JP2023004929A - 送電設備抽出装置、送電設備抽出方法及び送電設備抽出プログラム - Google Patents

Abstract

【課題】無人航空機を用いた送電設備の点検を容易にする送電設備抽出装置、送電設備抽出方法及び送電設備抽出プログラムを提供する。【解決手段】点群生成部１２は、無人航空機２により撮影された地表に建てられた鉄塔１０１を含む送電設備の空撮画像から空撮画像に写された鉄塔１０１を含む物体の３次元点群画像を生成する。抽出用円柱決定部１９は、点群生成部１２により生成された３次元点群画像における鉄塔１０１以外の他の物体の地上からの高さの最高点よりも地表から離れた最高点の近傍の抽出用基準位置を特定し、鉄塔１０１の頂点から抽出用基準位置までの領域に含まれる点群を基に、鉄塔１０１を包含する抽出量領域を決定する。鉄塔抽出部２１は、３次元点群から抽出用領域に含まれる鉄塔１０１を表す鉄塔点群を抽出する。【選択図】図１

Description

本発明は、送電設備抽出装置、送電設備抽出方法及び送電設備抽出プログラムに関する。

従来、送電線や鉄塔などといった送電設備の点検は、作業員が鉄塔へ昇塔するなどして送電設備を実際に見て確認することにより行われることが多い。他にも、有人ヘリを使用した送電設備の点検が行われている。具体的には、空撮ビデオによる地線点検、空撮画像を使った未塗装鉄塔の錆の進行判定、パルスレーザを使った送電設備と樹木の離隔計測などである。

また、送電設備の点検の技術として、撮影画像から抽出した鉄塔の劣化診断や自走式点検装置で撮影した地線の異常検出などが開発されている。例えば、撮影画像から抽出した鉄塔の劣化診断の技術として、鉄塔の構造図などから作成した３次元モデルを利用して、鉄塔とそれ以外の領域を分離し、鉄塔の色情報に基づいて画素ごとに劣化のランクを判定する技術がある。このように、診断を行うためには撮影した画像から背景などの判定に無関係な箇所を分離することが好ましい。

このような送電設備の点検において、近年、昇塔機会低減などによる点検時間の短縮や点検者の安全性向上の面などから、ドローン（ＵＡＶ：Unmanned Aerial Vehicle）などの無人航空機の活用への期待が高まっている。具体的には、有視界飛行の制約などから、鉄塔などの支持物点検を中心として、送電設備の点検において低コストで空撮可能な無人航空機の利用が増加している。

このような送電設備の点検における無人航空機の利用方法として、無人航空機を利用して得られた画像を用いた自動異常検出や診断の取り組みが各所でなされてきている。それらの取り組みにおいても、空撮画像中の異常検出や診断の対象とそれ以外の物体との区別を適切に行うことが求められる。例えば、鉄塔点検では、多方向から撮影した大量の画像を使用することで、周囲の樹木なども含んだ３次元画像が作成されるため、点検対象の鉄塔の抽出が必要となる。また、電線点検では、大量の撮影画像から異常が生じやすいクランプ及びがいし類や電線を抽出することが不可欠である。

無人航空機を用いた送電設備の点検の技術として、例えば、ＧＰＳ信号に基づいて電線に沿って予め定められた飛行経路に沿わせ、且つ、アンテナに流れる誘導電流の大きさに基づいて電線との距離を一定に保つように飛行動作を制御する技術が提案されている。

特開２０１８－１１４８０７号公報

しかしながら、無人航空機で撮影した鉄塔などの対象物の構造図が容易に手に入らない場合もある。この点、従来の撮影画像から対象物を抽出する技術は、鉄塔の構造図から作成した３次元モデルを用いずに、背景と鉄塔などの対象物とを分離することは困難である。そのため、無人航空機を用いた送電設備の自動点検が困難となる。

また、ＧＰＳ信号及びアンテナに流れる誘導電流を用いて飛行動作を制御する技術では、画像からの対象物の抽出は考慮されておらず無人航空機で撮影した画像から対象物を抽出することは困難である。したがって、無人航空機を用いた送電設備の点検が困難となる。

開示の技術は、上記に鑑みてなされたものであって、無人航空機を用いた送電設備の点検を容易にする送電設備抽出装置、送電設備抽出方法及び送電設備抽出プログラムを提供することを目的とする。

本願の開示する送電設備抽出装置、送電設備抽出方法及び送電設備抽出プログラムの一つの態様において、点群生成部は、無人航空機により撮影された地表に建てられた鉄塔を含む送電設備の空撮画像から前記空撮画像に写された前記鉄塔を含む物体の３次元点群画像を生成する。抽出用領域決定部は、前記点群生成部により生成された前記３次元点群画像における前記鉄塔以外の他の物体の地上からの高さの最高点よりも前記地表から離れた前記最高点の近傍の抽出用基準位置を特定し、前記鉄塔の頂点から前記抽出用基準位置までの領域に含まれる点群を基に、前記鉄塔を包含する抽出領域を決定する。鉄塔抽出部は、前記３次元点群から前記抽出用領域に含まれる前記鉄塔を表す鉄塔点群を抽出する。

１つの側面では、本発明は、無人航空機を用いた送電設備の点検を容易にすることができる。

図１は、実施例１に係る送電鉄塔鋼材劣化診断装置のブロック図である。 図２は、３次元点群で表される画像の一例を示す図である。 図３は、３次元点群で表される画像の他の例を示す図である。 図４は、２条の地線を有する鉄塔の各切断平面での画素分布を表す図である。 図５は、１条の地線を有する鉄塔の各切断平面での画素分布を表す図である。 図６は、２条の地線を有する鉄塔を対象とした場合のｘ座標及びｙ座標の最大値と最小値の差を表す図である。 図７は、１条の地線を有する鉄塔を対象とした場合のｘ座標及びｙ座標の最大値と最小値の差を表す図である。 図８は、抽出用円柱の概要を示す図である。 図９は、送電用鉄塔の抽出例を示す図である。 図１０は、２条の地線を有する鉄塔の劣化診断用画像の一例を示す図である。 図１１は、１条の地線を有する鉄塔の劣化診断用画像の一例を示す図である。 図１２は、実施例１に係る送電鉄塔鋼材劣化診断装置による劣化診断処理のフローチャートである。 図１３は、実施例１に係る送電鉄塔鋼材劣化診断装置による抽出用円柱の決定処理のフローチャートである。 図１４は、実施例２に係る送電鉄塔鋼材劣化診断装置のブロック図である。 図１５は、付属機材の検出例を示す図である。 図１６は、電線が写っている画像の一例を示す図である。 図１７は、電線と画像の辺とが交わる領域の抽出の一例を示す図である。 図１８は、電線の輪郭線の輪郭線の決定方法を説明するための図である。 図１９は、輪郭線の抽出を説明するための図である。 図２０は、輪郭線が特定された状態を示す図である。 図２１は、電線の異常検出の一例を表す図である。 図２２は、分割区分の一例を示す図である。 図２３は、ｘｙ座標が同一且つｚ座標が異なる点の射影方法を示す図である。 図２４は、射影画像の一例を示す図である。 図２５は、射影画像への色付けの一例を示す図である。 図２６は、３色に劣化状態を色分けした劣化診断用射影画像から生成した３次元点群の一例を示す図である。 図２７は、５段階のグレースケールを用いた劣化診断用画像から生成した３次元点群の一例を示す図である。 図２８は、送電鉄塔鋼材劣化診断装置／送電線異常検出装置のハードウェア構成図である。

以下に、本願の開示する送電設備抽出装置、送電設備抽出方法及び送電設備抽出プログラムの実施例を図面に基づいて詳細に説明する。なお、以下の実施例により本願の開示する送電設備抽出装置、送電設備抽出方法及び送電設備抽出プログラムが限定されるものではない。

図１は、実施例１に係る送電鉄塔鋼材劣化診断装置のブロック図である。以下では、無人航空機２を用いる場合で説明する。無人航空機２は、鉄塔１０１の周辺を多数撮影して多方向からの２次元画像を生成する。この２次元画像は、カラーであり、色情報を保持する。送電鉄塔鋼材劣化診断装置１は、無人航空機２で撮影された送電設備の２次元画像を用いて送電鉄塔鋼材の劣化診断を行う。この送電鉄塔鋼材劣化診断装置１が、「送電設備抽出装置」の一例にあたる。

以下に、送電鉄塔鋼材劣化診断装置１の詳細について説明する。図１に示すように、送電鉄塔鋼材劣化診断装置１は、画像取得部１１、点群生成部１２、最高点特定部１３、切断面調整部１４、画像記憶部１５、点群記憶部１６、情報記憶部１７、差分値算出部１８、抽出用円柱決定部１９、判定部２０、鉄塔抽出部２１、劣化診断部２２及び結果通知部２３を有する。

画像取得部１１は、無人航空機２により撮影された鉄塔１０１の周辺の２次元画像を、無人航空機２から取得する。そして、画像取得部１１は、取得した２次元画像を画像記憶部１５に格納する。

画像記憶部１５は、記憶装置である。画像記憶部１５は、無人航空機２により撮影された鉄塔１０１及びその周辺の２次元画像を格納する。

点群生成部１２は、画像記憶部１５に格納された鉄塔１０１の周辺の２次元画像を取得する。鉄塔１０１は、塔頂に２条の地線がある５００ｋＶ級の鉄塔である。そして、点群生成部１２は、２次元画像から鉄塔１０１を含む３次元点群を生成する。図２は、３次元点群で表される画像の一例を示す図である。図２に示す画像１００は、鉄塔１０１を正面にした画像として３次元点群を表しているが、実際には画像１００はｘｙｚ座標で表される点の集まりである。ここでは、地上面がｘ軸ｙ軸で表される平面であり、高さがｚ軸で表される。画像１００も、元の２次元画像が有していた色情報を保持する。その後、点群生成部１２は、画像１００として示される３次元点群を点群記憶部１６に格納する。

図３は、３次元点群で表される画像の他の例を示す図である。他にも、例えば無人航空機２により図３に示される鉄塔２０１の周辺の２次元画像が撮影された場合、点群生成部１２は、無人航空機２により撮影された２次元画像から、画像２００で示される鉄塔２０１を含む３次元点群を生成する。そして、点群生成部１２は、画像２００として示される３次元点群を点群記憶部１６に格納する。鉄塔２０１は、塔頂に１条の地線がある１５４ｋＶ級の鉄塔である。

点群記憶部１６は、記憶装置である。点群記憶部１６は、点群生成部１２により生成された３次元点群を格納する。例えば、点群記憶部１６は、画像１００として示される３次元点群や画像２００として示される３次元点群を格納する。

ここで、現状の無人航空機２の飛行には種々の規制が存在する。このため，都市部のような鉄塔付近に高層建築物が存在する箇所での無人航空機２による空撮画像は想定し難い。そのため、図２のように鉄塔１０１と同程度の高さの物体が存在しないことが多いと考えられる。そこで、送電鉄塔鋼材劣化診断装置１は、鉄塔１０１以外に他の物体が存在しない高さに着目して画像１００からの鉄塔１０１の抽出を行う。

最高点特定部１３は、点群記憶部１６から画像１００を含む３次元点群を取得する。そして、最高点特定部１３は、鉄塔１０１の周囲の画素を取得して最も高い位置を鉄塔１０１の最高点のｚ座標として特定する。その後、最高点特定部１３は、鉄塔１０１の最高点のｚ座標を切断面調整部１４及び差分値算出部１８に通知する。

切断面調整部１４は、鉄塔１０１の最高点のｚ座標の入力を最高点特定部１３から受ける。また、切断面調整部１４は、切断面の予め決められた間隔であるΔｚを保持する。そして、切断面調整部１４は、最高点のｚ座標からΔｚずつ減算していったｚ座標を順次差分値算出部１８へ出力する。このΔｚは、小さいほど抽出精度は高くなるが計算量が増加する。そこで、Δｚは、運用に応じて求められる抽出精度や計算装置の能力を基に決定されることが好ましい。

差分値算出部１８は、鉄塔１０１を含む３次元点群を点群記憶部１６から取得する。次に、差分値算出部１８は、３次元点群に含まれる鉄塔１０１の最高点のｚ座標の入力を最高点特定部１３から受ける。そして、差分値算出部１８は、最高点のｚ座標を含むｘｙ平面に平行な平面で３次元点群を切断した場合の、画素群を取得する。図４は、２条の地線を有する鉄塔の各切断平面での画素分布を表す図である。図４のグラフ１１１～１１３は、横軸でｘ座標を表し、縦軸でｙ座標を表す。例えば、最高点のｚ座標を含むｘｙ平面に平行な平面による切断状態は、図４のグラフ１１１で表される。この場合、画素群１２１が最高点のｚ座標を含むｘｙ平面に平行な平面上に存在する。

そして、差分値算出部１８は、取得した画素群における、ｘ座標の最大値及び最小値、並びに、ｙ座標の最大値及び最小値を求める。次に、差分値算出部１８は、ｘ座標の最大値と最小値との差分及びｙ座標の最大値と最小値との差分を求める。以下では、最大値と最小値との差分の値を差分値と呼ぶ。さらに、差分値算出部１８は、切断面である平面上に存在する画素群の重心を求める。そして、差分値算出部１８は、３次元点群における鉄塔１０１の最高点を通る平面上に存在する画素群の、ｘ座標の最大値、最小値及び差分値、ｙ座標の最大値、最小値及び差分値、並びに、重心の情報を情報記憶部１７に格納する。

次に、差分値算出部１８は、最高点のｚ座標からΔｚが減算されたｚ座標の情報の入力を切断面調整部１４から受ける。そして、差分値算出部１８は、最高点のｚ座標からΔｚが減算されたｚ座標を通るｘｙ平面に平行な平面上の画素群を３次元点群から取得する。以下では、最高点のｚ座標からΔｚが減算されたｚ座標を通るｘｙ平面に平行な平面をｚ－Δｚ平面と呼ぶ。そして、差分値算出部１８は、３次元点群におけるｚ－Δｚ平面上に存在する画素群の、ｘ座標の最大値、最小値及び差分値、ｙ座標の最大値、最小値及び差分値、並びに、重心の情報を算出して情報記憶部１７に格納する。差分値算出部１８は、順次Δｚが減算されたｚ軸を通る平面上の画素群についても、同様にｘ座標の最大値、最小値及び差分値、ｙ座標の最大値、最小値及び差分値、並びに、重心の情報を算出して情報記憶部１７に格納する。すなわち、差分値算出部１８は、鉄塔１０１の最高点から徐々に高さを下げた位置を通過するそれぞれの平面に存在する画素群について、ｘ座標の最大値、最小値及び差分値、ｙ座標の最大値、最小値及び差分値、並びに、重心の情報を算出して情報記憶部１７に格納していく。例えば、図４におけるグラフ１１２や１１３は、最高点よりも低い位置で切断した場合の状態を表す。グラフ１１２では、切断面上に画素群１２２が存在し、グラフ１１３では、切断面上に画素群１２３及び１２４が存在する。

他にも、図３に示す画像２００で表される３次元点群を使用する場合も、差分値算出部１８は、鉄塔２０１の最高点から徐々に高さを下げた位置を通過するそれぞれの平面に存在する画素群について、ｘ座標の最大値、最小値及び差分値、ｙ座標の最大値、最小値及び差分値、並びに、重心の情報を算出して情報記憶部１７に格納していく。図５は、１条の地線を有する鉄塔の各切断平面での画素分布を表す図である。図５のグラフ２１１～２１３は、横軸でｘ座標を表し、縦軸でｙ座標を表す。差分値算出部１８は、例えば、グラフ２１１で示すように、最高点の位置を通る切断平面上の画素群２２１のｘ座標の最大値、最小値及び差分値、ｙ座標の最大値、最小値及び差分値、並びに、重心の情報を算出して情報記憶部１７に格納する。また、差分値算出部１８は、例えば、グラフ２１２及び２１３で示すように、最高点から下がった位置を通る切断平面上の画素群２２１や２２２のｘ座標の最大値、最小値及び差分値、ｙ座標の最大値、最小値及び差分値、並びに、重心の情報を算出して情報記憶部１７に格納する。

図１に戻って説明を続ける。判定部２０は、情報記憶部１７に格納された各切断平面におけるｘ座標の差分値及びｙ座標の差分値を取得する。そして、判定部２０は、最高点を通る切断平面からΔｚ下げた切断平面から順に、各切断平面におけるｘ座標の差分値と、１つ前の切断平面におけるｘ座標の差分値とを比較して予め決められた閾値以上の変化が発生したか否かを判定する。例えば、判定部２０は、ｚ－Δｚ×ｎ平面のｘ座標の差分値と、ｚ－Δｚ×（ｎ－１）平面のｘ座標の差分値を比較する。同様に、判定部２０は、各切断平面におけるｙ座標の差分値と、１つ前の切断平面におけるｙ座標の差分値とを比較して予め決められた閾値以上の変化が発生したか否かを判定する。

ｘ座標又はｙ座標のいずれでも閾値以上の変化が発生しない場合、判定部２０は、徐々に切断平面の高さを下げて判定を行う。判定部２０は、ｘ座標又はｙ座標のいずれかで閾値以上の変化が発生するまで、判定を繰り返す。

例えば、画像１００で表される３次元点群を用いて、切断平面上の画素群が、図４に示すグラフ１１１～１１３のように変化した場合で説明する。ここで、グラフ１１２は、鉄塔１０１の遠方に点が現れる直前の状態を表す。この場合、判定部２０は、グラフ１１１の状態からグラフ１１２の状態まで、ｘ座標又はｙ座標のいずれでも閾値以上の変化が発生しないと判定する。そして、グラフ１１３の状態で、切断平面上に画素群１２３の遠方に画素群１２４が出現する。

図６は、２条の地線を有する鉄塔を対象とした場合のｘ座標及びｙ座標の最大値と最小値の差を表す図である。図６のグラフ１３１はｘ座標の最大値と最小値の差を表すグラフであり、グラフ１３２はｙ座標の最大値と最小値の差を表すグラフである。グラフ１３１及び１３２は横軸で高さを表し、縦軸で最大値と最小値との差を表す。図６は、図４で例示した画素分布を含む一連の画素分布の遷移に対応する最大値と最小値の差を表す。グラフ１３１に示すように、ｚ座標の最大値である塔頂から切断平面を徐々に高さを下げていく場合、点１３３まではｘ座標の最大値と最小値との差の変化は少ない。そして、点１３３に達すると、最大値と最小値との差が大きく変化して閾値を超える。同様に、グラフ１３２に示すように、ｚ座標の最大値である塔頂から切断平面を徐々に高さを下げていく場合、点１３４まではｙ座標の最大値と最小値との差の変化は少ない。そして、点１３３に達すると、ｙ座標の最大値と最小値との差が大きく変化して閾値を超える。この場合、点１３３及び１３４がグラフ１１３の場合のｘ座標及びｙ座標の最大値及び最小値の差にあたる。この場合、判定部２０は、グラフ１１２の状態とグラフ１１３の状態との間で、ｘ座標又はｙ座標のいずれかで閾値以上の変化が発生したと判定する。

また、例えば、画像２００で表される３次元点群を用いて、切断平面上の画素群が、図５に示すグラフ２１１～２１３のように変化した場合で説明する。ここで、グラフ２１２は、鉄塔２０１の遠方に点が現れる直前の状態を表す。この場合、判定部２０は、グラフ２１１の状態からグラフ２１２の状態まで、ｘ座標又はｙ座標のいずれでも閾値以上の変化が発生しないと判定する。そして、グラフ２１３の状態で、切断平面上に画素群２２３の遠方まで伸びる画素群２２４が出現するので、判定部２０は、グラフ２１２の状態とグラフ２１３の状態との間で、ｘ座標又はｙ座標のいずれかで閾値以上の変化が発生したと判定する。

図７は、１条の地線を有する鉄塔を対象とした場合のｘ座標及びｙ座標の最大値と最小値の差を表す図である。図７のグラフ２３１はｘ座標の最大値と最小値の差を表すグラフであり、グラフ２３２はｙ座標の最大値と最小値の差を表すグラフである。グラフ２３１及び２３２は横軸で高さを表し、縦軸で最大値と最小値との差を表す。図７は、図５で例示した画素分布を含む一連の画素分布の遷移に対応する最大値と最小値の差を表す。図７に示すように、ｚ座標の最大値である塔頂から切断平面を徐々に高さを下げていく場合、点２３３まではｘ座標の最大値と最小値との差の変化は少ない。そして、点２３３に達すると、最大値と最小値との差が大きく変化して閾値を超える。同様に、グラフ２３２に示すように、ｚ座標の最大値である塔頂から切断平面を徐々に高さを下げていく場合、点２３４まではｙ座標の最大値と最小値との差の変化は少ない。そして、点２３４に達すると、ｙ座標の最大値と最小値との差が大きく変化して閾値を超える。この場合、点２３３及び２３４が図５のグラフ２１３の場合のｘ座標及びｙ座標の最大値及び最小値の差にあたる。この場合、判定部２０は、図５のグラフ２１２の状態とグラフ２１３の状態との間で、ｘ座標又はｙ座標のいずれかで閾値以上の変化が発生したと判定する。

ｘ座標又はｙ座標のいずれかで閾値以上の変化が発生した場合、判定部２０は、そのｚ座標の直前のｚ座標を抽出用基準位置として決定する。その後、判定部２０は、決定した抽出用基準位置を抽出用円柱決定部１９へ出力する。例えば、図４の場合であれば、判定部２０は、グラフ１１３の状態となる直前のグラフ１１２の切断平面のｚ座標を抽出用基準位置とする。また、図５の場合であれば、判定部２０は、グラフ２１３の状態となる直前のグラフ２１２となる切断平面のｚ座標を抽出用基準位置とする。

図１に戻って説明を続ける。抽出用円柱決定部１９は、抽出用基準位置の情報の入力を判定部２０から受ける。次に、抽出用円柱決定部１９は、３次元点群を点群記憶部１６から取得する。

ここで、点検対象とする送電鉄塔である鉄塔１０１や鉄塔２０１の付近には、鉄塔１０１や鉄塔２０１の塔頂部より高い物体は一般的に存在しない。また、鉄塔１０１や鉄塔２０１のように左右対称であることが多い。そこで、抽出用円柱決定部１９は、鉄塔１０１や鉄塔２０１の腕金の長さが最も長い箇所と、鉄塔塔頂部の中心に着目して、最長部の腕金を半径とし塔頂部の中心を円の中心とする底面からなる抽出用円柱を求める。この円柱により、鉄塔１０１や鉄塔２０１と地上付近の低層な人工物とを分離でき、一般的に鉄塔敷地内には樹木は存在しないため、点検対象の鉄塔１０１や鉄塔２０１を抽出した３次元画像が得られる。ここでは、鉄塔１０１を例に、抽出用円柱決定部１９の動作の詳細について説明する。

具体的には、抽出用円柱決定部１９は、抽出用基準位置までの各切断平面における重心の情報を情報記憶部１７から取得する。そして、抽出用円柱決定部１９は、抽出用基準位置までの各切断平面における重心の平均を算出して、円の中心とする。

また、抽出用円柱決定部１９は、抽出用基準位置までの各切断平面における画素群のうち決定した円の中心からの最遠点と特定する。そして、抽出用円柱決定部１９は、円の中心から最遠点までの距離を円の半径とする。

そして、抽出用円柱決定部１９は、抽出用円柱の底面の円の中心及び半径の情報を鉄塔抽出部２１へ出力する。ここで、抽出用基準位置まででは鉄塔１０１から離れた画素が少ないため、各高さでの重心の位置に大きな変化は発生しない。そして、鉄塔１０１を表す画素に限定される鉄塔１０１の塔頂から抽出用基準位置までの重心の平均を円の中心とすることで、抽出用円柱の底面の中心は鉄塔中心より大きく外れることはないと考えられる。

図８は、抽出用円柱の概要を示す図である。画像１００で表される３次元点群において、平面１４１～１４２のように鉄塔１０１の頂点を通る平面から徐々に切断平面を下げていき、鉄塔１０１から離れた位置の物体１４３が検出された時点の直前の切断平面のｚ座標が抽出用基準位置とされる。そして、抽出用円柱決定部１９は、その抽出用基準位置より上の画素群の重心の平均を底面の円の中心とし、中心からの最遠点と中心との間の距離を半径とすることで、抽出用円柱１４０を決定することができる。

以上の説明では、抽出用円柱決定部１９は、鉄塔１０１において上相の腕金の長さが一番長い又は上相、中相及び下相でほぼ同一であるとして、抽出用円柱１４０を決定した。腕金の長さは上相、中相及び下相でほぼ同一の場合が多いのでほぼ上述した方法で問題がないが、下相の腕金が長い鉄塔１０１も存在する。そこで、下相の腕金が長い鉄塔１０１の場合、抽出用円柱１４０は、底面の半径の決定後に決定した半径に対する中相と下相の腕金の比率を求め、決定した半径にその比率を積算して最も大きな長さを円柱の底面の半径とする。

図１に戻って説明を続ける。鉄塔抽出部２１は、抽出用円柱の底面の円の中心及び半径の情報の入力を抽出用円柱決定部１９から受ける。また、鉄塔抽出部２１は、３次元点群を点群記憶部１６から取得する。そして、鉄塔抽出部２１は、例えば、画像１００で表される３次元点群の中から、抽出用円柱の内部に含まれる点群を鉄塔１０１として抽出する。図９は、送電用鉄塔の抽出例を示す図である。この場合、鉄塔抽出部２１は、画像１００で表される３次元点群の中から鉄塔１０１を抽出した画像１５０を生成する。

また、例えば、画像２００で表される３次元点群の中から、抽出用円柱の内部に含まれる点群を鉄塔２０１として抽出する。この場合、鉄塔抽出部２１は、画像２００で表される３次元点群の中から鉄塔２０１を抽出した画像２５０を生成する。画像１５０及び２５０いずれも２次元平面画像として表示しているが、実際には３次元点群の一部の画像である。

その後、鉄塔抽出部２１は、３次元点群から鉄塔１０１を抽出した画像を劣化診断部２２へ出力する。

劣化診断部２２は、例えば、図９の画像１５０や画像２５０などの３次元点群から抽出された鉄塔１０１や鉄塔２０１の画像の入力を鉄塔抽出部２１から受ける。次に、劣化診断部２２は、例えば、３次元画像から鉄塔１０１の各脚の裏面が見えるように向きを調整した各方向から見た２次元平面の静止画及び塔頂部の様子が分かる視点での２次元平面の静止画を含む劣化診断用画像を、鉄塔１０１の３次元点群から生成する。このように、各方向からの２次元平面画像を用いることで、死角の少ない劣化診断を行うことが可能となる。

図１０は、２条の地線を有する鉄塔の劣化診断用画像の一例を示す図である。例えば、劣化診断部２２は、鉄塔１０１の各脚の裏面が見える画像１６１～１６４を、画像１５０から生成する。また、劣化診断部２２は、鉄塔１０１の塔頂部の様子が分かる視点での画像１６５を、画像１５０から生成する。

図１１は、１条の地線を有する鉄塔の劣化診断用画像の一例を示す図である。例えば、劣化診断部２２は、鉄塔２０１の各脚の裏面が見える画像２６１～２６４を、画像２５０から生成する。また、劣化診断部２２は、鉄塔２０１の塔頂部の様子が分かる視点での画像２６５を、画像２５０から生成する。

次に、劣化診断部２２は、生成した劣化診断画像における鉄塔１０１や鉄塔２０１の色情報に基づいて画素ごとに劣化のランクを判定する。例えば、劣化診断部２２は、画像１６１～１６４の鉄塔１０１や画像２６１～２６４の鉄塔２０１に、緑、紫、赤の順で劣化が進行していることを示すように色付けを行う。その後、劣化診断部２２は、劣化状態を示す劣化診断用画像を結果通知部２３へ出力する。

結果通知部２３は、劣化状態を示す劣化診断用画像の入力を劣化診断部２２から受ける。そして、結果通知部２３は、各鉄塔１０１の管理者が使用する端末装置に劣化状態を示す劣化診断用画像を送信するなどして、鉄塔１０１の劣化状態を通知する。

図１２は、実施例１に係る送電鉄塔鋼材劣化診断装置による劣化診断処理のフローチャートである。次に、図１２を参照して、本実施例に係る送電鉄塔鋼材劣化診断装置１による劣化診断処理の流れを説明する。ここでは、鉄塔１０１の劣化診断を行う場合を例に説明する。

無人航空機２により、鉄塔１０１が多方向から撮影される。そして、画像取得部１１は、無人航空機２により撮影された鉄塔１０１の２次元平面画像を取得して画像記憶部１５に格納する（ステップＳ１）。

点群生成部１２は、無人航空機２により撮影された多方向からの鉄塔１０１の２次元平面画像を画像取得部１１から取得して、３次元点群を生成する（ステップＳ２）。その後、点群生成部１２は、生成した３次元点群を点群記憶部１６に格納する。

次に、最高点特定部１３、切断面調整部１４、差分値算出部１８、抽出用円柱決定部１９及び判定部２０は、抽出用円柱の決定処理を実行する（ステップＳ３）。

次に、鉄塔抽出部２１は、抽出用円柱を用いて点群記憶部１６に格納された３次元点群から鉄塔１０１を抽出する（ステップＳ４）。

次に、劣化診断部２２は、鉄塔抽出部２１により抽出された鉄塔１０１の３次元点群の画像を取得する。そして、劣化診断部２２は、鉄塔１０１の３次元点群の画像を用いて、鉄塔１０１の各脚の裏面が見える各方向から見た２次元平面の静止画及び塔頂部の様子が分かる視点での２次元平面の静止画を含む劣化診断用画像を生成する（ステップＳ５）。

その後、劣化診断部２２は、生成した劣化診断用画像を用いて劣化診断を実行する（ステップＳ６）。

図１３は、実施例１に係る送電鉄塔鋼材劣化診断装置による抽出用円柱の決定処理のフローチャートである。図１３のフローチャートで示した処理は、図１２のステップＳ３で実行される処理の一例にあたる。

最高点特定部１３は、点群記憶部１６に格納された３次元点群を用いて鉄塔１０１の頂点の位置を取得する。そして、最高点特定部１３は、鉄塔１０１の頂点の高さをｚとする（ステップＳ１０１）。

次に、差分値算出部１８は、高さｚの切断平面における点群を取得する。次に、差分値算出部１８は、高さｚの切断平面上の点群の、ｘ座標及びｙ座標の最大値、最小値、最大値と最小値との差分及び重心を求める。そして、差分値算出部１８は、高さｚの切断平面上の点群の、ｘ座標及びｙ座標の最大値、最小値、最大値と最小値との差分及び重心の情報を情報記憶部１７に格納する（ステップＳ１０２）。

判定部２０は、高さｚでの切断平面における差分値と、直前の切断平面における差分値とに閾値以上の変化が存在するか否かを判定する（ステップＳ１０３）。ただし、ｚが頂点の場合はそれ以前の差分値が存在しないので、判定部２０は、差分値が閾値未満と判定する。差分値が閾値未満の場合（ステップＳ１０３：否定）、差分値算出部１８は、高さをΔｚ低くしたｚの値を切断面調整部１４から取得する（ステップＳ１０４）。その後、抽出用円柱の決定処理は、ステップＳ１０２へ戻る。

これに対して、差分値が閾値以上の場合（ステップＳ１０３：肯定）、差分値算出部１８は、１つ前の切断平面のｚの値を抽出基準位置として、抽出用円柱決定部１９に通知する。抽出用円柱決定部１９は、抽出量基準位置の情報の入力を差分値算出部１８から受ける。次に、抽出用円柱決定部１９は、点群記憶部１６から取得した３次元点群における鉄塔１０１の頂点から抽出用基準位置までの重心の平均を円の中心とする。また、抽出用円柱決定部１９は、３次元点群における鉄塔１０１の頂点から抽出用基準位置までの画素群のうち、決定した円の中心から最遠点までの距離を円の半径とする（ステップＳ１０５）。そして、抽出用円柱決定部１９は、決定した円の中心及び半径を抽出用円柱の底面の情報として鉄塔抽出部２１へ出力する。

以上に説明したように、本実施例に係る送電鉄塔鋼材劣化診断装置は、無人航空機により取得された画像から３次元点群を生成する。そして、送電鉄塔鋼材劣化診断装置は、鉄塔の頂点から切断平面を徐々に下げていき、各切断平面における点群のｘ座標及びｙ座標の最大値と最小値との差分が大きく変化する位置の直前の位置を抽出用基準位置とする。その後、送電鉄塔鋼材劣化診断装置は、頂点と抽出用基準位置との点群の重心を円の中心とし、さらに円の中心から最遠点までの距離を半径として、抽出用円柱を決定して、鉄塔を３次元点群から抽出する。これにより、無人航空機で撮影した画像を使って作成した３次元点群から、点検対象の鉄塔と他の物体とを容易且つ正確に分離することができ、無人航空機を用いた送電設備の点検を容易にすることができる。

図１４は、実施例２に係る送電線異常検出装置のブロック図である。本実施例に係る送電線異常検出装置１は、地線及び電線の異常も検出可能であることが実施例１の送電鉄塔鋼材劣化診断装置１と異なる。ここで、本実施例に係る送電線異常検出装置１は、実施例１の送電鉄塔鋼材劣化診断装置１の機能以外に、さらに送電線異常検出の機能を有することを明確にするため、符号は同じであるが名称を送電線異常検出装置とした。本実施例に係る送電線異常検出装置１は、実施例１の各部に加えて付属機材特定部２４、地線／電線抽出部２５及び異常検出部２６を有する。以下の説明では、実施例１と同じ各部の機能については説明を省略する。

無人航空機２により撮影された画像から地線及び電線を抽出することで異常検出を行うことが可能である。そこで、地線及び電線の抽出が重要である。そして、地線及び電線を精度良く抽出するためには、無人航空機２により撮影された画像から地線及び電線以外の電線付属品及びがいし等の付属機材が写っている画像を点検対象から除外することが好ましい。そのため、地線及び電線以外の付属機材の検出も重要となる。また、地線及び電線点検においては、付属機材が写った画像、特にがいしなどは、異常の自動検出の技術が確立していないため、画像を用いて目視確認を行うことが好ましい。そこで，本実施例に係る送電鉄塔鋼材劣化診断装置１は、無人航空機２により撮影された画像中の付属機材検出及び付属機材を除いた画像を生成する。ここで、地線及び電線のいずれも同様の劣化診断処理を行うため、以下の説明では電線を例に説明する。

付属機材特定部２４は、付属機材が写った画像を用いて深層学習を実行し、付属機材を特定するための学習モデルを生成する。例えば、付属機材特定部２４は、画像中の特徴を計算するＣＮＮ(Convolution Neural Network：畳み込み計算を行うニューラルネットワーク層)層と画像中の検出対象領域の絞り込みを行う処理とを組み合わせて検出対象領域の物体を認識する学習モデルを生成する。

次に、付属機材特定部２４は、無人航空機２により撮影された画像を画像記憶部１５から取得する。そして、付属機材特定部２４は、予め生成した学習モデルを用いて取得した画像の中から付属機材を検出する。図１５は、付属機材の検出例を示す図である。例えば、付属機材特定部２４は、学習モデルを用いて画像３０から、付属品３１やがいし３２といった付属機材を検出する。そして、付属機材特定部２４は、図１５のように検出した付属機材を特定する情報を付加した画像３０を結果通知部２３へ出力する。さらに、付属機材特定部２４は、付属機材が検出された画像以外の電線が写っている画像を地線／電線抽出部２５へ出力する。

図１６は、電線が写っている画像の一例を示す図である。図１６に示すように、電線３０１が画像３００の端から端まで写っている場合、電線３０１の境界にあたる線と、画像３００のいずれかの辺とが交わる。そこで、地線／電線抽出部２５は、次に、地線／電線抽出部２５は、電線が端から画面の端まで写った画像を用いて深層学習を実行し、電線の端部と画像の辺とが交わる領域を抽出するための学習モデルを生成する。

そして、地線／電線抽出部２５は、付属機材が検出された画像以外の電線が写っている画像３００の入力を付属機材特定部２４から受ける。次に、地線／電線抽出部２５は、生成した学習モデルを用いて、電線３０１の端部と画像３００の辺とが交わる点を検出する。図１７は、電線と画像の辺とが交わる領域の抽出の一例を示す図である。例えば、地線／電線抽出部２５は、図１７に示すように、画像３００における辺と電線３０１とが交わる領域３０２及び３０３を抽出する。

次に、地線／電線抽出部２５は、領域３０２及び３０３において、画素の色値が予め決められた境界閾値以上に変化する点を電線と背景との境界を求める。そして、地線／電線抽出部２５は、求めた境界と画像３００の辺との４つの交点を、電線３０１の輪郭線と画像３００の辺とが交わる点として求める。図１８は、電線の輪郭線の決定方法を説明するための図である。例えば、地線／電線抽出部２５は、図１８に示すように、点３１１～３１４を電線３０１の輪郭線と画像３００の辺とが交わる点として求める。

次に、地線／電線抽出部２５は、点３１１～３１４のそれぞれを結ぶ直線３２１～３２４を生成する。ここで、直線３２１～３２４のうち、電線３０１の輪郭線は平行な直線の組である。そこで、地線／電線抽出部２５は、図１９に示すように、直線３２１～３２４の中から平行となる直線３２１及び３２２を抽出する。図１９は、輪郭線の抽出を説明するための図である。

地線／電線抽出部２５は、図２０に示すように抽出した直線をなぞることで輪郭線３３１及び３３２を特定できる。図２０は、輪郭線が特定された状態を示す図である。そして、地線／電線抽出部２５は、輪郭線３３１と輪郭線３３２に挟まれた領域を電線３０１として抽出する。その後、地線／電線抽出部２５は、画像３００における抽出した電線３０１以外の領域を、赤といった溶痕による黒色や腐食による白色と無関係な色に彩色する。その後、地線／電線抽出部２５は、電線３０１以外の領域を彩色した画像３００を異常検出部２６へ出力する。

図２１は、電線の異常検出の一例を表す図である。異常検出部２６は、電線３０１以外の領域が彩色された画像３００の入力を地線／電線抽出部２５から受ける。そして、異常検出部２６は、輪郭線３３１及び３３２の傾きを利用して、図１２に示すように電線３０１が水平になるように画像３００全体を回転させる。その後、異常検出部２６は、電線３０１にあたる検査領域に対してＳＫＭ（Support Kernel Machine：複数の判定式の判定結果を調節して正常と異常を判定する方式）による色判定手法を用いて異常を検出する。例えば異常検出部２６は、図２１に示すように、画像３００に写った電線３０１の素切れを異常３５０として検出する。その後、異常検出部２６は、検出した電線３０１の異常の位置を特定する情報を付加した画像３００を結果通知部２３へ出力する。

結果通知部２３は、検出された付属機材を特定する情報が付加された画像３０の入力を付属機材特定部２４から受ける。そして、結果通知部２３は、付属機材を特定する情報が付加された画像３０を、送電設備の管理者が使用する端末などに送信して、管理者に付属機材の異常を目視確認させる。

また、結果通知部２３は、検出された電線３０１の異常を特定する情報が付加された画像３００の入力を異常検出部２６から受ける。そして、結果通知部２３は、電線３０１の異常の位置を特定する情報が付加された画像３００を、送電設備の管理者が使用する端末などに送信して、電線の異常検出を通知する。

次に、実施例３について説明する。実施例１に係る送電鉄塔鋼材劣化診断装置１では、無人航空機２により撮影された鉄塔１０１の周辺の２次元画像を基に鉄塔１０１を表す３次元空間における点群を生成し、利用者の指示にしたがい３次元点群から得られる鉄塔１０１の劣化診断用画像を利用者に提供する。利用者は、提供された劣化診断画像を用いて鉄塔１０１の劣化診断を行う。

しかしながら、この方法による劣化診断では、利用者は、３次元点群を一方向から見た状態の劣化診断画像を用いるため、鉄塔１０１全体の劣化を確認するには、手動で３次元点群を回転させて見る位置を変化させ、それぞれの位置における劣化診断画像を確認する必要があった。そのため、鉄塔１０１の劣化診断を行うことが煩雑となっていた。

そこで、本実施例では、鉄塔１０１の劣化診断を容易にする送電鉄塔鋼材劣化診断装置１を提供する。本実施例に係る送電鉄塔鋼材劣化診断装置１は、無人航空機を用いた送電設備の点検による劣化診断を容易にすることができる。以下に本実施例に係る送電鉄塔鋼材劣化診断装置１の詳細について説明する。本実施例に係る送電鉄塔鋼材劣化診断装置１も、図１のブロック図で表される。以下の説明では、実施例１と同様の各部の機能については説明を省略する。

色を手掛かりにした劣化診断手法は、２次元画像を用いた劣化診断を想定している。そのため、画素毎に劣化が判定可能である。つまり、３次元点群を自動で平面に射影して２次元画像を作成することで、劣化診断部２２は、鉄塔鋼材の劣化判定を自動で行うことができる。

３次元点群の２次元画像への投影としては、地上面をｘ軸ｙ軸で表される平面として、鉄塔１０１の高さ方向をｚ軸とすると、ｘｙ平面、ｘｚ平面及びｙｚ平面への射影が考えられる。ここで、劣化促進のひとつの要因は大気中の塩の付着による腐食であり、塩分の飛来方向すなわち風向きを考慮して診断することが要求される。

そこで、劣化診断部２２は、風向きを考慮した劣化判定を行うために、ｘｙ平面を基準とした射影を行って、劣化診断用射影画像を生成する。以下に、劣化診断部２２の動作の詳細について説明する。

劣化診断部２２は、鉄塔抽出部２１により抽出された鉄塔１０１の３次元点群のデータを取得する。次に、地上と塔頂とでは劣化の進展が異なる場合があるため、高さ方向の解析を可能とするように、劣化診断部２２は、鉄塔１０１を表す３次元点群を異なる高さで分割する。

図２２は、分割区分の一例を示す図である。例えば、劣化診断部２２は、図２２に示すように、分割区分４０１～４０３で鉄塔１０１の高さ方向を分割する。分割区分４０１は、鉄塔１０１の上部の領域である。また、分割区分４０２は、鉄塔１０１の中部の領域である。また、分割区分４０３は、鉄塔１０１の下部の領域である。

次に、劣化診断部２２は、分割区分４０１～４０３毎に、それぞれの区間に含まれる点群を、各点の重なりを考慮してｘｙ平面に射影して射影画像を生成する。図２３は、ｘｙ座標が同一且つｚ座標が異なる点の射影方法を示す図である。

本実施例では、劣化診断部２２は、点群をｘｙ平面に射影する際、ｘｙ座標が同一でも高さが異なる点については、同一の特定のｘｙ座標を有する各点を図２３の点４１１～４１７のように高さ方向に一列に並べる。次に、劣化診断部２２は、高さの中央値に位置する点４１４を射影平面４１０における特定のｘｙ座標の位置に配置する。また、中央値の点４１４以外の特定のｘｙ座標を有する点４１１～４１３及び４１５～４１７については、劣化診断部２２は、中央値となった点４１４から近い順に遠くになるように射影平面４１０に配置する。例えば、劣化診断部２２は、点４１１を射影して点４２１とし、点４１２を射影して点４２２とし、点４１３を射影して点４２３とし、点４１５を射影して点４２５とし、点４１６を射影して点４２６とし、点４１７を射影して点４２７とする。劣化診断部２２は、このように射影平面４１０に各点を射影することで分割区分４０１～４０３毎に点群を２次元平面であるｘｙ平面に射影した射影画像を生成する。

図２４は、射影画像の一例を示す図である。例えば、劣化診断部２２は、射影画像４３１～４３３を生成する。射影画像４３１は、図２２の分割区分４０１の点群を用いて生成された画像であり、鉄塔１０１の上部の画像である。また、射影画像４３２は、図２２の分割区分４０２の点群を用いて生成された画像であり、鉄塔１０１の中部の画像である。また、射影画像４３３は、図２２の分割区分４０３の点群を用いて生成した画像であり、鉄塔１０１の下部の画像である。

ここで、本実施例では、同じｘｙ座標を有する点についてｚ方向の距離が長いほどｘｙ平面内での距離が長くなるように射影を行ったが、鉄塔１０１のｘｙ平面内での各点相互の位置関係、すなわちある点に対してある点が東西南北のどちらの方向にある点であるかが維持されれば射影方法はこれに限らない。

この際、劣化診断部２２は、３次元点群に含まれる各点が射影平面上のどの位置に射影されたかを示す射影元データを記憶する。このように、劣化診断部２２は、各点がどの位置に射影されたかを射影元データとして記録しておくことで、劣化診断用射影画像に含まれる各点を３次元の点群に戻すことが可能となる。また、劣化診断部２２は、記憶領域に余裕があれば、例えば、射影元データとして各点の３次元空間における位置を記憶してもよい。

次に、劣化診断部２２は、射影画像で表される鉄塔１０１の色情報に基づいて画素毎に劣化のランクを判定する。そして、劣化診断部２２は、画素毎の判定結果を射影画像に付加して劣化診断用射影画像を生成する。例えば、劣化診断部２２は、射影画像４３１～４３３に対して、判定結果を用いて、藍、青、赤の順で劣化が進行していることを示すように画素毎に色付けを行う。これにより、劣化診断部２２は、劣化の進行を示す劣化診断用射影画像を生成できる。

図２５は、射影画像への色付けの一例を示す図である。例えば、劣化診断部２２は、射影画像４３１の領域４４１内の部分を藍色で色付けする。すなわち、射影画像４３１では、鉄塔１０１の各部は全て良好な状態である。また、劣化診断部２２は、射影画像４３２の領域４４２内の部分を藍色で色付けし、領域４４３の部分を青で色付けする。すなわち、射影画像４３２では、鉄塔１０１の領域４４２に含まれる部分は良好な状態であり、領域４４３に含まれる部分は普通の状態である。また、劣化診断部２２は、射影画像４３３の領域４４４内の部分を藍色で色付けし、領域４４５の部分を青で色付けし、領域４４６の部分を赤で色付けする。すなわち、射影画像４３３では、鉄塔１０１の領域４４４に含まれる部分は良好な状態であり、領域４４５に含まれる部分は普通の状態であるが、鉄塔１０１の領域４４６に含まれる部分に腐植が発生している状態である。

ただし、劣化の進行度合いを表す方法は特に制限はなく、他にも、劣化診断部２２は、劣化が進むごとにグレーの色が濃くなる５段階のグレースケールを用いて射影画像に含まれる画素毎に色付けを行って、劣化診断用射影画像を生成してもよい。

また、劣化診断部２２は、記憶した射影元データを用いて劣化診断用射影画像の各点について高さ情報を付加し且つｘｙ座標を復元させて、劣化ランク情報を有する３次元点群のデータを生成することができる。このように、劣化診断部２２は、鉄塔１０１を示す３次元点群を分割して生成した劣化診断用射影画像を１つのデータファイルにまとめて、劣化診断の結果を色情報で示した３次元点群を得ることができる。

図２６は、３色に劣化状態を色分けした劣化診断用射影画像から生成した３次元点群の一例を示す図である。図２６は、鉄塔１０１の劣化診断用射影画像から作成した３次元点群を１方向から見た状態を示す。例えば、図２７の劣化診断用射影画像から生成した３次元点群では、領域４５１内の部分が青色で色付けされ、領域４５２内の部分が赤色で色付けされる。また、領域４５１及び４５２以外の部分は、藍色で色付けされる。

図２７は、５段階のグレースケールを用いた劣化診断用画像から生成した３次元点群の一例を示す図である。図２７の紙面に向かって右側には番号が付された５段階のグレースケールが表示されており、それらは番号が大きいほど劣化が進んでいることを表す。

劣化診断部２２は、生成した劣化診断用射影画像を結果通知部２３へ出力する。また、劣化診断部２２は、劣化ランク情報を有する３次元点群のデータを生成した場合、その劣化ランク情報を有する３次元点群のデータを結果通知部２３へ出力する。

結果通知部２３は、劣化診断用射影画像の入力を劣化診断部２２から受ける。そして、結果通知部２３は、劣化診断用射影画像をモニタに表示させるなどして利用者に提供する。利用者は、劣化診断用射影画像を確認して、風向きを考慮した鉄塔１０１の劣化診断を行うことができる。例えば、利用者は、図２６に示すような劣化診断画像を参照することで、鉄塔１０１の領域４４６に含まれる部分に腐植が発生していることが確認できる。

また、結果通知部２３は、劣化ランク情報を有する３次元点群のデータの入力を劣化診断部２２から受けてもよい。そして、結果通知部２３は、劣化ランク情報を有する３次元点群をモニタに表示させるなどして利用者に提供する。利用者は、劣化ランク情報を有する３次元点群を確認して、劣化診断用射影画像に対応する鉄塔１０１の全体像を用いて劣化診断を行うことができる。

例えば、利用者は、劣化診断用射影画像から生成した３次元点群を基に表示される図２７のような劣化診断用画像を参照することで、鉄塔１０１の領域４５２に含まれる部分に腐植が発生していることが確認できる。また、例えば、利用者は、劣化診断用射影画像から生成した３次元点群を基に表示される図２８のような劣化診断用画像を参照することで、鉄塔１０１の全体が２番目の劣化ランクであることが確認できる。

以上に説明したように、本実施例に係る送電鉄塔鋼材劣化診断装置は、３次元の点群を自動で平面に射影して射影画像を作成し、その射影画像の画素毎に鉄塔の劣化度を示す情報を付加して劣化診断用射影画像を生成して利用者に提供する。これにより、利用者は、モニタに表示された画像の視点を変更するなどの操作を行わずとも、鉄塔における水平方向の全方向からの同時診断を行うことが可能となり、風向きを考慮した鉄塔の劣化診断を容易に行うことが可能となる。したがって、劣化診断の効率を向上させることができる。

また、本実施例に係る送電鉄塔鋼材劣化診断装置は、射影元データを用いて劣化診断用射影画像に示された各点を３次元空間の点群に復元することができ、復元した劣化度の情報を有する３次元空間の点群を利用者に提供することが可能である。これにより、利用者は、劣化診断用射影画像に対応する劣化度の情報を有する３次元空間の点群を用いて鉄塔全体の劣化状態を確認することができ、劣化診断の効率をより向上させることができる。

（ハードウェア構成）
図２８は、送電鉄塔鋼材劣化診断装置／送電線異常検出装置のハードウェア構成図である。送電鉄塔鋼材劣化診断装置１及び送電線異常検出装置１は、例えば、図２８に示すように、ＣＰＵ（Central Processing Unit）９１、メモリ９２、ハードディスク９３及びネットワークインタフェース９４を有する。ＣＰＵ９１は、バスを介して、メモリ９２、ハードディスク９３及びネットワークインタフェース９４と接続される。

ネットワークインタフェース９４は、送電鉄塔鋼材劣化診断装置１又は送電線異常検出装置１と外部装置との間の通信のためのインタフェースである。例えば、ＣＰＵ９１は、ネットワークインタフェース９４を介して、無人航空機２で撮影された画像を取得する。また、ＣＰＵ９１は、ネットワークインタフェース９４を介して管理者が使用する端末に判定結果を送信する。

ハードディスク９３は、補助記憶装置である。ハードディスク９３は、図１及び図１４に例示した、画像記憶部１５、点群記憶部１６及び情報記憶部１７の機能を実現する。また、ハードディスク９３は、画像取得部１１、点群生成部１２、最高点特定部１３、切断面調整部１４、差分値算出部１８、抽出用円柱決定部１９、判定部２０、鉄塔抽出部２１、劣化診断部２２、結果通知部２３、付属機材特定部２４、地線／電線抽出部２５及び異常検出部２６の一部又は全ての機能を実現するためのプログラムを含む各種プログラムを格納する。

ＣＰＵ９１は、ハードディスク９３から各種プログラムを読み出してメモリ９２に展開して実行する。これにより、ＣＰＵ９１は、画像取得部１１、点群生成部１２、最高点特定部１３、切断面調整部１４、差分値算出部１８、抽出用円柱決定部１９、判定部２０、鉄塔抽出部２１、劣化診断部２２、結果通知部２３、付属機材特定部２４、地線／電線抽出部２５及び異常検出部２６の機能の一部又は全てを実現する。

１ 送電鉄塔鋼材劣化診断装置（送電線異常検出装置）
２ 無人航空機
１１ 画像取得部
１２ 点群生成部
１３ 最高点特定部
１４ 切断面調整部
１５ 画像記憶部
１６ 点群記憶部
１７ 情報記憶部
１８ 差分値算出部
１９ 抽出用円柱決定部
２０ 判定部
２１ 鉄塔抽出部
２２ 劣化診断部
２３ 結果通知部
２４ 付属機材特定部
２５ 地線／電線抽出部
２６ 異常検出部

Claims (11)

1. 無人航空機により撮影された地表に建てられた鉄塔を含む送電設備の空撮画像から前記空撮画像に写された前記鉄塔を含む物体の３次元点群画像を生成する点群生成部と、
   前記点群生成部により生成された前記３次元点群画像における前記鉄塔以外の他の物体の地上からの高さの最高点よりも前記地表から離れた前記最高点の近傍の抽出用基準位置を特定し、前記鉄塔の頂点から前記抽出用基準位置までの領域に含まれる点群を基に、前記鉄塔を包含する抽出用領域を決定する抽出用領域決定部と、
   前記３次元点群画像から前記抽出用領域に含まれる前記鉄塔を表す鉄塔点群を抽出する鉄塔抽出部と
   を備えたことを特徴とする送電設備抽出装置。
2. 前記抽出用領域決定部は、前記鉄塔を包含する抽出用円柱を包含領域として決定することを特徴とする請求項１に記載の送電設備抽出装置。
3. 前記抽出用領域決定部は、前記鉄塔の頂点から前記地表に向けて所定間隔ずつ移動した前記地表からの各位置で、前記地表に対向する切断平面に含まれる前記３次元点群画像の画素を取得し、前記切断平面毎の各前記画素の位置の差分を基に前記抽出用基準位置を特定し、前記頂点における前記切断平面と前記抽出用基準位置における前記切断平面との間に含まれる点群を基に前記抽出用円柱を決定することを特徴とする請求項２に記載の送電設備抽出装置。
4. 前記鉄塔抽出部により抽出された前記鉄塔点群を基に、劣化診断を行う劣化診断部をさらに備えたことを特徴とする請求項１に記載の送電設備抽出装置。
5. 前記劣化診断部は、前記鉄塔点群を地表に対向する射影平面に射影し、前記射影平面上の点毎に劣化診断を行い、前記劣化診断の結果を表す情報を前記射影平面の各点に付加した劣化診断用射影画像を生成することを特徴とする請求項４に記載の送電設備抽出装置。
6. 前記劣化診断部は、前記地表から前記鉄塔の頂点までの長さを複数区間に分割して前記鉄塔点群を複数の分割区分に分け、前記分割区分毎に含まれる点を用いて前記射影平面を複数生成することを特徴とする請求項５に記載の送電設備抽出装置。
7. 前記劣化診断部は、前記地表から同じ高さの位置にある各点相互の位置関係を保存するように前記射影を行うことを特徴とする請求項５に記載の送電設備抽出装置。
8. 前記劣化診断部は、前記射影平面上の点と前記鉄塔点群との関係を表す射影元データを記憶し、前記射影元データを基に前記劣化診断用射影画像から前記鉄塔を示す３次元点群を再生成することを特徴とする請求項５に記載の送電設備抽出装置。
9. 前記空撮画像から付属機材を含んだ画像を用いて学習を行って学習モデルを生成し、前記空撮画像から前記学習モデルを用いて送電設備の付属機材を含む画像を除外する処理により、地線又は電線だけを写した線画像を取得し、前記線画像の辺と前記地線又は前記電線とが交わる領域を求め、求めた領域の画素を基に輪郭線を特定して、前記線画像における前記地線又は前記電線を抽出する地線電線抽出部をさらに備えたことを特徴とする請求項１に記載の送電設備抽出装置。
10. 無人航空機により撮影された地表に建てられた鉄塔を含む送電設備の空撮画像から前記空撮画像に写された前記鉄塔を含む物体の３次元点群画像を生成し、
    生成した前記３次元点群画像における前記鉄塔以外の他の物体の地上からの高さの最高点よりも前記地表から離れた前記最高点の近傍の抽出用基準位置を特定し、前記鉄塔の頂点から前記抽出用基準位置までの領域に含まれる点群を基に、前記鉄塔を包含する抽出用領域を決定し、
    前記３次元点群画像から前記抽出用領域に含まれる前記鉄塔を表す鉄塔点群を抽出する
    ことを特徴とする送電設備抽出方法。
11. 無人航空機により撮影された地表に建てられた鉄塔を含む送電設備の空撮画像から前記空撮画像に写された前記鉄塔を含む物体の３次元点群画像を生成し、
    生成した前記３次元点群画像における前記鉄塔以外の他の物体の地上からの高さの最高点よりも前記地表から離れた前記最高点の近傍の抽出用基準位置を特定し、前記鉄塔の頂点から前記抽出用基準位置までの領域に含まれる点群を基に、前記鉄塔を包含する抽出用領域を決定し、
    前記３次元点群画像から前記抽出用領域に含まれる前記鉄塔を表す鉄塔点群を抽出する
    処理をコンピュータに実行させることを特徴とする送電設備抽出プログラム。

Images