知財求人 - 知財ポータルサイト「IP Force」
(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】P2024032105
(43)【公開日】2024-03-12
(54)【発明の名称】画像処理装置、画像処理方法およびプログラム
(51)【国際特許分類】
G06T 7/00 20170101AFI20240305BHJP
G06V 10/70 20220101ALI20240305BHJP
【ＦＩ】
G06T7/00 350B
G06V10/70
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2022135564
(22)【出願日】2022-08-29
(71)【出願人】
【識別番号】000006208
【氏名又は名称】三菱重工業株式会社
(74)【代理人】
【識別番号】100149548
【弁理士】
【氏名又は名称】松沼 泰史
(74)【代理人】
【識別番号】100162868
【弁理士】
【氏名又は名称】伊藤 英輔
(74)【代理人】
【識別番号】100161702
【弁理士】
【氏名又は名称】橋本 宏之
(74)【代理人】
【識別番号】100189348
【弁理士】
【氏名又は名称】古都 智
(74)【代理人】
【識別番号】100196689
【弁理士】
【氏名又は名称】鎌田 康一郎
(72)【発明者】
【氏名】松蔭 瞭
(72)【発明者】
【氏名】松本 知浩
【テーマコード（参考）】
5L096
【Ｆターム（参考）】
5L096EA03
5L096GA19
5L096GA51
5L096HA08
5L096KA04
(57)【要約】
【課題】機械学習モデルを適切に機械学習する。
【解決手段】画像処理装置は、撮影画像を縮小した縮小画像全体を検出対象として全体画像用学習済み機械学習モデルを用いて対象物の検出処理を行う全体画像処理部と、検出結果を表す情報を連続的に出力する出力部と、撮影画像を分割した各一部画像を検出対象として一部画像用学習済み機械学習モデルを用いて対象物の検出処理を、全体画像処理部による検出処理と並列して行う一部画像処理部と、全体画像処理部の検出結果と一部画像処理部の検出結果とを照合する照合部と、全体画像処理部の検出結果と一部画像処理部の検出結果とが不一致の場合、対応する縮小画像と一部画像処理部の検出結果との組を正解データとして含むデータセットを用いて全体画像用学習済み機械学習モデルを再学習するモデル再学習部とを備え、運用中の全体画像用学習済み機械学習モデルが補正される。
【選択図】図１
【解決手段】画像処理装置は、撮影画像を縮小した縮小画像全体を検出対象として全体画像用学習済み機械学習モデルを用いて対象物の検出処理を行う全体画像処理部と、検出結果を表す情報を連続的に出力する出力部と、撮影画像を分割した各一部画像を検出対象として一部画像用学習済み機械学習モデルを用いて対象物の検出処理を、全体画像処理部による検出処理と並列して行う一部画像処理部と、全体画像処理部の検出結果と一部画像処理部の検出結果とを照合する照合部と、全体画像処理部の検出結果と一部画像処理部の検出結果とが不一致の場合、対応する縮小画像と一部画像処理部の検出結果との組を正解データとして含むデータセットを用いて全体画像用学習済み機械学習モデルを再学習するモデル再学習部とを備え、運用中の全体画像用学習済み機械学習モデルが補正される。
【選択図】図１
【特許請求の範囲】
【請求項1】
処理対象の撮影画像を連続的に取得する画像取得部と、
前記撮影画像を縮小して縮小画像を作成する画像縮小部と、
前記縮小画像全体を検出対象として全体画像用学習済み機械学習モデルを用いて対象物の検出処理を行う全体画像処理部と、
前記全体画像処理部による検出結果を表す情報を連続的に出力する出力部と、
前記撮影画像を複数の一部画像に分割する画像分割部と、
各前記一部画像を検出対象として一部画像用学習済み機械学習モデルを用いて前記対象物の検出処理を、前記全体画像処理部による前記検出処理と並列して行う一部画像処理部と、
前記全体画像処理部の検出結果と前記一部画像処理部の検出結果とを照合する照合部と、
照合の結果、前記全体画像処理部の検出結果と前記一部画像処理部の検出結果とが不一致の場合、対応する前記縮小画像と前記一部画像処理部の検出結果との組を正解データとして含むデータセットを用いて、前記全体画像用学習済み機械学習モデルを再学習するモデル再学習部と、
を備え、
前記再学習の結果に基づき運用中の前記全体画像用学習済み機械学習モデルが補正される
画像処理装置。
前記撮影画像を縮小して縮小画像を作成する画像縮小部と、
前記縮小画像全体を検出対象として全体画像用学習済み機械学習モデルを用いて対象物の検出処理を行う全体画像処理部と、
前記全体画像処理部による検出結果を表す情報を連続的に出力する出力部と、
前記撮影画像を複数の一部画像に分割する画像分割部と、
各前記一部画像を検出対象として一部画像用学習済み機械学習モデルを用いて前記対象物の検出処理を、前記全体画像処理部による前記検出処理と並列して行う一部画像処理部と、
前記全体画像処理部の検出結果と前記一部画像処理部の検出結果とを照合する照合部と、
照合の結果、前記全体画像処理部の検出結果と前記一部画像処理部の検出結果とが不一致の場合、対応する前記縮小画像と前記一部画像処理部の検出結果との組を正解データとして含むデータセットを用いて、前記全体画像用学習済み機械学習モデルを再学習するモデル再学習部と、
を備え、
前記再学習の結果に基づき運用中の前記全体画像用学習済み機械学習モデルが補正される
画像処理装置。
【請求項2】
前記照合の結果、前記全体画像処理部の検出結果と前記一部画像処理部の検出結果とが不一致の場合、対応する前記縮小画像と前記一部画像処理部の検出結果との組を蓄積する蓄積部を
さらに備える
請求項１に記載の画像処理装置。
さらに備える
請求項１に記載の画像処理装置。
【請求項3】
前記一部画像処理部は、１つの前記撮影画像を分割した各前記一部画像に対する検出処理が終了した場合、他の前記撮影画像を分割した各前記一部画像に対する検出処理を開始する
請求項２に記載の画像処理装置。
請求項２に記載の画像処理装置。
【請求項4】
前記モデル再学習部は、再学習した前記全体画像用学習済み機械学習モデルを用いた前記検出処理による前記照合の結果が不一致となった前記縮小画像に対する新たな検出結果が、前記一部画像処理部の検出結果と一致するまで、同一の前記データセットを用いて前記全体画像用学習済み機械学習モデルを繰り返し再学習する
請求項３に記載の画像処理装置。
請求項３に記載の画像処理装置。
【請求項5】
前記検出処理は、前記対象物の種類と個数と位置と大きさとを検出する処理であり、
前記照合部は、前記種類と前記個数が一致し、かつ、前記位置と前記大きさが所定の誤差範囲内で一致した場合に、前記検出結果が一致したと判定する
請求項４に記載の画像処理装置。
前記照合部は、前記種類と前記個数が一致し、かつ、前記位置と前記大きさが所定の誤差範囲内で一致した場合に、前記検出結果が一致したと判定する
請求項４に記載の画像処理装置。
【請求項6】
少なくとも、前記画像取得部と、前記画像縮小部と、前記全体画像処理部とがエッジ側システムに含まれ、
前記出力部と、前記画像分割部と、前記一部画像処理部と、前記照合部と、前記モデル再学習部とが、前記エッジ側システムと無線通信にて接続された基地側システムに含まれている
請求項５に記載の画像処理装置。
前記出力部と、前記画像分割部と、前記一部画像処理部と、前記照合部と、前記モデル再学習部とが、前記エッジ側システムと無線通信にて接続された基地側システムに含まれている
請求項５に記載の画像処理装置。
【請求項7】
処理対象の撮影画像を連続的に取得するステップと、
前記撮影画像を縮小して縮小画像を作成するステップと、
前記縮小画像全体を検出対象として全体画像用学習済み機械学習モデルを用いて対象物の検出処理を行うステップと、
前記縮小画像全体を検出対象とした前記検出処理の検出結果を表す情報を連続的に出力するステップと、
前記撮影画像を複数の一部画像に分割するステップと、
各前記一部画像を検出対象として一部画像用学習済み機械学習モデルを用いて前記対象物の検出処理を、前記縮小画像全体を検出対象とした前記検出処理と並列して行うステップと、
前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とを照合するステップと、
照合の結果、前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とが不一致の場合、対応する前記縮小画像と各前記一部画像を検出対象とした前記検出処理の検出結果との組を正解データとして含むデータセットを用いて、前記全体画像用学習済み機械学習モデルを再学習するステップと、
前記再学習の結果に基づき運用中の前記全体画像用学習済み機械学習モデルを補正するステップと
を含む画像処理方法。
前記撮影画像を縮小して縮小画像を作成するステップと、
前記縮小画像全体を検出対象として全体画像用学習済み機械学習モデルを用いて対象物の検出処理を行うステップと、
前記縮小画像全体を検出対象とした前記検出処理の検出結果を表す情報を連続的に出力するステップと、
前記撮影画像を複数の一部画像に分割するステップと、
各前記一部画像を検出対象として一部画像用学習済み機械学習モデルを用いて前記対象物の検出処理を、前記縮小画像全体を検出対象とした前記検出処理と並列して行うステップと、
前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とを照合するステップと、
照合の結果、前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とが不一致の場合、対応する前記縮小画像と各前記一部画像を検出対象とした前記検出処理の検出結果との組を正解データとして含むデータセットを用いて、前記全体画像用学習済み機械学習モデルを再学習するステップと、
前記再学習の結果に基づき運用中の前記全体画像用学習済み機械学習モデルを補正するステップと
を含む画像処理方法。
【請求項8】
処理対象の撮影画像を連続的に取得するステップと、
前記撮影画像を縮小して縮小画像を作成するステップと、
前記縮小画像全体を検出対象として全体画像用学習済み機械学習モデルを用いて対象物の検出処理を行うステップと、
前記縮小画像全体を検出対象とした前記検出処理の検出結果を表す情報を連続的に出力するステップと、
前記撮影画像を複数の一部画像に分割するステップと、
各前記一部画像を検出対象として一部画像用学習済み機械学習モデルを用いて前記対象物の検出処理を、前記縮小画像全体を検出対象とした前記検出処理と並列して行うステップと、
前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とを照合するステップと、
照合の結果、前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とが不一致の場合、対応する前記縮小画像と各前記一部画像を検出対象とした前記検出処理の検出結果との組を正解データとして含むデータセットを用いて、前記全体画像用学習済み機械学習モデルを再学習するステップと、
前記再学習の結果に基づき運用中の前記全体画像用学習済み機械学習モデルを補正するステップと
をコンピュータに実行させるプログラム。
前記撮影画像を縮小して縮小画像を作成するステップと、
前記縮小画像全体を検出対象として全体画像用学習済み機械学習モデルを用いて対象物の検出処理を行うステップと、
前記縮小画像全体を検出対象とした前記検出処理の検出結果を表す情報を連続的に出力するステップと、
前記撮影画像を複数の一部画像に分割するステップと、
各前記一部画像を検出対象として一部画像用学習済み機械学習モデルを用いて前記対象物の検出処理を、前記縮小画像全体を検出対象とした前記検出処理と並列して行うステップと、
前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とを照合するステップと、
照合の結果、前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とが不一致の場合、対応する前記縮小画像と各前記一部画像を検出対象とした前記検出処理の検出結果との組を正解データとして含むデータセットを用いて、前記全体画像用学習済み機械学習モデルを再学習するステップと、
前記再学習の結果に基づき運用中の前記全体画像用学習済み機械学習モデルを補正するステップと
をコンピュータに実行させるプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、画像処理装置、画像処理方法およびプログラムに関する。
【背景技術】
【0002】
特許文献１には、画像認識による２種類の人数推定手法を組み合わせることで、画像に含まれている人数を推定する画像処理装置が記載されている。特許文献１に記載されている画像処理装置では、例えば、人数が既知である大量の画像をデータセットとして用いて機械学習された学習済み機械学習モデルを用いて画像に含まれている人数が推定される。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第６９９５９６０号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
特許文献１に記載されているような学習済み機械学習モデルを用いた画像認識処理において認識精度を向上させるには、例えば機械学習モデルを適切に機械学習する必要があるという課題がある。
【0005】
本開示は、上記事情に鑑みてなされたものであり、画像認識に用いる機械学習モデルを適切に機械学習させることができる画像処理装置、画像処理方法およびプログラムを適用することを目的とする。
【課題を解決するための手段】
【0006】
上記課題を解決するために、本開示に係る画像処理装置は、処理対象の撮影画像を連続的に取得する画像取得部と、前記撮影画像を縮小して縮小画像を作成する画像縮小部と、前記縮小画像全体を検出対象として全体画像用学習済み機械学習モデルを用いて対象物の検出処理を行う全体画像処理部と、前記全体画像処理部による検出結果を表す情報を連続的に出力する出力部と、前記撮影画像を複数の一部画像に分割する画像分割部と、各前記一部画像を検出対象として一部画像用学習済み機械学習モデルを用いて前記対象物の検出処理を、前記全体画像処理部による前記検出処理と並列して行う一部画像処理部と、前記全体画像処理部の検出結果と前記一部画像処理部の検出結果とを照合する照合部と、照合の結果、前記全体画像処理部の検出結果と前記一部画像処理部の検出結果とが不一致の場合、対応する前記縮小画像と前記一部画像処理部の検出結果との組を正解データとして含むデータセットを用いて、前記全体画像用学習済み機械学習モデルを再学習するモデル再学習部と、を備え、前記再学習の結果に基づき運用中の前記全体画像用学習済み機械学習モデルが補正される。
【0007】
本開示に係る画像処理方法は、処理対象の撮影画像を連続的に取得するステップと、前記撮影画像を縮小して縮小画像を作成するステップと、前記縮小画像全体を検出対象として全体画像用学習済み機械学習モデルを用いて対象物の検出処理を行うステップと、前記縮小画像全体を検出対象とした前記検出処理の検出結果を表す情報を連続的に出力するステップと、前記撮影画像を複数の一部画像に分割するステップと、各前記一部画像を検出対象として一部画像用学習済み機械学習モデルを用いて前記対象物の検出処理を、前記縮小画像全体を検出対象とした前記検出処理と並列して行うステップと、前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とを照合するステップと、照合の結果、前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とが不一致の場合、対応する前記縮小画像と各前記一部画像を検出対象とした前記検出処理の検出結果との組を正解データとして含むデータセットを用いて、前記全体画像用学習済み機械学習モデルを再学習するステップと、前記再学習の結果に基づき運用中の前記全体画像用学習済み機械学習モデルを補正するステップとを含む。
【0008】
本開示に係るプログラムは、処理対象の撮影画像を連続的に取得するステップと、前記撮影画像を縮小して縮小画像を作成するステップと、前記縮小画像全体を検出対象として全体画像用学習済み機械学習モデルを用いて対象物の検出処理を行うステップと、前記縮小画像全体を検出対象とした前記検出処理の検出結果を表す情報を連続的に出力するステップと、前記撮影画像を複数の一部画像に分割するステップと、各前記一部画像を検出対象として一部画像用学習済み機械学習モデルを用いて前記対象物の検出処理を、前記縮小画像全体を検出対象とした前記検出処理と並列して行うステップと、前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とを照合するステップと、照合の結果、前記縮小画像全体を検出対象とした前記検出処理の検出結果と各前記一部画像を検出対象とした前記検出処理の検出結果とが不一致の場合、対応する前記縮小画像と各前記一部画像を検出対象とした前記検出処理の検出結果との組を正解データとして含むデータセットを用いて、前記全体画像用学習済み機械学習モデルを再学習するステップと、前記再学習の結果に基づき運用中の前記全体画像用学習済み機械学習モデルを補正するステップとをコンピュータに実行させる。
【発明の効果】
【0009】
本開示の画像処理装置、画像処理方法およびプログラムによれば、画像認識に用いる機械学習モデルを適切に機械学習させることができる。
【図面の簡単な説明】
【0010】
【図1】本開示の実施形態に係る画像処理装置の構成例を示すブロック図である。
【図2】本開示の実施形態に係る全体画像処理の例を示すフローチャートである。
【図3】本開示の実施形態に係る一部画像処理の例を示すフローチャートである。
【図4】本開示の実施形態に係る再学習処理の例を示すフローチャートである。
【図5】本開示の実施形態に係る画像処理装置の動作例を説明するための模式図である。
【図6】本開示の実施形態に係る画像処理装置の動作例を説明するためのタイミングチャートである。
【図7】本開示の実施形態に係る画像処理装置の実装例を説明するための模式図である。
【図8】本開示の実施形態に係るコンピュータの構成を示す概略ブロック図である。
【発明を実施するための形態】
【0011】
以下、本開示の実施形態に係る画像処理装置、画像処理方法およびプログラムについて、図１～図８を参照して説明する。図１は、本開示の実施形態に係る画像処理装置の構成例を示すブロック図である。図２は、本開示の実施形態に係る全体画像処理の例を示すフローチャートである。図３は、本開示の実施形態に係る一部画像処理の例を示すフローチャートである。図４は、本開示の実施形態に係る再学習処理の例を示すフローチャートである。 図５は、本開示の実施形態に係る画像処理装置の動作例を説明するための模式図である。図６は、本開示の実施形態に係る画像処理装置の動作例を説明するためのタイミングチャートである。図７は、本開示の実施形態に係る画像処理装置の実装例を説明するための模式図である。図８は、本開示の実施形態に係るコンピュータの構成を示す概略ブロック図である。なお、各図において同一または対応する構成には同一の符号を用いて説明を適宜省略する。
【0012】
［用語の定義］
まず、本実施形態で用いる一部の用語の定義について説明する。「暫定補正」：運用中の数分で再学習を終えるために、限られたデータセットにて短時間で再学習を行うことによる、学習済み機械学習モデルの補正である。「恒久補正」：新しく蓄積したデータセットも含めた大規模なデータセットを用いて長時間の再学習を行うことによる、学習済み機械学習モデルの補正である。「ＤＮＮ」：深層ネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）の略語である。「全体画像処理」：高解像度画像を縮小して画像全体を検出対象とする検出処理（高速だが小物体の検出性能は低い）を意味する。「一部画像処理」：高解像度画像を分割することで切り出し画像に対する検出処理（切り分けた高精細画像をすべて処理するため処理時間はかかるが、小物体の検出性能は高い）を意味する。「ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）」：画像処理に特化した演算装置である。膨大な並列演算を短時間で実行できるため、ＤＮＮ（深層ネットワーク）の実装に用いられる。
まず、本実施形態で用いる一部の用語の定義について説明する。「暫定補正」：運用中の数分で再学習を終えるために、限られたデータセットにて短時間で再学習を行うことによる、学習済み機械学習モデルの補正である。「恒久補正」：新しく蓄積したデータセットも含めた大規模なデータセットを用いて長時間の再学習を行うことによる、学習済み機械学習モデルの補正である。「ＤＮＮ」：深層ネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）の略語である。「全体画像処理」：高解像度画像を縮小して画像全体を検出対象とする検出処理（高速だが小物体の検出性能は低い）を意味する。「一部画像処理」：高解像度画像を分割することで切り出し画像に対する検出処理（切り分けた高精細画像をすべて処理するため処理時間はかかるが、小物体の検出性能は高い）を意味する。「ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）」：画像処理に特化した演算装置である。膨大な並列演算を短時間で実行できるため、ＤＮＮ（深層ネットワーク）の実装に用いられる。
【0013】
［画像処理装置の構成］
図１は本実施形態に係る画像処理装置１の構成例を示す。画像処理装置１は、ＧＰＵ、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサを備えるサーバ等の１または複数のコンピュータを用いて構成することができ、コンピュータ、周辺装置等のハードウェアと、コンピュータが実行するプログラム等のソフトウェアとの組み合わせ等から構成される機能的構成として次の各部を備える。すなわち、画像処理装置１は、機能的構成として、画像取得部１０、画像縮小部１１、記憶部１２、全体画像処理部１３、出力部１４、画像分割部１５、一部画像処理部１６、照合部１７、モデル再学習部１８、モデル補正部１９および蓄積部２０を備える。また、全体画像処理部１３は、全体画像用学習済み機械学習モデル１３１を含む。一部画像処理部１６は、一部画像用学習済み機械学習モデル１６１を含む。
図１は本実施形態に係る画像処理装置１の構成例を示す。画像処理装置１は、ＧＰＵ、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサを備えるサーバ等の１または複数のコンピュータを用いて構成することができ、コンピュータ、周辺装置等のハードウェアと、コンピュータが実行するプログラム等のソフトウェアとの組み合わせ等から構成される機能的構成として次の各部を備える。すなわち、画像処理装置１は、機能的構成として、画像取得部１０、画像縮小部１１、記憶部１２、全体画像処理部１３、出力部１４、画像分割部１５、一部画像処理部１６、照合部１７、モデル再学習部１８、モデル補正部１９および蓄積部２０を備える。また、全体画像処理部１３は、全体画像用学習済み機械学習モデル１３１を含む。一部画像処理部１６は、一部画像用学習済み機械学習モデル１６１を含む。
【0014】
画像取得部１０は、処理対象の撮影画像を連続的に取得する。連続的に取得するとは、周期的に繰り返し取得するという意味である。画像取得部１０は、取得した撮影画像を記憶部１２に記憶する。なお、画像取得部１０は、カメラを含むものであってもよいし、カメラを含まずに例えばカメラが撮影した画像データを取り込むインタフェース等を含むものであってもよい。なお、処理対象の撮影画像を撮影するカメラは、例えばドローン等に搭載されたカメラ、例えば工場、港湾、河川、イベント会場等に設置された固定カメラ等である。また、カメラは、映像データとして撮影画像を表す画像データを出力するものであってもよいし、静止画像データとして出力するものであってもよい。
【0015】
画像縮小部１１は、画像取得部１０が取得した撮影画像を縮小して縮小画像を作成する。画像縮小部１１は、作成した縮小画像を例えば記憶部１２に記憶する。例えば、画像縮小部１１は、画素数が２，３０４×２，３０４ｐｉｘｅｌの撮影画像を縮小して、７６８×７６８ｐｉｘｅｌの縮小画像を作成する。
【0016】
記憶部１２は、撮影画像、縮小画像、後述する検出結果等を一時的に記憶する。なお、記憶部１２は、例えば分散配置された複数の記憶装置を含んでいたり、クラウド上等に構成されていたりしてもよい。
【0017】
全体画像処理部１３は、縮小画像全体を検出対象として全体画像用学習済み機械学習モデル１３１を用いて対象物の検出処理を行う。全体画像用学習済み機械学習モデル１３１は、各縮小画像が含む検出対象物の情報がラベル付けされた複数の縮小画像を学習用データセットとして予め教師あり機械学習された学習済み機械学習モデルである。全体画像用学習済み機械学習モデル１３１は、縮小画像を表す画像データを入力し、その縮小画像が含む１または複数の対象物の種類、個数、位置（例えば対象物を含む矩形の１頂点の画素座標値を表す情報）、および、サイズ（例えば対象物を含む矩形の２辺の大きさや対角線を特定する情報）を表す情報を出力する。全体画像用学習済み機械学習モデル１３１は、例えばニューラルネットワークを要素とする学習済みモデルであり、入力される多数のデータに対して求める解が出力されるよう、機械学習によりニューラルネットワークの各層のニューロン間の重み付け係数が最適化されている。全体画像用学習済み機械学習モデル１３１は、例えば、入力から出力までの演算を行うプログラムと当該演算に用いられる重み付け係数（パラメータ）の組合せで構成される。全体画像処理部１３は、対象物の検出処理の検出結果として、縮小画像毎に、検出した対象物の種類、個数、位置、サイズ等を表す情報を出力し、例えば記憶部１２に記憶する。
【0018】
出力部１４は、全体画像処理部１３による検出結果を表す情報を連続的に出力する。出力部１４は、例えば、表示装置を含み、表示装置の画面上に縮小画像または撮影画像を表示するとともに、全体画像処理部１３による検出結果を表す情報を重畳させて表示する。監視者は、出力部１４が出力した情報に基づいて撮像画像が含む対象物についての情報をほぼリアルタイムで確認することができる。
【0019】
画像分割部１５は、撮影画像を複数の一部画像に分割する。画像分割部１５は、作成した一部画像を例えば記憶部１２に記憶する。画像分割部１５は、例えば、画素数が２，３０４×２，３０４ｐｉｘｅｌの撮影画像を分割して、７６８×７６８ｐｉｘｅｌの９枚の一部画像を作成する。
【0020】
一部画像処理部１６は、各一部画像を検出対象として一部画像用学習済み機械学習モデル１６１を用いて対象物の検出処理を、全体画像処理部１３による検出処理と並列して行う。一部画像用学習済み機械学習モデル１６１は、全体画像用学習済み機械学習モデル１３１と同様の学習済み機械学習モデルであり、一部画像を表す画像データを入力し、その一部画像が含む１または複数の対象物の種類、個数、位置、およびサイズを表す情報を出力する。一部画像処理部１６は、対象物の検出処理の検出結果として、一部画像毎に得られた検出した対象物の種類、個数、位置、サイズ等を表す情報を、１枚の撮影画像（またはその縮小画像）に対応する情報となるように統合して出力し、例えば記憶部１２に記憶する。
【0021】
照合部１７は、全体画像処理部１３の検出結果と一部画像処理部１６の検出結果とを照合する。照合部１７は、全体画像処理部１３の検出結果と、対応する一部画像処理部１６の検出結果とを比較し、内容が一致しているか否かを判定する。照合部１７は、例えば、各検出結果における、検出された対象物の種類と個数と位置と大きさとを比較し、種類と個数が一致し、かつ、位置と大きさが所定の誤差範囲内で一致した場合に、検出結果が一致したと判定する。
【0022】
モデル再学習部１８は、照合部１７による照合の結果、全体画像処理部１３の検出結果と一部画像処理部１６の検出結果とが不一致の場合、対応する縮小画像と一部画像処理部１６の検出結果との組を正解データとして含むデータセットを用いて、全体画像用学習済み機械学習モデル１３１を再学習する。ここで、対応する縮小画像とは、一部画像処理部１６が検出対象とした各一部画像の分割前の撮影画像を縮小した縮小画像である。また、再学習で用いるデータセットは、例えば、対応する縮小画像に一部画像処理部１６の検出結果をラベル付けしたデータセットと、全体画像用学習済み機械学習モデル１３１を学習する際に用いたデータセットの中から選択した一部のデータセット（例えば典型的なデータセット等）とを含む。なお、再学習する全体画像用学習済み機械学習モデル１３１は、運用中のモデルと同一の状態に設定されたモデルである。
【0023】
なお、モデル再学習部１８は、再学習した全体画像用学習済み機械学習モデル１３１を用いた検出処理による照合の結果が不一致となった縮小画像に対する新たな検出結果が、一部画像処理部１６の検出結果と一致するまで、同一のデータセットを用いて全体画像用学習済み機械学習モデル１３１を繰り返し再学習することができる。この場合、全体画像用学習済み機械学習モデル１３１は、少なくとも不一致となった縮小画像に対して一部画像処理部１６の検出結果と同一の検出結果を出力することができるようになる。
【0024】
モデル補正部１９は、モデル再学習部１８による再学習の結果に基づき運用中の全体画像用学習済み機械学習モデル１３１を補正する。この補正が「暫定補正」である。
【0025】
蓄積部２０は、照合部１７による照合の結果、全体画像処理部１３の検出結果と一部画像処理部１６の検出結果とが不一致の場合、対応する縮小画像と一部画像処理部１６の検出結果との組を蓄積する。例えばオペレータの判断の下、蓄積部２０に蓄積されているデータセットを用いて全体画像用学習済み機械学習モデル１３１を「恒久補正」することができる。
【0026】
［画像処理装置の動作例］
図１を参照して説明した画像処理装置１は、図２に示す全体画像処理と図３に示す一部画像処理とを並列して実行する。また、全体画像処理の検出結果と一部画像処理の検出結果とが一致しなかった場合には、画像処理装置１は図４に示す再学習処理を、全体画像処理および一部画像処理と並列して実行する。図５および図６は、全体画像処理、一部画像処理および再学習処理の実行例を模式的に示す。なお、図５に示す画像の例は、海と山と空と、海上を航行している対象物である２隻の船を含んでいる。
図１を参照して説明した画像処理装置１は、図２に示す全体画像処理と図３に示す一部画像処理とを並列して実行する。また、全体画像処理の検出結果と一部画像処理の検出結果とが一致しなかった場合には、画像処理装置１は図４に示す再学習処理を、全体画像処理および一部画像処理と並列して実行する。図５および図６は、全体画像処理、一部画像処理および再学習処理の実行例を模式的に示す。なお、図５に示す画像の例は、海と山と空と、海上を航行している対象物である２隻の船を含んでいる。
【0027】
［全体画像処理］
図２は、全体画像処理の例を示す。図２に示す全体画像処理では、まず、画像取得部１０が含む（あるいは外部の）カメラが撮影画像を撮影する（ステップＳ１０）。次に、画像取得部１０が、撮影画像を記憶部１２に記憶する（ステップＳ１１）。次に、画像縮小部１１が、撮影画像を縮小して縮小画像を作成し、例えば記憶部１２に記憶する（ステップＳ１２）。次に、全体画像処理部１３が、縮小画像に対して全体画像用学習済み機械学習モデル１３１を用いて対象物の検出処理を行い、検出結果を例えば記憶部１２に記憶する（ステップＳ１３）。次に、出力部１４が、検出結果と例えば処理対象とした縮小画像とを出力する（ステップＳ１４）。以降、ステップＳ１０～Ｓ１４の処理が繰り返し実行される。全体画像処理では、図５に示すように、１回の処理対象は、黒枠で示す縮小画像全体である。ただし、縮小画像は、撮影画像に対して例えば解像度が１／３（総画素数が１／９）に低下した画像である。図６に示す例では、全体画像処理では、１枚の縮小画像（Ｉ１）に対する処理が６０ミリ秒で実行され、処理が終了すると次の縮小画像（Ｉ２）の処理が開始される。
図２は、全体画像処理の例を示す。図２に示す全体画像処理では、まず、画像取得部１０が含む（あるいは外部の）カメラが撮影画像を撮影する（ステップＳ１０）。次に、画像取得部１０が、撮影画像を記憶部１２に記憶する（ステップＳ１１）。次に、画像縮小部１１が、撮影画像を縮小して縮小画像を作成し、例えば記憶部１２に記憶する（ステップＳ１２）。次に、全体画像処理部１３が、縮小画像に対して全体画像用学習済み機械学習モデル１３１を用いて対象物の検出処理を行い、検出結果を例えば記憶部１２に記憶する（ステップＳ１３）。次に、出力部１４が、検出結果と例えば処理対象とした縮小画像とを出力する（ステップＳ１４）。以降、ステップＳ１０～Ｓ１４の処理が繰り返し実行される。全体画像処理では、図５に示すように、１回の処理対象は、黒枠で示す縮小画像全体である。ただし、縮小画像は、撮影画像に対して例えば解像度が１／３（総画素数が１／９）に低下した画像である。図６に示す例では、全体画像処理では、１枚の縮小画像（Ｉ１）に対する処理が６０ミリ秒で実行され、処理が終了すると次の縮小画像（Ｉ２）の処理が開始される。
【0028】
［一部画像処理］
図３は、一部画像処理の例を示す。図３に示す一部画像処理では、まず、画像分割部１５が最新の撮影画像を例えば記憶部１２から読み込み（ステップＳ２０）、複数の一部画像に分割して、例えば記憶部１２に記憶する（ステップＳ２１）。この場合、画像分割部１５は、１枚の撮影画像を９枚の一部画像（一部画像１～９とする）に分割したとする。
図３は、一部画像処理の例を示す。図３に示す一部画像処理では、まず、画像分割部１５が最新の撮影画像を例えば記憶部１２から読み込み（ステップＳ２０）、複数の一部画像に分割して、例えば記憶部１２に記憶する（ステップＳ２１）。この場合、画像分割部１５は、１枚の撮影画像を９枚の一部画像（一部画像１～９とする）に分割したとする。
【0029】
次に、一部画像処理部１６が、分割した一部画像１～９に対して順次、検出処理を実行する（ステップＳ２２～３０）。次に、一部画像処理部１６が、検出結果を統合する（ステップＳ３１）。次に、照合部１７が、対応する全体画像処理の検出結果を例えば記憶部１２から読み込み（ステップＳ３２）、全体画像処理の検出結果と一部画像処理の検出結果を照合する（ステップＳ３３）。
【0030】
照合部１７は、全体画像処理と一部画像処理の検出結果が同一か否かを判定し（ステップＳ３４）、同一の場合（ステップＳ３４：ＹＥＳ）、処理をステップＳ２０へ戻す。一方、同一でなかった場合（ステップＳ３４：ＮＯ）、照合部１７は、一部画像処理の結果を例えば記憶部１２に記憶し（ステップＳ３５）、再学習のループをスタートさせる（ステップＳ３６）。なお、ステップＳ３６では例えば再学習処理を開始せよとのフラグを立てるだけで、再学習の処理は実行されない。次に、照合部１７は、処理をステップＳ２０へ戻す。以後、ステップＳ２０以降の処理が繰り返し実行される。
【0031】
一部画像処理では、図５に示す例では、１回の処理対象は、黒枠で示す９枚の一部画像のうちの１枚の一部画像である。また、図６に示すように、一部画像処理では、１枚の縮小画像（Ｉ１）に対応する９枚の一部画像（Ｉ１）に対する処理が１８０ミリ秒で実行され、処理が終了すると次の縮小画像（Ｉ４）に対する９枚の一部画像（Ｉ４）に対する処理が開始される。
【0032】
［再学習処理］
図４は、再学習処理の例を示す。図４に示す再学習処理では、まずモデル再学習部１８が、再学習が必要か否かを繰り返し判定する（ステップＳ４０：ＮＯの繰り返し）。図３のステップＳ３６で例えば再学習処理を開始せよとのフラグが立てられた場合、モデル再学習部１８は、再学習が必要であると判定し（ステップＳ４０：ＹＥＳ）、一部画像処理の結果を読み込み（ステップＳ４１）、全体画像用学習済み機械学習モデル１３１を再学習する（ステップＳ４２）。次に、モデル再学習部１８は、再学習した全体画像用学習済み機械学習モデル１３１に、結果が不一致となった縮小画像を入力し、検出結果を求める（ステップＳ４３）。次に、モデル再学習部１８は、一部画像処理の検出結果と、再学習した全体画像用学習済み機械学習モデル１３１が出力した検出結果とを比較し（ステップＳ４４）、一致しなかった場合（ステップＳ４４：ＮＯ）、再学習を再度実行する（ステップＳ４２）。一方、一致した場合（ステップＳ４４：ＹＥＳ）、モデル補正部１９が運用中の全体画像用学習済み機械学習モデル１３１へ再学習の結果を反映する（ステップＳ４５）。また、一部画像処理の結果が恒久補正時のデータセットとして蓄積部２０に蓄積される（ステップＳ４６）。
図４は、再学習処理の例を示す。図４に示す再学習処理では、まずモデル再学習部１８が、再学習が必要か否かを繰り返し判定する（ステップＳ４０：ＮＯの繰り返し）。図３のステップＳ３６で例えば再学習処理を開始せよとのフラグが立てられた場合、モデル再学習部１８は、再学習が必要であると判定し（ステップＳ４０：ＹＥＳ）、一部画像処理の結果を読み込み（ステップＳ４１）、全体画像用学習済み機械学習モデル１３１を再学習する（ステップＳ４２）。次に、モデル再学習部１８は、再学習した全体画像用学習済み機械学習モデル１３１に、結果が不一致となった縮小画像を入力し、検出結果を求める（ステップＳ４３）。次に、モデル再学習部１８は、一部画像処理の検出結果と、再学習した全体画像用学習済み機械学習モデル１３１が出力した検出結果とを比較し（ステップＳ４４）、一致しなかった場合（ステップＳ４４：ＮＯ）、再学習を再度実行する（ステップＳ４２）。一方、一致した場合（ステップＳ４４：ＹＥＳ）、モデル補正部１９が運用中の全体画像用学習済み機械学習モデル１３１へ再学習の結果を反映する（ステップＳ４５）。また、一部画像処理の結果が恒久補正時のデータセットとして蓄積部２０に蓄積される（ステップＳ４６）。
【0033】
図５および図６に示すように、一部画像（Ｉ１）に対する一部画像処理が終了した時点（タイミングＡとする）で、「全体画像処理で検出できず、一部画像処理で検出できる物体Ａ」があった場合、一部画像処理結果を用いて、全体画像用学習済み機械学習モデルの再学習が開始される。そして、図６に示す例では３分間で再学習が完了し、運用中の全体画像用学習済み機械学習モデル１３１が補正されている（タイミングＢとする）。図５および図６に示すように、タイミングＢで再学習完了後は、全体画像処理にて物体Ａが検出できるようになる。
【0034】
［実装例］
図７は、図１を参照して説明した画像処理装置１の実装例を示す。図７に示す例では、例えばドローン上の搭載されたエッジ側システム１０１が、カメラ１０２と全体画像処理用のＧＰＵサーバ１０３とを備える。また、基地側システム２０１は、破線の下または右に示す、一部画像処理用のＧＰＵサーバ２０２と、データ保存用サーバ２０３と、全体画像処理の暫定補正用のＧＰＵサーバ２０４と、出力先となるモニタを備えた端末２０５とを備える。なお、通信線３０１は、有線または無線の通信線あるいは通信回線である。
図７は、図１を参照して説明した画像処理装置１の実装例を示す。図７に示す例では、例えばドローン上の搭載されたエッジ側システム１０１が、カメラ１０２と全体画像処理用のＧＰＵサーバ１０３とを備える。また、基地側システム２０１は、破線の下または右に示す、一部画像処理用のＧＰＵサーバ２０２と、データ保存用サーバ２０３と、全体画像処理の暫定補正用のＧＰＵサーバ２０４と、出力先となるモニタを備えた端末２０５とを備える。なお、通信線３０１は、有線または無線の通信線あるいは通信回線である。
【0035】
図７に示す例では、例えば、画像取得部１０と、画像縮小部１１と、全体画像処理部１３とがエッジ側システム１０１に含まれ、出力部１４と、画像分割部１５と、一部画像処理部１６と、照合部１７と、モデル再学習部１８とが、エッジ側システム１０１と無線通信にて接続された基地側システム２０１に含まれている。なお、データ保存用サーバ２０３は、例えば、記憶部１２と蓄積部２０に対応する。
【0036】
［実施形態の作用・効果］
低解像度画像が対象の「縮小画像に対する検出処理」（全体画像処理）は高速に処理できる反面、検出精度が低く単独では学習（精度向上）も困難だが、並行して処理する「切り出し画像に対する検出処理」（一部画像処理）での検出結果を学習することで、未知の物体に対しても高速に検出することが可能になる。また、「切り出し画像に対する検出処理」の結果を恒久補正時のデータセットとして蓄積するため、システムの中長期的な性能向上が可能である。すなわち、本実施形態によれば、画像認識に用いる機械学習モデルを適切に機械学習させることができる。
低解像度画像が対象の「縮小画像に対する検出処理」（全体画像処理）は高速に処理できる反面、検出精度が低く単独では学習（精度向上）も困難だが、並行して処理する「切り出し画像に対する検出処理」（一部画像処理）での検出結果を学習することで、未知の物体に対しても高速に検出することが可能になる。また、「切り出し画像に対する検出処理」の結果を恒久補正時のデータセットとして蓄積するため、システムの中長期的な性能向上が可能である。すなわち、本実施形態によれば、画像認識に用いる機械学習モデルを適切に機械学習させることができる。
【0037】
（その他の実施形態）
以上、本開示の実施の形態について図面を参照して詳述したが、具体的な構成はこの実施の形態に限られるものではなく、本開示の要旨を逸脱しない範囲の設計変更等も含まれる。
以上、本開示の実施の形態について図面を参照して詳述したが、具体的な構成はこの実施の形態に限られるものではなく、本開示の要旨を逸脱しない範囲の設計変更等も含まれる。
【0038】
［コンピュータ構成］
図８は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図を示す。
コンピュータ９０は、プロセッサ９１、メインメモリ９２、ストレージ９３、および、インタフェース９４を備える。
上述の画像処理装置１は、コンピュータ９０に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ９３に記憶されている。プロセッサ９１は、プログラムをストレージ９３から読み出してメインメモリ９２に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ９１は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ９２に確保する。
図８は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図を示す。
コンピュータ９０は、プロセッサ９１、メインメモリ９２、ストレージ９３、および、インタフェース９４を備える。
上述の画像処理装置１は、コンピュータ９０に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ９３に記憶されている。プロセッサ９１は、プログラムをストレージ９３から読み出してメインメモリ９２に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ９１は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ９２に確保する。
【0039】
プログラムは、コンピュータ９０に発揮させる機能の一部を実現するためのものであってもよい。例えば、プログラムは、ストレージに既に記憶されている他のプログラムとの組み合わせ、または他の装置に実装された他のプログラムとの組み合わせによって機能を発揮させるものであってもよい。なお、他の実施形態においては、コンピュータは、上記構成に加えて、または上記構成に代えてＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）などのカスタムＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）を備えてもよい。ＰＬＤの例としては、ＰＡＬ（Ｐｒｏｇｒａｍｍａｂｌｅ Ａｒｒａｙ Ｌｏｇｉｃ）、ＧＡＬ（Ｇｅｎｅｒｉｃ Ａｒｒａｙ Ｌｏｇｉｃ）、ＣＰＬＤ（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等が挙げられる。この場合、プロセッサによって実現される機能の一部または全部が当該集積回路によって実現されてよい。
【0040】
ストレージ９３の例としては、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、半導体メモリ等が挙げられる。ストレージ９３は、コンピュータ９０のバスに直接接続された内部メディアであってもよいし、インタフェース９４または通信回線を介してコンピュータ９０に接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ９０に配信される場合、配信を受けたコンピュータ９０が当該プログラムをメインメモリ９２に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ９３は、一時的でない有形の記憶媒体である。
【0041】
＜付記＞
実施形態に記載の画像処理装置１は、例えば以下のように把握される。
実施形態に記載の画像処理装置１は、例えば以下のように把握される。
【0042】
（１）第１の態様に係る画像処理装置１は、処理対象の撮影画像を連続的に取得する画像取得部１０と、前記撮影画像を縮小して縮小画像を作成する画像縮小部１１と、前記縮小画像全体を検出対象として全体画像用学習済み機械学習モデル１３１を用いて対象物の検出処理を行う全体画像処理部１３と、前記全体画像処理部による検出結果を表す情報を連続的に出力する出力部１４と、前記撮影画像を複数の一部画像に分割する画像分割部１５と、各前記一部画像を検出対象として一部画像用学習済み機械学習モデル１６１を用いて前記対象物の検出処理を、前記全体画像処理部による前記検出処理と並列して行う一部画像処理部１６と、前記全体画像処理部の検出結果と前記一部画像処理部の検出結果とを照合する照合部１７と、照合の結果、前記全体画像処理部の検出結果と前記一部画像処理部の検出結果とが不一致の場合、対応する前記縮小画像と前記一部画像処理部の検出結果との組を正解データとして含むデータセットを用いて、前記全体画像用学習済み機械学習モデルを再学習するモデル再学習部１８と、を備え、前記再学習の結果に基づき運用中の前記全体画像用学習済み機械学習モデル１３１が補正される。本態様および以下の各態様によれば、画像認識に用いる機械学習モデルを適切に機械学習させることができる。
【0043】
（２）第２の態様に係る画像処理装置１は、（１）の画像処理装置１であって、前記照合の結果、前記全体画像処理部の検出結果と前記一部画像処理部の検出結果とが不一致の場合、対応する前記縮小画像と前記一部画像処理部の検出結果との組を蓄積する蓄積部２０をさらに備える。本態様によれば、システムの中長期的な性能向上が図れる。
【0044】
（３）第３の態様に係る画像処理装置１は、（１）または（２）の画像処理装置１であって、前記一部画像処理部１６は、１つの前記撮影画像を分割した各前記一部画像に対する検出処理が終了した場合、他の前記撮影画像を分割した各前記一部画像に対する検出処理を開始する。
【0045】
（４）第４の態様に係る画像処理装置１は、（１）～（３）の画像処理装置１であって、前記モデル再学習部１８は、再学習した前記全体画像用学習済み機械学習モデル１３１を用いた前記検出処理による前記照合の結果が不一致となった前記縮小画像に対する新たな検出結果が、前記一部画像処理部１６の検出結果と一致するまで、同一の前記データセットを用いて前記全体画像用学習済み機械学習モデル１３１を繰り返し再学習する。
【0046】
（５）第５の態様に係る画像処理装置１は、（１）～（４）の画像処理装置１であって、前記検出処理は、前記対象物の種類と個数と位置と大きさとを検出する処理であり、前記照合部１７は、前記種類と前記個数が一致し、かつ、前記位置と前記大きさが所定の誤差範囲内で一致した場合に、前記検出結果が一致したと判定する。
【0047】
（６）第６の態様に係る画像処理装置１は、（１）～（５）の画像処理装置１であって、少なくとも、前記画像取得部１０と、前記画像縮小部１１と、前記全体画像処理部１３とがエッジ側システム１０１に含まれ、前記出力部１４と、前記画像分割部１５と、前記一部画像処理部１６と、前記照合部１７と、前記モデル再学習部１８とが、前記エッジ側システム１０１と無線通信にて接続された基地側システム２０１に含まれている。
【符号の説明】
【0048】
１…画像処理装置
１０…画像取得部
１１…画像縮小部
１２…記憶部
１３…全体画像処理部
１４…出力部
１５…画像分割部
１６…一部画像処理部
１７…照合部
１８…モデル再学習部
１９…モデル補正部
２０…蓄積部
１０１…エッジ側システム
１３１…全体画像用学習済み機械学習モデル
１６１…一部画像用学習済み機械学習モデル
２０１…基地側システム
１０…画像取得部
１１…画像縮小部
１２…記憶部
１３…全体画像処理部
１４…出力部
１５…画像分割部
１６…一部画像処理部
１７…照合部
１８…モデル再学習部
１９…モデル補正部
２０…蓄積部
１０１…エッジ側システム
１３１…全体画像用学習済み機械学習モデル
１６１…一部画像用学習済み機械学習モデル
２０１…基地側システム
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】