▶ 株式会社クボタの特許一覧 ▶ 富士重工業株式会社の特許一覧 ▶ 創屋株式会社の特許一覧
特開2024-122709歪み領域推定装置、歪み領域推定方法、機械学習装置、及び機械学習方法
(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】P2024122709
(43)【公開日】2024-09-09
(54)【発明の名称】歪み領域推定装置、歪み領域推定方法、機械学習装置、及び機械学習方法
(51)【国際特許分類】
G06F 30/27 20200101AFI20240902BHJP
【ＦＩ】
G06F30/27
【審査請求】未請求
【請求項の数】14
【出願形態】ＯＬ
(21)【出願番号】P 2023030394
(22)【出願日】2023-02-28
(71)【出願人】
【識別番号】000001052
【氏名又は名称】株式会社クボタ
(71)【出願人】
【識別番号】000005348
【氏名又は名称】株式会社ＳＵＢＡＲＵ
(71)【出願人】
【識別番号】507049533
【氏名又は名称】創屋株式会社
(74)【代理人】
【識別番号】110000338
【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ
(72)【発明者】
【氏名】藤岡 央浩
(72)【発明者】
【氏名】長 雄吉
(72)【発明者】
【氏名】榎 甲士郎
(72)【発明者】
【氏名】植松 治郎
(72)【発明者】
【氏名】松村 幸村
(72)【発明者】
【氏名】島口 嵩史
【テーマコード（参考）】
5B146
【Ｆターム（参考）】
5B146DC03
5B146EA13
5B146EA15
5B146EC08
(57)【要約】
【課題】３次元のサーフェスモデルにおいて生じ得る、錯視に起因する視覚的な歪みを検出する技術を提供すること。
【解決手段】歪み領域推定装置（１）は、３次元のサーフェスモデルに含まれ得る、錯視に起因して視覚的に歪んで見える歪み領域を推定する推定ステップを実行する制御部（プロセッサ１２）を備えている。
【選択図】図１
【解決手段】歪み領域推定装置（１）は、３次元のサーフェスモデルに含まれ得る、錯視に起因して視覚的に歪んで見える歪み領域を推定する推定ステップを実行する制御部（プロセッサ１２）を備えている。
【選択図】図１
【特許請求の範囲】
【請求項1】
３次元のサーフェスモデルに含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する推定ステップを実行する制御部を備えている、
ことを特徴とする歪み領域推定装置。
ことを特徴とする歪み領域推定装置。
【請求項2】
前記制御部は、前記推定ステップの前に前処理ステップを更に実行し、
前記推定ステップは、教師あり学習により構築された学習済モデルを用いて、前記サーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定し、
前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、
前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、
前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である、
ことを特徴とする請求項１に記載の歪み領域推定装置。
前記推定ステップは、教師あり学習により構築された学習済モデルを用いて、前記サーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定し、
前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、
前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、
前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である、
ことを特徴とする請求項１に記載の歪み領域推定装置。
【請求項3】
前記サーフェスモデルに含まれる前記線は、前記サーフェスモデルの断面プロファイルであり、
前記前処理ステップは、前記断面プロファイルにおいて前記複数の単位区間を設定し、各単位区間の前記特徴量を導出する、
ことを特徴とする請求項２に記載の歪み領域推定装置。
前記前処理ステップは、前記断面プロファイルにおいて前記複数の単位区間を設定し、各単位区間の前記特徴量を導出する、
ことを特徴とする請求項２に記載の歪み領域推定装置。
【請求項4】
前記前処理ステップは、前記サーフェスモデルの表面プロファイルから複数の前記断面プロファイルを生成する断面プロファイル生成ステップを更に含む、
ことを特徴とする請求項３に記載の歪み領域推定装置。
ことを特徴とする請求項３に記載の歪み領域推定装置。
【請求項5】
前記断面プロファイル生成ステップが生成する前記複数の前記断面プロファイルは、互いに交わる３軸により構成される斜交座標系で表される複数の断面であって、前記３軸のうち２軸により規定される平面と平行な複数の断面における断面プロファイルである、
ことを特徴とする請求項４に記載の歪み領域推定装置。
ことを特徴とする請求項４に記載の歪み領域推定装置。
【請求項6】
前記３軸の各々をｘ軸、ｙ軸、及びｚ軸として、
前記断面プロファイルは、（１）ｘｙ平面と平行であり、且つ、等間隔な複数の断面、（２）ｙｚ平面と平行であり、且つ、等間隔な複数の断面、及び（３）ｚｘ平面と平行であり、且つ、等間隔な複数の断面、における断面プロファイルである、
ことを特徴とする請求項５に記載の歪み領域推定装置。
前記断面プロファイルは、（１）ｘｙ平面と平行であり、且つ、等間隔な複数の断面、（２）ｙｚ平面と平行であり、且つ、等間隔な複数の断面、及び（３）ｚｘ平面と平行であり、且つ、等間隔な複数の断面、における断面プロファイルである、
ことを特徴とする請求項５に記載の歪み領域推定装置。
【請求項7】
前記断面プロファイルの各々は、Ｎ個（Ｎは、３以上の整数）の曲線を直列に接続することにより構成されており、
前記曲線の各々は、単一のスプライン曲線により構成されており、
前記特徴量導出ステップは、ｉ番目（ｉは、２以上Ｎ－１以下の整数）のスプライン曲線からなる第１区間と、ｉ－１番目のスプライン曲線からなる第２区間と、ｉ＋１番目のスプライン曲線からなる第３区間と、により構成される区間を前記単位区間として、各単位区間の前記特徴量を導出する、
ことを特徴とする請求項３～６の何れか１項に記載の歪み領域推定装置。
前記曲線の各々は、単一のスプライン曲線により構成されており、
前記特徴量導出ステップは、ｉ番目（ｉは、２以上Ｎ－１以下の整数）のスプライン曲線からなる第１区間と、ｉ－１番目のスプライン曲線からなる第２区間と、ｉ＋１番目のスプライン曲線からなる第３区間と、により構成される区間を前記単位区間として、各単位区間の前記特徴量を導出する、
ことを特徴とする請求項３～６の何れか１項に記載の歪み領域推定装置。
【請求項8】
前記第１区間、前記第２区間、及び前記第３区間の各々をＭ等分（Ｍは、２以上の整数）することにより得られるＭ個の擬似的な線分を、それぞれ、線分Ｌ１ｊ、線分Ｌ２ｊ、及び線分Ｌ３ｊ（ｊは、１以上Ｍ以下の整数）として、
前記特徴量導出ステップは、各単位区間の特徴量として、少なくとも、前記第１区間における隣接する線分Ｌ１ｊと線分Ｌ１ｊ＋１とのなす角の変化量の最大値と、前記第２区間における隣接する線分Ｌ２ｊと線分Ｌ２ｊ＋１とのなす角の変化量の最大値と、前記第３区間における隣接する線分Ｌ３ｊと線分Ｌ３ｊ＋１とのなす角の変化量の最大値と、を導出する、
ことを特徴とする請求項７に記載の歪み領域推定装置。
前記特徴量導出ステップは、各単位区間の特徴量として、少なくとも、前記第１区間における隣接する線分Ｌ１ｊと線分Ｌ１ｊ＋１とのなす角の変化量の最大値と、前記第２区間における隣接する線分Ｌ２ｊと線分Ｌ２ｊ＋１とのなす角の変化量の最大値と、前記第３区間における隣接する線分Ｌ３ｊと線分Ｌ３ｊ＋１とのなす角の変化量の最大値と、を導出する、
ことを特徴とする請求項７に記載の歪み領域推定装置。
【請求項9】
３次元のサーフェスモデルに含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する推定ステップを含んでいる、
ことを特徴とする歪み領域推定方法。
ことを特徴とする歪み領域推定方法。
【請求項10】
前記推定ステップの前に実行される前処理ステップを更に含み、
前記推定ステップは、教師あり学習により構築された学習済モデルを用いて、前記サーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定し、
前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、
前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、
前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である、
ことを特徴とする請求項９に記載の歪み領域推定方法。
前記推定ステップは、教師あり学習により構築された学習済モデルを用いて、前記サーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定し、
前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、
前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、
前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である、
ことを特徴とする請求項９に記載の歪み領域推定方法。
【請求項11】
前記サーフェスモデルに含まれる前記線は、前記サーフェスモデルの断面プロファイルであり、
前記前処理ステップは、前記断面プロファイルにおいて前記複数の単位区間を設定し、各単位区間の前記特徴量を導出する、
ことを特徴とする請求項１０に記載の歪み領域推定方法。
前記前処理ステップは、前記断面プロファイルにおいて前記複数の単位区間を設定し、各単位区間の前記特徴量を導出する、
ことを特徴とする請求項１０に記載の歪み領域推定方法。
【請求項12】
前記前処理ステップは、前記サーフェスモデルの表面プロファイルから複数の前記断面プロファイルを生成する断面プロファイル生成ステップを更に含む、
ことを特徴とする請求項１１に記載の歪み領域推定方法。
ことを特徴とする請求項１１に記載の歪み領域推定方法。
【請求項13】
前処理ステップと、学習用データセットを用いた教師あり学習によって、３次元のサーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する学習済モデルを構築する構築ステップと、を実行する制御部を備えており、
前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、
前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、
前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である、
ことを特徴とする機械学習装置。
前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、
前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、
前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である、
ことを特徴とする機械学習装置。
【請求項14】
前処理ステップと、学習用データセットを用いた教師あり学習によって、３次元のサーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する学習済モデルを構築する構築ステップと、を含んでおり、
前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、
前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、
前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である、
ことを特徴とする機械学習方法。
前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、
前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、
前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である、
ことを特徴とする機械学習方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、３次元のサーフェスモデルにおける歪み領域を推定する歪み領域推定装置及び歪み領域推定方法に関する。また、本発明は、このような歪み領域を推定する学習済モデルを構築する機械学習装置及び機械学習方法に関する。
【背景技術】
【0002】
乗用車及び作業車に代表される車両の部品（内装部品及び外装部品を含む）の設計には、３次元ＣＡＤ（Computer Aided Design）が広く用いられている（例えば、特許文献１参照）。各部品は、３次元ＣＡＤを用いて外観である意匠と、外からは目視できない内部の構造と、を設計される。３次元ＣＡＤは、設計された各部品の３次元モデルを表すデータを生成するとともに、その３次元モデルを可視化する。また、各部品の製造工程では、３次元モデルのデータに基づいて各部品を製造することができる。
【0003】
なお、以下においては、３次元モデルのうち、外観を構成する面を表すモデルのことをサーフェスモデルと呼ぶ。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開平９－３２６０４６号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
上述したように、３次元ＣＡＤを用いて設計した部品の３次元モデルに基づき当該部品を設計した場合に、設計時の意図とは異なり、外観を構成する面の一部が不自然に歪んで見える場合がある。このような歪みは、その一部が錯視に起因して視覚的に歪んで見えることが原因であると考えられる。
【0006】
部品におけるこのような歪みを解消するためには、３次元ＣＡＤ上におけるサーフェスモデルの目視による確認が欠かせない。部品の製造後に確認される歪みは、サーフェスモデルにおいても程度の大小はあるものの生じているためである。
【0007】
サーフェスモデルの目視による確認は、人手に頼らざるを得ないため手間がかかる。また、目視により発見できる歪みの程度は、目視により確認する作業者の熟練度に依存してばらつきやすい。このように、サーフェスモデルの目視による確認は、部品延いては製品のコストアップ及び美観低下の原因になりやすい。
【0008】
本発明の一態様は、上述した課題に鑑みなされたものであり、その目的は、３次元のサーフェスモデルにおいて生じ得る歪みであって、錯視に起因する視覚的な歪みを検出する技術を提供することである。
【課題を解決するための手段】
【0009】
上記の課題を解決するために、本発明の第１の態様に係る歪み領域推定装置は、３次元のサーフェスモデルに含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する推定ステップを実行する制御部を備えている。
【0010】
上記の課題を解決するために、本発明の第９の態様に係る歪み領域推定方法は、３次元のサーフェスモデルに含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する推定ステップを含んでいる。
【0011】
上記の課題を解決するために、本発明の第１３の態様に係る機械学習装置は、前処理ステップと、学習用データセットを用いた教師あり学習によって、３次元のサーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する学習済モデルを構築する構築ステップと、を実行する制御部を備えており、前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である。
【0012】
上記の課題を解決するために、本発明の第１４の態様に係る機械学習方法は、前処理ステップと、学習用データセットを用いた教師あり学習によって、３次元のサーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する学習済モデルを構築する構築ステップと、を含んでおり、前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である。
【0013】
本発明の各態様に係る歪み領域推定装置は、コンピュータによって実現してもよい。この場合には、コンピュータを前記歪み領域推定装置が備える各部（ソフトウェア要素）として動作させることにより前記歪み領域推定装置をコンピュータにて実現させる歪み領域推定装置の歪み領域推定プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。
【0014】
また、本発明の各態様に係る機械学習装置は、コンピュータによって実現してもよい。この場合には、コンピュータを前記機械学習装置が備える各部（ソフトウェア要素）として動作させることにより前記機械学習装置をコンピュータにて実現させる機械学習装置の歪み機械学習プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。
【発明の効果】
【0015】
本発明の一態様によれば、３次元のサーフェスモデルにおいて生じ得る歪みであって、錯視に起因する視覚的な歪みを検出する技術を提供することができる。
【図面の簡単な説明】
【0016】
【図1】本発明の一実施形態に係る歪み領域推定システムの構成を示すブロック図である。
【図10】上段は、推定ステップの一変形例において得られたＰＣＡ特徴量を２次元平面上にプロットした散布図である。下段は、上段の散布図の一部を拡大した散布図である。
【発明を実施するための形態】
【0017】
【0018】
歪み領域推定システムＳは、３次元のサーフェスモデルにおいて生じ得る歪みであって、錯視に起因する視覚的な歪みの有無を推定するためのシステムである。歪み領域推定システムＳは、図１に示すように、歪み領域推定装置１と、３次元ＣＡＤ（Computer Aided Design）２と、機械学習装置３（図９参照）を備えている。
【0019】
歪み領域推定装置１を含む歪み領域推定システムＳは、乗用車及び作業車に代表される車両の部品（内装部品及び外装部品を含む）の設計段階において、部品の３次元のサーフェスモデルにおいて生じ得る歪みであって、錯視に起因する視覚的な歪みを検出することを目的としている。車両の例としては、乗用車及び作業車以外に、建設機械や農業機械なども挙げられる。また、車両は、ユーザが運転することによって運行される車両であってもよいし、自動運転によって運行される車両であってもよい。本実施形態では、部品の一例として乗用車の外装部品を用いて歪み領域推定システムＳ及び歪み領域推定装置１について説明する。
【0020】
部品は、３次元ＣＡＤ２を用いて設計される。すなわち、３次元ＣＡＤ２は、部品の３次元のサーフェスモデルを生成し、このサーフェスモデルを表すデータを３次元ＣＡＤ２が備えているストレージ、又は、３次元ＣＡＤ２の外部に設けられているストレージに格納する。本実施形態では、３次元ＣＡＤ２のストレージにサーフェスモデルを表すデータが格納されているものとして説明する。なお、サーフェスモデルは、３次元モデルの一態様であり、厚みが定義されない面を用いて部品の外観（意匠）を表現するモデルである。
【0021】
歪み領域推定装置１は、３次元のサーフェスモデルに含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する推定ステップを実行する制御部（後述するプロセッサ１２）を備えている。この推定ステップは、教師あり学習により構築された学習済モデルを用いて、前記サーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定するように構成されていてもよいし、教師なし学習により構築された学習済モデルを用いて、歪み領域を推定するように構成されていてもよいし、プログラムに沿って実行される所定のアルゴリズム（例えば主成分分析（ＰＣＡ）のアルゴリズム）を用いて歪み領域を推定するように構成されていてもよい。
【0022】
＜歪み領域推定装置の概要＞
本実施形態の歪み領域推定装置１は、歪み領域推定方法Ｍ１を実行するための装置である。歪み領域推定方法Ｍ１は、３次元ＣＡＤ２から提供されたサーフェスモデルを表すデータに基づき、機械学習により構築された学習済モデルＬＭを用いて、前記サーフェスモデルに含まれる線に含まれ得る歪み領域を推定する方法である。ここで、歪み領域とは、錯視に起因して視覚的に歪んで見える領域を意味する。また、本実施形態では、サーフェスモデルに含まれる線として、サーフェスモデルの断面プロファイルを用いる。ただし、サーフェスモデルに含まれる線は、断面プロファイルに限定されるものではなく、例えば、サーフェスモデルを構成する面における構成線であってもよい。この構成線は、サーフェスモデルを構成する面における境界線又は稜線と言い替えることもできる。
本実施形態の歪み領域推定装置１は、歪み領域推定方法Ｍ１を実行するための装置である。歪み領域推定方法Ｍ１は、３次元ＣＡＤ２から提供されたサーフェスモデルを表すデータに基づき、機械学習により構築された学習済モデルＬＭを用いて、前記サーフェスモデルに含まれる線に含まれ得る歪み領域を推定する方法である。ここで、歪み領域とは、錯視に起因して視覚的に歪んで見える領域を意味する。また、本実施形態では、サーフェスモデルに含まれる線として、サーフェスモデルの断面プロファイルを用いる。ただし、サーフェスモデルに含まれる線は、断面プロファイルに限定されるものではなく、例えば、サーフェスモデルを構成する面における構成線であってもよい。この構成線は、サーフェスモデルを構成する面における境界線又は稜線と言い替えることもできる。
【0023】
学習済モデルＬＭのアルゴリズム、歪み領域推定装置１の構成、及び、歪み領域推定方法Ｍ１の流れの詳細については、後述する。
【0024】
学習済モデルＬＭの入力は、サーフェスモデルの断面プロファイルにおいて設定された複数の単位区間の各々について導出された特徴量である。この特徴量は、各単位区間の形状の特徴を示すように適宜選択することができる。
【0025】
学習済モデルＬＭの出力は、上述した断面プロファイルの各単位区間について歪み領域を含んでいるか否かの推定結果である。例えば、ある単位区間について、歪み領域を含んでいると判断した場合、学習済モデルＬＭは、「１」を出力し、歪み領域を含んでいないと判断した場合、学習済モデルＬＭは、「０」を出力する。
【0026】
学習済モデルＬＭの入力である特徴量と、学習済モデルＬＭの出力である歪み領域を含んでいるか否かの推定結果との間には、関係式として明示的に特定することは困難であるものの、一定の関係があることを本願の発明者らは見出した。したがって、特徴量を入力とする学習済モデルＬＭを用いれば、断面プロファイルの各単位区間が歪み領域を含んでいるか否かを精度良く推定することができる。
【0027】
＜機械学習装置の概要＞
機械学習装置３は、機械学習方法Ｍ３を実行するための装置である。機械学習方法Ｍ３は、３次元ＣＡＤ２から提供されたサーフェスモデルを表すデータを用いて学習用データセットＤＳを作成すると共に、学習用データデータセットＤＳを用いた機械学習によって学習済モデルＬＭを構築するための方法である。機械学習装置３の構成及び機械学習方法Ｍ３の流れの詳細については、後述する。
機械学習装置３は、機械学習方法Ｍ３を実行するための装置である。機械学習方法Ｍ３は、３次元ＣＡＤ２から提供されたサーフェスモデルを表すデータを用いて学習用データセットＤＳを作成すると共に、学習用データデータセットＤＳを用いた機械学習によって学習済モデルＬＭを構築するための方法である。機械学習装置３の構成及び機械学習方法Ｍ３の流れの詳細については、後述する。
【0028】
歪み領域推定システムＳは、準備フェーズと試用フェーズとを経て実用フェーズに至る。準備フェーズ、試用フェーズ、及び実用フェーズについて、その内容を簡単に説明すれば、以下のとおりである。
【0029】
（１）準備フェーズ
準備フェーズにおいては、サーフェスモデルに歪み領域が含まれているか否かの判定を作業者が行う。作業者によるサーフェスモデルに歪み領域が含まれているか否かの判定が行われる度に、機械学習装置３は、３次元ＣＡＤ２から提供されたサーフェスモデルを表すデータから学習用データ（教師データ）を作成し、作成した学習用データを学習用データセットＤＳに追加する。準備フェーズは、準備フェーズの開始から所定の期間（例えば、１週間、１ヶ月、又は１年など）が経過した時点で終了してもよいし、準備フェーズにおける歪み領域の推定回数が所定の回数（例えば、１００回、１０００回、又は１００００回など）に達した時点で終了してもよい。準備フェーズが終了すると、機械学習装置３は、学習用データＤＳを用いた機械学習によって学習済モデルＬＭを構築する。構築された学習済モデルＬＭは、機械学習装置３から歪み領域推定装置１に転送される。
準備フェーズにおいては、サーフェスモデルに歪み領域が含まれているか否かの判定を作業者が行う。作業者によるサーフェスモデルに歪み領域が含まれているか否かの判定が行われる度に、機械学習装置３は、３次元ＣＡＤ２から提供されたサーフェスモデルを表すデータから学習用データ（教師データ）を作成し、作成した学習用データを学習用データセットＤＳに追加する。準備フェーズは、準備フェーズの開始から所定の期間（例えば、１週間、１ヶ月、又は１年など）が経過した時点で終了してもよいし、準備フェーズにおける歪み領域の推定回数が所定の回数（例えば、１００回、１０００回、又は１００００回など）に達した時点で終了してもよい。準備フェーズが終了すると、機械学習装置３は、学習用データＤＳを用いた機械学習によって学習済モデルＬＭを構築する。構築された学習済モデルＬＭは、機械学習装置３から歪み領域推定装置１に転送される。
【0030】
（２）試用フェーズ
試用フェーズにおいては、サーフェスモデルに歪み領域が含まれているか否かの判定を作業者が行うと共に、サーフェスモデルに含まれる線に歪み領域が含まれているか否かを歪み領域推定装置１が推定する。作業者によるサーフェスモデルに歪み領域が含まれているか否かの判定の測定が行われる度に、歪み領域推定装置１は、３次元ＣＡＤ２から提供されたサーフェスモデルを表すデータに基づき、学習済モデルＬＭを用いてサーフェスモデルに歪み領域が含まれているか否かを推定する。試用フェーズは、試用フェーズの開始から所定の期間（例えば、１週間、１ヶ月、又は１年など）が経過した時点で終了してもよいし、試用フェーズにおけるサーフェスモデルに歪み領域が含まれているか否かの推定回数が所定の回数（例えば、１００回、１０００回、又は１００００回など）に達した時点で終了してもよい。試用フェーズが終了すると、作業者は、自身が行った判定結果と、歪み領域推定装置１が推定した歪み領域が含まれているか否かの推定結果とを比較し、歪み領域推定装置１の推定精度を評価する。推定精度が不十分である場合には、準備フェーズに戻る。推定精度が十分である場合には、実用フェーズに進む。なお、推定精度の確認は、準備フェーズが終了した段階で、学習用データセットＤＳの一部を利用して行ってもよい。この場合、試用フェーズを省略することができる。
試用フェーズにおいては、サーフェスモデルに歪み領域が含まれているか否かの判定を作業者が行うと共に、サーフェスモデルに含まれる線に歪み領域が含まれているか否かを歪み領域推定装置１が推定する。作業者によるサーフェスモデルに歪み領域が含まれているか否かの判定の測定が行われる度に、歪み領域推定装置１は、３次元ＣＡＤ２から提供されたサーフェスモデルを表すデータに基づき、学習済モデルＬＭを用いてサーフェスモデルに歪み領域が含まれているか否かを推定する。試用フェーズは、試用フェーズの開始から所定の期間（例えば、１週間、１ヶ月、又は１年など）が経過した時点で終了してもよいし、試用フェーズにおけるサーフェスモデルに歪み領域が含まれているか否かの推定回数が所定の回数（例えば、１００回、１０００回、又は１００００回など）に達した時点で終了してもよい。試用フェーズが終了すると、作業者は、自身が行った判定結果と、歪み領域推定装置１が推定した歪み領域が含まれているか否かの推定結果とを比較し、歪み領域推定装置１の推定精度を評価する。推定精度が不十分である場合には、準備フェーズに戻る。推定精度が十分である場合には、実用フェーズに進む。なお、推定精度の確認は、準備フェーズが終了した段階で、学習用データセットＤＳの一部を利用して行ってもよい。この場合、試用フェーズを省略することができる。
【0031】
（３）実用フェーズ
実用フェーズにおいては、歪み領域推定装置１がサーフェスモデルに歪み領域が含まれているか否かの推定を行う。実用フェーズにおいて歪み領域推定装置１が用いる学習済モデルＬＭは、試用フェーズにおいて十分な推定精度を有することを確かめられたものである。実用フェーズにおいては、作業者によるサーフェスモデルに歪み領域が含まれているか否かの判定を省略することができる。このため、サーフェスモデルに歪み領域が含まれているか否かの判定の手間から作業者を解放すると共に、精度良くサーフェスモデルに歪み領域が含まれているか否かの推定を行うことが可能になる。
実用フェーズにおいては、歪み領域推定装置１がサーフェスモデルに歪み領域が含まれているか否かの推定を行う。実用フェーズにおいて歪み領域推定装置１が用いる学習済モデルＬＭは、試用フェーズにおいて十分な推定精度を有することを確かめられたものである。実用フェーズにおいては、作業者によるサーフェスモデルに歪み領域が含まれているか否かの判定を省略することができる。このため、サーフェスモデルに歪み領域が含まれているか否かの判定の手間から作業者を解放すると共に、精度良くサーフェスモデルに歪み領域が含まれているか否かの推定を行うことが可能になる。
【0032】
【0033】
歪み領域推定装置１は、図１に示すように、メモリ１１と、プロセッサ１２と、ストレージ１３と、を備えている。メモリ１１、プロセッサ１２、及びストレージ１３は、不図示のバスを介して互いに接続されている。このバスには、更に、不図示の入出力インタフェース、及び、不図示の通信インタフェースが接続されていてもよい。この入出力インタフェースは、例えば、３次元ＣＡＤ２から歪み領域推定装置１にサーフェスモデルを表すデータを入力するため、或いは、歪み領域推定装置１から外部装置（例えば、３次元ＣＡＤ２）に判定結果を出力するために利用される。また、この通信インタフェースは、例えば、外部装置（例えば、機械学習装置３）から学習済モデルＬＭを取得するために利用される。
【0034】
メモリ１１は、機械学習により構築された学習済モデルＬＭを記憶するための構成である。学習済モデルＬＭは、後述する前処理ステップにより導出される特徴量であって、サーフェスモデルに含まれる線（本実施形態では、サーフェスモデルの断面プロファイル）の各単位区間の特徴量を入力とし、各単位区間について歪み領域を含んでいるか否かの推定結果を出力とするアルゴリズムである。なお、メモリ１１としては、例えば、半導体ＲＡＭ（Random Access Memory）等を用いることができる。また、学習済モデルＬＭの機械学習アルゴリズムとしては、勾配ブースティングを好適に用いることができる。また、ベイジアンガウス混合モデルや、サポートベクターマシンなどのアルゴリズムを学習済モデルＬＭの機械学習アルゴリズムとして用いることができる。以下においては、機械学習アルゴリズムのことを単にアルゴリズムとも称する。
【0035】
プロセッサ１２は、メモリ１１に記憶された学習済モデルＬＭを用いて、後述する歪み領域推定方法Ｍ１を実行するための構成である。プロセッサ１２としては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、マイクロプロセッサ、デジタルシグナルプロセッサ、マイクロコントローラ、ＴＰＵ（Tensor Processing Unit）等のＡＳＩＣ（Application Specific Integrated Circuit）又は、これらの組み合わせ等を用いることができる。プロセッサ１２は、本願発明の一態様における制御部として機能し、「演算装置」と呼ばれることもある。
【0036】
ストレージ１３は、学習済モデルＬＭを格納（不揮発保存）するための構成である。プロセッサ１２は、各単位区間について歪み領域を含んでいるか否かの推定を行う際にストレージ１３に格納された学習済モデルＬＭをメモリ１１上に展開して利用する。なお、ストレージ１３としては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又は、これらの組み合わせ等を用いることができる。
【0037】
なお、本実施形態においては、単一のプロセッサ（プロセッサ１２）を用いて歪み領域推定方法Ｍ１を実行する構成を採用しているが、本発明は、これに限定されない。すなわち、複数のプロセッサを用いて歪み領域推定方法Ｍ１を実行する構成を採用してもよい。例えば、前処理ステップＳ１１（後述）を第１のプロセッサにおいて実行し、推定ステップＳ１２（後述）を第２のプロセッサにおいて実行してもよい。この場合、連携して歪み領域推定方法Ｍ１を実行する複数のプロセッサは、単一のコンピュータに設けられ、バスを介して相互に通信可能に構成されていてもよいし、複数のコンピュータに分散して設けられ、ネットワークを介して相互に通信可能に構成されていてもよい。一例として、クラウドサーバを構成するコンピュータに内蔵されたプロセッサと、そのクラウドサーバの利用者が所有するコンピュータに内蔵されたプロセッサとが、連携して歪み領域推定方法Ｍ１を実行する態様などが考えられる。
【0038】
また、本実施形態においては、歪み領域推定方法Ｍ１を実行するプロセッサ（プロセッサ１２）と同じコンピュータに内蔵されたメモリ１１に学習済モデルＬＭを格納する構成を採用しているが、本発明は、これに限定されない。すなわち、歪み領域推定方法Ｍ１を実行するプロセッサと異なるコンピュータに内蔵されたメモリに学習済モデルＬＭを格納する構成を採用してもよい。この場合、学習済モデルＬＭを格納するメモリが内蔵されたコンピュータは、歪み領域推定方法Ｍ１を実行するプロセッサが内蔵されたコンピュータとネットワークを介して相互に通信可能に構成される。一例として、クラウドサーバを構成するコンピュータに内蔵されたメモリに学習済モデルＬＭを格納し、そのクラウドサーバの利用者が所有するコンピュータに内蔵されたプロセッサが歪み領域推定方法Ｍ１を実行する態様などが考えられる。
【0039】
また、本実施形態においては、単一のメモリ１１に学習済モデルＬＭを格納する構成を採用しているが、本発明は、これに限定されない。すなわち、複数のメモリに学習済モデルＬＭを分散して格納する構成を採用してもよい。この場合、学習済モデルＬＭを格納する複数のメモリは、単一のコンピュータ（歪み領域推定方法Ｍ１を実行するプロセッサが内蔵されたコンピュータであってもよいし、そうでなくてもよい）に設けられていてもよいし、複数のコンピュータ（歪み領域推定方法Ｍ１を実行するプロセッサが内蔵されたコンピュータを含んでいてもよいし、そうでなくてもよい）に分散して設けられていてもよい。一例として、クラウドサーバを構成する複数のコンピュータの各々に内蔵されたメモリに学習済モデルＬＭを分散して格納する構成などが考えられる。
【0040】
＜歪み領域推定方法の流れ＞
歪み領域推定方法Ｍ１の流れについて、図２～図８を参照して説明する。図２は、歪み領域推定方法Ｍ１の流れを示すフローチャートである。図３は、歪み領域推定方法Ｍ１に含まれる前処理ステップＳ１１の流れを示すフローチャートである。図４は、歪み領域推定装置１により歪みの有無を推定される部品のサーフェスモデルＳＭの斜視図である。図５は、サーフェスモデルＳＭの一部を拡大した斜視図である。図６は、サーフェスモデルＳＭの断面プロファイルの一例である。図７は、サーフェスモデルＳＭの一部を拡大した斜視図であり、歪み領域推定方法Ｍ１に含まれる特徴量導出ステップＳ１１２の過程において定められる点を図示する斜視図である。図８は、特徴量導出ステップＳ１１２において導出される特徴量の一例を説明するための模式図である。なお、図４、図５、及び図７に図示されているように、本実施形態では、サーフェスモデルＳＭを取り扱う空間においてｘ軸、ｙ軸、及びｚ軸により規定される直交座標系を用いている。ただし、歪み領域推定方法Ｍ１及び後述する機械学習方法Ｍ３において用いる座標系は、直交座標系に限定されない。機械学習方法Ｍ３において用いる座標系は、例えば、斜交座標系であってもよいし、極座標系であってもよいし、一般座標系であってもよい。なお、一般座標系の例としては、円筒座標系が挙げられる。
歪み領域推定方法Ｍ１の流れについて、図２～図８を参照して説明する。図２は、歪み領域推定方法Ｍ１の流れを示すフローチャートである。図３は、歪み領域推定方法Ｍ１に含まれる前処理ステップＳ１１の流れを示すフローチャートである。図４は、歪み領域推定装置１により歪みの有無を推定される部品のサーフェスモデルＳＭの斜視図である。図５は、サーフェスモデルＳＭの一部を拡大した斜視図である。図６は、サーフェスモデルＳＭの断面プロファイルの一例である。図７は、サーフェスモデルＳＭの一部を拡大した斜視図であり、歪み領域推定方法Ｍ１に含まれる特徴量導出ステップＳ１１２の過程において定められる点を図示する斜視図である。図８は、特徴量導出ステップＳ１１２において導出される特徴量の一例を説明するための模式図である。なお、図４、図５、及び図７に図示されているように、本実施形態では、サーフェスモデルＳＭを取り扱う空間においてｘ軸、ｙ軸、及びｚ軸により規定される直交座標系を用いている。ただし、歪み領域推定方法Ｍ１及び後述する機械学習方法Ｍ３において用いる座標系は、直交座標系に限定されない。機械学習方法Ｍ３において用いる座標系は、例えば、斜交座標系であってもよいし、極座標系であってもよいし、一般座標系であってもよい。なお、一般座標系の例としては、円筒座標系が挙げられる。
【0041】
歪み領域推定方法Ｍ１は、前処理ステップＳ１１と、推定ステップＳ１２と、を含んでいる。
【0042】
（前処理ステップ）
前処理ステップＳ１１は、プロセッサ１２が、学習済モデルＬＭに入力するサーフェスモデルの断面プロファイルの各単位区間における特徴量を導出するステップである。前処理ステップＳ１１は、図３に示すように、断面プロファイル生成ステップＳ１１１と、特徴量導出ステップＳ１１２と、を含んでいる。
前処理ステップＳ１１は、プロセッサ１２が、学習済モデルＬＭに入力するサーフェスモデルの断面プロファイルの各単位区間における特徴量を導出するステップである。前処理ステップＳ１１は、図３に示すように、断面プロファイル生成ステップＳ１１１と、特徴量導出ステップＳ１１２と、を含んでいる。
【0043】
断面プロファイル生成ステップＳ１１１は、サーフェスモデルＳＭの表面プロファイルから複数の断面プロファイルを生成するステップである。
断面プロファイル生成ステップＳ１１１が生成する複数の断面プロファイルは、互いに交わる３軸により構成される斜交座標系で表される複数の断面であって、前記３軸のうち２軸により規定される平面と平行な複数の断面における断面プロファイルである、ことが好ましい。また、隣接する断面プロファイル同士の間隔は、等間隔であることがより好ましい。
断面プロファイル生成ステップＳ１１１が生成する複数の断面プロファイルは、互いに交わる３軸により構成される斜交座標系で表される複数の断面であって、前記３軸のうち２軸により規定される平面と平行な複数の断面における断面プロファイルである、ことが好ましい。また、隣接する断面プロファイル同士の間隔は、等間隔であることがより好ましい。
【0044】
上述したように、本実施形態では、互いに直交するｘ軸、ｙ軸、及びｚ軸を３軸とする直交座標系を用いている。そのうえで、複数の断面プロファイルとして、（１）ｘｙ平面と平行であり、且つ、等間隔な複数の断面Ｃｘｙ、（２）ｙｚ平面と平行であり、且つ、等間隔な複数の断面Ｃｙｚ、及び（３）ｚｘ平面と平行であり、且つ、等間隔な複数の断面Ｃｚｘ、における断面プロファイルを用いている（図４及び図５参照）。また、隣接する断面Ｃｙｚ同士の間隔ｄｙｚを２０ｍｍに設定している（図５参照）。隣接する断面Ｃｘｙ同士の間隔、及び、隣接する断面Ｃｚｘ同士の間隔も、断面Ｃｙｚと同様に２０ｍｍに設定している。ただし、これらの間隔は、想定される歪み領域のサイズなどに応じて、適宜定めることができる。
【0045】
なお、部品の形状から、断面Ｃｘｙ，Ｃｙｚ，Ｃｚｘのうち歪み領域を推定しやすい断面がどの断面であるかが既知である場合などは、断面Ｃｘｙ，Ｃｙｚ，Ｃｚｘのうち何れかの断面を選択し、その断面における断面プロファイルのみを用いることもできる。ただし、断面Ｃｘｙ，Ｃｙｚ，Ｃｚｘの全ての断面プロファイルを用いることによって、各部品における座標軸の向きを気にする必要がなくなるし、歪み領域の見逃しを削減することができる。
【0046】
特徴量導出ステップＳ１１２は、サーフェスモデルＳＭに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出するステップである。本実施形態では、サーフェスモデルＳＭに含まれる線として、図４及び図５に示す断面Ｃｘｙ，Ｃｙｚ，Ｃｚｘの各々における断面プロファイルを採用している。図６には、断面Ｃｙｚにおける断面プロファイルの一例を示している。図６に示す断面プロファイルを例にすれば、特徴量導出ステップＳ１１２は、断面Ｃｙｚにおける断面プロファイルにおいて、複数の単位区間Ｓｅｉ（ｉは、３≦ｉ≦Ｎの整数、ここでＮは、正の整数）を設定し、各単位区間Ｓｅｉの特徴量を導出する。
より具体的には、サーフェスモデルＳＭの断面プロファイルは、各々が単一のスプライン曲線により構成されたＮ本の曲線を直列に接続することによって構成されている。特徴量導出ステップＳ１１２は、ｉ番目（ｉは、２以上Ｎ－１以下の整数）のスプライン曲線からなる第１区間と、ｉ－１番目のスプライン曲線からなる第２区間と、ｉ＋１番目のスプライン曲線からなる第３区間と、により構成される区間を前記単位区間として、各単位区間の前記特徴量を導出する。例えば、図６及び図７に示す単位区間Ｓｅｉ＋１を第１区間とする場合、第２区間は単位区間Ｓｅｉであり、第３区間は単位区間Ｓｅｉ＋２である。
なお、本実施形態においては、第１区間を中央として、その前後に位置する第２区間及び第３区間を両端として、後述する２０個の特徴量を導出する。以下においては、第１区間を中央として、その前後に位置する第２区間及び第３区間を両端とする３区間を用いて導出された２０個の特徴量を、第１区間の特徴量と称する。
より具体的には、サーフェスモデルＳＭの断面プロファイルは、各々が単一のスプライン曲線により構成されたＮ本の曲線を直列に接続することによって構成されている。特徴量導出ステップＳ１１２は、ｉ番目（ｉは、２以上Ｎ－１以下の整数）のスプライン曲線からなる第１区間と、ｉ－１番目のスプライン曲線からなる第２区間と、ｉ＋１番目のスプライン曲線からなる第３区間と、により構成される区間を前記単位区間として、各単位区間の前記特徴量を導出する。例えば、図６及び図７に示す単位区間Ｓｅｉ＋１を第１区間とする場合、第２区間は単位区間Ｓｅｉであり、第３区間は単位区間Ｓｅｉ＋２である。
なお、本実施形態においては、第１区間を中央として、その前後に位置する第２区間及び第３区間を両端として、後述する２０個の特徴量を導出する。以下においては、第１区間を中央として、その前後に位置する第２区間及び第３区間を両端とする３区間を用いて導出された２０個の特徴量を、第１区間の特徴量と称する。
【0047】
次に、特徴量導出ステップＳ１１２は、第１区間（例えば単位区間Ｓｅｉ＋１）、前記第２区間（例えば単位区間Ｓｅｉ）、及び前記第３区間（例えば単位区間Ｓｅｉ＋２）の各々をＭ等分（Ｍは、２以上の整数）することにより得られるＭ個の擬似的な線分を、それぞれ、線分Ｌ１ｊ、線分Ｌ２ｊ、及び線分Ｌ３ｊ（ｊは、１以上Ｍ以下の整数）とする。図６に示す断面プロファイルでは、各単位区間Ｓｅｉ＋１の始点及び終点の各々を点Ｐｉ及び点Ｐｉ＋１としている。そのうえで、線分ＰｉＰｉ＋１を６等分することにより得られる５つの点を点Ｐｉｊとしている（図７参照）。したがって、第１区間である単位区間Ｓｅｉ＋１の線分ＰｉＰｉｊが線分Ｌ１ｊに対応する。同様に、第２区間である単位区間Ｓｅｉの線分ＰｉＰｉｊが線分Ｌ２ｊに対応し、第３区間である単位区間Ｓｅｉ＋２の線分ＰｉＰｉｊが線分Ｌ３ｊに対応する。なお、図７に示す断面プロファイルでは、上述したようにＭ＝６を採用している。ただし、Ｍは、Ｍ＝６に限定されず、サーフェスモデルＳＭの大きさやデザインなどに応じて適宜選択することができる。Ｍの定型的な例としては、Ｍ＝５０が挙げられるが、Ｍは、１０程度であってもよいし、１００程度であってもよい。
【0048】
なお、本実施形態では、ｙｚ平面に平行な断面Ｃｙｚにおける断面プロファイルにおいて、ｉを用いて一般化した単位区間Ｓｅｉ＋１を第１区間とする場合を例にして２０個の特徴量の導出の仕方について説明する。ただし、実際の特徴量導出ステップＳ１１２では、当該断面プロファイルにおいて各単位区間Ｓｅｉ（ｉは２以上Ｎ－１以下の整数）を第１区間とする場合について２０個の特徴量を繰り返し導出する。また、断面Ｃｙｚにおける断面プロファイルの場合と同様に、断面Ｃｘｙ，Ｃｚｘの各々における断面プロファイルの各単位区間についても２０個の特徴量を繰り返し導出する。
【0049】
特徴量導出ステップＳ１１２は、各単位区間の特徴量として、少なくとも、第１区間における隣接する線分Ｌ１ｊと線分Ｌ１ｊ＋１とのなす角の変化量の最大値と、第２区間における隣接する線分Ｌ２ｊと線分Ｌ２ｊ＋１とのなす角の変化量の最大値と、第３区間における隣接する線分Ｌ３ｊと線分Ｌ３ｊ＋１とのなす角の変化量の最大値と、を導出する。
そのうえで、特徴量導出ステップＳ１１２では、第１区間における隣接する線分Ｌ１ｊと線分Ｌ１ｊ＋１とのなす角の変化量の最大値を第１の特徴量とする。また、特徴量導出ステップＳ１１２では、第２区間における隣接する線分Ｌ２ｊと線分Ｌ２ｊ＋１とのなす角の変化量の最大値と、第３区間における隣接する線分Ｌ３ｊと線分Ｌ３ｊ＋１とのなす角の変化量の最大値とを比較し、小さい方を第２の特徴量とし、大きい方を第３の特徴量とする。
そのうえで、特徴量導出ステップＳ１１２では、第１区間における隣接する線分Ｌ１ｊと線分Ｌ１ｊ＋１とのなす角の変化量の最大値を第１の特徴量とする。また、特徴量導出ステップＳ１１２では、第２区間における隣接する線分Ｌ２ｊと線分Ｌ２ｊ＋１とのなす角の変化量の最大値と、第３区間における隣接する線分Ｌ３ｊと線分Ｌ３ｊ＋１とのなす角の変化量の最大値とを比較し、小さい方を第２の特徴量とし、大きい方を第３の特徴量とする。
【0050】
ここで、第２区間である単位区間Ｓｅｉにおける線分Ｌｉｊ（線分ＰｉＰｉｊ）と線分Ｌｉｊ＋１（線分ＰｉＰｉｊ＋１）とのなす角θｉｊとしては、鋭角と鈍角とが考えられるが、本実施形態では、鋭角の角度を角θｉｊとして採用する。図８では、角θｉ１～角θｉ４を図示している。角θｉｊの変化量とは、単位区間Ｓｅｉの長さを６等分することで得られる長さＬｉで角θｉｊを割ることによって得られる。
【0051】
また、第１区間における角度の変化量の最大値、第２区間における角度の変化量の最大値、及び、第３区間における角度の変化量の最大値の大小関係を、０，－１，１の何れかの値で表現したものを第４の特徴量とする。第１区間における角度の変化量の最大値の絶対値が小さく、第２区間及び第３区間における角度の変化量の最大値の絶対値が大きい場合、０を採用する。また、上述した０を採用する場合に該当しない場合のうち、角度の変化量の最大値が正である場合、－１を採用する。この場合の例としては、（１）第１区間～第３区間における角度の変化量の最大値が何れも正であり、且つ、第２区間、第１区間、及び、第３区間の順番で角度の変化量の最大値が小さくなる場合や、（２）第２区間及び第３区間の各々の角度の変化量の最大値が同程度であり、且つ、第１区間の角度の変化量の最大値が第２区間及び第３区間の各々の角度の変化量の最大値よりも大きい場合や、（３）第２区間の角度の変化量の最大値が第１区間及び第３区間の各々の角度の変化量の最大値よりも大きく、且つ、第１区間及び第３区間の各々の角度の変化量の最大値が同程度である場合など、が挙げられる。なお、角度の変化量の最大値同士を比較して、同程度と認定する範囲は、適宜定めることができる。また、角度の変化量の最大値同士を比較して、同程度であるか否かを判定する場合、比較する角度の変化量の最大値同士における大小関係は、問わない。また、上述した０を採用する場合に該当しない場合のうち、角度の変化量の最小値が負である場合、１を採用する。この場合の例としては、（４）第１区間～第３区間における角度の変化量の最小値が何れも負であり、且つ、第２区間、第１区間、及び、第３区間の順番で角度の変化量の最小値が小さくなる場合や、（５）第２区間及び第３区間の各々の角度の変化量の最小値が同程度であり、且つ、第１区間の角度の変化量の最小値が第２区間及び第３区間の各々の角度の変化量の最小値よりも小さい場合や、（６）第２区間の角度の変化量の最小値が第１区間及び第３区間の各々の角度の変化量の最小値よりも小さく、且つ、第１区間及び第３区間の各々の角度の変化量の最小値が同程度である場合など、が挙げられる。また、０を採用する場合、－１を採用する場合、及び、１を採用する場合の各々について、更なる判定基準を設けてもよい。
【0052】
また、特徴量導出ステップＳ１１２は、第１区間における角度（Ｄ１）を第５の特徴量とし、第２区間における角度と第３区間における角度のうち、小さい方（Ｄｓ）及び大きい方（Ｄｂ）の各々を第６の特徴量及び第７の特徴量とする。
【0053】
また、Ｄｓに対するＤ１の差分を第８の特徴量とし、Ｄｂに対するＤ１の差分を第９の特徴量とする。
【0054】
また、ＤｂとＤｓとの差の絶対値を第１０の特徴量とする。
【0055】
また、第２区間における角度の和と、第３区間における角度の和との和を第１１の特徴量とする。
【0056】
また、第１区間における角度の和と、第２区間における角度の和と、第３区間における角度の和との和を第１２の特徴量とする。
【0057】
また、第１区間における角度の最大値、第２区間における角度の最大値、及び、第３区間における角度の最大値の大小関係を、０，－１，１の何れかの値で表現したものを第１３の特徴量とする。第１区間における角度の最大値の絶対値が小さく、第２区間及び第３区間における角度の最大値の絶対値が大きい場合、０を採用する。また、上述した０を採用する場合に該当しない場合のうち、角度の最大値が正である場合、－１を採用する。この場合の例としては、第１区間～第３区間における角度の最大値が何れも正であり、且つ、第２区間、第１区間、及び、第３区間の順番で角度の最大値が小さくなる場合が挙げられる。また、上述した０を採用する場合に該当しない場合のうち、角度の最小値が負である場合、１を採用する。この場合の例としては、第１区間～第３区間における角度の最小値が何れも負であり、且つ、第２区間、第１区間、及び、第３区間の順番で角度の最小値が小さくなる場合が挙げられる。なお、第４の特徴量の場合と同様に、０を採用する場合、－１を採用する場合、及び、１を採用する場合の各々について、更なる判定基準を設けてもよい。
【0058】
また、第１区間における長さＬｉ（以下において、長さＬ１と称する）を第１４の特徴量とする。
【0059】
また、第２区間における長さＬｉ（以下において、長さＬ２と称する）と第３区間における長さＬｉ（以下において、長さＬ３と称する）とを比較し、小さい方（Ｌｓ）及び大きい方（Ｌｂ）の各々を第１５の特徴量及び第１６の特徴量とする。
【0060】
また、Ｌ１に対するＬｓの比率（ｌｎ（Ｌｓ／Ｌ１））を第１７の特徴量とする。
【0061】
また、Ｌ１に対するＬｂの比率（ｌｎ（Ｌｂ／Ｌ１））を第１８の特徴量とする。
【0062】
また、Ｌｓに対するＬｂの比率（ｌｎ（Ｌｂ／Ｌｓ））を第１９の特徴量とする。
【0063】
また、Ｌ１、Ｌ２、及びＬ３の大小関係を、０，－１，１の何れかの値で表現したものを第２０の特徴量とする。Ｌ１が小さく、Ｌ２及びＬ３が大きい場合、及び、Ｌ１が大きく、Ｌ２及びＬ３が小さい場合、０を採用する。また、Ｌ２、Ｌ１、及びＬ３の順番で単調に小さくなっていく場合、－１を採用する。また、Ｌ２、Ｌ１、及びＬ３の順番で単調に大きくなっていく場合、１を採用する。なお、０を採用する場合、－１を採用する場合、及び、１を採用する場合の各々について、更なる判定基準を設けてもよい。
【0064】
以上のように、本実施形態では、特徴量導出ステップＳ１１２は、２０個の特徴量を導出する。ただし、特徴量導出ステップＳ１１２が導出する特徴量は、上記の２０個に限定されるわけではない。上述した特徴量の一部を省略することもできるし、上述した特徴量に対して別の特徴量を追加することもできる。特徴量導出ステップＳ１１２が導出する特徴量は、部品の形状や生じ得る歪みの対応などに応じて適宜定めることができる。
【0065】
（推定ステップ）
推定ステップＳ１２は、プロセッサ１２が、学習済モデルＬＭを用いて、サーフェスモデルＳＭに含まれる線（本実施形態では断面プロファイル）に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域の有無を推定するステップである。推定ステップＳ１２において、プロセッサ１２は、前処理ステップＳ１１において導出された特徴量を表すデータをメモリ１１から読み出し、読み出した特徴量を表すデータを学習済モデルＬＭに入力する。そして、学習済モデルＬＭから出力された推定結果、すなわち、各単位区間について前記歪み領域を含んでいるか否かの推定結果を表すデータをストレージ１３に書き込む。推定結果を表すデータの態様は適宜定めることができるが、本実施形態では、単位区間に歪み領域が含まれている場合に「１」とし、単位区間に歪み領域が含まれていない場合に「０」とする。
推定ステップＳ１２は、プロセッサ１２が、学習済モデルＬＭを用いて、サーフェスモデルＳＭに含まれる線（本実施形態では断面プロファイル）に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域の有無を推定するステップである。推定ステップＳ１２において、プロセッサ１２は、前処理ステップＳ１１において導出された特徴量を表すデータをメモリ１１から読み出し、読み出した特徴量を表すデータを学習済モデルＬＭに入力する。そして、学習済モデルＬＭから出力された推定結果、すなわち、各単位区間について前記歪み領域を含んでいるか否かの推定結果を表すデータをストレージ１３に書き込む。推定結果を表すデータの態様は適宜定めることができるが、本実施形態では、単位区間に歪み領域が含まれている場合に「１」とし、単位区間に歪み領域が含まれていない場合に「０」とする。
【0066】
実際の推定ステップＳ１２では、断面Ｃｘｙ，Ｃｙｚ，Ｃｚｘの全ての断面プロファイルにおいて、各単位区間Ｓｅｉ（ｉは２以上Ｎ－１以下の整数）を第１区間とする場合について２０個の特徴量を入力として、各単位区間について前記歪み領域を含んでいるか否かの推定結果を出力する。
【0067】
なお、歪み領域推定方法Ｍ１は、推定ステップＳ１２にて推定した推定結果を表すデータ出力する出力ステップを更に含んでいてもよい。この出力ステップにおいて、プロセッサ１２は、推定結果を表すデータをストレージ１３から読み出し、読み出した推定結果を表すデータを３次元ＣＡＤ２に提供するように構成されていてもよい。これにより、３次元ＣＡＤ２は、サーフェスモデルＳＭの各断面プロファイルを構成する各単位区間に含まれている歪み領域を、他の領域とは差別化することができる。また、この出力ステップにおいて、プロセッサ１２は、ストレージ１３から読み出した推定結果をディスプレイに出力することによって、ユーザに提示するように構成されていてもよい。これにより、ユーザは、サーフェスモデルＳＭの各断面プロファイルを構成する各単位区間に歪み領域が含まれているか否かを知ることができる。
【0068】
＜機械学習装置及び機械学習方法＞
機械学習装置３の構成について、図１及び図９を参照して説明する。図１の下段は、機械学習装置３の構成を示すブロック図である。図９は、機械学習装置３が実行する機械学習方法Ｍ３の流れを示すフローチャートである。
機械学習装置３の構成について、図１及び図９を参照して説明する。図１の下段は、機械学習装置３の構成を示すブロック図である。図９は、機械学習装置３が実行する機械学習方法Ｍ３の流れを示すフローチャートである。
【0069】
機械学習装置３は、学習済モデルＬＭを構築するための機械学習方法Ｍ３を実行する装置である。機械学習装置３は、図５に示すように、ストレージ３１と、プロセッサ３２と、メモリ３３と、を備えている。ストレージ３１、プロセッサ３２、及びメモリ３３は、不図示のバスを介して互いに接続されている。このバスには、更に、不図示の入出力インタフェース及び不図示の通信インタフェースが接続されていてもよい。この入出力インタフェースは、例えば、外部装置（例えば、センサ及びキーボード）から機械学習装置３に教師データを入力するために利用される。また、この通信インタフェースは、例えば、外部装置（例えば、前述した歪み領域推定装置１）に学習済モデルＬＭを提供するために利用される。
【0070】
ストレージ３１は、学習用データセットＤＳを格納するための構成である。学習用データセットＤＳは、サーフェスモデルＳＭの各断面プロファイルを構成する各単位区間における複数の特徴量を表すデータに対して、その単位区間について歪み領域を含んでいるか否かの推定結果を表すラベルを付した教師データの集合である。
【0071】
ここで、複数の特徴量を表すデータに対して推定結果を表すラベルを付すとは、複数の特徴量を表すデータと推定結果とを任意の方法で関連付けることを指す。複数の特徴量を表すデータと推定結果とを関連付ける方法としては、例えば、複数の特徴量を表すデータと推定結果とを１対１で対応付けるテーブルを作成する方法や、推定結果に対応するディレクトリに複数の特徴量を表すデータを格納する方法などが挙げられる。なお、ストレージ３１としては、例えば、フラッシュメモリ、ＨＤＤ、ＳＳＤ、又は、これらの組み合わせ等を用いることができる。
【0072】
図９に示すように、機械学習方法Ｍ３は、前処理ステップＳ３１と、構築ステップＳ３２と、を含んでいる。
前処理ステップＳ３１は、図２に示す前処理ステップＳ１１と同様ステップである。すなわち、前処理ステップＳ３１は、プロセッサ３２が、学習済モデルＬＭに入力するサーフェスモデルＳＭの断面プロファイルの各単位区間における複数の特徴量を導出するステップである。前処理ステップＳ３１は、プロセッサ３２が、各単位区間における複数の特徴量を表すデータの集合を学習用データセットＤＳとする。
前処理ステップＳ３１は、図２に示す前処理ステップＳ１１と同様ステップである。すなわち、前処理ステップＳ３１は、プロセッサ３２が、学習済モデルＬＭに入力するサーフェスモデルＳＭの断面プロファイルの各単位区間における複数の特徴量を導出するステップである。前処理ステップＳ３１は、プロセッサ３２が、各単位区間における複数の特徴量を表すデータの集合を学習用データセットＤＳとする。
【0073】
各学習用データセットＤＳには、各単位区間における複数の特徴量を表すデータが含まれている。各学習用データセットＤＳに含まれる各単位区間における複数の特徴量を表すデータは、学習済モデルＬＭに入力する各単位区間における複数の特徴量を表すデータと同様、サーフェスモデルの断面プロファイルにおいて設定された複数の単位区間の各々について導出された複数の特徴量を表すデータである。
【0074】
前処理ステップＳ３１においては、更に、各単位区間について導出された複数の特徴量に対して上述する推定結果を表すラベルを付す。
【0075】
構築ステップＳ３２において、プロセッサ３２は、ストレージ３１に格納された学習用データセットＤＳをメモリ３３上に展開し、この学習用データセットＤＳを用いた教師あり機械学習によって、学習済モデルＬＭを構築する構築処理を実行するための構成である。学習済モデルＬＭは、上述したとおり、サーフェスモデルの断面プロファイルにおいて設定された複数の単位区間の各々について導出された複数の特徴量を入力とし、断面プロファイルの各単位区間について歪み領域を含んでいるか否かの推定結果を出力とするアルゴリズムである。プロセッサ３２としては、例えば、ＣＰＵ、ＧＰＵ、マイクロプロセッサ、デジタルシグナルプロセッサ、マイクロコントローラ、ＴＰＵ等のＡＳＩＣ、又は、これらの組み合わせ等を用いることができる。プロセッサ３２は、本願発明の一態様における制御部として機能し、「演算装置」と呼ばれることもある。
メモリ３３は、プロセッサ３２が構築処理を実行することにより得られた学習済モデルＬＭを記憶するための構成である。メモリ３３としては、例えば、半導体ＲＡＭを用いることができる。メモリ３３に記憶された学習済モデルＬＭは、上述したストレージ３１に格納（不揮発保存）されてもよい。
メモリ３３は、プロセッサ３２が構築処理を実行することにより得られた学習済モデルＬＭを記憶するための構成である。メモリ３３としては、例えば、半導体ＲＡＭを用いることができる。メモリ３３に記憶された学習済モデルＬＭは、上述したストレージ３１に格納（不揮発保存）されてもよい。
【0076】
なお、ここでは、学習済モデルＬＭを構築する構築処理を含む機械学習方法Ｍ３を単一のコンピュータに設けられた単一のプロセッサ３２が実行する構成について説明したが、これに限定されない。すなわち、この機械学習方法Ｍ３を単一のコンピュータに設けられた、或いは、複数のコンピュータに分散して設けられた複数のプロセッサが共同して実行する構成を採用することも可能である。
【0077】
また、ここでは、学習用データセットＤＳを単一のコンピュータに設けられた単一のストレージ３１に格納する構成について説明したが、これに限定されない。すなわち、学習用データセットＤＳを、単一のコンピュータに設けられた、或いは、複数のコンピュータに分散して設けられた複数のストレージに分散して格納する構成を採用することも可能である。また、学習用データセットＤＳは、プロセッサ３２及びメモリ３３と共にコンピュータに内蔵されたストレージ３１に格納されている必要はなく、そのコンピュータとネットワークを介して通信可能に構成されたクラウドサーバに格納されていてもよい。
【0078】
また、ここでは、学習済モデルＬＭを単一のコンピュータに設けられた単一のメモリ３３に記憶させる構成について説明したが、これに限定されない。すなわち、学習済モデルＬＭを単一のコンピュータに設けられた、或いは、複数のコンピュータに分散して設けられた複数のメモリに分散して記憶させる構成を採用することも可能である。
【0079】
なお、プロセッサ３２に機械学習方法Ｍ３を実行させるためのプログラムは、例えば、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されている。プロセッサ３２は、このプログラムに含まれる命令を実行することによって、判定方法Ｓ１を実行する。この記録媒体は、ストレージ３１であってもよいし、メモリ３３であってもよいし、その他の記録媒体であってもよい。例えば、テープ、ディスク、カード、半導体メモリ、プログラマブル論理回路が、その他の記録媒体として利用可能である。
【0080】
機械学習装置３によれば、上述した歪み領域推定装置１が利用する学習済モデルＬＭを構築することができる。しかも、機械学習に用いる教師用データは、サーフェスモデルＳＭの各断面プロファイルを構成する各単位区間における複数の特徴量を表すデータに対して、その単位区間について歪み領域を含んでいるか否かの推定結果を表すラベルを付したものである。サーフェスモデルＳＭに歪み領域が含まれているか否かの判断は、従来、ディスプレイ上にサーフェスモデルＳＭを表示させたうえで、作業員がサーフェスモデルＳＭを目視により確認することによって行っていたものである。したがって、教師データの作成に際し、作業員が容易に歪み領域の有無の判定を行うことができる。或いは、既に蓄積されている目視確認の結果を、教師用データとして利用することができる。したがって、機械学習装置３によれば、精度の高い教師用データを容易に作成することができる。機械学習装置３を用いて実施される機械学習方法Ｍ３、及び、コンピュータを機械学習装置３として動作させるプログラムについても、同様のことが言える。
【0081】
なお、本実施形態においては、学習済モデルＬＭを構築する機械学習方法Ｍ３と学習済モデルＬＭを用いて歪み領域の有無を推定する推定方法とを、２つの装置においてそれぞれ実行する態様について説明したが、本発明はこれに限定されない。すなわち、学習済モデルＬＭを構築する機械学習方法Ｍ３と、学習済モデルＬＭを用いて歪み領域の有無を推定する推定方法とを、１つの装置において実行する態様も本発明の範疇に含まれる。
【0082】
〔推定ステップの変形例〕
図２に示す歪み領域推定方法Ｍ１の推定ステップＳ１２は、プロセッサ１２が、学習済モデルＬＭを用いて、サーフェスモデルＳＭに含まれる線（本実施形態では断面プロファイル）に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域の有無を推定するように構成されていた。
図２に示す歪み領域推定方法Ｍ１の推定ステップＳ１２は、プロセッサ１２が、学習済モデルＬＭを用いて、サーフェスモデルＳＭに含まれる線（本実施形態では断面プロファイル）に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域の有無を推定するように構成されていた。
【0083】
ただし、推定ステップＳ１２の変形例は、学習済モデルＬＭを用いずに、サーフェスモデルＳＭに含まれ得る歪み領域を推定するように構成されていてもよい。この場合、プロセッサ１２は、前処理ステップＳ１１により導出された複数の特徴量（本実施形態では、２０個の特徴量）に対して主成分分析（ＰＣＡ）を実施し、２次元の特徴量（以下においてＰＣＡ特徴量と称する）に変換する。
【0084】
【0085】
推定ステップＳ１２の変形例においては、ＰＣＡ特徴量がプロットされる２次元平面上において、サーフェスモデルＳＭの断面プロファイルの各単位区間について歪み領域を含んでいるとプロセッサ１２が推定する領域Ｒ（図１０の下段参照）をあらかじめ定めておく。推定ステップＳ１２の変形例は、歪み領域を含む単位区間の特徴量をＰＣＡ特徴量に変換した場合に、２次元平面上の特定の領域に集まりやすいという傾向を利用している。このように、ＰＣＡ特徴量を用いて推定ステップＳ１２を構成することにより、学習済モデルＬＭを用いずに、サーフェスモデルＳＭに含まれ得る歪み領域を推定することができる。
【0086】
なお、本変形例では、前処理ステップＳ１１において導出した複数の特徴量に対してＰＣＡを実施している。ただし、本変形例において用いる複数の特徴量は、適宜変更することができる。また、歪み領域を含む単位区間の特徴量を規定する領域Ｒも、適宜変更することができる。
【実施例0087】
図１に示す歪み領域推定システムＳに含まれる機械学習装置３と歪み領域推定装置１とを用いて、サーフェスモデルＳＭの断面プロファイルに含まれ得る歪み領域の推定を行った。本実施例では、学習済モデルＬＭのアルゴリズムとして、ベイジアンガウス混合モデル（BayesianGaussianMixture）、サポートベクターマシン（SupportVectorMachine）、及び、勾配ブースティング（LightGBM）を用いた。以下では、ベイジアンガウス混合モデル、サポートベクターマシン、及び、勾配ブースティングの各々を、第１実施例、第２実施例、及び第３実施例と称する。
【0088】
第１実施例～第３実施例では、学習フェーズ、試用フェーズ（検証フェーズ）、及び実用フェーズ（推定フェーズ）の各フェーズにおいて同じデータセットを用いた。これらのデータセットは、１３部品のサーフェスモデルＳＭの複数の断面プロファイルから得られた１２２１４件の単位区間に対応する。本実施例では、第１実施例～第３実施例の各々において、１２２１４件の単位区間のうち、７８１６件（全体の６４％）を学習フェーズに用い、１９５５件（全体の１６％）を試用フェーズに用い、２４４３件（全体の２０％）を実用フェーズに用いた。なお、学習フェーズには機械学習装置３を用い、機械学習装置３が機械学習方法Ｍ３を実行することにより得られた学習済モデルＬＭを歪み領域推定装置１に提供した。試用フェーズ及び実用フェーズは、歪み領域推定装置１を用いた。
【0089】
学習済モデルＬＭを用いた推定ステップＳ１２では、上述したように、各単位区間に対応する２０個の特徴量を入力とし、その単位区間に歪み領域が含まれているか否かの推定結果を出力とした。出力である推定結果は、単位区間に歪み領域が含まれている場合に「１」とし、単位区間に歪み領域が含まれていない場合に「０」とした。
【0090】
また、学習済モデルＬＭを用いた推定結果の評価は、以下の３通りとした。
・正解：作業者が歪みと判断した箇所を、学習済モデルＬＭも歪みと推定した。
・未検出：作業者が歪みと判断した箇所を、学習済モデルＬＭは歪みと推定しなかった。
・過検出：作業者が歪みと判断しなかった箇所を、学習済モデルＬＭは歪みと推定した。
・正解：作業者が歪みと判断した箇所を、学習済モデルＬＭも歪みと推定した。
・未検出：作業者が歪みと判断した箇所を、学習済モデルＬＭは歪みと推定しなかった。
・過検出：作業者が歪みと判断しなかった箇所を、学習済モデルＬＭは歪みと推定した。
【0091】
正解は、その割合（正解率）が高いほど高評価となる。未検出は、その割合（未検出率）が低いほど高評価となる。過検出は、その割合（過検出率）が０％にならないことを良しとする。
【0092】
なお、部品における歪み領域の有無の判断は、作業者が見ても迷う場合があるし、作業者の熟練度にも依存する。したがって、過検出率が極短に低い場合は、歪みといえるかもしれない疑わしい場合を見過ごしていると考えられるので、学習済モデルＬＭとしては好ましくない。
【0093】
第１実施例であるベイジアンガウス混合モデルを採用した学習済モデルＬＭは、実用フェーズの２４４３件において、正解が３２件、未検出が１１件、過検出が１６１件であった。第２実施例であるサポートベクターマシンを採用した学習済モデルＬＭは、正解が３４件、未検出が９件、過検出が１０件であった。第３実施例である勾配ブースティングを採用した学習済モデルＬＭは、正解が３８件、未検出が５件、過検出が９８件であった。
【0094】
第１実施例は、未検出及び過検出が一番多かった。また、正解が０件の部品が存在した。また、過検出と推定された単位区間についても作業員が確認したところ、歪みのようには見えない箇所が多く存在していた。
【0095】
第２実施例は、正解及び未検出の件数は悪くないが、過検出が少なかった。そのため、作業員によっては見逃される可能性がある歪みのように見える箇所を抽出できない可能性が高い。
【0096】
第３実施例は、未検出の件数が少なく、且つ、過検出の件数が第１実施例と第２実施例との中間くらいで適切と感じられた。過検出と推定された単位区間についても作業員が確認したところ、見ようによっては歪みのように見える単位区間を抽出していた。
【0097】
以上の結果から、歪み領域推定システムＳにおいて用いる学習済モデルＬＭのアルゴリズムとしては、勾配ブースティングが好ましいことが分かった。
【0098】
〔まとめ〕
本発明の第１の態様に係る歪み領域推定装置は、３次元のサーフェスモデルに含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する推定ステップを実行する制御部を備えている。
本発明の第１の態様に係る歪み領域推定装置は、３次元のサーフェスモデルに含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する推定ステップを実行する制御部を備えている。
【0099】
上記の構成によれば、３次元のサーフェスモデルにおいて生じ得る歪みであって、錯視に起因する視覚的な歪みを検出することができる。
【0100】
また、本発明の第２の態様に係る歪み領域推定装置においては、上述した第１の態様に係る歪み領域推定装置の構成に加えて、前記制御部は、前記推定ステップの前に前処理ステップを更に実行し、前記推定ステップは、教師あり学習により構築された学習済モデルを用いて、前記サーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定し、前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である、構成が採用されている。
【0101】
上記の構成によれば、各単位区間について導出された特徴量を入力された学習済モデルが各単位区間について前記歪み領域を含んでいるか否かの推定結果を出力することができる。したがって、本歪み領域推定装置を用いることにより、３次元のサーフェスモデルにおいて生じ得る歪みであって、錯視に起因する視覚的な歪みを検出することができる。
【0102】
また、本発明の第３の態様に係る歪み領域推定装置においては、上述した第２の態様に係る歪み領域推定装置の構成に加えて、前記サーフェスモデルに含まれる前記線は、前記サーフェスモデルの断面プロファイルであり、前記前処理ステップは、前記断面プロファイルにおいて前記複数の単位区間を設定し、各単位区間の前記特徴量を導出する、構成が採用されている。
【0103】
特徴量を導出するために用いる線としては、サーフェスモデルの断面プロファイルが好適である。
【0104】
また、本発明の第４の態様に係る歪み領域推定装置においては、上述した第３の態様に係る歪み領域推定装置の構成に加えて、前記前処理ステップは、前記サーフェスモデルの表面プロファイルから複数の前記断面プロファイルを生成する断面プロファイル生成ステップを更に含む、構成が採用されている。
【0105】
上記の構成によれば、複数の断面プロファイルを用いて、サーフェスモデルにおいて生じ得る歪み領域を検出することができる。そのため、ユーザは、サーフェスモデルにおいて歪みが生じている領域を２次元的に把握することができる。
【0106】
また、本発明の第５の態様に係る歪み領域推定装置においては、上述した第４の態様に係る歪み領域推定装置の構成に加えて、前記断面プロファイル生成ステップが生成する前記複数の前記断面プロファイルは、互いに交わる３軸により構成される斜交座標系で表される複数の断面であって、前記３軸のうち２軸により規定される平面と平行な複数の断面における断面プロファイルである、構成が採用されている。
【0107】
複数の断面プロファイルは、隣接する断面プロファイル同士が平行であることが好ましい。なお、隣接する断面プロファイル同士が平行であり、且つ、等間隔であることがより好ましい。隣接する断面プロファイル同士が等間隔であることによって、この間隔よりもサイズが大きな歪み領域を見逃す確率を低減することができる。
【0108】
また、本発明の第６の態様に係る歪み領域推定装置においては、上述した第５の態様に係る歪み領域推定装置の構成に加えて、前記３軸の各々をｘ軸、ｙ軸、及びｚ軸として、前記断面プロファイルは、（１）ｘｙ平面と平行であり、且つ、等間隔な複数の断面、（２）ｙｚ平面と平行であり、且つ、等間隔な複数の断面、及び（３）ｚｘ平面と平行であり、且つ、等間隔な複数の断面、における断面プロファイルである、構成が採用されている。
【0109】
上記の構成によれば、断面プロファイル生成ステップが断面プロファイルを生成するときに、サーフェスモデルの向きを考慮することなく、機械的に前処理ステップを実行することができる。したがって、歪み領域を推定するときの効率を高めることができる。
【0110】
また、本発明の第７の態様に係る歪み領域推定装置においては、上述した第３の態様～第６の態様の何れか一態様に係る歪み領域推定装置の構成に加えて、前記断面プロファイルの各々は、Ｎ個（Ｎは、３以上の整数）の曲線を直列に接続することにより構成されており、前記曲線の各々は、単一のスプライン曲線により構成されており、前記特徴量導出ステップは、ｉ番目（ｉは、２以上Ｎ－１以下の整数）のスプライン曲線からなる第１区間と、ｉ－１番目のスプライン曲線からなる第２区間と、ｉ＋１番目のスプライン曲線からなる第３区間と、により構成される区間を前記単位区間として、各単位区間の前記特徴量を導出する、構成が採用されている。
【0111】
サーフェスモデルが３次元ＣＡＤで取り扱われるＣＡＤデータである場合、表面プロファイルは、複数の構成面からなる。このような場合に、断面プロファイルは複数のスプライン曲線を接続することにより構成されるため、上記の構成を好適に用いることができる。
【0112】
また、本発明の第８の態様に係る歪み領域推定装置においては、上述した第７の態様に係る歪み領域推定装置の構成に加えて、前記第１区間、前記第２区間、及び前記第３区間の各々をＭ等分（Ｍは、２以上の整数）することにより得られるＭ個の擬似的な線分を、それぞれ、線分Ｌ１ｊ、線分Ｌ２ｊ、及び線分Ｌ３ｊ（ｊは、１以上Ｍ以下の整数）として、前記特徴量導出ステップは、各単位区間の特徴量として、少なくとも、前記第１区間における隣接する線分Ｌ１ｊと線分Ｌ１ｊ＋１とのなす角の変化量の最大値と、前記第２区間における隣接する線分Ｌ２ｊと線分Ｌ２ｊ＋１とのなす角の変化量の最大値と、前記第３区間における隣接する線分Ｌ３ｊと線分Ｌ３ｊ＋１とのなす角の変化量の最大値と、を導出する、構成が採用されている。
【0113】
特徴量の例としては、上述のような特徴量が上げられる。少なくともこれらの特徴量を用いることによって、曲率が相対的に小さな第１区間を曲率が相対的に大きな第２区間及び第３区間で挟み込んだ単位区間において生じる歪みを精度よく推定することができる。
【0114】
本発明の第９の態様に係る歪み領域推定方法は、３次元のサーフェスモデルに含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する推定ステップを含んでいる。
また、本発明の第１０の態様に係る歪み領域推定方法においては、上述した第９の態様に係る歪み領域推定方法の構成に加えて、前記推定ステップの前に実行される前処理ステップを更に含み、前記推定ステップは、教師あり学習により構築された学習済モデルを用いて、前記サーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定し、前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である、構成が採用されている。
また、本発明の第１０の態様に係る歪み領域推定方法においては、上述した第９の態様に係る歪み領域推定方法の構成に加えて、前記推定ステップの前に実行される前処理ステップを更に含み、前記推定ステップは、教師あり学習により構築された学習済モデルを用いて、前記サーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定し、前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である、構成が採用されている。
【0115】
また、本発明の第１１の態様に係る歪み領域推定方法においては、上述した第１０の態様に係る歪み領域推定方法の構成に加えて、前記サーフェスモデルに含まれる前記線は、前記サーフェスモデルの断面プロファイルであり、前記前処理ステップは、前記断面プロファイルにおいて前記複数の単位区間を設定し、各単位区間の前記特徴量を導出する、構成が採用されている。
【0116】
また、本発明の第１２の態様に係る歪み領域推定方法においては、上述した第１１の態様に係る歪み領域推定方法の構成に加えて、前記前処理ステップは、前記サーフェスモデルの表面プロファイルから複数の前記断面プロファイルを生成する断面プロファイル生成ステップを更に含む、構成が採用されている。
【0117】
本発明の第９～第１２の態様に係る歪み領域推定方法は、それぞれ、本発明の第１～第４の態様に係る歪み領域の推定装置と同じ効果を奏する。
【0118】
本発明の第１３の態様に係る機械学習装置は、前処理ステップと、学習用データセットを用いた教師あり学習によって、３次元のサーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する学習済モデルを構築する構築ステップと、を実行する制御部を備えており、前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である。
【0119】
本発明の第１４の態様に係る機械学習方法は、前処理ステップと、制御部が、学習用データセットを用いた教師あり学習によって、３次元のサーフェスモデルに含まれる線に含まれ得る歪み領域であって、錯視に起因して視覚的に歪んで見える歪み領域を推定する学習済モデルを構築する構築ステップと、を含んでおり、前記前処理ステップは、前記サーフェスモデルに含まれる前記線において複数の単位区間を設定し、各単位区間の形状の特徴を示す特徴量を導出する特徴量導出ステップを含み、前記学習済モデルの入力は、各単位区間について導出された前記特徴量であり、前記学習済モデルの出力は、各単位区間について前記歪み領域を含んでいるか否かの推定結果である。
【0120】
本発明の第１３の態様に係る機械学習装置、及び、本発明の第１４の態様に係る機械学習方法は、それぞれ、本発明の第２の態様に係る歪み領域の推定装置と同じ効果を奏する。
【0121】
〔付記事項〕
本発明は上述した実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、上述した実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる他の実施形態についても本発明の技術的範囲に含まれる。
本発明は上述した実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、上述した実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる他の実施形態についても本発明の技術的範囲に含まれる。
【符号の説明】
【0122】
１ 歪み領域推定装置
１１ メモリ
１２ プロセッサ
Ｍ１ 歪み領域推定方法
Ｓ１１ 前処理ステップ
Ｓ１２ 推定ステップ
２ ３次元ＣＡＤ
３ 機械学習装置
３１ ストレージ
３２ プロセッサ
３３ メモリ
ＬＭ 学習済モデル
ＤＳ 学習用データセット
１１ メモリ
１２ プロセッサ
Ｍ１ 歪み領域推定方法
Ｓ１１ 前処理ステップ
Ｓ１２ 推定ステップ
２ ３次元ＣＡＤ
３ 機械学習装置
３１ ストレージ
３２ プロセッサ
３３ メモリ
ＬＭ 学習済モデル
ＤＳ 学習用データセット
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】