JP2022023401A - Period estimation device, period estimation method, and program - Google Patents
Period estimation device, period estimation method, and program Download PDFInfo
- Publication number
- JP2022023401A JP2022023401A JP2020126328A JP2020126328A JP2022023401A JP 2022023401 A JP2022023401 A JP 2022023401A JP 2020126328 A JP2020126328 A JP 2020126328A JP 2020126328 A JP2020126328 A JP 2020126328A JP 2022023401 A JP2022023401 A JP 2022023401A
- Authority
- JP
- Japan
- Prior art keywords
- period
- machine learning
- learning model
- wear
- degree
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims description 44
- 230000010365 information processing Effects 0.000 abstract description 25
- 238000013500 data storage Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Landscapes
- Tires In General (AREA)
- Image Analysis (AREA)
Abstract
Description
本発明は期間推定装置、期間推定方法、及びプログラムに関する。 The present invention relates to a period estimation device, a period estimation method, and a program.
下記特許文献1には、畳み込みニューラルネットワークを用いてタイヤの画像からタイヤの摩耗状態を認識できる認識方法及び認識装置が記載されている。
The following
特許文献1に記載の技術では、消耗品としてのタイヤの摩耗状態を認識できるものの、タイヤが後どれだけの期間で使用可能かを示す使用可能期間については推定することができない。消耗品の摩耗状態から当該消耗品の使用可能期間を推定することは、当該消耗品の専門知識を持たない一般のユーザにとって困難である。
Although the technique described in
本発明は上記実情に鑑みてなされたものであって、その目的は、消耗品の使用可能期間を推定できる期間推定装置、期間推定方法、及びプログラムを提供することにある。 The present invention has been made in view of the above circumstances, and an object of the present invention is to provide a period estimation device, a period estimation method, and a program capable of estimating the usable period of consumables.
上記課題を解決するために、本発明に係る期間推定装置は、所定期間における消耗品の変化を示す複数画像を取得する取得手段と、前記取得手段によって取得された前記複数画像に基づく複数の消耗度を学習済の機械学習モデルに入力した際の出力に基づいて、前記消耗品の使用可能期間を推定する期間推定手段と、を含む。 In order to solve the above problems, the period estimation device according to the present invention has an acquisition means for acquiring a plurality of images showing changes in consumables in a predetermined period, and a plurality of consumptions based on the plurality of images acquired by the acquisition means. It includes a period estimation means for estimating the usable period of the consumable based on the output when the degree is input to the trained machine learning model.
また、本発明の一態様では、前記取得手段は、所定の場所に設けられた撮影手段によって前記消耗品が撮影された撮影画像、又は前記撮影画像に基づいて生成された画像を前記複数画像として取得する。 Further, in one aspect of the present invention, the acquisition means uses a photographed image in which the consumables are photographed by a photographing means provided at a predetermined place, or an image generated based on the photographed image as the plurality of images. get.
また、本発明の一態様では、前記取得手段によって取得された前記複数画像をそれぞれ第1機械学習モデルに入力した際の出力に基づいて、前記所定期間における前記消耗品の複数の消耗度を推定する消耗度推定手段をさらに含み、前記期間推定手段は、前記消耗度推定手段によって推定された前記複数の消耗度を前記学習済みの機械学習モデルである第2機械学習モデルに入力した際の出力に基づいて、前記消耗品の前記使用可能期間を推定する。 Further, in one aspect of the present invention, the degree of consumption of the consumables in the predetermined period is estimated based on the output when the plurality of images acquired by the acquisition means are input to the first machine learning model. Further including the consumption degree estimation means, the period estimation means outputs when the plurality of consumption degrees estimated by the consumption degree estimation means are input to the second machine learning model which is the trained machine learning model. Based on, the usable period of the consumable is estimated.
また、本発明の一態様では、前記第1機械学習モデルは、前記消耗品の画像と、前記消耗品の消耗度とからなる第1訓練データによって学習される機械学習モデルであり、前記第2機械学習モデルは、前記所定期間における前記消耗品の複数の消耗度と、前記使用可能期間とからなる第2訓練データによって学習される機械学習モデルである。 Further, in one aspect of the present invention, the first machine learning model is a machine learning model learned by first training data including an image of the consumable and the degree of wear of the consumable, and is the second. The machine learning model is a machine learning model learned by a second training data including a plurality of consumption degrees of the consumables in the predetermined period and the usable period.
また、本発明の一態様では、前記複数画像の各々は、前記消耗品において使用に応じてすり減る摩耗面を示し、消耗度推定手段は、前記消耗度として、前記摩耗面における摩耗度を推定し、前記期間推定手段は、前記消耗度推定手段によって推定された複数の前記摩耗度を前記第2機械学習モデルに入力した際の出力に基づいて、前記消耗品の前記使用可能期間を推定する。 Further, in one aspect of the present invention, each of the plurality of images shows a wear surface that is worn away with use in the consumables, and the wear degree estimation means estimates the wear degree on the wear surface as the wear degree. The period estimation means estimates the usable period of the consumable item based on the output when the plurality of wear degrees estimated by the wear degree estimation means are input to the second machine learning model.
また、本発明の一態様では、前記摩耗面はタイヤのトレッド面であり、消耗度推定手段は、前記摩耗度として、前記トレッド面における溝の深さを推定し、前記期間推定手段は、前記消耗度推定手段によって推定された複数の前記溝の深さを示す情報を前記第2機械学習モデルに入力した際の出力に基づいて、前記タイヤの前記使用可能期間を推定する。 Further, in one aspect of the present invention, the wear surface is the tread surface of the tire, the wear degree estimation means estimates the depth of the groove on the tread surface as the wear degree, and the period estimation means is the period estimation means. The usable period of the tire is estimated based on the output when the information indicating the depth of the plurality of grooves estimated by the wear degree estimating means is input to the second machine learning model.
また、本発明の一態様では、前記所定期間は、1年間以上の期間である。 Further, in one aspect of the present invention, the predetermined period is a period of one year or more.
また、本発明の一態様では、前記期間推定手段によって推定された前記使用可能期間に基づいて、前記消耗品の使用期限を出力する出力手段を更に含む。 Further, one aspect of the present invention further includes an output means for outputting the expiration date of the consumable based on the usable period estimated by the period estimation means.
また、本発明に係る期間推定方法は、所定期間における消耗品の変化を示す複数画像を取得するステップと、前記取得ステップにおいて取得された前記複数画像に基づく複数の消耗度を学習済の機械学習モデルに入力した際の出力に基づいて、前記消耗品の使用可能期間を推定するステップと、を含む。 Further, the period estimation method according to the present invention is a machine learning in which a step of acquiring a plurality of images showing changes in consumables in a predetermined period and a plurality of consumption degrees based on the plurality of images acquired in the acquisition step have been learned. Includes a step of estimating the useful life of the consumables based on the output when input to the model.
また、本発明に係るプログラムは、所定期間における消耗品の変化を示す複数画像を取得する取得手順、及び、前記取得手順によって取得された前記複数画像に基づく複数の消耗度を学習済の機械学習モデルに入力した際の出力に基づいて、前記消耗品の使用可能期間を推定する推定手順をコンピュータに実行させる。 Further, the program according to the present invention is a machine learning in which an acquisition procedure for acquiring a plurality of images showing changes in consumables in a predetermined period and a plurality of consumption degrees based on the plurality of images acquired by the acquisition procedure have been learned. Have the computer perform an estimation procedure to estimate the usable life of the consumables based on the output when input to the model.
以下、本開示の実施形態について図面を参照しながら説明する。本実施形態では、消耗品の変化を示す複数画像に基づく複数情報を機械学習モデルに入力することにより、その消耗品の使用可能期間が推定される。以下では、消耗品が車両に装着されるタイヤである場合の例を説明するが、消耗品はタイヤに限らず、使用により表面の状態が変化(摩耗)するものであってもよい。消耗品は、使用による消耗の度合いが外部から観察できるものであればよい。 Hereinafter, embodiments of the present disclosure will be described with reference to the drawings. In the present embodiment, the usable period of the consumable is estimated by inputting a plurality of information based on a plurality of images showing changes in the consumable into the machine learning model. Hereinafter, an example in which the consumable is a tire mounted on a vehicle will be described, but the consumable is not limited to the tire, and the surface condition may be changed (weared) by use. The consumables may be any consumables as long as the degree of wear due to use can be observed from the outside.
[1.ハードウェア構成]
図1は、本発明の実施形態の一例に係る情報処理装置(期間推定装置)10の構成を示す図である。本実施形態に係る情報処理装置10は、パーソナルコンピュータなどのコンピュータであり、図1に示すように、プロセッサ12、記憶部14、通信部16、表示部18、操作部20、第1撮影部22a、及び、第2撮影部22bを含んでいる。なお、情報処理装置10は、DVD-ROMやBlu-ray(登録商標)ディスクなどの光ディスクを読み取る光ディスクドライブ、USB(Universal Serial Bus)ポートなどを含んでいてもよい。
[1. Hardware configuration]
FIG. 1 is a diagram showing a configuration of an information processing device (period estimation device) 10 according to an example of the embodiment of the present invention. The
プロセッサ12は、例えば情報処理装置10にインストールされるプログラムに従って動作するCPUなどのプログラム制御デバイスである。記憶部14は、ROMやRAMなどの記憶素子やハードディスクドライブなどである。記憶部14には、プロセッサ12によって実行されるプログラムなどが記憶される。通信部16は、例えば、ネットワークボードなどの通信インタフェースである。表示部18は、液晶ディスプレイなどの表示デバイスであって、プロセッサ12の指示に従って各種の画像を表示する。操作部20は、キーボードやマウスなどといったユーザインタフェースであって、ユーザの操作入力を受け付けて、その内容を示す信号をプロセッサ12に出力する。
The
第1撮影部22a及び第2撮影部22bは撮影デバイスであり、撮影によって生成される画像をプロセッサ12に出力する。第1撮影部22aは、デジタルカメラなどとしてよい。第2撮影部22bは、三次元画像が撮影可能なステレオカメラや、奥行き画像が撮影可能なデプスカメラとすることが望ましい。この場合、第2撮影部22bは、撮影によって生成される三次元画像や奥行き画像をプロセッサ12に出力する。
The first photographing
図2は、車両90の左側面を模式的に示す図である。図3は、車両90の上面を模式的に示す図である。車両90は消耗品であるタイヤを装着し、所定の場所(駐車場など)に駐車される。図2及び図3に示すように、第1撮影部22a及び第2撮影部22bは、車両90が駐車される所定の場所(駐車場など)に配置される。第1撮影部22aは、車両90の左後輪92の左側面が撮影可能な位置に配置され、第2撮影部22bは、車両90の左後輪92のトレッド面が撮影可能な位置に配置される。
FIG. 2 is a diagram schematically showing the left side surface of the
図4は、第1撮影部22aによって撮影される、タイヤの左側面が写る画像である側面画像110の一例を示す図である。図4に示すように、側面画像110には、タイヤの側面(ショルダー部)に刻印された複数の側面スリップサイン94が写っている。図4に示すように、複数の側面スリップサイン94は、タイヤの側面にタイヤの外周に沿って等間隔に刻印されている。一般的には、側面スリップサイン94は、タイヤの側面にタイヤの外周に沿って等間隔に4~9個刻印されている。図4に示すタイヤには、側面スリップサイン94が6個刻印されている。
FIG. 4 is a diagram showing an example of a
図5A及び図5Bは、第2撮影部22bによって撮影される、タイヤのトレッド面が写る画像であるトレッド面画像120の一例を示す図である。図5A及び図5Bに示すように、トレッド面画像120にはトレッド面に形成された溝である主溝96が写っており、その主溝96の内側に、トレッド面スリップサイン98が写っている。なお、トレッド面画像120には、トレッドパターンの周期構造が写っていてもよい。図5A及び図5Bに示すトレッド面画像120では、トレッドパターンの記載は省略されている。
5A and 5B are diagrams showing an example of a
図5Bに示すトレッド面画像120は、図5Aに示したトレッド面画像120が撮影された日の後日に撮影されたものである。図5Bに示すトレッド面画像120では、使用限界に達したタイヤのトレッド面が写っている。ここでのタイヤは、トレッド面が摩耗することにより主溝96の深さが減少し、主溝96とトレッド面スリップサイン98との境界が曖昧になっている。車両90に装着されているタイヤがこのような状態になる前に、新しいタイヤに交換しておくことが望ましい。
The
車両90の使用者(個人の持ち主や管理者など)がタイヤの消耗量(トレッド面の摩耗量)から交換時期を判断する場合、主溝96の深さを計測することが一般的である。しかし、ノギス等を用いて手作業で主溝96の深さを計測するのは手間がかかるため、車両90の使用者が実際にタイヤの消耗量を確認する機会は少ない。このため、車両90の使用者が、近日中にタイヤが使用限界に達することや、すでに使用限界に達したことを把握しない場合がある。
When the user of the vehicle 90 (individual owner, manager, etc.) determines the replacement time from the tire wear amount (tread surface wear amount), it is common to measure the depth of the
また、タイヤに限らず、消耗品が使用限界に達する前に、事前に消耗品の使用期限を使用者に出力することが望まれる場合がある。この点、情報処理装置10は、後に詳述するように、タイヤなどの消耗品の使用可能期間を推定し、その使用期限を表示部18や他の情報処理装置(例えば、スマートフォンなどの携帯端末)の表示部などに出力する。これによれば、消耗品の使用者は、消耗品の新規購入や補充、次回の交換時期の判断に関し、有用な情報を把握できる。
Further, not limited to tires, it may be desired to output the expiration date of consumables to the user in advance before the consumables reach the usage limit. In this regard, as will be described in detail later, the
[2.機能ブロック]
情報処理装置10は、消耗品(タイヤなど)の使用可能期間を推定する。本実施形態では、第2撮影部22bによって撮影された複数画像に基づいて、左後輪92のタイヤの使用可能期間が推定され、そのタイヤの使用期限が出力される。また、複数画像から消耗品の使用期間が推定されるまでに、学習済の2つの機械学習モデル(図6に示す第1機械学習モデル40及び第2機械学習モデル42)が用いられる。以下、情報処理装置10による消耗品の使用可能期間の推定について説明する。
[2. Function block]
The
図6は、情報処理装置10で実装される機能の一例を示す機能ブロック図である。なお、情報処理装置10において、図6に示す機能のすべてが実装されなくてもよく、図6に示す機能以外の機能が実装されていてもよい。
FIG. 6 is a functional block diagram showing an example of the functions implemented in the
図6に示すように、情報処理装置10は、機能的には、データ記憶部30と、画像取得部32と、消耗度推定部34と、期間推定部36と、使用期限出力部38と第1機械学習モデル40と、第2機械学習モデル42とを含む。データ記憶部30は、記憶部14を主として実装される。画像取得部32、消耗度推定部34、期間推定部36、及び、使用期限出力部38は、プロセッサ12を主として実装される。第1及び第2の学習モデル40,42は、プロセッサ12及び記憶部14を主として実装される。
As shown in FIG. 6, functionally, the
[2-1.使用期限出力部]
使用期限出力部38は、後に詳述する期間推定部36により推定された使用可能期間に基づいて、消耗品(タイヤなど)の使用期限を出力する。本実施形態では、使用期限出力部38は、消耗品の使用期限を、表示部18、又は、通信部16などを介して他の情報処理装置の表示部に出力する。
[2-1. Expiration date output section]
The expiration
図7Aは、使用期限の表示例を示す図である。図7Aの画像130Aに示されるように、使用期限出力部38は、後述する期間推定部36により推定された使用可能期間の日数を出力してよい。また、使用期限出力部38は、使用可能期間の日数に限らず、時分秒を示す数値や月数、年数などを表示部18などに出力してもよい。
FIG. 7A is a diagram showing a display example of the expiration date. As shown in the
図7Bは、使用期限の他の表示例を示す図である。図7Bの画像130Bに示されるように、使用期限出力部38は、後述する期間推定部36により推定された使用可能期間に基づく期限の日付を出力してもよい。この場合、使用期限出力部38は、期間推定部36により推定された使用可能期間を現在の日付に加えた日付を、消耗品の使用可能期限として出力してよい。
FIG. 7B is a diagram showing another display example of the expiration date. As shown in the
[2-2.データ記憶部]
図6に示すように、データ記憶部30は、消耗度推定部34により推定される消耗度の時系列データD1を記憶する。他にも例えば、データ記憶部30は、第1撮影部22a及び第2撮影部22bが撮影した画像データや、後述する第2機械学習モデル42の機械学習に用いられる第2訓練データ、当該第2訓練データを生成するための消耗度に関する収録データなど、種々のデータを記憶してもよい。時系列データD1については、後に詳述する。
[2-2. Data storage]
As shown in FIG. 6, the
[2-3.画像取得部]
画像取得部32は、所定期間(例えば、3ヶ月間)における消耗品(タイヤなど)の変化を示す複数画像を、後に詳述する消耗度推定部34に入力する画像として取得する。画像取得部32は、例えば、所定の場所に設けられた撮影手段によって、所定期間において定期的に撮影された撮影画像、又は、その撮影画像に基づいて生成された画像を複数画像として取得してよい。
[2-3. Image acquisition section]
The
消耗品の変化を示す複数画像の各々は、例えば、その消耗品において使用に応じてすり減る摩耗面を示す。他にも例えば、複数画像の各々は、使用によって消費されるインクなどの残量を示すものであってもよい。 Each of the plurality of images showing the change of the consumable shows, for example, the wear surface of the consumable that wears out with use. In addition, for example, each of the plurality of images may indicate the remaining amount of ink or the like consumed by use.
本実施形態では、画像取得部32は、所定期間(例えば、3ヶ月間)において、駐車場に配置された第2撮影部22bによって定期的に(例えば、1週間ごとに)撮影されたトレッド面画像120に基づいて生成された画像を、当該所定期間における変化を示す複数画像として取得する。なお、画像取得部32は、第2撮影部22bによって撮影されたトレッド面画像120そのものや、第2撮影部22bによって撮影された後に記憶部14に記憶されている画像を、上記複数画像として取得してもよい。
In the present embodiment, the
「トレッド面画像120に基づいて生成された画像」とは、トレッド面画像120に所与の画像加工処理(例えば、トリミング処理や拡大/縮小処理、エッジ抽出処理)が施されることにより生成された画像である。本実施形態では、画像取得部32は、トレッド面画像120において、トレッド面スリップサイン98が含まれる領域である着目領域122(図5A、図5Bを参照)でトリミングされた画像を、上記複数画像として取得する。
The "image generated based on the
トレッド面画像120における着目領域122は、第2撮影部22bが当該トレッド面画像120を撮影したのと同じタイミングで第1撮影部22aによって撮影された側面画像110(図4を参照)に基づいて特定されてよい。先述したように、側面画像110にはタイヤの側面スリップサイン94が写っている。タイヤでは、側面スリップサイン94の位置と、トレッド面スリップサイン98との位置とが1対1で対応付けられている。このため、トレッド面画像120内における着目領域122の位置は、側面画像110における側面スリップサイン94の位置に基づいて特定できる。トレッド面画像120内における着目領域122の位置は、例えば、側面画像110における左後輪92の中心を通る基準線(図4の例では、右方向の線)と当該中心と側面スリップサイン94とを結ぶ線とのなす角度aに基づいて特定できる。
The region of
なお、定期的に撮影される複数のトレッド面画像120には、その期間(例えば、1週間)から少しずれたタイミングに撮影されたものが含まれてもよい。そのように撮影された複数のトレッド面画像120も、所定期間(例えば、3ヶ月間)におけるタイヤの変化を示す複数画像と呼ぶことができる。また、定期的に撮影を行う複数のタイミングのうち、第2撮影部22bが配置される場所に車両90が存在しないなどの理由により、撮影が行われないタイミングが生じても構わない。
The plurality of
[2-4.消耗度推定部(第1機械学習モデル)]
消耗度推定部34は、画像取得部32によって取得された消耗品(タイヤなど)の画像に基づいて、当該消耗品の消耗度を推定する。より具体的には、消耗度推定部34は、画像取得部32によって取得された、所定期間(例えば、3ヶ月間)における消耗品の変化を示す複数画像をそれぞれ第1機械学習モデル40に入力した際の出力に基づいて、当該所定期間における消耗品の複数の消耗度を推定する。
[2-4. Degree of wear estimation unit (1st machine learning model)]
The wear
「消耗度」とは、消耗品の消耗度合いを示す指標値である。本実施形態のように消耗品が使用により表面の状態が摩耗するものである場合、消耗度は「摩耗度」と言い換えることができる。消耗品がタイヤである場合、タイヤの消耗度(摩耗度)は、トレッド面における主溝96の溝深さ(残溝量)を示すデータであってもよい。なお、消耗度は、消耗品が使用されていない状態からの消耗量を示す指標値であってもよい。
The "consumable degree" is an index value indicating the degree of consumption of consumables. When the surface condition of the consumable is worn by use as in the present embodiment, the degree of wear can be rephrased as "the degree of wear". When the consumable item is a tire, the degree of wear (wear degree) of the tire may be data indicating the groove depth (remaining groove amount) of the
第1機械学習モデル40は、アダブースト、ランダムフォレスト、ニューラルネットワーク、サポートベクタマシン(SVM)、最近傍識別器などの機械学習が実装された機械学習モデルである。
The first
第1機械学習モデル40は、消耗品の画像と、当該消耗品の消耗度(教師データ)とからなる訓練データ(以下では、後述する第2訓練データと区別するために、第1訓練データとも呼ぶ)によって学習される機械学習モデルである。第1機械学習モデル40は、例えば、消耗品の画像の入力により、当該消耗品の消耗度を示すデータを出力する回帰モデルである。
The first
第1訓練データは、消耗品の摩耗面を示す画像(例えば、タイヤのトレッド面を示すトレッド面画像120と)と、当該摩耗面の摩耗度とからなる。そのような第1訓練データによって学習される第1機械学習モデル40は、消耗品の摩耗面を示す画像の入力により、当該消耗品の摩耗度を示すデータを出力する回帰モデルになる。この場合、消耗度推定部34は、第1機械学習モデル40に摩耗面を示す画像を入力した際の出力に基づいて、消耗度として、消耗品の摩耗面における摩耗度を推定する。
The first training data includes an image showing a worn surface of a consumable item (for example, a
本実施形態では、第1訓練データは、トレッド面画像120に基づいて生成された画像と、当該トレッド面画像120に示されるタイヤにおいて予めノギスなどにより計測された主溝96の溝深さを示す数値などのデータとからなる。このため、本実施形態では、第1機械学習モデル40は、トレッド面画像120の入力により、主溝96の溝深さを示すデータを出力する回帰モデルになる。このため、本実施形態では、消耗度推定部34は、トレッド面画像120に基づいて生成された画像を第1機械学習モデル40に入力した際の出力に基づいて、タイヤの消耗度(摩耗度)として、トレッド面における主溝96の深さを推定する。
In the present embodiment, the first training data shows the image generated based on the
本実施形態では、トレッド面画像120において、トレッド面スリップサイン98の含む着目領域122においてトリミングされた画像を第1機械学習モデル40へ入力することにより、タイヤの消耗度(摩耗度)の推定が行われる。トレッド面スリップサイン98はタイヤの種類によらず存在し、また、タイヤの種類の違いによるトレッド面スリップサイン98近辺の画像特徴の差異よりも、タイヤの摩耗度の違いによるトレッド面スリップサイン98近辺の画像特徴の差異の方が顕著であると考えられる。このため、着目領域122においてトリミングされた画像を第1機械学習モデル40への入力に用いることにより、学習に用いられるデータ量が少なくても、様々な種類のタイヤの消耗度を的確に推定できるようになる。
In the present embodiment, in the
なお、図示は省略するが、情報処理装置10は、第2撮影部22bや操作部20などを介して第1訓練データを生成する第1の訓練データ生成手段や、当該第1訓練データを用いて第1機械学習モデル40の学習を実行する第1学習手段を有してもよい。この場合、第1学習手段は、例えば、第1訓練データに含まれる消耗品の画像を第1機械学習モデル40に入力した際の出力と、当該訓練データに含まれる消耗度との差を特定し、その特定した差に基づいて第1訓練データのパラメータを更新してもよい。
Although not shown, the
[2-5.時系列データ]
消耗度推定部34は、以上のように推定した消耗度の時系列データを、データ記憶部30に記憶させる。データ記憶部30において、所定期間(例えば、3ヶ月間)における複数の消耗度として、消耗度推定部34により推定された所定数(例えば、15個)の消耗度が時系列データD1として蓄積される。
[2-5. Data in chronological order]
The consumption
図8は、データ記憶部30に記憶される時系列データD1の一例を示す図である。図8に示すように、時系列データD1は、消耗度(例えば、主溝96の溝深さを)示す値からなる一次元配列である。図8に示す例では、「2.5」が、消耗度推定部34により直近に推定された消耗度の値であり、「2.6」が、その1つ前のタイミングにおいて推定された消耗度の値であり、「2.7」が、更にその1つ前のタイミングにおいて推定された消耗度の値である。
FIG. 8 is a diagram showing an example of time-series data D1 stored in the
時系列データD1に蓄積される消耗度のデータ数(一次元配列の要素数)は、上記所定期間に応じて定められる数であってよい。例えば、消耗度推定部34により7日間(1週間)ごとに消耗度が推定され、時系列データD1に蓄積される消耗度のデータ数を15とした場合、時系列データD1には、99日間分(7日*14週+1日(*は乗算演算子)、すなわち約3ヶ月分)の消耗度を示すデータが蓄積されることになる。
The number of consumption degree data (the number of elements in the one-dimensional array) accumulated in the time-series data D1 may be a number determined according to the predetermined period. For example, assuming that the consumption degree is estimated by the consumption
先述したように、定期的に撮影される複数のトレッド面画像120には、その期間(例えば、1週間)から少しずれたタイミングに撮影されたものがあってもよい。時系列データD1には、定期的な期間から少しずれたタイミングにおける消耗度が含まれてもよい。
As described above, the plurality of
また、定期的に撮影を行う複数のタイミングのうち、車両90が存在しないなどの理由により撮影が行われないタイミングが生じた場合、時系列データD1には、そのタイミングの前後において推定された消耗度の値に基づいて補完された消耗度の値(例えば、前回と同じ値や前後の値の平均値など)が含まれてもよい。この場合、情報処理装置10は、データ記憶部30に記憶されている時系列データD1に基づいて、当該時系列データD1に消耗度の値を補完する手段を有してもよい。
In addition, when there is a timing in which shooting is not performed due to reasons such as the absence of the
[2-6.期間推定部(第2機械学習モデル)]
期間推定部36は、画像取得部32によって取得された、所定期間(例えば、3ヶ月間)における消耗品(タイヤなど)の変化を示す複数画像に基づく複数の消耗度を学習済の第2機械学習モデル42に入力した際の出力に基づいて、当該消耗品の使用可能期間を推定する。より具体的には、期間推定部36は、消耗度推定部34によって推定された複数の消耗度を第2機械学習モデル42に入力した際の出力に基づいて、当該消耗品の使用可能期間を推定する。
[2-6. Period estimation unit (second machine learning model)]
The
本実施形態では、期間推定部36は、消耗度推定部34によって推定された複数の摩耗度を第2機械学習モデル42に入力した際の出力に基づいて、消耗品の使用可能期間を推定する。本実施形態では、消耗品はタイヤであり、期間推定部36は、消耗度推定部34によって推定された主溝96の溝深さを第2機械学習モデル42に入力した際の出力に基づいて、タイヤの使用可能期間を推定する。期間推定部36は、データ記憶部30に記憶される時系列データD1を第2機械学習モデル42に入力した際の出力に基づいて、消耗品であるタイヤの使用可能期間を推定する。
In the present embodiment, the
第2機械学習モデル42は、第1機械学習モデル40と同様に、所与の機械学習が実装された機械学習モデルである。第2機械学習モデル42には、例えば、ディープニューラルネットワーク(DNN)が機械学習として実装されてよい。
The second
第2機械学習モデル42は、所定期間(例えば、3ヶ月間)における消耗品(タイヤなど)の複数の消耗度と、その消耗品について予め測定された使用可能期間(教師データ)とからなる第2訓練データによって学習される機械学習モデルである。第2機械学習モデル42は、複数の消耗度の入力により、消耗品の使用可能期間を示すデータを出力する回帰モデルである。
The second
図9は、第2機械学習モデル42の機械学習に用いられる第2訓練データの一例を示す図である。図9に示すように、第2訓練データは、例えば、所定期間における複数の消耗度と、使用可能期限とからなる複数の組み合わせを蓄積したデータである。
FIG. 9 is a diagram showing an example of the second training data used for machine learning of the second
図9に示す第2訓練データでは、「6.4、6.3、6.1、5.9、5.8」の順に推定された消耗度について、「5.8」が推定された時点における消耗品の使用可能期間が「350」日であることを示している。また、図9に示す第2訓練データでは、「6.3、6.1、5.9、5.8、5.7」の順に推定された消耗度について、「5.7」が推定された時点における消耗品の使用可能期間が「330」日であることを示している。 In the second training data shown in FIG. 9, the time point at which "5.8" was estimated for the degree of wear estimated in the order of "6.4, 6.3, 6.1, 5.9, 5.8". It shows that the usable period of the consumables in the above is "350" days. Further, in the second training data shown in FIG. 9, "5.7" is estimated for the degree of wear estimated in the order of "6.3, 6.1, 5.9, 5.8, 5.7". It shows that the usable period of the consumables at that time is "330" days.
図10は、第2訓練データの作成方法について説明するための図であり、車両90に装着されたタイヤが使用限界まで使用された場合の消耗度(摩耗度)に関する収録データの一例を示す。図10に示す収録データは、例えば、第2訓練データの作成に協力する車両90の使用者である複数のトライアルユーザのうちの1人により収録されてよい。
FIG. 10 is a diagram for explaining a method of creating the second training data, and shows an example of recorded data regarding the degree of wear (wear degree) when the tire mounted on the
図10に示す例では、横軸が時間経過を示し、縦軸がタイヤの消耗度(摩耗度)である主溝96の溝深さを示す。また、図10に示した収録データでは、2017年1月初旬から定期的に(例えば、1週間ごとに)溝深さの計測が行われており、時間経過に応じて溝深さが低くなっている、すなわち、使用に応じてタイヤのトレッド面が徐々に摩耗している様子を示している。また、図10に示した収録データでは、2020年3月中旬に、タイヤの溝深さが規定値以下(2.0mm以下)となっており、使用期限に達したことを示している。
In the example shown in FIG. 10, the horizontal axis indicates the passage of time, and the vertical axis indicates the groove depth of the
第2訓練データは、例えば、以下のようにして作成できる。まず、図10に示す収録データにおいて、タイヤの溝深さの初回の計測タイミング(2017年1月初旬)から所定期間(例えば、3ヶ月間)が経過するまでの期間M1において計測された、複数の(例えば、15個の)溝深さを取得し、さらに、当該期間M1の末日(2017年3月末)から使用期限(2020年3月中旬)に達するまでの期間を使用可能期間として取得する。そして、このように取得した複数の溝深さと使用可能期間との組み合わせのデータを第2訓練データに追加する。換言すると、取得した複数の溝深さと使用可能期間との組み合わせが第2訓練データに含まれる複数の組み合わせのうちの1つになるように、第2訓練データを更新する。 The second training data can be created, for example, as follows. First, in the recorded data shown in FIG. 10, a plurality of tires measured in the period M1 from the initial measurement timing of the tire groove depth (early January 2017) to the elapse of a predetermined period (for example, 3 months). (For example, 15 groove depths) are acquired, and the period from the last day of the period M1 (end of March 2017) to the expiration date (mid-March 2020) is acquired as the usable period. .. Then, the data of the combination of the plurality of groove depths acquired in this way and the usable period is added to the second training data. In other words, the second training data is updated so that the combination of the acquired plurality of groove depths and the usable period becomes one of the plurality of combinations included in the second training data.
その次に、期間M1から1つの収録周期(例えば、1週間)で後日にずれた所定期間である期間M2において、同様に複数の溝深さと、期間M2の末日からの使用可能期間を取得し、取得した複数の溝深さと使用可能期間との組み合わせを、第2訓練データに追加する。さらに、期間M2から1つの収録周期分で後日にずれた所定期間である期間M3においても、同様に、複数の溝深さと使用可能期間を取得し、第2訓練データに含ませる。 Next, in the period M2, which is a predetermined period deviated from the period M1 by one recording cycle (for example, one week) at a later date, similarly, a plurality of groove depths and a usable period from the last day of the period M2 are acquired. , The combination of the acquired multiple groove depths and the usable period is added to the second training data. Further, even in the period M3, which is a predetermined period deviated from the period M2 by one recording cycle at a later date, a plurality of groove depths and usable periods are similarly acquired and included in the second training data.
以上の処理を繰り返すことにより、タイヤの消耗(摩耗)について収録された1つの収録データから、教師データとなる複数の組み合わせを取得し、第2訓練データに追加することが可能である。さらに、トライアルユーザとして、複数の車両90の使用者から複数の収録データを取得することで、第2訓練データに多くの教師データを蓄積することが可能である。
By repeating the above processing, it is possible to acquire a plurality of combinations to be teacher data from one recorded data recorded for tire wear (wear) and add it to the second training data. Further, as a trial user, by acquiring a plurality of recorded data from users of a plurality of
また、このように多くの教師データを含む第2訓練データを用いて第2機械学習モデル42が機械学習されることにより、期間推定部36は、当該第2機械学習モデル42を用いて、タイヤの使用可能期間として、尤度の高い使用可能期間を推定することができる。
Further, by machine learning the second
なお、図示は省略するが、情報処理装置10は、第2訓練データを生成する第2の訓練データ生成手段や、当該第2訓練データを用いて第2機械学習モデル42の学習を実行する学習手段を有してもよい。この場合、情報処理装置10は、期間推定部36により定期的に推定され、データ記憶部30に記憶された複数の過去の消耗度に基づいて、図10に示した収録データを生成する手段を有してもよく、第2の訓練データ生成手段は、当該生成された収録データに基づいて第2訓練データを生成してもよい。
Although not shown, the
[3.フローチャート]
図11は、情報処理装置10で実行される推定処理の流れの一例を示すフロー図である。図11で示す推定処理は、定期的に(例えば、1週間ごとに)実行される。
[3. flowchart]
FIG. 11 is a flow chart showing an example of the flow of estimation processing executed by the
まず、画像取得部32は、消耗品の画像として、消耗品の消耗度合が観察できる画像を取得する(ステップS101)。消耗品が使用に応じて摩耗する摩耗面を有する場合、画像取得部32は、摩耗面を示した画像を取得してよい。また、消耗品がタイヤである場合、画像取得部32は、図5A,Bに例示したトレッド面画像120を取得してよい。本実施形態では、画像取得部32は、トレッド面画像120において、トレッド面スリップサイン98を含む領域である着目領域122でトリミングした画像を取得する。
First, the
次に、消耗度推定部34は、ステップS101で取得した消耗品の画像を第1機械学習モデル40に入力し、その際の当該第1機械学習モデル40からの出力に基づいて、消耗品の消耗度を推定する(ステップS102)。本実施形態では、消耗度推定部34は、タイヤの消耗度(摩耗度)として、主溝96の溝深さを推定する。
Next, the consumption
また、消耗度推定部34は、ステップS102で推定した消耗度を、データ記憶部30に記憶される時系列データD1に記録する(ステップS103)。時系列データには、所定期間(例えば、3ヶ月間)分のデータとして、所定数(例えば、15個)の消耗度のデータ(本実施形態では、主溝96の溝深さを示す数値データ)が記録される(図8を参照)。
Further, the wear
次に、期間推定部36は、データ記憶部30に記憶される時系列データD1を第2機械学習モデル42に入力し、その際の当該第2機械学習モデル42からの出力に基づいて、消耗品の使用可能期間を推定する(ステップS104)。
Next, the
最後に、使用期限出力部38が、ステップS104で推定された使用可能期間に基づいて、消耗品の使用期限を、表示部18、又は、他の情報処理装置の表示部に出力し(ステップS105)、処理が終了される。使用期限出力部38は、消耗品の使用期限を示す画像として、例えば、図7Aのように使用可能期間の日数を示す画像130Aを出力してもよいし、図7Bのように使用期限の日付を示す画像130Bを出力してもよい。
Finally, the expiration
なお、ステップS103において、時系列データD1に記録される消耗度のデータ数が所定数(例えば、15)に達していない場合(時系列データD1への記録が開始された時点から所定期間(例えば、3ヶ月間)が経過していない場合)、情報処理装置10のプロセッサ12は、ステップS104,S105の処理を実行しなくてもよい。また、時系列データD1の消耗度のデータ数が所定数に達していない場合、期間推定部36は、消耗度のデータ数が所定数になるように時系列データD1を補完し、これを第2機械学習モデル42に入力することによって消耗品の暫定的な使用可能期間を推定してもよい。
In step S103, when the number of consumption degree data recorded in the time series data D1 has not reached a predetermined number (for example, 15) (for example, a predetermined period from the time when recording in the time series data D1 is started (for example). (3 months) has not passed), the
[4.まとめ]
以上より、本実施形態では、画像取得部32が所定期間(例えば、3ヶ月間)における消耗品(タイヤなど)の変化を示す複数画像として、第2撮影部22bによって撮影されたトレッド面画像120における着目領域122を示す画像を取得する。消耗度推定部34は、これら複数画像を第1機械学習モデル40にそれぞれ入力することにより、複数の消耗度を推定する。そして、期間推定部36は、推定された複数の消耗度を第2機械学習モデルに入力した際の出力に基づいて、消耗品の使用可能期間を推定する。このようにすることで、情報処理装置10は、消耗品の使用可能期間を推定できる。また、使用期限出力部38が表示部18等に消耗品の使用期限を出力することで、消耗品の使用者は、消耗品の購入などの判断に有用な情報を把握できる。
[4. summary]
Based on the above, in the present embodiment, the
なお、以上の説明では、車両90が備える左後輪92のタイヤの使用可能期間を推定したが、車両90が備える左後輪92のタイヤ以外のタイヤについても、同様の方法により使用可能期間を推定することが可能である。タイヤの例では、車両90に装着される複数のタイヤの全てを同時期に交換する場合が多い。このため、車両90に装着される複数のタイヤの全てで使用可能期間の推定を行わなくてもよく、1つのタイヤで使用可能期間が推定できればよい場合が多い。
In the above description, the usable period of the tire of the left
[5.変形例]
本発明は、以上の実施形態に限定されるものではない。
[5. Modification example]
The present invention is not limited to the above embodiments.
例えば、本実施形態では、所定期間が3ヶ月である場合として、時系列データD1に3ヶ月分の消耗度のデータが記録され、第2機械学習モデル42は、3ヶ月分の消耗度のデータからなる第2訓練データによって機械学習される場合について説明した。これに限らず、所定期間は、1年間以上の期間であってもよい。
For example, in the present embodiment, assuming that the predetermined period is 3 months, the data of the degree of wear for 3 months is recorded in the time series data D1, and the data of the degree of wear for 3 months is recorded in the second
例えば、時系列データD1には、1年間分の消耗度のデータが記録されてよく、第2機械学習モデル42は、1年間分の消耗度のデータからなる第2訓練データによって機械学習されてもよい。この場合、第2機械学習モデル42には、1年間分の消耗度のデータが記録された時系列データD1が入力されることになる。
For example, the time-series data D1 may record data on the degree of wear for one year, and the second
図12は、車両90に装着されたタイヤが使用限界まで使用された場合の消耗度に関する収録データの他の一例を示す。図12の例では、図10の例と同様に、横軸が時間経過を示し、縦軸がタイヤの消耗度(摩耗度)である主溝96の溝深さを示す。
FIG. 12 shows another example of recorded data regarding the degree of wear when the tire mounted on the
図12に示す例では、一点鎖線で囲われた領域に示されるように、1年間の期間M4のうち、2019年3月の初旬から中旬にかけて、タイヤの溝深さに著しい減少がみられる。つまり、2019年3月の期間では、車両90の使用頻度が高くなっている。
In the example shown in FIG. 12, as shown in the region surrounded by the alternate long and short dash line, a significant decrease in the groove depth of the tire is observed from the beginning to the middle of March 2019 in the one-year period M4. That is, during the period of March 2019, the frequency of use of the
車両90の使用者の状況に応じて、図12に示したように3月中に車両90の使用頻度が高くなる場合もあれば、3月以外の時期に車両90の使用頻度が高くなる場合もある。また、1年間における1つの時期に限らず、複数の時期で車両90の使用頻度が高くなる場合もあれば、複数の月で連続して車両90の使用頻度が高くなる場合もある。
Depending on the situation of the user of the
そこで、所定期間を1年間以上とし、期間推定部36は、1年間以上の所定期間における消耗品(タイヤなど)の変化を示す複数画像に基づく複数の消耗度(つまり、1年間以上の消耗度が記録された時系列データD1)を第2機械学習モデル42に入力した際の出力に基づいて、当該消耗品の使用可能期間を推定してもよい。このようにすることで、消耗品の1年間における時期ごとに変化する使用頻度に基づいて、使用可能期限を推定できる。例えば、消耗品の消耗が大きくなる時期が到来した場合、これからさらに消耗品が大きく消耗するであろうことを踏まえたうえで、消耗品の使用可能期間を推定できるようになる。
Therefore, the predetermined period is set to one year or more, and the
なお、所定期間は1年間に限らず、1年以上の複数年間(例えば、2年間や3年間など)でもよい。また、実施形態では、消耗品の画像が取得される期間として、第2撮影部22bによってトレッド面画像120が撮影される期間を1週間としたが、当該期間は1週間でなくても構わない。
The predetermined period is not limited to one year, and may be a plurality of years (for example, two years or three years) of one year or more. Further, in the embodiment, as the period for acquiring the image of the consumable, the period during which the
また、実施形態では、消耗品がタイヤである場合の例を説明したが、消耗品は、使用に応じて表面が摩耗するもの、例えば、玄関の靴底であってもよいし、鉄道の線路やパンタグラフなどであってもよい。また、消耗品は、使用による消耗の度合いが外部から観察できるものであればよく、例えば、インクの残量が外部から確認できるマーカーなどであってもよい。これらの消耗品の使用可能期間の推定に関しても、本発明は適用可能である。 Further, in the embodiment, an example in which the consumable is a tire has been described, but the consumable may be a consumable whose surface wears with use, for example, a sole of a front door, or a railroad track. Or pantograph. Further, the consumables may be any as long as the degree of consumption due to use can be observed from the outside, and may be, for example, a marker that allows the remaining amount of ink to be confirmed from the outside. The present invention is also applicable to the estimation of the usable period of these consumables.
10 情報処理装置、12 プロセッサ、14 記憶部、16 通信部、18 表示部、20 操作部、22a 第1撮影部、22b 第2撮影部、30 データ記憶部、D1 時系列データ、32 画像取得部、34 消耗度推定部、36 期間推定部、38 使用期限出力部、40 第1機械学習モデル、42 第2機械学習モデル、90 車両、92 左後輪、94 側面スリップサイン、96 主溝、98 トレッド面スリップサイン、110 側面画像、120 トレッド面画像、122 着目領域、130A,130B 画像。
10 Information processing device, 12 Processor, 14 Storage unit, 16 Communication unit, 18 Display unit, 20 Operation unit, 22a 1st imaging unit, 22b 2nd imaging unit, 30 Data storage unit, D1 Time series data, 32 Image acquisition unit , 34 Consumability estimation unit, 36 Period estimation unit, 38 Expiration date output unit, 40 1st machine learning model, 42 2nd machine learning model, 90 vehicle, 92 left rear wheel, 94 side slip sign, 96 main groove, 98 Tread surface slip sign, 110 side image, 120 tread surface image, 122 area of interest, 130A, 130B image.
Claims (10)
前記取得手段によって取得された前記複数画像に基づく複数の消耗度を学習済の機械学習モデルに入力した際の出力に基づいて、前記消耗品の使用可能期間を推定する期間推定手段と、を含む
期間推定装置。 An acquisition means for acquiring multiple images showing changes in consumables over a predetermined period, and
A period estimation means for estimating the usable period of the consumable based on the output when a plurality of consumption degrees based on the plurality of images acquired by the acquisition means are input to the trained machine learning model. Period estimation device.
請求項1に記載の期間推定装置。 The period according to claim 1, wherein the acquisition means acquires a photographed image in which the consumables are photographed by a photographing means provided at a predetermined place, or an image generated based on the photographed image as the plurality of images. Estimator.
前記期間推定手段は、前記消耗度推定手段によって推定された前記複数の消耗度を前記学習済みの機械学習モデルである第2機械学習モデルに入力した際の出力に基づいて、前記消耗品の前記使用可能期間を推定する
請求項1又は2に記載の期間推定装置。 Further including a consumption degree estimation means for estimating a plurality of consumption degrees of the consumables in the predetermined period based on the output when the plurality of images acquired by the acquisition means are input to the first machine learning model, respectively.
The period estimation means is based on the output when the plurality of consumption degrees estimated by the consumption degree estimation means are input to the second machine learning model which is the trained machine learning model. The period estimation device according to claim 1 or 2, which estimates the usable period.
前記第2機械学習モデルは、前記所定期間における前記消耗品の複数の消耗度と、前記使用可能期間とからなる第2訓練データによって学習される機械学習モデルである
請求項3に記載の期間推定装置。 The first machine learning model is a machine learning model learned by a first training data including an image of the consumable and the degree of wear of the consumable.
The period estimation according to claim 3, wherein the second machine learning model is a machine learning model learned by a second training data including a plurality of consumption degrees of the consumables in the predetermined period and the usable period. Device.
消耗度推定手段は、前記消耗度として、前記摩耗面における摩耗度を推定し、
前記期間推定手段は、前記消耗度推定手段によって推定された複数の前記摩耗度を前記第2機械学習モデルに入力した際の出力に基づいて、前記消耗品の前記使用可能期間を推定する
請求項3又は4に記載の期間推定装置。 Each of the plurality of images shows a wear surface that wears out with use in the consumables.
The wear degree estimation means estimates the wear degree on the wear surface as the wear degree, and determines the wear degree.
A claim that the period estimation means estimates the usable period of the consumable based on the output when a plurality of the wear degrees estimated by the wear degree estimation means are input to the second machine learning model. The period estimation device according to 3 or 4.
消耗度推定手段は、前記摩耗度として、前記トレッド面における溝の深さを推定し、
前記期間推定手段は、前記消耗度推定手段によって推定された複数の前記溝の深さを示す情報を前記第2機械学習モデルに入力した際の出力に基づいて、前記タイヤの前記使用可能期間を推定する
請求項5に記載の期間推定装置。 The worn surface is the tread surface of the tire.
The wear degree estimating means estimates the depth of the groove on the tread surface as the wear degree, and determines the depth of the groove.
The period estimation means determines the usable period of the tire based on the output when the information indicating the depth of the plurality of grooves estimated by the wear degree estimation means is input to the second machine learning model. Estimating The period estimation device according to claim 5.
請求項1乃至6のいずれかに記載の期間推定装置。 The period estimation device according to any one of claims 1 to 6, wherein the predetermined period is a period of one year or more.
請求項1乃至7のいずれかに記載の期間推定装置。 The period estimation device according to any one of claims 1 to 7, further comprising an output means for outputting the expiration date of the consumable based on the usable period estimated by the period estimation means.
前記取得ステップにおいて取得された前記複数画像に基づく複数の消耗度を学習済の機械学習モデルに入力した際の出力に基づいて、前記消耗品の使用可能期間を推定するステップと、を含む
期間推定方法。 Steps to acquire multiple images showing changes in consumables over a given period,
Period estimation including a step of estimating the usable period of the consumable based on the output when a plurality of consumption degrees based on the plurality of images acquired in the acquisition step are input to the trained machine learning model. Method.
前記取得手順によって取得された前記複数画像に基づく複数の消耗度を学習済の機械学習モデルに入力した際の出力に基づいて、前記消耗品の使用可能期間を推定する推定手順
をコンピュータに実行させるプログラム。
Acquisition procedure to acquire multiple images showing changes in consumables over a predetermined period, and
Have the computer execute an estimation procedure for estimating the usable period of the consumables based on the output when the plurality of consumption degrees based on the plurality of images acquired by the acquisition procedure are input to the trained machine learning model. program.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020126328A JP2022023401A (en) | 2020-07-27 | 2020-07-27 | Period estimation device, period estimation method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020126328A JP2022023401A (en) | 2020-07-27 | 2020-07-27 | Period estimation device, period estimation method, and program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022023401A true JP2022023401A (en) | 2022-02-08 |
Family
ID=80226449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020126328A Pending JP2022023401A (en) | 2020-07-27 | 2020-07-27 | Period estimation device, period estimation method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022023401A (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4296089A1 (en) * | 2022-06-21 | 2023-12-27 | Autopedia Co., Ltd. | Tire tread wear determination system and method using deep artificial neural network |
-
2020
- 2020-07-27 JP JP2020126328A patent/JP2022023401A/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4296089A1 (en) * | 2022-06-21 | 2023-12-27 | Autopedia Co., Ltd. | Tire tread wear determination system and method using deep artificial neural network |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103098111B (en) | Track estimation device and program | |
CN101479766B (en) | Object detection apparatus, method and program | |
US10621740B2 (en) | 3D modeling method based on point cloud data | |
CN105313774B (en) | Vehicle parking assistance device and its method of operation | |
US20200160547A1 (en) | Method of predicting depth values of lines, method of outputting three-dimensional (3d) lines, and apparatus thereof | |
KR20200060194A (en) | Method of predicting depth values of lines, method of outputting 3d lines and apparatus thereof | |
KR102079862B1 (en) | System and method for measuring wear rate using tread image of tire | |
CN111696196B (en) | Three-dimensional face model reconstruction method and device | |
CN109670970A (en) | A kind of driving behavior methods of marking, device and computer readable storage medium | |
US11660913B2 (en) | Systems and methods for tire valuation | |
JP7374001B2 (en) | Learning model generation method, program, and information processing device | |
JP2022023401A (en) | Period estimation device, period estimation method, and program | |
CN111582410B (en) | Image recognition model training method, device, computer equipment and storage medium | |
CN103839055A (en) | Driver gazing direction detecting method | |
CN110077393B (en) | Automatic parking speed control method based on image vision | |
CN118229593A (en) | Mask correction method, device, computer equipment and readable storage medium | |
JP2021063703A (en) | Tire wear degree estimation device, tire wear degree learning device, tire wear degree estimating method, and learned model producing method and program | |
JP7495596B2 (en) | Exchange support system, exchange support method and program | |
KR102255148B1 (en) | Image processing apparatus, image processing method, storage medium, and program | |
CN113139567A (en) | Information processing apparatus, control method therefor, vehicle, recording medium, information processing server, and information processing method | |
JP2015225498A (en) | Information processing device, information processing system, information processing method, and program | |
EP4390361A1 (en) | Tire state estimation method | |
JP7492120B2 (en) | Consumption state learning device, trained model generation method and program | |
Komati et al. | Unsupervised color image segmentation based on local fractal descriptor and J-images | |
CN113879333B (en) | Track prediction method, track prediction device, electronic equipment and storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230608 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240319 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240326 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240514 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240611 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240703 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240716 |