JP2018017570A - 岩盤強度判定装置、岩盤強度判定方法、及び岩盤強度判定プログラム - Google Patents

Abstract

【課題】自ら学習することにより、岩盤の強度判定の精度を自動的に向上させる。【解決手段】岩盤の弾性波速度を岩盤の強度に関するカテゴリを示す教師データに変換する変換部と、岩盤の画像データと教師データとを関連付ける関連付け部と、画像データに対して所定領域のフィルタのパラメータを用いて畳み込みを行う畳み込み処理と、畳み込み処理後のデータのサイズを縮小するプーリング処理とを複数回繰り返し実行することにより、画像データの特徴量を抽出する特徴抽出部と、特徴抽出部で抽出された特徴量に基づきパラメータを用いて全結合処理を行い、全結合処理の処理結果のデータに基づいて画像データが岩盤の強度に関するいずれのカテゴリに属するかを判定する識別部と、識別部による処理結果のデータと教師データとの誤差が小さくなるように、畳み込み処理で用いるパラメータ及び全結合処理で用いるパラメータを更新する更新処理部とを備える。【選択図】図１

Description

本発明は、岩盤の強度を判定する岩盤強度判定装置、岩盤強度判定方法、及び岩盤強度判定プログラムに関する。

岩盤の掘削として一般的に発破工法が用いられる。発破工法による掘削を行うときに、技術者は岩盤の強度を判定し、その判定結果に応じた爆薬の量を決定する。そして、技術者は、決定した量の爆薬で岩盤を爆破する。岩盤の強度判定においては、地山弾性速度や地山強度比といった指標を用いて岩盤毎に地山の状態を大まかに分類する。その分類に対応させて予め用意されている標準設計（標準支保パターン）を適用していることが多い。判定方法としては、岩盤を撮影した画像データと標準支保パターンを熟練した技術者が照らし合わせることで岩盤を判定している。しかし、このような方法では、弾性波速度から岩盤強度を計測することはできるが、発破後でなければ爆薬の量を知ることができない。また、岩盤の強度を判定するためには熟練した技術者が必要となる。また、技術者により判定結果の偏りが生じてしまう。

そこで、例えば特許文献１において、画像処理を用いた岩盤の性状の判定方法が提案されている。この特許文献１に記載された岩盤の性状の判定方法では、撮影手段により岩盤を撮影して画像データを取得し、画像データをグレイスケールに変換し、変換した画像データを複数の領域に分割する。各領域について濃度（明度）を求め、求めた各領域の濃度ごとの画素数を求め、画素数が最大となる濃度（最大度数濃度と呼ぶ。）を求める。最大度数濃度が所定の閾値よりも大きいか否かを判定することにより、岩盤の性状を判定する。

特開２０１１−１５４４６４号公報

しかしながら、上記の方法は、画像データにおける各領域の最大度数濃度が所定の閾値よりも大きいか否かを判定するので、岩盤の撮影の仕方により濃度（明度）が変化することがある。従って、濃度の変化を考慮した上で適切な閾値を設定しなければならず、岩盤の強度判定の精度にばらつきが生じるおそれがある。その場合、岩盤の強度の判定結果に応じた適切な爆薬の量を決定することができなくなってしまう。

本発明は、前述した事情に鑑みてなされたものであり、自ら学習することにより、岩盤の強度判定の精度を自動的に向上させることができる岩盤強度判定装置、岩盤強度判定方法、及び岩盤強度判定プログラムを提供することを目的とする。

上記目的を達成するために、本発明では、測定装置で測定された岩盤の弾性波速度を岩盤の強度に関するカテゴリを示す教師データに変換する変換部と、撮像装置で取得された岩盤の画像データと教師データとを関連付ける関連付け部と、画像データに対して所定領域のフィルタに設定されたパラメータを用いて畳み込みを行う畳み込み処理と、この畳み込み処理後のデータのサイズを縮小するプーリング処理とを複数回繰り返し実行することにより、画像データの特徴量を抽出する特徴抽出部と、特徴抽出部で抽出された特徴量に基づきパラメータを用いて全結合処理を行い、全結合処理の処理結果のデータに基づいて画像データが岩盤の強度に関するいずれのカテゴリに属するかを判定する識別部と、識別部による処理結果のデータと教師データとの誤差が小さくなるように、畳み込み処理で用いるパラメータ及び全結合処理で用いるパラメータを更新する更新処理部と、を備えることを特徴とする岩盤強度判定装置を提供する。

また、本発明では、更新処理部は、全結合処理を行うことにより処理結果のデータとして教師データが得られるような全結合処理で用いるパラメータを算出し、畳み込み処理とプーリング処理とを行うことにより特徴量として教師データに対応する特徴量が得られるような畳み込み処理で用いるパラメータを算出する構成でもよい。

また、本発明では、画像データを複数の小領域に分割する分割部を備え、特徴抽出部は、複数の小領域のそれぞれに対して畳み込み処理とプーリング処理とを複数回繰り返し実行する構成でもよい。また、本発明では、特徴抽出部は、画像データのＲＧＢの要素ごとに畳み込み処理とプーリング処理とを実行する構成でもよい。

また、本発明では、ユーザ端末とサーバとを備え、ユーザ端末は、測定装置で測定された岩盤の弾性波速度と撮像装置で取得された岩盤の画像データとを入力する入力部と、弾性波速度と画像データとをサーバに送信するとともに、サーバから送信されるデータを受信する端末側通信部と、を有し、サーバは、変換部と、関連付け部と、特徴抽出部と、識別部と、更新処理部と、を有し、さらに、ユーザ端末から送信される弾性波速度と画像データとを受信するとともに、識別部による処理結果のデータをユーザ端末に送信するサーバ側通信部を有する構成でもよい。

また、本発明では、測定装置で測定された岩盤の弾性波速度を岩盤の強度に関するカテゴリを示す教師データに変換する変換ステップと、撮像装置で取得された岩盤の画像データと教師データとを関連付ける関連付けステップと、画像データに対して所定領域のフィルタに設定されたパラメータを用いて畳み込みを行う畳み込み処理と、この畳み込み処理後のデータのサイズを縮小するプーリング処理とを複数回繰り返し実行することにより、画像データの特徴量を抽出する特徴抽出ステップと、特徴抽出ステップで抽出された特徴量に基づきパラメータを用いて全結合処理を行い、全結合処理の処理結果のデータに基づいて画像データが岩盤の強度に関するいずれのカテゴリに属するかを判定する識別ステップと、識別ステップによる処理結果のデータと教師データとの誤差が小さくなるように、畳み込み処理で用いるパラメータ及び全結合処理で用いるパラメータを更新する更新処理ステップと、を備えることを特徴とする岩盤強度判定方法を提供する。

また、本発明では、更新処理ステップは、全結合処理を行うことにより処理結果のデータとして教師データが得られるような全結合処理で用いるパラメータを算出し、畳み込み処理とプーリング処理とを行うことにより特徴量として教師データに対応する特徴量が得られるような畳み込み処理で用いるパラメータを算出する構成でもよい。

また、本発明では、画像データを複数の小領域に分割する分割ステップを備え、特徴抽出ステップは、複数の小領域のそれぞれに対して畳み込み処理とプーリング処理とを複数回繰り返し実行する構成でもよい。また、本発明では、特徴抽出ステップは、画像データのＲＧＢの要素ごとに畳み込み処理とプーリング処理とを実行する構成でもよい。

また、本発明では、コンピュータに、測定装置で測定された岩盤の弾性波速度を岩盤の強度に関するカテゴリを示す教師データに変換する変換処理と、撮像装置で取得された岩盤の画像データと教師データとを関連付ける関連付け処理と、画像データに対して所定領域のフィルタに設定されたパラメータを用いて畳み込みを行う畳み込み処理と、この畳み込み処理後のデータのサイズを縮小するプーリング処理とを複数回繰り返し実行することにより、画像データの特徴量を抽出する特徴抽出処理と、特徴抽出処理で抽出された特徴量に基づきパラメータを用いて全結合処理を行い、全結合処理の処理結果のデータに基づいて画像データが岩盤の強度に関するいずれのカテゴリに属するかを判定する識別処理と、識別処理による処理結果のデータと教師データとの誤差が小さくなるように、畳み込み処理で用いるパラメータ及び全結合処理で用いるパラメータを更新する更新処理と、を実行させることを特徴とする岩盤強度判定プログラムを提供する。

また、本発明では、更新処理は、全結合処理を行うことにより処理結果のデータとして教師データが得られるような全結合処理で用いるパラメータを算出し、畳み込み処理とプーリング処理とを行うことにより特徴量として教師データに対応する特徴量が得られるような畳み込み処理で用いるパラメータを算出する構成でもよい。

また、本発明では、画像データを複数の小領域に分割する分割処理を備え、特徴抽出処理は、複数の小領域のそれぞれに対して畳み込み処理とプーリング処理とを複数回繰り返し実行する構成でもよい。また、本発明では、特徴抽出処理は、画像データのＲＧＢの要素それぞれに畳み込み処理とプーリング処理とを実行する構成でもよい。

本発明によれば、測定装置で測定された岩盤の弾性波速度を岩盤の強度に関するカテゴリを示す教師データに変換する変換部と、撮像装置で取得された岩盤の画像データと教師データとを関連付ける関連付け部と、画像データに対して所定領域のフィルタに設定されたパラメータを用いて畳み込みを行う畳み込み処理と、この畳み込み処理後のデータのサイズを縮小するプーリング処理とを複数回繰り返し実行することにより、画像データの特徴量を抽出する特徴抽出部と、特徴抽出部で抽出された特徴量に基づきパラメータを用いて全結合処理を行い、全結合処理の処理結果のデータに基づいて画像データが岩盤の強度に関するいずれのカテゴリに属するかを判定する識別部と、識別部による処理結果のデータと教師データとの誤差が小さくなるように、畳み込み処理で用いるパラメータ及び全結合処理で用いるパラメータを更新する更新処理部と、を備える。このような構成によれば、自ら学習することにより、岩盤の強度判定の精度を自動的に向上させることができる。

第１実施形態に係る岩盤強度判定装置の構成を示すブロック図である。 弾性波速度と岩盤の強度との関係を示すグラフである。 岩盤の強度の分類を示す図である。 岩盤の画像例を示す図である。 第１実施形態に係る岩盤強度判定方法を示すフローチャートである。 特徴抽出部及び識別部において行われる処理を説明するための模式図である。 特徴抽出部において行われる１レイヤの処理を説明するための模式図である。 畳み込み処理を説明するための図である。 畳み込み処理の処理結果を示す図である。 プーリング処理を説明するための図である。 全結合処理を説明するための図である。 第２実施形態に係る岩盤強度判定装置の構成を示すブロック図である。

以下、本発明の実施形態について図面を参照して説明する。ただし、本発明はこれに限定されるものではない。また、図面においては、実施形態を説明するため、一部分を大きくまたは強調して記載するなど適宜縮尺を変更して表現することがある。

＜第１実施形態＞
図１は、第１実施形態に係る岩盤強度判定装置３０の構成を示すブロック図である。なお、図１には、岩盤強度判定装置３０の他に、測定装置１０及び撮像装置２０も示している。測定装置１０は、岩盤の弾性波速度を測定する装置である。例えば、技術者は、測定装置１０を地上のある地点に置き、所定量の爆薬により岩盤の爆破を行う。測定装置１０は、爆破したときに岩盤を伝わってくる波の速度を弾性波速度として測定（計測）する。弾性波速度は値が大きいほど岩盤が硬いことを示している。

撮像装置２０は、弾性波速度を測定するための爆破を行う前に、爆破する岩盤を撮像して岩盤の画像を取得する装置である。この撮像装置２０は、例えばデジタルカメラで構成される。なお、測定装置１０で測定される岩盤の弾性波速度と撮像装置２０で取得される岩盤の画像データとは、岩盤ごとに付されるファイル番号（管理番号）によって予め対応付けられる。岩盤強度判定装置３０は、岩盤の画像データに基づいて岩盤の強度を判定する装置である。岩盤強度判定装置３０は、例えばコンピュータや携帯端末（例えばスマートフォン）などで構成される。岩盤強度判定装置３０は、入力部３１、記憶部３２、変換部３３、分割部３４、関連付け部３５、特徴抽出部３６、識別部３７、及び更新処理部３８を有している。

入力部３１は、測定装置１０で測定された弾性波速度のデータと撮像装置２０で取得された画像データを入力する処理部である。この入力部３１は、測定装置１０から入力した弾性波速度のデータ及び撮像装置２０から入力した画像データを記憶部３２に記憶する。記憶部３２は、弾性波速度のデータ及び画像データを含む各種データを記憶する。また、記憶部３２は、岩盤の強度を判定させる処理を実行させるためのプログラム（岩盤強度判定プログラム）も記憶している。

変換部３３は、測定装置１０で測定された岩盤の弾性波速度のデータを岩盤の強度に関するカテゴリ（例えば、もろい、普通、硬いの３分類）を示す教師データに変換する処理部である。分割部３４は、岩盤の画像データを複数の小領域に分割する処理部である（後述する図４参照）。関連付け部３５は、撮像装置２０で取得された岩盤の画像データと教師データとを関連付ける処理を行う処理部である。

特徴抽出部３６は、画像データに対して所定領域（例えば３×３画素）のフィルタに設定されたパラメータを用いて畳み込みを行う畳み込み処理と、この畳み込み処理後のデータのサイズを縮小するプーリング処理とを複数回繰り返し実行することにより、画像データの特徴量を抽出する処理部である。ここで、特徴量は、岩盤の強度判定を行うために必要な情報のことをいう。識別部３７は、特徴抽出部３６で抽出された特徴量に基づきパラメータを用いて全結合処理を行い、全結合処理の処理結果のデータに基づいて画像データが岩盤の強度に関するいずれのカテゴリ（例えば、もろい、普通、硬いの３分類）に属するかを判定する処理部である。なお、畳み込み処理、プーリング処理、及び全結合処理の詳細については後述する（図８〜図１１参照）。

更新処理部３８は、識別部３７による処理結果のデータと教師データとの誤差が小さくなるように、畳み込み処理で用いるパラメータ及び全結合処理で用いるパラメータを更新する処理部である。

図２は、弾性波速度と岩盤の強度との関係を示すグラフである。また、図３は、岩盤の強度の分類を示す図である。図２において、横軸は岩盤に付されたファイル番号（１〜１４０）を示し、縦軸はファイル番号ごとの岩盤の弾性波速度を示している。図２に示すグループＤ１は、弾性波速度が１弱〜３強の範囲に属するグループである。このグループＤ１内の岩盤は、それぞれ、強度が「もろい」とみなされる。また、グループＤ１は、さらに弾性波速度の範囲に応じて、グループＤ１−１，Ｄ１−２，Ｄ１−３，Ｄ１−４に分類され得る。グループＣ２は、弾性波速度が４弱〜５弱の範囲に属するグループである。このグループＣ２内の岩盤は、それぞれ、強度が「普通」とみなされる。また、グループＣ２は、さらに弾性波速度の範囲に応じて、グループＣ２−１，Ｃ２−２，Ｃ２−３に分類され得る。グループＣ１は、弾性波速度が５弱を超えた範囲に属するグループである。このグループＣ１内の岩盤は、それぞれ、強度が「硬い」とみなされる。また、グループＣ１は、さらに弾性波速度の範囲に応じて、グループＣ１−１，Ｃ１−２，Ｃ１−３に分類され得る。

図３に示すように、岩盤は、弾性波速度に応じて、「もろい（Ｄ１）」「普通（Ｃ２）」「硬い（Ｃ１）」の３つに分類される。変換部３３は、記憶部３２から弾性波速度のデータを読み出し、読み出した岩盤の弾性波速度のデータの値（数値）に応じて、その弾性波速度のデータを岩盤の強度に関するカテゴリである「もろい」「普通」「硬い」のいずれかを示す教師データに変換する。なお、図３に示すように、変換部３３は、弾性波速度のデータの値（数値）に応じて、さらに詳細な１０つの分類（Ｄ１−１，Ｄ１−２，Ｄ１−３，Ｄ１−４，Ｃ２−１，Ｃ２−２，Ｃ２−３，Ｃ１−１，Ｃ１−２，Ｃ１−３）のいずれかを示す教師データに変換してもよい。なお、以下の説明においては、変換部３３は、弾性波速度のデータを３分類のいずれかを示す教師データに変換したものとする。

図４は、岩盤の画像例を示す図である。図４に示す岩盤の画像データ１００には、複数の円弧状の層からなる岩盤を撮影したものである。この岩盤の画像データ１００は、分割部３４により複数の小領域１０１，１０２，１０３，・・・に分割される。この画像データには、予めファイル番号が付されている。関連付け部３５は、ファイル番号に基づいて画像データ１００の各小領域１０１，１０２，１０３，・・・と、変換部３３で変換した教師データとを関連付ける。

次に、第１実施形態における岩盤強度判定装置３０の動作について説明する。

まず、岩盤強度判定装置３０の入力部３１は、測定装置１０が測定した複数の岩盤の弾性波速度のデータと撮像装置２０が取得した複数の岩盤の画像データを入力する。このとき、上述したように、複数の岩盤の弾性波速度のデータと複数の岩盤の画像データとは、それぞれファイル番号で対応付けられている。入力部３１は、入力した複数の岩盤の弾性波速度のデータと複数の岩盤の画像データを記憶部３２に記憶する。

次に、変換部３３は、弾性波速度のデータの値に基づいて弾性波速度のデータを岩盤の強度に関するカテゴリ（もろい、普通、硬い）を示す教師データに変換する。また、分割部３４は、画像データを複数の小領域に分割する。なお、機械学習を行うためには５万枚程度の画像データが必要となる。上記のように、分割部３４が画像データを複数の小領域に分割することにより、画像データの枚数を増やすことができる。本実施形態において、各小領域のサイズは６４×６４画素（ピクセル）であるものとする。その後、関連付け部３５は、ファイル番号によって画像データと変換部３３で変換された教師データとを関連付ける（対応付ける）。そして、特徴抽出部３６、識別部３７及び更新処理部３８は、図５に示す岩盤の強度の判定処理を実行する。

図５は、第１実施形態に係る岩盤強度判定方法を示すフローチャートである。また、図６は、特徴抽出部３６及び識別部３７において行われる処理を説明するための模式図である。図５に示す処理において、特徴抽出部３６は、関連付け部３５により教師データと関連付けられた画像データ１００における複数の小領域の画像データ１０１，１０２，１０３，・・・（図５中「ＤＡＴＡ」）に対して畳み込み処理（図５中「Ｃｏｎｖｏｌｕｔｉｏｎ１」）を実行する（ステップＳ１）。図６に示すように、畳み込み処理後のデータを畳み込み層という。そして、特徴抽出部３６は、畳み込み処理後のデータのサイズを縮小するプーリング処理（図５中「Ｐｏｏｌｉｎｇ１」）を実行する（ステップＳ２）。

ここで、畳み込み処理及びプーリング処理の詳細について説明する。図７は、特徴抽出部３６において行われる１レイヤの処理を説明するための模式図である。特徴抽出部３６は、複数の小領域の画像データ１０１，１０２，１０３，・・・に対して所定領域（３×３画素）のフィルタ２０１，２０２，２０３，２０４・・・に設定されたパラメータを用いて畳み込み処理を実行する。

フィルタ２０１，２０２，２０３，・・・は、データの振るい分けを行うために用いられる。すなわち、フィルタ２０１，２０２，２０３，・・・は、あるデータから不要なデータを取り除いて必要なデータを残す処理、逆に言えば、必要なデータを抽出する処理を行うために用いられる。特に、畳み込み処理で用いるフィルタを「畳み込みフィルタ」という。本実施形態では、例えば３×３画素のサイズのフィルタを用いる。

図８は、畳み込み処理を説明するための図である。図８（ａ）に示す小領域の画像データのそれぞれのマスは、画像における１画素（１ピクセル）に相当し、図８（ａ）に示すフィルタ２０１のそれぞれのマスも、画像における１画素（１ピクセル）に相当する。上述したように、小領域の画像データ１０１は、６４×６４画素のサイズであり、フィルタ２０１は、３×３画素のサイズのフィルタである。また、小領域の画像データ１０２，１０３，・・・も同様のサイズの画像データであり、フィルタ２０２，２０３，・・・も同様のサイズのフィルタである。

図８（ａ）に示す小領域の画像データ１０１のそれぞれのマス内の値Ａ１１，Ａ１２，Ａ１３，Ａ１４，・・・は、各画素の画素値を示す。図８（ａ）に示すように、フィルタ２０１の各マスにはパラメータＢ１１，Ｂ１２，Ｂ１３，・・・，Ｂ３３が設定される。パラメータＢ１１，Ｂ１２，Ｂ１３，・・・，Ｂ３３はマイナスの値でもプラスの値でもよい。このパラメータＢ１１，Ｂ１２，Ｂ１３，・・・，Ｂ３３の値に沿って、所定の方法で計算（畳み込み処理）を実行すると、フィルタ２０１の出力が得られる。

このとき、パラメータＢ１１，Ｂ１２，Ｂ１３，・・・，Ｂ３３の値によって、フィルタ２０１の機能が変化する。例えば、 フィルタとして、横方向のエッジを検出する機能（小領域１０１の各画素の濃淡の差が大きい場所がどこかを強調する役割）を持つ横方向微分フィルタなどがある。フィルタ２０１のそれぞれのマスの値が更新可能なパラメータになっており、機械学習（訓練）される過程で自ら分類に必要な特徴量が抽出できるよう、このパラメータが更新されていく。なお、パラメータとして最初はランダムな値が設定される。つまり、パラメータの初期値としてランダムな値が設定される。

図７及び図８（ｂ）（ｃ）に示すように、特徴抽出部３６は、フィルタ２０１を小領域の画像データ１０１の左端から右端までスキャン(走査)する。それが終わると、特徴抽出部３６は、１画素下にずれてフィルタ２０１を画像データ１０１の左端から右端までスキャンする。このような動作をフィルタ２０１が一番下の画素に達するまで繰り返し実行する。画像データは色の三原色、すなわち赤、緑、青の３つのチャンネルから成り立っている。なお、以下の説明では、色の情報がない単に光の濃淡のみが記録された画像データ、つまり一般にいう白黒画像（グレイスケール画像）に対してフィルタ２０１を適用する場合について説明する。

畳み込み処理は、小領域の画像データ１０１におけるフィルタ２０１に対応する画素値とフィルタ２０１のパラメータとをそれぞれ乗算し、乗算した値を足し合わせる。このような畳み込み処理を小領域の画像データ１０１のすべてにおいて実行することで処理結果のデータが得られる。具体的には、図７（ｂ）の場合、小領域の画像データ１０１におけるフィルタ２０１に対応する画素値Ａ１１，Ａ１２，Ａ１３，Ａ２１，Ａ２２，Ａ２３，Ａ３１，Ａ３２，Ａ３３とフィルタ２０２のパラメータＢ１１，Ｂ１２，Ｂ１３，Ｂ２１，Ｂ２２，Ｂ２３，Ｂ３１，Ｂ３２，Ｂ３３とをそれぞれ乗算し、乗算した値を足し合わせる。これにより処理結果のデータｆ１１は、Ａ１１＊Ｂ１１＋Ａ１２＊Ｂ１２＋Ａ１３＊Ｂ１３＋Ａ２１＊Ｂ２１＋Ａ２２＊Ｂ２２＋Ａ２３＊Ｂ２３＋Ａ３１＊Ｂ３１＋Ａ３２＊Ｂ３２＋Ａ３３＊Ｂ３３と求められる。また、図７（ｃ）の場合、小領域の画像データ１０１におけるフィルタ２０１に対応する画素値Ａ１２，Ａ１３，Ａ１４，Ａ２２，Ａ２３，Ａ２４，Ａ３２，Ａ３３，Ａ３４とフィルタ２０２のパラメータＢ１１，Ｂ１２，Ｂ１３，Ｂ２１，Ｂ２２，Ｂ２３，Ｂ３１，Ｂ３２，Ｂ３３とをそれぞれ乗算し、乗算した値を足し合わせる。これにより処理結果のデータｆ１２は、Ａ１２＊Ｂ１１＋Ａ１３＊Ｂ１２＋Ａ１４＊Ｂ１３＋Ａ２２＊Ｂ２１＋Ａ２３＊Ｂ２２＋Ａ２４＊Ｂ２３＋Ａ３２＊Ｂ３１＋Ａ３３＊Ｂ３２＋Ａ３４＊Ｂ３３と求められる。

図９は、畳み込み処理の処理結果を示す図である。図９に示す畳み込み処理の処理結果のデータｆ１１，ｆ１２，ｆ１３，ｆ１４，・・・は、図６及び図７に示す畳み込み層のデータ３０１に相当する。図８及び図９で説明した一連の演算が畳み込み処理である。なお、畳み込みの結果、フィルタのサイズがｎ×ｎ画素の場合、処理結果のデータ３０１は、小領域の画像データ１０１のサイズよりも（ｎ−１）／２だけ周囲が小さくなる。

図６及び図７に示すように、特徴抽出部３６は、１枚の画像データ１０１に対して複数のフィルタ２０１，２０２，２０３，・・・を用いて畳み込み処理を行うことで、複数の処理結果のデータ３０１，３０２，３０３，・・・からなる畳み込み層を形成する。

画像データ１０１がカラー画像の場合、Ｒ，Ｇ，Ｂの３つのチャンネルの画像データを有する。この場合、特徴抽出部３６は、Ｒ，Ｇ，Ｂの３つのチャンネルの画像データに対して１つのフィルタを用いて畳み込み処理をそれぞれ実行し、３つの処理結果のデータを求める。そして、特徴抽出部３６は、１つのフィルタを用いて得られた３つの処理結果のデータ（対応する画素のデータ）を足し合わせる（重ね合わせる）。

次に、特徴抽出部３６は、畳み込み処理後のデータ３０１，３０２，３０３，・・・のサイズを縮小するプーリング処理（図５中「Ｐｏｏｌｉｎｇ１」）を実行する（ステップＳ２）。プーリング処理は、決まった領域の値をひとまとめにし、データ中の位置に対する感度を低くする代わりに、位置変化に対する認識能力を上げる処理である。プーリング処理にはいくつか種類があるが、多くの場合はＭＡＸプーリングが用いられる。

図１０は、プーリング処理を説明するための図である。図１０に示すように、特徴抽出部３６は、畳み込み処理後のデータ３０１を例えば２×２画素の領域ごとに分けていく。例えば、ｆ１１，ｆ１２，ｆ２１，ｆ２２の領域、ｆ１３，ｆ１４，ｆ２３，ｆ２４の領域・・・というように分けていく。そして、特徴抽出部３６は、各領域における画素値の最大値を各領域の値とする。特徴抽出部３６は、畳み込み処理後のすべてのデータ（畳み込み層のすべてのデータ３０１，３０２，３０３，・・・）に対してプーリング処理を実行する。なお、プーリング処理では、更新されるパラメータは存在しない。特徴抽出部３６は、畳み込み層のデータ３０１，３０２，３０３，・・・に対してプーリング処理を行うことで、複数の処理結果のデータ４０１，４０２，４０３，・・・からなるプーリング層を形成する。

次に、特徴抽出部３６は、プーリング処理後のデータ４０１，４０２，４０３，・・・に対して活性化関数（図５中「ＲＥＬＵ１」;Rectified Linear Unit）を適用する（ステップＳ３）。このＲＥＬＵは、入力が０より大きければそのまま出力とし、０より小さければ０にして出力する関数である。なお、ステップＳ１〜Ｓ３の処理を１レイヤ（Ｌａｙｅｒ）の処理という。

特徴抽出部３６は、１レイヤの処理（ステップＳ１〜Ｓ３）と同様の処理（図５中「Ｃｏｎｖｏｌｕｔｉｏｎ２」「ＲＥＬＵ２」「Ｐｏｏｌｉｎｇ２」「Ｃｏｎｖｏｌｕｔｉｏｎ３」「ＲＥＬＵ３」「Ｐｏｏｌｉｎｇ３」）を複数回繰り返し実行する（ステップＳ４〜Ｓ９）。ステップＳ４〜Ｓ６の処理を２レイヤの処理といい、ステップＳ７〜Ｓ９の処理を３レイヤの処理という。なお、１レイヤの処理では、畳み込み処理後にプーリング処理を行い、その後に活性化関数を適用していたが、２レイヤの処理及び３レイヤの処理は、畳み込み処理後に活性化関数を適用し、その後にプーリング処理を行っている。畳み込み処理で用いるフィルタのパラメータ（フィルタの特性）などに応じて処理の順番が変更されている。特徴抽出部３６が各レイヤの処理（ステップＳ１〜Ｓ９）を実行することにより、小領域の画像データの特徴量が抽出される。

次に、識別部３７は、特徴抽出部３６で抽出された特徴量に基づきパラメータを用いて全結合処理（図５中「ＩＮＮＥＲ＿ＰＲＯＤＵＣＴ１」「ＩＮＮＥＲ＿ＰＲＯＤＵＣＴ１」）を行う（ステップＳ１０，Ｓ１１）。図６における各々の丸をユニット（又はニューロン）という。ユニット５０１，５０２，５０３，５０４，５０５，・・・が１つの層（第１層）を構成し、ユニット５１１，５１２，５１３，５１４，５１５，・・・が１つの層（第２層）を構成し、ユニット５２１，５２２，５２３が１つの層（出力層）を構成する。

図１１は、全結合処理を説明するための図である。なお、図１１では、説明を簡略化するために、ユニットの数を図６に示したユニットの数よりも少なくしている（ユニットを省略している）。図１１に示すように、前の層の各ユニットと次の層の各ユニットはそれぞれ結合されている（つまり、前後の層のユニットのすべてが結合されている）。各結合のそれぞれについて更新可能なパラメータ（つまり重み）が割り当てられている。図１１に示す例では、９個（３×３）のパラメータＷ１１，Ｗ１２，Ｗ１３，・・・が割り当てられている。図１１における第２層の１つ目のユニットの値ｎ２１は、第１層の各ユニットの値ｎ１１，ｎ１２，ｎ１３と、第１層の各ユニットと第２層の１つ目のユニットとの結合に割り当てられたパラメータＷ１１，Ｗ１２，Ｗ１３とを乗算し、乗算した値を足し合わせた値となる。すなわち、第２層の１つ目のユニットの値ｎ２１は、ｎ１１＊Ｗ１１＋ｎ１２＊Ｗ１２＋ｎ１３＊Ｗ１３となる。この演算は内積（ＩＮＮＥＲ＿ＰＲＯＤＵＣＴ）である。第２層の２つ目のユニットの値ｎ２２及び第２層の３つ目のユニットの値ｎ２３についても同様の演算により求められる。図６に示す第２層のユニット５１１，５１２，５１３，５１４，５１５，・・・の値を求める処理がステップＳ１０で、出力層のユニット５２１，５２２，５２３の値を求める処理がステップＳ１１である。

識別部３７は、出力層のユニットの値に対して活性化関数（図５中「ＳＯＦＴＭＡＸ」）を適用する（ステップＳ１２）。ここで、ソフトマックス関数は、出力層に対してのみ用いられる特別な活性化関数で、その出力層の出力値の組み合わせを確率に変換する。識別部３７は、ソフトマックス関数を適用することで、その層の各ユニットの出力値を全部足せば１（１００％） になるように、各ユニットの出力値を０〜１の値に変換する。図６に示すように、出力層の各ユニットは岩盤の強度に関するカテゴリの「もろい」「普通」「硬い」に結合している。そして、識別部３７は、出力層のユニットのうち最も値の大きい（つまり確率の高い）ユニットに対応するカテゴリが岩盤の強度と判定する。ただし、このとき、畳み込み処理で用いるパラメータ（フィルタに設定されたパラメータ）や全結合処理で用いるパラメータは適切な値に設定されているわけではない。従って、判定結果の精度は低くなっている。

そこで、更新処理部３８は、識別部３７による処理結果のデータ（出力層の値）と教師データとの誤差が小さくなるように、畳み込み処理で用いるパラメータ及び全結合処理で用いるパラメータを更新する（ステップＳ２１〜Ｓ３２）。すなわち、更新処理部３８は、期待値としての教師データに基づいてステップＳ１〜Ｓ１２とは逆の順序で処理を遡っていくことにより、畳み込み処理で用いるパラメータ及び全結合処理で用いるパラメータとして適切なパラメータを算出する。

具体的には、更新処理部３８は、教師データに対してソフトマックス関数を適用する処理（ステップＳ１２）と同じ処理（ステップＳ２１）を逆側から演算することにより教師データに対応するデータ（以下、第１データという。）を算出する。また、更新処理部３８は、第１データに対して全結合処理（ステップＳ１１）と同じ処理（ステップＳ２２）を逆側から演算することにより第１データに対応するデータ（以下、第２データという。）及び全結合処理（ステップＳ２２）で用いるパラメータＷを算出する。また、更新処理部３８は、第２データに対して全結合処理（ステップＳ１０）と同じ処理（ステップＳ２３）を逆側から演算することにより第２データに対応するデータ（以下、第３データという。）及び全結合処理（ステップＳ２３）で用いるパラメータＷを算出する。

また、更新処理部３８は、第３データに対してプーリング処理（ステップＳ９）と同じ処理（ステップＳ２４）を逆側から演算することにより第３データに対応するデータ（以下、第４データという。）を算出する。また、更新処理部３８は、第４データに対してＲＥＬＵ（ステップＳ８）と同じ処理（ステップＳ２５）を逆側から演算することにより第４データに対応するデータ（以下、第５データという。）を算出する。また、更新処理部３８は、第５データに対して畳み込み処理（ステップＳ７）と同じ処理（ステップＳ２６）を逆側から演算することにより第５データに対応するデータ（以下、第６データという。）及び畳み込み処理（ステップＳ２６）で用いるパラメータＷを算出する。

また、更新処理部３８は、第６データに対してプーリング処理（ステップＳ６）と同じ処理（ステップＳ２７）を逆側から演算することにより第６データに対応するデータ（以下、第７データという。）を算出する。また、更新処理部３８は、第７データに対してＲＥＬＵ（ステップＳ５）と同じ処理（ステップＳ２８）を逆側から演算することにより第７データに対応するデータ（以下、第８データという。）を算出する。また、更新処理部３８は、第８データに対して畳み込み処理（ステップＳ４）と同じ処理（ステップＳ２９）を逆側から演算することにより第８データに対応するデータ（以下、第９データという。）及び畳み込み処理（ステップＳ２９）で用いるパラメータＷを算出する。

また、更新処理部３８は、第９データに対してＲＥＬＵ（ステップＳ３）と同じ処理（ステップＳ３０）を逆側から演算することにより第９データに対応するデータ（以下、第１０データという。）を算出する。また、更新処理部３８は、第１０データに対してプーリング処理（ステップＳ２）と同じ処理（ステップＳ３１）を逆側から演算することにより第１０データに対応するデータ（以下、第１１データという。）を算出する。また、更新処理部３８は、第１１データに対して畳み込み処理（ステップＳ１）と同じ処理（ステップＳ３２）を逆側から演算することにより第１１データに対応するデータ（以下、第１２データという。）及び畳み込み処理（ステップＳ３２）で用いるパラメータＷを算出する。更新処理部３８は、ステップＳ１，Ｓ４，Ｓ７，Ｓ１０，Ｓ１１の処理で用いるパラメータを、上記のようにして算出した各パラメータに更新する。

本実施形態では、図５のステップＳ１〜Ｓ１２及びステップＳ２１〜Ｓ３２の処理を多数の画像データ（例えば５万枚の画像データ）に対して繰り返し実行することにより、自動的に機械学習されていき、精度の高い岩盤の強度判定を実行可能なパラメータに更新されていく。

以上に説明したように、本実施形態では、測定装置１０で測定された岩盤の弾性波速度を岩盤の強度に関するカテゴリを示す教師データに変換する変換部３３と、撮像装置２０で取得された岩盤の画像データと教師データとを関連付ける関連付け部３５と、画像データに対して所定領域のフィルタに設定されたパラメータを用いて畳み込みを行う畳み込み処理と、この畳み込み処理後のデータのサイズを縮小するプーリング処理とを複数回繰り返し実行することにより、画像データの特徴量を抽出する特徴抽出部３６と、特徴抽出部３６で抽出された特徴量に基づきパラメータを用いて全結合処理を行い、全結合処理の処理結果のデータに基づいて画像データが岩盤の強度に関するいずれのカテゴリに属するかを判定する識別部３７と、識別部３７による処理結果のデータと教師データとの誤差が小さくなるように、畳み込み処理で用いるパラメータ及び全結合処理で用いるパラメータを更新する更新処理部３８と、を備える。このような構成によれば、自ら学習することにより、岩盤の強度判定の精度を自動的に向上させることができる。

また、本実施形態では、更新処理部３８は、全結合処理を行うことにより処理結果のデータとして教師データが得られるような全結合処理で用いるパラメータを算出し、畳み込み処理とプーリング処理とを行うことにより特徴量として教師データに対応する特徴量が得られるような畳み込み処理で用いるパラメータを算出する。このような構成によれば、更新処理部３８が全結合処理で用いるパラメータや畳み込み処理で用いるパラメータの更新を繰り返し実行することにより、最適なパラメータを得ることができ、その結果、岩盤の強度判定の精度を向上させることができる。従って、発破を行う前に岩盤の強度に応じた爆薬の適切な量を知ることができる。

また、本実施形態では、画像データを複数の小領域に分割する分割部３４を備え、特徴抽出部３６は、複数の小領域のそれぞれに対して畳み込み処理とプーリング処理とを複数回繰り返し実行する。このような構成によれば、１つの画像データから複数の小領域の画像データを得ることができ、画像データの枚数を増やすことができる。従って、より少ない数の画像データに基づいて、精度の高い岩盤の強度判定を実行可能なパラメータを更新していくことができる。

また、本実施形態では、特徴抽出部３６は、画像データのＲＧＢの要素ごとに畳み込み処理とプーリング処理とを実行する。このような構成によれば、岩盤の強度判定の精度をより一層向上させることができる。

＜第２実施形態＞
上記した第１実施形態では、岩盤強度判定装置３０が岩盤の弾性波速度のデータと画像データとを入力し、入力したデータに基づいて岩盤の強度を判定する構成であった。これに対し、第２実施形態では、ユーザ端末が測定装置１０からの弾性波速度のデータと撮像装置２０からの画像データを入力し、入力した各データをサーバに送信し、サーバがユーザ端末から送信された各データに基づいて岩盤の強度判定及びパラメータの更新を行う。

図１２は、第２実施形態に係る岩盤強度判定装置４０，５０の構成を示すブロック図である。図１２に示すユーザ端末４０は、入力部４１、記憶部４２及び端末側通信部４３を有する。入力部４１は図１の入力部３１に対応し、記憶部４２は図１の記憶部３２に対応する。端末側通信部４３は、インターネットや通信回線などのネットワークを介してサーバ５０に対して弾性波速度のデータ及び画像データを送信する。また、端末側通信部４３は、サーバ５０から送信されるデータをネットワークを介して受信する。

サーバ５０は、サーバ側通信部５１、記憶部５２、変換部５３、分割部５４、関連付け部５５、特徴抽出部５６、識別部５７及び更新処理部５８を有する。記憶部５２、変換部５３、分割部５４、関連付け部５５、特徴抽出部５６、識別部５７及び更新処理部５８は、それぞれ、図１の記憶部３２、変換部３３、分割部３４、関連付け部３５、特徴抽出部３６、識別部３７及び更新処理部３８に対応する。サーバ側通信部５１は、ユーザ端末４０から送信される弾性波速度のデータ及び画像データを受信する。また、サーバ側通信部５１は、各部５３〜５７による岩盤の強度判定の結果をネットワークを介してユーザ端末４０に送信する。なお、更新処理部５８は、上記した第１実施形態と同様に、畳み込み処理で用いるパラメータ及び全結合処理で用いるパラメータを更新する。

以上に説明したように、第２実施形態では、ユーザ端末４０とサーバ５０とを備え、ユーザ端末４０は、測定装置１０で測定された岩盤の弾性波速度と撮像装置２０で取得された岩盤の画像データとを入力する入力部４１と、弾性波速度と画像データとをサーバ５０に送信するとともに、サーバ５０から送信されるデータを受信する端末側通信部４３と、を有し、サーバ５０は、変換部５３と、関連付け部５５と、特徴抽出部５６と、識別部５７と、更新処理部５８と、を有し、さらに、ユーザ端末４０から送信される弾性波速度と画像データとを受信するとともに、識別部５７による処理結果のデータをユーザ端末４０に送信するサーバ側通信部５１を有する。このような構成によれば、複数個所の岩盤に対する強度判定を１か所（サーバ５０）で実行することができる。

以上、本発明の実施形態を説明したが、本発明の技術的範囲は、上記の実施形態に記載の範囲には限定されない。本発明の趣旨を逸脱しない範囲で、上記の実施形態に、多様な変更または改良を加えることが可能である。また、上記の実施形態で説明した要件の１つ以上は、省略されることがある。そのような変更または改良、省略した形態も本発明の技術的範囲に含まれる。また、上記した実施形態や変形例の構成を適宜組み合わせて適用することも可能である。

例えば、上記の実施形態では、図５のステップＳ１〜Ｓ９に示した例では、畳み込み処理及びプーリング処理を３回実行していたが、２回実行してもよく、４回以上実行してもよい。すなわち、精度の高い岩盤の強度判定を実行可能なパラメータを得られるように適宜、レイヤの数を変更してもよい。また、図５に示す処理は一例であって、プーリング処理やＲＥＬＵの処理の順序についても、精度の高い岩盤の強度判定を実行可能なパラメータを得られるように適宜変更してもよい。

また、上記の実施形態では、小領域のサイズは６４×６４画素としていたが、これも適宜変更してもよい。なお、上記の実施形態の岩盤強度判定装置３０について画像データ（５万枚の小領域の画像データ）を用いて検証した結果、認識率８６．７％の精度が得られた。また、上記の実施形態では、画像データのＲＧＢの要素ごとに畳み込み処理とプーリング処理とを実行していたが、グレイスケールの画像（白黒画像）だけについて畳み込み処理及びプーリング処理を実行してもよい。この場合、高い認識率の精度を得ることができた。

１０ 測定装置
２０ 撮像装置
３０ 岩盤強度判定装置
３１，４１ 入力部
３３，５３ 変換部
３４，５４ 分割部
３５，５５ 関連付け部
３６，５６ 特徴抽出部
３７，５７ 識別部
３８，５８ 更新処理部
４０ ユーザ端末
４３ 端末側通信部
５０ サーバ
５１ サーバ側通信部

Claims (13)

1. 測定装置で測定された岩盤の弾性波速度を前記岩盤の強度に関するカテゴリを示す教師データに変換する変換部と、
   撮像装置で取得された前記岩盤の画像データと前記教師データとを関連付ける関連付け部と、
   前記画像データに対して所定領域のフィルタに設定されたパラメータを用いて畳み込みを行う畳み込み処理と、この畳み込み処理後のデータのサイズを縮小するプーリング処理とを複数回繰り返し実行することにより、前記画像データの特徴量を抽出する特徴抽出部と、
   前記特徴抽出部で抽出された前記特徴量に基づきパラメータを用いて全結合処理を行い、前記全結合処理の処理結果のデータに基づいて前記画像データが岩盤の強度に関するいずれのカテゴリに属するかを判定する識別部と、
   前記識別部による前記処理結果のデータと前記教師データとの誤差が小さくなるように、前記畳み込み処理で用いるパラメータ及び前記全結合処理で用いるパラメータを更新する更新処理部と、を備えることを特徴とする岩盤強度判定装置。
2. 前記更新処理部は、前記全結合処理を行うことにより前記処理結果のデータとして前記教師データが得られるような前記全結合処理で用いるパラメータを算出し、前記畳み込み処理と前記プーリング処理とを行うことにより前記特徴量として前記教師データに対応する特徴量が得られるような前記畳み込み処理で用いるパラメータを算出する請求項１記載の岩盤強度判定装置。
3. 前記画像データを複数の小領域に分割する分割部を備え、
   前記特徴抽出部は、前記複数の小領域のそれぞれに対して前記畳み込み処理と前記プーリング処理とを複数回繰り返し実行する請求項１または請求項２に記載の岩盤強度判定装置。
4. 前記特徴抽出部は、前記画像データのＲＧＢの要素ごとに前記畳み込み処理と前記プーリング処理とを実行する請求項１から請求項３のいずれか１項に記載の岩盤強度判定装置。
5. ユーザ端末とサーバとを備え、
   前記ユーザ端末は、
   前記測定装置で測定された前記岩盤の弾性波速度と前記撮像装置で取得された前記岩盤の画像データとを入力する入力部と、
   前記弾性波速度と前記画像データとを前記サーバに送信するとともに、前記サーバから送信されるデータを受信する端末側通信部と、を有し、
   前記サーバは、
   前記変換部と、前記関連付け部と、前記特徴抽出部と、前記識別部と、前記更新処理部と、を有し、
   さらに、前記ユーザ端末から送信される前記弾性波速度と前記画像データとを受信するとともに、前記識別部による前記処理結果のデータを前記ユーザ端末に送信するサーバ側通信部を有する請求項１から請求項４のいずれか１項に記載の岩盤強度判定装置。
6. 測定装置で測定された岩盤の弾性波速度を前記岩盤の強度に関するカテゴリを示す教師データに変換する変換ステップと、
   撮像装置で取得された前記岩盤の画像データと前記教師データとを関連付ける関連付けステップと、
   前記画像データに対して所定領域のフィルタに設定されたパラメータを用いて畳み込みを行う畳み込み処理と、この畳み込み処理後のデータのサイズを縮小するプーリング処理とを複数回繰り返し実行することにより、前記画像データの特徴量を抽出する特徴抽出ステップと、
   前記特徴抽出ステップで抽出された前記特徴量に基づきパラメータを用いて全結合処理を行い、前記全結合処理の処理結果のデータに基づいて前記画像データが岩盤の強度に関するいずれのカテゴリに属するかを判定する識別ステップと、
   前記識別ステップによる前記処理結果のデータと前記教師データとの誤差が小さくなるように、前記畳み込み処理で用いるパラメータ及び前記全結合処理で用いるパラメータを更新する更新処理ステップと、を備えることを特徴とする岩盤強度判定方法。
7. 前記更新処理ステップは、前記全結合処理を行うことにより前記処理結果のデータとして前記教師データが得られるような前記全結合処理で用いるパラメータを算出し、前記畳み込み処理と前記プーリング処理とを行うことにより前記特徴量として前記教師データに対応する特徴量が得られるような前記畳み込み処理で用いるパラメータを算出する請求項６記載の岩盤強度判定方法。
8. 前記画像データを複数の小領域に分割する分割ステップを備え、
   前記特徴抽出ステップは、前記複数の小領域のそれぞれに対して前記畳み込み処理と前記プーリング処理とを複数回繰り返し実行する請求項６または請求項７に記載の岩盤強度判定方法。
9. 前記特徴抽出ステップは、前記画像データのＲＧＢの要素ごとに前記畳み込み処理と前記プーリング処理とを実行する請求項６から請求項８のいずれか１項に記載の岩盤強度判定方法。
10. コンピュータに、
    測定装置で測定された岩盤の弾性波速度を前記岩盤の強度に関するカテゴリを示す教師データに変換する変換処理と、
    撮像装置で取得された前記岩盤の画像データと前記教師データとを関連付ける関連付け処理と、
    前記画像データに対して所定領域のフィルタに設定されたパラメータを用いて畳み込みを行う畳み込み処理と、この畳み込み処理後のデータのサイズを縮小するプーリング処理とを複数回繰り返し実行することにより、前記画像データの特徴量を抽出する特徴抽出処理と、
    前記特徴抽出処理で抽出された前記特徴量に基づきパラメータを用いて全結合処理を行い、前記全結合処理の処理結果のデータに基づいて前記画像データが岩盤の強度に関するいずれのカテゴリに属するかを判定する識別処理と、
    前記識別処理による前記処理結果のデータと前記教師データとの誤差が小さくなるように、前記畳み込み処理で用いるパラメータ及び前記全結合処理で用いるパラメータを更新する更新処理と、を実行させることを特徴とする岩盤強度判定プログラム。
11. 前記更新処理は、前記全結合処理を行うことにより前記処理結果のデータとして前記教師データが得られるような前記全結合処理で用いるパラメータを算出し、前記畳み込み処理と前記プーリング処理とを行うことにより前記特徴量として前記教師データに対応する特徴量が得られるような前記畳み込み処理で用いるパラメータを算出する請求項１０記載の岩盤強度判定プログラム。
12. 前記画像データを複数の小領域に分割する分割処理を備え、
    前記特徴抽出処理は、前記複数の小領域のそれぞれに対して前記畳み込み処理と前記プーリング処理とを複数回繰り返し実行する請求項１０または請求項１１に記載の岩盤強度判定プログラム。
13. 前記特徴抽出処理は、前記画像データのＲＧＢの要素それぞれに前記畳み込み処理と前記プーリング処理とを実行する請求項１０から請求項１２のいずれか１項に記載の岩盤強度判定プログラム。

Images