特許 7359380 検出パラメタ生成装置、検出パラメタ生成方法、検出パラメタ生成プログラム、オブジェクト検出装置、オブジェクト検出方法、およびオブジェクト検出プログラム

(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】2023-10-02

(45)【発行日】2023-10-11

(54)【発明の名称】検出パラメタ生成装置、検出パラメタ生成方法、検出パラメタ生成プログラム、オブジェクト検出装置、オブジェクト検出方法、およびオブジェクト検出プログラム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20231003BHJP

   G06F 30/12 20200101ALI20231003BHJP

   G06F 30/13 20200101ALI20231003BHJP

【ＦＩ】

G06T7/00 350C

G06F30/12

G06F30/13

【請求項の数】 12

(21)【出願番号】P 2019143964

(22)【出願日】2019-08-05

(65)【公開番号】P2021026506

(43)【公開日】2021-02-22

【審査請求日】2022-07-27

(73)【特許権者】

【識別番号】507234438

【氏名又は名称】広島県公立大学法人

(73)【特許権者】

【識別番号】591080678

【氏名又は名称】株式会社中電工

(74)【代理人】

【識別番号】100091982

【弁理士】

【氏名又は名称】永井 浩之

(74)【代理人】

【識別番号】100091487

【弁理士】

【氏名又は名称】中村 行孝

(74)【代理人】

【識別番号】100105153

【弁理士】

【氏名又は名称】朝倉 悟

(74)【代理人】

【識別番号】100152205

【弁理士】

【氏名又は名称】吉田 昌司

(72)【発明者】

【氏名】市村 匠

(72)【発明者】

【氏名】鎌田 真

(72)【発明者】

【氏名】多羅尾 直

(72)【発明者】

【氏名】山口 亮

【審査官】藤原 敬利

(56)【参考文献】

【文献】特開２０１９－０７４９４６（ＪＰ，Ａ）

【文献】市村 匠，鎌田 真，ChestX-ray8を用いた構造適応型Deep Belief Networkにおける胸部疾患の分類と位置検出の試み，2018 IEEE SMC Hiroshima Chapter若手研究会講演論文集，日本，IEEE SMC Hiroshima Chapter，2018年07月28日，第77-83頁，http://harp.lib.hiroshima-u.ac.jp/pu-hiroshima/metadata/12596

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ ３０／００－３０／３９８

Ｇ０６Ｎ ３／００－９９／００

Ｇ０６Ｔ ７／００－ ７／９０

Ｇ０６Ｖ １０／００－２０／９０

(57)【特許請求の範囲】

【請求項1】

構造適応型ＤＢＮを用いて画像からオブジェクトを検出するための検出パラメタを生成する検出パラメタ生成装置であって、
複数の画像を有するデータセットのうちの一つの画像における、あるオブジェクトの頻出度を示す第１の指標を求める頻出度指標算出部と、
前記データセットにおける前記オブジェクトの希少度を示す第２の指標を求める希少度指標算出部と、
前記第１の指標と前記第２の指標との積に基づいて、検出用画像を分割して得られた分割画像に前記オブジェクトが存在するかどうかを判定するための第１の検出パラメタと、前記分割画像に基づいて作成された変形画像に前記オブジェクトが存在するかどうかを判定するための第２の検出パラメタとを更新する検出パラメタ更新部と、
を備えることを特徴とする検出パラメタ生成装置。

【請求項2】

前記検出パラメタ更新部は、前記第１の指標と前記第２の指標との積が大きくなるにつれて前記第１の検出パラメタおよび前記第２の検出パラメタを小さくすることを特徴とする請求項１に記載の検出パラメタ生成装置。

【請求項3】

前記頻出度指標算出部は、前記第１の指標を式（１）により算出することを特徴とする請求項１または２に記載の検出パラメタ生成装置。

【数1】

ここで、x_i,j：前記第１の指標、n_i,j:画像ｊにおける前記オブジェクトの数、I：前記データセットにおけるオブジェクトの種類の総数である。

【請求項4】

前記希少度指標算出部は、前記第２の指標を式（２）により算出することを特徴とする請求項１～３のいずれかに記載の検出パラメタ生成装置。

【数2】

ここで、y_i：前記第２の指標、J:前記データセットにおける画像の総数、A_i：前記オブジェクトを含む画像の数である。

【請求項5】

前記検出パラメタ更新部は、前記第１の検出パラメタを式（３）により更新することを特徴とする請求項１～４のいずれかに記載の検出パラメタ生成装置。

【数3】

ここで、T1_i,j+1：前記オブジェクトの更新後の第１の検出パラメタ、T1_i,j：前記オブジェクトの更新前の第１の検出パラメタ、α_１：調整パラメタ、z_i,j：前記第１の指標と前記第２の指標との積である。

【請求項6】

前記検出パラメタ更新部は、前記第２の検出パラメタを式（４）により更新することを特徴とする請求項１～５のいずれかに記載の検出パラメタ生成装置。

【数4】

ここで、T2_i,j+1：前記オブジェクトの更新後の第２の検出パラメタ、T2_i,j：前記オブジェクトの更新前の第２の検出パラメタ、α_２：調整パラメタ、z_i,j：前記第１の指標と前記第２の指標との積である。

【請求項7】

前記画像は建築設備図面に係る画像であり、前記オブジェクトは、建築設備図面の記号であることを特徴とする請求項１～６のいずれかに記載の検出パラメタ生成装置。

【請求項8】

検出用画像を入力する画像入力部と、
前記検出用画像を複数の分割画像に分割する画像分割部と、
前記分割画像を構造適応型ＤＢＮの入力層に与えて、前記構造適応型ＤＢＮの出力層に出力された、あるオブジェクトに対する第１の確率を取得する第１の確率取得部と、
前記第１の確率が請求項１に記載の検出パラメタ生成装置で生成された第１の検出パラメタよりも大きければ、前記分割画像に基づいて変形画像を作成する変形画像作成部と、
前記変形画像を前記構造適応型ＤＢＮの入力層に与えて、前記構造適応型ＤＢＮの出力層に出力された前記オブジェクトに対する第２の確率を取得する第２の確率取得部と、
前記第２の確率が請求項１に記載の検出パラメタ生成装置で生成された第２の検出パラメタよりも大きければ、前記オブジェクトを検出したと判定する判定部と、
を備えることを特徴とするオブジェクト検出装置。

【請求項9】

構造適応型ＤＢＮを用いて画像からオブジェクトを検出するための検出パラメタを生成する検出パラメタ生成方法であって、
複数の画像を有するデータセットのうちの一つの画像における、あるオブジェクトの頻出度を示す第１の指標を求めるステップと、
前記データセットにおける前記オブジェクトの希少度を示す第２の指標を求めるステップと、
前記第１の指標と前記第２の指標との積に基づいて、検出用画像を分割して得られた分割画像に前記オブジェクトが存在するかどうかを判定するための第１の検出パラメタと、前記分割画像に基づいて作成された変形画像に前記オブジェクトが存在するかどうかを判定するための第２の検出パラメタとを更新するステップと、
を備えることを特徴とする検出パラメタ生成方法。

【請求項10】

検出用画像を入力するステップと、
前記検出用画像を複数の分割画像に分割するステップと、
前記分割画像を構造適応型ＤＢＮの入力層に与えて、前記構造適応型ＤＢＮの出力層に出力された、あるオブジェクトに対する第１の確率を取得するステップと、
前記第１の確率が請求項９に記載の検出パラメタ生成方法で生成された第１の検出パラメタよりも大きければ、前記分割画像に基づいて変形画像を作成するステップと、
前記変形画像を前記構造適応型ＤＢＮの入力層に与えて、前記構造適応型ＤＢＮの出力層に出力された前記オブジェクトに対する第２の確率を取得するステップと、
前記第２の確率が請求項９に記載の検出パラメタ生成方法で生成された第２の検出パラメタよりも大きければ、前記オブジェクトを検出したと判定するステップと、
を備えることを特徴とするオブジェクト検出方法。

【請求項11】

構造適応型ＤＢＮを用いて画像からオブジェクトを検出するための検出パラメタを生成する検出パラメタ生成プログラムであって、
複数の画像を有するデータセットのうちの一つの画像における、あるオブジェクトの頻出度を示す第１の指標を求めるステップと、
前記データセットにおける前記オブジェクトの希少度を示す第２の指標を求めるステップと、
前記第１の指標と前記第２の指標との積に基づいて、検出用画像を分割して得られた分割画像に前記オブジェクトが存在するかどうかを判定するための第１の検出パラメタと、前記分割画像に基づいて作成された変形画像に前記オブジェクトが存在するかどうかを判定するための第２の検出パラメタとを更新するステップと、
をコンピュータに実行させる検出パラメタ生成プログラム。

【請求項12】

検出用画像を入力するステップと、
前記検出用画像を複数の分割画像に分割するステップと、
前記分割画像を構造適応型ＤＢＮの入力層に与えて、前記構造適応型ＤＢＮの出力層に出力された、あるオブジェクトに対する第１の確率を取得するステップと、
前記第１の確率が請求項１１に記載の検出パラメタ生成プログラムで生成された第１の検出パラメタよりも大きければ、前記分割画像に基づいて変形画像を作成するステップと、
前記変形画像を前記構造適応型ＤＢＮの入力層に与えて、前記構造適応型ＤＢＮの出力層に出力された前記オブジェクトに対する第２の確率を取得するステップと、
前記第２の確率が請求項１１に記載の検出パラメタ生成プログラムで生成された第２の検出パラメタよりも大きければ、前記オブジェクトを検出したと判定するステップと、
をコンピュータに実行させるオブジェクト検出プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、検出パラメタ生成装置、検出パラメタ生成方法、検出パラメタ生成プログラム、オブジェクト検出装置、オブジェクト検出方法、およびオブジェクト検出プログラムに関し、より詳しくは、構造適応型ＤＢＮを用いて画像からオブジェクトを検出するための検出パラメタを生成する検出パラメタ生成装置、検出方法および検出プログラム、ならびに、生成された検出パラメタを用いてオブジェクトを検出するオブジェクト検出装置、検出方法および検出プログラムに関する。

【背景技術】

【0002】

従来、構造適応型深層学習法が知られている（非特許文献１～３、特許文献１）。この手法によれば、制限付きボルツマンマシン（ＲＢＭ）を多段に重ねてディープ・ビリーフ・ネットワーク（ＤＢＮ）を構築する際に最適な隠れニューロン数および隠れ層数が自動的に求められる。これにより、学習用データに基づいて最適な構造のニューラルネットワークを構築することが可能である。この構造適応型深層学習法により構築された構造適応型ＤＢＮは、複数のベンチマークテストにおいて、既存の畳み込みニューラルネットワーク（ＣＮＮ）よりも高い分類精度を示している（非特許文献４）。

【0003】

なお、分類精度の改善手法としてファインチューニング（Ｆｉｎｅ Ｔｕｎｉｎｇ）法が知られている（例えば、非特許文献５）。この手法では、学習後のネットワークの各層の入出力パターンの頻度に応じて、誤って分類された事例が正しく分類されるようにネットワークの重みを修正する。

【0004】

本発明者らは、胸部Ｘ線画像に係る公開データベース（ＣｈｅｓｔＸ－Ｒａｙ８：ＣＸＲ８）を用いて学習された構造適応型ＤＢＮを用いて、癌の有無を高い精度で検出可能なアルゴリズムを提案している（非特許文献６）。

【0005】

このアルゴリズムでは、まず、検出対象のオブジェクトが含まれる画像を入力し、当該画像を複数の領域に沿って分割して複数の分割画像を得る。そして、分割画像を学習済みの構造適応型ＤＢＮに与えて、出力層から出力される値を取得する。各ニューロンから出力される値は、ソフトマックス関数により正規化されており、オブジェクトの検出確率を示す。

【0006】

次に、あるオブジェクトに対応するニューロンから出力された値（確率）が当該オブジェクトに対して設定された閾値（第１の検出パラメタ）よりも大きいかどうかを判定する。そして、出力された値が第１の検出パラメタよりも大きい場合、分割画像に基づいて変形画像を作成し、変形画像を学習済みの構造適応型ＤＢＮに与えて、出力層から出力される値を取得する。出力された値（確率）が当該オブジェクトに対して設定された別の閾値（第２の検出パラメタ）よりも大きいかどうかを判定する。そして、出力された値が第２の検出パラメタより大きい場合に、当該オブジェクトを検出したと最終的に判定する。なお、第１および第２の検出パラメタは、０より大きく、１より小さい値であり、値が小さいほどオブジェクトは検出され易くなる。

【先行技術文献】

【特許文献】

【0007】

【文献】特開２０１９－７４９４６号公報

【非特許文献】

【0008】

【文献】S.Kamada and T.Ichimura, An Adaptive Learning Method of Restricted Boltzmann Machine by Neuron Generation and Annihilation Algorithm, Proc. of 2016 IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC 2016), pp.1273-1278 (2016)

【文献】S.Kamada and T.Ichimura, A Structural Learning Method of Restricted Boltzmann Machine by Neuron Generation and Annihilation Algorithm, Neural Information Processing, Lecture Notes in Computer Science (LNCS, vol.9950), pp.372-380 (2016)

【文献】S.Kamada and T.Ichimura, An Adaptive Learning Method of Deep Belief Network by Layer Generation Algorithm, Proc. of 2016 IEEE Region 10 Conference (TENCON), pp.2971-2974 (2016)

【文献】S.Kamada, T.Ichimura, Akira Hara, and Kenneth J. Mackin, Adaptive Structure Learning Method of Deep Belief Network using Neuron Generation-Annihilation and Layer Generation, Neural Computing and Applications, doi.org/10.1007/s00521-018-3622-y, pp.1-15 (2018)

【文献】S.Kamada and T.Ichimura, Fine Tuning of Adaptive Learning of Deep Belief Network for Misclassification and its Knowledge Acquisition, International Journal Computational Intelligence Studies, Vol.6, No.4, pp.333-348 (2017)

【文献】市村匠，鎌田真，“ChestX-ray8 を用いた構造適応型Deep Belief Network による胸部疾患位置検出システム”，計測自動制御学会システム・情報部門学術講演会2018 講演論文集(SSI2018) (2018)

【発明の概要】

【発明が解決しようとする課題】

【0009】

前述のオブジェクト検出アルゴリズムを用いることにより、胸部Ｘ線画像については高い検出精度が得られることが確認されている。

【0010】

しかしながら、本発明者らによるさらなる研究によれば、画像の種類によっては、高い検出精度を得ることが難しい場合があることがわかってきた。例えば建築設備図面に係る画像の場合、高い検出精度が得られない場合がある。

【0011】

建築設備図面には、照明、コンセント、トイレ等を示す様々な種類の記号が含まれる。また、記号ごとに頻出度や希少度といった特徴が異なる。ここで、頻出度とは、ある画像（図面）におけるオブジェクト（記号）の出現頻度に関する度合を示し、希少度とは、複数枚の画像におけるオブジェクトの希少価値に関する度合を示す。希少度は、オブジェクトが特定の図面にしか出現しない場合に高くなる。

【0012】

従来のオブジェクト検出アルゴリズムでは、第１および第２の検出パラメタは各オブジェクトに共通の値として与えられていた。このため、従来のアルゴリズムでは、図面に含まれる各種記号を高い精度で検出することは困難であった。試行錯誤的に検出パラメタを探索することで高い検出精度が得られることもあるが、非常に手間がかかり効率的でなかった。

【0013】

本発明は、上記のような技術的認識に基づいてなされたものであり、その目的は、特徴の異なる複数種類のオブジェクトを高い精度で検出することを可能とする検出パラメタを容易に生成できる検出パラメタ生成装置、検出パラメタ生成方法および検出パラメタ生成プログラムを提供すること、ならびに、生成された検出パラメタを用いて特徴の異なる複数種類のオブジェクトを高い精度で検出できるオブジェクト検出装置、オブジェクト検出方法およびオブジェクト検出プログラムを提供することである。

【課題を解決するための手段】

【0014】

本発明に係る検出パラメタ生成装置は、
構造適応型ＤＢＮを用いて画像からオブジェクトを検出するための検出パラメタを生成する検出パラメタ生成装置であって、
複数の画像を有するデータセットのうちの一つの画像における、あるオブジェクトの頻出度を示す第１の指標を求める頻出度指標算出部と、
前記データセットにおける前記オブジェクトの希少度を示す第２の指標を求める希少度指標算出部と、
前記第１の指標と前記第２の指標との積に基づいて、検出用画像を分割して得られた分割画像に前記オブジェクトが存在するかどうかを判定するための第１の検出パラメタと、前記分割画像に基づいて作成された変形画像に前記オブジェクトが存在するかどうかを判定するための第２の検出パラメタとを更新する検出パラメタ更新部と、
を備えることを特徴とする。

【0015】

また、前記検出パラメタ生成装置において、
前記検出パラメタ更新部は、前記第１の指標と前記第２の指標との積が大きくなるにつれて前記第１の検出パラメタおよび前記第２の検出パラメタを小さくするようにしてもよい。

【0016】

また、前記検出パラメタ生成装置において、
前記画像は建築設備図面に係る画像であり、前記オブジェクトは、建築設備図面の記号であるようにしてもよい。

【0017】

本発明に係るオブジェクト検出装置は、
検出用画像を入力する画像入力部と、
前記検出用画像を複数の分割画像に分割する画像分割部と、
前記分割画像を構造適応型ＤＢＮの入力層に与えて、前記構造適応型ＤＢＮの出力層に出力された、あるオブジェクトに対する第１の確率を取得する第１の確率取得部と、
前記第１の確率が前記検出パラメタ生成装置で生成された第１の検出パラメタよりも大きければ、前記分割画像に基づいて変形画像を作成する変形画像作成部と、
前記変形画像を前記構造適応型ＤＢＮの入力層に与えて、前記構造適応型ＤＢＮの出力層に出力された前記オブジェクトに対する第２の確率を取得する第２の確率取得部と、
前記第２の確率が前記検出パラメタ生成装置で生成された第２の検出パラメタよりも大きければ、前記オブジェクトを検出したと判定する判定部と、
を備えることを特徴とする。

【発明の効果】

【0018】

本発明によれば、特徴の異なる複数種類のオブジェクトを高い精度で検出することを可能とする検出パラメタを容易に生成することができる。

【0019】

また、本発明によれば、前記検出パラメタを用いて、特徴の異なる複数種類のオブジェクトを高い精度で検出することができる。

【図面の簡単な説明】

【0020】

【図1】実施形態に係るオブジェクト検出に係る全体処理フローの概略を示す図である。

【図2】構造適応型ＤＢＮの構築に用いた訓練データおよびテストデータの概要を示す図である。

【図3】構造適応型ＤＢＮの構築に用いたカテゴリ別の記号の例を示す図である。

【図4】構築された構造適応型ＤＢＮの例を模式的に示す図である。

【図5】構築された構造適応型ＤＢＮの分類精度を示す図である。

【図6】実施形態に係る検出パラメタ生成装置の概略的構成を示す図である。

【図7】実施形態に係る図面データベースの一例を示す図である。

【図8】実施形態に係る検出パラメタ生成方法を示すフローチャートである。

【図9】実施形態に係るオブジェクト検出装置の概略的構成を示す図である。

【図10】建築設備図面の画像の一例を示す図である。

【図11】変形画像の作成方法について説明するための図である。

【図12】実施形態に係るオブジェクト検出方法を示すフローチャートである。

【図13】従来（手動調整）と実施形態（自動調整）による記号の検出精度を示す図である。

【図14】記号を正しく検出できなかった場合の例を示す図である。

【発明を実施するための形態】

【0021】

以下、本発明に係る実施形態について図面を参照しながら説明する。

【0022】

＜全体処理フロー＞
図１を参照して、本実施形態に係る、構造適応型ＤＢＮを用いたオブジェクト検出に係る全体処理フローについて説明する。

【0023】

なお、本実施形態では、オブジェクトを含む画像は、各種記号を含む建築設備図面に係る画像である。ただし、本発明はこれに限られるものでなく、建築設備図面以外の線図のほか、その他検出対象のオブジェクトを含む各種画像に適用することが可能である。

【0024】

ステップＳ１では、構造適応型ＤＢＮを構築する。本ステップは、本発明者らが開発した公知の方法（非特許文献１～３等）により、構造適応型ＤＢＮの構築が行われる。訓練データ（学習用データ）およびテストデータ（評価用データ）として、複数の分類対象に係る記号の画像が用いられる。ニューラルネットワークの入力層の各ニューロンには、記号画像の各ピクセルのデータが入力される。なお、分類精度をさらに向上させるためにファインチューニングを行ってもよい。

【0025】

図２は、ステップＳ１で用いられる訓練データの数、および構造適応型ＤＢＮを評価するためのテストデータの数をカテゴリ別に示している。なお、学習データを増やすため、データ増強（Ｄａｔａ Ａｕｇｍｅｎｔ）を行ってデータ数を増やした。具体的には、元の記号画像に対して、左右反転、上下反転、９０度回転、１９０度回転、上下移動、拡大および縮小の操作を行うことでデータ数を約１２倍に増やした。図２に示す数は、データ増強後のデータ数である。

【0026】

図３は、カテゴリ別の記号の例を示している。記号Ｍ１は、カテゴリ「衛生器具」に属する記号画像の一例である。記号Ｍ２は、カテゴリ「電灯」に属する記号画像の一例である。記号Ｍ３は、カテゴリ「コンセント」に属する記号画像の一例である。記号Ｍ４は、カテゴリ「非常灯・誘導灯」に属する記号画像の一例である。記号Ｍ５は、カテゴリ「インターホン」に属する記号画像の一例である。

【0027】

図４は、構築された構造適応型ＤＢＮの例を模式的に示している。出力層は、カテゴリ数に対応してニューロンＮ１，Ｎ２，Ｎ３，Ｎ４，Ｎ５を有している。ニューロンＮ１～Ｎ５の出力値は、総和が１となるようにソフトマックス関数等により正規化される。ニューロンＮ１，Ｎ２，Ｎ３，Ｎ４，Ｎ５の出力値は、対応付けられたオブジェクトの確率を示す。例えば、ニューロンＮ１の出力値が０．８の場合、入力層に入力された記号画像がカテゴリ「衛生器具」である確率は８０％である。

【0028】

訓練データを用いて構造適応型ＤＢＮの構築後、分類精度の評価を行う。図５は、構造適応型ＤＢＮの評価結果を示している。ここでは、訓練データ、テストデータ、およびファインチューニング後におけるテストデータに対する分類精度をそれぞれカテゴリ別に示している。なお、テストデータの分類精度における括弧の数値は、分類できなかったデータの数を示している。

【0029】

図５に示すように、訓練データに対する正答率は、すべてのカテゴリで１００．０％となった。一方、テストデータについては、９５．６％以上となった。また、ファインチューニング法により分類精度の改善を試みたところ、すべてのカテゴリに対して１００．０％の分類精度が得られた。

【0030】

ステップＳ２では、建築設備図面の記号を検出するための検出パラメタ（第１の検出パラメタおよび第２の検出パラメタ）の生成を行う。ここで、第１の検出パラメタ（Ｔ１_ｉ）は、オブジェクト検出用の画像（検出用画像）を分割して得られた分割画像にｉ番目のオブジェクト（オブジェクトｉ）が存在するかどうかを判定するための閾値である。第２の検出パラメタ（Ｔ２_ｉ）は、分割画像に基づいて作成された変形画像にオブジェクトｉが存在するかどうかを判定するための閾値である。検出パラメタの生成については、後ほど図６～図８を参照して詳しく説明する。

【0031】

ステップＳ３では、ステップＳ２で生成された検出パラメタを用いて、検出用画像からオブジェクトを検出する。本ステップＳ３では、ステップＳ２で生成された第１および第２の検出パラメタを、画像中にオブジェクトが存在するかどうかを判定する際の閾値として用いる。オブジェクト検出については、後ほど図９～図１４を参照して詳しく説明する。

【0032】

＜検出パラメタ生成装置＞
本実施形態に係る検出パラメタ生成装置１について、図６を参照して説明する。以下に説明するように、検出パラメタ生成装置１は、ステップＳ１で構築された構造適応型ＤＢＮを用いて画像からオブジェクトを検出するための検出パラメタを生成（調整）するように構成されている。

【0033】

検出パラメタ生成装置１は、図６に示すように、制御部１０と、通信部２０と、操作入力部３０と、表示部４０と、記憶部５０とを備えている。

【0034】

制御部１０は、検出パラメタ生成装置１の動作を制御するものであり、ハードウェアとしてはＣＰＵ（中央処理装置）等のプロセッサにより構成される。本実施形態では、制御部１０は、検出パラメタ生成装置１内のプロセッサが所定のプログラムを実行することにより実現される。なお、制御部１０の少なくとも一部がＡＳＩＣ等のハードウェアにより構成されてもよい。制御部１０の詳細については後ほど詳しく説明する。

【0035】

通信部２０は、検出パラメタ生成装置１と外部の情報処理装置（図示せず）との間で情報を送受信する。なお、通信部２０による通信は、有線・無線の別を問わず、また通信プロトコルも限定されない。

【0036】

操作入力部３０は、ユーザが検出パラメタ生成装置１に情報を入力するためのインターフェースであり、例えば、キーボード、マウス、タッチパネル、ボタン等である。操作入力部３０は、ユーザから検出パラメタの初期値や検出パラメタの生成指示などを受け付ける。

【0037】

表示部４０は、ユーザへ各種情報（生成された検出パラメタの値など）を出力するインターフェースである。この表示部４０は、例えば、映像を表示するディスプレイ（液晶ディスプレイ、有機ＥＬディスプレイ等）である。

【0038】

記憶部５０は、ハードディスクまたは半導体メモリなどから構成される記憶装置である。この記憶部５０には、図面データベース５１が記憶されている。なお、記憶部５０には、制御部１０による情報処理に必要なプログラムや各種データが記憶されてもよい。

【0039】

図面データベース５１は、複数の建築設備図面に係る画像を有するデータセットから抽出された、各図面における記号ごとの出現数（描画数）を格納したデータベースである。図面データベース５１は、人が図面画像を見て作成される。なお、部品ごとの頻出度や希少度の傾向が誤っていなければ、図面データベース５１の部品数は必ずしも厳密な値でなくてもよい。

【0040】

図７は、図面データベース５１の一例を示している。図面データベース５１には、Ｊ枚の建築設備図面の各々について、部品（建築設備図面の記号）ごとの数が格納されている。なお、Ｉは部品の種類の総数である。すなわち、図面データベース５１には、図面ｊ（１≦ｊ≦Ｊ）に描画されている部品ｉ（１≦ｉ≦Ｉ）の数が格納されている。右端のカラムには、各図面について部品の総数が格納されている。なお、このカラムは必須ではなく、制御部１０が演算により算出してもよい。
次に、制御部１０について詳しく説明する。

【0041】

制御部１０は、図６に示すように、データ入力部１１と、頻出度指標算出部１２と、希少度指標算出部１３と、検出パラメタ更新部１４とを有する。なお、制御部１０が有する各機能部は、通信接続された複数の情報処理装置に分散して設けられ、これら複数の情報処理装置が協働することによって制御部１０の機能が実現されてもよい。

【0042】

データ入力部１１は、第１の検出パラメタの初期値および第２の検出パラメタの初期値を取得する。第１の検出パラメタの初期値（T1_i,1）と第２の検出パラメタの初期値（T2_i,1）は、T1_i,1≦T2_i,1の関係であることが好ましい。なお、初期値としては、オブジェクトの種類に依存しない共通の値が取得されてもよいし、オブジェクト種類ごとの値が取得されてもよい。

【0043】

頻出度指標算出部１２は、前記データセットのうちの一つの画像中における、あるオブジェクト（オブジェクトｉ）の頻出度を示す第１の指標を求める。本実施形態では、頻出度指標算出部１２は、図面データベース５１を参照し、式（１）により第１の指標x_i,jを算出する。第１の指標x_i,jは、画像ｊの全オブジェクトに対するオブジェクトｉの割合を示す。

【数1】

【0044】

ここで、x_i,j：第１の指標、n_i,j:画像ｊにおけるオブジェクトiの数、I：前記データセットにおけるオブジェクトの種類の総数である。

【0045】

例えば、ある建築設備図面に係る画像ｊに１００個の部品が含まれ、部品ｉの数が０個の場合、第１の指標x_i,jは０となる。一方、画像ｊに１００個の部品が含まれ、そのすべてが部品ｉの場合、第１の指標x_i,jは１となる。このように第１の指標x_i,jは、画像ｊにおけるオブジェクトｉの頻出度に応じて、０以上１以下の値をとる。

【0046】

なお、頻出度指標算出部１２は、式（１）の右辺の分母として、図７の図面データベース５１の右欄のカラムに格納された値を使用する。右欄のカラムがない場合、頻出度指標算出部１２が部品１、部品２、・・・、部品Ｉの総和を算出してもよい。

【0047】

希少度指標算出部１３は、前記データセット（Ｊ枚の画像）におけるオブジェクトｉの希少度を示す第２の指標を求める。第２の指標y_iは、前記データセットにおいてオブジェクトｉを含む画像の数が少ないほど大きい値を返す関数により求められる。本実施形態では、希少度指標算出部１３は、図面データベース５１を参照し、式（２）により第２の指標を算出する。

【数2】

【0048】

ここで、y_i：第２の指標、J:前記データセットにおける画像の総数、A_i：オブジェクトｉを含む画像の数である。

【0049】

例えば、建築設備図面に係る画像の総数が１０枚で、そのうちの１枚の画像にのみ部品ｉが含まれる場合、第２の指標y_iは１となる。一方、図面の総数が１０枚で、すべての図面に部品ｉが含まれる場合、第２の指標y_iは０となる。このように第２の指標y_iは、データセットに含まれる複数の画像におけるオブジェクトｉの希少度に応じて、０以上ｌｏｇ｜Ｊ｜以下の値をとる。

【0050】

検出パラメタ更新部１４は、第１の指標と第２の指標との積に基づいて、第１の検出パラメタ（Ｔ１_ｉ）と、第２の検出パラメタ（Ｔ２_ｉ）とを更新する。

【0051】

より詳しくは、検出パラメタ更新部１４は、第１の指標と第２の指標との積が大きくなるにつれて、第１の検出パラメタおよび第２の検出パラメタを小さくする。本実施形態では、検出パラメタ更新部１４は、式（３）により第１の検出パラメタを更新する。

【数3】

【0052】

ここで、T1_i,j+1：オブジェクトｉの更新後の第１の検出パラメタ、T1_i,j：オブジェクトｉの更新前の第１の検出パラメタ、z_i,jは第１の指標と第２の指標との積（＝x_i,j×y_i）である。

【0053】

同様に、検出パラメタ更新部１４は、式（４）により第２の検出パラメタを更新する。

【数4】

【0054】

ここで、T2_i,j+1：オブジェクトｉの更新後の第２の検出パラメタ、T2_i,j：オブジェクトｉの更新前の第２の検出パラメタ、z_i,jは第１の指標と第２の指標との積（＝x_i,j×y_i）である。

【0055】

式（３）および式（４）によれば、オブジェクトｉが頻出かつ希少であるほど（すなわち、z_i,jが大きいほど）、更新後の第１および第２の検出パラメタの値は小さくなるため、当該オブジェクトを検出し易くなる。一般的には検出パラメタを小さくすると誤検出のおそれがあるが、本実施形態では、第１の指標と第２の指標の積に基づいて検出パラメタを調整することで、検出精度の向上を実現している。実際の検出結果については、後ほど図１３を参照して説明する。

【0056】

なお、式（３）、式（４）は一例に過ぎない。例えば、式（５）に示すように、関数ｆを用いてz_i,jを計算してもよい。関数ｆは、増加関数であり、例えば指数関数、対数関数、多項式関数である。

【数5】

【0057】

また、z_i,jは、式（６）に示すように、関数ｆおよび関数ｇを用いて第１の指標x_i,jおよび第２の指標y_iをそれぞれ変換した値の積として求められてもよい。関数ｆ，関数ｇは、増加関数であり、例えば指数関数、対数関数、多項式関数である。本願において「第１の指標と第２の指標との積（に基づいて）」との文言は、第１の指標に基づく値と第２の指標に基づく値との積も含む。

【数6】

【0058】

以上説明したように、本実施形態に係る検出パラメタ生成装置１では、頻出度を示す第１の指標と、希少度を示す第２の指標とを、オブジェクトごとに算出する。そして、第１の指標と第２の指標との積に基づいて、各オブジェクトの第１および第２の検出パラメタを生成する。これにより、オブジェクトの頻出度および希少度に応じて検出パラメタがオブジェクトごとに調整され、特徴の異なる複数種類のオブジェクトを高い精度で検出することを可能とする検出パラメタを試行錯誤することなく容易に生成することができる。

【0059】

さらに、本実施形態によれば、オブジェクトごとの検出パラメタが自動的に調整されるため、従来の手動による場合と比較して大幅な効率化を実現することができる。

【0060】

なお、検出パラメタの更新にあたっては、手動で設定可能な調整パラメタを盛り込んでもよい。これにより、人の感覚に基づいて検出パラメタを調整することができる。例えば、第１の検出パラメタおよび第２の検出パラメタは、式（７）および式（８）よりそれぞれ更新される。これらの式において調整パラメタα_１，α_２は通常１であるが、それまでと傾向の異なるデータである等の理由で検出精度が思うように向上しない場合には、これらの手動調整パラメタを１から増減させることにより、検出精度の向上を図ることができる。

【数7】

【数8】

【0061】

また、データセットの更新に合わせて第１および第２の検出パラメタを更新してもよい。すなわち、Ｊ枚の建築設備図面に対する検出パラメタが生成された後、新たな図面が取得された場合、図面データベース５１を更新し、第１および第２の検出パラメタを更新してもよい。

【0062】

＜検出パラメタの生成方法＞
次に、図８を参照して、本実施形態に係る検出パラメタの生成方法について説明する。

【0063】

ステップＳ１１では、データ入力部１１が、オブジェクトごとの第１の検出パラメタおよび第２の検出パラメタの初期値（T1_i,1、T2_i,1）を取得する。なお、本ステップで取得される初期値は、オブジェクトの種類に依存しない共通の値でもよい。また、初期値は、ユーザが操作入力部３０を介して入力してもよいし、記憶部５０に予め格納されていてもよいし、通信部２０を介して外部の装置から取得されてもよい。

【0064】

ステップＳ１２では、制御部１０が、２つの変数ｉ，ｊを初期化する。本実施形態では、変数ｉおよび変数ｊを１にする。変数ｉはオブジェクトの番号を示し、変数ｊは画像の番号を示す。なお、本ステップＳ１２はステップＳ１１の前に行ってもよい。

【0065】

ステップＳ１３では、制御部１０が、変数ｊがデータセットの画像数Ｊ以下であるかどうかを判定する。変数ｊが画像数Ｊ以下であれば（Ｓ１３：Ｙｅｓ）、ステップＳ１４に進む。

【0066】

一方、変数ｊが画像数Ｊより大きければ（Ｓ１３：Ｎｏ）、検出パラメタ生成処理を終了する。この際、第１の検出パラメタが０未満である場合は、最終的に生成する第１の検出パラメタの値を所定の最小値（例えば０）とする。また、第１の検出パラメタが１より大きい場合は、最終的に生成する第１の検出パラメタの値は所定の最大値（例えば１）とする。第２の検出パラメタについても同様である。

【0067】

ステップＳ１４では、制御部１０が、変数ｉがオブジェクトの種類数Ｉ以下であるかどうかを判定する。変数ｉが種類数Ｉ以下であれば（Ｓ１４：Ｙｅｓ）、ステップＳ１５に進む。一方、変数ｉが種類数Ｉより大きければ（Ｓ１４：Ｎｏ）、変数ｊを１つ増加させた後（ステップＳ１９）、ステップＳ１３に戻る。

【0068】

ステップＳ１５では、頻出度指標算出部１２が、画像ｊにおけるオブジェクトｉの頻出度を示す第１の指標x_i,jを求める。本実施形態では、頻出度指標算出部１２は、図７の図面データベースを参照し、前述の式（１）を用いて第１の指標x_i,jを算出する。

【0069】

ステップＳ１６では、希少度指標算出部１３が、データセット（Ｊ枚の画像）におけるオブジェクトｉの希少度を示す第２の指標y_iを求める。本実施形態では、希少度指標算出部１３は、図７に示す図面データベースを参照し、前述の式（２）を用いて第２の指標y_iを算出する。なお、ステップＳ１５とステップＳ１６の実行順序は逆であってもよい。

【0070】

ステップＳ１７では、検出パラメタ更新部１４が、第１の指標x_i,jと第２の指標y_iとの積に基づいて、第１の検出パラメタＴ１_ｉおよび第２の検出パラメタＴ２_ｉを更新する。本実施形態では、検出パラメタ更新部１４は、前述の式（３）を用いて第１の検出パラメタＴ１_ｉを更新し、前述の式（４）を用いて第２の検出パラメタＴ２_ｉを更新する。

【0071】

ステップＳ１７の後、制御部１０が、変数ｉを１つ増加させた後（ステップＳ１８）、ステップＳ１４に戻る。

【0072】

上記の検出パラメタの生成方法によれば、オブジェクトの頻出度および希少度に応じて検出パラメタがオブジェクトごとに調整され、特徴の異なる複数種類のオブジェクトを高い精度で検出することを可能とする検出パラメタを容易に生成することができる。

【0073】

＜オブジェクト検出装置＞
次に、図９を参照して、検出パラメタ生成装置１により生成された第１および第２の検出パラメタを用いて、画像（検出用画像）に含まれるオブジェクトを検出するオブジェクト検出装置１００について説明する。

【0074】

本実施形態に係るオブジェクト検出装置１００は、図９に示すように、制御部１１０と、通信部１２０と、操作入力部１３０と、表示部１４０と、記憶部１５０とを備えている。

【0075】

制御部１１０は、オブジェクト検出装置１００の動作を制御するものであり、ハードウェアとしてはＣＰＵ（中央処理装置）等のプロセッサにより構成される。本実施形態では、制御部１１０は、オブジェクト検出装置１００内のプロセッサが所定のプログラムを実行することにより実現される。なお、制御部１１０の少なくとも一部がＡＳＩＣ等のハードウェアにより構成されてもよい。制御部１１０の詳細については後ほど詳しく説明する。

【0076】

通信部１２０は、オブジェクト検出装置１００と外部の情報処理装置（図示せず）との間で情報を送受信する。例えば、通信部１２０は検出パラメタ生成装置１から検出パラメタを受信する。なお、通信部１２０による通信は、有線・無線の別を問わず、また通信プロトコルも限定されない。

【0077】

操作入力部１３０は、ユーザがオブジェクト検出装置１００に情報を入力するためのインターフェースであり、例えば、キーボード、マウス、タッチパネル、ボタン等である。操作入力部１３０は、ユーザから、検出用画像の指定やオブジェクト検出指示などを受け付ける。

【0078】

表示部１４０は、ユーザへ各種情報（例えばオブジェクトの検出結果など）を出力するインターフェースである。この表示部１４０は、例えば、映像を表示するディスプレイ（液晶ディスプレイ、有機ＥＬディスプレイ等）である。

【0079】

記憶部１５０は、ハードディスクまたは半導体メモリなどから構成される記憶装置である。この記憶部１５０には、ＤＢＮデータ１５１および検出パラメタデータベース１５２が記憶されている。なお、記憶部１５０には、制御部１１０による情報処理に必要なプログラムやデータが記憶されてもよい。

【0080】

ＤＢＮデータ１５１は、ステップＳ１で構築された構造適応型ＤＢＮに係るデータ（ニューラルネットワークの形状（層数、各相のニューロン数）、ニューロン間の重み、ニューロンのバイアス等のパラメタ値）である。

【0081】

検出パラメタデータベース１５２は、検出パラメタ生成装置１によって生成された、オブジェクトｉ（１≦ｉ≦Ｉ）の第１の検出パラメタＴ１_ｉおよび第２の検出パラメタＴ２_ｉが格納されている。

【0082】

次に、制御部１１０について詳しく説明する。

【0083】

制御部１１０は、図９に示すように、画像入力部１１１と、画像分割部１１２と、確率取得部（第１の確率取得部）１１３と、変形画像作成部１１４と、確率取得部（第２の確率取得部）１１５と、判定部１１６とを有する。なお、制御部１１０が有する各機能部は、通信接続された複数の情報処理装置に分散して設けられ、これら複数の情報処理装置が協働することによって制御部１１０の機能が実現されてもよい。

【0084】

画像入力部１１１は、検出用画像を入力する。図１０は検出用画像の一例（マンションの建築設備図面）を示している。なお、検出用画像は、予め記憶部１５０に記憶されていてもよいし、通信部１２０を介して外部装置から取得されてもよいし、ＣＤ－ＲＯＭやＳＤカード等の情報記録媒体から取得されてもよい。

【0085】

画像分割部１１２は、検出用画像を複数の分割画像に分割する。例えば、画像分割部１１２は、入力された検出用画像を複数の矩形領域に沿って分割する。

【0086】

なお、検出用画像の分割は矩形に限られず、例えばボロノイ領域を用いて矩形の場合よりもオブジェクト検出に適した分割画像を生成してもよい。この場合、画像分割部１１２は、離散ボロノイ図に基づいて複数のボロノイ領域を生成し、生成された複数のボロノイ領域を用いて検出用画像を複数の分割画像に分割する。

【0087】

確率取得部１１３は、分割画像を構造適応型ＤＢＮの入力層に与えて、構造適応型ＤＢＮの出力層に出力された、あるオブジェクトに対する確率（第１の確率）を取得する。本実施形態では、確率取得部１１３は、画像分割部１１２により作成された複数の分割画像を順次、構造適応型ＤＢＮの入力層に与えて、各分割画像に対する出力層の値（すなわち、オブジェクトごとの確率）を取得する。

【0088】

変形画像作成部１１４は、確率取得部１１３により取得された確率（オブジェクトｉの確率）が第１の検出パラメタ（Ｔ１_ｉ）よりも大きければ、分割画像に基づいて複数の変形画像を作成する。

【0089】

ここで、図１１を参照して変形画像の作成方法について説明する。なお、図１１では変形画像の輪郭のみを示している。

【0090】

まず、変形画像作成部１１４は、分割画像の中心点から所定のサイズを抽出する。図１１の例では、分割画像の中心点から縦５０ピクセル、横５０ピクセルの画像Ｔを抽出する。そして、変形画像作成部１１４は、画像Ｔのサイズを変えて複数の画像を作成する。図１１の例では、画像Ｔの縦横のサイズを１００ピクセルまで１０ピクセルずつ増加させて合計３５個の画像を作成している。変形画像作成部１１４が作成する複数の変形画像は、画像Ｔと、画像Ｔのサイズを変更した画像（この例では３６枚の画像）を含む。

【0091】

確率取得部１１５は、変形画像作成部１１４により作成された変形画像を、ステップＳ１で構築された構造適応型ＤＢＮの入力層に与えて、構造適応型ＤＢＮの出力層に出力された、あるオブジェクトに対する確率（第２の確率）を取得する。本実施形態では、確率取得部１１５は、変形画像作成部１１４により作成された複数の変形画像を順次、構造適応型ＤＢＮの入力層に与えて、各変形画像についての出力層の値（すなわち、オブジェクトごとの確率）を取得する。

【0092】

判定部１１６は、確率取得部１１５により取得された、オブジェクトｉに対する確率が、当該オブジェクトに対する第２の検出パラメタＴ２_ｉよりも大きければ、オブジェクトｉを検出したと判定する。本実施形態では、変形画像作成部１１４により作成された複数の変形画像のうち少なくとも１つの変形画像について、オブジェクトｉに対する確率が第２の検出パラメタＴ２_ｉより大きいならば、オブジェクトｉを検出したと判定する。

【0093】

上記のように、本実施形態に係るオブジェクト検出装置１００では、検出用画像を分割した分割画像について第１の検出パラメタで１段階目の判定を行い、その後、分割画像から作成した変形画像について第２の検出パラメタで２段階目の判定を行う。これにより、本実施形態によれば、検出用画像から、特徴の異なる複数種類のオブジェクトを高精度で検出することができる。

【0094】

＜オブジェクトの検出方法＞
次に、図１２を参照して、本実施形態に係るオブジェクトの検出方法について説明する。

【0095】

ステップＳ２１では、画像入力部１１１が検出用画像を入力する。

【0096】

ステップＳ２２では、画像分割部１１２が、ステップＳ２１で入力された検出用画像を複数の分割画像に分割する。本ステップにおいて、検出用画像はＮ個の分割画像に分割される。

【0097】

ステップＳ２３では、制御部１１０が、２つの変数ｉ，ｎを初期化する。変数ｉはオブジェクトの番号を示し、変数ｎは分割画像の番号を示す。本実施形態では、変数ｉおよび変数ｎを１にする。なお、本ステップＳ２３はステップＳ２１またはステップＳ２２の前に行ってもよい。

【0098】

ステップＳ２４では、制御部１１０が、変数ｎが分割画像の総数Ｎ以下であるかどうかを判定する。変数ｎが総数Ｎ以下であれば（Ｓ２４：Ｙｅｓ）、ステップＳ２５に進む。一方、変数ｎが総数Ｎより大きければ（Ｓ２４：Ｎｏ）、オブジェクト検出処理を終了する。

【0099】

ステップＳ２５では、確率取得部１１３が、ステップＳ１で構築された構造適応型ＤＢＮの入力層にｎ番目の分割画像を与えて、出力層に出力された各オブジェクトの確率を取得する。

【0100】

ステップＳ２６では、制御部１１０が、変数ｉがオブジェクトの種類数Ｉ以下であるかどうかを判定する。変数ｉが種類数Ｉ以下であれば（Ｓ２６：Ｙｅｓ）、ステップＳ２７に進む。一方、変数ｉが種類数Ｉより大きければ（Ｓ２６：Ｎｏ）、変数ｎを１つ増加させて（ステップＳ３３）、ステップＳ２４に戻る。

【0101】

ステップＳ２７では、制御部１１０が、オブジェクトｉの確率が第１の検出パラメタＴ１_ｉよりも大きいかどうかを判定する。オブジェクトｉの確率が第１の検出パラメタＴ１_ｉよりも大きい場合（Ｓ２７：Ｙｅｓ）、ステップＳ２８に進む。一方、オブジェクトｉの確率が第１の検出パラメタＴ１_ｉ以下の場合（Ｓ２７：Ｎｏ）、変数ｉを１つ増加させた後（ステップＳ３２）、ステップＳ２６に戻る。

【0102】

ステップＳ２８では、変形画像作成部１１４が、ｎ番目の分割画像に基づいて複数の変形画像を作成する。本ステップでは、図１１を参照して説明したように分割画像から複数の変形画像が作成される。

【0103】

ステップＳ２９では、確率取得部１１５が、ステップＳ２８で作成された複数の変形画像をステップＳ１で構築された構造適応型ＤＢＮの入力層に順次与えて、各変形画像についての出力層の値（すなわち、オブジェクトごとの確率）を取得する。

【0104】

ステップＳ３０では、判定部１１６が、ステップＳ２８で作成された複数の変形画像ごとに、ステップＳ２９において取得されたオブジェクトｉに対する確率が第２の検出パラメタＴ２_ｉより大きいかどうかを判定する。そして、複数の変形画像のうち少なくとも１つの変形画像について、オブジェクトｉに対する確率が第２の検出パラメタＴ２_ｉより大きいならば（Ｓ３０：Ｙｅｓ）、オブジェクトｉを検出したと判定する（ステップＳ３１）。その後、変数ｉを１つ増加させた後（ステップＳ３２）、ステップＳ２６に戻る。

【0105】

一方、ステップＳ２８で作成された複数の変形画像のすべてについて、オブジェクトｉに対する確率が第２の検出パラメタＴ２_ｉ以下であるならば（Ｓ３０：Ｎｏ）、判定部１１６が、オブジェクトｉを検出しないと判定し、変数ｉを１つ増加させた後（ステップＳ３２）、ステップＳ２６に戻る。

【0106】

上記のように本実施形態に係るオブジェクトの検出方法では、分割画像について第１の検出パラメタを用いて１段階目の判定を行い（ステップＳ２７）、その後、分割画像から作成された変形画像について第２の検出パラメタを用いて２段階目の判定を行う（ステップＳ３０）。検出パラメタ生成装置１により生成された第１および第２の検出パラメタを用いて２段階の判定処理を行う。これにより、本実施形態によれば、検出用画像から、特徴の異なる複数種類のオブジェクトを高精度で検出することができる。

【0107】

図１３は、本実施形態に係るオブジェクト検出装置・方法によるオブジェクトの検出精度を、従来のオブジェクト検出アルゴリズム（手動調整）による検出精度と比較したものである。ここでいう検出精度は、データセット（Ｊ枚の建築設備図面）に含まれる部品総数のうち正しく検出された部品の割合である。なお、図１３中のＴ１，Ｔ２の値は検出パラメタの初期値を示している。ここでは、自動調整の場合も初期値は各部品に共通の値とした。

【0108】

図１３に示すように、検出パラメタを手動で調整した場合では、最高で９８．５％の検出精度が得られたものの、検出精度にばらつきが見られた。これは、各部品の特徴を考慮せずに一律の検出パラメタを使用していることに起因すると考えられる。一方、本実施形態による場合（自動調整）、手動調整のような試行錯誤を経なくとも、部品ごとに検出パラメタが最適値に自動調整されるため、初期値の異なるケース（自動調整１、自動調整２）のいずれにおいても最高の検出精度が得られた。

【0109】

ここで、記号を正しく検出できなかった場合について説明する。図１４は、記号を検出できなかった場合の建築設備図面の一部を示している。図１４には、コンセントを示す記号Ｓ３１，Ｓ３２，Ｓ３３，Ｓ３４が含まれている。記号Ｓ３２と記号Ｓ３４については、コンセント記号の上に他の器具等の画像が重なっているため、検出できなかった。一方、記号Ｓ３１と記号Ｓ３４については、コンセント記号の近傍に他の線が存在するものの正しく検出された。

【0110】

このように本実施形態によれば、建築設備図面に含まれる特徴の異なる様々な種類の記号を高い精度で効率良く検出することができる。これにより、建築設備図面を正確に理解する作業を大幅に効率化することができる。その結果、建築物の多様化、働き方改革および人手不足問題に対して貢献することが可能となる。

【0111】

以上、本発明の実施形態について説明した。なお、上記の説明では検出パラメタ生成装置１とオブジェクト検出装置１００を別個の装置として説明したが、一体の装置として構成してもよい。

【0112】

上記の記載に基づいて、当業者であれば、本発明の追加の効果や種々の変形を想到できるかもしれないが、本発明の態様は、上述した実施形態に限定されるものではない。特許請求の範囲に規定された内容およびその均等物から導き出される本発明の概念的な思想と趣旨を逸脱しない範囲で種々の追加、変更および部分的削除が可能である。

【符号の説明】

【0113】

１ 検出パラメタ生成装置
１０ 制御部
１１ データ入力部
１２ 頻出度指標算出部
１３ 希少度指標算出部
１４ 検出パラメタ更新部
２０ 通信部
３０ 操作入力部
４０ 表示部
５０ 記憶部
５１ 図面データベース
１００ オブジェクト検出装置
１１０ 制御部
１１１ 画像入力部
１１２ 画像分割部
１１３ 確率取得部
１１４ 変形画像作成部
１１５ 確率取得部
１１６ 判定部
１２０ 通信部
１３０ 操作入力部
１４０ 表示部
１５０ 記憶部
１５１ ＤＢＮデータ
１５２ 検出パラメタデータベース
Ｍ１，Ｍ２，Ｍ３，Ｍ４，Ｍ５ 記号
Ｎ１，Ｎ２，Ｎ３，Ｎ４，Ｎ５ （出力層の）ニューロン

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】