特開 2022-80063 タイヤの計測値の推定方法

(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】P2022080063

(43)【公開日】2022-05-27

(54)【発明の名称】タイヤの計測値の推定方法

(51)【国際特許分類】

   G06F 30/10 20200101AFI20220520BHJP

   B60C 19/00 20060101ALI20220520BHJP

   G06T 7/00 20170101ALI20220520BHJP

【ＦＩ】

G06F17/50 620A

B60C19/00 Z

G06T7/00 350C

G06T7/00 610C

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2020191025

(22)【出願日】2020-11-17

(71)【出願人】

【識別番号】000183233

【氏名又は名称】住友ゴム工業株式会社

(74)【代理人】

【識別番号】100124039

【弁理士】

【氏名又は名称】立花 顕治

(74)【代理人】

【識別番号】100210251

【弁理士】

【氏名又は名称】大古場 ゆう子

(72)【発明者】

【氏名】黒田 渓太

(72)【発明者】

【氏名】坂本 悠

(72)【発明者】

【氏名】破田野 晴司

(72)【発明者】

【氏名】田子 大輔

(72)【発明者】

【氏名】川口 雄司

【テーマコード（参考）】

3D131

5B046

5B146

5L096

【Ｆターム（参考）】

3D131BC55

3D131LA33

5B046AA04

5B046EA09

5B046FA04

5B046FA12

5B046GA01

5B046HA09

5B046JA02

5B146AA05

5B146DG07

5B146EA02

5B146EA11

5B146EA13

5B146EC09

5L096BA03

5L096CA02

5L096CA27

5L096FA66

5L096FA69

5L096KA04

5L096KA15

(57)【要約】

【課題】効率的なタイヤの計測値の推定方法を提供する。
【解決手段】タイヤの計測値の推定方法は、以下のことを含む：タイヤの断面構造を表すタイヤ断面画像を取得すること、取得した前記タイヤ断面画像を学習済みの機械学習モデルに入力すること、前記学習済みの機械学習モデルから出力を導出すること、前記出力に基づいて、前記タイヤの断面における１又は複数の計測点の位置情報を推定すること。
【選択図】図１

【特許請求の範囲】

【請求項1】

タイヤの断面構造を表すタイヤ断面画像を取得することと、
取得した前記タイヤ断面画像を学習済みの機械学習モデルに入力することと、
前記学習済みの機械学習モデルから出力を導出することと、
前記出力に基づいて、前記タイヤの断面における１又は複数の計測点の位置情報を推定することと、
を含む、
タイヤの計測値の推定方法。

【請求項2】

複数の前記計測点のうち、所定の２点の間の距離を推定すること
をさらに含む、
請求項１に記載のタイヤの計測値の推定方法。

【請求項3】

前記計測点は、前記タイヤ断面画像が表すタイヤの断面に付与されたマーカで示される、
請求項１又は２に記載のタイヤの計測値の推定方法。

【請求項4】

前記タイヤ断面画像は、前記タイヤの回転軸を含む平面で前記タイヤを切断したときの断面構造を表す画像である、
請求項１から３のいずれかに記載のタイヤの計測値の推定方法。

【請求項5】

タイヤの断面構造を表すタイヤ断面画像を取得することと、
取得した前記タイヤ断面画像を学習済みの機械学習モデルに入力することと、
前記学習済みの機械学習モデルから出力を導出することと、
前記出力に基づいて、前記タイヤの断面における１又は複数の計測点の位置情報を推定することと、
をコンピュータに実行させる、
タイヤの計測値の推定プログラム。

【請求項6】

タイヤの断面構造を表すタイヤ断面画像を取得する画像取得部と、
学習済みの機械学習モデルを記憶する記憶部と、
取得した前記タイヤ断面画像を前記学習済みの機械学習モデルに入力し、前記学習済みの機械学習モデルから出力を導出する導出部と、
前記出力に基づいて、前記タイヤの断面における１又は複数の計測点の位置情報を推定する推定部と、
を備える、
タイヤの計測値の推定装置。

【請求項7】

タイヤの断面構造を表すタイヤ断面画像と、正解データとのデータセットである学習用データを用意することと、
前記学習用データを用いて、タイヤの断面構造を表すタイヤ断面画像を入力すると、前記正解データに対応するデータが出力されるように機械学習モデルのパラメータを調整することと、
を含み、
前記正解データは、前記タイヤ断面画像における１又は複数の計測点の位置情報である、
学習済みモデルの生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、タイヤの計測値の推定方法、プログラム及び装置ならびに学習済みモデルの生成方法に関する。

【背景技術】

【0002】

特許文献１は、タイヤの子午断面の数値化方法を開示する。この方法では、シミュレーション等に利用するタイヤのモデルを作成するために、タイヤの子午断面の画像から、タイヤの輪郭画像と、タイヤの内部構造画像とをそれぞれ抽出し、それぞれを重ね合わせて合成したタイヤ断面画像を取得する。このタイヤ断面画像から、タイヤ断面画像の輪郭やベルト等の内部構造物の座標を取得する。なお、特許文献１によれば、「タイヤの子午断面」とは、タイヤの回転軸と平行、かつタイヤの回転軸を通る平面でタイヤを切ったときの断面である。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００７－１７９１９４号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１によれば、タイヤ断面画像の数値化は、ディジタイザや、マウス等の指示手段を用いて行われる。つまり、タイヤ断面画像上の座標を取得するために、人による合成画像のトレース作業や、合成画像上の位置指定作業が必要となる。このため、実際のタイヤ断面における所定の点の位置情報を数値化し、これにより所定の箇所の計測値を推定したい場合には、人がタイヤ断面画像上で所定の点に対応する点を正確に指定する作業が必要となり、負担が大きく効率的とはいえない。

【0005】

本発明は、効率的なタイヤの計測値の推定方法、プログラム及び装置ならびに学習済みモデルの生成方法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】

【0006】

本開示に係るタイヤの計測値の推定方法は、以下のことを含む：
タイヤの断面構造を表すタイヤ断面画像を取得すること
取得した前記タイヤ断面画像を学習済みの機械学習モデルに入力すること
前記学習済みの機械学習モデルから出力を導出すること
前記出力に基づいて、前記タイヤの断面における１又は複数の計測点の位置情報を推定すること。

【0007】

上記方法は、複数の前記計測点のうち、所定の２点の間の距離を推定することをさらに含んでもよい。

【0008】

上記方法において、前記計測点は、前記タイヤ断面画像が表すタイヤの断面に付与されたマーカで示されてもよい。

【0009】

上記方法において、前記タイヤ断面画像は、前記タイヤの回転軸を含む平面で前記タイヤを切断したときの断面構造を表す画像であってもよい。

【0010】

本開示に係るタイヤの計測値の推定プログラムは、以下のことをコンピュータに実行させる：
タイヤの断面構造を表すタイヤ断面画像を取得すること
取得した前記タイヤ断面画像を学習済みの機械学習モデルに入力すること
前記学習済みの機械学習モデルから出力を導出すること
前記出力に基づいて、前記タイヤの断面における１又は複数の計測点の位置情報を推定すること。

【0011】

本開示に係るタイヤの計測値の推定装置は、画像取得部と、記憶部と、導出部と、推定部と、を備える。画像取得部は、タイヤの断面構造を表すタイヤ断面画像を取得する。記憶部は、学習済みの機械学習モデルを記憶する。導出部は、取得した前記タイヤ断面画像を前記学習済みの機械学習モデルに入力し、前記学習済みの機械学習モデルから出力を導出する。推定部は、前記出力に基づいて、前記タイヤの断面における１又は複数の計測点の位置情報を推定する。

【0012】

本開示に係る学習済みモデルの生成方法は、以下のことを含む：
タイヤの断面構造を表すタイヤ断面画像と、正解データとのデータセットである学習用データを用意すること
前記学習用データを用いて、タイヤの断面構造を表すタイヤ断面画像を入力すると、前記正解データに対応するデータが出力されるように機械学習モデルのパラメータを調整すること
なお、前記正解データは、前記タイヤ断面画像における１又は複数の計測点の位置情報である。

【発明の効果】

【0013】

以上の開示によれば、タイヤ断面画像から、１又は複数の計測点の位置情報が機械学習モデルにより推定される。これにより、計測点の位置情報に基づくタイヤの計測値の推定が効率的になる。

【図面の簡単な説明】

【0014】

【図1】一実施形態に係るタイヤの計測値の推定装置の構成を表す機能ブロック図。

【図2】タイヤの断面画像の例。

【図3】タイヤの断面を表すサンプルの平面図。

【図4】推定処理の流れを示すフローチャート。

【図5】一実施形態に係る機械学習モデルの構造の概略を説明する図。

【図6】推定装置が生成する画面の例。

【図7】学習処理の流れを示すフローチャート。

【発明を実施するための形態】

【0015】

以下、本開示の一実施形態に係るタイヤの計測値の推定方法、プログラム及び装置について説明する。

【0016】

＜１．推定方法の概要＞
図１は、本開示の一実施形態に係るタイヤの計測値の推定装置１の構成を表す機能ブロック図であり、図２は、タイヤの断面構造を表すタイヤ断面画像（以下、単に「断面画像」とも称する）Ｇ０の一例である。本実施形態に係る推定装置１は、断面画像Ｇ０のような画像から、タイヤの断面における計測値を推定する。断面画像Ｇ０には、所定の面で切断されたタイヤの輪郭と、タイヤの内部の構造とが表現されている。

【0017】

断面画像Ｇ０は、例えばコンピュータ断層撮影（Computed Tomography：ＣＴ）装置により取得された画像であってもよい。また、断面画像Ｇ０は、例えば所定の面で切断されたタイヤの断面や、原寸大のタイヤの断面を表現するカットサンプル（以下、単に「サンプル」とも称する）３をカメラで撮像した画像、及びこれらをスキャナで読み取ることにより取得した画像であってもよい。本実施形態に係る断面画像Ｇ０は、サンプル３をスキャナで読み取ることにより取得される画像データである。スキャナの諧調度は例えば２４ｂｉｔカラーであり、解像度は３００ｄｐｉ以上が好ましく、６００ｄｐｉ以上がより好ましい。

【0018】

サンプル３の平面図の一例を図３に示す。サンプル３は、タイヤの回転軸を含む平面でタイヤを切断した時の実物大のタイヤの断面構造を表すサンプルである。サンプル３には、タイヤの主材であるゴム３０及びゴム３０に内包された内部構造体３１～３４等が表れている。ゴム３０は、タイヤの輪郭を構成し、例えばトレッド部の溝３００等を規定する。内部構造体３１～３４は、ゴム３０とは別体として構成された部材であり、例えばタイヤに強度を付与するための補強材である。図３に示す内部構造体は、詳細にはコード３１、ベルト３２、プライ３３及びビードワイヤ３４である。さらに、サンプル３には、所定の計測点に対応する１つ又は複数のマーカが付されてもよい。本実施形態では、複数のマーカ４１～４６が付されており、これらのマーカ４１～４６は、後述する計測点Ｐ１～Ｐ６を表す。計測点Ｐ１～Ｐ６は、ゴム３０上の点及び内部構造体３１～３４上の点であり得る。

【0019】

タイヤの計測値には、タイヤの断面における所定の計測箇所の寸法が含まれる。所定の計測箇所の寸法は、サンプル３が表すタイヤの断面における計測点のうち、所定の２点の距離で表すことができる。所定の計測箇所は、１つ又は複数であってよく、所定の計測箇所ごとに計測の始点及び終点となる計測点を定めることができる。通常、このような計測は、タイヤの設計データ上で指定された点に対応する点を、サンプル３における計測点として人が特定し、特定された計測点同士の間の距離を人が実測することで取得される。

【0020】

しかし、サンプル３上で計測点を特定し、それらの間の距離を計測し、その都度計測結果を記録するという一連の作業は、時間の面及び労力の面において負担が大きく、結果的にタイヤの設計開発コストや品質管理コストの増大を招きかねない。また、このような作業では、人が特定した計測点の位置情報をデータ化することができず、どの位置を計測点としたかを計測後に参照することが困難である。

【0021】

本実施形態に係る推定装置１は、学習済みの機械学習モデル（以下、単に「学習済みモデル」とも称する）１３０の出力からサンプル３上で人が特定する計測点の位置情報を推定し、推定された位置情報に基づいて、２点間の距離を計測するように構成される。これにより、計測点とした点の位置情報がデータ化され、指定された点に対して妥当な計測点が特定されているかどうかを検証することが容易になり、推定された計測値の信頼性が向上する。さらに、計測値が効率的に推定され、人による作業の負担を削減することができる。推定された計測値は、タイヤの設計開発へのフィードバックや、タイヤの品質管理等、様々な場面で利用することができる。以下、推定装置１のハードウェア構成について説明した後、推定装置１による推定処理の流れについて説明する。

【0022】

＜２．推定装置のハードウェア構成＞
推定装置１は、ハードウェアとしては汎用的なコンピュータであり、このようなコンピュータに所定のプログラム１３１をインストールすることにより構成される。プログラム１３１は、推定装置１に後述する処理を実行させるプログラムであり、例えば、ＬＡＮやインターネット等の通信ネットワーク２を介して別の装置から、又はＣＤ－ＲＯＭ、ＵＳＢメモリ等のコンピュータで読み取り可能な記録媒体１３２から取得される。

【0023】

図１に示すように、推定装置１は、制御部１０、表示部１１、入力部１２、記憶部１３及び通信部１４を備える。これらの部１０～１４は、互いにバス線１５を介して接続されており、相互に通信可能である。本実施形態では、表示部１１は、液晶ディスプレイ等で構成されており、各種情報をユーザーに対し表示する。また、入力部１２は、マウスやキーボード、タッチパネル、操作ボタン等で構成されており、推定装置１に対するユーザーからの操作を受け付ける。

【0024】

記憶部１３は、ハードディスクやフラッシュメモリ等の不揮発性の記憶装置から構成されており、学習済みモデル１３０及びプログラム１３１が格納されている。制御部１０は、プロセッサ（Central Processing Unit：ＣＰＵ、Graphics Processing Unit：ＧＰＵ）、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等から構成される。制御部１０は、記憶部１３内のプログラム１３１を読み出して実行することにより、画像取得部１０Ａ、導出部１０Ｂ、推定部１０Ｃ及び学習部１０Ｄとして動作する。各部１０Ａ～１０Ｄの動作の詳細は、後述する。通信部１４は、推定装置１を通信ネットワーク２やスキャナ等の外部機器に接続する通信インターフェースとして機能する。

【0025】

なお、本実施形態では、学習済みモデル１３０は、後述するように推定装置１に組み込まれている学習部１０Ｄにより生成される。しかし、機械学習モデルを学習させ、学習済みモデル１３０を生成する学習機能は、学習済みモデル１３０に基づいてタイヤの計測値を推定する推定機能から独立していてもよい。言い換えると、推定装置１には推定機能のみを実装し、別のコンピュータで学習した学習済みモデル１３０を記憶部１３に取り込むようにしてもよい。

【0026】

＜３．推定処理の流れ＞
次に、図４を参照しつつ、推定装置１による推定処理の流れについて説明する。

【0027】

ステップＳ１では、推定装置１の画像取得部１０Ａが、通信部１４を介して上述したような断面画像Ｇ０を取得する。画像取得部１０Ａは、取得した断面画像Ｇ０を記憶部１３内に格納する。なお、画像取得部１０Ａは、学習済みモデル１３０への入力に適するように、断面画像Ｇ０を所定の領域に分割した画像や、断面画像Ｇ０を所定のサイズにリサイズした画像を生成し、記憶部１３内に格納してもよい。以下では、学習済みモデル１３０への入力に先立って適宜加工処理された画像も、断面画像Ｇ０に含まれるものとする。また、断面画像Ｇ０に対するｘｙ座標系は、断面画像Ｇ０の左上の頂点を原点（０，０）として、図２のように定められるものとする。

【0028】

ステップＳ２では、導出部１０Ｂが、断面画像Ｇ０を学習済みモデル１３０に入力し、学習済みモデル１３０から出力を導出する。学習済みモデル１３０は、入力された断面画像Ｇ０から特徴量を抽出することによりマーカ４１～４６をそれぞれ検出し、マーカ４１～４６に該当する点（ピクセル）のうち、最も適切な点を計測点Ｐ１～Ｐ６と推定するように構成される。学習済みモデル１３０は、計測点Ｐ１～Ｐ６として推定された点のｘｙ座標を、位置情報として出力する。

【0029】

学習済みモデル１３０の種類は、特に限定されないが、本実施形態では畳み込みニューラルネットワーク（ＣＮＮ）である。図５は、ＣＮＮの構造を説明する図である。図５に示すように、本実施形態に係る学習済みモデル１３０は、入力層と、交互に配置された畳み込み層及びプーリング層と、全結合層と、出力層とを備える。入力層は、Ｈ×Ｗ×（チャネル数）分のユニットを有する。ただし、Ｈは入力される画像のｙ軸方向のピクセル数であり、Ｗは入力される画像のｘ軸方向のピクセル数であり、チャネル数は本実施形態では３である。

【0030】

畳み込み層は、入力された３次元のデータに対し、これより小さなサイズのフィルタを適用して、特徴マップを出力する。フィルタの数やサイズ、ストライドは特に限定されず、適宜選択することができる。また、フィルタは自動生成され、後述する学習処理により、より適切に特徴を抽出すべくパラメータが調整されている。プーリング層は、畳み込み層が出力した特徴マップから、特徴的な値を抽出して出力する。プーリングのサイズは特に限定されず、適宜選択することができる。

【0031】

全結合層は、最後のプーリング層からの全出力をまとめ、ベクトル形式にする。出力層の出力ユニット数は、推定される計測点の数に応じた数とすることができ、本実施形態では１２である。つまり、６個の計測点Ｐ１～Ｐ６の座標を表す、１２個の要素を有するベクトルが出力層から出力される。

【0032】

以上の学習済みモデル１３０の構造は、あくまで一例であり、層の数及びユニットの数等はこれに限定されない。また、畳み込み層及びプーリング層は、必ずしも交互に配置されていなくてもよく、これらの層を適宜増減させることもできる。さらに、必要に応じてドロップアウト層、活性化層が適宜追加されてもよい。活性化層は、活性化関数により演算を行う層であり、活性化関数としては例えば恒等関数等が用いられる。しかしながら、活性化関数はこれに限定されず、適切な関数を用いることができる。

【0033】

ステップＳ３では、推定部１０Ｃが、計測点Ｐ１～Ｐ６の座標として出力された座標に基づいて、所定の計測箇所に対応するｘｙ平面上の距離を算出する。推定部１０Ｃは、例えば、計測点Ｐ１及びＰ２、計測点Ｐ３及びＰ５、計測点Ｐ４及びＰ６の組合せをそれぞれ計測の始点及び終点の組合せとして、これらの点の間のｘｙ平面上の距離をそれぞれ算出することができる。また、推定部１０Ｃは、上述した組合せ以外の組合せで定義される距離を算出してもよい。さらに、推定部１０Ｃは、学習済みモデル１３０によらず、公知の画像処理等により別途特定された点と、推定された計測点Ｐ１～Ｐ６のいずれかとの間の距離を算出してもよい。

【0034】

ステップＳ４では、推定部１０Ｃが、算出したｘｙ平面上の距離を、それぞれサンプル３における距離に換算する。これにより、タイヤの計測値が推定される。なお、換算のための定数は、予め算出され、記憶部１３に格納されている。

【0035】

ステップＳ５では、推定部１０Ｃが、推定結果を出力する。出力の態様は特に限定されないが、推定部１０Ｃが、所定の計測箇所ごとに推定した計測値を示す画面を生成し、表示部１１に表示させてもよい。また、推定部１０Ｃは、推定された計測点Ｐ１～Ｐ６に対応するピクセルを所定の色で表示した画像や、推定された計測点Ｐ１～Ｐ６の位置を示す図形Ｎ１～Ｎ６を表示する画像を生成し、これを断面画像Ｇ０に重ね合わせて表示部１１に表示させてもよい。図６は、推定された計測点Ｐ１～Ｐ６の座標に、それぞれ対応する十字形の図形Ｎ１～Ｎ６を表示した画像を、断面画像Ｇ０に重ね合わせて表示した画像の例である。これにより、人が表示部１１に表示された画像を見て、推定装置１による推定が妥当かどうかを直感的に判断することができる。

【0036】

＜４．学習処理の流れ＞
以下、図７を参照しつつ、学習済みモデル１３０を生成するための方法、つまり学習部１０Ｄによる、機械学習モデルの学習方法について説明する。

【0037】

ステップＳＴ１では、学習部１０Ｄが学習に先立って用意されたＮ個の学習用データセットを読み込む。学習用データセットは、ＬＡＮやインターネット等の通信ネットワーク２を介して別の装置から、又はＣＤ－ＲＯＭ、ＵＳＢメモリ等のコンピュータで読み取り可能な記録媒体１３２から取得することができる。

【0038】

学習用データセットは、タイヤの断面を表す断面画像Ｇｎ（ｎ＝１，…，Ｎ）と、正解データＹｎとがそれぞれ組み合わされたデータセットである。断面画像Ｇｎは、上述した断面画像Ｇ０と同様にして取得することができ、学習済みモデル１３０に入力されることとなる断面画像Ｇ０と同一のサイズ（Ｈ×Ｗ）を有する。本実施形態に係る正解データＹｎは、計測点Ｐ１～Ｐ６のｘｙ座標（位置情報）を表す、１２個の要素を有するベクトルである。学習用データセットは、訓練用データセットとテスト用データセットとに予め分けられ、両者の割合は適宜設定することができる。

【0039】

正解データＹｎは、断面画像Ｇｎにおいて、計測点Ｐ１～Ｐ６を示すマーカ４１～４６に対応するピクセル（点）のうち、代表的なピクセルのｘｙ座標を特定することにより決定される。代表的なピクセルの特定は、例えば人がサンプル３上において計測を行った時の計測値を参考に行うことができる。また、代表的なピクセルの特定は、マーカ４１～４６を検出する公知のプログラムを用いて行うこともできるし、人がモニタ上でマーカ４１～４６の位置を確認しながら行うこともできる。

【0040】

ステップＳＴ２では、学習部１０Ｄが、訓練用データセットから、Ｋ個のサンプルデータセットをランダムに選択する。Ｋは、バッチサイズと称される値であり、適宜設定することができる。

【0041】

ステップＳＴ３では、学習部１０Ｄが、図５に示すような構造を有する機械学習モデルに、サンプルデータセットの断面画像Ｇｋ（ｋ＝１，…，Ｋ）を入力し、機械学習モデルからの出力Ｔｋを導出する。出力Ｔｋは、入力されたサンプルデータセットの断面画像Ｇｋに組み合わされている正解データＹｋに対応するデータであり、点Ｐｋ１～Ｐｋ６のｘｙ座標（位置情報）を表す、１２個の要素を有するベクトルである。

【0042】

ステップＳＴ４では、学習部１０Ｄが、ステップＳＴ３で導出された出力Ｔｋと、ステップＳＴ３で入力された断面画像Ｇｋに組み合わせられている正解データＹｋとの誤差関数の値が最小となるようにパラメータを調整する。より具体的には、学習部１０Ｄが、誤差逆伝播法により、機械学習モデルの全結合層における重みづけのパラメータ、及び畳み込み層によるフィルタのパラメータ等を調整し、更新する。本実施形態に係る誤差関数は、二乗和誤差で表される。二乗和誤差は、計測点Ｐ１～Ｐ６と、予測された点Ｐｋ１～Ｐｋ６との距離を表す。

【0043】

ステップＳＴ５では、１エポックの学習が終了したか否かが判断される。本実施形態では、訓練用データセットの数と同数のサンプルデータセットについてステップＳＴ２～ステップＳＴ４までの処理が行われると、１エポックの学習が完了したと判断される。１エポックの学習が終了していないと判断された場合、学習部１０Ｄは、ステップＳＴ４の後にステップＳＴ２に戻る。すなわち、学習部１０Ｄは、再度ランダムにサンプルデータセットを選択し、新たに選択されたサンプルデータセットを用いてステップＳＴ３とステップＳＴ４の手順を繰り返す。一方、１エポックの学習が終了したと判断された場合、ステップＳＴ６で全エポックの学習が終了したか否かが判断される。

【0044】

ステップＳＴ６で全エポックの学習が終了していないと判断されると、次のエポックの学習を行うべく処理はステップＳＴ２に戻る。全エポック数は、特に限定されず、適宜設定することができる。ステップＳＴ６で全エポックの学習が終了したと判断されると、学習部１０Ｄは、機械学習モデルの学習を終了する。学習部１０Ｄは、機械学習モデルの最新のパラメータを記憶部１３に格納し、これを学習済みモデル１３０とする。つまり、以上の手順により、学習済みモデル１３０が生成される。

【0045】

なお、学習部１０Ｄは、学習が１エポック終了するごとに、テスト用データセットを機械学習モデルに入力して、その出力とテスト用データセットの正解データに対する誤差を算出し、算出結果を表示部１１に表示してもよい。また、全エポックの学習が終了する前に、テスト用データセットの正解データに対する機械学習モデルの出力の誤差が所定の範囲内に収束したと考えられる場合は、その時点で学習を終了させてもよい。

【0046】

＜５．特徴＞
以上の推定処理によれば、人が計測作業を行った場合に、人がサンプル３上で特定するであろう計測点の位置情報が効率的にデータ化され、さらに特定した計測点を後に参照することも可能になる。これにより、計測の信頼性を検証することが容易になり、人が計測作業を行った場合の計測のばらつきを抑制することが可能になる。また、断面画像から所定の計測箇所の計測値が効率的に推定され、人が行う計測作業の負担や時間が軽減される。

【0047】

＜６．変形例＞
以上、本発明の一実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて、種々の変更が可能である。以下に示す変形例の要旨は、適宜組合せることができる。

【0048】

＜６－１＞
上記実施形態では、機械学習モデルとしてＣＮＮモデルが用いられたが、機械学習モデルはこれに限定されず、ニューラルネットワーク（ＮＮ）モデル等、その他の機械学習モデルが用いられてもよい。また、機械学習モデルは複数が組み合わせられていてもよい。例えば、機械学習モデルを、ＣＮＮモデル（デコーダー）とＣＮＮの逆実装モデル（エンコーダ―）が組み合わせられたモデルとし、推定された計測点Ｐ１～Ｐ６を示す図形Ｎ１～Ｎ６が、推定された計測点Ｐ１～Ｐ６の位置に現れた画像が出力される学習済みモデル１３０を生成してもよい。

【0049】

＜６－２＞
上記実施形態では、学習用データセットの正解データＹｋ及び学習済みモデル１３０の出力は１２個の要素を有するベクトルであったが、正解データＹｋ及び学習済みモデル１３０の出力はこれに限定されない。例えば、正解データＹｋ及び学習済みモデル１３０の出力は、入力される断面画像Ｇｋ及びＧ０が有するピクセルごとに、そのピクセルがマーカ４１～４６に該当する確率を示したデータであってもよい。この場合、マーカ４１～４６の各々について、最も確率が高いピクセルの座標をそれぞれ計測点Ｐ１～Ｐ６の位置情報としてもよい。

【0050】

＜６－３＞
機械学習モデルの学習方法は上記実施形態に限定されず、確率的勾配降下法等、公知のパラメータ最適化アルゴリズムを適用することができる。また、損失関数も上記実施形態に限定されず、出力されるデータの性質に応じて適宜変更することができる。

【0051】

＜６－４＞
上記実施形態の計測値の推定方法は、他の公知の画像処理と組合せ、断面画像Ｇ０上において様々な計測値を推定するのに適用することができる。例えば、画像処理ではサンプル３の溝３００の両端の点をつなぐ、現実にはない仮想線を生成し、この仮想線上の点と計測点Ｐ１～Ｐ６として推定された点との間の距離を算出するのに適用することができる。

【符号の説明】

【0052】

１ 推定装置
１０ 制御部
１０Ａ 画像取得部
１０Ｂ 導出部
１０Ｃ 推定部
１０Ｄ 学習部
４１～４６ マーカ
１３０ 学習済みモデル
１３１ プログラム
Ｐ１～Ｐ６ 計測点

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】