特開 2023-83972 コンピュータプログラム、学習モデル、推定装置、及び推定方法

(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】P2023083972

(43)【公開日】2023-06-16

(54)【発明の名称】コンピュータプログラム、学習モデル、推定装置、及び推定方法

(51)【国際特許分類】

   G01N 27/90 20210101AFI20230609BHJP

   G06N 3/02 20060101ALI20230609BHJP

   G01N 29/04 20060101ALI20230609BHJP

【ＦＩ】

G01N27/90

G06N3/02

G01N29/04

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2021198009

(22)【出願日】2021-12-06

(71)【出願人】

【識別番号】000003687

【氏名又は名称】東京電力ホールディングス株式会社

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】相原 靖彦

(72)【発明者】

【氏名】京極 智輝

【テーマコード（参考）】

2G047

2G053

【Ｆターム（参考）】

2G047AB03

2G047BA03

2G047BB01

2G047BC03

2G047CA01

2G047GF24

2G047GG27

2G047GG33

2G047GG37

2G053AA11

2G053AB21

2G053BA14

2G053BC14

2G053CA03

2G053CB21

2G053DA01

(57)【要約】

【課題】コンピュータプログラム、学習モデル、推定装置、及び推定方法の提供。
【解決手段】探傷プローブにより地中送電ケーブルを走査した際に探傷プローブより得られる波形データを取得し、探傷プローブより得られる波形データを入力した場合、ケーブル種別に関する情報を出力するよう学習された学習モデルに、取得した波形データを入力して、地中送電ケーブルのケーブル種別を推定し、推定結果を出力する処理をコンピュータに実行させる。
【選択図】図７

【特許請求の範囲】

【請求項1】

探傷プローブにより地中送電ケーブルを走査した際に前記探傷プローブより得られる波形データを取得し、
探傷プローブより得られる波形データを入力した場合、ケーブル種別に関する情報を出力するよう学習された学習モデルに、取得した波形データを入力して、前記地中送電ケーブルのケーブル種別を推定し、
推定結果を出力する
処理をコンピュータに実行させるためのコンピュータプログラム。

【請求項2】

前記探傷プローブは、渦電流探傷プローブ又は超音波探傷プローブを含む
請求項１に記載のコンピュータプログラム。

【請求項3】

前記学習モデルは、渦電流探傷プローブより得られる第１波形データと、超音波探傷プローブより得られる第２波形データとを入力した場合にケーブル種別に関する情報を出力するよう学習されており、
前記地中送電ケーブルを走査した際に前記渦電流探傷プローブより得られる第１波形データと、前記超音波探傷プローブより得られる第２波形データとを前記学習モデルに入力して、前記地中送電ケーブルの種別を推定する
処理を前記コンピュータに実行させるための請求項１又は請求項２に記載のコンピュータプログラム。

【請求項4】

前記ケーブル種別に関する情報は、遮水層の有無を判別するための情報を含み、
前記学習モデルから出力される情報に基づき、前記地中送電ケーブルが遮水層を有するケーブルであるか否かを推定する
処理を前記コンピュータに実行させるための請求項１から請求項３の何れか１つに記載のコンピュータプログラム。

【請求項5】

前記ケーブル種別に関する情報は、前記遮水層の材質に関する情報を含み、
前記学習モデルから出力される情報に基づき、前記遮水層の材質を推定する
処理を前記コンピュータに実行させるための請求項４に記載のコンピュータプログラム。

【請求項6】

前記学習モデルは、前記遮水層が径方向に重なりを有する部分について計測された波形データ、及び前記遮水層が径方向に重なりを有していない部分について計測された波形データの双方を訓練データに用いて学習してあり、
取得した波形データが径方向に重なりを有している部分について計測された波形データであるか、又は径方向に重なりを有していない部分について計測された波形データであるかに関わらず、前記学習モデルから出力される情報に基づき、遮水層の有無又は遮水層の材質を推定する
処理を前記コンピュータに実行させるための請求項４又は請求項５に記載のコンピュータプログラム。

【請求項7】

前記ケーブル種別に関する情報は、遮蔽層の構造を判別するための情報を含み、
前記学習モデルから出力される情報に基づき、前記地中送電ケーブルが備える遮蔽層の構造を推定する
処理を前記コンピュータに実行させるための請求項１から請求項６の何れか１つに記載のコンピュータプログラム。

【請求項8】

渦電流探傷プローブにより地中送電ケーブルを走査した際に前記渦電流探傷プローブより得られる第１波形データを取得し、
渦電流探傷プローブより得られる第１波形データを入力した場合、ケーブル種別に関する情報を出力するよう学習された第１学習モデルに、取得した第１波形データを入力して、前記地中送電ケーブルのケーブル種別を推定し、
前記第１学習モデルによる推定結果の確信度が閾値未満である場合、超音波探傷プローブにより前記地中送電ケーブルを走査した際に前記超音波探傷プローブより得られる第２波形データを取得し、
超音波探傷プローブより得られる第２波形データを入力した場合、ケーブル種別に関する情報を出力するよう学習された第２学習モデルに、取得した第２波形データを入力して、前記地中送電ケーブルのケーブル種別を推定し、
前記第１学習モデル又は前記第２学習モデルを用いて推定した推定結果を出力する
処理をコンピュータに実行させるためのコンピュータプログラム。

【請求項9】

渦電流探傷プローブにより地中送電ケーブルを走査した際に前記渦電流探傷プローブより得られる第１波形データを取得し、
渦電流探傷プローブより得られる第１波形データを入力した場合、ケーブル種別に関する情報を出力するよう学習された第１学習モデルに、取得した第１波形データを入力して、前記地中送電ケーブルのケーブル種別を推定し、
超音波探傷プローブにより前記地中送電ケーブルを走査した際に前記超音波探傷プローブより得られる第２波形データを取得し、
超音波探傷プローブより得られる第２波形データを入力した場合、ケーブル種別に関する情報を出力するよう学習された第２学習モデルに、取得した第２波形データを入力して、前記地中送電ケーブルのケーブル種別を推定し、
前記第１学習モデルによる推定結果の確信度と、前記第２学習モデルに推定結果の確信度との高低に応じて、何れか一方の推定結果を出力する
処理をコンピュータに実行させるためのコンピュータプログラム。

【請求項10】

探傷プローブにより地中送電ケーブルを走査した際に前記探傷プローブより得られる波形データと、前記地中送電ケーブルの種別を示す情報とを含むデータセットを訓練データに用いて、前記波形データと前記地中送電ケーブルの種別と関係を学習してあるニューラルネットワークを備え、
前記探傷プローブより得られる波形データが入力された場合、前記ニューラルネットワークによる演算を実行し、地中送電ケーブルの種別に関する情報を出力するようコンピュータを機能させる
学習モデル。

【請求項11】

前記ニューラルネットワークは、
渦電流探傷プローブにより地中送電ケーブルを走査した際に前記渦電流探傷プローブより得られる第１波形データの入力に応じて、前記第１波形データの特徴を示す第１特徴量を出力する第１ネットワーク層と、
超音波探傷プローブにより地中送電ケーブルを走査した際に前記超音波探傷プローブより得られる第２波形データの入力に応じて、前記第２波形データの特徴を示す第２特徴量を出力する第２ネットワーク層と、
前記第１ネットワーク層から出力される第１特徴量と、前記第２ネットワーク層から出力される第２特徴量とを連結する連結層を含み、該連結層からの出力を処理して前記地中送電ケーブルのケーブル種別に関する情報を出力する第３ネットワーク層と
を含む、請求項１０に記載の学習モデル。

【請求項12】

探傷プローブにより地中送電ケーブルを走査した際に前記探傷プローブより得られる波形データを取得する取得部と、
探傷プローブより得られる波形データを入力した場合、ケーブル種別に関する情報を出力するよう学習された学習モデルに、前記取得部が取得した波形データを入力して、前記地中送電ケーブルのケーブル種別を推定する推定部と、
推定結果を出力する出力部と
を備える推定装置。

【請求項13】

探傷プローブにより地中送電ケーブルを走査した際に前記探傷プローブより得られる波形データを取得し、
探傷プローブより得られる波形データを入力した場合、ケーブル種別に関する情報を出力するよう学習された学習モデルに、取得した波形データを入力して、前記地中送電ケーブルのケーブル種別を推定し、
推定結果を出力する
処理をコンピュータにより実行する推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、コンピュータプログラム、学習モデル、推定装置、及び推定方法に関する。

【背景技術】

【0002】

近年、都市の過密化や景観上の理由などから、送電ケーブルの地中埋設化が進められている。地中送電ケーブルには、遮水層を備えた遮水ケーブルと、遮水層を備えていない非遮水ケーブルとが含まれており、現状では両者が混在して使用されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】実開平５－２０２１０号公報

【特許文献2】特開２００２－７５０７２号公報

【特許文献3】特開２００６－１６４７２５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

地中送電ケーブルは、上述した遮水ケーブル及び非遮水ケーブルの他、遮水層の材質が異なるもの、金属テープによる遮蔽層を有するもの、導体ワイヤシールドによる遮蔽層を有するものなど、様々な種別のケーブルが存在する。しかしながら、地中送電ケーブルのケーブル種別を外部から見分けることは困難である。

【0005】

本発明は、地中送電ケーブルの種別を推定することができるコンピュータプログラム、学習モデル、推定装置、及び推定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】

本発明の一態様に係るコンピュータプログラムは、探傷プローブにより地中送電ケーブルを走査した際に前記探傷プローブより得られる波形データを取得し、探傷プローブより得られる波形データを入力した場合、ケーブル種別に関する情報を出力するよう学習された学習モデルに、取得した波形データを入力して、前記地中送電ケーブルのケーブル種別を推定し、推定結果を出力する処理をコンピュータに実行させるためのコンピュータプログラムである。

【0007】

本発明の一態様に係る学習モデルは、探傷プローブにより地中送電ケーブルを走査した際に前記探傷プローブより得られる波形データと、前記地中送電ケーブルの種別を示す情報とを含むデータセットを訓練データに用いて、前記波形データと前記地中送電ケーブルの種別と関係を学習してあるニューラルネットワークを備え、前記探傷プローブより得られる波形データが入力された場合、前記ニューラルネットワークによる演算を実行し、地中送電ケーブルの種別に関する情報を出力するようコンピュータを機能させる。

【0008】

本発明の一態様に係る推定装置は、探傷プローブにより地中送電ケーブルを走査した際に前記探傷プローブより得られる波形データを取得する取得部と、探傷プローブより得られる波形データを入力した場合、ケーブル種別に関する情報を出力するよう学習された学習モデルに、前記取得部が取得した波形データを入力して、前記地中送電ケーブルのケーブル種別を推定する推定部と、推定結果を出力する出力部とを備える。

【0009】

本発明の一態様に係る推定方法は、探傷プローブにより地中送電ケーブルを走査した際に前記探傷プローブより得られる波形データを取得し、探傷プローブより得られる波形データを入力した場合、ケーブル種別に関する情報を出力するよう学習された学習モデルに、取得した波形データを入力して、前記地中送電ケーブルのケーブル種別を推定し、推定結果を出力する処理をコンピュータにより実行する。

【発明の効果】

【0010】

本願によれば、地中送電ケーブルの種別を推定することができる。

【図面の簡単な説明】

【0011】

【図1】実施の形態１に係る推定システムの構成例を示す説明図である。

【図2】地中送電ケーブルの構造を説明する断面図である。

【図3】推定装置の内部構成を説明するブロック図である。

【図4】学習モデルの構成例を示す模式図である。

【図5】データセットの一例を示す概念図である。

【図6】学習モデルの生成手順を説明するフローチャートである。

【図7】推定装置が実行する種別推定処理の実行手順を説明するフローチャートである。

【図8】実施の形態２における学習モデルの概略構成を示す模式図である。

【図9】実施の形態３における学習モデルの概略構成を示す模式図である。

【図10】実施の形態４における学習モデルの概略構成を示す模式図である。

【図11】実施の形態５に係る推定装置の内部構成を説明するブロック図である。

【図12】第１学習モデルの構成例を示す模式図である。

【図13】第２学習モデルの構成例を示す模式図である。

【図14】実施の形態５に係る推定装置が実行する種別推定処理の実行手順を説明するフローチャートである。

【図15】実施の形態６に係る推定装置が実行する種別推定処理の実行手順を説明するフローチャートである。

【発明を実施するための形態】

【0012】

以下、本発明をその実施の形態を示す図面に基づいて具体的に説明する。
（実施の形態１）
図１は実施の形態１に係る推定システムの構成例を説明する説明図である。実施の形態１に係る推定システムは、推定装置１、渦電流探傷装置２、及び超音波探傷装置３を備える。

【0013】

渦電流探傷装置２は、渦電流を利用して検査対象における欠陥を検知するための装置であり、励磁用コイル及び検出用コイルを内蔵した渦電流探傷プローブ２０を備える。渦電流探傷装置２は、渦電流探傷プローブ２０の励磁用コイルに交流電流を供給して交流磁場を発生させ、検査対象の表層部に渦電流を誘起させる。検査対象の表層部に欠陥が存在する場合に渦電流が乱れ、磁場が変化する。渦電流探傷装置２は、検査対象における磁場の変化を、検出用コイルに現れる誘起電圧の変化として検出し、検査対象における欠陥を検知する。

【0014】

超音波探傷装置３は、超音波を利用して検査対象における欠陥を検知するための装置であり、送信用圧電素子及び受信用圧電素子を内蔵した超音波探傷プローブ３０を備える。超音波探傷装置３は、超音波探傷プローブ３０の送信用圧電素子に電圧を印加してピエゾ効果と呼ばれる物理的な力を発生させ、その力を超音波として検査対象の内部に伝搬させる。超音波の伝搬経路に欠陥が存在する場合、超音波は、その欠陥によって反射する。超音波探傷装置３は、欠陥による反射波を受信用圧電素子で検出し、検査対象における欠陥を検知する。

【0015】

渦電流探傷装置２及び超音波探傷装置３は共に検査対象における欠陥を検知するために用いられる装置であるが、本実施の形態では、これらの装置から出力される波形データに基づき、地中送電ケーブル４のケーブル種別を推定する構成について説明する。ここで、地中送電ケーブル４は、遮水層を備える遮水ケーブル、及び遮水層を備えていない非遮水ケーブルを含む。更に、地中送電ケーブル４は、遮水層の材質が異なるもの、金属テープによる遮蔽層を有するもの、導体ワイヤシールドによる遮蔽層を有するものなど、様々な種別のケーブルを含み得る。

【0016】

推定装置１は、渦電流探傷装置２及び超音波探傷装置３より地中送電ケーブル４を走査した際に得られるデータに基づき、地中送電ケーブル４のケーブル種別を推定するための装置である。具体的には、推定装置１は、渦電流探傷プローブ２０により地中送電ケーブル４を走査した際に得られる第１波形データと、超音波探傷プローブ３０により地中送電ケーブル４を走査した際に得られる第２波形データとを取得し、取得した第１波形データ及び第２波形データを後述の学習モデルＬＭ（図４を参照）に入力して、学習モデルＬＭによる演算を実行することにより、地中送電ケーブル４のケーブル種別を推定する。上述したように、地中送電ケーブル４は様々な種別のケーブルを含み得るが、実施の形態１では、種別推定の一例として、対象の地中送電ケーブル４が遮水ケーブルであるか、又は非遮水ケーブルであるかを推定する構成について説明する。

【0017】

ここで、第１波形データは、渦電流探傷プローブ２０より出力される生の信号波形を示すデータであってもよく、渦電流探傷装置２の内部にて適宜の処理が施された後の信号波形を示すデータであってもよい。同様に、第２波形データは、超音波探傷プローブ３０より出力される生の信号波形を示すデータであってもよく、超音波探傷装置３の内部にて適宜の処理が施された後の信号波形を示すデータであってもよい。これらの波形データは、信号の時間変化を数値として表した数値データであってもよく、信号の時間変化をグラフとして描画した波形（リサージュ波形若しくは時間スイープ波形）の画像データであってもよい。

【0018】

図１の例では、地中送電ケーブル４の特定の箇所を渦電流探傷プローブ２０で走査し、別の箇所を超音波探傷プローブ３０で走査している様子を示しているが、両探傷プローブ２０，３０により同時的に地中送電ケーブル４を走査する必要はない。例えば、渦電流探傷プローブ２０（又は超音波探傷プローブ３０）による走査を先に行い、次いで、超音波探傷プローブ３０（又は渦電流探傷プローブ２０）による走査を行う構成としてもよい。また、渦電流探傷プローブ２０による走査箇所と、超音波探傷プローブ３０による走査箇所とは、同一であってもよく、異なっていてもよい。

【0019】

図２は地中送電ケーブル４の構造を説明する断面図である。図２Ａは地中送電ケーブル４の一例として遮水層を備えていない非遮水ケーブルを示している。非遮水ケーブルは、例えば、導体４１、絶縁体４２、遮蔽層４３、及びシース４５を中心から外側に向かって同軸状に配置して形成される。導体４１には、銅、銅合金、アルミ、アルミ合金等からなる複数の芯線を撚り合わせたものが用いられる。絶縁体４２は、導体４１を絶縁するための部材であり、架橋ポリエチレンなどのプラスチック、ゴム、絶縁油、絶縁紙などにより形成される。遮蔽層４３は、導体４１に流れる電流に起因して発生する電磁波を遮蔽するための部材であり、絶縁体４２の外表面に銅製のテープを螺旋状に巻き付けて形成される。代替的に、遮蔽層４３は、絶縁体４２の外表面に軟銅線等の導電素線を巻回したワイヤシールド（ＷＳ）として形成されてもよい。シース４５は、腐食防止及び湿気進入防止を目的として設けられ、クロロプレンなどの合成ゴム、塩化ビニル及びポリエチレンといったプラスチックなどにより形成される。

【0020】

図２Ｂは地中送電ケーブル４の他の例として遮水層４４を備えた遮水ケーブルを示している。遮水ケーブルは、上述した導体４１、絶縁体４２、遮蔽層４３、及びシース４５の他、遮蔽層４３の外側に配される遮水層４４を備える。遮水層４４は、シース４５の耐水性を補完するための部材である。遮水層４４には、例えば、合成樹脂製の基材の片面に金属（例えば、アルミや鉛）を被覆した金属ラミネートテープが用いられる。遮水層４４は、遮蔽層４３の周長よりも少し長い幅を有しており、遮蔽層４３を覆う状態で遮蔽層４３の周囲に巻回し、幅方向の両端縁同士を重ね合わせ、水密を保持した状態で接合される。接合された箇所は、遮水層４４が径方向に重なりを有する部分である。以下では、遮水層４４が径方向に重なりを有する部分を二枚部４４ａと表記する。一方、接合されていない箇所は、遮水層４４が径方向に重なりを有していない部分である。以下では、遮水層４４が径方向に重なりを有していない部分を一枚部４４ｂと表記する。

【0021】

図３は推定装置１の内部構成を説明するブロック図である。推定装置１は、汎用又は専用のコンピュータであり、制御部１１、記憶部１２、入力部１３、通信部１４、操作部１５、表示部１６などを備える。

【0022】

制御部１１は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを備える。制御部１１が備えるＲＯＭには、推定装置１が備えるハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部１１内のＣＰＵは、ＲＯＭに記憶されている制御プログラムや記憶部１２に記憶されている各種コンピュータプログラムを読み込んで実行し、ハードウェア各部の動作を制御することによって、装置全体を本願における推定装置として機能させる。制御部１１が備えるＲＡＭには、演算の実行中に利用されるデータが一時的に記憶される。

【0023】

実施の形態において、制御部１１は、ＣＰＵ、ＲＯＭ、及びＲＡＭを備える構成としたが、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、量子プロセッサ、揮発性又は不揮発性のメモリ等を備える１又は複数の演算回路であってもよい。また、制御部１１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えてもよい。

【0024】

記憶部１２は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）などの記憶装置を備える。記憶部１２には、制御部１１によって実行される各種のコンピュータプログラムや制御部１１によって利用される各種のデータが記憶される。

【0025】

記憶部１２に記憶されるコンピュータプログラムには、第１波形データ及び第２波形データを取得し、取得した第１波形データ及び第２波形データに基づき地中送電ケーブルの種別を推定し、推定結果を出力する処理をコンピュータに実行させるための推定処理プログラムＰＧ１が含まれる。推定処理プログラムＰＧ１は、単一のコンピュータプログラムであってもよく、複数のコンピュータプログラムにより構成されるものであってもよい。また、推定処理プログラムＰＧ１は、既存のライブラリを部分的に用いるものであってもよい。

【0026】

推定処理プログラムＰＧ１を含むコンピュータプログラム（プログラム製品ｗ）は、当該コンピュータプログラムを読み取り可能に記録した非一時的な記録媒体ＲＭにより提供される。記録媒体ＲＭは、例えば、ＣＤ－ＲＯＭ、ＵＳＢメモリ、ＳＤ（Secure Digital）カード、マイクロＳＤカード、コンパクトフラッシュ（登録商標）などの可搬型メモリである。制御部１１は、図に示していない読取装置を用いて、記録媒体ＲＭから各種コンピュータプログラムを読み取り、読み取った各種コンピュータプログラムを記憶部１２に記憶させる。また、記憶部１２に記憶されるコンピュータプログラムは、通信部１４を介した通信により提供されてもよい。この場合、制御部１１は、通信部１４を通じてコンピュータプログラムを取得し、取得したコンピュータプログラムを記憶部１２に記憶させる。

【0027】

また、記憶部１２は、第１波形データ及び第２波形データが入力された場合、地中送電ケーブルの種別に関する情報を出力するよう学習された学習モデルＬＭを備える。記憶部１２には、学習モデルＬＭを定義する情報として、学習モデルＬＭが備える層の構成情報、各層に含まれるノードの情報、ノード間の重み係数やバイアスなどの情報が記憶される。学習モデルＬＭの具体的な構成については後に詳述する。

【0028】

入力部１３は、外部機器を接続する接続インタフェースを備える。本実施の形態において、入力部１３に接続される外部機器は、渦電流探傷装置２及び超音波探傷装置３である。推定装置１は、入力部１３に接続された渦電流探傷装置２から、地中送電ケーブル４を渦電流探傷プローブ２０により走査して得られる第１波形データを取得すると共に、入力部１３に接続された超音波探傷装置３から、地中送電ケーブル４を超音波探傷プローブ３０により走査して得られる第２波形データを取得する。

【0029】

本実施の形態では、渦電流探傷装置２及び超音波探傷装置３を入力部１３に接続し、渦電流探傷プローブ２０より得られる第１波形データと、超音波探傷プローブ３０より得られる第２波形データを取得する構成とした。代替的に、渦電流探傷装置２の表示画面に表示される波形の画像と、超音波探傷装置３の表示画面に表示される波形の画像をデジタルカメラ等の撮像装置によりキャプチャし、得られた波形の画像を通信経由又は記録媒体経由で推定装置１に取り込んでもよい。

【0030】

通信部１４は、各種データを送受信する通信インタフェースを備える。通信部１４が備える通信インタフェースは、例えば、ＷｉＦｉ（登録商標）やイーサネット（登録商標）で用いられるＬＡＮ（Local Area Network）の通信規格に準じた通信インタフェースである。通信部１４は、送信すべきデータが制御部１１から入力された場合、指定された宛先へ送信すべきデータを送信する。また、通信部１４は、外部装置から自装置宛に送信されたデータを受信した場合、受信したデータを制御部１１へ出力する。

【0031】

操作部１５は、タッチパネル、キーボード、スイッチなどの操作デバイスを備え、ユーザによる各種の操作やデータの入力を受付ける。制御部１１は、操作部１５より与えられる各種の操作情報に基づき適宜の制御を行い、必要に応じて入力されたデータを記憶部１２に記憶させる。

【0032】

表示部１６は、液晶モニタや有機ＥＬ（Electro-Luminescence）などの表示デバイスを備え、制御部１１からの指示に応じてユーザ等に報知すべき情報を表示する。

【0033】

本実施の形態では、推定装置１が学習モデルＬＭを備える構成としたが、学習モデルＬＭは、推定装置１からアクセス可能な外部装置に記憶されてもよい。この場合、推定装置１は、学習モデルＬＭによる演算を外部装置に実行させるべく、演算指示及び演算に必要なデータを外部装置へ送信し、学習モデルＬＭによる演算結果を外部装置から受信すればよい。

【0034】

推定装置１は、単一のコンピュータに限らず、複数のコンピュータや周辺機器からなるコンピュータシステムであってもよい。また、推定装置１は、ソフトウェアによって仮想的に構築される仮想マシンであってもよい。

【0035】

図４は学習モデルＬＭの構成例を示す模式図である。実施の形態１における学習モデルＬＭは、例えば、ＣＮＮ（Convolutional Neural Network）により構築される学習モデルであり、第１ネットワーク層ＮＮ１、第２ネットワーク層ＮＮ２、及び第３ネットワーク層ＮＮ３を備える。

【0036】

第１ネットワーク層ＮＮ１は、畳み込み層及びプーリング層を備える。図４において、「Conv」は畳み込み層、「MaxPooling」はマックスプーリング層を表す。第１ネットワーク層ＮＮ１は、渦電流探傷プローブ２０より得られる第１波形データが入力された場合、当該第１波形データの特徴を示す第１特徴量を抽出し、抽出した第１特徴量を後段の第３ネットワーク層ＮＮ３へ出力するよう構成される。

【0037】

第２ネットワーク層ＮＮ２は、第１ネットワーク層ＮＮ１と同様に、畳み込み層及びプーリング層を備える。第２ネットワーク層ＮＮ２は、超音波探傷プローブ３０より得られる第２波形データが入力された場合、当該第２波形データの特徴を示す第２特徴量を抽出し、抽出した第２特徴量を後段の第３ネットワーク層ＮＮ３へ出力するよう構成される。

【0038】

第３ネットワーク層ＮＮ３は、連結層、平滑化層、線形層、及びドロップアウト層を備える。図４において、「Concatenate」は連結層、「Flatten」は平滑化層、「Linear」は線形層、「Dropout」はドロップアウト層を表す。第３ネットワーク層ＮＮ３は、第１ネットワーク層ＮＮ１から出力される第１特徴量と、第２ネットワーク層ＮＮ２から出力される第２特徴量とを連結層にて連結し、連結層の出力を後段の各層にて順次処理して地中送電ケーブル４のケーブル種別に関する情報を出力するように構成される。本実施の形態では、最終の線形層（Linear4）をソフトマックス関数により構築し、ケーブル種別に関する情報として、対象の地中送電ケーブル４が遮水ケーブルと推定される確率Ｐ１、及び非遮水ケーブルと推定される確率Ｐ２を出力すればよい。

【0039】

本実施の形態では、ＣＮＮにより構築される学習モデルＬＭについて説明したが、学習モデルＬＭは、ＣＮＮに限らず、Ｒ－ＣＮＮ（Region-based CNN）、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short-Term Memory）などにより構築されるモデルであってもよい。

【0040】

また、図４の構成例では、第１ネットワーク層ＮＮ１及び第２ネットワーク層ＮＮ２がそれぞれ畳み込み層及びプーリング層を３つずつ備える構成としたが、畳み込み層及びプーリング層の数は３つずつに限定されない。第１ネットワーク層ＮＮ１及び第２ネットワーク層ＮＮ２は、入力される波形データのサイズ等に応じて適宜設計される。更に、図４の構成例では、第３ネットワーク層ＮＮ３が１つの連結層、１つの平滑化層、４つの線形層、及び２つのドロップアウト層を備える構成としたが、各層の数や配置は図４に示すものに限定されない。第３ネットワーク層ＮＮ３における各層の数や配置は、入力される特徴量や出力すべき情報等に応じて適宜設計される。

【0041】

以下、学習モデルＬＭの生成方法について説明する。
学習モデルＬＭを生成する準備段階では、ケーブル種別が既知の地中送電ケーブル４について、渦電流探傷装置２及び超音波探傷装置３による計測を実施し、ケーブル種別を示す種別情報（正解ラベル）、渦電流探傷プローブ２０より得られる第１波形データ、及び超音波探傷プローブ３０より得られる第２波形データを関連付けたデータセットを作成する。

【0042】

図５はデータセットの一例を示す概念図である。学習用の訓練データとして用いられるデータセットは、渦電流の波形データ（第１波形データ）、超音波の波形データ（第２波形データ）、及びケーブル種別を示す種別情報を含む。第１波形データは、渦電流探傷装置２によって計測される渦電流の時系列変化を示す数値データ又は画像データであり、装置内ではファイルとして保存される。そのため、データセットの渦電流波形の欄には、そのファイルを指定するファイル名が登録される。第２波形データは、超音波探傷装置３によって計測される超音波の時系列変化を示す数値データ又は画像データであり、装置内ではファイルとして保存される。そのため、データセットの超音波波形の欄には、そのファイルを指定するファイル名が登録される。なお、図５のデータセットの例では、簡略化のために、１つの地中送電ケーブル４につき一組のファイル名のみを記載しているが、実際には、それぞれの地中送電ケーブル４につき第１波形データ及び第２波形データを多数取得し、これらの波形データを記録した複数のファイルをケーブル種別の種別情報に関連付けて記憶すればよい。

【0043】

ケーブル種別の種別情報は、遮水層４４に関する情報を含む。遮水層４４に関する情報は、地中送電ケーブル４が遮水層４４を有する否かを示す情報を含む。地中送電ケーブル４が遮水層４４を有している場合、遮水層４４の材質を示す情報が含まれてもよい。遮水層４４の材質は、アルミであることが多いが、鉛が用いられることもある。

【0044】

ケーブル種別の種別情報は、電圧、断面積、製造年、遮蔽層４３、メーカ名、絶縁厚、シース厚、及び備考の情報を更に含んでもよい。ここで、遮蔽層４３の情報は、地中送電ケーブル４が備える遮蔽層４３の構造に関する情報を含む。具体的には、遮蔽層４３が銅テープ製であるか、または、ワイヤシールド（ＷＳ：Wire Shield）製であるかの情報を含む。備考は、例えば、防災テープの有無を示す情報を含む。

【0045】

学習用のデータセットは、例えば推定装置１の記憶部１２に記憶される。推定装置１は、記憶部１２に記憶されたデータセットを訓練データに用いて、学習モデルＬＭを生成する。

【0046】

図６は学習モデルＬＭの生成手順を説明するフローチャートである。推定装置１の制御部１１は、事前に用意されたデータセットから、第１波形データ、第２波形データ、及びケーブル種別を示す種別情報を含む一組の訓練データを選択する（ステップＳ１０１）。制御部１１は、選択した訓練データに含まれる第１波形データ及び第２波形データを学習モデルＬＭに入力し、学習モデルＬＭによる演算を実行する（ステップＳ１０２）。なお、学習が開始される前の段階において、学習モデルＬＭのモデルパラメータには、初期値が設定されているものとする。

【0047】

制御部１１は、学習モデルＬＭによる演算結果を評価し（ステップＳ１０３）、学習が完了したか否かを判断する（ステップＳ１０４）。制御部１１は、学習モデルＬＭよる演算結果と、訓練データに含まれる正解ラベル（遮水層４４の有無）とに基づいて設定した誤差関数（目的関数、損失関数、コスト関数ともいう）を用いて、演算結果を評価することができる。制御部１１は、例えば、最急降下法などの勾配降下法により誤差関数を最適化（最小化又は最大化）する課程で、誤差関数が閾値以下（又は閾値以上）となった場合、学習が完了したと判断する。

【0048】

学習が完了していないと判断した場合（Ｓ１０４：ＮＯ）、制御部１１は、学習モデルＬＭのパラメータ（ノード間の重み及びバイアス等）を更新し（ステップＳ１０５）、処理をステップＳ１０１へ戻す。制御部１１は、第３ネットワーク層ＮＮ３から、第１ネットワーク層ＮＮ１及び第２ネットワーク層ＮＮ２に向かって、ノード間の重み及びバイアスを順次更新する誤差逆伝搬法を用いて、学習モデルＬＭにおけるパラメータを更新することができる。

【0049】

学習が完了したと判断した場合（Ｓ１０４：ＹＥＳ）、学習済みの学習モデルＬＭが得られるので、制御部１１は、学習済みの学習モデルＬＭを記憶部１２に記憶させる（ステップＳ１０６）。

【0050】

本実施の形態では、学習用のデータセットが推定装置１の記憶部１２に記憶されるものとしたが、推定装置１の外部の記憶装置に記憶されてもよい。この場合、推定装置１は、外部の記憶装置にアクセスし、外部の記憶装置から取得した訓練データを用いて学習モデルＬＭの学習を行えばよい。また、本実施の形態では、推定装置１が学習モデルＬＭを生成する構成したが、外部サーバなどの情報処理装置にて学習モデルＬＭを生成する構成としてもよい。この場合、推定装置１は、通信又は記録媒体を介して、外部で生成された学習済みの学習モデルＬＭを取得し、取得した学習モデルＬＭを記憶部１２に記憶すればよい。

【0051】

次に、学習完了後に推定装置１が実行する種別推定処理について説明する。
図７は推定装置１が実行する種別推定処理の実行手順を説明するフローチャートである。作業者は、ケーブル種別が不明の地中送電ケーブル４について、渦電流探傷装置２及び超音波探傷装置３による計測を実行する。推定装置１は、例えば入力部１３を通じて、渦電流探傷装置２より第１波形データを取得し（ステップＳ１２１）、超音波探傷装置３より第２波形データを取得する（ステップＳ１２２）。ステップＳ１２１及びＳ１２２の処理手順は前後してもよい。

【0052】

推定装置１の制御部１１は、取得した第１波形データ及び第２波形データを学習モデルＬＭに入力し、学習モデルＬＭによる演算を実行する（ステップＳ１２３）。すなわち、制御部１１は、第１波形データを第１ネットワーク層ＮＮ１に入力し、第１ネットワーク層ＮＮ１による演算を行うことによって第１波形データの特徴量（第１特徴量）を抽出する。また、制御部１１は、第２波形データを第２ネットワーク層ＮＮ２に入力し、第２ネットワーク層ＮＮ２による演算を行うことによって第２波形データの特徴量（第２特徴量）を抽出する。制御部１１は、第１ネットワーク層ＮＮ１より得られる第１特徴量と第２ネットワーク層ＮＮ２より得られる第２特徴量とを第３ネットワーク層ＮＮ３に受け渡し、連結層にて連結した後、後段の各層にて演算を実行することにより、最終的な出力を得る。具体的には、制御部１１は、最終的な出力として、対象の地中送電ケーブル４が遮水ケーブルと推定される確率Ｐ１、及び対象の地中送電ケーブル４が非遮水ケーブルと推定される確率Ｐ２を得る。

【0053】

制御部１１は、学習モデルＬＭによる演算結果に基づき、地中送電ケーブル４のケーブル種別を推定する（ステップＳ１２４）。すなわち、制御部１１は、学習モデルＬＭの第３ネットワーク層ＮＮ３より出力される確率Ｐ１，Ｐ２の大小を比較し、確率Ｐ１が確率Ｐ２より高い場合には遮水ケーブルと推定し、確率Ｐ１が確率Ｐ２より低い場合には非遮水ケーブルと推定する。

【0054】

制御部１１は、ケーブル種別の推定結果を出力する（ステップＳ１２５）。制御部１１は、ケーブル種別を示す情報（文字情報若しくは画像情報）を表示部１６に表示させる。代替的に、制御部１１は、ケーブル種別を示す情報を通信部１４に出力し、通信部１４より外部の端末装置へ送信してもよい。

【0055】

本願発明者らは、事前に用意したデータセットを学習用及び検証用の２つのサブセットに分割し、学習用のサブセットを用いて学習モデルＬＭを生成した後、検証用のサブセットを用いてケーブル種別の検出率及び誤報率を評価した。ここで、検出率は、全データ数のうち正解数が占める割り合いを示す。誤報率は、遮水ケーブルを非遮水ケーブルと誤って推定し、非遮水ケーブルを遮水ケーブルと誤って推定した割り合いを示す。検証の結果、実施の形態１に係る学習モデルＬＭでは、検出率９９．９％、誤報率０．１％の精度が得られた。

【0056】

以上のように、実施の形態１では、渦電流探傷プローブ２０より得られる渦電流の波形データ（第１波形データ）と、超音波探傷プローブ３０より得られる超音波の波形データ（第２波形データ）とを学習モデルＬＭに入力し、学習モデルＬＭによる演算結果に基づきケーブル種別を推定するので、導体のサイズ、製造年、遮水層４４の材質、遮蔽層４３の構造、絶縁厚、シース厚等が異なる様々な種別の地中送電ケーブル４が存在する中で、検査員の技量に依存することなく、遮水層４４の有無を精度良く推定することができる。

【0057】

（実施の形態２）
実施の形態２では、学習モデルＬＭを用いて、遮水層４４の材質を推定する構成について説明する。
なお、システムの全体構成、推定装置１の内部構成等については実施の形態１と同様であるため、その説明を省略することとする。

【0058】

図８は実施の形態２における学習モデルＬＭの概略構成を示す模式図である。実施の形態２における学習モデルＬＭの構成は、実施の形態１と同様であり、第１ネットワーク層ＮＮ１、第２ネットワーク層ＮＮ２、及び第３ネットワーク層ＮＮ３を備える。第３ネットワーク層ＮＮ３の最終の線形層（Linear4）は、３つのノードを備え、各ノードから、地中送電ケーブル４に設けられた遮水層４４がアルミである確率Ｐ１、地中送電ケーブル４に設けられた遮水層４４が鉛である確率Ｐ２、地中送電ケーブル４が遮水層４４を備えていない確率Ｐ３を出力する。このような学習モデルＬＭは、データセットに含まれる情報のうち、遮水層４４の有無の情報、及び遮水層４４の材質の情報を正解ラベルに用いて学習を行うことにより生成される。学習手順は実施の形態１と同様である。

【0059】

推定装置１の制御部１１は、学習済みの学習モデルＬＭに第１波形データ及び第２波形データを入力し、学習モデルＬＭによる演算を実行することによって、ケーブル種別を推定する。例えば、制御部１１は、学習モデルＬＭによる演算の結果、確率Ｐ１が最も高いと判断した場合、対象の地中送電ケーブル４がアルミ製の遮水層４４を備えた遮水ケーブルであると推定する。また、制御部１１は、学習モデルＬＭによる演算の結果、確率Ｐ２が最も高いと判断した場合、対象の地中送電ケーブル４が鉛製の遮水層４４を備えた遮水ケーブルであると推定する。制御部１１は、学習モデルＬＭによる演算の結果、確率Ｐ３が最も高いと判断した場合、対象の地中送電ケーブル４が非遮水ケーブルであると推定する。

【0060】

以上のように、実施の形態２では、学習モデルＬＭを用いることにより、遮水層４４の有無だけでなく、遮水層４４の材質を推定することができる。

【0061】

（実施の形態３）
実施の形態３では、計測箇所に関わらずにケーブル種別を推定できる学習モデルＬＭについて説明する。
なお、システムの全体構成、推定装置１の内部構成等については実施の形態１と同様であるため、その説明を省略することとする。

【0062】

上述したように、地中送電ケーブル４に遮水層４４が設けられている場合、その遮水層４４は、径方向に重なりを有する部分（二枚部４４ａ）と、径方向に重なりを有していない部分（一枚部４４ｂ）とを備えている。このため、渦電流探傷プローブ２０及び超音波探傷プローブ３０により、二枚部４４ａを計測したか、または、一枚部４４ｂを計測したかによって、得られる波形データの特徴が異なる可能性がある。

【0063】

実施の形態３では、二枚部４４ａを計測することにより得られる波形データと、一枚部４４ｂを計測することにより得られる波形データとの双方を訓練データに用いて学習することにより、計測箇所に関わらずにケーブル種別を推定することができる学習モデルＬＭを生成する。

【0064】

図９は実施の形態３における学習モデルＬＭの概略構成を示す模式図である。実施の形態３における学習モデルＬＭの構成は、実施の形態１と同様であり、第１ネットワーク層ＮＮ１、第２ネットワーク層ＮＮ２、及び第３ネットワーク層ＮＮ３を備える。第３ネットワーク層ＮＮ３の最終の線形層（Linear4）は、例えば、２つのノードを備え、各ノードから、地中送電ケーブル４が遮水ケーブルと推定される確率Ｐ１、及び非遮水ケーブルと推定される確率Ｐ２をそれぞれ出力する。

【0065】

実施の形態３に係る学習モデルＬＭは、二枚部４４ａを計測して得られる波形データとケーブル種別を示す種別情報とを含むデータセット、一枚部４４ｂを計測して得られる波形データとケーブル種別を示す種別情報とを含むデータセット、及び非遮水ケーブルを計測して得られる波形データとケーブル種別を示す種別情報とを含むデータセットを訓練データに用いて学習することにより生成される。なお、第１波形データ及び第２波形データの双方が二枚部４４ａ（又は一枚部４４ｂ）を計測したデータである必要はなく、第１波形データ及び第２波形データの一方が二枚部４４ａを計測したデータ、他方が一枚部４４ｂを計測したデータであってもよい。

【0066】

学習済みの学習モデルＬＭが得られた後、推定装置１は、地中送電ケーブル４を走査した際に得られる波形データを学習済みの学習モデルＬＭに入力して、学習モデルＬＭによる演算を実行し、学習モデルＬＭから出力される情報に基づいて、地中送電ケーブル４のケーブル種別を推定する。学習モデルＬＭに入力する波形データ（第１波形データ及び第２波形データ）は、二枚部４４ａを計測したデータであってもよく、一枚部４４ｂを計測したデータであってもよい。すなわち、作業者は、二枚部４４ａ及び一枚部４４ｂを区別して計測する必要はなく、地中送電ケーブル４の任意の箇所を計測し、得られた波形データを学習モデルＬＭに入力すればよい。

【0067】

なお、図３に示した学習モデルＬＭは、遮水層４４の有無を推定するための学習モデルであるが、実施の形態２において説明したように、遮水層４４の材質を推定する学習モデルであってもよい。

【0068】

以上のように、実施の形態３では、二枚部４４ａを計測することにより得られる波形データと、一枚部４４ｂを計測することにより得られる波形データとの双方を訓練データに用いて学習された学習モデルＬＭを用いることにより、計測箇所に関わらずにケーブル種別を推定することができる。

【0069】

（実施の形態４）
実施の形態４では、学習モデルＬＭを用いて、遮蔽層４３の構造を推定する構成について説明する。
なお、システムの全体構成、推定装置１の内部構成等については実施の形態１と同様であるため、その説明を省略することとする。

【0070】

図１０は実施の形態４における学習モデルＬＭの概略構成を示す模式図である。実施の形態４における学習モデルＬＭの構成は、実施の形態１と同様であり、第１ネットワーク層ＮＮ１、第２ネットワーク層ＮＮ２、及び第３ネットワーク層ＮＮ３を備える。第３ネットワーク層ＮＮ３の最終の線形層（Linear4）は、２つのノードを備え、各ノードから、遮蔽層４３が銅テープ製である確率Ｐ１、遮蔽層４３がワイヤシールド製である確率Ｐ２を出力する。このような学習モデルＬＭは、データセットに含まれる情報のうち、遮蔽層４３の構造の情報を正解ラベルに用いて学習を行うことにより生成される。学習手順は実施の形態１と同様である。

【0071】

推定装置１の制御部１１は、学習済みの学習モデルＬＭに第１波形データ及び第２波形データを入力し、学習モデルＬＭによる演算を実行することによって、ケーブル種別を推定する。例えば、制御部１１は、学習モデルＬＭによる演算の結果、確率Ｐ１が確率Ｐ２より高いと判断した場合、対象の地中送電ケーブル４が銅テープ製の遮蔽層４３を備えたケーブルであると推定する。また、制御部１１は、学習モデルＬＭによる演算の結果、確率Ｐ２が確率Ｐ１より高いと判断した場合、対象の地中送電ケーブル４がワイヤシール製の遮蔽層４３を備えたケーブルであると推定する。

【0072】

以上のように、実施の形態４では、学習モデルＬＭを用いることにより、遮蔽層４３の構造を推定することができる。

【0073】

実施の形態１では、遮水層４４の有無を推定する構成、実施の形態２では、遮水層４４の材質を推定する構成、実施の形態４では、遮蔽層４３の構造を推定する構成について説明したが、１つの学習モデルＬＭを用いて、遮水層４４の有無、遮水層４４の材質、遮蔽層４３の構造の２つ以上を推定する構成としてもよい。

【0074】

（実施の形態５）
実施の形態５では、第１波形データに基づく推定結果と、第２波形データに基づく推定結果とに基づき、ケーブル種別を推定する構成について説明する。

【0075】

図１１は実施の形態５に係る推定装置１の内部構成を説明するブロック図である。推定装置１は、汎用又は専用のコンピュータであり、制御部１１、記憶部１２、入力部１３、通信部１４、操作部１５、表示部１６などを備える。これらハードウェア各部の構成は実施の形態１と同様である。

【0076】

実施の形態５では、後述する第１学習モデルＬＭ１及び第２学習モデルＬＭ２が記憶部１２にインストールされる。推定装置１の制御部１１は、第１学習モデルＬＭ１及び第２学習モデルＬＭ２を用いて、ケーブル種別を推定する。

【0077】

図１２は第１学習モデルＬＭ１の構成例を示す模式図である。第１学習モデルＬＭ１は、例えば、ＣＮＮにより構築される学習モデルであり、第１ネットワーク層ＮＮ１１、及び第２ネットワーク層ＮＮ１２を備える。

【0078】

第１ネットワーク層ＮＮ１１は、畳み込み層及びプーリング層を備えており、渦電流探傷プローブ２０より得られる第１波形データが入力された場合、当該第１波形データの特徴を示す第１特徴量を抽出し、抽出した第１特徴量を後段の第２ネットワーク層ＮＮ１２へ出力する。

【0079】

第２ネットワーク層ＮＮ１２は、平滑化層、線形層、及びドロップアウト層を備えており、第１特徴量の入力に応じて、各層で順次演算を実行し、地中送電ケーブル４のケーブル種別に関する情報を出力する。第２ネットワーク層ＮＮ１２の最終の線形層（Linear4）は、ケーブル種別に関する情報として、例えば、対象の地中送電ケーブル４が遮水ケーブルと推定される確率Ｐ１、及び非遮水ケーブルと推定される確率Ｐ２を出力する。

【0080】

すなわち、実施の形態５に係る第１学習モデルＬＭ１は、渦電流探傷プローブ２０より得られる第１波形データが単独で入力された場合、ケーブル種別に関する情報を出力するよう構成される。第１学習モデルＬＭ１の生成手順は、実施の形態１と同様であり、渦電流の波形データ（第１波形データ）、及びケーブル種別を示す種別情報を含むデータセットを訓練データに用いて学習することにより、第１学習モデルＬＭ１が生成される。

【0081】

本願発明者らは、事前に用意したデータセットを学習用及び検証用の２つのサブセットに分割し、学習用のサブセットを用いて第１学習モデルＬＭ１を生成した後、検証用のサブセットを用いてケーブル種別の検出率及び誤報率を評価した。検証の結果、第１学習モデルＬＭ１では、検出率９４．５％、誤報率４．４％の精度が得られた。

【0082】

図１３は第２学習モデルＬＭ２の構成例を示す模式図である。第２学習モデルＬＭ２は、例えば、ＣＮＮにより構築される学習モデルであり、第２ネットワーク層ＮＮ２１、及び第２ネットワーク層ＮＮ２２を備える。

【0083】

第１ネットワーク層ＮＮ２１は、畳み込み層及びプーリング層を備えており、超音波探傷プローブ３０より得られる第２波形データが入力された場合、当該第２波形データの特徴を示す第２特徴量を抽出し、抽出した第２特徴量を後段の第２ネットワーク層ＮＮ２２へ出力する。

【0084】

第２ネットワーク層ＮＮ２２は、平滑化層、線形層、及びドロップアウト層を備えており、第２特徴量の入力に応じて、各層で順次演算を実行し、地中送電ケーブル４のケーブル種別に関する情報を出力する。第２ネットワーク層ＮＮ２２の最終の線形層（Linear4）は、ケーブル種別に関する情報として、例えば、対象の地中送電ケーブル４が遮水ケーブルと推定される確率Ｐ１、及び非遮水ケーブルと推定される確率Ｐ２を出力する。

【0085】

すなわち、実施の形態５に係る第２学習モデルＬＭ２は、超音波探傷プローブ３０より得られる第２波形データが単独で入力された場合、ケーブル種別に関する情報を出力するよう構成される。第２学習モデルＬＭ２の生成手順は、実施の形態１と同様であり、超音波の波形データ（第２波形データ）、及びケーブル種別を示す種別情報を含むデータセットを訓練データに用いて学習することにより、第２学習モデルＬＭ２が生成される。

【0086】

本願発明者らは、事前に用意したデータセットを学習用及び検証用の２つのサブセットに分割し、学習用のサブセットを用いて第２学習モデルＬＭ２を生成した後、検証用のサブセットを用いてケーブル種別の検出率及び誤報率を評価した。検証の結果、第２学習モデルＬＭ２では、検出率９９．５％、誤報率０．２％の精度が得られた。

【0087】

図１４は実施の形態５に係る推定装置１が実行する種別推定処理の実行手順を説明するフローチャートである。作業者は、ケーブル種別が不明の地中送電ケーブル４について、渦電流探傷装置２による計測を実行する。推定装置１は、例えば入力部１３を通じて、渦電流探傷装置２から第１波形データを取得する（ステップＳ５０１）。

【0088】

推定装置１の制御部１１は、取得した第１波形データを第１学習モデルＬＭ１に入力し、第１学習モデルＬＭ１による演算を実行する（ステップＳ５０２）。演算結果として、対象の地中送電ケーブル４が遮水ケーブルと推定される確率Ｐ１、及び対象の地中送電ケーブル４が非遮水ケーブルと推定される確率Ｐ２が得られる。

【0089】

制御部１１は、第１学習モデルＬＭ１による演算結果に基づき、地中送電ケーブル４のケーブル種別を推定する（ステップＳ５０３）。すなわち、制御部１１は、第１学習モデルＬＭ１の第２ネットワーク層ＮＮ１２より出力される確率Ｐ１，Ｐ２の大小を比較し、確率Ｐ１が確率Ｐ２より高い場合には遮水ケーブルと推定し、確率Ｐ１が確率Ｐ２より低い場合には非遮水ケーブルと推定する。

【0090】

制御部１１は、推定結果の確信度が閾値以上（例えば９５％以上）であるか否かを判断する（ステップＳ５０４）。ステップＳ５０３で遮水ケーブルと推定した場合、推定結果の確信度は確率Ｐ１により表され、非遮水ケーブルと推定した場合、推定結果の確信度は確率Ｐ２により表される。

【0091】

確信度が閾値以上であると判断した場合（Ｓ５０４：ＹＥＳ）、制御部１１は、ケーブル種別の推定結果を出力する（ステップＳ５０５）。ここでは、第１学習モデルＬＭ１を用いた推定結果を出力すればよい。制御部１１は、ケーブル種別を示す情報（文字情報若しくは画像情報）を表示部１６に表示させる。代替的に、制御部１１は、ケーブル種別を示す情報を通信部１４に出力し、通信部１４より外部の端末装置へ送信してもよい。

【0092】

確信度が閾値未満であると判断した場合（Ｓ５０４：ＮＯ）、制御部１１は、第２波形データを取得する（ステップＳ５０６）。確信度が閾値未満の場合、超音波探傷装置３より得られる第２波形データが必要となるため、制御部１１は、作業者に対して、超音波探傷装置３による計測を促してもよい。具体的には、制御部１１は、先の地中送電ケーブル４について超音波探傷装置３による計測を実施すべき旨の情報を表示部１６に表示させる。代替的に、制御部１１は、作業者が携帯する端末装置に前記情報を送信してもよい。

【0093】

推定装置１の制御部１１は、取得した第２波形データを第２学習モデルＬＭ２に入力し、第２学習モデルＬＭ２による演算を実行する（ステップＳ５０７）。演算結果として、対象の地中送電ケーブル４が遮水ケーブルと推定される確率Ｐ１、及び対象の地中送電ケーブル４が非遮水ケーブルと推定される確率Ｐ２が得られる。

【0094】

制御部１１は、第２学習モデルＬＭ２による演算結果に基づき、地中送電ケーブル４のケーブル種別を推定する（ステップＳ５０８）。すなわち、制御部１１は、第２学習モデルＬＭ２の第２ネットワーク層ＮＮ２２より出力される確率Ｐ１，Ｐ２の大小を比較し、確率Ｐ１が確率Ｐ２より高い場合には遮水ケーブルと推定し、確率Ｐ１が確率Ｐ２より低い場合には非遮水ケーブルと推定する。

【0095】

第２学習モデルＬＭ２による推定結果が得られた場合、制御部１１は、ケーブル種別の推定結果を出力する（ステップＳ５０５）。ここでは、第２学習モデルＬＭ２を用いた推定結果を出力すればよい。制御部１１は、ケーブル種別を示す情報（文字情報若しくは画像情報）を表示部１６に表示させる。代替的に、制御部１１は、ケーブル種別を示す情報を通信部１４に出力し、通信部１４より外部の端末装置へ送信してもよい。

【0096】

以上のように、実施の形態５では、第１学習モデルＬＭ１を用いてケーブル種別の種別推定を行い、確信度が閾値以上である場合には、第１学習モデルＬＭ１による推定結果を出力する。この場合、渦電流探傷装置２による計測のみで済むので、作業者の作業負担が軽減される。一方、確信度が閾値未満である場合には、第２波形データを取得し、第２学習モデルＬＭ２による推定結果を出力する。この場合、渦電流探傷装置２による計測と、超音波探傷装置３による計測とが必要となるが、渦電流の波形データによる推定結果が良好でないと判断できる場合には、超音波の波形データで種別推定を行うので、推定精度を向上させることができる。

【0097】

図１４に示すフローチャートでは、第２学習モデルＬＭ２による推定結果が得られた場合、得られた推定結果をそのまま出力する手順としたが、ステップＳ５０８で推定結果が得られた場合、推定結果の確信度を閾値と比較し、確信度が閾値以上の場合にのみ推定結果を出力し、確信度が閾値未満の場合、再計測を促してもよい。

【0098】

また、図１４のフローチャートでは、第１学習モデルＬＭ１による種別推定を先に実行し、推定結果の確信度が閾値未満である場合に第２学習モデルＬＭ２による種別推定を実行する手順としたが、第２学習モデルＬＭ２による種別推定を先に実行し、推定結果の確信度が閾値未満である場合に第１学習モデルＬＭ１による種別推定を実行する手順としてもよい。

【0099】

（実施の形態６）
実施の形態６では、実施の形態５の変形例について説明する。推定装置１は、実施の形態５と同様であり、第１学習モデルＬＭ１による推定結果と、第２学習モデルＬＭ２による推定結果とを用いて、ケーブル種別の推定を行う。

【0100】

図１５は実施の形態６に係る推定装置１が実行する種別推定処理の実行手順を説明するフローチャートである。作業者は、ケーブル種別が不明の地中送電ケーブル４について、渦電流探傷装置２及び超音波探傷装置３による計測を実行する。推定装置１は、例えば、入力部１３を通じて、渦電流探傷装置２から第１波形データを取得する（ステップＳ６０１）。

【0101】

推定装置１の制御部１１は、取得した第１波形データを第１学習モデルＬＭ１に入力し、第１学習モデルＬＭ１による演算を実行する（ステップＳ６０２）。演算結果として、対象の地中送電ケーブル４が遮水ケーブルと推定される確率Ｐ１、及び対象の地中送電ケーブル４が非遮水ケーブルと推定される確率Ｐ２が得られる。

【0102】

制御部１１は、第１学習モデルＬＭ１による演算結果に基づき、地中送電ケーブル４のケーブル種別を推定する（ステップＳ６０３）。すなわち、制御部１１は、第１学習モデルＬＭ１の第２ネットワーク層ＮＮ１２より出力される確率Ｐ１，Ｐ２の大小を比較し、確率Ｐ１が確率Ｐ２より高い場合には遮水ケーブルと推定し、確率Ｐ１が確率Ｐ２より低い場合には非遮水ケーブルと推定する。

【0103】

推定装置１は、例えば、入力部１３を通じて、超音波探傷装置３から第２波形データを取得する（ステップＳ６０４）。

【0104】

推定装置１の制御部１１は、取得した第２波形データを第２学習モデルＬＭ２に入力し、第２学習モデルＬＭ２による演算を実行する（ステップＳ６０５）。演算結果として、対象の地中送電ケーブル４が遮水ケーブルと推定される確率Ｐ１、及び対象の地中送電ケーブル４が非遮水ケーブルと推定される確率Ｐ２が得られる。

【0105】

制御部１１は、第２学習モデルＬＭ２による演算結果に基づき、地中送電ケーブル４のケーブル種別を推定する（ステップＳ６０６）。すなわち、制御部１１は、第２学習モデルＬＭ２の第２ネットワーク層ＮＮ２２より出力される確率Ｐ１，Ｐ２の大小を比較し、確率Ｐ１が確率Ｐ２より高い場合には遮水ケーブルと推定し、確率Ｐ１が確率Ｐ２より低い場合には非遮水ケーブルと推定する。

【0106】

制御部１１は、第１学習モデルＬＭ１による推定結果の確信度と、第２学習モデルＬＭ２による推定結果の確信度とを比較し、確信度の比較結果に応じて、何れか一方の推定結果を選択する（ステップＳ６０７）。第１学習モデルＬＭ１による推定結果と、第２学習モデルＬＭ２による推定結果とが異なる場合、すなわち、一方で遮水ケーブルと推定し、他方で非遮水ケーブルと推定した場合、制御部１１は、確信度が高い方の推定結果を選択すればよい。

【0107】

制御部１１は、選択した推定結果を出力する（ステップＳ６０８）。具体的には、制御部１１は、ケーブル種別を示す情報（文字情報若しくは画像情報）を表示部１６に表示させる。代替的に、制御部１１は、ケーブル種別を示す情報を通信部１４に出力し、通信部１４より外部の端末装置へ送信してもよい。

【0108】

以上のように、実施の形態６では、第１学習モデルＬＭ１による推定結果、及び第２学習モデルＬＭ２による推定結果のうち、確信度が高い方の推定結果を出力するので、渦電流探傷装置２及び超音波探傷装置３の何れか一方に不具合がある場合、不具合のある方の装置から出力される波形データに引きずられて推定精度が劣化することが避けられる。

【0109】

図１５のフローチャートでは、第１学習モデルＬＭ１による種別推定を先に実行した後、第２学習モデルＬＭ２による種別推定を実行する手順としたが、第２学習モデルＬＭ２による種別推定を先に実行した後、第１学習モデルＬＭ１による種別推定を実行する手順としてもよい。

【0110】

実施の形態５及び実施の形態６では、遮水層４４の有無を推定する構成としたが、実施の形態２～実施の形態４で記載したように、遮水層４４の材質、及び遮蔽層４３の構造の少なくとも１つを推定する構成としてもよい。

【0111】

今回開示された実施形態は、全ての点において例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上述した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。

【符号の説明】

【0112】

１ 推定装置
２ 渦電流探傷装置
３ 超音波探傷装置
４ 地中送電ケーブル
１１ 制御部
１２ 記憶部
１３ 入力部
１４ 通信部
１５ 操作部
１６ 表示部
２０ 渦電流探傷プローブ
３０ 超音波探傷プローブ
４１ 導体
４２ 絶縁体
４３ 遮蔽層
４４ 遮水層
４５ シース
ＰＧ１ 推定処理プログラム
ＬＭ 学習モデル
ＬＭ１ 第１学習モデル
ＬＭ２ 第２学習モデル

【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】

【図14】

【図15】