JP2788431B2

JP2788431B2 - 地中埋設物の種類の識別装置

Info

Publication number: JP2788431B2
Application number: JP7238625A
Authority: JP
Inventors: 修一郎古賀; 不二男飯高; 信浩下井; 雅彦加納; 辰夫牧野; 昌嘉宇野; 智納木村
Original assignee: BOEICHO GIJUTSU KENKYU HONBUCHO; Kawasaki Jukogyo KK
Current assignee: BOEICHO GIJUTSU KENKYU HONBUCHO; Kawasaki Motors Ltd
Priority date: 1995-09-18
Filing date: 1995-09-18
Publication date: 1998-08-20
Anticipated expiration: 2015-09-18
Also published as: JPH0980034A

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、物質に固有の弾性
波を利用し、地中埋設物の材質の種類を安定した高い精
度で特定することができる地中埋設物の種類の識別装置
に関する。

【０００２】

【従来の技術】従来、地中埋設物の探知方法としては、
電磁波、超音波などを用いる方法が採用されている。こ
れらの方法は、地表面から地中に向けて電磁波などを送
出し、地中埋設物での反射波または屈折波などを検出す
るものであり、地中埋設物の埋設位置および大きさなど
の情報を得ることができる。しかしながら、これらの方
法では地中埋設物の種類を特定するための材質などの情
報を得ることができない。

【０００３】また、磁気などを用いた金属探知機によっ
て地中埋設物の探知を行うことも可能であるけれども、
この場合、探知できる地中埋設物は金属から成るものの
みであり、たとえばプラスチックやガラスなどから成る
ものは探知できない。

【０００４】さらに、埋設物の種類を特定する従来技術
としては、地中に探針を貫入し、貫入した前記探針を打
振したときの感触や探針のすべり具合などによって操作
者自身が識別する方法がある。しかしながらこの場合、
操作者の主観によって識別精度が決まるので、安定した
埋設物の種類の識別が困難となる。また、人による判断
であることから、時間がかかるとともに、識別作業の省
力化・省人化の妨げとなる。このような不都合を解消す
るためには、以下に示すような認識装置を利用した客観
的な識別が考えられる。

【０００５】図１０は、典型的な従来例であるパターン
認識装置７１の構成を示すブロック図である。画像や音
声などの入力パターンは、特徴抽出手段７２に与えられ
る。特徴抽出手段７２は、入力パターンからそのパター
ンを特徴づける特徴量を抽出する。特徴量とは、たとえ
ば画像であれば、画像パターンをより簡潔に表現し、後
述する識別に用いられる本質的な情報のことである。抽
出された特徴量を要素とする特徴ベクトルは、識別手段
７３に与えられる。

【０００６】識別手段７３は、入力された特徴ベクトル
に基づいて、前記入力パターンが複数の予め定めた種類
のカテゴリのどのカテゴリに属するかを表現するカテゴ
リベクトルを算出して出力する。識別手段７３は、特徴
ベクトルとカテゴリベクトルとの関係を予め学習させた
ニューラルネットワークで実現される。算出されたカテ
ゴリベクトルは、識別結果判定手段７４に与えられる。
識別結果判定手段７４は、与えられたカテゴリベクトル
に基づいて、入力パターンが属するカテゴリを決定し、
識別結果として出力する。識別結果は、出力手段７５に
与えられる。出力手段７５は、たとえばＣＲＴ（陰極線
管）などの表示装置で実現され、識別結果を外部（操作
者）に出力（報知）する。

【０００７】前記識別手段７３に用いられるニューラル
ネットワークとしては、たとえば、公知の技術であるバ
ックプロパゲーションニューラルネットワーク（以下、
「ＢＰＮＮ」と略称する）が使用される。このＢＰＮＮ
については、「NATURE vol.323 9 p536-553 (Oct 1986)
Learning Representations by backpropagationerror
s」に述べられている。

【０００８】ＢＰＮＮは、入力層、出力層、および１つ
または複数の中間層から成り、これらの各層は複数のノ
ード群で構成される。ニューラルネットワークによる識
別では、たとえばニューラルネットワークの出力層の各
ノードを識別させたいカテゴリに１対１で対応させた一
般的な構成の場合、出力層を構成する複数のノードの中
で最大値を出力しているノードに対応したカテゴリを識
別結果としている。

【０００９】

【発明が解決しようとする課題】電磁波などを用い、反
射波または屈折波を検出する従来技術においては、地中
埋設物の種類を特定することができないという問題があ
る。また、地中に貫入した探針を打振したときの感触や
探針のすべり具合などによる識別の場合は、前述のよう
に埋設物１４の種類の特定は操作者が行うので、操作者
が異なると識別精度も異なることとなり、安定して識別
することが困難となる。また、人による判断であること
から、時間がかかるとともに、識別作業の省力化・省人
化の妨げとなる。

【００１０】さらに、前記パターン認識装置７１を利用
した識別の場合は、前述したような操作者が識別する場
合のような不都合は解消するけれども、前記入力パター
ンとしてどのようなデータを入力すれば最適な識別が実
現できるかなど、具体的な方法は明らかではない。

【００１１】本発明の目的は、安定した高い精度で、か
つ高速に埋設物の材質の種類を識別することができる地
中埋設物の種類の識別装置を提供することである。

【００１２】

【課題を解決するための手段】本発明は、地中埋設物に
当接するまで地中に挿入される加振用探針を有し、前記
地中埋設物に振動を与える発振手段と、地中埋設物に当
接するまで地中に挿入される受振用探針を有し、前記発
振手段が地中埋設物に振動を与えることによって発生す
る弾性波を受振し、弾性波信号として出力する受振手段
と、前記受振手段が出力した弾性波信号から、地中埋設
物の種類を識別するための識別信号を作成する信号処理
手段と、前記識別信号に基づいて当該識別信号が表す地
中埋設物の種類を識別する識別手段とを備え、前記識別
手段は、複数の入力部を有する入力層と、地中埋設物の
種類に対応した数の出力部を有する出力層と、前記入力
層と出力層との間に介在される１または複数の中間層と
から成るニューラルネットワークを含み、前記信号処理
手段は、前記識別信号として、弾性波信号をアナログ／
デジタル変換した後フーリエ変換して周波数応答信号を
作成し、当該周波数応答信号を複数の周波数帯域毎に分
割した分割応答信号を前記ニューラルネットワークの入
力層の複数の入力部にそれぞれ与えることを特徴とする
地中埋設物の種類の識別装置である。本発明に従えば、
発振手段の加振用探針と、受振手段の受振用探針とは、
地中埋設物に当接するまで地中に挿入され、発振手段の
加振用探針を介して地中埋設物に振動を与え、当該地中
埋設物で発生した弾性波を受振手段の受振用探針を介し
て受振する。受振した弾性波に基づく弾性波信号から地
中埋設物の材質の種類を識別するための識別信号が作成
され、作成された識別信号に基づいて当該識別信号が表
す地中埋設物の種類が識別される。地中埋設物で発生す
る弾性波は、地中埋設物に固有のものであり、このため
上述のようにして地中埋設物の材質の種類を識別するこ
とが可能である。上述のような地中埋設物の識別方法
は、発振手段、受振手段、信号処理手段および識別手段
を備える地中埋設物の種類の識別装置を用いて行われ
る。信号処理手段は前記識別信号を作成し、識別手段は
信号処理手段が作成した識別信号に基づいて、当該識別
信号が表す地中埋設物の材質の種類を識別する。前記識
別手段は、複数の入力部を有する入力層と、地中埋設物
の種類に対応した数の出力部を有する出力層と、前記入
力層と出力層との間に介在される１または複数の中間層
とから成るニューラルネットワークを含み、前記信号処
理手段は、前記識別信号として、以下の信号を前記ニュ
ーラルネットワークの入力層の複数の入力部にそれぞれ
与える。すなわち、信号処理手段は、前記弾性波信号を
アナログ／デジタル変換した後フーリエ変換して周波数
応答信号を作成し、当該周波数応答信号を複数の周波数
帯域毎に分割した分割応答信号を、複数の入力部にそれ
ぞれ与える。前記分割応答信号が識別信号である。この
ような地中埋設物の種類の識別装置を用いて上述の方法
で地中埋設物の材質の種類を識別するので、従来技術の
ように人手によって地中埋設物の種類を識別することと
比較して、安定した高い精度での識別が可能となる。ま
た、識別に要する時間が短くなるとともに、省力化・省
人化を図ることが可能となる。さらに、複数の発振およ
び受振手段を用いると、一度に多数の地中埋設物の種類
の識別を行うことが可能となり、識別効率をさらに向上
させることができる。また、ニューラルネットワークを
用いると、入力層への入力データ数および出力層からの
出力データ数の変更が比較的容易である。

【００１３】また本発明の前記識別手段は、ニューラル
ネットワークの出力層の出力部から地中埋設物の種類毎
に出力される出力信号レベルに基づいて、地中埋設物の
種類を判定する判定手段を含むことを特徴とする。本発
明に従えば、前記識別手段は判定手段を含み、ニューラ
ルネットワークの出力層の出力部から地中埋設物の種類
毎に出力される出力信号レベルに基づいて地中埋設物の
材質の種類を判定する。したがって、識別精度をさらに
向上することが可能となる。

【００１４】また本発明は、前記識別手段の識別結果を
出力する出力手段を含むことを特徴とする。本発明に従
えば、前記地中埋設物の識別装置は出力手段を含み、識
別手段の識別結果を出力する。したがって、操作者は、
識別手段の識別結果を知ることができる。

【００１５】また本発明の前記出力手段は、前記識別手
段の識別結果を表示する表示手段であることを特徴とす
る。本発明に従えば、前記地中埋設物の識別装置は出力
手段を含み、識別手段の識別結果を出力する。前記出力
手段は、たとえば表示手段で実現される。したがって、
操作者は、識別手段の識別結果を知ることができる。

【００１６】また本発明の前記加振用探針および受振用
探針は、同一の探針であることを特徴とする。本発明に
従えば、前記加振用探針と受振用探針とは、同一の探針
で実現される。したがって、地中へは１つの探針を挿入
するだけでよく、作業の簡略化を図ることができる。

【００１７】また本発明は、前記受振手段が出力した弾
性波信号を逐次に記憶する記憶手段を含み、前記識別手
段は、当該識別手段による識別結果が誤っていたときに
は、前記記憶手段に記憶された弾性波信号を読出し、読
出した弾性波信号を用いて当該識別手段が有するニュー
ラルネットワークを学習させることを特徴とする。本発
明に従えば、前記地中埋設物の識別装置は前記受振手段
が出力した弾性波信号を逐次に記憶する記憶手段を含
み、前記識別手段は、当該識別手段による識別結果が誤
っていたときには、前記記憶手段に記憶された弾性波信
号を読出し、読出した弾性波信号を用いて当該識別手段
が有するニューラルネットワークを学習させる。したが
って、誤った識別を行ったとしても、次回からは正しい
識別ができるようになり、識別性能がさらに向上する。
また、識別性能を容易に向上させることができる。

【００１８】

【発明の実施の形態】図１は、本発明の実施の一形態で
ある地中埋設物の識別装置２７を示すブロック図であ
る。識別装置２７は、発振装置２１、受振装置２２、信
号処理回路２３、識別回路２４、表示処理回路２５、表
示装置２６およびデータベース回路４３を含んで構成さ
れる。

【００１９】発振装置２１は、加振用探針２８、ハンマ
２９、モータ３０およびばね３１を備える。加振用探針
２８の一方端部側には、ばね３１によって加振用探針２
８の長手方向（上下方向）に平行にばね付勢されたハン
マ２９が配置される。ハンマ駆動回路３０ａによってモ
ータ３０を駆動してハンマ２９を上方に引上げた後、ハ
ンマ２９を下方に落下させると、ハンマ２９によって加
振用探針２８に衝撃が加わる。

【００２０】加振用探針２８の他方端部は、埋設物３５
に当接するまで地中３４に挿入され、ハンマ２９によっ
て上述のようにして加えられた衝撃は、減衰する振動と
なって加振用探針２８を伝播して埋設物３５に伝わる。
振動が伝わった埋設物３５では、物質に固有の弾性波が
発生する。前記加振用探針２８は、たとえば地表面に対
して３０°〜４５°の角度で挿入され、また０．１ｋｇ
重〜０．３ｋｇ重で加振される。

【００２１】受振装置２２は、受振用探針３２およびセ
ンサ３３を備える。受振用探針３２の一方端部側にはセ
ンサ３３が取付けられる。受振用探針３２の他方端部
は、前記埋設物３５に当接するまで地中３４に挿入され
る。上述のようにして埋設物３５で発生した弾性波は、
受振用探針３２で受振され、当該受振用探針３２を伝播
してセンサ３３で弾性波信号に変換される。当該弾性波
信号は、信号処理回路２３の信号増幅器３６、データベ
ース回路４３および表示処理回路２５に入力される。

【００２２】信号処理回路２３は、信号増幅器３６、Ａ
／Ｄ変換器３７、波形記憶回路３８、ＦＦＴ演算回路３
９および入力ベクトル生成回路４０を含んで構成され
る。信号処理回路２３では、受振した弾性波から地中埋
設物を識別するための識別信号が作成される。すなわ
ち、センサ３３で変換された弾性波信号は、信号増幅器
３６に入力されて増幅される。また、必要に応じて、信
号増幅器３６が備えるフィルタを用いて不要な信号が取
り除かれる。信号増幅器３６で処理された信号は、Ａ／
Ｄ（アナログ／デジタル）変換器３７に入力されてデジ
タル信号に変換され、さらに波形記憶回路３８に入力さ
れて時間軸応答信号として記憶される。

【００２３】波形記憶回路３８に記憶された時間軸応答
信号は、ＦＦＴ（高速フーリエ変換）演算回路３９でフ
ーリエ変換されて周波数応答信号が作成される。作成さ
れた周波数応答信号は、入力ベクトル生成回路４０で複
数の周波数帯域毎に分割された分割応答信号が作成され
る。たとえば、２０Ｈｚ〜５ｋＨｚの周波数帯域の信号
が、１０〜１００の範囲に分割される。たとえば５０に
分割される。これらの分割信号は、予め学習し、データ
ベース回路４３に記憶されるデータ中の各成分の最大値
で割算され、０〜１の値に正規化される。このようにし
て作成された分割応答信号が前記識別信号である。

【００２４】識別回路２４は、ニューラルネットワーク
４１および出力ベクトル判定回路４２を含んで構成され
る。ニューラルネットワーク４１としては、たとえばＢ
ＰＮＮが使用される。ニューラルネットワーク４１に
は、入力ベクトル生成回路４０からの分割応答信号が入
力され、当該分割応答信号に基づく地中埋設物の種類毎
の出力信号を作成して出力ベクトル判定回路４２に与え
る。出力ベクトル判定回路４２は、ニューラルネットワ
ーク４１からの出力信号レベルに基づいて、地中埋設物
の種類を判定する。

【００２５】波形記憶回路３８、ＦＦＴ演算回路３９、
入力ベクトル生成回路４０、ニューラルネットワーク４
１および出力ベクトル判定回路４２からの出力信号は、
表示処理回路２５で画像処理され、たとえば液晶表示装
置で実現される表示装置２６に表示される。

【００２６】図２は、前記識別回路２４のニューラルネ
ットワーク４１の概略的構成を示す図である。ニューラ
ルネットワーク４１は、前記ＢＰＮＮであり、入力層４
４、中間層４５および出力層４６で構成される。入力層
４４は、複数のノードＮＩ１〜ＮＩｍで構成される。中
間層４５は、１または複数の層構造であり、各層はそれ
ぞれ複数のノードＮＭで構成される。本形態では中間層
４５を１層とし、当該中間層４５は、複数のノードＮＭ
１〜ＮＭｐで構成される。出力層４６は、複数のノード
ＮＯ１〜ＮＯｎで構成される。

【００２７】前記入力層４４および出力層４６を構成す
る各ノードの数は、入力されるデータの数および出力す
べきデータの数に対応して決定される。すなわち、入力
層４４を構成するノードＮＩの数は、入力ベクトル生成
回路４０で作成された分割応答信号の数に相当する。ま
た、出力層４６を構成するノードＮＯの数は、埋設物の
種類の数に相当する。たとえば、ノードＮＩの数は５０
に、ノードＮＯの数は４にそれぞれ選ばれ、また中間層
４５を構成するノードＮＭの数は経験的に２０に選ばれ
る。

【００２８】このようなニューラルネットワーク４１の
学習は、データベース回路４３に予め記憶された弾性波
信号と地中埋設物の種類とのデータが利用される。地中
埋設物の種類に対応したカテゴリベクトルは、識別した
い種類をニューラルネットワーク４１の出力層４６のノ
ードＮＯの状態で表したものである。出力層４６のノー
ドＮＯと識別したいカテゴリとを１対１に対応させてい
る。たとえば、出力層４６のノードＮＯｎに対応したカ
テゴリを学習させるときには、入力層４４のノードＮＩ
１〜ＮＩｍに予め定める特徴ベクトルをそれぞれ与える
とともに、出力層４６のノードＮＯ１〜ＮＯｎに教師信
号としてＣｉ（ｉ＝ｎ）＝１、Ｃｉ（ｉ≠ｎ）＝０のカ
テゴリベクトルをそれぞれ与える。

【００２９】図３は、識別回路２４の出力ベクトル判定
回路４２での判定方法を説明するための図である。埋設
物の種類としてＡ〜Ｄの４種類を仮定して説明する。し
たがってニューラルネットワーク４１の出力層は４つの
ノードＮＯ１〜ＮＯ４で構成され、当該ニューラルネッ
トワーク４１からは、Ａ〜Ｄの種類に対応した４つの出
力信号が出力されて出力ベクトル判定回路４２に入力さ
れる。このとき、出力信号レベルが最大値のものが識別
候補として選ばれる。出力ベクトル判定回路４２では、
予め２つの閾値Ｔ１，Ｔ２（Ｔ１＞Ｔ２）が設定され
る。

【００３０】図３（１）に示されるように、出力信号レ
ベルが最大であり、識別候補として選ばれたＢの信号レ
ベルは、Ｔ１以上であり、Ａ，Ｃ，Ｄの信号レベルがＴ
２以下であれば、識別候補としたＢを埋設物の種類とし
て採用する。図３（２）に示されるように、Ｂの信号レ
ベルがＴ２以上、Ｔ１以下であり、Ａ，Ｃ，Ｄの信号レ
ベルがＴ２以下であるとき、または図３（３）に示され
るようにＢの信号レベルがＴ１以上であり、Ａ，Ｃ，Ｄ
のいずれか、たとえばＡがＴ２以上であるときには、識
別候補としたＢを棄却する。

【００３１】なお、前記閾値Ｔ１，Ｔ２は経験的に選ば
れる。たとえば、４つの出力信号レベルが近接する場合
に、Ｔ１，Ｔ２を出力信号レベル付近の比較的差の小さ
い値に設定すると、選択した識別候補を採用することが
できるし、Ｔ１，Ｔ２を差の大きい値に設定すると、選
択した識別候補が棄却される。Ｔ１，Ｔ２は、所望とす
る識別精度に応じて設定される。たとえば、出力信号レ
ベルの最大値を１としてＴ１＝０．７，Ｔ２＝０．３に
それぞれ設定される。

【００３２】図４は、表示装置２６に表示される表示画
面４７の構成を示す図である。表示画面４７は、時間波
形表示領域４８、周波数スペクトル表示領域４９，５
０、入力ベクトル表示領域５１、ニューラルネットワー
ク構成表示領域５２、出力ベクトル表示領域５３および
埋設物名称表示領域５４を含んで構成される。

【００３３】時間波形表示領域４８には、波形記憶回路
３８からの時間軸応答信号に基づく波形が表示され、た
とえば０〜５０ｍｓｅｃの間の波形が表示される。周波
数スペクトル表示領域４９，５０には、ＦＦＴ演算回路
３９からの周波数応答信号に基づくスペクトルが表示さ
れる。一方の周波数スペクトル表示領域４９には、たと
えば０〜２０ｋＨｚの間のスペクトルが表示され、他方
の周波数スペクトル表示領域５０には、たとえば２０Ｈ
ｚ〜５ｋＨｚの間のスペクトルが対数表示される。

【００３４】入力ベクトル表示領域５１には、入力ベク
トル生成回路４０からの複数の分割応答信号に基づくグ
ラフ、すなわちニューラルネットワーク４１に入力され
る入力ベクトルが表示される。ニューラルネットワーク
構成表示領域５２には、前述したニューラルネットワー
ク４１の構成が表示される。出力ベクトル表示領域５３
には、ニューラルネットワーク４１からの出力ベクトル
が、たとえば棒グラフとして表示される。埋設物名称表
示領域５４には、出力ベクトル判定回路４２で判定され
た埋設物の種類を表す名称が表示される。

【００３５】図５は、地中埋設物の識別および学習方法
を示すフローチャートである。また、図６は、表示画面
４７の一例を示す図である。ステップａ１では、受振装
置２２で受信した弾性波信号が、信号処理回路２３の信
号増幅器３６に入力され、Ａ／Ｄ変換器３７でデジタル
信号に変換されて波形記憶回路３８に時間軸応答信号と
して記憶される。ステップａ２では、波形記憶回路３８
に記憶された時間軸応答信号がＦＦＴ演算回路３９でフ
ーリエ変換され、周波数応答信号が作成される。さら
に、入力ベクトル生成回路４０で複数の分割応答信号が
作成される。ステップａ３では、受信した弾性波信号が
データベース回路４３に記憶される。データベース回路
４３に記憶することによって、誤った識別をしたときに
ニューラルネットワークを再学習させることが可能とな
る。

【００３６】ステップａ４では、識別モードであるか否
かが判断される。識別モードである場合、ステップａ５
に移り、識別モードでなく、学習モードである場合、ス
テップａ９に移る。ステップａ５では、入力ベクトル生
成回路４０で作成された分割応答信号が、ニューラルネ
ットワーク４１に入力されてニューラルネットワーク識
別処理される。ステップａ６では、ニューラルネットワ
ーク４１からの出力信号が出力ベクトル判定回路４２に
入力されて識別結果判定処理される。ステップａ７で
は、表示装置２６に、たとえば図６に示される表示画面
４７が表示される。

【００３７】ステップａ８では、処理終了か否かが判断
され、終了でない場合にはステップａ１に戻る。

【００３８】ステップａ４で学習モードであった場合の
ステップａ９では、前記ステップａ３でデータベース回
路４３に記憶された弾性波信号が読出されて、当該弾性
波信号がニューラルネットワーク４１の学習に使用され
る。

【００３９】ステップａ１０では、読出された弾性波信
号と対応する埋設物の種類との関係がニューラルネット
ワーク４１で学習処理される。学習処理が終了するとス
テップａ８に戻る。

【００４０】学習モードは、識別を行う前に実行できる
とともに、識別を行い、当該識別の結果が誤っていたと
きにも実行できる。識別の結果の誤りは、操作者によっ
て判断される。このように学習モードを運用することに
よって、識別能力をさらに向上させることができる。

【００４１】図７および図８は、埋設物の種類毎の弾性
波の一例を示すグラフである。図７（１），（３），
（５），（７）および図８（１），（３），（５），
（７）は、弾性波強度と時間との関係を示すグラフであ
り、図７（２），（４），（６），（８）および図８
（２），（４），（６），（８）は、弾性波強度と周波
数との関係を示すグラフである。図７および図８の
（１），（２）は埋設物が金属片である場合、（３），
（４）はプラスチック片である場合、（５），（６）は
石片である場合、（７），（８）は木片である場合をそ
れぞれ表す。図７は、土壌が乾燥したローム土である場
合、図８は湿った砂地である場合をそれぞれ表す。

【００４２】図７および図８の周波数スペクトルから、
物質固有の応答特性があることがわかる。また、測定条
件による影響が少ないこともわかる。さらに、再現性も
優れていることが確認されている。これらのことから、
弾性波を利用した地中埋設物の種類の識別を安定して精
度よく行うことが可能であることがわかる。

【００４３】図９は、発振装置２１および受振装置２２
の他の例である発振・受振装置５５を示すブロック図で
ある。発振・受振装置５５は、発振装置２１の加振用探
針２８と受振装置２２の受振用探針３２とを同じ探針と
したものであり、前記発振・受振装置５５は、ハンマ５
６、モータ５７、ばね５８、センサ５９および加振・受
振用探針６０を備える。ハンマ５６およびモータ５７に
よって、前記発振装置２１と同様にして探針６０に衝撃
が加えられて発生した減衰する振動は、加振・受振用探
針６０を伝播して埋設物３５に伝わる。埋設物３５で発
生した弾性波は、前記加振・受振用探針６０で受振さ
れ、当該加振・受振用探針６０を伝播してセンサ５９で
弾性波信号に変換される。当該弾性波信号は、信号増幅
器３６に入力される。

【００４４】以上のように、本形態によれば、従来技術
のように操作者が埋設物の種類を識別することと比較す
ると、安定した高い精度で識別することが可能となる。
また、短時間で識別できるとともに、省力化・省人化を
図ることが可能となる。

【００４５】さらに、ニューラルネットワーク４１を用
いると、入力層４４への入力データ数、および出力層４
６からの出力データ数の変更が比較的容易である。ニュ
ーラルネットワーク４１の入力層４４への入力データと
して分割応答信号に加えて、地質条件（たとえば探針の
挿入力、土壌の密度など）や、測定条件（たとえば探針
の挿入角度、挿入深さなど）を表すデータを入力するこ
とによって、識別精度をさらに向上することが可能であ
る。なお、本形態では、ＢＰＮＮの例について説明した
けれども、たとえばシグモイド関数以外の非線形関数を
用いたり、さらにＢＰＮＮ以外のどのようなニューラル
ネットワークを用いた場合でも、同様の効果が得られ
る。

【００４６】また、出力ベクトル判定回路４２でニュー
ラルネットワーク４１からの出力信号レベルに基づく判
定を行うことによって、識別精度の向上を図ることが可
能となる。なお、出力ベクトル判定回路４２を設けなか
った場合には、たとえば出力信号レベルが最大であるニ
ューラルネットワーク４１からの出力信号によって地中
埋設物の種類が決定される。

【００４７】また、表示装置２６に識別状況が段階的に
表示されるので、操作者が識別結果を知ることができる
上に、さらに識別処理の過程を知ることができる。な
お、表示装置２６に表示する以外に、識別結果が所望と
する埋設物の種類であるときにブザー音を鳴らす報知手
段を設ける例や、警告灯でフラッシュ（点滅）表示する
例も本発明の範囲に属するものである。

【００４８】さらに、発振・受振装置５５を用いること
によって、地中への探針の挿入は１つでよくなり、作業
の簡略化を図ることができる。

【００４９】

【発明の効果】以上のように本発明によれば、地中埋設
物の材質の種類を安定した高い精度で、かつ短時間で識
別することができ、作業の省力化・省人化を図ることが
可能となる。また、ニューラルネットワークを用いるこ
とは、ニューラルネットワークへの入力データ数、ニュ
ーラルネットワークからの出力データ数の変更が比較的
容易である。さらに、判定手段を設けることによって識
別精度が向上する。またさらに、識別結果を出力するこ
とによって、操作者は識別結果を知ることができる。さ
らに、加振用探針と受振用探針とを同一の探針とするこ
とによって、作業の簡略化を図ることができる。また、
誤った識別を行った場合であっても、ニューラルネット
ワークを学習させることによって、次回からは正しい識
別ができるようになり、識別性能がさらに向上する。

【図面の簡単な説明】

【図１】本発明の実施の一形態である地中埋設物の種類
の識別装置２７を示すブロック図である。

【図２】識別回路２４のニューラルネットワーク４１の
概略的構成を示す図である。

【図３】識別回路２４の出力ベクトル判定回路４２での
判定方法を説明するための図である。

【図４】表示装置２６に表示される表示画面４７の構成
を示す図である。

【図５】地中埋設物の種類の識別および学習方法を示す
フローチャートである。

【図６】表示画面４７の一例を示す図である。

【図７】埋設物の弾性波の一例を示すグラフである。

【図８】埋設物の弾性波の一例を示すグラフである。

【図９】発振・受振装置５５を示すブロック図である。

【図１０】典型的な従来例であるパターン認識装置７１
の構成を示すブロック図である。

【符号の説明】

２１発振装置２２受振装置２３信号処理回路２４識別回路２６表示装置２７地中埋設物の種類の識別装置２８加振用探針２９ハンマ３２受振用探針３３センサ３４地中３５埋設物３６信号増幅器３７Ａ／Ｄ（アナログ／デジタル）変換器３８波形記憶回路３９ＦＦＴ演算回路４０入力ベクトル生成回路４１ニューラルネットワーク４２出力ベクトル判定回路４３データベース回路４４入力層４５中間層４６出力層５５発振・受振装置６０加振・受振用探針

───────────────────────────────────────────────────── フロントページの続き (72)発明者加納雅彦神奈川県相模原市淵野辺１−18−32 Ａ −302 (72)発明者牧野辰夫岐阜県各務原市川崎町１番地川崎重工業株式会社岐阜工場内 (72)発明者宇野昌嘉岐阜県各務原市川崎町１番地川崎重工業株式会社岐阜工場内 (72)発明者木村智納岐阜県各務原市川崎町１番地川崎重工業株式会社岐阜工場内 (56)参考文献特開平５−5785（ＪＰ，Ａ) 特開平８−152472（ＪＰ，Ａ) 特開平３−286380（ＪＰ，Ａ) 特開平４−84754（ＪＰ，Ａ) 特開平２−179471（ＪＰ，Ａ) 特開平２−176011（ＪＰ，Ａ) ＩＥＥＣｏｎｆｅｒｅｎｃｅＰｕｂｌｉｃａｔｉｏｎＮｏ．409 Ｐ393 −398「ＮＥＵＲＡＬＮＥＴＷＯＲＫＳＦＯＲＴＨＥＤＥＴＥＣＴＩＯＮＯＦＢＵＲＩＥＤＰＬＡＮＴ」′ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ’，26−28 Ｊｕｎｅ 1995 防衛技術ジャーナル「地中探査レーダ」ＶＯＬ．15 ＮＯ．８Ｐ９−17 ８月、1995 ＩＧＡＲＳＳＶＯＬ．1994 ＮＯ. ４Ｐ2117−2119「ＷＡＶＥＬＥＴＳＡＮＤＮＥＵＴＲＡＬＮＥＴＳ」 (58)調査した分野(Int.Cl.⁶，ＤＢ名) G01N 29/00 - 29/28 G01S 15/00 - 15/96 G01V 1/00 - 1/52

Claims

(57)【特許請求の範囲】

【請求項１】地中埋設物に当接するまで地中に挿入さ
れる加振用探針を有し、前記地中埋設物に振動を与える
発振手段と、地中埋設物に当接するまで地中に挿入される受振用探針
を有し、前記発振手段が地中埋設物に振動を与えること
によって発生する弾性波を受振し、弾性波信号として出
力する受振手段と、前記受振手段が出力した弾性波信号から、地中埋設物の
種類を識別するための識別信号を作成する信号処理手段
と、前記識別信号に基づいて当該識別信号が表す地中埋設物
の種類を識別する識別手段とを備え、前記識別手段は、複数の入力部を有する入力層と、地中埋設物の種類に対応した数の出力部を有する出力層
と、前記入力層と出力層との間に介在される１または複数の
中間層とから成るニューラルネットワークを含み、前記信号処理手段は、前記識別信号として、弾性波信号
をアナログ／デジタル変換した後フーリエ変換して周波
数応答信号を作成し、当該周波数応答信号を複数の周波
数帯域毎に分割した分割応答信号を前記ニューラルネッ
トワークの入力層の複数の入力部にそれぞれ与えること
を特徴とする地中埋設物の種類の識別装置。
【請求項２】前記識別手段は、ニューラルネットワー
クの出力層の出力部から地中埋設物の種類毎に出力され
る出力信号レベルに基づいて、地中埋設物の種類を判定
する判定手段を含むことを特徴とする請求項１記載の地
中埋設物の種類の識別装置。
【請求項３】前記識別手段の識別結果を出力する出力
手段を含むことを特徴とする請求項１記載の地中埋設物
の種類の識別装置。
【請求項４】前記出力手段は、前記識別手段の識別結
果を表示する表示手段であることを特徴とする請求項３
記載の地中埋設物の種類の識別装置。
【請求項５】前記加振用探針および受振用探針は、同
一の探針であることを特徴とする請求項１記載の地中埋
設物の種類の識別装置。
【請求項６】前記受振手段が出力した弾性波信号を逐
次に記憶する記憶手段を含み、前記識別手段は、当該識別手段による識別結果が誤って
いたときには、前記記憶手段に記憶された弾性波信号を
読出し、読出した弾性波信号を用いて当該識別手段が有
するニューラルネットワークを学習させることを特徴と
する請求項１記載の地中埋設物の種類の識別装置。