特許 7527789 類別装置及び類別方法

(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】2024-07-26

(45)【発行日】2024-08-05

(54)【発明の名称】類別装置及び類別方法

(51)【国際特許分類】

   G01S 13/90 20060101AFI20240729BHJP

   G06T 7/00 20170101ALI20240729BHJP

   G01S 7/41 20060101ALI20240729BHJP

   G06T 1/00 20060101ALI20240729BHJP

【ＦＩ】

G01S13/90 164

G06T7/00 350B

G01S13/90 191

G01S7/41

G06T1/00 285

G06T7/00 640

【請求項の数】 8

(21)【出願番号】P 2020000791

(22)【出願日】2020-01-07

(65)【公開番号】P2021110565

(43)【公開日】2021-08-02

【審査請求日】2022-11-11

(73)【特許権者】

【識別番号】000003078

【氏名又は名称】株式会社東芝

(73)【特許権者】

【識別番号】598076591

【氏名又は名称】東芝インフラシステムズ株式会社

(74)【代理人】

【識別番号】110003708

【氏名又は名称】弁理士法人鈴榮特許綜合事務所

(72)【発明者】

【氏名】三上 成

(72)【発明者】

【氏名】戸田 俊一

【審査官】山下 雅人

(56)【参考文献】

【文献】特開２０１２－１２８５５８（ＪＰ，Ａ）

【文献】特開２０１９－１７５１４２（ＪＰ，Ａ）

【文献】中国特許出願公開第１１０６３３７２７（ＣＮ，Ａ）

【文献】中国特許出願公開第１１０４２７９８１（ＣＮ，Ａ）

【文献】特開２０１９－１７５４６２（ＪＰ，Ａ）

【文献】特開２０１８－０６３５２４（ＪＰ，Ａ）

【文献】特開２０１６－０５７１６４（ＪＰ，Ａ）

【文献】特表２０１７－５２２５４８（ＪＰ，Ａ）

【文献】特開２０１５－０２１８２４（ＪＰ，Ａ）

【文献】特開２０１２－０２６９７６（ＪＰ，Ａ）

【文献】特開２００９－２８９０７８（ＪＰ，Ａ）

【文献】米国特許出願公開第２００９／０１８４８６５（ＵＳ，Ａ１）

【文献】特開２００５－３１５８３７（ＪＰ，Ａ）

【文献】特開２００４－０９３１６６（ＪＰ，Ａ）

【文献】特開２００３－３３１２８９（ＪＰ，Ａ）

【文献】特開平１１－２８１７３９（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１７／００７６４３８（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１７／００６１６２５（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１６／０３２８８３８（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｓ７／００ － ７／４２

Ｇ０１Ｓ１３／００－１３／９５

Ｇ０８Ｇ １／００－９９／００

Ｇ０６Ｔ１／００

Ｇ０６Ｔ７／００

(57)【特許請求の範囲】

【請求項1】

ＩＳＡＲ画像に基づいて艦船の類別をする類別装置であって、
艦船の動きとＩＳＡＲ画像の取得の優先度との関係を学習させて作成された第１の学習済みモデルにレーダ装置によって探索された複数の艦船の動きのデータを入力することによって、複数の艦船の間のＩＳＡＲ画像の取得の優先度を判定し、高い優先度を有する艦船のＩＳＡＲ画像の取得を前記レーダ装置に実施させる優先度判定部と、
ＩＳＡＲ画像の設定と前記類別の成否との関係を学習させて作成された第２の学習済みモデルに前記レーダ装置によって取得された複数の前記ＩＳＡＲ画像を入力することによって、前記レーダ装置によって取得された複数の前記ＩＳＡＲ画像の設定を調整する調整部と、
ＩＳＡＲ画像に写っている艦船の形状の視認性と前記類別の成否との組み合わせから、類別に良好なＩＳＡＲ画像の特徴量を学習させて作成された第３の学習済みモデルに前記調整部によって調整された複数の前記ＩＳＡＲ画像を入力することによって、前記調整部によって調整された複数の前記ＩＳＡＲ画像の中から類別のために良好なＩＳＡＲ画像を選択する選択部と、
艦船の特徴量と艦船の種類との関係を学習させて作成された第４の学習済みモデルに前記選択部によって選択された前記ＩＳＡＲ画像を入力することによって、前記選択部によって選択された前記ＩＳＡＲ画像に写っている艦船の種類を判別する判別部と、
艦船の特徴量と艦船の艦級との関係を学習させて作成された第５の学習済みモデルに前記選択部によって選択された前記ＩＳＡＲ画像を入力することによって、前記選択部によって選択された前記ＩＳＡＲ画像に写っている艦船の艦級を類別する類別部と、
を具備する類別装置。

【請求項2】

前記第１の学習済みモデルは、サポートベクトルマシンによる機械学習モデルである請求項１に記載の類別装置。

【請求項3】

前記動きは、艦船の進行方向、速さ、前記レーダ装置のアスペクト角を含む請求項１又は２に記載の類別装置。

【請求項4】

前記第２の学習済みモデル、前記第３の学習済みモデル、前記第４の学習済みモデル及び前記第５の学習済みモデルは、ディープラーニングによる機械学習モデルである請求項１乃至３の何れか１項に記載の類別装置。

【請求項5】

前記類別装置は、航空機に搭載される請求項１乃至４の何れか１項に記載の類別装置。

【請求項6】

ＩＳＡＲ画像に基づいて艦船の類別をする類別装置であって、
艦船の動きとＩＳＡＲ画像の取得の優先度との関係を学習させて作成された第１の学習済みモデルにレーダ装置によって探索された複数の艦船の動きのデータを入力することによって、複数の艦船の間のＩＳＡＲ画像の取得の優先度を判定し、高い優先度を有する艦船のＩＳＡＲ画像の取得を前記レーダ装置に実施させる優先度判定部を具備する類別装置。

【請求項7】

ＩＳＡＲ画像に基づいて艦船の類別をする類別装置であって、
ＩＳＡＲ画像の設定と前記類別の成否との関係を学習させて作成された第２の学習済みモデルにレーダ装置によって取得された複数の前記ＩＳＡＲ画像を入力することによって、前記レーダ装置によって取得された複数の前記ＩＳＡＲ画像の設定を調整する調整部を具備する類別装置。

【請求項8】

ＩＳＡＲ画像に基づいて艦船の類別をする類別方法であって、
艦船の動きとＩＳＡＲ画像の取得の優先度との関係を学習させて作成された第１の学習済みモデルにレーダ装置によって探索された複数の艦船の動きのデータを入力することによって、複数の艦船の間のＩＳＡＲ画像の取得の優先度を判定し、高い優先度を有する艦船のＩＳＡＲ画像の取得を前記レーダ装置に実施させることと、
ＩＳＡＲ画像の設定と前記類別の成否との関係を学習させて作成された第２の学習済みモデルに前記レーダ装置によって取得された複数の前記ＩＳＡＲ画像を入力することによって、前記レーダ装置によって取得された複数の前記ＩＳＡＲ画像の設定を調整することと、
ＩＳＡＲ画像に写っている艦船の形状の視認性と前記類別の成否との組み合わせから、類別に良好なＩＳＡＲ画像の特徴量を学習させて作成された第３の学習済みモデルに前記調整された複数の前記ＩＳＡＲ画像を入力することによって、前記調整された複数の前記ＩＳＡＲ画像の中から類別のために良好なＩＳＡＲ画像を選択することと、
艦船の特徴量と艦船の種類との関係を学習させて作成された第４の学習済みモデルに前記選択された前記ＩＳＡＲ画像を入力することによって、前記選択された前記ＩＳＡＲ画像に写っている艦船の種類を判別することと、
艦船の特徴量と艦船の艦級との関係を学習させて作成された第５の学習済みモデルに前記選択された前記ＩＳＡＲ画像を入力することによって、前記選択された前記ＩＳＡＲ画像に写っている艦船の艦級を類別することと、
を具備する類別方法。

【発明の詳細な説明】

【技術分野】

【0001】

本実施形態は、類別装置及び類別方法に関する。

【背景技術】

【0002】

逆合成開口レーダ（ＩＳＡＲ：Inverse Synthetic Aperture RADAR）は、いわゆる画像化レーダ装置の一つとして知られている。ＩＳＡＲは、レーダの送信信号の反射エコーから、艦船等の目標を画像化する。この種のレーダ装置の多くは航空機に搭載され、遠方から目標を類別するために用いられる。

【先行技術文献】

【特許文献】

【0003】

【文献】特許第３４１２９７３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

現状、ＩＳＡＲ画像から目標を類別するまでの処理には人（オペレータ）が介在している。したがって、オペレータに負担がかかりやすい。また、ＩＳＡＲ画像から目標を類別するまでの処理には機材操作への高い習熟度が求められるものもある。つまり、オペレータの習熟度によっては適切な類別を行うことができない場合もある。

【0005】

本発明が解決しようとする課題は、省力化を図った類別装置及び類別方法を提供することにある。

【課題を解決するための手段】

【0006】

実施形態によれば、類別装置は、ＩＳＡＲ画像に基づいて艦船の類別をする類別装置であって、優先度判定部と、調整部と、選択部と、判別部と、類別部とを有する。優先度判定部は、艦船の動きとＩＳＡＲ画像の取得の優先度との関係を学習させて作成された第１の学習済みモデルにレーダ装置によって探索された複数の艦船の動きのデータを入力することによって、複数の艦船の間のＩＳＡＲ画像の取得の優先度を判定し、高い優先度を有する艦船のＩＳＡＲ画像の取得をレーダ装置に実施させる。調整部は、ＩＳＡＲ画像の設定と類別の成否との関係を学習させて作成された第２の学習済みモデルにレーダ装置によって取得された複数のＩＳＡＲ画像を入力することによって、レーダ装置によって取得された複数のＩＳＡＲ画像の設定を調整する。選択部は、ＩＳＡＲ画像に写っている艦船の形状の視認性と類別の成否との組み合わせから、類別に良好なＩＳＡＲ画像の特徴量を学習させて作成された第３の学習済みモデルに調整部によって調整された複数のＩＳＡＲ画像を入力することによって、調整部によって調整された複数のＩＳＡＲ画像の中から類別のために良好なＩＳＡＲ画像を選択する。判別部は、艦船の特徴量と艦船の種類との関係を学習させて作成された第４の学習済みモデルに選択部によって選択されたＩＳＡＲ画像を入力することによって、選択部によって選択されたＩＳＡＲ画像に写っている艦船の種類を判別する。類別部は、艦船の特徴量と艦船の艦級との関係を学習させて作成された第５の学習済みモデルに選択部によって選択されたＩＳＡＲ画像を入力することによって、選択部によって選択されたＩＳＡＲ画像に写っている艦船の艦級を類別する。

【図面の簡単な説明】

【0007】

【図1】図１は、一実施形態の類別システムの構成を示すブロック図である。

【図2】図２は、レーダ装置の構成を示すブロック図である。

【図3】図３は、サーバの構成を示すブロック図である。

【図4】図４は、プロセッサの機能ブロック図である。

【図5】図５は、レーダ装置の動作を示すフローチャートである。

【図6】図６は、ＩＳＡＲ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】

【0008】

以下、図面を参照して実施形態を説明する。図１は、一実施形態の類別システムの構成を示すブロック図である。類別システム１は、レーダ装置１００と、サーバ２００とを有している。レーダ装置１００は、例えば航空機に搭載され、海上の対象物Ｏを探索するために用いられる。対象物Ｏは、例えば艦船である。サーバ２００は、陸上に設置されている。

【0009】

図２は、レーダ装置１００の構成を示すブロック図である。レーダ装置１００は、送信機１１０と、サーキュレータ１２０と、アンテナ１３０と、受信機１４０と、プロセッサ１５０と、ストレージ１６０と、入力装置１７０と、表示装置１８０とを有している。

【0010】

送信機１１０は、所定の送信周期で送信信号を生成する。そして、送信機１１０は、生成した送信信号を、サーキュレータ１２０を介してアンテナ１３０から空間へ送信する。アンテナ１３０から送信された送信信号の一部は、目標で反射され、反射エコーとしてアンテナ１３０により受信される。

【0011】

サーキュレータ１２０は、送信信号と受信信号とを分離するための循環回路である。サーキュレータ１２０は、送信機１１０によって生成された送信信号をアンテナ１３０へ供給し、アンテナ１３０で受信された反射エコーを受信信号として受信機１４０へ供給する。

【0012】

受信機１４０は、送信機１１０の送信周期に基づいて受信信号からレーダビデオ信号を生成する。受信機１４０は、生成したレーダビデオ信号をプロセッサ１５０へ出力する。

【0013】

プロセッサ１５０は、ＣＰＵ（Central Processing Unit）等のプロセッサと、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等のプロセッサが処理を実行するためのメモリとを含む。プロセッサ１５０は、レーダ装置１００の動作を制御する。例えば、プロセッサ１５０は、レーダ装置１００のモードを探索モードとＩＳＡＲモードとの間で切り替える。探索モードは、レーダ装置１００を中心とした放射方向に向けて送信信号が送信されるように送信機１１０を制御することによって、海上の多数の対象物を探索するモードである。ＩＳＡＲモードは、プロセッサ１５０から指示された対象物に向けて送信信号が送信されるように送信機１１０を制御することによって、プロセッサ１５０から指示された対象物のＩＳＡＲ画像を取得するモードである。また、プロセッサ１５０は、探索モードにおいては、受信機１４０から入力された受信信号からＰＰＩ（Plane Position Indicator）画像を生成する。また、プロセッサ１５０は、ＩＳＡＲモードにおいては、受信機１４０から入力された受信信号からＩＳＡＲ画像を生成する。また、プロセッサ１５０は、探索モードのレーダ装置１００において探索される多数の艦船の間の優先度を判定する。そして、プロセッサ１５０は、優先度の高い艦船のＩＳＡＲ画像の取得のためにレーダ装置１００のモードをＩＳＡＲモードに切り替える。また、プロセッサ１５０は、レーダ装置１００において生成された多数のＩＳＡＲ画像から、目標の艦級を類別するために良好なＩＳＡＲ画像を選択する。また、プロセッサ１５０は、選択したＩＳＡＲ画像から目標の艦級を類別する。プロセッサ１５０は、ＡＳＩＣ(Application Specific Integrated Circuit)、ＦＰＧＡ(Field Programmable Gate Array)又はＤＳＰ(Digital Signal Processor)等のデジタル信号処理器によって処理を行うように構成されていてもよい。また、プロセッサ１５０は、単一のＣＰＵ等で構成されていてもよいし、複数のＣＰＵ等で構成されていてもよい。

【0014】

ストレージ１６０は、レーダ装置１００の動作に必要なプログラム、パラメータを記憶するための記憶装置である。また、ストレージ１６０は、艦船の優先度の判定、ＩＳＡＲ画像の選択、ＩＳＡＲ画像からの艦船の類別に用いられる学習済みモデルを記憶するための記憶装置である。ストレージ１６０は、ハードディスク、ソリッドステートドライブ等であってよい。学習済みモデルについては後で詳しく説明する。

【0015】

入力装置１７０は、レーダ装置１００のオペレータからの操作を受け付けるためのインタフェースである。入力装置１７０は、キーボード、マウス、トラックボール、ジョイスティック、タッチパネル等であってよい。入力装置１７０は、オペレータからの操作に応じた操作信号を、プロセッサ１５０に供給する。プロセッサ１５０は、この操作信号に応じて各種の処理を行う。

【0016】

表示装置１８０は、液晶ディスプレイ、有機ＥＬディスプレイ等を備え、プロセッサ１５０で処理された信号に基づいて各種の画像を表示する。

【0017】

図３は、類別装置の一例としてのサーバ２００の構成を示すブロック図である。サーバ２００は、プロセッサ２１０と、ストレージ２２０と、入力装置２３０と、表示装置２４０とを有している。

【0018】

プロセッサ２１０は、ＣＰＵ（Central Processing Unit）等のプロセッサと、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等のプロセッサが処理を実行するためのメモリとを含む。プロセッサ２１０は、サーバ２００の動作を制御する。プロセッサ２１０は、ＡＳＩＣ(Application Specific Integrated Circuit)、ＦＰＧＡ(Field Programmable Gate Array)又はＤＳＰ(Digital Signal Processor)等のデジタル信号処理器によって処理を行うように構成されていてもよい。また、プロセッサ２１０は、単一のＣＰＵ等で構成されていてもよいし、複数のＣＰＵ等で構成されていてもよい。

【0019】

ストレージ２２０は、サーバ２００の動作に必要なプログラム、パラメータを記憶するための記憶装置である。ストレージ２２０は、ハードディスク、ソリッドステートドライブ等であってよい。また、ストレージ２２０は、艦船の優先度の判定、ＩＳＡＲ画像の選択、ＩＳＡＲ画像からの艦船の類別に用いられる学習モデルを記憶するための記憶装置である。なお、学習モデルは、ストレージ２２０とは別の記憶装置に記憶されていてもよい。

【0020】

入力装置２３０は、サーバ２００のオペレータからの操作を受け付けるためのインタフェースである。入力装置２３０は、キーボード、マウス、タッチパネル等であってよい。入力装置２３０は、オペレータからの操作に応じた操作信号を、プロセッサ２１０に供給する。プロセッサ２１０は、この操作信号に応じて各種の処理を行う。

【0021】

表示装置２４０は、液晶ディスプレイ、有機ＥＬディスプレイ等を備え、プロセッサ２１０で処理された信号に基づいて各種の画像を表示する。

【0022】

図４は、プロセッサ１５０の機能ブロック図である。プロセッサ１５０は、優先度判定部１５１と、調整部１５２と、選択部１５３と、判別部１５４と、類別部１５５とを有している。

【0023】

優先度判定部１５１は、艦船の間のＩＳＡＲ画像の取得の優先度を判定する。そして、優先度判定部１５１は、高い優先度の艦船のＩＳＡＲ画像を取得させるためにレーダ装置１００の送信機１１０に対して指示をする。優先度判定部１５１は、例えばＳＶＭ（Support Vector Machine）による学習済みモデル１６１によって優先度を判定する。

【0024】

学習済みモデル１６１は、例えば、ストレージ１６０に記憶され、艦船の動きに関するデータを入力データとし、優先度の分類結果を出力するように構成された機械学習モデルである。艦船の動きに関するデータは、艦船の進行方向、艦船の速さ、艦船に対するレーダ装置１００のアスペクト角（受信信号の到来角度）を含むベクトルデータであってよい。学習済みモデル１６１の学習は、サーバ２００において行われる。学習に当たっては、進行方向、速さ、アスペクト角を含むベクトルデータのそれぞれに対して優先度のラベルが付けられる。この優先度は、例えばオペレータによる入力装置２３０の操作に従って付けられてよい。優先度は、例えば「高」、「低」の２つのクラスに分けられている。そして、ベクトルデータと優先度との組み合わせから、優先度「高」と優先度「低」との境界を表す識別面が学習される。サーバ２００において生成された学習済みモデルは、学習済みモデル１６１としてレーダ装置１００の例えばストレージ１６０に記憶される。優先度判定部１５１は、このような学習済みモデル１６１に基づき、入力された艦船の動きに関するデータから艦船の優先度を判定する。そして、優先度判定部１５１は、高い優先度を有する艦船のＩＳＡＲ画像を取得させるべく、送信機１１０にＩＳＡＲモードへの移行指示をする。

【0025】

ここで、例では艦船の動きに関するベクトルデータは、艦船の進行方向、艦船の速さ、レーダ装置１００のアスペクト角の３つであるとしている。しかしながら、ベクトルデータは、これら３つ以外のデータを含んでいてもよい。また、優先度は、「高」、「低」の２つのクラスに分けられている。しかしながら、優先度は、３つ以上のクラスに分けられていてもよい。

【0026】

調整部１５２は、複数のＩＳＡＲ画像の設定を調整する。調整部１５２は、畳み込みニューラルネットワーク、ランダムフォレスト等を用いたディープラーニングによる学習済みモデル１６２によって調整のための判定をする。

【0027】

学習済みモデル１６２は、例えば、ストレージ１６０に記憶され、ＩＳＡＲ画像のデータを入力データとし、設定の調整量を出力するように構成された機械学習モデルである。設定は、例えば画像の輝度、コントラストを含む。学習済みモデル１６２の学習はサーバ２００において行われる。学習に当たっては、ＩＳＡＲ画像のそれぞれに対して類別の成否のラベルが付けられる。つまり、後で説明する類別が正しく行われたＩＳＡＲ画像に対しては成功のラベルが付けられ、類別が正しく行われなかったＩＳＡＲ画像に対しては失敗のラベルが付けられる。艦船の類別が正しく行われたか否かは、例えばサーバ２００のオペレータによる入力装置２３０の操作によって指定されてよい。そして、ＩＳＡＲ画像の設定と類別の成否との組み合わせから、類別のために良好な基準のＩＳＡＲ画像の設定が学習される。サーバ２００において生成された学習済みモデルは、学習済みモデル１６２としてレーダ装置１００の例えばストレージ１６０に記憶される。調整部１５２は、このような学習済みモデル１６２に基づき、入力されたＩＳＡＲ画像の設定を基準のＩＳＡＲ画像の設定に近づけるための設定の調整量を判定する。そして、調整部１５２は、判定した調整量に応じて入力されたＩＳＡＲ画像の輝度、コントラスト等を調整する。

【0028】

ここで、例ではＩＳＡＲ画像の設定は、輝度、コントラストの２つであるとしている。しかしながら、設定は、これら２つ以外を含んでいてもよい。また、設定は、レーダ装置１００の個体差に係るデータを含んでいてもよい。例えば、基準のＩＳＡＲ画像にレーダ装置１００の個体差に係るデータが関連付けられているとき、調整部１５２は、個体差によるＩＳＡＲ画像のずれも含めて調整してよい。

【0029】

また、学習のためのＩＳＡＲ画像の設定のデータは、オペレータによる入力装置２３０の操作によって与えられてもよい。この場合のＩＳＡＲ画像には、無条件で成功のラベルが付けられてよい。

【0030】

選択部１５３は、調整部１５２で調整された複数のＩＳＡＲ画像の中から、類別に適したＩＳＡＲ画像を選択する。選択部１５３は、畳み込みニューラルネットワーク等を用いたディープラーニングによる学習済みモデル１６３によってＩＳＡＲ画像を選択する。

【0031】

学習済みモデル１６３は、例えば、ストレージ１６０に記憶され、ＩＳＡＲ画像のデータを入力データとし、入力されたＩＳＡＲ画像が類別に適しているか否かの判定結果のデータを出力するように構成された機械学習モデルである。学習済みモデル１６３の学習はサーバ２００において行われる。学習に当たっては、艦船の形状の視認性に関わるデータのそれぞれに対して類別の成否のラベルが付けられる。艦船の形状の視認性に関わるデータは、例えば艦船の全体が写っているＩＳＡＲ画像のデータ、艦船の一部のみが写っているＩＳＡＲ画像のデータ、艦船の向きの異なるＩＳＡＲ画像のデータといったように、同一の艦船（艦級）の各種の形状の異なるＩＳＡＲ画像のデータである。そして、艦船の形状の視認性に関わるデータと類別の成否との組み合わせから、類別に良好なＩＳＡＲ画像の特徴量が学習される。そして、学習済みモデル１６３は、入力されたＩＳＡＲ画像の特徴量が類別に良好なＩＳＡＲ画像の特徴量と一致しているときには類別に適している旨のデータを出力し、一致していないときには類別に適していない旨のデータを出力する。特徴点の検出と特徴量の抽出は、ＳＩＦＴ(Scale Invariant Feature Transform)等を用いて行われてよい。サーバ２００において生成された学習済みモデルは、学習済みモデル１６３としてレーダ装置１００の例えばストレージ１６０に記憶される。選択部１５３は、このような学習済みモデル１６３に基づき、入力されたＩＳＡＲ画像が、類別のために良好なＩＳＡＲ画像を選択する。

【0032】

判別部１５４は、選択部１１３で選択されたＩＳＡＲ画像に写っている艦船の種類を判別する。判別部１５４は、畳み込みニューラルネットワーク等を用いたディープラーニングによる学習済みモデル１６４によって艦船の種類を判別する。

【0033】

学習済みモデル１６４は、例えば、ストレージ１６０に記憶され、ＩＳＡＲ画像のデータを入力データとし、艦船の種類のデータを出力するように構成された機械学習モデルである。艦船の種類のデータは、例えば軍艦、商船といった各種の艦船の種類を示すデータである。学習済みモデル１６４の学習はサーバ２００において行われる。学習に当たっては、各種の艦船が写っているＩＳＡＲ画像に対して艦船の種類を示すラベルが付けられる。そして、各種の艦船のＩＳＡＲ画像と艦船の種類との組み合わせから、艦船の特徴量と種類との関係が学習される。そして、学習済みモデル１６４は、入力されたＩＳＡＲ画像の特徴量と類似する特徴量を有するＩＳＡＲ画像を判定し、この類似する特徴量を有するＩＳＡＲ画像に関連付けられている艦船の種類を表すデータを出力する。特徴点の検出と特徴量の抽出は、ＳＩＦＴ等を用いて行われてよい。サーバ２００において生成された学習済みモデルは、学習済みモデル１６４としてレーダ装置１００の例えばストレージ１６０に記憶される。判別部１５４は、このような学習済みモデル１６４に基づき、入力されたＩＳＡＲ画像から、艦船の種類を判別する。判別部１５４は、判別された艦船が商船であるときには、レーダ装置１００を探索モードに戻すべく、レーダ装置１００に移行指示をする。

【0034】

ここで、例では艦船の種類は、軍艦と商船の２つであるとしている。しかしながら、艦船の種類は、これら２つ以外を含んでいてもよい。

【0035】

類別部１５５は、判別部１５４で商船でないと判別されたＩＳＡＲ画像に写っている艦船の艦級を類別する。類別部１５５は、畳み込みニューラルネットワーク等を用いたディープラーニングによる学習済みモデル１６５によって艦船の艦級を類別する。

【0036】

学習済みモデル１６５は、例えば、ストレージ１６０に記憶され、ＩＳＡＲ画像のデータを入力データとし、艦船の艦級のデータを出力するように構成された機械学習モデルである。学習済みモデル１６５の学習はサーバ２００において行われる。学習に当たっては、各種の艦級の艦船が写っているＩＳＡＲ画像に対して艦級を示すラベルが付けられる。そして、各種の艦級の艦船のＩＳＡＲ画像と艦級との組み合わせから、艦船の特徴量と艦級との関係が学習される。そして、学習済みモデル１６５は、入力されたＩＳＡＲ画像の特徴量と類似する特徴量を有するＩＳＡＲ画像を判定し、この類似する特徴量を有するＩＳＡＲ画像に関連付けられている艦級を表すデータを出力する。特徴点の検出と特徴量の抽出は、ＳＩＦＴ等を用いて行われてよい。サーバ２００において生成された学習済みモデルは、学習済みモデル１６５としてレーダ装置１００の例えばストレージ１６０に記憶される。類別部１５５は、このような学習済みモデル１６５に基づき、入力されたＩＳＡＲ画像から、艦船の艦級を類別する。

【0037】

以下、類別システム１の動作を説明する。図５は、レーダ装置１００の動作を示すフローチャートである。ステップＳ１において、プロセッサ１５０は、探索モードで送信機１１０からアンテナ１３０を介して送信信号を送信させる。探索モードでは、例えばアンテナ１３０を回転させながら放射状に送信信号が送信される。このため、レーダ装置１００を中心とした広範囲の探索が行われ得る。

【0038】

ステップＳ２において、プロセッサ１５０は、受信機１４０を介して受信される受信信号に基づいて、表示装置１８０にＰＰＩ（Plane Position indicator）表示をする。ＰＰＩ表示では、プロセッサ１５０は、レーダ装置１００を中心として探索されたそれぞれの艦船を示す輝点を平面図上に表示する。

【0039】

ステップＳ３において、プロセッサ１５０は、受信機１４０を介して受信される受信信号に基づいて、探索されたそれぞれの艦船の動きを算出する。艦船の動きは、前述したように、艦船の進行方向、艦船の速さ、艦船に対するレーダ装置１００のアスペクト角を含む。艦船の進行方向及び速さは、例えば受信信号に基づいて算出される艦船の座標の時間変化から算出され得る。アスペクト角は、例えば受信信号の到来角度を推定することで算出され得る。

【0040】

ステップＳ４において、プロセッサ１５０は、優先度判定を行う。つまり、プロセッサ１５０は、探索結果として受信されたそれぞれの艦船の動きに関するデータを学習済みモデル１６１に入力し、探索されたそれぞれの艦船の優先度を取得する。そして、プロセッサ１５０は、例えば優先度の上位１位の艦船をＩＳＡＲ画像の取得の対象の艦船と判定する。ＩＳＡＲ画像の取得の対象の艦船は、優先度の上位１位の艦船に限るものではない。

【0041】

ステップＳ５において、プロセッサ１５０は、ＩＳＡＲモードで送信機１１０からアンテナ１３０を介して送信信号を送信させる。ＩＳＡＲモードでは、例えばプロセッサ１５０によって指定された艦船に向けて送信信号が送信される。

【0042】

ステップＳ６において、プロセッサ１５０は、ＩＳＡＲ処理を行う。ＩＳＡＲ処理の後、プロセッサ１５０は、図５の処理を終了する。

【0043】

図６は、ＩＳＡＲ処理を示すフローチャートである。ステップＳ１０１において、プロセッサ１５０は、受信機１４０を介して受信される受信信号に基づいて、ＩＳＡＲ画像を生成する。

【0044】

ステップＳ１０２において、プロセッサ１５０は、ＩＳＡＲ画像の設定を調整する。つまり、プロセッサ１５０は、受信されたＩＳＡＲ画像のデータを学習済みモデル１６２に入力し、入力されたＩＳＡＲ画像の設定を基準のＩＳＡＲ画像の設定に近づけるための設定の調整量を取得する。そして、プロセッサ１５０は、調整量に応じて入力されたＩＳＡＲ画像の輝度、コントラスト等を調整する。

【0045】

ステップＳ１０３において、プロセッサ１５０は、調整したＩＳＡＲ画像のデータに基づいて、ＩＳＡＲ画像を表示装置１８０に表示させる。

【0046】

ステップＳ１０４において、プロセッサ１５０は、調整したＩＳＡＲ画像の中から類別に良好なＩＳＡＲ画像を選択する。つまり、プロセッサ１５０は、調整したＩＳＡＲ画像を学習済みモデル１６３に入力し、類別に適しているか否かのデータを取得する。類別に適している旨のデータを受け取ったとき、プロセッサ１５０は、入力したＩＳＡＲ画像を選択する。

【0047】

ステップＳ１０５において、プロセッサ１５０は、ＩＳＡＲ画像を選択できたか否かを判定する。ステップＳ１０５において、ＩＳＡＲ画像を選択できなかったと判定されたときには、処理はステップＳ１０１に移行する。この場合、プロセッサ１５０は、次のタイミングのＩＳＡＲ画像の取得を待ち受ける。ステップＳ１０５において、ＩＳＡＲ画像を選択できたと判定されたときには、処理はステップＳ１０６に移行する。

【0048】

ステップＳ１０６において、プロセッサ１５０は、選択したＩＳＡＲ画像に写っている艦船の種類を判別する。つまり、プロセッサ１５０は、選択したＩＳＡＲ画像を学習済みモデル１６４に入力し、艦船の種類のデータを取得する。

【0049】

ステップＳ１０７において、プロセッサ１５０は、判別した艦船の種類が商船であるか否かを判定する。ステップＳ１０７において、判別した艦船の種類が商船であると判定されたときには、処理はステップＳ１０８に移行する。ステップＳ１０７において、判別した艦船の種類が商船でないと判定されたときには、処理はステップＳ１０９に移行する。

【0050】

ステップＳ１０８において、プロセッサ１５０は、図６の処理を終了させ、処理を図５のステップＳ１に戻す。この処理は、判別した艦船の種類が目標とする艦船ではなかったときの処理である。

【0051】

ステップＳ１０９において、プロセッサ１５０は、選択したＩＳＡＲ画像に写っている艦船の艦級を類別する。つまり、プロセッサ１５０は、選択したＩＳＡＲ画像を学習済みモデル１６５に入力し、艦船の艦級のデータを取得する。艦級のデータは、選択したＩＳＡＲ画像に写っている艦船との類似度の最も高い艦船の艦級のデータだけであってもよいし、類似度の高い上位の複数の艦船の艦級のデータであってもよい。

【0052】

ステップＳ１１０において、プロセッサ１５０は、艦級の類別結果を例えば表示装置１８０に表示させる。その後、プロセッサ１５０は、図６の処理を終了させる。この場合、図５の処理も終了する。ここで、類別結果の表示手法は特定の手法に限定されない。例えば、類別結果は、表示装置１８０に表示されているＩＳＡＲ画像に重ねて表示されてもよいし、別のウインドウ上に表示されてもよい。さらには、類別結果は、類似度の順にリスト表示されてもよい。

【0053】

ステップＳ１１０において、類別結果が表示された後の最終的な確認は、レーダ装置１００のオペレータによって行われてよい。この場合において、サーバ２００は、類別が正しく行われていたか否かのデータの入力を待ち受けるように構成されていてもよい。類別が行われる毎にその成否のデータが入力されることにより、サーバ２００における学習モデルにおける更なる学習が期待される。

【0054】

以上説明したように一実施形態によれば、ＩＳＡＲ画像の取得から類別結果を得るまでの一連の処理の大部分が機械学習モデルを用いることによって自動化される。これにより、オペレータの作業負荷は大幅に軽減される。また、オペレータの経験の有無によらずに一定の類別結果を得ることができる。

【0055】

また、実施形態ではＩＳＡＲ画像の設定の調整が行われた上で類別が行われる。これにより、レーダ装置１００の個体差等が吸収された上で類別が行われる。したがって、類別の確度の向上が期待される。

【0056】

ここで、実施形態では、ＩＳＡＲ画像の取得、調整、選択、艦船の類別、艦級の類別のそれぞれがレーダ装置１００において行われるとしている。これらの処理の幾つかはサーバ２００において行われてもよい。

【0057】

また、前述した実施形態では、機械学習モデルは、サポートベクトルマシン又はディープラーニングによる学習によって生成されるとしている。学習は、ゼロショット学習等を組み合わせて行われてもよい。

【0058】

なお、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。

【符号の説明】

【0059】

１ 類別システム、１００ レーダ装置、１１０ 送信機、１２０ サーキュレータ、１３０ アンテナ、１４０ 受信機、１５０ プロセッサ、１５１ 優先度判定部、１５２ 調整部、１５３ 選択部、１５４ 判別部、１５５ 類別部、１６０ ストレージ、１６１ 学習済みモデル、１６２ 学習済みモデル、１６３ 学習済みモデル、１６４ 学習済みモデル、１６５ 学習済みモデル、７０ 入力装置、１８０ 表示装置、２００ サーバ、２１０ プロセッサ、２２０ ストレージ、２３０ 入力装置、２４０ 表示装置。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】