JP2020037356A - Overhead wire abrasion inspection device - Google Patents
Overhead wire abrasion inspection device Download PDFInfo
- 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
Links
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
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.
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.
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
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
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
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
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
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
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
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
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
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
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
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。
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.
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
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
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
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
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
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
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
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
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
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
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
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
Further, in the present embodiment, the example in which the height of the
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
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
Claims (2)
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.
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
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)
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)
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)
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)
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 |
-
2018
- 2018-09-05 JP JP2018166068A patent/JP7024669B2/en active Active
-
2021
- 2021-09-03 JP JP2021143580A patent/JP7226493B2/en active Active
Patent Citations (5)
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)
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 |