森井の卒論日誌の履歴(No.46)

卒論
- 5月
  - 5/15, 16
  - 5/14
  - 5/13
  - 5/12
  - 5/10
  - 5/8, 9
  - 5/7
  - 5/2
- 4月
  - 4/30
  - 4/28
  - 4/25
  - 4/24
  - 4/23
創造工房実習
- 4/18
- 4/17
- 4/14
- 4/10
- 4/7
- 2/7
- 12/20
- 12/13
- 11/29
- 11/22
- 11/15
- 11/8
- 11/1
- 10/4

卒論†

5月†

5/15, 16†

判別をするにあたって以下の要素を加えた
- mnistの画像を加工した状態で機械学習を行う
- 学習の偏りを避けるため複数の学習モデルを構築 ( h5 → keras ファイルを3つ作成) ※kerasファイルはTensorFlowの標準形式をベースに構築された新しいファイル形式であり、h5ファイルは古い保存形式であるため場合によってPython上で実行するとエラーが出る可能性あり。
- 過学習抑制のためDropout関数の実装
- エポック数を増やす
- 機械学習によてどの数字が判別に弱いのかを知るために混同行列を作成し可視化
- 判別させる画像にも加工を加える
- 最良のモデルを保存するためにEarlyStoppingとModelCheckpointを実装

これら全てを取り込んだのが以下の Ver5.0 = Mnist-Hanbetsu-Full_auto5.py である。

Pythonコード (Mnist-Hanbetsu-Full_auto5.py)

数字	正答率	正解率	正答率	正解率	正答率	正解率
0	19/20	95.00%	19/20	95.00%	18/20	90.00%
1	8/20	40.00%	19/20	95.00%	6/20	30.00%
2	19/20	95.00%	19/20	95.00%	19/20	95.00%
3	20/20	100.00%	18/20	90.00%	19/20	95.00%
4	18/20	90.00%	18/20	90.00%	20/20	100.00%
5	19/20	95.00%	18/20	90.00%	20/20	100.00%
6	20/20	100.00%	20/20	95.00%	20/20	100.00%
7	18/20	90.00%	15/20	75.00%	19/20	95.00%
8	17/20	85.00%	20/20	100.00%	17/20	85.00%
9	18/20	90.00%	19/20	95.00%	18/20	90.00%

Mnist-Hanbetsu-Full_auto4.py を実行したときと比較して明らかに判別精度が落ちてしまっている。しかし下に示した混同行列をみると訓練モデルは正確に判別できている。(左側1枚がVer4.0のとき右側3枚がVer5.0)

下記の内容が判別精度低下の主な原因ではないかと考えている。

学習方法を同一のCNNモデルから3種類のCNNモデルへ変更(アンサンブル学習) → 小さめ(層の薄い)のCNNモデル①と大きめ(層の薄い)のCNNモデル②, モデルの汎化性能を向上させる正則化を強化したCNNモデル③
間違えて判別した画像を再学習させて精度の向上を図る

1, 複数の学習方法の統合によるモデルの一貫性の欠如 →アンサンブル学習を行なうため３つの学習モデルで判別を行っているが、それぞれの学習結果や特性がうまく調和していないと予測の信頼性が落ちる可能性あり。

2, 誤判別画像の再学習による過学習や偏り →誤判別された画像のみを再学習させることで過剰に最適化され、汎化性能が落ちることがあるうえ再学習データが少数であったり偏っていると全体のバランスが崩れてしまうことがある。

3, スクリプトの構成が複雑化したことでデータ処理や前処理の不整合が発生している可能性 →スクリプトの行が多くなるとどうしても学習データと推論データで画像サイズや正規化, ノイズの種類や強度といった前処理の定義が微妙に異なってしまうことがある。モデルが期待するデータと異なるものを判別してしまい精度が下がることがある。

使用したCNNモデルについて

要素	モデル①	モデル②	モデル③
畳み込み層数	1	2	2
カーネルサイズ	3×3	3×3（2回）	5×5 → 3×3
プーリング	あり（1回）	あり（1回）	あり（1回）
Dropout	なし	あり（0.3）	あり（0.25・0.5）
BatchNorm	なし	あり（1回）	あり（1回）
全結合層	64ユニット	128ユニット	64ユニット

以下は全5バージョンのMnist-Hanbetsu-Full_autoを実行したときの判別率である。左から順にVer1.0(Mnist-Hanbetsu-Full_auto.py), Ver2.0(Mnist-Hanbetsu-Full_auto2.py), ... ,Ver5.0(Mnist-Hanbetsu-Full_auto5.py)と並んでいる。

以上より手書き数字の画像判別はあまり要素を盛り込みすぎることなく判別させることが重要であるのではないか。 (Ver4.0が数字の画像判別に1番適していると考える)

↑

5/14†

自身の研究内容について

研究テーマ : 耐候性鋼橋の耐候性鋼材の錆の現地調査に参加しながら、撮影データに対して機械学習(AI)を用いた外観評価を行う。最終的にドローンで撮影した耐候性鋼橋の画像データに対して外観評点を行う方法も検討する

About his own research Research theme : While participating in a field survey of rust on weathering steel materials of weather-resistant steel bridges, he will evaluate the appearance using machine learning (AI) on the photographed data. Finally, a method to evaluate the appearance of weather-resistant steel bridges using image data taken by a drone will also be studied.

耐候性鋼材の錆の調査は来週の水曜日に行く予定であり、この研究に関しては錆のデータをもらわないと何もすることができないので現在は錆の画像をAIで外観評価する前段階として0~9までの手書き数字(mnist)をCNNを用いて学習させ、正確に判別できるかどうかを行っている。

The investigation of rust on weather resistant steel is scheduled to go next Wednesday, and since we cannot do anything about this research without receiving rust data, we are currently learning handwritten numbers (mnist) from 0 to 9 using CNN as a preliminary step to evaluate the appearance of rust images using AI to see if we can accurately identify the rust. We are now trying to see if it is possible to accurately discriminate the rust images.

1, 画像処理を加えてCNNで学習させたもの

1, The images of mnist, a data set containing nearly 60,000 handwritten digit images, were trained by CNN, and the correct answer rate was obtained by adding points, lines, circles, hexagons, and other shapes to the image to be discriminated.

使用したデータ Data used(example)　

数字	正答率	正解率
number	correct response rate	correct response rate
0	9/9	9/9
1	8/9	1/9
2	9/9	6/9
3	9/9	6/9
4	9/9	0/9
5	9/9	5/9
6	5/9	2/9
7	8/9	4/9
8	6/9	6/9
9	6/9	0/9

2, 判別したい画像を以下のように変更し判別する画像の加工, 判別の正誤をテキストファイルに保存するまでを1つのスクリプトにまとめた。

2, Change the image to be discriminated as follows, process the image to be discriminated, and save the correct and incorrect discriminions to a text file, all in one script.

数字	正答率	正解率
number	correct response rate	correct response rate
0	10/10	100.00%
1	0/10	0.00%
2	10/10	100.00%
3	10/10	100.00%
4	6/10	60.00%
5	10/10	100.00%
6	0/10	0.00%
7	10/10	100.00%
8	10/10	100.00%
9	10/10	100.00%

3, 2で用いたスクリプトはmnistをCNNで用いて学習させる機能を持っていなかった。そのため2のスクリプトにmnistをCNNで用いて学習させるスクリプトを追加した。それに加えて判別の正誤だけでなく数字別の正答率も出すようにした。

3, The script used in 2, did not have the ability to train mnist with CNN. Therefore, we added a script for training mnist using CNN to the script used in 2. In addition, we added the ability to produce not only the correctness of the discriminant but also the percentage of correct answers for each number.

数字	正答率	正解率
number	correct answer rate	correct answer rate
1	0/10	0.00%
2	8/10	80.00%
3	10/10	100.00%
4	8/10	80.00%
5	10/10	100.00%
6	1/10	10.00%
7	10/10	100.00%
8	10/10	100.00%
9	10/10	100.00%

4, 判別したい画像に加工処理を施すだけでは正答率を100%に近づけるのに限界があると考え、学習データにも加工処理を施した。(mnistの画像にも点や直線, 円や六角形等の図形を加えた)

4, Since there is a limit to achieving a correct response rate close to 100% only by processing the images to be discriminated, we also processed the training data. (Points, lines, circles, hexagons, and other shapes were added to the mnist images.)

数字	正答率	正解率
number	correct answer rate	correct answer rate
0	15/15	100.00%
1	15/16	93.75%
2	15/16	93.75%
3	16/16	100.00%
4	15/16	93.75%
5	15/16	93.75%
6	12/16	75.00%
7	15/16	93.75%
8	16/16	100.00%
9	15/16	93.75%

Data used in 2-4 (example)

5, 判別したい画像をmnistから抽出したデータに変更した。2~4で使っていた数字の画像と比較して精度に差が出るのか試してみたところmnistから抽出したもののほうが精度が高かったためこちらを使うことにした。

5, The image to be discriminated was changed to the data extracted from mnist, and the accuracy of the image extracted from mnist was higher than that of the image used in steps 2~4.

数字	正答率	正解率
number	correct answer rate	correct answer rate
0	20/20	100.00%
1	20/20	100.00%
2	20/20	100.00%
3	20/20	100.00%
4	20/20	100.00%
5	20/20	100.00%
6	20/20	100.00%
7	20/20	100.00%
8	20/20	100.00%
9	18/20	90.00%

Data used(example)

6, 数字の書いてある部分(画像の中心部分)になるべく白い点を入れないようにした

6, I tried to avoid white dots in the numbered area (center of the image) as much as possible.

数字	正答率	正解率
number	correct answer rate	correct answer rate
0	20/20	100.00%
1	20/20	100.00%
2	20/20	100.00%
3	20/20	100.00%
4	20/20	100.00%
5	20/20	100.00%
6	20/20	100.00%
7	19/20	95.00%
8	20/20	100.00%
9	20/20	100.00%

Data used(example)

　→　

↑

5/13†

mnistから抽出したデータで判別
- 判別する画像の対象を以下の画像に変更した。(今までよりも手書き感を出した)

以下の表は全自動スクリプトを用いて判別させた数字ごとの正答率である。

数字	正答率	正解率	正答率	正解率	正答率	正解率	正答率	正解率	正答率	正解率
0	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%
1	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%
2	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%	19/20	95.00%
3	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%
4	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%
5	19/20	95.00%	20/20	100.00%	18/20	90.00%	20/20	100.00%	20/20	100.00%
6	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%
7	17/20	85.00%	20/20	100.00%	19/20	95.00%	19/20	95.00%	19/20	95.00%
8	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%	20/20	100.00%
9	19/20	95.00%	18/20	90.00%	19/20	95.00%	18/20	90.00%	20/20	100.00%

全体的に高い判別精度が得られ0〜4と 6, 8はすべての回で100%近い判別率を達成しており、画像処理を行ってから機械学習させるとより良い結果が得られることが分かった。一方で5, 7, 9は精度にばらつきが生じており、これは処理の影響が強く出てしまったことで形が似ている数字（例：7と1、9と4など）との誤認識が起きやすい状況が発生している。

精度をさらに上げるためには
- ノイズの位置をランダムではなく重要領域を避けるように設計する。ここでは数字が書かれている部分のことを指す = 画像中央付近へのノイズを減らす
- Dropoutの実装 (過学習の防止とアンサンブル効果を得るため)
- 混同行列を作成しどの数字が判別に弱いのかを確認する

アンサンブル効果とは個々の学習モデルにはそれぞれ異なる「誤り」や「予測の癖」を持っており、それらをうまく組み合わせることで単体のモデルよりも高い性能(精度向上, 過学習のリスク減少)を得られる効果のこと。

Pythonスクリプト (Hanbetsu-Full_auto3.py)

画像中央付近への点の描画を減らした。

　→　

混同行列ををpng形式で表示・保存できるように設定した。
以下の表はそのスクリプトを用いて判別させた数字ごとの正答率である。

数字	正答率	正解率	正答率	正解率	正答率	正解率
0	20/20	100.00%	20/20	100.00%	20/20	100.00%
1	20/20	100.00%	19/20	95.00%	19/20	95.00%
2	20/20	100.00%	20/20	100.00%	19/20	95.00%
3	20/20	100.00%	20/20	100.00%	20/20	100.00%
4	20/20	100.00%	20/20	100.00%	20/20	100.00%
5	20/20	100.00%	19/20	95.00%	19/20	95.00%
6	20/20	100.00%	20/20	100.00%	20/20	100.00%
7	19/20	95.00%	19/20	95.00%	20/20	100.00%
8	20/20	100.00%	20/20	100.00%	20/20	100.00%
9	20/20	100.00%	19/20	95.00%	20/20	100.00%

上記の行列の見方
- 縦軸は True Label (画像に書いてある実際の数字 = 答え), 横軸は Predicted Label (機械によって判別された数字) であり、濃い青で塗りつぶされている部分は実際に書いてある数字を機械が正確に判別できた数を表している。
- 濃い青で塗りつぶされていない部分は機械が実際の数字とは異なる数字を判別した数を表している。
- 1番右の Recall は数字別の判別率を表している。

↑

5/12†

とりあえずmnistで学習させた後 "判別したい画像を1つのフォルダーにまとめて画像加工, 判別(○ or ×), 数字ごとの判別率" までの " " で囲った一連の作業を全自動で行えるようにスクリプトを組んだ。画像加工については大きく分けて点, 線, 図形の3種類があり加工の有無(画像に入れるかどうか)と数を任意に設定できるようになっている。
全自動スクリプトにmnistで学習させる作業を入れなかった理由としては常に新しい h5 ファイルを取り入れたいためである。Python上で何度もMnistファイルを実行してしまうと過学習が発生してしまい判別率が低下してしまうことがある。

Pythonスクリプト (Hanbetsu-Full_auto.py)

上記のスクリプトを実行すると "既存の画像を加工したフォルダー" と "判別結果のテキストファイル" が保存されていると思う。

テキストファイルの中身

0_7.png 予測: 0 正解: 0 一致: 〇

1_5.png 予測: 8 正解: 1 一致: ×

3_5.png 予測: 3 正解: 3 一致: 〇

8_2.png 予測: 8 正解: 8 一致: 〇

…

--- 数字ごとの正答率 ---

0: 正解 ○ / □ 枚 → 正答率 △ %

1: 正解 △ / ○ 枚 → 正答率 □ %

…

以下の表は全自動スクリプトを3回用いて判別させた数字ごとの正答率である。(その都度mnistのh5ファイルは新しくしている)

数字	正答率	正解率	-正答率-	-正解率-	--正答率--	--正解率--
0	10/10	100.00%	10/10	100.00%	10/10	100.00%
1	0/10	0.00%	8/10	80.00%	5/10	50.00%
2	10/10	100.00%	5/10	50.00%	10/10	100.00%
3	10/10	100.00%	10/10	100.00%	10/10	100.00%
4	6/10	60.00%	4/10	40.00%	5/10	50.00%
5	10/10	100.00%	10/10	100.00%	10/10	100.00%
6	0/10	0.00%	0/10	0.00%	3/10	30.00%
7	10/10	100.00%	1/10	10.00%	9/10	90.00%
8	10/10	100.00%	10/10	100.00%	10/10	100.00%
9	10/10	100.00%	10/10	100.00%	10/10	100.00%

Pythonスクリプト (Mnist-Hanbetsu-Full_auto.py)

上記のスクリプトで出来ること
- mnistの数字画像を用いて学習し、その結果をh5ファイルに保存。 (もし前回のh5ファイルが保存されていたら上書きするのではなく削除して新規作成するようにした)
- 判別させたい数字画像に図形を加える等の加工をする。
- 加工した画像を見られるように別のフォルダーを作成して保存
- 加工した図形を判別させて合っていたか、また数字別の正解率をテキストファイルで表示。
- →判別させたい画像をフォルダーに入れておき Mnist-Hanbetsu-Full_auto.py を実行するだけで正解率まで表示されるようにした。

以下の表は"シン"・全自動スクリプトを3回用いて判別させた数字ごとの正答率である。

数字	正答率	正解率	-正答率-	-正解率-	--正答率--	--正解率--
0	10/10	100.00%	10/10	100.00%	10/10	100.00%
1	0/10	0.00%	0/10	0.00%	2/10	20.00%
2	8/10	80.00%	9/10	90.00%	10/10	100.00%
3	10/10	100.00%	7/10	70.00%	8/10	80.00%
4	8/10	80.00%	9/10	90.00%	1/10	10.00%
5	10/10	100.00%	10/10	100.00%	10/10	100.00%
6	1/10	10.00%	4/10	40.00%	0/10	0.00%
7	2/10	20.00%	7/10	70.00%	2/10	20.00%
8	10/10	100.00%	10/10	100.00%	1/10	10.00%
9	10/10	100.00%	9/10	90.00%	10/10	100.00%

3回とも正答率が100%である数字もあれば判別を1回行うごとに正答率の差が激しいものも存在する。特に"7"はその差が顕著に表れており、常に100%に近い正答率を得るには何か別のアプローチから試してみる必要がある。

2種類の全自動スクリプトで判別に使用した画像(画像加工前)

Pythonスクリプト (Mnist-Hanbetsu-Full_auto2.py)

上記のスクリプトの違い
- mnistの中にある画像を加工して学習させた (加工方法と内容は判別画像と同様) → 判別率を上げるため
- 以下の表は Mnist-Hanbetsu-Full_auto2.py を用いて判別させた数字ごとの正答率である。

数字	正答率	正解率	-正答率-	-正解率-	--正答率--	--正解率--
0	15/15	100.00%	15/15	100.00%	15/15	100.00%
1	15/16	93.75%	15/16	93.75%	16/16	100.00%
2	15/16	93.75%	16/16	100.00%	15/16	93.75%
3	16/16	100.00%	16/16	100.00%	16/16	100.00%
4	15/16	93.75%	15/16	93.75%	15/16	93.75%
5	15/16	93.75%	15/16	93.75%	15/16	93.75%
6	12/16	75.00%	6/16	37.50%	8/16	50.00%
7	15/16	93.75%	14/16	87.50%	16/16	100.00%
8	16/16	100.00%	15/16	93.75%	15/16	93.75%
9	15/16	93.75%	16/16	100.00%	15/16	93.75%

今までと比べて作業効率も識別の精度も上がっていると思う。mnistのデータ数でも十分学習できるのだが、やはりもっと多くの手書き数字の画像データが欲しい。→ Pythonスクリプトを考えているが手書き文字に寄せるところに難あり
どのスクリプトを実行しても"6"も識別が上手くいかない。明日は判別させたいデータを全てmnistから無作為に抽出したものに置き換えてやってみる。(今までは手書きとは言えない画像データで判別させていた)

明日やること
- 日誌に画像を貼り付ける
- mnistから抽出したデータで判別させる
- 明後日に向けて自身の研究内容を英語で書いておく

↑

5/10†

画像に点, 線, 図形をそれぞれ加えたときの正答率について

点を加えたときに関してはかなり精度の高い判別ができたのではないかと思う。加工した後の画像を見るともう少し点の数を増やしてみても判別精度は維持できそうだ。
線を加えると判別精度は点の時と比較してやや劣るが、その中でも"6"における精度の劣り方が良くない。ランダムに５本の線を引くようにプログラムしているので、再び画像に加工処理を行って判別させると精度は変化するのだろうか。下にある7に線を引いた画像を見てもらえると分かるがこれは文字の太さから辛うじて"7"と認識できる。機械でこの画像を"7"と判別させるにはやはりMNISTのデータ量以上の数字データが欲しい。
最後に図形を加えた場合数字によって精度のばらつきがある。特に"1", "6", "9"は他の数字と比較して精度が低く、1の場合周囲に6角形以上の多角形が加わると"6", "8", "9"のように見えてしまい精度に影響が出たのではないか。"6"と"9"も同様で数字に重なるように図形が描かれることで"8"と判別されてしまったのではないか。また図形同士が上下に描かれることで"8"と認識される場合もありそうだ。

次回やること
- MNISTで学習させてからある数字の画像を何と判別したかをフルオート化できるようなスクリプトを組みたい
```
 →大まかな内容は完了しこれから肉付け（5/11）
```
- 動物の顔を使った機械学習(できたら)

↑

5/8, 9†

画像に数字に点や線, 図形を加えてみた。これを判別してみる

　ー画像加工→

Pythonコード (Gazou-Kakou.py)

5/7の続き
- 0 ~ 9 の画像数をそれぞれ9枚に統一させた。表の真ん中の列は画像に何も加工せず数字ごとにおける正答率を表したものである。（上の画像の右側）
- 表の右側の列は数字に点や線, 図形のすべてを画像に加え数字ごとにおける正答率を表したものである。（上の画像の左側）（Gazou-Kakou.py を使用）
  
  数字正答率正答率
  
  0 9/9 9/9
  
  1 8/9 1/9
  
  2 9/9 6/9
  
  3 9/9 6/9
  
  4 9/9 0/9
  
  5 9/9 5/9
  
  6 5/9 2/9
  
  7 8/9 4/9
  
  8 6/9 6/9
  
  9 6/9 0/9

数字は太くはっきり書いてあること且つ線や図形と被っていなければ判別することはできそう
ただ要素を加えすぎたせいか無加工と比べてかなり判別精度が低下してしまっている。なのでこれから点, 線, 図形のうちどれか1つか2つの要素だけを画像に取り込んでみて精度がどう変化するのか見ていく。

改良版
- 画像を10枚に統一させてフォントを太くした。以下の表はその画像に何も加工せず数字ごとにおける正答率を表したものである。（KGPrimaryPenmanship.ttfとSuuji-Gazou-Seisei.py を使用）

数字	正答率
0	10/10
1	10/10
2	10/10
3	10/10
4	10/10
5	10/10
6	10/10
7	10/10
8	10/10
9	10/10

数字を中心に持ってきたからなのかまたはほとんど形が変わらないからなのか、それともその両方なのか分からないが全て正確に判別することができた。

次に点, 線, 図形のうち1つの要素だけを画像に加え数字ごとにおける正答率を表にしたものである。左の表から順に点, 線, 図形のみを加えた。

数字	点正答率	線正答率	図形正答率(リスタート前)	図形正答率(リスタート後)
0	10/10	9/10	8/10	10/10
1	10/10	4/10	5/10	6/10
2	10/10	9/10	8/10	10/10
3	10/10	7/10	9/10	10/10
4	10/10	9/10	8/10	8/10
5	10/10	9/10	10/10	10/10
6	8/10	3/10	1/10	3/10
7	10/10	7/10	7/10	8/10
8	10/10	10/10	10/10	10/10
9	10/10	7/10	7/10	6/10

点は１画像あたり50個加えた（Gazou-Kakou-Ten_only.py を使用）
```
Pythonコード (Gazou-Kakou-Ten_only.py)
```
線は１画像あたり5本加えた（Gazou-Kakou-Sen_only.py を使用）
```
Pythonコード (Gazou-Kakou-Sen_only.py)
```
図形は１画像あたり三角形から十角形までの多角形を１〜３個ランダムに設置した。図形のリスタート前・後とは過学習状態をリセットした前後の時を指す。（Gazou-Kakou-Zukei_only.py を使用）
```
Pythonコード (Gazou-Kakou-Zukei_only.py)
```

判別させたい手書き文字を作成するには
- ① GIMPで直接書きたい場合 (推奨)
  - 1, GIMPを開く
  - 2, 上のツールバーからファイル → 新しい画像の順にクリックする。そうするとピクセルのサイズを指定できるので両方に28と記入する。
  - 3, 左側に下のようなアイコンが現れたと思うがこれは背景色と描画色を表しており、右下の色アイコンが背景色, 左上が描画色である。それぞれクリックすると自身で色を選択できるようになり、基本的に背景色は黒, 描画色は白に描画ツールは鉛筆に設定する。(壁画ツールは上のツールバーから "ツール → 描画ツール → 鉛筆で描画" で設定できる)

4, アイコンの下にはサイズ, 縦横比, 角度, .... と大きさや強弱を設定できるパラメータが縦に並んでおり、サイズは必ず1.00(ピクセル)に設定しておくこと。そうしないと上手く文字を書くことができなくなる。
5, 文字を書き直したいときはアイコンの上にある消しゴムを使って文字を消すことができる。
6, 書き終えたら保存し、その際にどこに保存するかを指定する。続けて文字を書きたい場合は上のツールバーからファイル → 新しい画像の順に選択
7, 保存はxcfファイルでされるため一度pngに変換する必要があるため変換してから判別してもらうようにする。
※スクリプトでxcfファイルを直接判別してもらえるような文言を書いてみてもいいかも

② AIに書かせる場合 (ChatGPT)
1, ChatGPTに"黒背景に白の線で 0 ~ 9 の数字を各5枚、合計50枚の手書き数字を書いてください” という旨のメッセージを送る。
2, 画像が作成されるまで1, 2時間かかる場合があるためその間は待機 (この時間がもったいないため非推奨)
3, 生成された画像は複数の文字(数字)が１枚の画像となって出力されるのでこれをGIMPで分割させる。詳しくは機械学習のWikiページを参照 (https://www.str.ce.akita-u.ac.jp/cgi-bin/pukiwiki/?%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92)
4, 分割できたら各画像を保存 → png に変換 → 28×28ピクセルに変換

↑

5/7†

MNISTについて
- MNISTを用いた手書き文字の画像判別はどのサイト・ホームページ (MNIST 判別正解率と検索すれば確認できる) を見ても9割以上、特にCNNで学習させた場合99%前後まで精度が向上する。
- 限りなく100%の正解率に持っていく手法はあるだろうが正解率100%になることはない。

手書き数字の機械学習 (続き)
- とりあえず自身で作成した手書き数字を機械学習に判別させてみた

数字	モデル数	正答率
0	3	3/3
1	5	5/5
2	6	6/6
3	6	6/6
4	2	2/2
5	10	9/10
6	2	1/2
7	3	2/3
8	2	1/2
9	13	9/13

本来は各数字のモデル数が揃っていることが望ましいが、こちらの諸事情により用意することができなかった。モデル数が 2 や 3 としかない部分は正確さに欠ける所があるが、1 ~ 3 はかなり正確性があると言って良いのではないか。特に 9 は 7 と間違えて識別するケースが多く見受けられた。

来週までにやること
- 手書き数字の画像に点や線、枠を入れても正確に判別できるのか
- 自動的に画像内のどこか適当なところに点や図形を自動的に入れることができるプログラムを組む
- 動物の顔を使った機械学習(できたら)

自分の研究についてスライドを3枚程度作成する

明日にやること
- 数字に点や線, 図形を加えた結果の表を作成
- 使用した画像を載せる
- 色を白ではなく他の色にするとどうなるか (エラーを吐き出される可能性あり)

↑

5/2†

手書き数字の機械学習(CNN, 判別)について
- mnistのテストデータに入っている数字を判別させたところ正答率が100%であったのに対し、mnistには保存されていない数字ファイルを判別させたところ正答率は67%となった。
- mnist以外の数字画像はまだ正確に判別できているとはいえず、これから判別制度の向上と様々な数字画像を学習させていく必要がありそう。
- また mnist.py または mnist-hosei.py を何度もMATE端末上で動かしてmy_mnist_model.h5ファイルを更新し続けると前のモデルにさらに学習を重ねることでモデルが過剰に記憶し汎化性能（正答率）が落ちてしまう（これを過学習と呼ぶ）。なので定期的にmy_mnist_model.h5ファイルを削除して更新する必要がある。または2つのPythonファイルで保存場所を変えるのも良いのではないか。

mnistの画像を少し補正
- 今までは画像の中心に数字を書いて機械学習を行ってきたが、home/kouzou/Morii25/hikitugi 内にある mnist-hosei.py ファイルでは画像の見た目を変えるため回転・移動・拡大・変形を行って機械学習させた。その結果以前よりも精度は上がった。

学習方法	テストデータ正答率(%)	判別精度(%)
そのままの状態で画像を学習	99.14	44 (4/9)
画像を回転・移動・拡大・変形させて学習	98.49	67 (6/9)

エポック数を増やして学習させてみた

そのままの状態で画像を学習させた時

エポック数テストデータ正答率(%) 判別精度(%)

10 99.20 67 (6/9)

12 99.13 56 (5/9)

13 99.26 89 (8/9)

14 99.19 89 (8/9)

15 99.16 89 (8/9)

16 99.08 89 (8/9)

エポック数が13を超えると判別精度が向上したがmnistにはない数字の画像を判別させると4の画像だけどうしても4と認識されない。エポック数によって4の画像のときだけ"1"や"9"と認識されてしまう。
4の画像を識別させたときにどれくらいの確率でどの数字であるかをPythonで作成してみるのも1つの手かも

画像を回転・移動・拡大・変形させて学習させた時

エポック数テストデータ正答率(%) 判別精度(%)

10 95.47 56 (5/9)

12 87.01 56 (5/9)

13 90.55 56 (5/9)

14 96.15 56 (5/9)

15 86.66 56 (5/9)

16 74.12 56 (5/9)

エポック数の大小に関わらず判別精度は変化せず、特に5, 7, 9の画像が"3"と認識されてしまった。これだけで比べるとテストデータ正答率, 判別精度ともにそのままの状態で画像を学習させた時の方が良い判別結果が得られそうだ。

来週にやること
- GW中に手書き数字の機械学習は終わらせたい
  - 自身で手書き数字を書いてみてそれがどのくらいの精度であるか確かめる
- 動物の顔(仮)を機械学習を通じて判別できるようになるスクリプトを書き始める
  - とりあえず多くの動物の顔の写真が載っているサイトを探す。

↑

4月†

↑

4/30†

畳込みニューラルネットワークを用いて手書き数字の機械学習
- 手書き文字の機械学習は mnist という手書き数字を認識するために用いられる画像データセットで行った。
- 1, MATE端末で "pip install tensorflow" と入力しEnterキーを押す。
- 2, エラーが出なかったらmnistの画像データをCNNに読み込ませるのと同時にmnist_model.h5ファイルを保存するスクリプトを書いて実行する。(/home/kouzou/Morii25/hikitugi 内にある mnist.py)
```
Pythonコード
```
- 3, しばらくすると正答率が表示される。だいたい99%前後の正答率が得られると思う。畳み込みとプーリング層を2層にした時点で100%に近い正答率が得られているため、これらの層を多くしてもさらに100%に正答率が近づくことはないだろう。

ある手書き文字を読み込ませて判別させる
- 1, mnist等から28×28ピクセルで書いた数字のpngやjpgファイルを持ってきて以下のPythonコードを書く。ただしmnistに保存されているファイルは28×28ピクセルしかないため基本的にそれらの画像を拡張する方法を取らない限りPythonコードは28×28で書いておいたほうが良さそう。(/home/kouzou/Morii25/hikitugi 内にある suuji-hanbetsu.py)
```
Pythonコード
```
- 2, Enterキーを押せば判別してもらえる。

複数枚の手書き文字を一度に判別させたい場合
- 1, 複数枚ある手書き数字をどこか1つのフォルダーにまとめておき、以下のスクリプトを書いて実行する。(/home/kouzou/Morii25/hikitugi 内にある Hukusuu-hanbetsu.py)
- 2, Enterキーを押せば一度に複数枚判別してもらえる。
```
Pythonコード
```
  - 11行目で予め画像を保存していたフォルダー名を入力する
  - 12行目で画像ファイル形式を入力する

7と書いた画像(右の写真)を読み込ませたところ0と出力されてしまった。もう少しピクセルの大きさを大きくする必要がありそう。

畳込みニューラルネットワーク(CNN)について
- 特に画像認識や画像分類で優れた性能を発揮するディープニューラルネットワークの一種である。ディープニューラルネットワークとは通常のニューラルネットワークは層の数が3なのに対し、さらに畳込み層やプーリング層等多くの層から構成されているため層の深さによって"ディープ"がつくかどうか決まる。

層の用語について
- 畳み込み層 … 画像におけるエッジや色の変化といった局所的な特徴を抽出することで、空間構造を把握しながら高度な特徴の抽出が可能となる。
- プーリング層 … 画像の特徴と位置を紐付けてしまうとCNNの場合同じ特徴が画像の別の部分に現れたとしてもそれを抽出することができない。なので特徴から位置情報を削ぎ落とすことで畳み込み層で抽出された特徴が他の画像内のどこに移動(上下・左右)としても影響を受けないようにする。
- 全結合層 … 畳み込み層・プーリング層で抽出された特徴から最終的にクラスの分類や予測を行う層のこと。

手順	実行内容
1	画像を入力する（ピクセルで）
2	畳み込み層で画像の特徴を検出する
3	プーリング層で重要な情報を抽出する
4	2と3を繰り返す
5	全結合層で画像の特徴をもとに分類を行う
6	出力する

CNNとSVMの違いについて

比較項目	SVM	CNN
モデル	すでに用意された特徴（数値）をもとにクラス分けする数式モデル	画像の中から特徴を自動で学習して分類まで行うニューラルネットワーク
入力	数値データ (特徴量ベクトル) → 画像を数値に変換する必要あり	生の画像そのまま（ピクセルデータ）
特徴の抽出方法	手動（人があらかじめ決めた特徴）	自動（エッジ・色・形などを学習）
モデル構造	数学的な式（境界面）	多層のニューラルネットワーク
適用例	小規模なデータで分類（例：文字分類、小さな画像）	大規模な画像分類・認識（例：顔認識、医療画像、サビ分類など）
学習の難易度	比較的簡単（実装も軽い）	やや難しい（GPUや深層学習の知識が必要）
処理速度	小規模なら早い	訓練に時間がかかる（推論は速い）

SVM → 与えられた特徴を元に最適な境界線で分類する方法。この方法は手軽だが特徴量の選び方次第
CNN → 画像の中から重要な特徴を自分で見つけて分類してくれる方法。学習に時間がかかるが精度が高く応用範囲が広い

↑

4/28†

5つあるpythonファイルの使い方についてとそれぞれの役割
錆の写真を撮影してそれをサポートベクターマシンを用いるまでの手順を知りたい
SVMについて
佐藤さんが研究していたファイル達(sato2024)は各フォルダーごとにどんな意味を持っているのか。

佐藤さんから錆の写真からサポートベクターマシンを用いて用いて機械学習を行うまでの流れを教えて頂いた。
- 耐候性鋼材のページに上記の事について詳しくまとめてある。
- 機械学習のページは何か発見があったら随時更新していく必要あり。

来週までにやること
- 畳み込みニューラルネットワークについて調べる
- 佐藤さんのファイル内にある手書き数字を使って機械学習
- それに加え動物の顔(一例)が判別できるかについても機械学習を行う。

↑

4/25†

svm.py について (コマンド)
- 0, はじめに
  - svm = "s"upport-"v"ector-"m"achine のこと
- 1, py ファイルを呼び出す前に svm.py ファイルを開く

2, ファイルを開いたら13行目に書いてある data_dir = 〜の部分を確認する
- デフォルトでは data_dir = "edge/250_300_edge" となっていると思う。基本的にこのsvm.pyと15行目に書いてあるフォルダー(の中身 = "mk1_pgm" , "mk2_pgm" , ...)は下の写真のように同じ階層で保存しておく必要がある。

この写真の場合 "mk1_pgm"等が入っている１番左にある "250_300_edge" フォルダーと１番右にある "svm-kaizou.py" が同じ階層にある。

henkan.py について (コマンド)
- 1, MATE端末を開き py ファイルのある hikitugi に移動する (cd hikitugi)
- 2, py ファイルを呼び出す (python3 henkan.py) [3は ver のことであり入力しなくても呼び出せる]
- 3, 変換行列ファイルのパスを入力してくださいと表示されるので入力する(一例: /home/kouzou/sato24/gr/henkanm/1_henkanm/m_rating1_1.txt ) → Enterキー
  - 変換行列ファイルは3 ☓ 3行列の .txtファイルで表されており、/home/kouzou/sato24/gr/henkanm にある。
  - henkanm内にある 1_henkanm ~ 4_henkanmの .txt の名前と /home/kouzou/sato24/gr/data にある各ファイル[1_ppm~4_ppm]の .ppmの名前と対応している。

4, 補正したいPPM画像のパスを入力してくださいと表示されるのでppm画像のパス入力する。(例: /home/kouzou/sato24/gr/data/hg_k2_5_5.ppm) → Enterキー
- 基本的に/home/kouzou/sato24/gr/data内にある ○_ppm や hg_○_ppm と書かれたファイルから選択するはず　(例: /home/kouzou/sato24/gr/data/1_ppm/rating1_1.ppm)

5, 補正後の画像を保存するパスを入力してくださいと表示されるので変換後のppm画像をどのパスに保存したいか入力する (例: /home/kouzou/henkan-after.ppm と入力するとkouzouのフォルダー内に henkan-after というppmファイルが保存される) → Enterキー

---変換行列ファイルはかなり細かい値まで書かれているためなぜそのような値に設定したのか一度聞いてみる必要がありそう

matrix.py について (コマンド)
- 0, はじめに
```
このpythonファイルは henkan.py で必要になる変換行列ファイルを作り出すためのものであり、henkan.pyよりも先にやっておく必要がある。
```
- 1, MATE端末を開き py ファイルのある hikitugi に移動する (cd hikitugi)
- 2, py ファイルを呼び出す (python3 matrix.py) → Enterキー
- 3, 結果を書き込むファイルを入力してくださいと表示されるので入力する。ここでは保存する場所に加えて結果ファイルの名前も”名前 + .txt ”と入力する必要がある。(例: /home/kouzou/matrix-kekka.txt) → Enterキー
- 4, シアン・イエロー・マゼンタの各RGB値を入力してくださいと表示されるので入力する。(0~255 の間)

---各RGB値を入力するにあたりなにか根拠となるものがあるはず(ppm画像とか) → 探しておく必要がある

来週中にやること
- サポートベクターマシーン(優先)と畳込みニューラルネットワークについて調べる
- このページをまとめる(5つのpythonファイルをどういう順序で使っていくのか示す)
- 佐藤さんへの質問をまとめておく

↑

4/24†

これからしばらくはpythonになれることが必要 Python上で佐藤さんが作成したプログラムが正常に動作するか確認

【質問内容】
- 最初に取り組むべきステップは何か？機械学習を使うにはどんなデータ整理や前処理が必要かがわかっていない。例えば、「画像をどう分類するか」「どんなラベルをつければいいか」など、考えるべきことを教えていただけるとありがたいです。

過去の先輩方の研究でどの部分を参考にするのがよいか？佐藤卒論日誌やRGBメモの中で、現在の作業と関連が深い部分があれば教えていただきたい。

MATE端末からpythonを開くには → python と入力すれば入ることができる
MATE端末から1つ上のディレクトリに上がりたい(戻りたい)場合 → cd .. と打つ (cdとコンマの間には半角スペースをいれること)

python上でホーム / hikitugi 内に保存された.pyファイルを動かすためには
- MATE端末にもどり( python の状態から脱出する) "python ファイル名.py" と打つと実行することができる。
- hikitugi内には RGBrironti.py , edge.py , henkan.py , matrix.py , svm.py の計5つのpyファイルがあった。それぞれ何を入力したら先に進むのか考えていく

RGBrironti.py について (コマンド)
- 1, MATE端末を開き py ファイルのある hikitugi に移動する (cd hikitugi)
- 2, py ファイルを呼び出す (python3 RGByomitori.py) [3は ver のことであり入力しなくても呼び出せる]
- 3, フォルダーのパス入力が求められるので錆の写真があるフォルダーを入力する → Enterキー (一例: /home/kouzou/sato24/gr/data/1_ppm)
- 4, 保存するファイル名を入力する → Enterキー (一例: RGBsyuturyoku0423 )
- 5, その後ウィンドウのどこかしらに錆の画像が表示されるので、その写真のどこか適当な所をクリックするとMATE端末上に
```
画像: ファイル名(.ppm) | クリック位置: (x座標, y座標), RGB値: (R(0~255), G(0~255), B(0~255),)
```
  と表示される。またフォルダーパスの入力をしたファイル内に4で保存したファイルが保存されている(今回はhome/kouzou/sato24/gr/data/1_ppm に RGBsyuturyoku0423 というの文書ファイルが保存されている)
- 6, 文書ファイルを開くと写真のようにMATE端末に表示されているのと同じ情報が文書ファイル内に保存される。

7, 写真の左下に写っている錆の写真は矢印キー(←, →)でフォルダー内の写真を切り替えることができる。
補足:保存するファイル名を前に作成したファイル名と同じにすると新たに上書きされるのではなく、既存のデータに加えられる形で保存される。

edge.py について(コマンド)
- 1, MATE端末を開き py ファイルのある hikitugi に移動する (cd hikitugi)
- 2, py ファイルを呼び出す (python3 edge.py) [3は ver のことであり入力しなくても呼び出せる]
- 3, 入力ディレクトリパスの入力が求められる。なお edge.py はpgmファイルのみ対応しているのでpgmファイルで保存されていいる写真のあるフォルダーを入力する → Enterキー　(一例: /home/kouzou/sato24/soturon/resize_pgm/k_data_ppm_resize/r1_pgm)
- 4, 出力ディレクトリパスの入力が求められる。ここでは3で入力したファイルをエッジ処理したものをどこに保存するかを設定する。ここでは一例として(/home/kouzou/edge-syuturyoku0424)と入力しておく。
  - /edge-syuturyoku0424はエッジ処理したものを入れておくファイル名であり、もしファイル名を入れずにEnterキーを押してしまうとこの場合kouzouのフォルダー内に保存されてしまうので注意すること。
- 5, エッジ処理の閾値1, 2を入力してくださいと表示される
  - エッジ処理の閾値1は "Cannyエッジ検出の「低い方のしきい値」" のことである。画像の中で「ここはエッジ」と判断するための数値で、5〜100くらいに設定しておくとよい。
  - エッジ処理の閾値2は "Cannyエッジ検出の「高い方のしきい値」" であり、150〜200くらいに設定しておくとよい。
- 6, 閾値1, 2 を入力して Enterキーを押してしばらくするとkouzouにedge-syuturyoku0424というフォルダーが作成される。そのフォルダーを開いて錆の写真が左下から右下のような感じに変換されていれば成功。

　→　

明日までにやっておくべきこと

--残りのPythonファイルについて使い方を学ぶ

↑

4/23†

卒論テーマが決まった。

耐候性鋼橋の耐候性鋼材の錆の現地調査(今年度から)（日本鉄鋼連盟、土木研究センター、東北の大学や高専の土木構造系研究室の共同研究）に参加しながら、撮影データに対して機械学習(AI)を用いた外観評価を行う。最終的にドローンで撮影した耐候性鋼橋の画像データに対して外観評点を行う方法も検討する(特定の距離や照明で撮影するといった制御ができるか)。

jpg, ppmファイルから1点ごとのRGB値を確認する方法
- 1,写真フィルを選択して"gimpで開く"をクリックする。
- 2,gimpが開けたら上にあるバーから "ウィンドウ" → "ドッキング可能なダイアログ" → "ピクセル情報" と進んでいくと要素ごとにRGB値を確認できる。

MATE端末のコマンド
- 1, locate (ファイル名等) → (ファイル名)がどこにあるのかリストアップしてくれる
- 2, gfortran -o (ファイル名) (ファイル名.拡張子) → あるファイルを変換する(gfortran -o)
- 3, history → MATE端末内で過去にどんなコマンドを用いたか確認できる。
- 4, hg (ファイル名等) → MATE端末内でどの部分に(ファイル名)が用いられているかを確認できる。(検索エンジン内での Ctrl + Fキーのようなもの)

明日までにやっておくべきこと

--佐藤さんの卒論日誌をはじめ耐候性鋼材にまつわるウィキを読んで分からなかった部分をリストアップする。ただ何が分かっていないか分からない　来週のゼミ報告に向けてなにか目標をたてなければ

↑

創造工房実習†

↑

4/18†

　創造工房実習でI型断面等の三角形分布や塑性状態がどういう応力分布になっているのかを確認するのを忘れていたのでここに書いておく。

I型断面に10Nの面載荷をかけたとき
- 梁の断面に赤と青で濃く色分けされており、上下縁の両方は降伏に達していると確認できた。
- 固定端近くでは、直応力σxxがほぼ対称に上縁で圧縮、下縁で引張になっており三角形状の応力分布に近い。一方で真ん中付近が少し平坦になっている部分もあるため全体的に見ると三角形分布ではないといえる。
15Nの面載荷をかけたとき
- 10Nの荷重をかけたときよりも梁の上下縁にかなりの力がかかっている。ただ解析ステップを10に設定しているところParavis上では22ステップになっているため各種データの信憑性は100%とは言い切れない。→10ステップにならないのは解析がうまく行っていない証拠。ちなみに面載荷を20N以上に設定するとエラーが出る。
- 固定端近くでは10Nのときと同様、真ん中から先端付近にかけて上縁部分は三角形に近い形で応力分布が現れている。固定面付近ではかなりの直応力がかかっているがそれ以外の部分は三角形に近い形で応力分布が現れているといって良いのではないか。

5N, 6Nの面載荷をかけたとき
- 固定面側は最大281MPaの直応力が加わっている上縁がありこの時点で塑性状態に入っていることが分かった。(6N)
- 下端側よりも上端側のほうが直応力の値が高く出る傾向にある。面載荷にしているのになぜなのか。もしかしたら面載荷 = 等分布荷重として捉えることができ、それを1点にかかる集中荷重に置き換えるとたわんでいない状態での梁における中立軸よりも下端側にかかるため上端側のほうが直応力の値が高く出るのではないか。

　上端

　・ーーーーーーーーーー

　｜　　　　　　　　　　ーーーーー

　・ーーーーーーーーー　　　　　　ーーーー｜

　下端　　　　　　　　ーーーーー　　　　　｜↓集中荷重位置　　　このように上端ー集中荷重位置の距離が下端よりも長いことから上端側のほうが直応力が大きい。

　　　　　　　　　　　　　　　　ーーーーー｜　　　　　　　　　　逆方向に面載荷をかければ下端側の直応力が大きくなるだろう。

↑

4/17†

SALOME2021でメッシュが計算されない事例が発生
- 1, メッシュの編集画面を開く
- 2, アルゴリズムで"NETGEN 1D-2D-3D" を選択
- 3, その下にある詳細設定右側の歯車をクリックして "NETGEN 3D Parameters" を選択すると最大サイズと最小サイズが任意で選択できる
- 4, 最大サイズと最小サイズに数値を入れてOKをクリック (最小サイズは0にしても問題なくメッシュ計算ができる)
- 5, メッシュの編集画面に戻るので"適用して閉じる"をクリック
- 6, 左側のオブジェクトブラウザーにある"Mesh_1"を右クリックして"メッシュを作成"を選択するとメッシュの計算が開始される

↑

4/14†

載荷点での荷重、たわみのプロット

　 1ステップごとに面に載荷した荷重の10分の1を加えたものーDEPLとのグラフを作成

軸方向直応力が最大となる点での直応力-直ひずみのプロット（降伏点付近で折れ曲がるか）　　知りたい方向のEPSI_NOEUーSIGM_NOEUとのグラフを作成 (0ならx軸 1ならy軸 2ならz軸)
その点での相当応力（ミーゼス応力）―相当ひずみのプロット（上記との違いは）　　知りたい方向のSIEQ_NOEUーEPSI_NOEUのx,y,zの直ひずみ,せん断ひずみの計6つのひずみを相当ひずみの計算式に代入して算出されたものとのグラフを作成
曲げモーメントが最大となる断面の軸方向直応力\( \sigma_{zz} \)を各荷重レベルでプロット（\( yz \)の2次元と、できれば3次元も）し応力の三角形分布を確認する　　曲げモーメント最大は固定端(片持ち梁の場合)なので0に限りなく近い所でスライスし、SIGM_NOEUが最大になっている点を探し面に載荷した荷重の10分の1と理論値(荷重×荷重をかけた箇所からの距離)とのグラフを作成

↑

4/10†

片持ち梁にかける荷重を6.25N以上にするとParavisでtime stepが0.8sあたりから0.25s間隔になる。→解析が上手く行っていないのこと
6.25Nで解析を行うと実際の結果が降伏応力に収束しなくなる。グラフを描くなら7.5~8.0Nが望ましい。

明日やること
- 応力(ミーゼス)-ひずみ,応力-たわみのグラフを作成
- スライドの作成

経過時間	↖たわみ(mm)	↖応力(MPa)	↗たわみ(mm)	↗応力(MPa)
0	0	0	0	0
1	0.000140332	34.4925	0.000184238	44.0832
2	0.000280661	68.9829	0.000368391	88.1643
3	0.000420986	103.471	0.000552457	132.243
4	0.000561308	137.957	0.000736434	176.318
5	0.000701624	172.44	0.000923909	220.147
6	0.000842636	206.506	0.00123269	241.658
7	0.00101987	237.23	0.002051	244.44
8	0.00130101	257.808	0.00765896	243.452
9	0.00191133	268.432	0.0109555	241.582
10	0.00377436	280.533	0.0148525	239.658
11	ー	ー	0.0191575	237.724
12	ー	ー	0.0237442	235.762
13	ー	ー	0.0285207	233.804
14	ー	ー	0.0333983	231.819
15	ー	ー	0.0383132	229.768
16	ー	ー	0.043212	227.625

↑

4/7†

Paravisでのグラフ作成方法
- https://www.rccm.co.jp/icem/pukiwiki/index.php?%E9%81%B8%E6%8A%9E%E3%81%97%E3%81%9F%E7%AF%80%E7%82%B9%E3%81%A7%E3%81%AE%E6%99%82%E7%B3%BB%E5%88%97%E3%83%97%E3%83%AD%E3%83%83%E3%83%88
- https://www.rccm.co.jp/icem/pukiwiki/index.php?%E3%83%95%E3%82%A3%E3%83%AB%E3%82%BF%E3%83%BC%20Plot%20Data%20Over%20Time

Salomeで荷重をかける段階を設定する際に1.0と入力する箇所に小数点が入力できず01と入ってしまう。

⇒一度01と入力しOKを押した後再度1.0と入力する画面に戻ると小数点を入力できるようになっている。

また弾塑性解析を行う際にSalome-Meca演習_弾塑性解析(2021)に書いてある手順で進めると解析を回した際にエラーを吐かれる。

⇒原因は関数がある範囲までしか定義されていないの事。Function and ListsのDEFI_FONCTIONにおいて関数の外側も定義できるようにCONSTANTまたはLINEARを追加しておく必要がある。

↑

2/7†

春休みの課題

弾塑性班
- 鋼材の長方形断面の梁（想像しやすい大きさ）の片持ち梁と単純梁を曲げる
- 軸方向：\( z \), たわみ方向：\( y \)
- SS400ぐらいのヤング率と降伏応力で弾塑性解析の設定
- 載荷点での荷重、たわみのプロット
- 軸方向直応力が最大となる点での直応力-直ひずみのプロット（降伏点付近で折れ曲がるか）
- その点での相当応力（ミーゼス応力）―相当ひずみのプロット（上記との違いは）
- 曲げモーメントが最大となる断面の軸方向直応力\( \sigma_{zz} \)を各荷重レベルでプロット（\( yz \)の2次元と、できれば3次元も）し応力の三角形分布を確認する
- 上記の三角形分布において、上下縁から徐々に降伏が入ってきて、最終的に全塑性の状態になるか。
- 上記を確認できたら、I型断面とかの三角形分布や全塑性が、どういう応力分布になっているのかを確認。

↑

12/20†

今日はviを用いて論文に画像を貼る方法について学んだ。

↑

12/13†

今日はviを用いた論文の書き方を学んだ。

･文頭に%をつけるとその行に書かれた文章は反映されない

･強制改行したい場合は"\\"を入力する

･更新→:!pdfplatexsibup2

○式を書く(書き方は編集画面から)

\( v=\frac{P\ell^{3}}{48EI}　+　\frac{P\ell}{4kGA} \)

\begin{eqnarray} v=\frac{P\ell^{3}}{48EI} + \frac{P\ell}{4kGA} \\ I=\int_{A}y^{2}dA \end{eqnarray}

↑

11/29†

今回は鋼材で木材を挟んだサンドイッチ梁の解析を行い、縦軸に変位(mm), 横軸にボリューム数をとって上のグラフを作成した。メッシュ長さの大小関係なく理論値と20%の誤差が生じ、これ以上メッシュ長さを短くしても理論値には近づくことがないと推測する。サンドイッチ梁は多分見たことがない以上イメージが湧かず誤差の推測をしようがないので実物にこの目で見て実験を行いたい。今回は鋼材で木材を挟んだサンドイッチ梁を解析したが、実用性を一旦置いて木材で鋼材を挟んだサンドイッチ梁の場合結果はどうなるのだろうか。

全員で作成した解析結果のグラフを下に示しておく

メッシュ長さ	要素数	先端変位(4隅の平均値)[mm]	相対誤差(\( \frac{salome-手計算}{手計算} \))	計算者
0.7	155419	0.0772	26.943	湊
0.8	138734	0.0775	26.452	湊
0.9	82935	0.0774	26.614	湊
1.1	38671	0.0766	27.937	森井
1.2	32044	0.0770	27.273	森井
1.3	28599	0.0768	27.604	森井
1.4	23950	0.07640	22.04	米谷
1.5	19998	0.07641	22.03	米谷
1.6	19448	0.07715	21.28	米谷
1.7	13801	0.07567	22.79	米谷
1.8	12677	0.07736	21.06	沼野
1.9	11464	0.07546	23.00	沼野
2	10699	0.07404	24.45	沼野
3	3579	0.08414	15.004	國井
4	1628	0.08279	16.37	國井
5	1016	0.08303	16.26	國井
6	839	0.08288	16.26	西澤
7	554	0.08087	18.28	西澤
8	285	0.07898	19.20	西澤
9	261	0.01421	85.49	真庭
10	232	0.03380	65.51	真庭
11	208	0.00913	90.68	真庭

↑

11/22†

今回は単純異方性と等方性の解析を行い、縦軸に変位(mm), 横軸にボリューム数をとって上のグラフを作成した。異方性は上２つのグラフであるが、メッシュ長さを2以下で解析を行うと理論値(緑)と近しい値をとるようになる。一方で等方性の場合はメッシュ長さが5までなら理論値と似たような値をとる結果となった。前回まではメッシュを細かくするほど理論値に近づいたが異方性の場合はメッシュ長さを1.3にした時が理論値に一番近づき、等方性の場合は理論値と平行関係になってしまった。さらに長さを小さくして解析しても理論値には近づくことがないのではないか。

全員で作成した解析結果のグラフを下に示しておく

メッシュ長さ	要素数	変位(異方性)[mm]	相対誤差-異方性(\( \frac{salome-手計算}{手計算} \))	変位(等方性)[mm]	相対誤差-等方性(\( \frac{salome-手計算}{手計算} \))	計算者
0.7	171996	0.5068	2.993	0.4301	3.141	湊
0.8	161561	0.5069	2.999	0.4300	3.116	湊
0.9	94185	0.5021	2.071	0.4301	3.139	湊
1.1	47998	0.4957	0.814	0.4122	1.056	森井
1.2	47343	0.4952	0.712	0.4300	3.217	森井
1.3	42112	0.4941	0.488	0.4298	3.169	森井
1.4	38960	0.4937	0.407	0.4299	3.193	森井
1.5	15041	0.4845	1.460	0.4298	3.179	米谷
1.6	16071	0.4849	1.380	0.4298	3.157	米谷
1.7	12933	0.4845	1.460	0.4299	3.182	米谷
1.8	12993	0.4832	1.73	0.4298	3.19	沼野
1.9	11235	0.4783	2.73	0.4295	3.10	沼野
2	11456	0.4982	1.32	0.4296	3.12	沼野
3	2514	0.4369	4.87	0.4293	3.05	國井
4	1461	0.4341	4.20	0.4293	3.05	國井
5	433	0.2803	32.7	0.4284	2.83	國井
6	356	0.4283	2.80	0.3437	17.5	西澤
7	102	0.4260	2.26	0.2225	46.6	西澤
8	93	0.4260	2.26	0.1123	73.0	西澤
9	81	0.2212	54.9	0.4255	2.13	真庭
10	84	0.2051	58.3	0.4247	1.95	真庭
11	74	0.2260	54.0	0.4246	1.91	真庭

↑

11/15†

単純梁の解析結果から縦軸に変位(mm), 横軸にボリューム数をとって上のグラフを作成した。前回と同じくメッシュの長さを長くすると接点変位は小さくなり、相対誤差は大きくなった。前回は√nに近い形のグラフが描けた一方で今回は歪な形のグラフができてしまった。変曲点はメッシュ数が小さい(1メッシュあたりの長さを長くした)方もといグラフ左側に偏っており、メッシュ長さを長くして解析を行うほど解析結果の信憑性は低くなるのではないか。他のPCと同じ解析を行った場合結果は一緒になるのだろうか?機会があればやってみたいものだ。

全員で作成した解析結果のグラフを下に示しておく

メッシュ長さ	要素数	先端変位(4隅の平均値)[mm]	相対誤差(\( \frac{salome-手計算}{手計算} \))	計算者
0.7	171996	0.4260	2.207	湊
0.8	161561	0.4256	2.115	湊
0.9	94185	0.4169	0.0719	湊
1.1	47998	0.4122	1.067	森井
1.2	47343	0.4118	1.166	森井
1.3	42112	0.4113	1.289	森井
1.4	38960	0.4112	1.313	森井
1.5	15041	0.3978	4.516	米谷
1.6	16071	0.3999	4.002	米谷
1.7	12993	0.3971	4.687	米谷
1.8	12203	0.3964	4.85	沼野
1.9	11235	0.3942	5.38	沼野
2	11456	0.3991	4.20	沼野
3	2514	0.2141	21.4	國井
4	1461	0.34028	18.4	國井
5	433	0.1354	67.8	國井
6	356	0.2135	48.8	西澤
7	102	0.11	73.6	西澤
8	93	0.112	73.0	西澤
9	81	0.1125	73.0	真庭
10	84	0.0794	80.9	真庭
11	74	0.1297	68.9	真庭

↑

11/8†

全員で行った解析の結果を縦軸に変位, 横軸にボリューム数をとってグラフを作成した。メッシュの長さを長くすると接点変位は小さくなり、相対誤差は大きくなった。一方でメッシュの長さを小さくするほど接点変位は断面二次モーメントで算出された6.67mmに近づいた。メッシュ長さを0.5や0.3として解析を行えばもっと理論値に値が近づくのではないか。

全員で作成した解析結果のグラフを下に示しておく

メッシュ長さ	要素数	先端変位(4隅の平均値)[mm]	相対誤差(\( \frac{salome-手計算}{手計算} \))	計算者
0.7	107380	6.47	2.96	湊
0.8	57821	6.44	3.62	湊
0.9	57698	6.43	3.73	湊
1.1	57980	6.44	3.57	湊
1.2	52123	6.41	3.90	森井
1.3	45549	6.34	4.98	森井
1.4	26951	6.32	5.31	森井
1.5	16904	6.25	6.32	米谷
1.6	14296	6.20	7.05	米谷
1.7	13596	6.21	6.81	米谷
1.8	6299	5.74	13.9	沼野
1.9	6001	5.73	14.1	沼野
2	5617	5.65	15.3	沼野
3	2309	5.48	17.8	國井
4	617	3.62	45.6	國井
5	494	3.85	42.3	國井
6	581	2.51	62.4	西澤
7	133	1.41	78.8	西澤
8	78	1.29	80.7	西澤
9	72	1.288	80.69	真庭
10	60	1.226	81.62	真庭
11	65	1.231	81.54	真庭

↑

11/1†

今日(11/1)はwikiにグラフの貼り付けとviとlinuxを使ってグラフの作成を行った

上のグラフは自身で作成したもの、下のグラフは過去の先輩方が作成したグラフの数値を拝借した。

先輩方が作成したグラフの数値を下に示しておく

メッシュの長さ	要素数	変位[mm]	相対誤差	計算者
0.7	155192	0.08378905246	15.365	安藤
0.8	138808	0.08380386491	15.350	安藤
0.9	82587	0.083707073981	15.45	兼田
1.1	38671	0.084201207602	14.95	兼田
1.2	31929	0.083688	15.466	柴田
1.3	28621	0.083669	15.4857	柴田
1.4	28854	0.08368	15.47	佐藤
1.5	20015	0.084052	15.10	佐藤
1.6	19448	0.0835402938	15.62	皆川
1.7	13801	0.0834355098	15.72	皆川
1.8	12528	0.083733	15.42	永山
1.9	11769	0.083924	15.23	永山
2	10699	0.084076876559	15.074	辻
3	3579	0.08414561753	15.004	辻
4	1628	0.082794	16.37	服部
5	1016	0.083033	18.89	服部
6	839	0.082882	16.26	梶原
7	554	0.080871	18.28	梶原
8	285	0.079995	19.20	工藤
9	261	0.078980	20.22	工藤
10	232	0.081911	17.26	佐々木
11	208	0.075676	23.56	佐々木

↑

10/4†

今日は顔合わせをした

頑張りたい "いきものがかり"についた

エポック数	テストデータ正答率(%)	判別精度(%)
10	99.20	67 (6/9)
12	99.13	56 (5/9)
13	99.26	89 (8/9)
14	99.19	89 (8/9)
15	99.16	89 (8/9)
16	99.08	89 (8/9)

森井の卒論日誌 の履歴(No.46)

卒論†

5月†

5/15, 16†

5/14†

5/13†

5/12†

5/10†

5/8, 9†

5/7†

5/2†

4月†

4/30†

4/28†

4/25†

4/24†

4/23†

創造工房実習†

4/18†

4/17†

4/14†

4/10†

4/7†

2/7†

12/20†

12/13†

11/29†

11/22†

11/15†

11/8†

11/1†

10/4†

森井の卒論日誌の履歴(No.46)