JP2020037356A - Overhead wire abrasion inspection device - Google Patents

Overhead wire abrasion inspection device Download PDF

Info

Publication number
JP2020037356A
JP2020037356A JP2018166068A JP2018166068A JP2020037356A JP 2020037356 A JP2020037356 A JP 2020037356A JP 2018166068 A JP2018166068 A JP 2018166068A JP 2018166068 A JP2018166068 A JP 2018166068A JP 2020037356 A JP2020037356 A JP 2020037356A
Authority
JP
Japan
Prior art keywords
wear
overhead wire
criteria
area
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2018166068A
Other languages
Japanese (ja)
Other versions
JP7024669B2 (en
Inventor
寛修 深井
Hironaga Fukai
寛修 深井
勇介 渡部
Yusuke Watabe
勇介 渡部
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Meidensha Corp
Meidensha Electric Manufacturing Co Ltd
Original Assignee
Meidensha Corp
Meidensha Electric Manufacturing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Meidensha Corp, Meidensha Electric Manufacturing Co Ltd filed Critical Meidensha Corp
Priority to JP2018166068A priority Critical patent/JP7024669B2/en
Publication of JP2020037356A publication Critical patent/JP2020037356A/en
Priority to JP2021143580A priority patent/JP7226493B2/en
Application granted granted Critical
Publication of JP7024669B2 publication Critical patent/JP7024669B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

To provide an overhead wire abrasion inspection device capable of detecting an abrasion width by an optimum abrasion region detection method for each image.SOLUTION: An overhead wire abrasion inspection device includes: a two or more determination criteria optimum mixing ratio determination unit including a past database input part, a two or more determination criteria input part, and a two or more determination criteria mixing balance determination part; and a two or more determination criteria using overhead wire abrasion detection processing unit 22 including an image input part 221, a two or more determination criteria input part 222, a two or more determination criteria mixing balance input part 223, an abrasion region detection method input part 224, and an overhead wire abrasion region calculation part 225. On the basis of image data, determination criteria data, optimum mixing balance data, and abrasion region detection method data, an abrasion region detection method the most suitable for the image data is selected, and an abrasion width of a trolley wire obtained by the abrasion region detection method is output as a final detection result.SELECTED DRAWING: Figure 3

Description

本発明は、複数の判断基準を考慮して架線の摩耗領域を検出する架線摩耗検査装置に関する。   The present invention relates to an overhead wire wear inspection device that detects a worn area of an overhead wire in consideration of a plurality of criteria.

従来、帯状のスリット光をトロリ線に照射する投光ユニットと３Ｄカメラで構成される受光ユニットとを含む二つのトロリ線測定器を車両の左右に設け、受光ユニットからの信号を画像処理することによりトロリ線の摩耗部の形状を測定するトロリ線測定装置が知られている（例えば、下記特許文献１参照）。   Conventionally, two trolley wire measuring devices including a light projecting unit for irradiating a strip-shaped slit light to a trolley wire and a light receiving unit composed of a 3D camera are provided on the left and right sides of the vehicle, and a signal from the light receiving unit is image-processed. There is known a trolley wire measuring device for measuring the shape of a worn portion of a trolley wire (for example, see Patent Document 1 below).

また、車両の屋根上にラインセンサを鉛直上向きに設置してこのラインセンサの走査線がトロリ線を横切るようにし、このラインセンサから得られる画像信号に基づいてトロリ線摩耗部分の幅を求めるトロリ線摩耗測定装置も知られている（例えば、下記特許文献２〜４等参照）。   Also, a line sensor is installed vertically upward on the roof of the vehicle so that the scanning line of the line sensor crosses the trolley line, and a trolley for calculating the width of the trolley line wear portion based on an image signal obtained from the line sensor. A line wear measuring device is also known (for example, refer to Patent Documents 2 to 4 below).

なお、特許文献２には、他のラインセンサを車両の屋根上に斜め上方向きに設置してこのラインセンサの走査線がパンタグラフを横切るようにし、このラインセンサから得られる画像信号に基づいてパンタグラフ上部位置の高さを測定し、これをラインセンサからトロリ線までの高さとして用いることで、トロリ線摩耗部分の画像上の幅からトロリ線摩耗部分の幅を計算することが記載されている。   In Patent Document 2, another line sensor is installed obliquely upward on the roof of a vehicle so that a scanning line of the line sensor crosses the pantograph, and a pantograph based on an image signal obtained from the line sensor is provided. It describes that the height of the trolley wire wear part is calculated from the width of the trolley wire wear part on the image by measuring the height of the upper position and using this as the height from the line sensor to the trolley wire. .

また、特許文献３には、トロリ線の摺動面が均等な明るさでなく、暗く写る場合に対してもロバストにトロリ線の摺動面幅を検出することができるように処理を行うことが記載されている。   Japanese Patent Application Laid-Open No. H11-163873 discloses a process for robustly detecting the width of a sliding surface of a trolley wire even when the sliding surface of the trolley wire is not uniform in brightness but dark. Is described.

また、特許文献４には、画像上に複数のトロリ線候補が現れた場合に、トロリ線摩耗部を確実に特定することができるように処理を行うことが記載されている。   Patent Literature 4 describes that when a plurality of trolley wire candidates appear on an image, processing is performed so that a trolley wire wear portion can be reliably specified.

特開２０１５−６８６７５号公報JP 2015-68675 A 特許第４６３５６５７号公報Japanese Patent No. 4635657 特願２０１７−０４５１４６号Japanese Patent Application No. 2017-045146 特許第６２６８３８２号公報Japanese Patent No. 6268382

C.M.ビショップ著，「パターン認識と機械学習 上」，pp.142-144，シュプリンガー・ジャパン，2007C.M. Bishop, "On Pattern Recognition and Machine Learning," pp. 142-144, Springer Japan, 2007

ここで、上述したような従来のトロリ線摩耗測定手法では、全てのラインセンサ画像に対して同一の方法（例えば、特許文献２，３または４のいずれか一つに開示された一つの方法）を用いてトロリ線摩耗部分の幅を計算している。   Here, in the conventional trolley wire wear measuring method as described above, the same method is used for all the line sensor images (for example, one method disclosed in any one of Patent Documents 2, 3, and 4). Is used to calculate the width of the trolley wire wear portion.

しかしながら、ラインセンサ画像は全てが同一の条件下で撮影されるものではないため、例えばトロリ線が局所的に暗く映っている画像に対しては特許文献３の方法を適用することが最適である一方、トロリ線が全体的にはっきりと映っている画像に対しては特許文献２の方法を適用することが最適であるというように、画像ごとに最適な摩耗領域検出手法は異なり、すべての画像について最適な手法で摩耗幅の検出を実施することが困難であるという問題があった。   However, since not all line sensor images are captured under the same conditions, it is optimal to apply the method of Patent Document 3 to, for example, an image in which a trolley line is locally darkened. On the other hand, the optimal wear area detection method differs for each image, as in the case where the method of Patent Document 2 is optimally applied to an image in which the trolley line is clearly reflected as a whole. There is a problem that it is difficult to detect the wear width by an optimal method for the above.

このようなことから本発明は、画像ごとに最適な摩耗領域検出手法で架線の摩耗幅を検出することを可能とした架線摩耗検査装置を提供することを目的とする。   Accordingly, an object of the present invention is to provide an overhead wire abrasion inspection device that can detect the abrasion width of an overhead wire using an optimal abrasion area detection method for each image.

上記の課題を解決するための第１の発明に係る架線摩耗検査装置は、
ラインセンサカメラで予め架線の摩耗領域を撮影して取得した多数の画像に対し、各画像中の摩耗領域をそれぞれ指定したデータを入力するデータベース入力部、
前記画像中から前記摩耗領域を抽出するための複数の判断基準の入力を行う複数判断基準入力部、及び、
前記データおよび前記複数の判断基準に基づいて、機械学習により、前記複数の判断基準をどのような比重で組み合わせれば各画像中の摩耗領域を最も正しく抽出できるかを決定するための最適混合バランスを求める複数判断基準混合バランス決定部
を含む複数判断基準最適混合率決定処理部と、
前記ラインセンサカメラで検査対象としての前記架線の摩耗領域を撮影して取得した検査画像を入力する画像入力部、
前記複数の判断基準の入力を行う複数判断基準入力部、
前記最適混合バランスの入力を行う複数判断基準混合バランス入力部、
前記検査画像中から前記架線の摩耗領域の幅を検出するための複数の摩耗領域検出手法の入力を行う摩耗領域検出手法入力部、並びに、
前記検査画像、前記複数の判断基準、前記最適混合バランス及び前記摩耗領域検出手法に基づいて、複数の前記検査画像に対してそれぞれに最も適した摩耗領域検出手法を選択し、当該摩耗領域検出手法により求めた前記架線の摩耗領域の幅を最終的な検査結果とする架線摩耗領域算出部
を含む複数判断基準利用架線摩耗検出処理部と
を備えることを特徴とする。 An overhead wire abrasion inspection device according to a first invention for solving the above-mentioned problems,
For a number of images obtained by previously capturing the wear area of the overhead wire with a line sensor camera, a database input unit for inputting data specifying the wear area in each image,
A plurality of criteria input unit for inputting a plurality of criteria for extracting the wear area from the image, and
Based on the data and the plurality of criteria, an optimal mixing balance for determining, by machine learning, what specific gravity is used to combine the plurality of criteria to extract the wear region in each image most correctly. A multi-criteria optimal mixing ratio determination processing unit including a multi-criteria mixing balance determining unit for determining
An image input unit for inputting an inspection image obtained by photographing the wear area of the overhead wire as an inspection target with the line sensor camera,
A plurality of criteria input section for inputting the plurality of criteria,
A multi-criteria mixed balance input unit for inputting the optimal mixed balance,
A wear region detection method input unit that performs input of a plurality of wear region detection methods for detecting the width of the wear region of the overhead wire from the inspection image, and
Based on the inspection image, the plurality of criteria, the optimal mixture balance, and the wear area detection method, a wear area detection method that is most appropriate for each of the plurality of inspection images is selected. A plurality of criterion-based overhead wire wear detection processing units including an overhead wire wear region calculation unit that uses the width of the worn region of the overhead wire determined by the above as a final inspection result.

また、上記の課題を解決するための第２の発明に係る架線摩耗検査装置は、
前記架線摩耗領域算出部が、
各摩耗領域検出手法により前記検査画像から前記架線の摩耗領域の幅を求めるとともに、各摩耗領域検出手法により求めた前記架線の摩耗領域についてそれぞれ前記判断基準および前記最適混合バランスを利用して評価値を求める摩耗幅および評価値算出部と、
前記評価値が最も高くなる摩耗領域検出手法を選択し、選択した摩耗領域検出手法によって求めた前記架線の摩耗領域の幅を前記最終的な検査結果とする評価結果比較部と
を含むことを特徴とする。 In addition, an overhead wire abrasion inspection apparatus according to a second invention for solving the above-mentioned problems,
The overhead wire wear area calculation unit,
The width of the abrasion area of the overhead wire is determined from the inspection image by each abrasion area detection technique, and the evaluation value of the abrasion area of the overhead wire determined by each abrasion area detection technique is evaluated using the determination criterion and the optimal mixing balance. A wear width and evaluation value calculation unit for determining
An evaluation result comparison unit that selects a wear area detection method with the highest evaluation value, and sets the width of the wear area of the overhead wire determined by the selected wear area detection method as the final inspection result. And

本発明に係る架線摩耗検査装置によれば、画像ごとに最適な摩耗領域検出手法で摩耗幅を検出することができる。   ADVANTAGE OF THE INVENTION According to the overhead wire wear inspection apparatus which concerns on this invention, a wear width | variety can be detected by the optimal wear area | region detection technique for every image.

本発明の実施例に係る架線摩耗検査装置の装置概要を示す説明図である。BRIEF DESCRIPTION OF THE DRAWINGS It is explanatory drawing which shows the apparatus outline | summary of the overhead wire wear inspection apparatus which concerns on the Example of this invention. 図１に示した処理装置に含まれる複数判断基準最適混合率決定処理部の構成を示すブロック図である。FIG. 2 is a block diagram illustrating a configuration of a multiple-judgment-criterion optimal mixture ratio determination processing unit included in the processing device illustrated in FIG. 1. 図１に示した処理装置に含まれる複数判断基準利用架線摩耗検出処理部の構成を示すブロック図である。FIG. 2 is a block diagram illustrating a configuration of an overhead wire wear detection processing unit using a plurality of criteria used in the processing device illustrated in FIG. 1. 摩耗領域ラベルあり画像データの一例を示す説明図である。FIG. 4 is an explanatory diagram illustrating an example of image data with a wear area label. 判断基準ａと合致率ｔとの関係の一例を示す説明図である。FIG. 9 is an explanatory diagram illustrating an example of a relationship between a criterion a and a matching rate t. 判断基準ａと合致率ｔとの関係の一例を多項式φ（ａ）を導入して示す説明図である。FIG. 4 is an explanatory diagram showing an example of a relationship between a criterion a and a matching rate t by introducing a polynomial φ (a). モデルパラメータによる関数表現力が足りていない例を示す説明図である。FIG. 9 is an explanatory diagram showing an example in which function expressiveness by model parameters is insufficient. モデルパラメータによる関数表現力が適切な例を示す説明図である。It is explanatory drawing which shows the example in which the function expression power by a model parameter is appropriate. モデルパラメータによる関数表現力が過学習となっている例を示す説明図である。It is explanatory drawing which shows the example in which the function expression power by a model parameter is over-learning. 真値に対し未検出の領域がある場合の例を示す説明図である。FIG. 9 is an explanatory diagram showing an example in which there is an undetected area for a true value. 検出領域が真値と一致している場合の例を示す説明図である。FIG. 9 is an explanatory diagram illustrating an example in a case where a detection area matches a true value. 真値に対し過検出の領域がある場合の例を示す説明図である。FIG. 9 is an explanatory diagram showing an example in a case where there is an over-detection area for a true value.

以下、図面を用いて本発明に係る架線摩耗検査装置について説明する。   Hereinafter, an overhead wire wear inspection apparatus according to the present invention will be described with reference to the drawings.

図１から図７Ｃに基づいて本発明の実施例に係る架線摩耗検査装置の詳細を説明する。   The details of the overhead wire wear inspection apparatus according to the embodiment of the present invention will be described with reference to FIGS. 1 to 7C.

図１に示すように、本実施例において架線摩耗検査装置は、電車車両（以下、単に車両と称する）１０の屋根上に設置された第一のラインセンサカメラ１１と、第二のラインセンサカメラ１２と、照明装置１３と、車両１０の内部に設置された処理装置２０とを備えている。   As shown in FIG. 1, in this embodiment, an overhead wire wear inspection device includes a first line sensor camera 11 installed on a roof of a train vehicle (hereinafter, simply referred to as a vehicle) 10 and a second line sensor camera. 12, a lighting device 13, and a processing device 20 installed inside the vehicle 10.

第一のラインセンサカメラ１１は、車両１０の屋根上に鉛直上向きに、その走査線の方向１８が枕木方向と同じ方向になるように設置されている。これにより、第一のラインセンサカメラ１１はその走査線がトロリ線１６を横切るようになっている。   The first line sensor camera 11 is installed vertically upward on the roof of the vehicle 10 so that the scanning line direction 18 is the same as the sleeper direction. As a result, the scanning line of the first line sensor camera 11 crosses the trolley line 16.

また、第二のラインセンサカメラ１２は、車両１０の屋根上にパンタグラフ１４に向けて斜め上方向きに設置され、その走査線の方向１９が車両上下方向と同じ方向になるように設置されている。これにより、第二のラインセンサカメラ１２はその走査線がパンタグラフ１４を横切るようになっている。本実施例では、後述する摩耗領域検出手法によりトロリ線１６の画像上の摩耗領域の幅（以下、摩耗幅と称する）を求める際に用いるトロリ線１６の高さ（パンタグラフ１４の上部位置１５の高さ）の検出のために撮影を行う手段として、第二のラインセンサカメラ１２を用いている。   Further, the second line sensor camera 12 is installed on the roof of the vehicle 10 obliquely upward toward the pantograph 14, and is installed such that the scanning line direction 19 is the same as the vehicle vertical direction. . Thus, the scanning line of the second line sensor camera 12 crosses the pantograph 14. In the present embodiment, the height of the trolley wire 16 (to be referred to as the wear width) on the image of the trolley wire 16 on the image of the trolley wire 16 (hereinafter referred to as the wear width) by the wear area detection method described later. The second line sensor camera 12 is used as a means for taking an image for detecting the height.

これら第一，第二のラインセンサカメラ１１，１２によって取得した画像データは処理装置２０に入力される。   The image data acquired by the first and second line sensor cameras 11 and 12 are input to the processing device 20.

照明装置１３は、第一のラインセンサカメラ１１によって撮像される領域にあるトロリ線１６を照らす。なお、図中に示す１７はトロリ線を支持する構造物である。   The illumination device 13 illuminates the trolley wire 16 in an area imaged by the first line sensor camera 11. In addition, 17 shown in the figure is a structure that supports the trolley wire.

処理装置２０は、例えば、コンピュータなどの装置であり、装置構成としては、演算装置、記憶装置、入出力装置などからなり、機能構成としては、図２に示す複数判断基準最適混合率決定処理部２１と、図３に示す複数判断基準利用架線摩耗検出処理部２２とを含む構成となっている。   The processing device 20 is, for example, a device such as a computer. The device configuration includes an arithmetic unit, a storage device, an input / output device, and the like. The functional configuration includes a multiple-criterion optimal mixing ratio determination processing unit illustrated in FIG. 21 and an overhead wire wear detection processing unit 22 using a plurality of criteria shown in FIG.

以下、図２から図７Ｃを用いて処理装置２０における処理の詳細を説明する。   Hereinafter, the processing in the processing device 20 will be described in detail with reference to FIGS. 2 to 7C.

図２に示すように、複数判断基準最適混合率決定処理部２１は、過去データベース入力部２１１、複数判断基準入力部２１２、複数判断基準混合バランス決定部２１３、および記憶部２１４を備えている。   As illustrated in FIG. 2, the multiple-criterion optimal mixing ratio determination processing unit 21 includes a past database input unit 211, a multiple-criterion input unit 212, a multiple-criterion mixing balance determination unit 213, and a storage unit 214.

過去データベース入力部２１１は、予め第一のラインセンサカメラ１１によりトロリ線１６を撮影して取得した多数の画像（例えば、過去に取得した数千枚の画像）に対し、例えば手動で画像中のトロリ線摩耗領域（例えば、図４に示す白色領域ＡW）を指定したデータ（以下、摩耗領域ラベルあり画像データ）を記憶部２１４に保存する。 For example, the past database input unit 211 manually inputs a large number of images (for example, thousands of images acquired in the past) obtained by photographing the trolley wire 16 by the first line sensor camera 11 in advance. Data specifying a trolley wire wear area (for example, a white area A W shown in FIG. 4) (hereinafter, image data with a wear area label) is stored in the storage unit 214.

複数判断基準入力部２１２は、「設備情報として与えられた架線の本数分、架線が検出されているか」、「トロリ線摩耗部の推定幅が妥当な太さをしているか」、「摩耗領域の両側は低い輝度値になっているか」、「摩耗領域は連続しているか」、「摩耗領域の幅は前後で大きく変化していないか」等の、画像中からトロリ線１６の摩耗領域を抽出するための複数の判断基準を判断基準データとして記憶部２１４に保存する。   The multiple judgment criterion input unit 212 determines whether “the number of overhead lines is detected by the number of overhead lines given as the equipment information”, “whether the estimated width of the trolley wire wear portion has an appropriate thickness”, “the wear area”. Of the trolley wire 16 in the image, such as "whether both sides have low brightness values", "whether the wear area is continuous", "whether the width of the wear area has not changed significantly before and after". A plurality of criteria for extraction are stored in the storage unit 214 as criteria data.

複数判断基準混合バランス決定部２１３は、記憶部２１４から入力される摩耗領域ラベルあり画像データおよび判断基準データに基づき、複数の判断基準をどのような比重で組み合わせれば各画像中の摩耗領域を最も正しく算出できるかを決定するための最適混合バランスを機械学習により求め、最適混合バランスデータとして記憶部２１４に保存する。   Based on the image data with a wear area label and the criterion data input from the storage unit 214, the plural criterion mixture balance determination unit 213 determines the wear area in each image by combining a plurality of criterion with any specific gravity. The optimum mixing balance for determining whether the calculation can be performed most correctly is obtained by machine learning, and is stored in the storage unit 214 as optimum mixing balance data.

以下に、複数判断基準混合バランス決定部２１３における処理を詳しく説明する。
まず、複数の判断基準を導入しようとした場合、解決すべき問題として次の二つの問題点が挙げられる。
〈問題点１〉
複数の判断基準に各々重みを与えて足し合わせたものを一つの評価軸とする際の、各判断基準に与える重みのバランス（最適混合バランス）をどのようにして決定するか。
〈問題点２〉
上述した評価軸を用いて求めた評価値と真値（過去データベースからつくられる摩耗領域ラベルあり画像データ）との合致率ｔをどう定義するか。 Hereinafter, the processing in the multiple-criteria mixed balance determination unit 213 will be described in detail.
First, when trying to introduce a plurality of criteria, the following two problems are to be solved.
<Problem 1>
How to determine the balance (optimal mixture balance) of the weights given to each criterion when the sum of the plurality of criterions given weights is used as one evaluation axis.
<Problem 2>
How to define the coincidence rate t between the evaluation value obtained using the evaluation axis described above and the true value (image data with a wear area label created from a past database).

〈問題点１〉については、例えば３つの判断基準ａ，ｂ，ｃがあった場合のそれぞれの重みとバイアスｗ0，ｗ1，ｗ2，ｗ3を調整した線形結合関数を次式（１）で表し、この関数の出力と過去データベースからつくられる摩耗領域ラベルあり画像データとの合致率ｔ（詳細については後述する）が一致するように線形回帰（パラメータｗを最尤推定やMAP推定で求める）をするのが最も単純な方法である。
ｆ（ａ，ｂ，ｃ）=ｗ0+ｗ1ａ+ｗ2ｂ+ｗ3ｃ ・・・（１） Regarding <Problem 1>, for example, when there are three criteria a, b, and c, a linear combination function in which respective weights and biases w 0 , w 1 , w 2 , and w 3 are adjusted is represented by the following equation (1). ), And linear regression (the parameter w is estimated by maximum likelihood estimation or MAP estimation) so that the matching rate t (the details will be described later) between the output of this function and the image data with a wear area label created from the past database matches. Is the simplest method.
f (a, b, c) = w 0 + w 1 a + w 2 b + w 3 c ··· (1)

しかし上式（１）では真値に近づかない可能性がある。例として判断基準ｂ，ｃはどんな画像でもほぼ同一の値が出力されるため考慮する必要がなく、判断基準ａと合致率ｔに図５Ａに示す関係がある場合を考える。   However, in the above equation (1), there is a possibility that the true value is not approached. As an example, it is not necessary to consider the criterion “b” and “c” because almost the same value is output for any image. It is assumed that the criterion “a” and the matching rate “t” have a relationship shown in FIG. 5A.

図６Ａに示すように、この関係を次式（２）のような線形回帰式で表現することに無理があるのは自明である。
ｆ（ａ）=ｗ0+ｗ1ａ ・・・（２） As shown in FIG. 6A, it is obvious that it is impossible to express this relationship by a linear regression equation such as the following equation (2).
f (a) = w 0 + w 1 a (2)

そのため、このような場合には、図５Ｂに示すように、線形回帰モデルに基底関数を導入するのが１つの解決策となる。そこで、例えば次式（３）に示す多項式を導入する事を考える。
φi（ａ）＝ａi ・・・（３） Therefore, in such a case, as shown in FIG. 5B, one solution is to introduce a basis function into the linear regression model. Thus, for example, consider introducing a polynomial shown in the following equation (3).
φ i (a) = a i (3)

このとき関数ｆは次式（４）に拡張できる。

Figure 2020037356
At this time, the function f can be extended to the following equation (4).
Figure 2020037356

Ｍを、使用する基底関数のモデルパラメータ（ここでは何次多項式まで使うか）とすると、必要なパラメータｗの数は増えるが、関数ｆの表現の自由度は大きく向上する。ただし、モデルパラメータが増えるほど、実際のデータには対応している一方、未知のデータには対応できない過学習と呼ばれる状態となる可能性がある（図６Ｃ参照）。   If M is a model parameter of the basis function to be used (how many order polynomials are used here), the number of necessary parameters w increases, but the degree of freedom in expressing the function f greatly improves. However, as the number of model parameters increases, there is a possibility that a state called over-learning that corresponds to actual data but cannot correspond to unknown data (see FIG. 6C).

また、上述した説明では、簡単のため関数ｆに判断基準ａのみが関与する例を示したが、実際は多くの判断基準が関わるため図６Ａから図６Ｃ（図６Ｂは、モデルパラメータによる関数表現力としてデータを適切に表現している例。）のように図示して関数の表現力が適切か否かを判断することは困難である。その為何かしらの手段で関数の表現力が適切か否かを判断する必要がある。   In the above description, an example in which only the criterion a is involved in the function f is shown for simplicity. However, since many criterions are actually involved, FIGS. 6A to 6C (FIG. It is difficult to judge whether or not the expressive power of the function is appropriate, as shown in FIG. Therefore, it is necessary to judge by some means whether the expressive power of the function is appropriate.

ここで、ラベル付きの過去データから学習してその特徴を抽出する一般的な手段として機械学習が知られている。機械学習の中でも過学習を回避しつつ非線形な特徴抽出も可能な方法にはディープラーニング、カーネル回帰法、およびＬ１正則化もしくはlasso正則化と呼ばれる過学習を抑えかつ少ない特徴量で表現する上記非特許文献１に記載された手法（スパースモデリング）などがある。   Here, machine learning is known as a general means for learning from labeled past data and extracting its features. Among the machine learning methods that can also perform non-linear feature extraction while avoiding over-learning, deep learning, kernel regression, and the above-mentioned non-linear method called L1 regularization or lasso regularization that suppresses over-learning and expresses with a small amount of features There is a technique (sparse modeling) described in Patent Document 1.

ディープラーニング、カーネル回帰法、スパースモデリングを用いて、ラベル付きの過去データから学習しその特徴を抽出する場合の、それぞれのメリット及びデメリットを表１に示す。   Table 1 shows the advantages and disadvantages of learning from labeled past data and extracting its features using deep learning, kernel regression, and sparse modeling.

Figure 2020037356
Figure 2020037356

表１に示すように、どの判断基準がどの程度有効かを明確にするという点ではスパースモデリングが優れていると言えるが、判断基準がブラックボックスでも良いと判断される場合（どの判断基準が有効かを明確にする必要がないと判断される場合）はディープラーニングまたはカーネル回帰法に代表される機械学習手法を適用することができる。   As shown in Table 1, it can be said that sparse modeling is superior in clarifying which criterion is valid and how effective, but when it is determined that the criterion may be a black box (which criterion is valid) If it is determined that there is no need to clarify this, a machine learning method represented by deep learning or kernel regression can be applied.

〈問題点２〉については、予め過去データベースの画像群に真値（例えば、架線の摩耗領域のピクセル座標）を与えたものと、所定の解析パラメータで解析を行った際の結果との差分を求める。なお、ここでいう「所定の解析パラメータ」とは過去データベースの画像群に対して行う摩耗幅算出に用いるパラメータである。具体的には、例えば過去データベースの画像群に対してそれぞれフィルタサイズがＶのガウスフィルタを実施し、しきい値Ｗでの二値化処理を行い、Ｘ回のクロージング処理を行い、Ｙ回のオープニング処理を行い、ラベリングを実施して面積がＺ以下ならノイズとして除去し、各ラベルの左端から右端の長さ（摩耗幅）を算出する等の処理の組み合わせ及び各処理のパラメータを「所定の解析パラメータ」と称している。なお、ガウスフィルタ、二値化処理、クロージング処理、オープニング処理、ラベリング等の処理については既知の処理を適用するものとし、詳細な説明は省略する。   Regarding <Problem 2>, the difference between the value obtained by giving a true value (for example, the pixel coordinates of the abrasion area of the overhead wire) to the image group in the past database in advance and the result obtained when the analysis is performed using the predetermined analysis parameters is calculated. Ask. Here, the “predetermined analysis parameter” is a parameter used for calculating the wear width performed on the image group in the past database. More specifically, for example, a Gaussian filter with a filter size of V is applied to each image group in the past database, a binarization process is performed at a threshold value W, X closing processes are performed, and Y If an opening process is performed, labeling is performed and the area is equal to or smaller than Z, noise is removed, and a combination of processes such as calculating the length (wear width) from the left end to the right end of each label and a parameter of each process are set to a predetermined value. Analysis parameters. " Known processes are applied to processes such as a Gaussian filter, a binarization process, a closing process, an opening process, and labeling, and a detailed description thereof will be omitted.

一例として、図４の白色領域ＡWを架線摩耗領域の真値とし、図７Ａ〜図７Ｃにそれぞれ示す領域ＤA，ＤB，ＤCを解析により得られた結果の架線摩耗領域とすると、図７Ｂに示す領域ＤBについては図４に示す白色領域ＡWと差分が無いため、合致率ｔは１００％となる。これに対して図７Ａ，図７Ｃに示す領域ＤA，ＤCについては未検出領域があったり、過検出領域があったりと合致率ｔは１００％とはならないことが分かる。 As an example, the white areas A W in FIG. 4 and the true value of the overhead wire wearing region, the region D A shown in FIGS 7A~ Figure 7C, D B, when the overhead wire wear area of the results obtained by analyzing the D C, since there is no white areas a W and the difference shown in Figure 4 for the region D B shown in FIG. 7B, match rate t is 100%. Figure 7A contrast, the region D A shown in FIG. 7C, or have undetected area for D C, concordance rate t and or have over-detection region it is understood that not 100%.

この未検出と過検出それぞれについてどう評価するかの基準を与える必要があるが、本実施例では過検出も未検出も同等に扱う。すなわち、例えば図４の白色領域ＡWの面積を１００としたときに、白色領域ＡWのうちの面積９０の部分が検出された場合（白色領域ＡWのうちの面積１０の部分が未検出の場合）に合致率ｔは９０％、白色領域ＡW全てに加えて面積１０の領域が過検出された場合に合致率ｔは９０％、白色領域ＡWの中で面積９０の領域が検出され、それ以外の領域で面積１０の領域が過検出された場合、合致率ｔは未検出で−１０％、過検出で−１０％の合計８０％とする。 It is necessary to provide a standard for how to evaluate each of the undetected state and the overdetected state. In this embodiment, the overdetected state and the undetected state are treated equally. That is, for example, when the area of the white area A W in FIG. 4 is set to 100, a part of the white area A W having an area of 90 is detected (the area of the white area A W having an area of 10 is not detected). ), The matching rate t is 90%, and when the area of area 10 is overdetected in addition to all the white areas A W , the matching rate t is 90%, and an area of area 90 is detected in the white area A W. If the area of area 10 is over-detected in other areas, the matching rate t is -10% for undetected areas and -10% for over-detected areas, for a total of 80%.

このように、複数判断基準混合バランス決定部２１３では、前述した〈問題点１〉および〈問題点２〉に対し、上記解決策を適用することで、複数判断基準の最適な混合バランスを決定する。ここで、表２に、摩耗本数、架線変位の微分および摩耗幅の微分を判断基準とし、各判断基準の平均値を平均０、分散１となるように正規化した際の最適混合バランス（重み係数）の一例を示す。   As described above, the multiple-criterion mixed balance determination unit 213 determines the optimal mixed balance of the multiple criteria by applying the above-described solution to the above <Problem 1> and <Problem 2>. . Here, in Table 2, the optimal mixing balance (weighting) when the number of wear, the differential of the overhead wire displacement, and the differential of the wear width are used as judgment criteria, and the average value of each judgment standard is normalized to have an average of 0 and a variance of 1 is shown. An example is shown below.

Figure 2020037356
Figure 2020037356

このような最適混合バランスを各判断基準の重み係数とし、各判断基準の評価値をかけ合わせて全てを足し合わせたものが、上述した一つの評価軸における最終的な評価値（以下、単に最終的な評価値と称する）となる。   Such an optimal mixing balance is used as a weighting coefficient of each criterion, and the sum of all the products is multiplied by the evaluation value of each criterion to obtain a final evaluation value (hereinafter simply referred to as a final evaluation value) in one evaluation axis. Evaluation value).

また、図３に示すように、複数判断基準利用架線摩耗検出処理部２２は、画像入力部２２１、複数判断基準入力部２２２、複数判断基準混合バランス入力部２２３、摩耗領域検出手法入力部２２４、架線摩耗領域算出部２２５、および記憶部２２６を備えている。   As shown in FIG. 3, the multiple-criteria-based overhead wire wear detection processing unit 22 includes an image input unit 221, a multiple-criterion input unit 222, a multiple-criterion mixed balance input unit 223, a wear area detection method input unit 224, An overhead wire wear area calculation unit 225 and a storage unit 226 are provided.

画像入力部２２１は、第一のラインセンサカメラ１１で検査対象としてのトロリ線１６の摩耗領域を撮影して得られた画像信号を時系列に並べてなる画像（検査画像）を入力し、画像データとして記憶部２２６に保存する。   The image input unit 221 inputs an image (inspection image) in which image signals obtained by photographing the wear area of the trolley wire 16 to be inspected by the first line sensor camera 11 are arranged in time series, and the image data is input. Is stored in the storage unit 226.

複数判断基準入力部２２２は、「設備情報として与えられた架線の本数分、架線が検出されているか」、「トロリ線摩耗部の推定幅が妥当な太さをしているか」、「摩耗領域の両側は低い輝度値になっているか」、「摩耗領域は連続しているか」、「摩耗領域の幅は前後で大きく変化していないか」等の複数の判断基準を判断基準データとして記憶部２２６に保存する。   The multiple judgment criterion input unit 222 determines whether “the number of overhead lines detected as the number of overhead lines given as the facility information is detected”, “whether the estimated width of the trolley wire wear portion has an appropriate thickness”, “the wear area”. The storage unit stores a plurality of determination criteria as determination reference data, such as whether low brightness values are present on both sides of the area, whether the wear area is continuous, and whether the width of the wear area has not changed significantly before and after. 226.

複数判断基準混合バランス入力部２２３は、複数判断基準最適混合率決定処理部２１の複数判断基準混合バランス決定部２１３で求めた最適混合バランスデータを入力し、記憶部２２６に保存する。   The multi-criteria mixed balance input unit 223 inputs the optimum mixing balance data obtained by the multi-criteria mixed balance determining unit 213 of the multi-criteria optimum mixing ratio determination processing unit 21 and stores it in the storage unit 226.

摩耗領域検出手法入力部２２４は、例えば、特許文献２〜４に示されるような、画像データから摩耗領域を検出するための複数の摩耗領域検出手法を入力し、摩耗領域検出手法データとして記憶部２２６に保存する。   The wear region detection method input unit 224 inputs a plurality of wear region detection methods for detecting a wear region from image data as shown in Patent Documents 2 to 4, for example, and stores the wear region detection method data as wear region detection method data. 226.

架線摩耗領域算出部２２５は、画像データ、判断基準データ、最適混合バランスデータおよび摩耗領域検出手法データに基づいて各画像データにそれぞれ最も適した摩耗領域検出手法を選択し、選択した摩耗領域検出手法により求めたトロリ線１６の摩耗幅を最終的なトロリ線摩耗幅（検査結果）とするものであって、摩耗幅および評価値算出部２２５ａと評価結果比較部２２５ｂとを含んで構成されている。   The overhead wire wear area calculation unit 225 selects a wear area detection method most suitable for each image data based on the image data, the determination reference data, the optimal mixed balance data, and the wear area detection method data, and selects the selected wear area detection method. Is used as the final trolley wire wear width (inspection result), and includes a wear width and evaluation value calculation unit 225a and an evaluation result comparison unit 225b. .

摩耗幅および評価値算出部２２５ａは、記憶部２２６に保存されている画像データそれぞれに対して、各摩耗領域検出手法による摩耗幅検出処理を行ってトロリ線１６の摩耗幅を算出するとともに、各摩耗領域検出手法によって求めたトロリ線摩耗領域に対して、判断基準データ及び最適混合バランスデータを利用して最終的な評価値を求める。   The wear width and evaluation value calculation unit 225a calculates a wear width of the trolley wire 16 by performing a wear width detection process by each wear area detection method on each of the image data stored in the storage unit 226, and For the trolley wire abrasion area obtained by the abrasion area detection method, a final evaluation value is obtained using the judgment criterion data and the optimum mixing balance data.

すなわち、各摩耗領域検出手法によって求めたトロリ線摩耗領域において、例えば設備情報として与えられた架線の本数分、架線が検出されている場合、トロリ線摩耗部の推定幅が妥当な太さをしている場合、摩耗領域の両側が低い輝度値になっている場合、摩耗領域が連続している場合、摩耗領域の幅が前後で大きく変化していない場合は、各判断基準の評価値は高くなり、そうでない場合は各判断基準の評価値は低くなる。   In other words, in the trolley wire wear area determined by each wear area detection method, for example, when the number of overhead wires given as equipment information is detected, the estimated width of the trolley wire wear portion has an appropriate thickness. When the brightness value is low on both sides of the wear area, when the wear area is continuous, and when the width of the wear area does not change greatly before and after, the evaluation value of each criterion is high. Otherwise, the evaluation value of each criterion is low.

各摩耗領域検出手法によって求めたトロリ線摩耗領域について、上述のようにして得られる各判断基準の評価値に、最適混合バランスに基づく重みを掛け合わせ全てを足し合わせることで、それぞれの最終的な評価値を求める。   For the trolley wire abrasion area obtained by each abrasion area detection method, the final value of each criterion is obtained by multiplying the evaluation value of each criterion obtained as described above by a weight based on the optimal mixing balance and adding all the values. Find the evaluation value.

なお、トロリ線１６の摩耗幅を求める各摩耗領域検出手法については、例えば上述した特許文献２〜４等に記載されている既知の手法を用いるものとし、ここでの詳細な説明は省略する。   In addition, as for each wear area detection method for obtaining the wear width of the trolley wire 16, a known method described in, for example, the above-mentioned Patent Documents 2 to 4 and the like is used, and a detailed description thereof will be omitted.

評価結果比較部２２５ｂは、複数の摩耗領域検出手法の中から、各画像データごとに最終的な評価値が最も高い検査結果が得られる摩耗領域検出手法を選択し、選択した摩耗領域検出手法により求めたトロリ線１６の摩耗幅を各画像データにおける最終的な摩耗幅（トロリ線摩耗幅データ）として記憶部２２６に保存する。   The evaluation result comparison unit 225b selects a wear area detection method that provides an inspection result with the highest final evaluation value for each image data from among the plurality of wear area detection methods, and uses the selected wear area detection method. The obtained wear width of the trolley wire 16 is stored in the storage unit 226 as a final wear width (trolley wire wear width data) in each image data.

なお、本実施例では、摩耗領域ラベルあり画像データは摩耗領域の判断が可能なユーザが手動で与える例を示したが、他の何らかの手段（例えば、レーザデータなど他の計測器）を利用して摩耗領域ラベルあり画像データを作成しても構わない。   In this embodiment, the example in which the image data with the wear area label is manually given by the user who can determine the wear area has been described, but some other means (for example, another measuring instrument such as laser data) is used. Alternatively, image data with a wear area label may be created.

また、本実施例では過検出、未検出を同等に扱うことで合致率ｔを定義したが、必要に応じて過検出及び未検出の一方または両方に重み付けをして評価する等、本発明の趣旨を逸脱しない範囲で種々の変更が可能である。   Further, in this embodiment, the matching rate t is defined by treating over-detection and undetection equally, but if necessary, one or both of over-detection and undetection are weighted and evaluated. Various changes can be made without departing from the spirit.

また、本実施例では、処理装置２０を車両１０の内部に設置する例を示したが、処理装置２０は車両１０の外部に設置されてもよい。
また、本実施例では、第二のラインセンサカメラ１２によりトロリ線１６の高さを検出する例を示したが、トロリ線１６の高さは他の既知の方法により求めてもよい。 Further, in the present embodiment, an example in which the processing device 20 is installed inside the vehicle 10 has been described, but the processing device 20 may be installed outside the vehicle 10.
Further, in the present embodiment, the example in which the height of the trolley wire 16 is detected by the second line sensor camera 12 has been described, but the height of the trolley wire 16 may be obtained by another known method.

このように構成される本実施例に係る架線摩耗検査装置によれば、複数判断基準最適混合率決定処理部２１を設けたことにより、複数の判断基準をどのような比重で組み合わせれば一つの最適な評価軸が得られるかを決定するための最適混合バランスを、過去データベースを利用して機械学習によって自動的に抽出することができ、一つ一つの画像データごとに最も適した摩耗領域検出手法を複数の判断基準を考慮して選択し、この摩耗領域検出手法を用いて求めた摩耗幅を最終的な架線摩耗検査結果として採用することが可能となるため、トロリ線１６の摩耗検査を従来に比較してより高精度に実施することが可能となる。   According to the overhead wire abrasion inspection apparatus according to the present embodiment configured as described above, by providing the multiple criterion optimal mixing ratio determination processing unit 21, if a plurality of criterions are combined at any specific gravity, one The optimal mixing balance for determining whether the optimal evaluation axis can be obtained can be automatically extracted by machine learning using the past database, and the most suitable wear area detection for each image data Since the method can be selected in consideration of a plurality of criteria and the wear width obtained by using the wear area detection method can be adopted as the final overhead wire wear test result, the wear test of the trolley wire 16 can be performed. It is possible to carry out with higher accuracy than in the past.

１０ 検査車両
１１ 第一のラインセンサカメラ
１２ 第二のラインセンサカメラ
１３ 照明
１４ パンタグラフ
１５ パンタグラフの上部位置
１６ トロリ線
１７ 構造物
１８ 第一のラインセンサカメラの走査線の方向
１９ 第二のラインセンサカメラの走査線の方向
２０ 処理装置
２１ 複数判断基準最適混合率決定処理部
２２ 複数判断基準利用架線摩耗検出処理部
２１１ 過去データベース入力部
２１２ 複数判断基準入力部
２１３ 複数判断基準混合バランス決定部
２１４ 記憶部
２２１ 画像入力部
２２２ 複数判断基準入力部
２２３ 複数判断基準混合バランス入力部
２２４ 摩耗領域検出手法入力部
２２５ 架線摩耗領域算出部
２２５ａ 摩耗幅および評価値算出部
２２５ｂ 評価結果比較部
２２６ 記憶部 Reference Signs List 10 inspection vehicle 11 first line sensor camera 12 second line sensor camera 13 illumination 14 pantograph 15 top position of pantograph 16 trolley wire 17 structure 18 direction of scanning line of first line sensor camera 19 second line sensor Scanning line direction of camera 20 Processing unit 21 Plural criterion optimal mixing ratio determination processing unit 22 Plural criterion utilization overhead wire wear detection processing unit 211 Past database input unit 212 Plural criterion input unit 213 Plural criterion mixing balance determination unit 214 Storage Unit 221 image input unit 222 plural judgment standard input unit 223 plural judgment standard mixed balance input unit 224 wear region detection method input unit 225 overhead wire wear region calculation unit 225a wear width and evaluation value calculation unit 225b evaluation result comparison unit 226 storage unit

Claims (2)

ラインセンサカメラで予め架線の摩耗領域を撮影して取得した多数の画像に対し、各画像中の摩耗領域をそれぞれ指定したデータを入力するデータベース入力部、
前記画像中から前記摩耗領域を抽出するための複数の判断基準の入力を行う複数判断基準入力部、及び、
前記データおよび前記複数の判断基準に基づいて、機械学習により、前記複数の判断基準をどのような比重で組み合わせれば各画像中の摩耗領域を最も正しく抽出できるかを決定するための最適混合バランスを求める複数判断基準混合バランス決定部
を含む複数判断基準最適混合率決定処理部と、
前記ラインセンサカメラで検査対象としての前記架線の摩耗領域を撮影して取得した検査画像を入力する画像入力部、
前記複数の判断基準の入力を行う複数判断基準入力部、
前記最適混合バランスの入力を行う複数判断基準混合バランス入力部、
前記検査画像中から前記架線の摩耗領域の幅を検出するための複数の摩耗領域検出手法の入力を行う摩耗領域検出手法入力部、並びに、
前記検査画像、前記複数の判断基準、前記最適混合バランス及び前記摩耗領域検出手法に基づいて、複数の前記検査画像に対してそれぞれに最も適した摩耗領域検出手法を選択し、当該摩耗領域検出手法により求めた前記架線の摩耗領域の幅を最終的な検査結果とする架線摩耗領域算出部
を含む複数判断基準利用架線摩耗検出処理部と
を備えることを特徴とする架線摩耗検査装置。 For a number of images obtained by previously capturing the wear area of the overhead wire with a line sensor camera, a database input unit for inputting data specifying the wear area in each image,
A plurality of criteria input unit for inputting a plurality of criteria for extracting the wear area from the image, and
Based on the data and the plurality of criteria, an optimal mixing balance for determining, by machine learning, what specific gravity is used to combine the plurality of criteria to extract the wear region in each image most correctly. A multi-criteria optimal mixing ratio determination processing unit including a multi-criteria mixing balance determining unit for determining
An image input unit for inputting an inspection image obtained by photographing the wear area of the overhead wire as an inspection target with the line sensor camera,
A plurality of criteria input section for inputting the plurality of criteria,
A multi-criteria mixed balance input unit for inputting the optimal mixed balance,
A wear region detection method input unit that performs input of a plurality of wear region detection methods for detecting the width of the wear region of the overhead wire from the inspection image, and
Based on the inspection image, the plurality of criteria, the optimal mixture balance, and the wear area detection method, a wear area detection method that is most appropriate for each of the plurality of inspection images is selected. And a plurality of criterion-based overhead wire wear detection processing units including an overhead wire wear area calculation unit that uses the width of the overhead wire wear area obtained as a final inspection result. 前記架線摩耗領域算出部が、
各摩耗領域検出手法により前記検査画像から前記架線の摩耗領域の幅を求めるとともに、各摩耗領域検出手法により求めた前記架線の摩耗領域についてそれぞれ前記判断基準および前記最適混合バランスを利用して評価値を求める摩耗幅および評価値算出部と、
前記評価値が最も高くなる摩耗領域検出手法を選択し、選択した摩耗領域検出手法によって求めた前記架線の摩耗領域の幅を前記最終的な検査結果とする評価結果比較部と
を含むことを特徴とする請求項１に記載の架線摩耗検査装置。 The overhead wire wear area calculation unit,
The width of the abrasion area of the overhead wire is determined from the inspection image by each abrasion area detection technique, and the evaluation value of the abrasion area of the overhead wire determined by each abrasion area detection technique is evaluated using the determination criterion and the optimal mixing balance. A wear width and evaluation value calculation unit for determining
An evaluation result comparison unit that selects a wear area detection method with the highest evaluation value, and sets the width of the wear area of the overhead wire determined by the selected wear area detection method as the final inspection result. The overhead wire wear inspection device according to claim 1, wherein
JP2018166068A 2018-09-05 2018-09-05 Overhead line wear inspection device Active JP7024669B2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018166068A JP7024669B2 (en) 2018-09-05 2018-09-05 Overhead line wear inspection device
JP2021143580A JP7226493B2 (en) 2018-09-05 2021-09-03 Contact wire wear inspection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018166068A JP7024669B2 (en) 2018-09-05 2018-09-05 Overhead line wear inspection device

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2021143580A Division JP7226493B2 (en) 2018-09-05 2021-09-03 Contact wire wear inspection method

Publications (2)

Publication Number Publication Date
JP2020037356A true JP2020037356A (en) 2020-03-12
JP7024669B2 JP7024669B2 (en) 2022-02-24

Family

ID=69737379

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2018166068A Active JP7024669B2 (en) 2018-09-05 2018-09-05 Overhead line wear inspection device
JP2021143580A Active JP7226493B2 (en) 2018-09-05 2021-09-03 Contact wire wear inspection method

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2021143580A Active JP7226493B2 (en) 2018-09-05 2021-09-03 Contact wire wear inspection method

Country Status (1)

Country Link
JP (2) JP7024669B2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021148589A (en) * 2020-03-19 2021-09-27 株式会社明電舎 Trolley wire inspection device and trolley wire inspection method
JP2021183449A (en) * 2020-05-22 2021-12-02 Ｊｆｅスチール株式会社 Inspection device and inspection method for trolley wire facility

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7024669B2 (en) * 2018-09-05 2022-02-24 株式会社明電舎 Overhead line wear inspection device

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09218954A (en) * 1996-02-14 1997-08-19 Nippon Telegr & Teleph Corp <Ntt> Image generating method
JP2005249503A (en) * 2004-03-03 2005-09-15 Hitachi Industries Co Ltd Device for inspecting slider of pantograph
JP2009103499A (en) * 2007-10-22 2009-05-14 Meidensha Corp Abrasion amount measuring device of trolley wire
JP2012168641A (en) * 2011-02-10 2012-09-06 Nikon Corp Image determination apparatus, image processor, camera and image determination program
CN107702646A (en) * 2017-10-11 2018-02-16 成都国铁电气设备有限公司 A kind of contact net Abrasion detecting method and system

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7024669B2 (en) 2018-09-05 2022-02-24 株式会社明電舎 Overhead line wear inspection device

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09218954A (en) * 1996-02-14 1997-08-19 Nippon Telegr & Teleph Corp <Ntt> Image generating method
JP2005249503A (en) * 2004-03-03 2005-09-15 Hitachi Industries Co Ltd Device for inspecting slider of pantograph
JP2009103499A (en) * 2007-10-22 2009-05-14 Meidensha Corp Abrasion amount measuring device of trolley wire
JP2012168641A (en) * 2011-02-10 2012-09-06 Nikon Corp Image determination apparatus, image processor, camera and image determination program
CN107702646A (en) * 2017-10-11 2018-02-16 成都国铁电气设备有限公司 A kind of contact net Abrasion detecting method and system

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021148589A (en) * 2020-03-19 2021-09-27 株式会社明電舎 Trolley wire inspection device and trolley wire inspection method
JP7384083B2 (en) 2020-03-19 2023-11-21 株式会社明電舎 Contact wire inspection device and contact wire inspection method
JP2021183449A (en) * 2020-05-22 2021-12-02 Ｊｆｅスチール株式会社 Inspection device and inspection method for trolley wire facility
JP7338556B2 (en) 2020-05-22 2023-09-05 Ｊｆｅスチール株式会社 Inspection device and inspection method for contact wire equipment

Also Published As

Publication number Publication date
JP7024669B2 (en) 2022-02-24
JP7226493B2 (en) 2023-02-21
JP2022000642A (en) 2022-01-04

Similar Documents

Publication Publication Date Title
JP7226493B2 (en) Contact wire wear inspection method
CN109872303B (en) Surface defect visual detection method and device and electronic equipment
KR100532635B1 (en) Image processing method for appearance inspection
Wu et al. Train rail defect classification detection and its parameters learning method
Dubey et al. Maximally stable extremal region marking-based railway track surface defect sensing
US11747284B2 (en) Apparatus for optimizing inspection of exterior of target object and method thereof
JP2007114843A (en) Quality deciding device
JP2013134666A (en) Binary image generation device, classification device, binary image generation method, and classification method
CN110136130A (en) A kind of method and device of testing product defect
JP2016181098A (en) Area detection device and area detection method
KR101929669B1 (en) The method and apparatus for analyzing an image using an entropy
Jadhav et al. Classification of diabetes retina images using blood vessel area
JP2006254330A (en) Quantitative evaluation method of gray scale image on paper or sheet-like base material
Sulaiman et al. DEFECT INSPECTION SYSTEM FOR SHAPE-BASED MATCHING USING TWO CAMERAS.
Bernal et al. A region segmentation method for colonoscopy images using a model of polyp appearance
JP7356010B2 (en) Surface texture inspection device and surface texture inspection method
JP4115378B2 (en) Defect detection method
JP6126290B1 (en) Appearance inspection device
JP6818263B2 (en) Fracture surface analysis device and fracture surface analysis method
CN110441315A (en) Electronic component test equipment and method
CN106767337B (en) Machine vision-based inclination angle reading method for rail inspection trolley verification platform
JP2022013285A (en) Machine learning method
Abu-Jassar et al. Contrast as a Method of Image Processing in Increasing Diagnostic Efficiency When Studying Liver Fatty Tissue Levels
JP2005128635A (en) Image processing apparatus
Tabassum Image-Based Crack Detection by Extracting Depth of the Crack Using Machine Learning

Legal Events

Date Code Title Description
RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20190529

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20190529

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210203

TRDD Decision of grant or rejection written
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20211228

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220111

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220124

R150 Certificate of patent or registration of utility model

Ref document number: 7024669

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150