列車前方画像を用いた木まくらぎ劣化度判定システム

１．木まくらぎ劣化度判定システムの概要

　木まくらぎ構造を主体とする線区では、木まくらぎの腐朽によってレールを十分に締結できなくなり、軌間内脱線が発生する可能性があります。このため、曲線を中心に木まくらぎの連続不良本数管理や個別状態管理が行われていますが、膨大な本数のまくらぎの目視検査に多大な労力を要しています。　そこで、市販のビデオカメラで撮影した列車前方画像を射影変換した疑似的な床下画像に、画像処理とディープラーニングによる機械学習を適用して木まくらぎの検出と劣化度判定を自動で行う低コストなシステムを開発しました（図１）。

　本システムでは、市販の4K解像度以上のビデオカメラと吸盤式の固定マウントを用いて列車前方の窓（車内）から軌道を撮影します。その後、取得した列車前方画像にディープラーニングによる木まくらぎ劣化度判定アルゴリズムを適用して、まくらぎ1本毎に劣化度を自動判定します。自動判定の結果は、状態確認用のビューアや表形式の検査台帳において、まくらぎ1本毎に劣化度に応じた色による分類形式で出力されるため、鉄道事業者は木まくらぎの連続不良箇所を視覚的に把握できます。また、本ビューアは画像拡大や測長の機能を備えているため、レール締結装置やバラストの状態確認のほか、まくらぎ間隔等の測定にも活用できます。

図１　列車前方画像を用いた木まくらぎ劣化度判定システム

２．木まくらぎ劣化度判定アルゴリズム

　木まくらぎ劣化度判定アルゴリズムは、①列車前方画像の床下画像化処理、②画像の位置推定、③ディープラーニングによる木まくらぎ劣化度判定で構成されます。

①列車前方画像の床下画像化処理では、台形の2次元画像を長方形に変換する射影変換という画像処理手法を用いて、列車前方画像を床下画像の様に俯瞰した画像（疑似床下画像）に変換します（図２）。

②画像の位置推定では、①で作成した疑似床下画像から、撮影フレーム間の列車の移動量を求め、画像のキロ程を推定します（図３）。

③ディープラーニングによる木まくらぎ劣化度判定では、判定標準（劣化度 A1～D、未判定（まくらぎの表面がバラスト等で覆われている場合は判定しない）、PC（PCまくらぎ））に基づいた劣化度判定モデルを構築し、これを疑似床下画像に適用して木まくらぎの検出と劣化度判定を自動で行います（図４）。

図２　射影変換による疑似床下画像の作成

図３　撮影フレーム間の移動量算出例

図４　木まくらぎ劣化度の判定標準と劣化度判定結果の例

３．木まくらぎ劣化度判定アルゴリズムの判定精度

　列車の車上から撮影した約16,000本の木まくらぎの画像に対して本システムを適用した結果、まくらぎの検出率は99.5%（バラスト等でまくらぎ表面が顕著に覆われている条件を除くと100%）であることを確認しました。

　また、保線技術者が画像から判定した劣化度（4段階）と本システムが判定した劣化度を比較した結果、90%以上の精度で自動判定できることを確認しました（図５）。このとき、不良なまくらぎ（Ａ２、Ｂ）を良好なまくらぎ（Ｃ、Ｄ）と誤判定した割合は7％ですが、軌間内脱線のリスクが高くなる連続不良箇所を見逃す可能性は十分低い（例えば3本不良のまくらぎがある場合、全て良いまくらぎとする確率は0.03%、2本は良いまくらぎ・1本は不良まくらぎとする確率は1.37%）と考えられます。

図５　本アルゴリズムによる木まくらぎの劣化度判定精度