塗膜劣化予測方法、塗膜劣化予測装置及びコンピュータプログラム
【課題】塗膜の将来の劣化状態を予測できる塗膜劣化予測方法、塗膜劣化予測装置及びコンピュータプログラムを提供すること。
【解決手段】塗膜劣化予測装置１の仮想劣化画像作成手段１１は、所定のパラメータ及び時間変数に対応する複数の仮想劣化画像を作成する。対象画像作成手段１２は、塗装面の撮影画像から対象画像を作成する。仮想プロファイル作成手段１３は、仮想劣化画像の統計量として劣化部の個数ｆ、面積率ａ、標準偏差ｓを算出し、ｆ−ａ−ｓ空間座標上に仮想プロファイルを示す。統計量算出手段１４は、対象画像から統計量を算出し、対象値特定手段１５は、対象画像に近い仮想プロファイルの統計量を特定し、特定した特定量に対応するパラメータ及び時間変数を特定する。劣化予測画像作成手段１６は、特定されたパラメータを劣化進行モデルに入力し、時間変数に特定された値よりも大きい値を入力して、劣化予測画像を作成する。
【解決手段】塗膜劣化予測装置１の仮想劣化画像作成手段１１は、所定のパラメータ及び時間変数に対応する複数の仮想劣化画像を作成する。対象画像作成手段１２は、塗装面の撮影画像から対象画像を作成する。仮想プロファイル作成手段１３は、仮想劣化画像の統計量として劣化部の個数ｆ、面積率ａ、標準偏差ｓを算出し、ｆ−ａ−ｓ空間座標上に仮想プロファイルを示す。統計量算出手段１４は、対象画像から統計量を算出し、対象値特定手段１５は、対象画像に近い仮想プロファイルの統計量を特定し、特定した特定量に対応するパラメータ及び時間変数を特定する。劣化予測画像作成手段１６は、特定されたパラメータを劣化進行モデルに入力し、時間変数に特定された値よりも大きい値を入力して、劣化予測画像を作成する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、腐食性の部材に設けられた塗膜の劣化を予測する塗膜劣化予測方法、塗膜劣化予測装置及びコンピュータプログラムに関する。
【背景技術】
【０００２】
例えば鉄塔や鋼橋等の鋼構造物では、部材に施された塗装の状態を定期的に検査して塗膜の劣化度合いを評価し、評価結果に応じて再塗装等の補修を行うようにしている。
【０００３】
従来、鋼構造物の塗装された部材の塗膜の劣化度合いを評価する方法としては、検査者が、部材に接近して目視や触診や打診等を行い、構造物に応じて適用される劣化判断基準に照らして判断する方法がある（例えば、非特許文献１〜３参照）。
【０００４】
しかしながら、このような目視や触診や打診による評価方法は、検査者の経験や感覚の影響を受けるため、検査者により評価結果にバラツキが生じる問題がある。
【０００５】
そこで、従来、検査者による評価結果のバラツキを防止するため、画像処理技術を利用した塗膜の劣化評価方法が開発されている。このような塗膜の劣化評価方法としては、構造物の塗装面を撮影して得た画像を、フィルタに通して劣化部のみを抽出して劣化プロファイルを作成する一方、塗膜における劣化の発生と成長をシミュレートして仮想劣化画像を作成し、この仮想劣化画像と、構造物に応じて適用される劣化診断基準とから評価用劣化プロファイルを作成し、上記劣化プロファイルと評価用劣化プロファイルとを比較して劣化度合いを判定するものが提案されている（特許文献１参照）。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２０１０−３２５１１号公報
【非特許文献】
【０００７】
【非特許文献１】財団法人鉄道総合技術研究所編，「塗膜劣化状態およびケレン程度見本帳」，財団法人鉄道総合技術研究所，昭和６４年
【非特許文献２】日本電信電話公社建築局編，「鉄部塗装の劣化度写真見本帖」，株式会社通信建築研究所，昭和５９年１月
【非特許文献３】社団法人日本道路協会編，「塗膜劣化程度標準写真帳」，社団法人日本道路協会，１９９０年６月
【発明の概要】
【発明が解決しようとする課題】
【０００８】
ところで、構造物の塗装に関する補修計画を適切かつ高精度に定めるためには、将来の塗膜の劣化進行を評価する必要がある。しかしながら、上記従来の画像処理技術を利用した塗膜の劣化評価方法は、現在の劣化度を評価できるに過ぎない。したがって、上記従来の塗膜の劣化評価方法は、構造物の塗装の補修計画を適切かつ高精度に定めることが難しいという不都合がある。
【０００９】
そこで、本発明の課題は、塗膜の将来の劣化状態を予測できて、構造物の塗装の補修計画を適切かつ高精度に定めることができる塗膜劣化予測方法、塗膜劣化予測装置及びコンピュータプログラムを提供することにある。
【課題を解決するための手段】
【００１０】
上記課題を解決するため、本発明の塗膜劣化予測方法は、塗膜の劣化の進行を表す劣化進行モデルのパラメータに複数の候補値を設定し、パラメータの候補値毎に、時系列で表された複数の仮想劣化画像を作成する工程と、
塗膜の劣化予測の対象である塗装面の撮影画像から、塗膜の劣化部を抽出して対象画像を作成する工程と、
上記複数の仮想劣化画像から劣化部に関する統計量を算出し、算出された統計量により表される仮想プロファイルを作成する工程と、
上記対象画像から、劣化部に関する統計量を算出する工程と、
上記対象画像の統計量に最も近い仮想プロファイルの統計量を特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する工程と、
上記特定されたパラメータの値を劣化進行モデルのパラメータに入力する一方、上記特定された時間変数の値よりも大きい値を劣化進行モデルの時間変数に入力し、これにより得られた劣化進行モデルの出力に基づいて劣化予測画像を作成する工程と
を備えることを特徴としている。
【００１１】
上記構成によれば、塗膜の劣化の進行を、複数のパラメータと時間変数を用いた劣化進行モデルにより表す。この劣化進行モデルのパラメータに候補値を設定し、パラメータの候補値毎に、時系列で表された複数の仮想劣化画像を作成する。塗膜の劣化予測の対象である塗装面の撮影画像から、塗膜の劣化部を抽出して対象画像を作成する。対象画像は、例えば、劣化部及び非劣化部を白及び黒で表したモノクロ２値画像を用いることができる。一方、上記複数の仮想劣化画像から劣化部に関する統計量を算出し、算出された統計量により表される仮想プロファイルを作成する。画像プロファイルは、例えば、統計量を座標軸とする座標空間に、パラメータの候補値毎に、複数の統計量を時系列に沿って連ねた曲線として表してもよく、或いは、パラメータと時系列に対応して格納された統計量のデータベースとして表してもよい。上記対象画像から、劣化部に関する統計量を算出する。上記仮想プロファイルの統計量のうち、上記対象画像の統計量に最も近い統計量を特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する。上記特定されたパラメータの値を、劣化進行モデルのパラメータに入力する一方、上記特定された時間変数の値よりも大きい値を、劣化進行モデルの時間変数に入力し、これにより得られた劣化進行モデルの出力に基づいて劣化予測画像を作成する。このように、本発明の塗膜劣化予測方法によれば、現在又は過去の塗膜の状態に基づいて、将来の塗膜の劣化状態を予測できるので、従来よりも適切かつ高精度に構造物の塗装の補修計画を定めることができる。
【００１２】
本発明の塗膜劣化予測装置は、塗膜の劣化の進行を表す劣化進行モデルに関し、パラメータに設定する複数の候補値の入力を受け、入力された複数の候補値毎に、時系列で表された複数の仮想劣化画像を作成する仮想劣化画像作成手段と、
塗膜の劣化予測の対象である塗装面の撮影画像の入力を受け、塗膜の劣化部を抽出して対象画像を作成する対象画像作成手段と、
上記複数の仮想劣化画像から劣化部に関する統計量を算出し、算出された統計量により表される仮想プロファイルを作成する仮想プロファイル作成手段と、
上記対象画像から、劣化部に関する統計量を算出する統計量算出手段と、
上記対象画像の統計量に最も近い仮想プロファイルの統計量を特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する対象値特定手段と、
劣化進行モデルのパラメータに上記特定された値を入力する一方、時間変数に上記特定された値よりも大きい値を入力して劣化予測画像を作成する劣化予測画像作成手段と
を備える。
【００１３】
上記構成によれば、仮想劣化画像作成手段により、劣化進行モデルのパラメータに設定する複数の候補値の入力が受け付けられ、入力された複数の候補値毎に、時系列で表された複数の仮想劣化画像が作成される。対象画像作成手段により、塗膜の劣化予測の対象である塗装面の撮影画像の入力が受け付けられ、入力された撮影画像から、塗膜の劣化部が抽出されて対象画像が作成される。対象画像は、例えば、劣化部及び非劣化部を白及び黒で表したモノクロ２値画像を用いることができる。一方、仮想プロファイル作成手段により、上記複数の仮想劣化画像から劣化部に関する統計量が算出され、算出された統計量により表される仮想プロファイルが作成される。画像プロファイルは、例えば、統計量を座標軸とする座標空間に、パラメータの候補値毎に、複数の統計量を時系列に沿って連ねた曲線として表してもよく、或いは、パラメータと時系列に対応して格納された統計量のデータベースとして表してもよい。また、統計量算出手段により、上記対象画像から、劣化部に関する統計量が算出される。対象値特定手段により、上記対象画像の統計量に最も近い仮想プロファイルの統計量が特定され、特定された統計量に対応するパラメータの値と時間変数の値が特定される。劣化予測画像作成手段により、上記特定された値が劣化進行モデルのパラメータに入力される一方、上記特定された値よりも大きい値が時間変数に入力されて、劣化予測画像が作成される。このように、本発明の塗膜劣化予測装置によれば、現在又は過去の塗膜の状態に基づいて、将来の塗膜の劣化状態を予測できるので、従来よりも適切かつ高精度に構造物の塗装の補修計画を定めることができる。
【００１４】
一実施形態の塗膜劣化予測装置は、上記、塗膜での劣化部の発生を表す関数と、発生した劣化部の成長を表す関数との組み合わせである。
【００１５】
上記実施形態によれば、塗膜での劣化部の発生を表す関数と、発生した劣化部の成長を表す関数との組み合わせによる劣化進行モデルを用いることにより、塗膜の劣化が進行する過程を適切に表すことができる。したがって、精度の高い劣化予測を行なうことができる。
【００１６】
一実施形態の塗膜劣化予測装置は、上記劣化進行モデルは、塗膜の設置時から離散時間ｔが経過したときの劣化部の発生個数ｎ（ｔ）と、各劣化部の発生時から離散時間ｔ’が経過したときの劣化部の面積ｓ（ｔ’）との組み合わせにより表され、
上記劣化部の発生個数ｎ（ｔ）と劣化部の面積ｓ（ｔ’）は、次の式（１）及び（２）によって表される。
ｎ（ｔ）−ｎ（ｔ−１）＝Ｎ・・・（１）
ｓ（ｔ’）＝πｒ２ｔ’・・・（２）
ここで、ｔ及びｔ’は自然数であり、Ｎは離散時間ｔが経過する毎に発生する劣化部の個数を表すパラメータであり、ｒは円で近似した劣化部の半径を表す０より大きいパラメータである。
【００１７】
上記実施形態によれば、劣化進行モデルが、塗膜の設置時から離散時間ｔが経過したときの劣化部の発生個数ｎ（ｔ）と、各劣化部の発生時から離散時間ｔ’が経過したときの劣化部の面積ｓ（ｔ’）との組み合わせで表され、発生個数ｎ（ｔ）がパラメータＮにより調整されると共に、劣化部の面積ｓ（ｔ’）がパラメータｒで調整されることにより、塗膜の劣化進行を精度良く表すことができる。
【００１８】
一実施形態の塗膜劣化予測装置は、上記劣化部に関する統計量は、画像内に存在する劣化部の個数と、画像の総面積に対する劣化部の合計面積の割合である面積率と、劣化部の面積の標準偏差である。
【００１９】
上記実施形態によれば、劣化部に関する統計量として、劣化部の個数、面積率及び面積の標準偏差を用いることにより、複数の仮想劣化画像から対象画像に近い仮想劣化画像を精度良く特定することができる。したがって、高精度の劣化予測画像を作成することができる。
【００２０】
一実施形態の塗膜劣化予測装置は、上記撮影画像は、同一の塗装面に対して異なる日時で撮影された複数の撮影画像であり、
上記複数の撮影画像から作成された複数の対象画像に基づいて仮想プロファイルの統計量を特定し、特定された統計量に共通するパラメータの値を特定すると共に、複数の対象画像に対応する複数の時間変数の値を特定し、特定された時間変数の値を撮影画像の撮影日時に対応させてスケーリングして、上記劣化予測画像の時間変数の値を日時に変換する。
【００２１】
上記実施形態によれば、複数の撮影画像から作成された複数の対象画像に対応する時間変数の複数の値を、上記撮影画像の撮影日時に対応させてスケーリングすることにより、劣化予測画像に対応する日時を求めることができる。したがって、塗膜が劣化予測画像で表される状態となる日時を特定することができる。
【００２２】
本発明のコンピュータプログラムは、コンピュータを、本発明の塗膜劣化予測装置として機能させるためのコンピュータプログラムである。
【００２３】
上記構成によれば、上記コンピュータプログラムにより、コンピュータを、仮想劣化画像作成手段と、対象画像作成手段と、仮想プロファイル作成手段と、対象値特定手段と、劣化予測画像作成手段として機能させ、塗装面の撮影画像から劣化予測画像を作成することができる。
【図面の簡単な説明】
【００２４】
【図１】本発明の実施形態の塗膜劣化予測装置を示す図である。
【図２】時系列の仮想劣化画像の例を示す図である。
【図３】複数のパラメータの値と時間変数に対応する仮想劣化画像を示す図である。
【図４】対象画像作成手段に入力される塗装面の撮影画像を示す図である。
【図５】対象画像作成手段により作成された対象画像を示す図ある。
【図６】仮想劣化画像から算出された統計量を空間座標上に示したグラフである。
【図７】本発明の実施形態の塗膜劣化予測方法を示すフローチャートである。
【図８】予測対象の塗膜の状態を劣化進行モデルに基づいて表した劣化画像を示す図である。
【図９】将来の劣化状態を表す仮想画像を示す図である。
【図１０】撮影画像から作成された時系列の複数の対象画像を示す図である。
【図１１】仮想劣化画像から算出された統計量を空間座標上に示したグラフである。
【図１２】予測対象の塗膜の状態を劣化進行モデルに基づいて表した劣化画像を示す図である。
【図１３】将来の劣化状態を表す仮想画像を示す図である。
【発明を実施するための形態】
【００２５】
以下、本発明の塗膜劣化予測装置の実施形態を、添付の図面を参照しながら詳細に説明する。
【００２６】
本発明の実施形態の塗膜劣化予測装置１は、例えば鉄塔や鋼橋等の鋼構造物に設けられた塗装について、将来における塗膜の劣化状態を予測するものである。
【００２７】
本実施形態の塗膜劣化予測装置１は、ＣＰＵ、記憶装置、入出力装置及び通信モジュール等で構成された汎用的なコンピュータで構成され、図１に示すように、コンピュータ本体で形成される塗膜劣化予測装置本体２と、キーボード及びマウス等で形成される入力手段３と、液晶表示パネル等で形成される出力手段４で構成されている。
【００２８】
上記塗膜劣化予測装置本体２は、仮想劣化画像作成手段１１と、対象画像作成手段１２と、仮想プロファイル作成手段１３と、統計量算出手段１４と、対象値特定手段１５と、劣化予測画像作成手段１６を有する。塗膜劣化予測装置１は、塗膜劣化予測装置本体２の記憶装置に格納されたプログラムがＣＰＵで実行されて、上記各手段の機能が実現される。
【００２９】
上記仮想劣化画像作成手段１１は、塗膜の劣化の進行を表す劣化進行モデルを用いて、入力されたパラメータと時間変数に対応する仮想劣化画像を作成する。劣化進行モデルは、塗膜の劣化の進行が、塗装を行った時点からの時間経過に伴う劣化部の発生と、発生した劣化部の成長との２つのプロセスに支配されていると仮定し、塗膜での劣化部の発生を表す関数と、発生した劣化部の成長を表す関数との組み合わせにより表される。具体的には、劣化進行モデルは、塗膜の設置時から離散時間ｔが経過したときの劣化部の発生個数ｎ（ｔ）と、各劣化部の発生時から離散時間ｔ’が経過したときの劣化部の面積ｓ（ｔ’）との組み合わせにより表され、上記劣化部の発生個数ｎ（ｔ）と劣化部の面積ｓ（ｔ’）は、次の式（１）及び（２）によって表される。
ｎ（ｔ）−ｎ（ｔ−１）＝Ｎ・・・（１）
ｓ（ｔ’）＝πｒ２ｔ’・・・（２）
ここで、ｔ及びｔ’は自然数であり、Ｎは離散時間ｔが経過する毎に発生する劣化部の個数を表すパラメータであり、ｒは円で近似した劣化部の半径を表す０より大きいパラメータである。ここで、ｒは、劣化部の成長率を表す。
【００３０】
仮想劣化画像作成手段１１は、上記式（１）及び（２）を組み合わせた劣化進行モデルにより、次のようにして時系列の仮想画像を作成する。まず、離散時間ｔの値が増す毎に、画像中のランダムな位置に、Ｎ個の劣化部を発生させる。この後、所定の離散時間ｔに発生させた劣化部の大きさを、劣化部の発生時間からの経過離散時間ｔ’に応じて、劣化部を表す円の半径をｒ２ｔ’とする。なお、ｒは画素のドット数である。図２は、パラメータに、Ｎ＝１００（個）、ｒ＝１．３０（dot）の値を設定した場合の離散時間ｔ＝１，２，３，４，５における時系列の仮想劣化画像の例を示す図である。
【００３１】
上記仮想劣化画像作成手段１１は、最大経過時間Ｔ∈{１，２，・・・}（期）、劣化部発生個数Ｎ∈{１，２，・・・}（個）、成長率ｒ＞１のパラメータに基づき、次のような手順により仮想劣化画像を生成する。なお、仮想劣化画像は、縦が５００（dot）、横が５００（dot）の大きさである。まず、ステップ０において、Ｔ，Ｎ，ｒのパラメータを定め、ｔ＝０とする。次に、ステップ１において、t＝ｔ＋１とし、５００×５００の画素を示す座標平面から、ランダムにＮ個の画素を示す座標{Pti}i∈{1,・・・,N}を選択する。次に、ステップ２において、ｔ＜Ｔならばステップ１に移り、ｔ＝Ｔならばステップ３に移る。ステップ３では、全ての座標{Pti}i∈{1,・・・,N},t∈{1,・・・,T}に対して、これらの座標を中心とする半径ｒｔの円を描画する。但し、５００×５００の画素の座標平面の範囲を越える点に関する描画は行わない。図３は、このような手順により、Ｎ＝８０（個）とすると共に、ｒ＝１．２０，１．２４，１．２８，１．３２，１．３６，１．４０、及び、最大経過時間Ｔ＝３，４，・・・，１０として作成した仮想劣化画像をマトリクス状に示す図である。図３において、縦方向に最大経過時間Ｔを上から下に向かって昇順に、かつ、成長率ｒを左から右に向かって昇順になるように、仮想劣化画像を配列している。
【００３２】
上記対象画像作成手段１２は、塗膜の劣化予測の対象である鋼構造物の塗装面の撮影画像の入力を受け、この入力された撮影画像から、塗膜の劣化部を抽出して対象画像を作成する。塗膜の劣化部の抽出は、種々の画像処理技術を応用したものを採用でき、例えば、操作者による判断に基づいて、遺伝的アルゴリズムにより劣化部の抽出フィルタを同定する対話式の抽出技術を用いることができる。
【００３３】
図４は、上記対象画像作成手段１２に入力される塗装面の撮影画像の例であり、図５は、対象画像作成手段１２により、図４の撮影画像から劣化部が抽出されて作成された対象画像の例である。図５に示すように、対象画像はモノクロ２値画像で表すことができる。
【００３４】
上記仮想プロファイル作成手段１３は、仮想劣化画像作成手段１１で作成された仮想劣化画像に基づいて、劣化部に関する統計量を算出し、算出された統計量で表される仮想プロファイルを作成する。上記統計量は、仮想劣化画像中に存在する劣化部の個数と、画像の総面積に対する劣化部の合計面積の割合である面積率と、劣化部の面積の標準偏差である。
【００３５】
仮想プロファイル作成手段１３は、仮想劣化画像作成手段１１によって作成された図３の仮想劣化画像のマトリクスから、次のような手順により統計量を算出する。まず、仮想劣化画像は、モノクロ２値画像で表された場合、Ｘ:＝｛０，１，・・・，４９９｝，Ｙ：＝｛０，１，・・・，４９９｝の直積空間Ｉ:＝Ｘ×Ｙ上において、次のような関数δ：Ｉ→｛０，１｝として特徴付けられる。なお、以下において、「仮想劣化画像δ」のように、δと画像を同一視して呼ぶこととする。
δ(x,y) = {1 if座標(x,
y)の点が塗膜劣化部},{0 if座標(x, y)の点が健全部}
このとき、Ｄ⊆Ｉが準劣化塊であるとは，Ｄが以下の条件を満たすことをいう．
（１）すべての(x, y) ∈ D に対して、δ(x, y) = 1．
（２）任意の(xp, yp)，(xq, yq) ∈ D に対して，{(xi, yi)}i∈{1,・・・,k} ⊆ D が存在して次の（ａ），（ｂ）が成り立つ．
（ａ） (xp, yp) = (x1,
y1) かつ(xq, yq) = (xk,
yk),
（ｂ） 任意のi ∈ {1,・・・, k - 1} において，|xi - xi+1|≦1 かつ|yi - yi+1|≦1
また、準劣化塊D ⊆ I が劣化塊であるとは，D∪{(x, y)} が「準劣化塊となり、かつ、δ(x, y) = 1」となるような(x, y) ∈ I＼D が存在しないことをいう。
このような定義において、仮想劣化画像の劣化塊の個数ｆは、次の式（３）のように表される。
f(δ) := |{ D ⊆ I | D : 劣化塊}|・・・（３）
また、塗膜の劣化部の面積率ａは、次の式（４）のように表される。
【数１】
また、塗膜の劣化部の面積の標準偏差ｓは、次の式（５）のように表される。
【数２】
ここで、D(δ) := {D ⊆ I | D : 劣化塊}であり、
【数３】
である。
【００３６】
図６は、上記仮想劣化画像から、統計量である劣化部の個数ｆ、劣化部の面積率ａ、及び、劣化部の面積の標準偏差ｓを算出し、これらの統計量の算出結果をｆ−ａ−ｓ空間座標上に仮想プロファイルの曲線として表したグラフである。図６において、同一のパラメータによる算出値を、左下から右上に向かって離散時間(ｔ＝1，２，・・・８)が増大する順に連ねて曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６を作成している。パラメータの値は、曲線ＰＬ１は個数Ｎ＝２０、ｒ＝１．３６であり、曲線ＰＬ２は個数Ｎ＝２０、ｒ＝１．２４であり、曲線ＰＬ３は個数Ｎ＝４０、ｒ＝１．３６であり、曲線ＰＬ４は個数Ｎ＝４０、ｒ＝１．２４であり、曲線ＰＬ５は個数Ｎ＝８０、ｒ＝１．３６であり、曲線ＰＬ６は個数Ｎ＝８０、ｒ＝１．２４である。
【００３７】
上記統計量算出手段１４は、対象画像から、劣化部に関する統計量を算出する。統計量は、画像内に存在する劣化部の個数と、画像の総面積に対する劣化部の合計面積の割合である面積率と、劣化部の面積の標準偏差である。
【００３８】
上記対象値特定手段１５は、上記仮想プロファイル作成手段１３により作成された仮想プロファイルの曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６を参照し、これらの曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６上の統計量から、上記統計量算出手段１４により算出された対象画像の統計量に最も近いものを特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する。例えば、図５に表された対象画像から、統計量として、劣化部の個数ｆと、劣化部の面積率ａと、劣化部の面積の標準偏差ｓを算出する。算出された統計量を、図６の仮想プロファイルの曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６が表されたｆ−ａ−ｓ空間座標上にプロットし、プロットされた対象画像の統計量に最も近い距離に位置する曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６上の統計量を特定する。この特定された統計量が属する曲線ＰＬ１，ＰＬ２，・・・，ＰＬから、パラメータＮ，ｒの値と、時間変数ｔの値を求める。
【００３９】
上記劣化予測画像作成手段１６は、上記特定されたパラメータＮ，ｒの値を劣化進行モデルのパラメータＮ，ｒに入力する一方、上記特定された時間変数ｔの値よりも大きい値を劣化進行モデルの時間変数ｔに入力し、これにより得られた劣化進行モデルの出力に基づいて劣化予測画像を作成する。
【００４０】
（実施例１）
上記構成の塗膜劣化予測装置１により、塗装面に関する１つの撮影画像に基づいて、この塗膜の劣化予測を行う方法を説明する。
【００４１】
図７は、塗膜劣化予測装置１を用いて実行する塗膜劣化予測方法を示すフローチャートである。まず、ステップＳ１において、仮想劣化画像作成手段１１により、パラメータをＮ＝２０，４０及び８０（個）、ｒ＝１．２４及び１．３６（dot）に設定し、各パラメータＮ，ｒの値の全ての組み合わせについて、塗装の設置時からの離散時間ｔ＝３，４，・・・，１０に関する仮想劣化画像を作成する。
【００４２】
次に、ステップＳ２において、対象画像作成手段１２により、塗膜劣化予測装置１のインターフェースを介して図４に示す撮影画像の入力を受け、入力された撮影画像に対する画像処理を行い、図５に示すような対象画像を作成する。
【００４３】
続いて、ステップＳ３において、仮想プロファイル作成手段１３により、仮想劣化画像作成手段１１で作成された仮想劣化画像に基づいて、統計量である劣化部の個数ｆ、劣化部の面積率ａ、及び、劣化部の面積の標準偏差ｓを算出する。そして、算出された統計量を、図６に示すｆ−ａ−ｓ空間座標上に、パラメータＮ，ｒが同一の統計量毎に、離散時間ｔが増大する順に連ねて曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６を示す。なお、算出された統計量は、ｆ−ａ−ｓ空間座標上に示さず、対象値特定手段１５で対象画像の統計量に最も近い値が特定可能な状態で、仮想プロファイルのテーブルとしてデータベースに格納してもよい。
【００４４】
次に、ステップＳ４において、統計量算出手段１４により、対象画像から、劣化部に関する統計量である劣化部の個数ｆ（δ０）、劣化部の面積率ａ（δ０）、及び、劣化部の面積の標準偏差ｓ（δ０）を算出する。なお、各統計量に付した（δ０）は、撮影画像に基づく対象画像の統計量であることを示し、仮想画像の統計量は（δ）を付して示す。
【００４５】
次に、ステップＳ５において、対象値特定手段１５により、仮想プロファイルの曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６上の統計量から、対象画像の統計量（ｆ（δ０），ａ（δ０），ｓ（δ０））に最も近い統計量を特定する。図６のｆ−ａ−ｓ空間座標において、対象画像の統計量（ｆ（δ０），ａ（δ０），ｓ（δ０））の点Ｒに最も近い曲線ＰＬ５の点Ａの統計量（ｆ（δ），ａ（δ），ｓ（δ））を特定する。この点Ａの（ｆ（δ），ａ（δ），ｓ（δ））に対応するパラメータの値は、Ｎ＝８０及びｒ＝１．３６であり、時間変数はｔ＝７である。これらのパラメータ及び時間変数を劣化進行モデルに入力し、対象画像と同等の劣化画像として、図８に示す画像が得られる。すなわち、構造物の塗装面の撮影画像が得られた時点の塗膜の状態が、劣化進行モデルに基づく劣化画像として表される。
【００４６】
最後に、ステップＳ６において、劣化予測画像作成手段１６により、劣化進行モデルに、ステップＳ５で特定されたパラメータの値のＮ＝８０及びｒ＝１．３６を入力する一方、時間変数に、特定された値であるｔ＝７よりも大きい値ｔ＝８，９，１０を入力し、仮想画像を作成する。図９は、時間変数の値ｔ＝８，９，１０の各々における仮想画像を示す図である。ここで、塗膜の設置日時と、撮影画像の撮影日時とが明らかである場合、対象画像が相当する劣化進行モデルの時間変数ｔ＝７を、ｔ＝０を塗膜の設置日時としてスケーリングすることにより、時間ｔ＝８，９，１０に対応する将来の日時を特定することができる。
【００４７】
このようにして、本実施例の塗装劣化予測方法によれば、１つの撮影画像に基づいて、塗膜の将来の劣化状態を予測することができる。したがって、対象の構造物について、塗装の補修計画を適切かつ高精度に定めることができる。
【００４８】
（実施例２）
実施例１では、塗膜劣化予測装置１により、塗装面に関する１つの撮影画像に基づいて塗膜の劣化予測を行なったが、実施例２では、同一の塗装面について、時系列の複数の撮影画像に基づいて塗膜の劣化予測を行う。
【００４９】
まず、実施例１と同様に、仮想劣化画像作成手段１１により、パラメータをＮ＝２０，４０及び８０（個）、ｒ＝１．２４及び１．３６（dot）に設定し、各パラメータＮ，ｒの値の全ての組み合わせについて、塗装の設置時からの離散時間ｔ＝３，４，・・・，１０に関する仮想劣化画像を作成する（ステップＳ１）。
【００５０】
次に、対象画像作成手段１２により、同一の塗装面を異なる時間で撮影された複数の撮影画像に対して劣化部の抽出を行い、図１０に示すような時系列の３つの対象画像を作成する（ステップＳ２）。以下、図１０の３つの対象画像を、δｔ０,ｔ＝１，２，３を付して表す。
【００５１】
続いて、仮想プロファイル作成手段１３により、仮想劣化画像作成手段１１で作成された複数の仮想劣化画像に基づいて、統計量（ｆ（δ），ａ（δ），ｓ（δ））を算出し、図１１に示すように、ｆ−ａ−ｓ空間座標上に、パラメータＮ，ｒが同一の統計量毎に、離散時間ｔが増大する順に連ねて曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６を示す（ステップＳ３）。
【００５２】
次に、統計量算出手段１４により、対象画像δｔ０,ｔ＝１，２，３から、統計量である劣化部の個数ｆ（δｔ０）,ｔ＝１，２，３、劣化部の面積率ａ（δｔ０）,ｔ＝１，２，３、及び、劣化部の面積の標準偏差ｓ（δｔ０）,ｔ＝１，２，３を算出する（ステップＳ４）。
【００５３】
この後、対象値特定手段１５により、仮想プロファイルの曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６上の統計量から、対象画像の統計量（ｆ（δｔ０），ａ（δｔ０），ｓ（δｔ０））,ｔ＝１，２，３に最も近い統計量を特定する（ステップＳ５）。ここで、本実施例では、３つの統計量により特定されるｆ−ａ−ｓ空間座標上の折れ線ＲＬを特定する。上記対象画像の統計量で表された折れ線ＲＬに最も近い仮想プロファイルとして、曲線ＰＬ４を特定し、さらに、この曲線ＰＬ４内で、折れ線ＲＬの各統計量（ｆ（δｔ０），ａ（δｔ０），ｓ（δｔ０））,ｔ＝１，２，３に対応する統計量（ｆ（δｔ），ａ（δｔ），ｓ（δｔ））,ｔ＝５，６，７を特定する。なお、（δｔ）,ｔ＝ｔａ，ｔｂ，ｔｃは、仮想画像の３つの時間変数ｔａ，ｔｂ，ｔｃに対応することを示す。特定された曲線ＰＬ４上の統計量（ｆ（δｔ），ａ（δｔ），ｓ（δｔ））,ｔ＝５，６，７に対応するパラメータの値は、Ｎ＝４０及びｒ＝１．２４であり、時間変数はｔ＝５，６，７である。これらのパラメータ及び時間変数を劣化進行モデルに入力し、対象画像と同等の劣化画像として、図１２に示す３つの画像が得られる。すなわち、構造物の塗装面の撮影画像が得られた時点の塗膜の状態が、劣化進行モデルに基づく劣化画像として表される。
【００５４】
続いて、劣化予測画像作成手段１６により、劣化進行モデルに、ステップＳ５で特定されたパラメータの値のＮ＝４０及びｒ＝１．２４を入力する一方、時間変数に、特定された値であるｔ＝５，６，７よりも大きい値ｔ＝８，９，１０を入力し、仮想画像を作成する（ステップＳ６）。図１３は、時間変数の値ｔ＝８，９，１０の各々における仮想画像を示す図である。
【００５５】
最後に、上記対象画像の元である撮影画像の撮影日時に基づいて、時間変数ｔ＝１，２，３の各離散時間の間隔をスケーリングし、時間変数ｔ＝８，９，１０に相当する日時を算出する。こうして、図１３の仮想画像に表される塗膜の劣化が生じる将来の日時を特定する。
【００５６】
以上のようにして、本実施例の塗膜劣化予測方法によれば、同一の塗装面の複数の撮影画像に基づいて、塗膜の将来の劣化状態を精度良く予測することができる。したがって、対象の構造物について、塗装の補修計画を適切かつ高精度に定めることができる。
【００５７】
上記実施形態において、鉄塔や鋼橋等の鋼構造物の塗膜の劣化状態を予測したが、本発明は、鋼構造物の塗膜に限られず、腐食性の材料で形成された種々の構造物に設けられた塗膜について、将来の劣化状態を予測することができる。
【符号の説明】
【００５８】
１ 塗膜劣化予測装置
２ 塗膜劣化予測装置本体
１１ 仮想劣化画像作成手段
１２ 対象画像作成手段
１３ 仮想プロファイル作成手段
１４ 統計量算出手段
１５ 対象値特定手段
１６ 劣化予測画像作成手段
【技術分野】
【０００１】
本発明は、腐食性の部材に設けられた塗膜の劣化を予測する塗膜劣化予測方法、塗膜劣化予測装置及びコンピュータプログラムに関する。
【背景技術】
【０００２】
例えば鉄塔や鋼橋等の鋼構造物では、部材に施された塗装の状態を定期的に検査して塗膜の劣化度合いを評価し、評価結果に応じて再塗装等の補修を行うようにしている。
【０００３】
従来、鋼構造物の塗装された部材の塗膜の劣化度合いを評価する方法としては、検査者が、部材に接近して目視や触診や打診等を行い、構造物に応じて適用される劣化判断基準に照らして判断する方法がある（例えば、非特許文献１〜３参照）。
【０００４】
しかしながら、このような目視や触診や打診による評価方法は、検査者の経験や感覚の影響を受けるため、検査者により評価結果にバラツキが生じる問題がある。
【０００５】
そこで、従来、検査者による評価結果のバラツキを防止するため、画像処理技術を利用した塗膜の劣化評価方法が開発されている。このような塗膜の劣化評価方法としては、構造物の塗装面を撮影して得た画像を、フィルタに通して劣化部のみを抽出して劣化プロファイルを作成する一方、塗膜における劣化の発生と成長をシミュレートして仮想劣化画像を作成し、この仮想劣化画像と、構造物に応じて適用される劣化診断基準とから評価用劣化プロファイルを作成し、上記劣化プロファイルと評価用劣化プロファイルとを比較して劣化度合いを判定するものが提案されている（特許文献１参照）。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２０１０−３２５１１号公報
【非特許文献】
【０００７】
【非特許文献１】財団法人鉄道総合技術研究所編，「塗膜劣化状態およびケレン程度見本帳」，財団法人鉄道総合技術研究所，昭和６４年
【非特許文献２】日本電信電話公社建築局編，「鉄部塗装の劣化度写真見本帖」，株式会社通信建築研究所，昭和５９年１月
【非特許文献３】社団法人日本道路協会編，「塗膜劣化程度標準写真帳」，社団法人日本道路協会，１９９０年６月
【発明の概要】
【発明が解決しようとする課題】
【０００８】
ところで、構造物の塗装に関する補修計画を適切かつ高精度に定めるためには、将来の塗膜の劣化進行を評価する必要がある。しかしながら、上記従来の画像処理技術を利用した塗膜の劣化評価方法は、現在の劣化度を評価できるに過ぎない。したがって、上記従来の塗膜の劣化評価方法は、構造物の塗装の補修計画を適切かつ高精度に定めることが難しいという不都合がある。
【０００９】
そこで、本発明の課題は、塗膜の将来の劣化状態を予測できて、構造物の塗装の補修計画を適切かつ高精度に定めることができる塗膜劣化予測方法、塗膜劣化予測装置及びコンピュータプログラムを提供することにある。
【課題を解決するための手段】
【００１０】
上記課題を解決するため、本発明の塗膜劣化予測方法は、塗膜の劣化の進行を表す劣化進行モデルのパラメータに複数の候補値を設定し、パラメータの候補値毎に、時系列で表された複数の仮想劣化画像を作成する工程と、
塗膜の劣化予測の対象である塗装面の撮影画像から、塗膜の劣化部を抽出して対象画像を作成する工程と、
上記複数の仮想劣化画像から劣化部に関する統計量を算出し、算出された統計量により表される仮想プロファイルを作成する工程と、
上記対象画像から、劣化部に関する統計量を算出する工程と、
上記対象画像の統計量に最も近い仮想プロファイルの統計量を特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する工程と、
上記特定されたパラメータの値を劣化進行モデルのパラメータに入力する一方、上記特定された時間変数の値よりも大きい値を劣化進行モデルの時間変数に入力し、これにより得られた劣化進行モデルの出力に基づいて劣化予測画像を作成する工程と
を備えることを特徴としている。
【００１１】
上記構成によれば、塗膜の劣化の進行を、複数のパラメータと時間変数を用いた劣化進行モデルにより表す。この劣化進行モデルのパラメータに候補値を設定し、パラメータの候補値毎に、時系列で表された複数の仮想劣化画像を作成する。塗膜の劣化予測の対象である塗装面の撮影画像から、塗膜の劣化部を抽出して対象画像を作成する。対象画像は、例えば、劣化部及び非劣化部を白及び黒で表したモノクロ２値画像を用いることができる。一方、上記複数の仮想劣化画像から劣化部に関する統計量を算出し、算出された統計量により表される仮想プロファイルを作成する。画像プロファイルは、例えば、統計量を座標軸とする座標空間に、パラメータの候補値毎に、複数の統計量を時系列に沿って連ねた曲線として表してもよく、或いは、パラメータと時系列に対応して格納された統計量のデータベースとして表してもよい。上記対象画像から、劣化部に関する統計量を算出する。上記仮想プロファイルの統計量のうち、上記対象画像の統計量に最も近い統計量を特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する。上記特定されたパラメータの値を、劣化進行モデルのパラメータに入力する一方、上記特定された時間変数の値よりも大きい値を、劣化進行モデルの時間変数に入力し、これにより得られた劣化進行モデルの出力に基づいて劣化予測画像を作成する。このように、本発明の塗膜劣化予測方法によれば、現在又は過去の塗膜の状態に基づいて、将来の塗膜の劣化状態を予測できるので、従来よりも適切かつ高精度に構造物の塗装の補修計画を定めることができる。
【００１２】
本発明の塗膜劣化予測装置は、塗膜の劣化の進行を表す劣化進行モデルに関し、パラメータに設定する複数の候補値の入力を受け、入力された複数の候補値毎に、時系列で表された複数の仮想劣化画像を作成する仮想劣化画像作成手段と、
塗膜の劣化予測の対象である塗装面の撮影画像の入力を受け、塗膜の劣化部を抽出して対象画像を作成する対象画像作成手段と、
上記複数の仮想劣化画像から劣化部に関する統計量を算出し、算出された統計量により表される仮想プロファイルを作成する仮想プロファイル作成手段と、
上記対象画像から、劣化部に関する統計量を算出する統計量算出手段と、
上記対象画像の統計量に最も近い仮想プロファイルの統計量を特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する対象値特定手段と、
劣化進行モデルのパラメータに上記特定された値を入力する一方、時間変数に上記特定された値よりも大きい値を入力して劣化予測画像を作成する劣化予測画像作成手段と
を備える。
【００１３】
上記構成によれば、仮想劣化画像作成手段により、劣化進行モデルのパラメータに設定する複数の候補値の入力が受け付けられ、入力された複数の候補値毎に、時系列で表された複数の仮想劣化画像が作成される。対象画像作成手段により、塗膜の劣化予測の対象である塗装面の撮影画像の入力が受け付けられ、入力された撮影画像から、塗膜の劣化部が抽出されて対象画像が作成される。対象画像は、例えば、劣化部及び非劣化部を白及び黒で表したモノクロ２値画像を用いることができる。一方、仮想プロファイル作成手段により、上記複数の仮想劣化画像から劣化部に関する統計量が算出され、算出された統計量により表される仮想プロファイルが作成される。画像プロファイルは、例えば、統計量を座標軸とする座標空間に、パラメータの候補値毎に、複数の統計量を時系列に沿って連ねた曲線として表してもよく、或いは、パラメータと時系列に対応して格納された統計量のデータベースとして表してもよい。また、統計量算出手段により、上記対象画像から、劣化部に関する統計量が算出される。対象値特定手段により、上記対象画像の統計量に最も近い仮想プロファイルの統計量が特定され、特定された統計量に対応するパラメータの値と時間変数の値が特定される。劣化予測画像作成手段により、上記特定された値が劣化進行モデルのパラメータに入力される一方、上記特定された値よりも大きい値が時間変数に入力されて、劣化予測画像が作成される。このように、本発明の塗膜劣化予測装置によれば、現在又は過去の塗膜の状態に基づいて、将来の塗膜の劣化状態を予測できるので、従来よりも適切かつ高精度に構造物の塗装の補修計画を定めることができる。
【００１４】
一実施形態の塗膜劣化予測装置は、上記、塗膜での劣化部の発生を表す関数と、発生した劣化部の成長を表す関数との組み合わせである。
【００１５】
上記実施形態によれば、塗膜での劣化部の発生を表す関数と、発生した劣化部の成長を表す関数との組み合わせによる劣化進行モデルを用いることにより、塗膜の劣化が進行する過程を適切に表すことができる。したがって、精度の高い劣化予測を行なうことができる。
【００１６】
一実施形態の塗膜劣化予測装置は、上記劣化進行モデルは、塗膜の設置時から離散時間ｔが経過したときの劣化部の発生個数ｎ（ｔ）と、各劣化部の発生時から離散時間ｔ’が経過したときの劣化部の面積ｓ（ｔ’）との組み合わせにより表され、
上記劣化部の発生個数ｎ（ｔ）と劣化部の面積ｓ（ｔ’）は、次の式（１）及び（２）によって表される。
ｎ（ｔ）−ｎ（ｔ−１）＝Ｎ・・・（１）
ｓ（ｔ’）＝πｒ２ｔ’・・・（２）
ここで、ｔ及びｔ’は自然数であり、Ｎは離散時間ｔが経過する毎に発生する劣化部の個数を表すパラメータであり、ｒは円で近似した劣化部の半径を表す０より大きいパラメータである。
【００１７】
上記実施形態によれば、劣化進行モデルが、塗膜の設置時から離散時間ｔが経過したときの劣化部の発生個数ｎ（ｔ）と、各劣化部の発生時から離散時間ｔ’が経過したときの劣化部の面積ｓ（ｔ’）との組み合わせで表され、発生個数ｎ（ｔ）がパラメータＮにより調整されると共に、劣化部の面積ｓ（ｔ’）がパラメータｒで調整されることにより、塗膜の劣化進行を精度良く表すことができる。
【００１８】
一実施形態の塗膜劣化予測装置は、上記劣化部に関する統計量は、画像内に存在する劣化部の個数と、画像の総面積に対する劣化部の合計面積の割合である面積率と、劣化部の面積の標準偏差である。
【００１９】
上記実施形態によれば、劣化部に関する統計量として、劣化部の個数、面積率及び面積の標準偏差を用いることにより、複数の仮想劣化画像から対象画像に近い仮想劣化画像を精度良く特定することができる。したがって、高精度の劣化予測画像を作成することができる。
【００２０】
一実施形態の塗膜劣化予測装置は、上記撮影画像は、同一の塗装面に対して異なる日時で撮影された複数の撮影画像であり、
上記複数の撮影画像から作成された複数の対象画像に基づいて仮想プロファイルの統計量を特定し、特定された統計量に共通するパラメータの値を特定すると共に、複数の対象画像に対応する複数の時間変数の値を特定し、特定された時間変数の値を撮影画像の撮影日時に対応させてスケーリングして、上記劣化予測画像の時間変数の値を日時に変換する。
【００２１】
上記実施形態によれば、複数の撮影画像から作成された複数の対象画像に対応する時間変数の複数の値を、上記撮影画像の撮影日時に対応させてスケーリングすることにより、劣化予測画像に対応する日時を求めることができる。したがって、塗膜が劣化予測画像で表される状態となる日時を特定することができる。
【００２２】
本発明のコンピュータプログラムは、コンピュータを、本発明の塗膜劣化予測装置として機能させるためのコンピュータプログラムである。
【００２３】
上記構成によれば、上記コンピュータプログラムにより、コンピュータを、仮想劣化画像作成手段と、対象画像作成手段と、仮想プロファイル作成手段と、対象値特定手段と、劣化予測画像作成手段として機能させ、塗装面の撮影画像から劣化予測画像を作成することができる。
【図面の簡単な説明】
【００２４】
【図１】本発明の実施形態の塗膜劣化予測装置を示す図である。
【図２】時系列の仮想劣化画像の例を示す図である。
【図３】複数のパラメータの値と時間変数に対応する仮想劣化画像を示す図である。
【図４】対象画像作成手段に入力される塗装面の撮影画像を示す図である。
【図５】対象画像作成手段により作成された対象画像を示す図ある。
【図６】仮想劣化画像から算出された統計量を空間座標上に示したグラフである。
【図７】本発明の実施形態の塗膜劣化予測方法を示すフローチャートである。
【図８】予測対象の塗膜の状態を劣化進行モデルに基づいて表した劣化画像を示す図である。
【図９】将来の劣化状態を表す仮想画像を示す図である。
【図１０】撮影画像から作成された時系列の複数の対象画像を示す図である。
【図１１】仮想劣化画像から算出された統計量を空間座標上に示したグラフである。
【図１２】予測対象の塗膜の状態を劣化進行モデルに基づいて表した劣化画像を示す図である。
【図１３】将来の劣化状態を表す仮想画像を示す図である。
【発明を実施するための形態】
【００２５】
以下、本発明の塗膜劣化予測装置の実施形態を、添付の図面を参照しながら詳細に説明する。
【００２６】
本発明の実施形態の塗膜劣化予測装置１は、例えば鉄塔や鋼橋等の鋼構造物に設けられた塗装について、将来における塗膜の劣化状態を予測するものである。
【００２７】
本実施形態の塗膜劣化予測装置１は、ＣＰＵ、記憶装置、入出力装置及び通信モジュール等で構成された汎用的なコンピュータで構成され、図１に示すように、コンピュータ本体で形成される塗膜劣化予測装置本体２と、キーボード及びマウス等で形成される入力手段３と、液晶表示パネル等で形成される出力手段４で構成されている。
【００２８】
上記塗膜劣化予測装置本体２は、仮想劣化画像作成手段１１と、対象画像作成手段１２と、仮想プロファイル作成手段１３と、統計量算出手段１４と、対象値特定手段１５と、劣化予測画像作成手段１６を有する。塗膜劣化予測装置１は、塗膜劣化予測装置本体２の記憶装置に格納されたプログラムがＣＰＵで実行されて、上記各手段の機能が実現される。
【００２９】
上記仮想劣化画像作成手段１１は、塗膜の劣化の進行を表す劣化進行モデルを用いて、入力されたパラメータと時間変数に対応する仮想劣化画像を作成する。劣化進行モデルは、塗膜の劣化の進行が、塗装を行った時点からの時間経過に伴う劣化部の発生と、発生した劣化部の成長との２つのプロセスに支配されていると仮定し、塗膜での劣化部の発生を表す関数と、発生した劣化部の成長を表す関数との組み合わせにより表される。具体的には、劣化進行モデルは、塗膜の設置時から離散時間ｔが経過したときの劣化部の発生個数ｎ（ｔ）と、各劣化部の発生時から離散時間ｔ’が経過したときの劣化部の面積ｓ（ｔ’）との組み合わせにより表され、上記劣化部の発生個数ｎ（ｔ）と劣化部の面積ｓ（ｔ’）は、次の式（１）及び（２）によって表される。
ｎ（ｔ）−ｎ（ｔ−１）＝Ｎ・・・（１）
ｓ（ｔ’）＝πｒ２ｔ’・・・（２）
ここで、ｔ及びｔ’は自然数であり、Ｎは離散時間ｔが経過する毎に発生する劣化部の個数を表すパラメータであり、ｒは円で近似した劣化部の半径を表す０より大きいパラメータである。ここで、ｒは、劣化部の成長率を表す。
【００３０】
仮想劣化画像作成手段１１は、上記式（１）及び（２）を組み合わせた劣化進行モデルにより、次のようにして時系列の仮想画像を作成する。まず、離散時間ｔの値が増す毎に、画像中のランダムな位置に、Ｎ個の劣化部を発生させる。この後、所定の離散時間ｔに発生させた劣化部の大きさを、劣化部の発生時間からの経過離散時間ｔ’に応じて、劣化部を表す円の半径をｒ２ｔ’とする。なお、ｒは画素のドット数である。図２は、パラメータに、Ｎ＝１００（個）、ｒ＝１．３０（dot）の値を設定した場合の離散時間ｔ＝１，２，３，４，５における時系列の仮想劣化画像の例を示す図である。
【００３１】
上記仮想劣化画像作成手段１１は、最大経過時間Ｔ∈{１，２，・・・}（期）、劣化部発生個数Ｎ∈{１，２，・・・}（個）、成長率ｒ＞１のパラメータに基づき、次のような手順により仮想劣化画像を生成する。なお、仮想劣化画像は、縦が５００（dot）、横が５００（dot）の大きさである。まず、ステップ０において、Ｔ，Ｎ，ｒのパラメータを定め、ｔ＝０とする。次に、ステップ１において、t＝ｔ＋１とし、５００×５００の画素を示す座標平面から、ランダムにＮ個の画素を示す座標{Pti}i∈{1,・・・,N}を選択する。次に、ステップ２において、ｔ＜Ｔならばステップ１に移り、ｔ＝Ｔならばステップ３に移る。ステップ３では、全ての座標{Pti}i∈{1,・・・,N},t∈{1,・・・,T}に対して、これらの座標を中心とする半径ｒｔの円を描画する。但し、５００×５００の画素の座標平面の範囲を越える点に関する描画は行わない。図３は、このような手順により、Ｎ＝８０（個）とすると共に、ｒ＝１．２０，１．２４，１．２８，１．３２，１．３６，１．４０、及び、最大経過時間Ｔ＝３，４，・・・，１０として作成した仮想劣化画像をマトリクス状に示す図である。図３において、縦方向に最大経過時間Ｔを上から下に向かって昇順に、かつ、成長率ｒを左から右に向かって昇順になるように、仮想劣化画像を配列している。
【００３２】
上記対象画像作成手段１２は、塗膜の劣化予測の対象である鋼構造物の塗装面の撮影画像の入力を受け、この入力された撮影画像から、塗膜の劣化部を抽出して対象画像を作成する。塗膜の劣化部の抽出は、種々の画像処理技術を応用したものを採用でき、例えば、操作者による判断に基づいて、遺伝的アルゴリズムにより劣化部の抽出フィルタを同定する対話式の抽出技術を用いることができる。
【００３３】
図４は、上記対象画像作成手段１２に入力される塗装面の撮影画像の例であり、図５は、対象画像作成手段１２により、図４の撮影画像から劣化部が抽出されて作成された対象画像の例である。図５に示すように、対象画像はモノクロ２値画像で表すことができる。
【００３４】
上記仮想プロファイル作成手段１３は、仮想劣化画像作成手段１１で作成された仮想劣化画像に基づいて、劣化部に関する統計量を算出し、算出された統計量で表される仮想プロファイルを作成する。上記統計量は、仮想劣化画像中に存在する劣化部の個数と、画像の総面積に対する劣化部の合計面積の割合である面積率と、劣化部の面積の標準偏差である。
【００３５】
仮想プロファイル作成手段１３は、仮想劣化画像作成手段１１によって作成された図３の仮想劣化画像のマトリクスから、次のような手順により統計量を算出する。まず、仮想劣化画像は、モノクロ２値画像で表された場合、Ｘ:＝｛０，１，・・・，４９９｝，Ｙ：＝｛０，１，・・・，４９９｝の直積空間Ｉ:＝Ｘ×Ｙ上において、次のような関数δ：Ｉ→｛０，１｝として特徴付けられる。なお、以下において、「仮想劣化画像δ」のように、δと画像を同一視して呼ぶこととする。
δ(x,y) = {1 if座標(x,
y)の点が塗膜劣化部},{0 if座標(x, y)の点が健全部}
このとき、Ｄ⊆Ｉが準劣化塊であるとは，Ｄが以下の条件を満たすことをいう．
（１）すべての(x, y) ∈ D に対して、δ(x, y) = 1．
（２）任意の(xp, yp)，(xq, yq) ∈ D に対して，{(xi, yi)}i∈{1,・・・,k} ⊆ D が存在して次の（ａ），（ｂ）が成り立つ．
（ａ） (xp, yp) = (x1,
y1) かつ(xq, yq) = (xk,
yk),
（ｂ） 任意のi ∈ {1,・・・, k - 1} において，|xi - xi+1|≦1 かつ|yi - yi+1|≦1
また、準劣化塊D ⊆ I が劣化塊であるとは，D∪{(x, y)} が「準劣化塊となり、かつ、δ(x, y) = 1」となるような(x, y) ∈ I＼D が存在しないことをいう。
このような定義において、仮想劣化画像の劣化塊の個数ｆは、次の式（３）のように表される。
f(δ) := |{ D ⊆ I | D : 劣化塊}|・・・（３）
また、塗膜の劣化部の面積率ａは、次の式（４）のように表される。
【数１】
また、塗膜の劣化部の面積の標準偏差ｓは、次の式（５）のように表される。
【数２】
ここで、D(δ) := {D ⊆ I | D : 劣化塊}であり、
【数３】
である。
【００３６】
図６は、上記仮想劣化画像から、統計量である劣化部の個数ｆ、劣化部の面積率ａ、及び、劣化部の面積の標準偏差ｓを算出し、これらの統計量の算出結果をｆ−ａ−ｓ空間座標上に仮想プロファイルの曲線として表したグラフである。図６において、同一のパラメータによる算出値を、左下から右上に向かって離散時間(ｔ＝1，２，・・・８)が増大する順に連ねて曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６を作成している。パラメータの値は、曲線ＰＬ１は個数Ｎ＝２０、ｒ＝１．３６であり、曲線ＰＬ２は個数Ｎ＝２０、ｒ＝１．２４であり、曲線ＰＬ３は個数Ｎ＝４０、ｒ＝１．３６であり、曲線ＰＬ４は個数Ｎ＝４０、ｒ＝１．２４であり、曲線ＰＬ５は個数Ｎ＝８０、ｒ＝１．３６であり、曲線ＰＬ６は個数Ｎ＝８０、ｒ＝１．２４である。
【００３７】
上記統計量算出手段１４は、対象画像から、劣化部に関する統計量を算出する。統計量は、画像内に存在する劣化部の個数と、画像の総面積に対する劣化部の合計面積の割合である面積率と、劣化部の面積の標準偏差である。
【００３８】
上記対象値特定手段１５は、上記仮想プロファイル作成手段１３により作成された仮想プロファイルの曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６を参照し、これらの曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６上の統計量から、上記統計量算出手段１４により算出された対象画像の統計量に最も近いものを特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する。例えば、図５に表された対象画像から、統計量として、劣化部の個数ｆと、劣化部の面積率ａと、劣化部の面積の標準偏差ｓを算出する。算出された統計量を、図６の仮想プロファイルの曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６が表されたｆ−ａ−ｓ空間座標上にプロットし、プロットされた対象画像の統計量に最も近い距離に位置する曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６上の統計量を特定する。この特定された統計量が属する曲線ＰＬ１，ＰＬ２，・・・，ＰＬから、パラメータＮ，ｒの値と、時間変数ｔの値を求める。
【００３９】
上記劣化予測画像作成手段１６は、上記特定されたパラメータＮ，ｒの値を劣化進行モデルのパラメータＮ，ｒに入力する一方、上記特定された時間変数ｔの値よりも大きい値を劣化進行モデルの時間変数ｔに入力し、これにより得られた劣化進行モデルの出力に基づいて劣化予測画像を作成する。
【００４０】
（実施例１）
上記構成の塗膜劣化予測装置１により、塗装面に関する１つの撮影画像に基づいて、この塗膜の劣化予測を行う方法を説明する。
【００４１】
図７は、塗膜劣化予測装置１を用いて実行する塗膜劣化予測方法を示すフローチャートである。まず、ステップＳ１において、仮想劣化画像作成手段１１により、パラメータをＮ＝２０，４０及び８０（個）、ｒ＝１．２４及び１．３６（dot）に設定し、各パラメータＮ，ｒの値の全ての組み合わせについて、塗装の設置時からの離散時間ｔ＝３，４，・・・，１０に関する仮想劣化画像を作成する。
【００４２】
次に、ステップＳ２において、対象画像作成手段１２により、塗膜劣化予測装置１のインターフェースを介して図４に示す撮影画像の入力を受け、入力された撮影画像に対する画像処理を行い、図５に示すような対象画像を作成する。
【００４３】
続いて、ステップＳ３において、仮想プロファイル作成手段１３により、仮想劣化画像作成手段１１で作成された仮想劣化画像に基づいて、統計量である劣化部の個数ｆ、劣化部の面積率ａ、及び、劣化部の面積の標準偏差ｓを算出する。そして、算出された統計量を、図６に示すｆ−ａ−ｓ空間座標上に、パラメータＮ，ｒが同一の統計量毎に、離散時間ｔが増大する順に連ねて曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６を示す。なお、算出された統計量は、ｆ−ａ−ｓ空間座標上に示さず、対象値特定手段１５で対象画像の統計量に最も近い値が特定可能な状態で、仮想プロファイルのテーブルとしてデータベースに格納してもよい。
【００４４】
次に、ステップＳ４において、統計量算出手段１４により、対象画像から、劣化部に関する統計量である劣化部の個数ｆ（δ０）、劣化部の面積率ａ（δ０）、及び、劣化部の面積の標準偏差ｓ（δ０）を算出する。なお、各統計量に付した（δ０）は、撮影画像に基づく対象画像の統計量であることを示し、仮想画像の統計量は（δ）を付して示す。
【００４５】
次に、ステップＳ５において、対象値特定手段１５により、仮想プロファイルの曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６上の統計量から、対象画像の統計量（ｆ（δ０），ａ（δ０），ｓ（δ０））に最も近い統計量を特定する。図６のｆ−ａ−ｓ空間座標において、対象画像の統計量（ｆ（δ０），ａ（δ０），ｓ（δ０））の点Ｒに最も近い曲線ＰＬ５の点Ａの統計量（ｆ（δ），ａ（δ），ｓ（δ））を特定する。この点Ａの（ｆ（δ），ａ（δ），ｓ（δ））に対応するパラメータの値は、Ｎ＝８０及びｒ＝１．３６であり、時間変数はｔ＝７である。これらのパラメータ及び時間変数を劣化進行モデルに入力し、対象画像と同等の劣化画像として、図８に示す画像が得られる。すなわち、構造物の塗装面の撮影画像が得られた時点の塗膜の状態が、劣化進行モデルに基づく劣化画像として表される。
【００４６】
最後に、ステップＳ６において、劣化予測画像作成手段１６により、劣化進行モデルに、ステップＳ５で特定されたパラメータの値のＮ＝８０及びｒ＝１．３６を入力する一方、時間変数に、特定された値であるｔ＝７よりも大きい値ｔ＝８，９，１０を入力し、仮想画像を作成する。図９は、時間変数の値ｔ＝８，９，１０の各々における仮想画像を示す図である。ここで、塗膜の設置日時と、撮影画像の撮影日時とが明らかである場合、対象画像が相当する劣化進行モデルの時間変数ｔ＝７を、ｔ＝０を塗膜の設置日時としてスケーリングすることにより、時間ｔ＝８，９，１０に対応する将来の日時を特定することができる。
【００４７】
このようにして、本実施例の塗装劣化予測方法によれば、１つの撮影画像に基づいて、塗膜の将来の劣化状態を予測することができる。したがって、対象の構造物について、塗装の補修計画を適切かつ高精度に定めることができる。
【００４８】
（実施例２）
実施例１では、塗膜劣化予測装置１により、塗装面に関する１つの撮影画像に基づいて塗膜の劣化予測を行なったが、実施例２では、同一の塗装面について、時系列の複数の撮影画像に基づいて塗膜の劣化予測を行う。
【００４９】
まず、実施例１と同様に、仮想劣化画像作成手段１１により、パラメータをＮ＝２０，４０及び８０（個）、ｒ＝１．２４及び１．３６（dot）に設定し、各パラメータＮ，ｒの値の全ての組み合わせについて、塗装の設置時からの離散時間ｔ＝３，４，・・・，１０に関する仮想劣化画像を作成する（ステップＳ１）。
【００５０】
次に、対象画像作成手段１２により、同一の塗装面を異なる時間で撮影された複数の撮影画像に対して劣化部の抽出を行い、図１０に示すような時系列の３つの対象画像を作成する（ステップＳ２）。以下、図１０の３つの対象画像を、δｔ０,ｔ＝１，２，３を付して表す。
【００５１】
続いて、仮想プロファイル作成手段１３により、仮想劣化画像作成手段１１で作成された複数の仮想劣化画像に基づいて、統計量（ｆ（δ），ａ（δ），ｓ（δ））を算出し、図１１に示すように、ｆ−ａ−ｓ空間座標上に、パラメータＮ，ｒが同一の統計量毎に、離散時間ｔが増大する順に連ねて曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６を示す（ステップＳ３）。
【００５２】
次に、統計量算出手段１４により、対象画像δｔ０,ｔ＝１，２，３から、統計量である劣化部の個数ｆ（δｔ０）,ｔ＝１，２，３、劣化部の面積率ａ（δｔ０）,ｔ＝１，２，３、及び、劣化部の面積の標準偏差ｓ（δｔ０）,ｔ＝１，２，３を算出する（ステップＳ４）。
【００５３】
この後、対象値特定手段１５により、仮想プロファイルの曲線ＰＬ１，ＰＬ２，・・・，ＰＬ６上の統計量から、対象画像の統計量（ｆ（δｔ０），ａ（δｔ０），ｓ（δｔ０））,ｔ＝１，２，３に最も近い統計量を特定する（ステップＳ５）。ここで、本実施例では、３つの統計量により特定されるｆ−ａ−ｓ空間座標上の折れ線ＲＬを特定する。上記対象画像の統計量で表された折れ線ＲＬに最も近い仮想プロファイルとして、曲線ＰＬ４を特定し、さらに、この曲線ＰＬ４内で、折れ線ＲＬの各統計量（ｆ（δｔ０），ａ（δｔ０），ｓ（δｔ０））,ｔ＝１，２，３に対応する統計量（ｆ（δｔ），ａ（δｔ），ｓ（δｔ））,ｔ＝５，６，７を特定する。なお、（δｔ）,ｔ＝ｔａ，ｔｂ，ｔｃは、仮想画像の３つの時間変数ｔａ，ｔｂ，ｔｃに対応することを示す。特定された曲線ＰＬ４上の統計量（ｆ（δｔ），ａ（δｔ），ｓ（δｔ））,ｔ＝５，６，７に対応するパラメータの値は、Ｎ＝４０及びｒ＝１．２４であり、時間変数はｔ＝５，６，７である。これらのパラメータ及び時間変数を劣化進行モデルに入力し、対象画像と同等の劣化画像として、図１２に示す３つの画像が得られる。すなわち、構造物の塗装面の撮影画像が得られた時点の塗膜の状態が、劣化進行モデルに基づく劣化画像として表される。
【００５４】
続いて、劣化予測画像作成手段１６により、劣化進行モデルに、ステップＳ５で特定されたパラメータの値のＮ＝４０及びｒ＝１．２４を入力する一方、時間変数に、特定された値であるｔ＝５，６，７よりも大きい値ｔ＝８，９，１０を入力し、仮想画像を作成する（ステップＳ６）。図１３は、時間変数の値ｔ＝８，９，１０の各々における仮想画像を示す図である。
【００５５】
最後に、上記対象画像の元である撮影画像の撮影日時に基づいて、時間変数ｔ＝１，２，３の各離散時間の間隔をスケーリングし、時間変数ｔ＝８，９，１０に相当する日時を算出する。こうして、図１３の仮想画像に表される塗膜の劣化が生じる将来の日時を特定する。
【００５６】
以上のようにして、本実施例の塗膜劣化予測方法によれば、同一の塗装面の複数の撮影画像に基づいて、塗膜の将来の劣化状態を精度良く予測することができる。したがって、対象の構造物について、塗装の補修計画を適切かつ高精度に定めることができる。
【００５７】
上記実施形態において、鉄塔や鋼橋等の鋼構造物の塗膜の劣化状態を予測したが、本発明は、鋼構造物の塗膜に限られず、腐食性の材料で形成された種々の構造物に設けられた塗膜について、将来の劣化状態を予測することができる。
【符号の説明】
【００５８】
１ 塗膜劣化予測装置
２ 塗膜劣化予測装置本体
１１ 仮想劣化画像作成手段
１２ 対象画像作成手段
１３ 仮想プロファイル作成手段
１４ 統計量算出手段
１５ 対象値特定手段
１６ 劣化予測画像作成手段
【特許請求の範囲】
【請求項１】
塗膜の劣化の進行を表す劣化進行モデルのパラメータに複数の候補値を設定し、パラメータの候補値毎に、時系列で表された複数の仮想劣化画像を作成する工程と、
塗膜の劣化予測の対象である塗装面の撮影画像から、塗膜の劣化部を抽出して対象画像を作成する工程と、
上記複数の仮想劣化画像から劣化部に関する統計量を算出し、算出された統計量により表される仮想プロファイルを作成する工程と、
上記対象画像から、劣化部に関する統計量を算出する工程と、
上記対象画像の統計量に最も近い仮想プロファイルの統計量を特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する工程と、
上記特定されたパラメータの値を劣化進行モデルのパラメータに入力する一方、上記特定された時間変数の値よりも大きい値を劣化進行モデルの時間変数に入力し、これにより得られた劣化進行モデルの出力に基づいて劣化予測画像を作成する工程と
を備えることを特徴とする塗膜劣化予測方法。
【請求項２】
塗膜の劣化の進行を表す劣化進行モデルに関し、パラメータに設定する複数の候補値の入力を受け、入力された複数の候補値毎に、時系列で表された複数の仮想劣化画像を作成する仮想劣化画像作成手段と、
塗膜の劣化予測の対象である塗装面の撮影画像の入力を受け、塗膜の劣化部を抽出して対象画像を作成する対象画像作成手段と、
上記複数の仮想劣化画像から劣化部に関する統計量を算出し、算出された統計量により表される仮想プロファイルを作成する仮想プロファイル作成手段と、
上記対象画像から、劣化部に関する統計量を算出する統計量算出手段と、
上記対象画像の統計量に最も近い仮想プロファイルの統計量を特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する対象値特定手段と、
上記特定されたパラメータの値を劣化進行モデルのパラメータに入力する一方、上記特定された時間変数の値よりも大きい値を劣化進行モデルの時間変数に入力し、これにより得られた劣化進行モデルの出力に基づいて劣化予測画像を作成する劣化予測画像作成手段と
を備えることを特徴とする塗膜劣化予測装置。
【請求項３】
請求項２に記載の塗膜劣化予測装置において、
上記劣化進行モデルは、塗膜での劣化部の発生を表す関数と、発生した劣化部の成長を表す関数との組み合わせであることを特徴とする塗膜劣化予測装置。
【請求項４】
請求項２に記載の塗膜劣化予測装置において、
上記劣化進行モデルは、塗膜の設置時から離散時間ｔが経過したときの劣化部の発生個数ｎ（ｔ）と、各劣化部の発生時から離散時間ｔ’が経過したときの劣化部の面積ｓ（ｔ’）との組み合わせにより表され、
上記劣化部の発生個数ｎ（ｔ）と劣化部の面積ｓ（ｔ’）は、次の式（１）及び（２）によって表されることを特徴とする塗膜劣化予測装置。
ｎ（ｔ）−ｎ（ｔ−１）＝Ｎ・・・（１）
ｓ（ｔ’）＝πｒ２ｔ’・・・（２）
ここで、ｔ及びｔ’は自然数であり、Ｎは離散時間ｔが経過する毎に発生する劣化部の個数を表すパラメータであり、ｒは円で近似した劣化部の半径を表す０より大きいパラメータである。
【請求項５】
請求項２乃至４のいずれか１つに記載の塗膜劣化予測装置において、
上記劣化部に関する統計量は、画像内に存在する劣化部の個数と、画像の総面積に対する劣化部の合計面積の割合である面積率と、劣化部の面積の標準偏差であることを特徴とする塗膜劣化予測装置。
【請求項６】
請求項２乃至５のいずれか１つに記載の塗膜劣化予測装置において、
上記撮影画像は、同一の塗装面に対して異なる日時で撮影された複数の撮影画像であり、
上記複数の撮影画像から作成された複数の対象画像に基づいて仮想プロファイルの統計量を特定し、特定された統計量に共通するパラメータの値を特定すると共に、複数の対象画像に対応する複数の時間変数の値を特定し、特定された時間変数の値を撮影画像の撮影日時に対応させてスケーリングして、上記劣化予測画像の時間変数の値を日時に変換することを特徴とする塗膜劣化予測装置。
【請求項７】
コンピュータを、請求項２乃至６のいずれか１つに記載の塗膜劣化予測装置として機能させるためのコンピュータプログラム。
【請求項１】
塗膜の劣化の進行を表す劣化進行モデルのパラメータに複数の候補値を設定し、パラメータの候補値毎に、時系列で表された複数の仮想劣化画像を作成する工程と、
塗膜の劣化予測の対象である塗装面の撮影画像から、塗膜の劣化部を抽出して対象画像を作成する工程と、
上記複数の仮想劣化画像から劣化部に関する統計量を算出し、算出された統計量により表される仮想プロファイルを作成する工程と、
上記対象画像から、劣化部に関する統計量を算出する工程と、
上記対象画像の統計量に最も近い仮想プロファイルの統計量を特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する工程と、
上記特定されたパラメータの値を劣化進行モデルのパラメータに入力する一方、上記特定された時間変数の値よりも大きい値を劣化進行モデルの時間変数に入力し、これにより得られた劣化進行モデルの出力に基づいて劣化予測画像を作成する工程と
を備えることを特徴とする塗膜劣化予測方法。
【請求項２】
塗膜の劣化の進行を表す劣化進行モデルに関し、パラメータに設定する複数の候補値の入力を受け、入力された複数の候補値毎に、時系列で表された複数の仮想劣化画像を作成する仮想劣化画像作成手段と、
塗膜の劣化予測の対象である塗装面の撮影画像の入力を受け、塗膜の劣化部を抽出して対象画像を作成する対象画像作成手段と、
上記複数の仮想劣化画像から劣化部に関する統計量を算出し、算出された統計量により表される仮想プロファイルを作成する仮想プロファイル作成手段と、
上記対象画像から、劣化部に関する統計量を算出する統計量算出手段と、
上記対象画像の統計量に最も近い仮想プロファイルの統計量を特定し、特定された統計量に対応するパラメータの値と時間変数の値を特定する対象値特定手段と、
上記特定されたパラメータの値を劣化進行モデルのパラメータに入力する一方、上記特定された時間変数の値よりも大きい値を劣化進行モデルの時間変数に入力し、これにより得られた劣化進行モデルの出力に基づいて劣化予測画像を作成する劣化予測画像作成手段と
を備えることを特徴とする塗膜劣化予測装置。
【請求項３】
請求項２に記載の塗膜劣化予測装置において、
上記劣化進行モデルは、塗膜での劣化部の発生を表す関数と、発生した劣化部の成長を表す関数との組み合わせであることを特徴とする塗膜劣化予測装置。
【請求項４】
請求項２に記載の塗膜劣化予測装置において、
上記劣化進行モデルは、塗膜の設置時から離散時間ｔが経過したときの劣化部の発生個数ｎ（ｔ）と、各劣化部の発生時から離散時間ｔ’が経過したときの劣化部の面積ｓ（ｔ’）との組み合わせにより表され、
上記劣化部の発生個数ｎ（ｔ）と劣化部の面積ｓ（ｔ’）は、次の式（１）及び（２）によって表されることを特徴とする塗膜劣化予測装置。
ｎ（ｔ）−ｎ（ｔ−１）＝Ｎ・・・（１）
ｓ（ｔ’）＝πｒ２ｔ’・・・（２）
ここで、ｔ及びｔ’は自然数であり、Ｎは離散時間ｔが経過する毎に発生する劣化部の個数を表すパラメータであり、ｒは円で近似した劣化部の半径を表す０より大きいパラメータである。
【請求項５】
請求項２乃至４のいずれか１つに記載の塗膜劣化予測装置において、
上記劣化部に関する統計量は、画像内に存在する劣化部の個数と、画像の総面積に対する劣化部の合計面積の割合である面積率と、劣化部の面積の標準偏差であることを特徴とする塗膜劣化予測装置。
【請求項６】
請求項２乃至５のいずれか１つに記載の塗膜劣化予測装置において、
上記撮影画像は、同一の塗装面に対して異なる日時で撮影された複数の撮影画像であり、
上記複数の撮影画像から作成された複数の対象画像に基づいて仮想プロファイルの統計量を特定し、特定された統計量に共通するパラメータの値を特定すると共に、複数の対象画像に対応する複数の時間変数の値を特定し、特定された時間変数の値を撮影画像の撮影日時に対応させてスケーリングして、上記劣化予測画像の時間変数の値を日時に変換することを特徴とする塗膜劣化予測装置。
【請求項７】
コンピュータを、請求項２乃至６のいずれか１つに記載の塗膜劣化予測装置として機能させるためのコンピュータプログラム。
【図１】
【図２】
【図３】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図４】
【図５】
【図２】
【図３】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図４】
【図５】
【公開番号】特開２０１２−２２５８１１（Ｐ２０１２−２２５８１１Ａ）
【公開日】平成２４年１１月１５日（２０１２．１１．１５）
【国際特許分類】
【出願番号】特願２０１１−９４５１６（Ｐ２０１１−９４５１６）
【出願日】平成２３年４月２０日（２０１１．４．２０）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り 日本知能情報ファジィ学会評価問題研究部会，第１５回曖昧な気持ちに挑むワークショップ講演論文集，平成２２年１０月２２日
【出願人】（５０５０８９６１４）国立大学法人福島大学 (34)
【出願人】（５９２２３３１７４）株式会社デンロコーポレーション (22)
【Ｆターム（参考）】
【公開日】平成２４年１１月１５日（２０１２．１１．１５）
【国際特許分類】
【出願日】平成２３年４月２０日（２０１１．４．２０）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り 日本知能情報ファジィ学会評価問題研究部会，第１５回曖昧な気持ちに挑むワークショップ講演論文集，平成２２年１０月２２日
【出願人】（５０５０８９６１４）国立大学法人福島大学 (34)
【出願人】（５９２２３３１７４）株式会社デンロコーポレーション (22)
【Ｆターム（参考）】
[ Back to top ]