特開 2024-118359 塗膜劣化診断装置及び塗膜劣化診断方法

(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】P2024118359

(43)【公開日】2024-08-30

(54)【発明の名称】塗膜劣化診断装置及び塗膜劣化診断方法

(51)【国際特許分類】

   G01N 21/95 20060101AFI20240823BHJP

   G01N 21/3563 20140101ALI20240823BHJP

【ＦＩ】

G01N21/95 Z

G01N21/3563

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2023024733

(22)【出願日】2023-02-20

【国等の委託研究の成果に係る記載事項】（出願人による申告）令和４年度、国立研究開発法人科学技術振興機構、研究成果最適展開支援プログラム Ａ－ＳＴＥＰ「脆さを指標とする木材用塗膜の包括的評価法の開発」委託研究、産業技術力強化法第１７条の適用を受ける特許出願

(71)【出願人】

【識別番号】391029635

【氏名又は名称】玄々化学工業株式会社

(71)【出願人】

【識別番号】504132272

【氏名又は名称】国立大学法人京都大学

(74)【代理人】

【識別番号】100076473

【弁理士】

【氏名又は名称】飯田 昭夫

(74)【代理人】

【識別番号】100188765

【弁理士】

【氏名又は名称】赤座 泰輔

(74)【代理人】

【識別番号】100112900

【弁理士】

【氏名又は名称】江間 路子

(74)【代理人】

【識別番号】100163164

【弁理士】

【氏名又は名称】安藤 敏之

(72)【発明者】

【氏名】大木 博成

(72)【発明者】

【氏名】伊藤 拓美

(72)【発明者】

【氏名】寺本 好邦

(72)【発明者】

【氏名】山本 千尋

(72)【発明者】

【氏名】高野 俊幸

【テーマコード（参考）】

2G051

2G059

【Ｆターム（参考）】

2G051AA90

2G051AB07

2G051AB12

2G051BA06

2G051BA08

2G051CC15

2G059AA05

2G059BB10

2G059EE01

2G059EE02

2G059EE12

2G059HH01

2G059MM01

2G059MM05

2G059MM10

(57)【要約】

【課題】目視では診断し難い塗膜の劣化の診断を容易にすることができる塗膜劣化診断装置を提供すること。
【解決手段】塗膜劣化診断装置１の推論手段５０は、樹脂を結合材とする試験塗膜の測定データ７０を取得するデータ取得部５１と、測定データ７０に応じて試験塗膜の劣化状態を推論する推論部５２と、を備える。推論部５２は、取得した測定データ７０から、学習済みモデル記憶部４０の学習済みモデル４１を利用し、推論結果８０として試験塗膜の劣化の状態を出力する。
【選択図】図３

【特許請求の範囲】

【請求項1】

樹脂を結合材とする試験塗膜の赤外吸収スペクトルデータを取得するデータ取得部と、
該赤外吸収スペクトルデータに応じて該試験塗膜の劣化状態を推論する推論部と、
推論された該試験塗膜の該劣化状態を出力する出力部と、
を備えることを特徴とする塗膜劣化診断装置。

【請求項2】

前記試験塗膜を形成する塗料が木材用塗料であることを特徴とする請求項１に記載の塗膜劣化診断装置。

【請求項3】

前記赤外吸収スペクトルデータは、中赤外（４００～４０００ｃｍ^-1）スペクトルを用いることを特徴とする請求項１に記載の塗膜劣化診断装置。

【請求項4】

前記推論部は、学習済みモデルを利用して前記劣化状態を推論し、
該学習済みモデルは、状態が明らかな標本塗膜の塗膜データと該標本塗膜の赤外吸収スペクトルデータとを含む学習用データから機械学習され、
該塗膜データは、該標本塗膜の劣化状態を含むことを特徴とする請求項１～３の何れかに記載の塗膜劣化診断装置。

【請求項5】

前記塗膜データは、前記標本塗膜のセルロースナノファイバ（ＣＮＦ）含有率を含むことを特徴とすることを特徴とする請求項４に記載の塗膜劣化診断装置。

【請求項6】

樹脂を結合材とする木材用塗料から形成された試験塗膜の赤外吸収スペクトルデータを測定する行程と、
測定された該赤外吸収スペクトルデータを、該試験塗膜の劣化状態を推論する推論手段のデータ取得部に、取得させるデータ取得行程と、
入力された該赤外吸収スペクトルデータに応じて、該推論手段の推論部が該塗膜の劣化状態を推論する推論行程と、
該推論部が推論した該劣化状態を出力する出力行程と、
を備えることを特徴とする塗膜劣化診断方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、塗膜の劣化を診断する塗膜劣化診断装置及び塗膜劣化診断方法に関する。

【背景技術】

【0002】

たとえば、樹脂を結合材とする木材用塗料が塗布され、表面が塗膜で覆われた塗装木材は、木材用塗料から形成された塗膜の劣化により、木材の劣化が進行する。塗膜の劣化は、塗膜の割れ、膨れ、剥がれ又は色彩の変退色などの劣化状態を人が目視によって診断する。しかし、塗膜の劣化は、塗料が塗布される下地の種類によっては、目視での診断が難しい場合がある。また、塗膜の劣化があまり進行していない場合、塗膜の劣化状態は、目視での診断が難しい。目視では診断し難い塗膜の劣化状態を定量的に診断する方法として、特許文献１には、光源から光を塗膜に照射し、塗膜から反射される光のうち、塗膜の劣化要因となるＯＨ基に起因する特定波長の吸光度を測定し、その吸光度から、塗膜の劣化の程度を定量的に求める塗膜劣化診断方法が記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００８－３２４３０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかし、樹脂を結合材とする塗膜の劣化は、塗膜を形成する結合材を構成する樹脂の様々な官能基に変化をもたらし、様々な官能基に起因する波長の吸光度に複合的に変化をもたらすものである。このため、塗膜の劣化要因の１つに過ぎないＯＨ基に起因する特定波長の吸光度からは、劣化の状態を定量的に求めることが難しいという問題があった。

【0005】

本明細書の技術は、上記の点に鑑みてなされたもので、塗膜の劣化による波長の吸光度の変化を診断させて、目視では診断し難い塗膜の劣化の診断を容易にすることができる塗膜劣化診断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】

【0006】

本明細書の実施形態に係る塗膜劣化診断装置は、樹脂を結合材とする試験塗膜の赤外吸収スペクトルデータを取得するデータ取得部と、
該赤外吸収スペクトルデータに応じて該試験塗膜の劣化状態を推論する推論部と、
推論された該試験塗膜の該劣化状態を出力する出力部と、
を備えることを特徴とする。

【0007】

本明細書の実施形態に係る塗膜劣化診断装置によれば、データ取得部が取得した試験塗膜の赤外吸収スペクトルデータに基づいて、推論部が試験塗膜の劣化状態を推論し、出力部が推論された劣化状態を出力する。塗膜劣化診断装置は、データ取得部に試験塗膜の赤外吸収スペクトルデータが取得されることで、試験塗膜の劣化状態が出力されるため、目視では診断し難い塗膜の劣化の診断を容易にすることができる。

【0008】

ここで、上記塗膜劣化診断装置において、前記試験塗膜を形成する塗料が木材用塗料であるものとすることができる。

【0009】

これによれば、木材に塗装され、木材用塗料から形成された塗膜は、劣化の状態を目視で判断することが難しい。実施形態の塗膜劣化診断装置では、データ取得部に、木材に塗装された試験塗膜の赤外吸収スペクトルデータが取得されることで、試験塗膜の劣化状態が出力されるため、目視では診断し難い塗膜の劣化の診断を容易にすることができる。

【0010】

また、上記塗膜劣化診断装置において、前記赤外吸収スペクトルデータは、中赤外（４００～４０００ｃｍ^-1）スペクトルを用いるものとすることができる。

【0011】

これによれば、赤外吸収スペクトルデータの精度を高めることができる。

【0012】

また、上記塗膜劣化診断装置において、前記推論部は、学習済みモデルを利用して前記劣化状態を推論し、
該学習済みモデルは、状態が明らかな標本塗膜の塗膜データと該標本塗膜の赤外吸収スペクトルデータとを含む学習用データから機械学習され、
該塗膜データは、該標本塗膜の劣化状態を含むものとすることができる。

【0013】

これによれば、推論部が、標本塗膜の劣化状態に応じて機械学習された学習済みモデルから、試験塗膜の劣化状態を推論することができるため、目視では診断し難い塗膜の劣化の診断を正確にすることができる。

【0014】

また、上記塗膜劣化診断装置において、前記塗膜データは、前記標本塗膜のセルロースナノファイバ（ＣＮＦ）含有率を含むものとすることができる。

【0015】

これによれば、推論部が、標本塗膜のＣＮＦ含有率を考慮して機械学習された学習済みモデルから、試験塗膜の劣化状態を推論することができるため、目視では診断し難い塗膜の劣化の診断を正確にすることができる。

【0016】

ここで、実施形態に係る塗膜劣化診断方法は、樹脂を結合材とする試験塗膜の赤外吸収スペクトルデータを測定する行程と、
測定された該赤外吸収スペクトルデータを、該試験塗膜の劣化状態を推論する推論手段のデータ取得部に、取得させるデータ取得行程と、
入力された該赤外吸収スペクトルデータに応じて、該推論手段の推論部が該塗膜の劣化状態を推論する推論行程と、
該推論部が推論した該劣化状態を出力する出力行程と、
を備えることを特徴とする。

【0017】

実施形態に係る塗膜劣化診断方法によれば、劣化状態推論部が赤外吸収スペクトルデータに応じて塗膜の劣化状態を推論し、劣化状態出力部が劣化状態を出力する。塗膜の赤外吸収スペクトルデータを測定し、劣化状態診断部に赤外吸収スペクトルデータを入力することで、塗膜の劣化状態が出力されるため、目視では診断し難い塗膜の劣化の診断を容易にすることができる。

【発明の効果】

【0018】

実施形態の塗膜劣化診断装置によれば、目視では診断し難い塗膜の劣化の診断を容易にすることができる。

【図面の簡単な説明】

【0019】

【図1】本明細書の実施形態の塗膜劣化診断装置のハードウェア構成の例を示す図である。

【図2】学習用データから学習済みモデルを生成する学習手段の構成の例を示す図である。

【図3】学習済モデルを用いて、測定データから推論結果を推論する推論手段の構成の例を示す図である。

【図4】学習用データの構成の例を示す図である。

【図5】測定データの構成の例を示す図である。

【図6】推論結果の構成の例を示す図である。

【図7】機械学習処理における動作を示すフローチャートを示す図である。

【図8】推論処理における動作を示すフローチャートを示す図である。

【図9】学習処理に使用される、ＣＮＦ含有率と劣化状態が異なる赤外吸収スペクトルデータを示す図である。

【図10】塗膜劣化診断装置の訓練とテストによる、劣化状態の推論結果を示す図である。

【発明を実施するための形態】

【0020】

以下、本明細書の実施形態に係る塗膜劣化診断装置及び塗膜劣化診断方法を、図面を参照しながら説明する。なお、本発明の範囲は、実施形態で開示される範囲に限定されるものではない。また、本明細書において、「試験塗膜」とは、劣化の状態を評価する対象の塗膜であり、「標本塗膜」とは、劣化の状態や塗膜の組成などが明らかであり、機械学習によって学習済みモデルを生成することができる塗膜である。木材用塗料の配合量や配合比を表す際の「質量部（％）」は、特に断らない限り、揮発分を除いた「不揮発分の質量部（％）」を意味する。

【0021】

（塗膜）
標本塗膜又は試験塗膜を形成する塗料は、アクリル樹脂水性エマルジョン、ＣＮＦ（セルロースナノファイバ）、紫外線吸収剤などの添加剤を含有するアクリル樹脂塗料である。アクリル樹脂塗料（塗膜）の配合例を表１に記載する。

【0022】

【表1】

アクリル樹脂水性エマルジョンは、下地の木材への密着や塗膜を形成させる結合材としての役割を果たし、結合材としてのアクリル樹脂の劣化により塗膜の劣化が進行するため、塗膜の劣化に大きく影響を与えるものである。アクリル樹脂は特に紫外線の照射を受けることにより劣化が進行する。アクリル樹脂水性エマルジョンは、市販品を使用することができ、塗料（標本塗膜又は試験塗膜）中に５０～９０質量％（不揮発分）含有される。

【0023】

ＣＮＦ（セルロースナノファイバ）は、杉や檜などの植物から加工された漂白パルプが、酵素によって解繊され、機械的に解繊されたセルロース繊維であり、繊維の、平均長さを５００～５，０００ｎｍ、平均幅を３～１００ｎｍとするものである。実施形態では、ＣＮＦは、杉から加工された漂白パルプが、酵素によって解繊され、機械的に解繊されて、平均長さを６８２ｎｍ、平均幅を４１ｎｍとするＣＮＦ（不揮発分２．４％）を使用した。

【0024】

ＣＮＦは、塗料に添加され、塗料から形成された塗膜として、下地の木材の伸縮に対して追従する効果を発揮し、下地への水の浸入を抑制し、塗装体全体の変色を抑制するものである。しかし、ＣＮＦは、劣化することにより、塗膜の劣化が進行するため、塗膜の劣化に大きく影響を与えるものである。ＣＮＦは特に紫外線の照射を受けることにより劣化が進行する。ＣＮＦは、塗料中に０～５０質量％含有される。

【0025】

標準塗膜は、アクリル樹脂塗料を離型紙に塗布し、乾燥させることによって膜厚約１００μｍの塗膜フィルムとして得た。この塗膜フィルムは、後に述べる促進劣化処理の施されたものと施されていないものとがそれぞれ標準塗膜となる。標準塗膜は、後に述べる機械学習処理（図７）において、学習用データ６０（図４）が取得される。

【0026】

試験塗膜は、劣化の状態を求めたい木材表面に成膜している塗膜である。試験塗膜は、後に述べる推論処理（図８）において、測定データ７０（図５）が取得される。

【0027】

（ハードウェア構成）
図１は、実施形態の塗膜劣化診断装置１のハードウェア構成の例を示す。塗膜劣化診断装置１は、学習手段３０（図２）と推論手段５０（図３）とを備え、ハードウェア構成として、プロセッサ１１と、メモリ１２と、ハードディスクドライブなどの記憶装置１３と、を有している。また、塗膜劣化診断装置１は、操作者の操作や後に述べる塗膜データ６２の入力などを受け付ける操作装置１４（例えば、キーボード、マウス、タッチパネル）と、操作者に劣化状態などの情報を出力する出力部１５（例えば、ディスプレイ）と、塗膜の赤外吸収スペクトルデータが入力されるデータ取得部３１、５１（図２、図３）となるインターフェース１６と、を有している。塗膜の赤外吸収スペクトルデータは、全反射（ＡＴＲ）－フーリエ変換赤外分光光度計（ＦＴＩＲ）（ＦＴＩＲ２０）によって測定され、インターフェース１６から塗膜劣化診断装置１の学習手段３０のデータ取得部３１又は推論手段５０のデータ取得部５１に取得される。標本塗膜の劣化状態６３やＣＮＦ含有率６４などの塗膜データ６２（図４）は、ハードウェア構成の操作装置１４又はインターフェース１６によって塗膜劣化診断装置１に取得される。なお、塗膜劣化診断装置１のハードウェア構成は、例えば、パーソナルコンピュータを使用することができる。

【0028】

プロセッサ１１は、学習手段３０の機械学習による学習済みモデル４１の生成と、学習済みモデル４１を用いて推論手段５０による推論とを実行する。プロセッサ１１とメモリ１２は、記憶装置１３に記憶されているソフトウェアであるプログラムとしての劣化状態診断プログラムを実行する。

【0029】

（学習手段）
図２は、機械学習を行なって学習済みモデルを生成する学習手段３０の例を示す図である。学習手段３０は、既知の塗膜（標本塗膜）の詳細を示す塗膜データ６２とその塗膜の赤外吸収スペクトルデータ６１とを含む学習用データ６０（図４）を取得するデータ取得部３１と、学習用データ６０から学習済みモデル４１を生成するモデル生成部３２と、を有する。学習手段３０は、学習済みモデル４１を記憶させる学習済みモデル記憶部４０と接続されている。データ取得部３１とモデル生成部３２は、例えば、図１に示す、プロセッサ１１、メモリ１２、操作装置１４及びインターフェース１６によって実現可能である。学習済みモデル記憶部４０は、例えば、図１に示す記憶装置１３によって実現可能である。

【0030】

（学習用データ）
データ取得部３１は、学習用データ６０を取得する。図４に示すように、学習用データ６０は、標本塗膜の塗膜データ６２と標本塗膜の赤外吸収スペクトルデータ６１とから構成され、塗膜データ６２は塗膜の劣化状態６３とＣＮＦ含有率６４とが含まれる。塗膜の赤外吸収スペクトルデータ６１は、標本塗膜について測定した赤外吸収スペクトルデータ６１である。

【0031】

塗膜の劣化状態６３は、測定する標本塗膜のデータが劣化前か劣化後かを示すものである。塗膜の劣化は、標本塗膜を、促進劣化処理（キセノンランプ法）を５００時間施すことによって劣化を再現する。促進劣化処理の前後について、塗膜の赤外吸収スペクトルデータ６１を測定することによって、測定する塗膜の劣化前（劣化処理なし）と劣化後（劣化処理あり）の２種類の劣化状態６３の赤外吸収スペクトルデータ６１が得られる。

【0032】

（促進劣化処理）
促進劣化処理（キセノンランプ法）は、促進耐候性試験（キセノンランプ法）：「ＪＩＳ Ｋ ５６００－７－７：２００８ 塗料一般試験方法－第７部：塗膜の長期耐久性－第７節：促進耐候性及び促進耐光性（キセノンランプ法）」に規定されている、方法１、サイクルＡにより、乾燥期間中の相対湿度：５０±５％、３００～４００ｎｍ放射照度：６０Ｗ／ｍ２、ブラックパネル温度：６３±２℃、として５００時間試験した（方法１：紫外域及び可視域で水平面全天放射の分光分布に一致させるもの（耐候性試験に用いる）、サイクルＡ：ぬれ時間１８分、乾燥時間１０２分、乾燥期間中の相対湿度４０～６０％、放射照度連続運転）。

【0033】

（赤外吸収スペクトルデータ）
学習用データ６０の赤外吸収スペクトルデータ６１は、フーリエ変換赤外分光分析装置（Ｓｐｅｃｔｒｕｍ３（ＰｅｒｋｉｎＥｌｍｅｒ製））（ＦＴＩＲ２０）を用いて、全反射（ＡＴＲ）法で促進劣化処理の前後の塗膜のスペクトルを測定した。測定したスペクトルは、ＡＴＲ補正とベースライン補正を施し、２９２９ｃｍ^-1の吸光度を１．０に規格化して、赤外吸収スペクトルデータ６１とした。赤外吸収スペクトルデータ６１は、中赤外（４００～４０００ｃｍ^-1）スペクトルを用いるものとすることができる。赤外吸収スペクトルデータの精度を高めることができるためである。

【0034】

なお、後に述べる測定データ７０の赤外吸収スペクトルデータ７１もこれと同様に測定した。学習用データ６０の赤外吸収スペクトルデータ６１は塗膜フィルムから測定され、測定データ７０の赤外吸収スペクトルデータ７１は木材表面に成膜している塗膜から測定されるが、これらは、ＡＴＲ補正とベースライン補正が施されることにより同等に比較することができる。

【0035】

（モデル生成）
学習手段３０のモデル生成部３２は、取得した学習用データ６０を用いてモデルの学習処理を実行する。モデルは、未知の塗膜の測定データ７０の赤外吸収スペクトルデータ７１に対して、機械学習のひとつであるサポートベクターマシン（ＳＶＭ）を適用し、赤外吸収スペクトルデータ７１から劣化状態（劣化処理なし、劣化処理あり）を判定する。モデルは、下記数式（１）で示される非線形のＳＶＭモデルに対して、説明変数ｘ⁽ⁱ⁾にＣＮＦ含有率６４と赤外吸収スペクトルデータ６１を入力した。

【数1】

Ｋ（ｘ⁽ⁱ⁾,ｘ^(j)）はカーネル関数で、ガウシアンカーネルを用いた。ｘ⁽ⁱ⁾は平均をゼロ、標準偏差を１として正規化した。「劣化処理なし」及び「劣化処理あり」に対応する目的変数ｙ のクラスラベルを、それぞれ１及び－１とした。ＳＶＭモデルには２つのハイパーパラメータＣ及びγが含まれるが、クロスバリデーションでこれらを最適化した。訓練フェーズでは、入力ｘ⁽ⁱ⁾とクラスラベルｙ よりａ^(j)，ｕ を求めてＳＶＭモデルを生成した。テストフェーズでは、対象試料のｘ⁽ⁱ⁾を生成したＳＶＭモデルに代入することで，評価値y を算出した。この値により，「劣化処理なし」および「劣化処理あり」のクラス判定を行った。ＳＶＭモデル作成にはＰｙｔｈｏｎ３．９を用いた。生成したＳＶＭモデルは、最適な出力を推論する学習済みモデル４１として、学習済みモデル記憶部４０に記憶した。

【0036】

学習済みモデル４１に用いた典型的な赤外吸収スペクトルデータ７１を図９に示す。主としてＣＮＦ成分が寄与する３２００－３６００ｃｍ^-1（Ｏ－Ｈ伸縮振動）および１０００－１２５０ｃｍ^-1（エーテルＣ－Ｏ伸縮振動）のバンドは、ＣＮＦ含有率が増加するにつれて増大した。マトリックスのアクリル樹脂に起因する１７００－１７５０ｃｍ^-1（エステルＣ＝Ｏ伸縮振動）のバンドはＣＮＦ含有率の増加とともに減少した。図９は、キセノン処理前後のＡＴＲ－ＦＴＩＲスペクトルの変化も示している。ＣＮＦを含む試料のスペクトルでは、キセノン処理によって、１５００－１７００ｃｍ^-1のバンドの形状が変化する様子が見られたため、ＣＮＦ成分に何らかの状態や構造の変化が生じているものと考えられる。

【0037】

訓練フェーズでは、作成した学習済みモデル４１からランダムに選んだ約２/３のデータ数を用いてＳＶＭの訓練を行った。モデルの精度は図１０に示すように混同行列で与えられる。これは学習に際して実際のクラスと推定されたクラスを区別できているかを示す。混同行列の対角成分は、訓練データとして与えた教師クラスと、学習後のクラスが一致したサンプル数であり、与えた訓練データが正しく分類された数である。図１０（ａ）のように，与えた教師データに対して，キセノン処理前後を正しく分類できた割合を示す正解率は１．０となり，与えた教師データを正しく分類できたことが示された。作成した学習済みモデル４１のうち、訓練に使用しなかった残り約１/３のデータを用いてＳＶＭモデルのテストを行った結果の混同行列を図１０（ｂ）に示す。配合が異なるすべてのモデル塗膜に対してキセノン処理前後の判定が正しく行われた。このことから、ＳＶＭモデルが高い推定性能を示すことが確認できる。

【0038】

（推論手段５０）
図３に示すように、推論手段５０は、未知の試験塗膜の測定データ７０を取得するデータ取得部５１と、試験塗膜の劣化状態を推論する推論部５２とを備える。推論手段５０は、学習済みモデル４１が記録された学習済みモデル記憶部４０と接続されている。データ取得部５１と推論部５２は、例えば、図１に示される、プロセッサ１１、メモリ１２及びインターフェース１６によって実現可能である。学習済みモデル記憶部４０は、学習手段３０の学習済みモデル記憶部４０と同じで、例えば、図１に示す記憶装置１３によって実現可能である。

【0039】

データ取得部５１は、図５に示すように、劣化の状態を診断したい試験塗膜の測定データ７０として赤外吸収スペクトルデータ７１を取得する。推論部５２は、学習手段３０で生成され学習済みモデル記憶部４０に記憶された学習済みモデル４１を利用して得られる推論結果としての劣化状態を出力する。すなわち、推論部５２は、にデータ取得部５１が取得した赤外吸収スペクトルデータ７１に基づいて、学習済みモデル４１を利用して、劣化状態を推論して出力することができる。

【0040】

次に、塗膜劣化診断装置１の動作について説明する。塗膜劣化診断装置１の動作は、機械学習処理と推論処理とから構成される。

【0041】

（機械学習処理）
図７は、実施形態に係る塗膜劣化診断装置１の機械学習処理における動作を示すフローチャートである。機械学習処理は、ステップＳ１０１～ステップＳ１０５の処理により学習済みモデル４１の生成と学習済みモデル記憶部４０への記憶とを行なう。なお、機械学習処理は、劣化状態６３とＣＮＦ含有率６４が把握されている標本塗膜から学習用データ６０を取得して行なう。

【0042】

図７、図１、図２及び図４に示すように、ステップＳ１０１は、標本塗膜から赤外線吸収スペクトルを、ＦＴＩＲ２０を用いて測定し、ＡＴＲ補正とベースライン補正を施し、２９２９ｃｍ^-1の吸光度を１．０に規格化して、赤外吸収スペクトルデータ６１として取得する。ステップＳ１０２は、塗膜データ６２の劣化状態６３とＣＮＦ含有率６４を取得する。ステップＳ１０１とステップＳ１０２によって、学習用データ６０が取得される。

【0043】

ステップＳ１０３は、学習手段３０のモデル生成部３２によって、取得された学習用データ６０からモデルの機械学習処理を実行し、ステップＳ１０４において、学習済みモデル４１を生成する。生成された学習済みモデル４１は、ステップＳ１０５において、学習済みモデル記憶部４０に記憶される。

【0044】

機械学習処理における動作は、用意された標本塗膜ごとに繰り返して行なう。

【0045】

（推論処理）
図８は、実施形態に係る塗膜劣化診断装置１の推論処理における動作を示すフローチャートである。推論処理は、ステップＳ２０１～ステップＳ２０４の処理により、試験塗膜の測定データ７０の赤外吸収スペクトルデータ７１から、学習済みモデル記憶部４０に記憶された学習済みモデル４１を利用して、推論した推論結果８０としての劣化状態８１を出力する。

【0046】

図８、図１、図３、図５及び図６に示すように、ステップＳ２０１は、劣化の状態を確認したい試験塗膜から赤外線吸収スペクトルを、ＦＴＩＲ２０を用いて測定し、測定データ７０としての赤外吸収スペクトルデータ７１を取得する。

【0047】

ステップＳ２０２は、推論手段５０の推論部５２によって、取得された赤外吸収スペクトルデータ７１から、学習済みモデル記憶部４０に記憶された学習済みモデル４１を利用して劣化状態を推論処理する。ステップＳ２０３では、推論処理された劣化状態の推論結果８０を生成し、ステップＳ２０４において、推論結果８０としての劣化状態８１を塗膜劣化診断装置１の出力部１５に出力する。劣化状態８１は、例えば、「劣化処理なし」又は「劣化処理あり」のクラス判定とすることができる。出力された劣化状態８１から試験塗膜の劣化の状態を把握することができる。

【0048】

（その他実施形態）
なお、実施形態の塗膜劣化診断装置１は、以下のような形態であってもその実施をすることができる。

【0049】

実施形態の塗膜劣化診断装置１の診断の対象とする塗膜は、アクリル樹脂塗料から形成された塗膜を例に説明したが、塗膜を形成する樹脂はアクリル樹脂に限らずウレタン樹脂やエポキシ樹脂などの様々な種類の樹脂であっても適用することができる。赤外吸収スペクトルデータ６１、７１は、樹脂の種類によって大きく異なるため、機械学習処理において、樹脂の種類を識別させることにより、様々な種類の樹脂であっても適用することができる。

【0050】

実施形態の塗膜劣化診断装置１の学習用データ６０の塗膜データ６２は、劣化状態６３とＣＮＦ含有率６４とが含まれているが、塗膜データ６２は劣化状態６３のみとすることができる。図９に示すように、赤外吸収スペクトルデータ６１、７１は、ＣＮＦ含有率６４によって大きく異なるため、機械学習処理において、ＣＮＦ含有率６４を識別させることにより、塗膜データ６２のＣＮＦ含有率６４を省略することができる。

【0051】

実施形態の塗膜劣化診断装置１の推論結果８０の劣化状態８１は、「劣化処理なし」又は「劣化処理あり」のクラス判定としたが、劣化状態８１はこれらの間を含む「劣化割合」として出力させることができる。赤外吸収スペクトルデータ６１は、機械学習処理において、「劣化処理なし」と「劣化処理あり」との間を識別させることにより、「劣化割合」として、例えば、「劣化５０％」などと出力させることができる。

【0052】

実施形態の塗膜劣化診断装置１の診断の対象とする、塗膜は木材用塗料、つまり、被塗装物は木材としたが、被塗装物は、木材に限らず、建築物の種々の部位、自動車などの車両なども対象とすることができる。測定データ７０の赤外吸収スペクトルデータ７１の測定は、全反射（ＡＴＲ）法のＦＴＩＲ２０による測定により、被塗装物を非破壊で行なうことができる。

【符号の説明】

【0053】

１ 塗膜劣化診断装置
１１ プロセッサ
１２ メモリ
１３ 記憶装置
１４ 操作装置
１５ 出力部
１６ インターフェース
２０ ＦＴＩＲ
３０ 学習手段
３１ データ取得部
３２ モデル生成部
４０ 学習済みモデル記憶部
４１ 学習済みモデル
５０ 推論手段
５１ データ取得部
５２ 推論部
６０ 学習用データ
６１ 赤外吸収スペクトルデータ
６２ 塗膜データ
６３ 劣化状態
６４ ＣＮＦ含有率
７０ 測定データ
７１ 赤外吸収スペクトルデータ
８０ 推論結果
８１ 劣化状態

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】