特開 2024-80297 機械学習装置、機械学習方法および井戸の異常有無判定装置

(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】P2024080297

(43)【公開日】2024-06-13

(54)【発明の名称】機械学習装置、機械学習方法および井戸の異常有無判定装置

(51)【国際特許分類】

   G06T 7/00 20170101AFI20240606BHJP

   G06V 10/70 20220101ALI20240606BHJP

   H04N 7/18 20060101ALI20240606BHJP

   E21B 47/00 20120101ALI20240606BHJP

   E03B 3/15 20060101ALI20240606BHJP

【ＦＩ】

G06T7/00 350B

G06V10/70

H04N7/18 D

E21B47/00

E03B3/15

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2022193369

(22)【出願日】2022-12-02

(71)【出願人】

【識別番号】000152321

【氏名又は名称】株式会社日さく

(71)【出願人】

【識別番号】520083840

【氏名又は名称】日本技術コンサルタント株式会社

(74)【代理人】

【識別番号】110003063

【氏名又は名称】弁理士法人牛木国際特許事務所

(72)【発明者】

【氏名】▲高▼橋 直人

【テーマコード（参考）】

5C054

5L096

【Ｆターム（参考）】

5C054CA04

5C054CC02

5C054FC12

5C054HA19

5L096BA03

5L096CA02

5L096DA02

5L096HA09

5L096HA11

5L096KA04

(57)【要約】

【課題】ユーザにより差異が生じないような井戸内の劣化状況等の診断に用いるための機械学習装置、機械学習方法および井戸の異常有無判定装置を提供する。
【解決手段】機械学習装置１が、井戸内の画像３を取得する画像取得部４と、井戸内の画像３の異常の有無に関する評価値５を取得する評価値取得部６と、画像取得部４が取得した井戸内の画像３および評価値取得部６が取得した評価値５の組を教師データとして教師あり学習を行うことにより、井戸内の異常の有無の判定を行うための学習モデルを構築する学習部７と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

井戸内の画像を取得する画像取得部と、
前記井戸内の画像の異常の有無に関する評価値を取得する評価値取得部と、
前記画像取得部が取得した前記井戸内の画像および前記評価値取得部が取得した前記評価値の組を教師データとして教師あり学習を行うことにより、井戸内の異常の有無の判定を行うための学習モデルを構築する学習部と、
を備える機械学習装置。

【請求項2】

前記井戸内の画像を、取水孔を含むスクリーン部分の画像と取水孔を含まないケーシング部分の画像とに分類し、
前記評価値が、前記スクリーン部分の画像については正常、閉塞および破損に分類され、前記ケーシング部分の画像については正常、付着および破損に分類される、請求項１に記載の機械学習装置。

【請求項3】

前記評価値は、ユーザの目視による判断に基づいて決定される、請求項１に記載の機械学習装置。

【請求項4】

機械学習装置が行う機械学習方法であって、
井戸内の画像を取得する画像取得ステップと、
前記井戸内の画像の異常の有無に関する評価値を取得する評価値取得ステップと、
前記画像取得ステップで取得した前記井戸内の画像および前記評価値取得ステップで取得した前記評価値の組を教師データとして教師あり学習を行うことにより、井戸内の異常の有無の判定を行うための学習モデルを構築する学習ステップと、
を含む機械学習方法。

【請求項5】

前記井戸内の画像を、取水孔を含むスクリーン部分の画像と取水孔を含まないケーシング部分の画像とに分類し、
前記評価値が、前記スクリーン部分の画像については正常、閉塞および破損に分類され、前記ケーシング部分の画像については正常、付着および破損に分類される、請求項４に記載の機械学習方法。

【請求項6】

前記評価値は、ユーザの目視による判断に基づいて決定される、請求項４に記載の機械学習方法。

【請求項7】

井戸内の画像を撮影する撮影部を備え、
前記撮影部で撮影した前記井戸内の画像について、請求項１～３のいずれか１項に記載の機械学習装置によって構築された学習モデルを用いて、井戸内の異常の有無の判定を行う、井戸の異常有無判定装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、井戸内の劣化状況等の診断に用いるための機械学習装置、機械学習方法および井戸の異常有無判定装置に関する。

【背景技術】

【0002】

従来、例えば特許文献１に開示されるような井戸用カメラ装置を使用して井戸内を撮影し、劣化状況等を診断して改修工法を提案することが行われている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１１－１１９９８６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、従来の診断は、ユーザである熟練技術者の経験による判定に頼るところが大きいため、判定者により成果物の品質に差異が生じやすく、また若手技術者の育成等の課題が生じていた。

【0005】

本発明は、このような事情に鑑みてなされたものであり、ユーザにより差異が生じないような井戸内の劣化状況等の診断に用いるための機械学習装置、機械学習方法および井戸の異常有無判定装置を提供する。

【課題を解決するための手段】

【0006】

本発明はかかる課題を解決するため、井戸内の画像を取得する画像取得部と、前記井戸内の画像の異常の有無に関する評価値を取得する評価値取得部と、前記画像取得部が取得した前記井戸内の画像および前記評価値取得部が取得した前記評価値の組を教師データとして教師あり学習を行うことにより、井戸内の異常の有無の判定を行うための学習モデルを構築する学習部と、を備える、機械学習装置を提供する。

【0007】

前記機械学習装置では、前記井戸内の画像を、取水孔を含むスクリーン部分の画像と取水孔を含まないケーシング部分の画像とに分類し、前記評価値が、前記スクリーン部分の画像については正常、閉塞および破損に分類され、前記ケーシング部分の画像については正常、付着および破損に分類される、としてもよい。

【0008】

前記機械学習装置では、前記評価値は、ユーザの目視による判断に基づいて決定される、としてもよい。

【0009】

また本発明は、機械学習装置が行う機械学習方法であって、井戸内の画像を取得する画像取得ステップと、前記井戸内の画像の異常の有無に関する評価値を取得する評価値取得ステップと、前記画像取得ステップで取得した前記井戸内の画像および前記評価値取得ステップで取得した前記評価値の組を教師データとして教師あり学習を行うことにより、井戸内の異常の有無の判定を行うための学習モデルを構築する学習ステップと、を含む、機械学習方法を提供する。

【0010】

前記機械学習方法では、前記井戸内の画像を、取水孔を含むスクリーン部分の画像と取水孔を含まないケーシング部分の画像とに分類し、前記評価値が、前記スクリーン部分の画像については正常、閉塞および破損に分類され、前記ケーシング部分の画像については正常、付着および破損に分類される、としてもよい。

【0011】

前記機械学習方法では、前記評価値は、ユーザの目視による判断に基づいて決定される、としてもよい。

【0012】

また本発明は、井戸内の画像を撮影する撮影部を備え、前記撮影部で撮影した前記井戸内の画像について、前記機械学習装置によって構築された学習モデルを用いて、井戸内の異常の有無の判定を行う、井戸の異常有無判定装置を提供する。

【発明の効果】

【0013】

本発明の機械学習装置、機械学習方法および井戸の異常有無判定装置によれば、ユーザの目視では確認できないような井戸内の異常兆候を早期発見することで、より適切な井戸の維持管理方法の提案ができ、井戸の長寿命化を図ることができる。

【0014】

また、現地における作業報告書の作成も可能になり、改めて事務所において映像再生を行う必要がなくなり、作業報告書の作成にかかる労力と時間の削減が可能になる。これにより、ユーザの負担軽減や、働き方改革につながるとともに、熟練技術者の技能を若手技術者に伝承することも可能になる。

【0015】

さらに、井戸の適切な維持管理は、ＳＤＧｓ（「３．全ての人に健康と福祉を」、「６．安全な水とトイレを世界中に」、「１１．住み続けられる街づくりを」、「１２．つくる責任つかう責任」等）を目指すうえでも意義がある。

【図面の簡単な説明】

【0016】

【図1】本発明の好適な実施形態に係る機械学習装置および井戸の異常有無判定装置の概略構成を示すブロック図である。

【図2】井戸の管体の構成例を示す部分斜視図である

【図3】本発明の好適な実施形態において、評価値の分類の一具体例を示す説明図である。

【図4】本発明の好適な実施形態に係る学習モデルの構築の流れを示すフローチャートである。

【図5】本発明の好適な実施形態に係る井戸の異常有無判定装置の動作を示すフローチャートである。

【発明を実施するための形態】

【0017】

以下、図面を参照して、本発明の機械学習装置、機械学習方法および井戸の異常有無判定装置の好適な実施形態について説明する。ただし、本発明は、以下の記載に限定されるものではなく、特許請求の範囲に記載され、または、発明を実施するための形態に開示された発明の要旨に基づき、当業者において様々な変形や変更が可能である。そのような変形や変更もまた、本発明の範囲に含まれる。

【0018】

図１は、本発明の好適な実施形態に係る機械学習装置１および井戸の異常有無判定装置２の概略構成を示すブロック図である。機械学習装置１は、井戸内の画像３を取得する画像取得部４と、井戸内の画像３の異常の有無に関する評価値５を取得する評価値取得部６と、画像取得部４が取得した井戸内の画像３および評価値取得部６が取得した評価値５の組を教師データとして教師あり学習を行うことにより、井戸内の異常の有無の判定を行うための学習モデルを構築する学習部７と、を備える。

【0019】

学習部７で構築された学習モデルは、学習モデル記憶部８に保存される。学習モデルを構築した後に新たな教師データを取得した場合には、学習モデル記憶部８が記憶した学習モデルに対して教師あり学習を追加して行い、一度構築した学習モデルを更新して、新たな学習モデルを学習モデル記憶部８に保存するようにしてもよい。

【0020】

井戸の異常有無判定装置２は、井戸内の画像３を撮影する撮影部９を備え、撮影部９で撮影した井戸内の画像３について、機械学習装置１によって構築された学習モデルを用いて、井戸内の異常の有無の判定を行う。撮影部９として、例えば特許文献１に開示されるような井戸用カメラ装置等を用いることができる。

【0021】

井戸の異常有無判定装置２はまた、画像変換部10、深度判定部11、画像判定部12、異常有無判定部13、記憶部14、終了判定部15および表示部16を備える。

【0022】

井戸の異常有無判定装置２の画像変換部10は、撮影部９により撮影した動画データから動画フレームを読み込み、静止画の井戸内の画像３に変換する。または、画像変換部10は、井戸内の画像３の静止画像を取得する。

【0023】

井戸の異常有無判定装置２の深度判定部11は、図示しない深度測定手段で測定した深度情報に基づいて、画像の判定を行う対象深度か否かを判定する。

【0024】

井戸の異常有無判定装置２の画像判定部12は、井戸内の画像３の分類を判定する。

【0025】

井戸の異常有無判定装置２の異常有無判定部13は、構築された学習モデルに基づいて、井戸内の画像３の異常の有無の判定を行う。

【0026】

井戸の異常有無判定装置２の記憶部14は、井戸の異常の有無の判定結果を記憶して保存する。

【0027】

井戸の異常有無判定装置２の終了判定部15は、判定を終了するか否かを判定する。

【0028】

井戸の異常有無判定装置２の表示部16は、例えば、ディスプレイ等であり、判定結果を表示させるものである。

【0029】

図２は、井戸の管体17の構成例を示す部分斜視図である。管体17は、地下水を取水するための複数の取水孔18を有する。管体17の内壁面には、取水孔18を含む部分であるスクリーン部分と、取水孔18を含まない部分であるケーシング部分とがある。取水孔18があるスクリーン部分では、特に取水孔18の目詰まりによる閉塞や破損が問題になり、取水孔18がないケーシング部分では、特に菅体17へのスケールの付着の有無や破損が問題になる。したがって、画像による異常の有無の判定の際に、取水孔18がある場合とない場合とで、異なる特徴点に着目する必要があり、同じ判断基準を用いることができない。そこで、井戸内の画像３は、例えば、取水孔18を含むスクリーン部分の画像と取水孔18を含まないケーシング部分の画像とに分類される。

【0030】

機械学習に使用する評価値５は、技術者等のユーザの目視による判断に基づいて決定される。評価値５は、例えば、スクリーン部分の画像については正常、閉塞および破損に分類され、ケーシング部分の画像については正常、付着および破損に分類される。一例として、図３に、評価値５の分類の具体例を示す。

【0031】

例えば、スクリーン部分の画像について、取水孔に閉塞や破損がない場合、「正常」に分類され、取水孔が目詰まりして取水の妨げになっている場合、「閉塞」に分類され、取水孔が破損して、充填砂利や地層粒子の侵入が懸念される場合、「破損」に分類される。

【0032】

例えば、ケーシング部分の画像について、管体にスケールの付着や破損がない場合、「正常」に分類され、管体にスケールが付着している場合、「付着」に分類され、管体が破損して、充填砂利や地層粒子の侵入が懸念される場合、「破損」に分類される。

【0033】

以上のように、井戸内の画像３と評価値５との間には、教師あり学習の教師データとして有用な相関関係がある。このような相関関係に基づいて、井戸内の画像３をいずれの評価値５に分類するか判定することで、井戸内の異常の有無を判定することができる。したがって、このような相関関係を、大量のデータを用いて本実施形態の機械学習装置１および機械学習方法で機械学習することで、井戸の異常有無判定装置２による正確な判定の自動化を実現することができる。

【0034】

なお、管体は、図２および図３に示す丸穴巻き線型スクリーンの他、スリット型スクリーンや巻線型スクリーンであってもよく、評価値５は、地下水取水部分を含む部分と含まない部分のそれぞれに対して、同様に分類されることができる。

【0035】

図４は、本発明の好適な実施形態に係る学習モデルの構築の流れを示すフローチャートである。

【0036】

まず、ステップＳ１１で、画像取得部４は、井戸内の画像３を取得する。画像取得部４は、井戸内の画像３を学習部７に出力する。

【0037】

次に、ステップＳ１２で、評価値取得部６は、各井戸内の画像３に関連付けられた評価値５を取得する。評価値取得部６は、評価値５を各井戸内の画像３と関連付けて学習部７に出力する。なお、ステップＳ１１およびステップＳ１２の２つのステップは、ステップＳ１２を先に行っても、同時に並列で行ってもよい。

【0038】

次に、ステップＳ１３で、学習部７は、井戸内の画像３およびこれに対応する評価値５の各データを組として、教師データを生成する。井戸内の画像３は、例えば、スクリーン部分の画像とケーシング部分の画像とに分類されて、教師データが生成される。

【0039】

次に、ステップＳ１４で、学習部７は、ステップＳ１３で生成した教師データに基づいて機械学習を行う。この機械学習は、教師あり学習である。

【0040】

次に、ステップＳ１５で、学習部７は、機械学習を終了するか否かを判定する。終了判定の条件は、例えば、教師あり学習を所定の回数行ったこと等とすることができる。

【0041】

機械学習を終了する条件が満たされていない場合は、ステップＳ１１に戻り、機械学習が繰り返される。機械学習を終了する条件が満たされていれば、ステップＳ１６に進み、構築した学習モデルを学習モデル記憶部８に記憶させて保存する。

【0042】

図５は、本発明の好適な実施形態に係る井戸の異常有無判定装置２の動作を示すフローチャートである。本実施形態では、井戸の異常有無判定装置２の撮影部９が動画を撮影する場合について説明するが、静止画を撮影するものであってもよい。この場合、以下に示すステップＳ２１の代わりに、画像変換部10が井戸内の画像３の静止画像を取得するステップが行われる。

【0043】

まず、ステップＳ２１で、画像変換部10が、撮影部９により撮影した動画データから動画フレームを読み込み、静止画の井戸内の画像３に変換する。

【0044】

次に、ステップＳ２２で、深度判定部11が、図示しない深度測定手段で測定した深度情報に基づいて、画像の判定を行う対象深度か否かを判定する。対象深度は任意に設定可能であり、例えば、０．５ｍ毎に判定を行うように設定することができる。対象深度である場合、次のステップＳ２３に進む。

【0045】

次に、ステップＳ２３で、画像判定部12が、井戸内の画像３がスクリーン部分の画像であるか、またはケーシング部分の画像であるかを判定する。

【0046】

ステップＳ２３でスクリーン部分の画像であると判定された場合、ステップＳ２４１で、異常有無判定部13が、正常、閉塞および破損の判定を行う。判定は、上記の方法により構築された学習モデルに基づいて行われる。

【0047】

ステップＳ２３でケーシング部分の画像であると判定された場合、ステップＳ２４２で、異常有無判定部13が、正常、付着および破損の判定を行う。判定は、上記の方法により構築された学習モデルに基づいて行われる。

【0048】

次に、ステップＳ２５で、ステップＳ２４１またはＳ２４２における判定結果を、井戸の異常有無判定装置２の記憶部14に記憶させて保存する。

【0049】

最後に、ステップＳ２６で、終了判定部15が、判定を終了するか否かを判定し、終了する条件を満たさなければステップＳ２１に戻り、終了する条件を満たしていれば判定を終了する。終了する条件は、例えば、井戸孔口から井戸底まで全部の解析が終了した場合等とすることができる。

【0050】

機械学習は、画像データを対象とした学習に適しているニューラルネットワークである、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を使用することができる。ＣＮＮでは、データを基に自ら特徴量を作り出すので、ユーザが特徴量を設計するのではなく、機械学習装置１自ら高次の特徴量を獲得し、それを基に画像を分類する。

【0051】

以上のように、各井戸内の画像３についての評価値５を教師データとした教師あり学習により学習モデルを構築する本実施形態の機械学習装置１および機械学習方法を用いることで、任意の井戸内の画像３について、評価値５のいずれに分類されるか、井戸の異常有無判断装置２により自動で判定を行うことができるようになる。

【0052】

機械学習装置１は、例えばパーソナルコンピュータやサーバ装置にアプリケーションソフトウェアプログラムをインストールすることで実現できる。すなわち、機械学習装置１は、少なくとも、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の演算処理装置や、アプリケーションソフトウェアプログラムを記憶する記憶装置等を備える。教師あり学習においては演算量が多くなるため、機械学習装置１は例えばＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）をさらに備えるようにしてもよい。

【0053】

井戸の異常有無判定装置２の画像変換部10、深度判定部11、画像判定部12、異常有無判定部13、記憶部14および終了判定部15は、例えばパーソナルコンピュータやサーバ装置にアプリケーションソフトウェアプログラムをインストールすることで実現できる。すなわち、井戸の異常有無判定装置２は、少なくとも、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の演算処理装置や、アプリケーションソフトウェアプログラムを記憶する記憶装置等を備える。井戸の異常有無判定装置２は、撮影部９で撮影した井戸内の画像３と機械学習装置１で構築された学習モデルとを入力とするアプリケーションソフトウェアプログラムの演算により井戸内の異常の有無の判定を行い、井戸の異常有無判定装置２の表示部16に判定結果を出力して表示させる。ユーザは、従来行っていた目視による判定を要することなく、井戸内の映像を撮影しながらほぼリアルタイムで井戸の異常有無判定結果を確認することができる。

【符号の説明】

【0054】

１ 機械学習装置
２ 井戸の異常有無判定装置
３ 井戸内の画像
４ 画像取得部
５ 評価値
６ 評価値取得部
７ 学習部
８ 学習モデル記憶部
９ 撮影部
10 画像変換部
11 深度判定部
12 画像判定部
13 異常有無判定部
14 記憶部
15 終了判定部
16 表示部
17 管体
18 取水孔

【図1】

【図2】

【図3】

【図4】

【図5】