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】特許公報(B2)
(11)【特許番号】
(24)【登録日】2021-12-14
(45)【発行日】2022-01-14
(54)【発明の名称】建物被害推定装置
(51)【国際特許分類】
G06T 7/00 20170101AFI20220106BHJP
G06T 7/60 20170101ALI20220106BHJP
G06T 7/90 20170101ALI20220106BHJP
G06Q 50/26 20120101ALI20220106BHJP
【ＦＩ】
G06T7/00 350B
G06T7/60 300A
G06T7/90 D
G06T7/00 640
G06Q50/26
【請求項の数】
6
(21)【出願番号】P 2017222555
(22)【出願日】2017-11-20
(65)【公開番号】P2019095886
(43)【公開日】2019-06-20
【審査請求日】2020-09-18
(73)【特許権者】
【識別番号】000135771
【氏名又は名称】株式会社パスコ
(74)【代理人】
【識別番号】110000154
【氏名又は名称】特許業務法人はるか国際特許事務所
(72)【発明者】
【氏名】本田 禎人
(72)【発明者】
【氏名】榊原 庸貴
(72)【発明者】
【氏名】望月 貫一郎
【審査官】真木 健彦
(56)【参考文献】
【文献】特開２００７－２４８３６４（ＪＰ，Ａ）
【文献】國武 千人, 溝田 平, 岩切 宗利, 榊原 庸貴, 望月 貫一郎，熊本地震による被害家屋検出のための空撮画像処理手法，第16回情報科学技術フォーラム(FIT2017)，日本，一般社団法人情報処理学会，2017年09月05日，第4分冊, O-003，pp.333-334
【文献】小川 祐紀雄, 角本 繁, 岩村 一昭，立体地図を用いた航空写真画像理解による地域の特徴抽出，電子情報通信学会論文誌D-II，日本，電子情報通信学会，1998年06月25日，Vol. J81-D-II, No.6 (1998年6月)，pp. 1242-1250
【文献】利根川 凛, 飯塚 博幸, 山本 雅人, 古川 正志, 大内 東，被災がれき量推定に向けた畳み込みニューラルネットワークを用いた倒壊建造物の自動抽出，情報処理学会論文誌，日本，情報処理学会，2016年06月15日，Vol.57, No.6 (June 2016)，pp. 1565-1575
【文献】Xin Ye, Qiming Qin, Mingchao Liu, Jun Wang, Jianhua Wang，Building Damage Detection from Post-quake Remote Sensing Image based on Fuzzy Reasoning，2014 IEEE Geoscience and Remote Sensing Symposium，米国，IEEE，2014年07月13日，pp. 529-532，https://ieeexplore.ieee.org/document/6946476/
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｔ ７／００
Ｇ０６Ｔ ７／６０
Ｇ０６Ｔ ７／９０
Ｇ０６Ｔ １／００
Ｇ０６Ｑ ５０／２６
(57)【特許請求の範囲】
【請求項1】
注目地域に関し、上空から撮影したカラーの光学画像及び災害発生前に取得されている建物ポリゴンから、建物の災害被害を推定する建物被害推定装置であって、前記光学画像から、予め定められた複数種類の特徴画像を生成する特徴画像生成手段と、
前記建物ポリゴンごとに、前記各特徴画像にて当該建物ポリゴンに対応する領域の画素値から、当該特徴画像について予め定められた種類の説明変数を算出し、前記複数種類の特徴画像に対応する一群の前記説明変数からなる説明変数データを生成する説明変数データ生成手段と、
前記建物ポリゴンに対応する前記説明変数データから当該建物ポリゴンに対応する建物の被害状況を出力するように、前記光学画像及び前記建物ポリゴンに関する訓練用データと、当該訓練用データに対する前記被害状況の正解データとを用いて学習された識別器と、を備え、
前記複数種類のうちの少なくとも一つの特徴画像は、二値化画像でありその二値の一方の値を有する画素が、前記光学画像にてＲＧＢ値のうちＲ値が最も大きい画素であるという条件を少なくとも満たす赤系特徴画像であること、
を特徴とする建物被害推定装置。
【請求項2】
請求項１に記載の建物被害推定装置において、前記赤系特徴画像として、前記二値の一方の値を有する画素が、更に、前記光学画像のグレースケールに対しエッジ抽出処理を行った画像にてエッジ強度が所定の上限と下限との間にある画素であり、かつ、前記光学画像をＨＳＶ色空間で表現した際のＨ値を画素値とする色相値画像に対しエッジ抽出処理を行った画像にてエッジ強度が所定の閾値を超える画素であるという条件を満たす小被害画像を含むこと、を特徴とする建物被害推定装置。
【請求項3】
請求項２に記載の建物被害推定装置において、前記光学画像のグレースケールに対する前記エッジ抽出処理はラプラシアンオペレータを作用させる処理及びキャニーオペレータを作用させる処理であり、前記上限に対応して前記キャニーオペレータによるエッジ抽出処理が設定され、前記下限に対応して前記ラプラシアンオペレータによるエッジ抽出処理が設定され、前記光学画像のグレースケールに対し前記ラプラシアンオペレータを作用させた画像にて所定の閾値を超え、かつ、前記グレースケールに対し前記キャニーオペレータを作用させた画像にて所定の閾値未満である画素をエッジ強度が前記上限と前記下限との間にある画素とし、
前記色相値画像に対するエッジ抽出処理はラプラシアンオペレータを作用させる処理であること、
を特徴とする建物被害推定装置。
【請求項4】
請求項２又は請求項３に記載の建物被害推定装置において、前記被害状況として、前記災害被害がある状態についての被害の程度が異なる被害大状態及び被害小状態と、前記災害被害がない被害なし状態との３つの状態を設定され、
前記識別器は、
前記建物ポリゴンにおける前記被害大状態を前記被害小状態及び前記被害なし状態と区別する被害大識別器と、
前記被害大識別器により前記被害大状態以外とされた前記建物ポリゴンにおいて、前記被害小状態を前記被害なし状態と区別する被害小識別器と、
を有することを特徴とする建物被害推定装置。
【請求項5】
請求項４に記載の建物被害推定装置において、前記被害状況として、さらに青色の不透水性のシートで被覆されたブルーシート被覆状態を設定され、
前記識別器は、さらに、前記建物ポリゴンにおける前記ブルーシート被覆状態を前記被害大状態、前記被害小状態及び前記被害なし状態と区別するブルーシート識別器を有し、
前記ブルーシート識別器により前記ブルーシート被覆状態以外とされた前記建物ポリゴンに対し前記被害大識別器を適用し、
前記ブルーシート識別器にて用いる前記説明変数に対応する前記特徴画像は、前記光学画像にてＲＧＢ値のうちＲ値が最も大きい画素と、それ以外の画素とを二値で区別した赤画素画像を含む一方、前記小被害画像を含まず、
前記被害大識別器にて用いる前記説明変数に対応する前記特徴画像は、前記小被害画像を含む一方、前記赤画素画像を含まず、
前記被害小識別器にて用いる前記説明変数に対応する前記特徴画像は、前記小被害画像と共に前記赤画素画像を含むこと、
を特徴とする建物被害推定装置。
【請求項6】
請求項１から請求項５のいずれか１つに記載の建物被害推定装置において、前記災害被害の推定対象とする前記建物は木造であること、を特徴とする建物被害推定装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、注目地域に関し、上空から撮影したカラーの光学画像及び災害発生前に取得されている建物ポリゴンから、建物の災害被害を推定する建物被害推定装置に関する。
【背景技術】
【0002】
航空機などによる上空からのリモートセンシングは、広範囲での地上の状況把握が可能であり、地震災害等の状況把握に利用されている。
【0003】
災害発生時には被害状況をいち早く把握することが非常に重要であり、被災概況として被災家屋棟数の概算数値が調べられる。
【0004】
例えば、地震災害時、上空からの高分解能の画像を利用して家屋の被害状況を把握する従来の方法として、地震発生後の単画像、又は地震発生前後の２時期の画像を用いた目視判読による方法や、地震発生前後２時期の画像やＤＳＭ（Digital Surface Model：数値表層モデル）データを用いる自動判読方法、地震発生前の２次元（２Ｄ）・３次元（３Ｄ）の家屋データと地震発生後の画像とを用いる自動判読方法がある。
【先行技術文献】
【特許文献】
【0005】
【文献】特開２０１１－１１３２３７号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
目視判読による方法は、判読者のスキルにより精度が左右され、特に軽微な被害の判読が難しいという問題があり、また被災地域が広範囲の場合には判読に多くの日数を要するため家屋被害情報を迅速に取得することが困難であるという問題があった。
【0007】
地震発生前後の２時期の画像やＤＳＭデータによる自動判読の場合は、地震発生前のアーカイブデータの取得や整備が必要であるという問題が存在する。
【0008】
一方、地震発生後の単画像のみによる自動判読においては、画像中の倒壊家屋の領域と非倒壊家屋の領域とを弁別するための好適な指標の設定や閾値設定が難しく、家屋倒壊領域の誤抽出や抽出漏れが生じやすく、精度の確保が難しいという問題があった。
【0009】
本発明は上記問題点を解決するためになされたものであり、災害発生後のカラー画像と災害発生前の２次元の家屋データである建物ポリゴンとを用いた自動判読により、建物の災害被害を迅速かつ良好な精度で推定することができる建物被害推定装置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】
【0010】
（１）本発明に係る建物被害推定装置は、注目地域に関し、上空から撮影したカラーの光学画像及び災害発生前に取得されている建物ポリゴンから、建物の災害被害を推定する装置であって、前記光学画像から、予め定められた複数種類の特徴画像を生成する特徴画像生成手段と、前記建物ポリゴンごとに、前記各特徴画像にて当該建物ポリゴンに対応する領域の前記画素値から、当該特徴画像について予め定められた種類の説明変数を算出し、前記複数種類の特徴画像に対応する一群の前記説明変数からなる説明変数データを生成する説明変数データ生成手段と、前記建物ポリゴンに対応する前記説明変数データから当該建物ポリゴンに対応する建物の被害状況を出力するように、前記光学画像及び前記建物ポリゴンに関する訓練用データと、当該訓練用データに対する前記被害状況の正解データとを用いて学習された識別器と、を備え、前記複数種類のうちの少なくとも一つの特徴画像は、二値化画像でありその二値の一方の値を有する画素が、前記光学画像にてＲＧＢ値のうちＲ値が最も大きい画素であるという条件を少なくとも満たす赤系特徴画像である。
【0011】
（２）上記（１）に記載の建物被害推定装置において、前記赤系特徴画像として、前記二値の一方の値を有する画素が、更に、前記光学画像のグレースケールに対しエッジ抽出処理を行った画像にてエッジ強度が所定の上限と下限との間にある画素であり、かつ、前記光学画像をＨＳＶ色空間で表現した際のＨ値を画素値とする色相値画像に対しエッジ抽出処理を行った画像にてエッジ強度が所定の閾値を超える画素であるという条件を満たす小被害画像を含む構成とすることができる。
【0012】
（３）上記（２）に記載の建物被害推定装置において、前記光学画像のグレースケールに対する前記エッジ抽出処理はラプラシアンオペレータを作用させる処理及びキャニーオペレータを作用させる処理であり、前記上限に対応して前記キャニーオペレータによるエッジ抽出処理が設定され、前記下限に対応して前記ラプラシアンオペレータによるエッジ抽出処理が設定され、前記光学画像のグレースケールに対し前記ラプラシアンオペレータを作用させた画像にて所定の閾値を超え、かつ、前記グレースケールに対し前記キャニーオペレータを作用させた画像にて所定の閾値未満である画素をエッジ強度が前記上限と前記下限との間にある画素とし、前記色相値画像に対するエッジ抽出処理はラプラシアンオペレータを作用させる処理である構成とすることができる。
【0013】
（４）上記（１）から（３）に記載の建物被害推定装置において、前記被害状況として、前記災害被害がある状態についての被害の程度が異なる被害大状態及び被害小状態と、前記災害被害がない被害なし状態との３つの状態を設定され、前記識別器は、前記建物ポリゴンにおける前記被害大状態を前記被害小状態及び前記被害なし状態と区別する被害大識別器と、前記被害大識別器により前記被害大状態以外とされた前記建物ポリゴンにおいて、前記被害小状態を前記被害なし状態と区別する被害小識別器と、を有する構成とすることができる。
【0014】
（５）上記（４）に記載の建物被害推定装置において、前記被害状況として、さらに青色の不透水性のシートで被覆されたブルーシート被覆状態を設定され、前記識別器は、さらに、前記建物ポリゴンにおける前記ブルーシート被覆状態を前記被害大状態、前記被害小状態及び前記被害なし状態と区別するブルーシート識別器を有し、前記ブルーシート識別器により前記ブルーシート被覆状態以外とされた前記建物ポリゴンに対し前記被害大識別器を適用し、前記ブルーシート識別器にて用いる前記説明変数に対応する前記特徴画像は、前記光学画像にてＲＧＢ値のうちＲ値が最も大きい画素と、それ以外の画素とを二値で区別した赤画素画像を含む一方、前記小被害画像を含まず、前記被害大識別器にて用いる前記説明変数に対応する前記特徴画像は、前記小被害画像を含む一方、前記赤画素画像を含まず、前記被害小識別器にて用いる前記説明変数に対応する前記特徴画像は、前記小被害画像と共に前記赤画素画像を含む構成とすることができる。
【0015】
（６）上記（１）～（５）に記載の建物被害推定装置において、前記災害被害の推定対象とする前記建物は木造とすることができる。
【発明の効果】
【0016】
本発明によれば、災害発生後のカラー画像と災害発生前の２次元の家屋データである建物ポリゴンとを用いた自動判読により、建物の災害被害を迅速かつ良好な精度で推定することができる。
【図面の簡単な説明】
【0017】
【図1】本発明の実施形態に係る建物被害推定装置の概略の構成図である。
【図2】本発明の実施形態に係る建物被害推定装置が学習装置として動作する場合の概略のブロック図である。
【図3】建物被害推定モデルの機械学習の概略の流れを示す模式図である。
【図4】ブルーシート識別器、被害大識別器及び被害小識別器それぞれにて用いる特徴画像及び説明変数の一例を表形式で表した図である。
【図5】本発明の実施形態に係る建物被害推定装置が建物被害推定モデルを用いて被害推定を行う場合の概略のブロック図である。
【図6】本発明の実施形態に係る建物被害推定装置を用いた建物被害の推定処理の概略の流れを示す模式図である。
【発明を実施するための形態】
【0018】
以下、本発明の実施の形態（以下実施形態という）である建物被害推定装置１０について、図面に基づいて説明する。
【0019】
図１は、本発明の一実施形態に係る建物被害推定装置１０の概略の構成図である。建物被害推定装置１０は、パーソナルコンピュータなどのコンピュータである。図１に示すように建物被害推定装置１０は例えば、制御部１１、記憶部１２、入力部１３及び出力部１４を含んでいる。
【0020】
制御部１１は、例えば建物被害推定装置１０にインストールされるプログラムに従って動作するＣＰＵ（Central Processing Unit）等のプログラム制御デバイスである。
【0021】
記憶部１２は、ＲＯＭやＲＡＭ等の記憶素子やハードディスクドライブなどである。記憶部１２には、制御部１１によって実行されるプログラムなどが記憶される。
【0022】
入力部１３は、制御部１１への入力を行うためのユーザインターフェース装置であり、キーボード、マウス等からなる。入力部１３はユーザの操作入力を受け付けて、その内容を示す信号を制御部１１に出力する。
【0023】
出力部１４は、液晶ディスプレイ等の表示デバイスであって、制御部１１の指示に従って各種の画像を表示する。
【0024】
なお、建物被害推定装置１０は、ネットワークボードなどの通信インタフェース、ＤＶＤ－ＲＯＭやＢｌｕ－ｒａｙ（登録商標）ディスクなどの光ディスクを読み取る光ディスクドライブ、ＵＳＢ（Universal Serial Bus）ポートなどを含んでいてもよい。
【0025】
建物被害推定装置１０は、地上の注目地域に関し、上空から撮影したカラーの光学画像及び災害発生前に取得されている建物ポリゴンから、建物被害推定モデルを用いて建物の災害被害を推定する装置である。具体的には、建物被害推定装置１０は、光学画像から予め定められた複数種類の特徴画像を生成し、各特徴画像にて建物ポリゴンに対応する領域の画素値から、当該特徴画像について予め定められた種類の説明変数を算出し、複数種類の特徴画像に対応する一群の説明変数からなる説明変数データを生成する。建物被害推定モデルは、建物ポリゴンに対応する説明変数データから当該建物ポリゴンに対応する建物の被害状況を出力する識別器を構成する。建物被害推定モデルは、光学画像及び建物ポリゴンに関する訓練用データと、当該訓練用データに対する被害状況の正解データとを用いて、機械学習により生成することができ、本実施形態では建物被害推定装置１０として、当該モデルを生成する学習装置の機能も備えている構成例を説明する。
【0026】
図２は建物被害推定装置１０が学習装置として動作する場合の概略のブロック図である。建物被害推定装置１０の制御部１１、記憶部１２、入力部１３、出力部１４がそれぞれ学習制御部２１、学習記憶部２２、学習入力部２３、学習出力部２４として機能する。
【0027】
学習制御部２１は学習記憶部２２からプログラムを読み出して実行し、後述する特徴画像生成手段２１１、説明変数データ生成手段２１２、モデル生成手段２１３として機能する。
【0028】
学習記憶部２２に記憶されるデータには、光学画像データ２２１、建物ポリゴンデータ２２２、判読結果２２３及び建物被害推定モデル２２４が含まれる。
【0029】
光学画像データ２２１はカラーの航空写真や衛星画像のデータであり、例えばオルソ画像である。
【0030】
建物ポリゴンデータ２２２は地表面での２次元の建物形状を表すデータであり、災害発生前に予め測量等により取得されている。
【0031】
判読結果２２３は正解データであり、例えば、ユーザが学習用データの光学画像を判読して生成される。
【0032】
建物被害推定モデル２２４は、学習システム２により生成される学習モデルであり、学習制御部２１が機械学習にて複数の学習用データを順次処理するのに合わせて更新される。学習記憶部２２は、建物被害を識別・分類する識別器を表す情報、具体的には当該識別器に相当する識別関数の係数等のパラメータを建物被害推定モデル２２４として記憶する。
【0033】
ここで、建物被害推定モデルを構成する識別器は分類しようとする被害の程度等に応じて複数種類作成することができる。本実施形態では、２クラスの分類を行う複数種類の識別器を組み合わせて３種類以上の被害状況を分類する。
【0034】
例えば、被害状況として、災害被害がある状態とない状態とを分類し、さらに災害被害がある状態を被害大状態及び被害小状態という被害の程度が異なる２つの状態に分類する３クラスの分類を行う構成とすることができる。この場合、識別器は、建物ポリゴンにおける被害大状態を被害小状態及び被害なし状態と区別する被害大識別器と、被害大識別器により被害大状態以外とされた建物ポリゴンにおいて、被害小状態を被害なし状態と区別する被害小識別器との２種類で構成することができる。
【0035】
本実施形態では、被害状況として、さらに、建物を雨水などから保護する際に通常用いられる青色の不透水性のシートで被覆されたブルーシート被覆状態を設定し、４クラスの分類を行う。この場合、識別器は、さらに、建物ポリゴンにおけるブルーシート被覆状態を被害大状態、被害小状態及び被害なし状態と区別するブルーシート識別器を含む３種類で構成することができる。
【0036】
図３は、建物被害推定モデルの機械学習の概略の流れを示す模式図である。
【0037】
学習制御部２１は特徴画像生成手段２１１として機能する。特徴画像生成手段２１１は、光学画像データ２２１から特徴画像を生成する画像処理２５０を行う。具体的には、当該画像処理２５０では、予め定められた複数種類の特徴画像２５２を生成する。
【0038】
本実施形態では建物被害推定モデル２２４は複数の識別器で構成され、特徴画像の種類は識別器ごとに異なり得る。この点に関し、本実施形態では上述のブルーシート識別器、被害大識別器及び被害小識別器のそれぞれの複数種類の特徴画像は互いに重複する種類を含むので、画像処理２５０では３つの識別器に対応する特徴画像の和集合を含む複数種類の特徴画像２５２を生成する。
【0039】
特徴画像２５２は例えば、Ｒ画像、Ｇ画像、Ｂ画像、Ｈ画像、ＳＨＳＶ画像、Ｖ画像、ＳＨＳＬ画像、Ｌ画像、ＲＭＡＸ画像、ＧＭＡＸ画像、ＢＭＡＸ画像、ＲＭＩＮ画像、ＧＭＩＮ画像、ＢＭＩＮ画像、ＳＤ画像を含む。
【0040】
Ｒ画像、Ｇ画像、Ｂ画像はそれぞれ、光学画像データ２２１で与えられるカラー画像のＲＧＢ表示における各画素のＲ（赤）成分、Ｇ（緑）成分、Ｂ（青）成分の値を画素値として定義されるモノクロ画像である。
【0041】
Ｈ画像、ＳＨＳＶ画像、Ｖ画像、ＳＨＳＬ画像、Ｌ画像は光学画像データ２２１で与えられるカラー画像のＨＳＶ色空間又はＨＳＬ色空間での成分値を画素値として定義されるモノクロ画像である。具体的には、Ｈ画像（色相値画像）は光学画像の各画素のＨＳＶ色空間又はＨＳＬ色空間でのＨ成分（色相値）を画素値とする。同様に、ＳＨＳＶ画像、Ｖ画像はそれぞれ光学画像の各画素のＨＳＶ色空間でのＳ成分（彩度値）、Ｖ成分（明度値）を画素値とする画像である。また、ＳＨＳＬ画像、Ｌ画像は光学画像の各画素のＨＳＬ色空間でのＳ成分（彩度値）、Ｌ成分（輝度値）を画素値とする画像である。
【0042】
ＲＭＡＸ画像（赤画素画像）は光学画像にてＲＧＢ成分のうちＲ成分が最も大きい画素とそれ以外の画素とを二値で区別した画像であり、例えば、Ｒ成分が最も大きい画素を画素値“１”とし、それ以外の画素を画素値“０”とする。ここで、二値化画像である特徴画像であって、その二値の一方の値を有する画素が、光学画像にてＲＧＢ値のうちＲ値が最も大きい画素であるという条件を少なくとも満たすものを赤系特徴画像とすると、ＲＭＡＸ画像は当該赤系特徴画像である。ＧＭＡＸ画像、ＢＭＡＸ画像はＧ成分、Ｂ成分についての同様の二値画像であり、それぞれＧ成分、Ｂ成分が最大成分である画素を画素値“１”とする。
【0043】
一方、ＲＭＩＮ画像は光学画像にてＲＧＢ成分のうちＲ成分が最も小さい画素とそれ以外の画素とを二値で区別した画像であり、例えば、Ｒ成分が最も小さい画素を画素値“１”とし、それ以外の画素を画素値“０”とする。また、ＧＭＩＮ画像、ＢＭＩＮ画像はＧ成分、Ｂ成分についての同様の二値画像であり、それぞれＧ成分、Ｂ成分が最小成分である画素を画素値“１”とする。
【0044】
ＳＤ画像（小被害画像）は、光学画像にてＲＧＢ値のうちＲ値が最も大きい画素であり、かつ、光学画像のグレースケールに対しラプラシアンオペレータを作用させた画像にて所定の閾値を超える画素であり、かつ、当該グレースケールに対しキャニーオペレータを作用させた画像にて所定の閾値未満である画素であり、かつ、上述のＨ画像に対しラプラシアンオペレータを作用させた画像にて所定の閾値を超える画素であるものと、それ以外の画素とを二値で区別した画像である。本発明の発明者はこのように生成したＳＤ画像が災害における建物の比較的小さな又は軽度の被害箇所（小被害箇所）の判別に有効であることを発見した。具体的には、小被害箇所では上述の複数の要件を満たす画素が他の箇所よりも多く現れる傾向がある。なお、ＳＤ画像は赤系特徴画像の一種である。
【0045】
ここでラプラシアンオペレータ、キャニーオペレータは周知のエッジ検出フィルタであり、光学画像をグレースケールに変換した画像にラプラシアンオペレータを作用させた画像から生成した二値画像、及びキャニーオペレータを作用させた画像から生成した二値画像をそれぞれ第１エッジ画像、第２エッジ画像と呼ぶことにする。また、Ｈ画像に対しラプラシアンオペレータを作用させた画像から生成した二値画像を第３エッジ画像とする。
【0046】
閾値処理による二値化に際し、閾値以上の画素を画素値“１”とし、それ以外の画素を画素値“０”として第１～第３エッジ画像を定義し、またＲＭＡＸ画像の画素値を上述の定義とすると、ＳＤ画像は、ＲＭＡＸ画像と、第１エッジ画像と、第２エッジ画像の画素値を反転させた反転画像と、第３エッジ画像との論理積で与えられる。
【0047】
キャニーオペレータにて用いるＣａｎｎｙ法は、弱い輝度変化をエッジとして検出することを抑制しつつ、建物と地面との境界のように比較的に大きな輝度変化をエッジとして検出することに適したアルゴリズムである。そこで、第２エッジ画像に関し、キャニーオペレータ及び当該オペレータの出力値に対する二値化の閾値を、建物と地面との境界にて想定される輝度変化以上を選択的にエッジとして検出するように設定する。一方、第１エッジ画像に関しては、ラプラシアンオペレータにて、建物と地面との境界にて想定されるような強い輝度変化でなくてもエッジとして検出し、また、二値化の閾値を小被害箇所に想定される強度程度に設定する。第１～第３エッジ画像を生成する閾値は小被害箇所が好適に抽出されるように実験等により設定することができる。
【0048】
ちなみに、第１エッジ画像と、第２エッジ画像の反転画像との論理積は、光学画像のグレースケールにてエッジ強度が所定の上限と下限との間にあるエッジを抽出する処理に相当する。ここで、エッジ強度の当該上限に対応して第２エッジ画像におけるキャニーオペレータによるエッジ抽出処理が設定され、当該下限に対応して第１エッジ画像におけるラプラシアンオペレータによるエッジ抽出処理が設定される。すなわち、第１エッジ画像により、下限を超えるエッジ強度を有する画素を抽出し、第２エッジ画像の反転画像により、上限未満のエッジ強度を有する画素を抽出する。
【0049】
なお、第１～第３エッジ画像を生成するエッジ抽出処理は、上述したラプラシアンオペレータやキャニーオペレータ以外の演算で行っても良い。
【0050】
生成された特徴画像２５２に対し、学習制御部２１は説明変数データ生成手段２１２として機能し、説明変数データ生成処理２５４を行う。当該処理２５４では、特徴画像２５２と建物ポリゴンデータ２２２とを入力データとし、特徴画像にて建物ポリゴンに対応する領域の画素値から、当該特徴画像について予め定められた種類の説明変数を算出し、複数種類の特徴画像に対応する一群の説明変数からなる説明変数データ２５６を生成する。
【0051】
本実施形態の３つの識別器に対応する特徴画像は共通する種類を含むことは上述したが、特徴画像から生成する説明変数も共通の種類を含む。そこで、説明変数データ生成処理２５４では、複数種類の特徴画像２５２について、３つの識別器で用いる全種類の説明変数を一括して生成し、説明変数データ２５６として学習記憶部２２に記憶する。そして後の識別器の学習処理２５８では、説明変数データ２５６に含まれる複数種類の説明変数のうち、識別器ごとに選択した種類からなる説明変数データを用いる。
【0052】
図４は、ブルーシート識別器、被害大識別器及び被害小識別器それぞれにて用いる特徴画像及び説明変数の一例を表形式で表した図である。本実施形態では説明変数として、建物ポリゴンに対応する領域内の画素値の平均値と変動係数が用いる。変動係数は当該領域内での画素値のばらつき具合を示す値であり、例えば、分散を用いることができる。説明変数データ生成手段２１２は説明変数として例えば、Ｒ画像、Ｇ画像、Ｂ画像、Ｈ画像、ＳＨＳＶ画像、Ｖ画像、ＳＨＳＬ画像、Ｌ画像については各建物ポリゴンにおける平均と変動係数を算出し、一方、ＲＭＡＸ画像、ＧＭＡＸ画像、ＢＭＡＸ画像、ＲＭＩＮ画像、ＧＭＩＮ画像、ＢＭＩＮ画像、ＳＤ画像については各建物ポリゴンにおける平均を算出する。
【0053】
説明変数データ生成処理２５４で生成された説明変数データ２５６はモデル生成手段２１３に渡される。
【0054】
学習制御部２１はモデル生成手段２１３としてブルーシート識別器、被害大識別器及び被害小識別器それぞれの学習処理２５８を行い、建物被害推定モデル２２４を生成する。つまり、学習処理２５８により、上述したように、建物ポリゴンに対応する説明変数データから当該建物ポリゴンに対応する建物の被害状況を出力するように各識別器が機械学習される。
【0055】
当該学習は光学画像及び建物ポリゴンに関する訓練用データと、当該訓練用データに対する被害状況の正解データとを用いて行われる。そのために、学習制御部２１は正解データとしてユーザの判読結果を取得する処理２６０を行う。具体的には、ユーザ判読処理２６０として、例えば、学習に用いる地表領域の光学画像データ２２１と建物ポリゴンデータ２２２とを用い、建物ポリゴンが表す建物の輪郭を光学画像にオーバーレイ表示した画像を学習出力部２４のディスプレイに表示させて、ユーザに建物ポリゴンに対応する領域の光学画像から被害状況を判読させ、学習入力部２３から判読結果を取得する。本実施形態では、ユーザは被害状況として、被害大状態、被害小状態、及び被害なし状態の３段階の被害の程度にさらに、建物がブルーシートで被覆された領域を含むブルーシート被覆状態を加えた４種類の状態のいずれであるかを判読する。生成された判読結果は学習記憶部２２に判読結果２２３として記憶される。
【0056】
モデル生成手段２１３は、建物ポリゴンごとに判読結果２２３と説明変数データ２５６とを対応付けて学習用データとし、多数の建物ポリゴンについて生成された学習用データを用いて機械学習により建物被害推定モデル２２４を生成する。
【0057】
具体的には、ブルーシート識別器の学習では、ブルーシート被覆状態、被害大状態、被害小状態、及び被害なし状態の判読結果に対応する学習用データを用いる。そして、ブルーシート被覆状態とそれ以外との２クラスの分類を行うようにブルーシート識別器が学習される。また、被害大識別器の学習では、被害大状態、被害小状態、及び被害なし状態の判読結果に対応する学習用データを用いる。そして、被害大状態と被害小状態及び被害なし状態との２クラスの分類を行うように被害大識別器が学習される。被害小識別器の学習では、被害小状態及び被害なし状態の判読結果に対応する学習用データを用いる。そして、被害小状態と被害なし状態との２クラスの分類を行うように被害小識別器が学習される。
【0058】
図５は建物被害推定装置１０が、上述した学習装置により生成された建物被害推定モデル２２４を用いて被害推定を行う場合の概略のブロック図である。制御部１１は記憶部１２からプログラムを読み出して実行し、後述する特徴画像生成手段１１１、説明変数データ生成手段１１２、判定手段１１３として機能する。
【0059】
記憶部１２に記憶されるデータには、光学画像データ１２１、建物ポリゴンデータ１２２、上述の学習で生成された建物被害推定モデル２２４、及び判定結果データ１２３が含まれる。
【0060】
光学画像データ１２１は上述の光学画像データ２２１と同様、カラーの航空写真や衛星画像のデータであるが、その撮影範囲は建物被害推定処理の対象とする注目地域である。
【0061】
建物ポリゴンデータ１２２は、建物ポリゴンデータ２２２と同様、災害発生前に予め測量等により取得されている建物形状を表すデータであり、注目地域についてのデータである。
【0062】
判定結果データ１２３は、建物被害推定装置１０による建物の被害状況の判定結果である。
【0063】
図６は、建物被害推定装置１０を用いた建物被害の推定処理の概略の流れを示す模式図である。
【0064】
制御部１１は特徴画像生成手段１１１として機能し、光学画像データ１２１に対する画像処理１５０を行い特徴画像１５２を生成する。画像処理１５０は学習装置としての動作にて説明した画像処理２５０と同じとすることができる。
【0065】
制御部１１は、生成された特徴画像１５２に対し、説明変数データ生成手段１１２として機能し、説明変数データ生成処理１５４を行う。当該処理１５４では、特徴画像１５２と建物ポリゴンデータ１２２とを入力データとし、建物ポリゴンごとに特徴画像の画素値から説明変数データ１５６が生成される。この説明変数データ生成処理１５４は学習装置としての動作にて説明した説明変数データ生成処理２５４と同じとすることができる。
【0066】
制御部１１は判定手段１１３として機能し、建物被害推定モデル２２４を用いて注目地域における建物の災害被害を推定する推定処理１５８を行う。推定処理１５８では、建物被害推定モデル２２４により構成される３種類の識別器を用いて、注目地域の建物ポリゴンについて順次、４種類の被害状況が段階的に分類される。具体的には、判定手段１１３は最初にブルーシート識別器を用いた分類処理１５８Ａを行い、次に被害大識別器を用いた分類処理１５８Ｂを行い、最後に被害小識別器を用いた分類処理１５８Ｃを行う。
【0067】
ブルーシート識別器を用いた分類処理１５８Ａでは、判定手段１１３はブルーシート識別器に、分類対象とする建物ポリゴンの説明変数データを入力し、当該建物ポリゴンに対応する建物がブルーシート被覆状態であるか、それ以外の被害状況であるかを識別する。そして、判定手段１１３は、ブルーシート被覆状態であると判定された建物については、建物ポリゴンと判定結果とを対応付けて記憶部１２に判定結果データ１２３として記憶する。
【0068】
ブルーシート識別器により、ブルーシート被覆状態以外の被害状況であるとされた建物については、判定手段１１３は当該建物の説明変数データを被害大識別器に入力して分類処理１５８Ｂを行い、当該建物が被害大状態であるか、被害小状態又は被害なし状態であるかを識別する。そして、被害大状態であると判定された建物については、建物ポリゴンと判定結果とを対応付けて記憶部１２に判定結果データ１２３として記憶する。
【0069】
被害大識別器により、被害大状態ではないとされた建物については、判定手段１１３は当該建物の説明変数データを被害小識別器に入力して分類処理１５８Ｃを行い、当該建物が被害小状態であるか否かを識別する。そして、被害小状態であると判定された建物については、建物ポリゴンと当該判定結果とを対応付けて記憶部１２に判定結果データ１２３として記憶する。また、被害小状態でないとされた建物については、判定結果を被害なし状態であるとして、建物ポリゴンと当該判定結果とを対応付けて記憶部１２に判定結果データ１２３として記憶する。
【0070】
各識別器が用いる特徴画像、説明変数の種類は学習時と同じであり、その一例は図４に示している。具体的には、図４に示す例では、説明変数のうち、Ｈ画像、ＳＨＳＶ画像及びＶ画像の平均及び変動係数、並びにＳＨＳＬ画像、ＢＭＡＸ画像、ＲＭＩＮ画像及びＧＭＩＮ画像の平均を、ブルーシート識別器、被害大識別器、被害小識別器で共通に使用する。
【0071】
逆に相違点に関しては例えば、ブルーシート識別器ではＲＭＡＸ画像による説明変数を用いる一方、ＳＤ画像によるものを用いないのに対し、被害大識別器ではＳＤ画像によるものを用いる一方、ＲＭＡＸ画像によるものを用いない。また、被害小識別器で用いる説明変数はＳＤ画像によるものとＲＭＡＸ画像によるものとを共に含む点で、ブルーシート識別器及び被害大識別器と相違する。具体的には、ブルーシート識別器及び被害小識別器ではＲＭＡＸ画像の平均を説明変数として使用し、被害大識別器及び被害小識別器ではＳＤ画像の平均を説明変数として使用する。
【0072】
この相違点について説明する。まず、ＲＭＡＸ画像及びＳＤ画像は共に赤系特徴画像である点で共通する。地震等による建物の損壊は、例えば、昭和５６年以降の新耐震基準を満たしていないような古い木造家屋で起こり易い。木造家屋の損壊の検出には、損壊により露出する木材の色に関する説明変数を用いることが有効であると考えられる。この点に関し、本発明の発明者はＲＭＡＸ画像に代表される赤系特徴画像が木材の露出量の多寡の分類に有効であるとの知見を得た。よって、ＲＭＡＸ画像とＳＤ画像とは共に木造家屋の損壊の検出に有効であるが、ＳＤ画像は、ＲＭＡＸ画像の値“１”の画素に、条件を追加して生成され、小被害箇所の判別に有効であるという特徴を備えている。
【0073】
そこで、損壊により木材が露出し得る被害小状態と損壊箇所がない被害なし状態とを分類する被害小識別器、並びに木材が露出し得る被害大状態及び被害小状態を含むクラスと損壊箇所がブルーシートで覆われて露出しにくい状態を含むクラスとを分類するブルーシート識別器にて、ＲＭＡＸ画像を使用する。一方、ＳＤ画像は被害小状態を含むクラスと含まないクラスとの分類に有効であることから、当該分類を行う被害大識別器及び被害小識別器にて使用する。
【0074】
なお、識別器それぞれが使用するその他の説明変数は図４に示す通りであるが、念のため説明すると、ブルーシート識別器及び被害小識別器は、Ｂ画像及びＢＭＩＮ画像の平均、並びにＳＨＳＬ画像の変動係数を使用し、被害大識別器は、ＧＭＡＸ画像の平均、並びにＧ画像、Ｂ画像及びＬ画像の変動係数を使用する。
【符号の説明】
【0075】
１０ 建物被害推定装置、１１ 制御部、１２ 記憶部、１３ 入力部、１４ 出力部、２１ 学習制御部、２２ 学習記憶部、２３ 学習入力部、２４ 学習出力部、１１１，２１１ 特徴画像生成手段、１１２，２１２ 説明変数データ生成手段、１１３ 判定手段、２１３ モデル生成手段、１２１，２２１ 光学画像データ、１２２，２２２ 建物ポリゴンデータ、１２３ 判定結果データ、２２４ 建物被害推定モデル、２２３ 判読結果、１５２，２５２ 特徴画像、１５６，２５６ 説明変数データ。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】