2017 Fiscal Year Research-status Report
大脳視覚野モデルを用いたトンネル切羽の解析・認識システム
| Project/Area Number |
17K18897
|
|---|
| Research Institution | University of Tsukuba |
|---|
Principal Investigator |
安永 守利 筑波大学, システム情報系, 教授 (80272178)
|
|---|
| Project Period (FY) |
2017-06-30 – 2020-03-31
|
| Keywords | 大脳視覚野 / 自己組織化マップ / トンネル / 切羽 / パターン認識 |
|---|
| Outline of Annual Research Achievements |
自己組織化マップ（SOM:Self-Organizing Map）は，大脳視覚野のモデルであり，目から入ってきた画像情報の類似度をマップ（地図）上の位置関係で視覚的に表現することができる．これは，脳の持つ基本的な情報処理機能であり，画像（視覚情報）だけでなく音（聴覚情報）についても適用可能である．
本研究の目的は，この脳モデルを用いて，これまで点検者（人間）が行っていた切羽画像等の認識を機械に代替するためのシステムを構築することである．建築土木業界では，トンネル等のインフラストラクチャの老朽化が急速に進んでいる上に，これらの点検者が減少しており，その機械化が急務となっている．本研究では，機械学習の1つでもあるSOMを用いて，これらの点検を可視化・自動化するためのアルゴリズム開発とその専用システムの構築を行う．
H29年度は，既にH28年度までに行った準備実験用SOMプログラム（切羽用SOMプログラム）を改良し，その最適化を行った．具体的には，切羽画像だけではなく，トンネルの叩き点検データ（打音データ）を用いて最適化を行った．ここで，打音データを用いた理由は，標準試験体と実際のコンクリート構造物から大量のデータ（Big Data）を入手できるためである．試験体から得た約8,000のデータを用いてSOMを構築し，その精度を実構造物データで評価したところ，実用的な類似度マップを構成することができ，かつ，実用的な認識精度を実現できる見通しを得た．また，専用システムについては，（株)Xilinx社のシステムオンチップ型FPGA(書き換え可能集積回路)であるzynqを対象として，回路設計を行った．その結果，SOMの近傍関数を高速に実行できる回路構成を提案することができた．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
トンネル切羽の準備実験用に作成したSOMを基礎として，これを80×80ニューロンまでのSOMとして拡張し，さらに，約8,000個の実データ（コンクリートの打音データ）を用いてSOMの構築を行った．コンクリートの打音データについては，切羽と同様に周波数空間でのデータ（FFT)に変換したものを用いた．作成されたSOMについて，実コンクリート構造物のデータの類似度マップを作成したところ，欠陥の種類の類似度を反映した類似度マップを実現することができた．また，欠陥種の認識評価を行ったところ，約90％の正答率を得ることができた．この正答率は，Deep Learning とほぼ同じ正答率であり，本システムは，高い認識率を実現するとともに，類似度（切羽画像同士の類似度や打音データ同士の類似度）を視覚的に表現できるシステムとして利用できる（実用化できる）見通しを得ることができた．
また，専用システムについては，SOMの近傍関数をこれまでの乗算ではなく，シフト演算によって実現する手法を提案した．これにより，専用回路の回路規模を約1/3に減じることが可能となる．一方，シフト演算によるSOMを用いても，生成される類似度マップとその認識率は乗算器を用いた場合とほぼ同等であることを確認した（シフト演算によるSOMの精度低下は無いことを確認した）．また，SOMのベクトル計算を，その要素ごとに並列演算することで高速化を実現し，ソフトウェア（CUP:Corei 7)でSOMを形成する場合に比べて，約3倍の高速化を実現することができた．
|
| Strategy for Future Research Activity |
H29年度に開発したSOMのニューロン数は80×80ニューロンで，その上にマッピングしたデータクラス（コンクリート打音データの欠陥種）は8種である．建築土木のフィールドに汎用的に適応できるSOMのためには，さらに大規模なSOMを構築する必要があり，次のステップとして100×100ニューロンのSOM形成を課題とし，徐々にニューロン数を増す計画である．また，これまでのSOMの各ニューロンは，単純なベクトル比較のみの機能しかなかった．H29年度の研究期間中，この単純なニューロンを複雑な機能をもったニューロンに発展させるアイデアも生まれた．具体的には，SOMの各ニューロンを多層パーセプトロン（MLP）から構成さるニューロンから構成するものである．これにより，これまでのSOMのニューロン1つ1つが高い認識能力を有することとなり，さらに高精度な類似度マップと認識率の向上が期待できる．
また，認識率の評価についても，これまでは，正答率（いわゆる accuracy ）のみで評価してきたが，今後は，正答率だけでなく，適合値やF値を用いて評価を行う予定である（これにより，さらに実用化の観点でのシステム評価が可能となる）．
システム開発においては，これまで1つのzynqにSOMを実装することを対象に回路設計を行ってきたが，複数のzynqを用いて大規模なSOMを実現する手法を検討する．具体的には，複数のzynqをネットワークで接続し，zynq上のOS (Linux)間 のメッセージパッシングによりデータ通信を行い，複数のzynqにより1つの大規模SOMを実現する．この手法ではネットワーク通信オーバーヘッドが性能（速度性能）を決定する鍵となることが考えられ，早期に本システムを構築し，その実測を行う予定である．
|
Research Products
(5 results)
