(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】2024-04-03
(45)【発行日】2024-04-11
(54)【発明の名称】破断面解析装置及び破断面解析方法
(51)【国際特許分類】
G06T 7/00 20170101AFI20240404BHJP
G01N 3/00 20060101ALI20240404BHJP
G06N 20/00 20190101ALI20240404BHJP
【ＦＩ】
G06T7/00 610Z
G01N3/00 Z
G06N20/00
【請求項の数】
11
(21)【出願番号】P 2020058390
(22)【出願日】2020-03-27
(65)【公開番号】P2021157607
(43)【公開日】2021-10-07
【審査請求日】2023-03-03
(73)【特許権者】
【識別番号】517132810
【氏名又は名称】地方独立行政法人大阪産業技術研究所
(74)【代理人】
【識別番号】110001427
【氏名又は名称】弁理士法人前田特許事務所
(72)【発明者】
【氏名】濱田 真行
(72)【発明者】
【氏名】喜多 俊輔
(72)【発明者】
【氏名】平田 智丈
(72)【発明者】
【氏名】北川 貴弘
【審査官】片岡 利延
(56)【参考文献】
【文献】特開２０２０－１５３６７３（ＪＰ，Ａ）
【文献】特開２０２１－１５６８７９（ＪＰ，Ａ）
【文献】特開２０２１－０１２５７０（ＪＰ，Ａ）
【文献】特開２０２０－０８７５７０（ＪＰ，Ａ）
【文献】村松美穂，外６名，コンピュータビジョンによる脆性破壊の起点同定，CAMP-ISIJ，Vol.33，2020年03月17日
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｔ ７／００
Ｇ０１Ｎ ３／００
Ｇ０６Ｎ ２０／００
(57)【特許請求の範囲】
【請求項1】
破断面画像データと破壊起点データとの組み合わせを含む第１データセットにより第１学習を行う機械学習部と、前記第１学習によって得られる第１学習済モデルに基づき、入力される破断面画像の破壊起点を推定する推定部と、を備え、
前記第１学習の学習モデルは、破壊起点の座標を推定できるように学習する回帰モデル、及び、破壊起点が存在する確率分布を推定できるように学習する分類モデルのうち、いずれか一方又は両方を選択でき、
前記推定部は、
前記学習モデルが前記回帰モデルである場合には、入力される前記破断面画像の破壊起点の座標を推定し、
前記学習モデルが前記分類モデルである場合には、入力される前記破断面画像において破壊起点が存在する確率分布を推定する、破断面解析装置。
【請求項2】
請求項１に記載の破断面解析装置において、前記第１学習の学習モデルは、前記回帰モデルと、前記分類モデルとを含み、
前記推定部は、入力される前記破断面画像の破壊起点の座標及び入力される前記破断面画像において破壊起点が存在する確率分布を推定し、
入力される前記破断面画像、推定される前記破壊起点の座標、及び推定される前記確率分布のうち、少なくとも２つを同一画面に重ねて画像として表示する結果表示部を更に備える、破断面解析装置。
【請求項3】
請求項２に記載の破断面解析装置において、推定される前記確率分布に含まれる破壊起点の数ｎを判定し、入力される前記破断面画像を前記破壊起点が１つずつ含まれるようにｎ個の領域に分割し、各々が当該ｎ個の領域の１つ１つの画像を示すｎ個の分割画像を生成する、分割画像生成部を更に備え、
前記推定部は、前記ｎ個の分割画像の各々における破壊起点の座標及び破壊起点が存在する確率分布を更に推定する、破断面解析装置。
【請求項4】
破断面画像データと破壊起点データとの組み合わせを含む第１データセットにより第１学習を行う機械学習部と、
前記第１学習によって得られる第１学習済モデルに基づき、入力される破断面画像の破壊起点を推定する推定部と、を備え、
前記機械学習部は、破断面画像データと破断面模様データとの組み合わせを含む第２データセットにより第２学習を更に行い、
前記推定部は、前記第２学習によって得られる第２学習済モデルに基づき、入力される前記破断面画像の破断面模様を更に推定する、破断面解析装置。
【請求項5】
請求項４に記載の破断面解析装置において、前記第２学習の学習モデルは、破断面模様を推定できるように学習するセマンティックセグメンテーションモデルを含む、破断面解析装置。
【請求項6】
請求項４又は５に記載の破断面解析装置において、入力される前記破断面画像、前記第１学習済モデルに基づき推定される破壊起点、及び前記第２学習済モデルに基づき推定される破断面模様のうち、少なくとも２つを同一画面に重ねて画像として表示する結果表示部を更に備える、破断面解析装置。
【請求項7】
破断面画像データと破壊起点データとの組み合わせを含む第１データセットにより第１学習を行う機械学習部と、
前記第１学習によって得られる第１学習済モデルに基づき、入力される破断面画像の破壊起点を推定する推定部と、を備え、
前記機械学習部は、前記破断面画像データに含まれる破断面よりも広域の破断面を含む広域画像データと、前記広域の破断面を当該破断面の形態ごとに２以上の領域に分割した領域分割データとの組み合わせを含む第３データセットにより第３学習を更に行い、
前記推定部は、前記第３学習によって得られる第３学習済モデルに基づき、入力される広域破断面画像において破断面の領域が分割された領域分割画像を更に推定する、破断面解析装置。
【請求項8】
破断面画像データと破壊起点データとの組み合わせを含む第１データセットにより第１学習を行う第１学習ステップと、前記第１学習ステップで得られた第１学習済モデルに基づき、入力された破断面画像の破壊起点を推定する第１推定ステップと、を備え、
前記第１学習の学習モデルは、破壊起点の座標を推定できるように学習する回帰モデル、及び、破壊起点が存在する確率分布を推定できるように学習する分類モデルのうち、いずれか一方又は両方を選択でき、
前記第１推定ステップは、
前記学習モデルが前記回帰モデルである場合には、入力される前記破断面画像の破壊起点の座標を推定し、
前記学習モデルが前記分類モデルである場合には、入力される前記破断面画像において破壊起点が存在する確率分布を推定する、
破断面解析方法。
【請求項9】
破断面画像データと破壊起点データとの組み合わせを含む第１データセットにより第１学習を行う第１学習ステップと、
前記第１学習ステップで得られた第１学習済モデルに基づき、入力された破断面画像の破壊起点を推定する第１推定ステップと、
破断面画像データと破断面模様データとの組み合わせを含む第２データセットにより第２学習を行う第２学習ステップと、
前記第２学習ステップで得られた第２学習済モデルに基づき、入力された前記破断面画像の破断面模様を推定する第２推定ステップと
を備える、破断面解析方法。
【請求項10】
破断面画像データと破壊起点データとの組み合わせを含む第１データセットにより第１学習を行う第１学習ステップと、
前記第１学習ステップで得られた第１学習済モデルに基づき、入力された破断面画像の破壊起点を推定する第１推定ステップと、
前記破断面画像データに含まれる破断面よりも広域の破断面を含む広域画像データと、前記広域の破断面を当該破断面の形態ごとに２以上の領域に分割した領域分割データとの組み合わせを含む第３データセットにより第３学習を行う第３学習ステップと、
前記第３学習で得られた第３学習済モデルに基づき、入力された広域破断面画像において破断面の領域が分割された領域分割画像を推定する第３推定ステップと、
を備える、破断面解析方法。
【請求項11】
請求項８～１０のいずれか１項に記載の破断面解析方法を、コンピュータに実行させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、構造物の破断面の解析技術に関し、特に、破断面解析装置及び破断面解析方法に関する。
【背景技術】
【0002】
構造物の破損事故が起きた場合、原因調査を目的として破断面解析が実施される。破断面解析では、低倍率での観察を中心とするマクロ解析と、高倍率での観察を中心とするミクロ解析とが実施される。マクロ解析では主に破壊起点やき裂の進展方向の解析が行われ、ミクロ解析では主に破壊様式の解析が行われる（例えば特許文献１、２参照）。
【0003】
破断面解析では、過去に観察した破断面の特徴との類似性を調べるので、正しい解析結果を導出するためには豊富な経験が必要となる。このため、経験が浅い若手技術者は、破壊起点、き裂の進展方向及び破壊様式などの判断に迷うことが多く、そのたびに熟練技術者への相談や文献調査などを行って経験不足を補う必要がある。
【先行技術文献】
【特許文献】
【0004】
【文献】特開平１１－１０１６２５号公報
【文献】特開２００９－０８５７３７号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
近年、「退職等による熟練技術者の減少」や「再発防止策の早期策定のための破断面解析時間の短縮への要求」などが重なって、若手技術者には厳しい状況となっている。また、誤った破断面解析結果に基づく再発防止策では、破損事故が再発する可能性が高く、若手技術者が感じる精神的圧力も大きい。このような環境にある若手技術者を補助する技術として、破断面解析の豊富な経験を必要としない解析方法の開発が求められている。
【0006】
しかしながら、破断面解析に関する研究開発は、高度な解析能力を有する研究者によって実施されているので、従来の破断面解析技術は、研究者と同程度の解析能力を有する技術者による使用が前提となっている。このため、若手技術者が使いこなすことは難しい。
【0007】
前記に鑑み、本発明は、破断面解析の初心者でも破断面画像から破壊起点の位置を判定できるようにすることを目的とする。
【課題を解決するための手段】
【0008】
前記の目的を達成するために、この発明では、機械学習部の学習結果に基づき、破断面画像から破壊起点を推定するようにした。
【0009】
本開示の第１の態様は、破断面解析装置であって、破断面画像データと破壊起点データとの組み合わせを含む第１データセットにより第１学習を行う機械学習部と、前記第１学習によって得られる第１学習済モデルに基づき、入力される破断面画像の破壊起点を推定する推定部とを備える。
【0010】
この第１の態様では、推定部は、第１学習済モデルに基づき、入力される破断面画像の破壊起点を推定するので、破断面解析の初心者でも破断面画像から破壊起点の位置を判定できる。
【0011】
本開示の第２の態様は、第１の態様において、前記第１学習の学習モデルは、破壊起点の座標を推定できるように学習する回帰モデル、及び、破壊起点が存在する確率分布を推定できるように学習する分類モデルのうち、いずれか一方を選択でき、前記推定部は、前記学習モデルが前記回帰モデルである場合には、入力される前記破断面画像の破壊起点の座標を推定し、前記学習モデルが前記分類モデルである場合には、入力される前記破断面画像において破壊起点が存在する確率分布を推定する。
【0012】
この第２の態様では、第１の態様の効果を奏する具体的な構成が得られ、破断面解析の初心者でも破断面画像から容易に破壊起点の位置を判定できる。
【0013】
本開示の第３の態様は、第２の態様において、前記第１学習の学習モデルは、前記回帰モデルと、前記分類モデルとを含み、前記推定部は、入力される前記破断面画像の破壊起点の座標及び入力される前記破断面画像において破壊起点が存在する確率分布を推定し、入力される前記破断面画像、推定される前記破壊起点の座標、及び推定される前記確率分布のうち、少なくとも２つを同一画面に重ねて画像として表示する結果表示部を更に備える。
【0014】
この第３の態様では、推定部は、入力される破断面画像の破壊起点の座標と入力される破断面画像において破壊起点が存在する確率分布との両方を推定し、結果表示部は、入力される破断面画像、推定される破壊起点の座標、及び推定される確率分布のうち、少なくとも２つを同一画面に重ねて画像として表示するので、推定される破壊起点の妥当性を検証できる。従って、破断面解析の初心者でも破断面画像から破壊起点の位置を判定できるだけでなく、検証によりその精度を高めることができる。
【0015】
本開示の第４の態様は、第３の態様において、推定される前記確率分布に含まれる破壊起点の数ｎを判定し、入力される前記破断面画像を前記破壊起点が１つずつ含まれるようにｎ個の領域に分割し、各々が当該ｎ個の領域の１つ１つの画像を示すｎ個の分割画像を生成する、分割画像生成部を更に備え、前記推定部は、前記ｎ個の分割画像の各々における破壊起点の座標及び破壊起点が存在する確率分布を更に推定する。
【0016】
この第４の態様では、分割画像生成部が、破壊起点が１つずつ含まれるｎ個の分割画像を生成し、推定部がこのｎ個の分割画像の各々における破壊起点の座標及び破壊起点が存在する確率分布を推定するので、入力される破断面画像に複数の破壊起点が含まれる場合においても、破壊起点の位置を正しく推定できる。従って、破断面画像に破壊起点が複数存在する場合でも、破断面解析の初心者が破断面画像から容易に破壊起点の位置を判定できる。また、推定された破壊起点の座標及び破壊起点が存在する確率分布を相互に比較して破壊起点の位置の妥当性を検証できる。
【0017】
本開示の第５の態様は、第１～第４の態様のいずれか１つにおいて、前記機械学習部は、破断面画像データと破断面模様データとの組み合わせを含む第２データセットにより第２学習を更に行い、前記推定部は、前記第２学習によって得られる第２学習済モデルに基づき、入力される前記破断面画像の破断面模様を更に推定する。
【0018】
この第５の態様では、機械学習部は、第１学習に加え第２学習を更に行い、推定部は、破断面画像の破壊起点に加え破断面画像の破断面模様を更に推定するので、推定される破壊起点と推定される破断面模様とを比較して、推定される破壊起点が正しいかどうか検証できる。従って、破断面解析の初心者でも破断面画像から破壊起点の位置を判定でき、しかも、検証によりその精度を高めることができる。
【0019】
本開示の第６の態様は、第５の態様において、前記第２学習の学習モデルは、破断面模様を推定できるように学習するセマンティックセグメンテーションモデルを含む。
【0020】
この第６の態様では、第５の態様の効果を奏する具体的な構成が得られる。
【0021】
本開示の第７の態様は、第５又は第６の態様において、入力される前記破断面画像、前記第１学習済モデルに基づき推定される破壊起点、及び前記第２学習済モデルに基づき推定される破断面模様のうち、少なくとも２つを同一画面に重ねて画像として表示する結果表示部を更に備える。
【0022】
この第７の態様では、結果表示部は、入力される破断面画像、第１学習済モデルに基づき推定される破壊起点、及び第２学習済モデルに基づき推定される破断面模様のうち、少なくとも２つを同一画面に重ねて画像として表示するので、例えば、推定される破壊起点と推定される破断面模様との関係から、推定される破壊起点が正しいかどうか容易に検証できる。従って、破断面解析の初心者でも破断面画像から破壊起点の位置を判定でき、しかも、検証によりその精度を高めることができる。
【0023】
ところで、入力される破断面画像に破壊起点が存在しない場合も考えられる。このような場合、技術者は、この破断面画像が示す破断面よりも広域の破断面を含む広域破断面画像を見て、破壊起点が含まれるように破断面画像を撮影しなおす必要がある。このとき、この広域破断面画像に示される破断面がその破断面の形態の違いによって異なる領域に分割された領域分割画像を得ることで、破損物において撮影する破断面の領域の見当をつけやすくなる。
【0024】
ここで、第８の態様は、第１～第７の態様のいずれか１つにおいて、前記機械学習部は、前記破断面画像データに含まれる破断面よりも広域の破断面を含む広域画像データと、前記広域の破断面を当該破断面の形態ごとに２以上の領域に分割した領域分割データとの組み合わせを含む第３データセットにより第３学習を更に行い、前記推定部は、前記第３学習によって得られる第３学習済モデルに基づき、入力される広域破断面画像において破断面の領域が分割された領域分割画像を更に推定する。
【0025】
この第８の態様によると、推定部は、第３学習によって得られる第３学習済モデルに基づき、入力される広域破断面画像において破断面の領域が分割された領域分割画像を更に推定するので、この領域分割画像を見て、破損物において撮影する破断面の領域を検討しやすくなる。従って、破断面解析の初心者でも、破壊起点の含まれない破断面画像を誤って用いる事態を回避し、破壊起点の位置を判定しやすくなる。
【0026】
本開示の第９の態様は、破断面解析方法に係り、破断面画像データと破壊起点データとの組み合わせを含む第１データセットにより第１学習を行う第１学習ステップと、前記第１学習ステップで得られた第１学習済モデルに基づき、入力された破断面画像の破壊起点を推定する第１推定ステップとを備える。
【0027】
この第９の態様では、第１推定ステップで、第１学習済モデルに基づき、入力された破断面画像の破壊起点を推定するので、破断面解析の初心者でも破断面画像から破壊起点の位置を判定できる。
【0028】
本開示の第１０の態様は、第９の態様において、破断面画像データと破断面模様データとの組み合わせを含む第２データセットにより第２学習を行う第２学習ステップと、前記第２学習ステップで得られた第２学習済モデルに基づき、入力された前記破断面画像の破断面模様を推定する第２推定ステップとを更に備える。
【0029】
この第１０の態様では、第１学習ステップに加え第２学習ステップを更に行い、第１推定ステップにおける破断面画像の破壊起点の推定に加え、第２推定ステップにおいて破断面画像の破断面模様を更に推定するので、推定された破壊起点と推定された破断面模様とを比較して、推定された破壊起点が正しいかどうか検証できる。従って、破断面解析の初心者でも破断面画像から破壊起点の位置を判定でき、しかも、検証によりその精度を高めることができる。
【0030】
本開示の第１１の態様は、第９又は第１０の態様において、前記破断面画像データに含まれる破断面よりも広域の破断面を含む広域画像データと、前記広域の破断面を当該破断面の形態ごとに２以上の領域に分割した領域分割データとの組み合わせを含む第３データセットにより第３学習を行う第３学習ステップと、前記第３学習で得られた第３学習済モデルに基づき、入力された広域破断面画像において破断面の領域が分割された領域分割画像を推定する第３推定ステップとを更に備える。
【0031】
この第１１の態様では、第１学習ステップ及び第２学習ステップに加え第３学習ステップを更に行い、第３推定ステップにおいて、広域破断面画像の破断面の領域が分割された領域分割画像を更に推定するので、第８の態様と同様に、破損物において撮影する破断面の領域を検討しやすくなる。すなわち、破断面解析の初心者でも、破壊起点の含まれない破断面画像を誤って用いる事態を回避し、破壊起点の位置を判定しやすくなる。
【0032】
本開示の第１２の態様は、第９～第１１の態様のいずれか１つにおける破断面解析方法をコンピュータに実行させるためのプログラムである。
【0033】
この第１２の態様では、第９～第１１の態様のいずれか１つにおける方法を、コンピュータに実施させることができる。
【発明の効果】
【0034】
以上説明したように、本発明によると、破断面解析の初心者でも破断面画像から破壊起点の位置を判定できる。
【図面の簡単な説明】
【0035】
【図1】第１実施形態及び第２実施形態に係る破断面解析装置の構成図である。
【図2】第１実施形態及び第２実施形態に係る、回帰モデルを用いる場合の第１学習、及び学習済回帰モデルに基づく推定を示す概略図である。
【図3】第１実施形態及び第２実施形態に係る、分類モデルを用いる場合の第１学習、及び学習済分類モデルに基づく推定を示す概略図である。
【図4】第１実施形態に係るデータセット記憶部の構成図である。
【図5】第１実施形態に係る結果表示部の表示面に表示される画像の一例を示す図である。
【図6】第１実施形態に係る破断面解析方法を示すフロー図である。
【図7】第２実施形態に係る、セマンティックセグメンテーションモデルを用いる場合の第２学習、及び、学習済セマンティックセグメンテーションモデルに基づく推定を示す概略図である。
【図11】第２実施形態の変形例に係る、第３学習、及び学習済セマンティックセグメンテーションモデルに基づく推定を示す概略図である。
【発明を実施するための形態】
【0036】
以下、実施形態に係る破断面解析装置及び破断面解析方法について、図面を参照しながら説明する。
【0037】
＜第１実施形態＞
（破断面解析装置の機能構成）
図１は、本発明に係る破断面解析装置１０の構成図である。この破断面解析装置１０は、破損物１（破壊起点の位置を判定したい構造物）の破断面の画像から、その破断面の破壊起点の位置を判定するためのものである。この破断面解析装置１０は、データセット記憶部１１と、機械学習部１２と、撮影部１３と、推定部１４と、結果表示部１５と、出力データ記憶部１６とを備える。尚、破断面解析装置１０の各構成要素は、別体の装置部分として、分散して配置されていてもよい。
（破断面解析装置の機能構成）
図１は、本発明に係る破断面解析装置１０の構成図である。この破断面解析装置１０は、破損物１（破壊起点の位置を判定したい構造物）の破断面の画像から、その破断面の破壊起点の位置を判定するためのものである。この破断面解析装置１０は、データセット記憶部１１と、機械学習部１２と、撮影部１３と、推定部１４と、結果表示部１５と、出力データ記憶部１６とを備える。尚、破断面解析装置１０の各構成要素は、別体の装置部分として、分散して配置されていてもよい。
【0038】
図２及び図３は、機械学習部１２及び推定部１４の機能を示す概略図である。破断面解析装置１０は、図２及び図３のそれぞれ上側に示すように、機械学習部１２が後述する第１学習を行い、また、図２及び図３のそれぞれ下側に示すように、推定部１４がこの第１学習によって得られる第１学習済モデルＭ１に基づき、撮影部１３によって撮影され入力される破断面画像Ｉｍの破壊起点を推定するように構成されている。結果表示部１５は、推定部１４の推定結果を表示し、破断面解析を行う技術者は、この推定結果を見て、破損物１の破断面の破壊起点の位置を判定する。
【0039】
尚、破断面解析装置１０において、機械学習部１２及び推定部１４は、それぞれの機能を実行するためのプログラムが記憶されたメモリ等の記憶媒体、及びそのプログラムに従って動作するプロセッサを主なハードウェア構成として備える。
【0040】
以下、データセット記憶部１１、機械学習部１２、撮影部１３、推定部１４、及び結果表示部１５の各機能構成について詳細に説明する。
【0041】
（データセット記憶部）
データセット記憶部１１は、例えばハードディスク又はＳＤカード等の記憶媒体である。図４は、データセット記憶部１１の構成図である。データセット記憶部１１には、機械学習部１２が第１学習を行うための第１データセットＤ１が記憶されている。この第１データセットＤ１は、破断面画像データＤ１１と、この破断面画像データＤ１１に示された破断面の破壊起点の位置を示す破壊起点データＤ１２との組み合わせからなる。
データセット記憶部１１は、例えばハードディスク又はＳＤカード等の記憶媒体である。図４は、データセット記憶部１１の構成図である。データセット記憶部１１には、機械学習部１２が第１学習を行うための第１データセットＤ１が記憶されている。この第１データセットＤ１は、破断面画像データＤ１１と、この破断面画像データＤ１１に示された破断面の破壊起点の位置を示す破壊起点データＤ１２との組み合わせからなる。
【0042】
破断面画像データＤ１１としては、種々の撮影方法および生成方法で準備された複数種類の画像を用いることができる。この「複数種類の画像」としては、例えば、ＳＥＭ画像及びデジタルカメラなどで撮影された画像（デジカメ画像）や、これらの撮影画像を白と黒のピクセルのみで表示した二値画像等がある。破断面画像データＤ１１には、ＳＥＭ画像、デジカメ画像及び二値画像のうち少なくとも２つを用いるのが好ましく、これらの３つを用いるのがより好ましい。
【0043】
破壊起点データＤ１２は、破断面画像データＤ１１の破断面における破壊起点の位置を座標として示す座標データ、及び破壊起点が存在する確率を後述する小領域ごとに記述した確率分布データを含む。座標データは、図２の右上に示すように、破断面画像データＤ１１が示す各破断面における破壊起点の座標を表す（Ｘ，Ｙ）の組み合わせからなる。確率分布データは、図３の右上に示すように、各破断面を複数の小領域Ａ１，Ａ２，…に分割し、各小領域において破壊起点が存在する確率を示す数値からなる。この小領域は、破断面画像Ｉｍのピクセル１つ１つが占める領域であってもよく、隣接する複数のピクセルの集合が占める領域であってもよい。図３の右上に示す確率分布データには、１４４個の小領域Ａ１～Ａ１４４が存在する。
【0044】
前述の座標データ及び確率分布データは、第１学習を行う前に準備しておく。座標データを準備する方法は、例えば、技術者が破断面画像データＤ１１に示される破断面を見て、破壊起点を特定してその座標を記録するという方法であってもよい。確率分布データを準備する方法は、例えば、技術者が破断面画像データＤ１１に示される破断面を見て、破断面の各小領域を破壊起点が存在する確率のランク（例えば、ランク１：確率５０％以上、ランク２：確率１０％以上５０％未満、ランク３：確率０％以上１０％未満、など）を決定するという方法であってもよい。より具体的には、例えば、ピクセル単位で画像を編集できる画像編集用ソフトなどを使用して、破断面画像Ｉｍ中の全小領域を、破壊起点が存在する確率のランクごとに異なる色で塗り分けるという方法であってもよい。図３に示す例では、小領域Ａ１１５がランク１（確率５０％）、小領域Ａ１０２，Ａ１０４，Ａ１１６，Ａ１２７，Ａ１２８がランク２（確率１０％）、それ以外の小領域がランク３（存在確率０％）に割り当てられている。
【0045】
（機械学習部）
機械学習部１２は、データセット記憶部１１から第１データセットＤ１を読み出し、第１学習を行う。第１学習の学習モデルは、図２に示すように、破壊起点の座標を推定できるように学習する回帰モデル、及び、図３に示すように、破壊起点が存在する確率を推定できるように学習する分類モデルとする。機械学習部１２は、この２つの学習モデルを構築するために２パターンの第１学習を行う。以下、学習モデルを回帰モデルとした場合及び分類モデルとした場合に第１学習で得られる第１学習済モデルＭ１を、それぞれ、学習済回帰モデルＭＲ及び学習済分類モデルＭＣという。
機械学習部１２は、データセット記憶部１１から第１データセットＤ１を読み出し、第１学習を行う。第１学習の学習モデルは、図２に示すように、破壊起点の座標を推定できるように学習する回帰モデル、及び、図３に示すように、破壊起点が存在する確率を推定できるように学習する分類モデルとする。機械学習部１２は、この２つの学習モデルを構築するために２パターンの第１学習を行う。以下、学習モデルを回帰モデルとした場合及び分類モデルとした場合に第１学習で得られる第１学習済モデルＭ１を、それぞれ、学習済回帰モデルＭＲ及び学習済分類モデルＭＣという。
【0046】
尚、機械学習部１２の学習方式には、例えば、畳み込みニューラルネットワーク又はサポートベクターマシンなどを用いることができる。
【0047】
（撮影部）
撮影部１３は、破損物１の破断面画像Ｉｍを撮影する。撮影部１３としては、破損物１の種類に応じて、ＳＥＭ等の電子顕微鏡、実体顕微鏡、マイクロスコープ及びデジタルカメラ等の種々の撮影手段を利用可能である。尚、破断面解析装置１０は、撮影部１３により撮影された破断面画像Ｉｍを記憶する画像記憶部（図示しない）を備えていてもよい。
撮影部１３は、破損物１の破断面画像Ｉｍを撮影する。撮影部１３としては、破損物１の種類に応じて、ＳＥＭ等の電子顕微鏡、実体顕微鏡、マイクロスコープ及びデジタルカメラ等の種々の撮影手段を利用可能である。尚、破断面解析装置１０は、撮影部１３により撮影された破断面画像Ｉｍを記憶する画像記憶部（図示しない）を備えていてもよい。
【0048】
（推定部）
推定部１４は、撮影部１３で撮影された破断面画像Ｉｍが入力され、破壊起点を推定する。その推定結果は、結果表示部１５が出力する。推定部１４には、図２及び図３のそれぞれ下側に示すように、機械学習部１２の第１学習によって得られた学習済回帰モデルＭＲ及び学習済分類モデルＭＣが実装されており、推定部１４は、この学習済回帰モデルＭＲ及び学習済分類モデルＭＣに基づき破壊起点を推定する。具体的には、推定部１４は、図２の下側に示すように、学習済回帰モデルＭＲに基づき破断面画像Ｉｍの破壊起点の座標を推定し、その結果、座標Ｐｔが得られる。また、推定部１４は、図３の下側に示すように、学習済分類モデルＭＣに基づき破断面画像Ｉｍの破壊起点が存在する各小領域の確率を推定し、その結果、破壊起点が存在する確率を示す破壊起点コンター図ＰＤ（確率分布）が得られる。尚、図３の右下に示す破壊起点コンター図ＰＤの例では、各小領域における破壊起点の存在確率を、色が濃い（暗い）ほど確率が高くなるように、グレースケールで示している。
推定部１４は、撮影部１３で撮影された破断面画像Ｉｍが入力され、破壊起点を推定する。その推定結果は、結果表示部１５が出力する。推定部１４には、図２及び図３のそれぞれ下側に示すように、機械学習部１２の第１学習によって得られた学習済回帰モデルＭＲ及び学習済分類モデルＭＣが実装されており、推定部１４は、この学習済回帰モデルＭＲ及び学習済分類モデルＭＣに基づき破壊起点を推定する。具体的には、推定部１４は、図２の下側に示すように、学習済回帰モデルＭＲに基づき破断面画像Ｉｍの破壊起点の座標を推定し、その結果、座標Ｐｔが得られる。また、推定部１４は、図３の下側に示すように、学習済分類モデルＭＣに基づき破断面画像Ｉｍの破壊起点が存在する各小領域の確率を推定し、その結果、破壊起点が存在する確率を示す破壊起点コンター図ＰＤ（確率分布）が得られる。尚、図３の右下に示す破壊起点コンター図ＰＤの例では、各小領域における破壊起点の存在確率を、色が濃い（暗い）ほど確率が高くなるように、グレースケールで示している。
【0049】
（結果表示部）
結果表示部１５は、液晶ディスプレイ等により構成される表示面（図示しない）を有している。結果表示部１５は、推定部１４により２パターンの第１学習済モデルＭ１（すなわち、学習済回帰モデルＭＲ及び学習済分類モデルＭＣ）による破壊起点の推定の結果得られた破壊起点の座標Ｐｔ及び破壊起点コンター図ＰＤを、表示面（同一画面）に重ねて画像として表示する。図５は、結果表示部１５の表示面に表示される画像の一例を示す図である。
結果表示部１５は、液晶ディスプレイ等により構成される表示面（図示しない）を有している。結果表示部１５は、推定部１４により２パターンの第１学習済モデルＭ１（すなわち、学習済回帰モデルＭＲ及び学習済分類モデルＭＣ）による破壊起点の推定の結果得られた破壊起点の座標Ｐｔ及び破壊起点コンター図ＰＤを、表示面（同一画面）に重ねて画像として表示する。図５は、結果表示部１５の表示面に表示される画像の一例を示す図である。
【0050】
図５に示す例では、破壊起点の座標Ｐｔが、破壊起点コンター図ＰＤの最も確率の高い領域とほぼ一致していることがわかる。仮に、学習済回帰モデルＭＲ及び学習済分類モデルＭＣに基づく破壊起点の推定結果が大きく異なる場合は、少なくともいずれか一方の推定結果が正しくない可能性が考えられる。このような場合に限り、推定された異なる２つの破壊起点を、入力された破断面画像Ｉｍと比較することにより、いずれの破壊起点がより信頼性が高いか、検証すればよい。
【0051】
結果表示部１５による表示の仕方は、図５に示す例と異なっていてもよい。例えば、結果表示部１５は、破壊起点の座標Ｐｔ及び破断面画像Ｉｍ、又は、破壊起点コンター図ＰＤ及び破断面画像Ｉｍを表示面に重ねて画像として表示してもよく、破壊起点の座標Ｐｔ、破壊起点コンター図ＰＤ及び破断面画像Ｉｍのすべてを表示面に重ねて画像として表示してもよい。
【0052】
結果表示部１５が表示する推定結果は、出力データ記憶部１６に記憶される。出力データ記憶部１６は、例えばハードディスク等の記憶媒体である。
【0053】
（破断面解析方法）
図６は、第１実施形態に係る破断面解析方法Ｓ１０を示すフロー図である。破断面解析方法Ｓ１０では、前述の破断面解析装置１０の機能を順番に実行する。尚、破断面解析方法Ｓ１０を開始する前に、破断面画像データＤ１１と、破壊起点データＤ１２との組み合わせからなる第１データセットＤ１を準備してデータセット記憶部１１に保存しておく。
図６は、第１実施形態に係る破断面解析方法Ｓ１０を示すフロー図である。破断面解析方法Ｓ１０では、前述の破断面解析装置１０の機能を順番に実行する。尚、破断面解析方法Ｓ１０を開始する前に、破断面画像データＤ１１と、破壊起点データＤ１２との組み合わせからなる第１データセットＤ１を準備してデータセット記憶部１１に保存しておく。
【0054】
まず、第１ステップＳ１１では、第１データセットＤ１を用いて機械学習部１２により第１学習を行う（第１学習ステップ）。続く第２ステップＳ１２では、撮影部１３により破損物１の破断面画像Ｉｍを撮影する。続く第３ステップＳ１３では、第２ステップＳ１２で撮影された破断面画像Ｉｍを入力とし、第１ステップＳ１１で得られた第１学習済モデルＭ１（すなわち、学習済回帰モデルＭＲ及び学習済分類モデルＭＣ）に基づき、この入力された破断面画像Ｉｍの破壊起点を推定し、その結果、破壊起点の座標Ｐｔ及び破壊起点コンター図ＰＤが得られる（第１推定ステップ）。続く第４ステップＳ１４では、推定された破壊起点を結果表示部１５が表示する。尚、第２ステップＳ１２は、第１ステップＳ１１よりも先に実行してもよい。
【0055】
以上の破断面解析方法は、記録媒体に記録されるコンピュータプログラムとして、コンピュータで実行可能である。
【0056】
（作用・効果）
本実施形態では、推定部１４が、第１学習済モデルＭ１に基づき、入力される破断面画像Ｉｍの破壊起点を推定するので、破断面解析の初心者でも破断面画像Ｉｍから破壊起点の位置を判定できる。
本実施形態では、推定部１４が、第１学習済モデルＭ１に基づき、入力される破断面画像Ｉｍの破壊起点を推定するので、破断面解析の初心者でも破断面画像Ｉｍから破壊起点の位置を判定できる。
【0057】
また、推定部１４の学習済回帰モデルＭＲは、破断面画像Ｉｍの破壊起点の座標を推定し、その結果、座標Ｐｔが得られるので、破断面解析の初心者でも迷うことなく破断面画像Ｉｍ中の破壊起点の位置を判定できる。
【0058】
ところで、推定部１４により得られた破壊起点の座標Ｐｔが正しいか検証したい場合がある。ここで、推定部１４は破壊起点の座標Ｐｔに加え、破断面画像Ｉｍの破壊起点の位置を破壊起点コンター図ＰＤとして示すことができるので、破壊起点の座標Ｐｔと破壊起点コンター図ＰＤとを相互に比較できる。これによって、それぞれ推定結果の妥当性を検証できる。従って、破断面解析の初心者でも破断面画像Ｉｍから破壊起点の位置を判定できるだけでなく、検証によりその精度を高めることができる。
【0059】
また、本実施形態では、機械学習部１２は、破断面画像データＤ１１として、種々の撮影方法および生成方法で準備された複数種類の画像を用いるので、第１データセットＤ１の数を増やして第１学習の精度を高めることができる。従って、得られる第１学習済モデルＭ１に基づき、破断面解析の初心者でも破断面画像Ｉｍから高い精度で破壊起点の位置を判定できる。
【0060】
＜第１実施形態の変形例＞
ところで、破断面画像Ｉｍに破壊起点が１箇所のみ存在する場合、学習済回帰モデルＭＲは、１つの破壊起点を推定し、学習済分類モデルＭＣも１つの破壊起点を推定することになる。従って、破壊起点が１箇所のみ存在する破断面画像Iｍの場合は、前述したように、座標Ｐｔと破壊起点コンター図ＰＤを相互に比較することで破壊起点の位置の妥当性を検証し、その精度を高めることができる。
しかし、その一方で、破断面画像Ｉｍに破壊起点が複数箇所存在する場合、学習済分類モデルＭＣは複数の破壊起点を破壊起点コンター図ＰＤとして推定できるものの、学習済回帰モデルＭＲは１つの破壊起点のみを推定するため、それぞれ推定結果の妥当性を検証し、その精度を高めることが難しくなる。そこで、破断面画像Ｉｍに破壊起点が複数箇所存在する場合においても、破断面解析の初心者が破壊起点の位置の妥当性を検証できるようにしたい。
ところで、破断面画像Ｉｍに破壊起点が１箇所のみ存在する場合、学習済回帰モデルＭＲは、１つの破壊起点を推定し、学習済分類モデルＭＣも１つの破壊起点を推定することになる。従って、破壊起点が１箇所のみ存在する破断面画像Iｍの場合は、前述したように、座標Ｐｔと破壊起点コンター図ＰＤを相互に比較することで破壊起点の位置の妥当性を検証し、その精度を高めることができる。
しかし、その一方で、破断面画像Ｉｍに破壊起点が複数箇所存在する場合、学習済分類モデルＭＣは複数の破壊起点を破壊起点コンター図ＰＤとして推定できるものの、学習済回帰モデルＭＲは１つの破壊起点のみを推定するため、それぞれ推定結果の妥当性を検証し、その精度を高めることが難しくなる。そこで、破断面画像Ｉｍに破壊起点が複数箇所存在する場合においても、破断面解析の初心者が破壊起点の位置の妥当性を検証できるようにしたい。
【0061】
前記を鑑みて、破断面解析装置１０は、推定により得られた破壊起点コンター図ＰＤに含まれる破壊起点の数ｎを判定し、入力された破断面画像Ｉｍを破壊起点が１つずつ含まれるようにｎ個の破断面画像に分割する分割画像生成部（図示しない）を更に備えていてもよい。そして、推定部１４は、そのｎ個の分割画像の各々を入力とし、このｎ個の分割画像の各々における破壊起点の座標Ｐｔ及び破壊起点コンター図ＰＤの推定を行ってもよい。
【0062】
この変形例によると、分割画像生成部が、学習済分類モデルＭＣによる推定結果が示す破壊起点を１つずつ含むように分割されたｎ個の分割画像を生成し、推定部１４がこのｎ個の分割画像の各々について破壊起点の推定を行うので、ｎ個の画像それぞれの座標Ｐｔ及び破壊起点コンター図ＰＤが得られる。その結果、入力された破断面画像Ｉｍに複数の破壊起点が含まれる場合においても、出力された座標Ｐｔと破壊起点コンター図ＰＤとを相互に比較できる。従って、破断面画像Ｉｍに破壊起点が複数存在する場合においても破断面解析の初心者が破壊起点の位置の妥当性を検証し、その精度を高めることができる。
【0063】
＜第２実施形態＞
以下、第２実施形態に係る破断面解析装置２０の機能構成について説明する。この破断面解析装置２０は、機械学習部２２、推定部２４及び結果表示部２５の機能が、第１実施形態と異なっている。尚、第１実施形態と機能が同じである構成については、第１実施形態と同じ符号を用い、説明を省略する。
以下、第２実施形態に係る破断面解析装置２０の機能構成について説明する。この破断面解析装置２０は、機械学習部２２、推定部２４及び結果表示部２５の機能が、第１実施形態と異なっている。尚、第１実施形態と機能が同じである構成については、第１実施形態と同じ符号を用い、説明を省略する。
【0064】
機械学習部２２は、図２及び図３に示す第１学習に加え、更なる機械学習（第２学習）を行う。図７は、第２学習に関する機械学習部２２及び推定部２４の機能を示す概略図である。すなわち、推定部２４は、第１学習済モデルＭ１に基づき破断面画像Ｉｍの破壊起点を推定することに加え、第２学習によって得られる第２学習済モデルＭ２に基づき破断面画像Ｉｍ内に捉えられた破断面模様Ｐｔｎを推定する。
【0065】
破断面模様Ｐｔｎとは、具体的には、破断面における段差などの凹凸を反映した模様である。図７の右下には、この破断面模様Ｐｔｎの一例として、き裂が拡大するときの進展経路が破断面上に段差として現れた放射状模様が示されている。この放射状模様は、その収束点から破壊起点のおおまかな位置を特定できるので、破壊起点を特定するための足がかりとなる。尚、破断面模様Ｐｔｎは、き裂が拡大するときの進展経路が破断面上に段差として現れた放射状模様に限られず、破壊起点を特定するための足がかりとなるような、破断面上の模様であればよい。
【0066】
図８は、データセット記憶部２１の構成図である。データセット記憶部２１には、第１データセットＤ１に加え、第２データセットＤ２が記憶されている。第２データセットＤ２は、破断面画像データＤ２１（Ｄ１１）と、この破断面画像データＤ２１の放射状模様を示す破断面模様データＤ２２との組み合わせからなる。
【0067】
破断面模様データＤ２２は、例えば、図７の右上に示す、ハッチングされた部分である。この破断面模様データＤ２２は、第２学習の前に準備しておく。破断面模様データＤ２２を準備する方法は、例えば、技術者が破断面画像データＤ２１に示される破断面を見て、画像編集用ソフトなどを使用して描いてもよい。
【0068】
機械学習部２２は、データセット記憶部２１から第１データセットＤ１及び第２データセットＤ２を読み出し、第１学習及び第２学習を行う。第２学習では、図７に示すように、破断面模様を推定するための学習モデルであるセマンティックセグメンテーションモデル（以下、ＳＳモデルという。）を構築する。以下、第２学習で得られる第２学習済モデルＭ２を、学習済ＳＳモデルＭＳという。
【0069】
推定部２４は、図７の下側に示すように、撮影部１３で撮影された破断面画像Ｉｍが入力され、破断面模様Ｐｔｎを推定し、その結果、破断面模様Ｐｔｎが得られる。
【0070】
結果表示部２５は、第１学習済モデルＭ１に基づき推定された破壊起点（座標Ｐｔ又は破壊起点コンター図ＰＤ）と、第２学習済モデルＭ２に基づき推定された破断面模様Ｐｔｎとをその表示面（同一画面）に重ねて画像として表示する。
【0071】
図９Ａ及び図９Ｂは、結果表示部２５の表示面に表示された画像の２つの例を示す図である。図９Ａ及び図９Ｂは、推定部２４に入力された破断面画像Ｉｍが互いに異なっている。図９Ａ及び図９Ｂのそれぞれの左側では、推定された破壊起点の座標Ｐｔと破断面模様Ｐｔｎとが重ねて表示されており、図９Ａ及び図９Ｂのそれぞれの右側では、推定された破壊起点の破壊起点コンター図ＰＤ（確率が０％の領域を除く）と破断面模様Ｐｔｎとが重ねて表示されている。図９Ａ及び図９Ｂでは、破断面模様Ｐｔｎで示される放射状模様から判断できる破壊起点が存在し得る位置（すなわち、放射状模様が収束する位置）を破線で囲んでいる。
【0072】
図９Ａに示す例では、推定された破壊起点の座標Ｐｔの位置（図９Ａの左側を参照）及び破壊起点コンター図ＰＤの最も確率の高い位置（図９Ｂの右側を参照）は、いずれも破線で囲む領域にある。すなわち、学習済回帰モデルＭＲ及び学習済分類モデルＭＣに基づく破壊起点の推定結果（座標Ｐｔ及び破壊起点コンター図ＰＤ）は、いずれも学習済ＳＳモデルＭＳに基づく推定結果（破断面模様Ｐｔｎ）と一致している。このため、３つの学習済モデルに基づく推定結果から、迷うことなく破壊起点を判定できる。
【0073】
一方、図９Ｂに示す例では、推定された破壊起点コンター図ＰＤの最も確率の高い領域は、破線で囲む領域にあるものの（図９Ｂの右側を参照）、推定された破壊起点の座標Ｐｔは、破線で囲む領域の外にあることがわかる（図９Ｂの左側を参照）。すなわち、学習済分類モデルＭＣに基づく推定結果は、学習済ＳＳモデルＭＳに基づく推定結果と一致するものの、学習済回帰モデルＭＲに基づく推定結果は学習済ＳＳモデルＭＳに基づく推定結果とは一致しない。この場合、学習済ＳＳモデルＭＳに基づく推定結果と一致する学習済分類モデルＭＲに基づく推定結果（図９Ｂの右側）が、学習済回帰モデルＭＲに基づく推定結果（図９Ｂの左側）よりも信頼できるといえる。
【0074】
図１０は、第２実施形態に係る破断面解析方法Ｓ２０を示すフロー図である。破断面解析方法Ｓ２０は、第１学習を行う第１ステップＳ２１（Ｓ１１）に続き、破断面画像データＤ２１（Ｄ１１）と破断面模様データＤ２２との組み合わせを第２データセットＤ２として第２学習を行う第２ステップＳ２２を実行する（第２学習ステップ）。続く第３ステップＳ２３（Ｓ１２）では、撮影部１３により破損物１の破断面画像Ｉｍを撮影する。続く第４ステップＳ２４（Ｓ１３）では第１学習済モデルＭ１に基づき、破壊起点の位置を推定し、破壊起点の座標Ｐｔ及び破壊起点コンター図ＰＤが得られる（第１推定ステップ）。続く第５ステップＳ２５では、第２学習済モデルＭ２に基づき、破断面模様を推定し、破断面模様Ｐｔｎが得られる（第２推定ステップ）。続く第６ステップＳ２６では、推定により得られた破壊起点の座標Ｐｔ、破壊起点コンター図ＰＤ及び破断面模様Ｐｔｎを結果表示部２５が表示する。尚、第１ステップＳ２１～第５ステップＳ２５を実行する順序はこれに限定されず、第１ステップＳ２１が第４ステップＳ２４よりも先であり、第２ステップＳ２２が第５ステップＳ２５よりも先であり、第３ステップＳ２３が第４ステップＳ２４及び第５ステップＳ２５のいずれよりも先であり、且つ、第４ステップＳ２４及び第５ステップＳ２５のいずれもが第６ステップＳ２６よりも先であればよい。
【0075】
本実施形態では、機械学習部２２は、第１学習に加え第２学習を更に行い、推定部２４は、破断面画像Ｉｍの破壊起点に加え破断面画像Ｉｍの破断面模様Ｐｔｎを更に推定し、その結果、破断面模様Ｐｔｎが得られるので、推定された破壊起点と破断面模様Ｐｔｎとを比較することにより、推定された破壊起点が正しいかどうか検証できる。従って、破断面解析の初心者でも破断面画像Ｉｍから破壊起点の位置を判定でき、しかも、検証によりその精度を高めることができる。
【0076】
また、本実施形態では、結果表示部２５が、推定された破壊起点及び破断面模様Ｐｔｎを同一画面に重ねて画像として表示するので、推定された破壊起点と破断面模様Ｐｔｎとの関係から、推定された破壊起点が正しいかどうか容易に検証できる。従って、破断面解析の初心者でも破断面画像から破壊起点の位置を判定でき、しかも、検証によりその精度を高めることができる。
【0077】
尚、結果表示部２５は、推定により得られた破壊起点の座標Ｐｔ及び破壊起点コンター図ＰＤ並びに破断面模様Ｐｔｎの３つを同一画面に表示してもよい。
【0078】
＜第２実施形態の変形例＞
前述の第２実施形態において、推定により得られた破壊起点の座標Ｐｔ、破壊起点コンター図ＰＤ、及び破断面模様Ｐｔｎの３つのうちのすべて異なるような場合には、入力される破断面画像Ｉｍに破壊起点が存在しない可能性を考えるべきである。このような場合、技術者は、この破断面画像Ｉｍが示す破断面よりも広域の破断面を含む広域破断面画像ＷＩを見て、破壊起点が含まれるように破断面画像を撮影しなおす必要がある。このとき、この広域破断面画像ＷＩに示される破断面がその破断面の形態の違いによって異なる領域に分割された後述する領域分割画像ＳＡを得ることで、破損物１において撮影する破断面の領域の見当をつけやすくなる。尚、破断面の形態とは、例えば、後述するような破断面の凹凸などをいう。
前述の第２実施形態において、推定により得られた破壊起点の座標Ｐｔ、破壊起点コンター図ＰＤ、及び破断面模様Ｐｔｎの３つのうちのすべて異なるような場合には、入力される破断面画像Ｉｍに破壊起点が存在しない可能性を考えるべきである。このような場合、技術者は、この破断面画像Ｉｍが示す破断面よりも広域の破断面を含む広域破断面画像ＷＩを見て、破壊起点が含まれるように破断面画像を撮影しなおす必要がある。このとき、この広域破断面画像ＷＩに示される破断面がその破断面の形態の違いによって異なる領域に分割された後述する領域分割画像ＳＡを得ることで、破損物１において撮影する破断面の領域の見当をつけやすくなる。尚、破断面の形態とは、例えば、後述するような破断面の凹凸などをいう。
【0079】
前記を鑑みて、機械学習部３２は、第１学習及び第２学習に加え、領域分割画像ＳＡを推定できるように学習する第３学習を行ってもよい。図１１は、第３学習に関する機械学習部３２及び推定部３４の機能を示す概略図である。領域分割画像ＳＡとは、図１１の右下に示すように、例えば、広域破断面画像ＷＩが、その破断面における比較的凹凸の多い凹凸領域（図１１右下のドットハッチングされた部分を参照）、及び、凹凸領域を除く平坦領域（図１１右下のハッチングされた部分を参照）に２分割された画像である。尚、領域分割画像ＳＡは、凹凸領域及び平坦領域に加え、更に形態が異なる領域（例えば、明瞭な放射状模様が認められるような領域など）にも分割されていてもよく（すなわち、３分割されていてもよい）、更にその他の領域にも分割されていてもよい（すなわち、４分割以上されていてもよい）。
【0080】
機械学習部３２は、図１１の上側に示すように、はじめに入力された破断面画像データＤ２１に含まれる破断面よりも広域の破断面を含む広域画像データＤ３１と、この広域の破断面を当該破断面の形態によって２以上の領域に分割した領域分割データＤ３２との組み合わせを含む第３データセットにより第３学習を更に行う。領域分割データＤ３２は、例えば、破断面模様データＤ２２を準備する方法と同様に、技術者が広域画像データＤ３１に示される破断面を見て、この破断面を凹凸領域と平坦領域とに塗り分けるという方法であってもよい。第３学習の学習モデルは、例えば、第２学習と同様にＳＳモデルである。
【0081】
推定部３４には、図１１の左下に示すように、撮影部１３によって撮影された広域破断面画像ＷＩが入力される。この広域破断面画像ＷＩは、はじめに入力された破断面画像Ｉｍを撮影するときに撮影していてもよく、必要な場合にのみ、破損物１の適切な領域を含むように（適切な拡大倍率に）、適宜調整して撮影してもよい。
【0082】
推定部３４は、図１１の下側に示すように、第３学習によって得られる第３学習済モデルＭ３（学習済ＳＳモデル）に基づき、入力される広域破断面画像ＷＩの分割された領域分割画像ＳＡを推定し、その結果、領域分割画像ＳＡが得られる。結果表示部２５は、得られた領域分割画像ＳＡを表示する。
【0083】
この変形例に係る破断面解析方法では、前述の第２実施形態に係る破断面解析方法Ｓ２０において、第３データセットにより第３学習を行う第３学習ステップと、第３学習で得られた第３学習済モデルに基づき、領域分割画像ＳＡを推定する第３推定ステップとを更に備える。具体的には、図１０に示す第６ステップＳ２６で、結果表示部２５が表した破壊起点の座標Ｐｔ、破壊起点コンター図ＰＤ及び破断面模様Ｐｔを見て、入力される破断面画像Ｉｍに破壊起点が存在しないと考えられる場合に、第３推定ステップを行い領域分割画像ＳＡを得る。そして、破損物１において撮影する破断面の領域の見当をつけた上で、破壊起点が含まれるように破断面画像Ｉｍを撮影しなおし、その撮影しなおした破断面画像Ｉｍを入力として第４ステップＳ２４～第６ステップＳ２６を行う。
【0084】
この変形例によると、推定部３４は、第３学習によって得られる第３学習済モデルＭ３に基づき、入力される広域破断面画像ＷＩにおいて破断面の領域が分割された領域分割画像ＳＡを推定するので、技術者は、この領域分割画像ＳＡを見て、破損物１において撮影する破断面の領域の見当をつけやすくなる。例えば、はじめに入力された破断面画像Ｉｍが凹凸領域に属していた場合、技術者は、破壊起点が凹凸領域には存在しないと判断し、平坦領域を撮影することを検討できる。
【0085】
これによると、破断面解析の初心者でも、破壊起点の含まれない破断面画像Ｉｍを誤って用いる事態を回避し、破壊起点の位置を判定しやすくなる。
【0086】
＜その他の実施形態＞
前述の各実施形態では、第１学習の学習モデルは回帰モデル及び分類モデルの両方を含むが、回帰モデル及び分類モデルのいずれか一方を選択できるようにしてもよい。これに応じて、推定部１４（２４）は、学習モデルが回帰モデルである場合には入力される破断面画像Ｉｍの破壊起点の座標Ｐｔを推定し、学習モデルが分類モデルである場合には入力される破断面画像Ｉｍにおいて破壊起点コンター図ＰＤを推定するようにしてもよい。
前述の各実施形態では、第１学習の学習モデルは回帰モデル及び分類モデルの両方を含むが、回帰モデル及び分類モデルのいずれか一方を選択できるようにしてもよい。これに応じて、推定部１４（２４）は、学習モデルが回帰モデルである場合には入力される破断面画像Ｉｍの破壊起点の座標Ｐｔを推定し、学習モデルが分類モデルである場合には入力される破断面画像Ｉｍにおいて破壊起点コンター図ＰＤを推定するようにしてもよい。
【0087】
また、前述の各実施形態では、破壊起点データＤ１２及び破断面模様データＤ２２を準備する方法の例として、技術者が破断面画像Ｉｍを見て準備することを挙げたが、これに限定されない。例えば、破断面解析装置１０（２０）は、破断面画像データＤ１１（Ｄ２１）の破断面を解析し、破壊起点データＤ１２及び破断面模様データＤ２２を自動的に生成するデータ生成部（図示しない）を備えていてもよい。データ生成部は、例えば、破断面画像Ｉｍに二値化処理を行い、二値化された画像からき裂の模様（放射状模様）に沿う直線を抽出し、抽出した直線から破断面における破壊起点及びき裂の進展方向等を求めることにより破壊起点データＤ１２及び破断面模様データＤ２２を自動的に生成してもよい。これによると、技術者がすべての破壊起点データＤ１２及び破断面模様データＤ２２を準備するために必要な負担を回避できる。
【符号の説明】
【0088】
１ 破損物
１０ 第１実施形態に係る破断面解析装置
１１ データセット記憶部
１２ 機械学習部
１３ 撮影部
１４ 推定部
１５ 結果表示部
１６ 出力データ記憶部
Ｉｍ 入力される破断面画像
Ｄ１ 第１データセット
Ｄ１１ 破断面画像データ（第１データセット）
Ｄ１２ 破壊起点データ（第１データセット）
Ｍ１ 第１学習済モデル
ＭＲ 学習済回帰モデル（第１学習済モデル）
ＭＣ 学習済分類モデル（第１学習済モデル）
Ｐｔ 推定により得られる破壊起点の座標
ＰＤ 推定により得られる破壊起点コンター図（確率分布）
Ｓ１０ 第１実施形態に係る破断面解析方法
Ｓ１１ 第１ステップ（第１学習ステップ）
Ｓ１２ 第２ステップ
Ｓ１３ 第３ステップ（第１推定ステップ）
Ｓ１４ 第４ステップ
２０ 第２実施形態に係る破断面解析装置
２１ データセット記憶部
２２ 機械学習部
２４ 推定部
２５ 結果表示部
Ｄ２ 第２データセット
Ｄ２１ 破断面画像データ（第２データセット）
Ｄ２２ 破断面模様データ（第２データセット）
Ｍ２ 第２学習済モデル
ＭＳ 学習済セマンティックセグメンテーションモデル（第２学習済モデル）
Ｐｔｎ 推定により得られる破断面模様
Ｓ２０ 第２実施形態に係る破断面解析方法
Ｓ２１ 第１ステップ（第１学習ステップ）
Ｓ２２ 第２ステップ（第２学習ステップ）
Ｓ２３ 第３ステップ
Ｓ２４ 第４ステップ（第１推定ステップ）
Ｓ２５ 第５ステップ（第２推定ステップ）
Ｓ２６ 第６ステップ
３１ 第２実施形態の変形例に係る機械学習部
３４ 第２実施形態の変形例に係る推定部
Ｄ３１ 広域画像データ
Ｄ３２ 領域分割データ
Ｍ３ 第３学習済モデル
ＳＡ 領域分割画像
１０ 第１実施形態に係る破断面解析装置
１１ データセット記憶部
１２ 機械学習部
１３ 撮影部
１４ 推定部
１５ 結果表示部
１６ 出力データ記憶部
Ｉｍ 入力される破断面画像
Ｄ１ 第１データセット
Ｄ１１ 破断面画像データ（第１データセット）
Ｄ１２ 破壊起点データ（第１データセット）
Ｍ１ 第１学習済モデル
ＭＲ 学習済回帰モデル（第１学習済モデル）
ＭＣ 学習済分類モデル（第１学習済モデル）
Ｐｔ 推定により得られる破壊起点の座標
ＰＤ 推定により得られる破壊起点コンター図（確率分布）
Ｓ１０ 第１実施形態に係る破断面解析方法
Ｓ１１ 第１ステップ（第１学習ステップ）
Ｓ１２ 第２ステップ
Ｓ１３ 第３ステップ（第１推定ステップ）
Ｓ１４ 第４ステップ
２０ 第２実施形態に係る破断面解析装置
２１ データセット記憶部
２２ 機械学習部
２４ 推定部
２５ 結果表示部
Ｄ２ 第２データセット
Ｄ２１ 破断面画像データ（第２データセット）
Ｄ２２ 破断面模様データ（第２データセット）
Ｍ２ 第２学習済モデル
ＭＳ 学習済セマンティックセグメンテーションモデル（第２学習済モデル）
Ｐｔｎ 推定により得られる破断面模様
Ｓ２０ 第２実施形態に係る破断面解析方法
Ｓ２１ 第１ステップ（第１学習ステップ）
Ｓ２２ 第２ステップ（第２学習ステップ）
Ｓ２３ 第３ステップ
Ｓ２４ 第４ステップ（第１推定ステップ）
Ｓ２５ 第５ステップ（第２推定ステップ）
Ｓ２６ 第６ステップ
３１ 第２実施形態の変形例に係る機械学習部
３４ 第２実施形態の変形例に係る推定部
Ｄ３１ 広域画像データ
Ｄ３２ 領域分割データ
Ｍ３ 第３学習済モデル
ＳＡ 領域分割画像
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9A】
【図9B】
【図10】
【図11】
