１２４が、各画素について、第１画像の画素値と第２画像の画素値との差分を用いた計算値を計算する。そして、推定部１２６が、各画素について計算された計算値を画素値とする計算画像と、水の流量を推定するための予め学習された推定モデルとに基づいて、水の流量を推定する。
【選択図】図１０

【特許請求の範囲】

【請求項1】

所定の液体を放流している放流口を含む所定範囲を表す画像であって、各画素が、特定の第１波長の光の反射率を表す画素値を有する第１画像と、各画素が、特定の第２波長の光の反射率を表す画素値を有する第２画像と、を取得する画像取得部と、
各画素について、前記第１画像の画素値と前記第２画像の画素値との差分を用いた計算値を計算する計算部と、
各画素について計算された計算値を画素値とする計算画像と、前記液体の流量を推定するための予め学習された推定モデルとに基づいて、前記液体の流量を推定する推定部と、
を含む流量推定装置。

【請求項2】

前記計算値は、前記第１画像の画素値と前記第２画像の画素値との差分を、前記第１画像の画素値と前記第２画像の画素値との和で除した値である請求項１記載の流量推定装置。

【請求項3】

前記第１波長は、前記液体の流量を変化させたときの光の反射率の変化が小さくなる波長であり、
前記第２波長は、前記液体の流量を変化させたときの光の反射率の変化が大きくなる波長である請求項１又は２記載の流量推定装置。

【請求項4】

前記推定モデルは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）である請求項１～請求項３の何れか１項記載の流量推定装置。

【請求項5】

前記推定モデルは、形状が異なる複数の前記放流口を含む複数の画像の各々から計算した前記計算画像と、予め測定された、複数の前記放流口の各々からの前記液体の流量とを含む学習データから予め学習されたものである請求項１～請求項４の何れか１項記載の流量推定装置。

【請求項6】

コンピュータを、
所定の液体を放流している放流口を含む所定範囲を表す画像であって、各画素が、特定の第１波長の光の反射率を表す画素値を有する第１画像と、各画素が、特定の第２波長の光の反射率を表す画素値を有する第２画像と、を取得する画像取得部、
各画素について、前記第１画像の画素値と前記第２画像の画素値との差分を用いた計算値を計算する計算部、及び
各画素について計算された計算値を画素値とする計算画像と、前記液体の流量を推定するための予め学習された推定モデルとに基づいて、前記液体の流量を推定する推定部
として機能させるための流量推定プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、流量推定装置及び流量推定プログラムに関する。

【背景技術】

【0002】

従来より、光を用いて流量を測定する方法が知られている（特許文献１）。この方法では、まず、加熱部により、流路内を流れる流体を加熱する。ついで、加熱位置の下流側において、第１検出部の発光部から流体に対して光を照射する。流体を透過した光を、受光部で受光する。ついで、受光した光の吸光度スペクトルの変化を検出する。この変化に基づいて、加熱流体の到着時間を知ることができる。さらに、第２検出部により、同様の動作に基づいて、加熱流体の到着時間を検出する。第１・第２検出部で検出された、加熱流体の到着時間に基づいて、加熱流体の流速または流量を測定する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特許第４５６５２３３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

放流口より流出している液体については、放流口に通じる配管に流量計を設置する、または流出後の液体を容器等で計量してその流量を測定する必要がある。しかし、特に自然流出している湧水等については、流量が多い場合や流出口に物理的に近づくことが出来ない場合、その流量を計測するのが難しい。

【0005】

本発明は上記事実を考慮して、遠隔で、放流口からの流量を精度よく計測することができることを目的とする。

【課題を解決するための手段】

【0006】

本発明に係る流量推定装置は、所定の液体を放流している放流口を含む所定範囲を表す画像であって、各画素が、特定の第１波長の光の反射率を表す画素値を有する第１画像と、各画素が、特定の第２波長の光の反射率を表す画素値を有する第２画像と、を取得する画像取得部と、各画素について、前記第１画像の画素値と前記第２画像の画素値との差分を用いた計算値を計算する計算部と、各画素について計算された計算値を画素値とする計算画像と、前記液体の流量を推定するための予め学習された推定モデルとに基づいて、前記液体の流量を推定する推定部と、を含んで構成されている。

【0007】

本発明に係る流量推定プログラムは、コンピュータを、所定の液体を放流している放流口を含む所定範囲を表す画像であって、各画素が、特定の第１波長の光の反射率を表す画素値を有する第１画像と、各画素が、特定の第２波長の光の反射率を表す画素値を有する第２画像と、を取得する画像取得部、各画素について、前記第１画像の画素値と前記第２画像の画素値との差分を用いた計算値を計算する計算部、及び各画素について計算された計算値を画素値とする計算画像と、前記液体の流量を推定するための予め学習された推定モデルとに基づいて、前記液体の流量を推定する推定部として機能させるためのプログラムである。

【0008】

本発明によれば、画像取得部が、所定の液体を放流している放流口を含む所定範囲を表す画像であって、各画素が、特定の第１波長の光の反射率を表す画素値を有する第１画像と、各画素が、特定の第２波長の光の反射率を表す画素値を有する第２画像と、を取得する。計算部が、各画素について、前記第１画像の画素値と前記第２画像の画素値との差分を用いた計算値を計算する。そして、推定部が、各画素について計算された計算値を画素値とする計算画像と、前記液体の流量を推定するための予め学習された推定モデルとに基づいて、前記液体の流量を推定する。

【0009】

このように、各画素について、第１画像の画素値と第２画像の画素値との差分を用いて計算された計算値を画素値とする計算画像と、液体の流量を推定するための予め学習された推定モデルとに基づいて、前記液体の流量を推定することにより、遠隔で、放流口からの流量を精度よく計測することができる。

【発明の効果】

【0010】

以上説明したように、本発明の流量推定装置及び流量推定プログラムによれば、各画素について、第１画像の画素値と第２画像の画素値との差分を用いて計算された計算値を画素値とする計算画像と、液体の流量を推定するための予め学習された推定モデルとに基づいて、前記液体の流量を推定することにより、遠隔で、放流口からの流量を精度よく計測することができる、という効果が得られる。

【図面の簡単な説明】

【0011】

【図1】流量毎の光の波長と反射率との関係を示すグラフである。

【図2】水流を対象としたＮＤＳＩ画像の例を示す図である。

【図3】本発明の実施の形態に係る学習装置及び流量推定装置を示すブロック図である。

【図4】本発明の実施の形態に係る学習装置及び流量推定装置のコンピュータを示すブロック図である。

【図5】本発明の実施の形態に係る学習装置のコンピュータを示す機能ブロック図である。

【図6】各波長のスペクトル画像の例を示す図である。

【図7】流量毎の光の波長と正規化された反射率との関係を示すグラフである。

【図8】（Ａ）ＮＤＳＩ画像の例を示す図、及び（Ｂ）ＮＤＳＩ部分画像の例を示す図である。

【図9】推定モデルであるＣＮＮの構成例を示す図である。

【図10】本発明の実施の形態に係る流量推定装置のコンピュータを示す機能ブロック図である。

【図11】本発明の実施の形態に係る学習装置の学習処理ルーチンの内容を示すフローチャートである。

【図12】本発明の実施の形態に係る流量推定装置の流量推定処理ルーチンの内容を示すフローチャートである。

【図13】実験結果を示す図である。

【発明を実施するための形態】

【0012】

以下、図面を参照して本発明の実施の形態を詳細に説明する。

【0013】

＜本発明の実施の形態の概要＞
本発明の実施の形態では、既知の流量の排水を行っている放流口に対して、マルチスペクトルカメラにて撮影を行う。マルチスペクトルカメラより得られたＮＤＳＩ（Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅ Ｓｐｅｃｔｒａｌ Ｉｎｄｅｘ）画像を、流体の濃度分布情報として取得する。

【0014】

得られたＮＤＳＩ画像に対して閾値の設定などの画像処理を施すことにより、放流口の位置を同定する。予め定められた流量に対する放流口周辺の部分画像を切り出した上でＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）に入力することにより、ＮＤＳＩ値と流量とを関連付けるように、ＣＮＮを学習する。

【0015】

未知の流量に対する放流口周辺のＮＤＳＩ部分画像を取得し、学習されたＣＮＮを用いて、その流量を推定する。ＲＧＢカメラによって得られた映像上に、放流口の位置および流量をリアルタイムで表示する。

【0016】

＜流量を推定する原理の説明＞
光は波であり、粒子でもある。光を波として捉えた時に、この波の種類に応じて、物体の色の見え方は変化し、例えば、可視光線の中で波の周期が長い光を赤色、短い光は紫色として人間は認識する。この波長を分析することで、物体の特性や状態を解明することができる。

【0017】

この波の周期の違いは、「波長」と呼ばれ、その波長の違いにより光の種類が区別される。波長を表す単位は「ｎｍ（１０億分の１メートル）」として表現でき、人間が見える可視光線は３８０ｎｍ付近～７８０ｎｍ付近の領域を指す。

【0018】

この波長を細かく分析する手法を「分光」と呼び、分光することで、物体の特性や状態を詳細に分析することができる。その分光によって分けられた光の要素は「スペクトル」と呼ばれ、分光分析はスペクトル分析とも呼ばれている。

【0019】

分光により、物体が持つ固有のスペクトルを分析することで、人間の目では評価困難な物質の特性や状態を評価することができる。

【0020】

例えば、人間の目ではまったく違いがわからない、樹脂、油、粉末の種類を識別することが可能である。そのため、このスペクトル技術は、分野・業界を問わず、あらゆる場面で活用されている。

【0021】

いま、コンクリートの表面に一定の水深（＝流量）を持つ水の反射率スペクトルを考える。流量が０の時は水深が存在しないのでそのスペクトル特性はコンクリートのものと等しいが、水深が大きくなるにしたがって特に水の吸光光度付近の波長（λ_２）において顕著に下がっていく。ただし、水深の変化に対して反射率の変化が比較的小さな波長（λ_１）も存在する（図１参照）。

【0022】

ここで、各流量におけるスペクトルをλ_１の反射率で正規化（λ_１における反射率＝１．０とし、他の波長における反射率をこの値の比率とする）し、λ_１とλ_２における正規化された反射率の差分を用いて、ＮＤＳＩ値を計算する。

【0023】

また、下向きの蛇口から水が流れている状態を考える。

【0024】

蛇口から出る水流は鉛直軸の回りに軸対象、つまり水流の水平断面は円であるとする。また、蛇口から下方向に距離ｘ（ｃｍ）の位置における水流の半径をｒ（ｃｍ）とする。

【0025】

蛇口の出口の内径をｒ_０（ｃｍ）、そこでの流速をｖ_０（ｃｍ／ｓ）とし、重力の効果だけを考えた単純なモデルを解くと、半径ｒはｘの関数として次のように表すことができる。

【0026】

【数1】

【0027】

ただし、ｇは重力加速度（＝９．８ｍ／ｓ^２）とする。

【0028】

今、流量Ｑは断面積πｒ^２に流速ｖ_０を掛け合わせたものであり、蛇口の流量Ｑを変化させない限り、高さｘによらず一定である。蛇口の流量Ｑを変化させた場合、それに伴い半径Ｒも変化する。

【0029】

この水流に対してスペクトルカメラにより撮影された画像からＮＤＳＩ値からなるＮＤＳＩ画像を取得した場合、半径ｒはカラーコンターの色および範囲で示される（図２参照）。また、半径ｒの高さ方向の変化率は、流量Ｑとの相関がある。従って、水平・鉛直方向におけるＮＤＳＩ値の積分値は流量Ｑと相関がある。

【0030】

また、ｘが大きくなるほど重力加速度の影響により流速が大きくなり、水の流れは乱流に近づく。このとき、水流の形状は不定形となり、流量Ｑとの相関が取りづらくなる。従って、蛇口に近い一定範囲の積分値の方が、流量Ｑとの相関性が高い。この相関性に着目し、機械学習により既知の流量ＱとＮＤＳＩ画像とを関連付けることにより、下向きに流れる水の未知流量の予測が可能となる。また、この理屈に従うと、流出口の形状が違った場合でも流量が等しい場合、例えば流速がほとんど０である流出口直下においてはカラーコンターの積分値が等しくなると予想される。よって、流出口の形状に依存せず未知流量の予測が可能であると考えられる。

【0031】

＜本発明の実施の形態の学習装置の構成＞
図３に示すように、本発明の実施の形態に係る学習装置１００は、ＲＧＢカメラ４０と、マルチスペクトルカメラ５０と、コンピュータ６０とを備えている。

【0032】

図４に示すように、コンピュータ６０は、ＣＰＵ１２、グラフィックカード１３、ＧＰＵ１４、ＲＡＭ１６、ＨＤＤ１８、通信インタフェース２１、及びこれらを相互に接続するためのバス２３を備えている。

【0033】

ＣＰＵ１２、ＧＰＵ１４は、各種プログラムを実行する。ＲＡＭ１６は、ＣＰＵ１２による各種プログラムの実行時におけるワークエリア等として用いられる。記録媒体としてのＨＤＤ１８には、後述する学習処理ルーチンを実行するためのプログラムを含む各種プログラムや各種データが記憶されている。

【0034】

本実施の形態におけるコンピュータ６０を、学習処理ルーチンを実行するためのプログラムに沿って、機能ブロックで表すと、図５に示すようになる。コンピュータ６０は、入力部１０及び演算部２０を備えている。

【0035】

入力部１０は、マルチスペクトルカメラ５０によって撮影された、水を放流している放流口を含むマルチスペクトル画像と、当該水の流量とのペアである学習データを、入力として受け付ける。この水の流量は、流量計などを用いて計測されたデータである。本実施の形態では、入力部１０は、形状が異なる複数の放流口を含む複数のマルチスペクトル画像の各々について、学習データを受け付ける。例えば、マルチスペクトル画像として、図６に示すような、各波長のスペクトル画像を受け付ける。

【0036】

演算部２０は、学習データ取得部２２、計算部２４、学習部２６、及びモデル記憶部２８を備えている。

【0037】

学習データ取得部２２は、各学習データについて、当該学習データのマルチスペクトル画像から、各画素が、第１波長λ_１の光の反射率を表す画素値を有する第１画像と、各画素が、第２波長λ_２の光の反射率を表す画素値を有する第２画像とを取得する。ここで、第１波長λ_１は、水の流量を変化させたときの光の反射率の変化が小さくなる波長であり、第２波長λ_２は、水の流量を変化させたときの光の反射率の変化が大きくなる波長である。

【0038】

例えば、上記図１に示すようなスペクトル特性から、水の流量を変化させたときの光の反射率の変化が小さくなる第１波長λ_１と、水の流量を変化させたときの光の反射率の変化が大きくなる波長である第２波長λ_２とを、計算処理により自動で、又は人手で決定する。

【0039】

計算部２４は、各画素について、第１画像の画素値と第２画像の画素値との差分を用いた計算値を計算する。具体的には、計算値は、第１画像の画素値と第２画像の画素値との差分を、第１画像の画素値と第２画像の画素値との和で除した値である。

【0040】

例えば、図７に示すような、第１波長λ_１の光の反射率で正規化した第１波長λ_１の光の反射率（すわなち、１）と、第１波長λ_１の光の反射率で正規化した第２波長λ_２の光の反射率とを用いて、各画素について、以下の式に従って、計算値ＮＤＳＩを計算する。

【0041】

【数2】

【0042】

ただし、Ｉ_λ１は、第１画像の画素値で第１画像の画素値を正規化された値（すわなち、１）であり、Ｉ_λ２は、第２画像の画素値を、第１画像の画素値で正規化した値である。

【0043】

これによって、図８（Ａ）に示すような、各画素の計算値ＮＤＳＩからなるＮＤＳＩ画像を生成する。なお、ＮＤＳＩ画像が、計算画像の一例である。

【0044】

学習部２６は、得られたＮＤＳＩ画像に対して閾値処理などの画像処理を施すことにより、放流口の位置を同定し、ＮＤＳＩ画像から、放流口の位置周辺のＮＤＳＩ部分画像（図８（Ｂ）参照）を切り出す。

【0045】

学習部２６は、各学習データについて得られたＮＤＳＩ部分画像と水の流量との組み合わせに基づいて、放流口からの水の流量を推定するための推定モデルを学習する。

【0046】

具体的には、図９に示すような、ＮＤＳＩ部分画像を入力とし水の流量を出力するＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を、推定モデルとして学習する。

【0047】

図９では、ＣＮＮが、第１畳み込み層、第１プーリング層、第２畳み込み層、第２プーリング層、全結合層、及び出力層を含んで構成されている例を示している。

【0048】

モデル記憶部２８は、学習部２６により学習された推定モデルを記憶している。

【0049】

＜本発明の実施の形態の流量推定装置の構成＞
図３に示すように、本発明の実施の形態に係る流量推定装置１５０は、ＲＧＢカメラ４０と、マルチスペクトルカメラ５０と、コンピュータ１６０とを備えている。

【0050】

図４に示すように、コンピュータ１６０は、コンピュータ６０と同様に、ＣＰＵ１２、グラフィックカード１３、ＧＰＵ１４、ＲＡＭ１６、ＨＤＤ１８、通信インタフェース２１、及びこれらを相互に接続するためのバス２３を備えている。ＨＤＤ１８には、後述する流量推定処理ルーチンを実行するためのプログラムを含む各種プログラムや各種データが記憶されている。

【0051】

本実施の形態におけるコンピュータ１６０を、流量推定処理ルーチンを実行するためのプログラムに沿って、機能ブロックで表すと、図１０に示すようになる。コンピュータ１６０は、入力部１１０、演算部１２０、及び出力部１３０を備えている。

【0052】

入力部１１０は、マルチスペクトルカメラ５０によって撮影された、水の流量が未知の放流口を含むマルチスペクトル画像を、入力として受け付ける。

【0053】

演算部１２０は、画像取得部１２２、計算部１２４、及び推定部１２６を備えている。

【0054】

画像取得部１２２は、入力されたマルチスペクトル画像から、各画素が、第１波長λ_１の光の反射率を表す画素値を有する第１画像と、各画素が、第２波長λ_２の光の反射率を表す画素値を有する第２画像とを取得する。

【0055】

計算部１２４は、計算部２４と同様に、各画素について、第１画像の画素値と第２画像の画素値との差分を用いた計算値を計算する。具体的には、第１波長λ_１の光の反射率で正規化した第１波長λ_１の光の反射率と、第１波長λ_１の光の反射率で正規化した第２波長λ_２の光の反射率とを用いて、計算値ＮＤＳＩを計算し、ＮＤＳＩ画像を生成する。

【0056】

推定部１２６は、得られたＮＤＳＩ画像に対して閾値処理などの画像処理を施すことにより、放流口の位置を同定し、ＮＤＳＩ画像から、放流口の位置周辺のＮＤＳＩ部分画像を切り出す。推定部１２６は、得られたＮＤＳＩ部分画像を、学習装置１００により学習された推定モデルに入力して、推定モデルの出力に基づいて、放流口からの水の流量を推定する。

【0057】

出力部１３０は、ＲＧＢカメラ４０によって得られた映像上に、推定部１２６により同定された放流口の位置及び推定された流量をリアルタイムで表示する。

【0058】

＜学習装置の動作＞
次に、本発明の実施の形態に係る学習装置１００の動作について説明する。

【0059】

まず、入力部１０によって、形状が異なる複数の放流口を含む複数のマルチスペクトル画像の各々についての学習データを含む複数の学習データを受け付ける。

【0060】

そして、学習装置１００のコンピュータ６０によって、図１１に示す学習処理ルーチンが実行される。

【0061】

ステップＳ１００において、学習データ取得部２２は、各学習データについて、当該学習データのマルチスペクトル画像から、第１波長λ_１の第１画像と第２波長λ_２の第２画像とを取得する。

【0062】

ステップＳ１０２において、計算部２４は、各画素について、第１画像の画素値と第２画像の画素値との差分を用いた計算値ＮＤＳＩを計算し、各画素の計算値ＮＤＳＩからなるＮＤＳＩ画像を生成する。

【0063】

ステップＳ１０４において、学習部２６は、得られたＮＤＳＩ画像に対して閾値処理などの画像処理を施すことにより、放流口の位置を同定し、ＮＤＳＩ画像から、放流口の位置周辺のＮＤＳＩ部分画像を切り出す。

【0064】

そして、学習部２６は、各学習データについて得られたＮＤＳＩ部分画像と液体の流量との組み合わせに基づいて、液体の流量を推定するための推定モデルを学習し、学習した推定モデルを、モデル記憶部２８に格納する。

【0065】

＜流量推定装置の動作＞
次に、本発明の実施の形態に係る流量推定装置１５０の動作について説明する。

【0066】

まず、入力部１１０によって、マルチスペクトルカメラ５０によって撮影された、水の流量が未知の放流口を含むマルチスペクトル画像を、入力として受け付ける。そして、流量推定装置１５０のコンピュータ１６０によって、図１２に示す流量推定処理ルーチンが実行される。

【0067】

ステップＳ１１０において、画像取得部１２２は、入力されたマルチスペクトル画像から、第１波長λ_１の第１画像と第２波長λ_２の第２画像とを取得する。

【0068】

ステップＳ１１２では、計算部１２４は、各画素について、第１画像の画素値と第２画像の画素値との差分を用いて計算値ＮＤＳＩを計算し、ＮＤＳＩ画像を生成する。

【0069】

ステップＳ１１４では、推定部１２６は、得られたＮＤＳＩ画像に対して閾値処理などの画像処理を施すことにより、放流口の位置を同定し、ＮＤＳＩ画像から、放流口の位置周辺のＮＤＳＩ部分画像を切り出す。そして、推定部１２６は、得られたＮＤＳＩ部分画像を、学習装置１００により学習された推定モデルに入力して、放流口からの水の流量を推定する。

【0070】

ステップＳ１１６では、出力部１３０は、ＲＧＢカメラ４０によって得られた映像上に、推定部１２６により同定された放流口の位置及び推定された流量をリアルタイムで表示する。

【0071】

＜実験例＞
放流口の直下部分を表すＮＤＳＩ部分画像を入力とし、第１波長λ_１を、波長１１００ｎｍとし、第２波長λ_２を、１４００ｎｍとした場合における、流量推定装置１５０を用いた流量推定の実験例について説明する。閾値を５０とした。

【0072】

図１３に、正解の水の流量と、流量の推定結果とを比較した実験結果を示す。図１３では、横軸をＮＤＳＩ積算値とし、縦軸を流量とし、流量の推定結果をプロットし、正解の水の流量を実線で示している。放流口の水の流量を、精度よく推定できていることがわかる。

【0073】

以上説明したように、本発明の実施の形態に係る流量推定装置によれば、各画素について、第１画像の画素値と第２画像の画素値との差分を用いて計算された計算値ＮＤＳＩを画素値とするＮＤＳＩ画像と、水の流量を推定するための予め学習されたＣＮＮである推定モデルとに基づいて、水の流量を推定することにより、遠隔で、放流口からの流量を精度よく計測することができる。

【0074】

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

【0075】

例えば、上記の実施形態では、学習装置と流量推定装置とを別々の装置として構成する場合を例に説明したが、これに限定されるものではない。学習装置と流量推定装置とを一つの流量推定装置として構成してもよい。

【0076】

また、放流口からの水の流量を推定する場合を例に説明したが、これに限定されるものではない。水以外の所定の液体の流量を推定する場合に、本発明を適用してもよい。

【0077】

また、放流口の形状が異なる複数の学習データを用いて推定モデルを学習する場合を例に説明したが、これに限定されるものではない。推定対象の放流口の形状が決まっている場合には、推定対象の放流口と形状が対応する複数の学習データを用いて推定モデルを学習してもよい。

【0078】

また、上記の実施形態では、人工の放流口の水の量を推定する場合を例に説明したが、これに限定されるものではなく、自然の放流口の水の量を推定するようにしてもよい。例えば、滝の流量や、トンネル工事における切羽面の湧き水の流量を推定するようにしてもよい。

【0079】

また、本発明のプログラムは、記憶媒体に格納して提供するようにしてもよい。

【符号の説明】

【0080】

１０、１１０ 入力部
２０、１２０ 演算部
２２ 学習データ取得部
２４、１２４ 計算部
２６ 学習部
２８ モデル記憶部
５０ マルチスペクトルカメラ
６０、１６０ コンピュータ
１００ 学習装置
１２２ 画像取得部
１２６ 推定部
１３０ 出力部
１５０ 流量推定装置

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】