• ポートフォリオ機能


ポートフォリオを新規に作成して保存
既存のポートフォリオに追加保存

  • この表をプリントする
PDF PDFをダウンロード
審決分類 審判 全部申し立て 特36条4項詳細な説明の記載不備  G06T
審判 全部申し立て 2項進歩性  G06T
審判 全部申し立て 特36条6項1、2号及び3号 請求の範囲の記載不備  G06T
管理番号 1393048
総通号数 13 
発行国 JP 
公報種別 特許決定公報 
発行日 2023-01-27 
種別 異議の決定 
異議申立日 2021-02-05 
確定日 2022-10-17 
異議申立件数 1 
訂正明細書 true 
事件の表示 特許第６７３７３７１号発明「情報処理装置、設備判定方法、コンピュータプログラム及び学習済モデルの生成方法」の特許異議申立事件について、次のとおり決定する。 
結論 特許第６７３７３７１号の特許請求の範囲を訂正請求書に添付された訂正特許請求の範囲のとおり、訂正後の請求項〔１−４〕、５、６、７、８、９について訂正することを認める。 特許第６７３７３７１号の請求項１−９に係る特許を維持する。 
理由 第１ 手続の経緯
特許第６７３７３７１号（以下、「本件特許」という。）の請求項１ないし９に係る特許についての出願は、平成３１年３月２６日に出願されたものであって、令和２年７月２０日にその特許権の設定登録（特許掲載公報発行日令和２年８月５日）がされた。
本件特許異議の申立ての経緯は、次のとおりである。

令和３年 ２月 ５日：特許異議申立人宮内七恵により本件の請求項１ないし９の特許に対する特許異議の申立て及び甲第１号証ないし甲第１１号証の提出
同年 ６月１１日付け：取消理由通知書
同年 ８月１３日：特許権者による意見書の提出及び訂正請求
同年１０月２８日：特許異議申立人による意見書及び甲１２号証ないし甲２１号証の提出
令和４年 ３月１１日付け：取消理由通知書（決定の予告）
同年 ５月１１日：特許権者による意見書の提出及び訂正請求

令和４年５月１１日になされた訂正請求によって、令和３年８月１３日になされた訂正請求（以下「先の訂正請求」という。）は、特許法第120条の5第7項の規定により取り下げられたものとみなす。
以下、令和４年５月１１日に提出された訂正請求書を「本件訂正請求書」、本件訂正請求書による訂正を「本件訂正」という。

第２ 本件訂正について

１ 訂正の趣旨及び訂正の内容

（１）訂正事項１
特許請求の範囲の請求項１に
「電気設備を含む画像を取得する取得部と、
入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部と、
前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部と」と記載されているのを、
「電気設備に関する複数の機材を含む画像を取得する取得部と、
複数の機材を含む画像と、各機材の領域とを含む教師データに基づき畳み込み層を用いて深層学習されており入力された複数の機材を含む画像に含まれる各機材に対応する画像領域を特定した特定結果及び各機材の画像領域の特定結果の確信度を出力する第１の学習済モデルを用いて、前記取得部が取得した複数の機材を含む画像から、特定済みの機材毎の画像領域の確信度同士を比較して機材毎の画像領域を順位付けすることにより、各機材に対応する所定数の前記画像領域を特定する特定部と、
前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
入力された画像領域に含まれる機材の状態を判定した判定結果を出力する第２の学習済モデルに、前記抽出部が抽出した各機材に対応する画像領域を特定した順位に従って順次入力して各機材の状態を判定する判定部と」
に訂正する（請求項１の記載を引用する請求項３〜４も同様に訂正する）。

（２）訂正事項２
特許請求の範囲の請求項２に
「前記特定部は、画像領域に電気設備が含まれていることに係る確信度、及び、前記画像領域に含まれる前記電気設備の状態に係る確信度に基づいて、前記画像領域を特定する、
請求項１に記載の情報処理装置」と記載されているのを、
「電気設備を含む画像を取得する取得部と、
入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部と、
前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部と
を備え、
前記特定部は、画像領域に電気設備が含まれていることに係る確信度、及び、前記画像領域に含まれる前記電気設備の状態に係る確信度に基づいて、前記画像領域を特定する、情報処理装置」に訂正する（請求項２の記載を引用する請求項３〜４も同様に訂正する）。

（３）訂正事項３
特許請求の範囲の請求項５に
「前記特定部は、前記取得部が取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う、
請求項３に記載の情報処理装置」と記載されているのを、
「電気設備を含む画像を取得する取得部と、
入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部と、
前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部と
を備え、
前記特定部は、前記取得部が取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
前記判定部は、前記特定部が付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力し、
前記特定部は、前記取得部が取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う、情報処理装置」に訂正する。

（４）訂正事項４
特許請求の範囲の請求項６に
「前記抽出部が抽出した画像領域の大きさを調整する調整部を備え、
前記判定部は、前記調整部が大きさを調整した画像領域を前記第２の学習済モデルへ入力する、
請求項１から請求項５までのいずれか１項に記載の情報処理装置」と記載されているのを、
「電気設備を含む画像を取得する取得部と、
入力された画像に含まれる複数の電気設備に対応する画像領域を特定した特定結果及び各電気設備の画像領域の特定結果の確信度を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から、特定済みの電気設備毎の画像領域の確信度同士を比較して電気設備毎の画像領域を順位付けすることにより所定数の前記画像領域を特定する特定部と、
前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部と、
前記抽出部が抽出した電気設備毎の画像領域の順位付けがなされた所定数の画像領域の大きさを調整する調整部とを備え、
前記判定部は、前記調整部が大きさを調整した電気設備毎の画像領域の順位付けがなされた所定数の画像領域を特定した順位に従って前記第２の学習済モデルへ入力する、
情報処理装置」に訂正する。

（５）訂正事項５
特許請求の範囲の請求項７に
「入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、抽出した画像領域から前記電気設備の状態を判定する、」と記載されているのを、
「入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、抽出した画像領域から前記電気設備の状態を判定し、
取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
順位付けした順位に従って、特定された複数の画像領域を前記第２の学習済みモデルへ入力し、
取得された画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う、」に訂正する。

（６）訂正事項６
特許請求の範囲の請求項８に
「入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、抽出した画像領域から前記電気設備の状態を判定する処理を実行させる、」と記載されているのを、
「入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、抽出した画像領域から前記電気設備の状態を判定し、
取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
順位付けした順位に従って、特定された複数の画像領域を前記第２の学習済みモデルへ入力し、
取得された画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う処理を実行させる、」に訂正する。

（７）訂正事項７
特許請求の範囲の請求項９に
「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、取得した画像から前記画像領域を特定し、
特定した前記画像領域を取得した画像から抽出し、
抽出した前記画像領域及び該画像領域に含まれる電気設備の状態を対応付けた教師データに基づいて、入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを生成する、」と記載されているのを、
「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、取得した画像に含まれる複数の電気設備それぞれに対応する前記画像領域を、複数の画像領域の位置関係に基づいて順位付けして特定し、
順位付けされて特定した前記画像領域を取得した画像から抽出し、
順位付けされた前記画像領域及び該画像領域に含まれる電気設備の状態を対応付けた教師データに基づいて、前記第１の学習済みモデルによる特定結果から順位付けされて特定された複数の画像領域を前記順位に従って入力した場合に、入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを生成する、」に訂正する。

（８）別の請求単位とする求め
訂正後の請求項５及び６については、当該請求項についての訂正が認められる場合には、一群の請求項の他の請求項とは別途訂正することを求める。

２ 訂正の適否についての判断

（１）一群の請求項
訂正前の請求項１〜６について、請求項２〜６は請求項１を引用しているものであって、訂正事項１によって記載が訂正される請求項１に連動して訂正されるものである。
従って、訂正前の請求項１〜６に対応する訂正後の請求項１〜６は、特許法第120条の5第4項に規定する一群の請求項である。

（２）訂正事項１
ア 訂正の目的
訂正事項１は、訂正前の請求項１の
（ｉ）「電気設備を含む画像を取得する取得部」を「電気設備に関する複数の機材を含む画像を取得する取得部」と訂正すること、
（ｉｉ）「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデル」を、「複数の機材を含む画像と、各機材の領域とを含む教師データに基づき畳み込み層を用いて深層学習されており入力された複数の機材を含む画像に含まれる各機材に対応する画像領域を特定した特定結果及び各機材の画像領域の特定結果の確信度を出力する第１の学習済モデル」と訂正すること、
（ｉｉｉ）「前記取得部が取得した画像から前記画像領域を特定する特定部」を「前記取得部が取得した複数の機材を含む画像から、特定済みの機材毎の画像領域の確信度同士を比較して機材毎の画像領域を順位付けすることにより、各機材に対応する所定数の前記画像領域を特定する特定部」と訂正すること、
（ｉｖ）「入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部」を「入力された画像領域に含まれる機材の状態を判定した判定結果を出力する第２の学習済モデルに、前記抽出部が抽出した各機材に対応する画像領域を特定した順位に従って順次入力して各機材の状態を判定する判定部」と訂正すること、
により、
（ｉ’）取得される画像は電気設備に関する複数の機材を含むこと、
（ｉｉ’）、（ｉｉｉ’）第１の学習済モデルは、複数の機材を含む画像と、各機材の領域とを含む教師データに基づき畳み込み層を用いて深層学習されており、複数の機材を含む画像に含まれる各機材に対応する画像領域を特定した特定結果及び各機材の画像領域の特定結果の確信度を出力するものであり、特定部は当該第１の学習済モデルを用いて、特定済みの機材毎の画像領域の確信度を比較して機材毎の画像領域を順位付けすることにより、各機材に対応する所定数の画像領域を特定すること、
（ｉｖ’）第２の学習済モデルは入力された画像領域に含まれる機材の状態を判定した判定結果を出力するものであり、判定部は、第２の学習済モデルに、抽出部が抽出した各機材に対応する画像領域を特定した順位に従って順次入力して各機材の状態を判定すること、
を特定するように限定したものである。
したがって、訂正事項１に係る訂正は、訂正前の請求項１について、特許法第120条の5第2項ただし書第１号に掲げる「特許請求の範囲の減縮」を目的とするものである。
また、当該訂正事項１に係る訂正は、訂正前の請求項３、４についても同様のことがいえる。

イ 願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内の訂正であること
訂正事項１のうち上記ア（ｉ’）に関して、例えば、【００１１】には「異常判定システムは、例えば道路上に設置された電柱３、この電柱に設けられた各種の機材、及び、複数の電柱３の間に架け渡された電線等の電気設備を対象として異常判定を行う。」との記載が、【００１７】には「サーバ装置１が判定する電気設備の異常の有無には、電柱３、機材及び電線等の電気設備自体の異常の有無の他に、例えば電柱３の機材の上に作られた鳥類（動物）の営巣の有無、又は、複数の電柱３の間に架け渡された電線と周辺に植えられた樹木との接触の有無等が含まれ得る。」、【００５４】には「図７の上段にはカメラ２１が撮像した電柱３の画像から領域特定モデル１２ｂにより５つの画像領域が特定された例を示している。本例では、電柱３に設けられた５つの放電クランプについて画像領域が特定されており、図中に太線の矩形枠として画像領域が示されている。」との記載があり、「電気設備」は複数の機材から構成されているものであるといえるから、取得される画像は電気設備に関する複数の機材を含むことが裏付けられているといえる。
したがって、上記ア（ｉ’）に関する事項は願書に添付した明細書中の発明の詳細な説明に裏付けられているといえる。

訂正事項１のうち上記ア（ｉｉ’）、（ｉｉｉ’）に関して、【００２１】には「領域特定モデル１２ｂ・・・は、予め教師データを用いた・・・深層学習等がなされた学習済モデルである」、【００３４】には、「領域特定モデル１２ｂは、画像の入力を受け付ける入力層と、画像の特徴量を抽出する中間層と、画像に含まれる電気設備の画像領域の特定結果及び当該電気設備の異常の有無を示す情報を出力する出力層とを有するニューラルネットワークとして構成される。本実施の形態において領域特定モデル１２ｂには、ニューラルネットワークとしてＣＮＮ（Convolution Neural Network）の構成が採用されている。」との記載があり、第１の学習済モデルは、異常の有無を問わず、画像に含まれる電気設備の画像領域の特定結果を出力することを前提としている。
その上で、【００３７】には、「領域特定モデル１２ｂの学習処理において、サーバ装置１は、電柱３、電柱３に設けられた機材、及び、電線等の電気設備を撮像した複数の撮像画像と、各画像における電気設備の異常箇所を示す情報とが対応付けられた教師データを用いる。教師データは、例えば図３に示すように、電柱３等の電気設備を含む画像に対し、異常箇所に該当する画像領域の座標範囲と、異常の内容とがラベル付けされたデータである。なお、図３ではラベル付けされた画像領域を太線の矩形枠で図示している。また異常内容の一例として、「異常箇所：放電クランプ、種類：焦げ目、ランクＡ」が示されている。」との記載がある。
ここで、学習済モデルの学習に、複数の機材を含む電気設備を撮像した画像を入力として、各機材（その一例として放電クランプがある）の中で異常が検出された画像領域を特定する出力を得る以上、学習済モデルを用いた処理においても同様の入力から同様の出力を得るものといえる。
この事項を踏まえると、上記記載から、第１の学習済モデルは、複数の機材（電柱３、電柱３に設けられた機材、電線等であり、放電クランプもそれらに含まれる）を含む電気設備を撮像した画像を入力とし、（異常の有無を問わない）電気設備に関する各機材（その一例として放電クランプがある）の画像領域の特定結果と、当該電気設備に関する各機材の異常の有無及び異常の種類、程度を示す情報を出力するものであって、ＣＮＮ（畳み込み層を有するニューラルネットワーク）を用いて深層学習されているものであることがいえる。
さらに、【００５１】には、「なお領域特定モデル１２ｂは、画像領域の特定結果と共に、この特定結果の確信度を出力する。また領域特定モデル１２ｂは、異常の有無の判定結果と共に、この判定結果の確信度を出力する。サーバ装置１は、領域特定モデル１２ｂが出力するこれらの情報に基づいて、電気設備が含まれる画像領域の最終的な特定を行う。例えば、サーバ装置１は、領域特定モデル１２ｂが出力した特定結果の確信度が低い場合、又は、異常有無の判定結果の確信度が低い場合等には、領域特定モデル１２ｂが出力した画像領域の特定結果を破棄して次段の処理を行わなくてもよい。また領域特定モデル１２ｂが複数の画像領域を特定した場合、サーバ装置１は、領域特定モデル１２ｂが出力する情報に基づいて、画像領域の順位付けを行う。」との記載があり、第１の学習済モデルが各機材の画像領域の特定結果の確信度を出力するものであること、この確信度を比較して、機材毎の画像領域を順位付けすることで、所定数の画像領域を特定すること、が読み取れる。
したがって、上記ア（ｉｉ’）、（ｉｉｉ’）に関する事項は願書に添付した明細書中の発明の詳細な説明に裏付けられているといえる。

訂正事項１のうち上記ア（ｉｖ’）に関して、【００３０】には「異常判定部１１ｅは、記憶部１２に記憶された異常判定モデル１２ｃを用いて、領域抽出部１１ｃにより抽出されて調整部１１ｄにより大きさが調整された画像領域に含まれる電気設備の異常の有無を判定する処理を行う。」、【００３１】には「領域抽出部１１ｃが複数の画像領域を抽出した場合、異常判定部１１ｅは、領域特定部１１ｂが付した順位に従って複数の画像領域を異常判定モデル１２ｃへ入力し、複数の判定結果を得る。」との記載があり、上記ア（ｉｉ’）（ｉｉｉ’）に関して、領域判定部１１ｃにより抽出された画像領域とは、電気設備に関する各機材の画像領域であることを踏まえると、異常判定モデル１２ｃは、入力された画像領域に含まれる機材の状態を判定した判定結果を出力するものといえる。
また、【００５７】には「サーバ装置１は、複数の画像領域に対する順位付けを行った後、最も順位が高い画像領域から順番に異常判定モデル１２ｃを用いた異常判定を行う。」との記載があり、異常判定モデル１２ｃは抽出部が抽出した各機材に対応する画像領域を特定した順位に従って順次入力して各機材の状態を判定するものといえる。
したがって、上記ア（ｉｖ’）に関する事項は願書に添付した明細書中の発明の詳細な説明に裏付けられているといえる。

以上から、当該訂正事項１は、願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内の訂正であり、特許法第120条の5第9項で準用する特許法第126条第5項の規定に適合するものである。

ウ 実質上特許請求の範囲を拡張し、又は変更する訂正ではないことについて
上記アから明らかなように、訂正事項１に係る訂正は、発明特定事項を限定するものであって、カテゴリーや対象、目的を変更するものではなく、実質上特許請求の範囲を拡張し、又は変更するものには該当せず、特許法第120条の5第9項で準用する特許法第126条第6項の規定に適合するものである。
また、訂正事項１は、訂正前の請求項１の記載以外に、訂正前の請求項３及び４の記載について訂正するものではなく、請求項３及び４のカテゴリーや対象、目的を変更するものではない。

（３）訂正事項２
ア 訂正の目的
訂正事項２は、訂正前の請求項２の記載が訂正前の請求項１の記載を引用する記載であったものを、請求項間の引用関係を解消し、請求項１の記載を引用しないものとし、独立形式請求項へ改めるための訂正であって、特許法第120条の5第2項ただし書第４号に掲げる「他の請求項の記載を引用する請求項の記載を当該他の請求項の記載を引用しないものとすること」を目的とする訂正である。

イ 願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内であること及び実質上特許請求の範囲を拡張し、又は変更する訂正ではないこと
訂正事項２は、請求項間の引用関係を解消する以外に何ら実質的な内容の変更を伴うものではないから、特許法第120条の5第9項で準用する特許法第126条第5項及び第６項の規定に適合するものである。
また、訂正事項２は、訂正前の請求項２の記載以外に、訂正前の請求項３及び４の記載について訂正するものではなく、請求項３及び４のカテゴリーや対象、目的を変更するものではない。

（４）訂正事項３
ア 訂正の目的
訂正事項３は、訂正前の請求項５の記載が訂正前の請求項３の記載を引用する記載であったものを、請求項間の引用関係を解消し、請求項１を引用する請求項３を引用する請求項５を独立形式請求項へ改めるための訂正であって、特許法第120条の5第2項ただし書第４号に掲げる「他の請求項の記載を引用する請求項の記載を当該他の請求項の記載を引用しないものとすること」を目的とする訂正である。

イ 願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内であること及び実質上特許請求の範囲を拡張し、又は変更する訂正ではないこと
訂正事項３は、請求項間の引用関係を解消する以外に何ら実質的な内容の変更を伴うものではないから、特許法第120条の5第9項で準用する特許法第126条第5項及び第６項の規定に適合するものである。

（５）訂正事項４
ア 訂正の目的
訂正事項４は、
（ｖ）訂正前の請求項６の記載が訂正前の請求項１から５のいずれか１項の記載を引用する記載であったものを、請求項間の引用関係を解消し、請求項１を引用する請求項６を独立形式請求項へ改めるための訂正であって、特許法第120条の5第2項ただし書第４号に掲げる「他の請求項の記載を引用する請求項の記載を当該他の請求項の記載を引用しないものとすること」を目的とする訂正であり、
さらに、
（ｖｉ）「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデル」を、「入力された画像に含まれる複数の電気設備に対応する画像領域を特定した特定結果及び各電気設備の画像領域の特定結果の確信度を出力する第１の学習済モデル」と訂正すること、
（ｖｉｉ）「前記取得部が取得した画像から前記画像領域を特定する特定部」を「前記取得部が取得した画像から、特定済みの電気設備毎の画像領域の確信度同士を比較して電気設備毎の画像領域を順位付けすることにより所定数の前記画像領域を特定する特定部」と訂正すること、
（ｖｉｉｉ）「抽出部が抽出した画像領域の大きさを調整する調整部」における「画像領域の大きさ」を、「電気設備毎の画像領域の順位付けがなされた所定数の画像領域の大きさ」と訂正すること、
（ｉｘ）「調整部が大きさを調整した画像領域を前記第２の学習済モデルへ入力する」「判定部」において、（ｖｉｉｉ）により訂正された「電気設備毎の画像領域の順位付けがなされた所定数の」画像領域を前記第２の学習済モデルへ入力するにあたり、「特定した順位に従って」入力する、ことを特定する訂正であり、
これにより、
（ｖｉ’）入力された画像は複数の電気設備に対応する画像領域を含むこと、及び、第１の学習済モデルは、複数の電気設備に対応する画像領域を特定した特定結果及び各電気設備の画像領域の特定結果の確信度を出力すること、
（ｖｉｉ’）特定部は当該第１の学習済モデルを用いて、特定済みの電気設備毎の画像領域の確信度を比較して電気設備毎の画像領域を順位付けすることにより、所定数の画像領域を特定すること、
（ｖｉｉｉ’）調整部は、特定部が順位付けした後に、抽出部が抽出した、電気設備毎の画像領域の順位付けがなされた所定数の画像領域の大きさを調整すること、
（ｉｘ’）判定部は、第２の学習済モデルに、電気設備毎の画像領域の順位付けがなされた所定数の画像領域を特定した順位に従って入力して電気設備の状態を判定すること、
を特定するように限定したものであるから、訂正事項４に係る訂正は、訂正前の請求項６について、特許法第120条の5第2項ただし書第１号に掲げる「特許請求の範囲の減縮」を目的とするものでもある。

イ 願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内であること
まず、訂正事項４のうち、上記ア（ｖ）に関する訂正は、請求項間の引用関係を解消する以外に何ら実質的な内容の変更を伴うものではないから、特許法第120条の5第9項で準用する特許法第126条第5項の規定に適合するものである。

次に、訂正事項４のうち、上記ア（ｖｉ）、（ｖｉｉ）、（ｖｉｉｉ）に関して、【００２７】には「画像中に複数の電気設備が写されている場合、領域特定モデル１２ｂは複数の画像領域を特定する。この場合に領域特定部１１ｂは、特定された複数の画像領域に対して順位付けを行う。」、【００２８】には「領域抽出部１１ｃは、領域特定部１１ｂが特定した画像領域を、画像取得部１１ａが取得した画像（即ち、領域特定部１１ｂに対して入力された画像）から抽出する処理を行う。」、【００２９】には「調整部１１ｄは、領域抽出部１１ｃが抽出した画像領域に対して大きさを調整する処理を行う。」、との記載がある。
そうすると、上記記載から、領域特定モデル１２ｂにより特定された複数の電気設備に対応する画像領域に対して、領域特定部１１ｂにより電気設備毎の画像領域の順位付けがなされて特定され、領域抽出部１１ｃによりこれら特定された画像領域を抽出し、調整部１１ｄによりこれらの画像領域に対して大きさを調整することがいえる。
また、上記（２）イにおいても示したが、【００５１】には、「なお領域特定モデル１２ｂは、画像領域の特定結果と共に、この特定結果の確信度を出力する。また領域特定モデル１２ｂは、異常の有無の判定結果と共に、この判定結果の確信度を出力する。サーバ装置１は、領域特定モデル１２ｂが出力するこれらの情報に基づいて、電気設備が含まれる画像領域の最終的な特定を行う。例えば、サーバ装置１は、領域特定モデル１２ｂが出力した特定結果の確信度が低い場合、又は、異常有無の判定結果の確信度が低い場合等には、領域特定モデル１２ｂが出力した画像領域の特定結果を破棄して次段の処理を行わなくてもよい。また領域特定モデル１２ｂが複数の画像領域を特定した場合、サーバ装置１は、領域特定モデル１２ｂが出力する情報に基づいて、画像領域の順位付けを行う。」との記載があり、第１の学習済モデルが各電気設備の画像領域の特定結果の確信度を出力するものであること、この確信度を比較して、電気設備毎の画像領域を順位付けすることで、所定数の画像領域を特定すること、が読み取れる。
そうすると、領域特定部１１ｂにより特定された画像領域は、電気設備毎の画像領域を順位付けすることで、所定数の画像領域として特定されたものであるといえる。
以上のことから、上記ア（ｖｉ）、（ｖｉｉ）、（ｖｉｉｉ）に関する事項は、願書に添付した明細書中の発明の詳細な説明に裏付けられているといえる。

最後に、訂正事項４のうち、上記ア（ｉｘ）に関して、【００３０】には「異常判定部１１ｅは、調整部１１ｄが大きさを調整した画像領域を異常判定モデル１２ｃへ入力し、電気設備の異常の有無の判定結果を得る。」、【００３１】には「領域抽出部１１ｃが複数の画像領域を抽出した場合、異常判定部１１ｅは、領域特定部１１ｂが付した順位に従って複数の画像領域を異常判定モデル１２ｃへ入力し、複数の判定結果を得る。」という記載があり、異常判定部１１ｅは、上記ア（ｖｉｉｉ）の調整部が大きさを調整した画像領域を、特定した順位に従って前記第２の学習済モデルへ入力するものといえる。
したがって、上記ア（ｉｘ）に関する事項は願書に添付した明細書中の発明の詳細な説明に裏付けられているといえる。

以上を総合すると、訂正事項４は、特許法第120条の5第9項で準用する特許法第126条第5項の規定に適合するものである。

ウ 実質上特許請求の範囲を拡張し、又は変更する訂正ではないこと
上記アから明らかなように、訂正事項４に係る訂正のうち上記（ｖｉ）ないし（ｉｘ）は、発明特定事項を限定するものであって、カテゴリーや対象、目的を変更するものではなく、実質上特許請求の範囲を拡張し、又は変更するものには該当せず、特許法第120条の5第9項で準用する特許法第126条第6項の規定に適合するものである。
加えて、訂正事項４に係る訂正のうち上記（ｖ）は、「他の請求項の記載を引用する請求項の記載を当該他の請求項の記載を引用しないものとすること」を目的とする訂正であるところ、訂正事項４は、上記（ｖｉ）ないし（ｉｘ）を除き、請求項間の引用関係を解消する以外に何ら実質的な内容の変更を伴うものではないから、特許法第120条の5第9項で準用する特許法第126条第6項の規定に適合するものである。

以上を総合すると、訂正事項４は、特許法第120条の5第9項で準用する特許法第126条第6項の規定に適合するものである。

（６）訂正事項５
ア 訂正の目的
訂正事項５は、訂正前の請求項７に対して「取得した画像に含まれる電気設備それぞれに対応する画像領域を順位付けして特定し、順位付した順位に従って、特定された複数の画像領域を第２の学習済モデルへ入力するものであり、当該順位付けは、取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う」という事項を追加することで、特許請求の範囲を減縮しようとするものであり、当該訂正事項５は、訂正前の請求項７について、特許法第120条の5第2項ただし書第１号に掲げる「特許請求の範囲の減縮」を目的とするものである。

イ 願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内の訂正であること
訂正事項５に関して、【請求項３】には「前記特定部は、前記取得部が取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、前記判定部は、前記特定部が付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力する」、【請求項５】には「前記特定部は、前記取得部が取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う」という記載があり、また、【００２７】には「画像中に複数の電気設備が写されている場合、領域特定モデル１２ｂは複数の画像領域を特定する。この場合に領域特定部１１ｂは、特定された複数の画像領域に対して順位付けを行う。」、「領域特定部１１ｂは、異常があると判定された電気設備に対応する画像領域に対して所定の位置関係にある画像領域、例えば一列に並んだ連続的な画像領域に、異常ありの画像領域に次ぐ高順位を付す。」、【００２８】には「領域抽出部１１ｃは、領域特定部１１ｂが特定した画像領域を、画像取得部１１ａが取得した画像（即ち、領域特定部１１ｂに対して入力された画像）から抽出する処理を行う。」、【００３１】には「領域抽出部１１ｃが複数の画像領域を抽出した場合、異常判定部１１ｅは、領域特定部１１ｂが付した順位に従って複数の画像領域を異常判定モデル１２ｃへ入力し、複数の判定結果を得る。」という記載があることから、訂正事項５は、願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内の訂正であり、特許法第120条の5第9項で準用する特許法第126条第5項の規定に適合するものである。

ウ 実質上特許請求の範囲を拡張し、又は変更する訂正ではないこと
上記アから明らかなように、訂正事項５に係る訂正は、発明特定事項を限定するものであって、カテゴリーや対象、目的を変更するものではなく、実質上特許請求の範囲を拡張し、又は変更するものには該当せず、特許法第120条の5第9項で準用する特許法第126条第6項の規定に適合するものである。

（７）訂正事項６
ア 訂正の目的
訂正事項６は、訂正事項５と同様に、訂正前の請求項８に対して、「取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、順位付した順位に従って、特定された複数の画像領域を第２の学習済モデルへ入力するものであり、当該順位付けは、取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う」という事項を追加することで、特許請求の範囲を減縮しようとするものであり、当該訂正事項６は、訂正前の請求項８について、特許法第120条の5第2項ただし書第１号に掲げる「特許請求の範囲の減縮」を目的とするものである。

イ 願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内の訂正であること
訂正事項６に関しては、訂正事項５と同様に、【請求項３】、【請求項５】、【００２７】、【００２８】、【００３１】の記載があることから、願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内の訂正であり、特許法第120条の5第9項で準用する特許法第126条第5項の規定に適合するものである。

ウ 実質上特許請求の範囲を拡張し、又は変更する訂正ではないこと
上記アから明らかなように、訂正事項６に係る訂正は、発明特定事項を限定するものであって、カテゴリーや対象、目的を変更するものではなく、実質上特許請求の範囲を拡張し、又は変更するものには該当せず、特許法第120条の5第9項で準用する特許法第126条第6項の規定に適合するものである。

（８）訂正事項７
ア 訂正の目的
訂正事項７は、訂正前の請求項９の
（ｘ）「第１の学習済モデルを用いて、取得した画像から前記画像領域を特定し」を、「第１の学習済モデルを用いて、取得した画像に含まれる複数の電気設備それぞれに対応する前記画像領域を、複数の画像領域の位置関係に基づいて順位付けして特定し」と訂正すること、
（ｘｉ）「特定した前記画像領域」を「順位付けされて特定した前記画像領域」と訂正し、「前記画像領域及び」を「順位付けされた前記画像領域及び」と訂正すること、
（ｘｉｉ）「教師データに基づいて、入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデル」を「教師データに基づいて、前記第１の学習済みモデルによる特定結果から順位付けされて特定された複数の画像領域を前記順位に従って入力した場合に、入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデル」と訂正すること、
により、
（ｘ’）第１の学習済モデルを用いて、取得した画像に含まれる複数の電気設備それぞれに対応する前記画像領域を、複数の画像領域の位置関係に基づいて順位付けして特定し、順位付けされた順に特定した前記画像領域を取得した画像から抽出すること、
（ｘｉ’）「（特定した）前記画像領域」が順位付けされたものであること、
（ｘｉｉ’）第２の学習済モデルは「前記第１の学習済みモデルによる特定結果から順位付けされて特定された複数の画像領域を前記順位に従って入力した場合に」判定結果を生成するものであること、
を特定する事項を追加することで、特許請求の範囲を減縮しようとするものであり、当該訂正事項７は、訂正前の請求項９について、特許法第120条の5第2項ただし書第１号に掲げる「特許請求の範囲の減縮」を目的とするものである。

イ 願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内の訂正であること
訂正事項７もまた訂正事項５と同様に、【請求項３】、【請求項５】、【００２７】、【００２８】、【００３１】の記載があることから、願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内の訂正であり、特許法第120条の5第9項で準用する特許法第126条第5項の規定に適合するものである。

ウ 実質上特許請求の範囲を拡張し、又は変更する訂正ではないこと
上記アから明らかなように、訂正事項７に係る訂正は、発明特定事項を限定するものであって、カテゴリーや対象、目的を変更するものではなく、実質上特許請求の範囲を拡張し、又は変更するものには該当せず、特許法第120条の5第9項で準用する特許法第126条第6項に適合するものである。

（９）別の訂正単位とする求め
訂正後の請求項５及び６については、上記訂正事項３、４のとおり、訂正を認めることから、一群の請求項〔１〜６〕の他の請求項〔１、２、３、４〕とは別途訂正することを認める。

（１０）訂正要件のむすび
以上のとおり、本件訂正請求の訂正事項１、５ないし７は、特許法第120条の5第2項ただし書第１号に規定する特許請求の範囲の減縮を目的としており、訂正事項２、３は、特許法第120条の5第2項ただし書第４号に規定する「他の請求項の記載を引用する請求項の記載を当該他の請求項の記載を引用しないものとすること」を目的としており、訂正事項４はその両者を目的としており、かつ、同条第４項、及び第９項で準用する同法第126条第5項及び第６項の規定に適合している。
また、訂正後の請求項５、６については、上記訂正事項３、４のとおり、訂正を認めることから、別の訂正単位とすることを認める。
したがって、特許請求の範囲の請求項の記載を、訂正事項１ないし７のとおり、訂正後の請求項〔１、２、３、４〕、５、６、７、８、９について訂正することを認める。

第３ 本件訂正発明
上記第２で示したとおり、本件訂正は適法になされたものであり、本件特許の請求項１ないし９に係る発明（以下、「本件訂正発明１ないし９」という。）は、それぞれ、本件訂正請求書により訂正された特許請求の範囲の請求項１ないし９に記載された次の事項により特定される以下のとおりのものである。
ここで、本件訂正発明１ないし９の各構成には、ＡないしＲ、Ａ２ないしＤ２、Ｂ６、Ａ７ないしＥ７、Ｈ７、Ｉ７、Ｎ７、Ａ８ないしＤ８、Ｈ８、Ｉ８、Ｎ８、ＳないしＸの符号を当審において付した。以下、構成Ａないし構成Ｘ等という。

「【請求項１】
Ａ 電気設備に関する複数の機材を含む画像を取得する取得部と、
Ｂ 複数の機材を含む画像と、各機材の領域とを含む教師データに基づき畳み込み層を用いて深層学習されており入力された複数の機材を含む画像に含まれる各機材に対応する画像領域を特定した特定結果及び各機材の画像領域の特定結果の確信度を出力する第１の学習済モデルを用いて、前記取得部が取得した複数の機材を含む画像から、特定済みの機材毎の画像領域の確信度同士を比較して機材毎の画像領域を順位付けすることにより、各機材に対応する所定数の前記画像領域を特定する特定部と、
Ｃ 前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
Ｄ 入力された画像領域に含まれる機材の状態を判定した判定結果を出力する第２の学習済モデルに、前記抽出部が抽出した各機材に対応する画像領域を特定した順位に従って順次入力して各機材の状態を判定する判定部と
Ｅ を備える、情報処理装置。

【請求項２】
Ａ２ 電気設備を含む画像を取得する取得部と、
Ｂ２ 入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部と、
Ｃ２ 前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
Ｄ２ 入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部と
を備え、
Ｆ 前記特定部は、画像領域に電気設備が含まれていることに係る確信度、及び、前記画像領域に含まれる前記電気設備の状態に係る確信度に基づいて、前記画像領域を特定する、
Ｇ 情報処理装置。

【請求項３】
Ｈ 前記特定部は、前記取得部が取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
Ｉ 前記判定部は、前記特定部が付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力する、
Ｊ 請求項１又は請求項２に記載の情報処理装置。

【請求項４】
Ｋ 前記第１の学習済モデルは、画像領域の特定結果の確信度を出力し、
Ｌ 前記特定部は、各画像領域の確信度に基づいて順位付けを行う、
Ｍ 請求項３に記載の情報処理装置。

【請求項５】
Ａ２ 電気設備を含む画像を取得する取得部と、
Ｂ２ 入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部と、
Ｃ２ 前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
Ｄ２ 入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部と
を備え、
Ｈ 前記特定部は、前記取得部が取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
Ｉ 前記判定部は、前記特定部が付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力し、
Ｎ 前記特定部は、前記取得部が取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う、
Ｏ 情報処理装置。

【請求項６】
Ａ２ 電気設備を含む画像を取得する取得部と、
Ｂ６ 入力された画像に含まれる複数の電気設備に対応する画像領域を特定した特定結果及び各電気設備の画像領域の特定結果の確信度を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から、特定済みの電気設備毎の画像領域の確信度同士を比較して電気設備毎の画像領域を順位付けすることにより所定数の前記画像領域を特定する特定部と、
Ｃ２ 前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
Ｄ２ 入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部と、
Ｐ 前記抽出部が抽出した電気設備毎の画像領域の順位付けがなされた所定数の画像領域の大きさを調整する調整部とを備え、
Ｑ 前記判定部は、前記調整部が大きさを調整した電気設備毎の画像領域の順位付けがなされた所定数の画像領域を特定した順位に従って前記第２の学習済モデルへ入力する、
Ｒ 情報処理装置。

【請求項７】
Ａ７ 電気設備を含む画像を取得し、
Ｂ７ 入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、取得した画像から前記画像領域を特定し、
Ｃ７ 特定した前記画像領域を取得した画像から抽出し、
Ｄ７ 入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、抽出した画像領域から前記電気設備の状態を判定し、
Ｈ７ 取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
Ｉ７ 順位付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力し、
Ｎ７ 取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う、
Ｅ７ 設備判定方法。

【請求項８】
（Ｅ８） コンピュータに、
Ａ８ 電気設備を含む画像を取得し、
Ｂ８ 入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、取得した画像から前記画像領域を特定し、
Ｃ８ 特定した前記画像領域を取得した画像から抽出し、
Ｄ８ 入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、抽出した画像領域から前記電気設備の状態を判定し、
Ｈ８ 取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
Ｉ８ 順位付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力し、
Ｎ８ 取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う処理を実行させる、
Ｅ８ コンピュータプログラム。

【請求項９】
Ｓ 電気設備を含む教師用画像を取得し、
Ｔ 入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、取得した画像に含まれる複数の電気設備それぞれに対応する前記画像領域を、複数の画像領域の位置関係に基づいて順位付けして特定し、
Ｕ 順位付けされて特定した前記画像領域を取得した画像から抽出し、
Ｖ 順位付けされた抽出した前記画像領域の大きさを調整し、
Ｗ 大きさを調整した抽出した前記画像領域及び該画像領域に含まれる電気設備の状態を対応付けた教師データに基づいて、前記第１の学習済みモデルによる特定結果から順位付けされ
て特定された複数の画像領域を前記順位に従って入力した場合に、入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを生成する、
Ｘ 学習済モデルの生成方法。」

第４ 取消理由通知（決定の予告）の要旨
令和３年８月１３日になされた先の訂正請求により訂正された特許請求の範囲の請求項１ないし９に係る特許（以下、それぞれ、「先の訂正後の請求項１」ないし「先の訂正後の請求項９」という。）に対して、当審が令和４年３月１１日付けで特許権者に通知した取消理由（決定の予告）の要旨は、次のとおりである。

（進歩性）先の訂正後の請求項１、３、４及び６並びに７、８に係る発明は、甲第１号証に記載された発明のうちの甲１発明１及び周知技術に基づいて、当業者が容易に発明することができたものであり、請求項１、３、４及び６並びに７、８に係る特許は特許法第29条第2項の規定に違反してされたものであり、同法第113条第2号の規定により取り消すべきものである。
また、先の訂正後の請求項９に係る発明は、甲第１号証に記載された発明のうちの甲１発明２及び周知技術に基づいて、当業者が容易に発明することができたものであり、請求項９に係る特許は特許法第29条第2項の規定に違反してされたものであり、同法第113条第2号の規定により取り消すべきものである。

甲第１号証：特開２０１８− ７４７５７号公報
甲第２号証：特開２０１８−１０７７５９号公報（周知技術を示す文献）
甲第４号証：特開２０１５−１１６９１６号公報（周知技術を示す文献）
甲第６号証：特開２０１９− ８４６０号公報（周知技術を示す文献）
甲第１２号証：Krizhevsky, A., et al., "ImageNet Classification with Deep Convolutional Neural Networks", Proc. of the 25th Int. Conf. on Neural Information Processing Systems, ２０１２年１２月，Vol.１（周知技術を示す文献）
甲第１３号証：Szegedy, C., et al., "Going deeper with convolutions", arXiv:1409.4842, ２０１４年９月（周知技術を示す文献）
甲第１７号証：特開２０１８−１７９７８６号公報（周知技術を示す文献）
甲第１８号証：特開２０１６− ６５８０９号公報（周知技術を示す文献）

第５ 特許異議申立時に提出された甲号証及び甲号証に記載された発明について

１ 甲第１号証について
（１）甲第１号証の記載事項
甲第１号証である特開２０１８−７４７５７号公報には次の記載がある。（なお、以降の下線は、強調のために当審で付したものである。以下同様。）

「【００１１】
以下、実施形態について図面を参照して説明する。
図１及び図２は、本実施形態における巡視点検システム１の構成を示すブロック図である。本実施形態における巡視点検システム１は、例えば発電所や変電所から送電するための送電設備（送電線、鉄塔）１７について、通常時あるいは事故発生時において航空機、例えば無人航空機（以下、ドローン１４と称する）を利用して、巡視点検するためのシステムである。巡視点検システム１は、ドローン１４と、ドローン１４に搭載されたカメラにより撮影された画像データをもとに、送電設備１７に含まれる複数の異なる被点検物（例えば、架空地線、送電線、碍子、閃絡表示器、アークホーン、鉄塔、鉄塔基礎コンクリートなど）に生じた異常箇所を検出し、この検出結果を巡視点検結果報告として記録する巡視点検制御システム２により構成される。本実施形態では、巡視点検制御システム２は、例えば情報処理装置１０とネットワーク１５を介して接続される管理装置１２により構成する。ただし、巡視点検制御システム２を１つの装置として実現することも可能である。また、管理装置１２は、クラウドコンピューティングにより実現されるものとし、ネットワーク１５（インターネット）を介して接続された１台のサーバ、あるいは複数のサーバが協働して動作することで実現されても良い。
・・・
【００１４】
ドローン１４は、情報処理装置１０により設定される送電設備１７を巡回するためのフライトプラン（飛行制御データ）をもとに、ＧＮＳＳ（Global Navigation Satellite System））を利用して生成される位置データ等、例えばＧＰＳ（Global Positioning System）衛星１６から受信されるＧＰＳ信号から生成する位置データ等を利用して自律飛行し、巡視点検対象とする送電設備１７を撮影して画像データを記憶する。」

「【００２３】
図４は、本実施形態における情報処理装置１０において、プロセッサ１０ａにより巡視点検制御プログラムを実行することにより実現される機能構成を示すブロック図である。
【００２４】
情報処理装置１０は、巡視点検制御プログラムに基づいて、例えば航行管理部２０、取得データ整理管理部２１、巡視点検管理部２２の機能を実現する。
・・・
【００２８】
取得データ整理管理部２１は、ドローン１４から取得される取得データ（画像データ（動画像、静止画像）、位置データ等を含む）の整理／管理をするもので、学習モデル記憶部２１ａ、検出対象指示入力部２１ｂ、異常箇所検出部２１ｃ、取得データ記憶部２１ｄ、画像確認部２１ｅ、異常箇所表示部２１ｆ、異常箇所記憶部２１ｇ、確認指示入力部２１ｈ、確認データ記憶部２１ｋ、及び異常箇所画像データ記憶部２１ｍを含む。
・・・
【００３１】
異常箇所検出部２１ｃは、取得データ記憶部２１ｄに記憶された取得データから、学習モデル２１ａに記憶された学習モデル（被点検物の異常箇所の特徴）をもとにした画像処理により、検出対象指示入力部２１ｂにより入力された検出対象の指示に応じた異常箇所を検出する。」

「【００５５】
図７は、本実施形態における管理装置１２において、プロセッサにより学習モデル生成プログラムを実行することにより実現される機能構成を示すブロック図である。
管理装置１２は、学習モデル生成プログラムに基づいて、データ記憶部４０ａ（異常箇所画像データ４０ｂ、学習用画像データ４０ｃ、教示メタデータ４０ｄ、検証画像データ４０ｅ）、学習画像読み込み部４０ｆ、教示メタデータ読み込み部４０ｇ、エッジ切り出し部４０ｈ、隣接正常画像探索部４０ｋ、正常画像／異常画像組み合わせ制御部４０ｍ、類似画像生成部４０ｎ、学習済みモデル管理部４０ｐ、検証画像読み込み部４０ｑ、推論実施部４０ｒ、指標／条件関連記憶部４０ｓ、関連対応部４０ｔ、問い合わせ部４０ｕ、学習モデル記憶部４０ｖの機能を実現する。
【００５６】
次に、管理装置１２により学習モデルを生成する学習モデル生成処理について説明する。図８は、本実施形態における管理装置１２により実行される学習モデル生成処理を説明するためのフローチャートである。以下の説明では、送電設備１７に含まれる架空地線あるいは送電線に生じるアーク痕を検出対象とする異常箇所とし、この異常箇所を検出するための学習モデルを生成する場合を例にして説明する。他の被点検物に生じる異常箇所を検出するための学習モデルについても同様にして、それぞれの被点検物の異常箇所に応じた学習モデルが生成されるものとして詳細な説明を省略する。」

「【００５９】
異常箇所画像データ４０ｂは、情報処理装置１０及びドローン１４を用いて、実際に被点検物に対する巡視点検をすることより取得された異常箇所の実画像データである。異常箇所画像データ４０ｂは、ドローン１４により撮影された画像データから、異常箇所であること及び異常種類が作業員等によって確認された画像データが用いられる。
【００６０】
学習用画像データ４０ｃは、擬似的に付加した異常／劣化の状態を撮影した学習用疑似画像データである。学習用画像データ４０ｃは、例えば、素線が切れた状態、送電線に炭がついた状態、炭がとれて送電線が光った（光沢）状態などを工具等で送電線に対して付加し、この送電線を撮影することにより生成される。
【００６１】
教示メタデータ４０ｄは、異常箇所画像データ４０ｂ及び学習用画像データ４０ｃに対して作業員等の操作により指示（教示）された、類似画像（学習モデル）を生成するために必要なデータである。教示メタデータ４０ｄには、例えば画像中の被点検物を含む領域、異常箇所に相当する部分（異常画像）を含む領域、異常／劣化（異常種類）等の種別、検出対象と区別する領域（処理対象外とする領域）などを示すデータが含まれる。」

「【００６８】
エッジ切り出し部４０ｈは、学習画像読み込み部４０ｆにより読み込まれた学習用画像データ４０ｃに対して、教示メタデータ読み込み部４０ｇにより読み出された教示メタデータ４０ｄを利用し、例えばエッジ検出の画像処理手法を用いて送電線の輪郭を切り出す（ステップＡ２）。すなわち、エッジ切り出し部４０ｈは、教示メタデータ４０ｄが示す学習用画像中の送電線の全体を含む領域から送電線に相当する領域を切り出す。」

「【００７０】
次に、隣接正常画像探索部４０ｋは、教示メタデータ４０ｄが示す異常箇所に相当する領域、すなわちアーク痕等の異常箇所の部分（異常画像領域）を設定し（ステップＡ３）、異常画像領域をもとに被点検物の画像（送電線輪郭内）中の異常画像の周辺にある複数の正常画像領域を探索する（ステップＡ４）。」

「【００７５】
図１０では、前述した優先度に従って、異常画像の領域５６の左下あるいは右上に位置する正常画像の領域５８が探索された例を示している。図１１では、前述した優先度に従って、異常画像の領域５６の左、下に正常画像の領域５８が探索され、さらに探索された領域５８の左に隣接する正常画像の領域５８が探索されている。
なお、図９〜図１１に示す例では、領域５６，５８を正方形として説明しているが長方形であっても良い。また、隣接正常画像探索部４０ｋは、被点検物（送電線５０）の画像から抽出可能な全ての正常画像を抽出しても良いし、正常画像／異常画像組み合わせ制御部４０ｍの処理において必要とする予め決められた枚数分としても良い。
・・・
【００７７】
類似画像生成部４０ｎは、ニューラルネットワークを活用したディープラーニング（深層学習）の技術を利用し、正常画像／異常画像組み合わせ制御部４０ｍにより設定された正常画像と異常画像とを組み合わせる割合に応じて、隣接正常画像探索部４０ｋにより探索された複数の正常画像と、教示メタデータ４０ｄが示す異常画像とを組み合わせ（ステップＡ６）、被点検物に生じる異常／劣化の状態を表す疑似画像（類似画像）を生成する（ステップＡ７）。正常画像と異常画像を組み合わせた疑似画像は、例えば既存の画像処理方法を用いて生成することができる。」

「【００８２】
学習済みモデル管理部４０ｐは、類似画像生成部４０ｎにより生成された正常画像と異常画像の割合別の類似画像を学習する（ステップＡ９）。すなわち、学習済みモデル管理部４０ｐは、ディープラーニングにより生成された類似画像を、類似画像を生成した条件、例えば異常画像と正常画像とを組み合わせた割合などの条件（生成画像条件）と対応づけて、学習モデル記憶部４０ｖに記憶／管理する。
・・・
【００８４】
学習済みモデル管理部４０ｐにより類似画像（学習モデル）が学習されると、推論実施部４０ｒは、検証画像読み込み部４０ｑによってデータ記憶部４０ａから検証画像データ４０ｅを読み込ませ（ステップＡ１０）、検証画像データ４０ｅ（検証画像）に対する学習モデルを用いた認証の精度（認識精度）を表す指標を推論する（ステップＡ１１）。すなわち、学習済みモデル管理部４０ｐは、例えば異常箇所を含む画像と異常箇所を含まない画像とが混在する複数の検証画像に対して、検証画像に含まれる異常箇所の異常種類に対して生成された学習モデルを用いて異常箇所の検出（認証）処理を実行する。ここで、推論実施部４０ｒは、類似画像を生成した生成画像条件（異常画像と正常画像とを組み合わせた割合）が異なる学習モデルのそれぞれを用いて、異常箇所の検出（認証）処理を実行することで、生成画像条件別の認証精度の指標を推論する。」

「【００９７】
このようにして、本実施形態における管理装置１２では、異常/劣化等の検出対象とする異常画像とその画像の近傍の正常画像とを用いて、ディープラーニング（深層学習）の技術を利用して類似画像を効率的に精度良く自動生成し、情報処理装置１０における異常箇所検出処理に用いる学習モデルを生成することができる。」

「【０１０７】
図１８、図１９及び図２０には、送電設備１７に設けられる被点検物の一例を示している。図１８は、１つの鉄塔１７ａを示している。鉄塔１７ａには、通常、架空地線１７ｂ、３本の送電線１７ｃ，１７ｄ，１７ｅが架設されている。送電線１７ｃ，１７ｄ，１７ｅは、それぞれ碍子１７ｈを介して、鉄塔１７ａに架設されている。図１９は、碍子１７ｈの一例を示している。碍子１７ｈには、鉄塔１７ａに落雷があった場合に、碍子１７ｈが破壊されるのを防ぐためにアークホーン１７ｇが設けられている。また、鉄塔１７ａには、鉄塔１７ａあるいは架空地線１７ｂに落雷があった場合に、落雷があったことを通知するための閃絡表示器１７ｆが装着されている。図２０には、閃絡表示器１７ｆの一例を示している。図２０（Ａ）は、通常時の閃絡表示器１７ｆの状態を示し、図２０（Ｂ）は、鉄塔１７ａに落雷があった場合の閃絡表示器１７ｆを示している。図２０（Ｂ）に示すように、閃絡表示器１７ｆは、鉄塔１７ａあるいは架空地線１７ｂに落雷があった場合、鉄塔１７ａに流れる電流により表示器本体１７ｆ１から蓋１７ｆ２が開き、内部に収納されていた表示布１７ｆ３が露出される。
【０１０８】
管理装置１２では、前述した送電線に生じる異常状態に対する学習モデルと同様にして、アークホーン１７ｇ、碍子１７ｈ、閃絡表示器１７ｆに対する学習モデルを作成することで、これらの被点検物についても、ドローン１４により撮影される画像から検出することができる。例えば、アークホーン１７ｇについては、落雷によって生じるアーク痕を検出可能な学習モデルが生成される。碍子１７ｈについては、落雷によって生じる破損（亀裂）を検出可能な学習モデルが生成される。」

「【０１２０】
例えば、全てボタン７１が選択された場合、異常箇所検出部２１ｃは、指定された巡回／点検ルートにおいてドローン１４により撮影される全ての被点検物を検査対象として、全ての被点検物のそれぞれを検出するための学習モデルを設定する（ステップＣ３）。
【０１２１】
同様にして、例えばアーク痕ボタン７２が選択された場合、異常箇所検出部２１ｃは、アーク痕（素線切れ、炭付着、光沢の各カテゴリを含む）を検出対象として、アーク痕（素線切れ、炭付着、光沢）を検出するための学習モデルを設定する（ステップＣ３）。」

「【０１２６】
図２６は、本実施形態における異常箇所検出処理を示すフローチャートである。
異常箇所検出部２１ｃは、取得データ記憶部２１ｄに記憶された取得データの動画像データから既存の画像処理により被点検物に相当する領域を検出し、その領域から異常画像候補領域を検出する。すなわち、被点検物において周囲と異なる状態（形状、色等）にある異常箇所の可能性がある部分を検出する。異常箇所検出部２１ｃは、異常画像候補領域の画像データについて、被点検物に生じる異常種類の特徴を示す学習モデルを用いて、検出対象とする異常種類に相当する画像であるかを判定する（ステップＤ２）。」

（２）甲１発明
上記（１）の記載事項から、甲第１号証には、以下の発明（以下、「甲１発明１」、「甲１発明２」という。以下、これらを総称して「甲１発明」という。）が記載されているものと認められる。（甲１発明１の各構成には、ａ１ないしｆ１の符号を、甲１発明２の各構成には、ａ２ないしｋ２の符号を、それぞれ、当審において付した。以下、「構成ａ１」ないし「構成ｆ１」等という。また、各構成の末尾に、対応する記載事項の段落番号を付した。）。

（甲１発明１）
ａ１ ドローン１４と、ドローン１４に搭載されたカメラにより撮影された画像データをもとに、送電設備１７に含まれる複数の異なる被点検物（例えば、架空地線、送電線、碍子、閃絡表示器、アークホーン、鉄塔など）に生じた異常箇所を検出し、この検出結果を巡視点検結果報告として記録する巡視点検制御システム２により構成される巡視点検システム１であって、（【００１１】）、
ｂ１ 巡視点検制御システム２は、情報処理装置１０と、ネットワーク１５を介して接続される管理装置１２により構成され（【００１１】）、
ｃ１ 情報処理装置１０は、巡視点検制御プログラムに基づいて、取得データ整理管理部２１の機能を実現するものであり（【００２４】）、
ｄ１ ドローン１４は、巡視点検対象とする送電設備１７を撮影して画像データを記憶し（【００１４】）、ここで、送電設備１７に設けられる被点検物の一例として、鉄塔１７ａが示されており、鉄塔１７ａには、通常、架空地線１７ｂ、３本の送電線１７ｃ，１７ｄ，１７ｅが架設され、送電線１７ｃ，１７ｄ，１７ｅは、それぞれ碍子１７ｈを介して、鉄塔１７ａに架設されて、碍子１７ｈには、鉄塔１７ａに落雷があった場合に、碍子１７ｈが破壊されるのを防ぐためにアークホーン１７ｇが設けられ、鉄塔１７ａあるいは架空地線１７ｂに落雷があった場合に、落雷があったことを通知するための閃絡表示器１７ｆが装着され、（【０１０７】）
ｅ１ 取得データ整理管理部２１は、ドローン１４から取得される取得データ（画像データ（動画像、静止画像）、位置データ等を含む）の整理／管理をするもので、学習モデル記憶部２１ａ、検出対象指示入力部２１ｂ、異常箇所検出部２１ｃ、取得データ記憶部２１ｄを含むものであり（【００２８】）、
ｆ１ 異常箇所検出部２１ｃは、取得データ記憶部２１ｄに記憶された取得データから、学習モデル２１ａに記憶された学習モデル（被点検物の異常箇所の特徴）をもとにした画像処理により、検出対象指示入力部２１ｂにより入力された検出対象の指示に応じた異常箇所を検出するものであり（【００３１】）、例えば、撮影される全ての被点検物を検査対象として、全ての被点検物のそれぞれを検出するための学習モデルを設定し（【０１２０】）、取得データ記憶部２１ｄに記憶された取得データの動画像データから既存の画像処理により被点検物に相当する領域を検出し、その領域から被点検物において周囲と異なる状態（形状、色等）にある異常箇所の可能性がある部分である異常画像候補領域を検出し、異常画像候補領域の画像データについて、被点検物に生じる異常種類の特徴を示す学習モデルを用いて、検出対象とする異常種類に相当する画像であるかを判定する（【０１２６】）ものであり、管理装置１２では、これらの被点検物について、ドローン１４により撮影される画像から検出することができるように、例えば、アークホーン１７ｇについては、落雷によって生じるアーク痕を検出可能な学習モデルが、碍子１７ｈについては、落雷によって生じる破損（亀裂）を検出可能な学習モデルが、生成される（【０１０８】）
ａ１ 巡視点検システム１。

（甲１発明２）
ａ２ 学習モデル生成プログラムに基づいて、データ記憶部４０ａ（異常箇所画像データ４０ｂ、学習用画像データ４０ｃ、教示メタデータ４０ｄ、検証画像データ４０ｅ）、学習画像読み込み部４０ｆ、教示メタデータ読み込み部４０ｇ、エッジ切り出し部４０ｈ、隣接正常画像探索部４０ｋ、正常画像／異常画像組み合わせ制御部４０ｍ、類似画像生成部４０ｎ、学習モデル記憶部４０ｖの機能を実現する管理装置１２により、送電設備１７に含まれる架空地線あるいは送電線に生じるアーク痕を検出対象とする異常箇所とし、この異常箇所を検出するための学習モデルを生成する学習モデル生成処理であって（【００５５】、【００５６】）、
ｂ２ ドローン１４は、巡視点検対象とする送電設備１７を撮影して画像データを記憶し（【００１４】）、
ｃ２ 異常箇所画像データ４０ｂは、ドローン１４を用いて、被点検物に対する巡視点検をすることにより取得された異常箇所の実画像データであり、ドローン１４により撮影された画像データから、異常箇所であること及び異常種類が作業員等によって確認された画像データが用いられ（【００５９】）、
ｄ２ 学習用画像データ４０ｃは、擬似的に付加した異常／劣化の状態を撮影した学習用疑似画像データであり、素線が切れた状態、送電線に炭がついた状態、炭がとれて送電線が光った（光沢）状態などを工具等で送電線に対して付加し、この送電線を撮影することにより生成され、（【００６０】）
ｅ２ 教示メタデータ４０ｄは、異常箇所画像データ４０ｂ及び学習用画像データ４０ｃに対して作業員等の操作により指示（教示）された、類似画像（学習モデル）を生成するために必要なデータであって、画像中の被点検物を含む領域、異常箇所に相当する部分（異常画像）を含む領域、異常／劣化（異常種類）等の種別、検出対象と区別する領域（処理対象外とする領域）などを示すデータが含まれ（【００６１】）、
ｆ２ エッジ切り出し部４０ｈは、学習画像読み込み部４０ｆにより読み込まれた学習用画像データ４０ｃに対して、教示メタデータ読み込み部４０ｇにより読み出された教示メタデータ４０ｄを利用し、エッジ検出の画像処理手法を用いて送電線の輪郭を切り出し、すなわち、学習用画像中の送電線の全体を含む領域から送電線に相当する領域を切り出し（【００６８】）、
ｇ２ 隣接正常画像探索部４０ｋは、教示メタデータ４０ｄが示す異常画像領域を設定し、異常画像領域をもとに被点検物の画像（送電線輪郭内）中の異常画像の周辺にある複数の正常画像領域を探索し、被点検物の画像から抽出可能な正常画像を抽出し（【００７０】、【００７５】）、
ｈ２ 類似画像生成部４０ｎは、隣接正常画像探索部４０ｋにより探索された複数の正常画像と、教示メタデータ４０ｄが示す異常画像とを組み合わせ、被点検物に生じる異常／劣化の状態を表す疑似画像（類似画像）を生成し（【００７７】）、
ｉ２ 学習済みモデル管理部４０ｐは、類似画像生成部４０ｎにより生成された正常画像と異常画像の割合別の類似画像を学習する、すなわち、生成された類似画像を、類似画像を生成した条件と対応づけて、学習モデル記憶部４０ｖに記憶／管理し（【００８２】）、学習済みモデル管理部４０ｐにより類似画像（学習モデル）が学習され（【００８４】）、
ｊ２ 学習済みモデル管理部４０ｐは、異常箇所を含む画像と異常箇所を含まない画像とが混在する複数の検証画像に対して、検証画像に含まれる異常箇所の異常種類に対して生成された学習モデルを用いて異常箇所の検出（認証）処理を実行する（【００８４】）ことで、
ｋ２ 管理装置１２では、異常/劣化等の検出対象とする異常画像とその画像の近傍の正常画像とを用いて、ディープラーニング（深層学習）の技術を利用して類似画像を効率的に精度良く自動生成し、情報処理装置１０における異常箇所検出処理に用いる学習モデルを生成する（【００９７】）ものであり、被点検物について、ドローン１４により撮影される画像から検出することができるように、例えば、アークホーン１７ｇについては、落雷によって生じるアーク痕を検出可能な学習モデルが、碍子１７ｈについては、落雷によって生じる破損（亀裂）を検出可能な学習モデルが、生成される（【０１０８】）
ａ２ 学習モデル生成処理。

２ 甲第２号証について
（１）甲第２号証の記載事項
甲第２号証である特開２０１８−１０７７５９号公報には次の記載がある。

「【００３８】
（画像処理装置の構成）
以上、本実施形態に係る画像処理システム１０００の全体構成について説明した。つづいて、画像処理装置１の詳細な構成について説明する。画像処理装置１は、図４に示すように画像読出し部１０、第１の信号処理部１０１、第２の信号処理部１０２、及び認識器記憶部１０３を備える。」

「【００５６】
例えば、画像読出し部１０は、第１の信号処理部１０１から、画像読出し部１０における注目領域を指定する領域指定信号を受け取り、当該領域指定信号に基づいて指定される画素ブロック２３に含まれる画素に係るＡＤ変換を行って注目領域画像を出力してもよい。また、画像読出し部１０は、第１の信号処理部１０１が、複数の注目領域を検出した場合、当該複数の注目領域に対応する複数の注目領域画像を出力し得る。」

「【００６８】
なお、第１の信号処理部１０１による注目領域の特定方法は上記の例に限定されない。例えば、被写体の形状、または被写体の色の一致度を用いて特定する方法や、複数枚の画像を用いた時系列的な処理により、前フレームで抽出した注目領域の場所の情報を用いても良いし、被写体の動きから特定する方法が採用されてもよい。また、第１の信号処理部１０１は、機械学習に基づく被写体（物体）検出により、注目領域を特定してもよく、例えば被写体検出により検出される所定の種別の被写体（例えば人、顔、車両等）の写る領域を、注目領域として特定してもよい。」

（２）甲２技術
上記（１）の記載事項から、甲第２号証には、以下の技術（以下、「甲２技術」という。）が記載されているといえる。

「画像読出し部１０、第１の信号処理部１０１を備える画像処理装置１において、（【００３８】）
画像読出し部１０は、第１の信号処理部１０１から、画像読出し部１０における注目領域を指定する領域指定信号を受け取るものであり、(【００５６】)
第１の信号処理部１０１が、複数の注目領域を検出した場合、当該複数の注目領域に対応する複数の注目領域画像を出力し得るものであって、（【００５６】）
第１の信号処理部１０１は、機械学習に基づく被写体（物体)検出により、注目領域を特定してもよい（【００６８】）という技術。」

３ 甲第３号証について
（１）甲第３号証の記載事項
甲第３号証である特開２０１４−１２６３６１号公報には以下の記載がある。

「【０００２】
剛体架線の設置状況を車両進行方向に対し側面から見た概略図を図１２に示す。当該図に示すように、剛体架線２２及び支持碍子１５は、主に地下鉄やトンネル内で使用され、天井１７に吊り下げられた吊り金具１４に対し、ボルト１６によって固定されている。以下、吊り金具１４、支持碍子１５及びボルト１６を纏めて支持部品と呼称する場合もある。」

「【００１１】
そこで本発明は、画像処理により、吊り金具に支持碍子及び剛体架線をそれぞれ固定するボルトの有無を検査する、剛体架線の支持部品検査装置を提供することを目的とする。」

「【００３０】
支持部品検査部１１では、まず画像データから支持碍子１５を検出し、さらに支持碍子１５の位置から各ボルト１６の位置を推定し、それぞれの支持碍子１５の位置における各ボルト１６の有無を検査する。」

「【００３７】
支持碍子１５の検出には、支持碍子１５を囲む領域の輝度勾配方向のヒストグラム（以下、輝度勾配方向ヒストグラムと記載）を特徴量として構築したアダブーストによる識別器を用いる（非特許文献１参照）。」

「【００５５】
ステップＳ１７では、上記ステップＳ１３で構築した学習サンプル画像集の輝度勾配方向ヒストグラムによる識別器に基づき、支持碍子検出用輝度勾配方向ヒストグラムを識別することで、画像上の支持碍子５５が存在するか否かを判別する。画像上の支持碍子５５が存在する場合は終了となり、画像上の支持碍子５５が存在しない場合はステップＳ１８に移行する。」

「【００８６】
上述の識別器構築部３４では、処理設定部３１にて処理モードが識別器構築モードに設定された場合、学習サンプル画像集から求めた基準輝度勾配方向ヒストグラムに基づき、支持碍子１５とその他とを識別する識別器の構築を行う。すなわち、上記ステップＳ１３を行う。」

（２）甲３技術
上記（１）の記載事項から、甲第３号証には、以下の技術（以下、「甲３技術」という。）が記載されているといえる。

「支持碍子を固定するボルトの有無を検査する支持部品検査装置であって、画像から支持碍子を検出し、支持碍子の位置から各ボルトの位置を推定し、それぞれの支持碍子の位置における各ボルトの有無を検査するものであり、支持碍子の検出には識別器を用い、学習サンプル画像集の輝度勾配方向ヒストグラムによる識別子に基づき、画像上の支持碍子が存在するか否かを判別する、
すなわち支持碍子とその他を識別する識別器からなる支持部品検査装置についての技術。」

４ 甲第４号証について
（１）甲第４号証の記載事項
甲第４号証である特開２０１５−１１６９１６号公報には次の記載がある。

「【００２６】
（実施例１）基本的な考え方
本発明の目的は、車両前方に搭載したカメラの画像を基に電柱位置の検査を行う車両前方電柱位置検査装置を提供することである。
本発明の車両前方電柱位置検査装置の機器構成を図１に示す。
【００２７】
本発明の車両前方電柱位置検査装置は、車両１の先頭に設置して前方を撮影するカメラ２と、画像の保存や処理を行う検査用コントローラ３から構成する。
・・・
【００３１】
本発明による検査用コントローラ３は、カメラ２で撮影された画像に基づいて、電柱６，７が建築限界Ａの外にあるか否かを検査するものであり、図２０に示すよう、処理設定部１０、記憶部２０、前方画像撮影部３０、電柱検出部４０、電柱位置計測部５０、建築限界判断部６０、結果出力部７０より構成する。
・・・
【００３３】
電柱検出部４０では、処理パラメータや画像データなどの各種データ（撮影時キロ程データ、線路情報を含む）を入力し、画像上における電柱６，７の上頭部位置と電柱６，７を囲む矩形範囲位置を検出して電柱データとして保存する。」

「【００３６】
本発明の車両前方電柱位置検査は、図３に示す全体フローチャートに従い、以下のように実施する。
先ず、前方画像の撮影を行い（ステップＳ１）、次に、電柱検出を行い（ステップＳ２）、引き続き、電柱位置の計測を行い（ステップＳ３）、更に、建築限界Ａの判断を行う（ステップＳ４）。そして、処理を終了すべきか否か判定し（ステップＳ５）、処理を終了すべき時は、処理を終了し、そうでないときは、ステップＳ１からステップＳ４を繰り返す。
次に各手順について詳細に説明する。
【００３７】
＜ステップＳ１＞
ステップＳ１の「前方画像の撮影」は、図４に示すフローチャートに従い、主として、前方画像撮影部３０により、次の手順で実施する。
ステップＳ１１：カメラ２により前方の画像を撮影する。
ステップＳ１２：車載センサコントローラ４からキロ程情報を受け取る。
ステップＳ１３：撮影した画像とキロ程情報を対応付けて保存する。
このような手順によれば、線路９の左右方向の傾き及び前後方向の傾きをデータベースからキロ程情報を基に参照し、撮影時のカメラ２の傾き（姿勢）情報を得ることができる。
【００３８】
＜ステップＳ２＞
ステップＳ２の「電柱検出」は、図５に示すフローチャートに従い、主として、電柱検出部４０により、次の手順で実施する。
ステップＳ２１：画像上における電柱６，７の探索範囲Ｂを設定する。
ステップＳ２２：探索範囲Ｂ内において電柱６，７を囲む矩形範囲を検出する。
ステップＳ２３：電柱６，７の上頭部の画像上位置を求める。
ステップＳ２４：画像上の電柱６，７の上頭部位置と電柱６，７を囲む矩形範囲を保存する。
・・・
【００４１】
＜ステップＳ２２＞
ステップＳ２２の「電柱６，７を囲む矩形範囲を検出」は次の方法を用いる。
即ち、本発明による電柱位置の検出は、特開２０１２−２８４６０号と同様に識別器による対象物検出により実施する。
【００４２】
まず、図７に示すように、電柱６，７の部分画像Ｑ１と電柱以外の部分画像Ｑ２を多数用意し、これらの画像Ｑ１，Ｑ２により学習器４１を通じて電柱識別器４２を予め学習しておく。この電柱識別器４２の学習はオフラインで別途実施しておけば良い。」

（２）甲４技術
上記（１）の記載事項から、甲第４号証には、以下の技術（以下、「甲４技術」という。）が記載されているといえる。

「車両前方に搭載したカメラの画像を基に電柱位置の検査を行う車両前方電柱位置検査装置であって、車両１の先頭に設置して前方を撮影するカメラ２と、画像の保存や処理を行う検査用コントローラ３から構成され、（【００２６】、【００２７】）
検査用コントローラ３は、カメラ２で撮影された画像に基づいて、電柱６，７が建築限界Ａの外にあるか否かを検査するものであり、処理設定部１０、記憶部２０、前方画像撮影部３０、電柱検出部４０、電柱位置計測部５０、建築限界判断部６０、結果出力部７０より構成され、（【００３１】）
電柱検出部４０では、画像上における電柱６，７の上頭部位置と電柱６，７を囲む矩形範囲位置を検出して電柱データとして保存するものであり、（【００３３】）
車両前方電柱位置検査は、前方画像の撮影を行い（ステップＳ１）、次に、電柱検出を行い（ステップＳ２）、ステップＳ１の「前方画像の撮影」は、次の手順で実施する、すなわち、ステップＳ１１ではカメラ２により前方の画像を撮影するものであり、ステップＳ２の「電柱検出」は、電柱検出部４０により、次の手順で実施する、すなわち、ステップＳ２１では、画像上における電柱６，７の探索範囲Ｂを設定し、ステップＳ２２では、探索範囲Ｂ内において電柱６，７を囲む矩形範囲を検出し、ステップＳ２３では、電柱６，７の上頭部の画像上位置を求め、ステップＳ２４では、画像上の電柱６，７の上頭部位置と電柱６，７を囲む矩形範囲を保存するものであり、（【００３６】、【００３７】、【００３８】）
ステップＳ２２の「電柱６，７を囲む矩形範囲を検出」は識別器による対象物検出により実施するものであって、電柱６，７の部分画像Ｑ１と電柱以外の部分画像Ｑ２を多数用意し、これらの画像Ｑ１，Ｑ２により学習器４１を通じて電柱識別器４２を予め学習しておく（【００４１】、【００４２】）技術。」

５ 甲第５号証について
（１）甲第５号証の記載事項
甲第５号証である特開２０１４−１０６６８５号公報には以下の記載がある。

「【０００５】
上記した識別器は、種々の機械学習をさせることで、歩行者（人体）のみならず、動物、人工構造物等を識別可能である。ところが、これらの対象物を少なくとも含む、識別対象の画像領域（以下、識別対象領域）を抽出する場合、対象物の種類によって識別精度が異なる場合があった。これは、対象物の種類に応じて投影像の形状が異なるので、背景部の画像情報を取り込む割合が変化するためと考えられる。換言すれば、背景部の画像情報は、学習処理又は識別処理の際に、対象物の学習・識別精度を低下させる外乱因子（ノイズ情報）として作用する。」

「【００３６】
ステップＳ１１において、機械学習に供される学習データが収集される。ここで、学習データは、対象物を含む（又は含まない）学習サンプル画像と、この対象物の種類（「対象物無し」の属性を含む）とのデータセットである。対象物の種類として、例えば、人体、各種動物（具体的には、鹿、馬、羊、犬、猫等の哺乳動物、鳥類等）、人工構造物（具体的には、車両、標識、電柱、ガードレール、壁等）等が挙げられる。」

「【００５２】
ステップＳ１５において、ステップＳ１１で収集した多数の学習データを、識別器５０に対して遂次入力することで機械学習をさせる。以下、図７を参照しながら詳細に説明する。」

「【００７０】
ステップＳ２４において、演算部３０は、ステップＳ２３で決定された指定領域１２８内で、撮像画像Ｉｍのラスタスキャンを開始する。ここで、ラスタスキャンとは、基準位置１２０（撮像画像Ｉｍ内の画素）を所定の方向に移動させながら、対象物の有無を遂次識別する手法をいう。以下、識別対象領域決定部４２は、現在スキャン中の基準位置１２０、及び、基準位置１２０から特定される識別対象領域１２２の位置・サイズを遂次決定する。
【００７１】
ステップＳ２５において、対象物識別部４４は、決定された識別対象領域１２２内に、少なくとも１種類の対象物が存在するか否かを識別する。
【００７２】
図１３に示すように、対象物識別部４４は、機械学習を用いて生成された識別器５０（図７参照）である。重み付け演算器９４には、機械学習（図４のステップＳ１５）により得た、適切な重み付け係数αｆが予め設定されている。」

「【００９２】
以上のように、本発明に係る車両周辺監視装置１０は、車両１２に搭載され、車両１２の走行中に撮像することで車両１２の周辺における撮像画像Ｉｍを取得するカメラ１４と、取得された撮像画像Ｉｍの中から識別対象領域１２２、１２６を抽出する識別対象領域決定部４２と、抽出された識別対象領域１２２、１２６における画像特徴量から、識別対象領域１２２、１２６内に対象物（例えば、横断歩行者６４）が存在するか否かを対象物の種類毎に識別する対象物識別部４４とを備える。対象物識別部４４は、画像特徴量としての特徴データ群を入力とし対象物の存否情報を出力とする、機械学習を用いて生成された識別器５０である。」

（２）甲５技術
上記（１）の記載事項から、甲第５号証には、以下の技術（以下、「甲５技術」という。）が記載されているといえる。

「撮像画像から識別対象領域を抽出する識別対象領域決定部と、抽出された識別対象領域における画像特徴量から、識別対象領域内に対象物が存在するか否かを識別する対象物識別部であって、対象物識別部は機械学習を用いて生成された識別器であり、対象物として人工構造物（車両、電柱等）等が挙げられる、装置に関する技術。」

６ 甲第６号証について
（１）甲第６号証の記載事項
甲第６号証である特開２０１９−８４６０号公報には次の記載がある。

「【００２０】
検出機能１２は、取得機能１１から受け取った車載カメラ２の撮影画像から、検出の対象となる物体が映っている可能性がある領域（以下、「物体候補領域」と呼ぶ）を検出する。検出機能１２は、１フレームの撮影画像から多数の物体候補領域を検出することが一般的であるが、１つの物体候補領域が検出されてもよい。検出の対象となる物体は、他車両、歩行者、二輪車、路側設置物のいずれかでもよいし、これらのうち複数の物体を同時に検出の対象としてもよい。以下では、検出の対象となる物体が他車両であることを想定して、検出機能１２による処理の概要を説明する。
・・・
【００２５】
検出機能１２は、例えば、走査矩形に対する尤度が予め設定された閾値以上の撮影画像上の領域を物体候補領域として検出し、その物体候補領域の撮影画像上の位置を示す情報や尤度などを含む候補領域情報を非線形処理機能１３に出力する。あるいは、検出機能１２は、走査矩形に対する尤度が高い順に撮影画像上の領域を並び替え、予め決められた上位Ｎ個の領域を物体候補領域として検出して候補領域情報を出力してもよい。」

「【００４２】
また、画像の入力から特徴マップを得るまでの処理と、特徴マップから物体の姿勢と物体までの距離を推定して出力するまでの処理とを異なるニューラルネットワークとしてそれぞれ予め学習しておいてもよいし、画像の入力から物体の姿勢および物体までの距離の出力までを１つのニューラルネットワークとして予め学習しておいてもよい。また、検出機能１２での物体候補領域の検出にニューラルネットワークを用いる場合、検出機能１２で用いるニューラルネットワークと非線形処理機能１３で用いるニューラルネットワークとを１つのネットワークとして予め学習しておいてもよい。
・・・
【００４４】
また、１フレームの撮影画像から多数の物体候補領域が検出された場合、ニューラルネットワークが上述のように物体候補領域を修正する値や物体らしさを示す尤度をさらに出力する構成であれば、例えばニューラルネットワークが出力した物体らしさを示す尤度と修正後の物体候補領域の情報をもとに、一定の重なりを持つ物体候補領域をグルーピングし、その中から尤度の高い順にＮ個、あるいは一定の閾値以上の尤度を持つ物体候補領域に対する推定結果のみを出力してもよい。これは例えば上述のＮＭＳという手法を用いて実現できる。」

（２）甲６技術
上記（１）の記載事項から、甲第６号証には、以下の技術（以下、「甲６技術」という。）が記載されているといえる。

「検出機能１２は、車載カメラの撮影画像から、検出の対象となる物体が映っている可能性がある領域（以下、「物体候補領域」と呼ぶ）を検出するものであり、（【００２０】）
検出機能１２は、予め決められた上位Ｎ個の領域を物体候補領域として検出して候補領域情報を出力してもよく、（【００２５】）
１フレームの撮影画像から多数の物体候補領域を検出する検出機能１２での物体候補領域の検出にニューラルネットワークを用いる場合、検出機能１２で用いるニューラルネットワークを予め学習しておき、（【００２０】、【００４２】）
ニューラルネットワークが物体らしさを示す尤度をさらに出力する構成であれば、例えばニューラルネットワークが出力した物体らしさを示す尤度をもとに、尤度の高い順にＮ個の尤度を持つ物体候補領域に対する推定結果のみを出力すること（【００４４】）に関する技術。」

７ 甲第７号証について
（１）甲第７号証の記載事項
甲第７号証である特開２０１７−１１７０２５号公報には以下の記載がある。

「【００２１】
本パターン識別装置の第一・第二の情報抽出処理部１０３は機械学習的な方法によって実現されている。第一・第二の情報抽出処理部１０３は、＜領域の画像特徴量＞を入力変数とし、＜領域のカテゴリーの尤度＞および＜領域間の近接度＞を目標変数として事例学習した識別器である。すなわち第一・第二の情報抽出処理部１０３は、局所領域およびその周辺領域についての画像特徴量が入力されると、局所領域のカテゴリーの尤度、および周囲の領域との近接度、の二種の情報を推定して出力する。
【００２２】
このため第一・第二の情報抽出処理部１０３を実現する識別器は系統の異なる多変量の目標変数の学習が可能である必要があり、本実施例ではランダムフォレスト識別器を用いて実現している（詳細は後述する。）。なお多変量の目標変数を学習する識別器は他にも例えばニューラルネットや、ハッシング、ｋ−最近傍法、構造学習型のサポートベクトルマシン、など様々な手法が考えられる。これ以降に説明する本実施の形態は一例にすぎず、識別器の種類をランダムフォレストにのみ制限するものではない。
【００２３】
構成要素識別処理部１０４はカテゴリーの尤度と周辺の領域間の近接度とに基づいて局所領域のカテゴリーを特定する処理部である。画像認識のタスクにおいては「白い雲」と「白い雪山」のように、局所的に見ると見分けの困難な事例が多数存在する。そのため周辺の領域との関係性を考慮してカテゴリーの判別を行うことが広く行われる。具体的には、近接度の高い領域同士を同じカテゴリーと判定するようなバイアスを設け、近接度の低い領域同士にはそのようなバイアスを与えずに識別を行う。このような認識手法の代表例に条件付確率場がある（非特許文献１を参照）。本実施例の構成要素識別処理部１０４も識別処理に条件付確率場を用いており、詳細は後述する。」

（２）甲７技術
上記（１）の記載事項から、甲第７号証には、以下の技術（以下、「甲７技術」という。）が記載されているといえる。
「局所領域およびその周辺領域についての画像特徴量が入力されると、局所領域のカテゴリーの尤度、および周囲の領域との近接度を推定して出力する情報抽出処理部と、カテゴリーの尤度と周辺の領域間の近接度とに基づいて局所領域のカテゴリーを特定する構成要素識別処理部からなるパターン識別装置であって、情報抽出処理部を実現する識別系は系統の異なる多変量の目標変数の学習が可能であり、多変量の目標変数を学習する識別器として、ニューラルネットが考えられるという技術。」

８ 甲第８号証について
（１）甲第８号証の記載事項
甲第８号証である特開２０１９−３２９９号公報には以下の記載がある。

「【００４１】
処理部３２１は、記憶部３１に記憶されている画像Ｉｍ−１を読み出して、上記学習モデルに画像Ｉｍ−１を入力し、右肩関節領域候補１０５を複数算出し（図３のステップＳ２）、複数の右肩関節領域候補１０５のそれぞれについて、位置情報、サイズおよび尤度（確率）を算出する（図３のステップＳ３）。サイズは、右肩関節領域候補１０５の一辺のサイズである。ステップＳ２およびステップＳ３の処理には、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）が用いられる。ここでは、複数として、５つを例にして説明する。図５は、５つの右肩関節領域候補１０５−１〜１０５−５を含む画像Ｉｍ−１を示す模式図である。右肩関節領域候補１０５は、右肩関節領域１０７の候補となる領域である。右肩関節領域候補１０５のそれぞれには、位置情報、サイズ、および尤度（確率）が付与されている。位置情報は、その右肩関節領域候補１０５の画像Ｉｍ−１での位置である。尤度が高いと、その右肩関節領域候補１０５が右肩関節領域１０７の可能性が高いことを示し、尤度が低いと、その右肩関節領域候補１０５が右肩関節領域１０７の可能性が低いことを示す。図５において、右肩関節領域候補１０５のハッチングの密度で尤度の高低を示している。ハッチングの密度が高いと、尤度が高いことを示し、ハッチングの密度が低いと、尤度が低いことを示す。
【００４２】
決定部３２２は、ステップＳ３で算出した複数の右肩関節領域候補１０５（図５に示す５つの右肩関節領域候補１０５−１〜１０５−５）のうち、最大の尤度を有する右肩関節領域候補１０５を右肩関節領域１０７と決定する（図３のステップＳ４）。図６は、右肩関節領域１０７を含む画像Ｉｍ−１を示す模式図である。右肩関節領域候補１０５−２が、人間１０１−１の右肩関節領域１０７−１として決定されている。」

「【００５０】
処理部３２１は、図９に示す５つの矩形領域候補１０９−１〜１０９−５の中から、人間１０１−１に外接する矩形領域１１１−１を決定し、および、５つの矩形領域候補１０９−１〜１０９−５の中から、人間１０１−２に外接する矩形領域１１１−２を決定する（図７のステップＳ１６）。図１１は、人間１０１に外接する矩形領域１１１を含む画像Ｉｍ−２を示す模式図である。矩形領域候補１０９−２が、人間１０１−１に外接する矩形領域１１１−１として決定され、矩形領域候補１０９−５が、人間１０１−２に外接する矩形領域１１１−２として決定されている。この決定には、例えば、Ｎｏｎ−ｍａｘｉｍｕｍ ｓｕｐｐｒｅｓｓｉｏｎ処理が用いられる。詳しく説明すると、処理部３２１は、人間１０１−１に外接する矩形領域について、５つの矩形領域候補１０９−１〜１０９−５の中から、尤度の高い矩形領域候補１０９を選択し、選択した矩形領域候補１０９がこれよりも尤度の高い他の矩形領域候補１０９と重なっていなければ、選択した矩形領域候補１０９を人間１０１−１に外接する矩形領域１１１−１として決定する。処理部３２１は、人間１０１−２に外接する矩形領域１１１−２についても同様にして決定する。」

（２）甲８技術
上記（１）の記載事項から、甲第８号証には、以下の技術（以下、「甲８技術」という。）が記載されているといえる。

「学習モデルに画像を入力し、候補を複数算出し、候補のそれぞれについて、位置情報、サイズおよび尤度（確率）を算出するにあたりＣＮＮが用いられる処理部であって、処理部は、候補のなかから、尤度の高い候補を選択する処理部に関する技術。」

９ 甲第９号証について
（１）甲第９号証の記載事項
甲第９号証である特開２０１０−１４１６１６号公報には以下の記載がある。

「【００３８】
ステップＳ４０４からステップＳ４０９では、画面内で検出された顔領域毎に処理が行われる。ステップＳ４０４で、優先度判定部３１０は、画面中心と顔領域の重心位置との間の距離に基づき、当該顔領域の位置重みを決定する。図５は、画像中心と顔領域の重心位置との間の距離と、顔領域の位置重みの一例の関係を示す。なお、図５において、縦軸が位置重み、横軸が距離を示す。例えば、顔領域の重心位置が画面中心であれば、位置重みを１．０とする。顔領域の重心位置が画面中心から離れるに連れ、位置重みをより小さな値とし、所定距離以上で、位置重みを一定値、例えば０．２に固定的とする。すなわち、画面端近傍では、位置重みが一定値とされる。」

「【００４７】
ステップＳ４０７で前回の優先順位重みが決定されると、処理はステップＳ４０９に移行される。ステップＳ４０９では、上述のステップＳ４０４、ステップＳ４０５およびステップＳ４０７でそれぞれ決定された位置重み、大きさ重みおよび前回の優先順位重みに基づき、下記の式（１）を用いて顔領域の優先度を算出する。
優先度＝位置重み×大きさ重み×前回の優先順位重み …（１）」

「【００５０】
ステップＳ４１０で、優先順位決定部３１１は、ステップＳ４０９で算出された優先度に基づき、画面内で検出された顔領域のそれぞれに対する優先順位が決定される。ここでは、優先度が高い順に優先順位が決定される。決定された優先順位は、優先順位決定部３１１に保持されると共に、顔領域の情報（画面内の各顔領域の位置、大きさなど）に対応付けられて、撮影制御部３０５に供給される。撮影制御部３０５は、供給された顔領域毎に優先順位に基づき、上述したようにして焦点制御や露出制御を行う。」

（２）甲９技術
上記（１）の記載事項から、甲第９号証には、以下の技術（以下、「甲９技術」という。）が記載されているといえる。

「画面中心と顔領域の重心位置との間の距離に基づき、当該顔領域の位置重みを決定し、位置重みに基づき顔領域の優先度を算出し、算出された優先度に基づき、画面内で検出された顔領域のそれぞれに対する優先順位が決定され、顔領域毎に優先順位に基づき焦点制御や露出制御を行う技術。」

１０ 甲第１０号証について
（１）甲第１０号証の記載事項
甲第１０号証である特開２０１９−２１３１３号公報には以下の記載がある。

「【００４９】
分類器は、所与の候補バウンディングボックスの内容が属し得るアイテムのクラスを分類することを試みる。所与の候補バウンディングボックスの内容をカテゴライズすることを試みるべく、分類器は、候補バウンディングボックスのピクセルの中に存在する特徴を識別し得て、それらの特徴と、各クラスがアイテムまたはアイテムのセットを表現し得る、予め決定されたアイテムのクラスのセットに存在する特徴との間の類似性を比較し得る。分類エンジンは、所与の候補バウンディングボックスの内容と、所与のクラスとの間の類似性をそれぞれの確率値として表し得る。クラスのセットの各々についてのすべての確率値を組み合わせることによって形成されセットは、確率分布を形成し得る。
【００５０】
より具体的には、所与の候補バウンディングボックスのピクセルの中に含まれるアイテムのクラスを識別するべく、分類エンジンは、入力として候補バウンディングボックスのピクセルのセットを受信し得て、例えば、所与の候補バウンディングボックスのピクセルを標準サイズにダウンサンプリングするなどのサイズ変更を行い得る。所与の候補バウンディングボックスのピクセルをサイズ変更した後で、分類エンジンは、分類エンジンニューラルネットワークと称される、分類器のニューラルネットワークを利用して、標準的なサイズの候補バウンディングボックスをカテゴライズし得るアイテムのクラスを識別し得る。」

（２）甲１０技術
上記（１）の記載事項から、甲第１０号証には、以下の技術（以下、「甲１０技術」という。）が記載されているといえる。

「分類エンジンは、入力として候補バウンディングボックスのピクセルのセットを受信し、所与の候補バウンディングボックスのピクセルを標準サイズにダウンサンプリングするなどのサイズ変更を行い、所与の候補バウンディングボックスのピクセルをサイズ変更した後で、分類エンジンニューラルネットワークと称される、分類器のニューラルネットワークを利用して、標準的なサイズの候補バウンディングボックスをカテゴライズし得るアイテムのクラスを識別する技術。」

１１ 甲第１１号証について
（１）甲第１１号証の記載事項
甲第１１号証である特開２０１８−２２４８４号公報には以下の記載がある。

「【００１６】
図２は、画像内の小物体を検出するプロセスのフローチャートを示している。ステップＳ１において、第１の特徴ベクトルが、第１のサブネットワークを用いることによって画像内の第１の領域から抽出される。ステップＳ２において、画像内の第２の領域が、サイズ変更モジュールを用いることによって、第１の領域を所定の比を用いてサイズ変更することによって求められる。ステップＳ３において、第２の特徴ベクトルが、第２のサブネットワークを用いることによって第２の領域から抽出される。ステップＳ４において、第３のサブネットワークが、第１の特徴ベクトル及び第２の特徴ベクトルに基づいて物体を分類する。画像内の物体の分類結果は、ステップＳ５において、第３のサブネットワークによって出力される。この場合、第１のサブネットワーク、第２のサブネットワーク、及び第３のサブネットワークは、ニューラルネットワークを形成し、上記ステップは、プロセッサによって実行される。さらに、第１の領域をサイズ変更するステップは、第１の領域及び第２の領域のそれぞれが物体を含むとともに、第１の領域のサイズが第２の領域のサイズよりも小さくなるように実行される。」

（２）甲１１技術
上記（１）の記載事項から、甲第１１号証には、以下の技術（以下、「甲１１技術」という。）が記載されているといえる。

「画像内の物体を検出するプロセスにおいて、画像内の第１の領域をサイズ変更することによって画像内の第２の領域が求められ、第２の特徴ベクトルが、第２のサブネットワークを用いることによって第２の領域から抽出されるものであり、第２のサブネットワークは、ニューラルネットであるという技術。」

第６ 特許異議申立人より意見書提出時に提出された甲号証について
特許異議申立人は令和３年１０月２８日付け意見書提出時に、技術常識ないし周知技術を示す甲第１２号証から甲第２０号証、及び甲第１２号証の発行日を立証するための甲第２１号証を提出しており、その内容は以下のとおりである。

１ 甲第１２号証について
（１）甲第１２号証の記載事項
甲第１２号証である、Krizhevsky, A., et al., "ImageNet Classification with Deep Convolutional Neural Networks", Proc. of the 25th Int. Conf. on Neural Information Processing Systems, ２０１２年１２月，Vol.1には次の記載がある。

「Abstract
We trained a large, deep convolutional neural network to classify the 1.2 million high-resolution images in the ImageNet LSVRC-2010 contest into the 1000 different classes.」（第１頁目「Abstract」および第１ないし３行）
（仮訳：
要約
我々は、ＩｍａｇｅＮｅｔ ＬＳＶＲＣ−２０１０コンテストにおいて、１２０万個の高解像度画像を１０００の異なるクラスヘと分類するために、大規模ディープ畳み込みニューラルネットワークの学習を行った。）

「ImageNet consists of variable-resolution images, while our system requires a constant input dimensionality. Therefore, we down-sampled the images to a fixed resolution of 256 x 256. Given a rectangular image, we first rescaled the image such that the shorter side was of length 256, and then cropped out the central 256x256 patch from the resulting image.」（第２頁目「2 The Dataset」の第３パラグラフ）
(仮訳：
ＩｍａｇｅＮｅｔは様々な解像度の画像からなり、一方で我々のシステムは入力次元が一定であることを必要とする。したがって、我々は画像を２５６ｘ２５６の固定解像度にダウンサンプリングした。与えられた矩形画像に対して、最初に短辺の長さが２５６になるように画像の大きさを変更し、その結果の画像の中央２５６ｘ２５６のパッチをクロップした。）

「


Figure 2: An illustration of the architecture of our CNN, explicitly showing the delineation of responsibilities between the two GPUs.」（第５頁目冒頭）
（仮訳：図２:我々のＣＮＮのアーキテクチャを示す図であり、２つのＧＰＵの責任分担を明確に示している。）

「The first form of data augmentation consists of generating image translations and horizontal reflections. We do this by extracting random 224x224 patches (and their horizontal reflections) from the 256x256 images and training our network on these extracted patches４. 」（第５頁目「4.1 Data Augmentation」の第２パラグラフ）
（仮訳：データオーグメンテーションの第１の形態は、画像の並進移動及び水平方向の鏡映を生成することからなる。我々はこれを、２５６ｘ２５６の画像からランダムに２２４ｘ２２４のパッチ（及びその水平方向の鏡映）を抽出することによって行い、これらの抽出したパッチで我々のネットワークを学習した４。）

「4This is the reason why the input images in Figure 2 are 224 ｘ 224 ｘ 3-dimensional」（第５頁目の最後の注釈欄）
（仮訳：
この理由は、図２の入力画像が２２４ｘ２２４ｘ３次元であることによる。）

（２）甲１２技術
上記（１）の記載事項から、甲第１２号証には、以下の事項（以下、「甲１２技術」という。）が記載されているといえる。

「画像を異なるクラスへ分類するために畳み込みニューラルネットワーク（ＣＮＮ）の学習を行うに際し、ＩｍａｇｅＮｅｔは様々な解像度の画像からなり、一方でシステムは入力次元が一定であることを必要とするので、画像を２５６ｘ２５６の固定解像度にダウンサンプリングし、与えられた矩形画像に対して、最初に短辺の長さが２５６になるように画像の大きさを変更し、その結果の画像の中央２５６ｘ２５６のパッチをクロップし、２５６ｘ２５６の画像から２２４ｘ２２４のパッチを抽出し、抽出したパッチでネットワークを学習するものであり、この理由は図２のＣＮＮのアーキテクチャの入力画像が２２４ｘ２２４であることによるという技術。」

２ 甲第１３号証について
（１）甲第１３号証の記載事項
甲第１３号証である、Szegedy, C., et al., "Going deeper with convolutions", arXiv:1409.4842, ２０１４年９月
には次の記載がある。

Abstract
We propose a deep convolutional neural network architecture codenamed Inception, which was responsible for setting the new state of the art for classification and detection in the ImageNet Large-Scale Visual Recognition Challenge 2014(ILSVRC14).」
（第１頁目「Abstract」および第１ないし４行）
「仮訳：
要約
我々は、Ｉｎｃｅｐｔｉｏｎとコードネームが付けられたディープ畳み込みニューラルネットワークアーキテクチャを提案する。これは、ＩｍａｇｅＮｅｔ大規模視覚的認識チャレンジ２０１４（ＩＬＳＶＲＣ１４）において分類及び検出の新しい技術水準を設定する責任を有した。」

「2.During testing, we adopted a more aggressive cropping approach than that of Krizhevsky et al. [9]. Specifically, we resize the image to 4 scales where the shorter dimension (height or width) is 256, 288, 320 and 352 respectively, take the left, center and right square of these resized images (in the case of portrait images, we take the top, center and bottom squares). For each square, we then take the 4 corners and the center 224x224 crop as well as the square resized to 224x224, and their mirrored versions. This result in 4x3x6x2=144 crops per images.」
（第８頁目「7 ILSVRC 2014 Classification Challenges Setup and Results」の第４パラグラフ）
（仮訳：
テスト中において、我々はＫｒｉｚｈｅｖｓｋｙら［９］よりもアグレッシブなクロップ手法を採用した。すなわち、我々は画像を、より短い次元（高さ又は幅）がそれぞれ２５６、２８８、３２０、及び３５２となるように、４つのスケールヘとリサイズし、これらのリサイズされた画像の左側、中央、及び右側の正方形（ポートレート画像の場合には、上部、中央、及び下部の正方形）を得た。それぞれの正方形について、４つの角部及び中央の２２４ｘ２２４クロップ、及び正方形を２２４ｘ２２４にリサイズしたもの、並びにこれらの鏡像バージョンを得た。結果として、画像ごとに４ｘ３ｘ６ｘ２＝１４４クロップが得られた。
）

[9] Alex Krizhevsky, Ilya Sutskever, and Geoff Hinton. Imagenet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems 25, pages 1106-1114, 2012.（第１１頁下から１４ないし１２行）

（２）甲１３技術
Ｋｒｉｚｈｅｖｓｋｙ［９］は甲第１２号証に係る文献であることを踏まえると、上記（１）の記載事項から、甲第１３号証には、以下の事項（以下、「甲１３技術」という。）が記載されているものといえる。

「ＩｍａｇｅＮｅｔ大規模視覚的認識において分類及び検出の新しい技術水準を設定する畳み込みニューラルネットワークアーキテクチャを提案し、甲第１２号証であるＫｒｉｚｈｅｖｓｋｙ［９］の論文よりもアグレッシブなクロップ手法を採用し、画像を、より短い次元（高さ又は幅）がそれぞれ２５６、２８８、３２０、及び３５２となるように、４つのスケールヘとリサイズし、これらのリサイズされた画像の左側、中央、及び右側の正方形を得、それぞれの正方形について、４つの角部及び中央の２２４ｘ２２４クロップ、及び正方形を２２４ｘ２２４にリサイズしたものを得たという技術。」

３ 甲第１４号証について
（１）甲第１４号証の記載事項
甲第１４号証である特開２００９−２７６２００号公報には以下の記載がある。

「【００３２】
まず、画像処理によって歩行者を検知する方法について説明する。歩行者を検知する方法としては、歩行者パターンの代表となるテンプレートを複数用意しておき、差分累積演算あるいは正規化相関係演算を行って一致度を求めるテンプレートマッチングによる方法や、ニューラルネットワークなどの識別器を用いてパターン認識を行う方法が挙げられる。」

「【００５８】
第２のアルゴリズムでは、ステップＳ３０３で設定された画像処理領域の画像内に歩行者がいると仮定し、物体との相対距離とカメラ幾何モデルを用いて、画像内の歩行者を探索するのに最も適している識別器５に対応させるべく、画像処理領域内の画像の画像サイズを変換する。」

（２）甲１４技術
上記（１）の記載事項から、甲第１４号証には、以下の技術（以下、「甲１４技術」という。）が記載されているといえる。
「画像処理によって歩行者を検知する方法としては、ニューラルネットワークなどの識別器を用いるものであって、画像内の歩行者を探索するのに最も適している識別器に対応させるべく、画像処理領域内の画像の画像サイズを変換する技術。」

４ 甲第１５号証について
（１）甲第１５号証の記載事項
甲第１５号証である特開２０１９−４６２５３号公報には以下の記載がある。

「【００１７】
次に制御部１１の動作について説明する。本実施の形態の制御部１１は、記憶部１２に格納されたプログラムを実行することで、機能的には、図２に例示するように、受入部２１と、検出処理部２２と、検出情報生成部２３と、情報処理部２４とを含んで構成される。また検出処理部２２は、フレーム検出部３１と、顔検出部３２と、身体検出部３３と、文字検出部３４とを含む。
【００１８】
受入部２１は、漫画画像データを受け入れて検出処理部２２に出力する。ここで漫画画像データは、一般的には、顔部分（Ｆ）と身体部分（Ｂ）と文字部分（Ｃ）とが互いに重なり合って描画された画像データであり（図３）、少なくとも一つのコマ（Ｍ）を含む。また、この受入部２１は、検出処理部２２におけるニューラルネットワークを利用するため、漫画画像データを拡大または縮小して、ニューラルネットワークの入力に適したサイズにリサイズする。」

「【００２２】
顔検出部３２は、画像データから、当該画像データ内に描画されたキャラクタの顔部分を検出するよう機械学習された状態にある顔検出器を有する。この顔検出器も、フレーム検出部３１が備えるフレーム検出器と同様、ＳＳＤ等、種々の方法で構成されたニューラルネットワークを採用して実現できる。この顔検出器は、検出対象の範囲である、漫画画像データに含まれるキャラクタの顔に外接する所定形状の範囲を人為的に指定した画像データのサンプルを用いて機械学習させる。」

「【００２７】
本実施の形態の一例は以上の構成を備え、次のように動作する。なお、以下の説明では、制御部１１によるフレーム検出部３１，顔検出部３２，身体検出部３３，及び文字検出部３４は、ＳＳＤを採用し、それぞれ、予め画像データから、当該画像データ内に描画された漫画のコマ部分、顔部分、身体部分、及び文字部分を検出するよう機械学習した状態にあるものとする。」

「【００３０】
［ベースネットワークを共用する例］
またここまでの説明では、フレーム検出部３１，顔検出部３２，身体検出部３３，及び文字検出部３４は、それぞれ独立したベースネットワークと、検出器を備えるものとしたが、本実施の形態はこの例に限られない。例えば一つのベースネットワークをフレーム検出部３１，顔検出部３２，身体検出部３３，文字検出部３４が共用してもよい。」

「【００４０】
［画像データを分割する例］
また本実施の形態の制御部１１は、受入部２１の動作として、入力された漫画画像データの全体を、拡大または縮小して、ニューラルネットワークの入力に適したサイズにリサイズするのではなく、入力された漫画画像データを、所定の条件に基づいて複数の分割部分に分割し、当該分割して得られた分割部分（部分的な漫画画像データ、以下、部分画像データと呼ぶ）を、ニューラルネットワークの入力に適したサイズにリサイズして、検出処理部２２に出力してもよい。」

（２）甲１５技術
上記（１）の記載事項から、甲第１５号証には、以下の技術（以下、「甲１５技術」という。）が記載されているといえる。

「制御部は、受入部と、検出処理部と、検出情報生成部と、情報処理部とを含んで構成され、検出処理部は、フレーム検出部と、顔検出部と、身体検出部と、文字検出部とを含み、
受入部は、漫画画像データを受け入れて検出処理部に出力するものであり、ここで漫画データは、一般的には、顔部分（Ｆ）と身体部分（Ｂ）と文字部分（Ｃ）とが互いに重なり合って描画された画像データであり、
受入部は、検出処理部におけるニューラルネットワークを利用するため、漫画画像データを拡大または縮小して、ニューラルネットワークの入力に適したサイズにリサイズし、」
顔検出部は、ＳＳＤ等、種々の方法で構成されたニューラルネットワークを採用して実現でき、検出対象の範囲である、漫画画像データに含まれるキャラクタの顔に外接する所定形状の範囲を人為的に指定した画像データのサンプルを用いて機械学習させるものであり、
顔検出部，身体検出部，及び文字検出部は、ＳＳＤを採用し、それぞれ、予め画像データから、顔部分、身体部分、及び文字部分を検出するよう機械学習した状態にあり、
一つのベースネットワークをフレーム検出部、顔検出部、身体検出部、文字検出部が共用してもよく、
制御部は、受入部の動作として、漫画画像データを、所定の条件に基づいて複数の分割部分に分割し、当該分割して得られた分割部分を、ニューラルネットワークの入力サイズに適したサイズにリサイズして、検出処理部に出力してもよいという技術。」

５ 甲第１６号証について
（１）甲第１６号証の記載事項
甲第１６号証である特開２０１７−５９２０７号公報には以下の記載がある。

「【００３３】
図１に示す画像認識器１０は、コンピュータ等で実現される。画像認識器１０は、入力画像が入力されると、図２に示すような畳み込みニューラルネットワークを用いて、入力画像における認識対象である人物を認識し、認識した人物の入力画像における位置を示す値を座標（人物座標）で出力する。本実施の形態では、認識対象を人物として説明するが、それに限らず、標識などでもよい。また、歩行者などの人物を例に挙げて以下説明するが、それに限らず、走者でも、匍匐前進者でも泳いでいる人物でもよい。」

「【００５５】
図８Ａに示すように、画像認識器１０が、２人の歩行者（人物５３１および人物５３２）が含まれる画像５３の認識処理を行った場合、画像５３における２人の歩行者の位置として、当該２人の歩行者を囲む矩形の対角線上の２頂点の座標を認識結果として出力する。ここで、２頂点の座標は、画像５３における歩行者を囲む矩形の４頂点のうち、左上と右下の座標であってもよいし、右上と左下の座標であってもよい。
【００５６】
このように、画像認識器１０は、入力画像における認識対象を囲む矩形の対角線上の２頂点の座標を認識結果として出力することができる。より具体的には、画像認識器１０は、図８Ｂに示すように、入力画像中の２人の人物が一部重なっている場合、それぞれの人物を囲む矩形５４ａの２頂点の座標（（ｘ１、ｙ１）、（ｘ２、ｙ２））および矩形５４ｂの座標（（ｘ３、ｙ３）、（ｘ４、ｙ４））を認識結果として出力することができる。」

「【００７０】
次に、画像認識器１０ａのコンピュータは、上述した学習用データを用いて、画像認識器１０ａが用いる第２畳み込みニューラルネットワークに、人物領域の位置を示す値を出力させる（Ｓ１３２）。より具体的には、画像認識器１０ａのコンピュータは、畳み込みニューラルネットワークを構成する全結合層が畳み込み層に変更された第２畳み込みニューラルネットワークであって第１畳み込みニューラルネットワークの構成と同一構成である第２畳み込みニューラルネットワークに、学習用データに含まれる学習用画像における認識対象の位置を示す値を出力させる。例えば、図１３を用いて説明すると、画像認識器１０ａのコンピュータは、学習用データに含まれる入力画像５６に対して、第２畳み込みニューラルネットワークに、人物領域の位置を示す値として、人物を囲む矩形の対角線上の２頂点の座標（（ｘ１、ｙ１）、（ｘ２、ｙ２））を出力させる。」

（２）甲１６技術
上記（１）の記載事項から、甲第１６号証には、以下の技術（以下、「甲１６技術」という。）が記載されているといえる。

「畳み込みニューラルネットワークを用いて、入力画像における認識対象である人物を認識し、認識した人物の入力画像における位置を示す値を座標で出力する画像認識器において、
画像認識器が、２人の歩行者が含まれる画像の認識処理を行った場合、画像における２人の歩行者の位置として、当該２人の歩行者を囲む矩形の対角線上の２頂点の座標を認識結果として出力するものであり、
画像認識器は畳み込みニューラルネットワークに、学習用データに含まれる学習用画像における認識対象の位置を示す値を出力させる技術。」

６ 甲第１７号証について
（１）甲第１７号証の記載事項
甲第１７号証である特開２０１８−１７９７８６号公報には以下の記載がある。

「【０１０２】
［２−１］検査装置２００における表面欠陥検査方法に係る処理の一例
まず、検査装置２００において行われる表面欠陥検査方法に係る処理の一例を説明する。
【０１０３】
図９は、本発明の実施形態に係る検査装置２００において行われる処理の一例を示す流れ図である。
【０１０４】
検査装置２００は、撮像画像を処理する画像処理を行う（Ｓ１００）。ステップＳ１００の画像処理において、検査装置２００は、例えば、撮像画像の輝度の平均値が一定となるように撮像画像の輝度値を補正し（輝度の正規化）、補正された撮像画像を二値化する。そして、検査装置２００は、得られた二値画像のラベリングを行い、個々の欠陥の存在および種類を特定する。
・・・
【０１０８】
次に、ステップＳ１００において画像処理が行われると、検査装置２００は、上記二値画像および撮像画像から欠陥の特徴量を抽出する（Ｓ１０２）。すなわち、検査装置２００は、例えば、同一ラベル番号が付いた画素について統計量を算出し、個々の欠陥の特徴量などを計算することによって、欠陥の特徴量を抽出する。以下では、ステップＳ１０２の処理を「特徴抽出処理」と示す場合がある
。
・・・
【０１１２】
そして、検査装置２００は、ステップＳ１０２において抽出された欠陥の特徴量に基づいて、欠陥を判定する（Ｓ１０４）。より具体的には、検査装置２００は、例えば、欠陥の種類、または、欠陥の種類および有害度を判定する。以下では、ステップＳ１０４の処理を「欠陥判定処理」と示す場合がある。
・・・
【０１１４】
ここで、検査装置２００は、例えば、ニューラルネットワークやサポートベクターマシン等の処理手段により欠陥の特徴量を入力として、欠陥の種類や有害度を判定する。」

（２）甲１７技術
上記（１）の記載事項から、甲第１７号証には、以下の技術（以下、「甲１７技術」という。）が記載されているものといえる。

「検査装置による表面欠陥検査の一例として、検査装置は、撮像画像を処理する画像処理を行い、画像処理が行われると、撮像画像から欠陥の特徴量を抽出し、抽出された欠陥の特徴量に基づいて欠陥、例えば欠陥の種類及び有害度を判定するものであり、検査装置は、ニューラルネットワーク等の処理手段により欠陥の種類や有害度を判定する技術。」

７ 甲第１８号証について
（１）甲第１８号証の記載事項
甲第１８号証である特開２０１６−６５８０９号公報には以下の記載がある。

「【００２４】
＜機能構成＞
図２は、本実施形態に係る点検支援装置１の一例を示す機能ブロック図である。点検支援装置１は、画像記憶部１０１と、画像読出部１０２と、構造物情報取得部１０３と、構造物ＤＢ１０４と、劣化要因取得部１０５と、劣化要因ＤＢ１０６と、画像解析部１０７と、特徴ＤＢ１０８と、損傷程度評価部１０９と、結果出力部１１０とを有する。
・・・
【００３１】
画像解析部１０７は、特徴ＤＢ１０８に予め記憶されている劣化要因ごとの劣化の特徴を示すモデルを用いて、画像読出部１０２が読み出した画像データを解析し、当該劣化要因による損傷の有無や程度を判定する。特徴ＤＢ１０８には、予め、劣化要因ごとの典型的な損傷の状態が表れた画像を複数入力して各々の特徴を機械学習させた関数や、劣化要因ごとの特徴を示すモデルが記憶されているものとする。なお、特徴を機械学習させた関数や特徴を示すモデルは、例えばニューラルネットワークを用いた教師付きの学習等、既存の技術を用いて生成することができ、本実施形態ではその生成手法は問わない。
・・・
【００３３】
画像解析の結果としては、ひび割れの有無、ひび割れのパターン、コンクリートの剥離の有無、さらに鉄筋の露出の有無、漏水の有無、遊離石灰の有無、コンクリートの浮きの有無、コンクリートの変色の有無といった劣化の状態や、ひび割れの幅、間隔、密度といった劣化の程度を示すパラメータが出力される。劣化の状態は、劣化の状態ごとの典型的な画像を複数入力して機械学習させることにより予め生成した関数又はモデルを用いて判断できる。」

（２）甲１８技術
上記（１）の記載事項から、甲第１８号証には、以下の技術（以下、「甲１８技術」という。）が記載されているものといえる。

「画像解析部と特徴ＤＢとを有する点検支援装置において、画像解析部は、特徴ＤＢに予め記憶されている劣化要因ごとの劣化の特徴を示すモデルを用いて画像データを解析し、当該劣化要因による損傷の有無や程度を判定するものであって、特徴ＤＢには、予め、劣化要因ごとの典型的な損傷の状態が表れた画像を複数入力して各々の特徴を機械学習させた関数や、劣化要因ごとの特徴を示すモデルが記憶されており、特徴を機械学習させた関数や特徴を示すモデルは、例えばニューラルネットワークを用いた教師付きの学習を用いて生成することができ、画像解析の結果として、ひび割れの有無、ひび割れのパターンといった劣化の状態や、ひび割れの幅といった劣化の程度を示すパラメータが出力されるという技術。」

８ 甲第１９号証について
（１）甲第１９号証の記載事項
甲第１９号証である特表２０１８−５３４６９４号公報には以下の記載がある。

「【００１９】
領域提案分類および精査のため、新しい物体検出ネットワークが、サブカテゴリ情報を高速Ｒ−ＣＮＮネットワークに投入することによって導入される。検出ネットワークは、物体カテゴリ分類、サブカテゴリ分類、および境界ボックス回帰を共同でまたは同時に実施することができる。加えて、ＲＰＮおよび検出ＣＮＮの両方において、画像ピラミッドが入力として使用され、新しい特徴外挿層が、複数のスケールにある畳み込み特徴を効率的に計算するために導入される。このやり方では、本発明の方法は、大きなスケールの相違により物体カテゴリを検出することができる。」

「【００２２】
ＣＮＮベースの物体検出に関して、従来のＣＮＮベースの物体検出方法は、一段階検出方法および二段階検出方法の２つのクラスにカテゴリ分類され得る。一段階検出では、ＣＮＮが直接的に、入力画像を処理し、物体検出の境界ボックスを出力する。二段階検出では、まず領域提案が入力画像から生成され、ここでは異なる領域提案方法が用いられ得る。次いでこれらの領域提案は、分類および場所の精査のためにＣＮＮに供給される。本発明の例示的な実施形態は、二段階検出フレームワークを採用し、ここでは領域提案処理は、粗密検出方法における粗検出ステップであると見なされ得る。」

（２）甲１９技術
上記（１）の記載事項から、甲第１９号証には、以下の技術（以下、「甲１９技術」という。）が記載されているといえる。

「新しい物体検出ネットワークは、物体カテゴリ分類、サブカテゴリ分類、および境界ボックス回帰を同時に実施するものであり、物体検出の境界ボックスを出力する技術。」

９ 甲第２０号証について
（１）甲第２０号証の記載事項
甲第２０号証である国際公開第２０１２／００５０６６号の第１０頁第２０行から第２４行、第１８頁第１１行から第１４行には以下の記載がある。

「具体的には、関数Ｆとは別に、画像情報ｘｊを多様体１１１が埋め込まれた空間１１２上の位置に変換する関数Ｇ（ｘｊ）を準備する。関数Ｇは、単数ないし複数のパラメータから構成されている。以下このパラメータをλと定義する。非特許文献２において、Ｇ（ｘｊ）は、非特許文献３にも記載されているようなたたみ込みニューラルネットワーク（以下、ＣＮＮ）である。このとき、λは、ＣＮＮの重みパラメータである。」

「以上説明したように、本発明に係る画像処理装置２００によれば、画像処理学習装置１００の学習により更新したパラメータλから構成される関数Ｇを用いることで、顔検出処理及び顔向き推定処理を同時に、かつ高精度に行うことができる。」

（２）甲２０技術
上記（１）の記載事項から、甲第２０号証には、以下の技術（以下、「甲２０技術」という。）が記載されているといえる。

「画像処理学習装置の学習により更新したパラメータλ（λはＣＮＮの重みパラメータ）から構成される関数Ｇ（ＧはＣＮＮ）を用いることで、顔検出処理及び顔向き推定処理を同時に行うことができるという技術。」

１０ 甲第２１号証
甲第２１号証である、https://dl.acm.org/doi/10.5555/2999134.2999257には、ページのタイトルにImageNet Classification with Deep Convolutional Neural Networks Proceedings of the 25th International Conference on Neural..,という記載が、１行目にAuthors: Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton Authors info & Claimsという記載が、２〜３行目にNIPS'12: International Conference on Neural Information Processing Systems - Volume 1・December 2012・Pages 1097-1105という記載が、４行目にPublished:03 December 2012という記載があることから、甲第１２号証が２０１２年１２月３日に発行されたことが示されているといえる。

第７ 取消理由通知（決定の予告）において通知した理由についての当審の判断

１ 本件訂正発明１について
ア 対比
本件訂正発明１と甲１発明１とを対比する。

（ア）構成Ａについて
甲１発明１は、構成ａ１の「巡視点検システム１」を構成する「巡視点検制御システム２」のうちの「情報処理装置１０」において、「ドローン１４から取得される取得データ（画像データ（動画像、静止画像））の整理／管理」を行う「異常箇所検出部２１ｃ、取得データ記憶部２１ｄを含む」「取得データ整理管理部２１」（構成ｅ１）を含み、構成ｄ１の「ドローン１４は、巡視点検対象とする送電設備１７を撮影して画像データを記憶」することから、ドローンからの送電設備１７を含む画像が取得され、これを整理／管理するものといえる。
さらに、送電設備１７は、構成ｄ１にあるように、「鉄塔１７ａ」、「架空地線１７ｂ」、「送電線１７ｃ、１７ｄ、１７ｅ」、「碍子１７ｈ」、「アークホーン１７ｇ」、「閃絡表示器１７ｆ」が設けられていることから、複数の機材を含むものといえる。
そうすると、甲１発明１の構成ａ１に含まれる「情報処理装置１０」は、本件訂正発明１の構成Ａの「電気設備に関する複数の機材を含む画像を取得する取得部」を備えるものといえる。

（イ）構成Ｂ、Ｃについて
甲１発明１の構成ｆ１の「異常箇所検出部２１ｃ」は、「取得データ記憶部２１ｄに記憶された取得データの動画像データから既存の画像処理により被点検物に相当する領域を検出」するものであり、ここで、当該構成ａ１における「送電設備１７に含まれる複数の異なる被点検物」に相当する領域が特定されることは明らかである。
そうすると、上記「異常箇所検出部２１ｃ」は、本件訂正発明１の構成Ｂの「複数の機材を含む画像と、各機材の領域とを含む教師データに基づき畳み込み層を用いて深層学習されており入力された複数の機材を含む画像に含まれる各機材に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した複数の機材を含む画像から各機材に対応する前記画像領域を特定する特定部」と対比した場合、「入力された複数の機材を含む画像に含まれる各機材に対応する画像領域」を「前記取得部が取得した複数の機材を含む画像から」「特定する」点において共通する。
一方、「複数の機材を含む画像に含まれる各機材に対応する画像領域」を「前記取得部が取得した複数の機材を含む画像から」「特定する」ことに関して、本件訂正発明１の構成Ｂは「複数の機材を含む画像と、各機材の領域とを含む教師データに基づき畳み込み層を用いて深層学習されており」、当該「特定結果及び各機材の画像領域の特定結果の確信度を出力する」「第１の学習済モデルを用いて」、「特定済みの機材毎の画像領域の確信度同士を比較して機材毎の画像領域を順位付けすることにより、各機材に対応する所定数の前記画像領域を特定」するのに対して、甲１発明１は「複数の機材を含む画像と、各機材の領域とを含む教師データに基づき畳み込み層を用いて深層学習されており」、当該「特定結果及び各機材の画像領域の特定結果の確信度を出力する」「学習済モデルを用い」るものではなく、「特定済みの機材毎の画像領域の確信度同士を比較して機材毎の画像領域を順位付けすることにより、各機材に対応する所定数の前記画像領域を特定」するものでもない点で、両者は相違する。
次に、上記「異常箇所検出部２１ｃ」は、本件訂正発明１の構成Ｃの「前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部」と対比した場合、「画像領域を前記取得部が取得した画像から抽出する点」で共通するものの、特定した画像領域にある被点検物に相当する領域をそのまま抽出するのではなく、その領域からさらに被点検物において周囲と異なる状態（形状、色等）にある異常箇所の可能性がある部分である異常画像候補領域を検出する点で相違する。
さらに、本件訂正発明１の「特定部」と「抽出部」は、別個に構成されているのに対して、甲１発明１の構成ｆ１の「異常箇所検出部２１ｃ」は１つの構成である点で相違する。

（ウ）構成Ｄについて
甲１発明１の構成ｆ１の「異常箇所検出部２１ｃ」は、「取得データの動画像データから既存の画像処理により被点検物に相当する領域を検出し、その領域から異常画像候補領域を検出し」、「異常画像候補領域の画像データについて、被点検物に生じる異常種類の特徴を示す学習モデルを用いて」、「検出対象とする異常種類に相当する画像であるかを判定する」ことから、当該「学習モデル」は「画像データについて、被点検部に生じる異常種類」であって「検出対象とする異常種類に相当する画像であるかを判定する」ものであり、本件訂正発明１の構成Ｄの「入力された画像領域に含まれる機材の状態を判定した判定結果を出力する」「学習済モデル」に対応するものといえる。
そうすると、甲１発明１の構成ｆ１は、本件訂正発明１の構成Ｄの「入力された画像領域に含まれる機材の状態を判定した判定結果を出力する第２の学習済モデルに、前記抽出部が抽出した各機材に対応する画像領域を」「入力して各機材の状態を判定する判定部」の機能を備えるといえる。
ただし、本件訂正発明１の「判定部」は、「特定部」や「抽出部」とは別個に構成されており、「各機材に対応する画像領域を特定した順位に従って順次」入力して各機材の状態を判定するのに対して、甲１発明１の構成ｆ１の「異常箇所検出部２１ｃ」は１つの構成である点、及び「各機材に対応する画像領域を特定した順位に従って順次」入力するものではない点、で相違する。

（エ）構成Ｅについて
甲１発明１の構成ａ１の「巡視点検システム１」は、情報処理を行う装置の一種であり、本件訂正発明１の「情報処理装置」に相当する。

以上を総合すると、本件訂正発明１と甲１発明１との一致点、相違点は以下のとおりである。

（一致点）
電気設備に関する複数の機材を含む画像を取得する取得部と、
入力された複数の機材を含む画像に含まれる各機材に対応する画像領域を特定することで、前記取得部が取得した複数の機材を含む画像から各機材に対応する前記画像領域を特定し、
特定した前記画像領域から得られる画像領域を前記取得部が取得した画像から抽出し、
入力された画像領域に含まれる機材の状態を判定した判定結果を出力する第２の学習済モデルに、前記抽出した各機材に対応する画像領域を入力して各機材の状態を判定する部分と
を備える、情報処理装置。

（相違点１−１）
「複数の機材を含む画像に含まれる各機材に対応する画像領域」を「取得部が取得した複数の機材を含む画像から」「特定する」にあたって、
本件訂正発明１は「複数の機材を含む画像と、各機材の領域とを含む教師データに基づき畳み込み層を用いて深層学習されており入力された複数の機材を含む画像に含まれる各機材に対応する画像領域を特定した特定結果及び各機材の画像領域の特定結果の確信度を出力する第１の学習済モデル」を用いて当該画像領域を特定するものであって、「特定済みの機材毎の画像領域の確信度同士を比較して機材毎の画像領域を順位付けすることにより」、「各機材に対応する所定数の」当該画像領域を特定するのに対して、
甲１発明１は、画像領域の特定にあたって、本件訂正発明１のような学習済モデルを用いるものではなく、また「特定済みの機材毎の画像領域の確信度同士を比較して機材毎の画像領域を順位付けすることにより」、「各機材に対応する所定数の」画像領域を特定するものでもない点。

（相違点１−２）
「画像領域を前記取得部が取得した画像から抽出する」にあたって、
本件訂正発明１は、特定部が特定した画像領域を取得部が取得した画像から抽出するのに対して、
甲１発明１は特定した画像領域である被点検物に相当する領域をそのまま抽出するのではなく、その領域からさらに被点検物において周囲と異なる状態（形状、色等）にある異常箇所の可能性がある部分である異常画像候補領域を検出するものである点。

（相違点１−３）
「前記取得部が取得した複数の機材を含む画像から各機材に対応する画像領域を特定し」、「特定した前記画像領域を前記取得部が取得した画像から抽出し」、「入力された画像領域に含まれる機材の状態を判定した判定結果を出力する第２の学習済モデルに、前記抽出した各機材に対応する画像領域を入力して各機材の状態を判定する」部分について、
本件訂正発明１は、「特定部」「抽出部」「判定部」という別個の構成を有し、「抽出部が抽出した各機材に対応する画像領域を特定した順位に従って」「判定部」へ「順次入力」するのに対して、
甲１発明１は、これらが「異常箇所検出部２１ｃ」という１個の構成により実現されており、「特定した画像領域である被点検物に相当する領域を抽出するのではなく、その領域からさらに被点検物において周囲と異なる状態（形状、色等）にある異常箇所の可能性がある部分である異常画像候補領域」が入力されているものであり、「各機材に対応する画像領域を特定した順位に従って順次入力」するものではない点。

イ 相違点についての検討及び判断
相違点１−１について検討する。
取得した画像に含まれる複数の対象物に対応する画像領域を特定する場合に、当該特定処理を行う特定部を、学習済モデルを用いて構成することは周知技術にすぎず、
（例えば、上記甲２技術における、複数の注目領域を検出した場合、当該複数の注目領域に対応する複数の注目領域画像を出力し得るものであって、機械学習に基づく被写体（物体）検出により、注目領域を特定すること、
上記甲４技術における、カメラ２で撮影された画像に基づいて、電柱検出部４０により、画像上における複数の電柱の探索範囲を設定し、電柱を囲む矩形範囲を検出する場合、電柱の部分画像と電柱以外の部分画像を多数用意し、これらの画像により学習器４１を通じて電柱識別器４１を学習しておき、識別器による対象物検出により実施すること、
上記甲６技術における、車載カメラの撮影画像から、多数の物体候補領域を検出する検出機能１２での物体候補領域の検出にニューラルネットワークを用いる場合、検出機能１２で用いるニューラルネットワークを予め学習しておくこと）
甲１発明１の取得データ記憶部２１ｄに記憶された取得データの動画像データから既存の画像処理により複数の異なる被点検物に相当する領域を検出し、その領域から異常画像候補領域を検出する異常箇所検出部２１ｃの構成として、学習済モデルを用いて構成することについては、当業者ならば容易になし得たものである。

しかしながら、「特定済みの機材毎の画像領域の確信度同士を比較して機材毎の画像領域を順位付けすることにより」、「各機材に対応する所定数の」当該画像領域を特定することは、上記周知技術として示された甲２技術ないし甲２０技術に基づいて当業者が容易になし得たものではなく、また技術常識や慣用技術ということもできない。
例えば、甲６技術は、
「検出機能１２は、車載カメラの撮影画像から、検出の対象となる物体が映っている可能性がある領域（以下、「物体候補領域」と呼ぶ）を検出するものであり、
検出機能１２は、予め決められた上位Ｎ個の領域を物体候補領域として検出して候補領域情報を出力してもよく、
１フレームの撮影画像から多数の物体候補領域を検出する検出機能１２での物体候補領域の検出にニューラルネットワークを用いる場合、検出機能１２で用いるニューラルネットワークを予め学習しておき、
ニューラルネットワークが物体らしさを示す尤度をさらに出力する構成であれば、例えばニューラルネットワークが出力した物体らしさを示す尤度をもとに、尤度の高い順にＮ個の尤度を持つ物体候補領域に対する推定結果のみを出力すること」
ではあるが、機材毎すなわち映っている物体の種類毎に尤度を比較して、各機材に対応する所定数の上位Ｎ個（例えば、物体ＡならばＮａ個、物体ＢならばＮｂ個）の尤度を持つ物体候補領域を出力するものではない。
また、甲８技術は、
「学習モデルに画像を入力し、候補を複数算出し、候補のそれぞれについて、位置情報、サイズおよび尤度（確率）を算出するにあたりＣＮＮが用いられる処理部であって、処理部は、候補のなかから、尤度の高い候補を選択する処理部」
に関するものではあるが、甲６技術と同様に、機材毎すなわち映っている物体の種類毎に尤度を比較して、各機材に対応する所定数の上位Ｎ個（例えば、物体ＡならばＮａ個、物体ＢならばＮｂ個）の尤度を持つ物体候補領域を出力するものではない。
さらに、甲９技術は、
「画面中心と顔領域の重心位置との間の距離に基づき、当該顔領域の位置重みを決定し、位置重みに基づき顔領域の優先度を算出し、算出された優先度に基づき、画面内で検出された顔領域のそれぞれに対する優先順位が決定され、顔領域毎に優先順位に基づき焦点制御や露出制御を行うこと」
にすぎず、甲６技術、甲８技術と同様に、機材毎すなわち映っている物体の種類毎に尤度を比較して、各機材に対応する所定数の上位Ｎ個（例えば、物体ＡならばＮａ個、物体ＢならばＮｂ個）の尤度を持つ物体候補領域を出力するものではない。

そうすると、甲１発明１の異常箇所検出部２１ｃを、学習済モデルを用いて構成すること自体は当業者ならば容易になし得たものであるとしても、さらに、「特定済みの機材毎の画像領域の確信度同士を比較して機材毎の画像領域を順位付けすることにより」、「各機材に対応する所定数の」当該画像領域を特定することは、上記周知技術を考慮しても、当業者であっても容易になし得たものとはいえない。

相違点１−２について、甲１発明１の異常箇所検出部２１ｃは、被点検物に相当する領域を抽出するのではなく、その領域からさらに被点検物において周囲と異なる状態（形状、色等）にある異常箇所の可能性がある部分である異常画像候補領域を検出した後、その異常画像候補領域の画像データについて、被点検物に生じる異常種類の特徴を示す学習モデルを用いて、検出対象とする異常種類に相当する画像であるかを判定するものである。
そうすると、甲１発明１の学習モデルには、既に何らかの異常箇所の可能性がある異常画像候補領域を入力することが前提となっていることから、甲１発明１の学習モデルに対する入力を被点検物に相当する領域を入力する構成に置き換えることは、これにとどまらず当該学習モデルまでも被点検物に相当する領域から被点検物に生じる異常種類の特徴を示す学習モデルに変更することを要するものといえる。
しかしながら、そのような改変は、これを行う動機付けが無い限り、当業者であっても容易になし得たものとはいえず、甲第１号証にはそのような動機付けは見当たらない。

相違点１−３について、相違点１−１のとおり、「特定済みの機材毎の画像領域の確信度同士を比較して機材毎の画像領域を順位付けすることにより」、「各機材に対応する所定数の」当該画像領域を特定することは、当業者であっても容易になし得たものとはいえず、また、相違点１−２のとおり、甲１発明１の「異常箇所検出部２１ｃ」における学習モデルの入力として、既に何らかの異常箇所の可能性がある異常画像候補領域を入力することが前提となっていることから、これを単に被点検物に相当する領域を入力する構成に置き換えることも、当業者であっても容易になし得たものということはできない。
そうすると、相違点１−３についても、当業者であっても甲１発明１及び上記周知技術に基づいて容易になし得たものということはできない。

以上のとおり、相違点１−１ないし１−３に係る本件訂正発明１の構成は、当業者であっても甲１発明１及び上記周知技術に基づき容易に発明をすることができたものではない。

ウ 本件訂正発明１についてのまとめ
上記イを総合すると、本件訂正発明１は、当業者であっても甲１発明１及び上記周知技術に基づき容易に発明をすることができたものではない。

２ 本件訂正発明３について
ア 対比
本件訂正発明３のうち、本件訂正発明１を引用するものは、本件訂正発明１において、さらに
「Ｈ 前記特定部は、前記取得部が取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
Ｉ 前記判定部は、前記特定部が付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力する」
という構成Ｈ、Ｉについての事項を追加したものである。

ここで、本件訂正発明１を引用する本件訂正発明３と甲１発明１とを対比すると、両者は、上記１ アの相違点１−１ないし１−３に加えて、下記相違点３で相違するものの、その余の点では一致する。

（相違点３）
本件訂正発明３が上記構成Ｈ、Ｉを有するのに対して、甲１発明１は上記構成Ｈ、Ｉを有するものではない点。

イ 相違点についての検討及び判断
上記相違点１−１ないし１−３については、上記１ イのとおりであり、相違点３について検討するまでもなく、本件訂正発明３は当業者であっても甲１発明１及び上記周知技術に基づいて容易に発明をすることができたものではない。

３ 本件訂正発明４について
ア 対比
本件訂正発明４のうち、本件訂正発明１を引用する本件訂正発明３を引用するものについて検討すると、当該本件訂正発明４は、上記２において検討した本件訂正発明３において、さらに、
「Ｋ 前記第１の学習済モデルは、画像領域の特定結果の確信度を出力し、
Ｌ 前記特定部は、各画像領域の確信度に基づいて順位付けを行う」
という構成Ｋ、Ｌについての事項を追加したものである。
ここで、本件訂正発明４と甲１発明１とを対比すると、両者は、上記１ アの相違点１−１ないし１−３及び上記２ アの相違点３に加えて、下記相違点４で相違するものの、その余の点では一致する。

（相違点４）
本件訂正発明４が上記構成Ｋ、Ｌを有するのに対して、甲１発明１は上記構成Ｋ、Ｌを有するものではない点。

イ 相違点についての検討及び判断
上記相違点１−１ないし１−３については、上記１ イのとおりであり、相違点３、４について検討するまでもなく、本件訂正発明４は当業者であっても、甲１発明１及び上記周知技術に基づいて容易に発明をすることができたものではない。

４ 本件訂正発明６について
ア 対比
本件訂正発明６と甲１発明１とを対比する。

（ア）構成Ａ２について
甲１発明１は、構成ａ１の「巡視点検システム１」を構成する「巡視点検制御システム２」のうちの「情報処理装置１０」において、「ドローン１４から取得される取得データ（画像データ（動画像、静止画像））の整理／管理」を行う「異常箇所検出部２１ｃ、取得データ記憶部２１ｄを含む」「取得データ整理管理部２１」を含み（構成ｅ１）、構成ｄ１の「ドローン１４は、巡視点検対象とする送電設備１７を撮影して画像データを記憶」することから、ドローンからの送電設備１７を含む画像が取得され、これを整理／管理するものといえる。
そうすると、甲１発明１の「情報処理装置１０」は、本件訂正発明６の構成Ａ２の「電気設備を含む画像を取得する取得部」を備えるものといえる。

（イ）構成Ｂ６、Ｃ２について
甲１発明１の構成ｆ１の「異常箇所検出部２１ｃ」は、「取得データ記憶部２１ｄに記憶された取得データの動画像データから既存の画像処理により被点検物に相当する領域を検出」するものであり、ここで、被点検物に相当する領域を検出するにあたり、当該被点検物に相当する領域が特定されることは明らかである。
そうすると、上記「異常箇所検出部２１ｃ」は、本件訂正発明６の構成Ｂ６の「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部」と、「入力された画像に含まれる複数の電気設備に対応する画像領域」を「前記取得部が取得した画像から」「特定する」点において共通する。
一方、「複数の電気設備に対応する画像領域」を「前記取得部が取得した画像から」「特定する」ことに関して、
本件訂正発明６の構成Ｂ６は「入力された画像に含まれる複数の電気設備に対応する画像領域を特定した特定結果及び各電気設備の画像領域の特定結果の確信度を出力する」「第１の学習済モデルを用いて」、「特定済みの電気設備毎の画像領域の確信度同士を比較して電気設備毎の画像領域を順位付けすることにより所定数の前記画像領域を特定」するのに対して、
甲１発明１は、「入力された画像に含まれる複数の電気設備に対応する画像領域を特定した特定結果及び各機材の画像領域の特定結果の確信度を出力する」「学習済モデルを用い」るものではなく、「特定済みの電気設備毎の画像領域の確信度同士を比較して電気設備毎の画像領域を順位付けすることにより所定数の前記画像領域を特定」するものでもない点で、両者は相違する。
次に、上記「異常箇所検出部２１ｃ」は、本件訂正発明６の構成Ｃ２の「前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部」と対比した場合、「画像領域を前記取得部が取得した画像から抽出する点」で共通するものの、特定した画像領域である被点検物に相当する領域を抽出するのではなく、その領域からさらに被点検物において周囲と異なる状態（形状、色等）にある異常箇所の可能性がある部分である異常画像候補領域を検出する点で相違する。
さらに、本件訂正発明６の「特定部」と「抽出部」は、別個に構成されているのに対して、甲１発明１の構成ｆ１の「異常箇所検出部２１ｃ」は１つの構成である点で相違する。

（ウ）構成Ｄ２について
甲１発明１の構成ｆ１の「異常箇所検出部２１ｃ」は、「取得データの動画像データから既存の画像処理により被点検物に相当する領域を検出し、その領域から異常画像候補領域を検出し」、「異常画像候補領域の画像データについて、被点検物に生じる異常種類の特徴を示す学習モデルを用いて」、「検出対象とする異常種類に相当する画像であるかを判定する」ことから、当該「学習モデル」は「画像データについて、被点検部に生じる異常種類」であって「検出対象とする異常種類に相当する画像であるかを判定する」ものであり、本件訂正発明６の構成Ｄ２の「入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する」「学習済モデル」に相当するものといえる。
そうすると、甲１発明１の構成ｆ１は、本件訂正発明６の構成Ｄ２の「入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部」の機能を備えるものといえる。
ただし、本件訂正発明６の「判定部」は、「特定部」や「抽出部」とは別個に構成されているのに対して、甲１発明１の構成ｆ１の「異常箇所検出部２１ｃ」は１つの構成である点で相違する。

（エ）構成Ｐ、Ｑについて
本件訂正発明６は、構成Ｐ、Ｑにより「前記抽出部が抽出した電気設備毎の画像領域の順位付けがなされた所定数の画像領域の大きさを調整する調整部とを備え、前記判定部は、前記調整部が大きさを調整した電気設備毎の画像領域の順位付けがなされた所定数の画像領域を特定した順位に従って前記第２の学習済モデルへ入力する」のに対して、甲１発明１は抽出した画像領域の大きさを調整するための構成や、調整した画像領域を「異常箇所検出部２１ｃ」の学習モデルに入力するための構成を備えていない点で相違する。

（オ）構成Ｒについて
甲１発明１の構成ａ１の「巡視点検システム１」は、情報処理を行う装置の一種であり、本件訂正発明６の「情報処理装置」に相当する。

以上を総合すると、本件訂正発明６と甲１発明１との一致点、相違点は以下の通りである。

（一致点）
電気設備を含む画像を取得する取得部と、
入力された画像に含まれる複数の電気設備に対応する画像領域を、前記取得部が取得した画像から特定し、
特定した前記画像領域から得られる画像領域を前記取得部が取得した画像から抽出し、
入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出した画像領域から前記電気設備の状態を判定する部分と
を備える、情報処理装置。

（相違点６−１）
「複数の電気設備に対応する画像領域」を「取得部が取得した画像から」「特定する」にあたって、
本件訂正発明６は「入力された画像に含まれる複数の電気設備に対応する画像領域を特定した特定結果及び各電気設備の画像領域の特定結果の確信度を出力する第１の学習済モデル」を用いて当該画像領域を特定するものであって、「特定済みの電気設備毎の画像領域の確信度同士を比較して電気設備毎の画像領域を順位付けすることにより」、「所定数の」当該画像領域を特定するのに対して、
甲１発明１は、画像領域の特定にあたって、本件訂正発明１のような学習済モデルを用いるものではなく、また「特定済みの電気設備毎の画像領域の確信度同士を比較して電気設備毎の画像領域を順位付けすることにより」、「所定数の」画像領域を特定するものでもない点。

（相違点６−２）
「画像領域を前記取得部が取得した画像から抽出する」にあたって、
本件訂正発明６は、特定部が特定した画像領域を取得部が取得した画像から抽出するのに対して、
甲１発明１は特定した画像領域である被点検物に相当する領域をそのまま抽出するのではなく、その領域からさらに被点検物において周囲と異なる状態（形状、色等）にある異常箇所の可能性がある部分である異常画像候補領域を検出するものである点。

（相違点６−３）
「前記取得部が取得した複数の機材を含む画像から各機材に対応する画像領域を特定し」、「特定した前記画像領域を前記取得部が取得した画像から抽出し」、「入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルに、前記抽出した電気設備に対応する画像領域を入力して電気設備の状態を判定する」部分について、
本件訂正発明６は、「特定部」「抽出部」「判定部」という別個の構成を有し、「抽出部が抽出した各機材に対応する画像領域を特定した順位に従って」を「判定部」へ「順次」入力するのに対して、
甲１発明１は、これらが「異常箇所検出部２１ｃ」という１個の構成により実現されており、「特定した画像領域である被点検物に相当する領域を抽出するのではなく、その領域からさらに被点検物において周囲と異なる状態（形状、色等）にある異常箇所の可能性がある部分である異常画像候補領域」が入力されているものであり、「電気設備に対応する画像領域を特定した順位に従って順次入力」するものではない点。

（相違点６−４）
本件訂正発明６は構成Ｐ、Ｑを有し「前記抽出部が抽出した電気設備毎の画像領域の順位付けがなされた所定数の画像領域の大きさを調整する調整部とを備え、前記判定部は、前記調整部が大きさを調整した電気設備毎の画像領域の順位付けがなされた所定数の画像領域を前記第２の学習済モデルへ入力する」のに対して、甲１発明１は抽出した電気設備毎の画像領域の順位付けがなされた所定数の画像領域の大きさを調整するための構成や、当該調整した画像領域を「異常箇所検出部２１ｃ」の学習モデルに入力するための構成を備えるものではない点。

イ 相違点についての検討及び判断
上記相違点について検討する。
相違点６−１について、上記「１ 本件訂正発明１について」の「ア 対比」における上記相違点１−１と同様に、取得した画像に含まれる対象物に対応する画像領域を特定する場合に、当該特定処理を行う特定部を、学習済モデルを用いて構成することは周知技術にすぎず、甲１発明１の取得データ記憶部２１ｄに記憶された取得データの動画像データから既存の画像処理により被点検物に相当する領域を検出し、その領域から異常画像候補領域を検出する異常箇所検出部２１ｃの構成として、学習済モデルを用いて構成することについては、当業者ならば容易になし得たものであるが、「特定済みの電気設備毎の画像領域の確信度同士を比較して電気設備毎の画像領域を順位付けすることにより」、「所定数の」当該画像領域を特定することは、上記周知技術として示された甲２技術ないし甲２０技術に基づいて当業者が容易になし得たものではなく、また技術常識や慣用技術ということもできない。
そうすると、甲１発明１の異常箇所検出部２１ｃを、学習済モデルを用いて構成すること自体は当業者ならば容易になし得たものであるとしても、さらに、「特定済みの電気設備毎の画像領域の確信度同士を比較して電気設備毎の画像領域を順位付けすることにより」、「所定数の」当該画像領域を特定することは、当業者であっても容易になし得たものとはいえない。

相違点６−２については、相違点１−２と同様の理由により、当業者であっても、甲１発明１及び上記周知技術に基づいて容易になし得たものということはできない。

相違点６−３、６−４について、相違点６−１のとおり、「特定済みの電気設備毎の画像領域の確信度同士を比較して電気設備毎の画像領域を順位付けすることにより」、「所定数の」当該画像領域を特定することは、当業者であっても容易になし得たものとはいえず、また、相違点６−２については、相違点１−２と同様の理由により、甲１発明１の「異常箇所検出部２１ｃ」における学習モデルの入力として、既に何らかの異常箇所の可能性がある異常画像候補領域を入力することが前提となっていることから、これを単に被点検物に相当する領域を入力する構成に置き換えることも、当業者であっても容易になし得たものということはできない。
そうすると、相違点６−３、６−４についても、当業者であっても甲１発明１及び上記周知技術に基づいて容易になし得たものということはできない。

以上のとおり、相違点６−１ないし６−４に係る本件訂正発明６の構成は、当業者であっても甲１発明１及び上記周知技術に基づき容易に発明をすることができたものではない。

ウ 本件訂正発明６についてのまとめ
上記イのとおり、本件訂正発明６は、当業者であっても甲１発明１及び上記周知技術に基づき容易に発明をすることができたものではない。

５ 本件訂正発明７について
ア 対比
本件訂正発明７と甲１発明１とを対比する。

（ア）構成Ａ７について
甲１発明１は、構成ａ１の「巡視点検システム１」を構成する「巡視点検制御システム２」のうちの「情報処理装置１０」において、「ドローン１４から取得される取得データ（画像データ（動画像、静止画像））の整理／管理をする」「異常箇所検出部２１ｃ、取得データ記憶部２１ｄを含む」「取得データ整理管理部２１」を含み、構成ｄ１の「ドローン１４は、巡視点検対象とする送電設備１７を撮影して画像データを記憶」することから、ドローンからの送電設備１７を含む画像が取得され、これを整理／管理するものといえる。
そうすると、甲１発明１の「情報処理装置１０」は、本件訂正発明７の構成Ａ７の「電気設備を含む画像を取得」する処理を行うといえる。

（イ）構成Ｂ７、Ｃ７について
甲１発明１の構成ｆ１の「異常箇所検出部２１ｃ」は、「取得データ記憶部２１ｄに記憶された取得データの動画像データから既存の画像処理により被点検物に相当する領域を検出」するものであり、ここで、被点検物に相当する領域を検出するにあたり、当該被点検物に相当する領域が特定されることは明らかである。
そうすると、上記「異常箇所検出部２１ｃ」において行われる処理は、本件訂正発明７の構成Ｂ７の「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、取得した画像から前記画像領域を特定」する処理と、「入力された画像に含まれる電気設備に対応する画像領域」を「取得した画像から」「特定する」点において共通し、また、本件訂正発明７の構成Ｃ７の「特定した前記画像領域を取得した画像から抽出」する処理を行うものといえる。
ただし、「入力された画像に含まれる電気設備に対応する画像領域」を「特定する」にあたり、本件訂正発明７は「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて」「特定する」のに対して、甲１発明１は「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する」「学習済モデルを用いて」「特定する」ものではない点で、両者は相違する。

（ウ）構成Ｄ７について
甲１発明１の構成ｆの「異常箇所検出部２１ｃ」は、「取得データの動画像データから既存の画像処理により被点検物に相当する領域を検出し、その領域から異常画像候補領域を検出し」、「異常画像候補領域の画像データについて、被点検物に生じる異常種類の特徴を示す学習モデルを用いて」、「検出対象とする異常種類に相当する画像であるかを判定する」ことから、当該「学習モデル」は「画像データについて、被点検部に生じる異常種類」であって「検出対象とする異常種類に相当する画像であるかを判定する」ものであり、本件訂正発明の構成Ｄ７の「入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、抽出した画像領域から前記電気設備の状態を判定」する処理を行うものといえる。

（エ）構成Ｈ７、Ｉ７、Ｎ７について
本件訂正発明７は、構成Ｈ７、Ｉ７、Ｎ７の処理、すなわち、
「取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、」「順位付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力し、」「取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う」のに対して、甲１発明１は、画像領域の順位付けに関する処理を行うものではない点で相違する。

（オ）構成Ｅ７について
甲１発明１は、構成ａ１のように、撮影された画像データをもとに、複数の異なる被点検物に生じた異常箇所を検出し、この検出結果を巡視点検結果報告として記録することから、本件訂正発明７の構成Ｅ７と同様に、「設備判定方法」を実行するものといえる。

以上を総合すると、本件訂正発明７と甲１発明１との一致点、相違点は以下の通りである。

（一致点）
電気設備を含む画像を取得し、
入力された画像に含まれる電気設備に対応する画像領域を特定することで、取得した画像から画像領域を特定し、
特定した前記画像領域を取得した画像から抽出し、
入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する学習済モデルを用いて、抽出した画像領域から前記電気設備の状態を判定する、
設備判定方法。

（相違点７−１）
「取得した画像から」「画像領域を特定する」にあたり、
本件訂正発明７は、「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用い」るのに対して、
甲１発明１は、画像領域の特定にあたって、本件訂正発明７のような学習済モデルを用いるものではない点。

（相違点７−２）
本件訂正発明７は、「取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、順位付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力し、取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う」のに対して、甲１発明１はそのような処理を行うものではない点。

イ 相違点についての検討及び判断
事案に鑑み、まず相違点７−２について検討する。
取得した画像に含まれる領域の順位付けに関して、甲第９号証に記載される甲９技術は、
「画面中心と顔領域の重心位置との間の距離に基づき、当該顔領域の位置重みを決定し、位置重みに基づき顔領域の優先度を算出し、算出された優先度に基づき、画面内で検出された顔領域のそれぞれに対する優先順位が決定され」るという事項を含むものにすぎない。
すなわち、甲９技術は、取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行うものではなく、入力画像に含まれる何らかの対象物に対応する画像領域を特定した特定結果を順位付けするようなものでもなく、上記相違点７−２を充足するものではない。
また、甲２技術から甲６技術、甲８技術、甲１０技術、甲１１技術、さらには甲１２技術ないし甲２０技術のような周知技術を検討しても、上記相違点７−２を充足するものではない。

そうすると、相違点７−１について検討するまでもなく、相違点７−２に係る本件訂正発明７の構成は、当業者であっても甲１発明１、甲９技術及び上記周知技術に基づき容易に発明をすることができたものではない。

ウ 本件訂正発明７についてのまとめ
上記イを総合すると、本件訂正発明７は、当業者であっても甲１発明１、甲９技術及び上記周知技術に基づき容易に発明をすることができたものではない。

６ 本件訂正発明８について
本件訂正発明８は、本件訂正発明７の「設備判定方法」を行うコンピュータプログラムに関するものであり、本件訂正発明７と同様に、当業者であっても甲１発明１、甲９技術及び上記周知技術に基づき容易に発明をすることができたものではない。

７ 本件訂正発明９に関して
ア 対比
本件訂正発明９と甲１発明２とを対比する。

（ア）構成Ｓについて
甲１発明２は、構成ｃ２の「ドローン１４を用いて、被点検物に対する巡視点検をすることにより取得された異常箇所の実画像データであり、ドローン１４により撮影された画像データから、異常箇所であること及び異常種類が作業員等によって確認された画像データ」である「異常箇所検出画像データ４０ｂ」と、構成ｄ２の「素線が切れた状態、送電線に炭がついた状態、炭がとれて送電線が光った（光沢）状態などを工具等で送電線に対して付加し、この送電線を撮影することにより生成され」た「擬似的に付加した異常／劣化の状態を撮影した学習用擬似画像データ」である「学習用画像データ４０ｃ」を、構成ａ２の学習モデルを生成する管理装置１２の「データ記憶部４０ａ」に記憶している。
また、構成ｅ２について、「異常箇所画像データ４０ｂ及び学習用画像データ４０ｃに対して作業員等の走査により指示（教示）」を行うことで「類似画像（学習モデル）を生成するために必要な」のが「教示メタデータ４０ｄ」である。ここで、学習モデルの生成にあたっては、教示を行う教示メタデータ４０ｄのみならず、教示の対象である「異常箇所画像データ４０ｂ」と「学習用画像データ４０ｃ」も学習モデルを生成するために必要であることは明らかである。
また、これら「異常箇所検出画像データ４０ｂ」と「学習用画像データ４０ｃ」は、何らかの処理を経てデータ記憶部４０ａに記憶されたものであることも明らかである。
そうすると、これら「異常箇所検出画像データ４０ｂ」と「学習用画像データ４０ｃ」をデータ記憶部４０ａに記憶することは、本件訂正発明９の構成Ｓと同様に「電気設備を含む教師用画像を取得し」ているといえる。

（イ）構成Ｔ、Ｕ、Ｖについて
甲１発明２の構成ｆ２の「エッジ切り出し部４０ｈ」は、「学習画像読み込み部４０ｆにより読み込まれた学習用画像データ４０ｃに対して、教示メタデータ読み込み部４０ｇにより読み出された教示メタデータ４０ｄを利用し、エッジ検出の画像処理手法を用いて送電線の輪郭を切り出し、すなわち、学習用画像中の送電線の全体を含む領域から送電線に相当する領域を切り出し」ており、送電線に相当する領域を切り出すにあたり、当該送電線に相当する領域が特定されることは明らかである。

そうすると、上記「エッジ切り出し部４０ｈ」により「学習画像読み込み部４０ｆにより読み込まれた学習用画像データ４０ｃに対して、教示メタデータ読み込み部４０ｇにより読み出された教示メタデータ４０ｄを利用し、エッジ検出の画像処理手法を用いて送電線の輪郭を切り出し、すなわち、学習用画像中の送電線の全体を含む領域から送電線に相当する領域を切り出し」ていることは、本件訂正発明９の構成Ｔの「取得した画像に含まれる複数の電気設備それぞれに対応する前記画像領域を、複数の画像領域の位置関係に基づいて順位付けして特定」することと、「取得した画像に含まれる複数の電気設備それぞれに対応する画像領域」を「取得した画像から」「特定する」点において共通する。
また、上記「エッジ切り出し部４０ｈ」により「切り出し」ていることは、本件訂正発明９の構成Ｕと「特定した前記画像領域を取得した画像から抽出」する点において共通する。

ただし、「入力された画像に含まれる電気設備に対応する画像領域」を「取得した画像から」「特定する」にあたり、本件訂正発明９は、構成Ｔにおいて「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて」「特定する」のに対して、甲１発明２は「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する」「学習済モデルを用いて」「特定する」ものではない点で、両者は相違する。
次に、本件訂正発明９は、構成Ｔにおいて、「取得した画像に含まれる複数の電気設備それぞれに対応する前記画像領域を、複数の画像領域の位置関係に基づいて順位付けして特定」するのに対して、甲１発明２は、そのような順位付けを行うものではない点で相違する。
また、「特定した前記画像領域を取得した画像から抽出」することについて、本件訂正発明９は、構成Ｕにおいて、「順位付けされて特定された」画像領域を抽出するのに対して、甲１発明２は「順位付けされて特定された」画像領域を抽出するものではない点で相違する。
さらに、本件訂正発明９は、構成Ｖにおいて「順位付けされた抽出した前記画像領域の大きさを調整」するのに対して、甲１発明２は、順位付けされた抽出した前記画像領域の大きさを調整するものではない点で相違する。

（ウ）構成Ｗについて
甲１発明２の構成ｇ２の「隣接正常画像探索部４０ｋ」は、「被点検物の画像（送電線輪郭内）中の異常画像の周辺にある複数の正常画像領域を探索し、被点検物の画像から抽出可能な正常画像を抽出し」、構成ｈ２の「類似画像生成部４０ｎは、隣接正常画像探索部４０ｋにより探索された複数の正常画像と、教示メタデータ４０ｄが示す異常画像とを組み合わせ、被点検物に生じる異常／劣化の状態を表す疑似画像（類似画像）を生成し」ていることから、本件訂正発明９の構成Ｗの「抽出した前記画像領域及び該画像領域に含まれる電気設備の状態を対応付けた教師データに基づいて」「学習済モデルを生成」しているといえる。

また、甲１発明２の構成ｉ２、ｊ２の「学習済みモデル管理部４０ｐは、類似画像生成部４０ｎにより生成された正常画像と異常画像の割合別の類似画像を学習する、すなわち、生成された類似画像を、類似画像を生成した条件と対応づけて、学習モデル記憶部４０ｖに記憶／管理し、学習済みモデル管理部４０ｐにより類似画像（学習モデル）が学習され」「異常箇所を含む画像と異常箇所を含まない画像とが混在する複数の検証画像に対して、検証画像に含まれる異常箇所の異常種類に対して生成された学習モデルを用いて異常箇所の検出（認証）処理を実行する」ことから、構成ｉ２、ｊ２の「学習済みモデル管理部４０ｐ」に管理される「検証画像に含まれる異常箇所の異常種類に対して生成された学習モデル」を用いて「異常箇所を含む画像と異常箇所を含まない画像とが混在する複数の検証画像に対して」、「異常箇所の検出（認証）処理を実行する」ものといえるが、これは、本件訂正発明９の構成Ｗの「入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する」に相当する。

以上のことから、甲１発明２の構成ｇ２、ｈ２、ｉ２、ｊ２における処理は、本件訂正発明９の構成Ｗの「入力された画像に含まれる電気設備に対応する」、「抽出した」「画像領域」である「前記画像領域及び該画像領域に含まれる電気設備の状態を対応付けた教師データに基づいて」、「入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを生成する」ことと同様の処理を行うものといえる。
ただし、学習済モデルを生成するにあたって、本件訂正発明９の構成Ｗは、「大きさを調整した」前記画像領域を用いており、「第１の学習済みモデルによる特定結果から順位付けされて特定された複数の画像領域を前記順位に従って入力」するのに対して、甲１発明２は、「大きさを調整した」画像を用いるものではなく、かつ順位付けされて特定された複数の画像領域を前記順位に従って入力するものではない点において相違する。

（エ）構成Ｘについて
甲１発明２の構成ａ２の「学習モデル生成処理」は、本件訂正発明９の構成Ｘの「学習済みモデルの生成方法」に相当する。

以上を総合すると、本件訂正発明９と甲１発明２との一致点、相違点は以下の通りである。

（一致点）
電気設備を含む教師用画像を取得し、
入力された画像に含まれる電気設備に対応する画像領域を、取得した画像から特定し、
特定した前記画像領域を取得した画像から抽出し、
前記画像領域及び該画像領域に含まれる電気設備の状態を対応付けた教師データに基づいて、入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを生成する、
学習済モデルの生成方法。

（相違点９−１）
「入力された画像に含まれる電気設備に対応する画像領域」を「取得した画像から」「特定する」にあたり、
本件訂正発明９は、「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて」「特定する」のに対して、
甲１発明２は「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する」「学習済モデルを用いて」「特定する」ものではない点。

（相違点９−２）
「入力された画像に含まれる電気設備に対応する画像領域」を「取得した画像から」「特定する」にあたり、
本件訂正発明９は、「取得した画像に含まれる複数の電気設備それぞれに対応する前記画像領域を、複数の画像領域の位置関係に基づいて順位付けして特定」するのに対して、
甲１発明２は、そのような順位付けを行うものではない点。

（相違点９−３）
「特定した前記画像領域を取得した画像から抽出」することについて、
本件訂正発明９は、「順位付けされて特定された」画像領域を抽出し、「順位付けされた抽出した前記画像領域の大きさを調整」するのに対して、
甲１発明２は「順位付けされて特定された」画像領域を抽出するものではなく、順位付けされた抽出した前記画像領域の大きさを調整するものでもない点で相違する。

（相違点９−４）
学習済モデルを生成するにあたって、
本件訂正発明９は、「大きさを調整した」前記画像領域を用いており、「第１の学習済みモデルによる特定結果から順位付けされて特定された複数の画像領域を前記順位に従って入力」するのに対して、甲１発明２は、「大きさを調整した」画像を用いるものではなく、かつ順位付けされて特定された複数の画像領域を前記順位に従って入力するものではない点において相違する。

イ 相違点についての検討及び判断
事案に鑑み、まず相違点９−２について検討するに、上記「５ 本件訂正発明７について」の「イ 相違点についての検討及び判断」と同様の理由により、甲第９号証に記載される甲９技術は、上記相違点９−２を充足するものではない。
また、甲２技術から甲６技術、甲８技術、甲１０技術、甲１１技術、さらには甲１２技術ないし甲２０技術のような周知技術を検討しても、上記相違点９−２を充足するものではない。

そして、相違点９−３、９−４において、このように順位付けされた画像領域を入力して、最終的に第２の学習済モデルを生成する以上、甲９技術及び上記周知技術を検討しても、上記相違点９−３、９−４を充足するものではない。

したがって、相違点９−１について検討するまでもなく、相違点９−２ないし９−４に係る本件訂正発明９の構成は、当業者であっても甲１発明２、甲９技術及び上記周知技術に基づき容易に発明をすることができたものとはいえない。

ウ 本件訂正発明７についてのまとめ
上記イを総合すると、本件訂正発明９は、当業者であっても甲１発明２、甲９技術及び上記周知技術に基づき容易に発明をすることができたものではない。

８ 小括
以上のとおり、本件訂正発明１、本件訂正発明３、４のうち、本件訂正発明１を引用する発明、本件訂正発明６並びに７、８は、当業者であっても甲第１号証に記載された発明のうちの甲１発明１、甲９技術及び上記周知技術に基づいて容易に発明することができたものとはいえない。
また、本件訂正発明９は、当業者であっても甲第１号証に記載された発明のうちの甲１発明２、甲９技術及び上記周知技術に基づいて容易に発明することができたものとはいえない。

第８ 取消理由通知において採用しなかった特許異議申立について

１ 特許異議申立書における特許異議申立理由の要旨
特許異議申立書における、請求項１〜９に係る特許（以下、訂正前の請求項１〜９に係る発明については、項番にしたがい「本件特許発明１」〜「本件特許発明９」という。）に対しての特許異議申立理由の要旨は、以下のとおりである。（特許異議申立書の３（３）申立ての根拠、（４）具体的理由のイ〜キ、（５）むすび）
なお、末尾の括弧内は、特許異議申立書の関連する頁行である。

（１）特許法第29条第2項（同法第113条第2号）：甲１発明を主引用発明とする進歩性欠如
本件特許発明１、３、４、及び６から９は、甲１発明及び周知技術に基づいて容易に想到できたものであり、特許法第29条第2項の規定により特許を受けることができないものである。
また、本件特許発明２は、甲１発明、甲第７号証、及び周知技術に基づいて容易に想到できたものであり、特許法第29条第2項の規定により特許を受けることができないものである。
また、本件特許発明５は、甲１発明、甲第９号証、及び周知技術に基づいて容易に想到できたものであり、特許法第29条第2項の規定により特許を受けることができないものである。
（周知技術を立証する証拠として、甲第２号証から甲第６号証、甲第８号証、甲第１０号証、甲第１１号証）
（１２頁１０〜１４行、４５頁５〜１４行、６７頁２０行〜６８頁２２行）

（２）特許法第29条第2項（同法第113条第2項）：甲２発明を主引用発明とする進歩性欠如
本件特許発明１、３、及び６から８は、甲２発明に基づいて容易に想到できたものであり、特許法第29条第2項の規定により特許を受けることができないものである。
また、本件特許発明２は、甲２発明及び甲第７号証に記載の事項に基づいて容易に想到できたものであり、特許法第29条第2項の規定により特許を受けることができないものである。
また、本件特許発明４は、甲２発明及び周知技術に基づいて容易に想到できたものであり、特許法第29条第2項の規定により特許を受けることができないものである。
また、本件特許発明５は、甲２発明及び甲第９号証に記載の事項に基づいて容易に想到できたものであり、特許法第29条第2項の規定により特許を受けることができないものである。
（周知技術を立証する証拠として、甲第３号証から甲第６号証、甲第８号証、甲第１０号証、甲第１１号証）
（１２頁１５〜１９行、５８頁１５行〜５９頁３行、６８頁２３行〜６９頁２０行）

甲第１号証 ：特開２０１８− ７４７５７号公報
甲第２号証 ：特開２０１８−１０７７５９号公報
甲第３号証 ：特開２０１４−１２６３６１号公報
甲第４号証 ：特開２０１５−１１６９１６号公報
甲第５号証 ：特開２０１４−１０６６８５号公報
甲第６号証 ：特開２０１９− ８４６０号公報
甲第７号証 ：特開２０１７−１１７０２５号公報
甲第８号証 ：特開２０１９− ３２９９号公報
甲第９号証 ：特開２０１０−１４１６１６号公報
甲第１０号証：特開２０１９− ２１３１３号公報
甲第１１号証：特開２０１８− ２２４８４号公報

（３）特許法第36条第6項第2号（同法第113条第4号）
請求項１から９に記載の「電気設備」の意義は明確ではないから、本件特許発明１から９は明確ではない。

まず、発明の詳細な説明に「電気設備」の定義は存在しない。そして、広辞苑（第７版）に「電気設備」との項目が存在しないことからもわかるように、「電気設備」の意義は明確には確定できない。

これが「電気」に関連する何らかの「設備」を意味するものとすれば、電池、複写機の静電潜像媒体（感光ドラム）、コンピュータ、集積回路、電子レンジ、電子レンジを載置する台、及び発電所を含む、極めて多種多様にわたる対象が含まれることになる。その一方で、発明の詳細な説明において電気設備の具体例として挙げられたのは、わずかに電柱、電柱に設けられた各種の機材、及び電線にすぎない（段落００１１）から、「電気設備」が何を含み、何を含まないのかを理解することは極めて困難である。
また、本件特許発明の意義に照らして、「電気設備」が上記のあらゆる設備を含むと理解することは不合理である。第１に、本件特許発明は「撮像画像に設備が小さく写されている場合には、この設備の異常を精度よく判定できない虞がある」との課題（段落０００４）に鑑みてなされたものである。しかしながら、一般に設備（例えば集積回路等）の画像による異常判定を行うのであれば、設備が適切な大きさで写るように設定された距離で撮像を行うことを試みるのが当然であり、撮像画像に設備が小さく写されているなどという課題は通常生じ得ない。第２に、電池のように異常が内部で生じがちな設備に対して画像を用いた異常判定を行うことも、一般には考えにくい。してみれば、本件特許発明１−９の対象となる「電気設備」とは、設備が小さく写される可能性がある何らかの事情を有するものであり、画像により検出可能な異常が生じがちな設備でなければ、不合理であるといわざるを得ない。しかしながら、請求項に記載された「電気設備」は設備の範囲を具体的に定めていないし、発明の詳細な説明に基づいても「電気設備」の範囲を明確に定めることは不可能である。

結局のところ、「電気設備」の意義は不明確であり、本件特許発明の技術的意義及び技術常識を考慮すれば発明特定事項が不足していると理解せざるを得ないことから、本件特許発明１−９は明確ではなく、請求項１−９は特許法第36条第6項第2号に規定する要件を充たさない。

本件特許発明１から９は、特許請求の範囲の記載について、請求項に係る発明が明確ではないため、特許法第36条第6項第2号に規定する要件を満たしていない特許出願に対してされたものである。
（１２頁２０〜２１行、５９頁４行〜６０頁８行、６９頁２１〜２４行）

（４）特許法第36条第6項第1号について（１）（同法第113条第4号）
当業者は、発明の詳細な説明等に基づいて本件特許発明１から５及び７から９により発明の課題が解決できることを認識することができないから、本件特許発明１から５及び７から９は発明の詳細な説明に記載されたものとはいえず、請求項１から５及び７から９はサポート要件を充たさない。

本件特許発明の課題は、【背景技術】及び【発明が解決しようとする課題】の記載によれば、従来画像から着目部分（例えばアーム）の画像領域を抽出し、この領域に対して異常検出を行う方法が知られていたところ、人工知能を用いた画像認識により設備を撮像した画像から設備の異常を判定する際に、設備が小さく写されている場合に判定精度が低かったため、この判定精度を向上させる点にあると理解される。

【０００２】
配電設備の異常を判定する種々の手法が提案されている。例えば特許文献１では、一台の赤外線カメラ及び複数の可視光カメラで電柱を撮像し、可視光力メラで撮像した画像からアーム（腕金）の画像領域を抽出し、赤外線カメラで撮像した熱画像におけるアームの画像領域から柱上機材の温度勾配を算出して、柱上機材が正常か異常かを判定する異常検出方法等が開示されている。

【発明が解決しようとする課題】
【０００４】
近年、ニューラルネットワークを利用した人工知能により、カメラの撮像画像から特定の物体を検出する画像認識の技術が急速に発展している。当該技術を利用し、設備を撮像した画像に基づいてこの設備の異常を判定することが研究されている。しかし、カメラの撮像画像に写された設備の大きさにより異常判定の精度が左右され、撮像画像に設備が小さく写されている場合には、この設備の異常を精度よく判定できない虞がある。
【０００５】
本発明は、斯かる事情に鑑みてなされたものであって、その目的とするところは、カメラの撮像画像に基づく設備の異常判定の精度を向上することが期待できる情報処理装置、設備判定方法、コンピュータプログラム及び学習済モデルの生成方法を提供することにある。

しかしながら、請求項１から５及び７から９には、学習済モデルに適用される、電気設備に対応する画像領域の大きさについて何ら規定されておらず、これらの請求項に記載の構成により上記の課題が解決できる理由は、請求項の記載からはもとより本件明細書からも全く理解できない。
たしかに、段落０００７には、「画像からの電気設備が写された画像領域の特定と、特定された画像領域からの電気設備の状態判定とを異なる学習済モデルを用いて行うことにより、電気設備の状態判定の精度の向上が期待できる。」との記載がある。しかしながら、当該手法を用いたところで画像中に設備が小さく写されているという問題には対処できないし、かかる構成により精度の向上が期待できる理由も本件明細書には何ら記載されていないのである。そもそも、このように画像領域の抽出と状態判定とを別の手法で行うこと自体は、画像からアームの画像領域を抽出し、この画像領域に対して異なる判定方法（温度勾配を算出）で異常検出を行う従来技術（段落０００２）と何ら変わるところがなく、かかる手法のみで異常判定の精度を向上できるとは到底理解できない。

一方で、段落００６０には以下の構成が記載されている。

次いで、処理部１１の領域抽出部１１ｃは、ステップＳ１１にて取得した撮像画像から、ステップＳ１３にて特定された画像領域を抽出する（ステップＳ１５）。処理部１１の調整部１１ｄは、異常判定モデル１２ｃの入力に適した大きさとなるよう、抽出された画像領域の大きさを必要に応じて拡大又は縮小して調整する（ステップＳ１６）。処理部１１の異常判定部１１ｅは、抽出及び調整がなされた画像領域を、記憶部１２に記憶された学習済の異常判定モデル１２ｃへ入力する（ステップＳ１７）。異常判定部１１ｅは、異常判定モデル１２Ｃが出力する異常有無の判定結果を取得し（ステップＳ１８）、画像領域に含まれる電気設備の異常の有無を判定する（ステップＳ１９）。

このように、抽出された画像領域の大きさを拡大するという構成を採用すれば、設備が小さく写されている場合に判定精度が低かったという課題を解決できることは理解できる。
言い換えれば、本件特許発明１から５及び７から９には、発明の詳細な説明に記載された、発明の課題を解決するための手段である、「異常判定モデル１２Ｃの入力に適した大きさとなるよう、抽出された画像領域の大きさを必要に応じて拡大」して調整することが反映されておらず、本件特許発明１から５及び７から９は、発明の詳細な説明に記載した範囲を超えて特許を請求しているというべきである。

以上のように、当業者は、本件特許発明１から５及び７から９により発明の課題が解決できることを認識することができないから、本件特許発明１から５及び７から９は発明の詳細な説明に記載されたものではなく、請求項１から５及び７から９は特許法第36条第6項第1号の要件を充たさない。

本件特許発明１から５及び７から９は、請求項に係る発明が発明の詳細な説明に記載したものではないため、特許法第36条第6項第1号に規定する要件を満たしていない特許出願に対してされたものである。
（１２頁２２〜２３行、６０頁９行〜６３頁１行、６９頁２５行〜７０頁２行）

（５）特許法第36条第6項第1号について（２）（同法第113条第4号）
当業者は、発明の詳細な説明等に基づいて本件特許発明２から６により発明の課題が解決できることを認識することができないから、本件特許発明２から６は発明の詳細な説明に記載されたものとはいえず、請求項２から６はサポート要件を充たさない。

本件特許発明２の発明特定事項
「Ｅ 前記特定部は、画像領域に電気設備が含まれていることに係る確信度、及び、前記画像領域に含まれる前記電気設備の状態に係る確信度に基づいて、前記画像領域を特定する」
について、発明の詳細な説明の対応する記載は以下の通りである。

【００２６】
領域特定部１１ｂは、記憶部１２に記憶された領域特定モデル１２ｂを用いて、画像取得部１１ａが取得した画像から処理対象となる電気設備が含まれる領域を特定する処理を行う。領域特定モデル１２ｂは、画像を入力として受け付け、電気設備が含まれている画像領域を特定する座標等の情報と、この特定に関する確信度とを出力する。また本実施の形態において領域特定モデル１２ｂは、特定した画像領域に含まれる電気設備の異常の有無の判定結果をも出力する。ただし本実施の形態において、領域特定モデル１２ｂが出力する異常の有無の判定結果は、画像領域の順位付けに用いる予備的な情報であり、電気設備の異常の有無の最終的な判定は異常判定モデル１２ｃが行う。

【００５１】
なお領域特定モデル１２ｂは、画像領域の特定結果と共に、この特定結果の確信度を出力する。また領域特定モデル１２ｂは、異常の有無の判定結果と共に、この判定結果の確信度を出力する。サーバ装置１は、領域特定モデル１２ｂが出力するこれらの情報に基づいて、電気設備が含まれる画像領域の最終的な特定を行う。例えば、サーバ装置１は、領域特定モデル１２ｂが出力した特定結果の確信度が低い場合、又は、異常有無の判定結果の確信度が低い場合等には、領域特定モデル１２ｂが出力した画像領域の特定結果を破棄して次段の処理を行わなくてもよい。また領域特定モデル１２ｂが複数の画像領域を特定した場合、サーバ装置１は、領域特定モデル１２ｂが出力する情報に基づいて、画像領域の順位付けを行う。順位付けの詳細は後述する。

第１に、本件特許発明の課題が、カメラの撮像画像に基づく設備の異常判定の精度を向上することであることは、上述のとおりである。
確信度に基づく処理を上記課題の解決のために採用するにあたり、例えば、「異常有無の判定結果の確信度が低く、異常の有無の判定が難しい電気設備について、次段の処理によって異常判定を行う」という構成ならば、（このような構成が各請求項及び本件明細書には全く記載されていないことはさておき）上記課題を解決できることは理解できる。
一方で、発明の詳細な説明には、「前記画像領域に含まれる前記電気設備の状態に係る確信度に基づいて、前記画像領域を特定する」という事項そのものは記載されているものの、その具体的構成については、上記段落００５１に、領域特定モデル１２ｂが特定した電気設備を含む画像領域について、「異常有無の判定結果の確信度が低い場合等には、領域特定モデル１２ｂが出力した画像領域の特定結果を破棄して次段の処理を行わなくてもよい。」と記載されているのみであり、他の実施形態は記載されていない。ここでいう次段の処理は、段落００５２に記載されているように、抽出した画像領域に含まれる電気設備の異常の有無を判定する、異常判定モデル１２Ｃを用いた処理のことを指している。
すなわち、発明の詳細な説明を読んだ当業者は、「前記画像領域に含まれる前記電気設備の状態に係る確信度に基づいて、前記画像領域を特定する」との発明特定事項が、電気設備を含む画像領域について、前記画像領域に含まれる前記電気設備の状態に係る確信度（異常の有無の判定結果の確信度）が低い場合に、前記画像領域を特定しないことを意味する、あるいは少なくともこのような構成を含むと理解するはずである。しかしながら、このような構成を採用すれば、電気設備に対応する画像領域と判定されたとしても、異常の有無の判定結果の確信度が低い場合には、第２の学習済モデルを用いた電気設備の状態（異常の有無）の判定を行わないことになる。これは、異常の有無の判定が難しい電気設備については、異常を検出しないことを意味するから、かかる構成を導入することにより異常判定の精度を向上するという課題を達成できなくなることは明らかである。

第２に、本件特許発明２の「前記画像領域に含まれる前記電気設備の状態に係る確信度」について、当該確信度を出力する主体については特定されていないため、例えば、「第２の学習済モデル」が出力する「前記画像領域に含まれる前記電気設備の状態に係る確信度」も含み得る。
しかしながら、上記のとおり、発明の詳細な説明においては、「第１の学習済モデル」に対応する「領域特定モデル１２ｂ」が「前記画像領域に含まれる前記電気設備の状態に係る確信度」を出力する構成のみが記載されている。
また、上述の段落００５１に記載の「領域特定モデル１２ｂが出力した特定結果の確信度が低い場合、又は、異常有無の判定結果の確信度が低い場合等には、領域特定モデル１２ｂが出力した画像領域の特定結果を破棄して次段の処理を行わなくてもよい。」との本件特許発明２の技術的意義を鑑みると、出願時の技術常識に照らしても、請求項に係る発明の範囲まで、発明の詳細な説明において開示された内容を拡張ないし一般化できるとはいえない。したがって、本件特許発明２は、発明の詳細な説明に記載した範囲を超えて特許を請求している。

以上のように、当業者は、本件特許発明２により発明の課題が解決できることを認識することができないから、本件特許発明２は発明の詳細な説明に記載されたものではなく、請求項２は特許法第36条第6項第1号の要件を充たさない。
請求項３から６は請求項２を引用しているため、当業者は本件特許発明３から６によっても発明の課題が解決できることを認識することができないから、本件特許発明３から６は発明の詳細な説明に記載されたものではなく、請求項３から６は特許法第36条第6項第1号の要件を充たさない。

本件特許発明２から６は、請求項に係る発明が発明の詳細な説明に記載したものではないため、特許法第36条第6項第1号に規定する要件を満たしていない特許出願に対してされたものである。
（１２頁２４〜２５行、６３頁２行〜６６頁６行、７０頁３〜６行）

（６）特許法第36条第4項第1号について（同法第113条第4項）
発明の詳細な説明は、当業者が本件特許発明６の実施をすることができる程度に明確かつ十分に記載したものではない。

本件特許発明６の発明特定事項
「Ｋ 前記抽出部が抽出した画像領域の大きさを調整する調整部を備え、
Ｌ 前記判定部は、前記調整部が大きさを調整した画像領域を前記第２の学習済モデルヘ入力する」
について、発明の詳細な説明における対応する記載は以下の通りである。

【００２９】
調整部１１ｄは、領域抽出部１１ｃが抽出した画像領域に対して大きさを調整する処理を行う。領域特定部１１ｂにより特定されて領域抽出部１１ｃにより抽出される画像領域の大きさは、元の画像に写されていた電気設備の大きさに依存する。調整部１１ｄは、領域抽出部１１ｃが抽出した画像領域を拡大又は縮小することによって、異常判定モデル１２Ｃの入力に適した画像の大きさとなるよう調整する。

【００６０】
次いで、処理部１１の領域抽出部１１ｃは、ステップＳ１１にて取得した撮像画像から、ステップＳ１３にて特定された画像領域を抽出する（ステップＳ１５）。処理部１１の調整部１１ｄは、異常判定モデル１２ｃの入力に適した大きさとなるよう、抽出された画像領域の大きさを必要に応じて拡大又は縮小して調整する（ステップＳ１６）。処理部１１の異常判定部１１ｅは、抽出及び調整がなされた画像領域を、記憶部１２に記憶された学習済の異常判定モデル１２ｃへ入力する（ステップＳ１７）。異常判定部１１ｅは、異常判定モデル１２ｃが出力する異常有無の判定結果を取得し（ステップＳ１８）、画像領域に含まれる電気設備の異常の有無を判定する（ステップＳ１９）。

しかしながら、「Ｋ 前記抽出部が抽出した画像領域の大きさを調整する調整部」について、発明の詳細な説明において、「具体的にどのような大きさにすることで精度が向上するか」について記載がなく、単に「異常判定モデル１２ｃの入力に適した画像の大きさとなるよう調整する」との抽象的又は機能的に記載してあるだけで具現すべき工程等が不明瞭である。また、「異常判定モデル１２ｃの入力に適した画像の大きさ」が具体的にはどのような大きさであるのか、出願時の技術常識に基づいても当業者は理解できない。このため、当業者が本件特許発明６に係る発明の実施をすることはできない。

したがって、発明の詳細な説明は、当業者が本件特許発明６を実施できる程度に明確かつ十分に記載されていないから、特許法第36条第4項第1号に規定する要件を充たしていない。

本件特許明細書の発明の詳細な説明の記載には不備があり、本件特許発明６は、特許法第36条第4項第1号に規定する要件を満たしていない特許出願に対してされたものである。
（１２頁２６行〜１３頁１行、６６頁７行〜６７頁１８行、７０頁７〜１０行）

２ 取消理由（決定の予告）において採用しなかった特許異議申立理由についての検討
上記１（１）〜（６）の特許異議申立理由のうち、取消理由（決定の予告）において採用しなかった特許異議申立理由について、以下で検討する。

（１）特許法第29条第2項（同法第113条第2項）：甲１発明を主引用発明とする進歩性欠如
以下では、本件訂正発明２について、甲１発明１及び甲第７号証並びに周知技術に基づいて当業者が容易に発明をすることができたかどうかについての検討を、次に本件訂正発明５について、甲１発明１及び甲第９号証並びに周知技術に基づいて当業者が容易に発明をすることができたかどうかに対する検討を、それぞれ行う。
その後、本件訂正発明２を引用する本件訂正発明３、４についての検討を行う。

ア 本件訂正発明２について
（ア）本件訂正発明２と甲１発明１との対比
両者を対比すると、少なくとも以下の点で相違する。

（相違点Ｆ）
本件訂正発明２は、「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部」が、構成Ｆのように「画像領域に電気設備が含まれていることに係る確信度、及び、前記画像領域に含まれる前記電気設備の状態に係る確信度に基づいて、前記画像領域を特定する」を有するのに対して、甲１発明１における構成ｆ１の「異常箇所検出部２１ｃ」は、そのような構成を有するものではない点。

（イ）相違点に対する判断
上記相違点Ｆについて検討する。
甲第７号証に記載される甲７技術は、上記「第５ 特許異議申立時に提出された甲号証及び甲号証に記載された発明について」の「７（２）甲７技術」で説示したとおり、
「局所領域およびその周辺領域についての画像特徴量が入力されると、局所領域のカテゴリーの尤度、および周囲の領域との近接度を推定して出力する情報抽出処理部と、カテゴリーの尤度と周辺の領域間の近接度とに基づいて局所領域のカテゴリーを特定する構成要素識別処理部からなるパターン識別装置であって、情報抽出処理部を実現する識別系は系統の異なる多変量の目標変数の学習が可能であり、多変量の目標変数を学習する識別器として、ニューラルネットが考えられること」
というものにすぎず、上記相違点Ｆを充足するものではない。
また、上記相違点Ｆに係る技術事項は周知技術ではなく、周知技術を示す文献として挙げられた甲第２号証から甲第６号証、甲第８号証、甲第１０号証、甲第１１号証、さらには甲第１２号証ないし甲第２０号証のいずれにも記載されていない。

（ウ）小括
よって、本件訂正発明２は、当業者であっても甲１発明、甲７技術及び周知技術に基づいて容易に発明をすることができたものとはいえない。

イ 本件訂正発明５について
（ア）本件訂正発明５と甲１発明１との対比
両者を対比すると、少なくとも以下の点で相違する。

（相違点Ｎ）
本件訂正発明５は、「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部」が、構成Ｎのように「前記取得部が取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う」を有するのに対して、甲１発明１における構成ｆ１の「異常箇所検出部２１ｃ」は、そのような構成を有するものではない点。

（イ）相違点に対する判断
上記相違点Ｎについて検討するに、上記「第７ 取消理由通知（決定の予告）において通知した特許異議申立理由についての当審の判断」の「５ 本件訂正発明７」の「イ 相違点についての検討及び判断」と同様の理由により、甲第９号証に記載される甲９技術は、上記相違点Ｎを充足するものではない。
また、上記相違点Ｆに係る技術事項は周知技術ではなく、周知技術を示す文献として挙げられた甲第２号証から甲第６号証、甲第８号証、甲第１０号証、甲第１１号証、さらには甲第１２号証ないし甲第２０号証のいずれにも記載されていない。

（ウ）小括
よって、本件訂正発明５は、当業者であっても甲１発明、甲９技術及び上記周知技術に基づいて容易に発明をすることができたものとはいえない。

ウ 本件訂正発明３、４について
本件訂正発明３、４のうち、本件訂正発明２を引用する発明について、本件訂正発明３、４と甲１発明１とを対比すると、少なくとも上記アの相違点Ｆを有する。
また、甲７技術及び甲２技術から甲６技術、甲８技術、甲１０技術、甲１１技術、さらには甲１２技術ないし甲２０技術のような周知技術を検討しても、当該相違点Ｆを充足するものではない。
そうすると、本件訂正発明３、４のうち、本件訂正発明２を引用する発明については、当業者であっても甲１発明、甲７技術及び上記周知技術に基づいて容易に発明をすることができたものとはいえない。

（２）特許法第29条第2項（同法第113条第2項）：甲２発明を主引用発明とする進歩性欠如

ア 甲第２号証の記載及び甲２発明の認定
甲第２号証には、以下の記載がある。（下線は当審にて合議体が付した。）

「【００３８】
（画像処理装置の構成）
以上、本実施形態に係る画像処理システム１０００の全体構成について説明した。つづいて、画像処理装置１の詳細な構成について説明する。画像処理装置１は、図４に示すように画像読出し部１０、第１の信号処理部１０１、第２の信号処理部１０２、及び認識器記憶部１０３を備える。
【００３９】
画像読出し部１０は、画素信号を出力する複数の画素を有し、当該画素信号をデジタル信号に変換した画像を出力する。画像読出し部１０の機能は、例えば２層構造のイメージセンサにより実現されてもよい。」

「【００６４】
図４に示す第１の信号処理部１０１は、画像読出し部１０から図５を参照して説明した低解像度画像を受け取り、画像読出し部１０における注目領域の特定（検出）を行う。また、第１の信号処理部１０１は、注目領域を指定する領域指定信号を画像読出し部１０へ出力する。
・・・
【００６８】
なお、第１の信号処理部１０１による注目領域の特定方法は上記の例に限定されない。例えば、被写体の形状、または被写体の色の一致度を用いて特定する方法や、複数枚の画像を用いた時系列的な処理により、前フレームで抽出した注目領域の場所の情報を用いても良いし、被写体の動きから特定する方法が採用されてもよい。また、第１の信号処理部１０１は、機械学習に基づく被写体（物体）検出により、注目領域を特定してもよく、例えば被写体検出により検出される所定の種別の被写体（例えば人、顔、車両等）の写る領域を、注目領域として特定してもよい。」

「【００７７】
第２の信号処理部１０２は、領域指定信号に基づいて画像読出し部１０が出力する注目領域画像に対して認識処理を行う。第２の信号処理部１０２の認識処理が、画像読出し部１０の有する全ての画素に基づく画像ではなく、注目領域画像に対して行われることにより、処理量が抑えられる。また、注目領域画像は、低解像度画像よりも解像度（画像密度）が高く、例えば、全ての画素に基づく画像と同等の解像度を有するため、縮小画像を用いて認識処理を行う場合よりも高精度に認識処理を行うことが可能となる。」

「【００７９】
例えば、第１の信号処理部１０１が被写体の種類を特定せずに被写体の領域を注目領域として特定していた場合、第２の信号処理部１０２による認識処理は、被写体の種別を認識する処理であってもよい。被写体の種別は、例えば、人、動物（犬、猫など）、貨幣、キャッシュカード等のカード、車両、車両のナンバープレート、信号等であってもよい。
【００８０】
また、第１の信号処理部１０１が所定の種別の被写体を検出して、検出された被写体の領域を注目領域として特定していた場合、第２の信号処理部１０２による認識処理は、当該被写体のより詳細な情報や、属性等を認識する処理であってもよい。例えば、第１の信号処理部１０１が人（人物）を検出し、人物領域を注目領域として特定していた場合、第２の信号処理部１０２による認識処理は、人物を識別（例えば名前やＩＤとの対応付け）処理であってもよい。また、第１の信号処理部１０１が人の顔を検出し、顔領域を注目領域として特定していた場合、第２の信号処理部１０２による認識処理は、性別、年齢、表情、感情等の属性を認識する処理であってもよい。
・・・
【００８２】
また、第２の信号処理部１０２は、認識器記憶部１０３に記憶された認識器を用いて、認識処理を行ってもよい。当該認識器は、上述したように、サーバ７が行う注目領域画像に基づく機械学習により得られる。なお、サーバ７が行う機械学習の手法は特に限定されないが、例えばＣＮＮ（Convolutional Neural Network）に基づく手法であってもよく、係る場合、機械学習により得られる認識器はニューラルネットワークであってもよい。」

これらの記載によれば、甲第２号証には、以下の発明（以下、「甲２発明」という。）が記載されている。

２ａ、２ｂ、２ｃ、２ｄ、２ｅ 画像読出し部１０、第１の信号処理部１０１、第２の信号処理部１０２、認識器記憶部１０３を備える画像処理装置１であって、（【００３８】）

２ｂ、２ｃ 第１の信号処理部１０１は、画像読出し部１０から画像を受け取り、注目領域の特定（検出）を行い、注目領域を指定する領域指定信号を画像読出し部１０へ出力するものであって、機械学習に基づく被写体（物体）検出により、注目領域を特定するものであり、所定の種別の被写体（人、顔、車両等）の写る領域を、注目領域として特定するものであり、（【００６４】、【００６８】）

２ｄ 第２の信号処理部１０２は、領域指定信号に基づいて画像読出し部１０が出力する注目領域画像に対して認識処理を行うものであり、認識器記憶部１０３に記憶された認識器を用いて、認識処理を行うものであり、当該認識器は、注目領域画像に基づく機械学習により得られ、機械学習の手法はＣＮＮ（Convolutional Neural Network）に基づく手法であり、機械学習により得られる認識器はニューラルネットワークであり、（【００７７】、【００８２】）

２ｂ、２ｃ、２ｄ 第１の信号処理部１０１が被写体の種類を特定せずに被写体の領域を注目領域として特定していた場合、第２の信号処理部１０２による認識処理は、被写体の種別を認識する処理であり、被写体の種別は、人、動物（犬、猫など）、貨幣、キャッシュカード等のカード、車両、車両のナンバープレート、信号等であり、（【００７９】）
第１の信号処理部１０１が所定の種別の被写体を検出して、検出された被写体の領域を注目領域として特定していた場合、第２の信号処理部１０２による認識処理は、当該被写体のより詳細な情報や、属性等を認識する処理であり、例えば、第１の信号処理部１０１が人（人物）を検出し、人物領域を注目領域として特定していた場合、第２の信号処理部１０２による認識処理は、人物を識別（例えば名前やＩＤとの対応付け）処理であり、第１の信号処理部１０１が人の顔を検出し、顔領域を注目領域として特定していた場合、第２の信号処理部１０２による認識処理は、性別、年齢、表情、感情等の属性を認識する処理である、（【００８０】）

２ｅ 画像処理装置１。（【００３８】）

イ 本件訂正発明１
本件訂正発明１と甲２発明とを対比すると、両者は以下の点で一致する。

（一致点）
Ａ’’ 所定の種別の被写体を含む画像を取得する取得部と、
Ｂ’’ 入力された画像に含まれる所定の種別の被写体に対応する画像領域を特定した特定結果を機械学習により得て、前記取得部が取得した画像から前記画像領域を特定する特定部と、
Ｃ’’ 前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
Ｄ’’ 入力された画像領域に含まれる所定の種別の被写体のより詳細な情報や属性を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から所定の種別の被写体のより詳細な情報や属性を判定する判定部とを備える、
Ｅ 情報処理装置。

一方、両者は、少なくとも、上記「第７ 取消理由通知（決定の予告）において通知した特許異議申立理由についての当審の判断」の「１ 本件訂正発明１について」の「ア 対比」において示した相違点１−１、及び相違点１−３のうち、本件訂正発明１が「抽出部が抽出した各機材に対応する画像領域を特定した順位に従って」「判定部」へ「順次入力」するのに対して、甲２発明は「各機材に対応する画像領域を特定した順位に従って順次入力」するものではない点で相違する。

そして、相違点１−１、及び相違点１−３のうち、本件訂正発明１が「抽出部が抽出した各機材に対応する画像領域を特定した順位に従って」「判定部」へ「順次入力」するのに対して、甲２発明は「各機材に対応する画像領域を特定した順位に従って順次入力」するものではない点について検討するに、上記第７ 取消理由通知（決定の予告）において通知した特許異議申立理由についての当審の判断」の「１ 本件訂正発明１について」の「イ 相違点についての検討及び判断」で示した理由と同様の理由により、当業者であっても、甲２発明及び上記周知技術として示された甲３技術ないし甲２０技術に基づいて、当該相違点１−１、及び相違点１−３のうちの上記の点に係る事項を容易に構成することができたとはいえない。
したがって、本件訂正発明１は、当業者であっても甲２発明及び上記周知技術に基づき容易に発明をすることができたものであるとはいえない。

ウ 本件訂正発明２
本件訂正発明２と甲２発明とを対比すると、両者は少なくとも以下の点で相違する。

（相違点Ｆ）
本件訂正発明２は、「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部」が、構成Ｆのように「画像領域に電気設備が含まれていることに係る確信度、及び、前記画像領域に含まれる前記電気設備の状態に係る確信度に基づいて、前記画像領域を特定する」を有するのに対して、甲２発明はそのような構成を有するものではない点。

相違点Ｆについて検討するに、上記（１）の「ア 本件訂正発明２について」と同様に、甲第７号証に記載される甲７技術は、上記相違点Ｆを充足するものではない。
また、甲３技術から甲６技術、甲８技術、甲１０技術、甲１１技術、さらには甲１２技術ないし甲２０技術のような周知技術を検討しても、上記相違点Ｆを充足するものではない。

よって、本件訂正発明２は、当業者であっても甲２発明、甲７技術及び上記周知技術に基づいて容易に発明をすることができたものとはいえない。

エ 本件訂正発明５
本件訂正発明５と甲２発明とを対比すると、両者は少なくとも以下の点で相違する。

（相違点Ｎ）
本件訂正発明５は、「入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部」が、構成Ｎのように「前記取得部が取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う」を有するのに対して、甲２発明は、そのような構成を有するものではない点。

相違点Ｎについて検討するに、上記（１）の「イ 本件訂正発明５について」と同様に、甲第９号証に記載される甲９技術は、上記相違点Ｎを充足するものではない。
また、甲３技術から甲６技術、甲８技術、甲１０技術、甲１１技術、さらには甲１２技術ないし甲２０技術のような周知技術を検討しても、上記相違点Ｎを充足するものではない。

よって、本件訂正発明５は、当業者であっても甲２発明、甲９技術及び上記周知技術に基づいて容易に発明をすることができたものとはいえない。

オ 本件訂正発明６
本件訂正発明６と甲２発明とを対比すると、両者は少なくとも、上記「第７ 取消理由通知（決定の予告）において通知した特許異議申立理由についての当審の判断」の「４ 本件訂正発明６について」の「ア 対比」において認定され、「イ 相違点についての検討及び判断」において検討及び判断された、相違点６−１、及び相違点６−３のうち、本件訂正発明６が「抽出部が抽出した各機材に対応する画像領域を特定した順位に従って」「判定部」へ「順次入力」するのに対して、甲２発明は「各機材に対応する画像領域を特定した順位に従って順次入力」するものではない点、並びに相違点６−４の点で相違する。

そして、相違点６−１、及び相違点６−３のうちの本件訂正発明６の「抽出部が抽出した各機材に対応する画像領域を特定した順位に従って」「判定部」へ「順次入力」するのに対して、甲２発明は「各機材に対応する画像領域を特定した順位に従って順次入力」するものではない点、並びに相違点６−４について検討するに、上記「第７ 取消理由通知（決定の予告）において通知した特許異議申立理由についての当審の判断」の「４ 本件訂正発明６について」の「イ 相違点についての検討及び判断」で示した理由と同様の理由により、当業者であっても、甲２発明及び上記周知技術として示された甲３技術ないし甲２０技術に基づいて、当該相違点６−１、及び相違点６−３のうちの上記の点、並びに相違点６−４に係る事項を容易に構成することができたとはいえない。

したがって、これらの相違点に係る構成を含む本件訂正発明６は、当業者であっても甲２発明及び上記周知技術に基づき容易に発明をすることができたものではない。

カ 本件訂正発明７
本件訂正発明７と甲２発明とを対比すると、両者は少なくとも以下の点で相違する。

（相違点Ｈ７Ｉ７Ｎ７）
本件訂正発明７は、「取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、順位付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力し、取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う」のに対して、甲２発明はそのような構成を有するものではない点。

相違点Ｈ７Ｉ７Ｎ７について検討するに、当該相違点Ｈ７Ｉ７Ｎ７は上記「第７ 取消理由通知（決定の予告）において通知した特許異議申立理由についての当審の判断」の「５ 本件訂正発明７について」の「イ 相違点についての検討及び判断」において相違点７−２について説示したのと同様の理由により、甲９技術及び上記周知技術は当該相違点を充足するものではないといえる。

よって、本件訂正発明７は、当業者であっても甲２発明、甲９技術及び上記周知技術に基づいて容易に発明をすることができたものとはいえない。

キ 本件訂正発明８
本件訂正発明８は、設備判定方法という方法の発明である本件訂正発明７を実行するためのコンピュータプログラムという物の発明として特定したものであり、本件訂正発明７が上記カのとおり、当業者であっても甲２発明及び上記周知技術に基づいて容易に発明をすることができたものとはいえない以上、本件訂正発明８についても、当業者が容易に発明をすることができたものではない。

ク 本件訂正発明３〜４
本件訂正発明３〜４は、本件訂正発明１を直接的または間接的に引用する情報処理装置の発明であり、本件訂正発明１が上記イのとおり、甲２発明及び上記周知技術に基づいて当業者が容易に発明をすることができたものとはいえない以上、これらの発明についても、当業者が容易に発明をすることができたものとはいえない。

（３）特許法第36条第6項第2号（同法第113条第4号）
本件訂正発明１ないし９における「電気設備」について、本件明細書には、以下のような記載がある。

「【００１１】
＜システム概要＞
図１は、本実施の形態に係る異常判定システムの概要を説明するための模式図である。本実施の形態に係る異常判定システムは、例えば道路上に設置された電柱３、この電柱に設けられた各種の機材、及び、複数の電柱３の間に架け渡された電線等の電気設備を対象として異常判定を行う。ただし、異常判定の対象となる設備は、上記のものに限らない。」

「【００６１】
＜まとめ＞
以上の構成の本実施の形態に係る異常判定システムは、電気設備が写された画像をサーバ装置１が端末装置２２から取得し、取得した画像から電気設備に対応する画像領域を、領域特定モデル１２ｂを用いて特定する。領域特定モデル１２ｂは、入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力するよう予め学習がなされたモデルである。サーバ装置１は、特定した画像領域を元の画像から抽出し、抽出した画像領域からこの電気設備の異常の有無を、異常判定モデル１２ｃを用いて判定する。異常判定モデル１２ｃは、入力された画像領域に含まれる電気設備の異常の有無を判定した判定結果を出力するよう予め学習がなされたモデルである。撮像画像からの電気設備が含まれる画像領域の特定と、特定された画像領域からの電気設備の異常の有無の判定とを異なる学習済モデルを用いて行うことにより、サーバ装置１による電気設備の異常判定の精度の向上が期待できる。」

すなわち、本件訂正発明１ないし９は、「異常判定システム」が「例えば、道路上に設置された電柱」、「この電柱に設けられた各種の機材」、「及び、複数の電柱」「の間に架け渡された電線等の」「電気設備を対象として異常判定を行う」ものであるが、これらの「電気設備」は例示にすぎず、「異常判定の対象となる設備は、上記のものに限らない」ものである。
そして、当該「電気設備」とは、異常判定システムが、電気設備が写された画像から電気設備に対応する領域を、領域モデルを用いて特定し、特定した画像領域を元の画像から抽出し、抽出した画像領域から異常の有無を、異常判定モデルを用いて判定することができるようなものであればよく、その範囲は明確であるといえる。

したがって、本件訂正発明１ないし９は明確であるから、特許異議申立人が主張する当該申立理由は採用できない。

（４）特許法第36条第6項第1号（１）（同法第113条第4項）
本件明細書には、発明が解決しようとする課題及び課題を解決する手段として【０００４】〜【０００５】、【０００７】、【００６１】に以下の記載がある。

「【発明が解決しようとする課題】
【０００４】
近年、ニューラルネットワークを利用した人工知能により、カメラの撮像画像から特定の物体を検出する画像認識の技術が急速に発展している。当該技術を利用し、設備を撮像した画像に基づいてこの設備の異常を判定することが研究されている。しかし、カメラの撮像画像に写された設備の大きさにより異常判定の精度が左右され、撮像画像に設備が小さく写されている場合には、この設備の異常を精度よく判定できない虞がある。
【０００５】
本発明は、斯かる事情に鑑みてなされたものであって、その目的とするところは、カメラの撮像画像に基づく設備の異常判定の精度を向上することが期待できる情報処理装置、設備判定方法、コンピュータプログラム及び学習済モデルの生成方法を提供することにある。」

「【０００７】
本発明においては、電気設備が写された画像を情報処理装置が取得し、取得した画像から電気設備に対応する画像領域を、第１の学習済モデルを用いて特定する。第１の学習済モデルは、入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力するよう予め学習がなされたモデルである。情報処理装置は、特定した画像領域を元の画像から抽出し、抽出した画像領域からこの電気設備の状態を、第２の学習済モデルを用いて判定する。第２の学習済モデルは、入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力するよう予め学習がなされたモデルである。画像からの電気設備が写された画像領域の特定と、特定された画像領域からの電気設備の状態判定とを異なる学習済モデルを用いて行うことにより、電気設備の状態判定の精度の向上が期待できる。」

「【００６１】
＜まとめ＞
以上の構成の本実施の形態に係る異常判定システムは、電気設備が写された画像をサーバ装置１が端末装置２２から取得し、取得した画像から電気設備に対応する画像領域を、領域特定モデル１２ｂを用いて特定する。領域特定モデル１２ｂは、入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力するよう予め学習がなされたモデルである。サーバ装置１は、特定した画像領域を元の画像から抽出し、抽出した画像領域からこの電気設備の異常の有無を、異常判定モデル１２ｃを用いて判定する。異常判定モデル１２ｃは、入力された画像領域に含まれる電気設備の異常の有無を判定した判定結果を出力するよう予め学習がなされたモデルである。撮像画像からの電気設備が含まれる画像領域の特定と、特定された画像領域からの電気設備の異常の有無の判定とを異なる学習済モデルを用いて行うことにより、サーバ装置１による電気設備の異常判定の精度の向上が期待できる。」

上記記載によれば、本件訂正発明１ないし９において、その目的とするところは、「カメラの撮像画像に基づく設備の異常判定の精度を向上することが期待できる情報処理装置、設備判定方法、コンピュータプログラム及び学習済モデルの生成方法を提供すること」であって、「撮像画像からの電気設備が写された画像領域の特定と、特定された画像領域からの電気設備の状態判定とを異なる学習済モデルを用いて行うことにより、電気設備の状態判定の精度の向上が期待できる」という課題を解決するというものである。
そして、この課題を解決するための手段は、本件訂正発明１、２、６、７、８、９の構成Ｂ、Ｄ、構成Ｂ２、Ｄ２、構成Ｂ６、Ｄ２、構成Ｂ７、Ｄ７、構成Ｂ８、Ｄ８、構成Ｗ、Ｙに反映されており、本件訂正発明１を引用する本件訂正発明３〜４においても反映されているといえる。

なお、特許異議申立人が主張する、「カメラの撮像画像に写された設備の大きさにより異常判定の精度が左右され、撮像画像に設備が小さく写されている場合には、この設備の異常を精度よく判定できない虞がある」のでこれを解決する必要があるというのは、本件明細書に記載された課題ないし目的のうちの１つの側面にすぎず、当該事項が本件訂正発明１ないし５、７ないし９に反映されていないことは、なんら発明の詳細な説明に記載した範囲を超えて特許を請求していることにはならない。

以上のように、当業者は、本件訂正発明１から５及び７から９により発明の課題が解決できることを認識することができるものであり、本件訂正発明１から５及び７から９は発明の詳細な説明に記載されたものであって、特許法第36条第6項第1号に規定する要件を満たすものであるから、特許異議申立人が主張する当該申立理由は採用できない。

（５）特許法第36条第6項第1号（２）（同法第113条第4項）
本件訂正発明２の構成Ｆ’の
「前記特定部は、画像領域に電気設備が含まれていることに係る確信度、及び、前記画像領域に含まれる前記電気設備の状態に係る確信度に基づいて、前記画像領域を特定する」
ことに関して、発明の詳細な説明の【００５１】には以下の記載がある。

「【００５１】
なお領域特定モデル１２ｂは、画像領域の特定結果と共に、この特定結果の確信度を出力する。また領域特定モデル１２ｂは、異常の有無の判定結果と共に、この判定結果の確信度を出力する。サーバ装置１は、領域特定モデル１２ｂが出力するこれらの情報に基づいて、電気設備が含まれる画像領域の最終的な特定を行う。例えば、サーバ装置１は、領域特定モデル１２ｂが出力した特定結果の確信度が低い場合、又は、異常有無の判定結果の確信度が低い場合等には、領域特定モデル１２ｂが出力した画像領域の特定結果を破棄して次段の処理を行わなくてもよい。また領域特定モデル１２ｂが複数の画像領域を特定した場合、サーバ装置１は、領域特定モデル１２ｂが出力する情報に基づいて、画像領域の順位付けを行う。順位付けの詳細は後述する。」

上記記載に接した当業者であれば、上記構成Ｆ’により、電気設備を含む画像領域について、前記画像領域に含まれる前記電気設備の状態に係る確信度（異常の有無の判定結果の確信度）が低い場合に、前記画像領域を特定しないことで、異常とされる確信度の低い電気設備に対しては、無用な異常診断を行わなくてよいという効果を奏することは、本件明細書中に明示的な記載が無くても普通に理解できるものといえる。
そうすると、当業者は、本件訂正発明２及び本件訂正発明２を引用する本件訂正発明３から６により、本件訂正発明の（明細書中に明示的に記載されていないが当業者ならば普通に理解できる）課題に対する解決手段を認識することができるものであり、本件訂正発明２は発明の詳細な説明に記載されたものということができる。

なお、特許異議申立人が主張する、「異常判定の精度を向上する」という課題は、本件訂正発明２が引用する本件訂正発明１により解決される課題である以上、本件訂正発明２及び本件訂正発明２を引用する本件訂正発明３から６によって解決できる課題でもある。
また、特許異議申立人が主張する、構成Ｆ’における「前記画像領域に含まれる前記電気設備の状態に係る確信度」は「特定部」が出力することは自明である。

以上のように、当業者は、本件訂正発明２から６により発明の課題が解決できることを認識することができるものであり、本件訂正発明２から６は発明の詳細な説明に記載されたものであって、特許法第36条第6項第1号に規定する要件を満たすものであるから、特許異議申立人が主張する当該申立理由は採用できない。

（６）特許法第36条第4項第1号（同法第113条第4項）
本件訂正発明６の構成Ｐ’、Ｑ’の
「Ｐ’ 前記抽出部が抽出した画像領域の大きさを調整する調整部を備え、
Ｑ’ 前記判定部は、前記調整部が大きさを調整した画像領域を前記第２の学習済モデルへ入力する」
ことに関して、発明の詳細な説明の【００２９】【００６０】には以下の記載がある。

「【００２９】
調整部１１ｄは、領域抽出部１１ｃが抽出した画像領域に対して大きさを調整する処理を行う。領域特定部１１ｂにより特定されて領域抽出部１１ｃにより抽出される画像領域の大きさは、元の画像に写されていた電気設備の大きさに依存する。調整部１１ｄは、領域抽出部１１ｃが抽出した画像領域を拡大又は縮小することによって、異常判定モデル１２ｃの入力に適した画像の大きさとなるよう調整する。」

「【００６０】
次いで、処理部１１の領域抽出部１１ｃは、ステップＳ１１にて取得した撮像画像から、ステップＳ１３にて特定された画像領域を抽出する（ステップＳ１５）。処理部１１の調整部１１ｄは、異常判定モデル１２ｃの入力に適した大きさとなるよう、抽出された画像領域の大きさを必要に応じて拡大又は縮小して調整する（ステップＳ１６）。処理部１１の異常判定部１１ｅは、抽出及び調整がなされた画像領域を、記憶部１２に記憶された学習済の異常判定モデル１２ｃへ入力する（ステップＳ１７）。」

上記記載に接した当業者ならば、「異常判定モデル１２ｃの入力に適した画像の大きさ」は異常判定モデル１２ｃの入力に適した画像の大きさがサーバ装置などの計算能力や所望の異常判定精度などに応じて適宜決定されるものであり、そのような大きさに合わせて調整することが理解できるといえる。
したがって、発明の詳細な説明には、本件訂正発明６を実施可能な程度に記載しているものということができ、特許法第36条第4項第1号に規定する要件を満たすものであるから、特許異議申立人が主張する当該申立理由は採用できない。

（７）小括
上記（１）〜（６）より、上記１（１）のうち、本件訂正発明２、５、本件訂正発明２を引用する本件訂正発明３、４に関するもの、及び上記１（２）〜（６）の特許異議申立理由を採用することはできない。

第９ 令和３年１０月２８日に提出された特許異議申立人による意見書及び甲第１２号証から甲第２０号証についての検討
特許異議申立人は令和３年１０月２８日に甲第１２号証から甲第２０号証及び甲第１２号証の発行日が２０１２年１２月３日であることを立証する甲第２１号証を提出し、令和３年８月１３日付け訂正請求書（以下、先の訂正請求書という）による訂正事項１に関する訂正の請求は、特許法第120条の5第9項で準用する同法第126条第5項に規定する要件を満たしていない（以下、主張１という）、及び先の訂正請求書によって訂正された請求項１、３、４、及び６〜９に係る特許は特許法第29条第2項に違反してなされたものであり、同法第113条第2号に該当するから、取り消されるべきである（以下主張２という）との主張（意見書第１５頁第１６〜２２行）との主張を行っている。
そこで、当該主張１、２に関する検討を行う。

１ 先の訂正請求書による訂正事項１に関する訂正の請求について、
上記「第１ 手続の経緯」のとおり、先の訂正請求は、本件訂正により取り下げられたものとみなすが、本件訂正の訂正事項１には、先の訂正請求の訂正事項１と同趣旨の訂正事項である、
（１）「各機材に対応する画像領域を順次入力して各機材の状態を判定する」、
（２）「複数の機材を含む画像と、各機材の領域とを含む教師データに基づき畳み込み層を用いて深層学習されており入力された複数の機材を含む画像に含まれる各機材に対応する画像領域を特定した特定結果」「を出力する第１の学習済モデル」、
（３）電柱に設けられたものではない「電気設備に関する複数の機材」、
に関する訂正事項を含んでいる。

ここで、上記「第２ 本件訂正について」の「２ 訂正の適否についての判断」の「（２）訂正事項１」において、特に「イ 願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内の訂正であること」において示したとおり、上記（１）、（２）については、願書に添付した明細書、特許請求の範囲又は図面に記載した事項の範囲内の訂正であり、特許法第120条の5第9項で準用する特許法第126条第5項に適合するものである。
また、（３）については、本件特許明細書【００１１】に「本実施の形態に係る異常判定システムは、例えば道路上に設置された電柱３、この電柱に設けられた各種の機材、及び、複数の電柱３の間に架け渡された電線等の電気設備を対象として異常判定を行う。ただし、異常判定の対象となる設備は、上記のものに限らない。」とあるように、電柱に設けられたものではない電気設備に対してもその処理対象であることは明らかであって、（１）、（２）と同様に特許法第120条の5第9項で準用する特許法第126条第5項に適合するものである。

２ 本件訂正発明が特許法第29条第2項に違反してなされたものかどうかについて
上記「第７ 取消理由通知（決定の予告）において通知した特許異議申立理由についての当審の判断」のとおり、本件訂正発明１、３、４、６、７、８、９については、甲第１号証から甲第１１号証及び周知技術として提出された甲第１２号証から甲第２０号証によっては、当業者であっても容易になし得たものということはできない。

３ まとめ
以上より、訂正事項１に関する訂正の請求は、特許法第120条の5第9項で準用する同法第126条第5項に規定する要件を満たすものであり、特許異議申立人の主張を採用することはできない。
また、本件訂正発明１、３、４、及び６ないし９に係る特許は特許法第29条第2項に違反してなされたものであり、同法第113条第2号に該当するから、取り消されるべきであるという特許異議申立人の主張を採用することはできない。

第１０ むすび
以上のとおりであるから、取消理由通知（決定の予告）に記載した取消理由及び特許異議申立書に記載した特許異議申立理由によっては、本件請求項〔１、２、３、４〕、５、６、７、８、９に係る特許を取り消すことはできない。
また、他に本件請求項〔１、２、３、４〕、５、６、７、８、９に係る特許を取り消すべき理由を発見しない。

よって、結論のとおり決定する。
 
発明の名称 （５７）【特許請求の範囲】
【請求項１】
電気設備に関する複数の機材を含む画像を取得する取得部と、
複数の機材を含む画像と、各機材の領域とを含む教師データに基づき畳み込み層を用いて深層学習されており入力された複数の機材を含む画像に含まれる各機材に対応する画像領域を特定した特定結果及び各機材の画像領域の特定結果の確信度を出力する第１の学習済モデルを用いて、前記取得部が取得した複数の機材を含む画像から、特定済みの機材毎の画像領域の確信度同士を比較して機材毎の画像領域を順位付けすることにより、各機材に対応する所定数の前記画像領域を特定する特定部と、
前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
入力された画像領域に含まれる機材の状態を判定した判定結果を出力する第２の学習済モデルに、前記抽出部が抽出した各機材に対応する画像領域を特定した順位に従って順次入力して各機材の状態を判定する判定部と
を備える、情報処理装置。
【請求項２】
電気設備を含む画像を取得する取得部と、
入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部と、
前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部と
を備え、
前記特定部は、画像領域に電気設備が含まれていることに係る確信度、及び、前記画像領域に含まれる前記電気設備の状態に係る確信度に基づいて、前記画像領域を特定する、情報処理装置。
【請求項３】
前記特定部は、前記取得部が取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
前記判定部は、前記特定部が付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力する、
請求項１又は請求項２に記載の情報処理装置。
【請求項４】
前記第１の学習済モデルは、画像領域の特定結果の確信度を出力し、
前記特定部は、各画像領域の確信度に基づいて順位付けを行う、
請求項３に記載の情報処理装置。
【請求項５】
電気設備を含む画像を取得する取得部と、
入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から前記画像領域を特定する特定部と、
前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部と
を備え、
前記特定部は、前記取得部が取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
前記判定部は、前記特定部が付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力し、
前記特定部は、前記取得部が取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う、情報処理装置。
【請求項６】
電気設備を含む画像を取得する取得部と、
入力された画像に含まれる複数の電気設備に対応する画像領域を特定した特定結果及び各電気設備の画像領域の特定結果の確信度を出力する第１の学習済モデルを用いて、前記取得部が取得した画像から、特定済みの電気設備毎の画像領域の確信度同士を比較して電気設備毎の画像領域を順位付けすることにより所定数の前記画像領域を特定する特定部と、
前記特定部が特定した前記画像領域を前記取得部が取得した画像から抽出する抽出部と、
入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、前記抽出部が抽出した画像領域から前記電気設備の状態を判定する判定部と、
前記抽出部が抽出した電気設備毎の画像領域の順位付けがなされた所定数の画像領域の大きさを調整する調整部とを備え、
前記判定部は、前記調整部が大きさを調整した電気設備毎の画像領域の順位付けがなされた所定数の画像領域を特定した順位に従って前記第２の学習済モデルへ入力する、
情報処理装置。
【請求項７】
電気設備を含む画像を取得し、
入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、取得した画像から前記画像領域を特定し、
特定した前記画像領域を取得した画像から抽出し、
入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、抽出した画像領域から前記電気設備の状態を判定し、
取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
順位付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力し、
取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う、設備判定方法。
【請求項８】
コンピュータに、
電気設備を含む画像を取得し、
入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、取得した画像から前記画像領域を特定し、
特定した前記画像領域を取得した画像から抽出し、
入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを用いて、抽出した画像領域から前記電気設備の状態を判定し、
取得した画像に含まれる複数の電気設備それぞれに対応する画像領域を順位付けして特定し、
順位付した順位に従って、特定された複数の画像領域を前記第２の学習済モデルへ入力し、
取得した画像に対して特定された複数の画像領域の位置関係に基づいて順位付けを行う処理を実行させる、コンピュータプログラム。
【請求項９】
電気設備を含む教師用画像を取得し、
入力された画像に含まれる電気設備に対応する画像領域を特定した特定結果を出力する第１の学習済モデルを用いて、取得した画像に含まれる複数の電気設備それぞれに対応する前記画像領域を、複数の画像領域の位置関係に基づいて順位付けして特定し、
順位付けされて特定した前記画像領域を取得した画像から抽出し、
順位付けされた前記画像領域及び該画像領域に含まれる電気設備の状態を対応付けた教師データに基づいて、前記第１の学習済みモデルによる特定結果から順位付けされて特定された複数の画像領域を前記順位に従って入力した場合に、入力された画像領域に含まれる電気設備の状態を判定した判定結果を出力する第２の学習済モデルを生成する、学習済モデルの生成方法。
 
訂正の要旨 審決（決定）の【理由】欄参照。
異議決定日 2022-10-06 
出願番号 P2019-059149
審決分類 P 1 651・ 536- YAA (G06T)
P 1 651・ 121- YAA (G06T)
P 1 651・ 537- YAA (G06T)
最終処分 07   維持
特許庁審判長 國分 直樹
特許庁審判官 川崎 優
渡辺 努
登録日 2020-07-20 
登録番号 6737371
権利者 東京電力ホールディングス株式会社
発明の名称 情報処理装置、設備判定方法、コンピュータプログラム及び学習済モデルの生成方法  
代理人 山田 浩忠  
代理人 河野 登夫  
代理人 河野 登夫  
代理人 河野 英仁  
代理人 河野 英仁  
代理人 山田 浩忠  

プライバシーポリシー   セキュリティーポリシー   運営会社概要   サービスに関しての問い合わせ