知財求人 - 知財ポータルサイト「IP Force」
特開2024-179413フレッシュコンクリート評価システム、及びフレッシュコンクリート評価方法
(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】P2024179413
(43)【公開日】2024-12-26
(54)【発明の名称】フレッシュコンクリート評価システム、及びフレッシュコンクリート評価方法
(51)【国際特許分類】
G01N 33/38 20060101AFI20241219BHJP
G06Q 10/04 20230101ALI20241219BHJP
G01N 11/00 20060101ALI20241219BHJP
【ＦＩ】
G01N33/38
G06Q10/04
G01N11/00 E
【審査請求】未請求
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2023098252
(22)【出願日】2023-06-15
【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り 電気通信回線を通じた公開／ウェブサイトの掲載日：令和４年８月１日、ウェブサイトのアドレス：ｈｔｔｐｓ：／／ｃｏｎｆｉｔ．ａｔｌａｓ．ｊｐ／ｇｕｉｄｅ／ｅｖｅｎｔ－ｉｍｇ／ｊｓｃｅ２０２２／Ｖ－４４６／ｐｕｂｌｉｃ／ｐｄｆ？ｔｙｐｅ＝ｉｎ 学会発表による公開／学会名：令和４年度土木学会全国大会第７７回年次学術講演会、開催場所：京都大学吉田キャンパス（京都府京都市左京区吉田本町）、開催日：令和４年９月１６日 電気通信回線を通じた公開／ウェブサイトの掲載日：令和５年３月３１日、ウェブサイトのアドレス：ｈｔｔｐｓ：／／ｗｗｗ．ｔｅｋｋｅｎ．ｃｏ．ｊｐ／ｍｅｄｉａ／５ｄｆａ４ｅｅｄ０２ｅｂ２０ｅ８ａｄａｅ１８８ａｅｃ１１８ａ７ｅｅ５ｂｅｅ９ｃ６．ｐｄｆ
(71)【出願人】
【識別番号】000216025
【氏名又は名称】鉄建建設株式会社
(74)【代理人】
【識別番号】100121603
【弁理士】
【氏名又は名称】永田 元昭
(74)【代理人】
【識別番号】100141656
【弁理士】
【氏名又は名称】大田 英司
(74)【代理人】
【識別番号】100067747
【弁理士】
【氏名又は名称】永田 良昭
(72)【発明者】
【氏名】岩城 圭介
(72)【発明者】
【氏名】川又 篤
(72)【発明者】
【氏名】福岡 瑛莉奈
(72)【発明者】
【氏名】車 紅升
(72)【発明者】
【氏名】國澤 博
(72)【発明者】
【氏名】山川 勉
【テーマコード（参考）】
5L010
5L049
【Ｆターム（参考）】
5L010AA04
5L049AA04
(57)【要約】
【課題】打設に適した性状のフレッシュコンクリートであるかを精度よく、かつ容易に評価できるフレッシュコンクリート評価システム３及びフレッシュコンクリート評価方法を提供することを目的とする。
【解決手段】フレッシュコンクリート評価システム３であって、画像データ３８のスランプ試験体５を識別して出力する第１機械学習モデル３５で構築されたコンクリート識別手段と、フレッシュコンクリートの粘性を評価して出力する第２機械学習モデル３６で構築された粘性評価手段と、フレッシュコンクリートの表面粗さを評価して出力する第３機械学習モデル３７で構築された表面粗さ評価手段と、第２機械学習モデル３６及び第３機械学習モデル３７の出力情報に基づいて、フレッシュコンクリートの性状の良否を判定する判定手段と、フレッシュコンクリートの性状の良否を画像データ３８に関連付けた送信情報を出力する出力手段とが備えられたことを特徴とする。
【選択図】図３
【解決手段】フレッシュコンクリート評価システム３であって、画像データ３８のスランプ試験体５を識別して出力する第１機械学習モデル３５で構築されたコンクリート識別手段と、フレッシュコンクリートの粘性を評価して出力する第２機械学習モデル３６で構築された粘性評価手段と、フレッシュコンクリートの表面粗さを評価して出力する第３機械学習モデル３７で構築された表面粗さ評価手段と、第２機械学習モデル３６及び第３機械学習モデル３７の出力情報に基づいて、フレッシュコンクリートの性状の良否を判定する判定手段と、フレッシュコンクリートの性状の良否を画像データ３８に関連付けた送信情報を出力する出力手段とが備えられたことを特徴とする。
【選択図】図３
【特許請求の範囲】
【請求項1】
スランプ試験または／およびスランプフロー試験におけるスランプ試験体を撮像した撮像情報に基づいて、フレッシュコンクリートの性状を評価するフレッシュコンクリート評価システムであって、
前記撮像情報を入力情報とし、前記撮像情報の前記スランプ試験体を識別して出力する第１機械学習モデルで構築されたコンクリート識別手段と、
前記第１機械学習モデルの出力情報を入力情報とし、前記フレッシュコンクリートの粘性を評価して出力する第２機械学習モデルで構築された粘性評価手段と、
前記第１機械学習モデルの前記出力情報を入力情報とし、前記フレッシュコンクリートの表面粗さを評価して出力する第３機械学習モデルで構築された表面粗さ評価手段と、
前記第２機械学習モデルの出力情報及び前記第３機械学習モデルの出力情報に基づいて、前記フレッシュコンクリートの性状の良否を判定する判定手段と、
少なくとも前記フレッシュコンクリートの性状の良否を前記撮像情報に関連付けた出力情報を出力する出力手段とが備えられた
フレッシュコンクリート評価システム。
前記撮像情報を入力情報とし、前記撮像情報の前記スランプ試験体を識別して出力する第１機械学習モデルで構築されたコンクリート識別手段と、
前記第１機械学習モデルの出力情報を入力情報とし、前記フレッシュコンクリートの粘性を評価して出力する第２機械学習モデルで構築された粘性評価手段と、
前記第１機械学習モデルの前記出力情報を入力情報とし、前記フレッシュコンクリートの表面粗さを評価して出力する第３機械学習モデルで構築された表面粗さ評価手段と、
前記第２機械学習モデルの出力情報及び前記第３機械学習モデルの出力情報に基づいて、前記フレッシュコンクリートの性状の良否を判定する判定手段と、
少なくとも前記フレッシュコンクリートの性状の良否を前記撮像情報に関連付けた出力情報を出力する出力手段とが備えられた
フレッシュコンクリート評価システム。
【請求項2】
前記コンクリート識別手段の前記第１機械学習モデルは、
前景及び背景を含む前記撮像情報から前記スランプ試験体を直接的に識別する構成である
請求項１に記載のフレッシュコンクリート評価システム。
前景及び背景を含む前記撮像情報から前記スランプ試験体を直接的に識別する構成である
請求項１に記載のフレッシュコンクリート評価システム。
【請求項3】
前記粘性評価手段の前記第２機械学習モデルは、
前記撮像情報の前記スランプ試験体に基づいて、前記フレッシュコンクリートの粘性の度合を示す粘性評価点を出力する構成であり、
前記表面粗さ評価手段の前記第３機械学習モデルは、
前記撮像情報の前記スランプ試験体に基づいて、前記フレッシュコンクリートの表面粗さの度合を示す表面粗さ評価点を出力する構成であり、
前記判定手段は、
前記粘性評価点に基づいて前記フレッシュコンクリートの粘性の良否を判定するとともに、前記表面粗さ評価点に基づいて前記フレッシュコンクリートの表面粗さの良否を判定する構成である
請求項１に記載のフレッシュコンクリート評価システム。
前記撮像情報の前記スランプ試験体に基づいて、前記フレッシュコンクリートの粘性の度合を示す粘性評価点を出力する構成であり、
前記表面粗さ評価手段の前記第３機械学習モデルは、
前記撮像情報の前記スランプ試験体に基づいて、前記フレッシュコンクリートの表面粗さの度合を示す表面粗さ評価点を出力する構成であり、
前記判定手段は、
前記粘性評価点に基づいて前記フレッシュコンクリートの粘性の良否を判定するとともに、前記表面粗さ評価点に基づいて前記フレッシュコンクリートの表面粗さの良否を判定する構成である
請求項１に記載のフレッシュコンクリート評価システム。
【請求項4】
前記出力手段は、
前記フレッシュコンクリートの粘性の度合を区分分けした粘性区分を関連付けた前記粘性評価点と、前記フレッシュコンクリートの表面粗さの度合を区分分けした表面粗さ区分を関連付けた前記表面粗さ評価点とを含む前記出力情報を出力する構成である
請求項３に記載のフレッシュコンクリート評価システム。
前記フレッシュコンクリートの粘性の度合を区分分けした粘性区分を関連付けた前記粘性評価点と、前記フレッシュコンクリートの表面粗さの度合を区分分けした表面粗さ区分を関連付けた前記表面粗さ評価点とを含む前記出力情報を出力する構成である
請求項３に記載のフレッシュコンクリート評価システム。
【請求項5】
複数の技術者が前記撮像情報の前記スランプ試験体を粘性の度合に応じて評価した評価点の平均値を粘性平均値として、
前記粘性評価手段の前記第２機械学習モデルは、
前記粘性平均値が付与された前記撮像情報を教師データとして用いた学習モデルであり、
複数の技術者が前記撮像情報の前記スランプ試験体を表面粗さの度合に応じて評価した評価点の平均値を表面粗さ平均値として、
前記表面粗さ評価手段の前記第３機械学習モデルは、
前記表面粗さ平均値が付与された前記撮像情報を教師データとして用いた学習モデルである
請求項１に記載のフレッシュコンクリート評価システム。
前記粘性評価手段の前記第２機械学習モデルは、
前記粘性平均値が付与された前記撮像情報を教師データとして用いた学習モデルであり、
複数の技術者が前記撮像情報の前記スランプ試験体を表面粗さの度合に応じて評価した評価点の平均値を表面粗さ平均値として、
前記表面粗さ評価手段の前記第３機械学習モデルは、
前記表面粗さ平均値が付与された前記撮像情報を教師データとして用いた学習モデルである
請求項１に記載のフレッシュコンクリート評価システム。
【請求項6】
前記技術者が粘性の度合に応じて評価した評価点は、
前記粘性の度合の区分を示す粘性区分ごとに関連付けられた評価点の一つであり、
前記技術者が表面粗さの度合に応じて評価した評価点は、
前記表面粗さの度合の区分を示す表面粗さ区分ごとに関連付けられた評価点の一つである
請求項５に記載のフレッシュコンクリート評価システム。
前記粘性の度合の区分を示す粘性区分ごとに関連付けられた評価点の一つであり、
前記技術者が表面粗さの度合に応じて評価した評価点は、
前記表面粗さの度合の区分を示す表面粗さ区分ごとに関連付けられた評価点の一つである
請求項５に記載のフレッシュコンクリート評価システム。
【請求項7】
前記粘性区分は、
適度な流動性を有する好適な状態と、該好適な状態より流動性が低い状態と、前記好適な状態よりも流動性が高い状態と、該流動性が高い状態よりもさらに流動性が高い状態の四水準であり、
前記表面粗さ区分は、
粗骨材が目立たない好適な状態と、粗骨材が明確な状態と、前記好適な状態と前記粗骨材が明確な状態との中間の状態の三水準である
請求項６に記載のフレッシュコンクリート評価システム。
適度な流動性を有する好適な状態と、該好適な状態より流動性が低い状態と、前記好適な状態よりも流動性が高い状態と、該流動性が高い状態よりもさらに流動性が高い状態の四水準であり、
前記表面粗さ区分は、
粗骨材が目立たない好適な状態と、粗骨材が明確な状態と、前記好適な状態と前記粗骨材が明確な状態との中間の状態の三水準である
請求項６に記載のフレッシュコンクリート評価システム。
【請求項8】
前記判定手段が前記フレッシュコンクリートを不良と判定した場合、前記フレッシュコンクリートの性状不良を報知する報知手段が備えられた
請求項１に記載のフレッシュコンクリート評価システム。
請求項１に記載のフレッシュコンクリート評価システム。
【請求項9】
スランプ試験または／およびスランプフロー試験におけるスランプ試験体を撮像した撮像情報に基づいて、フレッシュコンクリートの性状を評価するフレッシュコンクリート評価方法であって、
第１機械学習モデルで構築されたコンクリート識別手段が、前記撮像情報を入力情報とし、前記撮像情報の前記スランプ試験体を識別して出力するコンクリート識別工程と、
第２機械学習モデルで構築された粘性評価手段が、前記第１機械学習モデルの出力情報を入力情報とし、前記フレッシュコンクリートの粘性を評価して出力する粘性評価工程と、
第３機械学習モデルで構築された表面粗さ評価手段が、前記第１機械学習モデルの前記出力情報を入力情報とし、前記フレッシュコンクリートの表面粗さを評価して出力する表面粗さ評価工程と、
判定手段が前記第２機械学習モデルの出力情報及び前記第３機械学習モデルの出力情報に基づいて、前記フレッシュコンクリートの性状の良否を判定する判定工程と、
出力手段が少なくとも前記フレッシュコンクリートの性状の良否を前記撮像情報に関連付けた出力情報を出力する出力工程とを行う
フレッシュコンクリート評価方法。
第１機械学習モデルで構築されたコンクリート識別手段が、前記撮像情報を入力情報とし、前記撮像情報の前記スランプ試験体を識別して出力するコンクリート識別工程と、
第２機械学習モデルで構築された粘性評価手段が、前記第１機械学習モデルの出力情報を入力情報とし、前記フレッシュコンクリートの粘性を評価して出力する粘性評価工程と、
第３機械学習モデルで構築された表面粗さ評価手段が、前記第１機械学習モデルの前記出力情報を入力情報とし、前記フレッシュコンクリートの表面粗さを評価して出力する表面粗さ評価工程と、
判定手段が前記第２機械学習モデルの出力情報及び前記第３機械学習モデルの出力情報に基づいて、前記フレッシュコンクリートの性状の良否を判定する判定工程と、
出力手段が少なくとも前記フレッシュコンクリートの性状の良否を前記撮像情報に関連付けた出力情報を出力する出力工程とを行う
フレッシュコンクリート評価方法。
【発明の詳細な説明】
【技術分野】
【0001】
この発明は、例えばフレッシュコンクリートが打設に適した性状であるかを評価するようなフレッシュコンクリート評価システム及びフレッシュコンクリート評価方法に関する。
【背景技術】
【0002】
工場から出荷されたフレッシュコンクリートは、アジテータトラックから荷卸しされる現場において、品質管理のための検査が試料を採取して行われている。例えば荷卸し時の検査の一つとして、日本産業規格のＪＩＳＡ１１０１の「コンクリートのスランプ試験方法」に準じて行われるフレッシュコンクリートのスランプ試験や、ＪＩＳＡ１１５０の「コンクリートのスランプフロー試験方法」に準じて行われるスランプフロー試験がある。
【0003】
ところで、例えばスランプ値が同じスランプ試験体であっても、セメントペーストの流動性や材料分離の状態が異なることがあるため、スランプ値やスランプフロー値だけでは、打設に適した性状のフレッシュコンクリートであるかを十分に評価できないことが知られている。
【0004】
このため、作業者がセメントペーストの流動性や材料分離の状態を確認して、打設に適した性状のフレッシュコンクリートであるかを判断することが考えられるが、この場合、フレッシュコンクリートの性状の判断が作業者の経験によって左右されるだけでなく、作業者の手間が増えるという問題がある。
【0005】
そこで、スランプ試験またはスランプフロー試験におけるスランプ試験体を撮像した撮像情報を用いて、フレッシュコンクリートの性状を荷卸しの現場で評価する様々な技術が提案されている。
【0006】
例えば特許文献１には、スランプ試験またはスランプフロー試験におけるスランプ試験体を直上から撮像した撮像情報に基づいて、フレッシュコンクリートの材料分離を評価するシステムが開示されている。
【0007】
この特許文献１では、撮像情報中のスランプ試験体を切り出して二値化したのち、低輝度画素の画素数のバラツキに基づいてフレッシュコンクリートの材料分離を評価している。
【0008】
しかしながら、特許文献１は、フレッシュコンクリートの材料分離だけを評価対象としているため、打設に適した性状のフレッシュコンクリートであるかを十分に評価できるとはいえず改善の余地があった。
【先行技術文献】
【特許文献】
【0009】
【特許文献1】特開２０２０－２０１２３１号公報
【発明の概要】
【発明が解決しようとする課題】
【0010】
本発明は、上述の問題に鑑み、打設に適した性状のフレッシュコンクリートであるかを精度よく、かつ容易に評価できるフレッシュコンクリート評価システム及びフレッシュコンクリート評価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】
【0011】
この発明は、スランプ試験または／およびスランプフロー試験におけるスランプ試験体を撮像した撮像情報に基づいて、フレッシュコンクリートの性状を評価するフレッシュコンクリート評価システムであって、前記撮像情報を入力情報とし、前記撮像情報の前記スランプ試験体を識別して出力する第１機械学習モデルで構築されたコンクリート識別手段と、前記第１機械学習モデルの出力情報を入力情報とし、前記フレッシュコンクリートの粘性を評価して出力する第２機械学習モデルで構築された粘性評価手段と、前記第１機械学習モデルの前記出力情報を入力情報とし、前記フレッシュコンクリートの表面粗さを評価して出力する第３機械学習モデルで構築された表面粗さ評価手段と、前記第２機械学習モデルの出力情報及び前記第３機械学習モデルの出力情報に基づいて、前記フレッシュコンクリートの性状の良否を判定する判定手段と、少なくとも前記フレッシュコンクリートの性状の良否を前記撮像情報に関連付けた出力情報を出力する出力手段とが備えられたことを特徴とする。
【0012】
またこの発明は、スランプ試験または／およびスランプフロー試験におけるスランプ試験体を撮像した撮像情報に基づいて、フレッシュコンクリートの性状を評価するフレッシュコンクリート評価方法であって、第１機械学習モデルで構築されたコンクリート識別手段が、前記撮像情報を入力情報とし、前記撮像情報の前記スランプ試験体を識別して出力するコンクリート識別工程と、第２機械学習モデルで構築された粘性評価手段が、前記第１機械学習モデルの出力情報を入力情報とし、前記フレッシュコンクリートの粘性を評価して出力する粘性評価工程と、第３機械学習モデルで構築された表面粗さ評価手段が、前記第１機械学習モデルの前記出力情報を入力情報とし、前記フレッシュコンクリートの表面粗さを評価して出力する表面粗さ評価工程と、判定手段が前記第２機械学習モデルの出力情報及び前記第３機械学習モデルの出力情報に基づいて、前記フレッシュコンクリートの性状の良否を判定する判定工程と、出力手段が少なくとも前記フレッシュコンクリートの性状の良否を前記撮像情報に関連付けた出力情報を出力する出力工程とを行うことを特徴とする。
【0013】
上記撮像情報とは、スランプ試験やスランプフロー試験で撮像された静止画像または動画像などのことをいう。
上記フレッシュコンクリートの粘性を評価する、及びフレッシュコンクリートの表面粗さを評価するとは、粘性の度合や表面粗さの度合を数値化して評価する、あるいは粘性の度合や表面粗さの度合に応じた区分で評価することをいう。
上記フレッシュコンクリートの粘性を評価する、及びフレッシュコンクリートの表面粗さを評価するとは、粘性の度合や表面粗さの度合を数値化して評価する、あるいは粘性の度合や表面粗さの度合に応じた区分で評価することをいう。
【0014】
この発明によれば、コンクリート識別手段によって識別された撮像情報のスランプ試験体に基づいて、フレッシュコンクリートの粘性及びフレッシュコンクリートの表面粗さをそれぞれ評価するため、材料分離だけを評価する場合に比べて、フレッシュコンクリートの性状を詳しく評価することができる。
【0015】
この際、コンクリート識別手段の第１機械学習モデルに入力される入力情報として、スランプ試験やスランプフロー試験の撮像情報を用いるため、フレッシュコンクリート評価システムは、荷卸しの現場において、スランプ試験体以外の試料を用意して撮像することを不要できる。
これにより、フレッシュコンクリート評価システムは、荷卸しの現場における作業者の負担を軽減することができる。
これにより、フレッシュコンクリート評価システムは、荷卸しの現場における作業者の負担を軽減することができる。
【0016】
さらに、粘性を評価する粘性評価手段が第２機械学習モデルで構築され、表面粗さを評価する表面粗さ評価手段が第３機械学習モデルで構築されているため、フレッシュコンクリート評価システムは、作業者が経験に基づいて評価する場合に比べて、フレッシュコンクリートの粘性及び表面粗さを効率よく、かつ安定した精度で評価することができる。
【0017】
そして、フレッシュコンクリートの性状の良否を判定する判定手段を備えているため、フレッシュコンクリート評価システムは、作業者がフレッシュコンクリートの性状の良否を判断する手間を省くとともに、フレッシュコンクリートの性状の良否を安定して判定することができる。
【0018】
よって、フレッシュコンクリート評価システム、及びこれを用いたフレッシュコンクリート評価方法は、打設に適した性状のフレッシュコンクリートであるかを精度よく、かつ容易に評価することができる。
【0019】
このため、フレッシュコンクリート評価システム及びフレッシュコンクリート評価方法は、フレッシュコンクリートが荷卸しされる現場において、スランプ試験やスランプフロー試験と同様に、フレッシュコンクリートの性状の全数評価を可能にすることができる。
【0020】
この発明の態様として、前記コンクリート識別手段の前記第１機械学習モデルは、前景及び背景を含む前記撮像情報から前記スランプ試験体を直接的に識別する構成であってもよい。
この構成によれば、撮像情報の前景及び背景を削除することでスランプ試験体を識別する場合に比べて、撮像情報のスランプ試験体を効率よく識別することができる。
この構成によれば、撮像情報の前景及び背景を削除することでスランプ試験体を識別する場合に比べて、撮像情報のスランプ試験体を効率よく識別することができる。
【0021】
またこの発明の態様として、前記粘性評価手段の前記第２機械学習モデルは、前記撮像情報の前記スランプ試験体に基づいて、前記フレッシュコンクリートの粘性の度合を示す粘性評価点を出力する構成であり、前記表面粗さ評価手段の前記第３機械学習モデルは、前記撮像情報の前記スランプ試験体に基づいて、前記フレッシュコンクリートの表面粗さの度合を示す表面粗さ評価点を出力する構成であり、前記判定手段は、前記粘性評価点に基づいて前記フレッシュコンクリートの粘性の良否を判定するとともに、前記表面粗さ評価点に基づいて前記フレッシュコンクリートの表面粗さの良否を判定する構成であってもよい。
【0022】
この構成によれば、フレッシュコンクリートの性状をより詳しく評価できるため、フレッシュコンクリートの性状の良否をより精度よく判定することができる。
さらに、例えば粘性評価点及び表面粗さ評価点を付与した出力情報を表示手段に表示することで、フレッシュコンクリート評価システムは、作業者に対してフレッシュコンクリートの性状を客観的に伝えることができる。
さらに、例えば粘性評価点及び表面粗さ評価点を付与した出力情報を表示手段に表示することで、フレッシュコンクリート評価システムは、作業者に対してフレッシュコンクリートの性状を客観的に伝えることができる。
【0023】
またこの発明の態様として、前記出力手段は、前記フレッシュコンクリートの粘性の度合を区分分けした粘性区分を関連付けた前記粘性評価点と、前記フレッシュコンクリートの表面粗さの度合を区分分けした表面粗さ区分を関連付けた前記表面粗さ評価点とを含む前記出力情報を出力する構成であってもよい。
【0024】
上記粘性区分とは、例えば粘性が低い、粘性が適正、及び粘性が高いなどのことをいう。
上記表面粗さ区分とは、例えば表面粗さが粗い、表面粗さが適正、及び表面粗さが滑らかなどのことをいう。なお、表面粗さが滑らかとは、換言すると表面粗さが細かいともいう。
上記表面粗さ区分とは、例えば表面粗さが粗い、表面粗さが適正、及び表面粗さが滑らかなどのことをいう。なお、表面粗さが滑らかとは、換言すると表面粗さが細かいともいう。
【0025】
この構成によれば、例えば荷卸しの現場から離れた生産工場に出力情報を送信することで、フレッシュコンクリートの生産に関わる生産管理者に対して、撮像情報や、粘性評価点及び表面粗さ評価点だけでは伝わり難いフレッシュコンクリートの性状をより客観的に伝えることができる。
【0026】
さらに、出力情報の撮像情報に粘性区分及び表面粗さ区分が関連付けられるため、フレッシュコンクリート評価システムは、フレッシュコンクリートの性状の判断経験が浅い作業者の育成に出力情報を用いることができる。
【0027】
またこの発明の態様として、複数の技術者が前記撮像情報の前記スランプ試験体を粘性の度合に応じて評価した評価点の平均値を粘性平均値として、前記粘性評価手段の前記第２機械学習モデルは、前記粘性平均値が付与された前記撮像情報を教師データとして用いた学習モデルであり、複数の技術者が前記撮像情報の前記スランプ試験体を表面粗さの度合に応じて評価した評価点の平均値を表面粗さ平均値として、前記表面粗さ評価手段の前記第３機械学習モデルは、前記表面粗さ平均値が付与された前記撮像情報を教師データとして用いた学習モデルであってもよい。
【0028】
この構成によれば、複数の技術者の経験を加味した教師データを用いて、高精度な第２機械学習モデル及び第３機械学習モデルを構築することができる。
これにより、フレッシュコンクリート評価システムは、例えば粘性の違いによる特徴を示す情報を教師データとした場合に比べて、第２機械学習モデルが評価した粘性の度合を、技術者が判断した粘性の度合に近づけることができる。
これにより、フレッシュコンクリート評価システムは、例えば粘性の違いによる特徴を示す情報を教師データとした場合に比べて、第２機械学習モデルが評価した粘性の度合を、技術者が判断した粘性の度合に近づけることができる。
【0029】
同様に、フレッシュコンクリート評価システムは、例えば表面粗さの違いによる特徴を示す情報を教師データとした場合に比べて、第３機械学習モデルが評価した表面粗さの度合を、技術者が判断した表面粗さの度合に近づけることができる。
よって、フレッシュコンクリート評価システムは、フレッシュコンクリートの性状をさらに精度よく評価することができる。
よって、フレッシュコンクリート評価システムは、フレッシュコンクリートの性状をさらに精度よく評価することができる。
【0030】
またこの発明の態様として、前記技術者が粘性の度合に応じて評価した評価点は、前記粘性の度合の区分を示す粘性区分ごとに関連付けられた評価点の一つであり、前記技術者が表面粗さの度合に応じて評価した評価点は、前記表面粗さの度合の区分を示す表面粗さ区分ごとに関連付けられた評価点の一つであってもよい。
【0031】
上記粘性区分とは、例えば粘性が低い、粘性が適正、及び粘性が高いなどのことをいう。
上記表面粗さ区分とは、例えば表面粗さが粗い、表面粗さが適正、及び表面粗さが滑らかなどのことをいう。なお、表面粗さが滑らかとは、換言すると表面粗さが細かいともいう。
この構成によれば、第２機械学習モデルに用いる教師データ、及び第３機械学習モデルに用いる教師データの精度を向上することができる。
上記表面粗さ区分とは、例えば表面粗さが粗い、表面粗さが適正、及び表面粗さが滑らかなどのことをいう。なお、表面粗さが滑らかとは、換言すると表面粗さが細かいともいう。
この構成によれば、第２機械学習モデルに用いる教師データ、及び第３機械学習モデルに用いる教師データの精度を向上することができる。
【0032】
具体的には、教師データを生成するために、技術者が撮像情報のスランプ試験体を評価する際、技術者は、スランプ試験体の粘性が粘性区分のいずれに該当するか、スランプ試験体の表面粗さが表面粗さ区分のいずれに該当するかで判断すればよくなる。
【0033】
このため、撮像情報のスランプ試験体に対して技術者が直接的に評価点をつける場合に比べて、フレッシュコンクリート評価システムは、撮像情報のスランプ試験体に対する技術者の評価点が、技術者によってバラつくことを抑えることができる。
【0034】
これにより、フレッシュコンクリート評価システムは、安定した精度の教師データを用いた第２機械学習モデル及び第３機械学習モデルを構築できるため、フレッシュコンクリートの粘性及び表面粗さを安定した精度で評価することができる。
【0035】
またこの発明の態様として、前記粘性区分は、適度な流動性を有する好適な状態と、該好適な状態より流動性が低い状態と、前記好適な状態よりも流動性が高い状態と、該流動性が高い状態よりもさらに流動性が高い状態の四水準であり、前記表面粗さ区分は、粗骨材が目立たない好適な状態と、粗骨材が明確な状態と、前記好適な状態と前記粗骨材が明確な状態との中間の状態の三水準であってもよい。
【0036】
この構成によれば、粘性区分及び表面粗さ区分がそれぞれ良否の二水準の場合に比べて、第２機械学習モデルに用いる教師データ、及び第３機械学習モデルに用いる教師データを、フレッシュコンクリートの性状を詳しく評価するのに好適な教師データとすることができる。
【0037】
またこの発明の態様として、前記判定手段が前記フレッシュコンクリートを不良と判定した場合、前記フレッシュコンクリートの性状不良を報知する報知手段が備えられてもよい。
上記報知手段は、作業者が所有する端末に設けた報知手段、あるいは通信回線を介して接続された別の端末に設けた報知手段などのことをいう。
上記報知手段は、作業者が所有する端末に設けた報知手段、あるいは通信回線を介して接続された別の端末に設けた報知手段などのことをいう。
【0038】
この構成によれば、例えば作業者が保持する端末に報知することで、スランプ試験を行う作業者に対してフレッシュコンクリートの性状不良を速やかに知らせることができる。
【0039】
あるいは、通信回線を介して接続された生産工場の端末に報知することで、フレッシュコンクリート評価システムは、生産工場の生産管理者に対してフレッシュコンクリートの性状不良を知らせることができるとともに、生産工程の点検などを容易に促すことができる。
これにより、このため、フレッシュコンクリート評価システムは、所望される性状を満足しないフレッシュコンクリートが打設に用いられることを防止できる。
これにより、このため、フレッシュコンクリート評価システムは、所望される性状を満足しないフレッシュコンクリートが打設に用いられることを防止できる。
【発明の効果】
【0040】
本発明により、打設に適した性状のフレッシュコンクリートであるかを精度よく、かつ容易に評価できるフレッシュコンクリート評価システム及びフレッシュコンクリート評価方法を提供することができる。
【図面の簡単な説明】
【0041】
【図1】コンクリート施工現場の概略を示す概略図。
【図2】フレッシュコンクリート評価システムの構成を示す構成図。
【図3】フレッシュコンクリート評価システムの内部構成を示すブロック図。
【図4】画像データの概略を説明する説明図。
【図5】第１機械学習モデルの概略を説明する説明図。
【図6】第２機械学習モデルの概略を説明する説明図。
【図7】第３機械学習モデルの概略を説明する説明図。
【図8】コンクリートの性状を説明する説明図。
【図9】フレッシュコンクリート評価システムの処理動作を示すシーケンス図。
【図10】性状評価処理の処理動作を示すフローチャート。
【図11】判定結果画面の概略を説明する説明図。
【発明を実施するための形態】
【0042】
【0043】
【0044】
さらに、図４は画像データ３８の概略を説明する説明図を示し、図５は第１機械学習モデル３５の概略を説明する説明図を示し、図６は第２機械学習モデル３６の概略を説明する説明図を示している。
加えて、図７は第３機械学習モデル３７の概略を説明する説明図を示し、図８はコンクリートの性状を説明する説明図を示している。
加えて、図７は第３機械学習モデル３７の概略を説明する説明図を示し、図８はコンクリートの性状を説明する説明図を示している。
【0045】
まず、フレッシュコンクリート（以下、コンクリートと呼ぶ）は、図１に示すように、生産工場１からアジテータトラック２に積載されるとともに、攪拌されながら荷卸しの現場へ向けて運搬される。
【0046】
そして、荷卸しの現場にアジテータトラック２が到着すると、作業者Ｍは、アジテータトラック２からコンクリートを荷卸しするとともに、荷卸ししたコンクリートが打設に適した品質かを確認する。
【0047】
具体的には、作業者Ｍは、日本産業規格のＪＩＳＡ１１０１の「コンクリートのスランプ試験方法」に基づいたスランプ試験や、ＪＩＳＡ１１５０の「コンクリートのスランプフロー試験方法」に基づいたスランプフロー試験を行い、荷卸ししたコンクリートの品質を確認する。
【0048】
さらに、上述したスランプ試験やスランプフロー試験に引き続いて、作業者Ｍは、コンクリートの性状が打設に適しているかを、フレッシュコンクリート評価システム３を用いて評価判定する。
【0049】
このようなフレッシュコンクリート評価システム３は、図１及び図２に示すように、コンクリートを生産する生産工場１に配置された生産管理端末１０と、コンクリートの荷卸しの現場に配置された作業者端末２０と、通信回線４を介して生産管理端末１０及び作業者端末２０に接続されたサーバー３０とを備えている。
【0050】
生産管理端末１０は、図２に示すように、生産工場１の生産管理事務所１ａに配置された端末であって、コンクリートの生産工程、コンクリートの生産量、及びコンクリートの品質を管理する生産管理者が使用している。
【0051】
また、作業者端末２０は、図２に示すように、生産工場１から離れた荷卸しの現場に配置された携帯電話型の端末であって、スランプ試験または／およびスランプフロー試験にかかわる作業者Ｍが使用している。
【0052】
また、サーバー３０は、生産工場１及び荷卸しの現場から離れた場所に配置され、通信回線４を介して生産管理端末１０及び作業者端末２０に通信可能に接続されている。このサーバー３０は、生産管理端末１０との間で各種情報を授受する機能と、作業者端末２０との間で各種情報を授受する機能と、作業者端末２０から取得した画像データ３８を解析してコンクリートの性状を評価する機能とを有している。
【0053】
詳述すると、生産管理端末１０は、図３に示すように、生産管理者の各種操作を受け付ける操作受付部１１と、各種情報を表示する表示部１２と、各種情報を記憶する記憶部１３と、通信回線４に接続する回線接続部１４と、これらの動作を制御する制御部１５とを備えている。
【0054】
具体的には、操作受付部１１は、図２に示すように、例えばキーボード１１ａやマウス１１ｂなどで構成され、生産管理者による入力操作を受け付ける機能と、受け付けた入力内容を示す情報を制御部１５に出力する機能とを有している。
表示部１２は、図２に示すように、例えば液晶ディスプレイなどで構成され、制御部１５からの制御信号により、各種情報を表示する機能を有している。
表示部１２は、図２に示すように、例えば液晶ディスプレイなどで構成され、制御部１５からの制御信号により、各種情報を表示する機能を有している。
【0055】
記憶部１３は、ハードディスクあるいは不揮発性メモリなどで構成され、各種情報を書き込んで記憶する機能と、各種情報を読み出す機能とを有している。この記憶部１３には、コンクリートの生産管理に係る各種プログラム、及びサーバー３０との各種情報の授受に係るプログラムなどが記憶されている。
【0056】
回線接続部１４は、例えば有線ＬＡＮボードなどで構成され、通信回線４に接続する機能と、通信回線４を介して各種情報の受送信を行う機能とを有している。
制御部１５は、ＣＰＵやメモリなどのハードウェアと、制御プログラムなどのソフトウェアとで構成されている。
制御部１５は、ＣＰＵやメモリなどのハードウェアと、制御プログラムなどのソフトウェアとで構成されている。
【0057】
この制御部１５は、サーバー３０との各種情報の授受に係る処理機能と、操作受付部１１、表示部１２、記憶部１３及び回線接続部１４との各種信号の授受に係る処理機能と、所定のバスを介して接続された各部の動作を制御する機能とを有している。
【0058】
また、作業者端末２０は、図３に示すように、各種情報を表示するとともに、作業者Ｍの各種操作を受け付ける操作表示部２１と、各種情報を記憶する端末記憶部２２と、外部を撮像するカメラ２３と、通信回線４に接続する回線接続部２４と、これらの動作を制御する端末制御部２５とを備えている。
【0059】
具体的には、操作表示部２１は、例えばタッチパネルディスプレイなどで構成され、使用者の各種操作を受け付ける機能と、スランプ試験体５（図１参照）の撮像操作や、スランプ試験体５を撮像した画像データ３８（図４参照）の解析操作に必要な各種情報を表示する機能とを有している。
【0060】
端末記憶部２２は、ハードディスクあるいは不揮発性メモリなどで構成され、各種情報を書き込んで記憶する機能と、各種情報を読み出す機能とを有している。この端末記憶部２２には、コンクリートの性状評価に係る処理プログラムなどが記憶されている。
【0061】
カメラ２３は、端末制御部２５からの制御信号に基づいて被写体を撮像する機能と、被写体を撮像した撮像信号を端末制御部２５に出力する機能とを有している。
回線接続部２４は、例えば無線通信モジュールなどで構成され、通信回線４に接続する機能と、通信回線４を介した各種情報の送受信を行う機能とを有している。
回線接続部２４は、例えば無線通信モジュールなどで構成され、通信回線４に接続する機能と、通信回線４を介した各種情報の送受信を行う機能とを有している。
【0062】
端末制御部２５は、ＣＰＵやメモリなどのハードウェアと、制御プログラムなどのソフトウェアとで構成されている。
この端末制御部２５は、サーバー３０との各種情報の授受に係る処理機能と、操作表示部２１、端末記憶部２２、カメラ２３及び回線接続部２４との各種信号の授受に係る処理機能と、所定のバスを介して接続された各部の動作を制御する機能とを有している。
この端末制御部２５は、サーバー３０との各種情報の授受に係る処理機能と、操作表示部２１、端末記憶部２２、カメラ２３及び回線接続部２４との各種信号の授受に係る処理機能と、所定のバスを介して接続された各部の動作を制御する機能とを有している。
【0063】
また、サーバー３０は、図３に示すように、通信回線４に接続する回線接続部３１と、各種情報を記憶するサーバー記憶部３２と、これらの動作を制御するサーバー制御部３３とを備えている。
具体的には、回線接続部３１は、例えば有線ＬＡＮボードなどで構成され、通信回線４に接続する機能と、通信回線４を介して各種情報の受送信を行う機能とを有している。
具体的には、回線接続部３１は、例えば有線ＬＡＮボードなどで構成され、通信回線４に接続する機能と、通信回線４を介して各種情報の受送信を行う機能とを有している。
【0064】
また、サーバー記憶部３２は、ハードディスクあるいは不揮発性メモリなどで構成され、各種情報を書き込んで記憶する機能と、各種情報を読み出す機能とを有している。
このサーバー記憶部３２には、図３に示すように、施工現場ごとに設定登録されたプロジェクトデータ３４と、コンクリートの性状を評価判定する性状評価プログラム（図示省略）と、後述するプロジェクトデータ３４の画像データ３８を解析してスランプ試験体５を識別する第１機械学習モデル３５が記憶されている。
このサーバー記憶部３２には、図３に示すように、施工現場ごとに設定登録されたプロジェクトデータ３４と、コンクリートの性状を評価判定する性状評価プログラム（図示省略）と、後述するプロジェクトデータ３４の画像データ３８を解析してスランプ試験体５を識別する第１機械学習モデル３５が記憶されている。
【0065】
さらに、サーバー記憶部３２には、スランプ試験体５の粘性の度合（以下、粘性度合と呼ぶ）を解析評価する第２機械学習モデル３６と、スランプ試験体５の表面粗さの度合（以下、表面粗さ度合と呼ぶ）を解析評価する第３機械学習モデル３７とが記憶されている。
【0066】
サーバー制御部３３は、ＣＰＵやメモリなどのハードウェアと、制御プログラムなどのソフトウェアとで構成されている。
このサーバー制御部３３は、生産管理端末１０及び作業者端末２０との各種情報の授受に係る処理機能と、回線接続部３１及びサーバー記憶部３２との各種信号の授受に係る処理機能と、所定のバスを介して接続された各部の動作を制御する機能とを有している。
このサーバー制御部３３は、生産管理端末１０及び作業者端末２０との各種情報の授受に係る処理機能と、回線接続部３１及びサーバー記憶部３２との各種信号の授受に係る処理機能と、所定のバスを介して接続された各部の動作を制御する機能とを有している。
【0067】
ここで、上述したプロジェクトデータ３４、第１機械学習モデル３５、第２機械学習モデル３６及び第３機械学習モデル３７について詳述する。
まず、プロジェクトデータ３４は、施工場所と、打設開始予定日時、打設終了予定日時及び打設完了日時などを示す各種情報と、画像データ３８、粘性評価画像３９及び表面粗さ評価画像４０とが、プロジェクト名を示す情報に関連付けられたデータ群である。
まず、プロジェクトデータ３４は、施工場所と、打設開始予定日時、打設終了予定日時及び打設完了日時などを示す各種情報と、画像データ３８、粘性評価画像３９及び表面粗さ評価画像４０とが、プロジェクト名を示す情報に関連付けられたデータ群である。
【0068】
このプロジェクトデータ３４の画像データ３８は、図４に示すように、スランプ試験または／およびスランプフロー試験の状況を撮像した画像であって、少なくともスランプ試験体５が被写体として撮像され、スランプ試験体５以外の被写体として例えばスランプ平板６及びスランプ検尺７が撮像されている。この画像データ３８には、撮影日時を示す情報や試験体名を示す情報などが付与されている。
【0069】
また、プロジェクトデータ３４の粘性評価画像３９は、後述する第２機械学習モデル３６が出力した画像データである。この粘性評価画像３９には、後述する粘性度合に応じた粘性評価点、及び粘性評価点に対応する粘性区分を示す粘性ラベルが付与されている。
【0070】
なお、後ほど詳述するが、粘性区分は、スランプ試験体５の粘性度合を「セメントペースト先走り」、「分離気味」、「粘性適正」及び「粘性過大」の４つに区分分けしたものである。
【0071】
また、プロジェクトデータ３４の表面粗さ評価画像４０は、後述する第３機械学習モデル３７が出力した画像データである。この表面粗さ評価画像４０には、後述する表面粗さ度合に応じた表面粗さ評価点、及び表面粗さ評価点に対応する表面粗さ区分を示す表面粗さラベルが付与されている。
なお、後ほど詳述するが、表面粗さ区分は、スランプ試験体５の表面粗さ度合を「粗い」、「滑らか」及び「中間」の３つに区分分けしたものである。
なお、後ほど詳述するが、表面粗さ区分は、スランプ試験体５の表面粗さ度合を「粗い」、「滑らか」及び「中間」の３つに区分分けしたものである。
【0072】
また、第１機械学習モデル３５は、図５に示すように、例えば入力情報が入力される入力層３５ａと、中間層３５ｂと、出力情報が出力される出力層３５ｃからなるニューラルネットワークを用いた画像識別アルゴリズムである。
【0073】
この第１機械学習モデル３５は、画像データ３８を解析して画像データ３８中の各物体を識別するとともに、識別した各物体が何であるかを示す名称ラベルを識別した物体に付与するように構築されている。
【0074】
具体的には、第１機械学習モデル３５は、図５に示すように、画像データ３８を入力情報とし、画像データ３８中のスランプ平板６、スランプ検尺７及びスランプ試験体５などの各物体を検出した識別画像３８Ａが、入力情報に対する出力情報として得られるように構築されている。
【0075】
このような第１機械学習モデル３５は、入力情報である画像データ３８とは別の画像データである複数の学習用画像５１を、入力情報に対する教師データＴ１として繰り返し学習して構築されている。
この際、第１機械学習モデル３５は、入力情報に対する出力情報が識別画像３８Ａとなるように、教師データＴ１に基づいて重み付けや判定閾値を繰り返し調整して学習している。
この際、第１機械学習モデル３５は、入力情報に対する出力情報が識別画像３８Ａとなるように、教師データＴ１に基づいて重み付けや判定閾値を繰り返し調整して学習している。
【0076】
なお、教師データＴ１である学習用画像５１は、図５に示すように、少なくともスランプ試験体５１ａ、スランプ平板５１ｂ及びスランプ検尺５１ｃの形状が予め識別されている。
さらに、学習用画像５１は、識別された形状にスランプ平板５１ｂを示す名称ラベル（図示省略）、スランプ検尺５１ｃを示す名称ラベル（図示省略）及びスランプ試験体５１ａを示す名称ラベル（図示省略）が付与されている。
さらに、学習用画像５１は、識別された形状にスランプ平板５１ｂを示す名称ラベル（図示省略）、スランプ検尺５１ｃを示す名称ラベル（図示省略）及びスランプ試験体５１ａを示す名称ラベル（図示省略）が付与されている。
【0077】
また、第２機械学習モデル３６は、図６に示すように、例えば第１機械学習モデル３５が出力した識別画像３８Ａが入力される入力層３６ａと、中間層３６ｂと、粘性評価画像３９が出力される出力層３６ｃからなるニューラルネットワークを用いた画像識別アルゴリズムである。
【0078】
この第２機械学習モデル３６は、図６に示すように、識別画像３８Ａにおけるスランプ試験体５の水平方向への広がり具合や形状の変形具合から材料分離の度合を解析するとともに、材料分離の度合をコンクリートの粘性度合として、粘性度合に応じた粘性評価点、及び粘性評価点に対応する粘性区分を示す粘性ラベルを付与するように構築されている。
【0079】
具体的には、第２機械学習モデル３６は、識別画像３８Ａを入力情報とし、入力情報に対する出力情報として、識別画像３８Ａからスランプ試験体５を含む領域を切り出した画像に、粘性度合に応じた粘性評価点及び粘性区分を示す粘性ラベルを付与した粘性評価画像３９が得られるように構築されている。
【0080】
一例として、第２機械学習モデル３６は、粘性度合に応じて０点から１５点の範囲で粘性評価点を算出するよう構築されている。
さらに、第２機械学習モデル３６は、粘性評価点が０点以上７点以下の場合、粘性区分を「分離気味」とし、粘性評価点が７点を超えて１２点以下の場合、粘性区分を「粘性適正」とし、粘性評価点が１２点を超えて１５点以下の場合、粘性区分を「粘性過大」とするよう構築されている。
さらに、第２機械学習モデル３６は、粘性評価点が０点以上７点以下の場合、粘性区分を「分離気味」とし、粘性評価点が７点を超えて１２点以下の場合、粘性区分を「粘性適正」とし、粘性評価点が１２点を超えて１５点以下の場合、粘性区分を「粘性過大」とするよう構築されている。
【0081】
なお、粘性区分の「分離気味」とは、セメントペースト成分の流動性が高く、粗骨材とセメントペーストとが分離した状態を示し、「粘性適正」とは、適度な流動性と粘性とを有した状態を示し、「粘性過大」とは、セメントペースト成分の流動性が極端に低く、スランプ試験体５の裾が広がらず、かつスランプ試験体５が丸みを帯びた形状に変形した状態を示している。
【0082】
このような第２機械学習モデル３６は、図６に示すように、画像データ３８とは別の画像データである複数の学習用画像５２を、入力情報に対する教師データＴ２として繰り返し学習して構築されている。
【0083】
この際、第２機械学習モデル３６は、入力情報に対する出力情報が粘性評価点及び粘性区分を付与した粘性評価画像３９となるように、教師データＴ２に基づいて重み付けや判定閾値を繰り返し調整して学習している。
【0084】
なお、教師データＴ２である学習用画像５２には、コンクリートの粘性度合を判断可能な複数の技術者による学習用画像５２の粘性評価点を平均した粘性平均値と、粘性区分を示す粘性ラベルとが付与されている。
この学習用画像５２の粘性評価点は、表１の粘性度合判定表に基づいて作業者などの技術者が決定している。
この学習用画像５２の粘性評価点は、表１の粘性度合判定表に基づいて作業者などの技術者が決定している。
【0085】
【表1】
【0086】
この四水準の粘性区分のうち、「セメントペースト先走り」は、図８に示すように、セメントペースト成分の流動性が高く、粗骨材とセメントペーストとが極端に分離した状態である。この「セメントペースト先走り」には、評価点として「０」点が関連付けられている。
【0087】
また、「分離気味」は、図８に示すように、「セメントペースト先走り」よりもセメントペースト成分の流動性が低く、かつスランプ試験体５の裾が流れて広がった状態である。この「分離気味」には、評価点として「５」点が関連付けられている。
【0088】
また、「粘性適正」は、図８に示すように、「分離気味」の状態と後述する「粘性過大」との中間の状態であって、適度な流動性と粘性とを有した状態である。この「粘性適正」には、評価点として最良の「１０」点が関連付けられている。
【0089】
また、「粘性過大」は、図８に示すように、セメントペースト成分の流動性が極端に低く、スランプ試験体５の裾が広がらず、かつスランプ試験体５が丸みを帯びた形状に変形した状態である。この「粘性過大」には、評価点として「１５」点が関連付けられている。
【0090】
このような粘性度合判定表を用いて、技術者は、学習用画像５２のスランプ試験体５２ａの粘性度合が、表１の粘性度合判定表のいずれの粘性区分に該当するか判定し、該当する粘性区分の評価点を学習用画像５２の粘性評価点として決定している。
【0091】
また、第３機械学習モデル３７は、図７に示すように、例えば第１機械学習モデル３５が出力した識別画像３８Ａが入力される入力層３７ａと、中間層３７ｂと、表面粗さ評価画像４０が出力される出力層３７ｃからなるニューラルネットワークを用いた画像識別アルゴリズムである。
【0092】
この第３機械学習モデル３７は、図７に示すように、識別画像３８Ａにおけるスランプ試験体５の表面テクスチャーから表面粗さを解析するとともに、表面粗さの度合をコンクリートの表面粗さ度合として、表面粗さ度合に応じた表面粗さ評価点、及び表面粗さ評価点に対応する表面粗さ区分を示す表面粗さラベルを付与するように構築されている。
【0093】
具体的には、第３機械学習モデル３７は、識別画像３８Ａを入力情報とし、入力情報に対する出力情報として、識別画像３８Ａからスランプ試験体５を含む領域を切り出した画像に、表面粗さ度合に応じた表面粗さ評価点及び表面粗さ区分を示す表面粗さラベルを付与した表面粗さ評価画像４０が得られるように構築されている。
【0094】
一例として、第３機械学習モデル３７は、表面粗さ度合に応じて０点から１０点の範囲で表面粗さ評価点を算出するよう構築されている。
さらに、第３機械学習モデル３７は、表面粗さ評価点が０点以上３点以下の場合、表面粗さ区分を「粗い」とし、表面粗さ評価点が３点を超えて６点以下の場合、表面粗さ区分を「中間」とし、表面粗さ評価点が６点を超えて１０点以下の場合、表面粗さ区分を「滑らか」とするよう構築されている。
さらに、第３機械学習モデル３７は、表面粗さ評価点が０点以上３点以下の場合、表面粗さ区分を「粗い」とし、表面粗さ評価点が３点を超えて６点以下の場合、表面粗さ区分を「中間」とし、表面粗さ評価点が６点を超えて１０点以下の場合、表面粗さ区分を「滑らか」とするよう構築されている。
【0095】
なお、表面粗さ区分の「粗い」とは、粗骨材を覆うモルタルが薄く、粗骨材の形状が明確な状態を示し、「滑らか」とは、粗骨材が適度にモルタルに覆われ、粗骨材が目立たない状態を示し、「中間」とは「粗い」と「滑らか」との中間の状態を示している。
【0096】
このような第３機械学習モデル３７は、図７に示すように、画像データ３８とは別の画像データである複数の学習用画像５３を、入力情報に対する教師データＴ３として繰り返し学習して構築されている。
この際、第３機械学習モデル３７は、入力情報に対する出力情報が表面粗さ評価点及び表面粗さ区分を付与した表面粗さ評価画像４０となるように、教師データＴ３に基づいて重み付けや判定閾値を繰り返し調整して学習している。
この際、第３機械学習モデル３７は、入力情報に対する出力情報が表面粗さ評価点及び表面粗さ区分を付与した表面粗さ評価画像４０となるように、教師データＴ３に基づいて重み付けや判定閾値を繰り返し調整して学習している。
【0097】
なお、教師データＴ３である学習用画像５３には、コンクリートの表面粗さ度合を判断可能な複数の技術者による学習用画像５３の表面粗さ評価点を平均した表面粗さ平均値と、表面粗さ区分を示す表面粗さラベルとが付与されている。
この学習用画像５３の表面粗さ評価点は、表２の表面粗さ度合判定表に基づいて作業者などの技術者が決定している。
この学習用画像５３の表面粗さ評価点は、表２の表面粗さ度合判定表に基づいて作業者などの技術者が決定している。
【0098】
【表2】
【0099】
この三水準の表面粗さ区分のうち、「粗い」は、図８に示すように、粗骨材を覆うモルタルが薄く、粗骨材の形状が明確な状態である。この「粗い」には、評価点として「０」点が関連付けられている。
【0100】
また、「中間」は、図８に示すように、「粗い」と後述する「滑らか」との中間の状態であって、「粗い」に比べてモルタルが厚く、粗骨材の形状が明確でない状態である。この「中間」には、評価点として「５」点が関連付けられている。
【0101】
また、「滑らか」は、図８に示すように、粗骨材が適度にモルタルに覆われ、粗骨材が目立たない状態である。この「滑らか」には、評価点として最良の「１０」点が関連付けられている。
【0102】
このような表面粗さ度合判定表を用いて、技術者は、学習用画像５３のスランプ試験体５３ａの表面粗さ度合が、表２の表面粗さ度合判定表のいずれの表面粗さ区分に該当するか判定し、該当する表面粗さ区分の評価点を学習用画像５３の表面粗さ評価点として決定している。
【0103】
次に、上述した構成のフレッシュコンクリート評価システム３における処理動作について、図９から図１１を用いて説明する。
なお、図９はフレッシュコンクリート評価システム３の処理動作のシーケンス図を示し、図１０は性状評価処理の処理動作のフローチャートを示し、図１１は判定結果画面６０の概略を説明する説明図を示している。
なお、図９はフレッシュコンクリート評価システム３の処理動作のシーケンス図を示し、図１０は性状評価処理の処理動作のフローチャートを示し、図１１は判定結果画面６０の概略を説明する説明図を示している。
【0104】
まず、作業者Ｍが作業者端末２０を操作してコンクリートの性状評価に係る処理プログラムを実行すると、作業者端末２０の端末制御部２５は、各種操作を案内するメニュー画面（図示省略）を操作表示部２１に表示する。
【0105】
このメニュー画面には、例えばプロジェクト名や試験体名の入力を促す案内メッセージ、スランプ試験後または／およびスランプフロー試験後のスランプ試験体５を撮像開始するためのカメラボタンや、スランプ試験体５を撮像した画像データ３８をサーバー３０に登録する登録ボタンなどが表示されている。
【0106】
作業者端末２０の操作表示部２１にメニュー画面が表示されると、作業者Ｍは、メニュー画面の案内にしたがって、プロジェクト名や試験体名を入力したのち、カメラボタンを押下する。
【0107】
作業者Ｍによるカメラボタンの押下を検知すると、端末制御部２５は、図９に示すように、撮像処理を開始して（ステップＳ１０１）、スランプ試験後または／およびスランプフロー試験後のスランプ試験体５の撮像を促す画面（図示省略）を操作表示部２１に表示する。
【0108】
この際、作業者Ｍは、操作表示部２１に表示された案内にしたがって、スランプ平板６上のスランプ試験体５を直上以外の方向、好ましくはスランプ試験体５の広がり具合と高さ方向の崩れ具合とが明確となる方向から撮像するように作業者端末２０を構える（図１参照）。その後、作業者Ｍは、操作表示部２１に表示されたシャッターボタンを押下する。
【0109】
作業者Ｍによるシャッターボタンの押下を検知すると、端末制御部２５からの制御信号に基づいて、カメラ２３は、被写体を撮像したのち、撮像信号を端末制御部２５に出力する。
カメラ２３から撮像信号を取得した端末制御部２５は、撮像信号に試験体名及び撮像日時を関連付けた画像データ３８を生成して端末記憶部２２に記憶する。
カメラ２３から撮像信号を取得した端末制御部２５は、撮像信号に試験体名及び撮像日時を関連付けた画像データ３８を生成して端末記憶部２２に記憶する。
【0110】
その後、作業者Ｍによる登録ボタンの押下を検知すると、端末制御部２５は、図９に示すように、画像データ３８をサーバー３０に送信する画像送信処理を開始する（ステップＳ１０２）。
この際、端末制御部２５は、プロジェクト名を画像データ３８に関連付けてサーバー３０に送信する。
この際、端末制御部２５は、プロジェクト名を画像データ３８に関連付けてサーバー３０に送信する。
【0111】
一方、作業者端末２０からの画像データ３８を受信すると、サーバー３０は、図９に示すように、画像データ３８を解析してコンクリートの性状を評価する性状評価処理を開始する（ステップＳ１０３）。
【0112】
具体的には、性状評価処理を開始すると、サーバー３０のサーバー制御部３３は、図１０に示すように、作業者端末２０から取得した画像データ３８をプロジェクト名に対応するプロジェクトデータ３４に関連付けて記憶する（ステップＳ１１１）。
【0113】
その後、サーバー制御部３３は、図１０に示すように、画像データ３８を解析して、画像データ３８中の各物体を識別する画像識別処理を開始する（ステップＳ１１２）。
【0114】
具体的には、サーバー制御部３３は、サーバー記憶部３２から読み出した第１機械学習モデル３５の入力層３５ａに対して画像データ３８を入力情報として入力する。
この際、第１機械学習モデル３５は、入力情報を入力層３５ａから中間層３５ｂへ、中間層３５ｂから出力層３５ｃへ受け渡しながら、予め学習した重みや閾値との比較判定などを行って画像データ３８中の各物体を識別する。
この際、第１機械学習モデル３５は、入力情報を入力層３５ａから中間層３５ｂへ、中間層３５ｂから出力層３５ｃへ受け渡しながら、予め学習した重みや閾値との比較判定などを行って画像データ３８中の各物体を識別する。
【0115】
その後、第１機械学習モデル３５は、各物体を示す情報、及び各物体の名称を示す名称ラベルを画像データ３８に付与した識別画像３８Ａを出力情報として出力する（図５参照）。
【0116】
例えば、第１機械学習モデル３５は、画像データ３８中のスランプ試験体５を示す情報、及び「スランプ試験体」という名称ラベルを画像データ３８に付与した識別画像３８Ａを出力情報として出力する。
【0117】
画像識別処理を完了すると、サーバー制御部３３は、図１０に示すように、識別画像３８Ａ中のスランプ試験体５を解析して、スランプ試験体５の水平方向への広がり具合や形状の変形具合からコンクリートの粘性度合を評価する粘性評価処理を開始する（ステップＳ１１３）。
【0118】
具体的には、サーバー制御部３３は、サーバー記憶部３２から読み出した第２機械学習モデル３６の入力層３６ａに対して識別画像３８Ａを入力情報として入力する。
この際、第２機械学習モデル３６は、入力情報を入力層３６ａから中間層３６ｂへ、中間層３６ｂから出力層３６ｃへ受け渡しながら、予め学習した重みや閾値との比較判定などを行ってコンクリートの粘性度合を示す粘性評価点を割り当てる。
この際、第２機械学習モデル３６は、入力情報を入力層３６ａから中間層３６ｂへ、中間層３６ｂから出力層３６ｃへ受け渡しながら、予め学習した重みや閾値との比較判定などを行ってコンクリートの粘性度合を示す粘性評価点を割り当てる。
【0119】
その後、第２機械学習モデル３６は、粘性評価点及び粘性評価点に対応する粘性区分を付与した粘性評価画像３９を出力情報として出力する（図６参照）。
粘性評価処理を完了すると、サーバー制御部３３は、図１０に示すように、識別画像３８Ａ中のスランプ試験体５の表面テクスチャーを解析して、コンクリートの表面粗さ度合を評価する表面粗さ評価処理を開始する（ステップＳ１１４）。
具体的には、サーバー制御部３３は、サーバー記憶部３２から読み出した第３機械学習モデル３７の入力層３７ａに対して識別画像３８Ａを入力情報として入力する。
粘性評価処理を完了すると、サーバー制御部３３は、図１０に示すように、識別画像３８Ａ中のスランプ試験体５の表面テクスチャーを解析して、コンクリートの表面粗さ度合を評価する表面粗さ評価処理を開始する（ステップＳ１１４）。
具体的には、サーバー制御部３３は、サーバー記憶部３２から読み出した第３機械学習モデル３７の入力層３７ａに対して識別画像３８Ａを入力情報として入力する。
【0120】
この際、第３機械学習モデル３７は、入力情報を入力層３７ａから中間層３７ｂへ、中間層３７ｂから出力層３７ｃへ受け渡しながら、予め学習した重みや閾値との比較判定などを行ってコンクリートの表面粗さ度合を示す表面粗さ評価点を割り当てる。
その後、第３機械学習モデル３７は、表面粗さ評価点及び表面粗さ評価点に対応する表面粗さ区分を付与した表面粗さ評価画像４０を出力情報として出力する（図７参照）。
その後、第３機械学習モデル３７は、表面粗さ評価点及び表面粗さ評価点に対応する表面粗さ区分を付与した表面粗さ評価画像４０を出力情報として出力する（図７参照）。
【0121】
表面粗さ評価処理を完了すると、サーバー制御部３３は、図１０に示すように、粘性評価画像３９の粘性評価点が粘性判定条件を満足するか否かを判定する（ステップＳ１１５）。なお、ここでは、一例として粘性判定条件を、粘性評価点が７点を超えて１２点以下とする。
【0122】
粘性評価点が粘性判定条件を満足しない場合（ステップＳ１１５：Ｎｏ）、サーバー制御部３３は、粘性度合が不良であること報知するための粘性報知フラグを生成したのち（ステップＳ１１６）、処理をステップＳ１１７に進める。
【0123】
一方、粘性評価点が粘性判定条件を満足する場合（ステップＳ１１５：Ｙｅｓ）、サーバー制御部３３は、表面粗さ評価画像４０の表面粗さ評価点が表面粗さ判定条件を満足するか否かを判定する（ステップＳ１１７）。なお、ここでは、一例として表面粗さ判定条件を、表面粗さ評価点が６点を超えて１０点以下とする。
【0124】
表面粗さ評価点が表面粗さ判定条件を満足しない場合（ステップＳ１１７：Ｎｏ）、サーバー制御部３３は、表面粗さ度合が不良であること報知するための表面粗さ報知フラグを生成したのち（ステップＳ１１８）、処理をステップＳ１１９に進める。
【0125】
一方、表面粗さ評価点が表面粗さ判定条件を満足する場合（ステップＳ１１７：Ｙｅｓ）、サーバー制御部３３は、作業者端末２０に送信する送信情報を生成する（ステップＳ１１９）。
【0126】
具体的には、サーバー制御部３３は、撮像日時などが付与された画像データ３８と、名称ラベルなどが付与された識別画像３８Ａと、粘性評価点及び粘性区分が付与された粘性評価画像３９と、表面粗さ評価点及び表面粗さ区分が付与された表面粗さ評価画像４０とを関連付けた送信情報を生成する。
【0127】
さらに、粘性報知フラグまたは／および表面粗さ報知フラグが生成されている場合、サーバー制御部３３は、粘性報知フラグまたは／および表面粗さ報知フラグを送信情報に付与する。
【0128】
その後、サーバー制御部３３は、プロジェクト名に対応するプロジェクトデータ３４に関連付けて送信情報を記憶したのち、送信情報に粘性報知フラグまたは／および表面粗さ報知フラグが付与されているか否かを判定する（ステップＳ１２０）。
【0129】
送信情報に粘性報知フラグまたは／および表面粗さ報知フラグが付与されていない場合（ステップＳ１２０：Ｙｅｓ）、サーバー制御部３３は、通信回線４を介して送信情報を作業者端末２０に送信したのち（ステップＳ１２１）、性状評価処理を終了する。
【0130】
一方、送信情報に粘性報知フラグまたは／および表面粗さ報知フラグが付与されている場合（ステップＳ１２０：Ｎｏ）、サーバー制御部３３は、通信回線４を介して送信情報を作業者端末２０及び生産管理端末１０の双方に送信したのち（ステップＳ１２２）、性状評価処理を終了する。
【0131】
図９のステップＳ１０３に戻って、サーバー３０からの送信情報を取得した作業者端末２０の端末制御部２５は、サーバー３０から取得した送信情報に基づいて、判定結果画面６０を生成するとともに、判定結果画面６０を操作表示部２１に表示する表示処理を開始する（ステップＳ１０４）。
【0132】
この判定結果画面６０には、図１１に示すように、画面上部に、画像データ３８、試験体名及び撮像日時が表示されるとともに、コンクリートの性状の良否を示す良否欄６１が表示されている。
さらに、判定結果画面６０には、「スランプ試験体の粘性」という項目が表示されるとともに、粘性評価画像３９、粘性区分が明示された粘性区分バー６２及び粘性評価点が画面中央に表示されている。
さらに、判定結果画面６０には、「スランプ試験体の粘性」という項目が表示されるとともに、粘性評価画像３９、粘性区分が明示された粘性区分バー６２及び粘性評価点が画面中央に表示されている。
【0133】
加えて、判定結果画面６０には、「スランプ試験体の表面粗さ」という項目が表示されるとともに、表面粗さ評価画像４０、表面粗さ区分が明示された表面粗さ区分バー６３及び表面粗さ評価点が画面下部に表示されている。
【0134】
なお、送信情報に粘性報知フラグまたは／および表面粗さ報知フラグが付与されていない場合、判定結果画面６０の良否欄６１に「良」が表示される。一方、送信情報に粘性報知フラグまたは／および表面粗さ報知フラグが付与されている場合、判定結果画面６０の良否欄６１に「粘性不良」または／および「表面粗さ不良」が表示される。
【0135】
また図９のステップＳ１０３に戻って、サーバー３０からの送信情報を取得した生産管理端末１０の制御部１５は、サーバー３０から取得した送信情報に基づいて、コンクリートの性状不良を報知する報知処理を開始する（ステップＳ１０５）。
【0136】
例えば、生産管理端末１０の制御部１５は、上述の判定結果画面６０と同様の画面を表示部１２に表示するとともに、音声による報知を行うことで、生産管理者にコンクリートの性状不良を通知する。
【0137】
このようにして、本実施形態のフレッシュコンクリート評価システム３は、フレッシュコンクリートが打設に適した性状であるかを評価するとともに、性状不良の場合には作業者Ｍ及び生産管理者に報知することで、フレッシュコンクリートの品質管理を支援している。
【0138】
以上のように、本実施形態のフレッシュコンクリート評価システム３は、スランプ試験または／およびスランプフロー試験におけるスランプ試験体５を撮像した画像データ３８に基づいて、フレッシュコンクリートの性状を評価するシステムである。
【0139】
このフレッシュコンクリート評価システム３は、画像データ３８を入力情報とし、画像データ３８のスランプ試験体５を識別して出力する第１機械学習モデル３５で構築されたコンクリート識別手段を備えている。
【0140】
さらに、フレッシュコンクリート評価システム３は、第１機械学習モデル３５の出力情報（識別画像３８Ａ）を入力情報とし、フレッシュコンクリートの粘性を評価して出力する第２機械学習モデル３６で構築された粘性評価手段を備えている。
【0141】
加えて、フレッシュコンクリート評価システム３は、第１機械学習モデル３５の出力情報（識別画像３８Ａ）を入力情報とし、フレッシュコンクリートの表面粗さを評価して出力する第３機械学習モデル３７で構築された表面粗さ評価手段を備えている。
【0142】
さらにまた、フレッシュコンクリート評価システム３は、第２機械学習モデル３６の出力情報（粘性評価画像３９）及び第３機械学習モデル３７の出力情報（表面粗さ評価画像４０）に基づいて、フレッシュコンクリートの性状の良否を判定する判定手段（サーバー制御部３３）を備えている。
【0143】
そして、フレッシュコンクリート評価システム３は、少なくともフレッシュコンクリートの性状の良否を画像データ３８に関連付けた送信情報を出力する出力手段（サーバー制御部３３）を備えている。
【0144】
また、本実施形態におけるフレッシュコンクリート評価方法は、第１機械学習モデル３５で構築されたコンクリート識別手段が、画像データ３８を入力情報とし、画像データ３８のスランプ試験体５を識別して出力するコンクリート識別工程と、第２機械学習モデル３６で構築された粘性評価手段が、第１機械学習モデル３５の出力情報（識別画像３８Ａ）を入力情報とし、フレッシュコンクリートの粘性を評価して出力する粘性評価工程とを行う。
【0145】
さらに、フレッシュコンクリート評価方法は、第３機械学習モデル３７で構築された表面粗さ評価手段が、第１機械学習モデル３５の出力情報（識別画像３８Ａ）を入力情報とし、フレッシュコンクリートの表面粗さを評価して出力する表面粗さ評価工程と、判定手段（サーバー制御部３３）が第２機械学習モデル３６の出力情報（粘性評価画像３９）及び第３機械学習モデル３７の出力情報（表面粗さ評価画像４０）に基づいて、フレッシュコンクリートの性状の良否を判定する判定工程とを行う。
【0146】
そして、フレッシュコンクリート評価方法は、出力手段（サーバー制御部３３）が少なくともフレッシュコンクリートの性状の良否を画像データ３８に関連付けた送信情報を出力する出力工程を行うものである。
【0147】
この構成によれば、コンクリート識別手段によって識別された画像データ３８のスランプ試験体５に基づいて、フレッシュコンクリートの粘性及びフレッシュコンクリートの表面粗さをそれぞれ評価するため、材料分離だけを評価する場合に比べて、フレッシュコンクリートの性状を詳しく評価することができる。
【0148】
この際、コンクリート識別手段の第１機械学習モデル３５に入力される入力情報として、スランプ試験やスランプフロー試験の画像データ３８を用いるため、フレッシュコンクリート評価システム３は、荷卸しの現場において、スランプ試験体５以外の試料を用意して撮像することを不要できる。
これにより、フレッシュコンクリート評価システム３は、荷卸しの現場における作業者Ｍの負担を軽減することができる。
これにより、フレッシュコンクリート評価システム３は、荷卸しの現場における作業者Ｍの負担を軽減することができる。
【0149】
さらに、粘性を評価する粘性評価手段が第２機械学習モデル３６で構築され、表面粗さを評価する表面粗さ評価手段が第３機械学習モデル３７で構築されているため、フレッシュコンクリート評価システム３は、作業者Ｍが経験に基づいて評価する場合に比べて、フレッシュコンクリートの粘性及び表面粗さを効率よく、かつ安定した精度で評価することができる。
【0150】
そして、フレッシュコンクリートの性状の良否を判定する判定手段（サーバー制御部３３）を備えているため、フレッシュコンクリート評価システム３は、作業者Ｍがフレッシュコンクリートの性状の良否を判断する手間を省くとともに、フレッシュコンクリートの性状の良否を安定して判定することができる。
【0151】
よって、フレッシュコンクリート評価システム３、及びこれを用いたフレッシュコンクリート評価方法は、打設に適した性状のフレッシュコンクリートであるかを精度よく、かつ容易に評価することができる。
【0152】
このため、フレッシュコンクリート評価システム３及びフレッシュコンクリート評価方法は、フレッシュコンクリートが荷卸しされる現場において、スランプ試験やスランプフロー試験と同様に、フレッシュコンクリートの性状の全数評価を可能にすることができる。
【0153】
また、コンクリート識別手段の第１機械学習モデル３５が、前景及び背景を含む画像データ３８からスランプ試験体５を直接的に識別するため、フレッシュコンクリート評価システム３は、画像データ３８の前景及び背景を削除することでスランプ試験体５を識別する場合に比べて、画像データ３８のスランプ試験体５を効率よく識別することができる。
【0154】
また、粘性評価手段の第２機械学習モデル３６は、画像データ３８のスランプ試験体５に基づいて、フレッシュコンクリートの粘性度合を示す粘性評価点を出力する構成である。
【0155】
さらに、表面粗さ評価手段の第３機械学習モデル３７は、画像データ３８のスランプ試験体５に基づいて、フレッシュコンクリートの表面粗さ度合を示す表面粗さ評価点を出力する構成である。
【0156】
そして、判定手段（サーバー制御部３３）は、粘性評価点に基づいてフレッシュコンクリートの粘性の良否を判定するとともに、表面粗さ評価点に基づいてフレッシュコンクリートの表面粗さの良否を判定する構成である。
【0157】
この構成によれば、フレッシュコンクリートの性状をより詳しく評価できるため、フレッシュコンクリートの性状の良否をより精度よく判定することができる。
さらに、粘性評価点及び表面粗さ評価点を付与した送信情報を作業者端末２０に表示することで、フレッシュコンクリート評価システム３は、作業者Ｍに対してフレッシュコンクリートの性状を客観的に伝えることができる。
さらに、粘性評価点及び表面粗さ評価点を付与した送信情報を作業者端末２０に表示することで、フレッシュコンクリート評価システム３は、作業者Ｍに対してフレッシュコンクリートの性状を客観的に伝えることができる。
【0158】
また、出力手段（サーバー制御部３３）は、フレッシュコンクリートの粘性度合を区分分けした粘性区分を関連付けた粘性評価点と、フレッシュコンクリートの表面粗さ度合を区分分けした表面粗さ区分を関連付けた表面粗さ評価点とを含む送信情報を出力する構成である。
【0159】
この構成によれば、例えば荷卸しの現場から離れた生産工場１でフレッシュコンクリートの生産に関わる生産管理者に対して、画像データ３８や、粘性評価点及び表面粗さ評価点だけでは伝わり難いフレッシュコンクリートの性状をより客観的に伝えることができる。
【0160】
さらに、送信情報の画像データ３８に粘性区分及び表面粗さ区分が関連付けられるため、フレッシュコンクリート評価システム３は、フレッシュコンクリートの性状の判断経験が浅い作業者Ｍの育成に出力情報を用いることができる。
【0161】
また、複数の技術者が画像データ３８のスランプ試験体５を粘性度合に応じて評価した評価点の平均値を粘性平均値とし、粘性評価手段の第２機械学習モデル３６は、粘性平均値が付与された画像データ３８を教師データＴ２として用いた学習モデルである。
【0162】
さらに、複数の技術者が画像データ３８のスランプ試験体５を表面粗さ度合に応じて評価した評価点の平均値を表面粗さ平均値として、表面粗さ評価手段の第３機械学習モデル３７は、表面粗さ平均値が付与された画像データ３８を教師データＴ３として用いた学習モデルである。
【0163】
この構成によれば、複数の技術者の経験を加味した教師データＴ２，Ｔ３を用いて、高精度な第２機械学習モデル３６及び第３機械学習モデル３７を構築することができる。
これにより、フレッシュコンクリート評価システム３は、例えば粘性の違いによる特徴を示す情報を教師データとした場合に比べて、第２機械学習モデル３６が評価した粘性度合を、技術者が判断した粘性度合に近づけることができる。
これにより、フレッシュコンクリート評価システム３は、例えば粘性の違いによる特徴を示す情報を教師データとした場合に比べて、第２機械学習モデル３６が評価した粘性度合を、技術者が判断した粘性度合に近づけることができる。
【0164】
同様に、フレッシュコンクリート評価システム３は、例えば表面粗さの違いによる特徴を示す情報を教師データとした場合に比べて、第３機械学習モデル３７が評価した表面粗さ度合を、技術者が判断した表面粗さ度合に近づけることができる。
よって、フレッシュコンクリート評価システム３は、フレッシュコンクリートの性状をさらに精度よく評価することができる。
よって、フレッシュコンクリート評価システム３は、フレッシュコンクリートの性状をさらに精度よく評価することができる。
【0165】
また、技術者が粘性度合に応じて評価した評価点は、粘性度合の区分を示す粘性区分ごとに関連付けられた評価点の一つである。さらに、技術者が表面粗さ度合に応じて評価した評価点は、表面粗さ度合の区分を示す表面粗さ区分ごとに関連付けられた評価点の一つである。
【0166】
この構成によれば、第２機械学習モデル３６に用いる教師データＴ２、及び第３機械学習モデル３７に用いる教師データＴ３の精度を向上することができる。
【0167】
具体的には、教師データＴ２，Ｔ３を生成するために、技術者が画像データ３８のスランプ試験体５を評価する際、技術者は、スランプ試験体５の粘性が粘性区分のいずれに該当するか、スランプ試験体５の表面粗さが表面粗さ区分のいずれに該当するかで判断すればよくなる。
【0168】
このため、画像データ３８のスランプ試験体５に対して技術者が直接的に評価点をつける場合に比べて、フレッシュコンクリート評価システム３は、画像データ３８のスランプ試験体５に対する技術者の評価点が、技術者によってバラつくことを抑えることができる。
【0169】
これにより、フレッシュコンクリート評価システム３は、安定した精度の教師データＴ２，Ｔ３を用いた第２機械学習モデル３６及び第３機械学習モデル３７を構築できるため、フレッシュコンクリートの粘性及び表面粗さを安定した精度で評価することができる。
【0170】
また、粘性区分は、適度な流動性を有する好適な状態である「粘性適正」と、「粘性適正」より流動性が低い状態である「粘性過大」と、「粘性適正」よりも流動性が高い状態である「分離気味」と、「分離気味」よりも流動性が高い状態である「セメントペースト先走り」の四水準である。
一方、表面粗さ区分は、粗骨材が目立たない好適な状態である「滑らか」と、粗骨材が明確な状態である「粗い」と、「滑らか」と「粗い」との中間の状態である「中間」の三水準である。
一方、表面粗さ区分は、粗骨材が目立たない好適な状態である「滑らか」と、粗骨材が明確な状態である「粗い」と、「滑らか」と「粗い」との中間の状態である「中間」の三水準である。
【0171】
この構成によれば、粘性区分及び表面粗さ区分がそれぞれ良否の二水準の場合に比べて、第２機械学習モデル３６に用いる教師データＴ２、及び第３機械学習モデル３７に用いる教師データＴ３を、フレッシュコンクリートの性状を詳しく評価するのに好適な教師データとすることができる。
【0172】
また、フレッシュコンクリート評価システム３は、判定手段（サーバー制御部３３）がフレッシュコンクリートを不良と判定した場合、フレッシュコンクリートの性状不良を報知する報知手段（生産管理端末１０及び作業者端末２０）を備えている。
この構成によれば、作業者Ｍが保持する作業者端末２０に報知することで、スランプ試験を行う作業者Ｍに対してフレッシュコンクリートの性状不良を速やかに知らせることができる。
この構成によれば、作業者Ｍが保持する作業者端末２０に報知することで、スランプ試験を行う作業者Ｍに対してフレッシュコンクリートの性状不良を速やかに知らせることができる。
【0173】
さらに、通信回線４を介して接続された生産管理端末１０に報知することで、フレッシュコンクリート評価システム３は、生産工場１の生産管理者に対してフレッシュコンクリートの性状不良を知らせることができるとともに、生産工程の点検などを容易に促すことができる。
これにより、このため、フレッシュコンクリート評価システム３は、所望される性状を満足しないフレッシュコンクリートが打設に用いられることを防止できる。
これにより、このため、フレッシュコンクリート評価システム３は、所望される性状を満足しないフレッシュコンクリートが打設に用いられることを防止できる。
【0174】
この発明の構成と、上述の実施形態との対応において、
この発明の撮像情報は、実施形態の画像データ３８に対応し、
以下同様に、
第１機械学習モデルの出力情報は、識別画像３８Ａに対応し、
第２機械学習モデルの出力情報は、粘性評価画像３９に対応し、
第３機械学習モデルの出力情報は、表面粗さ評価画像４０に対応し、
判定手段及び出力手段は、サーバー制御部３３に対応し、
出力情報は、送信情報に対応し、
報知手段は、生産管理端末１０及び作業者端末２０に対応し、
コンクリート識別工程は、ステップＳ１１２に対応し、
粘性評価工程は、ステップＳ１１３に対応し、
表面粗さ評価工程は、ステップＳ１１４に対応し、
判定工程は、ステップＳ１１５及びステップＳ１１７に対応し、
出力工程は、ステップＳ１１９に対応するが、
この発明は、上述の実施形態の構成のみに限定されるものではなく、多くの実施の形態を得ることができる。
この発明の撮像情報は、実施形態の画像データ３８に対応し、
以下同様に、
第１機械学習モデルの出力情報は、識別画像３８Ａに対応し、
第２機械学習モデルの出力情報は、粘性評価画像３９に対応し、
第３機械学習モデルの出力情報は、表面粗さ評価画像４０に対応し、
判定手段及び出力手段は、サーバー制御部３３に対応し、
出力情報は、送信情報に対応し、
報知手段は、生産管理端末１０及び作業者端末２０に対応し、
コンクリート識別工程は、ステップＳ１１２に対応し、
粘性評価工程は、ステップＳ１１３に対応し、
表面粗さ評価工程は、ステップＳ１１４に対応し、
判定工程は、ステップＳ１１５及びステップＳ１１７に対応し、
出力工程は、ステップＳ１１９に対応するが、
この発明は、上述の実施形態の構成のみに限定されるものではなく、多くの実施の形態を得ることができる。
【0175】
例えば上述した実施形態において、生産工場１に配置される端末として、生産管理者が使用する生産管理端末１０を用いて説明したが、これに限定せず、生産工場１に配置される端末であれば、コンクリートの品質を管理する品質管理者が使用する端末などであってもよい。
また、作業者Ｍが使用する端末として、携帯電話型の作業者端末２０としたが、これに限定せず、作業者Ｍが携帯して使用する端末であれば、タブレット型の端末などであってもよい。
また、作業者Ｍが使用する端末として、携帯電話型の作業者端末２０としたが、これに限定せず、作業者Ｍが携帯して使用する端末であれば、タブレット型の端末などであってもよい。
【0176】
また、作業者端末２０の端末制御部２５が、ステップＳ１０１でスランプ試験体５を撮像した画像データ３８を端末記憶部２２に記憶したのち、ステップＳ１０２で作業者Ｍの操作によって画像データ３８をサーバー３０に送信したが、これに限定しない。
例えば図９のステップＳ１０１において、スランプ試験体５を撮像した画像データ３８を生成したのち、プロジェクト名を関連付けた画像データ３８をサーバー３０に自動的に送信する構成であってもよい。
例えば図９のステップＳ１０１において、スランプ試験体５を撮像した画像データ３８を生成したのち、プロジェクト名を関連付けた画像データ３８をサーバー３０に自動的に送信する構成であってもよい。
【0177】
また、作業者Ｍが作業者端末２０を操作して、端末記憶部２２に記憶した処理プログラムを実行することで、操作表示部２１にメニュー画面を表示したが、これに限定しない。
例えば作業者Ｍが作業者端末２０を操作して、作業者端末２０のＷＥＢブラウザを起動するとともに、ＷＥＢブラウザを介してサーバー３０にアクセスすることで、ＷＥＢブラウザ上にメニュー画面を表示する構成であってもよい。
例えば作業者Ｍが作業者端末２０を操作して、作業者端末２０のＷＥＢブラウザを起動するとともに、ＷＥＢブラウザを介してサーバー３０にアクセスすることで、ＷＥＢブラウザ上にメニュー画面を表示する構成であってもよい。
【0178】
この際、サーバー３０は、作業者端末２０との間で各種情報を授受しながら、スランプ試験体５の撮像及びコンクリートの性状評価に係る各種処理を進めたのち、作業者端末２０に送信情報を送信して判定結果画面６０を表示させる。
なお、この場合、スランプ試験体５を撮像した画像データ３８は、作業者端末２０及びサーバー３０の双方に記憶される構成、あるいはサーバー３０にのみ記憶される構成のどちらであってもよい。
なお、この場合、スランプ試験体５を撮像した画像データ３８は、作業者端末２０及びサーバー３０の双方に記憶される構成、あるいはサーバー３０にのみ記憶される構成のどちらであってもよい。
【0179】
また、スランプ試験または／およびスランプフロー試験におけるスランプ試験体５を撮像した画像データ３８を用いて説明したが、これに限定せず、スランプ試験体５を撮像した動画像であってもよい。
【0180】
また、スランプ平板６及びスランプ検尺７がスランプ試験体５以外の被写体として撮像された画像データ３８としたが、これに限定せず、例えば日本産業規格と同等の規格に基づいて行われる海外のスランプ試験の場合、スランプ検尺７にかえてコンベックスが被写体として撮像された画像データ３８であってもよい。
【0181】
また、携帯電話型の作業者端末２０でスランプ試験体５を撮像したが、これに限定せず、例えばデジタルカメラでスランプ試験体５を撮像してもよい。この場合、デジタルカメラに保存された画像データ３８を、携帯可能なパソコンに取り込んでコンクリートの性状を評価してもよい。
【0182】
また、ニューラルネットワークを用いた第１機械学習モデル３５、第２機械学習モデル３６及び第３機械学習モデル３７としたが、これに限定せず、画像データ３８のスランプ試験体５、スランプ試験体５の粘性及び表面粗さを識別できる適宜の画像識別アルゴリズムであってよい。
【0183】
また、第１機械学習モデル３５が識別画像３８Ａを出力し、第２機械学習モデル３６が粘性評価画像３９を出力し、第３機械学習モデル３７が表面粗さ評価画像４０を出力したが、これに限定しない。
【0184】
例えば１つの機械学習モデルが識別画像３８Ａ、粘性評価画像３９及び表面粗さ評価画像４０を出力する構成、あるいは１つの機械学習モデルが識別画像３８Ａを出力し、別の機械学習モデルが粘性評価画像３９及び表面粗さ評価画像４０を出力する構成であってもよい。
【0185】
また、第１機械学習モデル３５の教師データＴ１である学習用画像５１、第２機械学習モデル３６の教師データＴ２である学習用画像５２、及び第３機械学習モデル３７の教師データＴ３である学習用画像５３は、画像データ３８と別であれば、同じ画像データまたは互いに異なる画像データであってもよい。
【0186】
また、第２機械学習モデル３６が出力する粘性評価画像３９を、識別画像３８Ａからスランプ試験体５を含む領域を切り出した画像に、粘性評価点及び粘性ラベルを付与した構成としたが、これに限定せず、粘性評価点及び粘性ラベルを付与した識別画像３８Ａを粘性評価画像３９としてもよい。
【0187】
同様に、第３機械学習モデル３７が出力する表面粗さ評価画像４０を、識別画像３８Ａからスランプ試験体５を含む領域を切り出した画像に、表面粗さ評価点及び表面粗さラベルを付与した構成としたが、これに限定せず、表面粗さ評価点及び表面粗さラベルを付与した識別画像３８Ａを表面粗さ評価画像４０としてもよい。
【0188】
また、粘性評価点、表面粗さ評価点、粘性度合判定表の評価点、及び表面粗さ度合判定表の評価点は、上述した実施形態に限定せず、適宜の評価点としてもよい。
また、粘性区分、表面粗さ区分、粘性度合判定表の粘性区分、及び表面粗さ度合判定表の表面粗さ区分は、上述した実施形態に限定せず、粘性度合に応じた適宜の区分、及び表面粗さ度合に応じた表面粗さ区分としてもよい。この場合、粘性区分に対応する粘性評価点、及び表面粗さ区分に対応する表面粗さ評価点は、適宜の評価点であってよい。
また、粘性区分、表面粗さ区分、粘性度合判定表の粘性区分、及び表面粗さ度合判定表の表面粗さ区分は、上述した実施形態に限定せず、粘性度合に応じた適宜の区分、及び表面粗さ度合に応じた表面粗さ区分としてもよい。この場合、粘性区分に対応する粘性評価点、及び表面粗さ区分に対応する表面粗さ評価点は、適宜の評価点であってよい。
【0189】
また、図１０のステップＳ１１５において粘性評価点が粘性判定条件を満足するか否かを判定し、ステップＳ１１７において表面粗さ評価点が表面粗さ判定条件を満足するか否かを判定したが、これに限定しない。
例えばステップＳ１１５において粘性区分が所望される粘性区分か否かを判定し、ステップＳ１１７において表面粗さ区分が所望される表面粗さ区分か否かを判定してもよい。
例えばステップＳ１１５において粘性区分が所望される粘性区分か否かを判定し、ステップＳ１１７において表面粗さ区分が所望される表面粗さ区分か否かを判定してもよい。
【0190】
また、図１０のステップＳ１１５において、粘性判定条件を粘性評価点が７点を超えて１２点以下としたが、これに限定せず、適宜の範囲の粘性評価点であってもよい。
また、図１０のステップＳ１１７において、表面粗さ判定条件を表面粗さ評価点が６点を超えて１０点以下としたが、これに限定せず、適宜の範囲の表面粗さ評価点であってもよい。
また、図１０のステップＳ１１７において、表面粗さ判定条件を表面粗さ評価点が６点を超えて１０点以下としたが、これに限定せず、適宜の範囲の表面粗さ評価点であってもよい。
【0191】
また、第１機械学習モデル３５、第２機械学習モデル３６及び第３機械学習モデル３７をサーバー３０に記憶し、作業者端末２０から取得した画像データ３８を解析する構成としたが、これに限定しない。例えば第１機械学習モデル３５、第２機械学習モデル３６及び第３機械学習モデル３７を作業者端末２０に記憶し、作業者端末２０において画像データ３８の解析を行う構成であってもよい。
【符号の説明】
【0192】
３…フレッシュコンクリート評価システム
５…スランプ試験体
１０…生産管理端末
２０…作業者端末
３３…サーバー制御部
３５…第１機械学習モデル
３６…第２機械学習モデル
３７…第３機械学習モデル
３８…画像データ
３８Ａ…識別画像
３９…粘性評価画像
４０…表面粗さ評価画像
Ｔ２…教師データ
Ｔ３…教師データ
５…スランプ試験体
１０…生産管理端末
２０…作業者端末
３３…サーバー制御部
３５…第１機械学習モデル
３６…第２機械学習モデル
３７…第３機械学習モデル
３８…画像データ
３８Ａ…識別画像
３９…粘性評価画像
４０…表面粗さ評価画像
Ｔ２…教師データ
Ｔ３…教師データ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】