JP2019053569A - Information processing device, information processing method, and program - Google Patents

Information processing device, information processing method, and program Download PDF

Info

Publication number
JP2019053569A
JP2019053569A JP2017177810A JP2017177810A JP2019053569A JP 2019053569 A JP2019053569 A JP 2019053569A JP 2017177810 A JP2017177810 A JP 2017177810A JP 2017177810 A JP2017177810 A JP 2017177810A JP 2019053569 A JP2019053569 A JP 2019053569A
Authority
JP
Japan
Prior art keywords
determination
determination result
certainty factor
learning data
inspection record
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2017177810A
Other languages
Japanese (ja)
Other versions
JP6984265B2 (en
Inventor
泰弘 十河
Yasuhiro Sogawa
泰弘 十河
三上　伸弘
Nobuhiro Mikami
伸弘 三上
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to JP2017177810A priority Critical patent/JP6984265B2/en
Publication of JP2019053569A publication Critical patent/JP2019053569A/en
Application granted granted Critical
Publication of JP6984265B2 publication Critical patent/JP6984265B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

To efficiently review determination results based on structure inspection recording.SOLUTION: An information processing device includes a determination model generation unit configured to use inspection recording for each structure and determination result based on the inspection recording as learning data and generate a determination model of the state using the inspection recording and the determination result, a certainty factor calculation unit configured to calculate a certainty factor indicating the ambiguity of the determination result for each structure on the basis of the determination model, the inspection recording, and the determination result, and a re-determination extraction unit configured to extract a structure to be re-determined from the learning data on the basis of the certainty factor.SELECTED DRAWING: Figure 5

Description

本発明は、統計的解析によるモデルを用いた情報処理装置等に関する。   The present invention relates to an information processing apparatus using a model based on statistical analysis.

橋梁、トンネル又は道路の構造物では、点検者による目視又は打音を用いた点検作業が定期的に実施され、構造物の損傷状況に応じて各点検者の経験および知識に基づいた構造物の状態判定が行われる。   For bridges, tunnels or road structures, inspection work by visual inspection or sound is regularly performed by the inspector, and the structure of the structure based on the experience and knowledge of each inspector is determined according to the damage status of the structure. State determination is performed.

多数の構造物に存在する全ての損傷を同時に補修することはコストおよび人的リソースの制約上困難であり、構造物管理者は、点検作業によって得られた状態判定に基づいて、構造物の補修計画を立案している。このため、補修計画において構造物の状態判定は非常に重要な情報となる。   Repairing all damage in a large number of structures at the same time is difficult due to cost and human resource constraints, and the structure manager repairs the structure based on the state judgment obtained by the inspection work. I have a plan. For this reason, the state determination of a structure is very important information in a repair plan.

状態判定では、点検作業は、それぞれの場所ごとに担当する組織・人が割り振られているため、同程度の損傷が構造物に発生していた場合でも判定結果が異なるケースが存在する。これによって本来、優先的に補修すべき対象が見逃される可能性がある。   In the state determination, since the organization / person in charge of the inspection work is assigned to each location, there are cases where the determination results differ even when the same degree of damage has occurred in the structure. As a result, there is a possibility that an object to be repaired with priority should be overlooked.

特許文献１には、土木構造物の所定の区間ごとの維持管理の優先度を示す優先度指標がガンマ分布に従うと仮定し、検査項目を評価した結果に対して統計的解析によるモデルを生成して、評価した結果が変状有りと観測される可能性を示す例が開示されている。   In Patent Document 1, it is assumed that the priority index indicating the priority of maintenance for each predetermined section of the civil engineering structure follows a gamma distribution, and a model by statistical analysis is generated for the result of evaluating the inspection items. Thus, an example showing the possibility that the evaluated result is observed as being deformed is disclosed.

特開２０１６−１２２３９１号公報JP, 2006-122391, A

特許文献１のような統計的解析によるモデルを構築する場合であっても、点検者の判定結果（評価結果）にある程度の間違った判定結果が含まれている。このため統計的解析によるモデルの精度を向上させる場合、モデルの構築に用いた判定結果の見直しが必要となる。   Even when a model based on statistical analysis as in Patent Document 1 is constructed, the determination result (evaluation result) of the inspector includes some incorrect determination results. For this reason, when improving the accuracy of a model by statistical analysis, it is necessary to review the determination result used for the construction of the model.

一方で、構造物の点検記録の基づく判定結果を見直す場合、膨大な数の構造物に対して、再判定する熟練の専門家（点検者等）の数は限られている。このため、判定結果の見直しにかかる時間は莫大なものとなる。   On the other hand, when reviewing the determination result based on the inspection record of the structure, the number of skilled experts (inspectors, etc.) re-determining the number of structures is limited. For this reason, the time taken to review the determination result becomes enormous.

本発明の目的は、構造物の点検記録に基づく判定結果の見直しを効率的に行うことが可能な情報処理装置等を提供することにある。   The objective of this invention is providing the information processing apparatus etc. which can perform the review of the determination result based on the inspection record of a structure efficiently.

本発明の一態様である情報処理装置は、構造物ごとの点検記録とその判定結果との関係を表す判定モデルを生成する、判定モデル生成部と、前記判定モデル、前記点検記録および前記判定結果に基づき、前記構造物ごとに、前記判定結果の曖昧さを示す確信度を計算する、確信度計算部と、前記確信度に基づき、再判定となる構造物を抽出する、再判定抽出部と、を備える。   An information processing apparatus according to an aspect of the present invention includes a determination model generation unit that generates a determination model representing a relationship between an inspection record for each structure and a determination result thereof, the determination model, the inspection record, and the determination result Based on the above, for each structure, a certainty factor that calculates the certainty level indicating the ambiguity of the determination result, and a redetermination extraction unit that extracts a structure to be redetermined based on the certainty factor, .

本発明の一態様である情報処理方法は、構造物ごとの点検記録とその判定結果との関係を表す判定モデルを生成し、前記判定モデル、前記点検記録および前記判定結果に基づき、前記構造物ごとに、前記判定結果の曖昧さを示す確信度を計算し、前記確信度に基づき、再判定となる構造物を抽出する。   An information processing method according to one aspect of the present invention generates a determination model representing a relationship between an inspection record for each structure and a determination result thereof, and the structure is based on the determination model, the inspection record, and the determination result. Each time, a certainty factor indicating the ambiguity of the determination result is calculated, and a structure to be re-determined is extracted based on the certainty factor.

本発明の一態様であるプログラムは、コンピュータに、構造物ごとの点検記録とその判定結果との関係を表す判定モデルを生成し、前記判定モデル、前記点検記録および前記判定結果に基づき、前記構造物ごとに、前記判定結果の曖昧さを示す確信度を計算し、前記確信度に基づき、再判定となる構造物を抽出する、ことを実行させる。   The program according to one aspect of the present invention generates a determination model representing a relationship between an inspection record for each structure and a determination result thereof on a computer, and the structure is based on the determination model, the inspection record, and the determination result. For each object, a certainty factor indicating the ambiguity of the determination result is calculated, and a structure to be re-determined is extracted based on the certainty factor.

本発明は、構造物の点検記録に基づく判定結果の見直しを効率的に行うことができる。   The present invention can efficiently review the determination result based on the inspection record of the structure.

第１の実施形態に係る判定支援装置の構成を示すブロック図である。It is a block diagram which shows the structure of the determination assistance apparatus which concerns on 1st Embodiment. 第１の実施形態における学習データの一例を示すデータシートである。It is a data sheet which shows an example of the learning data in 1st Embodiment. 第１の実施形態における構造物ＩＤと確信度の対応を示すデータシートである。It is a data sheet which shows a response | compatibility with structure ID and reliability in 1st Embodiment. 第１の実施形態に係る判定支援装置の動作を示すフローチャートである。It is a flowchart which shows operation | movement of the determination assistance apparatus which concerns on 1st Embodiment. 第１の実施形態に係る判定支援装置の特徴的な構成を示すブロック図である。It is a block diagram which shows the characteristic structure of the determination assistance apparatus which concerns on 1st Embodiment. 第２の実施形態に係る判定支援装置の構成を示すブロック図である。It is a block diagram which shows the structure of the determination assistance apparatus which concerns on 2nd Embodiment. 第２の実施形態における信頼度付学習データの一例を示すデータシートである。It is a data sheet which shows an example of the learning data with reliability in 2nd Embodiment. 第２の実施形態に係る判定支援装置の動作を示すフローチャートである。It is a flowchart which shows operation | movement of the determination assistance apparatus which concerns on 2nd Embodiment. 第２の実施形態に係る判定支援装置の特徴的な構成を示すブロック図である。It is a block diagram which shows the characteristic structure of the determination assistance apparatus which concerns on 2nd Embodiment. 第１、２の実施形態における判定支援装置をコンピュータで実現したハードウエア構成を示すブロック図である。It is a block diagram which shows the hardware constitutions which implement | achieved the determination assistance apparatus in 1st, 2 embodiment with a computer.

本発明の一態様である情報処理装置について判定支援装置の例を用いて説明する。   An information processing apparatus which is one embodiment of the present invention will be described using an example of a determination support apparatus.

（第１の実施形態）
はじめに第１の実施形態に係る判定支援装置１１０の構成を説明する。 (First embodiment)
First, the configuration of the determination support apparatus 110 according to the first embodiment will be described.

図１は、第１の実施形態に係る判定支援装置１１０の構成を示すブロック図である。図１に示す判定支援装置１１０は、判定モデル生成部１１１、確信度計算部１１２、再判定抽出部１１３、学習データ記憶部１２１を備える。   FIG. 1 is a block diagram illustrating a configuration of a determination support apparatus 110 according to the first embodiment. The determination support apparatus 110 illustrated in FIG. 1 includes a determination model generation unit 111, a certainty factor calculation unit 112, a re-determination extraction unit 113, and a learning data storage unit 121.

学習データ記憶部１２１は、学習データを記憶する。学習データは、学習対象となる１以上の構造物における各々の点検記録と、該点検記録に基づく構造物の判定結果を含む。図２は、第１の実施形態における学習データの一例を示すデータシートである。図２の例では、学習データとして、構造物ＩＤ（Identifier）毎に、点検記録と、構造物の判定結果とが関連付けられている。点検記録の項目としては、図２に示すように構造物の損傷の種別とその大きさ、及び、当該構造物の築年数が設定されている。損傷は、同じ種別の他、漏水や鉄筋の露出等の異なる種別を含んでもよい。   The learning data storage unit 121 stores learning data. The learning data includes each inspection record in one or more structures to be learned and a structure determination result based on the inspection records. FIG. 2 is a data sheet showing an example of learning data in the first embodiment. In the example of FIG. 2, an inspection record and a structure determination result are associated as learning data for each structure ID (Identifier). As the items of the inspection record, as shown in FIG. 2, the type and size of damage to the structure and the age of the structure are set. In addition to the same type of damage, the damage may include different types such as water leakage and rebar exposure.

判定結果を示す項目には、点検記録に基づいて、点検者等の専門家によって判定された構造物の状態が示される。図２の例では、状態の値が小さいほど構造物が好ましい状態であると仮定する。状態の一例は、健全度である。なお、学習データは、予め学習データ記憶部１２１に記憶されているものとする。   The item indicating the determination result indicates the state of the structure determined by an expert such as an inspector based on the inspection record. In the example of FIG. 2, it is assumed that the smaller the value of the state, the better the structure. An example of the state is soundness. Note that learning data is stored in the learning data storage unit 121 in advance.

判定モデル生成部１１１は、学習データ記憶部１２１の学習データを読出し、構造物の状態を判定するための判定モデルを生成する。判定モデルは、例えば、点検記録の各項目を説明変数とし、判定結果である構造物の状態を目的変数とする重回帰分析法によって、判定結果の項目と点検記録の各項目との関係を示す数式として表される。   The determination model generation unit 111 reads the learning data from the learning data storage unit 121 and generates a determination model for determining the state of the structure. For example, the judgment model shows the relationship between the judgment result item and each item of the inspection record by multiple regression analysis using each item of the inspection record as an explanatory variable and the state of the structure that is the judgment result as an objective variable. Expressed as a formula.

例えば、図２の例では、Ｙが構造物の状態、Ｘ1が損傷Ａ、Ｘ2が損傷Ｂ、Ｘ3が築年数の変数とした重回帰式で表される。なお、説明変数は、図２の例によらず、点検記録の項目の数等、適宜、変更可能である。

Figure 2019053569
For example, in the example of FIG. 2, Y is the state of the structure, X 1 is the damage A, X 2 is the damage B, and X 3 is the variable of the building age. The explanatory variables can be changed as appropriate, such as the number of items in the inspection record, without depending on the example of FIG.
Figure 2019053569

上記の式に学習データ（ｍ組のＹ、Ｘ1、Ｘ2、Ｘ3）を代入して、最も誤差が少なくなるような係数ｂ0、ｂ1、ｂ2、ｂ3の組み合わせを実測と予測の残差を最小二乗法で計算することにより、重回帰式を求める。

Figure 2019053569
Substituting learning data (m sets of Y, X 1 , X 2 , X 3 ) into the above equation, the combination of coefficients b 0 , b 1 , b 2 , b 3 that minimizes the error is measured and The multiple regression equation is obtained by calculating the residual of the prediction by the least square method.
Figure 2019053569

判定モデル生成部１１１で生成された判定モデルは、確信度計算部１１２に送られる。   The determination model generated by the determination model generation unit 111 is sent to the certainty calculation unit 112.

なお、上記の重回帰分析法を用いた判定モデルは例示であって、他の統計的解析手法によって実現してもよい。例えば、点検記録の各項目を説明変数とし、判定結果の項目を目的変数とする多クラスロジスティック回帰分析法によって判定結果の項目と点検記録の各項目との関係を示す数式として表すこともできる。あるいは、C4.5によって、点検記録の各項目と状態との関係をif-thenルールの関係で表現し、それを状態の判定に用いる判定モデルとして生成してもよい。   Note that the above-described determination model using the multiple regression analysis method is an example, and may be realized by other statistical analysis methods. For example, each item of the inspection record can be represented as an explanatory variable, and an equation representing the relationship between the item of the determination result and each item of the inspection record can be expressed by a multi-class logistic regression analysis method using the item of the determination result as an objective variable. Alternatively, the relationship between each item of the inspection record and the state may be expressed by the relationship of an if-then rule and generated as a determination model used for the state determination by C4.5.

確信度計算部１１２は、判定モデル生成部１１１で生成された判定モデルを入力とし、学習データ記憶部１２１から学習データを読出し、各構造物の状態に対する確信度を計算する。図４は、構造物ＩＤと確信度の例を示すデータシートである。   The certainty factor calculation unit 112 receives the determination model generated by the determination model generation unit 111, reads the learning data from the learning data storage unit 121, and calculates the certainty factor for the state of each structure. FIG. 4 is a data sheet showing an example of the structure ID and the certainty factor.

ここで、確信度とは、判定結果の曖昧さを表すものであり、構造物に対する判定モデルと学習データを用いてから計算される。確信度は、例えば、多クラスのロジスティック回帰分析法を用いて、各構造物に対して、どの状態であるかの確率を判定モデルから計算することができる。   Here, the certainty factor represents the ambiguity of the determination result, and is calculated after using the determination model for the structure and the learning data. As the certainty factor, for example, the probability of which state is in each structure can be calculated from the determination model using a multi-class logistic regression analysis method.

具体的には、学習データのうちのある構造物の状態が１、２、３、４、５の５つのクラスに分けられ、構造物の状態を示すクラスごとの生起確率を

Figure 2019053569
Specifically, the state of a structure in the learning data is divided into five classes 1, 2, 3, 4, and 5, and the occurrence probability for each class indicating the state of the structure is calculated.
Figure 2019053569

とする。この生起確率に基づいて、

Figure 2019053569
And Based on this probability of occurrence,
Figure 2019053569

（底は２）で表されるエントロピーを計算することで確信度（曖昧さ）を計算することができる。ある構造物の状態に対してエントロピーの値が大きい程、その状態の判定結果の曖昧さが増していることを表す。なお、状態の判定結果が５つのクラスの場合、エントロピーの取り得る範囲は０≦エントロピー≦ｌｏｇ２５となる。 The certainty (ambiguity) can be calculated by calculating the entropy represented by (bottom is 2). The larger the entropy value for a state of a certain structure, the greater the ambiguity of the determination result of that state. When the state determination results are five classes, the range that entropy can take is 0 ≦ entropy ≦ log 2 5.

そして確信度計算部１１２は、構造物ごとの確信度を再判定抽出部１１３に対して出力する。   Then, the certainty factor calculation unit 112 outputs the certainty factor for each structure to the redetermination extraction unit 113.

再判定抽出部１１３は、確信度計算部１１２で算出された構造物ごとの確信度を入力とし、再判定となる構造物（再判定構造物）を抽出する。具体的には、再判定抽出部１１３は、構造物ごとの確信度の中から、最も大きい確信度に紐付く構造物（構造物ＩＤ）を抽出する。   The re-determination extraction unit 113 receives the certainty factor for each structure calculated by the certainty factor calculation unit 112, and extracts a structure (re-determination structure) to be re-determination. Specifically, the re-determination extraction unit 113 extracts a structure (structure ID) associated with the highest certainty factor from the certainty factors for each structure.

再判定抽出部１１３が抽出する構造物の数は、１又は複数でもよい。複数の構造物の場合、再判定抽出部１１３は、構造物を抽出する基準として、確信度の大きさに準じて構造物を抽出してもよい。なお、抽出する基準は、上記以外でもよく、例えば、ある閾値より大きい確信度の構造物を抽出してもよい。さらに、また、抽出する構造物の数は、入力装置（図示せず）を介して再判定抽出部１１３に設定される態様でもよい。   The number of structures extracted by the redetermination extraction unit 113 may be one or more. In the case of a plurality of structures, the redetermination extraction unit 113 may extract the structures according to the confidence level as a reference for extracting the structures. In addition, the reference | standard to extract may be other than the above, for example, you may extract the structure of the certainty degree larger than a certain threshold value. Furthermore, the number of structures to be extracted may be set in the redetermination extraction unit 113 via an input device (not shown).

次に、第１の実施形態に係る判定支援装置１１０の動作について説明する。   Next, the operation of the determination support apparatus 110 according to the first embodiment will be described.

図３は、第１の実施形態に係る判定支援装置１１０の動作を示すフローチャートである。   FIG. 3 is a flowchart showing the operation of the determination support apparatus 110 according to the first embodiment.

判定モデル生成部１１１は、学習データ記憶部１２１に記憶された学習データを読み出す（ステップＳ１１）。   The determination model generation unit 111 reads the learning data stored in the learning data storage unit 121 (step S11).

判定モデル生成部１１１は、読み出された学習データを用いて、構造物ごとの点検記録とその判定結果との関係を表す判定モデルを生成する（ステップＳ１２）。   The determination model generation unit 111 generates a determination model representing the relationship between the inspection record for each structure and the determination result using the read learning data (step S12).

確信度計算部１１２は、判定モデル生成部１１１で生成された判定モデルと、学習データ記憶部１２１の学習データとを用いて、各構造物の状態に対する確信度を計算する（ステップＳ１３）。   The certainty factor calculation unit 112 calculates the certainty factor for the state of each structure using the determination model generated by the determination model generation unit 111 and the learning data stored in the learning data storage unit 121 (step S13).

再判定抽出部１１３は、確信度計算部１１２で計算された各構造物に対する確信度を入力とし、学習データの中から再判定となる構造物を抽出する（ステップＳ１４）。   The re-determination extracting unit 113 receives the certainty factor for each structure calculated by the certainty factor calculating unit 112, and extracts a structure to be re-determined from the learning data (step S14).

次に、第１の実施形態の特徴的な構成を説明する。   Next, a characteristic configuration of the first embodiment will be described.

図５は、第１の実施形態の特徴的な構成を示すブロック図である。図５を参照すると、判定支援装置１１０（情報処理装置とも呼ばれる）は、判定モデル生成部１１１と、確信度計算部１１２と、再判定抽出部１１３を備える。判定モデル生成部１１１は、構造物ごとの点検記録とその判定結果との関係を表す判定モデルを生成する。確信度計算部１１２は、判定モデル、点検記録および判定結果に基づき、構造物ごとに、判定結果の曖昧さを示す確信度を計算する。再判定抽出部１１３は、確信度に基づき、学習データの中から再判定となる構造物を抽出する。   FIG. 5 is a block diagram showing a characteristic configuration of the first embodiment. Referring to FIG. 5, the determination support apparatus 110 (also referred to as an information processing apparatus) includes a determination model generation unit 111, a certainty factor calculation unit 112, and a redetermination extraction unit 113. The determination model generation unit 111 generates a determination model that represents the relationship between the inspection record for each structure and the determination result. The certainty factor calculation unit 112 calculates the certainty factor indicating the ambiguity of the determination result for each structure based on the determination model, the inspection record, and the determination result. The re-determination extraction unit 113 extracts a structure to be re-determination from the learning data based on the certainty factor.

次に、第１の実施形態の効果を説明する。   Next, the effect of the first embodiment will be described.

第１の実施形態の判定支援装置によれば、構造物の点検記録に基づく判定結果の見直しを効率的に行うことが可能となる。   According to the determination support apparatus of the first embodiment, it is possible to efficiently review the determination result based on the inspection record of the structure.

その理由は、判定モデル生成部１１１が、学習データに含まれる構造物ごとの点検記録とその判定結果との関係を表す判定モデルを生成し、確信度計算部１１２が、生成された判定モデル、点検記録および判定結果に基づき、学習データ内の構造物ごとに、判定結果の曖昧さを示す確信度を計算する。再判定抽出部１１３が、算出された確信度に基づき、学習データの中から再判定となる構造物を抽出する。   The reason is that the determination model generation unit 111 generates a determination model representing the relationship between the inspection record for each structure included in the learning data and the determination result, and the certainty factor calculation unit 112 generates the determination model, Based on the inspection record and the determination result, a certainty factor indicating the ambiguity of the determination result is calculated for each structure in the learning data. The re-determination extraction unit 113 extracts a structure to be re-determination from the learning data based on the calculated certainty factor.

これにより、判定支援装置１１０は、構造物ごとの点検結果とその判定結果を含む学習データの中から判定結果が曖昧で再判定することが好ましい構造物を効率的に特定することができ、判定結果の見直しにかかる時間を短縮することが可能となる。   As a result, the determination support apparatus 110 can efficiently identify a structure that is preferable to be re-determined because the determination result is ambiguous from the inspection result for each structure and the learning data including the determination result. It is possible to reduce the time required for reviewing the results.

（第２の実施形態）
次に、第２の実施形態に係る判定支援装置２１０の構成を説明する。 (Second Embodiment)
Next, the configuration of the determination support apparatus 210 according to the second embodiment will be described.

図６は、第２の実施形態に係る判定支援装置２１０の構成を示すブロック図である。図６に示す判定支援装置２１０は、判定モデル生成部２１１、確信度計算部２１２、再判定抽出部２１３、信頼度算出部２１４、学習データ記憶部２２１、及び、フィードバック部２３１を備える。   FIG. 6 is a block diagram illustrating a configuration of the determination support apparatus 210 according to the second embodiment. The determination support apparatus 210 illustrated in FIG. 6 includes a determination model generation unit 211, a certainty factor calculation unit 212, a redetermination extraction unit 213, a reliability calculation unit 214, a learning data storage unit 221, and a feedback unit 231.

図６に示す学習データ記憶部２２１には、図２に示す学習データ記憶部１２１が記憶する学習データに信頼度が追加されている。具体的には、学習データ記憶部２２１は、学習データとして、構造物ごとの点検記録とその判定結果に加え、当該判定結果に対する信頼度を記憶する。図７は、第２の実施形態における学習データの一例を示すデータシートである。
信頼度の範囲は０〜１であり、各信頼度の初期値は全て１とする。 In the learning data storage unit 221 illustrated in FIG. 6, reliability is added to the learning data stored in the learning data storage unit 121 illustrated in FIG. 2. Specifically, the learning data storage unit 221 stores, as learning data, the reliability of the determination result in addition to the inspection record for each structure and the determination result. FIG. 7 is a data sheet showing an example of learning data in the second embodiment.
The range of reliability is 0 to 1, and the initial value of each reliability is all 1.

図６に示す第２実施形態の判定モデル生成部２１１、確信度計算部２１２、再判定抽出部２１３、及び、学習データ記憶部２２１は、それぞれ、図１に示す第１実施形態の判定モデル生成部１１１、確信度計算部１１２、再判定抽出部１１３、及び、学習データ記憶部１２１に相当する機能を有する。   The determination model generation unit 211, the certainty factor calculation unit 212, the re-determination extraction unit 213, and the learning data storage unit 221 of the second embodiment illustrated in FIG. 6 are each generated by the determination model generation of the first embodiment illustrated in FIG. Unit 111, certainty factor calculation unit 112, redetermination extraction unit 113, and learning data storage unit 121.

判定モデル生成部２１１は、学習データ記憶部２２１に記憶された信頼度を含む学習データを入力とし、判定モデルを学習する。例えば、重み付き最小二乗法による重回帰分析によって、点検記録と判定結果と信頼度の関係を数式で表現するモデルを生成する。   The determination model generation unit 211 receives learning data including the reliability stored in the learning data storage unit 221 as an input, and learns the determination model. For example, a model that expresses the relationship between the inspection record, the determination result, and the reliability with a mathematical expression is generated by multiple regression analysis using a weighted least square method.

例えば、図６の例では、Ｙを構造物の状態、Ｘ1を損傷Ａ、Ｘ2を損傷Ｂ、Ｘ3を築年数、Ｘ4を信頼度の変数とし、ｗjを１〜ｍ組ごとの重み付けとした重回帰式で表される。なお、説明変数は、図６の例によらず、点検記録の項目の数等、適宜、変更可能である。

Figure 2019053569
For example, in the example of FIG. 6, Y is the state of the structure, X 1 is the damage A, X 2 is the damage B, X 3 is the building age, X 4 is the reliability variable, and w j is 1 to m pairs. It is expressed by a multiple regression equation with a weight of. The explanatory variables can be changed as appropriate, such as the number of items in the inspection record, without depending on the example of FIG.
Figure 2019053569

上記の式に学習データ（ｍ組のＹ、Ｘ1、Ｘ2、Ｘ3、Ｘ4）を代入して、最も誤差が少なくなるような係数ｂ0、ｂ1、ｂ2、ｂ3、ｂ4の組み合わせを実測と予測の残差を最小二乗法で計算することにより、重回帰式を求める。

Figure 2019053569
Substituting learning data (m sets of Y, X 1 , X 2 , X 3 , X 4 ) into the above formula, coefficients b 0 , b 1 , b 2 , b 3 , b that minimize the error The multiple regression equation is obtained by calculating the residual of the actual measurement and the prediction of the combination of 4 by the method of least squares.
Figure 2019053569

判定モデル生成部２１１で生成された判定モデルは、確信度計算部２１２に送られる。   The determination model generated by the determination model generation unit 211 is sent to the certainty factor calculation unit 212.

判定支援装置２１０において、再判定抽出部２１３は、再判定となる構造物を抽出し、抽出した構造物ＩＤをフィードバック部２３１に送る。   In the determination support apparatus 210, the redetermination extraction unit 213 extracts a structure to be redetermined, and sends the extracted structure ID to the feedback unit 231.

フィードバック部２３１は、入力部（図示せず）、出力部（図示せず）を有する。フィードバック部２３１は、抽出された構造物ＩＤに対応する点検記録を判定支援装置２１０のユーザに表示可能な様態で出力制御する。出力部は、例えば、表示装置である。なお、ユーザの一例は、点検作業等の専門家である。出力部で出力された構造物の状態の再判定結果は、フィードバック部２３１の入力部（図示せず）で入力される。入力部は、例えば、キーボード、タッチパネル等である。   The feedback unit 231 includes an input unit (not shown) and an output unit (not shown). The feedback unit 231 performs output control so that the inspection record corresponding to the extracted structure ID can be displayed to the user of the determination support apparatus 210. The output unit is, for example, a display device. An example of the user is an expert such as an inspection work. The redetermination result of the state of the structure output by the output unit is input by an input unit (not shown) of the feedback unit 231. The input unit is, for example, a keyboard or a touch panel.

なお、フィードバック部２３１は、再判定構造物に関する情報の出力のため、あるいは、再判定結果の入力のためのインターフェースであってもよい。   Note that the feedback unit 231 may be an interface for outputting information on the redetermination structure or inputting the redetermination result.

信頼度算出部２１４は、再判定構造物の再判定結果と、学習データ記憶部２２１の信頼度付学習データを入力とし、再判定結果に応じて判定結果の信頼度を更新する。具体的には、再判定構造物に対する判定結果が変更されると、信頼度算出部２１４は、変更された判定結果の信頼度を算出する。算出される信頼度Rcは、以下の式で表される。
Rc＝Rp／Rn
ここでRpは、ある構造物に対する判定結果の変更前の信頼度を表し、Rnは、異なる判定結果の数を表す。 The reliability calculation unit 214 receives the re-determination result of the re-determination structure and the learning data with reliability of the learning data storage unit 221 and updates the reliability of the determination result according to the re-determination result. Specifically, when the determination result for the redetermination structure is changed, the reliability calculation unit 214 calculates the reliability of the changed determination result. The calculated reliability Rc is expressed by the following equation.
Rc = Rp / Rn
Here, Rp represents the reliability before the determination result for a certain structure is changed, and Rn represents the number of different determination results.

具体的には、学習データにおける、ある構造物の状態が「３」から「４」に変更された場合、ある構造物の状態の判断が「３」と「４」の２つに分かれていることになる。Rpは、ある構造物の状態が「３」のときの信頼度が１（初期値）であり、Rnは、異なる判断が２つであることから、算出される信頼度Rc＝１／２＝０．５となる。   Specifically, when the state of a certain structure is changed from “3” to “4” in the learning data, the determination of the state of the certain structure is divided into “3” and “4”. It will be. Rp has a reliability of 1 (initial value) when the state of a certain structure is “3”, and Rn has two different judgments. Therefore, the calculated reliability Rc = 1/2 = 0.5.

信頼度の算出は上記の式に限られない。信頼度算出部２１４は、他の式により信頼度を算出してもよい。例えば、信頼度Rcaとして、以下の式を用いて算出してもよい。
Rca＝Rp／（Cnt＋１）
Rpは、ある構造物に対する判定結果の変更前の信頼度、Cntは、ある構造物に対する判定結果の変更回数を表す。具体的には、再判定によって構造物の状態が初めて「３」から「４」となり、当該構造物の判定結果の変更が１回目であった場合、Rpの変更前の信頼度が１（初期値）としてRcaは、１／（１＋１）＝０．５となる。 The calculation of the reliability is not limited to the above formula. The reliability calculation unit 214 may calculate the reliability using another formula. For example, the reliability Rca may be calculated using the following formula.
Rca = Rp / (Cnt + 1)
Rp represents the reliability before the determination result for a certain structure is changed, and Cnt represents the number of times the determination result is changed for a certain structure. Specifically, when the state of the structure is changed from “3” to “4” for the first time by re-determination and the determination result of the structure is changed for the first time, the reliability before the change of Rp is 1 (initial As a value), Rca is 1 / (1 + 1) = 0.5.

なお、再判定抽出部２１３で再判定構造物として抽出されたが、フィードバック部２４１からの判定結果が変わらない場合は、信頼度算出部２１４による判定結果の信頼度は算出されない。   In addition, although the redetermination extraction unit 213 extracts the redetermination structure, if the determination result from the feedback unit 241 does not change, the reliability of the determination result by the reliability calculation unit 214 is not calculated.

信頼度算出部２１４は、判定結果の変更によって算出された信頼度を、学習データ記憶部２２１に記憶させて、信頼度付学習データを更新する。図７は、第２の実施形態における信頼度付学習データの一例を示すデータシートである。図７に示す例では、構造物ＩＤ「１００」に対する構造物の状態が「３」から「４」に変更され、信頼度も「１」から「０．５」に更新されている。   The reliability calculation unit 214 stores the reliability calculated by changing the determination result in the learning data storage unit 221 and updates the learning data with reliability. FIG. 7 is a data sheet showing an example of learning data with reliability in the second embodiment. In the example illustrated in FIG. 7, the state of the structure for the structure ID “100” is changed from “3” to “4”, and the reliability is also updated from “1” to “0.5”.

なお、再判定抽出部２１３が複数の再判定構造物を抽出した場合、抽出された再判定構造物の数に応じて、信頼度付学習データの読込みから信頼度の算出までの動作を複数回数繰り返し、算出された信頼度を学習データ記憶部２２１へ出力する。あるいは、ユーザが決める任意の回数繰り返し、判定モデルの信頼度の精度を高める態様を採用してもよい。   In addition, when the redetermination extraction unit 213 extracts a plurality of redetermination structures, the operation from reading of learning data with reliability to calculation of reliability is repeated a plurality of times according to the number of extracted redetermination structures, The calculated reliability is output to the learning data storage unit 221. Or you may employ | adopt the aspect which raises the precision of the reliability of a determination model by repeating arbitrary times which a user determines.

次に、第２の実施形態に係る判定支援装置２１０の動作について説明する。   Next, the operation of the determination support apparatus 210 according to the second embodiment will be described.

図８は、第２の実施形態に係る判定支援装置２１０の動作を示すフローチャートである。   FIG. 8 is a flowchart illustrating the operation of the determination support apparatus 210 according to the second embodiment.

判定モデル生成部２１１は、学習データ記憶部２２１に記憶された信頼度付学習データを読み出す（ステップＳ２１）。   The determination model generation unit 211 reads the learning data with reliability stored in the learning data storage unit 221 (step S21).

判定モデル生成部２１１は、信頼度付学習データを用いて、構造物ごとの点検記録とその判定結果、信頼度との関係を表す判定モデルを生成する（ステップＳ２２）。   The determination model generation unit 211 generates a determination model that represents the relationship between the inspection record for each structure, the determination result, and the reliability using the learning data with reliability (step S22).

確信度計算部２１２は、判定モデル生成部２１１で生成された判定モデルと、学習データ記憶部２２１の信頼度付学習データとを用いて、各構造物の状態に対する確信度を計算する（ステップＳ２３）。   The certainty factor calculation unit 212 calculates the certainty factor for the state of each structure using the determination model generated by the determination model generation unit 211 and the learning data with reliability in the learning data storage unit 221 (step S23). ).

再判定抽出部２１３は、確信度計算部２１２で計算された各構造物に対する確信度を入力とし、学習データの中から再判定となる構造物を抽出する（ステップＳ２４）。   The re-determination extraction unit 213 receives the certainty factor for each structure calculated by the certainty factor calculation unit 212, and extracts a re-determination structure from the learning data (step S24).

フィードバック部２３１は抽出された再判定構造物に関連する点検記録、構造の状態を出力し、再判定構造物に対する再判定結果を受付ける（ステップＳ２５）。   The feedback unit 231 outputs the inspection record and structure state related to the extracted redetermination structure, and accepts the redetermination result for the redetermination structure (step S25).

信頼度算出部２１４は、再判定結果に基づいて再判定構造物の変更前の信頼度を用いて新たな信頼度を算出する（ステップＳ２６）。信頼度算出部２１４は、学習データ記憶部２２１に記憶された再判定構造物に対応する信頼度を更新する。   The reliability calculation unit 214 calculates a new reliability using the reliability before change of the redetermination structure based on the redetermination result (step S26). The reliability calculation unit 214 updates the reliability corresponding to the redetermination structure stored in the learning data storage unit 221.

再判定抽出部２１３が複数の再判定構造物を抽出した場合、抽出された再判定構造物ごとにステップＳ２１〜Ｓ２４の繰り返す（ステップＳ２７）。   When the re-determination extraction unit 213 extracts a plurality of re-determination structures, Steps S21 to S24 are repeated for each extracted re-determination structure (Step S27).

次に、第２の実施形態の特徴的な構成を説明する。   Next, a characteristic configuration of the second embodiment will be described.

図９は、第２の実施形態の特徴的な構成を示すブロック図である。図９を参照すると、判定支援装置２１０（情報処理装置とも呼ばれる）は、判定モデル生成部２１１と、確信度計算部２１２と、再判定抽出部２１３を備える。判定モデル生成部２１１は、構造物ごとの点検記録とその判定結果との関係を表す判定モデルを生成する。確信度計算部２１２は、判定モデル、点検記録および判定結果に基づき、構造物ごとに、判定結果の曖昧さを示す確信度を計算する。再判定抽出部２１３は、確信度に基づき、学習データの中から再判定となる構造物を抽出する。再判定抽出部２１３は、抽出した再判定構造物の点検記録とその判定結果（構造物の状態）を出力し、再判定構造物に対する再判定結果を受付ける。信頼度算出部２１４は、再判定結果に基づいて再判定構造物の変更前の信頼度を用いて新たな信頼度を算出する。   FIG. 9 is a block diagram showing a characteristic configuration of the second embodiment. Referring to FIG. 9, the determination support apparatus 210 (also referred to as an information processing apparatus) includes a determination model generation unit 211, a certainty factor calculation unit 212, and a re-determination extraction unit 213. The determination model generation unit 211 generates a determination model that represents the relationship between the inspection record for each structure and the determination result. The certainty factor calculation unit 212 calculates the certainty factor indicating the ambiguity of the determination result for each structure based on the determination model, the inspection record, and the determination result. The re-determination extraction unit 213 extracts a structure to be re-determination from the learning data based on the certainty factor. The re-determination extraction unit 213 outputs the inspection record of the extracted re-determination structure and the determination result (state of the structure), and receives the re-determination result for the re-determination structure. The reliability calculation unit 214 calculates a new reliability using the reliability before change of the redetermination structure based on the redetermination result.

次に、第２の実施形態の効果を説明する。   Next, effects of the second embodiment will be described.

第２の実施形態の判定支援装置によれば、第１の実施形態の判定支援装置と同様に構造物の点検記録に基づく判定結果の見直しを効率的に行うことが可能となる。   According to the determination support apparatus of the second embodiment, the determination result based on the inspection record of the structure can be efficiently reviewed as in the determination support apparatus of the first embodiment.

その理由は、判定支援装置の各構成要素が以下のように機能するからである。すなわち、判定モデル生成部２１１が、信頼度付学習データに含まれる構造物ごとの点検記録とその判定結果との関係を表す判定モデルを生成する。確信度計算部２１２が、生成された判定モデル、点検記録および判定結果に基づき、信頼度付学習データ内の構造物ごとに、判定結果の曖昧さを示す確信度を計算する。再判定抽出部２１３が、算出された確信度に基づき、学習データの中から再判定となる構造物を抽出する。   The reason is that each component of the determination support apparatus functions as follows. That is, the determination model generation unit 211 generates a determination model that represents the relationship between the inspection record for each structure included in the learning data with reliability and the determination result. The certainty factor calculation unit 212 calculates the certainty factor indicating the ambiguity of the determination result for each structure in the learning data with reliability based on the generated determination model, inspection record, and determination result. Based on the calculated certainty factor, the redetermination extraction unit 213 extracts a structure to be redetermined from the learning data.

これにより、判定支援装置は、構造物ごとの点検結果とその判定結果を含む学習データの中から判定結果が曖昧で再判定することが好ましい構造物を効率的に特定することができ、判定結果の見直しにかかる時間を短縮することが可能となる。   Thereby, the determination support apparatus can efficiently identify a structure that is preferably determined again because the determination result is ambiguous from the inspection data for each structure and the learning data including the determination result. It becomes possible to shorten the time required for review.

さらに、第２の実施形態の判定支援装置によれば、構造物の点検記録に基づく判定結果の見直しを効率的に行うことができる。その理由は、再判定抽出部２１３で抽出された再判定構造物に関連する情報をフィードバック部２３１が抽出された再判定構造物に関連する点検記録、構造の状態を表示し、再判定構造物に対する再判定結果を受付けるからである。   Furthermore, according to the determination support apparatus of the second embodiment, it is possible to efficiently review the determination result based on the inspection record of the structure. The reason is that the information related to the redetermination structure extracted by the redetermination extraction unit 213 displays the inspection record related to the redetermination structure extracted by the feedback unit 231 and the state of the structure. This is because the re-determination result is accepted.

さらに、第２の実施形態の判定支援装置によれば、判定結果に対する信頼度の精度を高めることができる。その理由は、信頼度算出部２１４は、再判定結果に基づいて再判定構造物の変更前の信頼度を用いて新たな信頼度を算出し、学習データ記憶部２２１に記憶された再判定構造物に対応する信頼度を更新するからである。   Furthermore, according to the determination support apparatus of the second embodiment, the accuracy of the reliability with respect to the determination result can be increased. The reason is that the reliability calculation unit 214 calculates a new reliability using the reliability before the change of the redetermination structure based on the redetermination result, and the redetermination structure stored in the learning data storage unit 221. This is because the reliability corresponding to the object is updated.

また、第２の実施形態の判定支援装置は、再判定を行う者が複数に分かれている場合、又は、１回の再判定の信頼度が低い場合であっても効率的に信頼度の精度を高めることができる。その理由は、第２の実施形態の判定支援装置は抽出された再判定構造物ごとに反復的に判定モデルの生成と判定結果の再判定を繰り返すことができるからである。   In addition, the determination support apparatus according to the second embodiment efficiently performs reliability accuracy even when there are a plurality of persons who perform re-determination or when the reliability of one re-determination is low. Can be increased. The reason is that the determination support apparatus according to the second embodiment can repeatedly generate a determination model and re-determination of a determination result for each extracted re-determination structure.

（ハードウエア構成）
図１０は、第１、２の実施形態における判定支援装置をコンピュータで実現したハードウエア構成を示す図である。 (Hardware configuration)
FIG. 10 is a diagram illustrating a hardware configuration in which the determination support apparatus according to the first and second embodiments is realized by a computer.

第１、第２の実施形態において、判定支援装置の各構成要素は、機能単位のブロックを示している。判定支援装置の各構成要素の一部又は全部は、例えば、図１０に示すコンピュータ６００とプログラムとの任意の組み合わせにより実現される。コンピュータ６００は、一例として、以下のような構成を含む。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）６０１、
ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）６０２、
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）６０３、
ＲＡＭ６０３にロードされるプログラム６０４、
プログラム６０４を格納する記憶装置６０５、
記録媒体６０６の読み書きを行うドライブ装置６０７、
通信ネットワーク６０９と接続する通信インターフェース６０８、
データの入出力を行う入出力インターフェース６１０、
各構成要素を接続するバス６１１
判定支援装置の各構成要素は、これらの機能を実現するプログラム６０４をＣＰＵ６０１が取得して実行することで実現される。各構成要素の機能を実現するプログラム６０４は、例えば、予め記憶装置６０５又はＲＡＭ６０３に格納されており、必要に応じてＣＰＵ６０１が読み出す。なお、プログラム６０４は、通信ネットワーク６０９を介してＣＰＵ６０１に供給されてもよいし、予め記録媒体６０６に格納されており、ドライブ装置６０７が当該プログラムを読み出してＣＰＵ６０１に供給してもよい。 In the first and second embodiments, each component of the determination support apparatus indicates a functional unit block. Part or all of each component of the determination support apparatus is realized by, for example, an arbitrary combination of the computer 600 and the program illustrated in FIG. The computer 600 includes the following configuration as an example.
CPU (Central Processing Unit) 601,
ROM (Read Only Memory) 602,
RAM (Random Access Memory) 603,
A program 604 loaded into the RAM 603;
A storage device 605 for storing the program 604;
A drive device 607 for reading and writing the recording medium 606;
A communication interface 608 connected to the communication network 609;
An input / output interface 610 for inputting / outputting data;
Bus 611 connecting each component
Each component of the determination support apparatus is realized when the CPU 601 acquires and executes a program 604 that realizes these functions. The program 604 that realizes the function of each component is stored in advance in the storage device 605 or the RAM 603, for example, and is read by the CPU 601 as necessary. Note that the program 604 may be supplied to the CPU 601 via the communication network 609 or may be stored in the recording medium 606 in advance, and the drive device 607 may read the program and supply it to the CPU 601.

判定支援装置の実現方法には、様々な変形例がある。例えば、判定支援装置は、各構成要素にそれぞれ別個のコンピュータ６００とプログラムとの任意の組み合わせにより実現されてもよい。また、判定支援装置が備える複数の構成要素が、一つのコンピュータ６００とプログラムとの任意の組み合わせにより実現されてもよい。   There are various modifications to the method for realizing the determination support apparatus. For example, the determination support apparatus may be realized by an arbitrary combination of a computer 600 and a program that are separately provided for each component. A plurality of constituent elements included in the determination support apparatus may be realized by an arbitrary combination of one computer 600 and a program.

また、判定支援装置の各構成要素の一部又は全部は、その他の汎用または専用の回路、プロセッサ等やこれらの組み合わせによって実現される。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。また、コンピュータ６００の代わりにＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）のようなプログラマブルロジックデバイスを用いてもよい。   In addition, some or all of the components of the determination support apparatus are realized by other general-purpose or dedicated circuits, processors, and the like, or combinations thereof. These may be configured by a single chip or may be configured by a plurality of chips connected via a bus. Instead of the computer 600, a programmable logic device such as a field-programmable gate array (FPGA) may be used.

さらに、判定支援装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。   Furthermore, some or all of the components of the determination support apparatus may be realized by a combination of the above-described circuit and the like and a program.

また、判定支援装置の各構成要素の一部又は全部が複数のコンピュータや回路等により実現される場合には、複数のコンピュータや回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、コンピュータや回路等は、クライアントアンドサーバ、クラウドコンピューティングなど、各々が通信ネットワークを介して接続される形態として実現されてもよい。   When some or all of the components of the determination support apparatus are realized by a plurality of computers, circuits, etc., the plurality of computers, circuits, etc. may be centrally arranged or distributedly arranged. Good. For example, the computer, the circuit, and the like may be realized as a form in which each is connected via a communication network, such as a client and server and cloud computing.

以上、実施形態を参照して本発明を説明したが、本発明は上記実施形態に限定されるものではない。実施形態の構成は、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。   The present invention has been described above with reference to the embodiments, but the present invention is not limited to the above embodiments. The configuration of the embodiment can be variously changed by those skilled in the art within the scope of the present invention.

１１０ 判定支援装置
１１１ 判定モデル生成部
１１２ 確信度計算部
１１３ 再判定抽出部
１２１ 学習データ記憶部
２１０ 判定支援装置
２１１ 判定モデル生成部
２１２ 確信度計算部
２１３ 再判定抽出部
２１４ 信頼度算出部
２２１ 学習データ記憶部
２３１ フィードバック部
６００ コンピュータ
６０１ ＣＰＵ
６０２ ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）
６０３ ＲＡＭ
６０４ プログラム
６０５ 記憶装置
６０６ 記録媒体
６０７ ドライブ装置
６０８ 通信インターフェース
６０９ 通信ネットワーク
６１０ 入出力インターフェース
６１１ バス
DESCRIPTION OF SYMBOLS 110 Judgment assistance apparatus 111 Judgment model production | generation part 112 Confidence degree calculation part 113 Re-determination extraction part 121 Learning data storage part 210 Judgment support apparatus 211 Judgment model generation part 212 Confidence degree calculation part 213 Re-determination extraction part 214 Reliability calculation part 221 Learning Data storage unit 231 feedback unit 600 computer 601 CPU
602 ROM (Read Only Memory)
603 RAM
604 program 605 storage device 606 recording medium 607 drive device 608 communication interface 609 communication network 610 input / output interface 611 bus

Claims (8)

構造物ごとの点検記録とその判定結果を学習データとして、前記点検記録と前記判定結果との関係を表す判定モデルを生成する、判定モデル生成手段と、
前記判定モデル、前記点検記録および前記判定結果に基づき、前記構造物ごとに、前記判定結果の曖昧さを示す確信度を計算する、確信度計算手段と、
前記確信度に基づき、前記学習データの中から再判定となる構造物を抽出する、再判定抽出手段と、
を備える情報処理装置。 A determination model generation means for generating a determination model representing a relationship between the inspection record and the determination result, using the inspection record for each structure and the determination result as learning data;
Based on the determination model, the inspection record, and the determination result, a certainty factor calculation unit that calculates a certainty factor indicating ambiguity of the determination result for each structure;
Re-determination extraction means for extracting a structure to be re-determined from the learning data based on the certainty factor;
An information processing apparatus comprising: 前記確信度計算手段は、
前記構造物の判定結果がｎ個のクラス（ｎは自然数）に分けられている場合、前記クラスと判定される生起確率
Figure 2019053569
に基づいて、
Figure 2019053569
で表される式のエントロピーを計算し、前記構造物ごとに前記確信度を求める、
請求項１に記載の情報処理装置。 The certainty factor calculating means includes:
When the determination result of the structure is divided into n classes (n is a natural number), the occurrence probability determined as the class
Figure 2019053569
On the basis of the,
Figure 2019053569
Calculating the entropy of the expression represented by the above, and obtaining the certainty factor for each structure,
The information processing apparatus according to claim 1. 前記学習データの構造物ごとに、前記判定結果の信頼度が付された学習データ記憶手段と、
前記再判定となる構造物に対する再判定結果を入力とし、前記再判定となる構造物に対する前記信頼度を算出する、信頼度算出手段と、を更に備える、
請求項１又は２に記載の情報処理装置。 Learning data storage means to which the reliability of the determination result is attached for each structure of the learning data;
A reliability calculation unit that inputs a redetermination result for the structure to be redetermined and calculates the reliability for the structure to be redetermined;
The information processing apparatus according to claim 1 or 2. 前記再判定抽出手段は、前記構造物ごとの前記確信度の中から、最も大きい確信度に紐付く構造物を抽出する、
請求項１乃至３のいずれか１つに記載の情報処理装置。 The re-determination extraction unit extracts a structure associated with the highest certainty factor from the certainty factors for each structure.
The information processing apparatus according to any one of claims 1 to 3. 前記再判定抽出手段は、前記構造物ごとの前記確信度の中から、前記確信度の大きさに準じて複数の構造物を抽出する、
請求項１乃至３のいずれか１つに記載の情報処理装置。 The redetermination extraction means extracts a plurality of structures according to the magnitude of the certainty factor from the certainty factor for each structure.
The information processing apparatus according to any one of claims 1 to 3. 前記再判定抽出手段は、前記構造物ごとの前記確信度の中から、設定された閾値よりも大きな確信度に紐付く構造物を抽出する、
請求項１乃至３のいずれか１つに記載の情報処理装置。 The re-determination extraction means extracts a structure associated with a certainty factor larger than a set threshold value from the certainty factors for each structure.
The information processing apparatus according to any one of claims 1 to 3. 構造物ごとの点検記録とその判定結果を学習データとして、前記点検記録と前記判定結果との関係を表す判定モデルを生成し、
前記判定モデル、前記点検記録および前記判定結果に基づき、前記構造物ごとに、前記判定結果の曖昧さを示す確信度を計算し、
前記確信度に基づき、前記学習データの中から再判定となる構造物を抽出する、
を備える情報処理方法。 Using the inspection record for each structure and its determination result as learning data, a determination model that represents the relationship between the inspection record and the determination result is generated,
Based on the determination model, the inspection record and the determination result, for each structure, calculate a certainty factor indicating the ambiguity of the determination result,
Based on the certainty factor, a structure to be redetermined is extracted from the learning data.
An information processing method comprising: 構造物ごとの点検記録とその判定結果を学習データとして、前記点検記録と前記判定結果との関係を表す判定モデルを生成し、
前記判定モデル、前記点検記録および前記判定結果に基づき、前記構造物ごとに、前記判定結果の曖昧さを示す確信度を計算し、
前記確信度に基づき、前記学習データの中から再判定となる構造物を抽出する、
ことをコンピュータに実行させるプログラム。 Using the inspection record for each structure and its determination result as learning data, a determination model that represents the relationship between the inspection record and the determination result is generated,
Based on the determination model, the inspection record and the determination result, for each structure, calculate a certainty factor indicating the ambiguity of the determination result,
Based on the certainty factor, a structure to be redetermined is extracted from the learning data.
A program that causes a computer to execute.
JP2017177810A 2017-09-15 2017-09-15 Information processing equipment, information processing methods, and programs Active JP6984265B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017177810A JP6984265B2 (en) 2017-09-15 2017-09-15 Information processing equipment, information processing methods, and programs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017177810A JP6984265B2 (en) 2017-09-15 2017-09-15 Information processing equipment, information processing methods, and programs

Publications (2)

Publication Number Publication Date
JP2019053569A true JP2019053569A (en) 2019-04-04
JP6984265B2 JP6984265B2 (en) 2021-12-17

Family

ID=66015127

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017177810A Active JP6984265B2 (en) 2017-09-15 2017-09-15 Information processing equipment, information processing methods, and programs

Country Status (1)

Country Link
JP (1) JP6984265B2 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2021095176A1 (en) * 2019-11-13 2021-05-20

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001034306A (en) * 1999-07-26 2001-02-09 Seiko Epson Corp Output control system
US20030229509A1 (en) * 2002-04-12 2003-12-11 William Hall Risk management system
JP2005017157A (en) * 2003-06-27 2005-01-20 Taisei Corp Deterioration prediction method of reinforced concrete structure
JP2011201336A (en) * 2010-03-24 2011-10-13 Hitachi Ltd System for supporting determination of abnormality of moving object
JP2015200658A (en) * 2015-04-30 2015-11-12 株式会社日立ハイテクノロジーズ Defect inspection method and apparatus therefor
JP2016122391A (en) * 2014-12-25 2016-07-07 学校法人産業能率大学 Maintenance management indicator calculation device and maintenance management indicator calculation method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001034306A (en) * 1999-07-26 2001-02-09 Seiko Epson Corp Output control system
US20030229509A1 (en) * 2002-04-12 2003-12-11 William Hall Risk management system
JP2005017157A (en) * 2003-06-27 2005-01-20 Taisei Corp Deterioration prediction method of reinforced concrete structure
JP2011201336A (en) * 2010-03-24 2011-10-13 Hitachi Ltd System for supporting determination of abnormality of moving object
JP2016122391A (en) * 2014-12-25 2016-07-07 学校法人産業能率大学 Maintenance management indicator calculation device and maintenance management indicator calculation method
JP2015200658A (en) * 2015-04-30 2015-11-12 株式会社日立ハイテクノロジーズ Defect inspection method and apparatus therefor

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2021095176A1 (en) * 2019-11-13 2021-05-20
WO2021095176A1 (en) * 2019-11-13 2021-05-20 日本電気株式会社 Learning device, learning method, and recording medium
JP7384217B2 (en) 2019-11-13 2023-11-21 日本電気株式会社 Learning devices, learning methods, and programs

Also Published As

Publication number Publication date
JP6984265B2 (en) 2021-12-17

Similar Documents

Publication Publication Date Title
CN112037760B (en) Training method and device of voice spectrum generation model and electronic equipment
US10839314B2 (en) Automated system for development and deployment of heterogeneous predictive models
JP6386107B2 (en) Localized learning from global models
JP7242508B2 (en) Information processing device, information processing method, and program
JP6730340B2 (en) Causal estimation device, causal estimation method, and program
NAIKAN Review of simulation approaches in reliability and availability modeling
JP2018147280A (en) Data analysis device and data analysis method
WO2021229648A1 (en) Mathematical model generation system, mathematical model generation method, and mathematical model generation program
JP2017151810A (en) Information processing device, information processing method, and program
CN113168589B (en) Data generation device, predictor learning device, data generation method, and learning method
JP2022088556A (en) Calibration method and device of quantum measurement apparatus, electronic apparatus and medium
Tanneru et al. Quantifying uncertainty in natural language explanations of large language models
JP6728830B2 (en) Information processing device, information processing method, and program
CN114253605A (en) Runtime estimation of machine learning data processing pipelines
JP6984265B2 (en) Information processing equipment, information processing methods, and programs
Dalvi et al. Entropy analysis for identifying significant parameters for seismic soil liquefaction
JP2016045536A (en) Design support device
Lopez-Martin et al. A machine learning technique for predicting the productivity of practitioners from individually developed software projects
JP2021135611A (en) Diversion design support system and diversion design support method
JP2019015572A (en) Method for detecting strength index of earthquake motion having highly relevant to functional damage of equipment system
López-Martín et al. Support vector regression for predicting the productivity of higher education graduate students from individually developed software projects
US11475324B2 (en) Dynamic recommendation system for correlated metrics and key performance indicators
JP2023520313A (en) Generating Performance Forecasts with Uncertainty Intervals
Nguyen et al. Low‐Code Application and Practical Implications of Common Machine Learning Models for Predicting Punching Shear Strength of Concrete Reinforced Slabs
Pophaley et al. Fortification of plant maintenance management practices: role of six sigma approach

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200817

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210719

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210810

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211008

TRDD Decision of grant or rejection written
RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7421

Effective date: 20211021

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20211026

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211108

R150 Certificate of patent or registration of utility model

Ref document number: 6984265

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150