tensorflow複数入力のモデルを作りたい

AI判定で複数入力の判定プログラムを作りたいのですが、ネット上では同じようなパターンが見つけれず、見よう見まねで作っています。
やりたいことは画像と数値3種類の複数入力で出力が0～5を出力するものです
入力1:画像
入力2:数値(パラメータ1,2,3)
出力:6種類 0～5

プログラムを実行すると
ValueError: Input 0 is incompatible with layer conv2d_11: expected ndim=4, found ndim=2
が出ました。
モデルの x = Conv2D(32, (3, 3), padding='same',activation='relu', input_shape=in_shape)(input1)
あたりが悪いのですが、どう修正していいかわかりません。
分かる方がいれば、教えてください。

import tensorflow as tf
import keras
from keras.layers import Activation, Dropout, Dense, Input, concatenate
from keras.models import Model
from keras.layers import Conv2D, MaxPooling2D
from keras.utils.np_utils import to_categorical
import numpy as np
from IPython.core.display import display
from PIL import Image
import glob

photo_size = 152
in_shape = (phto_size, phto_size, 3)
pic_size = photo_size * photo_size * 3
in_size2 = 3        # 入力条件2　3種類　
nb_classes = 6      # 出力 判定6種類
focs_size = 1333
gain_size = 160
time_size = 24

x_val1 = []    # 画像
x_val2 = []    # 入力条件2
y_val  = []    # 出力 ラベル
x_train1 = []    # 画像
x_train2 = []    # 入力条件2
y_train  = []    # 出力 ラベル
outfile1 = "C:/Product/PI_hantei/tensorflow4C/learning7B/ai_model.h5"
outfile2 = "C:/Product/PI_hantei/tensorflow4C/learning7B/ai_weights.h5"

def make_model():
    # MLPモデル構造を定義
    input1 = Input(shape=(pic_size,))
    input2 = Input(shape=(in_size2,))
    # 入力1から結合前まで
    x = Conv2D(32, (3, 3), padding='same',activation='relu', input_shape=in_shape)(input1)
    x = Activation('relu')(x)
    x = Conv2D(32, (3, 3))(x)
    x = Activation('relu')(x)
    x = MaxPooling2D(pool_size=(2, 2))(x)
    x = Dropout(0.25)(x)
    x = Model(inputs=input1, outputs=x)
    # 入力2から結合前まで
    y = Dense(128, activation="relu")(input2)
    y = Model(inputs=input2, outputs=y)
    # 結合
    combined = concatenate([x.output, y.output])
    # 密結合
    z = Dense(128, activation="relu")(combined)
    z = Dense(nb_classes, activation="softmax")(z)
    # モデル定義とコンパイル
    model = Model(inputs=[x.input, y.input], outputs=z)
    #model.add(Dropout(0.2))
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    display(model.summary())
    model.save(outfile1)
    print("saved:" + outfile1)
    return model
    

def glob_images(pt, path, label):
    files = glob.glob("C:/Product/PI_hantei/DBpic/" + path + "/*.jpg")
    #print(files)
    # 画像ファイル数分ループ
    for i, f in enumerate(files):
        buf = f.split('\')
        fname = buf[len(buf)-1]
        tmf = fname[7:9]+":"+fname[9:11]+":"+fname[11:13]
        tm = int(fname[7:9])
        b1 = fname.split('_')
        FOCS = int(b1[1])
        GAIN = int(b1[2][0:3])
        print('fname:{0}, time:{1}({4}) FOC:{2} GAIN:{3}'.format(fname, tmf, FOCS, GAIN, tm))

        img = Image.open(f)        # 画像ファイルを読む
        img = img.convert("RGB")
        data1 = np.asarray(img)     # 画像をnumpy形式にする
        data1 = data1 / 256
        data1 = data1.reshape(photo_size, photo_size, 3)

        # データを正規化する(0-1の間にする)
        FOCS_sng = FOCS / focs_size
        GAIN_sng = GAIN / gain_size
        tm_sng   = tm   / time_size

        if pt == 1:
            x_val1.append(data1)     # 画像
            x_val2.append(np.array([FOCS_sng, GAIN_sng, tm_sng]))
            y_val.append(label)  # ラベル
        else:
            x_train1.append(data1)
            x_train2.append(np.array([FOCS_sng, GAIN_sng, tm_sng]))
            y_train.append(label)  # ラベル


model = make_model()
glob_images(1, "2020-02-03/pic1"   , 0)
glob_images(1, "2020-02-03/pic2"   , 1)
glob_images(1, "2020-02-03/pic3"   , 2)
# 学習します
x_val1 = np.reshape(x_val1, (-1, pic_size))
y_val = to_categorical(y_val, nb_classes)
hist = model.fit([x_val1, np.array(x_val2)], y_val, batch_size=50, epochs=20)

model.save_weights(outfile2)
print("saved:" + outfile2)

glob_images(2, "2020-02-20D/pic1"   , 0)
glob_images(2, "2020-02-20D/pic2"   , 1)
glob_images(2, "2020-02-20D/pic3"   , 2)


# 形式を変換
x_train1 = np.reshape(x_train1, (-1, pic_size))
y_train = to_categorical(y_train, nb_classes)
# 正解率を調べる --- (*5)
score = model.evaluate([x_train1, np.array(x_train2)], y_train, verbose=1)
print("正解率=", score[1], "ロス=", score[0])