JP7492120B2 - 消耗状態学習装置、学習済モデルの生成方法及びプログラム - Google Patents

Description

本発明は、消耗状態学習装置、学習済モデルの生成方法及びプログラムに関する。

特許文献１には、タイヤ圧監視センサ（ＴＰＭＳ）とＲＦＩＤ（Radio Frequency IDentification）タグとを含み、固有のタイヤ識別コードがＴＰＭＳとＲＦＩＤタグとの間で共有されるタイヤ組立体が記載されている。

特許文献２には、ガソリンスタンドに設けられたカードリーダによって基準ＩＤコードを読み取り、車両ごとのタイヤセンサユニットから送信される信号中のＩＤコードと基準ＩＤコードとの照合結果に基づき車両を識別する技術が記載されている。特許文献２に記載の技術では、識別された車両から送信される信号に含まれるデータが示す、ＩＤコードに対応するタイヤ状態に関する情報が表示される。

特許文献３には、タイヤ内面に貼り付けられ各タイヤに固有の番号を書き込まれたＲＦＩＤを読み取った端末が、当該タイヤの着脱に係るタイヤ着脱記録情報をタイヤ中央管理装置に送信する技術が記載されている。特許文献３に記載の技術では、タイヤについての過去に発生したイベントを記録したタイヤ使用履歴データがタイヤ中央管理装置に蓄積される。

特許文献４には、地形や建物の３次元形状情報から自動的に認識された環境情報およびセンサのセンサパラメータに基づき、仮想センサデータおよび教師データを出力する機械学習用データベース作成システムが記載されている。

特許文献５には、タイヤの使用履歴に関するデータから、機械学習アルゴリズムにより、異常なデータを検出する異常データ検出方法が記載されている。

特開２０１７－１１４４８３号公報 特開２０１３－２５２７７７号公報 特開２００５－１３８７３８号公報 国際公開第２０１８／０２０９５４号 特開２０１９－７４９２７号公報

特許文献１～３に記載の技術では、使用開始後におけるタイヤの状態に関する情報をタイヤ毎に収集することができるが、収集できる情報だけからでは新たなタイヤを設計するための充分な知見が得られない。

また、特許文献４、５に記載の技術を用いても、新たなタイヤを設計するための知見を得ることはできない。

なお、このことは、新たなタイヤを設計する場面に限らず、新たな製品を設計する場面において一般的にあてはまる。

本発明は上記実情に鑑みてなされたものであって、その目的の一つは、新たな製品の設計に有用な知見を得ることができる消耗状態学習装置、学習済モデルの生成方法及びプログラムを提供することにある。

上記課題を解決するために、本発明に係る消耗状態学習装置は、製品個体の消耗状態の推定に用いられる機械学習モデルの学習を実行する消耗状態学習装置であって、製品個体に設けられた情報記録媒体に記録された当該製品個体に固有の識別コードを読み取る識別コード読み取り手段と、前記製品個体を撮影した画像に基づいて、当該製品個体の消耗状態を示す教師データを生成する教師データ生成手段と、前記製品個体を含む複数の製品個体の設計データを記憶する記憶手段にアクセスして、前記識別コードにより識別される前記製品個体の前記設計データを取得する取得手段と、取得される前記設計データを含む学習入力データを前記機械学習モデルに入力した際の出力と、前記教師データと、を用いて、前記機械学習モデルの学習を実行する学習手段と、を含む。

本発明の一態様では、前記記憶手段は、前記製品個体が生産された工場、当該製品個体の生産に用いられた生産設備、又は、当該製品個体の生産日時のうちの少なくとも１つを示す生産データをさらに記憶し、前記取得手段は、前記識別コードにより識別される前記製品個体の前記生産データをさらに取得し、前記学習手段は、前記生産データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する。

また、本発明の一態様では、前記学習手段は、前記情報記録媒体が設けられた前記製品個体の使用状況を示す使用状況データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する。

この態様では、前記画像に基づいて前記使用状況データを生成する使用状況データ生成手段、をさらに含み、前記学習手段は、生成される前記使用状況データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行してもよい。

また、本発明の一態様では、前記機械学習モデルは、個体のタイヤの消耗状態の推定に用いられるものであって、前記識別コード読み取り手段は、個体のタイヤに設けられた情報記録媒体に記録された当該タイヤに固有の識別コードを読み取り、前記教師データ生成手段は、前記タイヤを撮影した画像に基づいて、当該タイヤの消耗状態を示す前記教師データを生成し、前記取得手段は、前記タイヤを含む複数のタイヤの設計データを記憶する前記記憶手段にアクセスして、前記識別コードにより識別される前記タイヤの前記設計データを取得する。

この態様では、前記タイヤを備えた車両における当該タイヤの位置を示す位置データを生成する位置データ生成手段、をさらに含み、前記学習手段は、前記位置データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行してもよい。

さらに、前記車両の種別を示す車種データを生成する車種データ生成手段、をさらに含み、前記学習手段は、前記車種データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行してもよい。

あるいは、前記車両が備えるタイヤの数を示すタイヤ数データを生成するタイヤ数データ生成手段、をさらに含み、前記学習手段は、前記タイヤ数データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行してもよい。

また、前記画像に基づいて推定される、前記情報記録媒体が設けられた前記タイヤの残溝量に基づいて、当該タイヤの使用状況を示す使用状況データを生成する使用状況データ生成手段、をさらに含み、前記学習手段は、生成される前記使用状況データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行してもよい。

また、前記機械学習モデルは、個体のタイヤの摩耗状態の推定に用いられるものであって、前記教師データ生成手段は、前記タイヤの摩耗状態を示す前記教師データを生成してもよい。

あるいは、前記機械学習モデルは、個体のタイヤの偏摩耗の有無の推定に用いられるものであって、前記教師データ生成手段は、前記タイヤの偏摩耗の有無を示す前記教師データを生成してもよい。

また、本発明に係る学習済モデルの生成方法は、製品個体の消耗状態の推定に用いられる機械学習モデルの学習を実行する学習済モデルの生成方法であって、製品個体に設けられた情報記録媒体に記録された当該製品個体に固有の識別コードを読み取るステップと、前記製品個体を撮影した画像に基づいて、当該製品個体の消耗状態を示す教師データを生成するステップと、前記製品個体を含む複数の製品個体の設計データを記憶する記憶手段にアクセスして、前記識別コードにより識別される前記製品個体の前記設計データを取得するステップと、取得される前記設計データを含む学習入力データを前記機械学習モデルに入力した際の出力と、前記教師データと、を用いて、前記機械学習モデルの学習を実行するステップと、を含む。

また、本発明に係るプログラムは、製品個体の消耗状態の推定に用いられる機械学習モデルの学習を実行するコンピュータに、製品個体に設けられた情報記録媒体に記録された当該製品個体に固有の識別コードを読み取る手順、前記製品個体を撮影した画像に基づいて、当該製品個体の消耗状態を示す教師データを生成する手順、前記製品個体を含む複数の製品個体の設計データを記憶する記憶手段にアクセスして、前記識別コードにより識別される前記製品個体の前記設計データを取得する手順、取得される前記設計データを含む学習入力データを前記機械学習モデルに入力した際の出力と、前記教師データと、を用いて、前記機械学習モデルの学習を実行する手順、を実行させる。

本発明の一実施形態に係る情報処理装置の構成の一例を示す図である。 製品管理データの一例を示す図である。 車両の上面の一例を模式的に示す図である。 車両の上面の一例を模式的に示す図である。 学習データの一例を示す図である。 本発明の一実施形態に係る情報処理装置の機能の一例を示す機能ブロック図である。 本発明の一実施形態に係る情報処理装置で行われる処理の流れの一例を示すフロー図である。 本発明の一実施形態に係る情報処理装置で行われる処理の流れの一例を示すフロー図である。 本発明の一実施形態に係る情報処理装置で行われる処理の流れの一例を示すフロー図である。

以下、本発明の一実施形態について、図面を参照しながら説明する。

図１は、本発明の一実施形態に係る情報処理装置１０の構成の一例を示す図である。本実施形態に係る情報処理装置１０は、パーソナルコンピュータなどのコンピュータである。図１に示すように情報処理装置１０は、例えば、プロセッサ１２、記憶部１４、通信部１６、表示部１８、操作部２０、撮影部２２、ＲＦＩＤリーダ部２４を含んでいる。

プロセッサ１２は、例えば情報処理装置１０にインストールされるプログラムに従って動作するＣＰＵ等のプログラム制御デバイスである。

記憶部１４は、ＲＯＭやＲＡＭ等の記憶素子やハードディスクドライブなどである。記憶部１４には、プロセッサ１２によって実行されるプログラムなどが記憶される。

通信部１６は、例えばネットワークボードなどの通信インタフェースである。

表示部１８は、液晶ディスプレイ等の表示デバイスであって、プロセッサ１２の指示に従って各種の画像を表示する。

操作部２０は、キーボードやマウスなどといったユーザインタフェースであって、ユーザの操作入力を受け付けて、その内容を示す信号をプロセッサ１２に出力する。

撮影部２２は、デジタルカメラ等の撮影デバイスであり、撮影によって生成される画像をプロセッサ１２に出力する。また、撮影部２２が、三次元画像が撮影可能なステレオカメラや、奥行き画像が撮影可能なデプスカメラなどの撮影デバイスであり、撮影によって生成される三次元画像や奥行き画像をプロセッサ１２に出力してもよい。本実施形態に係る情報処理装置１０が複数の撮影部２２を備えていてもよい。また、撮影部２２が、一連の三次元画像を含む三次元動画像や、一連の奥行き画像を含む奥行き動画像を撮影可能なビデオカメラであってもよい。

ＲＦＩＤリーダ部２４は、本実施形態では例えば、電磁界や電波などを用いた近距離の無線通信によって、ＲＦＩＤタグ等の情報記録媒体に記録された識別コードを読み取るデバイスである。本実施形態では例えば、個体のタイヤ等の製品個体にＲＦＩＤタグ等の情報記録媒体が設けられている。本実施形態に係るＲＦＩＤリーダ部２４は、当該情報記録媒体に記録された、当該情報記録媒体が設けられた製品個体に固有の識別コードを読み取る。本実施形態に係る情報処理装置１０が複数のＲＦＩＤリーダ部２４を備えていてもよい。本実施形態に係るＲＦＩＤリーダ部２４が備えるアンテナには指向性があり、当該ＲＦＩＤリーダ部２４は、当該ＲＦＩＤリーダ部２４の位置及び向きを基準とした予め定められた範囲に存在するＲＦＩＤタグを検出できるようになっている。

なお、情報処理装置１０は、ＤＶＤ－ＲＯＭやＢｌｕ－ｒａｙ（登録商標）ディスクなどの光ディスクを読み取る光ディスクドライブ、ＵＳＢ（Universal Serial Bus）ポートなどを含んでいてもよい。

本実施形態に係る情報処理装置１０では、製品個体の消耗状態の推定に用いられる機械学習モデルの学習が実行される。ここでは一例として、個体のタイヤの消耗状態の推定に用いられる機械学習モデルの学習が実行されることとする。

当該機械学習モデルの学習にあたって、本実施形態に係る情報処理装置１０は、通信部１６を介して、例えば社内に設けられたデータベースである、複数の個体のタイヤに関する情報を管理する製品管理データベース３０にアクセスする。

図２は、製品管理データベース３０に記憶されている製品管理データの一例を示す図である。本実施形態に係る製品管理データは、例えば、個体のタイヤに対応付けられるデータである。

図２に示すように、本実施形態に係る製品管理データには、例えば、識別コードデータ、製品データ、設計データ、生産データ、などが含まれる。

識別コードデータは、本実施形態では例えば、個体のタイヤに予め割り当てられた、当該タイヤに固有の識別コードを示すデータである。本実施形態では例えば、タイヤに割り当てられた識別コードが記録されたＲＦＩＤタグ等の情報記録媒体が当該タイヤに予め取り付けられている。

製品データは、本実施形態では例えば、当該タイヤのブランド名などといった当該製品に関する情報を示すデータである。

設計データは、本実施形態では例えば、当該タイヤの設計に関する情報を示すデータである。図２に示す設計データには、当該タイヤに用いられているベルトの種類を示すベルトデータが含まれている。また、当該設計データには、当該タイヤのゴム物性を示すゴム物性データが含まれている。

生産データは、本実施形態では例えば、当該タイヤの生産に関する情報を示すデータである。図２に示す生産データには、当該タイヤが生産された工場の識別番号を示す工場番号が含まれている。また、当該生産データには、当該タイヤの生産に用いられた成形機の種類に対応する成形機番号が含まれている。また、当該生産データには、当該タイヤが生産された日時を示す生産日時データが含まれている。

また、本実施形態に係る機械学習モデルの学習にあたって、ＲＦＩＤリーダ部２４によって、タイヤに設けられたＲＦＩＤタグ等の情報記録媒体に記録された、当該タイヤに固有の識別コードが読み取られる。また、撮影部２２によって、当該タイヤの画像（例えばトレッド面や側面の画像）が撮影される。そして、公知の画像認識技術を用いることで、当該画像に基づいて、当該タイヤの残溝量及び偏摩耗の有無が推定される。ここで、公知の学習済の機械学習モデルを用いることで、タイヤの残溝量及び偏摩耗の有無が推定されてもよい。

図３は、上述のタイヤを備えた車両４０の上面の一例を模式的に示す図である。図３に示す車両４０は、４つのタイヤ（右前輪タイヤ４２、右後輪タイヤ４４、左前輪タイヤ４６、及び、左後輪タイヤ４８）を備えている。車両４０が備えるタイヤのそれぞれには、当該タイヤに固有の識別コードが記録されたＲＦＩＤタグが設けられている。図３に示す車両４０は、図３における左方向に低速で走行する。

本実施形態では例えば、図３に示すように、２つの撮影部２２（２２ａ及び２２ｂ）が、それぞれ、車両４０が走行する車線の脇に、撮影方向が車線に対して斜め方向となるよう設けられている。

また、本実施形態では例えば、図３に示すように、２つのＲＦＩＤリーダ部２４（２４ａ及び２４ｂ）が、それぞれ、車両４０が走行する車線の脇に、ＲＦＩＤタグの検出方向が車線に対して斜め方向となるよう設けられている。

ＲＦＩＤリーダ部２４ａは、撮影部２２ａと並んで、撮影部２２ａよりも図３における左（車両４０の走行方向に沿って前方）に配置されている。ＲＦＩＤリーダ部２４ｂは、撮影部２２ｂと並んで、撮影部２２ｂよりも図３における左（車両４０の走行方向に沿って前方）に配置されている。

撮影部２２ａは、車両４０の右前輪タイヤ４２のトレッド面及び側面が写る画像を撮影する。当該画像に基づいて、右前輪タイヤ４２の残溝量及び偏摩耗の有無が推定される。また、撮影部２２ａは、車両４０の右後輪タイヤ４４のトレッド面及び側面が写る画像を撮影する。当該画像に基づいて、右後輪タイヤ４４の残溝量及び偏摩耗の有無が推定される。

ＲＦＩＤリーダ部２４ａは、車両４０の右前輪タイヤ４２に設けられているＲＦＩＤタグに記録された、右前輪タイヤ４２の識別コードを読み取る。また、ＲＦＩＤリーダ部２４ａは、車両４０の右後輪タイヤ４４に設けられているＲＦＩＤタグに記録された、右後輪タイヤ４４の識別コードを読み取る。

撮影部２２ｂは、車両４０の左前輪タイヤ４６のトレッド面及び側面が写る画像を撮影する。当該画像に基づいて、左前輪タイヤ４６の残溝量及び偏摩耗の有無が推定される。また、撮影部２２ｂは、車両４０の左後輪タイヤ４８のトレッド面及び側面が写る画像を撮影する。当該画像に基づいて、左後輪タイヤ４８の残溝量及び偏摩耗の有無が推定される。

ＲＦＩＤリーダ部２４ｂは、車両４０の左前輪タイヤ４６に設けられているＲＦＩＤタグに記録された、左前輪タイヤ４６の識別コードを読み取る。また、ＲＦＩＤリーダ部２４ｂは、車両４０の左後輪タイヤ４８に設けられているＲＦＩＤタグに記録された、左後輪タイヤ４８の識別コードを読み取る。

そして、情報処理装置１０は、製品管理データベース３０にアクセスして、以上のようにして読み取られた４つの識別コードのそれぞれについての、当該識別コードを示す識別コードデータを含む製品管理データを取得する。このようにして、右前輪タイヤ４２、右後輪タイヤ４４、左前輪タイヤ４６、及び、左後輪タイヤ４８の製品管理データが取得される。

本実施形態において、例えば、ＲＦＩＤリーダ部２４ａによるＲＦＩＤタグの検出をトリガとして、撮影部２２ａが動画像の撮影を開始してもよい。そして、撮影部２２ａによって撮影される画像に車両４０あるいはタイヤが写っていないことが確認された際に、撮影部２２ａによる動画像の撮影が終了されてもよい。

そして、撮影された動画像から、右前輪タイヤ４２が写る１又は複数のフレーム画像、及び、右後輪タイヤ４４が写る１又は複数のフレーム画像が抽出されてもよい。上述のように、当該動画像では、右前輪タイヤ４２が写った後に右後輪タイヤ４４が写るため、フレーム画像が撮影されたタイミングに基づいて、右前輪タイヤ４２が写る画像、及び、右後輪タイヤ４４が写る画像の特定は可能である。そして、抽出されたフレーム画像に基づいて、右前輪タイヤ４２、及び、右後輪タイヤ４４のそれぞれについて、残溝量及び偏摩耗の有無が推定されてもよい。

また、当該動画像の撮影期間中に、ＲＦＩＤリーダ部２４ａによって先に読み取られた識別コードが、右前輪タイヤ４２の識別コードとして特定され、後に読み取られた識別コードが、右後輪タイヤ４４の識別コードとして特定されてもよい。

同様に、ＲＦＩＤリーダ部２４ｂによるＲＦＩＤタグの検出をトリガとして、撮影部２２ｂが動画像の撮影を開始してもよい。そして、撮影部２２ｂによって撮影される画像に車両４０あるいはタイヤが写っていないことが確認された際に、撮影部２２ｂによる動画像の撮影が終了されてもよい。

そして、上述したようにして、撮影部２２ｂにより撮影された動画像に基づいて、左前輪タイヤ４６、及び、左後輪タイヤ４８のそれぞれについて、残溝量及び偏摩耗の有無が推定されてもよい。

また、当該動画像の撮影期間中に、ＲＦＩＤリーダ部２４ｂによって先に読み取られた識別コードが、左前輪タイヤ４６の識別コードとして特定され、後に読み取られた識別コードが、左後輪タイヤ４８の識別コードとして特定されてもよい。

図４は、図３に示す車両４０とは車両の種別が異なる車両５０の上面の一例を模式的に示す図である。図４に示す車両５０は、６つのタイヤ（右前輪タイヤ５２、右後輪外タイヤ５４、右後輪内タイヤ５６、左前輪タイヤ５８、左後輪外タイヤ６０、及び、左後輪内タイヤ６２）を備えている。

図４の例でも図３の例と同様にして、撮影部２２ａによって撮影される車両５０の右前輪タイヤ５２のトレッド面及び側面が写る画像に基づいて、右前輪タイヤ５２の残溝量及び偏摩耗の有無が推定される。

また、撮影部２２ａによって撮影される車両５０の右後輪外タイヤ５４のトレッド面及び側面、並びに、右後輪内タイヤ５６のトレッド面が写る画像に基づいて、右後輪外タイヤ５４及び右後輪内タイヤ５６のそれぞれについての残溝量及び偏摩耗の有無が推定される。例えば、撮影される画像の左に写るタイヤが右後輪外タイヤ５４として特定され、右に写るタイヤが右後輪内タイヤ５６として特定されてもよい。

また、撮影部２２ｂによって撮影される車両５０の左前輪タイヤ５８のトレッド面及び側面が写る画像に基づいて、左前輪タイヤ５８の残溝量及び偏摩耗の有無が推定される。

また、撮影部２２ｂによって撮影される車両５０の左後輪外タイヤ６０のトレッド面及び側面、並びに、左後輪内タイヤ６２のトレッド面が写る画像に基づいて、左後輪外タイヤ６０及び左後輪内タイヤ６２のそれぞれについての残溝量及び偏摩耗の有無が推定される。例えば、当該画像の左に写るタイヤが左後輪内タイヤ６２として特定され、右に写るタイヤが左後輪外タイヤ６０として特定されてもよい。

また、図４の例でも図３の例と同様に、ＲＦＩＤリーダ部２４ａは、車両５０の右前輪タイヤ５２に設けられているＲＦＩＤタグに記録された、右前輪タイヤ５２の識別コードを読み取る。

また、ＲＦＩＤリーダ部２４ａは、車両５０の右後輪外タイヤ５４及び右後輪内タイヤ５６のそれぞれに設けられているＲＦＩＤタグに記録された、右後輪外タイヤ５４及び右後輪内タイヤ５６の識別コードを読み取る。

ＲＦＩＤリーダ部２４ｂは、車両５０の左前輪タイヤ５８に設けられているＲＦＩＤタグに記録された、左前輪タイヤ５８の識別コードを読み取る。

また、ＲＦＩＤリーダ部２４ｂは、車両５０の左後輪外タイヤ６０及び左後輪内タイヤ６２のそれぞれに設けられているＲＦＩＤタグに記録された、左後輪外タイヤ６０及び左後輪内タイヤ６２の識別コードを読み取る。

そして、情報処理装置１０は、製品管理データベース３０にアクセスして、以上のようにして読み取られた６つの識別コードのそれぞれについての、当該識別コードに対応する識別コードデータを含む製品管理データを取得する。

図４の例でも、ＲＦＩＤリーダ部２４ａによるＲＦＩＤタグの検出をトリガとして、撮影部２２ａが動画像の撮影を開始してもよい。そして、撮影部２２ａによって撮影される画像に車両５０あるいはタイヤが写っていないことが確認された際に、撮影部２２ａによる動画像の撮影が終了されてもよい。また、ＲＦＩＤリーダ部２４ｂによるＲＦＩＤタグの検出をトリガとして、撮影部２２ｂが動画像の撮影を開始してもよい。そして、撮影部２２ｂによって撮影される画像に車両５０あるいはタイヤが写っていないことが確認された際に、撮影部２２ｂによる動画像の撮影が終了されてもよい。

そして、本実施形態に係る情報処理装置１０は、例えば、１つの車両についての動画像の撮影期間が終了すると、当該車両が備えるタイヤにそれぞれ対応付けられる、図５に例示する学習データを生成する。例えば、図３に示すような４つのタイヤを備える車両については、４つの学習データが生成され、図４に示すような６つのタイヤを備える車両については、６つの学習データが生成される。

図５に示すように、本実施形態に係る学習データには、例えば、インデックス番号、学習入力データ、教師データが含まれる。本実施形態に係る学習入力データには、製品データ、設計データ、生産データ、位置データ、車種データ、使用状況データが含まれる。本実施形態に係る教師データには、消耗状態データが含まれる。

上述のように、本実施形態では、車両が備えるそれぞれのタイヤに対応する、新規のインデックス番号を含む学習データが生成される。

当該学習データの製品データ、設計データ、生産データの値には、それぞれ、当該タイヤに設けられたＲＦＩＤタグから読み取られた識別コードにより識別される製品管理データに含まれる、製品データ、設計データ、生産データの値が設定される。

当該学習データの位置データの値には、当該タイヤを備えた車両における当該タイヤの位置を示す値が設定される。

例えば、当該タイヤが右前輪タイヤである場合は、位置データの値には、「右前」が設定される。当該タイヤが右後輪タイヤである場合は、位置データの値には、「右後」が設定される。当該タイヤが左前輪タイヤである場合は、位置データの値には、「左前」が設定される。当該タイヤが左後輪タイヤである場合は、位置データの値には、「左後」が設定される。

また、当該タイヤが右後輪外タイヤである場合は、位置データの値には、「右後外」が設定される。当該タイヤが右後輪内タイヤである場合は、位置データの値には、「右後内」が設定される。当該タイヤが左後輪外タイヤである場合は、位置データの値には、「左後外」が設定される。当該タイヤが左後輪内タイヤである場合は、位置データの値には、「左後内」が設定される。

当該学習データの車種データの値には、当該タイヤを備えた車両の種別を示す値が設定される。図５の例では、当該タイヤを備えた車両が４つのタイヤを備えた車両である場合は、車種データの値には、「１」が設定される。また、当該タイヤを備えた車両が６つのタイヤを備えた車両である場合は、車種データの値には、「２」が設定される。

当該学習データの使用状況データの値には、当該タイヤについて推定された残溝量に応じた値が設定される。例えば、残溝量を示す値が、所定値ｄ１よりも小さい場合は「１」、所定値ｄ１以上所定値ｄ２未満である場合は「２」、所定値ｄ２以上である場合は「３」が、使用状況データの値に設定される。本実施形態は例えば、タイヤの使用期間（走行期間）が長いほど、当該タイヤに対応する学習入力データに含まれる使用状況データの値は小さくなる。

当該学習データの消耗状態データの値には、当該タイヤについて推定された偏摩耗の有無に応じた値が設定される。例えば、偏摩耗があると推定されたタイヤについては「１」が、偏摩耗がないと推定されたタイヤについては「０」が、消耗状態データの値に設定される。

そして、以上のようにして複数のタイヤについて生成された学習データを用いて、個体のタイヤの消耗状態の推定に用いられる機械学習モデルの学習が実行される。例えば、学習データに含まれる学習入力データを機械学習モデルに入力した際の出力と、当該学習データに含まれる教師データと、の差が特定されてもよい。そして特定される差に基づいて機械学習モデルのパラメータの値が更新される教師あり学習が実行されてもよい。

そして、本実施形態では例えば、このようにして生成される学習済の機械学習モデルが、新たなタイヤの設計に活用される。

例えば、タイヤの設計者が製品データ、設計データ、生産データ、位置データ、車種データ、及び、使用状況データの値を含む推定入力データを学習済の機械学習モデルに入力する。すると当該入力に応じた出力に基づいて、当該推定入力データが示す値に対応する製品、設計、生産、位置、及び、車種に関する条件に従ったタイヤが、当該推定入力データに含まれる使用状況データの値に応じた残溝量となるまで使用された際に、偏摩耗が発生する確率を推定できることとなる。

本実施形態において、例えば、用途に応じた複数の機械学習モデルの学習が実行されてもよい。例えば、図５に示す学習入力データのすべてを入力とする機械学習モデルだけでなく、図５に示す学習入力データの一部を入力とする機械学習モデルの学習が実行されてもよい。例えば、学習入力データに、設計データ、位置データ、車種データ、及び、使用状況データが含まれるようにした、別の機械学習モデルの学習が実行されてもよい。

この場合は、タイヤの設計者が設計データ、位置データ、車種データ、及び、使用状況データの値を含む推定入力データを学習済の機械学習モデルに入力する。すると当該入力に応じた出力に基づいて、当該推定入力データが示す値に対応する設計、位置、及び、車種に関する条件に従ったタイヤが、当該推定入力データに含まれる使用状況データの値に応じた残溝量となるまで使用された際に、偏摩耗が発生する確率を推定できることとなる。この場合は、製品データや生産データの値に依らない偏摩耗の発生確率の推定が可能である。

また例えば、タイヤを備えた車両の種別毎に異なる複数の機械学習モデルの学習が実行されてもよい。例えば、４輪の車両の学習入力データを入力とする機械学習モデルの学習、及び、６輪の車両の学習入力データを入力とする機械学習モデルの学習が実行されてもよい。そして、４輪の車両の設計には、４輪の車両の学習入力データを用いた学習が行われた学習済の機械学習モデルが用いられ、６輪の車両の設計には、６輪の車両の学習入力データを用いた学習が行われた学習済の機械学習モデルが用いられてもよい。この場合は、学習入力データに車種データが含まれていなくてもよい。

また、本実施形態において、遺伝的アルゴリズム等を用いて学習済の機械学習モデルに様々な値の推定入力データの値を入力することで、偏摩耗の発生が起こりにくい入力を特定してもよい。そして、このようにして特定された入力に対応する設計案が新規のタイヤの設計案として採用されるようにしてもよい。

なお、本実施形態において、ＲＦＩＤリーダ部２４ａが、読み取った識別コードが右後輪外タイヤ５４のものであるのか右後輪内タイヤ５６のものであるのか判別できない可能性がある。このことを踏まえ、例えば、右後輪外タイヤ５４の識別コードに対応する製品管理データの値と、右後輪内タイヤ５６の識別コードに対応する製品管理データの値と、が異なる場合には、学習データの生成が行われないようにしてもよい。同様に、左後輪外タイヤ６０の識別コードに対応する製品管理データの値と、左後輪内タイヤ６２の識別コードに対応する製品管理データの値と、が異なる場合には、学習データの生成が行われないようにしてもよい。

また、本実施形態において、製品管理データに製品データが含まれていなくてもよい。そして、タイヤの側面が写る画像に対して文字認識処理を実行することで、当該タイヤのブランド名などといった当該タイヤに関する情報を特定してもよい。そして特定される情報を示す製品データを含む学習入力データが生成されるようにしてもよい。

以下、情報処理装置１０に実装されている機能、及び、情報処理装置１０で行われる処理についてさらに説明する。

図６は、本実施形態に係る情報処理装置１０で実装される機能の一例を示す機能ブロック図である。なお、本実施形態に係る情報処理装置１０で、図６に示す機能のすべてが実装される必要はなく、また、図６に示す機能以外の機能が実装されていても構わない。

図６に示すように、情報処理装置１０には、機能的には例えば、機械学習モデル７０、識別コード読み取り部７２、製品管理データ取得部７４、画像取得部７６、学習入力データ生成部７８、教師データ生成部８０、学習データ生成部８２、学習データ記憶部８４、学習部８６、推定入力受付部８８、推定部９０、が含まれる。

機械学習モデル７０は、プロセッサ１２及び記憶部１４を主として実装される。識別コード読み取り部７２は、プロセッサ１２及びＲＦＩＤリーダ部２４を主として実装される。製品管理データ取得部７４は、通信部１６を主として実装する。画像取得部７６は、プロセッサ１２及び撮影部２２を主として実装される。学習入力データ生成部７８、教師データ生成部８０、学習データ生成部８２、学習部８６、推定部９０は、プロセッサ１２を主として実装される。学習データ記憶部８４は、記憶部１４を主として実装される。推定入力受付部８８は、プロセッサ１２及び操作部２０を主として実装される。

以上の機能は、コンピュータである情報処理装置１０にインストールされた、以上の機能に対応する指令を含むプログラムをプロセッサ１２で実行することにより実装されてもよい。このプログラムは、例えば、光ディスク、磁気ディスク、磁気テープ、光磁気ディスク、フラッシュメモリ等のコンピュータ読み取り可能な情報記憶媒体を介して、あるいは、インターネットなどを介して情報処理装置１０に供給されてもよい。

情報処理装置１０における、機械学習モデル７０、識別コード読み取り部７２、製品管理データ取得部７４、画像取得部７６、学習入力データ生成部７８、教師データ生成部８０、学習データ生成部８２、学習データ記憶部８４、学習部８６の機能は、製品個体の消耗状態の推定に用いられる機械学習モデルの学習を実行する消耗状態学習装置としての機能に相当する。

また、情報処理装置１０における、機械学習モデル７０、推定入力受付部８８、推定部９０の機能は、学習済の機械学習モデル７０への入力に対応する条件に従った製品個体の消耗状態を推定する消耗状態推定装置としての機能に相当する。

機械学習モデル７０は、本実施形態では例えば、アダブースト、ランダムフォレスト、ニューラルネットワーク、サポートベクタマシン（ＳＶＭ）、最近傍識別器、などの機械学習が実装された機械学習モデルである。上述のように、本実施形態に係る機械学習モデル７０は、製品個体の消耗状態の推定に用いられる。機械学習モデル７０は、例えば、個々のタイヤの消耗状態（例えば、偏摩耗の有無などといったタイヤの摩耗状態）の推定に用いられる。

ここで当該機械学習モデル７０は、タイヤの偏摩耗の有無などといった、製品個体についての消耗の有無を判定する判定モデルであってもよい。そしてこの場合に、当該機械学習モデル７０が、入力に応じて、例えば、図５に示す消耗状態データと同様の、消耗の有無を示す１ビットのデータを出力してもよい。

また、当該機械学習モデル７０は、製品個体の消耗の程度を示すデータを出力する回帰モデルであってもよい。

識別コード読み取り部７２は、本実施形態では例えば、製品個体に設けられた情報記録媒体に記録された当該製品個体に固有の識別コードを読み取る。ここで上述のように、識別コード読み取り部７２が、個体のタイヤに設けられた情報記録媒体に記録された当該タイヤに固有の識別コードを読み取ってもよい。

製品管理データ取得部７４は、本実施形態では例えば、読み取られる識別コードに対応する製品個体を含む複数の製品個体の設計データを記憶する記憶部にアクセスして、当該識別コードにより識別される製品個体の設計データを取得する。上述の例では、当該記憶部は、製品管理データベース３０に相当する。上述のように、当該記憶部が、読み取られる識別コードに対応するタイヤを含む複数のタイヤの設計データを記憶してもよい。

ここで上述のように、当該記憶部が、製品個体が生産された工場、当該製品個体の生産に用いられた生産設備（上述の例では成形機）、又は、当該製品個体の生産日時のうちの少なくとも１つを示す生産データをさらに記憶していてもよい。そして、製品管理データ取得部７４が、識別コード読み取り部７２により読み取られる識別コードにより識別される製品個体の生産データをさらに取得してもよい。

画像取得部７６は、本実施形態では例えば、上述の情報記録媒体が設けられた製品個体を撮影した画像を取得する。

学習入力データ生成部７８は、本実施形態では例えば、製品管理データ取得部７４により取得される設計データを含む学習入力データを生成する。ここで、学習入力データ生成部７８は、製品管理データ取得部７４により取得される生産データを含む学習入力データを生成してもよい。

また、学習入力データ生成部７８は、上述の情報記録媒体が設けられた製品個体の使用状況を示す使用状況データを含む学習入力データを生成してもよい。ここで、学習入力データ生成部７８が、画像取得部７６が取得する画像に基づいて使用状況データを生成してもよい。例えば、画像取得部７６が取得する画像に基づいて推定されるタイヤの残溝量に基づいて、当該タイヤの使用状況を示す使用状況データが生成されてもよい。そして、学習入力データ生成部７８が、当該使用状況データを含む学習入力データを生成してもよい。

また、学習入力データ生成部７８は、タイヤを備えた車両における当該タイヤの位置を示す位置データを生成してもよい。そして、学習入力データ生成部７８は、生成される位置データを含む学習入力データを生成してもよい。

また、学習入力データ生成部７８は、タイヤを備えた車両の種別を示す車種データを生成してもよい。そして、学習入力データ生成部７８は、生成される車種データを含む学習入力データを生成してもよい。

ここで、学習入力データ生成部７８が、車種データの代わりに、車両が備えるタイヤの数を示すタイヤ数データを生成してもよい。例えば、図３の例では「４」、図４の例では「６」を示すタイヤ数データを生成してもよい。そして、学習入力データ生成部７８は、生成されるタイヤ数データを含む学習入力データを生成してもよい。

教師データ生成部８０は、本実施形態では例えば、上述の製品個体を撮影した画像に基づいて、当該製品個体の消耗状態を示す教師データを生成する。ここで教師データ生成部８０は、タイヤを撮影した画像に基づいて、当該タイヤの消耗状態を示す教師データを生成してもよい。ここで上述のように、教師データ生成部８０が、タイヤの摩耗状態（例えば、タイヤの偏摩耗の有無）を示す教師データを生成してもよい。

学習データ生成部８２は、本実施形態では例えば、学習入力データ生成部７８が生成する学習入力データと、教師データ生成部８０が生成する教師データと、を含む学習データを生成する。そして、学習データ生成部８２は、本実施形態では例えば、生成される学習データを学習データ記憶部８４に記憶させる。

学習データ記憶部８４は、本実施形態では例えば、学習データ生成部８２が生成する学習データを記憶する。

学習部８６は、本実施形態では例えば、学習データに含まれる学習入力データを機械学習モデル７０に入力した際の出力と、当該学習データに含まれる教師データと、を用いて、機械学習モデル７０の学習を実行する。ここで例えば、学習データに含まれる学習入力データを機械学習モデル７０に入力した際の出力と、当該学習データに含まれる教師データと、の差が特定されてもよい。そして特定される差に基づいて機械学習モデル７０のパラメータの値が更新される教師あり学習が実行されてもよい。

本実施形態では複数の学習入力データによる機械学習モデル７０の学習が実行される。そして学習済の機械学習モデル７０を用いて、当該機械学習モデル７０への入力に対応する条件に従った設計がされたような製品個体の消耗状態が推定される。

推定入力受付部８８は、本実施形態では例えば、学習済の機械学習モデル７０への入力となる推定入力データを受け付ける。ここで例えば、推定入力受付部８８は、ユーザの操作に応じた値が設定された推定入力データを受け付けてもよい。

推定部９０は、本実施形態では例えば、推定入力データを学習済の機械学習モデル７０に入力した際の出力に基づいて、推定入力データの値に対応する条件における製品個体の消耗状態が推定される。ここで機械学習モデル７０が判定モデルである場合に、機械学習モデル７０が、推定入力データの値に対応する条件に従った製品個体が消耗するか否か（例えば、当該条件に従ったタイヤに偏摩耗が発生するか否か）を示す１ビットのデータを出力してもよい。また機械学習モデル７０が回帰モデルである場合に、機械学習モデル７０が、推定入力データの値に対応する条件に従った製品個体の消耗の程度を示す推定値を出力してもよい。推定部９０による推定結果が、例えば、表示部１８に表示されるようにしてもよい。

ここで上述のように、推定部９０が、遺伝的アルゴリズム等を用いて学習済の機械学習モデルに様々な値の推定入力データの値を入力することで、消耗しにくい条件を特定してもよい。そして、消耗しにくい条件を示す画面が表示部１８に表示されるようにしてもよい。そして、このようにして特定された条件に対応する設計案が新製品の設計案として採用されるようにしてもよい。

ここで、本実施形態に係る情報処理装置１０で行われる学習データの生成処理の流れの一例を、図７Ａ及び図７Ｂに例示するフロー図を参照しながら説明する。

まず、識別コード読み取り部７２が、ＲＦＩＤリーダ部２４ａ、及び、ＲＦＩＤリーダ部２４ｂの両方について、識別コードが読み取れるまで待機する（Ｓ１０１）。本処理例では、Ｓ１０１に示す処理で読み取られる識別コードは、前輪のタイヤの識別コードとなる。

そして、識別コードが読み取られたことが検出されると、画像取得部７６は、撮影部２２ａ及び撮影部２２ｂに、画像の撮影開始指示を送信する（Ｓ１０２）。撮影部２２ａ及び撮影部２２ｂは、当該撮影開始指示の受信に応じて、画像の撮影を開始する。

そして、画像取得部７６は、撮影部２２ａによって撮影された画像、及び、撮影部２２ｂによって撮影された画像を取得する（Ｓ１０３）。

そして、学習入力データ生成部７８は、Ｓ１０３に示す処理で取得されたいずれかの画像に、タイヤが写っているか否かを確認する（Ｓ１０４）。

ここで、写っていることが確認された場合は（Ｓ１０４：Ｙ）、Ｓ１０３に示す処理が実行される。

Ｓ１０３に示す処理で取得された両方の画像にタイヤが写っていないことが確認されたとする（Ｓ１０４：Ｎ）。この場合は、学習入力データ生成部７８が、Ｓ１０３に示す処理で取得された一連の画像に基づいて、前輪のタイヤの使用状況、及び、消耗状態を特定する（Ｓ１０５）。ここでは例えば、前輪の２つのタイヤのそれぞれについて、残溝量に基づく使用状況データの値、及び、偏摩耗の有無を示す摩耗状態データの値が特定される。

そして、製品管理データ取得部７４が、Ｓ１０１に示す処理で読み取られた識別コードを示す識別コードデータを含む製品管理データを製品管理データベース３０から取得する（Ｓ１０６）。ここでは例えば、前輪の２つのタイヤのそれぞれについての、当該タイヤに対応する製品管理データが取得される。

そして、識別コード読み取り部７２が、ＲＦＩＤリーダ部２４ａ、及び、ＲＦＩＤリーダ部２４ｂの両方について、識別コードが読み取れるまで待機する（Ｓ１０７）。本処理例では、Ｓ１０７に示す処理で読み取られる識別コードは、後輪のタイヤの識別コードとなる。

そして、画像取得部７６は、撮影部２２ａによって撮影された画像、及び、撮影部２２ｂによって撮影された画像を取得する（Ｓ１０８）。

そして、学習入力データ生成部７８は、Ｓ１０８に示す処理で取得されたいずれかの画像に、タイヤが写っているか否かを確認する（Ｓ１０９）。

ここで、写っていることが確認された場合は（Ｓ１０９：Ｙ）、Ｓ１０８に示す処理が実行される。

Ｓ１０８に示す処理で取得された両方の画像に、タイヤが写っていないことが確認されたとする（Ｓ１０９：Ｎ）。この場合は、学習入力データ生成部７８が、Ｓ１０８に示す処理で取得された一連の画像に基づいて、後輪のタイヤの使用状況、及び、消耗状態を特定する（Ｓ１１０）。ここでは例えば、後輪の２つ、あるいは、４つのタイヤのそれぞれについて、残溝量に基づく使用状況データの値、及び、偏摩耗の有無を示す摩耗状態データの値が特定される。

そして、製品管理データ取得部７４が、Ｓ１０７に示す処理で読み取られた識別コードを示す識別コードデータを含む製品管理データを製品管理データベース３０から取得する（Ｓ１１１）。ここでは例えば、後輪の２つ、あるいは、４つのタイヤのそれぞれについての、当該タイヤに対応する製品管理データが取得される。

そして、学習入力データ生成部７８が、撮影された車両が備えるタイヤのそれぞれに対応付けられる学習入力データを生成する（Ｓ１１２）。ここで前輪のタイヤについては、Ｓ１０５に示す処理で特定された使用状況を示す使用状況データ、及び、Ｓ１０６に示す処理で取得された製品管理データの一部又は全部を含む学習入力データが生成される。後輪のタイヤについては、Ｓ１１０に示す処理で特定された使用状況を示す使用状況データ、及び、Ｓ１１１に示す処理で取得された製品管理データの一部又は全部を含む学習入力データが生成される。また、それぞれの学習入力データについて、当該学習入力データに対応する位置データの値、及び、車種データの値が設定される。

そして、教師データ生成部８０が、撮影された車両が備えるタイヤのそれぞれに対応付けられる教師データを生成する（Ｓ１１３）。ここで前輪のタイヤについては、Ｓ１０５に示す処理で特定された消耗状態を示す消耗状態データを含む教師データが生成される。後輪のタイヤについては、Ｓ１１０に示す処理で特定された消耗状態を示す消耗状態データを含む学習入力データが生成される。

そして、学習データ生成部８２が、撮影された車両が備えるタイヤのそれぞれに対応付けられる学習データを生成して、生成された学習データを学習データ記憶部８４に記憶させる（Ｓ１１４）。ここでは、各タイヤについて、Ｓ１１２に示す処理で生成された学習入力データと、Ｓ１１３に示す処理で生成された教師データと、を含む学習データが生成される。

そして、画像取得部７６は、撮影部２２ａ及び撮影部２２ｂに、画像の撮影終了指示を送信する（Ｓ１１５）。撮影部２２ａ及び撮影部２２ｂは、当該撮影終了指示の受信に応じて、画像の撮影を終了する。そして、Ｓ１０１に示す処理に戻る。

次に、本実施形態に係る情報処理装置１０で行われる学習処理の流れの一例を、図８に例示するフロー図を参照しながら説明する。ここでは例えば、複数の学習データが学習データ記憶部８４に記憶されていることとする。

まず、学習部８６が、学習データ記憶部８４に記憶されている複数の学習データのうち、Ｓ２０２、及び、Ｓ２０３に示す処理が実行されていないものを１つ取得する（Ｓ２０１）。

そして学習部８６が、Ｓ２０１に示す処理で取得された学習データに含まれる学習入力データを学習済の機械学習モデル７０に入力した際の出力を用いた、機械学習モデル７０の学習を実行する（Ｓ２０２）。ここで例えば、当該出力と、Ｓ２０１に示す処理で取得された学習データに含まれる教師データと、の差に基づいて、機械学習モデル７０のパラメータの値が更新されてもよい。

そして学習部８６が、学習データ記憶部８４に記憶されている複数の学習データのすべてについてＳ２０２に示す処理が実行されたか否かを確認する（Ｓ２０３）。

学習データ記憶部８４に記憶されている複数の学習データのすべてについてＳ２０２に示す処理が実行されていないことが確認された場合は（Ｓ２０３：Ｎ）、Ｓ２０１に示す処理に戻る。

学習データ記憶部８４に記憶されている複数の学習データのすべてについてＳ２０２に示す処理が実行されたことが確認された場合は（Ｓ２０３：Ｙ）、本処理例に示す処理は終了される。

なお、本発明は上述の実施形態に限定されるものではない。

例えば、使用状況は、タイヤの残溝量に基づいて特定されなくてもよい。また、使用状況は、画像に基づいて特定されなくてもよい。例えば、新品時からのタイヤの走行距離に応じた値の使用状況データが生成されてもよい。ここで当該走行距離を示すデータが、通信によって車両から取得されてもよい。また、車両の走行距離メータに示されている走行距離を読み取ったオペレータによって使用状況データの値が手入力されてもよい。上述のように、特定される走行距離が長いほど使用状況データの値が小さくなるようにしてもよい。

また、本発明の適用対象はタイヤに限定されない。

また、上記の具体的な数値や文字列、並びに、図面中の具体的な数値や文字列は例示であり、これらの数値や文字列には限定されない。

１０ 情報処理装置、１２ プロセッサ、１４ 記憶部、１６ 通信部、１８ 表示部、２０ 操作部、２２，２２ａ，２２ｂ 撮影部、２４，２４ａ，２４ｂ ＲＦＩＤリーダ部、３０ 製品管理データベース、４０ 車両、４２ 右前輪タイヤ、４４ 右後輪タイヤ、４６ 左前輪タイヤ、４８ 左後輪タイヤ、５０ 車両、５２ 右前輪タイヤ、５４ 右後輪外タイヤ、５６ 右後輪内タイヤ、５８ 左前輪タイヤ、６０ 左後輪外タイヤ、６２ 左後輪内タイヤ、７０ 機械学習モデル、７２ 識別コード読み取り部、７４ 製品管理データ取得部、７６ 画像取得部、７８ 学習入力データ生成部、８０ 教師データ生成部、８２ 学習データ生成部、８４ 学習データ記憶部、８６ 学習部、８８ 推定入力受付部、９０ 推定部。

Claims (11)

1. 製品個体の消耗状態の推定に用いられる機械学習モデルの学習を実行する消耗状態学習装置であって、
   製品個体に設けられた情報記録媒体に記録された当該製品個体に固有の識別コードを読み取る識別コード読み取り手段と、
   前記製品個体を撮影した画像に基づいて、当該製品個体の消耗状態を示す教師データを生成する教師データ生成手段と、
   前記製品個体を含む複数の製品個体の設計データを記憶する記憶手段にアクセスして、前記識別コードにより識別される前記製品個体の前記設計データを取得する取得手段と、
   前記画像に基づいて、前記情報記録媒体が設けられた前記製品個体の使用状況を示す使用状況データを生成する使用状況データ生成手段と、
   取得される前記設計データ及び生成される前記使用状況データを含む学習入力データを前記機械学習モデルに入力した際の出力と、前記教師データと、を用いて、前記機械学習モデルの学習を実行する学習手段と、
   を含むことを特徴とする消耗状態学習装置。
2. 前記記憶手段は、前記製品個体が生産された工場、当該製品個体の生産に用いられた生産設備、又は、当該製品個体の生産日時のうちの少なくとも１つを示す生産データをさらに記憶し、
   前記取得手段は、前記識別コードにより識別される前記製品個体の前記生産データをさらに取得し、
   前記学習手段は、前記生産データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する、
   ことを特徴とする請求項１に記載の消耗状態学習装置。
3. 前記機械学習モデルは、個体のタイヤの消耗状態の推定に用いられるものであって、
   前記識別コード読み取り手段は、個体のタイヤに設けられた情報記録媒体に記録された当該タイヤに固有の識別コードを読み取り、
   前記教師データ生成手段は、前記タイヤを撮影した画像に基づいて、当該タイヤの消耗状態を示す前記教師データを生成し、
   前記取得手段は、前記タイヤを含む複数のタイヤの設計データを記憶する前記記憶手段にアクセスして、前記識別コードにより識別される前記タイヤの前記設計データを取得する、
   ことを特徴とする請求項１又は２に記載の消耗状態学習装置。
4. 前記タイヤを備えた車両における当該タイヤの位置を示す位置データを生成する位置データ生成手段、をさらに含み、
   前記学習手段は、前記位置データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する、
   ことを特徴とする請求項３に記載の消耗状態学習装置。
5. 前記車両の種別を示す車種データを生成する車種データ生成手段、をさらに含み、
   前記学習手段は、前記車種データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する、
   ことを特徴とする請求項４に記載の消耗状態学習装置。
6. 前記車両が備えるタイヤの数を示すタイヤ数データを生成するタイヤ数データ生成手段、をさらに含み、
   前記学習手段は、前記タイヤ数データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する、
   ことを特徴とする請求項４に記載の消耗状態学習装置。
7. 前記画像に基づいて推定される、前記情報記録媒体が設けられた前記タイヤの残溝量に基づいて、当該タイヤの使用状況を示す使用状況データを生成する使用状況データ生成手段、をさらに含み、
   前記学習手段は、生成される前記使用状況データをさらに含む前記学習入力データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する、
   ことを特徴とする請求項３から６のいずれか一項に記載の消耗状態学習装置。
8. 前記機械学習モデルは、個体のタイヤの摩耗状態の推定に用いられるものであって、
   前記教師データ生成手段は、前記タイヤの摩耗状態を示す前記教師データを生成する、
   ことを特徴とする請求項３から７のいずれか一項に記載の消耗状態学習装置。
9. 前記機械学習モデルは、個体のタイヤの偏摩耗の有無の推定に用いられるものであって、
   前記教師データ生成手段は、前記タイヤの偏摩耗の有無を示す前記教師データを生成する、
   ことを特徴とする請求項３から７のいずれか一項に記載の消耗状態学習装置。
10. 製品個体の消耗状態の推定に用いられる機械学習モデルの学習を実行する学習済モデルの生成方法であって、
    識別コード読み取り手段が、製品個体に設けられた情報記録媒体に記録された当該製品個体に固有の識別コードを読み取るステップと、
    教師データ生成手段が、前記製品個体を撮影した画像に基づいて、当該製品個体の消耗状態を示す教師データを生成するステップと、
    取得手段が、前記製品個体を含む複数の製品個体の設計データを記憶する記憶手段にアクセスして、前記識別コードにより識別される前記製品個体の前記設計データを取得するステップと、
    使用状況データ生成手段が、前記画像に基づいて、前記情報記録媒体が設けられた前記製品個体の使用状況を示す使用状況データを生成するステップと、
    学習手段が、取得される前記設計データ及び生成される前記使用状況データを含む学習入力データを前記機械学習モデルに入力した際の出力と、前記教師データと、を用いて、前記機械学習モデルの学習を実行するステップと、
    を含むことを特徴とする学習済モデルの生成方法。
11. 製品個体の消耗状態の推定に用いられる機械学習モデルの学習を実行するコンピュータに、
    製品個体に設けられた情報記録媒体に記録された当該製品個体に固有の識別コードを読み取る手順、
    前記製品個体を撮影した画像に基づいて、当該製品個体の消耗状態を示す教師データを生成する手順、
    前記製品個体を含む複数の製品個体の設計データを記憶する記憶手段にアクセスして、前記識別コードにより識別される前記製品個体の前記設計データを取得する手順、
    前記画像に基づいて、前記情報記録媒体が設けられた前記製品個体の使用状況を示す使用状況データを生成する手順、
    取得される前記設計データ及び生成される前記使用状況データを含む学習入力データを前記機械学習モデルに入力した際の出力と、前記教師データと、を用いて、前記機械学習モデルの学習を実行する手順、
    を実行させることを特徴とするプログラム。
    

Images