特許 7394545 非破壊検査システム、学習済みの排ガス処理フィルタ検査モデルの製造方法、および学習用データの生成方法

(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】2023-11-30

(45)【発行日】2023-12-08

(54)【発明の名称】非破壊検査システム、学習済みの排ガス処理フィルタ検査モデルの製造方法、および学習用データの生成方法

(51)【国際特許分類】

   G01N 29/06 20060101AFI20231201BHJP

   G01N 21/88 20060101ALI20231201BHJP

   G01N 23/04 20180101ALI20231201BHJP

   G01N 23/046 20180101ALI20231201BHJP

   G06N 20/00 20190101ALI20231201BHJP

【ＦＩ】

G01N29/06

G01N21/88 Z

G01N23/04

G01N23/046

G06N20/00 130

【請求項の数】 17

(21)【出願番号】P 2019114729

(22)【出願日】2019-06-20

(65)【公開番号】P2021001774

(43)【公開日】2021-01-07

【審査請求日】2022-03-29

(73)【特許権者】

【識別番号】000001236

【氏名又は名称】株式会社小松製作所

(74)【代理人】

【識別番号】110001195

【氏名又は名称】弁理士法人深見特許事務所

(72)【発明者】

【氏名】浅野 英久

(72)【発明者】

【氏名】二宮 悠

(72)【発明者】

【氏名】伊藤 達志

(72)【発明者】

【氏名】大西 哲雄

【審査官】村田 顕一郎

(56)【参考文献】

【文献】特開２０１０－２７０６５９（ＪＰ，Ａ）

【文献】米国特許第０７８４９７４７（ＵＳ，Ｂ２）

【文献】特開２００１－２０１４６５（ＪＰ，Ａ）

【文献】国際公開第２０１９／１０２８９２（ＷＯ，Ａ１）

【文献】特開２０１２－０８８２７３（ＪＰ，Ａ）

【文献】特開平０９－１７１００６（ＪＰ，Ａ）

【文献】特開平０８－０９６１３６（ＪＰ，Ａ）

【文献】特開平１０－０６２３５７（ＪＰ，Ａ）

【文献】中国特許出願公開第１０８３６２７７２（ＣＮ，Ａ）

【文献】丸山 宏，機械学習工学に向けて，日本ソフトウェア科学会第34回大会講演論文集，日本，日本ソフトウェア科学会，2017年，< URL:http://jssst.or.jp/files/user/taikai/2017/GENERAL/general6-1.pdf >

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｎ ２９／００－２９／５２

Ｇ０１Ｎ ２１／８８

Ｇ０１Ｎ ２３／０４－２３／０４６

Ｆ０１Ｎ １１／００

Ｆ０１Ｎ ３／０２１－３／０２３

Ｇ０６Ｎ ２０／００－２０／２０

(57)【特許請求の範囲】

【請求項1】

排ガス処理フィルタの非破壊検査システムであって、
使用後の前記排ガス処理フィルタを非破壊試験するための非破壊試験装置と、
前記非破壊試験が行なわれた使用後の前記排ガス処理フィルタの再生使用可否を判定するための学習済み排ガス処理フィルタ検査モデルを有する、コンピュータとを備え、
前記学習済み排ガス処理フィルタ検査モデルは、学習用データセットを用いた学習処理により生成され、前記学習用データセットは、前記非破壊試験装置による使用後の前記排ガス処理フィルタの前記非破壊試験の結果を表す試験結果データに対して、前記非破壊試験が行なわれた使用後の前記排ガス処理フィルタの再生使用可否を判定した使用可否判定結果データをラベル付けした学習用データを複数含み、
前記コンピュータは、前記試験結果データを取得し、前記学習済み排ガス処理フィルタ検査モデルを用いて前記試験結果データから使用後の前記排ガス処理フィルタの再生使用可否を推定した使用可否推定結果を出力する、非破壊検査システム。

【請求項2】

前記学習済み排ガス処理フィルタ検査モデルは、前記試験結果データが入力されると、前記試験結果データから前記使用可否推定結果を出力するように、学習用データセットを用いた学習処理がなされている、請求項１に記載の非破壊検査システム。

【請求項3】

前記非破壊試験は、超音波探傷試験を含む、請求項１または２に記載の非破壊検査システム。

【請求項4】

前記非破壊試験は、Ｘ線透過試験と、Ｘ線コンピュータ断層撮影試験との少なくともいずれか１つをさらに含む、請求項３に記載の非破壊検査システム。

【請求項5】

前記排ガス処理フィルタは、前記排ガス処理フィルタに排ガスが流入する入口端と、前記排ガス処理フィルタから前記排ガスが流出する出口端とを有し、
前記非破壊試験は、前記入口端を撮像した入口画像と前記出口端を撮像した出口画像とを解析する画像解析をさらに含む、請求項３または４に記載の非破壊検査システム。

【請求項6】

学習済みの排ガス処理フィルタ検査モデルの製造方法であって、
使用後の排ガス処理フィルタの非破壊試験の結果を表す試験結果データと、前記非破壊試験が行なわれた使用後の前記排ガス処理フィルタの再生使用可否を判定した使用可否判定結果データと、の組み合わせを含む学習用データを取得することと、
取得した複数の前記学習用データに基づき、前記試験結果データを入力とし、使用後の前記排ガス処理フィルタの再生使用可否に関する値を出力とする、前記排ガス処理フィルタ検査モデルを生成することと、を備える、製造方法。

【請求項7】

前記排ガス処理フィルタ検査モデルを生成することは、
前記排ガス処理フィルタ検査モデルに、前記試験結果データを入力して、使用後の前記排ガス処理フィルタの再生使用可否を推定した使用可否推定結果の出力を得ることと、
前記排ガス処理フィルタ検査モデルに入力された前記試験結果データに対応する前記使用可否判定結果データと、前記使用可否推定結果と、を比較した比較結果を求めることと、
前記比較結果に基づいて前記排ガス処理フィルタ検査モデルを更新することと、を含む、請求項６に記載の製造方法。

【請求項8】

検査対象の使用後の排ガス処理フィルタが再生使用可能か否かを判定する排ガス処理フィルタ検査モデルを学習させるための学習用データの生成方法であって、
使用後の前記排ガス処理フィルタの非破壊試験の結果を表す試験結果データを取得することと、
前記非破壊試験が行なわれた使用後の前記排ガス処理フィルタの再生使用可否を判定した使用可否判定結果データを取得することと、を備える、学習用データの生成方法。

【請求項9】

前記非破壊試験は、超音波探傷試験を含み、
前記試験結果データを取得することは、前記超音波探傷試験の結果を表す超音波探傷試験結果データを取得することを含む、請求項８に記載の学習用データの生成方法。

【請求項10】

前記試験結果データを取得することは、前記排ガス処理フィルタの長さを横軸とし、エコーレベルを縦軸として、前記超音波探傷試験結果データをプロットしたグラフを作成することを含む、請求項９に記載の学習用データの生成方法。

【請求項11】

前記試験結果データを取得することは、前記グラフの一部を着色することを含む、請求項１０に記載の学習用データの生成方法。

【請求項12】

前記試験結果データを取得することは、前記超音波探傷試験結果データから前記排ガス処理フィルタの長さ方向の一部のデータを抽出した抽出データを生成することを含む、請求項９～１１のいずれか１項に記載の学習用データの生成方法。

【請求項13】

前記排ガス処理フィルタは、前記排ガス処理フィルタに排ガスが流入する入口端と、前記排ガス処理フィルタから前記排ガスが流出する出口端とを有し、
前記非破壊試験は、前記入口端を撮像した入口画像と前記出口端を撮像した出口画像とを解析する画像解析をさらに含み、
前記試験結果データを取得することは、前記入口画像を取得することと、前記出口画像を取得することと、を含む、請求項９に記載の学習用データの生成方法。

【請求項14】

前記試験結果データを取得することは、前記入口画像の一部をトリミングした部分入口画像を生成することと、前記出口画像の一部をトリミングした部分出口画像を生成することとを含む、請求項１３に記載の学習用データの生成方法。

【請求項15】

前記非破壊試験は、Ｘ線コンピュータ断層撮影試験を含み、
前記試験結果データを取得することは、前記Ｘ線コンピュータ断層撮影試験の結果を表す断面像データを取得することを含む、請求項９に記載の学習用データの生成方法。

【請求項16】

前記試験結果データを取得することは、前記断面像データの一部をトリミングした部分断面像データを取得することを含む、請求項１５に記載の学習用データの生成方法。

【請求項17】

使用後の排ガス処理フィルタの非破壊試験の結果を表す試験結果データを取得することと、
学習済みの第１の排ガス処理フィルタ検査モデルに、前記試験結果データを入力して、使用後の前記排ガス処理フィルタの再生使用可否を推定した使用可否推定結果の出力を得ることと、
前記試験結果データと、前記使用可否推定結果とを含む学習用データにより、第２の排ガス処理フィルタ検査モデルを学習させることと、を備える、学習済みの排ガス処理フィルタ検査モデルの製造方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、非破壊検査システム、学習済みの排ガス処理フィルタ検査モデルの製造方法、および学習用データの生成方法に関する。

【背景技術】

【0002】

従来、米国特許第７８４９７４７号明細書（特許文献１）には、ディーゼル微粒子捕集フィルタに用いられるセラミックモノリスを超音波探傷する技術が記載されている。

【先行技術文献】

【特許文献】

【0003】

【文献】米国特許第７８４９７４７号明細書

【発明の概要】

【発明が解決しようとする課題】

【0004】

作業機械は、一般的に動力源としてディーゼルエンジンを使用している。ディーゼルエンジンから排出される粒子状物質（Particulate Matter；ＰＭ）は、普通自動車と同様に、ディーゼル微粒子捕集フィルタ（Diesel Particulate Filter；ＤＰＦ）などで排ガスから除去されている。除去された粒子状物質は主に燃焼で生成された煤であるため、ＤＰＦ内で燃焼処理されている。

【0005】

ＰＭには主成分の煤以外に不燃物が含まれているため、不燃物がＤＰＦ内に蓄積する。そのためＤＰＦは、使用開始から所定時間経過後に交換される。普通自動車では新品のＤＰＦに交換されるが、作業機械では使用後に洗滌処理した再生品のＤＰＦが普及している。使用後のＤＰＦは、洗滌処理の前に、超音波探傷などの非破壊検査により、割れ等の欠陥がないか検査されている。

【0006】

超音波探傷試験の出力データは、超音波が被検体に発信されてからの経過時間と反射されて戻ってきた超音波の強さとのチャートで示される。試験員は、このチャートを見て、フィルタの欠陥の有無を判断するが、人により誤判定の頻度が高い。そのため、再生使用可否の判定基準を過剰に厳しくして不良品の再生を防いでおり、実際には再生使用可能な製品を廃棄している可能性が高い。

【0007】

本開示では、排ガス処理フィルタの使用可否を判定する精度を向上するための、非破壊検査システム、学習済みの排ガス処理フィルタ検査モデルの製造方法、および学習用データの生成方法が提供される。

【課題を解決するための手段】

【0008】

本開示のある局面に従うと、排ガス処理フィルタの非破壊検査システムが提供される。非破壊検査システムは、排ガス処理フィルタを非破壊試験するための非破壊試験装置と、コンピュータとを備えている。コンピュータは、非破壊試験が行なわれた排ガス処理フィルタの使用可否を判定するための、学習済み排ガス処理フィルタ検査モデルを有している。コンピュータは、非破壊試験装置による排ガス処理フィルタの非破壊試験の結果を表す試験結果データを取得し、学習済み排ガス処理フィルタ検査モデルを用いて試験結果データから排ガス処理フィルタの使用可否を推定した使用可否推定結果を出力する。

【0009】

本開示のある局面に従うと、学習済みの排ガス処理フィルタ検査モデルの製造方法が提供される。製造方法は、以下の処理を含んでいる。第１の処理は、排ガス処理フィルタの非破壊試験の結果を表す試験結果データと、非破壊試験が行なわれた排ガス処理フィルタの使用可否を判定した使用可否判定結果データと、の組み合わせを含む学習用データを取得することである。第２の処理は、取得した複数の学習用データに基づき、試験結果データを入力とし、排ガス処理フィルタの使用可否に関する値を出力とする、排ガス処理フィルタ検査モデルを生成することである。

【0010】

本開示のある局面に従うと、検査対象の排ガス処理フィルタが使用可能か否かを判定する排ガス処理フィルタ検査モデルを学習させるための、学習用データの生成方法が提供される。生成方法は、以下の処理を備えている。第１の処理は、排ガス処理フィルタの非破壊試験の結果を表す試験結果データを取得することである。第２の処理は、非破壊試験が行なわれた排ガス処理フィルタの使用可否を判定した使用可否判定結果データを取得することである。

【0011】

本開示のある局面に従うと、学習済みの排ガス処理フィルタ検査モデルの製造方法が提供される。製造方法は、以下の処理を備えている。第１の処理は、排ガス処理フィルタの非破壊試験の結果を表す試験結果データを取得することである。第２の処理は、学習済みの第１の排ガス処理フィルタ検査モデルに、試験結果データを入力して、排ガス処理フィルタの使用可否を推定した使用可否推定結果の出力を得ることである。第３の処理は、試験結果データと、使用可否推定結果とを含む学習用データにより、第２の排ガス処理フィルタ検査モデルを学習させることである。

【発明の効果】

【0012】

本開示に従えば、排ガス処理フィルタの使用可否を判定する精度を向上することができる。

【図面の簡単な説明】

【0013】

【図1】排ガス後処理装置の概略構成を示す模式図である。

【図2】コンピュータの構成の一例を示すブロック図である。

【図3】学習用コンピュータの構成の一例を示すブロック図である。

【図4】学習用コンピュータの機能的構成を説明するための機能ブロック図である。

【図5】学習用コンピュータにおける学習処理の処理手順を示すフローチャートである。

【図6】排ガス処理フィルタ検査モデルを学習させるための処理を示す概略図である。

【図7】超音波探傷試験機で取得された試験結果のデータに対する前処理の処理手順を示すフローチャートである。

【図8】点群データの一例を示すグラフである。

【図9】抽出データの一例を示すグラフである。

【図10】不合格品の抽出データの一例を示すグラフである。

【図11】条件付き合格品の抽出データの一例を示すグラフである。

【図12】撮像装置で取得された画像データに対する前処理の処理手順を示すフローチャートである。

【図13】入口画像の一例を示す図である。

【図14】出口画像の一例を示す図である。

【図15】Ｘ線撮像装置で取得されたＸ線像データに対する前処理の処理手順を示すフローチャートである。

【図16】合格品の透過像データの一例を示す図である。

【図17】条件付き合格品の透過像データの一例を示す図である。

【図18】不合格品の断面像データの一例を示す図である。

【図19】判定用コンピュータの機能的構成を説明するための機能ブロック図である。

【図20】判定用コンピュータにおける推定処理の処理手順を示すフローチャートである。

【図21】排ガス処理フィルタ検査モデルによる排ガス処理フィルタの使用可否を推定するための処理を示す概略図である。

【図22】蒸留モデルを生成するための処理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】

【0014】

以下、実施形態について図に基づいて説明する。以下の説明では、同一部品には、同一の符号を付している。それらの名称および機能も同じである。したがって、それらについての詳細な説明は繰り返さない。

【0015】

［排ガス後処理装置１の構成］
図１は、排ガス後処理装置１の概略構成を示す模式図である。排ガス後処理装置１は、ディーゼルエンジン（以下「エンジン」と記す）１０の排ガス中に含まれる残留物質の処理を行なって、排ガスを浄化する装置である。この残留物質は、たとえば、粒子状物質（Particulate Matter；ＰＭ）、窒素酸化物（ＮＯｘ）などである。排ガス後処理装置１は、ＰＭの捕集、ＮＯｘの還元などの処理を行なって、排ガスを浄化する。

【0016】

排ガス後処理装置１は、ディーゼル微粒子捕集フィルタ（Diesel particulate filter；ＤＰＦ）装置２と、選択的触媒還元（Selective Catalytic Reduction；ＳＣＲ）装置３とを備えている。ＤＰＦ装置２と、ＳＣＲ装置３とは、エンジン１０の排ガスが流れる排気管１１に連結されている。ＤＰＦ装置２とＳＣＲ装置３とは、図１中に矢印で示される排ガスの流れる方向において、この順に配置されている。ＳＣＲ装置３は、排ガスの流れ方向において、ＤＰＦ装置２の下流側に配置されている。

【0017】

ＤＰＦ装置２は、ディーゼル酸化触媒（Diesel Oxidation Catalyst；ＤＯＣ）２１と、触媒化スートフィルタ（Catalyzed Soot Filter；ＣＳＦ）２２とを備えている。

【0018】

ＤＯＣ２１は、排ガス中に必要に応じて供給されるドージング燃料を酸化、発熱させて、排ガス温度を所定の高温域まで上昇させる触媒である。この温度上昇した排ガスを利用することで、後述するＣＳＦ２２に堆積したＰＭを自己燃焼させて焼却除去し、ＣＳＦ２２を再生させる。

【0019】

ドージング燃料は、内燃機関がディーゼルエンジンの場合、たとえばエンジン燃料と同じ軽油である。ドージング燃料は、たとえば、排気管１１に設けられたドージング用の燃料噴射装置（図示略）により排ガス中に供給され、排ガスと共にＤＰＦ装置２内に流入する。

【0020】

ＣＳＦ２２は、排ガス中のＰＭを捕集するフィルターである。ＣＳＦ２２は、ＣＳＦ２２に排ガスが流入する入口端２２Ａと、ＣＳＦ２２から排ガスが流出する出口端２２Ｂとを有している。ＣＳＦ２２は、実施形態における排ガス処理フィルタに相当する。

【0021】

ＣＳＦ２２は、詳細な図示を省略するが、多数の小孔を有するハニカム構造を有している。ＣＳＦ２２の小孔は、入口端２２Ａから出口端２２Ｂに向かって延びている。ＣＳＦ２２の小孔の断面は、多角形状（たとえば四角形状、六角形状など）に形成されている。

【0022】

ＣＳＦ２２の小孔は、入口端２２Ａで開口して出口端２２Ｂで閉塞されたものと、入口端２２Ａで閉塞されて出口端２２Ｂで開口したものとが交互に配置されている。入口端２２Ａで開口した小孔から、排ガスがＣＳＦ２２に流入する。排ガスは、隣り合う小孔を隔てる境界壁を通過して、出口端２２Ｂで開口した小孔へ流れ、出口端２２ＢでＣＳＦ２２から流出する。そして、その境界壁でＰＭが捕集される。

【0023】

ＣＳＦ２２の材質は、たとえば、コージェライトや炭化珪素などのセラミックスであり、用途に応じて適宜決定される。ＣＳＦ２２の入口側に、ＤＯＣ２１とは材質の異なる酸化触媒がウォッシュコート等によりコーティングされていてもよい。

【0024】

ＳＣＲ装置３は、脱硝触媒３１と、アンモニア酸化触媒３２とを備えている。
脱硝触媒３１は、還元剤供給装置から排気管１１中に噴射される尿素水の分解で得られるアンモニアを還元剤とすることで、排ガス中の窒素酸化物（ＮＯｘ）を還元除去する触媒である。

【0025】

脱硝触媒３１の下流側に配置されるアンモニア酸化触媒３２は、脱硝触媒３１での還元反応に使用されなかったアンモニアを酸化処理して無害化する触媒であり、排ガス中の有害成分をより低減する。

【0026】

［コンピュータ１００の構成］
次に、排ガス処理フィルタ（ＣＳＦ２２）を非破壊検査するための実施形態の非破壊検査システムに含まれる、コンピュータ１００の構成について説明する。図２は、コンピュータ１００の構成の一例を示すブロック図である。

【0027】

図２に示されるように、コンピュータ１００は、主要なハードウェア要素として、ディスプレイ１０２と、プロセッサ１０４と、メモリ１０６と、ネットワークコントローラ１０８と、ストレージ１１０と、光学ドライブ１２２と、入力装置１２６とを含む。入力装置１２６は、キーボード１２７と、マウス１２８とを含む。入力装置１２６はタッチパネルを備えていてもよい。

【0028】

ディスプレイ１０２は、コンピュータ１００での処理に必要な情報を表示する。ディスプレイ１０２は、たとえば、ＬＣＤ（Liquid Crystal Display）や有機ＥＬ（Electroluminescence）ディスプレイなどで構成される。

【0029】

プロセッサ１０４は、各種プログラムを実行することで、コンピュータ１００の実現に必要な処理を実行する演算主体である。プロセッサ１０４としては、たとえば、１または複数のＣＰＵ（Central Processing Unit）またはＧＰＵ（Graphics Processing Unit）などで構成される。複数のコアを有するＣＰＵまたはＧＰＵを用いてもよい。

【0030】

メモリ１０６は、プロセッサ１０４がプログラムを実行するにあたって、プログラムコードやワークメモリなどを一時的に格納する記憶領域を提供する。メモリ１０６としては、たとえば、ＤＲＡＭ（Dynamic Random Access Memory）またはＳＲＡＭ（Static Random Access Memory）などの揮発性メモリデバイスを用いてもよい。

【0031】

ネットワークコントローラ１０８は、後述する非破壊試験装置２００および学習用コンピュータ３００を含む、任意の外部の装置との間でデータを送受信する。ネットワークコントローラ１０８は、たとえば、イーサネット（登録商標）、無線ＬＡＮ（Local Area Network）、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの任意の通信方式に対応するようにしてもよい。

【0032】

ストレージ１１０は、プロセッサ１０４で実行されるＯＳ（Operating System）１１２、所定の機能構成を実現するためのアプリケーションプログラム１１４、学習済モデル１１６などを格納する。ストレージ１１０としては、たとえば、ハードディスク、ＳＳＤ（Solid State Drive）などの不揮発性メモリデバイスを用いてもよい。

【0033】

アプリケーションプログラム１１４をプロセッサ１０４で実行する際に必要となるライブラリや機能モジュールの一部を、ＯＳ１１２が標準で提供するライブラリまたは機能モジュールを用いるようにしてもよい。この場合には、アプリケーションプログラム１１４単体では、対応する機能を実現するために必要なプログラムモジュールのすべてを含むものにはならないが、ＯＳ１１２の実行環境下にインストールされることで、所定の機能構成を実現できることになる。そのため、このような一部のライブラリまたは機能モジュールを含まないプログラムであっても、本発明の技術的範囲に含まれ得る。

【0034】

光学ドライブ１２２は、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ（Digital Versatile Disc）などの光学ディスク１２４に格納されている、プログラムなどの情報を読み出す。光学ディスク１２４は、非一過的（non-transitory）な記録媒体の一例であり、任意のプログラムを不揮発的に格納した状態で流通する。光学ドライブ１２２が光学ディスク１２４からプログラムを読み出して、ストレージ１１０にインストールすることで、本実施形態に従うコンピュータ１００を構成できる。したがって、本発明の主題は、ストレージ１１０などにインストールされたプログラム自体、または、本実施形態に従う機能や処理を実現するためのプログラムを格納した光学ディスク１２４などの記録媒体でもあり得る。

【0035】

図２には、非一過的な記録媒体の一例として、光学ディスク１２４などの光学記録媒体を示すが、これに限らず、フラッシュメモリなどの半導体記録媒体、ハードディスクまたはストレージテープなどの磁気記録媒体、ＭＯ（Magneto-Optical disk）などの光磁気記録媒体を用いてもよい。

【0036】

または、コンピュータ１００を実現するためのプログラムは、上述したような任意の記録媒体に格納されて流通するだけでなく、インターネットまたはイントラネットを介してサーバ装置などからダウンロードすることで配布されてもよい。

【0037】

図２には、汎用コンピュータ（プロセッサ１０４）がアプリケーションプログラム１１４を実行することでコンピュータ１００を実現する構成例を示すが、コンピュータ１００を実現するために必要な機能の全部または一部を、集積回路などのハードワイヤード回路（hard-wired circuit）を用いて実現してもよい。たとえば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field-Programmable Gate Array）などを用いて実現してもよい。

【0038】

［学習用コンピュータ３００の構成］
次に、検査対象の排ガス処理フィルタ（ＣＳＦ２２）が再生使用可能か否かを判定する排ガス処理フィルタ検査モデルを学習させるための、学習用コンピュータ３００の構成について説明する。図３は、学習用コンピュータ３００の構成の一例を示すブロック図である。

【0039】

図３に示されているように、学習用コンピュータ３００は、主要なハードウェア要素として、ディスプレイ３０２と、プロセッサ３０４と、メモリ３０６と、ネットワークコントローラ３０８と、ストレージ３１０と、入力装置３３０とを含む。

【0040】

ディスプレイ３０２は、学習用コンピュータ３００での処理に必要な情報を表示する。ディスプレイ３０２は、たとえば、ＬＣＤや有機ＥＬディスプレイなどで構成される。

【0041】

プロセッサ３０４は、各種プログラムを実行することで、学習用コンピュータ３００の実現に必要な処理を実行する演算主体である。プロセッサ３０４としては、たとえば、１または複数のＣＰＵまたはＧＰＵなどで構成される。複数のコアを有するＣＰＵまたはＧＰＵを用いてもよい。学習用コンピュータ３００においては、学習済モデルを生成するための学習処理に適したＧＰＵなどを採用することが好ましい。

【0042】

メモリ３０６は、プロセッサ３０４がプログラムを実行するにあたって、プログラムコードやワークメモリなどを一時的に格納する記憶領域を提供する。メモリ３０６としては、たとえば、ＤＲＡＭまたはＳＲＡＭなどの揮発性メモリデバイスを用いてもよい。

【0043】

ネットワークコントローラ３０８は、コンピュータ１００および非破壊試験装置２００を含む任意の外部の装置との間でデータを送受信する。ネットワークコントローラ３０８は、たとえば、イーサネット、無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈなどの任意の通信方式に対応するようにしてもよい。

【0044】

ストレージ３１０は、プロセッサ３０４にて実行されるＯＳ３１２、所定の機能構成を実現するためのアプリケーションプログラム３１４、非破壊試験結果データ３２０および使用可否判定結果データ３２２から学習用データセット３２４を生成するための前処理プログラム３１６、ならびに、学習用データセット３２４を用いて学習済モデル３２６を生成するための学習用プログラム３１８などを格納する。

【0045】

なお、説明の便宜上、コンピュータ１００に格納されている学習済モデルと、学習用コンピュータ３００が生成する学習済モデルとに対しては、互いに異なる参照符号（１１６，３２６）を付している。しかしながら、コンピュータ１００に格納されている学習済モデル１１６は学習用コンピュータ３００から送信（配布）された学習済モデルであるため、２つの学習済モデル１１６，３２６は実質的に同一である。詳しくは、学習済モデル１１６と学習済モデル３２６とは、ネットワーク構造と学習済パラメータとが実質的に同一である。

【0046】

学習用データセット３２４は、非破壊試験結果データ３２０に使用可否判定結果データ３２２をラベル（または、タグ）として付与した訓練データセットである。また、学習済モデル３２６は、学習用データセット３２４を用いて学習処理を実行することで得られる推定モデルである。

【0047】

ストレージ３１０としては、たとえば、ハードディスク、ＳＳＤなどの不揮発性メモリデバイスを用いてもよい。

【0048】

アプリケーションプログラム３１４、前処理プログラム３１６および学習用プログラム３１８をプロセッサ３０４で実行する際に必要となるライブラリや機能モジュールの一部を、ＯＳ３１２が標準で提供するライブラリまたは機能モジュールを用いるようにしてもよい。この場合には、アプリケーションプログラム３１４、前処理プログラム３１６および学習用プログラム３１８の各単体では、対応する機能を実現するために必要なプログラムモジュールのすべてを含むものにはならないが、ＯＳ３１２の実行環境下にインストールされることで、所定の機能構成を実現できることになる。そのため、このような一部のライブラリまたは機能モジュールを含まないプログラムであっても、本発明の技術的範囲に含まれ得る。

【0049】

アプリケーションプログラム３１４と、前処理プログラム３１６と、学習用プログラム３１８とは、光学ディスクなどの光学記録媒体、フラッシュメモリなどの半導体記録媒体、ハードディスクまたはストレージテープなどの磁気記録媒体、ならびにＭＯなどの光磁気記録媒体といった非一過的な記録媒体に格納されて流通し、ストレージ３１０にインストールされてもよい。したがって、本発明の主題は、ストレージ３１０などにインストールされたプログラム自体、または、本実施の形態に従う機能や処理を実現するためのプログラムを格納した記録媒体でもあり得る。

【0050】

または、学習用コンピュータ３００を実現するためのプログラムは、上述したような任意の記録媒体に格納されて流通するだけでなく、インターネットまたはイントラネットを介してサーバ装置などからダウンロードすることで配布されてもよい。

【0051】

入力装置３３０は、各種の入力操作を受け付ける。入力装置３３０としては、たとえば、キーボード、マウス、タッチパネルなどを用いてもよい。

【0052】

図３には、汎用コンピュータ（プロセッサ３０４）がアプリケーションプログラム３１４、前処理プログラム３１６および学習用プログラム３１８を実行することで学習用コンピュータ３００を実現する構成例を示すが、学習用コンピュータ３００を実現するために必要な機能の全部または一部を、集積回路などのハードワイヤード回路を用いて実現してもよい。たとえば、ＡＳＩＣやＦＰＧＡなどを用いて実現してもよい。

【0053】

［学習処理］
学習用コンピュータ３００によって実行される学習処理について説明する。具体的には、学習済モデル３２６の製造方法について説明する。図４は、学習用コンピュータ３００の機能的構成を説明するための機能ブロック図である。

【0054】

図４に示されるように、学習用コンピュータ３００は、入力受付部３５０と、制御部３６０と、通信ＩＦ（Interface）部３７０とを備える。制御部３６０は、学習部３６２を備える。学習部３６２は、学習用のモデル３６６と、学習用プログラム３６８とを備える。学習用のモデル３６６は、ネットワーク構造３６６Ｎとパラメータ３６６Ｐとで構成される。ネットワーク構造３６６Ｎは予め構築され、学習用コンピュータ３００に格納されている。

【0055】

入力受付部３５０は、学習用データセット３２４の入力を受け付ける。学習用データセット３２４は、学習用の非破壊試験結果データと、教師データとしての使用可否判定結果データとを含む。詳しくは、学習用データセット３２４は、複数のデータの組（学習用データ）を含み、各組（各学習用データ）が、学習用の非破壊試験結果データと教師データとしての使用可否判定結果データとを含む。なお、学習用データセットの複数のデータの組のうちの一部の組を、学習済モデルの精度を評価するために用いてもよい。

【0056】

制御部３６０は、学習用コンピュータ３００の全体的な動作を制御する。
制御部３６０内の学習部３６２は、学習済モデル３２６を生成する。学習済モデル３２６の生成について説明すると、以下のとおりである。

【0057】

学習部３６２は、学習用データセット３２４を用いた機械学習により、学習用のモデル３６６のパラメータ３６６Ｐの値を更新する。具体的には、学習部３６２は、学習用プログラム３６８を用いることにより、パラメータ３６６Ｐの値を更新する。パラメータ３６６Ｐの更新は、学習に用いたデータの組（評価用のデータの組を除く）の数だけ、繰り返される。

【0058】

学習が終了すると、学習済モデル３２６が得られる。学習済モデル３２６は、ネットワーク構造３６６Ｎと、学習済パラメータとを有する。更新が完了したパラメータ３６６Ｐが、学習済パラメータに対応する。

【0059】

生成された学習済モデル３２６は、通信ＩＦ部３７０を介して、コンピュータ１００に送信される。上述したように、コンピュータ１００に送信された学習済モデル３２６を、説明の便宜上、「学習済モデル１１６」と称する。

【0060】

図５は、学習用コンピュータ３００における学習処理の処理手順を示すフローチャートである。図５に示す各ステップは、典型的には、学習用コンピュータ３００のプロセッサ３０４がＯＳ３１２、アプリケーションプログラム３１４、前処理プログラム３１６、および学習用プログラム３１８（いずれも図３参照）を実行することで実現されてもよい。

【0061】

図５に示されるように、ステップＳ１において、学習用コンピュータ３００は、非破壊試験結果データ３２０を取得する。

【0062】

図６は、排ガス処理フィルタ検査モデルを学習させるための処理を示す概略図である。図６に示されるように、非破壊検査システムは、非破壊試験装置２００を備えている。非破壊試験装置２００は、超音波探傷試験機２１０、撮像装置２２０、およびＸ線ＣＴ（computerized tomography）スキャナ２３０を含んでいる。非破壊試験装置２００は、Ｘ線ＣＴスキャナ２３０に替えて、またはこれに加えて、Ｘ線透過装置２４０を含んでもよい。

【0063】

超音波探傷試験機２１０は、探傷子を有する。探傷子は、超音波のパルスを発信し、かつ、反射エコーを受信する。ＣＳＦ２２の入口端２２Ａに配置された探傷子から超音波を発信する場合、欠陥に当たらなかった超音波は、出口端２２Ｂで反射して戻って、ＣＳＦ２２の長さに相当する距離に反射エコーの波形が現れる。ＣＳＦ２２の内部に欠陥が存在する場合、欠陥で反射した反射エコーの波形の頂点が、ＣＳＦ２２の長さよりも距離の短い位置に現れる。このように、反射エコーの波形の頂点の位置に基づいて、ＣＳＦ２２内部の欠陥の存在と、欠陥の位置とが検知される。

【0064】

撮像装置２２０は、撮像対象の光学像を取得して、その撮像対象の外形を検出する。撮像装置は、ＣＣＤ（Charge-Coupled Device）イメージセンサまたはＣＭＯＳ（Complementary Metal Oxide Semiconductor）イメージセンサのような撮像素子を含む。実施形態の撮像装置２２０は、ＣＳＦ２２、より特定的にはＣＳＦ２２の入口端２２Ａおよび出口端２２Ｂを撮像する。

【0065】

Ｘ線ＣＴスキャナ２３０は、撮像対象のＣＳＦ２２にＸ線を照射して、ＣＳＦ２２を透過したＸ線の検出信号を処理することで、ＣＳＦ２２の内部の断面像データを生成する。生成された断面像データから、ＣＳＦ２２の内部に割れまたは熔解などの欠陥が発生していたり、ＣＳＦ２２の小孔内に煤または不燃物が詰まって小孔が閉塞しているなどの、検査対象のＣＳＦ２２をそのまま再生使用できない事態が発生していることが検知される。

【0066】

Ｘ線透過装置２４０は、撮像対象のＣＳＦ２２にＸ線を照射して、ＣＳＦ２２を透過したＸ線の検出信号を処理することで、ＣＳＦ２２の内部全体の透過像データを生成する。生成された透過像データから、ＣＳＦ２２の内部に割れまたは熔解などの欠陥が発生していたり、ＣＳＦ２２の小孔内に煤または不燃物が詰まって小孔が閉塞しているなどの、検査対象のＣＳＦ２２をそのまま再生使用できない事態が発生していることが検知される。

【0067】

非破壊試験装置２００は、学習用コンピュータ３００、具体的にはネットワークコントローラ３０８に、非破壊試験の結果を表す非破壊試験結果データ３２０を送信する。具体的には、超音波探傷試験機２１０は、学習用コンピュータ３００に、超音波探傷試験結果データ３２０Ａを送信する。撮像装置２２０は、学習用コンピュータ３００に、出入口画像データ３２０Ｂを送信する。Ｘ線ＣＴスキャナ２３０は、学習用コンピュータ３００に、断面像データ３２０Ｃを送信する。Ｘ線透過装置２４０は、学習用コンピュータ３００に、透過像データ３２０Ｄを送信する。

【0068】

超音波探傷試験結果データ３２０Ａは、１つのＣＳＦ２２に対する１０のデータを含む。この１０のデータは、１つのＣＳＦ２２の入口端２２Ａの５箇所、典型的には入口端２２Ａの中央の１箇所と等間隔に離れた周辺の４箇所とに、探傷子を配置した５つのデータを含む。１０のデータはまた、同じ１つのＣＳＦ２２の出口端２２Ｂの５箇所、典型的には出口端２２Ｂの中央の１箇所と等間隔に離れた周辺の４箇所とに、探傷子を配置した５つのデータを含む。

【0069】

図３に示される前処理プログラム３１６は、超音波探傷試験機２１０から学習用コンピュータ３００に入力された複数のデータの各々に対して、前処理を実行する。図７は、超音波探傷試験機２１０で取得された試験結果のデータに対する前処理の処理手順を示すフローチャートである。

【0070】

図７に示されるように、ステップＳ１０１において、学習用コンピュータ３００は、超音波探傷試験機２１０から、１つの超音波探傷試験結果データ３２０Ａを取得する。次にステップＳ１０２において、学習用コンピュータ３００は、ステップＳ１０１で取得した超音波探傷試験結果データ３２０Ａを直交座標平面上に描画した点群データを生成する。

【0071】

図８は、点群データの一例を示すグラフである。図８に示されるグラフの横軸は、ＣＳＦ２２の長さを示す。ＣＳＦ２２の両端のうち、探傷子の配置されている側の端部が、横軸の座標ゼロに相当する。図８に示されるグラフの縦軸は、探傷子が受信したエコーレベルを示す。学習用コンピュータ３００は、図８に示される直交座標平面上に超音波探傷試験結果データ３２０Ａをプロットしたグラフである、点群データを作成する。図８に描画されている各点のデータは、ＣＳＦ２２の長さ方向におけるある一点で反射した反射エコーの大きさを示している。

【0072】

図７に戻って、ステップＳ１０３において、学習用コンピュータ３００は、図８に示される点群データの各点同士を結ぶ直線を描画した折れ線データを生成する。ステップＳ１０４において、学習用コンピュータ３００は、生成した折れ線データの一部を着色する。ステップＳ１０５において、学習用コンピュータ３００は、ステップＳ１０３で生成されステップＳ１０４で一部が着色された折れ線データから、ＣＳＦ２２の長さ方向の一部のデータを抽出した抽出データを生成する。

【0073】

図９は、抽出データの一例を示すグラフである。図９に示される抽出データは、図８に示される領域Ａ１内のデータを抽出し、領域Ａ１内に含まれる点群を結ぶ直線を描画して生成されている。横軸の座標ゼロ付近は不感帯でありデータの精度が低いので、不感帯のデータを取り除くことにより、ＣＳＦ２２の使用可否の判定において価値の高い箇所の分解能を上げることができ、これにより使用可否の判定の精度が向上する。

【0074】

図８に示される散布図と比較して、各プロットを直線で結んだ折れ線データを生成することにより、反射エコーの波形の頂点を容易に認識することが可能になる。これにより、使用可否の判定の精度が向上する。

【0075】

図９には、エコーレベルの閾値Ｔが示されている。閾値Ｔは、たとえば、超音波探傷試験結果データ３２０Ａに含まれる各データのエコーレベルのうち、最大のエコーレベルの５０％として、規定される。図９に示される抽出データは、エコーレベルが閾値Ｔ以上の範囲で、着色されている。このように着色することで、反射エコーの波形の頂点を正確に認識することが容易になるので、ＣＳＦ２２が内部に欠陥を有しているか否かをより正確に判定でき、したがってＣＳＦ２２の使用可否の判定の精度が向上する。

【0076】

図９に示される抽出データでは、ＣＳＦ２２の長さに相当する位置に反射エコーの波形の頂点がある。ＣＳＦ２２の一方端（たとえば入口端２２Ａ）において探傷子から発信された超音波が、ＣＳＦ２２の他方端（たとえば出口端２２Ｂ）にまで伝播して、他方端で反射して戻って、探傷子で受信されたことが示されている。この場合、ＣＳＦ２２の内部に割れまたは熔解などの欠陥は存在しておらず、合格品のＣＳＦ２２であると判定される。

【0077】

図１０は、不合格品の抽出データの一例を示すグラフである。図１０に示される抽出データでは、ＣＳＦ２２の長さ方向における途中の位置に反射エコーの波形の頂点がある。ＣＳＦ２２の一方端（たとえば入口端２２Ａ）において探傷子から発信された超音波が、ＣＳＦ２２の他方端（たとえば出口端２２Ｂ）までは伝播せずに、途中の位置で反射して戻って、探傷子で受信されたことが示されている。この場合、その途中の位置で超音波の伝播が遮られており、その途中の位置には割れなどの欠陥が有りＣＳＦ２２がつながっていないということになる。したがって、内部に欠陥が存在している不合格品のＣＳＦ２２であると判定される。

【0078】

図１１は、条件付き合格品の抽出データの一例を示すグラフである。図１１に示される抽出データでは、反射エコーの波形に明確な頂点がない。ＣＳＦ２２の小孔内に詰まった不燃焼成分が固まって固形状になり、超音波の散乱減衰量が大きくなったことで反射エコーの波形の頂点が取られなかったということになる。この場合、小孔内の詰まりを洗滌で解消できればＣＳＦ２２を再生使用可能であるため、条件付き合格品のＣＳＦ２２であると判定される。

【0079】

洗滌は、不燃焼成分を溶かすために適切な溶液を用いて行なわれてもよく、エアブローで不燃焼成分を飛ばすことで行なわれてもよい。洗滌に加えて、または洗滌に替えて、ＣＳＦ２２に熱を加えることで不燃焼成分を燃焼させて小孔内の詰まりを解消する処理を行なってもよい。

【0080】

このようにして前処理が実行された超音波探傷試験結果データ３２０Ａが、ストレージ３１０に格納され、非破壊試験結果データ３２０を構成する。

【0081】

図１２は、撮像装置２２０で取得された画像データに対する前処理の処理手順を示すフローチャートである。図１２に示されるように、ステップＳ１１１において、学習用コンピュータ３００は、撮像装置２２０から、撮像画像を取得する。具体的には、学習用コンピュータ３００は、ＣＳＦ２２の入口端２２Ａを撮像した入口画像と、ＣＳＦ２２の出口端２２Ｂを撮像した出口画像とを取得する。

【0082】

図１３は、入口画像の一例を示す図である。図１３には、ＣＳＦ２２の入口端２２Ａを撮像した静止画像が示されている。ＣＳＦ２２はステンレス製の保持管２８によって保持されており、保持管２８内に収容されている。そのため図１３に示される入口画像において、ＣＳＦ２２の周囲には、保持管２８が写り込んでいる。図１４は、出口画像の一例を示す図である。図１４には、ＣＳＦ２２の出口端２２Ｂを撮像した静止画像が示されている。

【0083】

図１２に戻って、次にステップＳ１１２において、入口画像および出口画像のトリミングが実行される。図１３，１４に示されるＣＳＦ２２の画像には、保持管２８および撮影者の足などの、ＣＳＦ２２以外の物体も写り込んでいる。そのため、入口画像および出口画像をトリミングして、図１３，１４に示される領域Ａ２の外側の部分を切り取って、領域Ａ２内のＣＳＦ２２のみが写っている部分を残す。入口画像および出口画像からＣＳＦ２２以外の物体を取り除くことにより、ＣＳＦ２２の使用可否の判定において価値の高い箇所の分解能を上げることができ、これにより使用可否の判定の精度が向上する。

【0084】

このようにして前処理が実行された出入口画像データ３２０Ｂが、ストレージ３１０に格納され、非破壊試験結果データ３２０を構成する。

【0085】

図１５は、Ｘ線撮像装置で取得されたＸ線像データに対する前処理の処理手順を示すフローチャートである。Ｘ線撮像装置がＸ線ＣＴスキャナ２３０であれば、Ｘ線像データは断面像データ３２０Ｃである。Ｘ線撮像装置がＸ線透過装置２４０であれば、Ｘ線像データは透過像データ３２０Ｄである。図１５に示されるように、ステップＳ１２１において、学習用コンピュータ３００は、Ｘ線撮像装置から、Ｘ線像データを取得する。

【0086】

図１６は、Ｘ線像データの一例としての、合格品の透過像データの一例を示す図である。図１６には、ＣＳＦ２２の１つの透過像データが示されている。図１６に示される透過像データには、入口端２２Ａと出口端２２Ｂとが含まれている。

【0087】

図１５に戻って、次にステップＳ１２２において、Ｘ線像データのトリミングが実行される。図１６に示される透過像データには、ＣＳＦ２２以外も含まれている。そのため、透過像データをトリミングして、図１６に示される領域Ａ３の外側の部分を切り取って、領域Ａ３内のＣＳＦ２２のみが写っている部分を残す。透過像データからＣＳＦ２２以外の物体を取り除くことにより、ＣＳＦ２２の使用可否の判定において価値の高い箇所の分解能を上げることができ、これにより使用可否の判定の精度が向上する。

【0088】

図１６に示される透過像データでは、入口端２２Ａから出口端２２Ｂに至るまでＣＳＦ２２の内部に割れまたは熔解などの欠陥は存在しておらず、合格品のＣＳＦ２２であると判定される。

【0089】

図１７は、条件付き合格品の透過像データの一例を示す図である。図１７に示される透過像データでは、出口端２２Ｂ側の領域Ａ４内に不燃物が詰まっている状態が示されている。このＣＳＦ２２は、不燃物の洗滌によりＣＳＦ２２が再生利用可能と、条件付きの合格品と判定される。

【0090】

図１８は、不合格品の断面像データの一例を示す図である。図１８に示される断面像データでは、ＣＳＦ２２の途中に熔解した部分が存在しており、また出口端２２Ｂ付近に割れが存在している。したがって、内部に欠陥が存在している不合格品のＣＳＦ２２であると判定される。

【0091】

このようにして前処理が実行されたＸ線像データ（断面像データ３２０Ｃおよび透過像データ３２０Ｄ）が、ストレージ３１０に格納され、非破壊試験結果データ３２０を構成する。

【0092】

図５，６に戻って、次にステップＳ２において、学習用コンピュータ３００は、使用可否判定結果データ３２２を取得する。使用可否判定結果データ３２２は、非破壊試験された各々のＣＳＦ２２が、そのまま再生使用可能であるか、洗滌すれば再生使用可能であるか、または、再生使用不可能であり廃棄されるべきであるか、判定された結果を含んでいる。

【0093】

教師データとしての使用可否判定結果データ３２２は、たとえば、Ｘ線ＣＴスキャナ２３０で取得される断面像データ３２０Ｃを検査することで、得ることができる。また、ＣＳＦ２２の入口端２２Ａ（または出口端２２Ｂ）の開口からピンを小孔内に挿し、閉塞している出口端２２Ｂ（または入口端２２Ａ）にまでピンの先端が到達するか否かを確認する、目詰まり確認試験結果に基づいて、使用可否判定結果データ３２２を得ることができる。

【0094】

また、学習用の非破壊試験結果データ３２０を生成するために非破壊試験されたＣＳＦ２２を、切断して内部を目視することで、使用可否判定結果データ３２２を得ることができる。

【0095】

次にステップＳ３において、学習用コンピュータ３００は、非破壊試験結果データ３２０と、使用可否判定結果データ３２２とを対応付けることで、学習用データセット３２４を生成する。ステップＳ４において、学習用コンピュータ３００は、生成した学習用データセット３２４のうち、１つのデータの組（学習用データ）を選択する。

【0096】

次にステップＳ５において、学習用コンピュータ３００は、ステップＳ４において選択した学習用データを学習用のモデル３６６に入力して、使用可否推定結果の出力を得る。

【0097】

図４を参照して説明した通り、学習用のモデル３６６は、ネットワーク構造３６６Ｎを有している。ネットワーク構造３６６Ｎは、図６に示されるニューラルネットワークを含んでいる。

【0098】

ネットワーク構造３６６Ｎは、たとえば、畳み込みニューラルネットワーク（ＣＮＮ）などのディープニューラルネットワークを含んでいる。ニューラルネットワークは、入力層３６６Ｎａと、中間層（隠れ層）３６６Ｎｂと、出力層３６６Ｎｃとを含んでいる。中間層３６６Ｎｂは多層化されている。入力層３６６Ｎａ、中間層３６６Ｎｂおよび出力層３６６Ｎｃは、１または複数のユニット（ニューロン）を有している。入力層３６６Ｎａ、中間層３６６Ｎｂおよび出力層３６６Ｎｃのユニットの数は、適宜設定することができる。

【0099】

隣り合う層のユニット同士は結合されており、各結合には重みが設定されている。各ユニットにはバイアスが設定されている。各ユニットには閾値が設定されている。各ユニットへの入力値と重みとの積の総和にバイアスを加算した値が閾値を超えているか否かによって、各ユニットの出力値が決定される。

【0100】

学習用のモデル３６６は、ＣＳＦ２２の非破壊試験結果データ３２０から、非破壊試験が行なわれたＣＳＦ２２の再生使用可否を判定するように学習される。学習用のモデル３６６は、学習によって得られたパラメータ３６６Ｐを含んでいる。パラメータ３６６Ｐは、たとえば、ニューラルネットワークの層数、各層におけるユニットの個数、ユニット同士の結合関係、各ユニット間の結合の重み、各ユニットに紐付けられているバイアス、および各ユニットの閾値を含んでいる。

【0101】

学習用コンピュータ３００は、非破壊試験結果データ３２０を入力層３６６Ｎａの入力として用いて、ネットワーク構造３６６Ｎのニューラルネットワークの順方向伝播の演算処理を行なう。これにより、学習用コンピュータ３００は、ニューラルネットワークの出力層３６６Ｎｃから出力される出力値として、ＣＳＦ２２の使用可否を推定した使用可否推定結果を得る。

【0102】

次にステップＳ６において、学習用コンピュータ３００は、選択した学習用データの使用可否判定結果データと、ステップＳ５で得られた使用可否推定結果との誤差を算出する。

【0103】

次にステップＳ７において、学習用コンピュータ３００は、学習用のモデル３６６（ＣＳＦ検査モデル）を更新する。学習用コンピュータ３００は、ステップＳ６で算出された使用可否判定結果データ３２２に対する使用可否推定結果の誤差に基づいて、各ユニット間の結合の重み、各ユニットのバイアス、および各ユニットの閾値などの、学習用のモデル３６６のパラメータ３６６Ｐを更新する。

【0104】

このように、学習用コンピュータ３００は、非破壊試験結果データ３２０を学習用のモデル３６６に入力して出力される使用可否推定結果が、当該非破壊試験結果データ３２０にラベル付けされている使用可否判定結果データ３２２に近付くように、学習用のモデル３６６のパラメータ３６６Ｐを最適化する処理を実行する。そして、同じ非破壊試験結果データ３２０が入力層３６６Ｎａに入力されたならば、使用可否判定結果データ３２２により近い出力値を出力できるようにする。

【0105】

次にステップＳ８において、学習用コンピュータ３００は、ステップＳ３において生成した学習用データセット３２４のすべてを処理したか否かを判断する。学習用データセット３２４のすべてを処理していなければ（ステップＳ８においてＮＯ）、ステップＳ４以下の処理が繰り返される。学習用データセット３２４のすべてを処理していれば（ステップＳ８においてＹＥＳ）、ステップＳ９に進み、学習用コンピュータ３００は、現在のパラメータ３６６Ｐを保存する。以上により、学習処理は完了する（エンド）。

【0106】

なお、学習用のモデル３６６のパラメータ３６６Ｐの初期値は、テンプレートにより与えられてもよい。またはパラメータ３６６Ｐの初期値は、人間の入力により手動で与えられてもよい。学習用のモデル３６６の再学習を行うときには、学習用コンピュータ３００は、再学習を行う対象となる学習用のモデル３６６のパラメータ３６６Ｐとして保存されている値に基づいて、パラメータ３６６Ｐの初期値を用意してもよい。

【0107】

［学習用のモデルの利用］
以上のように学習処理が行なわれた、現在のパラメータ３６６Ｐにより規定される学習済モデル３２６は、コンピュータ１００（判定用コンピュータ）に送信される。以下、コンピュータ１００における学習済モデル１１６の利用について説明する。具体的には、コンピュータ１００によって実行される、ＣＳＦ２２の使用可否を推定する処理について説明する。

【0108】

図１９は、コンピュータ１００（判定用コンピュータ）の機能的構成を説明するための機能ブロック図である。図１９に示されているように、コンピュータ１００は、入力受付部１５０と、制御部１６０と、表示部１７０とを備える。制御部１６０は、使用可否推定部１６１と、表示制御部１６２とを備える。使用可否推定部１６１は、学習済モデル１１６を備える。

【0109】

入力受付部１５０は、非破壊試験結果データ３２０の入力を受け付ける。
制御部１６０は、コンピュータ１００の全体的な動作を制御する。

【0110】

制御部１６０内の使用可否推定部１６１は、学習済モデル１１６を有する。学習済モデル１１６は、ネットワーク構造１１６Ｎと学習済パラメータ１１６Ｐとで構成される。ネットワーク構造１１６Ｎは、ネットワーク構造３６６Ｎ（図４参照）と実質的に同一であり、入力層１１６Ｎａと、中間層（隠れ層）１１６Ｎｂと、出力層１１６Ｎｃとを含んでいる（後述する図２１参照）。

【0111】

使用可否推定部１６１は、学習済モデル１１６を用いて、非破壊試験結果データ３２０から、非破壊試験された排ガス処理フィルタ（ＣＳＦ２２）が再生使用可能であるか否かを推定する。使用可否推定部１６１は、使用可否推定結果を表示制御部１６２に送る。

【0112】

表示制御部１６２は、使用可否推定結果を表示部１７０に表示させる。表示部１７０は、ディスプレイ１０２（図２参照）に対応する。

【0113】

図２０は、コンピュータ１００（判定用コンピュータ）における推定処理の処理手順を示すフローチャートである。図２０に示す各ステップは、典型的には、コンピュータ１００のプロセッサ１０４がＯＳ１１２およびアプリケーションプログラム１１４（いずれも図２参照）を実行することで実現されてもよい。図２１は、排ガス処理フィルタ検査モデルによる排ガス処理フィルタの使用可否を推定するための処理を示す概略図である。

【0114】

図２０に示されるように、ステップＳ２０１において、コンピュータ１００は、非破壊試験結果データ３２０を取得する。非破壊試験装置２００は、コンピュータ１００、具体的には入力受付部１５０に、非破壊試験の結果を表す非破壊試験結果データ３２０を送信する。具体的には、超音波探傷試験機２１０は、コンピュータ１００に、超音波探傷試験結果データ３２０Ａを送信する。撮像装置２２０は、コンピュータ１００に、出入口画像データ３２０Ｂを送信する。Ｘ線ＣＴスキャナ２３０は、コンピュータ１００に、断面像データ３２０Ｃを送信する。Ｘ線透過装置２４０は、コンピュータ１００に、透過像データ３２０Ｄを送信する。

【0115】

次にステップＳ２０２において、コンピュータ１００は、非破壊試験結果データ３２０を学習済モデル１１６に入力する。ステップＳ２０１で取得された非破壊試験結果データ３２０が、学習済モデル１１６のネットワーク構造１１６Ｎの入力層１１６Ｎａへの入力データとして用いられる。使用可否推定部１６１は、非破壊試験結果データ３２０を、ネットワーク構造１１６Ｎの入力層１１６Ｎａに含まれる各ユニットに入力する。

【0116】

ステップＳ２０３において、コンピュータ１００は、使用可否推定結果１２０を出力する。使用可否推定部１６１は、学習済モデル１１６のネットワーク構造１１６Ｎの出力層１１６Ｎｃから、非破壊試験が行なわれたＣＳＦ２２の再生使用可否を推定した使用可否推定結果１２０を出力する。より具体的には、使用可否推定部１６１は、学習済モデル１１６を用いて、非破壊試験が行なわれたＣＳＦ２２が、そのまま再生使用可能であるか、洗滌すれば再生使用可能であるか、または、再生使用不可能であり廃棄されるべきであるか、を推定した推定結果を生成する。

【0117】

最後にステップＳ２０４において、コンピュータ１００は、使用可否推定結果１２０をディスプレイ１０２に表示する。そして、処理を終了する（エンド）。

【0118】

以上説明したように、実施形態に係る非破壊検査システムでは、コンピュータ１００は、非破壊試験が行われた排ガス処理フィルタ（ＣＳＦ２２）の再生使用可否を判定するための、学習済モデル１１６を有している。図２０，２１に示されるように、コンピュータ１００は、非破壊試験装置２００によるＣＳＦ２２の非破壊試験の結果を表す非破壊試験結果データ３２０を取得し、学習済モデル１１６を用いて、非破壊試験結果データ３２０からＣＳＦ２２の再生使用可否を推定した使用可否推定結果１２０を出力するようにプログラムされている。

【0119】

したがって、ＣＳＦ２２の使用可否の推定に適した人工知能の学習済モデル１１６を利用して、ＣＳＦ２２の再生使用可否を推定することができる。これにより、人工知能を用いて、ＣＳＦ２２の使用可否をコンピュータ１００によって容易に推定でき、かつ、使用可否を判定する精度を向上することができる。

【0120】

図５，６に示されるように、コンピュータ１００は、学習用のモデル３６６を用いて非破壊試験結果データ３２０からＣＳＦ２２の使用可否を推定した使用可否推定結果と、学習用データセット３２４に含まれるＣＳＦ２２の使用可否判定結果データ３２２との誤差に基づいて、学習用のモデル３６６が更新されるようにプログラムされている。このようにすることで、事前に学習用のモデル３６６を十分に学習させて、精度の高いモデルを作成することができる。その学習用のモデル３６６をコンピュータ１００に送信して学習済モデル１１６として用いることで、ＣＳＦ２２の使用可否を精度よく判定することができる。

【0121】

図６および図７～１１に示されるように、ＣＳＦ２２の非破壊試験は、超音波探傷試験を含んでいる。非破壊試験結果データ３２０は、超音波探傷試験の結果を表す超音波探傷試験結果データ３２０Ａを含んでいる。これにより、超音波探傷試験の結果を学習用のモデル３６６の学習に用いることができ、かつ、超音波探傷試験の結果を用いてＣＳＦ２２の使用可否を判定することができる。

【0122】

図８に示されるように、ＣＳＦ２２の長さを横軸とし、エコーレベルを縦軸として、超音波探傷試験の結果をプロットしたグラフが作成される。このグラフを用いて、超音波探傷試験がなされたＣＳＦ２２の使用可否を判定することができる。

【0123】

図９，１０に示されるように、グラフの一部が着色されている。グラフの着色された一部を認識することで、ＣＳＦ２２の使用可否を判定する精度を向上することができる。

【0124】

図９～１１に示されるように、ＣＳＦ２２の長さ方向の一部のデータを抽出した抽出データが生成されている。不感帯などのデータとしての価値の低い箇所を取り除くことにより、ＣＳＦ２２の使用可否の判定において価値の高い箇所の分解能を上げることができるので、使用可否の判定の精度を向上することができる。

【0125】

図６および図１２～１４に示されるように、ＣＳＦ２２の非破壊試験は、ＣＳＦ２２の入口端２２Ａを撮像した入口画像と出口端２２Ｂを撮像した出口画像との画像解析を含んでいる。非破壊試験結果データ３２０は、画像解析の結果を表す出入口画像データ３２０Ｂを含んでいる。これにより、入口画像と出口画像との画像解析の結果を学習用のモデル３６６の学習に用いることができ、かつ、画像解析の結果を用いることでＣＳＦ２２の使用可否をより精度よく判定することができる。

【0126】

図１３，１４に示されるように、入口画像の一部がトリミングされ、また出口画像の一部がトリミングされる。入口画像および出口画像からＣＳＦ２２以外の物体を取り除くことにより、ＣＳＦ２２の使用可否の判定において価値の高い箇所の分解能を上げることができるので、使用可否の判定の精度を向上することができる。

【0127】

図６および図１８に示されるように、ＣＳＦ２２の非破壊試験は、Ｘ線コンピュータ断層撮影試験を含んでいる。非破壊試験結果データ３２０は、Ｘ線コンピュータ断層撮影試験の結果を表す断面像データ３２０Ｃを含んでいる。これにより、Ｘ線コンピュータ断層撮影試験の結果を学習用のモデル３６６の学習に用いることができ、かつ、Ｘ線コンピュータ断層撮影試験の結果を用いることでＣＳＦ２２の使用可否をより精度よく判定することができる。

【0128】

図６および図１６，１７に示されるように、ＣＳＦ２２の非破壊試験は、Ｘ線コンピュータ断層撮影試験に替えて、またはこれに加えて、Ｘ線透過試験を含んでもよい。その場合、非破壊試験結果データ３２０は、Ｘ線透過試験の結果を示す透過像データ３２０Ｄを含んでいる。これにより、Ｘ線透過試験の結果を学習用のモデル３６６の学習に用いることができ、かつ、Ｘ線透過試験の結果を用いることでＣＳＦ２２の使用可否をより精度よく判定することができる。

【0129】

図１６に示されるように、透過像データ３２０Ｄの一部がトリミングされる。透過像データ３２０ＤからＣＳＦ２２以外の物体を取り除くことにより、ＣＳＦ２２の使用可否の判定において価値の高い箇所の分解能を上げることができるので、使用可否の判定の精度を向上することができる。

【0130】

［蒸留モデルの製造方法］
上述した学習済モデル１１６は、学習用コンピュータ３００が非破壊試験結果データ３２０を用いて機械学習により学習したモデルに限られず、当該学習したモデルを利用して生成されたモデルであってもよい。たとえば学習済モデル１１６は、学習済みのモデルにデータの入出力を繰り返すことで得られる結果を基に学習させた別のモデル（蒸留モデル）であってもよい。図２２は、蒸留モデルを生成するための処理を示すフローチャートである。

【0131】

図２２に示されるように、まずステップＳ３０１において、非破壊試験結果データを取得する。図５に示されるステップＳ１と同様に、学習用のコンピュータは、非破壊試験装置２００から、排ガス処理フィルタ（ＣＳＦ２２）の非破壊試験の結果を表す非破壊試験結果データ３２０を取得する。

【0132】

次にステップＳ３０２において、学習用のコンピュータは、学習済みの第１の排ガス処理フィルタ（ＣＳＦ２２）検査モデルに、非破壊試験結果データ３２０を入力して、非破壊試験が行なわれたＣＳＦ２２が再生使用可能であるかを推定する。ステップＳ３０３において、学習用のコンピュータは、使用可否推定結果を出力する。

【0133】

学習用のコンピュータは、ステップＳ３０１で取得された非破壊試験結果データ３２０を、学習済みの第１のＣＳＦ検査モデルの入力層に入力する。学習済みの第１のＣＳＦ検査モデルの出力層から、使用可否推定結果、具体的には、非破壊試験が行われたＣＳＦ２２が、そのまま再生使用可能であるか、洗滌すれば再生使用可能であるか、または、再生使用不可能であり廃棄されるべきであるか、を推定した推定結果が、出力される。

【0134】

次にステップＳ３０４において、学習用のコンピュータは、ステップＳ３０１で取得した非破壊試験結果データ３２０と、ステップＳ３０３で出力した使用可否推定結果とを、学習データとして保存する。

【0135】

次にステップＳ３０５において、学習用のコンピュータは、第２の排ガス処理フィルタ（ＣＳＦ２２）検査モデルの学習を行う。学習用のコンピュータは、ステップＳ３０４で保存された非破壊試験結果データ３２０を、第２のＣＳＦ検査モデルの入力層に入力する。学習用のコンピュータは、第２のＣＳＦ検査モデルの出力層から、非破壊試験が行われたＣＳＦ２２の使用可否推定結果を示す出力値を出力する。第２のＣＳＦ検査モデルから出力された使用可否推定結果と、ステップＳ３０３で出力した、第１のＣＳＦ検査モデルから出力された使用可否推定結果との誤差を求める。この誤差に基づいて、学習用のコンピュータは、第２のＣＳＦ検査モデルのパラメータを更新する。このようにして、第２のＣＳＦ検査モデルの学習が行われる。

【0136】

最後にステップＳ３０６において、更新された第２のＣＳＦ検査モデルのパラメータを、学習済みのパラメータとして保存する。そして、処理を終了する（エンド）。

【0137】

以上のように、非破壊試験結果データと、第１のＣＳＦ検査モデルを用いてＣＳＦ２２の使用可否を推定した使用可否推定結果と、を学習用データとして、第２のＣＳＦ検査モデル（蒸留モデル）を学習させることで、学習用のコンピュータは、第１のＣＳＦ検査モデルおよびシンプルな第２のＣＳＦ検査モデルを用いて、非破壊検査が行われたＣＳＦの再生使用可否を推定することができる。これにより、ＣＳＦの使用可否を推定するための判定用コンピュータの負荷を軽減することができる。

【0138】

上記実施形態では、学習済モデル１１６および学習用のモデル３６６は、ニューラルネットワークを含んでいる。これに限られず、学習済モデル１１６および学習用のモデル３６６は、たとえばサポートベクターマシン、決定木など、機械学習を用いて排ガス処理フィルタの非破壊検査結果からその排ガス処理フィルタが再生使用可能であるか否かを精度よく推定できるモデルであってもよい。

【0139】

今回開示された実施形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0140】

１ 排ガス後処理装置、２ ＤＰＦ装置、３ ＳＣＲ装置、１０ エンジン、１１ 排気管、２１ ＤＯＣ、２２ ＣＳＦ、２２Ａ 入口端、２２Ｂ 出口端、２８ 保持管、３１ 脱硝触媒、３２ アンモニア酸化触媒、１００ コンピュータ、１０２，３０２ ディスプレイ、１０４，３０４ プロセッサ、１０６，３０６ メモリ、１０８，３０８ ネットワークコントローラ、１１０，３１０ ストレージ、１１４，３１４ アプリケーションプログラム、１１６，３２６ 学習済モデル、１１６Ｎ，３６６Ｎ ネットワーク構造、１１６Ｎａ，３６６Ｎａ 入力層、１１６Ｎｂ，３６６Ｎｂ 中間層、１１６Ｎｃ，３６６Ｎｃ 出力層、１１６Ｐ 学習済パラメータ、１２０ 使用可否推定結果、１２２ 光学ドライブ、１２４ 光学ディスク、１２６，３３０ 入力装置、１２７ キーボード、１２８ マウス、１５０，３５０ 入力受付部、１６０，３６０ 制御部、１６１ 使用可否推定部、１６２ 表示制御部、１７０ 表示部、２００ 非破壊試験装置、２１０ 超音波探傷試験機、２２０ 撮像装置、２３０ Ｘ線ＣＴスキャナ、３００ 学習用コンピュータ、３１６ 前処理プログラム、３１８，３６８ 学習用プログラム、３２０ 非破壊試験結果データ、３２０Ａ 超音波探傷試験結果データ、３２０Ｂ 出入口画像データ、３２０Ｃ 断面像データ、３２２ 使用可否判定結果データ、３２４ 学習用データセット、３６２ 学習部、３６６ 学習用のモデル、３６６Ｐ パラメータ、３７０ 通信ＩＦ部。

【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】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】