特開 2024-84345 ゴム組成物の分析方法及び学習済みモデルの生成方法

(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】P2024084345

(43)【公開日】2024-06-25

(54)【発明の名称】ゴム組成物の分析方法及び学習済みモデルの生成方法

(51)【国際特許分類】

   G06V 10/82 20220101AFI20240618BHJP

   G06T 7/00 20170101ALI20240618BHJP

【ＦＩ】

G06V10/82

G06T7/00 610Z

G06T7/00 350C

【審査請求】未請求

【請求項の数】16

【出願形態】ＯＬ

(21)【出願番号】P 2022198564

(22)【出願日】2022-12-13

(71)【出願人】

【識別番号】000183233

【氏名又は名称】住友ゴム工業株式会社

(71)【出願人】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(74)【代理人】

【識別番号】100124039

【弁理士】

【氏名又は名称】立花 顕治

(74)【代理人】

【識別番号】100210251

【弁理士】

【氏名又は名称】大古場 ゆう子

(72)【発明者】

【氏名】伊藤 和加奈

(72)【発明者】

【氏名】近藤 節

(72)【発明者】

【氏名】石澤 善雄

(72)【発明者】

【氏名】坂元 直人

(72)【発明者】

【氏名】中村 洋貴

【テーマコード（参考）】

5L096

【Ｆターム（参考）】

5L096FA02

5L096HA11

5L096JA11

5L096KA04

5L096KA15

(57)【要約】

【課題】ゴム組成物に含まれる配合物に対応する領域を、当該ゴム組成物の顕微鏡画像において適切に画定するための分析方法等を提供する。
【解決手段】ゴム組成物の分析方法は、以下のことを含む。（１）ゴム組成物を顕微鏡で撮影した顕微鏡画像であって、前記ゴム組成物に含まれる配合物が現れた顕微鏡画像から生成した入力データを取得すること。（２）前記入力データを、学習済みの機械学習モデルに入力すること。（３）前記学習済みの機械学習モデルから出力データを導出すること。なお、前記出力データは、前記配合物に対応して前記顕微鏡画像に現れる領域を画定するデータである。
【選択図】図３

【特許請求の範囲】

【請求項1】

ゴム組成物を顕微鏡で撮影した顕微鏡画像であって、前記ゴム組成物に含まれる配合物が現れた顕微鏡画像から生成した入力データを取得することと、
前記入力データを、学習済みの機械学習モデルに入力することと、
前記学習済みの機械学習モデルから出力データを導出することと
を含み、
前記出力データは、前記配合物に対応して前記顕微鏡画像に現れる領域を画定するデータである、
ゴム組成物の分析方法。

【請求項2】

前記出力データに基づいて、前記ゴム組成物の構造及び物性の少なくとも一方に関する特徴量を導出すること
をさらに含む、
請求項１に記載の分析方法。

【請求項3】

前記学習済みの機械学習モデルは、セグメンテーションモデルとして構成される、
請求項１または２に記載の分析方法。

【請求項4】

前記学習済みの機械学習モデルは、アテンションネットワーク、ＳｅｇＮｅｔ、特徴ピラミッドネットワーク、ＵＮｅｔ、ＰＳＰＮｅｔ、ＴｒａｎｓＮｅｔ、及びＴｒａｎｓＵＮｅｔからなる群から選択されるモデル、または前記群から選択されるモデルをベースとするモデルとして構成される、
請求項３に記載の分析方法。

【請求項5】

前記学習済みの機械学習モデルは、ＴｒａｎｓｆｏｒｍｅｒエンコーダとＵＮｅｔエンコーダとを含むモデルとして構成される、
請求項４に記載の分析方法。

【請求項6】

前記入力データを学習済みの機械学習モデルに入力することは、前記入力データに基づくデータを前記Ｔｒａｎｓｆｏｒｍｅｒエンコーダに入力することと、前記入力データを前記ＵＮｅｔエンコーダに入力することとを含む、
請求項５に記載の分析方法。

【請求項7】

前記顕微鏡は、反射電子顕微鏡である、
請求項１または２に記載の分析方法。

【請求項8】

前記特徴量は、前記配合物の分散状態、前記配合物が形成する組織の形状及び前記配合物が形成する組織のサイズの少なくとも１つに関する、
請求項２に記載の分析方法。

【請求項9】

前記特徴量は、前記ゴム組成物の粘度、硬度、トルエン膨潤指数、比重、ガラス転移温度（Ｔｇ）、温度分散（ＴＤ）、モジュラス、引張強さ、伸び、貯蔵弾性率、及び損失弾性率の少なくとも１つに関する、
請求項２に記載の分析方法。

【請求項10】

ゴム組成物を顕微鏡で撮影した顕微鏡画像であって、前記ゴム組成物に含まれる配合物が現れた顕微鏡画像から生成される第１データと、前記配合物に対応して前記顕微鏡画像に現れる領域を画定する第２データとが複数組み合わせられた学習用データを準備することと、
前記学習用データを、訓練用データと検証用データとに分割することと、
前記訓練用データを用いて、前記第１データに対応するデータを入力すると、前記第２データに対応するデータが出力されるように、機械学習モデルを定義するパラメータを調整することと
を含む、
学習済みモデルの生成方法。

【請求項11】

前記パラメータが調整された前記機械学習モデルに、前記検証用データに含まれる第１データを入力することにより、前記第２データに対応する出力データを導出することと、
前記第２データに対する前記出力データの誤差を算出することと、
前記誤差が比較的小さくなる前記検証用データに含まれる第１データを特定することと
をさらに含む、
請求項１０に記載の学習済みモデルの生成方法。

【請求項12】

前記特定された第１データとの類似度が高い類似データを新たに準備することと、
前記パラメータが調整された前記機械学習モデルに、前記類似データを入力することにより、出力データを導出することと、
前記導出された出力データを疑似正解データとして、前記類似データと前記疑似正解データとが組み合わせられた疑似学習用データを作成することと、
前記パラメータが調整された前記機械学習モデルに、前記類似データを入力すると、前記疑似正解データに対応するデータが出力されるように、前記パラメータをさらに調整することと
をさらに含む、
請求項１１に記載の学習済みモデルの生成方法。

【請求項13】

請求項１または２に記載の分析方法を実行するように構成された１または複数のプロセッサを備える、
分析装置。

【請求項14】

請求項１０または１１に記載の学習済みモデルの生成方法を実行するように構成された１または複数のプロセッサを備える、
学習済みモデルの生成装置。

【請求項15】

１または複数のプロセッサに、請求項１または２に記載の分析方法を実行させる、
分析プログラム。

【請求項16】

１または複数のプロセッサに、請求項１０または１１に記載の学習済みモデルの生成方法を実行させる、
学習済みモデルの生成プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ゴム組成物の分析方法及び学習済みモデルの生成方法に関する。

【背景技術】

【0002】

従来、ゴム組成物についての知見を深めるべく、ゴム組成物を顕微鏡により撮影し、得られた顕微鏡画像を解析するための技術が提供されている。例えば特許文献１は、ゴム組成物の顕微鏡画像から、当該顕微鏡画像の特徴を示す指標を算出し、これに基づいてゴム組成物の特性を推定する技術を開示する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１９－０２１０３７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に開示の技術では、ゴム組成物の顕微鏡画像から算出される特徴ベクトルと、ゴム組成物の特定の特性とが関連付けられている。一方、ゴム組成物の顕微鏡画像には、ゴム組成物に含まれる配合物が輝度の差として現れており、ゴム組成物の物性や構造に対する定量的なデータを抽出すべく、特定の配合物に対応する領域をまず区別したい場合がある。しかしながら、ゴム組成物の顕微鏡画像において、このような領域を適切に画定することは容易ではなく、そのような技術はこれまで提供されてこなかった。

【0005】

本発明は、ゴム組成物に含まれる配合物に対応する領域を、当該ゴム組成物の顕微鏡画像において適切に画定するためのゴム組成物の分析方法、及び学習済みモデルの生成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】

【0006】

第１観点に係るゴム組成物の分析方法は、以下のことを含む。
（１）ゴム組成物を顕微鏡で撮影した顕微鏡画像であって、前記ゴム組成物に含まれる配合物が現れた顕微鏡画像から生成した入力データを取得すること
（２）前記入力データを、学習済みの機械学習モデルに入力すること
（３）前記学習済みの機械学習モデルから出力データを導出すること
なお、前記出力データは、前記配合物に対応して前記顕微鏡画像に現れる領域を画定するデータである。

【0007】

第２観点に係る分析方法は、第１観点に係る分析方法であって、前記出力データに基づいて、前記ゴム組成物の構造及び物性の少なくとも一方に関する特徴量を導出することをさらに含む。

【0008】

第３観点に係る分析方法は、第１観点または第２観点に係る分析方法であって、前記学習済みの機械学習モデルは、セグメンテーションモデルとして構成される。

【0009】

第４観点に係る分析方法は、第１観点から第３観点のいずれかに係る分析方法であって、前記学習済みの機械学習モデルは、アテンションネットワーク、ＳｅｇＮｅｔ、特徴ピラミッドネットワーク、ＵＮｅｔ、ＰＳＰＮｅｔ、ＴｒａｎｓＮｅｔ、及びＴｒａｎｓＵＮｅｔからなる群から選択されるモデル、または前記群から選択されるモデルをベースとするモデルとして構成される。

【0010】

第５観点に係る分析方法は、第１観点から第４観点のいずれかに係る分析方法であって、前記学習済みの機械学習モデルは、ＴｒａｎｓｆｏｒｍｅｒエンコーダとＵＮｅｔエンコーダとを含むモデルとして構成される。

【0011】

第６観点に係る分析方法は、第５観点に係る分析方法であって、前記入力データを学習済みの機械学習モデルに入力することは、前記入力データに基づくデータを前記Ｔｒａｎｓｆｏｒｍｅｒエンコーダに入力することと、前記入力データを前記ＵＮｅｔエンコーダに入力することとを含む。

【0012】

第７観点に係る分析方法は、第１観点から第６観点のいずれかに係る分析方法であって、前記顕微鏡は、反射電子顕微鏡である。

【0013】

第８観点に係る分析方法は、第２観点に係る分析方法であって、前記特徴量は、前記配合物の分散状態、前記配合物が形成する組織の形状及び前記配合物が形成する組織のサイズの少なくとも１つに関する。

【0014】

第９観点に係る分析方法は、第２観点に係る分析方法であって、前記特徴量は、前記ゴム組成物の粘度、硬度、トルエン膨潤指数、比重、ガラス転移温度（Ｔｇ）、温度分散（ＴＤ）、モジュラス、引張強さ、伸び、貯蔵弾性率、及び損失弾性率の少なくとも１つに関する。

【0015】

第１０観点に係る学習済みモデルの生成方法は、以下のことを含む。
（１）ゴム組成物を顕微鏡で撮影した顕微鏡画像であって、前記ゴム組成物に含まれる配合物が現れた顕微鏡画像から生成される第１データと、前記配合物に対応して前記顕微鏡画像に現れる領域を画定する第２データとが組み合わせられた学習用データを準備すること
（２）前記学習用データを、訓練用データと検証用データとに分割すること
（３）前記訓練用データを用いて、前記第１データに対応するデータを入力すると、前記第２データに対応するデータが出力されるように、機械学習モデルを定義するパラメータを調整すること

【0016】

第１１観点に係る学習済みモデルの生成方法は、第１０観点に係る学習済みモデルの生成方法であって、以下のことをさらに含む。
（４）前記パラメータが調整された前記機械学習モデルに、前記検証用データに含まれる第１データを入力することにより、前記第２データに対応する出力データを導出すること
（５）前記第２データに対する前記出力データの誤差を算出すること
（６）前記誤差が比較的小さくなる前記検証用データに含まれる第１データを特定すること

【0017】

第１２観点に係る学習済みモデルの生成方法は、第１１観点に係る学習済みモデルの生成方法であって、以下のことをさらに含む。
（７）前記特定された第１データとの類似度が高い類似データを新たに準備すること
（８）前記パラメータが調整された前記機械学習モデルに、前記類似データを入力することにより、出力データを導出すること
（９）前記導出された出力データを疑似正解データとして、前記類似データと前記疑似正解データとが組み合わせられた疑似学習用データを作成すること
（１０）前記パラメータが調整された前記機械学習モデルに、前記類似データを入力すると、前記疑似正解データに対応するデータが出力されるように、前記パラメータをさらに調整すること

【0018】

第１３観点に係る分析装置は、第１観点から第９観点のいずれかに係る分析方法を実行するように構成された１または複数のプロセッサを備える。また、第１５観点に係る分析プログラムは、第１観点から第９観点のいずれかに係る分析方法を１または複数のプロセッサに実行させる。

【0019】

第１４観点に係る学習済みモデルの生成装置は、第１０観点から第１２観点のいずれかに係る学習済みモデルの生成方法を実行するように構成された１または複数のプロセッサを備える。また、第１６観点に係る学習済みモデルの生成プログラムは、第１０観点から第１２観点のいずれかに係る学習済みモデルの生成方法を１または複数のプロセッサに実行させる。

【発明の効果】

【0020】

本発明によれば、ゴム組成物を顕微鏡で撮影した顕微鏡画像において、学習済みの機械学習モデルにより、ゴム組成物に含まれる配合物に対応する領域が画定される。これにより、機械学習を含まない画像処理アルゴリズムでは困難な領域分割が可能となり、ひいてはゴム組成物の構造及び物性の少なくとも一方に対する知見を深めることができる。

【図面の簡単な説明】

【0021】

【図1A】ゴム組成物を電子顕微鏡で撮影した顕微鏡画像の一例。

【図1B】ゴム組成物を電子顕微鏡で撮影した顕微鏡画像の一例。

【図1C】従来の画像処理により領域分割を行った画像の一例。

【図2】一実施形態に係る分析装置の電気的構成を示すブロック図。

【図3】一実施形態に係る機械学習モデルの構造を説明する図。

【図4】分析装置による分析方法の流れを示すフローチャート。

【図5】一実施形態に係る特徴量の導出原理を説明する図。

【図6】一実施形態に係る特徴量の導出原理を説明する図。

【図7】図５及び６に基づいて生成されるヒストグラムの例。

【図8】ヒストグラム上のプロット点の位置から抽出される特徴を説明する図。

【図9】機械学習モデルの生成方法の流れを示すフローチャート。

【図10A】実施例に係るモデルの精度指標を示す図。

【図10B】別の実施例に係るモデルの精度指標を示す図。

【図11】入力データ、正解データ及び出力データを比較する図。

【図12】異なる配合の顕微鏡画像と領域分割画像とを比較する図。

【図13】配合物の特徴量と、物性との相関を可視化する図。

【発明を実施するための形態】

【0022】

以下、一実施形態に係る分析装置により実行されるゴム組成物の分析方法、ならびに学習済みモデルの生成装置により実行される学習済みモデルの生成方法について説明する。

【0023】

＜１．概要＞
ゴム組成物は、弾性を有する高分子化合物であり、典型的には、複数の配合物が共に混練されることにより生成される。配合物の種類としては、例えばポリマー、フィラー（シリカ、カーボン等）、及び架橋剤等が挙げられる。ここで、ゴム組成物は、架橋前のものであってもよいし、架橋後のものであってもよい。このようなゴム組成物を顕微鏡により撮影した顕微鏡画像には、その配合物の少なくとも一部が、各画素の輝度の差として現れる。図１Ａ及び図１Ｂは、ともにこのような顕微鏡画像の一例である。図１Ａは反射電子顕微鏡によりゴム組成物を撮影した顕微鏡画像の例であり、図１Ｂは二次電子顕微鏡によりゴム組成物を撮影した顕微鏡画像の例である。図１Ａでは、輝度が相対的に高い領域がシリカの凝集体に対応し、輝度が相対的に低い領域がカーボンの凝集体に対応し、中間的な輝度の領域が１または複数のポリマーに対応する。図１Ｂでは、輝度が相対的に高い領域がシリカの凝集体に対応する。このように、ゴム組成物の顕微鏡画像には、例えば配合物が形成する組織の形状及びサイズ、ならびに組織間の距離（配合物の分散状態）等、主としてゴム組成物の構造に関する情報が現れる。

【0024】

上記の情報を定量的なデータとして抽出するためには、顕微鏡画像上で少なくとも１種類の配合物に対応する領域を画定し、他の領域から分割することが必要となる。しかしながら、顕微鏡画像の各画素の輝度に基づいて領域を分割する公知の画像処理アルゴリズムによっては、ゴム組成物に対する従来の知見に沿った領域分割を行うことが困難であった。例えば、１つの顕微鏡画像内に、輝度が相対的に高く、第１の配合物に対応する高輝度領域と、輝度が相対的に低く、第２の配合物に対応する低輝度領域と、輝度が中間的な範囲であり、第３の配合物に対応する中間領域とが存在する場合を仮定する。このような場合、公知の画像処理アルゴリズムでは、高輝度領域と低輝度領域との間に存在する境界的な領域と、第３の配合物に対応する中間領域とを区別することができず、配合物の実際の様子にそぐわない領域分割結果が生じ得る（図１Ｃ参照）。

【0025】

分析装置１は、このような課題に鑑み、後述する学習済みの機械学習モデル１３１（以下、単に「モデル１３１」とも称する）を用いて、ゴム組成物の顕微鏡画像に対する領域分割を実行するように構成される。これに加えて、本実施形態の分析装置１は、機械学習モデルを学習させ、モデル１３１を生成する学習済みモデルの生成装置としても構成される。以下、分析装置１の構成について説明する。

【0026】

＜２．分析装置の構成＞
図２は、分析装置１の電気的な構成を示すブロック図である。分析装置１は、ハードウェアとしては汎用のコンピュータであり、例えば、デスクトップパソコン、ラップトップパソコン、タブレット、スマートフォン等の情報処理装置として実現される。分析装置１は、ＣＤ－ＲＯＭ、ＵＳＢメモリ等のコンピュータで読み取り可能な記憶媒体１３３から、あるいはネットワークを介して、プログラム１３２を汎用のコンピュータにインストールすることにより製造される。プログラム１３２は、分析装置１に後述する動作を実行させる。

【0027】

分析装置１は、制御部１０、表示部１１、入力部１２、記憶部１３、及び通信部１４を備える。これらの部１０～１４は、互いにバス線１５を介して接続されており、相互に通信可能である。表示部１１、入力部１２及び記憶部１３の少なくとも一部は、分析装置１の本体（制御部１０等を収容する筐体）に一体的に組み込まれていてもよく、外付けであってもよい。

【0028】

表示部１１は、液晶ディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイ、タッチパネルディスプレイ等で構成することができ、制御部１０により生成される各種の画面を表示する。入力部１２は、マウス、キーボード、タッチパネル等で構成することができ、分析装置１に対するユーザの操作を受け付ける。表示部１１及び入力部１２は、ともに同じタッチパネルディスプレイで構成されてもよい。通信部１４は、様々な形式の通信接続を確立する通信インターフェースとして機能する。

【0029】

記憶部１３は、ハードディスク及びフラッシュメモリ等の書き換え可能な不揮発性メモリで構成することができる。記憶部１３内には、プログラム１３２が格納されている他、モデル１３１の構造（アーキテクチャ）を規定する情報、後述する学習処理により調整されるモデル１３１のパラメータ、及び学習処理に用いられる学習用データも格納される。

【0030】

制御部１０は、ＣＰＵ（Central Processing Unit）及びＧＰＵ（Graphics Processing Unit）等の１または複数のプロセッサ、ＲＯＭ（Read Only Memory）ならびにＲＡＭ（Random Access Memory）等で構成することができる。制御部１０は、記憶部１３内のプログラム１３２を読み出して実行することにより、仮想的に取得部１０Ａ、出力導出部１０Ｂ、特徴量導出部１０Ｃ及び学習部１０Ｄとして動作する。取得部１０Ａは、入力部１２や通信部１４等を介して、ゴム組成物の顕微鏡画像のデータ及びこれに基づいて加工されたデータの少なくとも一方を取得する。出力導出部１０Ｂは、取得部１０Ａが取得したデータをモデル１３１に入力し、モデル１３１からの出力データを導出するとともに、これを表す画面を生成する。特徴量導出部１０Ｃは、出力データに基づき、ゴム組成物の構造及び物性の少なくとも一方に関する１または複数の特徴量を導出する。学習部１０Ｄは、後述する処理により、機械学習モデルのパラメータを調整する。学習により調整されたパラメータは、モデル１３１を定義するパラメータであるということができる。

【0031】

＜３．機械学習モデルの構成＞
図３は、モデル１３１の構造を説明する図である。本実施形態のモデル１３１は、画像のセグメンテーション、特にセマンティックセグメンテーションに適用される深層学習モデルであり、より詳細には、ＴｒａｎｓＵＮｅｔモデルをベースとするモデルである。モデル１３１は、Ｔｒａｎｓｆｏｒｍｅｒモデルに従うＴｒａｎｓｆｏｒｍｅｒエンコーダ１３１０（以下、単に「Ｔエンコーダ１３１０」とも称する）と、ＵＮｅｔモデルに従うＵＮｅｔエンコーダ１３１１（以下、単に「Ｕエンコーダ１３１１」とも称する）とを備える。モデル１３１は、ＵＮｅｔモデルに従うＵＮｅｔデコーダ１３１２（以下、単に「Ｕデコーダ１３１２」とも称する）をさらに備え、Ｕデコーダ１３１２からは入力データと同じサイズを有する出力データが出力される。

【0032】

モデル１３１へ入力される入力データは、縦×横のピクセル数（Ｈ×Ｗ）で規定される所定のサイズを有する画像のデータである。入力データは、ゴム組成物を顕微鏡で撮影した顕微鏡画像のデータに基づいて生成されるデータであり、Ｈ×Ｗの顕微鏡画像のデータそのものであってもよいし、上記顕微鏡画像から切り出された、Ｈ×Ｗのピクセル数を有する複数のパッチ画像であってもよい。また、入力データは、ＲＧＢ画像のデータであってもよいし、グレースケール画像のデータであってもよい。後述するように、入力データは、線形射影等の処理を施された後にＴエンコーダ１３１０に入力されるとともに、Ｕエンコーダ１３１１にも入力される。つまり、モデル１３１に入力データを入力することは、入力データに基づいて生成されたデータをＴエンコーダ１３１０に入力することと、上記入力データをＵエンコーダ１３１１に入力することとを含む。

【0033】

なお、ゴム組成物を撮影する顕微鏡の種類は特に限定されないが、透過型電子顕微鏡や走査型電子顕微鏡等の電子顕微鏡が好ましく、反射電子顕微鏡や二次電子顕微鏡等の走査型電子顕微鏡がより好ましい。また、二次電子顕微鏡では主としてシリカの情報が得られるのに対し、反射電子顕微鏡ではカーボン、ポリマー及びシリカの情報が得られるため、より多くの配合物の情報が得られるという観点では、反射電子顕微鏡がさらに好ましい。顕微鏡画像の拡大倍率は、特に限定されないが、２５００倍から１０００００倍であることが好ましい。

【0034】

モデル１３１への入力データが、１枚の画像から切り出された一連のパッチ画像である場合、これらのパッチ画像は、Ｔエンコーダ１３１０への入力に先立ち、それぞれ１次元のベクトルに変換された後、より低次元のテンソルへとさらに線形射影される。線形射影に使用する行列（フィルタ）は、後述する学習処理により調整されるパラメータを有する。一方、モデル１３１への入力データが一連のパッチ画像でない場合は、入力データに基づいて所定のサイズを有する一連のパッチ画像を生成し、各パッチ画像を１次元のベクトルに変換した後、これをより低次元のテンソルへと線形射影するようにしてもよい。また、これらの線形射影されたテンソルには、元の画像における位置情報を付加するようにしてもよい。上述のように、入力データに基づいて生成されたデータ（トークンとも称される）が、続くメタ構造（ＭｅｔａＦｏｒｍｅｒ ｌａｙｅｒ）を有するＴエンコーダ１３１０への入力となる。Ｔエンコーダ１３１０は、入力データの全体的な特徴を抽出するエンコーダである。

【0035】

Ｔエンコーダ１３１０は、入力されたトークンに対し、チャネル方向及び空間方向の混合を繰り返し行うことにより、チャネル方向及び空間方向にわたる特徴を抽出するように構成される。より具体的には、Ｎｏｒｍ層では入力されたトークンの正規化処理を施され、続くＴｏｋｅｎＭｉｘｅｒ層において、空間位置が異なるパッチに対応する特徴量の混合が行われる。また、もう１つのＮｏｒｍ層ではデータの正規化が行われ、続く多層パーセプトロン（ＭＬＰ）により、トークンごとに、異なるチャネル間での特徴量が混合される。ＭＬＰの層数や繰り返しの回数は、適宜設定することができる。また、Ｔエンコーダ１３１０は、ＭＬＰの重みづけ係数やバイアス等、学習により調整されるパラメータを有し、これらのパラメータは、後述する学習処理により調整済みである。本実施形態では、処理の高速化及び領域分割の精度向上の観点から、空間方向の特徴抽出を行うＴｏｋｅｎＭｉｘｅｒ層では、平均プーリングが採用されているが、ＴｏｋｅｎＭｉｘｅｒ層で行われる処理は、これに限定されない。

【0036】

Ｔエンコーダ１３１０からの出力は、入力データの大域的な特徴を表す特徴量である。Ｔエンコーダ１３１０には、１つの転置畳み込み層が接続されており、Ｔエンコーダ１３１０の出力は、この転置畳み込み層に入力される。転置畳み込み層では、所定のサイズを有するカーネルが適用され、入力データに対し、転置畳み込みの演算が行われる。カーネルが持つパラメータは、後述する学習処理により調整済みである。これにより、入力されたデータの特徴を保持しつつ、元のデータに対してサイズが増大した２次元データ（特徴マップ）が出力される。この特徴マップは、後述するＵエンコーダ１３１１の最も下の階層における出力と同じサイズを有する。転置畳み込み層のカーネルサイズは特に限定されず、適宜設定することができる。また、転置畳み込みの演算の際には、ＲｅＬＵ関数が適用されることが好ましい。

【0037】

一方、Ｕエンコーダ１３１１は、連続する２つの２次元畳み込み層が、これに連続するプーリング層で連結され、これにより複数の階層を形成する構造を有する。なお、各階層は、後述するＵデコーダ１３１２において対応する階層にそれぞれスキップ結合されている。Ｕエンコーダ１３１１の各階層における畳み込み層では、入力された画像の特徴抽出が行われる。より詳細には、各畳み込み層には、所定のサイズを有する２次元のデータが入力され、畳み込みフィルタによる畳み込みが行われる。これにより、各畳み込み層からは、入力された画像の特徴を表す２次元のデータ（特徴マップ）が出力される。畳み込みフィルタは、入力された画像の特徴を抽出するためのフィルタであり、フィルタが持つパラメータは、後述する学習処理により調整済みである。また、畳み込みの演算の際には、ＲｅＬＵ関数が適用されることが好ましく、これにより、抽出された特徴がより強調される。畳み込み層におけるフィルタ数、フィルタサイズ、フィルタにより入力データをスキャンする間隔、及び作成される特徴マップのサイズ調整のためのパディング方法等は、特に限定されず、適宜設定することができる。

【0038】

各階層において、２番目の畳み込み層から出力された特徴マップは、プーリング層に入力され、ダウンサンプリングされる。これにより、階層が下に進むごとに、畳み込み層に入力される２次元のデータのサイズが、上の階層で出力された特徴マップのサイズと比較して小さくなる。本実施形態のプーリング層では、最大値プーリングが行われる。すなわち、入力された特徴マップに対し、特徴マップよりも小さなサイズのカーネルによるスキャンが行われ、カーネル内における最大値が抽出される。カーネルのサイズや、特徴マップをスキャンする間隔は、適宜設定することができる。本実施形態では、カーネルのサイズは２×２であり、特徴マップの空間解像度が半分になるように設定される。なお、プーリング層は、学習により調整されるパラメータを有さない。

【0039】

Ｕエンコーダ１３１１では、上記畳み込み層とプーリング層との組み合わせによる処理が進行する度に、より小さな特徴を捉えた、小さなサイズの特徴マップが出力される。Ｕエンコーダ１３１１の最後の階層で出力される特徴マップは、Ｔエンコーダ１３１０の後に接続される転置畳み込み層から出力される特徴マップと同数であるとともに、同じサイズを有する。これらの特徴マップを結合したデータ（以下、「結合マップ」とも称する）が、Ｕデコーダ１３１２への入力となる。このように作成された結合マップをＵデコーダ１３１２に入力することにより、入力データにおける大域情報と、強い局所情報とを共に反映させた領域分割が可能となる。

【0040】

Ｕデコーダ１３１２は、Ｕエンコーダ１３１１の各階層にスキップ結合される階層が形成された構造を有し、各階層では、連続する２つの２次元畳み込み層の後に、１つの転置畳み込み層が接続されている。２次元畳み込み層及び転置畳み込み層で行われる処理については、上述した通りである。ただし、最終的なモデル１３１の出力データが出力される最も上の階層では、連続する２つの２次元畳み込み層の後に、転置畳み込み層ではなく、１つの１×１の畳み込み層が接続される。

【0041】

Ｕデコーダ１３１２の最も下の階層の１番目の畳み込み層には、上述した結合マップが入力される。そして、続く畳み込み層と転置畳み込み層とにおける処理により、入力された結合マップの特徴を保持しつつ、当該結合マップよりも大きなサイズの２次元データが生成される。

【0042】

最も下の階層の転置畳み込み層から出力された２次元データは、スキップ結合されているＵエンコーダ１３１１の畳み込み層から出力された２次元データ（特徴マップ）とともに、１つ上の階層の１番目の畳み込み層へ受け渡される。これにより、Ｕエンコーダ１３１１により抽出された局所的な特徴の位置情報を保持しつつ、受け渡された２次元データよりも大きな２次元データを生成することができる。Ｕデコーダ１３１２では、この処理が階層ごとに繰り返され、繰り返されるごとに、出力される２次元データのサイズがモデル１３１の入力データのサイズに近付いていく。

【0043】

上述したように、Ｕデコーダ１３１２の最も上の階層における１×１の畳み込み層からは、最終的にモデル１３１の出力となるデータが出力される。この出力データは、モデル１３１の入力データにおいて、各配合物の組織が占める領域に、互いに異なる輝度が割り当てられた画像のデータである。すなわち、出力データは、ゴム組成物の顕微鏡画像において、ゴム組成物の配合物に対応して現れる領域を画定するデータであり、各画素に対し、当該画素が対応する配合物を表すラベル付けが行われたデータであるとも言うことができる。なお、ラベルの数は特に限定されず、モデル１３１の学習の際に適宜設定することができる。

【0044】

＜４．分析方法＞
図４は、分析装置１により実行される、ゴム組成物の顕微鏡画像の領域分割処理と、領域分割の結果に基づく特徴量の導出処理とを含む分析方法の流れを示すフローチャートである。以下、図４を参照しつつ、分析装置１の動作について説明する。

【0045】

まず、取得部１０Ａが入力データを取得する（ステップＳ１）。入力データは、上述したように、ゴム組成物を顕微鏡により撮影した顕微鏡画像から生成されるデータである。取得部１０Ａによる入力データの取得は、例えばＣＤ－ＲＯＭ、ＵＳＢメモリ等の記録媒体を介して行われてもよいし、ネットワーク通信を介して、外部装置が保有するデータを読み出すことにより行ってもよい。入力データが、ゴム組成物の顕微鏡画像から切り出されるパッチ画像である場合、取得部１０Ａは、まずゴム組成物の顕微鏡画像を取得し、これを切り出してパッチ画像を作成してもよい。

【0046】

続いて、出力導出部１０Ｂが、ステップＳ１で取得した入力データをモデル１３１に入力するとともに、モデル１３１から出力データを導出する（ステップＳ２）。上述したように、出力は、ゴム組成物の配合物に対応して現れる領域を画定するデータであり、入力データに対し、配合物ごとに領域が分割されたデータである。

【0047】

続いて、特徴量導出部１０Ｃが、ステップＳ２で出力された出力データに基づき、ゴム組成物の構造及び物性の少なくとも一方に関する特徴量を導出する（ステップＳ３）。特徴量の導出方法は、特に限定されないが、本実施形態では、パーシステントホモロジーを用いた手法（以下、「ＰＨ法」とも称する）により実行される。以下で説明するように、本実施形態では、ＰＨ法を用いて、特定の配合物により形成される組織の分散状態、配合物が形成する組織の形状及び配合物が形成する組織のサイズに関する特徴量が導出される。

【0048】

図５は、ＰＨ法による特徴量の導出原理を説明する図である。まず、特徴量導出部１０Ｃが、ステップＳ２で出力された領域分割済みの画像に基づき、注目する注目配合物に対応する領域と、それ以外の領域とを区別する二値化画像を作成する。図５の左に示す例では、注目配合物に対応する領域の画素が白で、それ以外の領域の画素がグレーで表されている。これにより、画像全体における注目配合物の組織が、島構造として表現される。

【0049】

続いて、特徴量導出部１０Ｃが、島構造の輪郭を構成する画素を－１の画素として、これらの画素から島構造の内部に向かって１画素分離れるに従い、隣接する画素の値から１を引いた値を割り当てていき、島構造の全ての画素に－１以下の値を割り当てる。具体的には、特徴量導出部１０Ｃが、島構造の最も外側に位置する画素に－１を割り当て、－１の画素に隣接する島構造内部の画素に－２を割り当て、－２の画素に隣接する島構造内部の画素に－３を割り当てる。このようにして、島構造を形成する全ての画素に、マンハッタン距離を表す値が割り当てられたとき、割り当てられた値が最も小さくなる画素を島構造の中心と定める。図５の右に示す例では、二値化画像の左上にある島構造の－３の画素と、右下にある島構造の－２の画素が、それぞれの島構造の中心の画素と定められる。

【0050】

次に、特徴量導出部１０Ｃが、二値化画像内で最も小さい値の画素を基準として、白い領域を単位時間あたり１画素ずつ膨張させたときの白い領域の生成や結合の過程をヒストグラム化する。図６を例として、このアルゴリズムを説明する。まず、基準とした画素の値に対応する時刻（－３）を島構造の中心の生成時間とし、この時点では－３の画素のみが白であり、それ以外の画素がグレーであるとする。次の時刻（－２）では、基準の画素から画素１つ分だけ白い領域を膨張させ、－２の画素を新たに白とする。結果、基準とした画素を含む島構造に加え、新たに２つの島構造が生成される。島構造が新たに生成された時刻（－２）を生成時刻とする。同様の要領で、次の時刻（－１）でさらに画素１つ分だけ白い領域を膨張させる。結果、時刻（－２）で独立していた２つの島構造が結合し、１つの島構造を形成する。次の時刻（１）では、元々の島構造の外部に、画素１つ分だけ白い領域を膨張させる。図６において、新たに白い領域となった画素には１が表示される。同様に、次の時刻（２）では、１が表示された画素から、さらに画素１つ分だけ白い領域を膨張させる。図６において、新たに白い領域となった画素には２が表示される。また次の時刻（３）では、２が表示された画素から、さらに画素１つ分だけ白い領域を膨張させる。これにより、元々独立していた２つの島構造が結合し、１つの島構造となる。

【0051】

図７に示すように、横軸を生成時刻、縦軸を結合時刻とするプロット平面に、上記アルゴリズムにより島構造が新たに生成した生成時刻と、独立していた２つの島構造が結合した結合時刻とをプロットすることにより、２次元ヒストグラムが生成される。図７の例では、生成時刻－２に対し、結合時刻が－１と３であったため、上記プロット平面には（－２，－１）及び（－２，３）の２点がプロットされる。本実施形態では、このヒストグラムをベクトル化したものがゴム組成物の構造に関する特徴量となる。

【0052】

図８は、上記２次元ヒストグラムにプロットされた点の位置が表す情報を示す図である。図８に示すように、プロット点が横軸から上方向に離れれば離れるほど、注目配合物により形成される島構造が少なく、あるいは注目配合物の分散度合いが大きいことを表す。島構造同士がより離れていると、上記アルゴリズムにおいて、２つの島構造が結合するまでにより長い時間を要するからである。一方、横軸よりも下にあるプロット点は、注目配合物により形成される組織が凹凸を有することを表す。この場合、元々は１つである島構造が、上記アルゴリズムにおいて、２以上の島構造の結合により生成されることを示すからである。また、プロット点が縦軸から左方向に離れれば離れるほど、注目配合物により形成される島構造のサイズが大きいことを表す。島構造のサイズが大きいと、上記アルゴリズムにおいて島構造が新たに生成される時刻が、元々の島構造の輪郭に至る時刻（－１）からより遡った時刻となるからである。さらに、プロット点がプロット平面の対角線に近ければ近いほど、注目配合物により形成される組織の凹凸がより微小であることを表す。組織の凹凸が微小であると、上記アルゴリズムにおいて、島構造の生成時刻と結合時刻との差が小さくなるからである。なお、元々１つの島構造の形状に凹凸が多く、くびれが多い形状であると、結合時刻（－１）の付近にプロット点が多くなる。特徴量導出部１０Ｃは、以上のようにして、ゴム組成物の構造に関する特徴量を導出する。

【0053】

特定の配合物の構造と、ゴム組成物の物性との相関が判明している場合、特徴量導出部１０Ｃは、上記ゴム組成物の構造に関する特徴量から、ゴム組成物の物性に関する特徴量をさらに導出することができる。本発明者らの検討によれば、特定の配合物についての分散状態、凝集体の形状及びサイズの少なくとも１つに関連する特徴量は、ゴム組成物のムーニー粘度、タイプＡ硬度（Ｈｓ）、Ｓｗｅｌｌ（トルエン膨潤指数）、比重、Ｍ１００（１００％伸長時のモジュラス）、Ｍ２００（２００％伸長時のモジュラス）、Ｍ３００（３００％伸長時のモジュラス）、ＴＢ（引張強さ）、ＥＢ（伸び）、Ｅ^*（貯蔵弾性率、０℃、０．２５％）、ｔａｎδ（損失弾性率、０℃、２．５％）、Ｅ^*（３０℃、１％）、ｔａｎδ（３０℃、１％）、ＴＤ（温度分散）、Ｔｇ（ガラス転移温度）、ＴＤｔａｎδ及びＴＤ１／２Ｗ等の物性と相関を有することが判明している。なお、ＴＤｔａｎδは、温度分散に基づき算出され、ＴＤ１／２Ｗは、温度分散カーブの波形の半値幅を表す。このように、特定の配合物についての上記特徴量のうち少なくとも１つと、特定の物性との相関が判明している場合、上記特徴量を導出することは、ゴム組成物の物性に関する特徴量を導出することでもあると言える。

【0054】

ステップＳ３の後、特徴量導出部１０Ｃは、導出された特徴量を示す結果表示画面を生成し、表示部１１にこれを表示させてもよい（ステップＳ４）。結果表示画面には、モデル１３１による出力データを含めてもよい。

【0055】

＜５．学習方法＞
図９は、生成装置１により実行される機械学習モデルの学習方法、すなわちモデル１３１の生成方法の流れを示すフローチャートである。以下、図９を参照しつつ、図３に示す構造を有するモデルの学習方法について説明する。

【0056】

まず、機械学習モデルを学習させるための学習用データが準備される（ステップＳ１１）。学習用データは、ゴムの組成物を顕微鏡で撮影した顕微鏡画像から生成されるデータ（以下、「第１データ」とも称する）と、正解データ（第２データ）とが組み合わせられた複数のデータである。第１データは、Ｈ×Ｗの規定のサイズを有する顕微鏡画像そのものであってもよいし、顕微鏡画像から切り出された、Ｈ×Ｗの規定のサイズを有するパッチ画像であってもよい。顕微鏡画像には、配合（配合物の種類及び配合割合の少なくとも一方）や、混練条件等が異なる複数のゴム組成物の顕微鏡画像が含まれる。本実施形態では、顕微鏡画像の顕微鏡の拡大倍率は画像によらず一定であるが、顕微鏡の拡大倍率は画像により異なっていてもよい。また、例えば、同じゴム組成物についても、顕微鏡の拡大倍率や、撮影範囲が異なる複数の顕微鏡画像が含まれていてもよい。その他、ゴム組成物を撮影する顕微鏡については、モデル１３１への入力データについての説明で述べた通りである。

【0057】

正解データは、第１データにおいて、ゴム組成物の各配合物に対応して現れる各領域を画定するデータである。言い換えると、正解データは、第１データの全ての画素に対し、当該画素がいずれの配合物の組織が占める領域に属するかを示すラベル付け（アノテーション）が行われたデータである。ラベルの数は、顕微鏡画像に現れるゴム組成物の配合物の種類の数とすることができる。アノテーションは、公知の方法によって行うことができるが、アノテーションの基準となる第１データの領域分割は、異なる島構造間にある境界的な画素の輝度をグラデーションとせず、これらの画素にも何らかの配合物に対応するラベルを割り当てる。このため、アノテーションは、ゴム組成物の観察に熟練した者によるラベル付けが反映されることが好ましい。これにより、正解データは、より従来の知見に即したものとなる。

【0058】

本実施形態では、準備された学習用データは、記憶媒体やネットワークを介して分析装置１に取り込まれ、学習部１０Ｄによって学習用データ１３４として記憶部１３に保存される。学習部１０Ｄは、学習用データ１３４を、パラメータ調整用の訓練用データと、精度検証用のテスト用データとに予め分けて保存する。両者の割合は、適宜設定することができる。

【0059】

続いて、学習部１０Ｄが、訓練用データを所定の数のデータごとに分割し、複数のサブセットとする（ステップＳ１２）。所定の数は、次のステップＳ１３で１回当たりに機械学習モデルに入力するデータの数であり、適宜設定することができる。

【0060】

続いて、学習部１０Ｄがサブセットの１つを選択し、選択したサブセットに含まれる第１データを機械学習モデルに入力し、機械学習モデルからの出力データを導出する（ステップＳ１３）。出力データは、入力された第１データに組み合わされている正解データに対応するデータであり、本実施形態では、配合物に対応する領域が画定されたデータである。なお、ステップＳ１３では、各畳み込み層において、畳み込み演算の後、ＲｅＬＵ関数の適用前に、バッチ正規化の処理が導入されてもよい。これにより、学習の安定化及び速度向上を図ることができる。

【0061】

続いて、学習部１０Ｄが、ステップＳ１３で導出された出力と、ステップＳ１３で入力された第１データに組み合わせられている正解データとの誤差関数の値が最小となるようにパラメータを調整する（ステップＳ１４）。誤差関数としては、例えばクロスエントロピー誤差関数等が挙げられる。学習部１０Ｄは、例えば確率的勾配降下法に従い、機械学習モデルの線形射影行列、Ｔエンコーダ、各畳み込み層におけるバイアス、及び畳み込みフィルタ等が有するパラメータを調整し、更新する。

【0062】

続いて、学習部１０Ｄが、１エポックの学習が完了したか否かを判断する（ステップＳ１５）。本実施形態では、ステップＳ１２で作成された各サブセットについて、ステップＳ１３及びＳ１４が１巡した場合に、１エポックの学習が完了したと判断される。１エポックの学習が完了していないと判断された場合（ＮＯ）、学習部１０Ｄは、まだ使用されていないサブセットを用いて、ステップＳ１３～ステップＳ１４を繰り返す。一方、１エポックの学習が完了したと判断された場合（ＹＥＳ）、ステップＳ１６が実行される。

【0063】

ステップＳ１６では、学習部１０Ｄが、全エポックの学習が完了したか否かを判断する。全エポック数は、特に限定されず、適宜設定することができる。全エポックの学習が完了していないと判断された場合（ＮＯ）、学習部１０Ｄは、前回のエポックと同じ順でサブセットを選択しながら、ステップＳ１３～ステップＳ１５を繰り返す。一方、全エポックの学習が完了したと判断された場合（ＹＥＳ）、学習部１０Ｄは、最新のパラメータを記憶部１３に格納する。つまり、以上の手順により、教師あり学習が完了したモデル１３１が生成される。しかし、本実施形態では、モデル１３１の出力データの精度を高めるべく、学習部１０Ｄがさらに半教師あり学習を実行する。そこで、以下では教師あり学習が完了した後であって、半教師あり学習が完了する前のモデルを、「仮モデル」と区別して称することがある。

【0064】

続いて、学習部１０Ｄが、検証用データの第１データを仮モデルに入力することにより、仮モデルから、入力された第１データに組み合わせられている正解データに対応する出力データを導出する（ステップＳ１７）。

【0065】

続いて、学習部１０Ｄが、ステップＳ１７で導出した出力データの、正解データに対する誤差を算出する（ステップＳ１８）。誤差の算出方法は特に限定されず、公知の手法に従って行うことができる。

【0066】

続いて、学習部１０Ｄが、ステップＳ１８で算出した誤差が比較的小さくなる検証用データに含まれる第１データを特定する（ステップＳ１９）。学習部１０Ｄは、予め定められた閾値に基づき、算出された誤差が閾値以下となるか閾値未満となる検証用データの第１データを特定してもよい。あるいは、ステップＳ１６で仮モデルから導出された出力データの中で、相対的に誤差が小さくなる第１データを特定してもよい。なお、ここで特定される第１データは、仮モデルによる適切な領域分割が比較的困難と考えられるデータであることが好ましい。後述する類似データを、仮モデルにとって領域分割の難易度が比較的高い一方で、正解データとの誤差が比較的小さくなるような第１データと類似するデータとすることにより、モデル１３１のさらなる精度向上が図れる。

【0067】

次に、ステップＳ１９で特定された第１データと同じサイズを有し、かつ第１データとの類似度が高い類似データが準備される（ステップＳ２０）。類似データは、例えば、ステップＳ１１で準備された学習用データには含まれていない、ゴム組成物の顕微鏡画像から生成されるデータであってよい。第１データとの類似度の判定方法は特に限定されず、例えば輝度分布が第１データとより近いデータを類似データとして準備することができる。第１データとは異なり、類似データには、正解データが組み合わせられていない。学習部１０Ｄは、記憶媒体やネットワークを介して類似データを分析装置１に取り込み、記憶部１３に保存する。

【0068】

続いて、学習部１０Ｄが、類似データを仮モデルに入力することにより、仮モデルからの出力データを導出する（ステップＳ２１）。

【0069】

続いて、学習部１０Ｄは、導出された出力データを、疑似正解データとし、これを元の類似データと組み合わせて疑似学習用データを作成する（ステップＳ２２）。作成された疑似学習用データは、学習用データと同様、記憶部１３に保存される。

【0070】

学習部１０Ｄは、ステップＳ２２で作成された疑似学習用データを用いて、仮モデルの学習をさらに継続する（ステップＳ２３）。すなわち、以下の処理では、疑似学習用データと学習用データとを合わせたデータに対し、ステップＳ１２～ステップＳ１６と同様の処理が行われ、仮モデルのパラメータがさらに調整される。これにより、仮モデルよりもさらに領域分割の難易度が高い入力データに対応した、精度の高いモデル１３１を生成することができる。なお、仮モデルの学習は、誤差がある程度まで小さくなり、安定したとみなせる場合、全エポック数の学習の完了を待たずに終了してもよい。

【0071】

＜６．特徴＞
上記実施形態の分析装置１では、ゴム組成物の顕微鏡画像と、顕微鏡画像上に現れる領域との関係を学習したモデル１３１により、入力された顕微鏡画像の領域分割が行われる。モデル１３１は、ゴム組成物の実態に即したラベル付けが行われた学習用データを用いて学習済みであるため、従来の画像処理アルゴリズムによる領域分割と比較すると、より信頼性の高い領域分割を行うことができる。このため、モデル１３１の出力データに基づいて、信頼性がより高い特徴量を抽出することができ、顕微鏡画像に基づくゴム組成物の構造や物性の推定精度が向上する。加えて、顕微鏡画像に現れる特徴と、ゴム組成物の構造や物性との相関について、新たな知見が得られることが期待される。

【0072】

＜７．変形例＞
以上、本発明の一実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて、種々の変更が可能である。以下に示す変形例の要旨は、適宜組み合わせることができる。

【0073】

（１）上記実施形態では、モデル１３１としてＴｒａｎｓＵＮｅｔモデルをベースとしたモデルが用いられたが、モデル１３１の構造はこれに限定されない。モデル１３１は、例えば、セマンティックセグメンテーションのカテゴリに属するモデルである、アテンションネットワーク、ＳｅｇＮｅｔ、全層畳み込みネットワーク（ＦＣＮ）、特徴ピラミッドネットワーク、ＰＳＰＮｅｔ、ＲｅｆｉｎｅＮｅｔ、再帰型ニューラルネットワーク（ＲＮＮ）ベースのモデル、ＵＮｅｔ、ＵＳｅｇｎｅｔ、ＴｒａｎｓＮｅｔ、ＴｒａｎｓＵＮｅｔ、Ｌａｒｇｅ Ｋｅｒｎｅｌ Ｍａｔｔｅｒｓ、Ｄｅｅｐｌａｂｖ３＋等をベースとするモデル、及びこれらを適宜組み合わせたモデルであってもよい。また、上記カテゴリに属する以外のモデル、例えば、ＲｅｓＮｅｔ、サポートベクタ―マシン（ＳＶＭ）、ニューラルネットワーク（ＮＮ）モデル、Ｋ－ＮＮモデル、クラスタリング、k-means、決定木、ロジスティック回帰モデルをベースとしたモデルやこれらを適宜組み合わせたモデル等が用いられてもよい。また、モデル１３１の層構成も上記実施形態のものに限られない。例えば、Ｔエンコーダ１３１０の構成を適宜変更してもよく、Ｕエンコーダ１３１１及びＵデコーダ１３１２の畳み込み層の追加または省略を行ってもよく、これらの階層の増減を行ってもよい。

【0074】

（２）上記実施形態に係る学習方法はあくまで一例であり、上記実施形態の方法に限られない。例えば、出力データと正解データとの誤差算出方法や、パラメータ調整のアルゴリズムは、適宜変更することができる。

【0075】

（３）上記実施形態では、分析装置１は１つの装置として構成されたが、各部１０Ａ～１０Ｄ、及び記憶部１３の機能は、複数の装置に分散されていてもよい。従って、上記分析方法及び学習済みモデルの生成方法は、１または複数のコンピュータによって各ステップが分散して実行されてもよい。

【0076】

（４）分析装置１の制御部１０は、ＣＰＵやＧＰＵの他、ベクトルプロセッサ、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）、その他人工知能専用チップ等を含んで構成されてもよい。また、制御部１０の動作は、１または複数のプロセッサにより実行されてもよい。

【0077】

（５）モデル１３１の出力データに基づくゴム組成物の構造及び物性に関する特徴量の導出方法は、上記実施形態の方法に限られず、ＰＨ法以外の方法により実行されてもよい。例えば、モデル１３１の出力データに基づいて、公知の画像処理アルゴリズムにより、特定の配合物に対応する領域の平均サイズや、領域間の距離、領域の形状を示す指標及びこれらに相関する物性に関する指標を導出することもでき、これら指標も本発明の特徴量に含まれる。また、モデル１３１の出力データと、ゴム組成物の構造及び物性の少なくとも一方に関する特徴量との関係を学習した新たな機械学習モデルを構築し、この機械学習モデルの出力データに基づいてゴム組成物の構造及び物性の少なくとも一方に関する特徴量を導出してもよい。

【実施例0078】

以下、本発明の実施例について詳細に説明する。ただし、本発明は、これらの実施例に限定されない。

【0079】

＜実験１＞
互いに配合が異なる複数のゴム組成物の顕微鏡画像から生成した入力データと、正解データとが組み合わせられた学習用データを準備し、これらを訓練用データと検証用データとに分割した。訓練用データを用いて、図３に示す構造を有するモデル１と、公知のＵＮｅｔモデルに従うモデル２とをそれぞれ学習させた。なお、モデル１の学習には、上記実施形態の疑似学習データを用いた学習を適用し、これを２０回繰り返した。ゴム組成物の配合は、配合０１、配合０２、配合０３、配合０４及びその他とし、正解データに付したラベルは、カーボン（ＣＢ）、スチレンブタジエンゴム（ＳＢＲ）、天然ゴム（ＮＲ）、シリカ（Ｓｉ）に対応する４種類とした。学習済みのモデル１及び２に、それぞれ検証用データの画像データを入力し、出力データを導出した。導出された出力データに対し、配合及びラベルごとにＦ値を算出した。Ｆ値は、適合率と再現率の調和平均で算出される指標であり、１に近ければ近いほどモデルの精度が高いと言ってよい。

【0080】

＜結果１＞
モデル１及び２に対し、配合及びラベルごとに算出されたＦ値は、それぞれ図１０Ａ及び図１０Ｂに示す結果となった。図１０Ａに示すように、モデル１では、配合及びラベルの種類に対するＦ値のムラが比較的少ないことが確認された。また、モデル１の全Ｆ値の平均は０．８８７であり、領域分割が、どの条件においても充分な精度で行われることが確認された。一方、モデル２の全Ｆ値の平均は０．８５６であり、全体としての領域分割の精度は充分であることが確認された。ただし、図１０Ｂに示すように、モデル２ではその他配合におけるＳＢＲに対するＦ値が他の条件に対するＦ値と比較して小さくなっており、条件によるＦ値のムラが、モデル１と比較すると大きいことが確認された。

【0081】

図１１は、モデル１に入力された入力データとこれに組み合わせられた正解データ、及び入力データに対するモデル１からの出力データを比較する図である。図１１から、モデル１では、領域分割が正解データに近くなるよう、良好に行われていることが観察された。また、参考までに、図１１の左には領域分割が比較的容易な入力データの例を示し、右は領域分割が比較的困難である入力データの例を示している。これから分かるように、領域分割が比較的困難である入力データでは、画素のコントラストが比較的小さい。なお、正解データの一部には、付されたラベルが配合物の名称として示されているが、画素の輝度と配合物との対応はこれに限定されない。

【0082】

＜実験２＞
実験１で学習されたモデル１に、配合が異なるゴム組成物の顕微鏡画像から生成した複数の入力データを入力し、複数の出力データを導出した。出力データに基づき、配合ごとに上記実施形態のＰＨ法によるＮＲのヒストグラム及びＳｉのヒストグラムを作成し、これに基づいてＮＲの構造に関する特徴量及びＳｉの構造に関する特徴量をそれぞれ導出した。ゴム組成物の配合は、実験１と共通の配合０１、配合０２、配合０３、及び配合０４とした。従来の知見によれば、配合０１及び配合０２では、ＮＲの島構造のサイズが比較的小さく、形状にはうねり（凹凸）が多く、互いに距離が近い傾向が見られる一方、配合０３及び配合０４では、ＮＲの島構造のサイズが比較的大きく、形状はうねりが少なく丸みを帯び、互いの距離が離れている傾向が見られる。導出されたＮＲの構造に関する特徴量を、ロジスティック回帰モデルを用いて配合０１及び０２または配合０３及び０４の２カテゴリに分類し、従来の知見に適合する特徴抽出ができているか否かを検証した。加えて、従来の知見によれば、配合０１及び０３では、Ｓｉの凝集体のサイズが比較的小さく、配合０２及び０４では、Ｓｉの凝集体のサイズが比較的大きい。導出されたＳｉの構造に関する特徴量を、ロジスティック回帰モデルを用いて配合０１及び０３または配合０２及び０４の２カテゴリに分類し、従来の知見に適合する特徴抽出ができているか否かを検証した。

【0083】

＜結果２＞
ＮＲの構造に関する特徴量のロジスティック回帰モデルによる分類の正解率は９６％であり、Ｓｉの構造に関する特徴量のロジスティック回帰モデルによる分類の正解率は９９％であった。これにより、モデル１の出力データに基づいて、従来の知見に合致するゴム組成物の構造に関する特徴抽出ができることが裏付けられた。参考までに、配合０１及び０４のゴム組成物について、ゴム組成物の顕微鏡画像と、これに対してモデル１により領域分割を行った結果の画像とを比較する図を図１２に示す。図１２により、配合０１ではＳｉ凝集体のサイズが小さく、ＮＲの島構造にうねりが生じやすい傾向がある一方、配合０４ではＳｉ凝集体のサイズが大きく、ＮＲの島構造が丸みを帯びる傾向があることが確認できる。モデル１により領域分割を行った結果の画像では、これらの傾向が反映されている。

【0084】

＜実験３＞
実験２で導出された出力データに対し、上記実施形態のＰＨ法によるＳｉのヒストグラムを作成し、これに基づいてＳｉの構造に関する特徴量を導出した。導出された特徴量と、ゴム組成物の物性Ｚａ，Ｚｂ，Ｚｃ，Ｚｄ，Ｘ１～Ｘ５，及びＹ１～Ｙ６との相関をそれぞれ検討した。より具体的には、Ｓｉのヒストグラムに基づく特徴量（ベクトル）中の各要素と各物性との相関分析を行い、各要素に対して－１から１までの相関係数を算出し、これに基づいて特徴量と物性との相関を確認した。

【0085】

＜結果３＞
検討の結果、物性Ｚａ，Ｚｂ，Ｚｃは、ともにＳｉの凝集体の形状にうねりがあるもの、及び凝集体に丸みがあってサイズが大きいものと順相関を有することが確認された。図１３は、Ｓｉのヒストグラム上で、相関係数がどのように分布するかを可視化した図の一例であり、物性Ｚｂについての検討結果を示している。また、物性Ｚｄは、Ｓｉの凝集体に丸みがあって凝集体間の距離が比較的小さいものと順相関を有し、物性Ｚａ，Ｚｂ，Ｚｃとは逆の相関傾向を有することが確認された。なお、物性Ｚａはムーニー粘度、ＺｂはタイプＡ硬度（Ｈｓ）、ＺｃはＳｗｅｌｌ、Ｚｄは比重である。同様にして、物性Ｘ１～Ｘ３は、Ｓｉの凝集体の形状にうねりがあるもの、凝集体に丸みがあってサイズが大きいもの、及び凝集体に丸みがあって凝集体間の距離が比較的大きいものと順相関を有することが確認された。物性Ｘ４及びＸ５は、Ｓｉの凝集体の形状にうねりがあるもの、及び凝集体に丸みがあって凝集体間の距離が比較的小さいものと順相関を有することが確認された。なお、物性Ｘ１はＭ１００、Ｘ２はＭ２００、Ｘ３はＭ３００、Ｘ４はＴＢ、Ｘ５はＥＢである。さらに、物性Ｙ１～Ｙ５は、Ｓｉの凝集体の形状にうねりがあるもの、及び凝集体に丸みがあってサイズが大きいものと順相関を有することが確認された。一方、物性Ｙ７は、Ｓｉの凝集体に丸みがあり、サイズが小さく、凝集体間の距離が比較的小さいものと順相関を有し、物性Ｙ１～Ｙ５とは逆の相関傾向を有することが確認された。物性Ｙ６は、Ｓｉの凝集体に丸みがあり、凝集体間の距離が比較的大きいものと順相関を有することが確認された。なお、物性Ｙ１はＥ^*（０℃、０．２５％）、Ｙ２はｔａｎδ（０℃、２．５％）、Ｙ３はＥ^*（３０℃、１％）、Ｙ４はｔａｎδ（３０℃、１％）、Ｙ５はＴＤ、Ｔｇ、Ｙ６はＴＤｔａｎδ、Ｙ７はＴＤ１／２Ｗである。以上の結果から、上記実施形態においてモデルから出力された出力データに基づき、ゴム組成物の物性に関する１または複数の特徴量が導出可能であることが裏付けられた。

【0086】

１ 分析装置
１０ 制御部
１０Ａ 取得部
１０Ｂ 出力導出部
１０Ｃ 特徴量導出部
１０Ｄ 学習部
１３１ モデル

【図1A】

【図1B】

【図1C】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10A】

【図10B】

【図11】

【図12】

【図13】