| 研究課題/領域番号 |
18K04302
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分22010:土木材料、施工および建設マネジメント関連
|
|---|
| 研究機関 | 山口大学 |
|---|
研究代表者 |
藤田 悠介 山口大学, 大学院創成科学研究科, 准教授 (40509527)
|
|---|
| 研究期間 (年度) |
2018-04-01 – 2021-03-31
|
| キーワード | 深層学習 / 畳み込みニューラルネットワーク / 画像認識 / 少サンプル / アノテーション / 省力化 / 外観検査 / ひび割れ |
|---|
| 研究成果の概要 |
本研究では、コンクリート構造物や舗装路面の維持管理のためのひび割れ評価の高精度化と効率化を目的として、少数の学習データにより深層学習モデルを構築する方式を開発した。本手法では、ひび割れ検出モデルとひび割れ抽出モデルを用いる。ひび割れ検出モデルの構築では、ひび割れありのクラスの定義方法が、ひび割れ検出モデルの学習時間やモデルの性能に影響を及ぼすことを明らかにした。また、学習済みのひび割れ抽出モデルを用いて、ひび割れ検出モデルを構築することにより、アノテーションを省力化させ、モデルの性能を向上させる方法を開発した。従来の画像処理法と比較して、提案モデルの有効性を明らかにした。
|
| 自由記述の分野 |
知覚情報処理
|
| 研究成果の学術的意義や社会的意義 |
インフラの維持管理の効率化や技術の進展のために、深層学習技術の適用は重要な課題である。一般に、深層学習モデルの性能を高めるためには、大量の教師データを必要とするが、実環境下でのデータの収集や画素レベルでの正確なラベル付け（アノテーション）は、膨大な作業を伴う。本研究では、モデルの性能を高めるために教師データを増やすのではなく、クラスの定義法を見直すことにより少量サンプルで効果的にモデルを構築することや、アノテーションを省力化することにより教師データの作成を効率化する方法を提案し、その有効性を明らかにした。本方式は、ひび割れ抽出に限らず、多様な分野の問題に応用できる。
|
