特開 2024-891 損傷箇所予測装置、損傷箇所予測方法、損傷箇所予測プログラム及び学習済みモデル生成方法

(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】P2024000891

(43)【公開日】2024-01-09

(54)【発明の名称】損傷箇所予測装置、損傷箇所予測方法、損傷箇所予測プログラム及び学習済みモデル生成方法

(51)【国際特許分類】

   E01C 23/01 20060101AFI20231226BHJP

【ＦＩ】

E01C23/01

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022099867

(22)【出願日】2022-06-21

(71)【出願人】

【識別番号】505398952

【氏名又は名称】中日本高速道路株式会社

(71)【出願人】

【識別番号】391024825

【氏名又は名称】ジオ・サーチ株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】清 文雄

(72)【発明者】

【氏名】久野 剛直

(72)【発明者】

【氏名】佐藤 史典

(72)【発明者】

【氏名】森田 英明

(72)【発明者】

【氏名】小澤 幸雄

(72)【発明者】

【氏名】山根 博之

(72)【発明者】

【氏名】山下 真理子

(72)【発明者】

【氏名】太田 雅彦

【テーマコード（参考）】

2D053

【Ｆターム（参考）】

2D053AA32

2D053AB06

2D053AD01

2D053FA02

(57)【要約】

【課題】舗装の損傷が発生しそうな箇所を予測することを可能とする。
【解決手段】舗装された道路を走行しながら前記道路に向けて照射されたマイクロ波の反射波のデータに基づいた入力データを取得する取得部１０１と、前記入力データ及び前記道路において損傷が発生する可能性のある特徴を示す箇所の情報を教師データとして機械学習を行って、前記入力データを入力すると前記道路において損傷が発生する可能性が有る箇所を出力する学習済みモデルを用いて、前記入力データから前記道路において損傷が発生する可能性が有る箇所を予測する予測部１０２と、予測部１０２の予測の結果を提示する提示部１０３と、を備える、予測装置１０が提供される。
【選択図】図５

【特許請求の範囲】

【請求項1】

舗装された道路を走行しながら前記道路に向けて照射されたマイクロ波の反射波のデータに基づいた入力データを取得する取得部と、
前記入力データ及び前記道路において舗装の損傷が発生する可能性のある特徴を示す箇所の情報を教師データとして機械学習を行って、前記入力データを入力すると前記道路において損傷が発生する可能性が有る箇所を出力する学習済みモデルを用いて、前記入力データから前記道路において舗装の損傷が発生する可能性が有る箇所を予測する予測部と、
前記予測部の予測の結果を提示する提示部と、
を備える、損傷箇所予測装置。

【請求項2】

前記予測部は、車輪が道路に接地する領域において前記箇所を予測する、請求項１に記載の損傷箇所予測装置。

【請求項3】

前記予測部は、前記入力データが前記道路の走行方向にスライスされた複数のデータ、前記入力データが前記道路の横断方向にスライスされた複数のデータ、前記道路の深さ方向にスライスされた複数のデータの少なくともいずれかを用いて前記箇所を予測する、請求項１又は請求項２に記載の損傷箇所予測装置。

【請求項4】

前記予測部は、前記入力データが前記道路の深さ方向にスライスされた複数のデータを用いた予測の結果である第１の結果と、前記入力データが前記道路の横断方向にスライスされた複数のデータを用いた予測の結果である第２の結果とを組み合わせて、前記箇所を予測する、請求項３に記載の損傷箇所予測装置。

【請求項5】

前記予測部は、前記第１の結果と前記第２の結果との論理積により前記箇所を予測する、請求項４に記載の損傷箇所予測装置。

【請求項6】

前記予測部は、前記第１の結果と前記第２の結果との同時確率による絞り込みにより前記箇所を予測する、請求項４に記載の損傷箇所予測装置。

【請求項7】

プロセッサが、
舗装された道路を走行しながら前記道路に向けて照射されたマイクロ波の反射波のデータに基づいた入力データを取得し、
前記入力データ及び前記道路において舗装の損傷が発生する可能性のある特徴を示す箇所の情報を教師データとして機械学習を行って、前記入力データを入力すると前記道路において舗装の損傷が発生する可能性が有る箇所を出力する学習済みモデルを用いて、前記入力データから前記道路において損傷が発生する可能性が有る箇所を予測し、
前記予測の結果を提示する、
処理を実行する、損傷箇所予測方法。

【請求項8】

コンピュータに、
舗装された道路を走行しながら前記道路に向けて照射されたマイクロ波の反射波のデータに基づいた入力データを取得し、
前記入力データ及び前記道路において舗装の損傷が発生する可能性のある特徴を示す箇所の情報を教師データとして機械学習を行って、前記入力データを入力すると前記道路において舗装の損傷が発生する可能性が有る箇所を出力する学習済みモデルを用いて、前記入力データから前記道路において舗装の損傷が発生する可能性が有る箇所を予測し、
前記予測の結果を提示する、
処理を実行させる、損傷箇所予測プログラム。

【請求項9】

プロセッサが、
舗装された道路を走行しながら前記道路に向けて照射されたマイクロ波の反射波のデータに基づいた入力データ及び前記道路において舗装の損傷が発生する可能性のある特徴を示す箇所の情報を教師データとして機械学習を行い、
該機械学習により、前記入力データを入力すると前記道路において舗装の損傷が発生する可能性が有る箇所を出力するための学習済みモデルを生成する、
学習済みモデル生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、損傷箇所予測装置、損傷箇所予測方法、損傷箇所予測プログラム及び学習済みモデル生成方法に関する。

【背景技術】

【0002】

日々車両が走行する道路は、車両から受ける荷重の作用、道路が施設された場所の温度変化、道路への雨水の影響により舗装が損傷する。舗装の損傷の具体例には、ひび割れ、ポットホール等がある。ポットホールとは、道路の表層が剥がれて出来る丸い穴又は凹みである。このような道路の損傷を迅速に把握し、道路を維持管理するために、道路の路面性状を把握する作業が日常的に行われており、特許文献１には、低コストで精度良く路面性状の判定を行えることを目的とした学習済みモデル生成方法および路面性状判定装置の技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－１６９７０５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で開示された技術は、ポットホール等の路面性状の有無を判定することは可能であるが、今後舗装の損傷が発生しそうな箇所を予測するものではない。

【0005】

本開示は、上記の点に鑑みてなされたものであり、舗装の損傷が発生しそうな箇所を予測することが可能な損傷箇所予測装置、損傷箇所予測方法、損傷箇所予測プログラム及び学習済みモデル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】

本発明の第１態様に係る損傷箇所予測装置は、舗装された道路を走行しながら前記道路に向けて照射されたマイクロ波の反射波のデータに基づいた入力データを取得する取得部と、前記入力データ及び前記道路において舗装の損傷が発生する可能性のある特徴を示す箇所の情報を教師データとして機械学習を行って、前記入力データを入力すると前記道路において損傷が発生する可能性が有る箇所を出力する学習済みモデルを用いて、前記入力データから前記道路において舗装の損傷が発生する可能性が有る箇所を予測する予測部と、前記予測部の予測の結果を提示する提示部と、を備える。

【0007】

本発明の第２態様に係る損傷箇所予測装置は、第１態様に係る損傷箇所予測装置であって、前記予測部は、車輪が道路に接地する領域において前記箇所を予測する。

【0008】

本発明の第３態様に係る損傷箇所予測装置は、第１態様又は第２態様に係る損傷箇所予測装置であって、前記予測部は、前記入力データが前記道路の走行方向にスライスされた複数のデータ、前記入力データが前記道路の横断方向にスライスされた複数のデータ、前記道路の深さ方向にスライスされた複数のデータの少なくともいずれかを用いて前記箇所を予測する。

【0009】

本発明の第４態様に係る損傷箇所予測装置は、第３態様に係る損傷箇所予測装置であって、前記予測部は、前記入力データが前記道路の深さ方向にスライスされた複数のデータを用いた予測の結果である第１の結果と、前記入力データが前記道路の横断方向にスライスされた複数のデータを用いた予測の結果である第２の結果とを組み合わせて、前記箇所を予測する。

【0010】

本発明の第５態様に係る損傷箇所予測装置は、第４態様に係る損傷箇所予測装置であって、前記予測部は、前記第１の結果と前記第２の結果との論理積により前記箇所を予測する。

【0011】

本発明の第６態様に係る損傷箇所予測装置は、第４態様に係る損傷箇所予測装置であって、前記予測部は、前記第１の結果と前記第２の結果との同時確率による絞り込みにより前記箇所を予測する。

【0012】

本発明の第７態様に係る損傷箇所予測方法は、プロセッサが、舗装された道路を走行しながら前記道路に向けて照射されたマイクロ波の反射波のデータに基づいた入力データを取得し、前記入力データ及び前記道路において舗装の損傷が発生する可能性のある特徴を示す箇所の情報を教師データとして機械学習を行って、前記入力データを入力すると前記道路において舗装の損傷が発生する可能性が有る箇所を出力する学習済みモデルを用いて、前記入力データから前記道路において損傷が発生する可能性が有る箇所を予測し、前記予測の結果を提示する、処理を実行する。

【0013】

本発明の第８態様に係る損傷箇所予測プログラムは、コンピュータに、舗装された道路を走行しながら前記道路に向けて照射されたマイクロ波の反射波のデータに基づいた入力データを取得し、前記入力データ及び前記道路において舗装の損傷が発生する可能性のある特徴を示す箇所の情報を教師データとして機械学習を行って、前記入力データを入力すると前記道路において舗装の損傷が発生する可能性が有る箇所を出力する学習済みモデルを用いて、前記入力データから前記道路において舗装の損傷が発生する可能性が有る箇所を予測し、前記予測の結果を提示する、処理を実行させる。

【0014】

本発明の第９態様に係る学習済みモデル生成方法は、プロセッサが、舗装された道路を走行しながら前記道路に向けて照射されたマイクロ波の反射波のデータに基づいた入力データ及び前記道路において舗装の損傷が発生する可能性のある特徴を示す箇所の情報を教師データとして機械学習を行い、該機械学習により、前記入力データを入力すると前記道路において舗装の損傷が発生する可能性が有る箇所を出力するための学習済みモデルを生成する。

【発明の効果】

【0015】

本開示によれば、舗装の損傷が発生しそうな箇所を予測することが可能な損傷箇所予測装置、損傷箇所予測方法、損傷箇所予測プログラム及び学習済みモデル生成方法を提供することができる。

【図面の簡単な説明】

【0016】

【図1】本実施形態に係る予測装置を含んだ損傷箇所予測システムの概略構成を示す図である。

【図2】反射応答波形の検出を説明するための図である。

【図3】電磁波装置から照射された電磁波の反射の様子を示す図である。

【図4】予測装置のハードウェア構成を示すブロック図である。

【図5】予測装置の機能構成の例を示すブロック図である。

【図6】学習装置のハードウェア構成を示すブロック図である。

【図7】学習装置の機能構成の例を示すブロック図である。

【図8】予測装置による予測処理の流れを示すフローチャートである。

【図9】Ｙボリュームデータ及びＺボリュームデータの基となる画像の例を示す図である。

【図10】Ｙボリュームデータ及びＺボリュームデータを説明する図である。

【図11】予測装置による予測結果の提示例を示す図である。

【発明を実施するための形態】

【0017】

以下、本開示の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一または等価な構成要素および部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

【0018】

図１は、本実施形態に係る予測装置を含んだ損傷箇所予測システムの概略構成を示す図である。図１に示すように、本実施形態に係る損傷箇所予測システム１は、車両９０に搭載されている。

【0019】

損傷箇所予測システム１は、アスファルト等で舗装された道路８０の舗装の損傷が生じそうな箇所、例えばホットポールが発生しそうな箇所を予測するシステムである。損傷箇所予測システム１は、予測装置１０と、電磁波装置３０とを含んで構成される。予測装置１０は、道路８０の舗装の損傷が生じそうな箇所を予測するための装置である。

【0020】

電磁波装置３０は、ライン上に複数設けられた電磁波照射部及び受信部を備える。電磁波装置３０は、車両９０の進行方向が橋軸方向、電磁波装置３０のライン方向が橋軸直角方向となるように、例えば車両９０の後方下部等に設けられる。電磁波照射部は、マイクロ波等の電磁波を道路８０に向かって照射する。受信部は、道路８０の舗装内部の各部において反射された反射波を受信する。

【0021】

電磁波照射部としては、公知の電磁波レーダーシステムを特に限定無く用いることができるが、送受信センサを多数並設したレーダーシステムを用いることが、作業効率と精度の点で好ましい。また送受信センサは、アレイ状のアンテナであるアレイアンテナを用いることが、作業効率の点で好ましい。

【0022】

図２に示すように、電磁波装置３０は、道路８０の評価対象範囲９５を車両進行方向に走査しながら、表面から道路８０の内部（深さ）方向へ電磁波を照射し、その反射波を受信する。これにより、評価対象範囲９５の各グリッドについて、深度に応じた反射波強度を検出する。１グリッドは、例えば、１ｃｍ×１ｃｍであり、１ライン幅は２．０ｍとすることができる。この場合、１ラインにつき２００グリッド分の反射応答波形が検出される。

【0023】

電磁波装置３０から照射された電磁波は、道路８０の層の境界で反射する。しかし、道路８０の層の境界又は層の内部において異常があると、電磁波装置３０から照射された電磁波は正常な状態とは異なるパターンで反射する。図３は、電磁波装置３０から照射された電磁波の反射の様子を示す図である。道路８０がアスファルト舗装されており、表層、基層、上層路盤及び下層路盤からなる舗装がなされている場合、各層が正常な状態であれば、図３の（ａ）で示したように電磁波が反射する。一方、層の境界でクラックが発生したり、層の内部で空洞が発生したりしていれば、図３の（ｂ）で示したように電磁波が一部乱反射する。図３の（ｂ）のように電磁波が乱反射している箇所は、表層の部分においては一見正常に見えるが、下の層では異常が生じているので、既に舗装が損傷している、又は今後舗装の損傷が発生すると考えられる箇所である。

【0024】

予測装置１０は、道路８０の舗装の損傷が生じそうな箇所を予測する際に、電磁波装置３０が道路８０に向けて照射した電磁波の、道路８０からの反射波のデータを用いる。反射波のデータは、３次元処理されて画像データとして用いられ得る。また、予測装置１０は、道路８０の舗装の損傷が生じそうな箇所を予測する際に、電磁波の反射波のデータと、道路の舗装の損傷箇所の情報とを教師データとして機械学習技術により学習させて生成した学習済みモデルを用いる。予測装置１０は、道路８０からの反射波の情報を学習済みモデルに入力することにより、道路８０の舗装の損傷が生じそうな箇所を学習済みモデルから出力させることで、道路８０の舗装の損傷が生じそうな箇所を予測することができる。

【0025】

電磁波装置３０は、取得した各グリッドについての反射応答波形（深度に応じた反射波強度）の情報を、予測装置１０へ出力する。なお、電磁波装置３０は、車両９０に取り付けられている形態に限定されず、作業員に保持される形態、手押し車の形態など、他の形態でもよい。また、予測装置１０も車両９０の車内に搭載されている形態に限定されず、作業員に保持される形態など、他の形態でもよい。

【0026】

図４は、予測装置のハードウェア構成を示すブロック図である。

【0027】

図４に示すように、予測装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６、光ディスク駆動部１７、通信インタフェース（通信Ｉ／Ｆ）１８の各構成を有する。各構成は、バス１９を介して相互に通信可能に接続されている。

【0028】

ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記録されているプログラムにしたがって、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、道路８０の舗装の損傷が発生する場所を予測するための予測プログラム（損傷箇所予測プログラム）が格納されている。

【0029】

ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。

【0030】

入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。表示部１６は、たとえば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。

【0031】

光ディスク駆動部１７は、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）又はブルーレイディスクなどの各種の記録媒体に記憶されたデータの読み込み、及び記録媒体に対するデータの書き込み等を行う。

【0032】

通信インタフェース１８は、他の機器と通信するためのインタフェースであり、たとえば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。

【0033】

上記の予測プログラムを実行する際に、予測装置１０は、上記のハードウェア資源を用いて、各種の機能を実現する。予測装置１０が実現する機能構成について説明する。

【0034】

図５は、予測装置１０の機能構成の例を示すブロック図である。

【0035】

図５に示すように、予測装置１０は、機能構成として、取得部１０１、予測部１０２および提示部１０３を有する。各機能構成は、ＣＰＵ１１がＲＯＭ１２またはストレージ１４に記憶された予測プログラムを読み出し、実行することにより実現される。

【0036】

取得部１０１は、電磁波装置３０が道路８０に向けて照射した電磁波の反射波のデータを取得する。取得部１０１は、電磁波の反射波のデータが３次元処理されて生成された画像データを取得してもよい。

【0037】

予測部１０２は、取得部１０１が取得した反射波のデータを、予め学習させた学習済みモデル２１に入力し、学習済みモデル２１から予測結果を出力させることで、道路８０の舗装の損傷が生じそうな箇所を予測する。予測部１０２は、電磁波の反射波のデータを３次元処理して画像データに変換して、画像データを学習済みモデル２１に入力してもよい。また、電磁波の反射波のデータが３次元処理されて生成された画像データを取得部１０１が取得した場合、予測部１０２は、取得部１０１が取得した画像データを学習済みモデル２１に入力してもよい。

【0038】

予測部１０２が予測に使用する学習済みモデル２１は、道路に向けて照射された電磁波の反射波のデータから生成された画像データを入力すると、当該道路において損傷が生じる可能性がある場所を抽出して出力するよう、予め学習されたモデルである。例えば、学習済みモデル２１は、損傷が生じる可能性がある確率が所定の閾値を超えたものを損傷が生じる可能性がある場所として出力するように、予め学習されたモデルである。

【0039】

なお、予測部１０２は、道路８０に電磁波が照射された領域の全てについて道路８０の舗装の損傷が生じそうな箇所を予測してもよいが、車両の車輪が道路８０に接地する領域において、道路８０の損傷が生じそうな箇所を予測してもよい。車両の車輪が道路８０に接地する領域とは、車両の通常の走行により主に車輪が道路８０に接地する領域をいい、多くの車両が走行した後で轍となりうる領域をいう。

【0040】

画像データを学習済みモデル２１に入力することで予測する場合、予測部１０２は、３次元画像を所定方向にスライスした画像データを学習済みモデル２１に入力して、学習済みモデル２１に予測させてもよい。道路８０における車両９０の走行方向をＸ方向、Ｘ方向に垂直であって水平な方向、すなわち道路８０の横断方向をＹ方向、道路８０の深さ方向をＺ方向とする。そして、Ｙ方向にスライスした画像をＹスライス画像とし、複数のＹスライス画像の集まりをＹボリュームデータとする。また、Ｚ方向にスライスした画像をＺスライス画像とし、複数のＺスライス画像の集まりをＺボリュームデータとする。

【0041】

この場合において、予測部１０２は、Ｙボリュームデータ及びＺボリュームデータを学習済みモデル２１に入力し、学習済みモデル２１が抽出した結果を絞り込んでもよい。予測部１０２は、絞り込み処理として、双方の抽出箇所の論理積による絞り込みを行ってもよい。また、予測部１０２は、絞り込み処理として、同時確率による絞り込み処理を行ってもよい。同時確率は、（Ｚボリュームデータの確度×Ｙボリュームデータの確度）^１／２で求まる。絞り込み処理を行うことで、予測部１０２は、誤検出等の不要な抽出箇所の削減を図ることができる。

【0042】

なお、学習済みモデル２１は、Ｙボリュームデータ及びＺボリュームデータに加え、Ｘ方向にスライスした画像であるＸスライス画像の集まりであるＸボリュームデータをさらに用いて学習されたモデルであってもよい。

【0043】

図５の例では、学習済みモデル２１は予測装置１０の外部に存在するが、学習済みモデル２１は予測装置１０の内部に存在してもよい。

【0044】

提示部１０３は、予測部１０２が予測した、道路８０の舗装の損傷が生じそうな箇所の情報を表示部１６に提示する。

【0045】

予測装置１０は、係る構成を有することにより、電磁波装置３０が道路８０に向けて照射した電磁波の反射波のデータに基づいて、道路８０の舗装の損傷が生じそうな箇所の情報を予測し、予測した結果を提示することができる。

【0046】

続いて、予測装置１０が予測に用いる学習済みモデルを学習させて、学習済みモデルを生成する学習装置について説明する。

【0047】

図６は、学習装置のハードウェア構成を示すブロック図である。

【0048】

図６に示すように、学習装置２０は、ＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、ストレージ２４、入力部２５、表示部２６、光ディスク駆動部２７、通信インタフェース（通信Ｉ／Ｆ）２８の各構成を有する。各構成は、バス２９を介して相互に通信可能に接続されている。

【0049】

ＣＰＵ２１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ２１は、ＲＯＭ２２又はストレージ２４からプログラムを読み出し、ＲＡＭ２３を作業領域としてプログラムを実行する。ＣＰＵ２１は、ＲＯＭ２２又はストレージ２４に記録されているプログラムにしたがって、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ２２又はストレージ２４には、道路８０の舗装の損傷が発生する場所を予測するためのモデルを学習させて学習済みモデルを生成する学習プログラムが格納されている。

【0050】

ＲＯＭ２２は、各種プログラム及び各種データを格納する。ＲＡＭ２３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ２４は、ＨＤＤ又はＳＳＤにより構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。

【0051】

入力部２５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。表示部２６は、たとえば、液晶ディスプレイであり、各種の情報を表示する。表示部２６は、タッチパネル方式を採用して、入力部２５として機能しても良い。

【0052】

光ディスク駆動部２７は、ＣＤ－ＲＯＭ又はブルーレイディスクなどの各種の記録媒体に記憶されたデータの読み込み、及び記録媒体に対するデータの書き込み等を行う。

【0053】

通信インタフェース２８は、他の機器と通信するためのインタフェースであり、たとえば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。

【0054】

上記の学習プログラムを実行する際に、学習装置２０は、上記のハードウェア資源を用いて、各種の機能を実現する。学習装置２０が実現する機能構成について説明する。

【0055】

図７は、学習装置２０の機能構成の例を示すブロック図である。

【0056】

図７に示すように、学習装置２０は、機能構成として、取得部２０１及び学習部２０２を有する。各機能構成は、ＣＰＵ２１がＲＯＭ２２またはストレージ２４に記憶された学習プログラムを読み出し、実行することにより実現される。

【0057】

取得部２０１は、モデルを学習して学習済みモデル２１を生成するための教師データを取得する。学習済みモデル２１の生成のための教師データは、電磁波装置３０が道路８０に向けて照射した電磁波の反射波のデータに基づいて生成された３次元画像データと、その道路８０において損傷が発生している箇所の情報と、の組を含む。

【0058】

学習部２０２は、取得部２０１が取得した教師データを用いてモデルを学習して学習済みモデル２１を生成する。学習部２０２は、学習済みモデル２１が予測した、道路８０において損傷が発生する可能性がある特徴を示す箇所と、道路８０において実際に損傷が発生した箇所との誤差が少なくなる方向に学習することで、学習済みモデル２１を生成する。モデルの学習のための教師データの数は所定の数に限定されないが、過学習が起きない程度の数とすることが望ましい。

【0059】

学習部２０２によるモデルの学習のアルゴリズムは特定のものに限定されない。本実施形態のような教師あり学習で用いられるモデル又はアルゴリズムとしては、回帰分析、決定木、サポートベクターマシン（ＳＶＭ）、ニューラルネットワーク、アンサンブル学習、ランダムフォレスト等が挙げられる。また、事前にクラス分類を行ってから、各クラスに対して教師あり学習を行ってもよい。その際のクラス分類は教師ありでもよく、教師なしでもよい。図７の例では、学習済みモデル２１は学習装置２０の外部に存在するが、学習済みモデル２１は学習装置２０の内部に存在してもよい。

【0060】

学習部２０２は、学習済みモデル２１を生成する際に、Ｘボリュームデータ、Ｙボリュームデータ及びＺボリュームデータの少なくともいずれかを教師データとする。学習部２０２は、１つのボリュームデータのみを用いてモデルを学習させてもよいが、複数のボリュームデータを用いてモデルを学習させることで、１つのボリュームデータのみを用いて学習させる場合と比較して予測の精度を向上させることができる。

【0061】

学習装置２０が生成した学習済みモデル２１を用いることで、予測装置１０は、電磁波装置３０が道路８０に向けて照射した電磁波の反射波のデータに基づいて、道路８０の舗装の損傷が生じそうな箇所の情報を予測し、予測した結果を提示することができる。

【0062】

次に、予測装置１０の作用について説明する。

【0063】

図８は、予測装置１０による予測処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から予測プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、予測処理が行なわれる。

【0064】

ＣＰＵ１１は、ステップＳ１０１において、電磁波装置３０が道路８０に向けて照射した電磁波の反射波のデータを取得する。

【0065】

反射波のデータを取得すると、続いてＣＰＵ１１は、ステップＳ１０２において、反射波のデータを学習済みモデルに入力して、道路８０の舗装の損傷が生じそうな箇所を予測する。

【0066】

ＣＰＵ１１は、道路８０の舗装の損傷が生じそうな箇所を予測する際に、Ｙボリュームデータ及びＺボリュームデータを学習済みモデル２１に入力してもよい。図９は、Ｙボリュームデータ及びＺボリュームデータの基となる画像の例を示す図である。図９の（ａ）がＺボリュームデータの基となるＺスライス画像の例であり、図９の（ｂ）がＹボリュームデータの基となるＹスライス画像の例である。また図１０は、３次元画像をスライスして得られるＹボリュームデータ及びＺボリュームデータの例を示す図である。図１０の（ａ）が複数のＺスライス画像からなるＺボリュームデータの例であり、図１０の（ｂ）が複数のＹスライス画像からなるＹボリュームデータの例である。

【0067】

そして、ＣＰＵ１１は、Ｙボリュームデータ及びＺボリュームデータを学習済みモデル２１に入力し、学習済みモデル２１が抽出した結果を絞り込んでもよい。ＣＰＵ１１は、絞り込み処理として、双方の抽出箇所の論理積による絞り込みを行ってもよい。また、ＣＰＵ１１は、絞り込み処理として、同時確率による絞り込み処理を行ってもよい。同時確率は、（Ｚボリュームデータの確度×Ｙボリュームデータの確度）^１／２で求まる。絞り込み処理を行うことで、ＣＰＵ１１は、誤検出等の不要な抽出箇所の削減を図ることができる。

【0068】

道路８０の舗装の損傷が生じそうな箇所の情報を予測すると、続いてＣＰＵ１１は、ステップＳ１０３において、予測結果を提示する。

【0069】

図１１は、予測装置１０による予測結果の提示例を示す図である。図１１の（ａ）は、Ｙボリュームデータを学習済みモデル２１に入力した結果の例であり、図１１の（ｂ）は、Ｚボリュームデータを学習済みモデル２１に入力した結果の例である。図１１に示したように、電磁波の反射波のデータに基づいて生成した画像データを学習済みモデル２１に入力することで、予測装置１０は、道路８０の舗装に損傷が生じていると実際に解析者が検出した場所と同様の場所を抽出することができる。

【0070】

予測装置１０は、係る処理を実行することにより、電磁波装置３０が道路８０に向けて照射した電磁波の反射波のデータに基づいて、道路８０の舗装の損傷が生じそうな箇所の情報を予測し、予測した結果を提示することができる。

【0071】

予測装置１０及び学習装置２０は、ハードウェア構成としてＣＰＵ１１、２１を備えているが、さらにＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を備えていてもよい。予測装置１０及び学習装置２０は、ＣＰＵ１１、２１に加えてＧＰＵを備えていることで、ＣＰＵ１１、２１とＧＰＵとで、予測処理及び学習処理について並列処理を行うことができる。予測装置１０及び学習装置２０は、ＣＰＵ１１、２１とＧＰＵとで、予測処理及び学習処理について並列処理を行うことで、舗装内の損傷箇所の検出処理速度の向上、及び学習モデルの学習処理速度の向上が期待できる。

【0072】

学習装置２０は、予測装置１０が学習済みモデル２１を用いて出力した予測結果を用いて、学習済みモデル２１を追加学習させてもよい。例えば、舗装の損傷が発生する可能性がある特徴を示す箇所において、予測部１０２で検出ができない箇所がある場合は、学習装置２０は、検出できなかった箇所のデータを入力として追加学習を行うことで検出精度を向上させてもよい。学習装置２０は、学習済みモデル２１を追加学習させることで学習済みモデル２１の精度を向上させることが可能となる。

【0073】

また、各々の地域の道路において、道路の構造、気象環境、交通量その他の環境条件の違いにより、舗装に損傷が発生する可能性がある特徴について変化することが考えられる。従って、学習装置２０は、地域又は路線毎に学習済みモデル２１を作成して舗装の損傷予測の最適化を行っても良い。地域又は路線毎に学習済みモデル２１が作成されることで、予測装置１０は、地域又は路線毎の違いが考慮されていない学習済みモデル２１を用いた場合と比べ、舗装に損傷が発生する可能性がある場所を精度よく検出することができる。

【0074】

なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した学習処理及び予測処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、学習処理及び予測処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

【0075】

また、上記各実施形態では、学習処理及び予測処理のプログラムがＲＯＭまたはストレージに予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記録媒体に記録された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

【符号の説明】

【0076】

１０ 予測装置
２０ 学習装置
３０ 電磁波装置
８０ 道路
９０ 車両

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】