文献

J-GLOBAL ID：201902291414458425   整理番号：19A0603065

地下鉄トンネルの変状画像を用いた技術者の注視領域推定のための初期検討-深層学習に基づく顕著領域の推定手法の適用-

A note on estimation of inspectors’ visual attention using distress images of subway tunnels-Trial introduction of deep learning-based saliency prediction methods-

著者 (4件)： 斉藤僚汰 (北大 大学院情報科学研究科) ,  前田圭介 (北大 大学院情報科学研究科) ,  小川貴弘 (北大 大学院情報科学研究科) ,  長谷山美紀 (北大 大学院情報科学研究科)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 118  号： 449(ITS2018 59-85)  ページ： 281-285  発行年： 2019年02月12日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 本稿では,地下鉄トンネルの点検の効率化を支援するシステムの実現に向けた取り組みとして,変状画像における技術者の注視領域推定のための初期検討を行う。本研究によって,技術者の注視領域を推定可能とすることで,点検業務において注目すべき箇所が明らかになるため,点検の効率化が期待できる。本稿では具体的に,深層学習に基づく複数の顕著領域の推定手法を変状画像に対して適用した際の結果と,技術者の視線データから算出された注視領域について分析を行う。本分析によって,画像のみに基づく顕著領域と視線データに基づく実際の注視領域との差異を明らかにすることで,変状画像における技術者の注視領域推定手法を構築するための知見を得る。(著者抄録)

シソーラス用語： *地下鉄道 ,  *トンネル ,  情報 ,  *技術者 ,  *点 ,  推定 ,  *機械学習 ,  基礎研究 ,  *変化 ,  維持管理 ,  深層学習
準シソーラス用語： *トンネル変状 ,  映像情報 ,  *注視点

分類 (4件)： 信号,保安  (TC01040Y) ,  人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

引用文献 (15件)：

• 国土交通省,′′平成29年度 国土交通白書,′′ 2018.(on-line),available from http://www.mlit.go.jp/hakusyo/mlit/h29/index.html,(accessed 2019-1-12).
• 山本努,′′東京メトロにおけるトンネルの維持管理と長寿命化への取組み,′′日本地下鉄協会報,vol.197,pp.26-30,2013.
• R.R. Murphy, E. Steimle, M. Hall, M. Lindemuth, D. Trejo, S. Hurlebaus, Z. Medina-Cetina, and D. Slocum, ′′Robot-assisted bridge inspection,′′ Journal of Intelligent and Robotic Systems, vol.64, no.1, pp.77-95, 2011.
• H. Fujii, A. Yamashita, and H. Asama, ′′Automated diagnosis of ma-terial condition in hammering test using a boosting algorithm,′′ Pro-ceedings of the 2014 IEEE Workshop on Advanced Robotics and its Social Impacts (ARSO)IEEE, pp.101-107 2014.
• Y.O. Ouma and M. Hahn, ′′Pothole detection on asphalt pavements from 2d-colour pothole images using fuzzy c-means clustering and morphological reconstruction,′′ Automation in Construction, vol.83, pp.196-211, 2017.

タイトルに関連する用語 (8件)： 地下鉄 ,  トンネル ,  変状 ,  注視 ,  推定 ,  初期 ,  深層学習 ,  手法