技術開発ニュース　No.168

• 
• カテゴリ： 技術開発ニュース
• 作成日： 2024/03/12 18:00:00
• 要約：

---

• 目次
• 1. 表紙
• 2. ご挨拶・ご案内
• 3. 目　　次
• 4. 研修カレンダー・受講企業さまの声
• 5. 階層別
•      5. 新任管理者研修
•      5. 職場を円滑に！若手リーダー研修（福井）
•      5. 中堅管理者研修
•      6. 職場を円滑に！若手リーダー研修（金沢）
• 6. 組織マネジメント
•      6. 実践的仕事管理術（基本編）
•      6. 部下指導のためのコーチング講座
•      7. DX&人手不足時代に立ち向かう「地力」養成講座
• 7. 人事・組織
•      7. 本気で人財定着・育成・採用に取り組む管理者養成講座
•      8. 人手不足時代の人材「財」戦略
• 8. 財務管理
•      8. 決算書の読み方基礎講座
•      8. 財務分析講座
• 9. 生産管理
•      9. わかる・できる！５S入門講座
•      9. モノづくり企業にマストな「問題解決力」養成講座
• 9. 助成金制度について
• 9. 感染症対策について
• 10. 受講手続き
• 10. オンラインから簡単にお申込み
• 11. 経営後継者研修
• 11. 中小企業のための少人数制オンライン研修
• 12. 裏表紙

---

• 
• ページ： 48
• 研　究　成　果 Results of Research Activities 送変電設備の教師無し学習による異常検出技術 Unsupervised Anomaly Detection for Power Transmission and Substation Equipment 異常データが不要な機械学習 　パターン認識タスクにおいては一般に大量の異常データの収集が難しいため、通常の教 師有り学習を適用できないケースも多い。本研究では送変電設備を対象として、ラベル無 しの正常データのみから識別モデルの学習を行う「教師無し学習」による異常検出につい て検討を行い、提案手法の有効性評価を行った。 1 執筆者 先端技術応用研究所 情報技術グループ 瀬川　修 背景と目的 　将来の設備保守業務の自動化に向けては、コンピュータ ビジョンによる設備状態の把握が重要な要素技術になると 考えられる。一般にパターン認識タスクにおいては、対象 物体のカテゴリラベル付きデータを用意して識別モデルの 教師有り学習を行うことが多い。しかしながら、一般に異 常データを判別するタスクにおいては大量の異常データの 第 1 図　Patch Core の概要 収集が難しい上に、多様な異常状態を網羅的に定義するこ と自体が困難である。 　Patch Core の学習においては、前記 CNN の複数の中間 　 こ の た め、 最 近 で は ラ ベ ル 無 し の 正 常 デ ー タ の み 層の出力を組み合わせた特徴量を用いる。これにより、入 か ら 異 常 検 出 の モ デ ル を 学 習 す る「 教 師 無 し 学 習 」 力した正常画像から局所的な特徴を表すベクトル表現が獲 （Unsupervised-learning）のアプローチが盛んに検討さ れるようになった。本稿では送変電設備を対象とした教師 　推論時には、学習時と同一の CNN を利用し、入力画像 無し学習による異常検出手法の概要と、提案手法の有効性 から局所的なベクトル表現集合を抽出する。そして、各ベ 評価について述べる。 2 問題設定 クトル表現に対しK 近傍法により、メモリバンク内で類似 したベクトル表現が選択され、それらとの距離が算出され る。そして、各ベクトル表現に対する距離を統合すること で、未知画像の異常スコアを得る。また、各ベクトル表現 　本研究で検討した対象問題は下記のとおりである。いず に対する距離をヒートマップとして可視化することより異 れも異常状態の画像が収集しづらいタスクである。 常箇所のセグメンテーション結果を得る。 (1) 変電設備の異常状態の判別 　変圧器等のオイルクーラーの配管継手からの漏油 (2) 送電設備の異常状態の判別 　送電線の落雷による溶痕 3 アルゴリズム検討 　教師無し学習を用いた異常検出には、(1) 入力画像の特 徴量を抽出し「正常状態の特徴分布」からの乖離度を評 価する方法、および (2) 入力画像を何らかの生成モデルで 4 評価 　Patch Core のベクトル表現抽出用の事前学習モデル と し て Wide ResNet50 を 用 い た。 評 価 指 標 に は 異 常 検 出 タ ス ク で 一 般 的 な AUROC（Area Under Receiver Operator Characteristic Curve）を用いた。 （1）変電設備の漏油箇所の検出 　学習データとして、変電所設備のオイルクーラー配管継 再構成し、入出力画像の差分を評価する方法の 2 つのア 手の正常データ 80 枚（336×336 にリサイズ）を用いた。 プローチがある。本稿では (1) のアプローチ一つである 評価データとして、正常データ 10 枚、画像加工により異 Patch Core [1] を用いた。 常（漏油）を付加した模擬データ 10 枚の合計 20 枚を用い 　Patch Core の概要を第 1 図に示す。同手法では、正常 た。漏油の検出例を第 2 図に示す。同図から、異常検出モ 画像の特徴量を抽出し、正常状態の特徴分布を反映したベ デルにより正確に異常箇所が可視化されていることが確認 クトル表現のデータベース（メモリバンク）を構成する。 できる。異常検出の AUROC は 100 となり、少量の正常 この時、大量の画像データベースから事前学習された汎用 データで画角変化に対し頑健な異常検出が可能なことがわ CNN の特徴マップを利用するため、少量の正常データで学 かった。 習した場合でも高い検出精度が期待できる。 47 得され、メモリバンクに保存される。 技術開発ニュース 2024.03／No.168 
• ▲TOP

---

• 前ページへ
• 次ページへ
• 一覧へ