JP7337557B2 - Information processing device, system, information processing method and program - Google Patents

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

Info

Publication number
JP7337557B2
JP7337557B2 JP2019111305A JP2019111305A JP7337557B2 JP 7337557 B2 JP7337557 B2 JP 7337557B2 JP 2019111305 A JP2019111305 A JP 2019111305A JP 2019111305 A JP2019111305 A JP 2019111305A JP 7337557 B2 JP7337557 B2 JP 7337557B2
Authority
JP
Japan
Prior art keywords
image
difficulty level
information processing
analysis
determining
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.)
Active
Application number
JP2019111305A
Other languages
Japanese (ja)
Other versions
JP2020204835A (en
Inventor
信一 三ツ元
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.)
Canon Inc
Original Assignee
Canon Inc
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 Canon Inc filed Critical Canon Inc
Priority to JP2019111305A priority Critical patent/JP7337557B2/en
Publication of JP2020204835A publication Critical patent/JP2020204835A/en
Application granted granted Critical
Publication of JP7337557B2 publication Critical patent/JP7337557B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Description

本発明は、情報処理装置、システム、情報処理方法及びプログラムに関する。 The present invention relates to an information processing device, system, information processing method, and program.

近年、過去に建設された橋やトンネル等の構造物の経年劣化が懸念されている。そこで、問題の発生を防ぐため、構造物のひび割れ等の変状箇所を特定し、記録する点検業務が重要となってきている。
その中で、点検対象の構造物を人が近接的に目視で点検するのではなく、構造物をカメラで撮影し、撮影した画像を用いて構造物の点検を行う技術が提案されている。特許文献１には、撮影画像内からひび割れ等を画像処理により検知する技術が開示されている。 In recent years, there has been concern about deterioration over time of structures such as bridges and tunnels constructed in the past. Therefore, in order to prevent problems from occurring, it has become important to carry out inspection work to identify and record deformed portions such as cracks in structures.
Among them, a technique has been proposed in which a structure is photographed with a camera and the structure is inspected using the photographed image, instead of a person visually inspecting the structure to be inspected in close proximity. Japanese Patent Application Laid-Open No. 2002-200000 discloses a technique for detecting cracks and the like from within a captured image by image processing.

特開２０１８－１５６３１７号公報JP 2018-156317 A

特許文献１に示されるような技術を用いて、撮影された画像に対して画像処理を行うサービスが考えられる。例えば、撮影した画像からひび割れを検知する画像処理を行い、その結果を提供するサービスが考えられる。このようなサービスを行うにあたり、画像処理対象の画像の画質を加味せず、画像枚数やデータ容量に応じて価格を設定することが考えられる。この場合、画像の内容（例えば、画像に写るひび割れの有無等）に関わらず、画像枚数や容量に応じた価格でサービスを運用することになる。しかし、画像処理のコスト（処理に係るリソースのコストや設定作業等の工程に係るコスト）は、画像処理対象の画像に対する画像処理の難易度が高い程、高くなる。例えば、再計算や設定の調整といった追加の工程が発生する場合がある。そのため、画像の内容に関わらず一定の価格で画像処理を請け負うと、その価格がサービス提供に係る価格に見合わないこととなる場合が生じる。
本発明は、画像に対して画像処理を実行するサービスについて、より適切な価格を決定することを目的とする。 A service that performs image processing on a photographed image using a technique such as that disclosed in Patent Document 1 is conceivable. For example, a service that performs image processing for detecting cracks in a photographed image and provides the result is conceivable. In providing such a service, it is conceivable to set a price according to the number of images and the data volume without considering the image quality of the images to be processed. In this case, regardless of the content of the image (for example, the presence or absence of cracks in the image), the service is operated at a price according to the number of images and the capacity. However, the cost of image processing (the cost of resources involved in processing and the cost of steps such as setting work) increases as the difficulty of image processing for an image to be processed increases. For example, additional steps such as recalculations and adjusting settings may occur. Therefore, if image processing is contracted for a fixed price regardless of the content of the image, the price may not match the price for providing the service.
An object of the present invention is to determine a more appropriate price for a service that performs image processing on an image.

本発明の情報処理装置は、被写体の画像を取得する取得手段と、前記取得手段により取得された前記画像についての、画質に関する第１の解析の結果に基づいて、前記画像に対する画像処理の第１の難易度を決定する第１の決定手段と、前記被写体についての第２の解析の結果に基づいて、前記取得手段により取得された前記画像に対する前記画像処理の第２の難易度を決定する第２の決定手段と、前記第１の決定手段により決定された前記第１の難易度と、前記第２の決定手段により決定された前記第２の難易度と、に基づいて、前記取得手段により取得された前記画像に対して前記画像処理を実行するサービスの価値を示す情報を決定する第３の決定手段と、を有する。 The information processing apparatus of the present invention comprises an acquisition means for acquiring an image of a subject; and a second difficulty level for determining the second difficulty level of the image processing for the image acquired by the acquisition means based on the result of the second analysis of the subject. 2 determination means, the first difficulty level determined by the first determination means, and the second difficulty level determined by the second determination means, the acquisition means and a third determining means for determining information indicating the value of the service for performing the image processing on the acquired image.

本発明によれば、画像に対して画像処理を実行するサービスについて、より適切な価格を決定することができる。 According to the present invention, a more appropriate price can be determined for a service that performs image processing on an image.

情報処理装置のハードウェア構成の一例を示す図である。It is a figure which shows an example of the hardware constitutions of an information processing apparatus. 情報処理装置の機能構成の一例を示す図である。It is a figure which shows an example of the functional structure of an information processing apparatus. 学習モデルテーブルの一例を示す図である。It is a figure which shows an example of a learning model table. 表示される画面の一例を示す図である。It is a figure which shows an example of the screen displayed. 情報処理装置の処理の一例を示すフローチャートである。4 is a flowchart showing an example of processing of an information processing device; 情報処理装置の処理の一例を示すフローチャートである。4 is a flowchart showing an example of processing of an information processing device; 価格倍率テーブルの一例を示す図である。It is a figure which shows an example of a price magnification table. 情報処理装置の機能構成の一例を示す図である。It is a figure which shows an example of the functional structure of an information processing apparatus. 特徴量テーブルの一例を示す図である。It is a figure which shows an example of a feature-value table. 情報処理装置の処理の一例を示すフローチャートである。4 is a flowchart showing an example of processing of an information processing device; 情報処理装置の機能構成の一例を示す図である。It is a figure which shows an example of the functional structure of an information processing apparatus. 表示される画面の一例を示す図である。It is a figure which shows an example of the screen displayed. 構造物情報テーブルの一例を示す図である。It is a figure which shows an example of a structure information table. 情報処理装置の処理の一例を示すフローチャートである。4 is a flowchart showing an example of processing of an information processing device;

以下に、本発明の実施の形態の一例を、図面に基づいて詳細に説明する。 An example of an embodiment of the present invention will be described in detail below with reference to the drawings.

＜実施形態１＞
本実施形態の情報処理装置１００は、予め定められた画像処理（以下では、実行画像処理とする）を画像に対して実行するサービス（以下では、提供サービスとする）に係る価格を決定する。本実施形態では、実行画像処理は、画像から、設定されたオブジェクト（本実施形態では、構造物のひび割れ部分）を検知する処理である。そのため、提供サービスは、対象の画像から、被写体に生じているひび割れ部分を検知するサービスである。また、以下では、提供サービスに係る価格を決定する処理を、見積処理とする。
図１は、情報処理装置１００のハードウェア構成の一例を示す図である。情報処理装置１００は、提供サービスに係る価格を決定する情報処理装置である。本実施形態では、情報処理装置１００は、パーソナルコンピュータ（ＰＣ）であるとするが、他の例として、サーバ装置、タブレット装置等の他の情報処理装置であってもよい。
情報処理装置１００は、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＣＰＵ）１０１、Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ（ＲＡＭ）１０２、Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ（ＲＯＭ）１０３、ネットワークＩＦ１０４を含む。また、情報処理装置１００は、Ｖｉｄｅｏ ＲＡＭ（ＶＲＡＭ）１０５、入力コントローラ１０７、ＨＤＤ１０９、入力ＩＦ１１０を含む。各要素は、入出力バス１１１を介して相互に通信可能に接続されている。 <Embodiment 1>
The information processing apparatus 100 of the present embodiment determines a price for a service (hereinafter referred to as a service to be provided) for executing predetermined image processing (hereinafter referred to as execution image processing) on an image. In this embodiment, the execution image processing is processing for detecting a set object (a crack portion of a structure in this embodiment) from an image. Therefore, the provided service is a service for detecting cracks occurring in an object from an image of the object. Also, hereinafter, the process of determining the price of the service to be provided will be referred to as the estimation process.
FIG. 1 is a diagram showing an example of a hardware configuration of an information processing apparatus 100. As shown in FIG. The information processing device 100 is an information processing device that determines a price for a service provided. In this embodiment, the information processing device 100 is a personal computer (PC), but as another example, it may be another information processing device such as a server device or a tablet device.
The information processing apparatus 100 includes a Central Processing Unit (CPU) 101 , Random Access Memory (RAM) 102 , Read Only Memory (ROM) 103 and network IF 104 . The information processing apparatus 100 also includes a video RAM (VRAM) 105 , an input controller 107 , an HDD 109 and an input IF 110 . Each element is communicably connected to each other via an input/output bus 111 .

ＣＰＵ１０１は、情報処理装置１００の制御を行う中央演算装置である。ＲＡＭ１０２は、ＣＰＵ１０１の主メモリ、実行プログラムのロード、プログラム実行に必要なワークメモリ等として機能する記憶装置である。
ＲＯＭ１０３は、ＣＰＵ１０１の動作処理手順を規定する制御プログラム等を記憶する記憶装置である。ＲＯＭ１０３は、コンピュータシステムの機器制御を行う基本ソフト（ＯＳ：Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）のプログラムを記憶するプログラムＲＯＭと、システムの稼動に用いられる情報等を記憶するデータＲＯＭと、を含む。ＣＰＵ１０１は、ＲＯＭ１０３の代わりにＨＤＤ１０９を用いてもよい。 A CPU 101 is a central processing unit that controls the information processing apparatus 100 . A RAM 102 is a storage device that functions as a main memory of the CPU 101, a work memory necessary for loading execution programs, executing programs, and the like.
The ROM 103 is a storage device that stores control programs and the like that define operation processing procedures of the CPU 101 . The ROM 103 includes a program ROM that stores a program of basic software (OS: Operating System) that controls the devices of the computer system, and a data ROM that stores information used for operating the system. CPU 101 may use HDD 109 instead of ROM 103 .

ネットワークＩＦ１０４は、ネットワークインターフェースであり、ネットワークを介して送受信される画像データ等のデータの入出力制御を行う。本実施形態では、ネットワークＩＦ１０４は、Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋに接続されているとするが、他の例として、インターネット、複数の種類のネットワークの複合ネットワーク等の他のネットワークに接続されることとしてもよい。ＶＲＡＭ１０５は、ビデオＲＡＭである。ＣＰＵ１０１は、ＶＲＡＭ１０５に、ディスプレイ１０６の画面に表示される画像データを展開する。
ディスプレイ１０６は、情報処理装置１００の接続インターフェースを介して情報処理装置１００に接続された表示装置である。本実施形態では、ディスプレイ１０６は、液晶ディスプレイであるとするが、他の例として、情報処理装置１００から出力される情報の表示が可能な表示装置ならば液晶ＴＶ等の他の表示装置でであってもよい。 A network IF 104 is a network interface, and performs input/output control of data such as image data transmitted/received via a network. In this embodiment, the network IF 104 is connected to the Local Area Network, but as another example, it may be connected to other networks such as the Internet, a complex network of multiple types of networks, and the like. VRAM 105 is a video RAM. The CPU 101 develops image data to be displayed on the screen of the display 106 in the VRAM 105 .
The display 106 is a display device connected to the information processing device 100 via the connection interface of the information processing device 100 . In this embodiment, the display 106 is assumed to be a liquid crystal display, but as another example, other display devices such as a liquid crystal TV may be used as long as the display device is capable of displaying information output from the information processing device 100. There may be.

入力コントローラ１０７は、入力装置１０８からの入力信号を制御するコントローラである。入力装置１０８は、入力コントローラ１０７を介して情報処理装置１００に接続された外部入力装置であって、ユーザによる操作を受け付ける。本実施形態では、入力装置１０８は、キーボードとマウスとの組であるとする。ただし、他の例として、入力装置１０８は、情報処理装置１００への情報の入力が可能な入力装置であれば、タッチパネル、リモコン等の他の入力装置であってもよいし、他の複数の入力装置の組であってもよい。ＨＤＤ１０９は、各種プログラム、画像等のデータ等を記憶する記憶装置である。
入力ＩＦ１１０は、ＣＤ（ＤＶＤ）－ＲＯＭドライブ、メモリカードドライブ等の外部装置との接続に用いられるインターフェースであり、デジタルカメラで撮影された画像データの読み出し等に用いられる。入出力バス１１１は、各ハードウェア構成要素間の接続に用いられるバス（アドレスバス、データバス、及び制御バス）である。
ＣＰＵ１０１が、ＲＯＭ１０３又はＨＤＤ１０９に記憶されたプログラムにしたがって処理を実行することで、図２で後述する機能等の情報処理装置１００の機能、図５、６で後述するフローチャートの処理等の情報処理装置１００の処理が実現される。 The input controller 107 is a controller that controls input signals from the input device 108 . The input device 108 is an external input device connected to the information processing apparatus 100 via the input controller 107, and receives user operations. In this embodiment, the input device 108 is assumed to be a combination of a keyboard and a mouse. However, as another example, the input device 108 may be another input device such as a touch panel, a remote control, or the like, as long as it is an input device capable of inputting information to the information processing device 100. It may be a set of input devices. The HDD 109 is a storage device that stores various programs, data such as images, and the like.
The input IF 110 is an interface used for connection with an external device such as a CD (DVD)-ROM drive, memory card drive, etc., and is used for reading image data captured by a digital camera. The input/output bus 111 is a bus (address bus, data bus, and control bus) used for connection between each hardware component.
The CPU 101 executes processing according to programs stored in the ROM 103 or the HDD 109, thereby performing the functions of the information processing apparatus 100 such as the functions described later with reference to FIG. 100 processes are implemented.

図２は、情報処理装置１００の機能構成の一例を示す図である。
情報処理装置１００は、画像取得部２０１、第１の決定部２０２、第２の決定部２０３、分析部２０４、表示制御部２０５を含む。 FIG. 2 is a diagram showing an example of the functional configuration of the information processing apparatus 100. As shown in FIG.
The information processing apparatus 100 includes an image acquisition unit 201 , a first determination unit 202 , a second determination unit 203 , an analysis unit 204 and a display control unit 205 .

画像取得部２０１は、実行画像処理の対象となる画像を取得する。本実施形態では、画像取得部２０１は、入力ＩＦ１１０を介して接続された外部記憶装置から撮影装置により撮影された画像を取得し、ＨＤＤ１０９に記憶する。以下では、画像取得部２０１により取得される画像を、実行画像処理の対象となる対象画像とする。また、以下では、対象画像に撮影されている被写体を、対象被写体とする。
なお、情報処理装置１００の各ハードウェア構成要素との間では、実際には画像データを示す信号のやり取りが行われるが、以下では、画像データを示す信号のやり取りを、単に画像のやり取りとして説明する。 The image acquisition unit 201 acquires an image to be subjected to execution image processing. In this embodiment, the image acquisition unit 201 acquires an image captured by the imaging device from an external storage device connected via the input IF 110 and stores the image in the HDD 109 . Hereinafter, the image acquired by the image acquisition unit 201 is assumed to be a target image to be subjected to execution image processing. Also, hereinafter, the subject photographed in the target image is referred to as the target subject.
Note that signals indicating image data are actually exchanged with each hardware component of the information processing apparatus 100, but the exchange of signals indicating image data will be described below simply as the exchange of images. do.

本実施形態では、情報処理装置１００は、入力ＩＦ１１０を介して接続された外部記憶装置から、予め撮影装置により撮影された撮影画像を取得することとした。
ただし、他の例として、情報処理装置１００は、他の方法で、撮影装置により撮影された撮影画像を取得してもよい。例えば、情報処理装置１００は、入力ＩＦ１１０を介して接続された撮影装置から、この撮影装置により撮影された撮影画像を取得してもよい。また、情報処理装置１００は、ＨＤＤ１０９に予め撮影装置により撮影された撮影画像が記憶されている場合、ＨＤＤ１０９から記憶されている撮影画像を取得してもよい。また、情報処理装置１００は、ネットワークＩＦ１０４を介して、ネットワーク経由で、外部の装置から、撮影装置により撮影された撮影画像を取得してもよい。 In the present embodiment, the information processing apparatus 100 obtains a photographed image previously photographed by a photographing device from an external storage device connected via the input IF 110 .
However, as another example, the information processing apparatus 100 may acquire the captured image captured by the imaging device by another method. For example, the information processing apparatus 100 may acquire, from a photographing device connected via the input IF 110, a photographed image photographed by this photographing device. In addition, when the HDD 109 stores a photographed image taken by a photographing device in advance, the information processing apparatus 100 may acquire the stored photographed image from the HDD 109 . Further, the information processing apparatus 100 may acquire a photographed image photographed by the photographing device from an external device via the network IF 104 .

第１の決定部２０２は、画像取得部２０１により取得された対象画像（対象被写体の画像）の画質の解析を行う。以下では、第１の決定部２０２により行われる画像の画質の解析を、画質解析とする。画質解析は、第１の解析の一例である。本実施形態では、第１の決定部２０２は、画質解析の手法として、公知の以下の手法を用いる。即ち、画像のボケ具合が大きいほど、画質が低いと解析する手法である。ただし、他の例として、第１の決定部２０２は、公知の他の手法（例えば、画素の輝度や色の分布の偏りを用いた手法等）を用いて画質解析を行ってもよい。
そして、第１の決定部２０２は、解析結果に基づいて、対象画像に対する実行画像処理の難易度を決定する。実行画像処理の難易度とは、実行画像処理を、設定された水準以上の精度で行うことの難しさを示す指標値である。以下では、第１の決定部２０２により決定された難易度を、第１の難易度とする。 The first determination unit 202 analyzes the image quality of the target image (image of the target subject) acquired by the image acquisition unit 201 . The image quality analysis performed by the first determining unit 202 is hereinafter referred to as image quality analysis. Image quality analysis is an example of the first analysis. In this embodiment, the first determination unit 202 uses the following known method as the image quality analysis method. That is, this is a method of analyzing that the image quality is lower as the degree of blurring of the image is larger. However, as another example, the first determination unit 202 may perform the image quality analysis using another known method (for example, a method using bias in pixel luminance or color distribution).
Then, the first determination unit 202 determines the difficulty level of execution image processing for the target image based on the analysis result. The degree of difficulty of execution image processing is an index value indicating the difficulty of executing execution image processing with accuracy equal to or higher than a set level. Below, let the difficulty determined by the 1st determination part 202 be the 1st difficulty.

第２の決定部２０３は、画像取得部２０１により取得された対象画像（対象被写体の画像）を、予め定められた学習モデルを用いて、検知対象のオブジェクト（構造物のひび割れ部分）をどの程度の精度で検知できるかの解析を行う。以下では、第２の決定部２０３により行われる検知対象のオブジェクトをどの程度の精度で検知できるかの解析を、検知解析とする。検知解析は、第２の解析の一例である。
そして、第２の決定部２０３は、解析結果に基づいて、対象画像に対する実行画像処理の難易度を決定する。以下では、第２の決定部２０３により決定された難易度を、第２の難易度とする。 The second determination unit 203 uses a predetermined learning model to determine how much the target image (image of the target subject) acquired by the image acquisition unit 201 is to be detected (cracked portion of the structure). Analysis is performed to see if it can be detected with an accuracy of Hereinafter, the analysis performed by the second determining unit 203 to determine how accurately the object to be detected can be detected will be referred to as detection analysis. Sensing analytics is an example of a second analytics.
Then, the second determination unit 203 determines the difficulty level of execution image processing for the target image based on the analysis result. Below, let the difficulty determined by the 2nd determination part 203 be a 2nd difficulty.

分析部２０４は、第１の決定部２０２により決定された第１の難易度と、第２の決定部２０３により決定された第２の難易度と、に基づいて、対象画像に対して実行画像処理を実行する提供サービスに係る価格を決定する。なお、本実施形態の分析部２０４は、提供サービスの価値を貨幣の額で表した値である「価格」を出力する。しかしながら、分析部２０４の出力形式は、第１の難易度と第２の難易度に基づいて導かれる提供サービスの価値を示すものであれば、貨幣の額に限定されない。分析部２０４は、提供サービスの価値を、有形または無形のものの価値に置き換えた表現方法によって出力すればよい。例えば、サービスの対価を、サービス独自のあるいは一般的なポイントで支払いが可能なシステムを構築する場合、ポイント数によってサービスの価値が示されてもよい。
表示制御部２０５は、画像取得部２０１により取得された対象画像をディスプレイ１０６に表示する。また、表示制御部２０５は、分析部２０４により決定された提供サービスに係る価格を、ディスプレイ１０６に表示する。 Based on the first difficulty level determined by the first determination unit 202 and the second difficulty level determined by the second determination unit 203, the analysis unit 204 determines the execution image for the target image. Determining a price for a service offering that performs a process. Note that the analysis unit 204 of the present embodiment outputs a "price" which is a value representing the value of the provided service in monetary terms. However, the output format of the analysis unit 204 is not limited to the amount of money as long as it indicates the value of the service provided based on the first difficulty level and the second difficulty level. The analysis unit 204 may output the value of the service provided by a method of expression in which the value is replaced with a tangible or intangible value. For example, when constructing a system in which payment for a service can be made with points unique to the service or general points, the value of the service may be indicated by the number of points.
The display control unit 205 displays the target image acquired by the image acquisition unit 201 on the display 106 . Also, the display control unit 205 displays the price of the provided service determined by the analysis unit 204 on the display 106 .

学習モデルデータベース２０６は、図３で後述する学習モデルテーブル３０１が記憶される記憶領域であり、ＨＤＤ１０９に実装される。ただし、他の例として、学習モデルデータベース２０６は、ＲＯＭ１０３等の他の記憶装置に実装されることとしてもよい。学習モデルとは、機械学習で学習されたモデルであって、関数やパラメータ群等で表される。
料金データベース２０７は、図７で後述する料金テーブル７０１が記憶される記憶領域であって、ＨＤＤ１０９に実装される。ただし、他の例として、料金データベース２０７は、ＲＯＭ１０３等の他の記憶装置に実装されることとしてもよい。 A learning model database 206 is a storage area in which a learning model table 301 described later with reference to FIG. 3 is stored, and is implemented in the HDD 109 . However, as another example, the learning model database 206 may be implemented in another storage device such as the ROM 103 or the like. A learning model is a model learned by machine learning, and is represented by a function, a parameter group, or the like.
A fee database 207 is a storage area in which a fee table 701 described later with reference to FIG. 7 is stored, and is implemented in the HDD 109 . However, as another example, the charge database 207 may be implemented in another storage device such as the ROM 103 or the like.

図３は、学習モデルを管理するテーブルである学習モデルテーブル３０１の一例を示す図である。学習モデルテーブル３０１は、予め学習された１つ以上の学習モデルの管理に用いられるテーブルである。本実施形態では、学習モデルテーブル３０１が示す１つ以上の学習モデルそれぞれは、画像から設定されたオブジェクト構造物のひび割れ部分）を検知する処理に用いられるモデルである。
学習モデルテーブル３０１は、学習モデルの識別情報を示す「ＩＤ」と、対応する学習モデルの記憶場所（Ｐａｔｈ）を示す「モデルＰａｔｈ」と、の項目を含む。本実施形態では、学習モデルテーブル３０１は、複数の学習モデルに関する情報を含む。これら複数の学習モデルは、学習で用いられたパラメータやデータセットの違い等により、特性（検知結果の表れ方）が異なっている。そのため、学習モデルにより得意、不得意な画像が異なっている。本実施形態では、学習モデルテーブル３０１に示される各学習モデルは、ＨＤＤ１０９に記憶されているとするが、ＲＯＭ１０３等の他の記憶装置に記憶されることとしてもよい。 FIG. 3 is a diagram showing an example of a learning model table 301 that is a table for managing learning models. The learning model table 301 is a table used for managing one or more learning models learned in advance. In this embodiment, each of the one or more learning models indicated by the learning model table 301 is a model used for the process of detecting the crack portion of the object structure set from the image.
The learning model table 301 includes items of “ID” indicating identification information of a learning model and “Model Path” indicating a storage location (Path) of the corresponding learning model. In this embodiment, the learning model table 301 contains information about multiple learning models. The plurality of learning models have different characteristics (how detection results appear) due to differences in the parameters and data sets used in learning. Therefore, images that are good and bad are different depending on the learning model. Although each learning model shown in the learning model table 301 is stored in the HDD 109 in this embodiment, it may be stored in another storage device such as the ROM 103 .

図４（ａ）は、情報処理装置１００によりディスプレイ１０６に表示されるＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）画面の一例を表す。
画面４０１は、対象画像を対象とした提供サービスに係る価格の決定の処理（見積処理）に用いられる画面である。画面４０１は、表示領域４０２、ボタン４０５、ボタン４０６、ボタン４０７、ボタン４０８を含む。表示領域４０２は、実行画像処理の対象となる画像（本実施形態では、対象画像）が表示される領域である。ひび割れ４０３は、表示領域４０２に表示される対象画像に写るひび割れ部分である。 4A shows an example of a GUI (Graphical User Interface) screen displayed on the display 106 by the information processing apparatus 100. FIG.
A screen 401 is a screen used for price determination processing (estimation processing) for a service provided for a target image. Screen 401 includes display area 402 , button 405 , button 406 , button 407 and button 408 . A display area 402 is an area in which an image to be executed image processing (target image in this embodiment) is displayed. A crack 403 is a crack portion appearing in the target image displayed in the display area 402 .

トレースひび割れ領域４０４は、ボタン４０５の押下に応じて、選択されたひび割れ部分の領域である。トレース処理とは、画像中から、検知対象となるオブジェクト（本実施形態では、ひび割れ部分）を指定する処理である。
ボタン４０５は、トレース処理の開始の指示に用いられるボタンである。本実施形態では、情報処理装置１００は、トレース処理を、公知の技術を利用して実現する。より具体的には、情報処理装置１００は、ユーザによる入力装置１０８の操作に基づいて、表示領域４０２に表示された対象画像中のひび割れ部分の領域の指定を受付けることで、トレース処理を実現する。 Trace crack region 404 is the region of the crack portion selected in response to pressing button 405 . The tracing process is a process of designating an object to be detected (a crack portion in this embodiment) from within an image.
A button 405 is a button used to instruct the start of trace processing. In this embodiment, the information processing apparatus 100 implements trace processing using a known technique. More specifically, the information processing apparatus 100 realizes tracing processing by accepting designation of the area of the crack portion in the target image displayed in the display area 402 based on the operation of the input device 108 by the user. .

ボタン４０６は、対象画像の読込、及び、対象画像の表示領域４０２への表示の指示に用いられるボタンである。ボタン４０７は、表示領域４０２に表示された画像を対象とする見積処理の実行の指示に用いられるボタンである。ＣＰＵ１０１は、ボタン４０７の押下を検知すると、表示領域４０２に表示された対象画像を対象とする見積処理を実行し、画面４０１の内容を遷移する。更新後の画面４０１については、図４（ｂ）で後述する。
ボタン４０８は、画面４０１を閉じる処理の指示に用いられるボタンである。ＣＰＵ１０１は、ボタン４０８の押下を検知した場合、画面４０１を閉じて、画面４０１を介してお行われる処理を終了する。 A button 406 is a button used to read a target image and instruct to display the target image in the display area 402 . A button 407 is a button used to instruct execution of estimation processing for the image displayed in the display area 402 . When the CPU 101 detects that the button 407 has been pressed, the CPU 101 executes estimation processing for the target image displayed in the display area 402 and changes the contents of the screen 401 . The updated screen 401 will be described later with reference to FIG.
A button 408 is a button used to instruct a process of closing the screen 401 . When the CPU 101 detects that the button 408 has been pressed, the CPU 101 closes the screen 401 and terminates the processing performed via the screen 401 .

図４（ｂ）は、ボタン４０７の押下後に内容が更新された画面４０１の一例を示す図である。
更新後の画面４０１は、表示領域４０２、ボタン４０８、表示領域４１１、表示領域４１５を含む。
図４（ｂ）では、説明の簡略化のため、トレースひび割れ領域４０４を図示していない。本実施形態では、ＣＰＵ１０１は、更新後の画面４０１の表示領域４０２に、更新前の画面４０１の表示領域４０２と同様の画像を表示することとするが、他の例として、表示領域４０２の画像にひび割れ部分の検知処理の結果の領域を重畳して表示してもよい。 FIG. 4B is a diagram showing an example of the screen 401 whose contents are updated after the button 407 is pressed.
The updated screen 401 includes a display area 402 , a button 408 , a display area 411 and a display area 415 .
In FIG. 4(b), the trace crack region 404 is not shown for simplicity of illustration. In this embodiment, the CPU 101 displays an image similar to the display area 402 of the screen 401 before updating in the display area 402 of the screen 401 after updating. It is also possible to superimpose and display the area resulting from the detection processing of the crack portion.

表示領域４１１は、対象画像に対する実行画像処理の難易度がどの程度であるかを示す情報が表示される領域である。本実施形態では、表示領域４１１には、縦軸が第１の難易度の値を示し、横軸が第２の難易度の値を示すグラフの情報が表示される。以下では、このグラフを、難易度グラフとする。マーカ４１２は、第１の決定部により決定された第１の難易度と、第２の決定部により決定された第２の難易度と、に対応する座標を示すオブジェクトである。本実施形態では、ＣＰＵ１０１は、マーカ４１２の添え字として、表示領域４０２に表示された対象画像のファイル名を表示する。
破線４１３は、第１の難易度についての予め定められた閾値を示す。以下では、この閾値を、第１閾値とする。破線４１４は、第２の難易度についての予め定められた閾値を示す。以下では、この閾値を、第２閾値とする。 A display area 411 is an area in which information indicating the degree of difficulty of execution image processing for the target image is displayed. In this embodiment, the display area 411 displays graph information in which the vertical axis indicates the value of the first difficulty level and the horizontal axis indicates the value of the second difficulty level. Below, this graph is referred to as a difficulty level graph. The marker 412 is an object indicating coordinates corresponding to the first difficulty level determined by the first determination unit and the second difficulty level determined by the second determination unit. In this embodiment, the CPU 101 displays the file name of the target image displayed in the display area 402 as the subscript of the marker 412 .
A dashed line 413 indicates a predetermined threshold for the first difficulty level. Below, let this threshold be the 1st threshold. A dashed line 414 indicates a predetermined threshold for the second difficulty level. This threshold is hereinafter referred to as the second threshold.

例えば、難易度グラフ上で、マーカ４１２が、破線４１３より上側に存在していれば、対象画像の画質が、設定された水準よりも低いこととなる。また、例えば、難易度グラフ上で、マーカ４１２が、破線４１４より右側に存在していれば、対象画像に対する設定されたオブジェクト(ひび割れ部分)の検知処理の難しさが、設定された水準よりも高いこととなる。
また、以下では、難易度グラフ上でおいて、破線４１３と破線４１４の交点を原点とし、原点の右上の領域を第１象限とし、同様に左上を第２象限、左下を第３象限、右下を第４象限とする。 For example, if the marker 412 exists above the dashed line 413 on the difficulty level graph, the image quality of the target image is lower than the set level. Further, for example, if the marker 412 exists on the right side of the broken line 414 on the difficulty level graph, the difficulty of the object (crack portion) detection processing set for the target image is higher than the set level. It will be expensive.
In the following, on the difficulty level graph, the intersection point of the dashed line 413 and the dashed line 414 is set as the origin, the upper right area of the origin is set as the first quadrant, the upper left is the second quadrant, the lower left is the third quadrant, and the right Let the bottom be the 4th quadrant.

表示領域４１５は、見積処理の結果、決定された価格が表示される領域である。
本実施形態では、画面４０１の情報は、予めＨＤＤ１０９に記憶されている。表示制御部２０５は、ＨＤＤ１０９から画面４０１の情報を取得し、ディスプレイ１０６に画面４０１を表示する。 A display area 415 is an area where the price determined as a result of the estimation process is displayed.
In this embodiment, the information of the screen 401 is stored in the HDD 109 in advance. The display control unit 205 acquires information of the screen 401 from the HDD 109 and displays the screen 401 on the display 106 .

図５は、情報処理装置１００の処理の一例を示すフローチャートである。図５を用いて、対象画像を対象とした提供サービスに係る価格を決定し、決定した価格を表示する処理を説明する。
図５の処理の開始の前に、表示制御部２０５は、ＨＤＤ１０９から画面４０１の情報を取得し、取得した情報に基づいて、画面４０１をディスプレイ１０６に表示する。本実施形態では、表示制御部２０５は、図４（ａ）で説明したように表示領域４０２、ボタン４０５～４０８を含む画面４０１を表示する。そして、表示制御部２０５は、表示領域４０２にＳ５０１で取得された対象画像を表示する。
Ｓ５０１において、画像取得部２０１は、ボタン４０６の押下を検知したことに応じて、入力ＩＦ１１０を介して、対象画像を取得し、取得した対象画像をＨＤＤ１０９に記憶する。 FIG. 5 is a flowchart showing an example of processing of the information processing apparatus 100. As shown in FIG. A process of determining a price for a service provided for a target image and displaying the determined price will be described with reference to FIG.
5, the display control unit 205 acquires information of the screen 401 from the HDD 109 and displays the screen 401 on the display 106 based on the acquired information. In this embodiment, the display control unit 205 displays a screen 401 including a display area 402 and buttons 405 to 408 as described with reference to FIG. 4(a). Then, the display control unit 205 displays the target image acquired in S501 in the display area 402 .
In step S<b>501 , the image acquisition unit 201 acquires a target image via the input IF 110 in response to detecting pressing of the button 406 and stores the acquired target image in the HDD 109 .

Ｓ５０２において、表示制御部２０５は、ユーザによるボタン４０５の押下を検知し、検知対象となるひび割れ部分の領域の指定を受付ける。表示制御部２０５は、受け付けた指定が示す領域を、ＨＤＤ１０９に記憶する。本実施形態では、表示制御部２０５は、１つのひび割れ部分の領域の指定を受付け、受け付けた指定が示す領域を記憶する。ただし、他の例として、表示制御部２０５は、複数のひび割れ部分の領域の指定を受付け、受け付けた指定が示す複数の領域を記憶することとしてもよい。 In step S<b>502 , the display control unit 205 detects pressing of the button 405 by the user, and receives designation of the area of the crack portion to be detected. Display control unit 205 stores the area indicated by the received specification in HDD 109 . In the present embodiment, the display control unit 205 accepts designation of one cracked area, and stores the area indicated by the received designation. However, as another example, the display control unit 205 may receive designations of a plurality of areas of cracks, and store a plurality of areas indicated by the received designations.

Ｓ５０３において、第１の決定部２０２は、ボタン４０７の押下を検知したことに応じて、対象画像に対して、画質解析を行ない、第１の難易度を決定する。本実施形態では、第１の決定部２０２は、Ｓ５０１で取得された対象画像のボケの度合を、画質の程度を示す指標値（高い程、画質が低いことを示す）として特定する。そして、第１の決定部２０２は、特定した指標値を、第１の難易度として決定する。
Ｓ５０４において、第２の決定部２０３は、学習モデルデータベース２０６から学習モデルテーブル３０１を取得する。 In step S<b>503 , the first determination unit 202 performs image quality analysis on the target image in response to detecting that the button 407 has been pressed, and determines the first difficulty level. In this embodiment, the first determining unit 202 specifies the degree of blurring of the target image acquired in S501 as an index value indicating the degree of image quality (higher indicates lower image quality). Then, the first determining unit 202 determines the specified index value as the first difficulty level.
In S<b>504 , the second determination unit 203 acquires the learning model table 301 from the learning model database 206 .

Ｓ５０５において、第２の決定部２０３は、Ｓ５０４で取得した学習モデルテーブル３０１が示す学習モデルから、１つを選択する。以下では、図５の説明において、最新のＳ５０５で選択された学習モデルを、選択学習モデルとする。また、第２の決定部２０３は、ＲＡＭ１０２に暫定的な第２の難易度を記憶する記憶領域を用意する。以下では、この記憶領域を、暫定記憶領域とする。また、以下では、暫定記憶領域に記憶されている第２の難易度を暫定難易度とする。そして、第２の決定部２０３は、選択学習モデルを用いた検知解析として、Ｓ５０６～Ｓ５０７の処理を行う。
Ｓ５０６において、第２の決定部２０３は、選択学習モデルを用いて、対象画像に対して、実行画像処理（設定されたオブジェクト（ひび割れ部分）の検知処理）を行う。 In S505, the second determination unit 203 selects one learning model from the learning models indicated by the learning model table 301 acquired in S504. Hereinafter, in the description of FIG. 5, the latest learning model selected in S505 is the selected learning model. Also, the second determination unit 203 prepares a storage area in the RAM 102 for storing the provisional second difficulty level. Hereinafter, this storage area will be referred to as a temporary storage area. Also, hereinafter, the second difficulty level stored in the temporary storage area is referred to as the temporary difficulty level. Then, the second determination unit 203 performs the processing of S506 and S507 as detection analysis using the selection learning model.
In S506, the second determination unit 203 performs execution image processing (detection processing of the set object (crack portion)) on the target image using the selection learning model.

Ｓ５０７において、第２の決定部２０３は、Ｓ５０６での検知処理により検知された領域と、Ｓ５０２で指定されたひび割れ部分の領域と、の一致の度合（再現率）を求める。本実施形態では、第２の決定部２０３は、Ｓ５０６での検知処理により検知された領域と、Ｓ５０２で指定されたひび割れ部分の領域と、の重複領域の面積を、Ｓ５０２で指定されたひび割れ部分の領域の面積で割った値を、再現率として求める。
ただし、他の例として、第２の決定部２０３は、Ｓ５０２で指定されたひび割れ部分の領域が複数ある場合、以下のようにしてもよい。即ち、第２の決定部２０３は、この複数のひび割れ部分の領域のうち、Ｓ５０６での検知処理により検知された領域の個数を、Ｓ５０２で指定されたひび割れ部分の領域の個数で割った値を、再現率として求めてもよい。 In S507, the second determination unit 203 obtains the degree of matching (reproducibility) between the area detected by the detection processing in S506 and the area of the crack portion specified in S502. In this embodiment, the second determining unit 203 determines the area of the overlapping region between the region detected by the detection processing in S506 and the region of the crack portion specified in S502, and determines the area of the crack portion specified in S502. The value obtained by dividing by the area of the region is obtained as the recall rate.
However, as another example, the second determining unit 203 may perform the following when there are a plurality of cracked regions specified in S502. That is, the second determination unit 203 divides the number of cracked regions detected by the detection processing in S506 by the number of cracked regions specified in S502, and divides the value. , may be obtained as a recall rate.

そして、第２の決定部２０３は、求めた再現率に基づいて、選択学習モデルを用いた場合の第２の難易度を決定する。以下では、Ｓ５０７で決定される選択学習モデルを用いた場合の第２の難易度を、仮難易度とする。本実施形態では、第２の決定部２０３は、１から求めた再現率を引いた値を、選択学習モデルを用いた場合の仮難易度として決定する。
ただし、他の例として、第２の決定部２０３は、再現率が高い程低くなり、再現率が低い程高くなるような値であれば、他の値を仮難易度として決定してもよい。例えば、第２の決定部２０３は、求めた再現率の逆数を、仮難易度として決定してもよい。 Then, the second determination unit 203 determines the second difficulty level when using the selective learning model based on the obtained recall. Hereinafter, the second difficulty level when using the selective learning model determined in S507 is assumed to be the provisional difficulty level. In this embodiment, the second determination unit 203 determines a value obtained by subtracting the obtained recall rate from 1 as the provisional difficulty level when using the selective learning model.
However, as another example, the second determining unit 203 may determine another value as the tentative difficulty level as long as the value decreases as the recall rate increases and increases as the recall rate decreases. . For example, the second determination unit 203 may determine the reciprocal of the obtained recall as the provisional difficulty level.

Ｓ５０８において、第２の決定部２０３は、直前のＳ５０７で決定した仮難易度が、破線４１４が示す第２閾値（例えば、０．４、０．５等）未満であるか否かを判定する。
第２の決定部２０３は、直前のＳ５０７で決定した仮難易度が、第２閾値未満であると判定した場合、この仮難易度を最終的な第２の難易度に決定し、処理をＳ５１０に進める。 In S508, the second determination unit 203 determines whether or not the provisional difficulty level determined in S507 immediately before is less than the second threshold (for example, 0.4, 0.5, etc.) indicated by the dashed line 414. .
If the second determination unit 203 determines that the provisional difficulty level determined immediately before in S507 is less than the second threshold value, the second determination unit 203 determines this provisional difficulty level as the final second difficulty level, and proceeds to S510. proceed to

また、第２の決定部２０３は、直前のＳ５０７で決定した仮難易度が、第２閾値以上であると判定した場合、以下の処理を行う。即ち、第２の決定部２０３は、直前のＳ５０７で決定した仮難易度が、暫定記憶領域に記憶されている暫定難易度よりも小さい場合、暫定記憶領域に記憶されている暫定難易度の値を、この仮難易度の値に更新する。また、第２の決定部２０３は、直前のＳ５０７で決定した仮難易度が、暫定記憶領域に記憶されている暫定難易度以上である場合、暫定記憶領域に記憶されている暫定難易度の値を更新しない。また、第２の決定部２０３は、暫定記憶領域に暫定難易度が記憶されていない場合、直前のＳ５０７で決定した仮難易度を暫定難易度として暫定記憶領域に記憶する。そして、第２の決定部２０３は、処理をＳ５０９に進める。 Further, when the second determining unit 203 determines that the tentative difficulty level determined in the last step S507 is equal to or higher than the second threshold value, the second determining unit 203 performs the following process. That is, if the provisional difficulty level determined immediately before in S507 is smaller than the provisional difficulty level stored in the provisional storage area, the second determination unit 203 determines the value of the provisional difficulty level stored in the provisional storage area. to this temporary difficulty value. Further, if the provisional difficulty determined immediately before in S507 is equal to or higher than the provisional difficulty stored in the provisional storage area, the second determination unit 203 sets the value of the provisional difficulty stored in the provisional storage area. do not update. Further, when the provisional difficulty level is not stored in the provisional storage area, the second determination unit 203 stores the provisional difficulty level determined in S507 immediately before as the provisional difficulty level in the provisional storage area. Then, the second determining unit 203 advances the process to S509.

Ｓ５０９において、第２の決定部２０３は、Ｓ５０４で取得した学習モデルテーブル３０１が示す学習モデルの全てについてＳ５０５で選択学習モデルとして選択したか否かを判定する。
第２の決定部２０３は、学習モデルテーブル３０１が示す学習モデルの全てについてＳ５０５で選択学習モデルとして選択したと判定した場合、暫定記憶領域に記憶された暫定難易度を最終的な第２の難易度に決定して、処理をＳ５１０に進める。また、第２の決定部２０３は、学習モデルテーブル３０１が示す学習モデルの中にＳ５０５で選択学習モデルとして選択していない学習モデルがあると判定した場合、処理をＳ５０５に進める。
Ｓ５１０において、分析部２０４は、Ｓ５０３で決定された第１の難易度と、Ｓ５０５～Ｓ５０９で決定された第２の難易度と、に基づいて、対象画像を対象とした提供サービスに係る価格を決定する。Ｓ５１０の処理の詳細は、図６で後述する。 In S509, the second determination unit 203 determines whether or not all the learning models indicated by the learning model table 301 acquired in S504 have been selected as selected learning models in S505.
When the second determination unit 203 determines that all the learning models shown in the learning model table 301 have been selected as the selected learning model in S505, the second determination unit 203 sets the provisional difficulty level stored in the provisional storage area to the final second difficulty level. is determined, and the process proceeds to S510. If the second determination unit 203 determines that there is a learning model not selected as the selected learning model in S505 among the learning models indicated by the learning model table 301, the second determination unit 203 advances the processing to S505.
In S510, the analysis unit 204 calculates the price of the service provided for the target image based on the first difficulty level determined in S503 and the second difficulty level determined in S505 to S509. decide. Details of the processing of S510 will be described later with reference to FIG.

Ｓ５１１において、表示制御部２０５は、Ｓ５１０で決定された価格を、ディスプレイ１０６に表示することで出力する。本実施形態では、表示制御部２０５は、ディスプレイ１０６に表示されている画面４０１の内容を、図４（ｂ）のように、表示領域４０２、ボタン４０８、表示領域４１１、表示領域４１５を含むように更新する。そして、表示制御部２０５は、表示領域４１５にＳ５１０で決定された価格を表示する。また、表示制御部２０５は、表示領域４１１の難易度グラフ上の第１の難易度と第２の難易度とに対応する位置に、対象画像に対応するマーカをプロットする。 In S<b>511 , the display control unit 205 outputs the price determined in S<b>510 by displaying it on the display 106 . In this embodiment, the display control unit 205 changes the contents of the screen 401 displayed on the display 106 to include a display area 402, a button 408, a display area 411, and a display area 415, as shown in FIG. 4B. update to. Then, the display control unit 205 displays the price determined in S510 in the display area 415. FIG. The display control unit 205 also plots markers corresponding to the target image at positions corresponding to the first difficulty level and the second difficulty level on the difficulty level graph in the display area 411 .

ただし、他の例として、表示制御部２０５は、他の出力形式で、Ｓ５１０で決定された価格を出力してもよい。例えば、表示制御部２０５は、ユーザの端末等の予め定められた送信先に、Ｓ５１０で決定された価格を送信することで出力してもよい。また、例えば、表示制御部２０５は、ＨＤＤ１０９等の予め定められた記憶先に、Ｓ５１０で決定された価格を記憶することで出力してもよい。
また、表示制御部２０５は、複数の異なる出力形式で、Ｓ５１０で決定された価格を出力してもよい。 However, as another example, the display control unit 205 may output the price determined in S510 in another output format. For example, the display control unit 205 may output by transmitting the price determined in S510 to a predetermined transmission destination such as a user's terminal. Further, for example, the display control unit 205 may output the price determined in S510 by storing it in a predetermined storage destination such as the HDD 109 .
Also, the display control unit 205 may output the price determined in S510 in a plurality of different output formats.

図６を用いて、Ｓ５１０の詳細を説明する。
Ｓ６０１において、分析部２０４は、Ｓ５０３で決定された第１の難易度と、Ｓ５０５～Ｓ５０９で決定された第２の難易度と、を取得する。
Ｓ６０２において、分析部２０４は、料金データベース２０７から、料金テーブル７０１を取得する。料金テーブル７０１は、第１の難易度及び第２の難易度と、提供サービスに係る価格の程度を示す指標値と、の対応を示すテーブルである。以下では、この指標値を、価格指標値とする。本実施形態では、第１の難易度が破線４１３の示す第１閾値未満であり、第２の難易度が破線４１４の示す第２閾値未満である単位サイズの画像を対象とした提供サービスに係る価格は、基本単価として予め定められている。本実施形態では、基本単価の情報は、ＨＤＤ１０９に記憶されている。この単位サイズは、本実施形態では、１０００画素×１０００画素とする。本実施形態では、価格指標値は、対象画像における単位サイズの領域についての提供サービスに係る価格の基本単価を基準とした倍率を示す。 Details of S510 will be described with reference to FIG.
In S601, the analysis unit 204 acquires the first difficulty determined in S503 and the second difficulty determined in S505 to S509.
In S<b>602 , the analysis unit 204 acquires the charge table 701 from the charge database 207 . The fee table 701 is a table showing the correspondence between the first difficulty level, the second difficulty level, and the index value indicating the price level of the provided service. This index value is hereinafter referred to as a price index value. In the present embodiment, the first difficulty level is less than the first threshold indicated by the dashed line 413, and the second difficulty level is less than the second threshold indicated by the dashed line 414. The price is predetermined as a basic unit price. In this embodiment, the basic unit price information is stored in the HDD 109 . This unit size is 1000 pixels×1000 pixels in this embodiment. In the present embodiment, the price index value indicates a magnification based on the basic unit price of the price for the provided service for the area of unit size in the target image.

図７を用いて、料金テーブル７０１について説明する。料金テーブル７０１の各行は、第１の難易度の範囲を示す。また、料金テーブル７０１の各列は、第２の難易度の範囲を示す。
本実施形態では、料金テーブル７０１は、図７に示すように、２行×２列のテーブルである。料金テーブル７０１の１行目は、第１閾値以上となる第１の難易度の範囲を示す。また、料金テーブル７０１の２行目は、第１閾値未満となる第１の難易度の範囲を示す。また、料金テーブル７０１の１列目は、第２閾値未満となる第２の難易度の範囲を示す。料金テーブル７０１の２列目は、第２閾値以上となる第２の難易度の範囲を示す。
料金テーブル７０１の各要素は、第１の難易度が対応する行の範囲に属し、第２の難易度が対応する列の範囲に属す場合の価格指標値を示す。 A fee table 701 will be described with reference to FIG. Each row of the fee table 701 indicates the range of the first difficulty level. Also, each column of the charge table 701 indicates the range of the second difficulty level.
In this embodiment, the charge table 701 is a table of 2 rows×2 columns, as shown in FIG. The first line of the charge table 701 indicates the range of the first difficulty level equal to or higher than the first threshold. Also, the second row of the charge table 701 indicates the range of the first difficulty level that is less than the first threshold. Also, the first column of the charge table 701 indicates the range of the second difficulty that is less than the second threshold. The second column of the charge table 701 indicates the range of the second difficulty level equal to or higher than the second threshold.
Each element of the fee table 701 indicates a price index value when the first difficulty belongs to the corresponding row range and the second difficulty belongs to the corresponding column range.

本実施形態では、料金テーブル７０１の左下の要素は、対象画像の画質が第１閾値の示す水準以上であり、学習モデルテーブル３０１に管理される既存の学習モデルでの検知の精度も第２閾値の示す水準以上である場合に対応する。そのため、料金テーブル７０１の左下の要素が示す価格指標値は、対象画像に対する実行画像処理の難易度が、予め定められた水準以上ではないため、１（基本価格そのまま）となっている。
また、料金テーブル７０１の右下の要素は、対象画像の画質が、第１閾値の示す水準以上であるが、学習モデルテーブル３０１に管理される既存の学習モデルでの検知の精度が第２閾値の示す水準未満である場合に対応する。そのため、料金テーブル７０１の右下の要素が示す価格指標値は、対象画像に対する実行画像処理の難易度が、予め定められた水準以上よりも高いとして、１．５（基本価格の１．５倍）となっている。 In this embodiment, the lower left element of the fee table 701 indicates that the image quality of the target image is equal to or higher than the level indicated by the first threshold, and the detection accuracy of the existing learning model managed by the learning model table 301 is also the second threshold. Corresponds when it is equal to or higher than the level indicated by . Therefore, the price index value indicated by the lower left element of the charge table 701 is 1 (basic price as it is) because the difficulty level of the image processing to be executed on the target image is not equal to or higher than the predetermined level.
The lower right element of the fee table 701 indicates that the image quality of the target image is equal to or higher than the level indicated by the first threshold, but the detection accuracy of the existing learning model managed by the learning model table 301 is lower than the second threshold. Corresponds when it is less than the level indicated by . Therefore, the price index value indicated by the lower right element of the charge table 701 is 1.5 (1.5 times the basic price), assuming that the difficulty level of image processing to be executed on the target image is higher than a predetermined level. ).

また、料金テーブル７０１の左上の要素は、対象画像の画質が第１閾値の示す水準未満であり、学習モデルテーブル３０１に管理される既存の学習モデルでの検知の精度が第２閾値の示す水準以上である場合に対応する。そのため、料金テーブル７０１の左上の要素が示す価格指標値は、対象画像に対する実行画像処理の難易度が、予め定められた水準以上よりも高いとして、２（基本価格の２倍）となっている。画像の画質が低いほど学習モデルの追加学習に係る手間が大きくなる。そのため、左上の要素が示す価格指標値は、右下の要素が示す価格指標値に比べて大きな値となっている。
また、料金テーブル７０１の右上の要素は、対象画像の画質が第１閾値の示す水準よりも低く、学習モデルテーブル３０１に管理される既存の学習モデルでの検知の精度が第２閾値の示す水準よりも低い場合に対応する。そのため、料金テーブル７０１の右上の要素が示す価格指標値は、４つの要素の中で最も高い２．５（基本価格の２．５倍）となっている。 The upper left element of the fee table 701 indicates that the image quality of the target image is below the level indicated by the first threshold, and the detection accuracy of the existing learning model managed by the learning model table 301 is the level indicated by the second threshold. It corresponds to the case above. Therefore, the price index value indicated by the upper left element of the charge table 701 is 2 (twice the basic price), assuming that the difficulty level of image processing for the target image is higher than a predetermined level. . The lower the image quality of the image, the greater the effort involved in additional learning of the learning model. Therefore, the price index value indicated by the upper left element is larger than the price index value indicated by the lower right element.
In the upper right element of the fee table 701, the image quality of the target image is lower than the level indicated by the first threshold, and the detection accuracy of the existing learning model managed by the learning model table 301 is the level indicated by the second threshold. corresponds to the case lower than Therefore, the price index value indicated by the upper right element of the charge table 701 is 2.5 (2.5 times the base price), which is the highest among the four elements.

Ｓ６０３において、分析部２０４は、Ｓ６０２で取得した料金テーブル７０１から、Ｓ６０１で取得した第１の難易度と第２の難易度とに対応する価格指標値を取得する。より具体的には、分析部２０４は、Ｓ６０１で取得した第１の難易度が、料金テーブル７０１の各行が示す範囲のうちのどの範囲に属するかを特定し、特定した範囲に対応する行を特定する。また、分析部２０４は、Ｓ６０１で取得した第２の難易度が、料金テーブル７０１の各列が示す範囲のうちのどの範囲に属するかを特定し、特定した範囲に対応する列を特定する。そして、分析部２０４は、料金テーブル７０１における特定した行と、特定した列と、に対応する要素が示す価格指標値を取得する。
Ｓ６０４において、分析部２０４は、Ｓ６０３で取得した価格指標値に基づいて、対象画像を対象とした提供サービスに係る価格を決定する。より具体的には、分析部２０４は、基本単価＊（対象画像のサイズ）／（単位サイズ（１０００画素×１０００画素））＊価格指標値で求まる価格を、対象画像を対象とした提供サービスに係る価格として決定する。 In S603, the analysis unit 204 acquires price index values corresponding to the first difficulty level and the second difficulty level acquired in S601 from the price table 701 acquired in S602. More specifically, the analysis unit 204 identifies to which range the first difficulty acquired in S601 belongs to among the ranges indicated by each row of the fee table 701, and determines the row corresponding to the identified range. Identify. Further, the analysis unit 204 identifies to which range the second difficulty level acquired in S601 belongs to among the ranges indicated by the columns of the fee table 701, and identifies the column corresponding to the identified range. Then, the analysis unit 204 acquires the price index value indicated by the element corresponding to the specified row and specified column in the price table 701 .
In S604, the analysis unit 204 determines the price of the service provided for the target image based on the price index value acquired in S603. More specifically, the analysis unit 204 applies the price obtained by basic unit price*(target image size)/(unit size (1000 pixels×1000 pixels))*price index value to the service provided for the target image. Determine the relevant price.

以上、本実施形態では、情報処理装置１００は、第１の決定部２０２により決定された第１の難易度と、第２の決定部２０３により決定された第２の難易度と、に基づいて、対象画像を対象とする提供サービスに係る価格を決定した。これにより、情報処理装置１００は、対象画像に対する実行画像処理の難易度を加味したより適切な価格を決定できる。また、情報処理装置１００は、ディスプレイ１０６に表示し、ユーザに提示できる。 As described above, in the present embodiment, the information processing apparatus 100 performs the , determined the price for the service provided for the target image. As a result, the information processing apparatus 100 can determine a more appropriate price in consideration of the degree of difficulty of image processing to be performed on the target image. Further, the information processing apparatus 100 can be displayed on the display 106 and presented to the user.

本実施形態では、情報処理装置１００は、対象画像として１枚の画像を取得することとした。ただし、他の例として、情報処理装置１００は、複数の画像を対象画像として取得してもよい。
その場合、第１の決定部２０２は、例えば、複数の対象画像それぞれについて、第１の難易度を決定し、決定した複数の第１の難易度に基づいて、最終的な第１の難易度を決定してもよい。例えば、第１の決定部２０２は、複数の対象画像それぞれについて決定した第１の難易度の平均値や重心等を最終的な第１の難易度として決定してもよい。 In this embodiment, the information processing apparatus 100 acquires one image as the target image. However, as another example, the information processing apparatus 100 may acquire a plurality of images as target images.
In that case, for example, the first determination unit 202 determines the first difficulty level for each of the plurality of target images, and determines the final first difficulty level based on the determined plurality of first difficulty levels. may be determined. For example, the first determining unit 202 may determine, as the final first difficulty level, an average value, a center of gravity, or the like of the first difficulty levels determined for each of the plurality of target images.

また、第２の決定部２０３は、例えば、複数の対象画像それぞれについて、第２の難易度を決定し、決定した複数の第２の難易度に基づいて、最終的な第２の難易度を決定してもよい。例えば、第２の決定部２０３は、複数の対象画像それぞれについて決定した第２の難易度の平均値や重心等を最終的な第２の難易度として決定してもよい。
情報処理装置１００は、このようにすることで、複数の対象画像の中に第１の難易度、第２の難易度が極端に低かったり高かったりするような場合でも、複数の対象画像を対象とした提供サービスに係る適切な価格を決定できる。 Further, the second determination unit 203 determines, for example, the second difficulty level for each of the plurality of target images, and determines the final second difficulty level based on the determined plurality of second difficulty levels. may decide. For example, the second determination unit 203 may determine, as the final second difficulty level, the average value or the center of gravity of the second difficulty levels determined for each of the plurality of target images.
By doing so, the information processing apparatus 100 can process a plurality of target images even when the first difficulty level and the second difficulty level are extremely low or high among the plurality of target images. It is possible to determine an appropriate price for the service provided.

また、本実施形態では、料金テーブル７０１に示されるように、価格指標値は、第１の難易度と第２の難易度とに応じて、予め定められた４つの値のうちの１つの値を取り得ることとした。ただし、他の例として、価格指標値は、第１の難易度と第２の難易度とに応じて、予め定められた５つ以上の個数の値のうちの１つの値を取り得ることとしてもよい。また、価格指標値は、第１の難易度と第２の難易度とに応じて、予め定められた３つ以下の個数の値のうちの１つの値を取り得ることとしてもよい。
例えば、料金テーブル７０１が、２×３のテーブルであるとしてもよい。その場合、料金テーブル７０１の１列目が第２の難易度について予め定められた閾値Ａ未満の範囲を示すとする。また、料金テーブル７０１の２列目が第２の難易度について閾値Ａ以上であり予め定められた閾値Ｂ（閾値Ａよりも大きい）未満の範囲を示し、３列目が第２の難易度について閾値Ｂ以上の範囲を示すとする。 Further, in this embodiment, as shown in the price table 701, the price index value is one of four predetermined values according to the first difficulty level and the second difficulty level. We decided to obtain However, as another example, the price index value can take one value out of five or more predetermined values according to the first difficulty level and the second difficulty level. good too. Also, the price index value may take one of three or less predetermined values according to the first difficulty level and the second difficulty level.
For example, the fee table 701 may be a 2×3 table. In that case, assume that the first column of the charge table 701 indicates the range below the predetermined threshold A for the second difficulty level. Further, the second column of the fee table 701 indicates the range of the second difficulty level that is equal to or greater than the threshold value A and less than the predetermined threshold value B (greater than the threshold value A), and the third column indicates the second difficulty level. Suppose that the range equal to or greater than the threshold value B is indicated.

また、料金テーブル７０１の１行目が第１の難易度について予め定められた閾値α未満の範囲を示し、２行目が以上であり予め定められた閾値Ｂ（閾値Ａよりも大きい）未満の範囲を示し、３列目が第２の難易度について閾値Ｂ以上の範囲を示すとする。
そして、料金テーブル７０１の６個の要素が示す各価格指標は、第１の難易度と第２の難易度との値が高い程、高くなるように設定されているとする。例えば、料金テーブル７０１の第１列目に対応する価格指標と第２列目に対応する価格指標と第３列目に対応する価格指標とが、１：２：３となることとしてもよい。
分析部２０４は、このような料金テーブル７０１を用いることで、料金テーブル７０１が４つの価格指標を含む場合に比べて、より細かい粒度で、対象画像を対象とする提供サービスに係る価格を決定できる。 Also, the first row of the charge table 701 indicates the range of the first difficulty level below the predetermined threshold value α, and the second row indicates the range above the predetermined threshold value B (greater than the threshold value A). Suppose that the third column indicates the range above the threshold B for the second difficulty level.
Each price index indicated by the six elements of the fee table 701 is set to increase as the values of the first difficulty level and the second difficulty level increase. For example, the price index corresponding to the first column, the price index corresponding to the second column, and the price index corresponding to the third column of the charge table 701 may be 1:2:3.
By using such a price table 701, the analysis unit 204 can determine the price of the provided service for the target image with finer granularity than when the price table 701 includes four price indexes. .

また、本実施形態では、情報処理装置１００は、予め定められた料金テーブル７０１を用いて、価格指標を取得することとした。ただし、他の例として、情報処理装置１００は、第１の難易度と第２の難易度とを引数として、価格指標を出力する予め定められた関数を用いて、価格指標を取得することとしてもよい。
また、本実施形態では、第２の決定部２０３は、検知解析において再現率を求めて、求めた再現率を用いて、第２の難易度を決定した。ただし、他の例として、第２の決定部２０３は、検知解析において誤検知率を求めて、誤検知率を用いて第２の難易度を決定してもよい。誤検知率とは、Ｓ５０６での検知処理で検知された領域のうちＳ５０２で指定された領域以外の領域の、Ｓ５０６での検知処理で検知された領域全体に対する割合である。そして、第２の決定部２０３は、求めた誤検知率を、第２の難易度として決定してもよい。 Further, in the present embodiment, the information processing apparatus 100 acquires the price index using the predetermined price table 701 . However, as another example, the information processing apparatus 100 acquires the price index using a predetermined function that outputs the price index with the first difficulty level and the second difficulty level as arguments. good too.
Further, in the present embodiment, the second determination unit 203 obtains the recall rate in the detection analysis, and determines the second difficulty level using the calculated recall rate. However, as another example, the second determination unit 203 may obtain the false positive rate in the detection analysis and determine the second difficulty level using the false positive rate. The false detection rate is the ratio of the area detected in the detection process in S506, other than the area specified in S502, to the entire area detected in the detection process in S506. Then, the second determining unit 203 may determine the obtained false positive rate as the second difficulty level.

また、第２の決定部２０３は、検知解析において再現率と誤検知率との両方を求めて、求めた再現率と誤検知率とに基づいて、第２の難易度を決定してもよい。例えば、第２の決定部２０３は、（（１－再現率）＋誤検知率）／２の値を、第２の難易度として決定してもよい。
また、第２の決定部２０３は、Ｓ５０２で指定された領域が複数ある場合には、Ｓ５０６で検知した領域と、Ｓ５０２で指定された複数の領域と、に基づいて、第２の難易度を決定してもよい。例えば、第２の決定部２０３は、Ｓ５０２で指定された複数の領域それぞれについて、仮難易度を決定し、決定した仮難易度の平均値を第２の難易度に決定してもよい。また、例えば、第２の決定部２０３は、Ｓ５０２で指定された複数の領域のうちＳ５０６で検知できた領域の数が多いほど大きくなるように第２の難易度を決定してもよい。 Further, the second determining unit 203 may obtain both the recall rate and the false positive rate in the detection analysis, and determine the second difficulty level based on the recall rate and the false positive rate that have been obtained. . For example, the second determination unit 203 may determine the value of ((1−recall rate)+false positive rate)/2 as the second difficulty level.
Further, when there are a plurality of areas designated in S502, the second determination unit 203 determines the second difficulty level based on the area detected in S506 and the plurality of areas designated in S502. may decide. For example, the second determining unit 203 may determine a provisional difficulty level for each of the plurality of areas designated in S502, and determine the average value of the determined provisional difficulty levels as the second difficulty level. Also, for example, the second determination unit 203 may determine the second difficulty level so that the greater the number of areas detected in S506 among the plurality of areas designated in S502, the higher the difficulty level.

また、第２の決定部２０３は、Ｓ５０８を行うことで、仮難易度が第２閾値未満の場合Ｓ５０５～Ｓ５０９のループ処理から抜け出すこととした。ただし、第２の決定部２０３は、Ｓ５０８の処理を行わないこととしてもよい。その場合、第２の決定部２０３は、学習モデルテーブル３０１で管理される全ての学習モデルについてＳ５０６、Ｓ５０７の処理を行うことで求まる仮難易度から第２の難易度を決定してもよい。例えば、第２の決定部２０３は、求めた仮難易度のうち、最小の仮難易度を、第２の難易度として決定してもよい。
また、第２の決定部２０３は、例えば、全ての学習モデルについてのＳ５０６、Ｓ５０７の処理で求まった仮難易度から最大の値を抽出し、その難易度の結果に対してＳ５０８と同様の閾値判定をしてもよい。ただし、この場合は正式受注後にどの学習モデルを選択すればよいかの正確度が上がるが、全学習モデルに対してひび割れ検知処理を行うため、処理時間がかかる。逆に言えば、図５のようにＳ５０８で条件分岐を行う方法では、価格の決定に係る時間を節約できるという利点がある。 Further, the second determining unit 203 executes S508 to exit from the loop processing of S505 to S509 if the provisional difficulty level is less than the second threshold. However, the second determination unit 203 may not perform the process of S508. In that case, the second determining unit 203 may determine the second difficulty level from the provisional difficulty level obtained by performing the processing of S506 and S507 for all the learning models managed by the learning model table 301 . For example, the second determination unit 203 may determine the minimum provisional difficulty level among the obtained provisional difficulty levels as the second difficulty level.
In addition, the second determination unit 203, for example, extracts the maximum value from the tentative difficulty levels obtained in the processes of S506 and S507 for all the learning models, You can judge. However, in this case, although the accuracy of which learning model should be selected after the formal order is received, the crack detection process is performed for all the learning models, so the processing takes time. Conversely, the method of performing conditional branching in S508 as shown in FIG. 5 has the advantage of saving the time involved in price determination.

また、本実施形態では、第１の決定部２０２は、画質解析で、対象画像のボケの度合を求めて、求めたボケの度合を、第１の難易度として決定した。ただし、第１の決定部２０２は、他の手法で、第１の難易度を決定してもよい。
例えば、第１の決定部２０２は、画質解析で、対象画像について、画素の輝度についてのヒストグラムを求め、求めたヒストグラムに基づいて第１の難易度を決定してもよい。例えば、第１の決定部２０２は、求めたヒストグラムにおける明側もしくは暗側の分布に偏りの有無に応じて、分布に偏りがある程高くなるように第１の難易度を決定してもよい。
また、例えば、第１の決定部２０２は、画質解析で、対象画像について、画素の色（例えば、ＲＧＢ等）それぞれについてのヒストグラムを求め、求めたヒストグラムに基づいて第１の難易度を決定してもよい。例えば、第１の決定部２０２は、各色のヒストグラムの明側（値が大きい側）に偏りの有無に基づいて、分布に偏りがある程高くなるように第１の難易度を決定してもよい。
また、第１の決定部２０２は、複数種類の解析を、画質解析として行い、複数の解析結果に基づいて、第１の難易度を決定してもよい。 Further, in the present embodiment, the first determination unit 202 obtains the degree of blurring of the target image by image quality analysis, and determines the obtained degree of blurring as the first difficulty level. However, the first determining unit 202 may determine the first difficulty level by another method.
For example, the first determining unit 202 may obtain a histogram of pixel brightness for the target image in the image quality analysis, and determine the first difficulty level based on the obtained histogram. For example, the first determination unit 202 may determine the first difficulty level according to whether the distribution on the bright side or the dark side in the obtained histogram is biased so that the more biased the distribution, the higher the difficulty level. .
Also, for example, the first determining unit 202 obtains a histogram for each pixel color (eg, RGB, etc.) of the target image in the image quality analysis, and determines the first difficulty level based on the obtained histogram. may For example, the first determining unit 202 may determine the first difficulty level based on the presence or absence of bias on the bright side (large value side) of the histogram of each color so that the more biased the distribution, the higher the difficulty level. good.
Further, the first determination unit 202 may perform multiple types of analysis as image quality analysis, and determine the first difficulty level based on multiple analysis results.

＜実施形態２＞
実施形態１では、情報処理装置１００は、検知解析の結果に基づいて、第２の難易度を決定した。本実施形態の情報処理装置１００は、対象画像と予め実行画像処理が実行された画像との類似性の解析結果に基づいて、第２の難易度を決定する。
本実施形態の情報処理装置１００のハードウェア構成は、実施形態１と同様である。 <Embodiment 2>
In the first embodiment, the information processing apparatus 100 determines the second difficulty level based on the result of detection analysis. The information processing apparatus 100 of the present embodiment determines the second difficulty level based on the analysis result of the similarity between the target image and the image on which the execution image processing has been executed in advance.
The hardware configuration of the information processing apparatus 100 of this embodiment is the same as that of the first embodiment.

また、本実施形態の情報処理装置１００の機能構成は、実施形態１と同様である。ただし、本実施形態では、第２の決定部２０３は、検知解析ではなく、対象画像と、特徴量が既知であり、予め実行画像処理が実行された画像と、の類似の度合を求める解析である画像類似解析の結果に基づいて、第２の難易度を決定する。画像類似解析は、第２の解析の一例である。本実施形態では、第２の決定部２０３は、図８に示すように、学習モデルデータベース２０６に記憶された学習モデルではなく、特徴量データベース８０１に記憶された特徴量を用いて、第２の難易度を決定する。
特徴量データベース８０１は、図９で後述する特徴量テーブル９０１が記憶される記憶領域であり、ＨＤＤ１０９に実装される。ただし、他の例として、特徴量データベース８０１は、ＲＯＭ１０３に実装されることとしてもよい。 Also, the functional configuration of the information processing apparatus 100 of this embodiment is the same as that of the first embodiment. However, in the present embodiment, the second determination unit 203 is not a detection analysis, but an analysis that obtains a degree of similarity between the target image and an image for which the feature amount is known and for which execution image processing has been performed in advance. A second difficulty level is determined based on the result of a certain image similarity analysis. Image similarity analysis is an example of the second analysis. In this embodiment, as shown in FIG. 8, the second determination unit 203 uses the feature amount stored in the feature amount database 801 instead of the learning model stored in the learning model database 206 to determine the second Determine difficulty.
A feature amount database 801 is a storage area in which a feature amount table 901 to be described later with reference to FIG. 9 is stored, and is implemented in the HDD 109 . However, as another example, the feature amount database 801 may be implemented in the ROM 103 .

図９は、特徴量データベース８０１に記憶された特徴量テーブル９０１の一例を示す図である。特徴量テーブル９０１は、特徴量を識別する「ＩＤ」、特徴量の１つであるＲＧＢそれぞれについての平均色を示す「ＲＧＢ平均色」、特徴量の１つである平均輝度値を示す「輝度値」、特徴量の１つであるＦ値を示す「Ｆ値」の項目を含む。特徴量テーブル９０１の各行の特徴量は、それぞれ、既に実行画像処理が実行された画像の特徴量を示す。即ち、本実施形態では、情報処理装置１００は、既に実行画像処理が実行された画像と対象画像との類似の度合に基づいて、対象画像に対する実行画像処理の難易度である第２の難易度を決定する。
本実施形態では、第２の決定部２０３は、比較対象の２つの画像の類似の度合を判断するために、それぞれの画像の特徴量間の距離を求める。本実施形態では、特徴量テーブル９０１には、特徴量として、ＲＧＢ平均色、平均輝度値、Ｆ値が含まれるが、他の種類の特徴量が含まれることとしてもよい。例えば、特徴量テーブル９０１には、画像を解析して得られるヒストグラムや、ハイパスフィルタを行って得られる鮮鋭度等の特徴量が含まれることとしてもよい。 FIG. 9 is a diagram showing an example of a feature amount table 901 stored in the feature amount database 801. As shown in FIG. The feature quantity table 901 includes an “ID” for identifying a feature quantity, an “RGB average color” indicating an average color for each of RGB that is one of the feature quantities, and a “brightness value”, and an item of “F value” indicating the F value, which is one of the feature amounts. A feature amount in each row of the feature amount table 901 indicates a feature amount of an image on which execution image processing has already been performed. That is, in the present embodiment, the information processing apparatus 100 sets the second difficulty level, which is the difficulty level of the execution image processing for the target image, based on the degree of similarity between the target image and an image that has already been subjected to the execution image processing. to decide.
In this embodiment, the second determining unit 203 obtains the distance between the feature amounts of the two images to be compared in order to determine the degree of similarity between the two images. In this embodiment, the feature amount table 901 includes the RGB average color, the average luminance value, and the F value as feature amounts, but may include other types of feature amounts. For example, the feature quantity table 901 may include a histogram obtained by analyzing an image and a feature quantity such as sharpness obtained by applying a high-pass filter.

図１０は、本実施形態の情報処理装置１００の処理の一例を示すフローチャートである。図１０のＳ５０１～Ｓ５０３、Ｓ５１０、Ｓ５１１それぞれの処理は、図５と同様である。図１０の処理のうち図５と異なっている点について説明する。
Ｓ１００１において、第２の決定部２０３は、対象画像から、予め定められた特徴量（本実施形態では、特徴量テーブル９０１に管理されるＲＧＢ平均色、平均輝度値、Ｆ値）を取得する。
Ｓ１００２において、第２の決定部２０３は、特徴量データベース８０１から特徴量テーブル９０１を取得する。そして、第２の決定部２０３は、特徴量テーブル９０１から１行分の特徴量を選択する。以下、図１０の説明において最新のＳ１００２で選択された特徴量を選択特徴量とする。また、第２の決定部２０３は、ＲＡＭ１０２に暫定難易度を記憶する暫定記憶領域を用意する。 FIG. 10 is a flowchart showing an example of processing of the information processing apparatus 100 of this embodiment. 10 are the same as those in FIG. Among the processes in FIG. 10, points that are different from those in FIG. 5 will be described.
In S<b>1001 , the second determination unit 203 acquires predetermined feature amounts (RGB average color, average luminance value, and F value managed in the feature amount table 901 in this embodiment) from the target image.
In S<b>1002 , the second determination unit 203 acquires the feature amount table 901 from the feature amount database 801 . Then, the second determining unit 203 selects one row of feature amounts from the feature amount table 901 . Hereinafter, in the description of FIG. 10, the latest feature amount selected in S1002 will be referred to as the selected feature amount. Also, the second determination unit 203 prepares a temporary storage area for storing the temporary difficulty level in the RAM 102 .

Ｓ１００３において、第２の決定部２０３は、Ｓ１００１で求めた特徴量と、選択特徴量と、に基づいて、対象画像と選択特徴量に対応する画像（以下では、比較画像とする）との類似の度合を示す指標として、特徴量間の距離を求める。対象画像と選択特徴量との特徴量間の距離を求める解析は、画像類似解析の一例である。
本実施形態では、第２の決定部２０３は、対象画像について、ＲＧＢの各色を０から１に正規化し、画像全体のＲＧＢ各色の平均値を求めて、ＲＧＢ空間内での位置を求める。そして、第２の決定部２０３は、求めたＲＧＢ空間内での位置と、選択特徴量の「ＲＧＢ平均色」が示すＲＧＢ空間内の位置と、の間の距離を求め、求めた距離を正規化し、ＲＧＢ平均色についての特徴量間の距離を求める。
また、第２の決定部２０３は、対象画像について、画像全体の輝度値の平均値を求める。そして、第２の決定部２０３は、求めた輝度値の平均値と、選択特徴量の「輝度値」が示す輝度値の平均値と、の差分を正規化することで、平均輝度値についての特徴量間の距離を求める。 In S1003, the second determination unit 203 determines the similarity between the target image and the image corresponding to the selected feature amount (hereinafter referred to as a comparative image) based on the feature amount obtained in S1001 and the selected feature amount. As an index indicating the degree of , the distance between feature quantities is obtained. Analysis for obtaining the distance between the feature amount of the target image and the selected feature amount is an example of image similarity analysis.
In this embodiment, the second determining unit 203 normalizes each RGB color of the target image from 0 to 1, obtains the average value of each RGB color in the entire image, and obtains the position in the RGB space. Then, the second determining unit 203 obtains the distance between the obtained position in the RGB space and the position in the RGB space indicated by the “RGB average color” of the selected feature quantity, and converts the obtained distance into the normalized , and find the distance between the feature amounts for the RGB average colors.
The second determination unit 203 also obtains the average luminance value of the entire image for the target image. Then, the second determination unit 203 normalizes the difference between the calculated average luminance value and the average luminance value indicated by the “luminance value” of the selected feature amount, thereby obtaining the average luminance value. Find the distance between features.

また、第２の決定部２０３は、対象画像について、Ｆ値を求める。そして、第２の決定部２０３は、求めたＦ値と、選択特徴量の「Ｆ値」が示すＦ値と、の差を求める。その際、第２の決定部２０３は、Ｆ２やＦ２．８といった絞りの１段を1単位として、１段の差に応じた特徴量間の距離を０．２５とし、４段以上離れた場合は１とする。これにより、第２の決定部２０３は、Ｆ値についての特徴量間の距離を求める。
そして、第２の決定部２０３は、ＲＧＢ平均色、平均輝度値、Ｆ値それぞれについて求めた特徴量間の距離の平均値を、対象画像と比較画像との特徴量間の距離の最終的な値として求める。そして、第２の決定部２０３は、求めた特徴量間の距離を、仮難易度として決定する。 Also, the second determination unit 203 obtains the F value for the target image. Then, the second determination unit 203 obtains the difference between the obtained F value and the F value indicated by the "F value" of the selected feature amount. At that time, the second determination unit 203 sets the distance between the feature amounts according to the difference of one step as 0.25, with one step of aperture such as F2 or F2. is set to 1. Thereby, the second determination unit 203 obtains the distance between the feature amounts for the F value.
Then, the second determining unit 203 calculates the average value of the distances between the feature amounts obtained for each of the RGB average color, the average luminance value, and the F value as the final distance between the feature amounts of the target image and the comparison image. value. Then, the second determining unit 203 determines the obtained distance between the feature amounts as the provisional difficulty level.

Ｓ１００４において、第２の決定部２０３は、Ｓ１００３で決定した仮難易度が予め定められた閾値（破線４１４が示す第２閾値）未満であるか否かを判定する。なお、本実施形態の第２閾値は、実施形態１の場合と異なる値であってもよい。第２の決定部２０３は、Ｓ１００３で決定した仮難易度が予め定められた閾値未満であると判定した場合、仮難易度を最終的な第２の難易度に決定し、処理をＳ５１０に進める。
また、第２の決定部２０３は、Ｓ１００３で決定した仮難易度が予め定められた閾値以上であると判定した場合、処理をＳ１００５に進める。また、この場合、第２の決定部２０３は、Ｓ１００３で決定した仮難易度が、暫定記憶領域に記憶された値よりも小さければ、暫定記憶領域に記憶された値を、Ｓ１００３で決定した仮難易度の値で更新する。また、第２の決定部２０３は、暫定記憶領域に値が記憶されていない場合、Ｓ１００３で決定した仮難易度の値を、暫定記憶領域に記憶する。
本実施形態では、Ｓ１００４で用いられる第２閾値は、予め定められた閾値であるとするが、他の例として、入力装置１０８を介してユーザから指定された閾値であってもよいし、統計的な手法により求められた閾値であってもよい。 In S1004, the second determination unit 203 determines whether or not the provisional difficulty determined in S1003 is less than a predetermined threshold (second threshold indicated by dashed line 414). Note that the second threshold in this embodiment may be a value different from that in the first embodiment. If the second determination unit 203 determines that the provisional difficulty level determined in S1003 is less than the predetermined threshold value, the second determination unit 203 determines the provisional difficulty level as the final second difficulty level, and advances the process to S510. .
If the second determining unit 203 determines that the tentative difficulty level determined in S1003 is equal to or greater than the predetermined threshold, the process proceeds to S1005. Also, in this case, if the provisional difficulty level determined in S1003 is smaller than the value stored in the provisional storage area, the second determination unit 203 changes the value stored in the provisional storage area to the provisional difficulty level determined in S1003. Update with difficulty value. Further, if no value is stored in the temporary storage area, the second determining unit 203 stores the temporary difficulty level value determined in S1003 in the temporary storage area.
In this embodiment, it is assumed that the second threshold used in S1004 is a predetermined threshold. It may be a threshold value obtained by a conventional method.

Ｓ１００５において、第２の決定部２０３は、特徴量テーブル９０１内の全ての特徴量について、Ｓ１００２で選択特徴量として選択したか否かを判定する。第２の決定部２０３は、特徴量テーブル９０１内の全ての特徴量について、Ｓ１００２で選択特徴量として選択したと判定した場合、暫定記憶領域に記憶されている値を、最終的な第２の難易度として決定し、処理をＳ５１０に進める。第２の決定部２０３は、特徴量テーブル９０１内の特徴量の中にＳ１００２で選択特徴量として選択していない特徴量があると判定した場合、処理をＳ１００２に進める。 In S1005, the second determination unit 203 determines whether or not all the feature amounts in the feature amount table 901 have been selected as selected feature amounts in S1002. When the second determination unit 203 determines that all the feature amounts in the feature amount table 901 have been selected as selected feature amounts in S1002, the second determination unit 203 stores the values stored in the temporary storage area in the final second The difficulty level is determined, and the process proceeds to S510. If the second determining unit 203 determines that there is a feature amount not selected as the selected feature amount in S1002 among the feature amounts in the feature amount table 901, the process advances to S1002.

本実施形態では、情報処理装置１００は、既に実行画像処理を実行済みの画像との類似の度合から第２の難易度を求めた。情報処理装置１００は、類似の度合が高い程、既に処理済みの画像と似ている特徴があるため、第２の難易度が低いと決定する。また、情報処理装置１００は、類似の度合が低い程、未知の画像である可能性が高いとして第２の難易度を高く決定する。これにより、情報処理装置１００は、既に実行画像処理が実行済みの画像との類似の度合を加味した上で、対象画像を対象とした提供サービスに係る価格をより適切に決定できる。
なお、情報処理装置１００は、特徴量間の距離を求める際に、本実施形態で用いた特徴量と異なる特徴量を用いてもよい。また、情報処理装置１００は、類似の度合を他の方法で求めてもよく、機械学習の手法を用いて求めてもよい。 In the present embodiment, the information processing apparatus 100 obtains the second difficulty level from the degree of similarity with the image for which execution image processing has already been executed. The information processing apparatus 100 determines that the second difficulty level is low because the higher the degree of similarity is, the more similar features are to the already processed image. In addition, the information processing apparatus 100 determines the second difficulty level to be higher because the lower the degree of similarity, the higher the possibility that the image is an unknown image. Accordingly, the information processing apparatus 100 can more appropriately determine the price of the service provided for the target image, taking into consideration the degree of similarity with the image for which the image processing has already been performed.
Note that the information processing apparatus 100 may use a feature amount different from the feature amount used in the present embodiment when obtaining the distance between the feature amounts. Further, the information processing apparatus 100 may obtain the degree of similarity by another method or by using a machine learning technique.

＜実施形態３＞
実施形態１、２では、情報処理装置１００は、対象画像に対する解析結果に基づいて、第２の難易度を決定した。本実施形態の情報処理装置１００は、対象画像の被写体である対象被写体の構造物に関する情報（以下では、構造物情報とする）に基づいて、対象被写体の構造物と予め定められた構造物との類似の度合を解析し、解析結果に基づいて第２の難易度を決定する。
本実施形態の情報処理装置１００のハードウェア構成は、実施形態１と同様である。 <Embodiment 3>
In Embodiments 1 and 2, the information processing apparatus 100 determines the second difficulty level based on the analysis results for the target image. The information processing apparatus 100 according to the present embodiment distinguishes between the structure of the target subject and the predetermined structure based on the information about the structure of the target subject that is the subject of the target image (hereinafter referred to as structure information). are analyzed, and a second difficulty level is determined based on the analysis result.
The hardware configuration of the information processing apparatus 100 of this embodiment is the same as that of the first embodiment.

また、本実施形態の情報処理装置１００の機能構成は、実施形態１と同様である。ただし、本実施形態では、第２の決定部２０３は、検知解析ではなく、対象被写体と、予め定められた構造物と、の類似の度合を求める解析である被写体解析の結果に基づいて、第２の難易度を決定する。被写体解析は、第２の解析の一例である。本実施形態では、第２の決定部２０３は、図１１に示すように、学習モデルデータベース２０６に記憶された学習モデルではなく、構造物データベース１１０１に記憶された予め定められた構造物情報を用いて、第２の難易度を決定する。
構造物データベース１１０１は、図１３で後述する構造物情報テーブル１３０１が記憶される記憶領域であり、ＨＤＤ１０９に実装される。ただし、他の例として、構造物データベース１１０１は、ＲＯＭ１０３に実装されることとしてもよい。 Also, the functional configuration of the information processing apparatus 100 of this embodiment is the same as that of the first embodiment. However, in the present embodiment, the second determination unit 203 does not perform the detection analysis, but based on the result of the subject analysis, which is an analysis that obtains the degree of similarity between the target subject and the predetermined structure. Determine the difficulty of 2. Subject analysis is an example of the second analysis. In this embodiment, the second determination unit 203 uses predetermined structure information stored in the structure database 1101 instead of the learning model stored in the learning model database 206, as shown in FIG. to determine the second difficulty level.
The structure database 1101 is a storage area in which a structure information table 1301 to be described later with reference to FIG. 13 is stored, and is implemented in the HDD 109 . However, as another example, the structure database 1101 may be implemented in the ROM 103 .

図１２は、本実施形態の画面４０１の一例を示す図である。本実施形態では、画面４０１は、対象被写体の構造物情報の入力に用いられる。本実施形態では、情報処理装置１００は、図４（ａ）の画面４０１の代わりに、図１２の画面４０１をディスプレイ１０６に表示する。
本実施形態の画面４０１は、項目名称領域１２０２、項目指定領域１２０３、ボタン４０６、ボタン４０７を含む。項目名称領域１２０２は、対象被写体である構造物情報の項目を示す領域である。図１２の例では、項目名称領域１２０２には、構造物の種類を示す「案件構造」、構造物の竣工年度を示す「竣工年度」、構造物の長さを示す「案件長さ」、チョークの量を示す「チョーク量」、シミの量を示す「シミ量」が示されている。ただし、他の例として、項目名称領域１２０２は、図１２に示されている項目以外の項目を含んでいてもよい。
項目指定領域１２０３は、項目名称領域１２０２に示される各項目についての値の指定に用いられる領域である。 FIG. 12 is a diagram showing an example of the screen 401 of this embodiment. In this embodiment, the screen 401 is used for inputting structure information of the target subject. In this embodiment, the information processing apparatus 100 displays the screen 401 of FIG. 12 on the display 106 instead of the screen 401 of FIG. 4(a).
The screen 401 of this embodiment includes an item name area 1202 , an item designation area 1203 , buttons 406 and 407 . An item name area 1202 is an area indicating an item of structure information that is a target subject. In the example of FIG. 12, the item name area 1202 includes "project structure" indicating the type of structure, "completion year" indicating the year of completion of the structure, "project length" indicating the length of the structure, chalk "Amount of chalk" indicating the amount of blemishes, and "Amount of stains" indicating the amount of stains are shown. However, as another example, the item name area 1202 may contain items other than the items shown in FIG.
An item designation area 1203 is an area used to designate a value for each item shown in the item name area 1202 .

図１３は、構造物データベース１１０１に記憶された構造物情報テーブル１３０１の一例を示す図である。
本実施形態では、構造物情報テーブル１３０１は、構造物の識別情報を示す「ＩＤ」、構造物の種類を示す「構造」、構造物の竣工年度を示す「竣工」、構造物の長さを示す「案件長さ」の項目を含む。また、構造物情報テーブル１３０１は、構造物のチョークの量を示す「チョーク量」、構造物のシミの量を示す「シミ量」の項目を含む。構造物情報テーブルの各行は、既に画像が撮影され、実行画像処理が実行された構造物についての構造物情報を示す。 FIG. 13 is a diagram showing an example of a structure information table 1301 stored in the structure database 1101. As shown in FIG.
In this embodiment, the structure information table 1301 includes "ID" indicating the identification information of the structure, "structure" indicating the type of structure, "completion" indicating the completion year of the structure, and the length of the structure. Include an item for "issue length" that indicates. The structure information table 1301 also includes items of "amount of chalk" indicating the amount of chalk on the structure and "amount of stain" indicating the amount of stain on the structure. Each row of the structure information table indicates structure information about a structure for which an image has already been captured and execution image processing has been performed.

図１４は、本実施形態の情報処理装置１００の処理の一例を示すフローチャートである。図１４のＳ５０１～Ｓ５０３、Ｓ５１０、Ｓ５１１それぞれの処理は、図５と同様である。図１４の処理のうち図５と異なっている点について説明する。
Ｓ１４０１において、第２の決定部２０３は、画面４０１内の項目指定領域１２０３に指定された対象被写体の構造物についての構造物情報を取得する。以下では、Ｓ１４０１で取得された対象被写体の構造物についての構造物情報を、取得情報とする。
Ｓ１４０２において、第２の決定部２０３は、構造物データベース１１０１から構造物情報テーブル１３０１を取得する。そして、第２の決定部２０３は、構造物情報テーブル１３０１から１行分の構造物情報を選択する。以下、図１０の説明において最新のＳ１００２で選択された情報を選択情報とする。また、第２の決定部２０３は、ＲＡＭ１０２に暫定難易度を記憶する暫定記憶領域を用意する。 FIG. 14 is a flowchart showing an example of processing of the information processing apparatus 100 of this embodiment. The processes of S501 to S503, S510, and S511 in FIG. 14 are the same as in FIG. Among the processes in FIG. 14, points that are different from those in FIG. 5 will be described.
In S<b>1401 , the second determination unit 203 acquires structure information about the structure of the target subject designated in the item designation area 1203 within the screen 401 . In the following, the structure information about the structure of the target subject acquired in S1401 is used as acquired information.
In S<b>1402 , the second determination unit 203 acquires the structure information table 1301 from the structure database 1101 . Then, the second determination unit 203 selects one line of structure information from the structure information table 1301 . Hereinafter, in the description of FIG. 10, the latest information selected in S1002 is assumed to be selected information. Also, the second determination unit 203 prepares a temporary storage area for storing the temporary difficulty level in the RAM 102 .

Ｓ１４０３において、第２の決定部２０３は、Ｓ１４０１で取得した取得情報と選択情報との類似の度合（類似度）を求めて、求めた類似度に基づいて、第２の難易度を決定する。取得情報と選択情報との類似度を求める解析は、被写体解析の一例である。
より具体的には、第２の決定部２０３は、構造物情報の設定された項目（本実施形態では、構造物の種類、竣工年度、構造物の長さ、チョークの量、シミの量）それぞれについて、取得情報と選択情報とが一致しているか否かを特定する。そして、第２の決定部２０３は、１つの項目について、一致している場合、類似の度合を示す指標値（類似値）を１として、一致していない場合、類似値を０とする。そして、第２の決定部２０３は、設定された項目全体について、類似値の合計を求めて、求めた合計を、項目全体の個数で割った値を、取得情報と選択情報との類似度として求める。例えば、構造物情報に含まれる項目が５つであり、一致する項目が２つの場合、類似度は、２／５で０．４となる。
そして、第２の決定部２０３は、１から求めた類似度を引いた値を、第２の難易度として決定する。ただし、第２の決定部２０３は、類似度が高い程低くなり、類似度が低い程高くなるような指標値であれば、他の指標値を第２の難易度として決定してもよい。例えば、第２の決定部２０３は、求めた類似度の逆数を、第２の難易度として決定してもよい。 In S1403, the second determining unit 203 obtains the degree of similarity (similarity) between the acquired information acquired in S1401 and the selected information, and determines the second difficulty level based on the obtained similarity. An analysis that obtains the degree of similarity between acquired information and selected information is an example of subject analysis.
More specifically, the second determination unit 203 determines the items set in the structure information (in this embodiment, the type of structure, the year of completion, the length of the structure, the amount of chalk, and the amount of stains) For each of them, it is specified whether or not the acquired information and the selected information match. Then, for one item, the second determination unit 203 sets the index value (similarity value) indicating the degree of similarity to 1 when the items match, and sets the similarity value to 0 when the items do not match. Then, the second determination unit 203 obtains the sum of similarity values for all of the set items, and divides the obtained sum by the total number of items as the degree of similarity between the acquired information and the selected information. demand. For example, if there are five items included in the structure information and there are two matching items, the similarity is 2/5=0.4.
Then, the second determination unit 203 determines a value obtained by subtracting the obtained similarity from 1 as the second difficulty. However, the second determination unit 203 may determine another index value as the second difficulty level as long as the index value becomes lower as the similarity becomes higher and becomes higher as the similarity becomes lower. For example, the second determination unit 203 may determine the reciprocal of the obtained similarity as the second difficulty.

本実施形態では、第２の決定部２０３は、設定された項目それぞれについて、取得情報と選択情報とが一致するか否かに基づいて、取得情報と選択情報との類似値を求めることとする。ただし、他の例として、第２の決定部２０３は、構造物情報の項目によっては、元の値をそのまま比較するだけでなく、加工した値で比較して一致するか否かを決定してもよい。例えば、第２の決定部２０３は、竣工年度について、取得情報と選択情報との差分が、設定された閾値よりも小さい場合、取得情報と選択情報とが一致すると決定し、設定された閾値以上の場合、取得情報と選択情報とが一致しないと決定してもよい。
また、第２の決定部２０３は、比較対象の構造物情報の竣工年度同士の差を、所定の年数（例えば１０年）で区分けされた何れの段階に属するかに応じて、類似値を決定してもよい。例えば、第２の決定部２０３は、この差が、１０年未満である場合、類似値を１．０として、１０年以上２０年未満である場合、類似値を０．７５として、２０年以上３０年未満である場合、類似値を０．５としてもよい。そして、第２の決定部２０３は、この差が、３０年以上４０年未満である場合、類似値を０．２５、４０年以上である場合、類似値を０としてもよい。 In this embodiment, the second determining unit 203 obtains a similarity value between the acquired information and the selected information based on whether the acquired information and the selected information match for each of the set items. . However, as another example, depending on the item of structure information, the second determination unit 203 not only compares the original values as they are, but also compares the processed values to determine whether or not they match. good too. For example, the second determining unit 203 determines that the acquired information and the selected information match when the difference between the acquired information and the selected information is smaller than the set threshold for the completion year, and determines that the acquired information matches the selected information. , it may be determined that the acquired information and the selected information do not match.
Further, the second determination unit 203 determines a similarity value according to which stage the difference between the completion years of the structure information to be compared belongs to, divided by a predetermined number of years (for example, 10 years). You may For example, the second determination unit 203 sets the similarity value to 1.0 when the difference is less than 10 years, and sets the similarity value to 0.75 when the difference is 10 years or more and less than 20 years. If less than 30 years, the similarity value may be 0.5. Then, the second determination unit 203 may set the similarity value to 0.25 when the difference is 30 years or more and less than 40 years, and may set the similarity value to 0 when the difference is 40 years or more.

Ｓ１４０４において、第２の決定部２０３は、Ｓ１４０３で決定した仮難易度が予め定められた閾値（破線４１４が示す第２閾値）未満か否かを判定する。本実施形態の第２閾値は、実施形態１、２の場合と異なる値であってもよい。第２の決定部２０３は、Ｓ１４０３で決定した仮難易度が第２閾値未満であると判定した場合、この仮難易度を最終的な第２の難易度として決定し、処理をＳ５１０に進める。
また、第２の決定部２０３は、Ｓ１４０３で決定した仮難易度が第２閾値以上であると判定した場合、処理をＳ１４０５に進める。また、この場合、第２の決定部２０３は、Ｓ１４０３で決定した仮難易度が、暫定記憶領域に記憶された値よりも小さければ、暫定記憶領域に記憶された値を、Ｓ１４０３で決定した仮難易度の値で更新する。また、第２の決定部２０３は、暫定記憶領域に値が記憶されていない場合、Ｓ１４０３で決定した仮難易度の値を、暫定記憶領域に記憶する。 In S1404, the second determination unit 203 determines whether or not the provisional difficulty level determined in S1403 is less than a predetermined threshold (second threshold indicated by dashed line 414). The second threshold in this embodiment may be a different value from those in the first and second embodiments. If the second determination unit 203 determines that the provisional difficulty determined in S1403 is less than the second threshold, it determines this provisional difficulty as the final second difficulty, and advances the process to S510.
If the second determination unit 203 determines that the tentative difficulty level determined in S1403 is equal to or greater than the second threshold, the process advances to S1405. Also, in this case, if the provisional difficulty level determined in S1403 is smaller than the value stored in the temporary storage area, the second determination unit 203 changes the value stored in the provisional storage area to the temporary difficulty level determined in S1403. Update with difficulty value. If no value is stored in the temporary storage area, the second determining unit 203 stores the temporary difficulty level value determined in S1403 in the temporary storage area.

Ｓ１４０５において、第２の決定部２０３は、構造物情報テーブル１３０１内の全ての構造物情報について、Ｓ１４０２で選択情報として選択したか否かを判定する。
第２の決定部２０３は、構造物情報テーブル１３０１内の全ての構造物情報について、Ｓ１４０２で選択情報として選択したと判定した場合、暫定記憶領域に記憶されている値を最終的な第２の難易度として決定し、処理をＳ５１０に進める。第２の決定部２０３は、構造物情報テーブル１３０１内にＳ１４０２で選択情報として選択されていない構造物情報があると判定した場合、処理をＳ１４０２に進める。 In S1405, the second determination unit 203 determines whether or not all structure information in the structure information table 1301 has been selected as selection information in S1402.
When the second determination unit 203 determines that all structure information in the structure information table 1301 has been selected as selection information in S1402, the value stored in the temporary storage area is used as the final second The difficulty level is determined, and the process proceeds to S510. If the second determination unit 203 determines that there is structure information not selected as selection information in S1402 in the structure information table 1301, the process advances to S1402.

以上、本実施形態では、情報処理装置１００は、提供サービスの対象となる対象被写体の構造物情報を取得し、取得した情報と、既に実行画像処理が実行済みの画像に対応する構造物情報との類似の度合から、第２の難易度を算出する。情報処理装置１００は、対象被写体の構造物情報と、予め定められた構造物情報と、の類似度が高い程、低くなるように、また、この類似度が低い程、高くなるように、第２の難易度を決定することとした。これにより、情報処理装置１００は、画像の解析で得られない被写体の情報を加味した第２の難易度を決定できる。情報処理装置１００は、画像の解析からだけでは求めることが困難な構造物情報（例えば、構造物の種類、形状、製造年度の情報等）を加味した第２の難易度を決定できる。即ち、情報処理装置１００は、構造物情報を加味したうえで、対象画像を対象とする提供サービスに係る価格を決定できる。
なお、本実施形態の情報処理装置に実施形態１や実施形態２で行っている画像処理による難易度算出の手法を加えてもよい。例えば、情報処理装置１００は、２軸で無く、複数の軸で判定し、価格指標を決定してもよい。 As described above, in the present embodiment, the information processing apparatus 100 acquires the structure information of the target subject to be provided with the service, and combines the acquired information with the structure information corresponding to the image on which the execution image processing has already been executed. A second difficulty level is calculated from the degree of similarity between the two. The information processing apparatus 100 performs the following operations so that the higher the similarity between the structure information of the target subject and the predetermined structure information is, the lower the similarity is, and the lower the similarity is, the higher the similarity is. It was decided to determine the degree of difficulty of 2. Accordingly, the information processing apparatus 100 can determine the second difficulty level taking into account subject information that cannot be obtained by image analysis. The information processing apparatus 100 can determine the second difficulty level in consideration of structure information (for example, structure type, shape, manufacturing year information, etc.) that is difficult to obtain from image analysis alone. That is, the information processing apparatus 100 can determine the price of the service provided for the target image, taking into consideration the structure information.
Note that the method of calculating the difficulty level by image processing performed in the first and second embodiments may be added to the information processing apparatus of the present embodiment. For example, the information processing apparatus 100 may determine the price index by making determinations using a plurality of axes instead of two axes.

＜その他の実施形態＞
実施形態１～３では、実行画像処理は、画像から、構造物のひび割れ部分を検出する処理であるとした。ただし、他の例として、実行画像処理は、画像から、構造物のひび割れ部分と異なるオブジェクト（例えば、構造物における塗料が剥げている部分、構造物における歪曲している部分等）を検出する処理であるとしてもよい。また、実行画像処理は、画像から、複数の種類のオブジェクトを検出する処理であるとしてもよい。
なお、実施形態１～３で上述した各処理部のうち、第１の決定部２０２、第２の決定部２０３、分析部２０４等については、情報処理装置１００は、その代わりとして、機械学習された学習済みモデルを代わりに用いて処理してもよい。その場合には、例えば、その処理部への入力データと出力データとの組合せを学習データとして複数個準備し、それらから機械学習によって知識を獲得し、獲得した知識に基づいて入力データに対する出力データを結果として出力する学習済みモデルを生成する。学習済みモデルは、例えばニューラルネットワークモデルで構成可能である。そして、その学習済みモデルは、これらの処理部と同等の処理をするためのプログラムとして、ＣＰＵあるいはＧＰＵなどと協働で動作することにより、前記処理部の処理を行う。なお、情報処理装置１００は、上記学習済みモデルを、必要に応じて一定の処理後に更新するようにしてもよい。 <Other embodiments>
In Embodiments 1 to 3, execution image processing is processing for detecting cracks in a structure from an image. However, as another example, the execution image processing is a process for detecting an object different from the cracked part of the structure (for example, a part where the paint is peeling off in the structure, a distorted part in the structure, etc.) from the image. It may be Also, the execution image processing may be processing for detecting a plurality of types of objects from an image.
Among the processing units described above in Embodiments 1 to 3, the first determination unit 202, the second determination unit 203, the analysis unit 204, and the like are replaced by the information processing apparatus 100 using machine learning. Alternatively, a pre-trained model may be used for processing. In that case, for example, a plurality of combinations of input data and output data to the processing unit are prepared as learning data, knowledge is acquired from them by machine learning, and output data for the input data is based on the acquired knowledge. Generate a trained model that outputs as a result. A trained model can be composed of, for example, a neural network model. The trained model, as a program for performing processing equivalent to those of these processing units, operates in cooperation with the CPU or GPU to perform the processing of the processing units. Note that the information processing apparatus 100 may update the learned model as necessary after a certain process.

本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記録媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読み出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。 The present invention supplies a program that implements one or more functions of the above-described embodiments to a system or apparatus via a network or a recording medium, and one or more processors in the computer of the system or apparatus reads and executes the program. It can also be realized by processing to It can also be implemented by a circuit (for example, ASIC) that implements one or more functions.

例えば、上述した情報処理装置１００の機能構成の一部又は全てをハードウェアとして情報処理装置１００に実装してもよい。以上、本発明の実施形態の一例について詳述したが、本発明は係る特定の実施形態に限定されるものではない。例えば、上述した各実施形態を任意に組み合わせる等してもよい。 For example, part or all of the functional configuration of the information processing apparatus 100 described above may be implemented in the information processing apparatus 100 as hardware. Although one example of the embodiment of the present invention has been described in detail above, the present invention is not limited to such a specific embodiment. For example, the embodiments described above may be combined arbitrarily.

１００ 情報処理装置
１０１ ＣＰＵ 100 information processing device 101 CPU

Claims (10)

被写体の画像を取得する取得手段と、
前記取得手段により取得された前記画像についての、画質に関する第１の解析の結果に基づいて、前記画像に対する画像処理の第１の難易度を決定する第１の決定手段と、
前記被写体についての第２の解析の結果に基づいて、前記取得手段により取得された前記画像に対する前記画像処理の第２の難易度を決定する第２の決定手段と、
前記第１の決定手段により決定された前記第１の難易度と、前記第２の決定手段により決定された前記第２の難易度と、に基づいて、前記取得手段により取得された前記画像に対して前記画像処理を実行するサービスの価値を示す情報を決定する第３の決定手段と、
を有する情報処理装置。 acquisition means for acquiring an image of a subject;
a first determination means for determining a first difficulty level of image processing for the image based on a result of a first analysis regarding image quality of the image acquired by the acquisition means;
a second determining means for determining a second difficulty level of the image processing for the image acquired by the acquiring means based on the result of the second analysis of the subject;
Based on the first difficulty level determined by the first determination means and the second difficulty level determined by the second determination means, the image acquired by the acquisition means a third determining means for determining information indicating the value of the service for executing the image processing;
Information processing device having 前記第２の解析は、前記取得手段により取得された前記画像から設定されたオブジェクトを検知する検知処理であって、設定された学習モデルを用いて行われる前記検知処理の精度に関する解析である請求項１に記載の情報処理装置。 The second analysis is a detection process for detecting a set object from the image acquired by the acquisition means, and is an analysis relating to accuracy of the detection process performed using a set learning model. Item 1. The information processing apparatus according to item 1. 前記第２の解析は、前記取得手段により取得された前記画像と、設定された画像と、の類似の度合に関する解析である請求項１に記載の情報処理装置。 2. The information processing apparatus according to claim 1, wherein said second analysis is an analysis relating to a degree of similarity between said image acquired by said acquisition means and a set image. 前記第２の解析は、前記被写体と、設定されたオブジェクトと、の類似の度合に関する解析である請求項１に記載の情報処理装置。 The information processing apparatus according to claim 1, wherein the second analysis is an analysis regarding a degree of similarity between the subject and a set object. 前記サービスの価値を示す情報とは前記サービスに係る価格であり、
前記第３の決定手段により決定された前記価格を出力する第１の出力手段を更に有する請求項１乃至４の何れか１項に記載の情報処理装置。 the information indicating the value of the service is the price of the service;
5. The information processing apparatus according to claim 1, further comprising first output means for outputting said price determined by said third determination means. 前記第１の出力手段は、前記第３の決定手段により決定された前記価格を表示することで出力する請求項５に記載の情報処理装置。 6. The information processing apparatus according to claim 5 , wherein said first output means outputs by displaying said price determined by said third determination means. 前記第１の決定手段により決定された前記第１の難易度が取り得る値を示す第１の軸と、前記第２の決定手段により決定された前記第２の難易度が取り得る値を示す第２の軸と、含むグラフであって、前記第１の難易度と前記第２の難易度とに対応する位置に前記画像に対応するオブジェクトがプロットされた前記グラフを表示する表示制御手段を更に有する請求項１乃至６の何れか１項に記載の情報処理装置。 A first axis indicating possible values of the first difficulty level determined by the first determining means and a possible value of the second difficulty level determined by the second determining means. display control means for displaying a graph including a second axis, wherein objects corresponding to the images are plotted at positions corresponding to the first difficulty level and the second difficulty level; The information processing apparatus according to any one of claims 1 to 6 , further comprising: 被写体の画像を取得する取得手段と、
前記取得手段により取得された前記画像についての、画質に関する第１の解析の結果に基づいて、前記画像に対する画像処理の第１の難易度を決定する第１の決定手段と、
前記被写体についての第２の解析の結果に基づいて、前記取得手段により取得された前記画像に対する前記画像処理の第２の難易度を決定する第２の決定手段と、
前記第１の決定手段により決定された前記第１の難易度と、前記第２の決定手段により決定された前記第２の難易度と、に基づいて、前記取得手段により取得された前記画像に対して前記画像処理を実行するサービスの価値を示す情報を決定する第３の決定手段と、
を有するシステム。 acquisition means for acquiring an image of a subject;
a first determination means for determining a first difficulty level of image processing for the image based on a result of a first analysis regarding image quality of the image acquired by the acquisition means;
a second determining means for determining a second difficulty level of the image processing for the image acquired by the acquiring means based on the result of the second analysis of the subject;
Based on the first difficulty level determined by the first determination means and the second difficulty level determined by the second determination means, the image acquired by the acquisition means a third determining means for determining information indicating the value of the service for executing the image processing;
A system with 情報処理装置が実行する情報処理方法であって、
被写体の画像を取得する取得ステップと、
前記取得ステップで取得された前記画像についての、画質に関する第１の解析の結果に基づいて、前記画像に対する画像処理の第１の難易度を決定する第１の決定ステップと、
前記被写体についての第２の解析の結果に基づいて、前記取得ステップで取得された前記画像に対する前記画像処理の第２の難易度を決定する第２の決定ステップと、
前記第１の決定ステップで決定された前記第１の難易度と、前記第２の決定ステップで決定された前記第２の難易度と、に基づいて、前記取得ステップで取得された前記画像に対して前記画像処理を実行するサービスの価値を示す情報を決定する第３の決定ステップと、
を含む情報処理方法。 An information processing method executed by an information processing device,
an acquisition step of acquiring an image of a subject;
a first determination step of determining a first difficulty level of image processing for the image based on a result of a first image quality analysis of the image acquired in the acquisition step;
a second determination step of determining a second difficulty level of the image processing for the image acquired in the acquisition step based on a result of a second analysis of the subject;
Based on the first difficulty determined in the first determination step and the second difficulty determined in the second determination step, the image acquired in the acquisition step a third determining step of determining information indicative of the value of the service performing the image processing for the
Information processing method including. コンピュータを、請求項１乃至７の何れか１項に記載の情報処理装置の各手段として機能させるためのプログラム。 A program for causing a computer to function as each means of the information processing apparatus according to any one of claims 1 to 7 .
JP2019111305A 2019-06-14 2019-06-14 Information processing device, system, information processing method and program Active JP7337557B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019111305A JP7337557B2 (en) 2019-06-14 2019-06-14 Information processing device, system, information processing method and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019111305A JP7337557B2 (en) 2019-06-14 2019-06-14 Information processing device, system, information processing method and program

Publications (2)

Publication Number Publication Date
JP2020204835A JP2020204835A (en) 2020-12-24
JP7337557B2 true JP7337557B2 (en) 2023-09-04

Family

ID=73838402

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019111305A Active JP7337557B2 (en) 2019-06-14 2019-06-14 Information processing device, system, information processing method and program

Country Status (1)

Country Link
JP (1) JP7337557B2 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7023425B1 (en) * 2021-03-29 2022-02-21 三菱電機株式会社 Information processing equipment, information processing methods, and information processing programs

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012109750A (en) 2010-11-16 2012-06-07 Konica Minolta Business Technologies Inc Image processing system and image processing method
JP2015123047A (en) 2013-12-27 2015-07-06 富士ゼロックス株式会社 Image processing device and program
WO2017126368A1 (en) 2016-01-22 2017-07-27 富士フイルム株式会社 Imaging support device and imaging support method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012109750A (en) 2010-11-16 2012-06-07 Konica Minolta Business Technologies Inc Image processing system and image processing method
JP2015123047A (en) 2013-12-27 2015-07-06 富士ゼロックス株式会社 Image processing device and program
WO2017126368A1 (en) 2016-01-22 2017-07-27 富士フイルム株式会社 Imaging support device and imaging support method

Also Published As

Publication number Publication date
JP2020204835A (en) 2020-12-24

Similar Documents

Publication Publication Date Title
KR101346539B1 (en) Organizing digital images by correlating faces
US7936377B2 (en) Method and system for optimizing an image for improved analysis of material and illumination image features
US11378522B2 (en) Information processing apparatus related to machine learning for detecting target from image, method for controlling the same, and storage medium
US8542951B2 (en) Image retrieval device and computer program for image retrieval applicable to the image retrieval device
US7123753B2 (en) Mascara selecting method, mascara selecting system, and mascara counseling tool
US20130187954A1 (en) Image data generation apparatus and image data generation method
CN109426835A (en) Information processing unit, the control method of information processing unit and storage medium
JP2005339522A (en) Method for automatically identifying hair region
WO2015115274A1 (en) Object assessment device, image sensor, and object assessment method
US10762372B2 (en) Image processing apparatus and control method therefor
US20120207379A1 (en) Image Inspection Apparatus, Image Inspection Method, And Computer Program
US20150356342A1 (en) Image processing apparatus, image processing method, and storage medium
JP2020129439A (en) Information processing system and information processing method
CN114374760A (en) Image testing method and device, computer equipment and computer readable storage medium
JP7337557B2 (en) Information processing device, system, information processing method and program
CN106355182A (en) Methods and devices for object detection and image processing
JP7154786B2 (en) Image processing device, image processing method and program
CN112837108A (en) Information processing method and device and electronic equipment
US20230080978A1 (en) Machine learning method and information processing apparatus for machine learning
CN109740409A (en) Information processing unit and method, photographic device, camera arrangement and storage medium
JP2001195579A (en) Image evaluating device
JP2018197692A (en) Damage state processing system
JP2018005612A (en) Image processing device, image processing method, and program
JP2006260410A (en) Evaluation apparatus and method for image processing algorithm, producing system and method, program for making computer function as evaluation system, and program for making computer function as producing system
WO2024095721A1 (en) Image processing device and image processing method

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220610

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230414

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230425

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230531

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230725

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230823

R151 Written notification of patent or utility model registration

Ref document number: 7337557

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151