特許 7240997 モデル生成装置、学習モデル及び被写体認識装置

(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】2023-03-08

(45)【発行日】2023-03-16

(54)【発明の名称】モデル生成装置、学習モデル及び被写体認識装置

(51)【国際特許分類】

   G06T 7/00 20170101AFI20230309BHJP

【ＦＩ】

G06T7/00 350C

【請求項の数】 4

(21)【出願番号】P 2019178736

(22)【出願日】2019-09-30

(65)【公開番号】P2021056735

(43)【公開日】2021-04-08

【審査請求日】2021-06-23

(73)【特許権者】

【識別番号】000208891

【氏名又は名称】ＫＤＤＩ株式会社

(74)【代理人】

【識別番号】100166006

【弁理士】

【氏名又は名称】泉 通博

(74)【代理人】

【識別番号】100154070

【弁理士】

【氏名又は名称】久恒 京範

(74)【代理人】

【識別番号】100153280

【弁理士】

【氏名又は名称】寺川 賢祐

(72)【発明者】

【氏名】石川 彰夫

(72)【発明者】

【氏名】服部 元

【審査官】▲広▼島 明芳

(56)【参考文献】

【文献】特開２０１９－０４６３３４（ＪＰ，Ａ）

【文献】特開２００６－３０１９２１（ＪＰ，Ａ）

【文献】特開２０１８－１２０５９１（ＪＰ，Ａ）

【文献】森山 明日佳，外２名，２次元画像における面内回転不変な物体認識に向けて，情報処理学会 研究報告 コンピュータビジョンとイメージメディア（ＣＶＩＭ） ２０１７－ＣＶＩＭ－２０７ ［ｏｎｌｉｎｅ］ ，日本，情報処理学会，2017年

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｔ ７／００ － ７／９０

(57)【特許請求の範囲】

【請求項1】

画像と、当該画像に含まれる被写体の種別を示すラベルとを関連付けた教師データに基づいて、入力された画像に含まれる被写体の種別をラベルとして出力する、畳み込みニューラルネットワークの学習モデルを生成するモデル生成部を有し、
前記学習モデルは、入力された入力データをそれぞれ異なる角度に回転させる複数の回転層であって、並列に配置された前記複数の回転層を含み、前記複数の回転層が回転させることによって変換した複数の変換データに畳み込みフィルタを適用し、畳み込みフィルタを適用した前記複数の変換データを足し合わせる畳み込み層を含む複数の畳み込み層と、出力層とを有し、
前記複数の回転層を含む畳み込み層は、前記複数の畳み込み層のうち、相対的に前記出力層に近い畳み込み層である、
モデル生成装置。

【請求項2】

前記回転層の領域のサイズは、前記画像に対する当該画像に含まれる被写体の大きさに基づいて定められる基準に合致するサイズである、
請求項１に記載のモデル生成装置。

【請求項3】

入力された画像に含まれる被写体の種別をラベルとして出力する、畳み込みニューラルネットワークの学習モデルであって、
入力された入力データをそれぞれ異なる角度に回転させる複数の回転層であって、並列に配置された前記複数の回転層を含み、前記複数の回転層が回転させることによって変換した複数の変換データに畳み込みフィルタを適用し、畳み込みフィルタを適用した前記複数の変換データを足し合わせる畳み込み層を含む複数の畳み込み層と、出力層とを有し、
前記複数の回転層を含む畳み込み層は、前記複数の畳み込み層のうち、相対的に前記出力層に近い畳み込み層である、
学習モデル。

【請求項4】

画像を取得する画像取得部と、
請求項３に記載の学習モデルを取得するモデル取得部と、
前記画像を前記学習モデルに入力することにより、前記学習モデルが出力したラベルを取得するモデル適用部と、
前記ラベルに基づいて、前記画像に含まれる被写体の種別を出力する出力部と、
を有する被写体認識装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、画像に含まれる被写体を認識するモデル生成装置、学習モデル及び被写体認識装置に関する。

【背景技術】

【0002】

従来、画像に含まれる被写体を認識する技術が知られている。特許文献１には、畳み込みニューラルネットワーク（以下、「ＣＮＮ（Convolutional Neural Network）」という。）を用いて、画像に含まれる被写体を認識する装置が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１９－０３２７７３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のようなＣＮＮの学習モデルにおいては、入力された画像に含まれる被写体が、学習に用いられた画像に含まれる被写体に対して多少の位置ずれや変形があっても柔軟に被写体を認識することができるが、画像に様々な態様で写る被写体を精度良く認識させるには、被写体が様々な態様で写る複数の画像を用いて学習させる必要がある。この場合、ＣＮＮの学習モデルの管理者は、上記のような複数の画像を含む教師データを用意しなければならず、管理者の負担が増大するという問題があった。

【0005】

そこで、本発明はこれらの点に鑑みてなされたものであり、教師データを用意する管理者の負担を軽減させることができるモデル生成装置、学習モデル及び被写体認識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】

【0006】

本発明の第１の態様にかかるモデル生成装置は、画像と、当該画像に含まれる被写体の種別を示すラベルとを関連付けた教師データに基づいて、入力された画像に含まれる被写体の種別をラベルとして出力する、畳み込みニューラルネットワークの学習モデルを生成するモデル生成部を有し、前記学習モデルは、入力された入力データにそれぞれ異なる所定の変換を施す複数の変換層を含み、前記複数の変換層が変換した複数の変換データに畳み込みフィルタを適用する畳み込み層を有する。

【0007】

前記学習モデルは、複数の畳み込み層と、出力層とを有してもよいし、前記複数の変換層を含む畳み込み層は、前記複数の畳み込み層のうち、相対的に前記出力層に近い畳み込み層であってもよい。
前記変換層の領域のサイズは、前記画像に対する当該画像に含まれる被写体の大きさに基づいて定められる基準に合致するサイズであってもよい。

【0008】

本発明の第２の態様にかかる学習モデルは、入力された画像に含まれる被写体の種別をラベルとして出力する、畳み込みニューラルネットワークの学習モデルであって、入力された入力データにそれぞれ異なる所定の変換を施す複数の変換層を含み、前記複数の変換層が変換した複数の変換データに畳み込みフィルタを適用する畳み込み層を有する。

【0009】

本発明の第３の態様にかかる被写体認識装置は、画像を取得する画像取得部と、前記学習モデルを取得するモデル取得部と、前記画像を前記学習モデルに入力することにより、前記学習モデルが出力したラベルを取得するモデル適用部と、前記ラベルに基づいて、前記画像に含まれる被写体の種別を出力する出力部と、を有する。

【発明の効果】

【0010】

本発明によれば、教師データを用意する管理者の負担を軽減させることができるという効果を奏する。

【図面の簡単な説明】

【0011】

【図1】被写体認識装置の概要を説明するための図である。

【図2】被写体認識装置の構成を示す図である。

【図3】学習モデルの構成の一部を示す図である。

【図4】畳み込み層におけるデータの流れを模式的に表した図である。

【図5】畳み込み層におけるデータの流れを模式的に表した図である。

【図6】被写体認識装置の処理の流れ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】

【0012】

［被写体認識装置１の概要］
図１は、被写体認識装置１の概要を説明するための図である。被写体認識装置１は、画像Ｇに含まれる被写体を認識するために用いられる装置であり、例えばＰＣ（Personal Computer）をはじめとするコンピュータである。被写体認識装置１は、学習モデルＭを生成するモデル生成装置としても機能する。被写体認識装置１は、生成した学習モデルＭを用いて、画像Ｇに含まれる被写体を認識する。

【0013】

学習モデルＭは、入力された画像Ｇに含まれる被写体の種別をラベルとして出力するように学習されたモデルである。学習モデルＭは、ＣＮＮの学習モデルであり、複数の処理層を含む。図１に示す例において、学習モデルＭは、複数の処理層として、入力層Ｍ１０、隠れ層Ｍ２０及び出力層Ｍ３０を含む。隠れ層Ｍ２０は、少なくとも畳み込み層Ｍ２１を含む。隠れ層Ｍ２０は、畳み込み層Ｍ２１とは異なる他の畳み込み層、プーリング層、正規化層及び全結合層をさらに含んでもよい。被写体認識装置１は、画像Ｇを学習モデルＭに入力し、入力層Ｍ１０から出力層Ｍ３０までの各処理層を伝搬させることにより、画像Ｇに含まれる被写体の種別をラベルとして学習モデルＭに出力させる。

【0014】

図１に示す例において、画像Ｇ１には、猫が写っており、画像Ｇ２には、画像Ｇ１の猫とは異なる傾きの猫が写っている。一般的に、ＣＮＮの学習モデルは、画像Ｇ１に基づいて当該画像Ｇ１に含まれる被写体の種別（猫）を学習すると、画像Ｇ１に含まれる被写体が猫であることを認識することができる。しかしながら、画像Ｇ２においては、ＣＮＮの学習モデルが、画像Ｇ１に基づいて学習しても、画像Ｇ２に含まれる被写体が猫であることを認識することができない場合がある。画像Ｇ２に含まれる被写体が猫であることを精度良くＣＮＮの学習モデルに認識させるためには、画像Ｇ２のような画像Ｇ１に写っている猫とは異なる傾きの猫が写る画像Ｇを用いてＣＮＮの学習モデルに学習させる必要がある。この場合、ＣＮＮの学習モデルの管理者は、画像Ｇ１に加えて、画像Ｇ２をはじめとする様々な変換を施した複数の画像Ｇも用意しなければならず、管理者の負担が増大するという問題があった。

【0015】

そこで、被写体認識装置１は、直前の処理層から入力された入力データに所定の変換を施す変換層Ｃを含む学習モデルＭを生成する。詳細については後述するが、変換層Ｃは、畳み込み層Ｍ２１に含まれる。直前の処理層は、ある処理層に隣接する処理層のうちの上流側（入力層Ｍ１０側）の処理層である。所定の変換は、回転、拡大・縮小、アフィン変換、射影変換等である。

【0016】

学習モデルＭは、例えば、教師データとして画像Ｇ１が入力されると、当該画像Ｇ１に写っている被写体の特徴と、所定の変換を施した当該被写体の特徴に等しい特徴とを学習する。このようにすることで、学習モデルＭは、教師データとして画像Ｇ１のみを用いた場合であっても、画像Ｇ２に含まれる被写体を認識することができる。その結果、被写体認識装置１は、教師データを用意する管理者の負担を軽減させることができる。
以下、被写体認識装置１の構成について説明する。

【0017】

［被写体認識装置１の構成］
図２は、被写体認識装置１の構成を示す図である。被写体認識装置１は、記憶部１１と、制御部１２とを有する。記憶部１１は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）及びハードディスク等の記憶媒体である。記憶部１１は、制御部１２が実行するプログラムを記憶している。

【0018】

制御部１２は、例えばＣＰＵ（Central Processing Unit）である。制御部１２は、記憶部１１に記憶されたプログラムを実行することにより、教師データ取得部１２１、モデル生成部１２２、画像取得部１２３、モデル取得部１２４、モデル適用部１２５及び出力部１２６として機能する。

【0019】

教師データ取得部１２１は、学習モデルＭの学習に用いるための教師データを取得する。教師データは、画像Ｇと、当該画像Ｇに含まれる被写体の種別を示すラベルとを関連付けたデータである。教師データ取得部１２１は、予め記憶部１１に記憶されている教師データを取得してもよいし、外部から入力された教師データを取得してもよい。

【0020】

モデル生成部１２２は、教師データ取得部１２１が取得した教師データに基づいて、学習モデルＭを生成する。モデル生成部１２２は、例えば、学習モデルＭを生成し、教師データを用いて学習モデルＭに含まれる種々のパラメータを調整することにより、学習モデルＭを生成する。モデル生成部１２２は、生成した学習モデルＭを記憶部１１に記憶させる。学習モデルＭの構成については後述する。

【0021】

画像取得部１２３は、画像Ｇを取得する。画像取得部１２３が取得した画像Ｇは、静止画像であってもよいし、動画像であってもよい。画像取得部１２３は、予め記憶部１１に記憶されている画像Ｇを取得してもよいし、外部から入力された画像Ｇを取得してもよい。

【0022】

モデル取得部１２４は、モデル生成部１２２が生成した学習モデルＭを取得する。モデル取得部１２４は、例えば、記憶部１１に記憶されている学習モデルＭを取得する。

【0023】

モデル適用部１２５は、画像取得部１２３が取得した画像Ｇを、モデル取得部１２４が取得した学習モデルＭに適用することにより、画像Ｇに含まれる被写体を認識する。具体的には、モデル適用部１２５は、画像Ｇを学習モデルＭに入力することにより、学習モデルＭが出力したラベルを取得する。学習モデルＭが出力したラベルは、例えば、ビット列である。モデル適用部１２５は、例えば、画像取得部１２３によって取得された画像Ｇが動画像である場合、動画像に含まれるフレーム画像ごとに、当該フレーム画像を学習モデルＭに適用する。

【0024】

出力部１２６は、モデル適用部１２５が取得したラベルに基づいて、学習モデルＭに入力された画像Ｇに含まれる被写体の種別を出力する。出力部１２６は、例えば、モデル適用部１２５がラベルとして取得したビット列によって示される被写体の種別を、画像取得部１２３が取得した画像Ｇに含まれる被写体の種別として出力する。出力部１２６は、例えば、不図示の表示部に被写体の種別を示す情報を表示させることにより、被写体の種別を出力する。

【0025】

［学習モデルＭの構成］
続いて、学習モデルＭの構成について説明する。図３は、学習モデルＭの構成の一部を示す図である。図３においては、畳み込み層Ｍ２１の直前の処理層がプーリング層Ｍ２２であるとして説明する。上述のとおり、学習モデルＭは、変換層Ｃを含む畳み込み層Ｍ２１を有する。具体的には、学習モデルＭは、畳み込み層Ｍ２１に入力された入力データにそれぞれ異なる所定の変換を施す複数の変換層Ｃを含み、複数の変換層Ｃが変換した複数の変換データに畳み込みフィルタＦを適用する畳み込み層Ｍ２１を有する。各変換層Ｃは、単一の処理層であってもよいし、畳み込み層及びプーリング層等の複数の処理層を含むモジュール（例えばＩｎｃｅｐｔｉｏｎモジュール）であってもよい。

【0026】

学習モデルＭが、複数の畳み込み層を有する場合、複数の変換層Ｃを含む畳み込み層Ｍ２１は、複数の畳み込み層のうち、相対的に出力層Ｍ３０に近い畳み込み層であってもよい。このようにすることで、学習モデルＭは、変換層Ｃが所定の変換を施す入力データのデータサイズが小さくなり、変換層Ｃが所定の変換を施す処理の負荷を軽減させることができる。隠れ層Ｍ２０にプーリング層が含まれる場合、複数の変換層Ｃを含む畳み込み層Ｍ２１は、プーリング層と出力層Ｍ３０との間に含まれてもよい。

【0027】

図３（ａ）に示すように、畳み込み層Ｍ２１には、複数の変換層Ｃが畳み込みフィルタＦより上流側に配置されている。図３（ａ）に示す例において、畳み込み層Ｍ２１には、複数の変換層Ｃに対して１つの畳み込みフィルタＦが配置されている。図３（ｂ）に示すように、畳み込み層Ｍ２１には、複数の変換層Ｃそれぞれに対応する複数の畳み込みフィルタＦであって、それぞれ同一の複数の畳み込みフィルタＦが配置されてもよい。

【0028】

畳み込み層Ｍ２１は、各変換層Ｃによって所定の変換が施された複数の変換データに畳み込みフィルタＦを適用する。畳み込み層Ｍ２１は、例えば、畳み込みフィルタＦを適用した複数の変換データを足し合わせる。

【0029】

上述のとおり、複数の変換層Ｃは、入力データにそれぞれ異なる所定の変換を施す。それぞれ異なる所定の変換は、ある変換における変換の度合いを示す。例えば、変換層Ｃが入力データを回転させる回転層である場合、第１の変換層Ｃでは、入力データを０度に回転させる変換を施し、第２の変換層Ｃでは、入力データを３０度に回転させる変換を施す。

【0030】

具体的には、各変換層Ｃは、所定の変換を施した入力データである変換データを算出することにより、入力データに所定の変換を施す。各変換層Ｃは、所定の単位に分割された複数の分割変換領域を含む変換領域を有する。所定の単位は、１つのピクセルであってもよいし、複数のピクセルであってもよい。

【0031】

ここで、変換領域（変換層Ｃ）のサイズは、画像Ｇに対する当該画像Ｇに含まれる被写体の大きさに基づいて定められる基準に合致するサイズである。「画像Ｇに対する当該画像Ｇに含まれる被写体の大きさに基づいて定められる基準に合致するサイズ」は、画像Ｇにおいて被写体の種別（例えば猫）を認識し得る領域（例えば猫の顔）に対応する入力データを含むサイズである。変換領域のサイズは、例えば、入力データの大きさに等しいサイズである。このようにすることで、学習モデルＭは、入力された画像Ｇにおいて被写体の種別を認識し得る領域に所定の変換が施された場合の特徴に等しい特徴を学習することができる。

【0032】

各分割変換領域には、入力データに所定の変換を施した場合に少なくとも一部が重なる、入力データを所定の単位に分割した複数の分割データ領域のうちの一以上の分割データ領域と、分割データ領域が重なる割合に応じて定められた係数であって、当該一以上の分割データ領域それぞれに対応する係数とが関連付けられている。

【0033】

この場合において、まず、各変換層Ｃは、プーリング層Ｍ２２から入力データが入力されると、当該入力データの分割データ領域に関連付けられている変換層Ｃの分割変換領域ごとに、当該分割変換領域に関連付けられている係数を当該分割データ領域の値に乗じた乗算値を算出する。そして、各変換層Ｃは、分割変換領域ごとに、当該分割変換領域と一以上の分割データ領域それぞれとに対応する一以上の乗算値を合計した変換データを算出する。各変換層Ｃは、変換データを算出すると、当該変換データを畳み込みフィルタＦに入力する。

【0034】

図４及び図５は、畳み込み層Ｍ２１におけるデータの流れを模式的に表した図である。図４及び図５においては、畳み込み層Ｍ２１の直前の処理層がプーリング層Ｍ２２であるとして説明する。図４及び図５に示す入力データＤは、プーリング層Ｍ２２が出力したデータである。図４及び図５においては、入力データＤを９等分に分割した複数の分割データ領域のうちの分割データ領域Ｄ２に着目して説明する。図４及び図５に示すリンクＬは、分割データ領域と分割変換領域との関連付けを示す。図４及び図５に示すリンクＬには、係数が関連付けられており、リンクＬが太いほど、係数によって示される値が大きいことを示す。

【0035】

図４に示す第１の変換層Ｃ１は、入力データＤを、当該入力データＤの中心を回転軸として０度回転させる変換を施す変換層Ｃである。入力データＤを０度回転させた場合の分割データ領域Ｄ２が、第１の変換層Ｃ１の分割変換領域Ｒ２に重なる。そのため、分割データ領域Ｄ２と分割変換領域Ｒ２とが、リンクＬ１で関連付けられている。

【0036】

この場合において、第１の変換層Ｃ１は、リンクＬ１に関連付けられた係数（例えば１．０）を分割データ領域Ｄ２の値に乗じた乗算値を算出し、当該乗算値を分割変換領域Ｒ２に関連付ける。第１の変換層Ｃ１は、上記処理をリンクＬごとに実行する。その後、第１の変換層Ｃ１は、分割変換領域ごとに、当該分割変換領域に関連付けた一以上の乗算値を合計することにより、変換データを算出する。

【0037】

図５に示す第２の変換層Ｃ２は、入力データＤを、当該入力データＤの中心を回転軸として４５度左回転させる変換を施す変換層Ｃである。入力データＤを４５度左回転させた場合の分割データ領域Ｄ２は、分割変換領域Ｒ１、Ｒ２、Ｒ４それぞれに重なる。そのため、分割データ領域Ｄ２と分割変換領域Ｒ１とが、リンクＬ２で関連付けられている。また、分割データ領域Ｄ２と分割変換領域Ｒ２とが、リンクＬ３で関連付けられている。また、分割データ領域Ｄ２と分割変換領域Ｒ４とが、リンクＬ４で関連付けられている。

【0038】

この場合において、第２の変換層Ｃ２は、リンクＬ２に関連付けられた係数（例えば０．５）を分割データ領域Ｄ２の値に乗じた乗算値を算出し、当該乗算値を分割変換領域Ｒ１に関連付ける。また、第２の変換層Ｃ２は、リンクＬ３に関連付けられた係数（例えば０．２５）を分割データ領域Ｄ２の値に乗じた乗算値を算出し、当該乗算値を分割変換領域Ｒ２に関連付ける。また、第２の変換層Ｃ２は、リンクＬ４に関連付けられた係数（例えば０．２５）を分割データ領域Ｄ２の値に乗じた乗算値を算出し、当該乗算値を分割変換領域Ｒ４に関連付ける。

【0039】

第１の変換層Ｃ１は、他のリンクＬに対して乗算値を算出した後において、分割変換領域ごとに、当該分割変換領域に関連付けた一以上の乗算値を合計することにより、変換データを算出する。各変換層Ｃは、変換データを算出すると、当該変換データを畳み込みフィルタＦに入力する。

【0040】

［被写体認識装置１の処理］
続いて、被写体認識装置１の処理の流れについて説明する。図６は、被写体認識装置１の処理の流れを示すフローチャートである。図６において、Ｓ３の処理を実行した後にＳ４の処理を実行する例を説明するが、これに限らず、Ｓ４の処理を実行した後にＳ３の処理を実行してもよい。

【0041】

本処理は、教師データ取得部１２１が、教師データを取得したことを契機として開始する（Ｓ１）。モデル生成部１２２は、教師データ取得部１２１が取得した教師データに基づいて、学習モデルＭを生成する（Ｓ２）。

【0042】

その後、画像取得部１２３は、画像Ｇを取得する（Ｓ３）。モデル取得部１２４はモデル生成部１２２が生成した学習モデルＭを取得する（Ｓ４）。モデル適用部１２５は、画像取得部１２３が取得した画像Ｇを、モデル取得部１２４が取得した学習モデルＭに適用する（Ｓ５）。具体的には、モデル適用部１２５は、画像Ｇを学習モデルＭに入力することにより、学習モデルＭが出力したラベルを取得する。

【0043】

そして、出力部１２６は、モデル適用部１２５が取得したラベルに基づいて、学習モデルＭに入力された画像Ｇに含まれる被写体の種別を出力する（Ｓ６）。

【0044】

［本実施の形態における効果］
以上説明したとおり、被写体認識装置１は、入力データにそれぞれ異なる所定の変換を施す複数の変換層Ｃを含む畳み込み層Ｍ２１を有する学習モデルＭを生成する。そして、被写体認識装置１は、学習モデルＭを用いて、入力された画像Ｇに含まれる被写体を認識する。このようにすることで、被写体認識装置１は、教師データとして１つの画像Ｇを用いた場合であっても、当該画像Ｇに写っている被写体の特徴と、所定の変換を施した当該被写体の特徴に等しい特徴とを学習モデルＭに学習させることができる。その結果、被写体認識装置１は、教師データを用意する管理者の負担を軽減させることができる。

【0045】

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の全部又は一部は、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を併せ持つ。

【符号の説明】

【0046】

１ 被写体認識装置
１１ 記憶部
１２ 制御部
１２１ 教師データ取得部
１２２ モデル生成部
１２３ 画像取得部
１２４ モデル取得部
１２５ モデル適用部
１２６ 出力部
Ｃ 変換層
Ｄ 入力データ
Ｆ 畳み込みフィルタ
Ｇ 画像
Ｌ リンク
Ｍ 学習モデル
Ｍ１０ 入力層
Ｍ２０ 隠れ層
Ｍ２１ 畳み込み層
Ｍ２２ プーリング層
Ｍ３０ 出力層

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】