阅读说明：本技术 评价系统、评价装置、评价方法、评价程序以及记录介质 (Evaluation system, evaluation device, evaluation method, evaluation program, and recording medium ) 是由 中野可也 于 2018-10-04 设计创作，主要内容包括：评价系统(1)是使用评价对象物的拍摄图像(G)来评价评价对象物的覆盖范围的系统,具备：图像获取部(11),获取拍摄图像(G)；修正部(13),通过修正拍摄图像(G)来生成评价用图像；评价部(22),基于评价用图像来评价覆盖范围；以及输出部(16),输出评价部的评价结果,修正部(13)基于拍摄图像(G)所包含的凹痕区域(De)的大小,从拍摄图像(G)提取评价区域(Re),并基于评价区域(Re)来生成评价用图像,凹痕区域(De)是在评价对象物上产生的凹痕的图像。(An evaluation system (1) is a system for evaluating the coverage of an evaluation object by using a shot image (G) of the evaluation object, and comprises: an image acquisition unit (11) that acquires a captured image (G); a correction unit (13) that generates an evaluation image by correcting the captured image (G); an evaluation unit (22) that evaluates the coverage area on the basis of the evaluation image; and an output unit (16) that outputs the evaluation result of the evaluation unit, wherein the correction unit (13) extracts an evaluation region (Re) from the captured image (G) on the basis of the size of a dent region (De) included in the captured image (G), and generates an image for evaluation on the basis of the evaluation region (Re), the dent region (De) being an image of a dent generated in the object to be evaluated.)

评价系统、评价装置、评价方法、评价程序以及记录介质

技术领域

本公开涉及评价系统、评价装置、评价方法、评价程序以及记录介质。

背景技术

为了提高机械部件等的强度，有时对机械部件等的表面实施喷丸处理(shotpeening)。已知评价这样的喷丸处理的完成的程度的覆盖范围(coverage)测定装置。例如，在专利文献1中公开了基于通过拍摄加工面所得的图像来计算覆盖范围，并显示覆盖范围的覆盖范围测定装置。

专利文献1:日本特开2011－152603号公报

喷丸可以使用各种大小的投射材。因此，形成于加工面的凹痕的大小根据投射材的大小而变化。然而，若针对不同的大小的投射材，将相同的面积的表面设为评价对象，则投射材的大小有可能给覆盖范围的评价带来影响。例如，对于投射材的大小，评价对象的表面不具有充分的面积的情况下，一个凹痕给予覆盖范围的影响变大，所以有可能无法对对象物评价整体的(平均的)覆盖范围。

发明内容

在本技术领域中，期望提高覆盖范围的评价精度。

本公开的一个方面所涉及的评价系统是使用评价对象物的拍摄图像来评价评价对象物的覆盖范围的系统。该评价系统具备：图像获取部，获取拍摄图像；修正部，通过修正拍摄图像来生成评价用图像；评价部，基于评价用图像来评价覆盖范围；以及输出部，输出评价部的评价结果。修正部基于拍摄图像所包含的凹痕区域的大小，从拍摄图像提取评价区域，并基于评价区域来生成评价用图像。凹痕区域是在评价对象物上产生的凹痕的图像。

本公开的另一方面所涉及的评价装置是使用评价对象物的拍摄图像来评价评价对象物的覆盖范围的装置。该评价装置具备：图像获取部，获取拍摄图像；修正部，通过修正拍摄图像来生成评价用图像；评价部，基于评价用图像来评价覆盖范围；以及输出部，输出评价部的评价结果。修正部基于拍摄图像所包含的凹痕区域的大小，从拍摄图像提取评价区域，并基于评价区域来生成评价用图像。凹痕区域是在评价对象物上产生的凹痕的图像。

本公开的又一方面所涉及的评价方法是使用评价对象物的拍摄图像来评价评价对象物的覆盖范围的方法。该评价方法具备：获取拍摄图像的步骤；通过修正拍摄图像来生成评价用图像的步骤；基于评价用图像来评价覆盖范围的步骤；以及输出评价覆盖范围的步骤中的评价结果的步骤。在生成评价用图像的步骤中，基于拍摄图像所包含的凹痕区域的大小，从拍摄图像提取评价区域，并基于评价区域来生成评价用图像。凹痕区域是在评价对象物上产生的凹痕的图像。

本公开的又一方面所涉及的评价程序是用于使计算机执行如下的程序：获取评价对象物的拍摄图像的步骤；通过修正拍摄图像来生成评价用图像的步骤；基于评价用图像来评价评价对象物的覆盖范围的步骤；以及输出评价覆盖范围的步骤中的评价结果的步骤。在生成评价用图像的步骤中，基于拍摄图像所包含的凹痕区域的大小，从拍摄图像提取评价区域，并基于评价区域来生成评价用图像。凹痕区域是在评价对象物上产生的凹痕的图像。

本公开的又一方面所涉及的记录介质是记录有评价程序的计算机可读取的记录介质，该评价程序用于使计算机执行：获取评价对象物的拍摄图像的步骤；通过修正拍摄图像来生成评价用图像的步骤；基于评价用图像来评价评价对象物的覆盖范围的步骤；以及输出评价覆盖范围的步骤中的评价结果的步骤。在生成评价用图像的步骤中，基于拍摄图像所包含的凹痕区域的大小，从拍摄图像提取评价区域，并基于评价区域来生成评价用图像。凹痕区域是在评价对象物上产生的凹痕的图像。

在这些评价系统、评价装置、评价方法、评价程序以及记录介质中，从评价对象物的拍摄图像提取评价区域，并基于评价区域来生成评价用图像。而且，基于评价用图像来评价覆盖范围，并输出评价结果。基于在评价对象物上产生的凹痕的图像亦即凹痕区域的大小，从拍摄图像提取评价区域。因此，例如，在凹痕区域较大的情况下，能以评价区域的面积变大的方式提取评价区域。由此，将与凹痕区域的大小对应的范围设为对象，评价覆盖范围。其结果能够提高覆盖范围的评价精度。

修正部可以以凹痕区域的大小越大则评价区域越大的方式从拍摄图像提取评价区域。该情况下，能够减少由凹痕的大小引起的覆盖范围的误差。其结果能够进一步提高覆盖范围的评价精度。

修正部可以通过对凹痕区域的大小乘以预定的常数来设定评价区域的大小，并从拍摄图像提取评价区域。该情况下，由于对于凹痕区域的大小，能够充分增大评价对象的范围(面积)，所以能够减少一个凹痕给予覆盖范围的影响。其结果能够进一步提高覆盖范围的评价精度。

修正部以使凹痕区域的大小与规定的大小一致的方式扩大或者缩小评价区域。该情况下，能够适当地进行利用神经网络的评价。

修正部可以基于拍摄图像所包含的参照区域的颜色来修正评价区域的颜色。参照区域可以是付上了特定的颜色的参照体的图像。即使是相同的评价对象物，也有拍摄图像的色调根据拍摄所使用的光源的色调而改变的情况。另外，即使是相同的评价对象物，也有拍摄图像的亮度根据光的照射量而不同的情况。在上述结构中，参照区域的颜色与特定的颜色不同的情况下，认为拍摄图像中的颜色受到光的影响。因此，例如，可以通过修正评价区域的颜色以使参照区域的颜色成为特定的颜色(例如，原来的颜色)，以减少光的影响。由此，能够进一步提高覆盖范围的评价精度。

修正部可以从评价区域除去镜面反射。若对评价对象物照射较强的光则有时产生镜面反射，若在该状态下拍摄评价对象物则有时在拍摄图像产生过曝。在产生过曝的区域中，损失颜色信息。因此，通过除去镜面反射(过曝)，可恢复颜色信息。由此，能够进一步提高覆盖范围的评价精度。

评价部可以使用神经网络来评价覆盖范围。该情况下，通过学习神经网络，能够进一步提高覆盖范围的评价精度。

根据本公开的各侧面以及各实施方式，能够提高覆盖范围的评价精度。

附图说明

图1是示意性地表示第一实施方式所涉及的包括评价装置的评价系统的构成图。

图2是图1所示的用户终端的硬件构成图。

图3是图1所示的评价装置的硬件构成图。

图4是表示图1所示的评价系统进行的评价方法的时序图。

图5是详细地示出如图4所示的修正处理的流程图。

图6的(a)～(f)是表示标记的例子的图。

图7是用于对失真修正进行说明的图。

图8的(a)以及(b)是用于对评价区域的提取进行说明的图。

图9的(a)以及(b)是用于对颜色修正进行说明的图。

图10是表示神经网络的一个例子的图。

图11是表示评价结果的一个例子的图。

图12的(a)以及(b)是表示评价结果的显示例的图。

图13的(a)以及(b)是表示评价结果的修正例的图。

图14是示意性地表示第二实施方式所涉及的包括评价装置的评价系统的构成图。

图15是表示图14所示的评价系统进行的评价方法的时序图。

图16是示意性地表示第三实施方式所涉及的包括评价装置的评价系统。

图17是表示图16所示的评价系统进行的评价方法的流程图。

图18的(a)～(d)是表示标记的变形例的图。

图19是用于对评价区域的提取方法的变形例进行说明的图。

图20是用于对评价区域的提取方法的变形例进行说明的图。

具体实施方式

以下，参照附图，详细地对本公开的实施方式进行说明。此外，在附图的说明中，对同一要素标注同一附图标记，省略重复的说明。

(第一实施方式)

图1是示意性地表示第一实施方式所涉及的包括评价装置的评价系统的构成图。图1所示的评价系统1是对评价对象物的覆盖范围进行评价的系统。作为评价对象物的例子，列举有阿尔曼带板、齿轮以及弹簧。覆盖范围是因冲击而产生凹痕的面积相对于成为测定的对象的整个表面积的比例。

评价系统1具备一个或者多个用户终端10、以及评价装置20。用户终端10以及评价装置20经由网络NW相互可通信地连接。网络NW可以由有线以及无线的任意一种构成。作为网络NW的例子，列举有因特网、移动体通信网以及WAN(Wide Area Network：广域网)。

用户终端10是被用户使用的终端装置。用户终端10通过拍摄评价对象物来生成评价对象物的拍摄图像，并将拍摄图像发送至评价装置20。用户终端10从评价装置20接收评价结果，并将评价结果输出至用户。用户终端10可以应用于内置了拍摄装置的移动终端，也可以应用于能够与拍摄装置进行通信的装置。在本实施方式中，作为用户终端10，使用内置了拍摄装置的移动终端进行说明。作为移动终端的例子，列举有智能手机、平板终端以及笔记本PC(Personal Computer，个人计算机)。

图2是图1所示的用户终端的硬件构成图。如图2所示，用户终端10物理上可以构成为具有一个或者多个处理器101、主存储装置102、辅助存储装置103、通信装置104、输入装置105、输出装置106、以及拍摄装置107等硬件的计算机。作为处理器101，使用处理速度较快的处理器。作为处理器101的例子，列举有GPU(Graphics Processing Unit：图形处理器)以及CPU(Central Processing Unit：中央处理器)。主存储装置102由RAM(Random AccessMemory：随机存取存储器)以及ROM(Read Only Memory：只读存储器)等构成。作为辅助存储装置103的例子，列举有半导体存储器以及硬盘装置。

通信装置104是经由网络NW与其它装置进行数据的收发的装置。作为通信装置104的例子，列举有网卡。经由网络NW的数据的收发可以使用加密。换句话说，通信装置104可以对数据进行加密，并将经加密的数据发送至其它装置。通信装置104也可以从其它装置接收经加密的数据，并对经加密的数据进行解密。加密可使用三重DES(Data EncryptionStandard：数据加密标准)以及Rijndael等公共密钥暗号方式，或者RSA以及ElGamal等公用密钥加密方式。

输入装置105是在用户操作用户终端10时所使用的装置。作为输入装置105的例子，列举有触摸面板、键盘以及鼠标。输出装置106是将各种信息输出至用户终端10的用户的装置。作为输出装置106的例子，列举有显示器、扬声器以及振动器。

拍摄装置107是用于拍摄(图像化)的装置。拍摄装置107例如是相机模块。具体而言，拍摄装置107包括：透镜以及拍摄元件等多个光学系统的部件；对它们进行驱动控制的多个控制系的电路；以及将表示由拍摄元件生成的拍摄图像的电信号转换为数字信号亦即图像信号的信号处理系统的电路部。

用户终端10的图1所示的各功能通过如下来实现：通过使主存储装置102等硬件读入一个或者多个规定的计算机程序而在一个或者多个处理器101的控制下使各硬件动作，并且进行主存储装置102以及辅助存储装置103中的数据的读出以及写入。

用户终端10功能上具备图像获取部11、修正部13、发送部14、接收部15、输出部16以及修正信息获取部17。

图像获取部11是用于获取包括评价对象物的拍摄图像的部分。图像获取部11例如通过拍摄装置107来实现。拍摄图像可以是静态图像，也可以是动态图像。拍摄图像例如被获取作为表示各像素(像素)的像素值的图像数据，但便于说明，表现为拍摄图像。在用户终端10不具有拍摄装置107的情况下，图像获取部11例如通过从其它装置(例如具有相机功能的终端等)接受由该其它装置拍摄到的拍摄图像来获取拍摄图像。例如，在图像获取部11从其它装置经由网络NW接收拍摄图像的情况下，进行拍摄图像的接收处理的部分(图2的通信装置104等)作为图像获取部11发挥作用。图像获取部11将拍摄图像输出至修正部13。

修正部13是用于通过对拍摄图像进行修正来生成评价用图像的部分。修正部13从拍摄图像提取评价区域，并基于评价区域来生成评价用图像。根据拍摄图像所包含的凹痕的图像亦即凹痕区域的大小来规定评价区域。修正部13例如对拍摄图像进行尺寸修正、失真修正、颜色修正、镜面反射除去、噪声除去以及振动修正。对于各修正处理的详细，将后述。修正部13将评价用图像输出至发送部14。

发送部14是用于将评价用图像发送至评价装置20的部分。发送部14经由网络NW将评价用图像发送至评价装置20。发送部14还将由修正信息获取部17获取的修正信息发送至评价装置20。发送部14例如通过通信装置104来实现。接收部15是用于从评价装置20接收评价结果的部分。接收部15经由网络NW从评价装置20接收评价结果。接收部15例如通过通信装置104来实现。

输出部16是用于输出评价结果的部分。输出部16例如通过输出装置106来实现。在其它装置具有的显示器等输出装置中输出评价结果的情况下，输出部16例如经由网络NW将评价结果发送至其它装置。该情况下，进行评价结果的发送处理的部分(图2的通信装置104等)作为输出部16发挥作用。

修正信息获取部17是用于获取评价结果的修正信息的部分。例如，用户有时在确认了由输出部16输出的评价结果后，使用输入装置105来修正评价结果。此时，修正信息获取部17获取修正后的评价结果作为修正信息。修正信息获取部17将修正信息输出至发送部14。

评价装置20是使用评价对象物的拍摄图像(评价用图像)来评价评价对象物的覆盖范围的装置。评价装置20例如由计算机等的信息处理装置(服务器装置)构成。

图3是图1所示的评价装置的硬件构成图。如图3所示，评价装置20物理上可构成为具备一个或者多个处理器201、主存储装置202、辅助存储装置203以及通信装置204等硬件的计算机。作为处理器201，使用处理速度较快的处理器。作为处理器201的例子，列举有GPU以及CPU。主存储装置202由RAM以及ROM等构成。作为辅助存储装置203的例子，列举有半导体存储器以及硬盘装置。

通信装置204是经由网络NW与其它装置进行数据的收发的装置。作为通信装置204的例子，列举有网卡。经由网络NW的数据的收发可以使用加密。换句话说，通信装置204可以对数据进行加密，并将经加密的数据发送至其它装置。通信装置204也可以从其它装置接收经加密的数据，并对经加密的数据进行解密。加密可使用三重DES以及Rijndael等的公共密钥加密方式，或者RSA以及ElGamal等公用密钥加密方式。

此外，通信装置204可以实施判定用户终端10的用户是正规用户还是非正规用户的用户认证。该情况下，评价装置20也可以在用户为正规用户的情况下进行覆盖范围的评价，也可以在用户为非正规用户的情况下不进行覆盖范围的评价。用户认证例如使用预先登记的用户ID(identifier)以及密码。用户认证也可以使用一次性密码本(一次性密码)。

评价装置20的图1所示的各功能通过如下来实现：通过使主存储装置202等硬件读入一个或者多个规定的计算机程序而在一个或者多个处理器201的控制下使各硬件动作，并且进行主存储装置202以及辅助存储装置203中的数据的读出以及写入。

评价装置20功能上具备接收部21、评价部22以及发送部23。

接收部21是用于从用户终端10接收评价用图像的部分。接收部21经由网络NW从用户终端10接收评价用图像。接收部21还从用户终端10接收修正信息。接收部21例如通过通信装置204来实现。接收部21将评价用图像以及修正信息输出至评价部22。

评价部22是用于基于评价用图像来评价对象物的覆盖范围的部分。评价部22使用神经网络来评价评价对象物的覆盖范围。神经网络可以是卷积神经网络(ConvolutionalNeural Network：CNN)，也可以是循环神经网络(Recurrent Neural Network：RNN)。评价部22将评价结果输出至发送部23。

发送部23是用于向用户终端10发送评价结果的部分。发送部23经由网络NW将评价结果发送至用户终端10。发送部23例如通过通信装置204来实现。此外，由于发送部23将评价结果输出(发送)至用户终端10，所以可以视为输出部。

接下来，参照图4～图13的(b)，对评价系统1进行的评价方法进行说明。图4是表示图1所示的评价系统进行的评价方法的时序图。图5是详细地表示图4所示的修正处理的流程图。图6的(a)～(f)是表示标记的例子的图。图7是用于对失真修正进行说明的图。图8的(a)以及(b)是用于对评价区域的提取进行说明的图。图9的(a)以及(b)是用于对颜色修正进行说明的图。图10是表示神经网络的一个例子的图。图11是表示评价结果的一个例子的图。图12的(a)以及(b)是表示评价结果的显示例的图。图13的(a)以及(b)是表示评价结果的修正例的图。

图4所示的评价方法的一系列的处理例如以用户终端10的用户使用拍摄装置107来拍摄评价对象物为契机而开始。首先，图像获取部11获取评价对象物的拍摄图像(步骤S01)。例如，图像获取部11获取由拍摄装置107生成的评价对象物的图像作为拍摄图像。而且，图像获取部11将获取到的拍摄图像输出至修正部13。

此外，也可以在获取评价对象物的拍摄图像前，对评价对象物附上标记MK。标记MK用于在后述的图像处理中修正拍摄图像。标记MK具有能够确定标记MK的朝向的形状。标记MK在上下方向以及宽度方向的至少任意一个方向上非对称。具体而言，如图6的(a)～(f)所示，标记MK包括附上白色的区域Rw和附上黑色的区域Rb。为了使后述的图像处理容易化，标记MK具有四方形的边F1。边F1是区域Rb的边。如图6的(b)～(f)所示，标记MK也可以由框F2围起，在框F2与区域Rb之间设置间隙Rgap。

标记MK被描绘于片状部件。例如，用户终端10的用户将包括标记MK的片状部件直接粘贴于评价对象物。用户也可以使用UAV(Unmanned Aerial Vehicle：无人机)或者伸缩棒等将包括标记MK的片状部件粘贴于评价对象物。

此外，标记MK只要由附上有相互不同的颜色的2个以上的区域构成即可。例如，在区域Rw中附上的颜色可以不是白色，也可以是灰色等。在区域Rb中附上的颜色可以不是黑色，也可以是具有彩度的颜色。在本实施方式中，使用图6的(a)所示的标记MK。

接着，修正部13修正拍摄图像(步骤S02)。如图5所示，在步骤S02的修正处理中，首先，修正部13为了修正拍摄图像的失真而进行失真修正(步骤S21)。与通过从正面拍摄评价对象物所得的图像进行比较，拍摄图像有时失真。例如，在拍摄装置107为深度相机的情况下，获得拍摄装置107与评价对象物的各位置的距离。该情况下，修正部13基于拍摄装置107与评价对象物的各位置的距离，将拍摄图像转换为通过从正面拍摄评价对象物所得的图像来进行失真修正。修正部13在评价对象物为弹簧等具有曲面的构造物的情况下，还可以进行曲面修正作为失真修正。

修正部13也可以使用标记MK来进行失真修正。附上有标记MK的评价对象物的拍摄图像包括标记MK的图像(图像区域)亦即标记区域Rm。该情况下，首先，修正部13从拍摄图像提取标记区域Rm。修正部13例如通过对拍摄图像进行物体检测处理或者边缘检测处理来提取标记区域Rm。在标记MK具有简单的形状的情况下，与物体检测处理相比，边缘检测处理的检测精度更高，处理速度更快，所以可以使用边缘检测处理。

而且，修正部13确认提取出的标记区域Rm是否是标记MK的图像。修正部13例如在对标记区域Rm进行直方图的平均化处理后，对标记区域Rm进行二值化处理。而且，修正部13对二值化后的标记区域Rm和标记MK进行比较，并在两者一致的情况下，判定为标记区域Rm是标记MK的图像。由此，获取拍摄图像中的标记MK的顶点坐标。修正部13在两者不一致的情况下判定为标记区域Rm不是标记MK的图像，再次提取标记区域Rm。

而且，修正部13使用标记区域Rm来计算拍摄图像中的标记MK的朝向。由于标记MK在上下方向以及宽度方向的至少任意一个方向上非对称，所以可计算拍摄图像中的标记MK的朝向。而且，如图7所示，修正部13以从拍摄图像中的标记MK的顶点坐标以及朝向恢复本来的标记MK的形状的方式对拍摄图像进行射影转换，从而将拍摄图像转换为通过从正面拍摄评价对象物所得的图像。具体而言，修正部13将顶点Pm1设为原点，将从顶点Pm1朝向顶点Pm2的方向设为X1轴向，将从顶点Pm1朝向顶点Pm4的方向设为Y1轴向。而且，修正部13通过将X1－Y1坐标系转换为X－Y正交坐标系来恢复标记MK的形状。由此，进行失真修正。

接着，修正部13从拍摄图像提取评价区域Re(步骤S22)。由于使投射材的大小一致来进行一次的喷丸，所以凹痕的大小为相同程度。然而，喷丸所使用的投射材的种类例如有具有0.1mm～1mm左右的直径(粒径)的投射材。因此，有时一个喷丸所使用的投射材的大小与另一个喷丸所使用的投射材的大小不同。在对这些投射材以相同的面积评价覆盖范围的情况下，一个凹痕给予覆盖范围的评价的影响根据投射材的大小(直径)而不同。因此，如图8的(a)以及(b)所示，修正部13基于拍摄图像G所包含的凹痕区域De的大小，从拍摄图像G提取评价区域Re，并基于评价区域Re来生成评价用图像。凹痕区域De是在评价对象物上产生的凹痕的图像。

凹痕区域De的大小例如使用拍摄图像G所包含的多个凹痕区域De的平均尺寸(例如，平均直径)。修正部13例如通过物体检测来检测拍摄图像G所包含的多个凹痕区域De。而且，修正部13计算拍摄图像G所包含的多个凹痕区域De的平均尺寸(例如，平均直径)，并以凹痕区域De的平均尺寸越大则评价区域Re越大的方式从拍摄图像G提取评价区域Re。具体而言，修正部13通过对凹痕区域De的平均尺寸(平均直径)乘以预定的倍率(例如，5倍～10倍)来设定评价区域Re的大小。例如，修正部13从拍摄图像提取将乘法结果设为一边的长度的正方形的区域作为评价区域Re。

接着，修正部13修正评价区域Re的尺寸(步骤S23)。评价区域Re的大小可根据凹痕区域De的大小而变化。因此，在尺寸修正中，修正部13以使凹痕区域De的大小与规定的大小(基准粒径)一致的方式进行评价区域Re的伸缩处理。由此，评价区域Re的尺寸与规定的评价尺寸一致。评价尺寸是神经网络NN的学习所使用的基准图像(教师数据)的尺寸。

在伸缩处理中，首先，修正部13对凹痕区域De的大小(平均直径)和基准粒径进行比较，决定是否进行扩大处理以及缩小处理的任意一个。修正部13在凹痕区域De的平均直径小于基准粒径的情况下，进行扩大处理，在凹痕区域De的平均直径大于基准粒径的情况下，进行缩小处理。换句话说，修正部13通过扩大或者缩小评价区域Re来使评价用图像的尺寸与评价尺寸一致。扩大处理例如使用双线性内插法。缩小处理例如使用平均像素法。扩大处理以及缩小处理也可以使用其它伸缩算法，但优选即使进行伸缩处理也保持图像的状态。

接着，修正部13进行评价区域Re的颜色修正(步骤S24)。即使是相同的评价对象物，图像的明暗也可根据拍摄环境而变化。另外，若拍摄所使用的光源的颜色不同，则图像的颜色也可不同。为了减少拍摄环境的影响，而进行颜色修正。修正部13基于拍摄图像所包含的参照区域的颜色来修正评价区域Re的颜色。参照区域是附上有特定的颜色的参照体的图像(图像区域)。

如图9的(a)所示，作为参照体，可以使用标记MK的区域Rw。该情况下，利用比色计等预先测定标记MK的区域Rw的颜色，并将表示测定出的颜色的基准值存储至未图示的存储器。作为表示颜色的值，使用RGB值以及HSV值等。如图9的(b)所示，修正部13获取拍摄图像(评价区域Re)所包含的标记区域Rm中的区域Rw的颜色的值，并对获取到的值和基准值进行比较，并进行颜色修正，以使它们的差分变小(例如，变为零)。颜色修正使用伽马校正等。作为颜色修正，也可以对各像素值加上差分(偏移处理)。

作为参照体，也可以不使用标记MK。该情况下，也可以通过将预先测定出颜色的试料(例如，灰板)作为参照体，与评价对象物一起进行拍摄，从而与使用标记MK的情况同样地进行评价区域Re的颜色修正。修正部13基于灰色假说来进行颜色修正。

接着，修正部13从评价区域Re除去镜面反射(步骤S25)。有时镜面反射在评价对象物具有金属光泽的情况下发生。也有时根据评价对象物的涂膜的状态而发生镜面反射。在图像中，发生镜面反射的部分通常作为较强的白色显现。换句话说，引起了镜面反射的部分在图像产生过曝。在颜色修正后，引起镜面反射的部分可能作为白色部分而被检测，所以修正部13使用颜色修正后的图像(评价区域Re)来除去镜面反射。

因此，修正部13基于评价区域Re所包含的各像素的像素值来确定镜面反射部分。例如，修正部13在RGB的像素值均大于规定的阈值的情况下判定为该像素是镜面反射部分的一部分。修正部13可以将像素值转换为HSV，并对亮度(V)、或者亮度(V)以及彩度(S)两方进行同样的阈值处理来确定镜面反射部分。

而且，修正部13从镜面反射部分除去镜面反射，恢复原来的图像信息(像素值)。修正部13例如通过使用了纳维-斯托克斯方程的方法以及Alexandru Telea的快速行进方法等以镜面反射部分的附近的图像信息自动内插(恢复)镜面反射部分的图像信息。修正部13也可以通过机械学习预先学习具有各种覆盖范围的值的图像来恢复镜面反射部分的图像信息。机械学习例如使用GAN(Generative Adversarial Network：生成式对抗网络)。此外，修正部13也可以对将镜面反射部分的外边缘扩大了的区域(换句话说，包括镜面反射部分，并大于镜面反射部分的区域)恢复图像信息。

接着，修正部13从评价区域Re除去噪声(步骤S26)。修正部13例如使用高斯滤波器以及低通滤波器等干扰抑制滤波器(干扰抑制函数)从评价区域Re除去噪声。

接着，修正部13进行评价区域Re的振动修正(步骤S27)。在用户使用用户终端10进行拍摄时，有时产生手抖动等振动。修正部13例如使用Wiener滤波器以及盲反卷积算法来进行图像的振动修正。

此外，图5的修正处理是一个例子，修正部13进行的修正处理并不限于此。也可以省略步骤S21、S23～S27的一部分或者全部。可以以任意的顺序进行步骤S21～S27。在如上述那样在颜色修正之后进行镜面反射除去的情况下，在图像中镜面反射部分作为较强的白色显现，所以镜面反射部分的确定精度得以提高。

另外，所图7所示，修正部13也可以视为由呈方格状排列的多个块构成标记区域Rm，并使用标记区域Rm(标记MK)的4个顶点的坐标来求出各块的顶点坐标。由此，修正部13能够将标记区域Rm分割成多个块来处理。例如，修正部13使用各块来判定标记区域Rm是否是标记MK的图像。另外，修正部13也可以将任意一个块作为用于颜色修正的参照区域。并且，修正部13也可以根据各块的坐标来计算拍摄图像的失真程度，并进行拍摄装置107的校准。

接着，修正部13将通过步骤S02的修正处理被修正的拍摄图像作为评价用图像并输出至发送部14，发送部14经由网络NW将评价用图像发送至评价装置20(步骤S03)。此时，发送部14将评价用图像与能够唯一识别用户终端10的终端ID一起发送至评价装置20。作为终端ID，例如可以使用IP(Internet Protocol，网际互连协议)地址。而且，接收部21接收从用户终端10发送的评价用图像，并将评价用图像输出至评价部22。此外，修正部13在评价用图像的鲜明度不足的情况下，可以不将评价用图像输出至发送部14。另外，发送部14也可以如上述那样对评价用图像进行加密，并将经加密的评价用图像发送至评价装置20。该情况下，接收部21从用户终端10接收经加密的评价用图像，对经加密的评价用图像进行解密，并将评价用图像输出至评价部22。

接着，评价部22基于评价用图像来评价评价对象物的覆盖范围(步骤S04)。在该例子中，评价部22使用图10所示的神经网络NN来评价评价对象物的覆盖范围。此外，评价部22若接受到评价用图像，则将能够唯一识别评价用图像的图像ID赋予给评价用图像。

神经网络NN输入评价用图像，并输出各类别的符合率。作为类别，可使用将覆盖范围汇总为规定的比例单位而得的值。例如，在以百分比记载覆盖范围的情况下，将类别以10％单位设定至0～98％。此外，作为与覆盖范围有关的规格，列举JIS B2711以及SAEJ2277。作为一个例子，在SAE J2277中，将能够测定覆盖范围的上限值设为98％(全覆盖范围)。类别并不限于10％单位，可以以5％单位设定，也可以以1％单位设定。

如图11所示，在本实施方式中，作为类别，使用将覆盖范围以10％单位汇总至0～98％而得的值。在该例子中，为了便于说明，使用类别“100％”。符合率表示评价对象物的覆盖范围属于该类别的概率。意味着符合率越大，则评价对象物的覆盖范围属于该类别的可能性越高。

评价部22也可以将评价用图像分离成一个或者多个通道，并将各通道的图像信息(像素值)作为神经网络NN的输入。评价部22例如将评价用图像分离成颜色空间的各成分。在作为颜色空间而使用RGB颜色空间的情况下，评价部22将评价用图像分离成R成分的像素值、G成分的像素值以及B成分的像素值。在作为颜色空间而使用HSV颜色空间的情况下，评价部22将评价用图像分离成H成分的像素值、S成分的像素值以及V成分的像素值。评价部22也可以将评价用图像转换为灰度，并将转换后的图像作为神经网络NN的输入。

如图10所示，神经网络NN具有输入层L1、中间层L2以及输出层L3。输入层L1位于神经网络NN的入口，对输入层L1输入M个输入值x_i(i为1～M的整数)。输入层L1具有多个神经元41。神经元41与输入值x_i对应地设置，神经元41的数量与输入值x_i的总数M相等。换句话说，神经元41的数量与评价用图像的各通道所包含的像素数的总和相等。第i个神经元41将输入值x_i输出至中间层L2的第一中间层L21的各神经元421。输入层L1包括节点41b。节点41b对各神经元421输出偏差值b_j(j为1～M1的整数)。

中间层L2位于输入层L1与输出层L3之间。由于中间层L2从神经网络NN的外部隐藏所以被称为隐藏层。中间层L2包括一个或者多个层。在图10所示的例子中，中间层L2包括第一中间层L21和第二中间层L22。第一中间层L21具有M1个神经元421。此时，第j个神经元421如式(1)所示，通过对由权重系数w_ij加权各输入值x_i所得的值的总和再加上偏差值b_j来获得计算值z_j。此外，在神经网络NN为卷积神经网络的情况下，神经元421例如依次进行使用卷积、激活函数的计算、以及池化。该情况下，激活函数例如使用ReLU函数。

[数1]

而且，第j个神经元421对第二中间层L22的各神经元422输出计算值z_j。第一中间层L21包括节点421b。节点421b对各神经元422输出偏差值。以下，各神经元进行与神经元421同样的计算，并对后段的层的各神经元输出计算值。中间层L2的最终段的神经元(此处，神经元422)对输出层L3的各神经元43输出计算值。

输出层L3位于神经网络NN的出口，输出输出值y_k(k为1～N的整数)。输出值y_k被分配成各类别，是与该类别的符合率对应的值。输出层L3具有多个神经元43。神经元43与输出值y_k对应地设置，神经元43的数量与输出值y_k的总数N相等。换句话说，神经元43的数量与表示覆盖范围的类别的数量相等。各神经元43进行与神经元421同样的计算，并将其计算结果作为自变量来计算激活函数，从而获得输出值y_k。作为激活函数的例子，列举softmax函数、ReLU函数、双曲线函数、双弯曲函数、恒等函数以及阶梯函数。在本实施方式中，使用softmax函数。因此，各输出值y_k被归一化，以使N个输出值y_k的合计成为1。换句话说，通过对输出值y_k乘以100而获得符合率(％)。

接着，评价部22例如将N个输出值y_k与评价用图像的图像ID一起作为评价用图像的评价结果而输出至发送部23。预定N个输出值y_k的排列，各输出值y_k与N个类别的任意一个类别建立对应。此外，评价部22也可以将N个输出值y_k中的最大的输出值与该输出值所对应的类别名或者索引(相当于图11所示的“编号”)一起作为评价结果。此处，与图11所示的符合率对应的输出值的排列作为评价结果被输出至发送部23。该情况下，用户终端10能够决定用户如何输出。

而且，发送部23经由网络NW将评价结果发送至用户终端10(步骤S05)。此时，发送部23基于与评价用图像一起从用户终端10发送的终端ID来识别发送目的地的用户终端10，并对该用户终端10发送评价结果。然后，接收部15接收从评价装置20发送的评价结果，并将评价结果输出至输出部16。此外，发送部23也可以如上述那样对评价结果进行加密，并将经加密的评价结果发送至用户终端10。该情况下，接收部15从评价装置20接收经加密的评价结果，并对经加密的评价结果进行解密，将评价结果输出至输出部16。

接着，输出部16生成用于将评价结果通知给用户的输出信息，并基于输出信息将评价结果输出至用户(步骤S06)。输出部16例如对符合率最高的类别的名称(覆盖范围〇〇％)、和该符合率进行显示。另外，输出部16例如可以通过相加将各类别的值和符合率相乘的结果来计算覆盖范围，将该计算结果作为评价结果显示。在图11的例子中，覆盖范围为45％(＝40％×0.5+50％×0.5)。

如图12的(a)以及(b)所示，输出部16可以使用箭头Pa在图表上显示覆盖范围的评价结果。输出部16也可以以文本显示评价结果。例如，输出部16显示为“结果：覆盖范围45％”等。输出部16还可以以文本显示全部类别的名称和其符合率。

输出部16可以使用评价结果来对用户通知喷丸处理是合格还是不合格。输出部16可以通过声音输出评价结果，也可以通过振动输出评价结果。输出部16的输出的方式可以由用户设定。

接着，修正信息获取部17判定用户是否已进行了评价结果的修正操作。例如，用户在确认由输出部16输出的评价结果后，使用输入装置105进行操作，以显示用于修正评价结果的画面。

例如，如图13的(a)以及(b)所示，用户通过操作输入装置105，使用指针MP使箭头Pa移动，从而在图表上指定覆盖范围。换句话说，用户通过目视检查评价对象物来判定覆盖范围，用户使箭头Pa移动，以表示由与用户判定出的覆盖范围对应的数值。

用户为了指定覆盖范围，可以使用文本框。用户为了选择类别，可以使用单选按钮、下拉式菜单、或者滑块等物体。

在修正信息获取部17判定为未进行修正操作的情况下，评价系统1的评价方法的一系列的处理结束。另一方面，修正信息获取部17在判断为通过输入装置105进行了修正操作的情况下，将表示修正后的类别的信息与进行了该修正操作的评价用图像的图像ID一起作为修正信息获取(步骤S07)。

而且，修正信息获取部17将修正信息输出至发送部14，发送部14经由网络NW将修正信息发送至评价装置20(步骤S08)。而且，接收部21接收从用户终端10发送的修正信息，并将修正信息输出至评价部22。此外，发送部14也可以如上述那样对修正信息进行加密，并将经加密修正信息发送至评价装置20。该情况下，接收部21从用户终端10接收经加密修正信息，并对经加密修正信息进行解密，将修正信息输出至评价部22。

接着，评价部22基于修正信息来进行学习(步骤S09)。具体而言，评价部22将修正后的类别和评价用图像的组设为教师数据。评价部22可以利用线上学习、小批量学习以及批量学习中的任意一个方法进行神经网络NN的学习。线上学习是在每次获取新的教师数据时使用该教师数据来进行学习的方法。小批量学习是将一定量的教师数据作为1单位，使用1单位的教师数据来进行学习的方法。批量学习是使用全部的教师数据来进行学习的方法。学习使用反向传播等算法。此外，神经网络NN的学习意味着将神经网络NN所使用的权重系数以及偏差值更新为更佳的值。

如以上那样，评价系统1的评价方法的一系列的处理结束。

此外，用户终端10以及评价装置20中的各功能部通过在构成用户终端10以及评价装置20的计算机中执行用于使各功能实现的程序模块来实现。包括这些程序模块的评价程序例如通过ROM或者半导体存储器等计算机可读取的记录介质来提供。另外，评价程序也可以作为数据信号经由网络提供。

在以上说明的评价系统1、评价装置20、评价方法、评价程序以及记录介质中，从评价对象物的拍摄图像提取评价区域Re，并基于评价区域Re来生成评价用图像。然后，基于评价用图像来评价覆盖范围，并输出评价结果。基于在评价对象物上产生的凹痕的图像亦即凹痕区域De的大小从拍摄图像提取评价区域Re。具体而言，以凹痕区域De越大则评价区域Re(的面积)越大的方式从拍摄图像提取评价区域Re。由此，由于将与凹痕区域De的大小对应的范围设为对象来评价覆盖范围，所以能够减少一个凹痕给予覆盖范围的影响。其结果能够提高覆盖范围的评价精度。

更具体而言，通过对凹痕区域De的大小(例如，平均直径)乘以预定的常数来设定评价区域Re的大小。因此，对于凹痕区域De的大小，能够充分增大评价区域Re的范围(面积)，所以能够减少一个凹痕给予覆盖范围的影响。其结果，能够提高覆盖范围的评价精度。

扩大或者缩小评价区域Re，以使凹痕区域De的大小与规定的大小(例如，基准粒径)一致。因此，能够适当地进行神经网络NN的评价。另外，由于能够对相互不同的粒径的投射材以共同的基准评价覆盖范围，所以能够提高覆盖范围的评价精度。

即使是相同的评价对象物，也有时拍摄图像的色调根据拍摄所使用的光源的色调而改变。另外，即使是相同的评价对象物，也有时拍摄图像的亮度根据光的照射量而不同。因此，基于拍摄图像所包含的参照区域(例如，标记区域Rm中的区域Rw)的颜色来修正评价区域Re的颜色。在标记区域Rm中的区域Rw的颜色与标记MK中的区域Rw的颜色(白色)不同的情况下，认为拍摄图像中的颜色受到光的影响。因此，修正评价区域Re的颜色，以使标记区域Rm中的区域Rw的颜色成为标记MK中的区域Rw的颜色。由此，能够减少光的影响。其结果能够进一步提高覆盖范围的评价精度。

若对评价对象物照射较强的光则有时产生镜面反射，若在该状态下拍摄评价对象物则有时在拍摄图像中产生过曝。在产生过曝的区域中损失颜色信息。因此，可通过从评价区域Re除去镜面反射(过曝)来恢复颜色信息。由此，能够进一步提高覆盖范围的评价精度。

使用神经网络NN来评价覆盖范围。通过喷丸处理而在评价对象物的表面产生的图案是不定形的。因此，在一般的物体检测中，较难确定不定形的物体的位置以及状态。另外，图案识别不适合识别无数存在的图案。与此相对，通过学习神经网络NN，从而可以进行覆盖范围的评价，能够进一步提高覆盖范围的评价精度。

(第二实施方式)

图14是示意性地表示第二实施方式所涉及的包括评价装置的评价系统的构成图。图14所示的评价系统1A主要在具备用户终端10A来代替用户终端10这点、以及具备评价装置20A来代替评价装置20这点上与评价系统1不同。

用户终端10A主要在不具备修正部13这点、以及代替评价用图像而将拍摄图像发送至评价装置20A这点上与用户终端10不同。此外，在用户终端10A中，图像获取部11将拍摄图像输出至发送部14。发送部14将拍摄图像输出至评价装置20A。

评价装置20A主要在代替评价用图像而从用户终端10A接收拍摄图像这点、以及还具备修正部24这点上与评价装置20不同。接收部21从用户终端10A接收拍摄图像，并将拍摄图像输出至修正部24。此外，由于接收部21从用户终端10A获取拍摄图像，所以可视为图像获取部。修正部24具有与修正部13同样的功能。换句话说，修正部24从拍摄图像提取评价区域，并基于评价区域来生成评价用图像。然后，修正部24将评价用图像输出至评价部22。

接下来，参照图15，对评价系统1A进行的评价方法进行说明。图15是表示图14所示的评价系统进行的评价方法的时序图。首先，图像获取部11获取评价对象物的拍摄图像(步骤S31)。例如，图像获取部11与步骤S01同样地获取由拍摄装置107生成的评价对象物的图像作为拍摄图像。

而且，图像获取部11将获取到的拍摄图像输出至发送部14，发送部14经由网络NW将拍摄图像发送至评价装置20A(步骤S32)。此时，发送部14将拍摄图像与能够唯一识别用户终端10A的终端ID一起发送至评价装置20A。而且，接收部21接收从用户终端10A发送的拍摄图像，并将拍摄图像输出至修正部24。此外，发送部14可以如上述那样，对拍摄图像进行加密，并将经加密拍摄图像发送至评价装置20A。该情况下，接收部21从用户终端10A接收经加密拍摄图像，并对经加密拍摄图像进行解密，将拍摄图像输出至修正部24。

接着，修正部24修正拍摄图像(步骤S33)。由于步骤S33的处理与步骤S02的处理同样，所以省略其详细的说明。修正部24将通过步骤S33的修正处理而被修正的拍摄图像作为评价用图像输出至评价部22。以下，由于步骤S34～步骤S39的处理与步骤S04～步骤S09的处理相同，所以省略其详细的说明。如以上那样，评价系统1A的评价方法的一系列的处理结束。

此外，用户终端10A以及评价装置20A中的各功能部通过在构成用户终端10A以及评价装置20A的计算机中执行用于使各功能实现的程序模块来实现。包括这些程序模块的评价程序例如通过ROM或者半导体存储器等计算机可读取的记录介质来提供。另外，评价程序也可以作为数据信号经由网络提供。

在第二实施方式所涉及的评价系统1A、评价装置20A、评价方法、评价程序以及记录介质中，也起到与第一实施方式所涉及的评价系统1、评价装置20、评价方法、评价程序以及记录介质同样的效果。另外，在第二实施方式所涉及的评价系统1A、评价装置20A、评价方法、评价程序以及记录介质中，由于用户终端10A不具有修正部13，所以能够减少用户终端10A的处理负荷。

(第三实施方式)

图16是示意性地表示第三实施方式所涉及的包括评价装置的评价系统的构成图。图16所示的评价系统1B主要在代替用户终端10而具备用户终端10B这点以及不具备评价装置20这点上与评价系统1不同。用户终端10B主要在还具备评价部18这点以及不具备发送部14以及接收部15这点上与用户终端10不同。该情况下，用户终端10B也可是独立系统型的评价装置。

此外，在用户终端10B中，修正部13将评价用图像输出至评价部18。修正信息获取部17将修正信息输出至评价部18。评价部18具有与评价部22同样的功能。换句话说，评价部18基于评价用图像来评价评价对象物的覆盖范围。然后，评价部18将评价结果输出至输出部16。

接下来，参照图17，对评价系统1B(用户终端10B)进行的评价方法进行说明。图17是表示图16所示的评价系统进行的评价方法的流程图。

首先，图像获取部11与步骤S01同样地获取评价对象物的拍摄图像(步骤S41)。而且，图像获取部11将拍摄图像输出至修正部13。接着，修正部13修正拍摄图像(步骤S42)。由于步骤S42的处理与步骤S02的处理同样，所以省略其详细的说明。然后，修正部13将通过步骤S42的修正处理而被修正的拍摄图像作为评价用图像输出至评价部18。

接着，评价部18基于评价用图像来评价评价对象物的覆盖范围(步骤S43)。由于步骤S43的处理与步骤S04的处理同样，所以省略其详细的说明。然后，评价部18将评价结果输出至输出部16。接着，输出部16生成用于将评价结果通知给用户的输出信息，并基于输出信息将评价结果输出至用户(步骤S44)。由于步骤S44的处理与步骤S06的处理同样，所以省略其详细的说明。

接着，修正信息获取部17判定用户是否进行了评价结果的修正操作(步骤S45)。修正信息获取部17在判定为未进行修正操作的情况下(步骤S45：否)，评价系统1B的评价方法的一系列的处理结束。另一方面，修正信息获取部17在判定为进行了修正操作的情况下(步骤S45：是)，将表示修正后的类别的信息与进行了该修正操作的评价用图像的图像ID一起作为修正信息获取。而且，修正信息获取部17将修正信息输出至评价部18。

接着，评价部18基于修正信息来进行学习(步骤S46)。由于步骤S46的处理与步骤S09的处理同样，所以省略其详细的说明。如以上，评价系统1B的评价方法的一系列的处理结束。

此外，用户终端10B中的各功能部通过在构成用户终端10B的计算机中执行用于使各功能实现的程序模块来实现。包括这些程序模块的评价程序例如通过ROM或者半导体存储器等计算机可读取的记录介质来提供。另外，评价程序也可以作为数据信号经由网络提供。

在第三实施方式所涉及的评价系统1B、用户终端10B、评价方法、评价程序以及记录介质中，也起到与第一实施方式所涉及的评价系统1、评价装置20、评价方法、评价程序以及记录介质同样的效果。另外，在第三实施方式所涉及的评价系统1B、用户终端10B、评价方法、评价程序以及记录介质中，由于无需进行经由网络NW的数据的收发，所以不会产生伴随经由网络NW的通信的时滞，能够提高响应速度。另外，能够减少网络NW的流量以及通信费用。

此外，本公开所涉及的评价系统、评价装置、评价方法、评价程序以及记录介质并不限于上述实施方式。

例如，在用户未进行评价结果的修正的情况下，用户终端10、10A、10B可以不具备修正信息获取部17。

另外，在神经网络NN中，也可以进行批量归一化。批量归一化是以分散变为一定的方式转换各层的输出值的处理。该情况下，由于无需使用偏差值，所以可省略输出偏差值的节点(节点41b以及节点421b等)。

另外，评价部18、22也可以使用神经网络以外的手法，基于评价用图像来评价覆盖范围。

另外，输出部16也可以将评价结果输出至未图示的存储器(存储装置)，并将评价结果保存至存储器。输出部16例如创建将能够唯一识别评价结果的管理编号以及进行了该评价的日期等和评价结果建立对应的管理数据，并保存管理数据。

标记MK的形状并不限于正方形。标记MK的形状也可以是长方形。

在上述实施方式中，标记MK具有能够确定标记MK的朝向的形状，但标记MK的形状并不限于具有指向性的形状。标记MK的形状也可以是无指向性的形状。例如，如图18的(a)所示，也可以，区域Rb的形状为正方形，区域Rw的形状为比区域Rb小一圈的正方形。也可以配置为区域Rb的中心点和区域Rw的中心点重叠，且区域Rb的各边和区域Rw的各边相互平行。在标记MK具有无指向性的形状的情况下，标记MK的形状简单，所以能够使标记MK的创建容易化。另外，由于标记MK的朝向不重要，所以用户能够容易地进行评价对象物的拍摄。

如图18的(b)所示，标记MK可以具有开口部Hm。开口部Hm是贯通描绘标记MK的片状部件的贯通孔。开口部Hm的开口面积充分大于可提取的评价区域Re的面积。因此，作为评价区域Re的提取的预处理，修正部13、24也可以从拍摄图像提取经由开口部Hm露出的区域。而且，修正部13、24也可以基于提取出的区域所包含的凹痕区域De的大小从提取出的区域提取评价区域Re。

在使用未由框F2围起的标记MK的情况下，有时起因于光的反射等，而标记区域Rm与评价对象物的区域的边界变得不清楚。在这样的情况下，在边缘检测处理中，有时不能够检测边缘。在物体检测中，若过于减小判定阈值则误检测变多，若过于增大判定阈值则检测遗漏变多。另外，在物体检测本身中不能够获得标记区域Rm的朝向(角度)。并且，在通过物体检测处理提取标记区域Rm的基础上，进行边缘强调处理，进而在进行边缘检测处理的情况下，检测精度提高，但标记区域Rm的外边缘部分的颜色和标记区域Rm的周边的颜色几乎不改变那样的情况下，可能产生检测遗漏。

另一方面，在图6的(b)～(f)、图18的(c)以及(d)所示的标记MK中，标记MK被框F2围起，在框F2与区域Rb之间设置间隙Rgap。间隙Rgap沿着边F1包围区域Rb。间隙Rgap的颜色与标记MK的外边缘部分(换句话说，区域Rb)的颜色不同。因此，即使标记区域Rm的周边(框F2的外侧)的颜色与标记区域Rm的外边缘部分(区域Rb)的颜色类似，标记区域Rm的外边缘(边F1)也是清楚的，能够检测标记区域Rm的外边缘。例如，在通过物体检测处理提取标记区域Rm的基础上，进行边缘强调处理，进而在进行边缘检测处理的情况下，能够更可靠地检测区域Rb的顶点(顶点Pm1～Pm4)。因此，能够高速且高精度地提取标记区域Rm。其结果能够进一步提高覆盖范围的评价精度。此外，例如为了确保间隙Rgap，框F2与区域Rb的距离(间隙Rgap的宽度)可以是标记MK的一边的十分之一以上。例如考虑到标记MK的使用容易度，框F2与区域Rb的距离(间隙Rgap的宽度)也可以是标记MK的一边的一半以下。

另外，如图18的(c)以及(d)所示，框F2可以不是完全包围标记MK的框。换句话说，可以在框F2设置脱落部Fgap。例如，框F2并不限于实线，也可以是虚线。该情况下，框F2具有框F2的框线在中途中断的形状。在框F2设置脱落部Fgap的情况下，能够通过边缘检测处理等减少将被框F2围起的区域检测为标记区域Rm的可能性，所以标记区域Rm的检测精度提高。换句话说，由于能够减少检测框F2的顶点的可能性，所以能够更可靠地检测标记区域Rm(区域Rb)的顶点。其结果能够进一步提高覆盖范围的评价精度。

如图19所示，修正部13、24可以在从拍摄图像G提取基于凹痕区域De所设定的大小的评价区域Re时，从拍摄图像G随机地决定评价区域Re，并提取所决定的评价区域Re。该情况下，首先，修正部13、24求出评价区域Re的基准点Pr可取的坐标的最大值。基准点Pr是评价区域Re的四个顶点中的一个，此处，是评价区域Re的四个顶点中的距X－Y坐标的原点最近的顶点。例如，在评价区域Re的一边的长度为100像素的情况下，基准点Pr的X坐标的最大值x_crop＿max和Y坐标的最大值y_crop＿max由以下的式(2)表示。此外，拍摄图像G的顶点Pg1位于原点(0，0)，顶点Pg2位于(X_g，0)，顶点Pg3位于(X_g，Y_g)，顶点Pg4位于(0，Y_g)。

[数2]

(x_{crop_max}，y_{crop_max})＝(X_g-100，Y_g-100)…(2)

修正部13、24使用式(3)随机决定评价区域Re的基准点的坐标(x_crop，y_crop)。此外，函数random(最小值、最大值)是返回从最小值到最大值的范围所包含的任意的值的函数。

[数3]

(x_crop，y_crop)＝(random(0，x_{crop_max})，random(0，y_{crop_max}))…(3)

修正部13、24也可以在所决定的评价区域Re和标记区域Rm重叠的情况下，再次决定评价区域Re的基准点的坐标。

如图20所示，修正部13、24也可以对标记区域Rm指定提取方向，从拍摄图像G提取评价区域Re。该情况下，首先，修正部13、24计算拍摄图像G的中心位置Cg的坐标(x_cg，y_cg)、和标记区域Rm的中心位置Cm的坐标(x_cm，y_cm)。然后，如式(4)所示，修正部13、24计算从中心位置Cm朝向中心位置Cg的矢量V。

[数4]

V＝(x_cg-x_cm，y_cg-y_cm)＝(x_v，y_v)…(4)

修正部13、24根据标记区域Rm在矢量V表示的方向上决定评价区域Re的位置。修正部13、24例如以评价区域Re的基准点Pr位于从中心位置Cm表示矢量V的方向的方式决定评价区域Re的位置。此处，基准点Pr是评价区域Re的四个顶点中的距标记区域Rm最近的顶点。修正部13、24例如以不与标记区域Rm重复的方式决定评价区域Re的位置。具体而言，修正部13、24计算基准点Pr可取的坐标中最远离标记区域Rm的基准点Pr＿max的坐标(x_crop＿max，y_crop＿max)、和距标记区域Rm最近的基准点Pr＿min的坐标(x_crop＿min，y_crop＿min)。而且，修正部13、24以基准点Pr位于这2点间的线段上的方式决定评价区域Re的位置。

附图标记的说明

1、1A、1B…评价系统；10、10A、10B…用户终端；11…图像获取部；13、24…修正部；16…输出部；17…修正信息获取部；18、22…评价部；20、20A…评价装置；21…接收部(图像获取部)；23…发送部(输出部)；De…凹痕区域；G…拍摄图像；NN…神经网络；Re…评价区域。