JP7124743B2 - 線状体の異常検出装置及び異常検出方法 - Google Patents

Description

本発明は、線状体の異常検出装置及び異常検出方法に関する。

従来より、例えばワイヤーやロープ、電線等の線状体が、設備等を構成する重要な部品として、広く使用されている。線状体は、物体を結束、吊架することによる物体の支持や、電気の導電等の、様々な目的で使用されている。
線状体は、経年劣化や、外力が作用することにより、断線、裂傷等の異常が生じる場合がある。線状体の異常は、点検作業員が目視で線状体そのものを確認したり、あるいは線状体を撮像した画像を閲覧したりすることにより検出されることがあるが、これらの作業は多くの時間や労力を必要とする。このため、線状体の点検作業に要する時間や労力を低減することが検討されている。

特許文献１には、高次局所的自己相関特徴を用いて、点検対象物の異常の有無と、及び異常の位置を検出する、異常領域検出装置が開示されている。より詳細には、高次局所自己相関特徴による領域特徴空間の中で正常領域特徴の部分空間を生成し、その部分空間からの距離あるいは角度を指標として異常領域を検出する。正常領域部分空間の生成には例えば主成分分析手法を用い、例えば累積寄与率０．９９の主成分ベクトルにより主成分部分空間を構成する。
特許文献１のような異常領域検出装置においては、事前の準備作業として、正常なデータの集合から正常なデータの分布を求める必要がある。また、正常なデータの分布から異常を判定するための閾値を設定する必要がある。これらの作業には、専門的な知識が必要であり、導入が容易ではない。

これに対し、特許文献２には、送電設備に生じた異常個所を画像処理によって検出する巡視点検システムが開示されている。特許文献２の巡視点検システムにおいては、架空地線あるいは送電線に落雷があったことにより生じたアーク痕の画像データのサンプルが少ないことから、実際に生じた異常箇所の画像データだけでなく、被点検物に対して擬似的に付加した異常／劣化の状態を撮影した画像データをもとに疑似画像を生成し、ニューラルネットワークを活用したディープラーニングの技術を利用して大量の学習モデルを学習する。

特開２０１１－１４１５２号公報 特開２０１８－７４７５７号公報

上記の特許文献２のようなシステムや装置において、例えば一般的な畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、以下ＣＮＮと記載する）を適用し、これに線状体を撮像した画像を入力することで線状体の異常を検出することが考えられる。ＣＮＮは、基本的に、画像内の特徴を様々なフィルタにより抽出する畳み込み層と、畳み込み層により出力された特徴画像の中から有効な値を残すように、特徴画像を縮小させるプーリング層を備えている。すなわち、ＣＮＮにおいては、画像内の特徴が抽出され縮小される過程において、特徴の、画像内での位置情報は曖昧になり、結果として物体の位置ずれの影響に強いパターン認識が可能となっている。
しかし、ＣＮＮを線状体の異常検出に適用する場合には、上記のような特徴を受け得る反面、異常を特徴として検出できたとしても、画像内での位置情報や形状が曖昧となる。また、ＣＮＮでは上記のようにフィルタによる処理を行っているため、検出された異常が、フィルタが適用される矩形領域の中の、どこに位置する、どのような形状の物体であるのかを、詳細に知ることが難しい。
したがって、線状体の検出装置にＣＮＮを適用した場合には、異常が検出された際に、ＣＮＮが画像中のどの位置のどの形状の物体を異常と判断したか、その判定根拠を詳細に把握できない。このため、異常検出を自動化したとしても、結局は作業員が画像を目視確認して、異常の大きさや種類、位置を判断しなければならない場合がある。
異常の形状や位置の検出精度を高めることにより、異常をより正確に検出し、かつ異常検出時の判定根拠をより詳細に提示可能な、線状体の異常検出装置及び異常検出方法が求められている。

本発明が解決しようとする課題は、異常の形状や位置の検出精度を高めることにより、異常をより正確に検出し、かつ異常検出時の判定根拠をより詳細に提示可能な、線状体の異常検出装置及び異常検出方法を提供することである。

本発明は、上記課題を解決するため、以下の手段を採用する。すなわち、本発明は、線状体を撮像した画像を解析して前記線状体の異常を検出する、線状体の異常検出装置であって、前記線状体に関する学習画像と、当該学習画像内の各画素に対する、当該画素が異常に該当するか否かの正解値とを、学習データとして深層学習された学習モデルを備え、当該学習モデルに対し、前記画像を入力画像として入力し、当該入力画像内の各画素に対して、当該画素が異常に該当するか否かを推論する、異常推論部と、当該異常推論部の推論結果を基に、前記入力画像内の異常の有無を判定する、異常判定部と、を備えている、線状体の異常検出装置を提供する。

また、本発明は、線状体を撮像した画像を解析して前記線状体の異常を検出する、線状体の異常検出方法であって、前記線状体に関する学習画像と、当該学習画像内の各画素に対する、当該画素が異常に該当するか否かの正解値とを、学習データとして深層学習された学習モデルに対し、前記画像を入力画像として入力し、当該入力画像内の各画素に対して、当該画素が異常に該当するか否かを推論し、推論結果を基に、前記入力画像内の異常の有無を判定する、線状体の異常検出方法を提供する。

本発明によれば、異常の形状や位置の検出精度を高めることにより、異常をより正確に検出し、かつ異常検出時の判定根拠をより詳細に提示可能な、線状体の異常検出装置及び異常検出方法を提供することができる。

本発明の実施形態における線状体の異常検出装置及び異常検出方法において、異常検出の対象となる架空地線の説明図である。 上記線状体の異常検出装置のブロック図である。 上記線状体の異常検出装置内の学習モデルに入力される、学習画像の説明図である。 上記学習モデルにおける、教師画像の説明図である。 上記学習モデルの模式的なブロック図である。 上記線状体の異常検出方法のフローチャートである。 上記実施形態の第１変形例に関する、線状体の異常検出装置のブロック図である。 上記第１変形例に関する線状体の異常検出装置の推論結果精査部へ入力される、異常推論部の出力画像である推論結果画像と、推論結果精査部の出力画像である精査画像の説明図である。 上記第１変形例に関する線状体の異常検出方法のフローチャートである。 上記実施形態の第２変形例に関する、線状体の異常検出装置の推論結果精査部へ入力される、異常推論部の出力画像である推論結果画像と、推論結果精査部の処理中の画像、及び推論結果精査部の出力画像である精査画像の説明図である。

以下、本発明の実施形態について図面を参照して詳細に説明する。
本実施形態における線状体の異常検出装置は、線状体を撮像した画像を解析して線状体の異常を検出するものであって、線状体に関する学習画像と、学習画像内の各画素に対する、当該画素が異常に該当するか否かの正解値とを、学習データとして深層学習された学習モデルを備え、学習モデルに対し、画像を入力画像として入力し、入力画像内の各画素に対して、当該画素が異常に該当するか否かを推論する、異常推論部と、異常推論部の推論結果を基に、入力画像内の異常の有無を判定する。

図１は、架空地線の説明図である。
上記のように、異常検出装置１０は、線状体の異常を検出する装置である。本実施形態における線状体２は、例えば、鉄塔１間に架設された架空地線２である。架空地線２は、送電、配電等を目的として同様に鉄塔１間に架設された架空線３を、主に雷から保護する。
異常検出装置１０は、点検機１１、制御装置１２、及び表示装置１３を備えている。

図２は、線状体２の異常検出装置１０のブロック図である。
点検機１１は、線状体２上を自律的に、あるいは操作されて走行するように構成されている。点検機１１は、撮像装置２０、記憶部２１、及びＧＰＳ受信部２２を備えている。
撮像装置２０は、点検機１１が線状体２上を走行する際に、線状体２の表面の画像を、動画として撮像する。撮像装置２０は動画を記憶部２１に保存する。
ＧＰＳ受信部２２は、所定の時間間隔で、図示されないＧＰＳ衛星からＧＰＳ信号を受信し、点検機１１の座標位置を特定する。ＧＰＳ受信部２２は、特定された座標位置を、座標位置取得時の時刻と対応付け、組み合わせて記憶部２１に保存する。
表示装置１３は、例えばディスプレイ等であり、次に説明する制御装置１２の指示に従って、制御装置１２による異常の検出結果等を表示する。

制御装置１２は、例えばパーソナルコンピュータやサーバ等の情報処理装置である。制御装置１２は、データ保存部３０、画像変換部３１、学習部４０、及び異常検出部５０を備えている。学習部４０は、学習用データ記憶部４１と異常推論部４２を備えている。異常検出部５０は、異常判定部５１、判定結果保存部５２、及び表示制御部５３を備えている。
これら制御装置１２の構成要素のうち、画像変換部３１、異常推論部４２、異常判定部５１、及び表示制御部５３は、例えば上記の各情報処理装置内のＣＰＵにより実行されるソフトウェア、プログラムであってよい。また、データ保存部３０、学習用データ記憶部４１、及び判定結果保存部５２は、上記各情報処理装置内外に設けられた半導体メモリや磁気ディスクなどの記憶装置により実現されていてよい。

後に説明するように、異常推論部４２は、入力された画像内の各画素に対して、当該画素が異常に該当するか否かを推論する。この推論を効果的に行うために、異常推論部４２は、後に説明するように機械学習器を備えており、この機械学習器を深層学習して学習モデル４３を生成する。異常推論部４２は、実際に線状体２の異常を検出する処理を行う際には、この学習が完了した学習モデル４３を使用して、入力された画像内の各画素に対して、当該画素が異常に該当するか否かを推論する。
すなわち、制御装置１２は大別して、深層学習時における学習と、実際に線状体２の異常を検出する際における各画素が異常に該当するか否かの推論の、２通りの動作を行う。説明を簡単にするために、以下ではまず、深層学習時における、制御装置１２の各構成要素の説明をした後に、実際の異常検出に際して各画素が異常に該当するか否かを推論する場合での各構成要素の挙動について説明する。

まず、深層学習時における、制御装置１２の構成要素の挙動を説明する。
データ保存部３０には、点検機１１の記憶部２１に保存された、動画と、及び座標位置と時刻の複数の組み合わせとの各々が転送され、保存される。
画像変換部３１は、データ保存部３０から動画を取得し、これを複数の静止画に変換する。画像変換部３１は、静止画を学習部４０に送信する。

学習部４０は、画像変換部３１から静止画を受信し、受信した静止画を学習画像として学習用データ記憶部４１に保存する。
図３は、学習画像の説明図である。線状体２には、例えば難着雪リング等の、線状体２上に設けられる設備である線上設備４が設けられることがある。図３に示される学習画像４５は、線状体２上の線上設備４が設けられた部分が撮像されたものである。
線状体２には、裂傷やアーク痕等の異常が生じる場合がある。図３に示される学習画像４５は、線状体２上に２つの異常部分５が示されており、異常を含むものとなっている。しかし、学習画像４５としては、正常な状態の、すなわち異常を含まない線状体２が撮像された画像も当然含み得る。
本実施形態においては、学習画像４５の生成元である動画は、線状体２上を走行する点検機１１によって、線状体２の近くから撮像されている。このため、線上設備４と異常部分５を含む、線状体２の部分が、学習画像４５内で所定の割合以上の面積を占めている。線状体２の部分以外は、背景６となっている。

学習用データ記憶部４１には、上記のように点検機１１から画像変換部３１を介して受信した静止画が学習画像として保存される他に、学習作業者により他の手段で用意された、正常な、または異常を含む線状体２の画像が、学習画像として保存される。
このような、他の手段で用意された学習画像においても、線上設備４と異常部分５を含む線状体２の部分が、学習画像４５内で所定の割合以上の面積を占めるように撮像され、または加工されている。

異常推論部４２は、機械学習器を備えている。この機械学習器が深層学習されることにより、学習モデル４３が生成される。学習モデル４３は、実際の異常検出に際して各画素が異常に該当するか否かを推論する。すなわち、機械学習器は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みモデル４３を生成するものである。
以下、説明を簡単にするため、異常推論部４２が備えている機械学習器と、これが学習されて生成される学習モデルをともに、同じ符号を付して、機械学習器４３、または学習モデル４３と呼称する。
学習用データ記憶部４１に保存された各学習画像４５は、この機械学習器４３の深層学習における、入力画像として使用される。機械学習器４３が、入力された学習画像４５に対して深層学習するためには、深層学習の目標となる、学習画像４５に対応する教師データが必要である。

各学習画像４５に対応する教師データは、学習画像４５内の各画素に対する、当該画素が異常に該当するか否かの正解値である。より詳細には、正解値は、学習画像４５内の各画素に対応して表示される物が、背景６、線状体２、線上設備４、及び異常部分５として大別される分類区分のいずれに該当するかを示すものである。
特に本実施形態においては、各画素に対して、当該画素が図３に示される背景６に該当するか否かを示す値である背景値、当該画素が線状体２に該当するか否かを示す値である線状体値、当該画素が線上設備４に該当するか否かを示す値である線上設備値、及び当該画素が異常部分５に該当するか否かを示す値である異常部分値の、４つの値の組み合わせが正解値となる。背景値、線状体値、線上設備値、異常部分値には、画素が分類区分内の各要素に該当する場合には例えば１が、該当しない場合には例えば０が、設定される。したがって、各画素に対して、各要素が０または１の、背景値、線状体値、線上設備値、異常部分値の組み合わせである（背景値、線状体値、線上設備値、異常部分値）が正解値となる。
例えば、図３において背景６に該当する画素の正解値は、（１、０、０、０）となり得る。線状体２に該当する画素の正解値は、（０、１、０、０）となり得る。線上設備４に該当する画素の正解値は、（０、０、１、０）となり得る。更に、異常部分５に該当する画素の正解値は、（０、０、０、１）となり得る。
このように、正解値は、学習画像４５内の各画素に対応して設けられ、対応する画素が背景６、線状体２、及び異常部分５を含む分類区分のいずれに該当するかを示すものである。

各分類区分に固有の色を対応づけた際に、各画素を、対応する正解値が該当する分類区分の色で着色した画像を、以下、教師画像と呼称する。すなわち、教師画像は、学習画像４５と同等の解像度を備えており、各画素は、学習画像４５において当該画素に対応する画素に表示される物体が該当する分類区分に対応した色を有している。
図４は、教師画像４６の説明図である。教師画像４６の、図３における背景６に相当する領域である背景領域６Ｒ内の各画素は、淡く見えるドットパターン（例えば淡い灰色に対応）で着色されている。教師画像４６の、図３における線状体２に相当する領域である線状体領域２Ｒ内の各画素は、濃く見えるドットパターン（例えば黒色に対応）で着色されている。教師画像４６の、図３における線上設備４に相当する領域である線上設備領域４Ｒ内の各画素は、線状体領域２Ｒと背景領域６Ｒとは異なる濃度のドットパターン（例えば濃い灰色に対応）で着色されている。教師画像４６の、図３における異常部分５に相当する領域である異常部分領域（異常領域）５Ｒ内の各画素は、例えば白色で着色されている。
教師データは、例えばこのような構成の教師画像に対して、各画素に対応する上記の正解値が付与されたもので有り得る。
教師データは、学習画像４５に対応付けられて、学習用データ記憶部４１に保存されている。

異常推論部４２の学習モデル４３は、上記のような、線状体２に関する学習画像４５と、学習画像４５内の各画素に対する、当該画素が異常に該当するか否かの正解値を含む教師データとを、学習データとして深層学習される。
図５は、機械学習器（学習モデル）４３の模式的なブロック図である。本実施形態においては、学習モデル４３は、全層畳み込みネットワーク（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ、以下ＦＣＮと記載する）により実現されて、セマンティックセグメンテーションにより、入力された画像内の各画素が異常に該当するか否かを推論するように、学習されている。ＦＣＮは、以下に説明するように、全結合層を備えず、畳み込み層において処理、生成された特徴マップを直接、逆畳み込み層への入力とするものである。ＦＣＮによって、任意の大きさの画像を入力として使用できるとともに、学習により適切な特徴を選択して推定することが可能となる。

機械学習器４３は、畳み込み処理部４７と逆畳み込み処理部４８を備えている。畳み込み処理部４７は、直列に接続された、複数の畳み込み層４７ａ、４７ｂ、４７ｃを備えている。逆畳み込み処理部４８は、同様に直列に接続された、複数の逆畳み込み層４８ｃ、４８ｂ、４８ａを備えている。図５においては、畳み込み層と逆畳み込み層の数はそれぞれ３となるように図示されているが、これら畳み込み層と逆畳み込み層の数は３に限られない。

異常推論部４２は、学習用データ記憶部４１から学習画像４５を取得し、初段の畳み込み層４７ａへと入力する。
畳み込み層４７ａは、図示されない所定の数のフィルタを備えている。機械学習器４３は、各フィルタに対し、これを学習画像４５上に位置付け、フィルタ内の学習画像４５の各画素の画素値に対して、フィルタ内に画素位置に対応して設定された重みを付けて和を計算することで、畳み込みフィルタ処理を実行する。これにより、畳み込み層４７ａにおける１つの画素の画素値が演算される。機械学習器４３は、フィルタを学習画像４５上で所定の解像度刻みで移動させつつ、このような畳み込みフィルタ処理を実行することで複数の画素値を演算し、これを並べて、フィルタに対応した１枚の画像を生成する。
機械学習器４３は、この処理を、全てのフィルタに対して実行し、フィルタの数に応じた特徴マップを生成する。

フィルタは、実際には、学習画像４５の画素値の強調や平滑化等を重みとして表現したものである。このようなフィルタを用いて畳み込みフィルタ処理を実行して生成された特徴マップにおいては、エッジ特徴等の画像の濃淡パターンが効果的に抽出されている。また、学習画像４５の局所的な領域からフィルタを通して特徴を抽出するため、学習画像４５内に存在する物体の位置のずれに対して頑健となる。

畳み込み層４７ａにおいては、畳み込みフィルタ処理の後に、プーリング処理が実行される。より詳細には、各特徴マップを例えば２×２の大きさの複数の小領域に区切り、各小領域に対して当該小領域内の画素値の最大値を算出して、１つの画素の画素値とすることで、各特徴マップの２×２の小領域の各々を１×１の画素へと変換し、情報を縮約させる。プーリング処理は、上記のように、各特徴マップの局所領域から最大の画素値を選択するため、画像に特化された適切な特徴のみを残すことが可能であり、以降の処理を効率的に行うことができる。

畳み込み層４７ａにおいて生成された、プーリング処理された特徴マップは、次段の畳み込み層４７ｂの入力画像となる。

畳み込み層４７ｂにおいては、畳み込み層４７ａと同様に、畳み込みフィルタ処理とプーリング処理が順次実行される。畳み込み層４７ｂは、畳み込み層４７ａのフィルタよりも小さい大きさの、所定の数のフィルタを備えており、これらを用いて畳み込みフィルタ処理を実行し、更にプーリング処理を実行することで、フィルタの数に応じた所定の数の、プーリング処理された特徴マップを生成する。
畳み込み層４７ｃにおいても、畳み込みフィルタ処理とプーリング処理が順次実行される。畳み込み層４７ｃは、畳み込み層４７ｂのフィルタよりも小さい大きさの、所定の数のフィルタを備えており、これらを用いて畳み込みフィルタ処理を実行し、更にプーリング処理を実行することで、フィルタの数に応じた所定の数の、プーリング処理された特徴マップを生成する。
各畳み込み層４７ａ、４７ｂ、４７ｃにおけるフィルタの重みは、機械学習により調整される。
畳み込み層４７ｃにおいてプーリング処理された特徴マップは、逆畳み込み処理部４８の逆畳み込み層４８ｃへの入力となる。

逆畳み込み処理部４８は、畳み込み処理部４７と対称的な構造となっている。すなわち、学習画像４５は畳み込み処理部４７により低次元に圧縮されたが、逆畳み込み処理部４８においては、低次元に圧縮された状態から拡大し、復元されるように動作する。より詳細には、畳み込み層４７ｃに対応する逆畳み込み処理を実行する逆畳み込み層４８ｃ、畳み込み層４７ｂに対応する逆畳み込み処理を実行する逆畳み込み層４８ｂ、及び畳み込み層４７ａに対応する逆畳み込み処理を実行する逆畳み込み層４８ａを順に経ることで、出力データ４９が生成される。

機械学習器４３は、出力データ４９として、教師データと同様な要領で、学習画像４５内の各画素が分類区分の各々に該当し得る確率を出力する。例えば、ある画素に対し、当該画素が背景６に該当する確率が０．６、線状体２に該当する確率が０．２、線上設備４及び異常部分５の各々に該当する確率が０．１であると、機械学習器４３が推論した場合、当該画素に対して（０．６、０．２、０．１、０．１）の値の組み合わせが出力される。
出力データ４９に基づき、図４に示される教師画像４６と同様に表現した画像を、以下、推論結果画像５６と呼称する。すなわち、推論結果画像５６は、推論結果の各々に関する情報を、これに対応する画素の位置に、色として反映して配置した画像であり、図４に示されるように、各画素が、当該画素に対応する出力値に含まれる複数の確率値の中で、最も高い値の確率に対応する分類区分に対応した色を有するようになっている。

上記のように各畳み込み層４７ａ、４７ｂ、４７ｃの各々において生成された特徴マップは、画像内の物体の位置のずれや大きさの違いの影響を受けにくいものとなっている。換言すれば、畳み込み処理部４７により生成された特徴マップにおいては、物体の位置に関する情報の多くが失われている。
ここで、各逆畳み込み層４８ｃ、４８ｂ、４８ａにおいては、上記のように対応する畳み込み層４７ｃ、４７ｂ、４７ａに対応する処理を実行するとともに、各畳み込み層４７ｃ、４７ｂ、４７ａにおける処理データを使用することによって、各畳み込み層４７ａ、４７ｂ、４７ｃにおいて失われた位置情報を補完している。これにより、逆畳み込み処理部４８から出力された出力データ４９及びこれに対応する推論結果画像５６は、位置情報が画素単位で復元されたものとなっている。
位置情報の補完は、例えば、各畳み込み層４７ａ、４７ｂ、４７ｃのプーリング処理において最大の画素値として選択された画素の位置を記憶しておき、逆畳み込み層４８ｃ、４８ｂ、４８ａにおいて画像を拡大、復元する際に、記憶された場所に特徴マップの画素値をコピーしたうえで、コピーされた画素間の画素の画素値を、これら特徴マップからコピーされた画素の画素値を基に、例えばバイリニアで補完することにより行われ得る。

機械学習器４３では、出力データ４９における各画素に関する推論結果が、入力された学習画像４５に対応する教師データの正解値に近い値となるように、機械学習が行われる。このために、異常推論部４２は、入力された学習画像４５に対応する教師データを学習用データ記憶部４１から取得し、教師データ内の正解値と出力データ４９の値を画素単位で比較して、例えば各画素間のこれらの差分の２乗誤差をコスト関数として計算する。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、機械学習器４３が機械学習される。
結果として、例えば、図３において背景６に該当する画素の、教師データ上での正解値は（１、０、０、０）であるため、出力データ４９の当該画素に対応する出力値としては、１番目の背景６に該当する確率値が他よりも１に近く、他の確率値が１番目の確率値よりも０に近い値の組み合わせとなり得る。
このように、学習が終了した学習モデル４３は、何らかの画像が入力画像として入力された際に、入力画像内の各画素に対し、当該画素が分類区分の各々に該当し得る確率を出力する。

次に、実際の異常検出に際して各画素が異常に該当するか否かを推論する場合での、すなわち、学習モデル４３の深層学習が終了した後における、制御装置１２の各構成要素の挙動について説明する。

点検機１１を、上記の説明と同様な要領で、異常検出の対象となる線状体２上を走行させ、動画と、及び座標位置と時刻の複数の組み合わせを、記憶部２１に保存する。
データ保存部３０には、点検機１１の記憶部２１に保存された、動画と、及び座標位置と時刻の複数の組み合わせとの各々が転送され、保存される。
画像変換部３１は、データ保存部３０から動画を取得し、これを複数の静止画に変換する。画像変換部３１は、座標位置と時刻の複数の組み合わせをデータ保存部３０から取得し、変換された静止画の各々に対して、この複数の組み合わせと当該静止画が撮像された時刻を基に当該静止画が撮像された座標位置を推定する。
画像変換部３１は、静止画を学習モデル４３への入力画像として、学習部４０に送信する。
画像変換部３１はまた、上記入力画像と、これに対応する撮像された座標位置を、学習部４０に送信すると同時に、後に説明する判定結果保存部５２に送信し、保存する。

入力画像は、例えば図３に学習画像４５として示した画像と同様な画像５５となる。本実施形態においては、入力画像５５の生成元である動画は、学習画像４５と同様に線状体２上を走行する点検機１１によって撮像されているため、線上設備４と異常部分５を含む線状体２の部分が、入力画像５５内で所定の割合以上の面積を占めている。

学習部４０の異常推論部４２は、画像変換部３１から入力画像５５を受信する。
異常推論部４２は、学習モデル４３に、入力画像５５を入力画像として入力し、学習モデル４３によって、入力画像５５内の各画素に対して、当該画素が異常に該当するか否かを推論する。
この学習モデル４３は、入力画像５５の各画素が異常に該当するか否かを推論するように深層学習されている、学習済みのモデルである。

異常推論部４２は、学習部４０によって事前に深層学習されて、フィルタの重み等のＦＣＮを構成する各パラメータの値が調整、決定された、学習済みの学習モデル４３が、例えばＣＰＵ上でプログラムとして実行されることで、入力画像５５の各画素が異常に該当するか否かを推論する。
より詳細には、異常推論部４２が、入力画像５５を学習モデル４３に入力すると、学習モデル４３は、畳み込み層４７ａ、４７ｂ、４７ｃと、及び逆畳み込み層４８ｃ、４８ｂ、４８ａを順に辿りながら、畳み込み処理、プーリング処理、逆畳み込み処理等を実行する。最終的に逆畳み込み層４８ａから、入力画像５５に対応する出力データ４９が出力される。

学習が終了した学習モデル４３は、入力画像５５が入力された際に、入力画像５５内の各画素が分類区分の各々に該当し得る確率を、出力データ４９として出力する。
異常推論部４２は、各画素に対し、出力データ４９上で該当し得る確率が最も高い分類区分を、当該画素に該当する分類区分であると推論する。
異常推論部４２はまた、出力データ４９に対し、図４に示されるような推論結果画像５６を生成する。すなわち、推論結果画像５６は、各画素が、上記のように該当すると推論された分類区分に対応した色を有するように生成される。
異常推論部４２は、入力画像５５と、出力データ４９、及び出力データ４９を基に生成した推論結果画像５６を、異常検出部５０の異常判定部５１へ送信する。

異常判定部５１は、異常推論部４２から、入力画像５５、出力データ４９、及び推論結果画像５６を受信する。
異常判定部５１は、異常推論部４２の推論結果、この場合においては推論結果画像５６を基に、入力画像５５内の異常の有無を判定する。

ＦＣＮを用いて、セマンティックセグメンテーションによって画素単位で分類区分を推論した場合には、分類区分の推論が画素単位で行われるため、例えば類似する画像パターンが存在する場合に、誤判断が生じる場合がある。また、背景６と、例えば線状体２等の物体との境界部分は推論が難しく、このような理由によっても誤判断が生じる場合もある。このような場合においては、誤判断は推論結果画像５６において、微小領域のノイズとなって表れることが多い。
このようなノイズを低減するため、異常判定部５１は、異常部分５に該当すると異常推論部４２によって推論された画素が、例えば推論結果画像５６上で連続することにより形成される異常部分領域（異常領域）５Ｒの面積が、所定の閾値以上の場合に、入力画像５５内に異常があると判定する。
また、異常判定部５１は、面積が上記の所定の閾値以下の異常部分領域５Ｒがある場合には、推論結果画像５６内の該当する部分を周囲の、例えば線状体２の分類区分に対応する色（例えば図４においては濃く見えるドットパターンに対応する黒色）に再設定する。
これにより、ノイズとみなされる異常部分領域５Ｒによって、入力画像５５内に異常があると判定される可能性が低減される。

異常判定部５１は、画像変換部３１によって既に判定結果保存部５２に保存されている入力画像５５に対応付けて、判定結果と、出力データ４９、及び着色が再設定されてノイズが低減された推論結果画像５６を判定結果保存部５２に保存する。

判定結果保存部５２には入力画像５５が、これが撮像された座標位置とともに保存されている。
判定結果保存部５２にはまた、各入力画像５５に対応する、判定結果と、出力データ４９、及び着色が再設定されてノイズが低減された推論結果画像５６が、異常判定部５１によって保存されている。

表示制御部５３は、判定結果保存部５２から、異常と判定された判定結果を抽出し、当該判定結果に対応する入力画像５５と、当該入力画像５５が撮像された座標位置、及び着色が再設定されてノイズが低減された推論結果画像５６を取得する。
表示制御部５３は、表示装置１３に、入力画像５５と推論結果画像５６を対比させて表示するとともに、当該入力画像５５内には異常があると判定した旨を表示する。表示制御部５３はまた、入力画像５５が撮像された座標位置を、例えば近傍の地図を表示したうえで地図上の該当する座標位置に印を付与することで表示する。

次に、上記の線状体２の異常検出装置１０を用いた異常検出方法を説明する。
本実施形態における線状体２の異常検出方法は、線状体２を撮像した画像を解析して線状体２の異常を検出するものであって、線状体２に関する学習画像４５と、学習画像４５内の各画素に対する、当該画素が異常に該当するか否かの正解値とを、学習データとして深層学習された学習モデル４３に対し、画像を入力画像５５として入力し、入力画像５５内の各画素に対して、当該画素が異常に該当するか否かを推論し、推論結果を基に、入力画像５５内の異常の有無を判定する。
まず、図１～図５を用いて、深層学習時における、主に学習部４０の動作を説明する。

学習用データ記憶部４１には、点検機１１から画像変換部３１を介して受信した静止画が学習画像４５として保存されている。また、学習用データ記憶部４１には、学習作業者により他の手段で用意された、正常な、または異常を含む線状体２の画像が、学習画像４５として保存されている。

異常推論部４２は、学習用データ記憶部４１から学習画像４５を取得し、学習モデル４３の畳み込み処理部４７へと入力する。
畳み込み処理部４７は、各畳み込み層４７ａ、４７ｂ、４７ｃにより畳み込み処理及びプーリング処理を順次実行して特徴マップを生成し、逆畳み込み処理部４８へ入力する。
逆畳み込み処理部４８は、各逆畳み込み層４８ｃ、４８ｂ、４８ａにより特徴マップを拡大、復元するように逆畳み込み処理を実行する。ここで、各逆畳み込み層４８ｃ、４８ｂ、４８ａにおいては、対応する畳み込み層４７ｃ、４７ｂ、４７ａに対応する処理を実行するとともに、各畳み込み層４７ｃ、４７ｂ、４７ａにおける処理データを使用することによって、各畳み込み層４７ａ、４７ｂ、４７ｃにおいて失われた位置情報を補完する。これにより、逆畳み込み処理部４８から出力された出力データ４９及びこれに対応する推論結果画像５６は、位置情報が画素単位で復元されたものとなっている。

異常推論部４２は、入力された学習画像４５に対応する教師データを学習用データ記憶部４１から取得し、教師データ内の正解値と出力データ４９の値を画素単位で比較して、例えば各画素間のこれらの差分の２乗誤差をコスト関数として計算する。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、機械学習器４３が機械学習される。

次に、図１～図５、及び図６を用いて、実際の異常検出に際して各画素が異常に該当するか否かを推論する場合での、すなわち、学習モデル４３の深層学習が終了した後における、異常検出方法を説明する。図６は、線状体２の異常検出方法のフローチャートである。

点検機１１を、異常検出の対象となる線状体２上を走行させ、動画と、及び座標位置と時刻の複数の組み合わせを、記憶部２１に保存する。
データ保存部３０には、点検機１１の記憶部２１に保存された、動画と、及び座標位置と時刻の複数の組み合わせとの各々が転送され、保存される。
画像変換部３１は、データ保存部３０から動画を取得し、これを複数の静止画に変換する（ステップＳ１）。画像変換部３１は、座標位置と時刻の複数の組み合わせをデータ保存部３０から取得し、変換された静止画の各々に対して、この複数の組み合わせと当該静止画が撮像された時刻を基に当該静止画が撮像された座標位置を推定する。
画像変換部３１は、静止画を学習モデル４３への入力画像として、学習部４０に送信する。
画像変換部３１はまた、上記入力画像と、これに対応する撮像された座標位置を、学習部４０に送信すると同時に、判定結果保存部５２に送信し、保存する。

学習部４０の異常推論部４２は、画像変換部３１から入力画像５５を受信する。
異常推論部４２は、学習モデル４３に、入力画像５５を入力画像として入力し、学習モデル４３によって、入力画像５５内の各画素に対して、当該画素が異常に該当するか否かを推論する（ステップＳ３）。
より詳細には、異常推論部４２が、入力画像５５を学習モデル４３に入力すると、学習モデル４３は、畳み込み層４７ａ、４７ｂ、４７ｃと、及び逆畳み込み層４８ｃ、４８ｂ、４８ａを順に辿りながら、畳み込み処理、プーリング処理、逆畳み込み処理等を実行する。最終的に逆畳み込み層４８ａから、入力画像５５に対応する出力データ４９が出力される。

異常推論部４２は、各画素に対し、出力データ４９上で該当し得る確率が最も高い分類区分を、当該画素に該当する分類区分であると推論する。
異常推論部４２はまた、出力データ４９に対し、図４に示されるような推論結果画像５６を生成する。すなわち、推論結果画像５６は、各画素が、上記のように該当すると推論された分類区分に対応した色を有するように生成される。
異常推論部４２は、入力画像５５と、出力データ４９、及び出力データ４９を基に生成した推論結果画像５６を、異常検出部５０の異常判定部５１へ送信する。

異常判定部５１は、異常推論部４２から、入力画像５５、出力データ４９、及び推論結果画像５６を受信する。
異常判定部５１は、異常推論部４２の推論結果、この場合においては推論結果画像５６を基に、入力画像５５内の異常の有無を判定する（ステップＳ５）。
異常判定部５１は、異常部分５に該当すると異常推論部４２によって推論された画素が、例えば推論結果画像５６上で連続することにより形成される異常部分領域（異常領域）５Ｒの面積が、所定の閾値以上の場合に、入力画像５５内に異常があると判定する。
また、異常判定部５１は、面積が上記の所定の閾値以下の異常部分領域５Ｒがある場合には、推論結果画像５６内の該当する部分を周囲の、例えば線状体２の分類区分に対応する色（例えば図４においては濃く見えるドットパターンに対応する黒色）に再設定する。
異常判定部５１は、画像変換部３１によって既に判定結果保存部５２に保存されている入力画像５５に対応付けて、判定結果と、出力データ４９、及び着色が再設定されてノイズが低減された推論結果画像５６を判定結果保存部５２に保存する。

表示制御部５３は、判定結果保存部５２から、異常と判定された判定結果を抽出し、当該判定結果に対応する入力画像５５と、当該入力画像５５が撮像された座標位置、及び着色が再設定されてノイズが低減された推論結果画像５６を取得する。
表示制御部５３は、表示装置１３に、入力画像５５と推論結果画像５６を対比させて表示するとともに、当該入力画像５５内には異常があると判定した旨を表示する（ステップＳ７）。表示制御部５３はまた、入力画像５５が撮像された座標位置を、例えば近傍の地図を表示したうえで地図上の該当する座標位置に印を付与することで表示する。

次に、上記の線状体２の異常検出装置１０及び異常検出方法の効果について説明する。

本実施形態の線状体２の異常検出装置１０は、線状体２を撮像した画像を解析して線状体２の異常を検出するものであって、線状体２に関する学習画像４５と、学習画像４５内の各画素に対する、当該画素が異常に該当するか否かの正解値とを、学習データとして深層学習された学習モデル４３を備え、学習モデル４３に対し、画像を入力画像５５として入力し、入力画像５５内の各画素に対して、当該画素が異常に該当するか否かを推論する、異常推論部４２と、異常推論部４２の推論結果を基に、入力画像５５内の異常の有無を判定する、異常判定部５１と、を備えている。
また、本実施形態の線状体２の異常検出方法は、線状体２を撮像した画像を解析して線状体２の異常を検出するものであって、線状体２に関する学習画像４５と、学習画像４５内の各画素に対する、当該画素が異常に該当するか否かの正解値とを、学習データとして深層学習された学習モデル４３に対し、画像を入力画像５５として入力し、入力画像５５内の各画素に対して、当該画素が異常に該当するか否かを推論し、推論結果を基に、入力画像５５内の異常の有無を判定する。
上記のような構成、方法によれば、学習モデル４３は、線状体２に関する学習画像４５と、学習画像４５内の各画素に対する、当該画素が異常に該当するか否かの正解値とを、学習データとして深層学習されている。この学習モデル４３を用いて、画像を入力画像５５として入力し、入力画像５５内の各画素に対して、当該画素が異常に該当するか否かが推論される。
すなわち、入力画像５５の各画素に対して、画素単位で異常に該当するか否かが推論されるため、入力画像５５内の線状体２に異常があると推論された場合においては、推論された異常の位置や形状に関する正確な情報を、異常推論部４２が出力可能である。したがって、異常の形状や位置の検出精度が高まるとともに、異常推論部４２が入力画像５５内のどの位置のどの形状の物体を異常と推論したか、その判定根拠をより詳細に把握可能である。

異常の形状や位置の検出精度が高まり、異常判定の判定根拠を詳細に把握できると、例えば判定結果を判定結果保存部５２に保存するに際し、異常の大きさにより入力画像５５を自動的に分類することも可能となる。この場合には、例えば線状体２の検査作業者が、異常と判定された推論結果画像５６を表示装置１３によって目視する際に、異常が大きいものから優先順位をつけて確認することができる。あるいは、分類時に重大な異常がある場合には、判定結果保存部５２への保存時で表示装置１３による目視確認の前に、検査作業者にメールなどで警告する等のシステムを実現することも可能となる。すなわち、上記のような線状体２の異常検出装置１０及び異常検出方法においては、重大な異常を効率的に探すことができるため、検査作業者の作業量を低減することも可能である。

また、学習モデル４３は、ＦＣＮにより実現されて、セマンティックセグメンテーションにより、入力画像５５内の各画素が異常に該当するか否かを推論する。
上記のような構成によれば、線状体２の異常検出装置１０及び異常検出方法を適切に実現可能である。

また、学習画像４５及び入力画像５５は、線状体２が学習画像４５及び入力画像５５内で所定の割合以上の面積を占めるように撮像され、異常判定部５１は、異常に該当すると推論された画素が連続することにより形成される異常領域５Ｒの面積が所定の閾値以上の場合に、入力画像５５内に異常があると判定する。
上記のような構成によれば、ノイズとみなされる異常部分領域５Ｒによって、入力画像５５内に異常があると判定される可能性が低減される。したがって、異常検出の精度を向上させることができる。

また、正解値は、正解値に対応する学習画像４５内の画素が、背景６、線状体２、及び異常を含む分類区分のいずれに該当するかを示すものであり、学習モデル４３は、入力画像５５内の各画素が分類区分の各々に該当し得る確率を出力し、異常推論部４２は、各画素における確率が最も高い分類区分が、当該画素に該当すると推論する。
上記のような構成によれば、線状体２の異常検出装置１０及び異常検出方法を適切に実現可能である。

また、線状体２は架空地線である
上記のような構成によれば、架空地線の異常を検出することが可能となる。

［実施形態の第１変形例］
次に、図７、図８、図９を用いて、上記実施形態として示した線状体２の異常検出装置１０及び異常検出方法の第１変形例を説明する。図７は、本第１変形例に関する線状体の異常検出装置のブロック図である。図８（ａ）、（ｂ）は、それぞれ、本第１変形例に関する線状体の異常検出装置の推論結果精査部へ入力される、異常推論部の出力画像である推論結果画像と、推論結果精査部の出力画像である精査画像の説明図である。図９は、本第１変形例に関する線状体の異常検出方法のフローチャートである。
本第１変形例における線状体２の異常検出装置６０は、上記実施形態の線状体２の異常検出装置６０とは、制御装置６１の異常検出部６２が推論結果精査部６３を備えている点が異なっている。
以下においては、推論結果精査部６３に関連する事柄のみ説明する。

推論結果精査部６３は、学習モデル４３の深層学習が終了した後における、実際の異常検出に際して各画素が異常に該当するか否かを推論する場合に動作する。したがって、深層学習時においては、異常検出装置６０は、上記実施形態の異常検出装置１０と同様に動作する。

実際の異常検出に際して各画素が異常に該当するか否かを推論する場合には、異常検出装置６０は上記実施形態の異常検出装置１０と同様に、異常推論部４２によって、入力画像５５内の各画素に対して、当該画素が異常に該当するか否かを推論し、出力データ４９と、出力データ４９を基にした推論結果画像５６を生成する。
異常推論部４２は、入力画像５５、出力データ４９、及び推論結果画像５６を、異常検出部６２の推論結果精査部６３へ送信する。

推論結果精査部６３は、異常推論部４２から、入力画像５５、出力データ４９、及び推論結果画像５６を受信する。
異常推論部４２により生成された推論結果画像５６には、異常ではない部分が異常と推論された誤推論が混入している可能性がある。例えば図８（ａ）に示される推論結果画像５６Ａには、背景領域６Ｒに、異常部分領域５Ｒと同様に異常部分と推論されて白く着色された誤推論部分６４が存在する。
推論結果精査部６３は、このように、異常推論部４２において異常に該当すると推論された画素が、線状体２が占める領域である線状体領域２Ｒの外に在る場合に、当該画素は異常に該当しないと判断する。
その結果、推論結果精査部６３は、図８（ｂ）に部分６６として示されるように、誤推論部分６４を、周囲の、この場合においては背景領域６Ｒと同様に着色し、精査画像６５を生成する。
このように、推論結果精査部６３は、異常推論部４２によって異常に該当すると推論された画素を、異常には該当しないと再判断することにより、推論結果を精査する。
推論結果精査部６３は、異常推論部４２から受信した入力画像５５、出力データ４９、及び生成した精査画像６５を、異常判定部５１へ送信する。

異常判定部５１は、推論結果精査部６３の精査結果を基に、入力画像５５内の異常の有無を判定する。すなわち、上記実施形態においては、異常判定部５１は異常推論部４２から受信した推論結果画像５６を基に入力画像５５の異常の有無を判定したが、本変形例においてはこれに代えて、精査画像６５を基に入力画像５５の異常の有無を判定する。

本変形例の線状体２の異常検出方法においては、図９に示されるように、上記実施形態でステップＳ３として示した異常推論部４２における処理の後に、推論結果精査部６３が、異常推論部４２によって異常に該当すると推論された画素を、異常には該当しないと再判断することにより、推論結果を精査する（ステップＳ４）。
その後、上記実施形態でステップＳ５として示した、異常判定部５１による処理に遷移する。

本第１変形例が、既に説明した実施形態と同様な効果を奏することは言うまでもない。
特に本変形例においては、効果的に、異常の誤推論及び誤検出を抑制することができる。

［実施形態の第２変形例］
次に、図１０を用いて、上記実施形態として示した線状体２の異常検出装置１０及び異常検出方法の第２変形例を説明する。図１０（ａ）、（ｂ）、（ｃ）は、それぞれ、本第２変形例における推論結果精査部へ入力される、異常推論部の出力画像である推論結果画像と、推論結果精査部の処理中の画像、及び推論結果精査部の出力画像である精査画像の説明図である。本第２変形例は、上記第１変形例の更なる変形例であり、上記第１変形例とは、推論結果精査部の処理内容が異なっている。

本変形例における推論結果精査部は、異常推論部４２から、入力画像５５、出力データ４９、及び推論結果画像５６を受信する。
第１変形例において説明したように、異常推論部４２により生成された推論結果画像５６には、例えば図１０（ａ）に示される推論結果画像５６Ｂの誤推論部分６４のように、異常の誤推論が混入している可能性がある。これに加えて、異常推論部４２により生成された推論結果画像５６には、線状体領域２Ｒに関する誤推論が混入している可能性もある。推論結果画像５６Ｂには、背景領域６Ｒに、線状体領域２Ｒと同様に線状体２であると推論されて黒く着色（濃く見えるドットパターンに対応）された誤推論部分７２が存在する。

推論結果精査部は、誤推論部分６４に加え、線状体２に関する誤推論部分７２を除去する。
このために、推論結果精査部はまず、線状体領域２Ｒ、線上設備領域４Ｒ、及び異常部分領域５Ｒにより占められる、背景領域６Ｒ以外の領域を縮小する。この縮小処理により、線状体領域２Ｒ、線上設備領域４Ｒ、及び異常部分領域５Ｒに関する、面積が小さなノイズが推論結果画像５６に存在していた場合に、これが除去される。
次に、線状体領域２Ｒ、線上設備領域４Ｒ、及び異常部分領域５Ｒにより占められる領域を拡大して元の大きさに復元した後に、最も面積が大きな領域のみを線状体に関連する、背景領域６Ｒ以外の領域と見做し、他の領域を除去する。これにより、縮小処理によっても除去されない線状体２の誤推論が除去される。
以上の縮小拡大処理により、推論結果精査部は、図１０（ｂ）に線状体再推定画像７０として示されるように、線状体２に関連する、すなわち背景領域６Ｒ以外の領域２ＲＡを再推定する。

推論結果精査部は、線状体２に関連する領域２ＲＡが再推定された線状体再推定画像７０と、推論結果画像５６Ｂを比較し、推論結果画像５６Ｂ内の領域２ＲＡに相当する部分以外に位置する部分６４、７２を誤推論部分６４、７２と判断して除去する。
結果として、図１０（ｃ）に部分７３として示されるように、誤推論部分６４、７２の双方が背景領域６Ｒであると精査された、精査画像７１が生成される。
このように、推論結果精査部は、推論結果の各々を、これに対応する画素の位置に配置した推論結果画像５６に対し、線状体２が占める領域を縮小した後に拡大する。

本第２変形例が、既に説明した実施形態及び第１変形例と同様な効果を奏することは言うまでもない。
特に本変形例においては、効果的に、異常の誤推論及び誤検出を抑制することができる。

なお、本発明の線状体の異常検出装置及び異常検出方法は、図面を参照して説明した上述の実施形態及び各変形例に限定されるものではなく、その技術的範囲において他の様々な変形例が考えられる。

例えば、上記実施形態及び各変形例においては、学習画像４５や入力画像５５は点検機１１に搭載された撮像装置２０によって撮像されていたが、これに限られない。学習画像４５や入力画像５５は、ヘリコプターやドローン等に搭載された撮像装置により撮像されてもかまわない。この場合においては、学習画像４５や入力画像５５中の線状体２の部分の面積が所定の割合以上の面積を占めるように、望遠レンズ等を用いて拡大して撮像するのが望ましい。あるいは、画像変換部３１において静止画を生成する際に、既存の画像処理技術を用いて線状体２の部分を拡大処理することで、学習画像４５や入力画像５５中の線状体２の部分の面積が所定の割合以上の面積を占めるようにしても構わない。
また、上記実施形態及び各変形例においては、各静止画像に対応する座標位置情報は、点検機１１に搭載されたＧＰＳ受信部２２により取得されたＧＰＳ信号を基にしていたが、これに限られない。例えば、点検機１１を等速で走行するように制御し、走行速度を基に静止画の撮影時刻から逆算して座標位置を導出してもよい。あるいは、点検機１１を駆動する滑車の部分に、滑車の回転した数を計測するエンコーダ等のセンサを設け、これにより移動距離を計算することで、座標位置を導出してもよい。

これ以外にも、本発明の主旨を逸脱しない限り、上記実施形態及び各変形例で挙げた構成を取捨選択したり、他の構成に適宜変更したりすることが可能である。

２ 線状体（架空地線）
２Ｒ 線状体領域
４ 線上設備
４Ｒ 線上設備領域
５ 異常部分
５Ｒ 異常部分領域（異常領域）
６ 背景
６Ｒ 背景領域
１０、６０ 異常検出装置
１１ 点検機
１２ 制御装置
１３ 表示装置
４２ 異常推論部
４３ 学習モデル
４５ 学習画像
５１ 異常判定部
５５ 入力画像
５６ 推論結果画像
６３ 推論結果精査部

Claims (8)

1. 線状体を撮像した画像を解析して前記線状体の異常を検出する、線状体の異常検出装置であって、
   前記線状体に関する学習画像と、当該学習画像内の各画素に対する、当該画素が異常に該当するか否かの正解値とを、学習データとして深層学習された学習モデルを備え、当該学習モデルに対し、前記画像を入力画像として入力し、当該入力画像内の各画素に対して、当該画素が異常に該当するか否かを推論する、異常推論部と、
   当該異常推論部の推論結果を基に、前記入力画像内の異常の有無を判定する、異常判定部と、を備え、
   前記正解値は、当該正解値に対応する前記学習画像内の画素が、背景、前記線状体、及び異常を含む分類区分のいずれに該当するかを示すものであり、
   前記学習モデルは、前記入力画像内の各画素が前記分類区分の各々に該当し得る確率を出力し、
   前記異常推論部は、前記入力画像内の各画素における前記確率が最も高い前記分類区分が、当該画素に該当すると推論する、線状体の異常検出装置。
2. 前記学習モデルは、全層畳み込みネットワークにより実現されて、セマンティックセグメンテーションにより、前記入力画像内の各画素が異常に該当するか否かを推論する、請求項１に記載の線状体の異常検出装置。
3. 前記学習画像及び前記入力画像は、前記線状体が前記学習画像及び前記入力画像内で所定の割合以上の面積を占めるように撮像され、
   前記異常判定部は、異常に該当すると推論された画素が連続することにより形成される異常領域の面積が所定の閾値以上の場合に、前記入力画像内に異常があると判定する、請求項１または２に記載の線状体の異常検出装置。
4. 前記異常推論部によって異常に該当すると推論された画素を、異常には該当しないと再判断することにより、前記推論結果を精査する推論結果精査部を更に備え、
   前記異常判定部は、当該推論結果精査部の精査結果を基に、前記入力画像内の異常の有無を判定する、請求項１から３のいずれか一項に記載の線状体の異常検出装置。
5. 前記推論結果精査部は、前記異常推論部において異常に該当すると推論された画素が、前記線状体が占める領域の外に在る場合に、当該画素は異常に該当しないと判断する、請求項４に記載の線状体の異常検出装置。
6. 前記推論結果精査部は、前記推論結果の各々を、これに対応する画素の位置に配置した推論結果画像に対し、前記線状体が占める領域を縮小した後に拡大する、請求項４または５に記載の線状体の異常検出装置。
7. 前記線状体は架空地線である、請求項１から６のいずれか一項に記載の線状体の異常検出装置。
8. 線状体を撮像した画像を解析して前記線状体の異常を検出する、線状体の異常検出方法であって、
   前記線状体に関する学習画像と、当該学習画像内の各画素に対する、当該画素が異常に該当するか否かの正解値であって、対応する前記学習画像内の画素が、背景、前記線状体、及び異常を含む分類区分のいずれに該当するかを示すものである前記正解値とを、学習データとして深層学習された学習モデルに対し、前記画像を入力画像として入力し、前記学習モデルは、前記入力画像内の各画素が前記分類区分の各々に該当し得る確率を出力し、前記入力画像内の各画素に対して、前記確率が最も高い前記分類区分が、当該画素に該当すると推論することで、当該画素が異常に該当するか否かを推論し、
   推論結果を基に、前記入力画像内の異常の有無を判定する、線状体の異常検出方法。
   

Images