特許ウォッチ

公開番号2025175736
公報種別公開特許公報(A)
公開日2025-12-03
出願番号2024081960
出願日2024-05-20
発明の名称金属腐食予測モデル作成方法および金属腐食予測方法
出願人株式会社神戸製鋼所
代理人個人,個人,個人
主分類G01N 17/00 20060101AFI20251126BHJP(測定;試験)
要約【課題】金属表面の腐食状態の経時変化を簡易かつ高精度に予測する。
【解決手段】金属腐食予測モデル作成方法では、金属表面1の腐食過程を時系列的に撮像した複数の可視光画像における金属表面1の腐食過程で存在する物質の分布をラベルの分布として表示した複数のラベル画像を教師データとすることにより、予測対象の金属表面1を撮像した可視光画像から腐食状態の将来変化を予測する金属腐食予測モデルを作成する。ラベルの数は、物質の種類数に応じて設定される。ラベルの分布は、可視光画像の色空間座標値の色分布に基づいて生成される。
【選択図】図1
特許請求の範囲【請求項１】
金属表面の腐食過程を時系列的に撮像した複数の可視光画像における物質の分布をラベルの分布として表示した複数のラベル画像を教師データとすることにより、予測対象の金属表面を撮像した可視光画像から腐食状態の将来変化を予測する金属腐食予測モデルを作成する金属腐食予測モデル作成方法であって、
前記ラベルの数は前記金属表面の腐食過程で存在する前記物質の種類数に応じて設定され、前記ラベルの分布は前記可視光画像の色空間座標値の色分布に基づいて生成される、金属腐食予測モデル作成方法。
続きを表示（約 840 文字）【請求項２】
前記色分布は、前記可視光画像が持つ複数次元の色空間座標値が各次元について機械学習により所定数のクラスに分類されることで生成される、請求項１に記載の金属腐食予測モデル作成方法。
【請求項３】
前記機械学習は、教師なし学習である、請求項２に記載の金属腐食予測モデル作成方法。
【請求項４】
金属表面の腐食過程を時系列的に撮像した複数の可視光画像における物質の分布をラベルの分布として表示した複数のラベル画像を教師データとして学習済みの金属腐食予測モデルを準備する準備工程であって、前記ラベルの数は前記金属表面の腐食過程で存在する前記物質の種類数に応じて設定され、前記ラベルの分布は前記可視光画像の色空間座標値の色分布に基づいて生成される準備工程と、
予測対象の金属表面の腐食過程を撮像した可視光画像から色空間座標値に基づく色分布を取得する色分布取得工程と、
前記色分布に基づいて生成したラベルの分布を表示するラベル画像を取得するラベリング工程と、
前記金属腐食予測モデルに対して前記ラベル画像を入力することで、前記金属表面の腐食状態の将来変化を予測する腐食予測工程と
を含む、金属腐食予測方法。
【請求項５】
前記色分布は、前記可視光画像が持つ複数次元の色空間座標値が各次元について機械学習により所定数のクラスに分類されることで生成される、請求項４に記載の金属腐食予測方法。
【請求項６】
前記機械学習は、教師なし学習である、請求項５に記載の金属腐食予測方法。
【請求項７】
前記ラベリング工程で得たラベル画像を複数の疎画素領域に分割し、前記複数の疎画素領域のそれぞれに含まれる複数のラベルのうちの最も出現頻度の高いラベルを前記複数の疎画素領域のそれぞれにおけるラベルとする疎画素化工程を含む、請求項４から６のいずれか１項に記載の金属腐食予測方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、金属腐食予測モデル作成方法および金属腐食予測方法に関する。
続きを表示（約 1,700 文字）【背景技術】
【０００２】
機械学習によって鋼材の腐食状態を予測する方法として、例えば特許文献１の技術が知られている。特許文献１では、耐候性鋼データベースに収納された耐候性鋼のうちで、保証対象とする耐候性鋼の腐食画像に類似した腐食画像を有する耐候性鋼を複数抽出し、それら複数の耐候性鋼の外観評点に基づいて、保証対象とする耐候性鋼の外観評点を判定するとともに、それら複数の耐候性鋼の腐食環境（期間平均飛来塩分量、好ましくはさらに乾湿繰返し回数）に基づいて、保証対象とする耐候性鋼の腐食環境（期間平均飛来塩分量、好ましくはさらに乾湿繰返し回数）を判定する。
【先行技術文献】
【特許文献】
【０００３】
特開２０１８－１３６１２４号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
特許文献１に記載の技術では、予測対象の鋼材の画像だけでなく、鋼材の材質や環境曝露時間などの付随条件を入力する必要がある。また、予測対象は、鋼材の暴露環境での外観評点の経時変化であり、鋼材表面の全体の経時変化を予測するのは困難である。即ち、金属表面の腐食状態の経時変化を簡易かつ高精度に予測する観点から改善の余地がある。
【０００５】
本発明では、金属表面の腐食状態の経時変化を簡易かつ高精度に予測することを課題とする。
【課題を解決するための手段】
【０００６】
本発明は、
金属表面の腐食過程を時系列的に撮像した複数の可視光画像における物質の分布をラベルの分布として表示した複数のラベル画像を教師データとすることにより、予測対象の金属表面を撮像した可視光画像から腐食状態の将来変化を予測する金属腐食予測モデルを作成する金属腐食予測モデル作成方法であって、
前記ラベルの数は前記金属表面の腐食過程で存在する前記物質の種類数に応じて設定され、前記ラベルの分布は前記可視光画像の色空間座標値の色分布に基づいて生成される、金属腐食予測モデル作成方法を提供する。
【０００７】
この構成によれば、金属表面の可視光画像において色分布として見られる物質の分布をラベルの分布に置き換えて表示したラベル画像を教師データとして使用する。具体的には、金属表面の可視光画像の各ピクセルの画素値を、腐食過程において金属表面に生成される物質に応じて設定したラベルに置き換える。これにより、不特定多数の物質の腐食状態を予測するのではなく、特定少数の物質の腐食状態を予測することとなり、高精度の予測が可能となる。また、金属表面の腐食過程で析出する物質をあらかじめ任意の方法で同定した当該物質の種類情報と、金属表面の腐食過程を時系列的に撮像した複数の可視光画像とを用意することで、金属腐食予測モデルを作成可能であるため、非常に簡易である。特に、ラベル分布の経時変化を直接に学習および予測するため、金属表面の材質や腐食環境などの情報を必要としない。
【０００８】
前記色分布は、前記可視光画像が持つ複数次元の色空間座標値が各次元について機械学習により所定数のクラスに分類されることで生成されてもよい。
【０００９】
この構成によれば、色空間座標値は膨大なデータとなり得るところ、当該色空間座標値を所定数のクラスに識別した色分布を使用するため、データの取り扱いが簡易となる。例えば、ＲＧＢ（赤、緑、青）の３次元の色空間座標値が各次元について２５６段階（０～２５５）で可視光画像の各ピクセルを構成する場合、ＲＧＢ（赤、緑、青）の各次元について強度が弱（０～８４）、中（８５～１６９）、強（１７０～２５５）などのように３つのクラスに識別された色分布を使用してもよい。これにより、Ｒ（赤）について３クラス、Ｇ（緑）について３クラス、Ｂ（青）について３クラスとなるため、合計バリエーションが２７クラスの色分布が構成される。
【００１０】
前記機械学習は、教師なし学習であってもよい。
（【００１１】以降は省略されています）

関連特許