特許ウォッチ

公開番号2024134248
公報種別公開特許公報(A)
公開日2024-10-03
出願番号2023044452
出願日2023-03-20
発明の名称架線金具異常検出装置および方法
出願人株式会社明電舎,公益財団法人鉄道総合技術研究所
代理人園田・小林弁理士法人
主分類G06T 7/00 20170101AFI20240926BHJP(計算;計数)
要約【課題】高精度な異常検出を安価に安定して行うことが可能な技術を提供すること。
【解決手段】正常状態の検出対象である架線金具の撮影により生じた画像データの各画素を変換して生成された、複数の正常状態のワンホット表現インデックス画像データを用いて学習を行う学習処理部132と、検出対象である前記架線金具の撮影により生じた画像データの各画素を変換してワンホット表現インデックス画像データを生成し、前記ワンホット表現インデックス画像データを用いて異常判定を行うデータ処理部131と、を備え、前記データ処理部131では、入力画像と、この入力画像から前記学習処理部132で学習した学習モデルにより生成した出力画像と、の和集合と、前記入力画像と、前記出力画像と、の差分画像とに基づいて異常判定をする。
【選択図】図2
特許請求の範囲【請求項１】
正常状態の検出対象である架線金具の撮影により生じた画像データの各画素を変換して生成された、複数の正常状態のワンホット表現インデックス画像データを用いて学習を行う学習処理部と、
検出対象である前記架線金具の撮影により生じた画像データの各画素を変換してワンホット表現インデックス画像データを生成し、前記ワンホット表現インデックス画像データを用いて異常判定を行うデータ処理部と、を備え、
前記データ処理部では、入力画像と、この入力画像から前記学習処理部で学習した学習モデルにより生成した出力画像と、の和集合と、前記入力画像と、前記出力画像と、の差分画像とに基づいて異常判定をする、架線金具異常検出装置。
続きを表示（約 470 文字）【請求項２】
前記異常判定は、前記ワンホット表現インデックス画像データの各々について個別に行われる、請求項１に記載の架線金具異常検出装置。
【請求項３】
正常状態の検出対象である架線金具の撮影により生じた画像データの各画素を変換して生成された、複数の正常状態のワンホット表現インデックス画像データを用いて学習を行うこと、
検出対象である前記架線金具の撮影により生じた画像データの各画素を変換してワンホット表現インデックス画像データを生成し、前記ワンホット表現インデックス画像データを用いて異常判定を行うこと、を含み、
前記異常判定を行うに際し、入力画像と、この入力画像から前記学習を行うに際し学習した学習モデルにより生成した出力画像と、の和集合と、前記入力画像と、前記出力画像と、の差分画像とに基づいて異常判定をする、架線金具異常検出方法。
【請求項４】
前記異常判定は、前記ワンホット表現インデックス画像データの各々について個別に行われる、請求項３に記載の架線金具異常検出方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、画像データを用いて架線金具の異常を検出する架線金具異常検出装置および方法に関する。
続きを表示（約 2,400 文字）【背景技術】
【０００２】
一般に、機械設備等の管理及び保守には目視による点検が行われるが、この点検に対して自動化の要請がある。
例えば、鉄道設備の分野においては、走行車両の屋根上のカメラを用いて得られた画像データによる架線金具の異常検出が試みられている。
なお、架線金具とは、電気鉄道設備における車両に電力を供給するための電車線を規定の位置に保持し、又は複数の線条間を電気的に接続し、若しくは区分するための金具をいう。
【０００３】
従来、画像データを用いて異常検出を行う様々な技術が提案されている。
従来技術の一例である非特許文献１は、正常クラスの画像のみを学習して、異常検出を行うＡＬＯＣＣ（Adversarially Learned One-Class Classifier）を開示している。
また、従来技術の一例である非特許文献２は、ＧＡＮｓ（Generative Adversarial Networks）と呼ばれる敵対的生成モデルにおける、データから潜在空間へマッピングするエンコーダを学習するＢｉＧＡＮｓ（Bidirectional Generative Adversarial Networks）を開示している。
また、従来技術の一例である非特許文献３は、ＶＡＥ（Variational Auto Encoder）と呼ばれる、潜在変数に対して多次元のガウス分布を仮定するオートエンコーダを開示している。
なお、ここで、オートエンコーダは、エンコーダを用いて入力を潜在変数に次元圧縮し、次元圧縮された潜在変数に対してデコーダを用いて復元を行うネットワークである。
また、従来技術の一例である非特許文献４は、画素単位で物体の種類を認識する手法を開示している。
また、従来技術の一例である特許文献１は、ニューラルネットワーク等の生成モデルを用いて画像を生成し、生成された画像と撮影された画像との類似度を求め、この類似度が小さい場合に異常であると判定する技術を開示している。
【先行技術文献】
【非特許文献】
【０００４】
M.Sabokrouら、“Adversarially Learned One-Class Classifier for Novelty Detection”、［online］、2018年5月24日、［2023年3月14日検索］、インターネット<URL: https://openaccess.thecvf.com/content_cvpr_2018/html/Sabokrou_Adversarially_Learned_One-Class_CVPR_2018_paper.html>
J.Donahueら、“Adversarial Feature Learning”、［online］、2017年4月3日、［2023年3月14日検索］、インターネット<URL: https://arxiv.org/pdf/1605.09782v7.pdf>
D.P.Kingmaら、“Auto-Encoding Variational Bayes”、［online］、2014年5月1日、［2023年3月14日検索］、インターネット<URL: https://arxiv.org/pdf/1312.6114v10.pdf>
H.Zhao ら、“Pyramid Scene Parsing Network”、［online］、2017年4月27日、［2023年3月14日検索］、インターネット<URL: https://openaccess.thecvf.com/content_cvpr_2017/html/Zhao_Pyramid_Scene_Parsing_CVPR_2017_paper.html>
【特許文献】
【０００５】
特開２０１９－１３３３０６号公報
特開２０２２－１５９０１０号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、上記の従来技術は、各々下記の問題がある。
非特許文献１に開示された技術では、ＲＧＢ画像データを用いて異常検出を行うが、学習を収束させることが困難であり、安定性に欠ける。
【０００７】
非特許文献２に開示された技術では、エンコーダ（Encoder）、ジェネレータ（Generator）及びディスクリミネータ（Discriminator）の３つのネットワークを用いて敵対的学習を行うが、ジェネレータがほぼ同一のデータしか出力しなくなる現象（Missing Mode）に陥りやすく、安定性に欠ける。
【０００８】
非特許文献３に開示された技術では、エンコーダ（Encoder）及びデコーダ（Decoder）からなるオートエンコーダ（Auto-Encoder）の１種を用いて、潜在変数に多次元ガウス分布を仮定し、生成モデルとして意味のある潜在変数の分布を作成することができ、潜在変数の分布を用いた異常検出が可能であるが、オートエンコーダを用いているため、ＧＡＮｓと比べて復元誤差が大きく、安定性に欠ける。
【０００９】
非特許文献４に開示された技術では、画素単位の認識を行っているが、異常検出に適用されるものではない。
【００１０】
特許文献１に開示された技術では、生成モデルを用いて生成された生成画像と撮影画像との類似度を用いて、類似度が小さい場合に異常であると判定して異常検出を行うが、ＲＧＢ画像データそのものを用いて異常検出を行うため、学習の難易度が高く、安定性に欠ける。
（【００１１】以降は省略されています）

関連特許