JP7608832B2 - 機械学習装置及び故障判定装置 - Google Patents

Description

本発明は、機械学習装置及び故障判定装置に関する。

送電鉄塔の航空障害灯は、昼間は照度を高く、夜間は照度を低く設定している。しかし、落雷等により設定にトラブルが生じ、夜間も照度が高くなってしまったために、航空障害灯の設置箇所の近隣住民から航空障害灯を設置する事業者に対して、問い合わせがもたらされることがある。また、発電所煙突の航空障害灯についても同様に、故障で点灯しなくなることがある。

例えば、特許文献１は、航空障害灯の故障を検出するため、所定位置に設けられた航空障害灯を撮像する撮像手段と、当該撮像手段から航空障害灯までの距離および方向に係る位置情報に基づいて、撮像手段の少なくとも方向及びフォーカスを調整して、航空障害灯の故障の判定に用いられる判定用画像を取得するよう撮像手段を制御する撮像制御手段と、判定用画像から航空障害灯の判定用発光強度を算出する発光強度算出手段と、判定用発光強度と閾値とを比較して航空障害灯の故障を判定する故障判定手段と、を有する故障検出システムに係る技術を開示している。

特開２０１４－２３５８０６号公報

しかし、特許文献１に係る技術においては、航空障害灯の故障を判定するにあたり、判定用画像から取得される判定用発光強度と、閾値との比較を行っているが、航空障害灯自体の照度が同一であっても、例えば天候や時刻等の航空障害灯を取り巻く環境に応じて、判定用画像が異なることに起因して、判定用発光強度が変化してしまうことに対応していなかった。

本発明は、航空障害灯を取り巻く環境が変化しても、より正確に当該航空障害灯の故障を判定することが可能な機械学習装置及び故障判定装置を提供することを目的とする。

前記目的を達成するため、本発明は、次に記載する構成を備えている。

（１） 航空障害灯の故障を判定するための学習モデルを構築する機械学習装置であって、前記航空障害灯を撮像した写真を入力データとして取得する入力データ取得手段と、前記写真において被写体とされる前記航空障害灯の故障状態の判定結果をラベルとして取得するラベル取得手段と、前記入力データと前記ラベルとの組を教師データとして教師あり学習を行うことにより、前記航空障害灯を被写体として含む新たな写真における当該航空障害灯の故障状態を判定するための学習モデルを構築する学習モデル構築手段と、を備える機械学習装置。

（１）によれば、航空障害灯を取り巻く環境が変化しても、より正確に当該航空障害灯の故障を判定することが可能な機械学習装置を提供することが可能となる。

（２） （１）に記載の機械学習装置において、前記学習モデル構築手段は、複数の前記航空障害灯に対して一つの学習モデルを構築することが好ましい。

（２）によれば、複数の航空障害灯の故障を判定する学習モデルを一つにまとめることが可能となる。

（３） （１）に記載の機械学習装置において、前記学習モデル構築手段は、複数の前記航空障害灯の各々に対して一つずつ学習モデルを構築することが好ましい。

（３）によれば、航空障害灯毎に学習モデルを構築することにより、よりきめ細かく航空障害灯の故障を判定することが可能となる。

（４） （１）から（３）までのいずれか１に記載の機械学習装置で構築した前記学習モデルを用いた故障判定装置であって、前記写真と前記学習モデルとに基づいて、前記航空障害灯の故障状態を判定する故障状態判定手段と、を備える故障判定装置。

（４）によれば、航空障害灯を取り巻く環境が変化しても、より正確に当該航空障害灯の故障を判定することが可能な故障判定装置を提供することが可能となる。

本発明によれば、航空障害灯を取り巻く環境が変化しても、より正確に当該航空障害灯の故障を判定することが可能となる。

本発明の実施形態に係る故障判定システムの全体構成を示す図である。 本発明の実施形態に係る機械学習装置に備わる学習部の機能ブロック図である。 本発明の実施形態に係る故障判定装置の機能ブロック図である。 本発明の実施形態に係る機械学習装置の動作を示すフローチャートである。 本発明の実施形態に係る故障判定装置の動作を示すフローチャートである。 本発明の変形例に係る故障判定システムの全体構成を示す図である。

以下、本発明の実施形態について、図１～図６を参照することにより説明する。

〔１ 実施形態の構成〕
まず、本実施形態に係る故障判定システム１００の構成について説明する。図１は、本実施形態に係る故障判定システムを示すブロック図である。故障判定システム１００は、図１に示すように、機械学習装置１０及び故障判定装置２０を備えている。

ここで、機械学習装置１０と故障判定装置２０とは１対１の組とされて、通信可能に接続されている。なお、図１では図示しないが、機械学習装置１０と故障判定装置２０とはネットワークを介して、互いに接続されていてもよい。ネットワークは、例えば、ＬＡＮ（Local Area Network）や、インターネット、公衆電話網、あるいは、これらの組み合わせである。ネットワークにおける具体的な通信方式や、有線接続及び無線接続のいずれであるか等については、特に限定されない。あるいは、機械学習装置１０と故障判定装置２０とは、ネットワークを用いた通信ではなく、接続部を介して直接接続してもよい。

機械学習装置１０は、教師あり学習により、故障判定装置２０で用いる学習モデルを構築する。そのため、機械学習装置１０は、図１に示すように、学習部１１を備える。

学習部１１は、航空障害灯の故障を判定するための学習モデルを構築する。なお、この航空障害灯の故障としては、例えば夜間に照度が高すぎたり、あるいは、逆に照度が低すぎたり（そもそも航空障害灯を点灯できないために、照度が０であることを含む）することが挙げられる。

図２は、学習部１１の機能ブロック図である。学習部１１は、図２に示すように、入力データ取得部１１１、ラベル取得部１１２、学習モデル構築部１１３、学習モデル記憶部１１４を備える。

入力データ取得部１１１は、航空障害灯を被写体として含む写真を入力データとして取得する。ここで、航空障害灯を被写体として含む写真は、当該航空障害灯を所定の地点、所定の角度から、所定の時間（例えば、午前０時、午前１時、午前２時・・・午後０時、午後１時、午後２時・・・午後１１時等の定時）に撮像した写真であることが好ましい。更に、航空障害灯を撮像した時点での天気が、晴天、曇天、雨天の各々の場合の写真が含まれることが好ましい。

なお、この入力データとしての写真は、１つの航空障害灯を被写体とする複数の写真であってもよく、各々が互いに異なる航空障害灯を被写体とする複数の写真であってもよい。

ラベル取得部１１２は、上記の写真に被写体として含まれる航空障害灯の故障状態の判定結果をラベルとして取得する。なお、この判定結果は、航空障害灯を設置した事業者による実際の判定結果であって、航空障害灯が正常か異常かの二値で表される判定結果であることが好ましい。

学習モデル構築部１１３は、上記の入力データと、上記のラベルとの組を教師データとして教師あり学習を行うことにより、航空障害灯を被写体として含む写真に含まれる当該航空障害灯の故障状態を判定するための学習モデルを構築し、構築した学習モデルを、故障判定装置２０に送信する。

なお、本実施形態においては、上記の入力データとしての写真が、各々が互いに異なる航空障害灯を被写体とする複数の写真である場合、複数の航空障害灯に対して１つの学習モデルを構築する。

学習モデル構築部１１３は、例として、サポート・ベクター・マシン（Support Vector Machine、以下ＳＶＭともいう）を用いて実現することが可能である。

この場合、学習モデル構築部１１３は、上記のラベルとして、航空障害灯が正常か異常かに係る二値化されたラベルを用いると共に、上記の入力データを含む空間を、上記の特定の故障状態に該当するか否かに関して、マージンが最大となるように分離する超平面を算出する。さらに、学習モデル構築部１１３は、この超平面の係数を、後述の故障判定装置２０が故障状態判定のために用いる学習モデルのパラメータとすることが可能である。

学習モデル記憶部１１４は、学習モデル構築部１１３が構築した学習モデルを記憶する。

機械学習装置１０は、上記の構成を有することにより、航空障害灯の故障を判定するための学習モデルを構築する。

図３は、故障判定装置２０の機能ブロック図である。故障判定装置２０は、制御部２１と、記憶部２２と、表示部２３とを備える。

制御部２１は、故障判定装置２０の全体を制御する部分であり、各種プログラムを、ＲＯＭ、ＲＡＭ、フラッシュメモリ又はハードディスク（ＨＤＤ）等の記憶領域から適宜読み出して実行することにより、本実施形態における各種機能を実現している。制御部２１は、ＣＰＵであってよい。制御部２１は、写真取得部２１１、故障状態判定部２１２を備える。

写真取得部２１１は、機械学習装置１０で機械学習をした際に用いた教師データに含まれる写真とは別個に、航空障害灯を被写体として含む新たな写真を取得する。例えば、作業員が、故障判定装置２０に備わるキーボードやマウス等の入力デバイスを操作することにより、故障判定装置２０に航空障害灯を被写体として含む新たな写真を読み込ませた後、写真取得部２１１は、読み込ませた新たな写真を取得してもよい。

故障状態判定部２１２は、写真取得部２１１によって取得された写真と学習モデルとに基づいて、当該写真において被写体となっている航空障害灯の故障状態を判定する。

記憶部２２は、機械学習装置１０から取得した学習モデルを記憶する。また、記憶部２２は、写真取得部２１１によって取得された航空障害灯を被写体として含む写真を記憶してもよい。

表示部２３は、故障状態判定部２１２による判定結果を表示するモニタである。

故障判定装置２０は、上記の構成を備えることにより、航空障害灯を被写体として含む写真に基づいて、当該航空障害灯の故障を判定することが可能となる。

〔２ 実施形態の動作〕
次に、本実施形態に係る故障判定システム１００の動作について説明する。まず、図４を参照し、機械学習装置１０の動作について説明する。

〔２．１ 機械学習装置１０の動作〕
図４は、学習部１１の動作を示すフローチャートである。
ステップＳ１１において、入力データ取得部１１１が、航空障害灯を被写体として含む写真を入力データとして取得する。

ステップＳ１２において、ラベル取得部１１２が、ステップＳ１１において取得された写真において被写体として含まれる航空障害灯の故障状態の判定結果をラベルとして取得する。

ステップＳ１３において、学習モデル構築部１１３は、入力データとラベルとの組を教師データとする。

ステップＳ１４において、学習モデル構築部１１３は、ステップＳ１３の教師データを用いて教師あり学習を行う。

ステップＳ１５において、機械学習が終了した場合（Ｓ１５：ＹＥＳ）には、処理はステップＳ１６に移行する。機械学習がまだ終了していない場合（Ｓ１５：ＮＯ）には、処理はステップＳ１１に移行する。

ステップＳ１６において、学習モデル構築部１１３は、構築した学習モデルを故障判定装置２０に送信する。その後、全ての処理を終了する。

〔２．２ 故障判定装置２０の動作〕
次に、図５を参照し、故障判定装置２０の動作について説明する。

ステップＳ５１において、写真取得部２１１が、航空障害灯を被写体とする新たな写真を取得する。

ステップＳ５２において、故障状態判定部２１２は、写真取得部２１１によって取得された写真と学習モデルとに基づいて、当該写真に被写体として含まれる航空障害灯の故障状態を判定する。その後、全ての処理を終了する。

〔３ 変形例〕
以上、本発明の実施形態について説明したが、本発明は前述した実施形態に限るものではない。また、本実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本実施形態に記載されたものに限定されるものではない。

〔３．１ 変形例１〕
上記の実施形態において、機械学習装置１０と故障判定装置２０とを別体として示したが、これには限定されない。例えば、機械学習装置１０が故障判定装置２０の筐体に組み込まれることにより、故障判定システム１００が一体化されて実現される態様としてもよい。

〔３．２ 変形例２〕
また、上記の実施形態において、複数の航空障害灯に対して一つの学習モデルを構築するが、これには限定されない。図６は、本変形例に係る故障判定システム１００Ａの構成を示す。図６に示すように、機械学習装置１０Ａが、各々が各航空障害灯に対応する複数の学習部（第１学習部１１Ａ～第ｎ学習部１１Ｎ）を備えることにより、各々が各航空障害灯に対応する複数の学習モデルを構築してもよい。すなわち、機械学習装置１０Ａは、複数の航空障害灯の各々に対して一つずつ学習モデルを構築してもよい。

故障判定システム１００による故障判定方法は、ソフトウェアにより実現される。ソフトウェアによって実現される場合には、このソフトウェアを構成するプログラムが、コンピュータにインストールされる。また、これらのプログラムは、リムーバブルメディアに記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。

１０，１０Ａ 機械学習装置
１１ 学習部
２０ 故障判定装置
２１ 制御部
２２ 記憶部
２３ 表示部
１００，１００Ａ 故障判定システム
１１１ 入力データ取得部
１１２ ラベル取得部
１１３ 学習モデル構築部
１１４ 学習モデル記憶部
２１１ 写真取得部
２１２ 故障状態判定部

Claims (4)

1. 航空障害灯の故障を判定するための学習モデルを構築する機械学習装置であって、
   前記航空障害灯を撮像した写真を入力データとして取得する入力データ取得手段と、
   前記写真において被写体とされる前記航空障害灯の故障状態の判定結果をラベルとして取得するラベル取得手段と、
   前記入力データと前記ラベルとの組を教師データとして教師あり学習を行うことにより、前記航空障害灯を被写体として含む新たな写真における当該航空障害灯の故障状態を判定するための学習モデルを構築する学習モデル構築手段と、
   を備え、
   前記入力データ取得手段は、前記航空障害灯を撮像した時点での天気が晴天、曇天、雨天の各々の場合の写真を入力データとして取得し、
   前記ラベル取得手段は、前記航空障害灯を撮像した時点での天気が晴天、曇天、雨天の各々の場合の写真ごとに、前記航空障害灯の故障状態の判定結果を取得し、
   前記学習モデル構築手段は、前記航空障害灯を撮像した時点での天気が晴天、曇天、雨天の各々の場合の写真と、当該写真に対応した前記航空障害灯の故障状態の判定結果と、の組を教師データとして教師あり学習を行うことにより、前記学習モデルを構築する機械学習装置。
2. 前記学習モデル構築手段は、複数の前記航空障害灯に対して一つの学習モデルを構築する、請求項１に記載の機械学習装置。
3. 前記学習モデル構築手段は、複数の前記航空障害灯の各々に対して一つずつ学習モデルを構築する、請求項１に記載の機械学習装置。
4. 請求項１から請求項３のいずれか１項に記載の機械学習装置で構築した前記学習モデルを用いた故障判定装置であって、
   前記写真と前記学習モデルとに基づいて、前記航空障害灯の故障状態を判定する故障状態判定手段と、
   を備える故障判定装置。

Images