【研究領域課題番号】21H01417 (KAKENデータベースで見る）

【研究キーワード】

橋梁点検診断 / 損傷検知 / CNN / AI / 維持管理 / Deep learning / 画像処理 / 橋梁点検 / SfM / Image captioning / 人工知能

【研究成果の概要】

橋梁点検診断の効率化および高精度化のため，Deep Learning（DL）技術の一種である
Convolutional Neural Network (CNN)により橋梁撮影画像を解析し，損傷を自動で評価する手法の実現が期待されている．当該年度は，当初目標であった既存点検データラベル付，ドローン計測，分岐型CNN構築，SfM，Image Captioning，専門知モデル，それらの取り組みをはじめる計画であったが，計画通り全てスタートすることができた．
その中で，特にImage Captioningについては想定通り（あるいは想定以上）の結果が出始めており，当初想定していた内容がほぼ既に実現できており，現在成果をまとめている段階である．また，Webシステムへの実装なども行っており，現在この内容についても投稿中である．
専門知モデルについては，着実に研究を進めている段階にあり，特にResource Description Frameworkのトリプルを活用すれば扱いやすいと見出したところである．
ドローン計測とSfMについても計画通りの結果がではじめており，撮影した写真が三次元モデル内でどの位置にあるか，AIで自動検出した損傷がどの位置にあるかなどを同定することも既に出来ている．この結果についても，既に論文はStructure and Infrastructure Engineeringに投稿されており，軽微な修正を着実に行っている段階である．多様な環境の正規化を行う分岐型CNNについては，分岐型CNNに加えてAttention機構を導入することが的確であると見出し，現在解析を進めている．

【研究種目】基盤研究(B)

【研究期間】2021-04-01 - 2024-03-31

【配分額】17,420千円 (直接経費: 13,400千円、間接経費: 4,020千円)

【研究領域課題番号】19H04078 (KAKENデータベースで見る）

【研究キーワード】

ニューラルネットワーク / 雑音畳み込み / FPGA / AI / 深層学習 / CNN / 組込みシステム / 画像圧縮 / Deep Learning / 計算機システム / 高性能計算 / Noise Convolution

【研究成果の概要】

白色雑音回路の設計方法は様々あるが、書き換え可能なFPGAをプロトタイプとして選択し、FPGAの基本構成要素であるLUTを使った雑音回路を採用した。今年度は佐野研究グループでは、FPGAを用いた雑音畳み込みをはじめとするニューラルネットワーク回路を回路構成要素であるLUTやDSPブロックに効率よくマッピングする手法について研究開発した。また、FPGAに開発したニューラルネットワークを実装して、その処理速度や使用リソース量を明らかにした。佐藤研究グループでは、雑音畳み込みをはじめとするニューラルネットワークの学習結果を評価して、雑音畳み込みの有用性を明らかにした。また、様々な応用事例に対する評価を行った。中原研究グループでは、雑音を活用した低ビットニューラルネットワークの研究開発を行った。低ビットニューラルネットワークのFPGA回路実装の検討を行った。また、雑音を加えても精度劣化が生じない学習ツールを開発した。実用的な応用事例として、物体検出・自然言語処理・領域分割・クラス分類に適用し、提案手法が有用であることを明らかにした。

【研究種目】基盤研究(B)

【研究期間】2019-04-01 - 2024-03-31

【配分額】17,160千円 (直接経費: 13,200千円、間接経費: 3,960千円)

【研究分野】計算機システム

【研究領域課題番号】15H05304 (KAKENデータベースで見る）

【研究キーワード】

FPGA / Radio Telescope / Digital Signal / Spectrometer / FFT / RNS / Deep Learning / CNN / 電波天文 / 分光器 / 深層学習 / 信号処理 / 計算機システム / 再構成可能LSI / Signal Processing / DSP

【研究成果の概要】

分光器の演算順序を入換えたアルゴリズムと剰余数系(Residue Number System: RNS)を適用したFFTを既存設備であるROACH2ボードに実装し, CASPERが公開している既存の分光器と比較して, 50倍の帯域・16384倍の分解能を持つ分光器を実現した. 観測後のデータ分類器をCNN(Convolutional Neural Network)を対象としてハードウェア化した. CNNを低ビット化(Binary)とスパース化(Ternary)し, FPGA実装による実用性を明らかにした.

【研究の社会的意義】

次世代電波望遠鏡用分光器を現行のROACH2 FPGAボード1台で実現できることができる. 本研究では, 提案回路の応用を電波望遠鏡としているが, ドップラー効果を利用した応用(CTスキャナ, 海洋レーダ, 気象レーダ等)に転用する事が可能となった.
また, 観測後のデータを要（測定対象）／不要に分類するDeep Learningの一種であるConvolutional Neural Network (CNN)のFPGA化に適したハードウェア削減・高速化手法を研究開発できたため, 帯域・実装コストの削減が可能となり, 監視カメラ・自動運転・ロボット・ドローン等へと適用可能となった.

【研究種目】若手研究(A)

【研究期間】2015-04-01 - 2019-03-31

【配分額】24,700千円 (直接経費: 19,000千円、間接経費: 5,700千円)