JP7724688B2 - 粒度分布測定システムおよび粒度分布測定方法 - Google Patents

Description

本発明は、粒度分布測定システムおよび粒度分布測定方法に関する。

ダム等の建設においてコンクリートやＣＳＧ（Cemented Sand and Gravel）を製造する工程では、バッチャープラントやＣＳＧ混合プラントなどが用いられている。これらのプラントでは、使用する現地発生材（骨材や土砂など）の粒度が所定の範囲内にあることが、品質管理で求められている（図１２参照）。ＣＳＧの品質管理上、現地発生材の粒度分布を把握する必要がある。粒度分布は、例えば５分級（0-5mm、5-10mm、10-20mm、20-40mm、40-80mm）で管理される。
従来、人力による品質管理試験を行っており、定められた頻度（施工初期においては１回／時間）で間欠的に試料をサンプリングして粒度の測定が実施される（例えば、JIS A 1102「骨材のふるい分け試験方法」を参照）。人力による品質管理試験は、例えば試料を篩で粒径ごとに篩い分けるとともに乾燥させ、かかる試料の重量を測定して粒度分布を把握するものである。人力による品質管理試験は、試験時間を要するために粒度分布の変動に対してタイムリーに対応することが困難であった。
また、搬送ライン上を移動する材料（例えば、現地発生材）を撮影し、その撮影結果に基づいて材料の粒度分布をリアルタイムに測定する技術が提案されている。画像を用いた粒度分布作成の一般的な流れは、「撮像→画像二値化→輪郭抽出→粒径判定→質量換算→粒度分布算出」である。一連の流れで一番重要なのは画像二値化であり、二値化処理を行った場合に複数の材料粒子が見かけ上一つにならないように撮影の前に材料粒子を分散させる必要がある。そこで、上流側から下流側に向けて材料が流下する整流板と、整流板の下流側に設けられたスクリーンと、スクリーンの表側に設けられた撮影部と、を備えている画像撮影装置がある（例えば、特許文献１参照）。前記した画像撮影装置では、整流板の表面に複数の突起が形成されている。このようにすると、整流板の表面を流下する材料が突起に接触して拡散される。これにより、粒子材料の重なりや接触が解消されるために材料粒子の粒径を正しく判定できるので、粒度分布測定の精度を高めることができる。

特開２０１５－０１０９５２号公報

特許文献１に記載される技術では、材料を整流させるための整流板や撮影用のスクリーンを用けるためにコストが増大するという問題があった。また、人力作業や従来の解析方法では、整流板などの分散機構の設置の他に流下する材料を制限する分取を行う必要があり、実施工に使用する材料に対して試験サンプルの割合が少ないという課題があった。
このような観点から、本発明は、コストを抑えながらもタイムリーに粒度分布の測定を実現できる粒度分布測定システムおよび粒度分布測定方法を提供する。また、本発明は、試験サンプルの割合を容易に増やすことができるものである。

本発明に係る粒度分布測定システムは、対象物の粒度分布を測定する粒度分布測定システムであって、前記対象物を撮影する撮影部と、撮影された前記対象物の粒度分布を算出する処理部とを備える。
前記処理部は、撮影画像において前記対象物の構成物を検出する構成物検出部と、前記撮影画像における前記構成物の面積を算出する面積算出部と、検出された前記構成物から前記対象物の粒度分布を推定する粒度分布推定部とを備える。
前記構成物検出部は、インスタンスセグメンテーションに対応した学習モデルを用いて前記構成物を学習した学習済みモデルによって、前記撮影画像に写る前記構成物を個別に検出する。
前記粒度分布推定部は、前記撮影画像における粒径区分ごとの合計面積と、前記粒径区分ごとの所定面積あたりの質量である質量換算係数とに基づいて粒度分布を推定する。
前記学習モデルは、例えばＭＡＳＫ Ｒ－ＣＮＮであり、前記学習済みモデルは、前記撮影画像を入力することで前記構成物を検出するように機械学習されたものであるのがよい。
本発明に係る粒度分布測定システムにおいては、インスタンスセグメンテーションに対応した学習モデルを用いるので、重なり合う構成物や接触する構成物をピクセル単位で別々に検出することが可能である。ここで、セグメンテーションは、画像中のピクセルごとにそのピクセルがどのクラスに属するかを出力するものであり、インスタンスセグメンテーションは、さらに個体ごとに領域を分割する（個体の物体領域を抽出する）ものである。その結果、例えば撮影前に対象物を整流する必要がないので、設備のコストを抑えることが可能である。また、対象物を撮影した撮影画像から得られた質量換算係数を用いて粒度分布を測定するので、粒度分布を高精度で測定することができる。

前記対象物は、例えばＣＳＧ（Cemented Sand and Gravel）用の現地発生材であり、前記現地発生材を搬送する搬送部を備えてもよい。前記撮影部は、搬送される前記現地発生材を連続して撮影し、前記粒度分布推定部は、各々の撮影画像から当該撮影画像ごとの粒度分布を求め、その結果を統計的に処理することによって前記現地発生材の前記粒度分布を推定するのがよい。
このようにすると、搬送部で搬送される全ての現地発生材を検出することが可能になるので、粒度分布を推定するためのサンプル数を増やすことができる。その為、より精度の高い粒度分布を測定することができる。

本発明に係る粒度分布測定方法は、対象物の粒度分布を測定する粒度分布測定方法であって、前記対象物を撮影する撮影工程と、撮影された前記対象物の粒度分布を算出する処理工程とを有する。
前記処理工程は、撮影画像において前記対象物の構成物を検出する構成物検出工程と、前記撮影画像における前記構成物の面積を算出する面積算出工程と、検出された前記構成物から前記対象物の粒度分布を推定する粒度分布推定工程とを有する。
前記構成物検出工程では、インスタンスセグメンテーションに対応した学習モデルを用いて前記構成物を学習した学習済みモデルによって、前記撮影画像に写る前記構成物を個別に検出する。
前記粒度分布推定工程では、前記撮影画像における粒径区分ごとの合計面積と、前記粒径区分ごとの所定面積あたりの質量である質量換算係数とに基づいて粒度分布を推定する。
本発明に係る粒度分布測定方法においては、インスタンスセグメンテーションに対応した学習モデルを用いるので、重なり合う構成物や接触する構成物をピクセル単位で別々に検出することが可能である。その結果、例えば撮影前に対象物を整流する必要がないので、設備のコストを抑えることが可能である。また、対象物を撮影した撮影画像から得られた質量換算係数を用いて粒度分布を測定するので、粒度分布を高精度で測定することができる。

本発明によれば、コストを抑えながらもタイムリーに粒度分布の測定を実現できる。

本発明の第１実施形態に係る粒度分布測定システムの概略構成図である。 撮影部が撮影した撮影画像のイメージである。 処理部（粒度分布測定装置）の機能構成図である。 撮影画像に検出結果を反映させた検出結果イメージである。 図４における領域Ｋの拡大図である。 キャリブレーションモードにおける処理を示したフローチャートの例示である。 学習モードにおける処理を示したフローチャートの例示である。 粒度分布推定モードにおける処理を示したフローチャートの例示である。 本発明の第２実施形態に係る粒度分布測定システムの概略構成図である。 撮影部が撮影した撮影画像のイメージである。 粒度分布を推定する対象物を説明する図である。（ａ）は対象物の一例としての石積みを撮影した撮影画像のイメージであり、（ｂ）は検出結果を示す図である。 現地発生材の品質管理に使用する情報の一例である。

以下、本発明の実施をするための形態を、適宜図面を参照しながら詳細に説明する。各図は、本発明を十分に理解できる程度に、概略的に示してあるに過ぎない。よって、本発明は、図示例のみに限定されるものではない。なお、各図において、共通する構成要素や同様な構成要素については、同一の符号を付し、それらの重複する説明を省略する。
［第１実施形態］
＜第１実施形態に係る粒度分布測定システムの構成について＞
図１および図２を参照して、第１実施形態に係る粒度分布測定システム１の構成について説明する。図１は、第１実施形態に係る粒度分布測定システム１の概略構成図である。図２は、撮影部２０が撮影した撮影画像のイメージである。
粒度分布測定システム１は、対象物を撮影して取得した撮影画像に基づいて対象物の粒度分布を測定するシステムである。対象物は、粒状の構成物で構成されており、例えば粗粒材（骨材等）及び細粒材（土砂等）を含有する混合材料である。構成物の大きさは特に限定されず、例えば数ミリメートル～数メートルのものであってよい。
粒度分布測定システム１は、粒度分布の測定を必要とする様々な場面で使用することができ、測定対象となる対象物は、種類、用途など特に限定されるものではない。本実施形態では、ＣＳＧ（Cemented Sand and Gravel）ダム工事に粒度分布測定システム１を用いることを想定し、ＣＳＧダム工事に使用する材料９（ＣＳＧ用の現地発生材）を粒度分布を測定する対象物（以下、「測定対象物」と称する場合がある）とする。

図１に示すように、粒度分布測定システム１は、搬送部１０と、撮影部２０と、処理部３０（粒度分布測定装置）とで構成される。
搬送部１０は、測定対象物を搬送するものである。本実施形態における搬送部１０は、ベルト式のベルトコンベアであり、上流側及び下流側のプーリ１１と、両プーリ１１に掛け回された無端ベルト１２と、上流側のプーリ１１を回転させるモータ（図示せず）と、モータの回転速度を変更するためのインバータ（図示せず）と、を備えており、ＣＳＧ用の現地発生材を連続的に搬送可能である。搬送部１０の下流側には、例えばホッパが設置されており、搬送部１０から流下した材料９がホッパに収容される。
撮影部２０は、測定対象物を撮影するものである。撮影部２０は、材料９を撮影可能な位置に配置される。例えば、図１に示すように、撮影部２０は、搬送部１０の下流側に配置され、ベルトコンベアの下流端から鉛直下向きに流下（自由落下）する材料９を水平方向（正面方向）から撮影するように設定されている。撮影部２０は、デジタル画像を取得可能なビデオカメラまたは高解像度のデジタルカメラが好適である。撮影部２０が撮影した撮影画像８のイメージを図２に示す。図２に示すように、撮影画像８には、搬送部１０から流れ落ちる材料９が写っている。撮影部２０は、測定対象物を連続して撮影し、撮影画像８を処理部３０に出力する。撮影部２０は、連続撮影した撮影画像８の一部を処理部３０に出力してもよい。
処理部３０は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等からなるコンピュータであり、撮影部２０の撮影画像８を取得し、この撮影画像８に基づいて材料９の粒度分布を算出する。

次に、図３を参照して、処理部３０（粒度分布測定装置）の処理について説明する。図３は、処理部３０（粒度分布測定装置）の機能構成図である。
処理部３０は、機械学習によって測定対象物（材料９）の構成物を学習し、撮影部２０が撮影した撮影画像８に写る構成物を検出する。そして、処理部３０は、検出結果に基づいて各々の構成物の大きさ（粒径）を算出し、撮影画像８における測定対象物の粒度分布を求める。処理部３０は、粒度分布の算出を複数の撮影画像８について繰り返し行い、その結果を統計的に処理（例えば平均化）することによって対象物全体の粒度分布を推定する。
本実施形態では、機械学習手法の一つである深層学習（ディープラーニング）を用いて撮影画像８から構成物を検出することを想定し、インスタンスセグメンテーションに対応したＭＡＳＫ Ｒ－ＣＮＮ（Regions with Convolutional Neural Network）を用いる場合について説明する。
ここで、セグメンテーションは、画像中のピクセルごとにそのピクセルがどのクラスに属するかを出力するものであり、インスタンスセグメンテーションは、さらに個体ごとに領域を分割する（個体の物体領域を抽出する）ものである。その為、インスタンスセグメンテーションによれば、同一クラスの重なり合う物体や接触する物体をピクセル単位で別々に検出することが可能である。

ＭＡＳＫ Ｒ－ＣＮＮは、Ｆａｓｔｅｒ Ｒ－ＣＮＮを拡張したものである。Ｆａｓｔｅｒ Ｒ－ＣＮＮは、Ｒ－ＣＮＮにおける処理をシンプルにして高速化したものである。Ｒ－ＣＮＮでは、選択的検索（Selective Search）と呼ばれる手法を適用して関心領域（ROI：Regions of Interest）を抽出し、関心領域を畳み込みニューラルネットワークの入力サイズに変形して個別に入力する。Ｆａｓｔｅｒ Ｒ－ＣＮＮでは、選択的検索に代えてＲＰＮ（Region Proposal Network）を用いる。ＲＰＮは、畳み込みニューラルネットワークで構成されており、ネットワークの途中の層まで処理を行って特徴マップを求め、その特徴マップの各要素位置に対して物体か物体でないかの判別を行う。ＭＡＳＫ Ｒ－ＣＮＮでは、Ｆａｓｔｅｒ Ｒ－ＣＮＮのＲＰＮに対して物体認識だけでなく、セグメンテーションを同時に行う。ＭＡＳＫ Ｒ－ＣＮＮの処理については、公知なので詳細な説明を省略する。ＭＡＳＫ Ｒ－ＣＮＮは、例えば以下の文献において解説されている。
・Kaiming Heほか、「Mask R-CNN」、インターネット＜https://arxiv.org/pdf/1703.06870.pdf＞

このように、ＭＡＳＫ Ｒ－ＣＮＮは、インスタンスセグメンテーションに対応しているために、ピクセル単位で検出対象の構成物であるか否かを判定可能である。そして、処理部３０は、撮影画像中において構成物と判定されたピクセルを数えて各々の構成物の面積および大きさ（粒径）を算出するとともに、粒径区分に対応した面積に基づいて粒度分布を算出する。
ＭＡＳＫ Ｒ－ＣＮＮは、複数種類の物体の検出（複数のクラスの分類）に対応しており、一つの撮影画像に複数種類の物体が写っている場合に各々の物体の種類（クラス）を認識することができる。本実施形態では、粒度分布を測定する対象物として混合材料を想定しており、その中で骨材等の粗粒材を検出する場合について説明する。つまり、検出するクラスが粗粒材に関連する「粗粒材クラス」のみであり、土砂等の細粒材については検出しない。なお、クラスの分類は本実施形態で説明する以外のものであってもよい。

図３に示すように、処理部３０は、「キャリブレーションモード」、「学習モード」、「粒度分布推定モード」の三つのモードで動作し、これらの動作に必要な機能を有する。キャリブレーションモードは、撮影部２０が設置された状況に応じた調整を行うためのモードである。学習モードは、撮影画像８に写る物体と検出する対象である材料９の構成物との関係を学習するモードである。処理部３０は、撮影部２０が撮影した撮影画像８を用いて学習を行う。粒度分布推定モードは、撮影画像８に写る材料９の構成物を検出し、検出結果に基づいて材料９の粒度分布を推定するモードである。処理部３０は、撮影部２０が撮影した撮影画像８を用いて粒度分布の推定を行う。
キャリブレーションモードでの動作は、学習モードおよび粒度分布推定モードでの動作前に実行される。また、粒度分布推定モードでの動作は、学習モードで動作させた後で実行される。なお、キャリブレーションモードでの調整が完了した後で、撮影部２０と搬送部１０との位置関係を変更しないものとする（特に、撮影部２０と搬送部１０との近接方向の位置関係）。

処理部３０は、キャリブレーション映像入力部４１と、キャリブレーションパラメータ生成部４２と、記憶部４３と、を備える。これらの機能は、主に「キャリブレーションモード」に関する機能である。
また、処理部３０は、学習用映像入力部５１と、教師データ生成部５２と、深層学習部５３と、記憶部５４と、を備える。これらの機能は、主に「学習モード」に関する機能である。
また、処理部３０は、推定用映像入力部６１と、骨材検出部６２（構成物検出部）と、面積算出部６３と、径判定部６４と、質量換算部６５と、粒度分布推定部６６と、を備える。これらの機能は、主に「粒度分布推定モード」に関する機能である。

（キャリブレーションモードに関する機能）
キャリブレーション映像入力部４１は、キャリブレーションに使用する映像（キャリブレーション映像「画像補正映像」）を撮影部２０から入力するための機能を有する。
キャリブレーションパラメータ生成部４２は、入力したキャリブレーション映像（画像補正映像）からキャリブレーションパラメータを求めるための機能を有する。キャリブレーションパラメータは、例えば画像の補正に必要な情報や実空間長と撮影画像のピクセルとの関係を示す係数などを含む。キャリブレーションパラメータは、記憶部４３に格納され、例えば粒度分布推定時において材料９の径の判定に使用される。

（学習モードに関する機能）
学習モードでは、撮影画像８から物体検出（位置特定も含む）および物体認識が可能なように学習する。
学習用映像入力部５１は、学習に使用する撮影画像８（学習用映像）を撮影部２０から入力するための機能を有する。学習用映像は、粒度分布を推定する場合と同様の条件で撮影したものであるのがよく、例えば搬送部１０を稼動させて流下した材料９を撮影した映像である。学習用映像入力部５１には、学習用映像の他に撮影部２０の撮影レートに関する情報が入力され、例えば学習用映像を構成するフレーム（撮影画像８）の少なくとも一部を教師データ生成部５２に出力する。

教師データ生成部５２は、教師データを生成するための機能を有する。教師データ生成部５２は、学習用映像入力部５１から取得した撮影画像８を画面に表示させ、人間（例えば、試験者）によるタグ（例えば、構成物であることを示す情報）の設定を受け付ける。教師データ生成部５２では、撮影画像８に対して、例えば次の情報をタグ付けすることで教師データを作成する。
・構成物である骨材を囲む枠（ポリライン）の情報
・構成物である骨材のクラスに関する情報
・構成物である骨材のマスクに関する情報
教師データ生成部５２は、撮影画像８とタグに関する情報とを関連付けたものを教師データとして生成し、生成した教師データを深層学習部５３に出力する。
深層学習部５３は、学習モデル（ネットワーク）を学習させるための機能を有する。本実施形態の深層学習部５３は、教師データ生成部５２によって作成された教師データを用いて、ＭＡＳＫ Ｒ－ＣＮＮを機械学習させる。深層学習部５３は、撮影部２０で撮影した材料９の撮影画像８を入力することで材料９に含まれる粗粒材９ａ（骨材等）を検出するように学習モデルを機械学習させる。学習が完了した学習モデル（学習済みモデル）は、記憶部５４に格納される。

（粒度分布推定モードに関する機能）
粒度分布推定モードでは、対象物を撮影した撮影画像８から物体検出（位置特定も含む）および物体認識を行い、その結果から対象物の粒度分布を推定する。
推定用映像入力部６１は、粒度分布の推定に使用する撮影画像８（推定用映像）を撮影部２０から入力するための機能を有する。推定用映像は、学習で使用した学習用映像と同様の条件で撮影したものであるのがよく、例えば搬送部１０を稼動させて流下した材料９を撮影した映像である。推定用映像入力部６１には、推定用映像の他に撮影部２０の撮影レートに関する情報が入力され、例えば推定用映像を構成するフレーム（撮影画像８）の少なくとも一部を骨材検出部６２に出力する。
骨材検出部６２は、撮影部２０が撮影した撮影画像８から材料９に含まれる粗粒材９ａ（骨材等）を検出する機能を有する。本実施形態での骨材検出部６２は、深層学習部５３によって学習された学習済みモデルを用いて粗粒材９ａ（骨材等）の検出を行う。骨材検出部６２は、学習済みモデルに推定用の撮影画像８を入力し、学習済みモデルから出力される検出結果（検出した粗粒材９ａ（骨材等）の情報）を取得する。
骨材検出部６２による検出結果を図４および図５に示す。図４は、撮影画像に検出結果を反映させた検出結果イメージである。図５は、図４における領域Ｋの拡大図である。図４では、ハッチング等を付すことで、検出された物体（粗粒材９ａ（骨材等））を強調して表示している。図５に示すように、複数の粗粒材９ａが重なり合って写っていたり、接触していたとしても、異なる物体として検出される。骨材検出部６２は、検出結果を面積算出部６３に出力する。

面積算出部６３は、骨材検出部６２によって検出された粗粒材９ａ（骨材等）の面積を算出する機能を有する。面積算出部６３は、撮影画像８における粗粒材９ａごとの面積（ピクセル数）を算出し、算出結果を径判定部６４や質量換算部６５へ出力する。
径判定部６４は、骨材検出部６２によって検出された粗粒材９ａ（骨材等）の径を求める機能を有する。径判定部６４は、検出された粗粒材９ａの情報に径の情報を付与して質量換算部６５に出力する。
質量換算部６５は、粒径区分ごとの質量換算係数（「重量換算係数」とも呼ばれる）を算出するための機能を有する。質量換算係数は、撮影画像８における粗粒材９ａ（骨材等）の所定面積あたりの質量である。粒径区分は、例えば５［ｍｍ］以下、５［ｍｍ］よりも大きく１０［ｍｍ］以下、１０［ｍｍ］よりも大きく２０［ｍｍ］以下、２０［ｍｍ］よりも大きく４０［ｍｍ］以下、４０［ｍｍ］よりも大きく８０［ｍｍ］以下、の５つの区分として設定される。質量換算部６５は、何らかの方法（例えば、試験者による事前登録）によって質量換算係数を算出するための既知の数値を有している。質量換算部６５は、粗粒材９ａ（骨材等）の粒径区分ごとの合計面積と、質量換算係数を算出するための既知の数値とに基づいて粒径区分ごとの質量換算係数を算出する。質量換算部６５は、算出した質量換算係数を粒度分布推定部６６に出力する。なお、骨材等の含水量（表面水量）に応じて質量換算係数の較正を行ってもよい。水分量が大きい程、骨材の粒径が大きくなる。
粒度分布推定部６６は、各々の撮影画像８における粗粒材９ａ（骨材等）の粒径区分ごとの合計面積と、質量換算係数とに基づいて材料９の粒度分布を算出する。粒度分布推定部６６は、各々の撮影画像８から当該撮影画像８ごとの粒度分布を求め、その結果を統計的に処理する（例えば、平均化する）ことによって材料９の粒度分布を推定するのがよい。このようにすると、搬送部１０で搬送される全ての材料９を検出することが可能になるので、粒度分布を推定するためのサンプル数を増やすことができる。その為、より精度の高い粒度分布を測定することができる。そして、粒度分布推定部６６は、例えば図示しない表示部に算出した粒度分布を表示させる。

＜第１実施形態に係る粒度分布測定システムの粒度分布推定方法について＞
図６ないし図８を参照して（適宜、図１ないし図５を参照）、粒度分布測定システム１の粒度分布推定方法について説明する。図６は、キャリブレーションモードにおける処理を示したフローチャートの例示である。図７は、学習モードにおける処理を示したフローチャートの例示である。図８は、粒度分布推定モードにおける処理を示したフローチャートの例示である。
（キャリブレーションモードに関する動作）
図６を参照して、キャリブレーションモードに関する動作について説明する。最初に、試験者は、撮影部２０を稼働させてキャリブレーション映像を撮影させ、キャリブレーション映像入力部４１は、撮影したキャリブレーション映像の入力を受け付ける（ステップＳ１１）。次に、キャリブレーションパラメータ生成部４２は、入力されたキャリブレーション映像に基づいてキャリブレーションパラメータを作成する（ステップＳ１２）。作成されたキャリブレーションパラメータは、記憶部４３に格納され、粒度分布推定モードでの動作時に使用される。なお、キャリブレーションパラメータを作成した後では、撮影部２０の撮影に関する環境（撮影部２０の位置など）を変更しないようにする。

（学習モードに関する動作）
図７を参照して、学習モードに関する動作について説明する。試験者は、キャリブレーションモードに関する動作を完了した後で学習モードでの動作を実行する。最初に、試験者は、撮影部２０を稼働させて学習用映像を撮影させ、学習用映像入力部５１は、学習用映像の入力を開始する（ステップＳ２１）。次に、教師データ生成部５２は、学習用映像入力部５１から取得した学習用映像のフレーム（撮影画像８）を画面に表示させ、試験者によるタグ（例えば、粗粒材９ａであることを示す情報）の設定を受け付けて教師データを作成する（ステップＳ２２）。教師データ生成部５２は、例えば撮影した時刻が異なるフレーム（撮影画像８）を用いて複数の教師データを作成する。次に、深層学習部５３は、ステップＳ２２で作成した教師データを用いた深層学習によって学習モデル（例えば、ＭＡＳＫ Ｒ－ＣＮＮ）を学習させる（ステップＳ２３）。これにより、学習済みモデルが作成され、作成された学習済みモデルは記憶部５４に格納される。学習済みモデルは、撮影部２０で撮影した材料９の撮影画像８を入力することで材料９に含まれる粗粒材９ａ（骨材等）を検出するものである。

（粒度分布推定モードに関する動作）
図８を参照して、粒度分布推定モードに関する動作について説明する。試験者は、キャリブレーションモードに関する動作および学習モードに関する動作を完了した後で粒度分布推定モードでの動作を実行する。最初に、試験者は、撮影部２０を稼働させて推定用映像を撮影させ、推定用映像入力部６１は、推定用映像の入力を開始する（ステップＳ３１）。次に、骨材検出部６２は、ステップＳ２３で深層学習によって学習した学習済みモデルを用いて、推定用映像から粗粒材９ａ（骨材）を検出する（ステップＳ３２）。ステップＳ３２による検出では、学習済みモデル（例えば、ＭＡＳＫ Ｒ－ＣＮＮ）に推定用映像を構成するフレーム（撮影画像８）を入力し、学習済みモデルから出力される検出結果（検出した粗粒材９ａ（骨材等）の情報）を取得する。
次に、径判定部６４は、ステップＳ３２で検出された粗粒材９ａ（骨材）に基づいて、撮影画像８における粗粒材９ａの径を判定する（ステップＳ３３Ａ）。なお、径判定部６４は、例えば検出結果を表示部に表示して粗粒材９ａの両端部を試験者に選択させ、選択された両端部の間のピクセル数およびキャリブレーションパラメータに基づいて材料９（骨材）の実際の径を判定してもよい。また、面積算出部６３は、ステップＳ３２で検出された各々の粗粒材９ａ（骨材）の面積を算出する（ステップＳ３３Ｂ）。
次に、質量換算部６５は、粒径区分ごとの質量換算係数を算出する（ステップＳ３４）。続いて、粒度分布推定部６６は、粗粒材９ａ（骨材）の粒径区分ごとの合計面積と質量換算係数とに基づいて粒度分布を推定する（ステップＳ３５）。そして、粒度分布推定部６６は、図示しない表示部に推定した粒度分布を表示させる。

以上のように、第１実施形態に係る粒度分布測定システム１においては、インスタンスセグメンテーションに対応した学習モデルを用いるので、重なり合う粗粒材９ａ（骨材）や接触する粗粒材９ａ（骨材）をピクセル単位で別々に検出することが可能である。ここで、セグメンテーションは、画像中のピクセルごとにそのピクセルがどのクラスに属するかを出力するものであり、インスタンスセグメンテーションは、さらに個体ごとに領域を分割する（個体の物体領域を抽出する）ものである。その結果、例えば撮影前に材料９を整流する必要がないので、設備のコストを抑えることが可能である。

［第２実施形態］
＜第２実施形態に係る粒度分布測定システムの構成について＞
図９および図１０を参照して、第２実施形態に係る粒度分布測定システム１０１の構成について説明する。図９は、第２実施形態に係る粒度分布測定システム１０１の概略構成図である。図１０は、撮影部２０が撮影した撮影画像のイメージである。
第２実施形態に係る粒度分布測定システム１０１の構成要素は、第１実施形態に係る粒度分布測定システム１と同様である。図９に示すように、粒度分布測定システム１０１は、搬送部１０と、撮影部２０と、処理部３０（粒度分布測定装置）とで構成される。第２実施形態では、撮影部２０の配置が第１実施形態と異なる。
第２実施形態での撮影部２０は、搬送部１０の上方に配置され、水平方向に移動する材料９を鉛直下向きに撮影するように設定されている。撮影部２０は、デジタル画像を取得可能なビデオカメラまたは高解像度のデジタルカメラが好適である。撮影部２０が撮影した撮影画像８のイメージを図１０に示す。図１０に示すように、撮影画像８には、搬送部１０上を搬送される材料９が写っている。撮影部２０は、撮影結果を処理部３０に出力する。

以上説明した第２実施形態に係る粒度分布測定システム１０１によっても、第１実施形態と略同等の効果を奏することができる。
＜変形例＞
各実施形態では、インスタンスセグメンテーションに対応した学習モデル（ネットワーク）としてＭＡＳＫ Ｒ－ＣＮＮを例示して説明した。しかしながら、撮影画像８から推定対象をピクセル単位で個別に検出することが可能であれば、他の学習モデルを用いることが可能である。
また、各実施形態では、粒度分布を推定する対象物がＣＳＧダム工事に使用する材料９（ＣＳＧ用の現地発生材）であった。しかしながら、粒度分布を推定する対象物は現地発生材に限定されず、様々な物の粒度分布を推定することが可能である。例えば、図１１に示すように、石積み１０９における石１０９ａの検出を行ってその粒度分布を推定することも可能である。図１１は、粒度分布を推定する対象物を説明する図であり、（ａ）は対象物の一例としての石積み１０９を撮影した撮影画像のイメージであり、（ｂ）は検出結果を示す図である。

１，１０１ 粒度分布測定システム
８ 撮影画像
９ 材料（対象物）
９ａ 粗粒材（構成物）
１０ 搬送部
２０ 撮影部
３０ 処理部
４１ キャリブレーション映像入力部
４２ キャリブレーションパラメータ生成部
４３ 記憶部
５１ 学習用映像入力部
５２ 教師データ生成部
５３ 深層学習部
５４ 記憶部
６１ 推定用映像入力部
６２ 骨材検出部（構成物検出部）
６３ 面積算出部
６４ 径判定部
６５ 質量換算部
６６ 粒度分布推定部

Claims (4)

1. 対象物の粒度分布を測定する粒度分布測定システムであって、
   前記対象物を撮影する撮影部と、
   撮影された前記対象物の粒度分布を算出する処理部と、を備え、
   前記処理部は、
   撮影画像において前記対象物の構成物を検出する構成物検出部と、
   前記撮影画像における前記構成物の面積を算出する面積算出部と、
   検出された前記構成物から前記対象物の粒度分布を推定する粒度分布推定部と、を備え、
   前記構成物検出部は、インスタンスセグメンテーションに対応した学習モデルを用いて前記構成物を学習した学習済みモデルによって、前記撮影画像に写る前記構成物を個別に検出し、
   前記粒度分布推定部は、前記撮影画像における粒径区分ごとの合計面積と、前記粒径区分ごとの所定面積あたりの質量である質量換算係数とに基づいて粒度分布を推定する、
   ことを特徴とする粒度分布測定システム。
2. 前記学習モデルは、ＭＡＳＫ Ｒ－ＣＮＮであり、
   前記学習済みモデルは、前記撮影画像を入力することで前記構成物を検出するように機械学習されたものである、
   ことを特徴とする請求項１に記載の粒度分布測定システム。
3. 前記対象物は、ＣＳＧ用の現地発生材であり、
   前記現地発生材を搬送する搬送部を備え、
   前記撮影部は、搬送される前記現地発生材を連続して撮影し、
   前記粒度分布推定部は、各々の撮影画像から当該撮影画像ごとの粒度分布を求め、その結果を統計的に処理することによって前記現地発生材の前記粒度分布を推定する、
   ことを特徴とする請求項１または請求項２に記載の粒度分布測定システム。
4. 対象物の粒度分布を測定する粒度分布測定方法であって、
   前記対象物を撮影する撮影工程と、
   撮影された前記対象物の粒度分布を算出する処理工程と、を有し、
   前記処理工程は、
   撮影画像において前記対象物の構成物を検出する構成物検出工程と、
   前記撮影画像における前記構成物の面積を算出する面積算出工程と、
   検出された前記構成物から前記対象物の粒度分布を推定する粒度分布推定工程と、を有し、
   前記構成物検出工程では、インスタンスセグメンテーションに対応した学習モデルを用いて前記構成物を学習した学習済みモデルによって、前記撮影画像に写る前記構成物を個別に検出し、
   前記粒度分布推定工程では、前記撮影画像における粒径区分ごとの合計面積と、前記粒径区分ごとの所定面積あたりの質量である質量換算係数とに基づいて粒度分布を推定する、
   ことを特徴とする粒度分布測定方法。