特許 7471178 画像領域分類モデル作成装置、コンクリート評価装置及びコンクリート評価プログラム

(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】2024-04-11

(45)【発行日】2024-04-19

(54)【発明の名称】画像領域分類モデル作成装置、コンクリート評価装置及びコンクリート評価プログラム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20240412BHJP

   G01N 33/38 20060101ALI20240412BHJP

   G01N 21/88 20060101ALI20240412BHJP

【ＦＩ】

G06T7/00 610Z

G01N33/38

G01N21/88 Z

【請求項の数】 8

(21)【出願番号】P 2020146188

(22)【出願日】2020-08-31

(65)【公開番号】P2022041142

(43)【公開日】2022-03-11

【審査請求日】2023-06-28

(73)【特許権者】

【識別番号】000003621

【氏名又は名称】株式会社竹中工務店

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】チャオ ディ

(72)【発明者】

【氏名】西岡 由紀子

(72)【発明者】

【氏名】小島 正朗

【審査官】伊知地 和之

(56)【参考文献】

【文献】特開２０１６－１４２５３２（ＪＰ，Ａ）

【文献】特開２０１５－０８１９０７（ＪＰ，Ａ）

【文献】特開２０１９－２１１２４７（ＪＰ，Ａ）

【文献】国際公開第２００８／１１１７２４（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｎ ２１／８４ － ２１／９５８

Ｇ０１Ｎ ３３／００ － ３３／４６

Ｇ０６Ｔ ７／００ － ７／９０

Ｇ０６Ｖ １０／００ － ２０／９０

Ｇ０６Ｖ ３０／４１８

Ｇ０６Ｖ ４０／１６

Ｇ０６Ｖ ４０／２０

ＣＳＤＢ（日本国特許庁）

(57)【特許請求の範囲】

【請求項1】

コンクリートのスランプフローを撮影した画像であるスランプフロー画像、及び当該スランプフロー画像における粗骨材の領域とモルタルの領域とが識別可能とされた識別情報を取得する取得部と、
前記取得部によって取得された前記スランプフロー画像に対して、前記粗骨材の領域と前記モルタルの領域との特徴を強調するものとして予め定められた画像処理を行う画像処理部と、
前記画像処理部によって画像処理が行われた前記スランプフロー画像、及び当該スランプフロー画像に対応する前記識別情報を学習用データとして、前記スランプフロー画像を入力情報とし、当該スランプフロー画像における前記粗骨材の領域と前記モルタルの領域とを分類する情報を出力情報としたセグメンテーションモデルを学習させることで画像領域分類モデルを作成する作成部と、
を備えた画像領域分類モデル作成装置。

【請求項2】

前記画像処理は、不均一照度を低減させる処理、ノイズ除去処理、及びコントラスト調整処理の少なくとも１つの処理である、
請求項１に記載の画像領域分類モデル作成装置。

【請求項3】

前記スランプフロー画像は、グレイスケールの画像である、
請求項１又は請求項２に記載の画像領域分類モデル作成装置。

【請求項4】

前記識別情報は、前記画像処理部によって画像処理が行われた前記スランプフロー画像を用いて作成された情報である、
請求項１～請求項３の何れか１項に記載の画像領域分類モデル作成装置。

【請求項5】

評価対象とするコンクリートのスランプフローを撮影した画像であるスランプフロー画像に対して、粗骨材の領域とモルタルの領域との特徴を強調するものとして予め定められた画像処理を行う画像処理部と、
請求項１～請求項４の何れか１項に記載の画像領域分類モデル作成装置によって作成された画像領域分類モデルに対して、前記画像処理部によって画像処理が行われた前記スランプフロー画像を入力する入力部と、
前記入力部による前記スランプフロー画像の入力によって前記画像領域分類モデルから出力された出力情報を用いて、当該スランプフロー画像における粗骨材の分布状態を示す分布状態情報を導出する導出部と、
前記導出部によって導出された分布状態情報を用いて、前記評価対象とするコンクリートの材料分離抵抗性を評価する評価部と、
を備えたコンクリート評価装置。

【請求項6】

前記画像処理は、不均一照度を低減させる処理、ノイズ除去処理、及びコントラスト調整処理の少なくとも１つの処理である、
請求項５に記載のコンクリート評価装置。

【請求項7】

前記スランプフロー画像は、グレイスケールの画像である、
請求項５又は請求項６に記載のコンクリート評価装置。

【請求項8】

評価対象とするコンクリートのスランプフローを撮影した画像であるスランプフロー画像に対して、粗骨材の領域とモルタルの領域との特徴を強調するものとして予め定められた画像処理を行い、
請求項１～請求項４の何れか１項に記載の画像領域分類モデル作成装置によって作成された画像領域分類モデルに対して、前記画像処理が行われた前記スランプフロー画像を入力し、
前記スランプフロー画像の入力によって前記画像領域分類モデルから出力された出力情報を用いて、当該スランプフロー画像における粗骨材の分布状態を示す分布状態情報を導出し、
導出した分布状態情報を用いて、前記評価対象とするコンクリートの材料分離抵抗性を評価する、
処理をコンピュータに実行させるためのコンクリート評価プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、画像領域分類モデル作成装置、コンクリート評価装置及びコンクリート評価プログラムに関する。

【背景技術】

【0002】

２０１９年の「ＪＩＳ Ａ５３０８ レディーミクストコンクリート」の改正により、普通コンクリートにスランプフローで管理する高流動コンクリートが追加された。高流動コンクリートの材料分離抵抗性の試験方法では、スランプフロー試験後、粗骨材の偏在の有無を目視により確認することとし、客観的な判断方法が確立されていないのが実情である。

【0003】

従来、高流動コンクリートの材料分離抵抗性を評価するために適用することのできる技術として以下の技術があった。

【0004】

特許文献１には、高流動コンクリートのフレッシュ時における材料分離抵抗性を評価するための試験方法が開示されている。この試験方法では、スランプフロー試験用の台板及びスランプコーンを用意し、前記台板上に形成されるスランプフローのコンクリート試料に挿し込むことによって当該スランプフローのコンクリート試料を複数の領域に分断するための、互いに直径の異なる円環形状の複数の試料分断部材を用意する。また、この試験方法では、前記台板上に前記スランプコーンを載置して当該スランプコーンにコンクリート試料を充填し、前記スランプコーンを引き上げて除去することで、前記台板上に前記コンクリート試料のスランプフローを形成する。また、この試験方法では、前記複数の試料分断部材を前記台板上の前記スランプフローの中心に対して略々同心的な位置関係となるようにして当該スランプフローのコンクリート試料に挿し込むことによって、当該スランプフローのコンクリート試料を略々同心的な複数の領域に分断する。そして、この試験方法では、前記複数の領域の各々から夫々にコンクリート試料を採取し、それら複数の採取試料の各々についてコンクリートの材料分離抵抗性を評価する。

【0005】

また、特許文献２には、高流動コンクリートの材料分離評価方法が開示されている。この材料分離評価方法では、高性能減水剤を配合した高流動コンクリートを作製するに際し、所定のモールド内に該コンクリートを装填し、このモールド内コンクリートの上面全体に所定の吸水性シートを接触させる。そして、この材料分離評価方法では、この接触状態に一定時間静置したあと該吸水性シートを剥がし、この試験前後の該シートの重量差から該シートへの吸着量を求め，この吸着量を該コンクリートの材料分離の指標とする。

【0006】

更に、特許文献３には、高流動コンクリートを構造物に対して充填する際に用いるコンクリート評価方法が開示されている。このコンクリート評価方法では、流下速度測定装置を用いて、配合を変化させたときの高流動コンクリートの流下時間および最大せん断ひずみ速度を測定する。また、このコンクリート評価方法では、前記最大せん断ひずみ速度をコンクリートの材料分離を示す分離限界点と仮定し、前記流下時間と前記最大せん断ひずみ速度との関係を示すコンクリート分離限界特性を求める第１工程を有する。また、このコンクリート評価方法では、前記構造物に実際に充填する実施高流動コンクリートの性状、および前記構造物の形状に基づいて数値計算や流動解析を行い、実施最大せん断ひずみ速度を算出する第２工程を有する。また、このコンクリート評価方法では、前記流下速度測定装置によって前記構造物に実際に充填する前記実施高流動コンクリートの実施流下時間を求める第３工程を有する。そして、このコンクリート評価方法では、該第３工程で求めた前記実施流下時間における前記第２工程で求めた前記実施最大せん断ひずみ速度の分布と、前記第１工程で得られた前記コンクリート分離限界特性と、を比較し、予め設定されている判定基準に基づいて前記実施最大せん断ひずみ速度の分布から前記実施高流動コンクリートにおける材料分離の危険度、および前記構造物に対する閉塞の危険度を判定する第４工程を有する。

【先行技術文献】

【特許文献】

【0007】

【文献】特開２００３－３２２６０２号公報

【文献】特開平０９－０２１７９７号公報

【文献】特開２０１３－１７０８３３号公報

【発明の概要】

【発明が解決しようとする課題】

【0008】

しかしながら、特許文献１～特許文献２に記載の技術は、何れも、特殊な試験装置が必要であり、著しく手間がかかる、という問題点があった。また、特許文献３に記載の技術は、流動解析の実施が必要であり、この技術においても、著しく手間がかかる、という問題点があった。なお、この問題点は、高流動コンクリートのみに関するものではなく、コンクリート全般に関するものである。

【0009】

本開示は、以上の事情を鑑みて成されたものであり、特殊な試験等を行う場合に比較して、より簡易にコンクリートの材料分離抵抗性を評価することのできる画像領域分類モデル作成装置、コンクリート評価装置、及びコンクリート評価プログラム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】

請求項１に記載の本発明に係る画像領域分類モデル作成装置は、コンクリートのスランプフローを撮影した画像であるスランプフロー画像、及び当該スランプフロー画像における粗骨材の領域とモルタルの領域とが識別可能とされた識別情報を取得する取得部と、前記取得部によって取得された前記スランプフロー画像に対して、前記粗骨材の領域と前記モルタルの領域との特徴を強調するものとして予め定められた画像処理を行う画像処理部と、前記画像処理部によって画像処理が行われた前記スランプフロー画像、及び当該スランプフロー画像に対応する前記識別情報を学習用データとして、前記スランプフロー画像を入力情報とし、当該スランプフロー画像における前記粗骨材の領域と前記モルタルの領域とを分類する情報を出力情報としたセグメンテーションモデルを学習させることで画像領域分類モデルを作成する作成部と、を備える。

【0011】

請求項１に記載の本発明に係る画像領域分類モデル作成装置によれば、スランプフロー画像、及び当該スランプフロー画像における粗骨材の領域とモルタルの領域とが識別可能とされた識別情報を取得し、取得したスランプフロー画像に対して、粗骨材の領域とモルタルの領域との特徴を強調するものとして予め定められた画像処理を行い、画像処理を行ったスランプフロー画像、及び当該スランプフロー画像に対応する識別情報を学習用データとして、スランプフロー画像を入力情報とし、当該スランプフロー画像における粗骨材の領域とモルタルの領域とを分類する情報を出力情報としたセグメンテーションモデルを学習させることで画像領域分類モデルを作成することで、当該画像領域分類モデルを用いることにより、特殊な試験等を行う場合に比較して、より簡易にコンクリートの材料分離抵抗性を評価することができる。

【0012】

請求項２に記載の本発明に係る画像領域分類モデル作成装置は、請求項１に記載の画像領域分類モデル作成装置であって、前記画像処理が、不均一照度を低減させる処理、ノイズ除去処理、及びコントラスト調整処理の少なくとも１つの処理であるものである。

【0013】

請求項２に記載の本発明に係る画像領域分類モデル作成装置によれば、画像処理を、不均一照度を低減させる処理、ノイズ除去処理、及びコントラスト調整処理の少なくとも１つの処理とすることで、不均一照度、ノイズ、及びコントラストの少なくとも１つの影響による画像領域分類モデルの性能の低下を抑制することができる。

【0014】

請求項３に記載の本発明に係る画像領域分類モデル作成装置は、請求項１又は請求項２に記載の画像領域分類モデル作成装置であって、前記スランプフロー画像が、グレイスケールの画像であるものである。

【0015】

請求項３に記載の本発明に係る画像領域分類モデル作成装置によれば、スランプフロー画像を、グレイスケールの画像とすることで、スランプフロー画像をカラー画像とする場合に比較して、より簡易に画像領域分類モデルを作成することができ、スランプフロー画像を２値のモノクロ画像とする場合に比較して、より高精度に画像領域分類モデルを作成することができる。

【0016】

請求項４に記載の本発明に係る画像領域分類モデル作成装置は、請求項１～請求項３の何れか１項に記載の画像領域分類モデル作成装置であって、前記識別情報が、前記画像処理部によって画像処理が行われた前記スランプフロー画像を用いて作成された情報であるものである。

【0017】

請求項４に記載の本発明に係る画像領域分類モデル作成装置によれば、識別情報を、画像処理部によって画像処理が行われたスランプフロー画像を用いて作成された情報とすることで、識別情報を作成し易くすることができる。

【0018】

請求項５に記載の本発明に係るコンクリート評価装置は、評価対象とするコンクリートのスランプフローを撮影した画像であるスランプフロー画像に対して、粗骨材の領域とモルタルの領域との特徴を強調するものとして予め定められた画像処理を行う画像処理部と、請求項１～請求項４の何れか１項に記載の画像領域分類モデル作成装置によって作成された画像領域分類モデルに対して、前記画像処理部によって画像処理が行われた前記スランプフロー画像を入力する入力部と、前記入力部による前記スランプフロー画像の入力によって前記画像領域分類モデルから出力された出力情報を用いて、当該スランプフロー画像における粗骨材の分布状態を示す分布状態情報を導出する導出部と、前記導出部によって導出された分布状態情報を用いて、前記評価対象とするコンクリートの材料分離抵抗性を評価する評価部と、を備える。

【0019】

請求項５に記載の本発明に係るコンクリート評価装置によれば、スランプフロー画像に対して、粗骨材の領域とモルタルの領域との特徴を強調するものとして予め定められた画像処理を行い、本発明の画像領域分類モデル作成装置によって作成された画像領域分類モデルに対して、画像処理が行われたスランプフロー画像を入力し、当該スランプフロー画像の入力によって画像領域分類モデルから出力された出力情報を用いて、当該スランプフロー画像における粗骨材の分布状態を示す分布状態情報を導出し、導出した分布状態情報を用いて、評価対象とするコンクリートの材料分離抵抗性を評価することで、特殊な試験等を行う場合に比較して、より簡易にコンクリートの材料分離抵抗性を評価することができる。

【0020】

請求項６に記載の本発明に係るコンクリート評価装置は、請求項５に記載のコンクリート評価装置であって、前記画像処理が、不均一照度を低減させる処理、ノイズ除去処理、及びコントラスト調整処理の少なくとも１つの処理であるものである。

【0021】

請求項６に記載の本発明に係るコンクリート評価装置によれば、画像処理を、不均一照度を低減させる処理、ノイズ除去処理、及びコントラスト調整処理の少なくとも１つの処理とすることで、適用した処理に応じた好適なスランプフロー画像を画像領域分類モデルに入力することができる結果、より高精度に、コンクリートの材料分離抵抗性を評価することができる。

【0022】

請求項７に記載の本発明に係るコンクリート評価装置は、請求項５又は請求項６に記載のコンクリート評価装置であって、前記スランプフロー画像が、グレイスケールの画像であるものである。

【0023】

請求項７に記載の本発明に係るコンクリート評価装置によれば、スランプフロー画像を、グレイスケールの画像とすることで、スランプフロー画像をカラー画像とする場合に比較して、より簡易にコンクリートの材料分離抵抗性を評価することができ、スランプフロー画像を２値のモノクロ画像とする場合に比較して、より高精度にコンクリートの材料分離抵抗性を評価することができる。

【0024】

請求項８に記載の本発明に係るコンクリート評価プログラムは、評価対象とするコンクリートのスランプフローを撮影した画像であるスランプフロー画像に対して、粗骨材の領域とモルタルの領域との特徴を強調するものとして予め定められた画像処理を行い、請求項１～請求項４の何れか１項に記載の画像領域分類モデル作成装置によって作成された画像領域分類モデルに対して、前記画像処理が行われた前記スランプフロー画像を入力し、前記スランプフロー画像の入力によって前記画像領域分類モデルから出力された出力情報を用いて、当該スランプフロー画像における粗骨材の分布状態を示す分布状態情報を導出し、導出した分布状態情報を用いて、前記評価対象とするコンクリートの材料分離抵抗性を評価する、処理をコンピュータに実行させる。

【0025】

請求項８に記載の本発明に係るコンクリート評価プログラムによれば、スランプフロー画像に対して、粗骨材の領域とモルタルの領域との特徴を強調するものとして予め定められた画像処理を行い、本発明の画像領域分類モデル作成装置によって作成された画像領域分類モデルに対して、画像処理が行われたスランプフロー画像を入力し、当該スランプフロー画像の入力によって画像領域分類モデルから出力された出力情報を用いて、当該スランプフロー画像における粗骨材の分布状態を示す分布状態情報を導出し、導出した分布状態情報を用いて、評価対象とするコンクリートの材料分離抵抗性を評価することで、特殊な試験等を行う場合に比較して、より簡易にコンクリートの材料分離抵抗性を評価することができる。

【発明の効果】

【0026】

以上説明したように、本発明によれば、特殊な試験等を行う場合に比較して、より簡易にコンクリートの材料分離抵抗性を評価することができる。

【図面の簡単な説明】

【0027】

【図1】実施形態に係る情報処理システムの構成の一例を示すブロック図である。

【図2】実施形態に係る情報処理装置のハードウェア構成の一例を示すブロック図である。

【図3】実施形態に係る情報処理装置の画像領域分類モデルの学習時における機能的な構成の一例を示すブロック図である。

【図4】実施形態に係る情報処理装置による画像領域分類モデルの学習方法の説明に供する図である。

【図5】実施形態に係る情報処理装置の画像領域分類モデルの運用時における機能的な構成の一例を示すブロック図である。

【図6】実施形態に係る学習用画像情報データベースの構成の一例を示す模式図である。

【図7】実施形態に係るラベリング情報データベースの構成の一例を示す模式図である。

【図8】実施形態に係るラベリング情報作成処理の一例を示すフローチャートである。

【図9】実施形態に係るラベリング用画面の構成の一例を示す正面図である。

【図10】実施形態に係る画像領域分類モデル作成処理の一例を示すフローチャートである。

【図11】実施形態に係るコンクリート評価処理の一例を示すフローチャートである。

【図12】実施形態に係るコンクリート評価処理の説明に供する図であり、各段階における具体的な画像、及び粗骨材分布グラフの一例を示す図である。

【図13】実施形態に係る評価結果画面の構成の一例を示す正面図である。

【図14】実施形態に係るコンクリート評価処理の効果の説明に供する図であり、画像処理前後のスランプフロー画像、画像領域分類モデルからの出力結果、及び粗骨材分布グラフの一例を示す図である。

【図15A】従来のエッジ抽出処理による粗骨材の領域の抽出結果の一例を示す図であり、左図が画像処理前のスランプフロー画像の一例を示す図であり、右図が粗骨材の抽出結果の一例を示す図である。

【図15B】従来の分水嶺セグメンテーション法による粗骨材の領域の抽出結果の一例を示す図であり、左図が画像処理前のスランプフロー画像の一例を示す図であり、右図が粗骨材の抽出結果の一例を示す図である。

【図16】実施形態に係るコンクリート評価処理の効果の説明に供する図であり、左図が画像領域分類モデルの学習に用いた学習用画像の一例を示す図であり、右図が実際の評価に用いた評価対象画像の一例を示す図である。

【図17】実施形態に係るコンクリート評価処理の効果の説明に供する図であり、図１６に示した評価対象画像を画像領域分類モデルの入力画像とした場合における、各種画像処理を選択的に実施した場合の具体的な画像の一例を示す図である。

【発明を実施するための形態】

【0028】

以下、図面を参照して、本発明を実施するための形態例を詳細に説明する。なお、本実施形態では、本発明の画像領域分類モデル作成装置及びコンクリート評価装置として情報処理装置を適用した場合について説明する。

【0029】

まず、図１を参照して、本実施形態に係る情報処理システム１の構成を説明する。図１は、本実施形態に係る情報処理システム１の構成の一例を示すブロック図である。

【0030】

図１に示すように、本実施形態に係る情報処理システム１は、本システムの中心的な役割を担う情報処理装置１０と、情報蓄積装置９０と、を含む。本実施形態に係る情報処理装置１０は、後述する画像領域分類モデルの学習、及び当該画像領域分類モデルを用いたコンクリートの評価を行う。また、本実施形態に係る情報蓄積装置９０は、情報処理装置１０で取り扱う各種情報を蓄積するものである。

【0031】

本実施形態に係る情報蓄積装置９０は不揮発性の記憶部９２を備えている。記憶部９２はＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等によって実現される。記憶媒体としての記憶部９２には、学習用画像情報データベース９２Ａ及びラベリング情報データベース９２Ｂが記憶されている。学習用画像情報データベース９２Ａ及びラベリング情報データベース９２Ｂについては、詳細を後述する。

【0032】

情報処理装置１０と、情報蓄積装置９０とは、ネットワークＮを介して接続されており、情報処理装置１０は、情報蓄積装置９０とネットワークＮを介して相互に通信可能とされている。なお、本実施形態では、ネットワークＮとしてＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等の企業内の通信回線を適用しているが、この形態に限定されるものではない。ネットワークＮとして、例えば、インターネット、電話回線等の公共の通信回線を適用してもよく、これらの企業内の通信回線及び公共の通信回線を組み合わせて適用してもよい。また、本実施形態では、ネットワークＮとして有線の通信回線を適用しているが、この形態に限定されるものではなく、無線の通信回線を適用してもよく、有線及び無線の各通信回線を組み合わせて適用してもよい。

【0033】

次に、図２を参照して、本実施形態に係る情報処理装置１０のハードウェア構成を説明する。図２は、本実施形態に係る情報処理装置１０のハードウェア構成の一例を示すブロック図である。なお、情報処理装置１０の例としては、パーソナルコンピュータ及びサーバコンピュータ等の各種コンピュータが挙げられる。

【0034】

本実施形態に係る情報処理装置１０は、ＣＰＵ（Central Processing Unit）１１、一時記憶領域としてのメモリ１２、不揮発性の記憶部１３、キーボードとマウス等の入力部１４、液晶ディスプレイ等の表示部１５、媒体読み書き装置（Ｒ／Ｗ）１６及び通信インタフェース（Ｉ／Ｆ）部１８を備えている。ＣＰＵ１１、メモリ１２、記憶部１３、入力部１４、表示部１５、媒体読み書き装置１６及び通信Ｉ／Ｆ部１８はバスＢを介して互いに接続されている。媒体読み書き装置１６は、記録媒体１７に書き込まれている情報の読み出し及び記録媒体１７への情報の書き込みを行う。

【0035】

記憶部１３はＨＤＤ、ＳＳＤ、フラッシュメモリ等によって実現される。記憶媒体としての記憶部１３には、ラベリング情報作成プログラム１３Ａ、画像領域分類モデル作成プログラム１３Ｂ、及びコンクリート評価プログラム１３Ｃが記憶されている。ラベリング情報作成プログラム１３Ａは、ラベリング情報作成プログラム１３Ａが書き込まれた記録媒体１７が媒体読み書き装置１６にセットされ、媒体読み書き装置１６が記録媒体１７からのラベリング情報作成プログラム１３Ａの読み出しを行うことで、記憶部１３へ記憶される。また、画像領域分類モデル作成プログラム１３Ｂは、画像領域分類モデル作成プログラム１３Ｂが書き込まれた記録媒体１７が媒体読み書き装置１６にセットされ、媒体読み書き装置１６が記録媒体１７からの画像領域分類モデル作成プログラム１３Ｂの読み出しを行うことで、記憶部１３へ記憶される。更に、コンクリート評価プログラム１３Ｃは、コンクリート評価プログラム１３Ｃが書き込まれた記録媒体１７が媒体読み書き装置１６にセットされ、媒体読み書き装置１６が記録媒体１７からのコンクリート評価プログラム１３Ｃの読み出しを行うことで、記憶部１３へ記憶される。ＣＰＵ１１は、ラベリング情報作成プログラム１３Ａ、画像領域分類モデル作成プログラム１３Ｂ、及びコンクリート評価プログラム１３Ｃを各々記憶部１３から読み出してメモリ１２に展開し、各プログラムが有するプロセスを順次実行する。

【0036】

また、記憶部１３には、画像領域分類モデル１３Ｄが記憶される。本実施形態に係る画像領域分類モデル１３Ｄは、コンクリートのスランプフローを撮影した画像であるスランプフロー画像を入力情報とし、当該スランプフロー画像における粗骨材の領域とモルタルの領域とを分類する情報を出力情報としたセグメンテーションモデルとして構成されている。

【0037】

なお、本実施形態では、上記セグメンテーションモデルとして、ファストランダムフォレスト（Fast Random Forest）をベースとしたモデルを適用しているが、これに限定されるものではない。セマンティック・セグメンテーション（Semantic Segmentation）モデル、インスタンス・セグメンテーション（Instance-aware Segmentation）モデル等の他のセグメンテーションモデルを画像領域分類モデル１３Ｄとして適用する形態としてもよい。

【0038】

また、通信Ｉ／Ｆ部１８には、ネットワークＮが接続されると共に、スランプフロー画像を撮影する撮影装置８０が接続されており、情報処理装置１０は、撮影装置８０からスランプフロー画像を入力することができる。本実施形態に係る撮影装置８０は、カラーの静止画像を撮影するものとされているが、これに限定されるものではない。グレイスケールの静止画像を撮影する撮影装置を撮影装置８０として適用する形態としてもよいし、２値のモノクロの静止画像を撮影する撮影装置を撮影装置８０として適用する形態としてもよい。また、撮影装置８０として、動画像を撮影する撮影装置を適用する形態としてもよい。

【0039】

次に、図３及び図４を参照して、本実施形態に係る情報処理装置１０の画像領域分類モデル１３Ｄの学習時における機能的な構成について説明する。図３は、本実施形態に係る情報処理装置１０の画像領域分類モデル１３Ｄの学習時における機能的な構成の一例を示すブロック図である。また、図４は、本実施形態に係る情報処理装置１０による画像領域分類モデル１３Ｄの学習方法の説明に供する図である。

【0040】

図３に示すように、画像領域分類モデル１３Ｄの学習時における情報処理装置１０は、取得部１１Ａ、画像処理部１１Ｂ、及び作成部１１Ｃを含む。情報処理装置１０のＣＰＵ１１が画像領域分類モデル作成プログラム１３Ｂを実行することで、取得部１１、画像処理部１１Ｂ、及び作成部１１Ｃとして機能する。

【0041】

本実施形態に係る取得部１１Ａは、スランプフロー画像（以下、「学習用画像」という。）、及び当該学習用画像における粗骨材の領域とモルタルの領域とが識別可能とされた識別情報（本実施形態では、後述するラベリング情報であり、以下、「ラベリング情報」という。）を取得する。なお、本実施形態では、学習用画像として、グレイスケールの画像を適用している。従って、学習用画像として撮影装置８０による撮影によって得られたスランプフロー画像を用いる場合は、当該画像はカラー画像であるため、情報処理装置１０は、当該カラー画像をグレイスケールの画像に変換する必要がある。但し、学習用画像は必ずしもグレイスケールの画像に限定されるものではなく、例えば、カラー画像や、２値のモノクロ画像を、学習用画像として適用する形態としてもよい。

【0042】

また、本実施形態に係る画像処理部１１Ｂは、取得部１１Ａによって取得された学習用画像に対して、粗骨材の領域とモルタルの領域との特徴を強調するものとして予め定められた画像処理を行う。なお、本実施形態では、上記画像処理として、不均一照度を低減させる処理、ノイズ除去処理、及びコントラスト調整処理の全ての処理を適用しているが、これに限定されるものではない。これらの処理の１つ、又は２つの組み合わせを画像処理として適用する形態としてもよい。また、本実施形態では、不均一照度を低減させる処理として、トップハットフィルタによる処理を適用し、ノイズ除去処理として、ガウシアンぼかし処理を適用し、コントラスト調整処理としてヒストグラム均等化処理及びヒストグラムマッチング処理を適用しているが、この形態に限定されるものでないことは言うまでもない。

【0043】

そして、本実施形態に係る作成部１１Ｃは、画像処理部１１Ｂによって画像処理が行われた学習用画像、及び当該学習用画像に対応するラベリング情報を学習用データとして、スランプフロー画像を入力情報とし、当該スランプフロー画像における粗骨材の領域とモルタルの領域とを分類する情報を出力情報としたセグメンテーションモデルを学習させることで画像領域分類モデル１３Ｄを作成する。

【0044】

また、本実施形態では、ラベリング情報を、画像処理部１１Ｂによって画像処理が行われた学習用画像を用いて作成された情報としている。本実施形態では、画像処理部１１Ｂによる画像処理後の学習用画像を表示部１５に表示させる。そして、本実施形態では、この状態で情報処理装置１０のユーザに対し、入力部１４を用いて、粗骨材の領域と、モルタルの領域との各々を異なる値でラベリングさせることで、ラベリング情報を作成する。これにより、情報処理装置１０のユーザは、粗骨材の領域とモルタルの領域との特徴が強調された学習用画像を参照しながらラベリングすることができる結果、より高精度かつ容易にラベリング情報を作成することができる。

【0045】

即ち、一例として図４に示すように、学習用画像５０Ａに対して画像処理部１１Ｂによって上述した画像処理が行われることで複数の特徴５０Ｂが抽出される。また、上述したように、画像処理部１１Ｂによって画像処理が行われた学習用画像５０Ａが用いられて、学習用画像５０Ａに対応するラベリング情報５０Ｃが得られる。そして、作成部１１Ｃにより、画像処理後の学習用画像５０Ａ及びラベリング情報５０Ｃが学習用データとして用いられて上述したセグメンテーションモデルを学習させることで、画像領域分類モデル１３Ｄが作成される。

【0046】

次に、図５を参照して、本実施形態に係る情報処理装置１０の画像領域分類モデル１３Ｄの運用時における機能的な構成について説明する。図５は、本実施形態に係る情報処理装置１０の画像領域分類モデル１３Ｄの運用時における機能的な構成の一例を示すブロック図である。

【0047】

図５に示すように、画像領域分類モデル１３Ｄの運用時における情報処理装置１０は、画像処理部１１Ｄ、入力部１１Ｅ、導出部１１Ｆ、及び評価部１１Ｇを含む。情報処理装置１０のＣＰＵ１１がコンクリート評価プログラム１３Ｃを実行することで、画像処理部１１Ｄ、入力部１１Ｅ、導出部１１Ｆ、及び評価部１１Ｇとして機能する。

【0048】

本実施形態に係る画像処理部１１Ｄは、評価対象とするコンクリートのスランプフローを撮影した画像であるスランプフロー画像（本実施形態では、撮影装置８０による撮影によって得られたスランプフロー画像であり、以下、「評価対象画像」という。）に対して、粗骨材の領域とモルタルの領域との特徴を強調するものとして予め定められた画像処理を行う。なお、本実施形態では、上記画像処理として、画像処理部１１Ｂによる画像処理と同様に、不均一照度を低減させる処理、ノイズ除去処理、及びコントラスト調整処理の全ての処理を適用しているが、これに限定されるものではない。これらの処理の１つ、又は２つの組み合わせを画像処理として適用する形態としてもよいことは、画像処理部１１Ｂの画像処理と同様である。また、本実施形態では、評価対象画像としても、学習用画像と同様に、グレイスケールの画像を適用しているが、これに限定されるものではない。評価対象画像としても、学習用画像と同様に、例えば、カラー画像や、２値のモノクロ画像を適用する形態としてもよい。

【0049】

また、本実施形態に係る入力部１１Ｅは、画像領域分類モデル１３Ｄに対して、画像処理部１１Ｄによって画像処理が行われた評価対象画像を入力する。この画像処理後の評価対象画像の入力により、画像領域分類モデル１３Ｄから、当該評価対象画像における粗骨材の領域とモルタルの領域とを分類する情報が出力される。

【0050】

そこで、本実施形態に係る導出部１１Ｆは、画像領域分類モデル１３Ｄから出力された情報を用いて、当該評価対象画像における粗骨材の分布状態を示す分布状態情報を導出する。そして、本実施形態に係る評価部１１Ｇは、導出部１１Ｆによって導出された分布状態情報を用いて、評価対象とするコンクリートの材料分離抵抗性を評価する。

【0051】

次に、図６を参照して、本実施形態に係る学習用画像情報データベース９２Ａについて説明する。図６に示すように、本実施形態に係る学習用画像情報データベース９２Ａは、画像ＩＤ（Identification）、及び画像情報が関連付けられて記憶されている。

【0052】

上記画像ＩＤは、学習用画像５０Ａを個別に識別するために、学習用画像５０Ａの各々毎に異なる情報として予め割り振られた情報である。また、上記画像情報は、対応する学習用画像５０Ａそのものを示す画像情報である。なお、本実施形態では、学習用画像５０Ａとして、学習用のスランプフローを撮影装置８０によって撮影して得られた画像を適用しているが、撮影装置８０以外の撮影装置を用いて得られた画像を学習用画像５０Ａとして適用する形態としてもよい。

【0053】

次に、図７を参照して、本実施形態に係るラベリング情報データベース９２Ｂについて説明する。図７に示すように、本実施形態に係るラベリング情報データベース９２Ｂは、画像ＩＤ、及びラベリング情報が関連付けられて記憶されている。

【0054】

上記画像ＩＤは、学習用画像情報データベース９２Ａの画像ＩＤと同一の情報であり、上記ラベリング情報は、上述したラベリング情報５０Ｃと同一の情報である。即ち、ラベリング情報データベース９２Ｂには、学習用画像情報データベース９２Ａに登録されている学習用画像５０Ａの各々に対応するラベリング情報５０Ｃが、一対一で対応付けられて記憶される。

【0055】

次に、図８～図１３を参照して、本実施形態に係る情報処理装置１０の作用を説明する。

【0056】

まず、図８～図９を参照して、ラベリング情報作成処理を実行する際の情報処理装置１０の作用を説明する。図８は、本実施形態に係るラベリング情報作成処理の一例を示すフローチャートである。また、図９は、本実施形態に係るラベリング用画面の構成の一例を示す正面図である。

【0057】

ユーザによってラベリング情報作成プログラム１３Ａの実行を開始する指示入力が入力部１４を介して行われた場合に、情報処理装置１０のＣＰＵ１１がラベリング情報作成プログラム１３Ａを実行することにより、図８に示すラベリング情報作成処理が実行される。なお、ここでは、錯綜を回避するために、学習用画像情報データベース９２Ａが構築済みである場合について説明する。

【0058】

図８のステップ２００で、ＣＰＵ１１は、学習用画像情報データベース９２Ａから何れか１組の画像ＩＤ及び画像情報（以下、「ラベリング時学習用画像」という。）を読み出す。ステップ２０２で、ＣＰＵ１１は、読み出したラベリング時学習用画像に対して、上述した画像処理部１１Ｂによる画像処理を実行する。

【0059】

ステップ２０４で、ＣＰＵ１１は、以上の処理を経たラベリング時学習用画像を用いて、予め定められた構成とされたラベリング用画面を表示するように表示部１５を制御し、ステップ２０６で、ＣＰＵ１１は、所定情報が入力されるまで待機する。

【0060】

図９には、本実施形態に係るラベリング用画面の一例が示されている。図９に示すように、本実施形態に係るラベリング用画面では、粗骨材とモルタルのラベリングを促すメッセージが表示されると共に、上記画像処理が行われたラベリング時学習用画像が表示される。

【0061】

一例として図９に示すラベリング用画面が表示部１５に表示されると、情報処理装置１０のユーザは、表示されているラベリング時学習用画像に対して、粗骨材の領域と、モルタルの領域とで異なる値を入力する。

【0062】

なお、本実施形態では、上記異なる値として、粗骨材の領域に対して「１」を入力し、モルタルの領域に対して「０」を入力する形態としているが、これに限定されるものではない。例えば、これとは逆に、粗骨材の領域に対して「０」を入力し、モルタルの領域に対して「１」を入力する形態としてもよい。また、例えば、粗骨材の領域に対して「Ａ」を入力し、モルタルの領域に対して「Ｂ」を入力する形態としてもよい。要は、粗骨材の領域とモルタルの領域とで異なる情報を入力する形態であれば、如何なる形態も適用することができる。

【0063】

また、本実施形態では、粗骨材の領域と、モルタルの領域とのラベリングを、ラベリング時学習用画像における画素単位で行っているが、これに限定されるものではない。例えば、ラベリング時学習用画像における予め定められた画素群毎にラベリングを行う形態としてもよい。

【0064】

情報処理装置１０のユーザは、ラベリング時学習用画像における粗骨材の領域及びモルタルの領域の各領域のラベリングが終了すると、終了ボタン１５Ａを、入力部１４を介して指定する。これに応じて、ステップ２０６が肯定判定となってステップ２０８に移行する。

【0065】

ステップ２０８で、ＣＰＵ１１は、以上の処理によって得られたラベリング時学習用画像に対するラベリング結果を示す情報を、当該ラベリング時学習用画像のラベリング情報として、対応する画像ＩＤと共にラベリング情報データベース９２Ｂに記憶する。

【0066】

ステップ２１０で、ＣＰＵ１１は、学習用画像情報データベース９２Ａに記憶されている全ての学習用画像５０Ａについて以上の処理が終了したか否かを判定し、否定判定となった場合はステップ２００に戻る一方、肯定判定となった時点で本ラベリング情報作成処理を終了する。なお、ステップ２００～ステップ２１０の処理を繰り返し実行する際に、ＣＰＵ１１は、それまでに処理対象としなかった学習用画像５０Ａをラベリング時学習用画像として適用する。

【0067】

以上のラベリング情報作成処理により、一例として図７に示すラベリング情報データベース９２Ｂが構築されることになる。

【0068】

次に、図１０を参照して、画像領域分類モデル作成処理を実行する際の情報処理装置１０の作用を説明する。図１０は、本実施形態に係る画像領域分類モデル作成処理の一例を示すフローチャートである。

【0069】

ユーザによって画像領域分類モデル作成プログラム１３Ｂの実行を開始する指示入力が入力部１４を介して行われた場合に、情報処理装置１０のＣＰＵ１１が画像領域分類モデル作成プログラム１３Ｂを実行することにより、図１０に示す画像領域分類モデル作成処理が実行される。なお、ここでは、錯綜を回避するために、学習用画像情報データベース９２Ａ及びラベリング情報データベース９２Ｂが構築済みである場合について説明する。

【0070】

図１０のステップ３００で、ＣＰＵ１１は、学習用画像情報データベース９２Ａ及びラベリング情報データベース９２Ｂから、画像ＩＤが共通する何れか１組の画像情報（以下、「学習時学習用画像」という。）及びラベリング情報を読み出す。ステップ３０２で、ＣＰＵ１１は、読み出した学習時学習用画像から、スランプフロー画像のみを円形状に抽出する処理（以下、「関心領域抽出処理」という。）を行った後、抽出後の円形状の学習時学習用画像に対して上述した画像処理部１１Ｂによる画像処理を実行する。なお、本実施形態では、上記関心領域抽出処理として、学習時学習用画像を、当該学習時学習用画像における略円形状のスランプフローの領域の外周部に内接する円で区分し、当該円の内部のみを抽出する処理を適用しているが、これに限定されるものではない。例えば、学習時学習用画像におけるスランプフローの領域のみが含まれ、かつ、最大径となる円を予め用意しておき、当該円を上記内接する円に代えて適用する形態としてもよい。

【0071】

ステップ３０４で、ＣＰＵ１１は、以上の処理を経た学習時学習用画像を入力情報とし、読み出したラベリング情報を出力情報として、画像領域分類モデル１３Ｄの学習を行う。

【0072】

ステップ３０６で、ＣＰＵ１１は、学習用画像情報データベース９２Ａに記憶されている全ての学習用画像５０Ａについて以上の処理が終了したか否かを判定し、否定判定となった場合はステップ３００に戻る一方、肯定判定となった時点で本画像領域分類モデル作成処理を終了する。なお、ステップ３００～ステップ３０６の処理を繰り返し実行する際に、ＣＰＵ１１は、それまでに処理対象としなかった学習用画像５０Ａを学習時学習用画像として適用する。

【0073】

次に、図１１～図１３を参照して、コンクリート評価処理を実行する際の情報処理装置１０の作用を説明する。図１１は、本実施形態に係るコンクリート評価処理の一例を示すフローチャートである。また、図１２は、本実施形態に係るコンクリート評価処理の説明に供する図であり、各段階における具体的な画像、及び粗骨材分布グラフの一例を示す図である。更に、図１３は、本実施形態に係る評価結果画面の構成の一例を示す正面図である。

【0074】

ユーザによってコンクリート評価プログラム１３Ｃの実行を開始する指示入力が入力部１４を介して行われた場合に、情報処理装置１０のＣＰＵ１１がコンクリート評価プログラム１３Ｃを実行することにより、図１１に示すコンクリート評価処理が実行される。なお、ここでは、錯綜を回避するために、撮影装置８０による撮影によって得られた、評価対象とし、かつ、グレイスケールに変換されたスランプフロー画像を示す評価対象画像が記憶部１３に記憶されている場合について説明する。また、ここでは、錯綜を回避するために、学習された画像領域分類モデル１３Ｄが作成済みである場合について説明する。

【0075】

図１０のステップ４００で、ＣＰＵ１１は、評価対象画像を記憶部１３から読み出す。ステップ４０２で、ＣＰＵ１１は、読み出した評価対象画像に対して、上述した関心領域抽出処理を行った後、上述した画像処理部１１Ｄによる画像処理を実行する。この関心領域抽出処理及び画像処理により、読み出した評価対象画像が一例として図１２に示す評価対象画像６０Ａである場合、一例として図１２に示す画像処理後の評価対象画像６０Ｂが得られる。

【0076】

ステップ４０４で、ＣＰＵ１１は、以上の処理を経た評価対象画像を画像領域分類モデル１３Ｄに入力する。この評価対象画像の入力によって画像領域分類モデル１３Ｄから、一例として図１２に示す、粗骨材の領域とモルタルの領域とがラベリングされた情報（以下、「画像領域分類情報」という。）６０Ｃが出力される。

【0077】

そこで、ステップ４０６で、ＣＰＵ１１は、画像領域分類モデル１３Ｄから出力された画像領域分類情報を取得する。ステップ４０８で、ＣＰＵ１１は、取得した画像領域分類情報を用いて、評価対象画像における粗骨材の分布状態を示す分布状態情報を導出する。本実施形態では、当該分布状態情報を以下のように導出する。

【0078】

まず、ＣＰＵ１１は、一例として図１２に示すように、関心領域抽出処理によって円形状とされた評価対象画像に対して、中心点を中心とした複数（図１２に示す例では、３つ）の同心円６０Ｄを想定する。次いで、ＣＰＵ１１は、想定した各同心円６０Ｄで区分される複数の区分領域毎に、粗骨材の領域の面積の、当該区分領域の総面積に対する割合（以下、「相対面積割合」という。）を算出する。そして、ＣＰＵ１１は、算出した区分領域毎の相対面積割合を用いて、一例として図１２に示すグラフ（以下、「粗骨材分布グラフ」という。）６０Ｅを上記分布状態情報として作成する。

【0079】

ステップ４１０で、ＣＰＵ１１は、ステップ４０８の処理によって得られた分布状態情報を用いて、評価対象画像に対応するコンクリートの材料分離抵抗性を評価する。なお、本実施形態では、当該コンクリートの材料分離抵抗性の評価として、当該コンクリートの材料分離抵抗性の高さが、予め定められた段階数（本実施形態では、１０段階）における、何段階目に位置しているのかを示す情報（以下、「材料分離抵抗レベル値」という。）を導出する処理を適用している。但し、この形態に限定されるものではなく、例えば、材料分離抵抗レベル値に代えて、材料分離抵抗のレベルをグラフィカルに示した画像を導出する処理を適用する形態としてもよい。

【0080】

ステップ４１２で、ＣＰＵ１１は、以上の処理によって得られた粗骨材分布グラフ６０Ｅ及び材料分離抵抗レベル値を用いて、予め定められた構成とされた評価結果画面を表示するように表示部１５を制御する。ステップ４１４で、ＣＰＵ１１は、所定情報が入力されるまで待機する。

【0081】

図１３には、本実施形態に係る評価結果画面の一例が示されている。図１３に示すように、本実施形態に係る評価結果画面では、粗骨材分布グラフ６０Ｅ及び材料分離抵抗レベル値が表示される。従って、情報処理装置１０のユーザは、評価結果画面を参照することで、評価対象とするコンクリートの材料分離抵抗性能を容易に把握することができる。

【0082】

一例として図１３に示す評価結果画面が表示部１５に表示されると、情報処理装置１０のユーザは、表示されている粗骨材分布グラフ６０Ｅ及び材料分離抵抗レベル値を参照した後、終了ボタン１５Ａを、入力部１４を介して指定する。これに応じて、ステップ４１４が肯定判定となって本コンクリート評価処理を終了する。

【0083】

実際の高流動コンクリートのフレッシュ試験を実施し、正常なスランプフローと、材料が分離したスランプフローに対して、本実施形態に係るコンクリート評価処理によって材料分離抵抗性に関するテストを実施した。なお、ここでは、正常なスランプフローに対するテストをテストＴ１と表し、材料が分離したスランプフローに対するテストをテストＴ２と表す。

【0084】

テストＴ１及びテストＴ２の各テストに用いたスランプフローの調合条件を表１に示す。なお、表１において、Ｗは水量を表し、Ｃはセメント量を表し、ｓ／ａは細骨材率を表す。

【0085】

【表1】

【0086】

図１４は、本実施形態に係るコンクリート評価処理の効果の説明に供する図であり、画像処理前後のスランプフロー画像、画像領域分類モデルからの出力結果、及び粗骨材分布グラフの一例を示す図である。

【0087】

図１４に示すように、本テストにおいて適用した画像領域分類モデルは学習回数が２回のみであったにも関わらず、テストＴ１及びテストＴ２の双方について粗骨材の領域とモルタルの領域とを良好に区分することができた。また、粗骨材分布グラフにおいても、テストＴ１については粗骨材の分布状況が略均一（略平坦）となっている一方、テストＴ２についてはスランプフローの中心部から端部にかけて、粗骨材の分布状況に大きく偏りがある状態となっていることを容易に把握することができる。画像領域分類モデルの学習回数を増加させることで、より正確に材料分離抵抗性が判断できるようになると考えられる。

【0088】

一方、図１５Ａは、従来のエッジ抽出処理による粗骨材の領域の抽出結果の一例を示す図であり、左図が画像処理前のスランプフロー画像の一例を示す図であり、右図が粗骨材の抽出結果の一例を示す図である。図１５Ａに示すように、この場合、粗骨材の領域以外に水跡も抽出されてしまい、良好な結果を得ることができなかった。

【0089】

また、図１５Ｂは、従来の分水嶺セグメンテーション法による粗骨材の領域の抽出結果の一例を示す図であり、左図が画像処理前のスランプフロー画像の一例を示す図であり、右図が粗骨材の抽出結果の一例を示す図である。図１５Ｂに示すように、この場合、一部の粗骨材の領域のみしか抽出されず、この場合も良好な結果を得ることができなかった。

【0090】

そこで、本実施形態では、画像領域分類モデル１３Ｄに入力させるスランプフロー画像に実施する画像処理として、不均一照度を低減させる処理、ノイズ除去処理、及びコントラスト調整処理の全てを適用している。以下、その効果について、図１６及び図１７を参照して説明する。図１６は、本実施形態に係るコンクリート評価処理の効果の説明に供する図であり、左図が画像領域分類モデルの学習に用いた学習用画像の一例を示す図であり、右図が実際の評価に用いた評価対象画像の一例を示す図である。また、図１７は、本実施形態に係るコンクリート評価処理の効果の説明に供する図であり、図１６に示した評価対象画像を画像領域分類モデルの入力画像とした場合における、各種画像処理を選択的に実施した場合の具体的な画像の一例を示す図である。

【0091】

図１７（Ａ）に示すように、スランプフロー画像のグレイスケール画像に対して何ら画像処理を実施しない場合は、同図の右端に示すように、粗骨材の領域の抽出が困難であった。また、図１７（Ｂ）に示すように、スランプフロー画像のグレイスケール画像に対して、不均一な照度を低減させる処理（ここでは、トップハットフィルタによる処理）及びノイズ除去処理（ここでは、ガウシアンぼかしフィルタによる処理）を実施した場合においても、同図の右端に示すように、粗骨材の領域の抽出が困難であった。

【0092】

これに対し、図１７（Ｃ）に示すように、スランプフロー画像のグレイスケール画像に対して、不均一な照度を低減させる処理及びノイズ除去処理に加えて、コントラスト調整処理（ここでは、ヒストグラム均等化処理）を実施した場合、当該コントラスト調整処理を実施しない場合に比較して、より明確に、粗骨材の領域を抽出することができた。

【0093】

更に、図１７（Ｄ）に示すように、スランプフロー画像のグレイスケール画像に対して、不均一な照度を低減させる処理、ノイズ除去処理、及びヒストグラム均等化処理に加えて、コントラスト調整処理の一種であるヒストグラムマッチング処理を実施した場合、当該ヒストグラムマッチング処理を実施しない場合に比較して、更に明確に、粗骨材の領域を抽出することができた。

【0094】

以上説明したように、本実施形態によれば、コンクリートのスランプフローを撮影した画像であるスランプフロー画像、及び当該スランプフロー画像における粗骨材の領域とモルタルの領域とが識別可能とされた識別情報（本実施形態では、ラベリング情報）を取得する取得部１１Ａと、取得部１１Ａによって取得されたスランプフロー画像に対して、粗骨材の領域とモルタルの領域との特徴を強調するものとして予め定められた画像処理を行う画像処理部１１Ｂと、画像処理部１１Ｂによって画像処理が行われたスランプフロー画像、及び当該スランプフロー画像に対応する識別情報を学習用データとして、スランプフロー画像を入力情報とし、当該スランプフロー画像における粗骨材の領域とモルタルの領域とを分類する情報を出力情報としたセグメンテーションモデルを学習させることで画像領域分類モデルを作成する作成部１１Ｃと、を備えている。従って、当該画像領域分類モデルを用いることにより、特殊な試験等を行う場合に比較して、より簡易にコンクリートの材料分離抵抗性を評価することができる。

【0095】

また、本実施形態によれば、画像処理部１１Ｂにより行われる画像処理を、不均一照度を低減させる処理、ノイズ除去処理、及びコントラスト調整処理の全ての処理としている。従って、不均一照度、ノイズ、及びコントラストの各々の影響による画像領域分類モデルの性能の低下を抑制することができる。

【0096】

また、本実施形態によれば、画像領域分類モデルの学習のために用いるスランプフロー画像として、グレイスケールの画像を適用している。従って、スランプフロー画像をカラー画像とする場合に比較して、より簡易に画像領域分類モデルを作成することができ、スランプフロー画像を２値のモノクロ画像とする場合に比較して、より高精度に画像領域分類モデルを作成することができる。

【0097】

また、本実施形態によれば、識別情報を、画像処理部１１Ｂによって画像処理が行われたスランプフロー画像を用いて作成された情報としている。従って、識別情報を作成し易くすることができる。

【0098】

また、本実施形態によれば、評価対象とするコンクリートのスランプフローを撮影した画像であるスランプフロー画像に対して、粗骨材の領域とモルタルの領域との特徴を強調するものとして予め定められた画像処理を行う画像処理部１１Ｄと、作成した画像領域分類モデルに対して、画像処理部１１Ｄによって画像処理が行われたスランプフロー画像を入力する入力部１１Ｅと、入力部１１Ｅによるスランプフロー画像の入力によって画像領域分類モデルから出力された出力情報を用いて、当該スランプフロー画像における粗骨材の分布状態を示す分布状態情報を導出する導出部１１Ｆと、導出部１１Ｆによって導出された分布状態情報を用いて、評価対象とするコンクリートの材料分離抵抗性を評価する評価部１１Ｇと、を備えている。従って、特殊な試験等を行う場合に比較して、より簡易にコンクリートの材料分離抵抗性を評価することができる。

【0099】

また、本実施形態によれば、画像処理部１１Ｄにより行われる画像処理を、不均一照度を低減させる処理、ノイズ除去処理、及びコントラスト調整処理の全ての処理としている。従って、これらの処理に応じた好適なスランプフロー画像を画像領域分類モデルに入力することができる結果、より高精度に、コンクリートの材料分離抵抗性を評価することができる。

【0100】

更に、本実施形態によれば、コンクリートの評価に用いるスランプフロー画像として、グレイスケールの画像を適用している。従って、スランプフロー画像をカラー画像とする場合に比較して、より簡易にコンクリートの材料分離抵抗性を評価することができ、スランプフロー画像を２値のモノクロ画像とする場合に比較して、より高精度にコンクリートの材料分離抵抗性を評価することができる。

【0101】

なお、上記実施形態において、例えば、取得部１１Ａ、画像処理部１１Ｂ、作成部１１Ｃ、画像処理部１１Ｄ、入力部１１Ｅ、導出部１１Ｆ、及び評価部１１Ｇの各処理を実行する処理部（processing unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（processor）を用いることができる。上記各種のプロセッサには、前述したように、ソフトウェア（プログラム）を実行して処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field-Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

【0102】

処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせや、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、処理部を１つのプロセッサで構成してもよい。

【0103】

処理部を１つのプロセッサで構成する例としては、第１に、クライアント及びサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：SoC）等に代表されるように、処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。

【0104】

更に、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）を用いることができる。

【符号の説明】

【0105】

１０ 情報処理装置
１１ ＣＰＵ
１１Ａ 取得部
１１Ｂ 画像処理部
１１Ｃ 作成部
１１Ｄ 画像処理部
１１Ｅ 入力部
１１Ｆ 導出部
１１Ｇ 評価部
１２ メモリ
１３ 記憶部
１３Ａ ラベリング情報作成プログラム
１３Ｂ 画像領域分類モデル作成プログラム
１３Ｃ コンクリート評価プログラム
１３Ｄ 画像領域分類モデル
１４ 入力部
１５ 表示部
１５Ａ 終了ボタン
１６ 媒体読み書き装置
１７ 記録媒体
１８ 通信Ｉ／Ｆ部
５０Ａ 学習用画像
５０Ｂ 特徴
５０Ｃ ラベリング情報
６０Ａ 評価対象画像
６０Ｂ 評価対象画像
６０Ｃ 画像領域分類情報
６０Ｄ 同心円
６０Ｅ 粗骨材分布グラフ
８０ 撮影装置
９０ 情報蓄積装置
９２ 記憶部
９２Ａ 学習用画像情報データベース
９２Ｂ ラベリング情報データベース

【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15A】

【図15B】

【図16】

【図17】