特許ウォッチ

公開番号2025035285
公報種別公開特許公報(A)
公開日2025-03-13
出願番号2023142230
出願日2023-09-01
発明の名称土質粒子の粒度分布測定用学習モデルの構築方法
出願人国立大学法人福島大学,三和テッキ株式会社
代理人個人
主分類G01N 15/0227 20240101AFI20250306BHJP(測定;試験)
要約【課題】小規模のデータに数理的な処理を施して土質粒子の特徴量の拡充化と学習モデルの効率的構築を図る。
【解決手段】画像解析の粒度分布の誤差を補正するための学習モデルを構築するための学習入力データに、篩分け及び画像解析の粒度のほか、分級土の画像解析の粒度分布Aと、篩分けの粒度に対する処理土の画像解析の粒度比率を表す粒度比分布Bと、画像解析の粒度に対する処理土の画像解析の粒度比率を表す粒度比分布Cと、処理土の画像解析の粒度にフーリエ変換を用いて周波数成分の強度と位相に置き換えたDFT変換値Fと、篩分けの粒度又は画像解析の粒度から求めたDFT変換値に対するDFT変換値Fの比率を表すDFT評価値G,Hと、原土を篩分けした各階級内の分級土から篩分けと画像解析により得た要素粒度分布と篩分けの粒度又は画像解析の粒度から求めたDFT変換値の関係から要素粒度分布の組み合わせの構成比を表す構成係数D,Eとする。
【選択図】図4
特許請求の範囲【請求項１】
学習に用いる土壌を撮影した画像データ中の土質粒子を画像解析し得られる画像解析の粒度分布と、学習に用いる土壌を篩分けし得られる篩分けの粒度分布と、前記画像解析の粒度と前記篩分けの粒度とを紐づけした分布データとを多数入力して、機械学習を行い、画像解析の粒度分布に含まれる誤差を補正するための土質粒子の画像解析による粒度分布測定用学習モデルの構築方法において、
前記学習モデルの学習入力データは、土壌から採取した原土を任意の階級で篩分けし得られる原土の篩分けによる粒度と、
同一の原土を撮影して土質粒子を同一の階級分けで画像解析し得られる原土の画像解析による粒度と、
所定の粒径範囲に分類した処理土を画像解析し得られる処理土の画像解析による粒度の粒度分布Ａと、
階級ごとの原土の篩分けによる粒度に対する処理土の画像解析による粒度の比率を表す粒度比分布Ｂと、
階級ごとの原土の画像解析による粒度に対する処理土の画像解析による粒度の比率を表す粒度比分布Ｃと、
処理土の画像解析による粒度にフーリエ変換を用いて周波数成分の強度と位相に置き換えるＤＦＴ変換値Ｆと、
原土の篩分けによる粒度又は原土の画像解析による粒度から求められるＤＦＴ変換値に対するＤＦＴ変換値Ｆの比率を表すＤＦＴ評価値Ｇ，Ｈと、
原土を任意の階級で篩分けし得られる各階級内の単一粒径の分級土から篩分けと画像解析により得られる要素粒度分布と、
前記要素粒度分布と原土の篩分けによる粒度又は原土の画像解析による粒度から求められるＤＦＴ変換値の関係から要素粒度分布の組み合わせの構成比を表す構成係数Ｄ，Ｅとを含むことを特徴とする土質粒子の画像解析による粒度分布測定用学習モデルの構築方法。
続きを表示（約 580 文字）【請求項２】
前記粒度比分布Ｂ，Ｃは、以下の式により算出することを特徴とする請求項１に記載の土質粒子の画像解析による粒度分布測定用学習モデルの構築方法。
TIFF
2025035285000016.tif
43
170
TIFF
2025035285000017.tif
26
170
【請求項３】
前記ＤＦＴ変換値Ｆは、以下の式により算出することを特徴とする請求項１に記載の土質粒子の画像解析による粒度分布測定用学習モデルの構築方法。
TIFF
2025035285000018.tif
36
170
【請求項４】
前記ＤＦＴ評価値Ｇ，Ｈは、以下の式により算出することを特徴とする請求項１に記載の土質粒子の画像解析による粒度分布測定用学習モデルの構築方法。
TIFF
2025035285000019.tif
109
170
【請求項５】
前記構成係数Ｄ，Ｅは、以下の式に基づいて決定されることを特徴とする請求項１に記載の土質粒子の画像解析による粒度分布測定用学習モデルの構築方法。
TIFF
2025035285000020.tif
94
170

発明の詳細な説明【技術分野】
【０００１】
本発明は、放射性物質を含む土壌を対象にした、減容化手法の一つとして細粒分除去の処理や、重金属などの有害物質に汚染された土壌に対する処理等において、粒度に応じた土壌の特性・性状を評価するための土質粒子の粒度分布を測定するための学習モデルの構築方法に関する。
続きを表示（約 6,900 文字）【背景技術】
【０００２】
一般に、土壌の特性を評価するために、土質粒子の粒径ごとの含有量を質量百分率で表す粒度分布の測定がＪＩＳＡ１２０４に準拠して行われる。しかし、対象土を篩分けしその都度計量する作業のため、測定に時間と労力がかかる煩わしい作業となる。特に、汚染土壌の処理現場では、対象土の特性や特定の粒径分の除去等の処理の成果を評価する上で迅速な粒度分布の測定が望まれる。
従来、特許文献１には、分散状態の被測定粒子群にレーザ光を照射して回折・散乱光の空間強度分布を測定し、この空間強度分布の測定結果を、被測定粒子群の屈折率を加味した係数行列を用いて当該被測定粒子群の粒度分布に変換する粒度分布測定装置が開示されている。しかし、様々な粒径や形状の複合物である土壌を対象に評価する場合、土質粒子特有の粒径の不均一性や、レーザ光の強度のため、測定精度に難がある。土質粒子が非球形粒子である場合、細粒側に評価する傾向に偏り実態と乖離することがある。
また、特許文献２には、試料に対しレーザを照射し時系列での散乱光を検出器により取得し検出結果から、大粒径の粒子の存在の有無の確認と共に補正を行う手法が開示されている。しかし、測定対象はたんぱく質などの０．３ｎｍ～２０ｎｍの微細な粒子であり、測定対象の粒子中に１００ｎｍを超える粒子を大粒径の粒子として扱われている。したがって、この手法は、０．１μｍより大きい粒子を含み、かつ粒径範囲が広い土壌の測定に適用が難しい。これに対して特許文献３は、スリット状の篩機を通すことにより、土粒子群を均しつつ分散する前処理を行っているが、評価できる対象が土壌の成分のうち、礫・砂に留まり、土粒子の重なりを防止しても、更に細かいシルト・粘土を含めると、画像分析による粒度分布の分析結果の精度の向上に限界がある。
さらに、特許文献４には、土質粒子群を画像解析法で取得した画像データに対し分析結果データを機械学習により算出する測定方法が開示されている。この測定方法は、粒度分布等の土質特性の特定に要する時間を短縮するが、機械学習の特性上、学習モデルの構築に大量の学習・訓練用の分析結果データを準備する必要がある。また、分析結果データを増やすために水増しや特徴量の追加等が挙げられるが、土壌や土質粒子の外観から特徴を見分けることが困難であるから、単純な画像データに対する加工による水増しや画像データを含めた分析結果データに対する加工による特徴量の抽出は有効ではない。
【先行技術文献】
【特許文献】
【０００３】
特開２０１０－１０１６５３号公報
特開２０２１－１８３９８３号公報
特開２０１９－１１３４２９号公報
特開２０２１－０６７４６８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
画像解析法は、土質粒子の粒度分布の特定に要する時間の短縮化及び労力軽減は可能であるが、粒度分布の実測に対する誤差を含むため、画像解析法に対して深層学習も含めた機械学習を用いて誤差を修正する必要がある。機械学習を行う学習モデルを構築するには大量の学習・訓練用の分析結果データを収集しなければならず、土壌の処理現場において処理対象土の試料採取からデータの加工化に至る前準備にかかる時間や作業労力が過大になってしまう。
そこで、本発明は、小規模の学習・訓練データに数理的な処理を施すことにより土質粒子の特徴量の拡充化と学習モデルの適正化を効率的に行う土質粒子の粒度分布測定用学習モデルを構築する方法を提供することを課題とする。
【課題を解決するための手段】
【０００５】
本発明においては、学習に用いる土壌を撮影した画像データ中の土質粒子を画像解析し得られる画像解析の粒度分布と、学習に用いる土壌を篩分けし得られる篩分けの粒度分布と、前記画像解析の粒度と前記篩分けの粒度とを紐づけした分布データとを多数入力して、機械学習を行い、画像解析の粒度分布に含まれる誤差を補正するための土質粒子の画像解析による粒度分布測定用学習モデルの構築方法を採用する。学習モデルの学習入力データは、土壌から採取した原土を任意の階級で篩分けし得られる原土の篩分けによる粒度と、同一の原土を撮影して土質粒子を同一の階級分けで画像解析し得られる原土の画像解析による粒度と、所定の粒径範囲に分類した処理土を画像解析し得られる処理土の画像解析による粒度の粒度分布Ａと、階級ごとの原土の篩分けによる粒度に対する処理土の画像解析による粒度の比率を表す粒度比分布Ｂと、階級ごとの原土の画像解析による粒度に対する処理土の画像解析による粒度の比率を表す粒度比分布Ｃと、処理土の画像解析による粒度にフーリエ変換を用いて周波数成分の強度と位相に置き換えるＤＦＴ変換値Ｆと、原土の篩分けによる粒度又は原土の画像解析による粒度から求められるＤＦＴ変換値に対するＤＦＴ変換値Ｆの比率を表すＤＦＴ評価値Ｇ，Ｈと、原土を任意の階級で篩分けし得られる各階級内の単一粒径の分級土から篩分けと画像解析により得られる要素粒度分布と原土の篩分けによる粒度又は原土の画像解析による粒度から求められるＤＦＴ変換値の関係から要素粒度分布の組み合わせの構成比を表す構成係数Ｄ，Ｅと、を含む。
【発明の効果】
【０００６】
本発明は、小規模の学習・訓練データに対し数理的な処理を施すことにより、土質粒子の特徴量を拡充し、学習モデルの構築を適正にかつ効率的に行うことができ、画像解析法から得られる土質粒子の粒度分布に関する誤差を低減することができ、特に画像解析法により土質粒子の粒度分布の特定に要する時間を短縮し、作業負担を軽減することができるという効果を有する。
【図面の簡単な説明】
【０００７】
土質粒子の粒度分布を測定するための測定システムの概略的構成図である。
本発明に係る土質粒子の粒度分布測定用学習モデルを用いたデータの処理の概要を示す説明図である。
本発明に係る土質粒子の粒度分布測定用学習済モデルの説明図である。
学習モデルの入力データの前処理工程のフロー図である。
入力データの構成係数の取得工程のフロー図である。
学習済モデルの構築工程のフロー図である。
学習モデルの概略的説明図である。
三種のサンプルＡ，Ｂ，Ｃの篩分けと画像解析とによる粒度分布の測定結果の比較を示すグラフである。
サンプルＡについて篩目８５０～２０００μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＡについて篩目４２５～８５０μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＡについて篩目２１２～４２５μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＡについて篩目１０６～２１２μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＡについて篩目０～１０６μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＢについて篩目８５０～２０００μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＢについて篩目４２５～８５０μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＢについて篩目２１２～４２５μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＢについて篩目１０６～２１２μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＢについて篩目０～１０６μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＣについて篩目８５０～２０００μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＣについて篩目４２５～８５０μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＣについて篩目２１２～４２５μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＣについて篩目１０６～２１２μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
サンプルＣについて篩目０～１０６μｍの篩分けと画像解析とによる要素粒度分布の測定結果の比較を示すグラフ及び表である。
原土サンプルＡについて篩目８５０～２０００μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
原土サンプルＡについて篩目４２５～８５０μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＡについて篩目２１２～４２５μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＡについて篩目１０６～２１２μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＡについて篩目０～１０６μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＢについて篩目８５０～２０００μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＢについて篩目４２５～８５０μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＢについて篩目２１２～４２５μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＢについて篩目１０６～２１２μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＢについて篩目０～１０６μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＣについて篩目８５０～２０００μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＣについて篩目４２５～８５０μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＣについて篩目２１２～４２５μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＣについて篩目１０６～２１２μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
サンプルＣについて篩目０～１０６μｍの篩分けと画像解析とによる要素粒度分布のＤＦＴ変換値の比較を示すグラフ及び表である。
原土の大型粒径の画像データの例を示す画像解析用写真である。
原土の中型粒径の画像データの例を示す画像解析用写真である。
原土の小型粒径の画像データの例を示す画像解析用写真である。
サンプルＡの画像解析による粒度分布を示す表である。
サンプルＡの篩分けによる粒度比分布を示す表である。
サンプルＡの画像解析による粒度比分布を示す表である。
サンプルＡの画像解析による粒度比分布のＤＦＴ変換値を示す表である。
サンプルＡの篩分けによる粒度比分布のＤＦＴ評価値を示す表である。
サンプルＡの画像解析による粒度比分布のＤＦＴ評価値を示す表である。
サンプルＡの篩分けによる粒度比分布の構成係数を示す表である。
サンプルＡの画像解析による粒度比分布の構成係数を示す表である。
学習モデルの結合層の構成を示す表である。
学習モデルのネットワークの構成を示す表である。
学習前の学習モデルを用いた篩測定と画像解析とによる粒度分布の比較を示すグラフである。
実施例１の学習モデルの学習回数に対する画像解析による粒度分布の平均二乗誤差の履歴のグラフである。
実施例２の学習モデルの学習回数に対する画像解析による粒度分布の平均二乗誤差の推移を示すグラフである。
実施例３の学習モデルの学習回数に対する画像解析による粒度分布の平均二乗誤差の推移を示すグラフである。
実施例４の学習モデルの学習回数に対する画像解析による粒度分布の平均二乗誤差の推移を示すグラフである。
実施例１の学習後の学習モデルを用いた場合の篩分けと画像解析とによる粒度分布の比較を示すグラフである。
実施例２の学習後の学習モデルを用いた場合の篩分けと画像解析とによる粒度分布の比較を示すグラフである。
実施例３の学習後の学習モデルを用いた場合の篩分けと画像解析とによる粒度分布の比較を示すグラフである。
実施例４の学習後の学習モデルを用いた場合の篩分けと画像解析とによる粒度分布の比較を示すグラフである。
畳み込み層を並列化した学習モデルのネットワークの構成を示す表である。
畳み込み層を並列化した学習モデルのネットワークの構造を示す概略的説明図である。
畳み込み層を並列化した学習モデルの学習回数に対する粒度分布の平均二乗誤差の推移を示すグラフである。
畳み込み層を並列化した学習後の学習モデルを用いた篩測定と画像解析とによる粒度分布の比較を示すグラフである。
畳み込み層を並列化し早期打切りした学習モデルの学習回数に対する粒度分布の平均二乗誤差の推移を示すグラフである。
畳み込み層を並列化し早期打切りした学習後の学習モデルを用いた篩測定と画像解析とによる粒度分布の比較を示すグラフである。
学習モデルを用いた画像解析の結果、教師データの中で誤差の低減率が低いケースによる粒度分布と篩分けによる粒度分布の比較を示すグラフである。
学習モデルを用いた画像解析の結果、テストデータの中で誤差の低減率が低いケースによる粒度分布と篩分けによる粒度分布の比較を示すグラフである。
ニューラルネットワークの構造を示す概略的説明図である。
ニューラルネットワークの入力データの設定例を示す表である。
学習モデルのネットワークの構成を示す表である。
学習モデルの学習回数に対する画像解析による粒度分布の平均二乗誤差の推移を示すグラフである。
学習モデルを用いた画像解析による粒度分布と篩分けの粒度分布の比較を示すグラフである。
【発明を実施するための形態】
【０００８】
本発明の実施の一形態について、図面を参照して説明する。
本発明に係る学習モデルを用いた粒度分布の測定方法を実施するための測定システムは、図１に示すように、測定対象の土壌から採取して平板状のパレットＰ上に均した原土Ｓを撮影して画像データを取得する撮像装置１と、撮像装置１を操作すると共に、画像データから粒度分布を測定するコンピュータで構成される演算装置２とを具備する。
【０００９】
演算装置２は、図２に示すように、土壌を撮影した画像データＡ１，Ａ２，・・・Ａｎから粒度分布データＢ１，Ｂ２，・・・Ｂｎを作成する画像解析機能部２ａを備える。別途、ＪＩＳＡ１２０４等の篩分けによる質量分率による粒度分布の結果を実測値とする。画像解析機能部２ａを用いて画像解析により出力される測定値である粒度分布データと実測値との間に検出精度の限界などによる差異として誤差が含まれる。
【００１０】
さらに演算装置２は、実測値に対して誤差を含む粒度分布データＢ１，Ｂ２，・・・Ｂｎに、修正を加え補正された結果として粒度分布結果データＣ１，Ｃ２，・・・Ｃｎを出力する前処理機能部・学習モデル機能部２ｂを備える。学習モデル機能部２ｂによる機械学習は、ニューラルネットワーク（ＮＮ）や畳み込みニューラルネットワーク（ＣＮＮ）等により実施する。
（【００１１】以降は省略されています）

関連特許