特開 2023-18490 踏切監視装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023018490

(43)【公開日】2023-02-08

(54)【発明の名称】踏切監視装置

(51)【国際特許分類】

   B61L 29/00 20060101AFI20230201BHJP

   H04N 7/18 20060101ALI20230201BHJP

   G06T 7/00 20170101ALI20230201BHJP

【ＦＩ】

B61L29/00 A

H04N7/18 D

G06T7/00 350C

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

(21)【出願番号】P 2021122656

(22)【出願日】2021-07-27

(71)【出願人】

【識別番号】000001292

【氏名又は名称】株式会社京三製作所

(71)【出願人】

【識別番号】000125369

【氏名又は名称】学校法人東海大学

(74)【代理人】

【識別番号】100124682

【弁理士】

【氏名又は名称】黒田 泰

(74)【代理人】

【識別番号】100104710

【弁理士】

【氏名又は名称】竹腰 昇

(74)【代理人】

【識別番号】100090479

【弁理士】

【氏名又は名称】井上 一

(72)【発明者】

【氏名】金子 亮

(72)【発明者】

【氏名】村上 洋一

(72)【発明者】

【氏名】南部 修二

(72)【発明者】

【氏名】戸羽 拓馬

(72)【発明者】

【氏名】小室 翔嗣

(72)【発明者】

【氏名】村松 聡

【テーマコード（参考）】

5C054

5H161

5L096

【Ｆターム（参考）】

5C054CA04

5C054CC02

5C054CE12

5C054EA01

5C054EA05

5C054EA07

5C054FC01

5C054FC12

5C054FC14

5C054FF06

5C054GB01

5C054GB05

5C054HA19

5H161AA01

5H161MM05

5H161MM14

5H161NN10

5L096BA02

5L096DA02

5L096DA03

5L096HA09

5L096HA11

5L096KA04

(57)【要約】

【課題】踏切を監視する装置に必要となる設計や調整に係る条件設定を簡易化することができる新たな技術を提供すること。
【解決手段】踏切監視装置１は、所与の踏切画像を入力する画像入力部１３０と、判別の基準とする踏切画像である基準画像に基づく機械学習処理によって生成された単位画素別分類学習モデルであって、所定数の単位画素毎に、正常時に写る被写体のカテゴリを予め定めた所定のカテゴリ分類の中から特定する単位画素別分類学習モデルを用いて、判定対象の踏切画像である判定対象画像について、単位画素毎に当該単位画素に対して特定されたカテゴリの被写体が写っているか否かを判別する判別処理部１４３と、判別処理部１４３の判別結果に基づいて、踏切画像に写っている踏切道及び／又は遮断かんの異常の発生を検出する異常発生検出部１４５と、を備える。
【選択図】図８

【特許請求の範囲】

【請求項1】

所与の踏切画像を入力する画像入力部と、
判別の基準とする前記踏切画像である基準画像に基づく所定の機械学習処理によって生成された単位画素別分類学習モデルであって、所定数の画素を単位とする単位画素毎に、正常時に写る被写体のカテゴリを予め定めた所定のカテゴリ分類の中から特定する単位画素別分類学習モデルを用いて、判定対象の前記踏切画像である判定対象画像について、前記単位画素毎に当該単位画素に対して特定されたカテゴリの被写体が写っているか否かを判別する判別処理部と、
前記判別処理部の判別結果に基づいて、前記踏切画像に写っている踏切道及び／又は遮断かんの異常の発生を検出する異常発生検出部と、
を備える踏切監視装置。

【請求項2】

前記機械学習処理を実行するタイミングを判定する学習タイミング判定部と、
前記学習タイミング判定部によって判定されたタイミングにおいて前記画像入力部に入力された前記踏切画像を前記基準画像として前記機械学習処理を行うことで、前記単位画素別分類学習モデルを更新して生成する機械学習処理部と、
を更に備える請求項１に記載の踏切監視装置。

【請求項3】

前記踏切画像に基づいて、前記踏切道から列車が進出したことを判定する列車進出判定部、
を更に備え、
前記学習タイミング判定部は、前記列車進出判定部の判定結果に基づいて、前記機械学習処理を実行するタイミングを判定する、
請求項２に記載の踏切監視装置。

【請求項4】

前記機械学習処理部は、前記基準画像を複数の規定領域に分けた領域別に、前記単位画素毎の前記カテゴリの特定を行うことで、前記単位画素別分類学習モデルを生成する、
請求項２又は３に記載の踏切監視装置。

【請求項5】

前記複数の規定領域は、踏切道が写る領域である踏切道領域を少なくとも含む、
請求項４に記載の踏切監視装置。

【請求項6】

前記機械学習処理部は、前記踏切道領域について、前記踏切道を前記カテゴリとして前記踏切道が写っているか否かを前記単位画素毎に特定する前記単位画素別分類学習モデルを生成し、
前記判別処理部は、前記判定対象画像の前記踏切道領域について、前記単位画素毎に前記踏切道が写っているか否かを判別し、
前記異常発生検出部は、前記判定対象画像の前記踏切道領域のうち、前記踏切道が写っていないと判別された部位に基づいて前記踏切道における異常の発生を検出する、
請求項５に記載の踏切監視装置。

【請求項7】

前記複数の規定領域は、遮断状態の際に遮断かんが写る領域である遮断かん領域を少なくとも含む、
請求項４～６の何れか一項に記載の踏切監視装置。

【請求項8】

前記機械学習処理部は、前記遮断かん領域について、前記遮断かんを前記カテゴリとして前記遮断かんが写っているか否かを前記単位画素毎に特定する前記単位画素別分類学習モデルを生成し、
前記判別処理部は、前記判定対象画像の前記遮断かん領域について、前記単位画素毎に前記遮断かんが写っているか否かを判別し、
前記異常発生検出部は、前記判定対象画像の前記遮断かん領域のうち、前記遮断かんが写っていないと判別された部位に基づいて前記遮断かんの異常の発生を検出する、
請求項７に記載の踏切監視装置。

【請求項9】

前記判別処理部による判別を実行するタイミングを判定する判別タイミング判定部、
を更に備え、
前記判別処理部は、前記判別タイミング判定部によって判定されたタイミングにおいて前記画像入力部に入力された前記踏切画像を前記判定対象画像として前記判別を実行する、
請求項１～８の何れか一項に記載の踏切監視装置。

【請求項10】

前記踏切画像に基づいて、前記遮断かんの遮断状態を判定する遮断状態判定部、
を更に備え、
前記判別タイミング判定部は、前記遮断状態判定部の判定結果に基づいて、前記判別処理部による判別を実行するタイミングを判定する、
請求項９に記載の踏切監視装置。

【請求項11】

前記画像入力部に入力された前記踏切画像に基づいて、前記踏切道への列車の進入判定を行う列車進入判定部、
を更に備え、
前記判別タイミング判定部は、前記遮断状態判定部により遮断状態であると判定された後、前記列車進入判定部により列車が進入したと判定されるまでの間、前記判別処理部による判別を実行するタイミングであると判定する、
請求項１０に記載の踏切監視装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、踏切監視装置に関する。

【背景技術】

【0002】

従来から、鉄道の踏切道において踏切の遮断中に人や車等の障害物を検知し、異常を監視する技術が知られている。例えば、特許文献１の技術では、画像センサによる監視と併せてミリ波レーダセンサ等の物体検知センサによる障害物検知を行うことで、検知性能の向上を図っている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１６－１３２３１３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１の技術では、障害物を適切に検知するためのパラメータ（閾値）の調整といった条件設定が複雑になり得た。例えば、条件設定には、画像センサによる撮影画像に対する条件設定と、ミリ波レーダセンサ等の物体検知センサの検知結果に対する条件設定との２つが必要となる上、互いの検知結果を補完し合って適切な障害物検知を実現するための条件設定を行う必要がある。また、ミリ波レーダセンサ等の物体検知センサは、検知可能な距離や角度の問題から、設置位置や設置姿勢、設置個数等を踏切毎に個別に設計する必要がある。そのため、画像センサと、ミリ波レーダセンサ等の物体検知センサとを組み合わせて検知性能の向上を図る場合には、設計や調整に係る条件設定が複雑且つ煩雑となり得た。また、機器が増えることによるコストや、設計・調整に係るコストが増加し得た。

【0005】

本発明が解決しようとする課題は、踏切を監視する装置に必要となる設計や調整に係る条件設定を簡易化することができる新たな技術を提供することである。

【課題を解決するための手段】

【0006】

上記課題を解決するための第１の発明は、所与の踏切画像を入力する画像入力部と、判別の基準とする前記踏切画像である基準画像に基づく所定の機械学習処理によって生成された単位画素別分類学習モデルであって、所定数の画素を単位とする単位画素毎に、正常時に写る被写体のカテゴリを予め定めた所定のカテゴリ分類の中から特定する単位画素別分類学習モデルを用いて、判定対象の前記踏切画像である判定対象画像について、前記単位画素毎に当該単位画素に対して特定されたカテゴリの被写体が写っているか否かを判別する判別処理部と、前記判別処理部の判別結果に基づいて、前記踏切画像に写っている踏切道及び／又は遮断かんの異常の発生を検出する異常発生検出部と、を備える踏切監視装置である。

【0007】

第１の発明によれば、踏切画像の単位画素毎に、正常時に当該単位画素に写るはずの被写体のカテゴリと同じカテゴリの被写体が写っているか否かを、機械学習処理によって生成された単位画素別分類学習モデルを用いて判別することができる。そして、判別結果から踏切道や遮断かんの異常の発生を検出することができる。これによれば、踏切画像に写っているもの１つ１つの境界を判別するステップと、１つ１つのものが何かを認識するステップと、認識結果から異常を判定するステップと、といった各ステップに係る複雑且つ煩雑なパラメータ（閾値）の調整を不要とすることができる。すなわち、踏切を監視する装置に必要となる設計や調整に係る条件設定を簡易化することが可能となる。また、ミリ波レーダセンサ等の物体検知センサを必要としないため、特許文献１の技術に比べてコストを下げることができる。

【0008】

また、第２の発明は、前記機械学習処理を実行するタイミングを判定する学習タイミング判定部と、前記学習タイミング判定部によって判定されたタイミングにおいて前記画像入力部に入力された前記踏切画像を前記基準画像として前記機械学習処理を行うことで、前記単位画素別分類学習モデルを更新して生成する機械学習処理部と、を更に備える第１の発明の踏切監視装置である。

【0009】

第２の発明によれば、所定のタイミングで撮影された踏切画像を基準画像として用いて機械学習処理を行い、単位画素別分類学習モデルを生成することができる。したがって、単位画素別分類学習モデルの生成に必要となる基準画像を自動的に取得することができる。

【0010】

また、第３の発明は、前記踏切画像に基づいて、前記踏切道から列車が進出したことを判定する列車進出判定部、を更に備え、前記学習タイミング判定部は、前記列車進出判定部の判定結果に基づいて、前記機械学習処理を実行するタイミングを判定する、第２の発明の踏切監視装置である。

【0011】

第３の発明によれば、例えば、踏切画像から列車が進出した後のタイミングで撮影された踏切画像を基準画像として、機械学習処理を行うことが可能となる。

【0012】

また、第４の発明は、前記機械学習処理部が、前記基準画像を複数の規定領域に分けた領域別に、前記単位画素毎の前記カテゴリの特定を行うことで、前記単位画素別分類学習モデルを生成する、第２又は第３の発明の踏切監視装置である。

【0013】

第４の発明によれば、基準画像を複数の規定領域に分けた領域別に、正常時に写る被写体のカテゴリを当該規定領域の単位画素毎に特定する単位画素別分類学習モデルを生成することができる。

【0014】

また、第５の発明は、前記複数の規定領域は、踏切道が写る領域である踏切道領域を少なくとも含む、第４の発明の踏切監視装置である。

【0015】

第５の発明によれば、踏切道が写る踏切道領域を含む規定領域別に、正常時に写る被写体のカテゴリを当該規定領域の単位画素毎に特定する単位画素別分類学習モデルを生成することができる。

【0016】

また、第６の発明は、前記機械学習処理部が、前記踏切道領域について、前記踏切道を前記カテゴリとして前記踏切道が写っているか否かを前記単位画素毎に特定する前記単位画素別分類学習モデルを生成し、前記判別処理部が、前記判定対象画像の前記踏切道領域について、前記単位画素毎に前記踏切道が写っているか否かを判別し、前記異常発生検出部が、前記判定対象画像の前記踏切道領域のうち、前記踏切道が写っていないと判別された部位に基づいて前記踏切道における異常の発生を検出する、第５の発明の踏切監視装置である。

【0017】

第６の発明によれば、撮影された踏切画像のうち、踏切道が写る領域である踏切道領域を対象に、踏切道が写っているか否かをその単位画素毎に判別することができる。そして、踏切道が写っていない部位に基づいて、踏切道の異常の発生を検出することが可能となる。これによれば、例えば、正常時に写るはずの踏切道が写っていない部位について、それを障害物と捉えて異常を検出することが可能となる。したがって、障害物自体について機械学習処理を行うことなく、踏切道における異常の発生を検出することができる。

【0018】

また、第７の発明は、前記複数の規定領域は、遮断状態の際に遮断かんが写る領域である遮断かん領域を少なくとも含む、第４～第６の何れかの発明の踏切監視装置である。

【0019】

第７の発明によれば、遮断かんが写る踏切道領域を含む規定領域別に、正常時に写る被写体のカテゴリを当該規定領域の単位画素毎に特定する単位画素別分類学習モデルを生成することができる。

【0020】

また、第８の発明は、前記機械学習処理部が、前記遮断かん領域について、前記遮断かんを前記カテゴリとして前記遮断かんが写っているか否かを前記単位画素毎に特定する前記単位画素別分類学習モデルを生成し、前記判別処理部は、前記判定対象画像の前記遮断かん領域について、前記単位画素毎に前記遮断かんが写っているか否かを判別し、前記異常発生検出部は、前記判定対象画像の前記遮断かん領域のうち、前記遮断かんが写っていないと判別された部位に基づいて前記遮断かんの異常の発生を検出する、第７の発明の踏切監視装置である。

【0021】

第８の発明によれば、撮影された踏切画像のうち、遮断かんが写る領域である遮断かん領域を対象に、遮断かんが写っているか否かをその単位画素毎に判別することができる。そして、遮断かんが写っていない部位に基づいて、遮断かんの異常の発生を検出することが可能となる。これによれば、例えば、正常時に写るはずの遮断かんが写っていない部位について、それを障害物と捉えて異常を検出することが可能となる。したがって、障害物自体について機械学習処理を行うことなく、遮断かんの異常の発生を検出することができる。

【0022】

また、第９の発明は、前記判別処理部による判別を実行するタイミングを判定する判別タイミング判定部、を更に備え、前記判別処理部は、前記判別タイミング判定部によって判定されたタイミングにおいて前記画像入力部に入力された前記踏切画像を前記判定対象画像として前記判別を実行する、第１～第８の何れかの発明の踏切監視装置である。

【0023】

第９の発明によれば、所定のタイミングで撮影された踏切画像を判定対象画像として用いて、正常時に当該単位画素に写る被写体のカテゴリと同じカテゴリの被写体が写っているか否かを単位画素毎に判別することができる。

【0024】

また、第１０の発明は、前記踏切画像に基づいて、前記遮断かんの遮断状態を判定する遮断状態判定部、を更に備え、前記判別タイミング判定部は、前記遮断状態判定部の判定結果に基づいて、前記判別処理部による判別を実行するタイミングを判定する、第９の発明の踏切監視装置である。

【0025】

第１０の発明によれば、例えば、遮断かんが遮断状態となった後のタイミングで撮影された踏切画像を判定対象画像として、正常時に当該単位画素に写る被写体のカテゴリと同じカテゴリの被写体が写っているか否かを単位画素毎に判別することが可能となる。

【0026】

また、第１１の発明は、前記画像入力部に入力された前記踏切画像に基づいて、前記踏切道への列車の進入判定を行う列車進入判定部、を更に備え、前記判別タイミング判定部は、前記遮断状態判定部により遮断状態であると判定された後、前記列車進入判定部により列車が進入したと判定されるまでの間、前記判別処理部による判別を実行するタイミングであると判定する、第１０の発明の踏切監視装置である。

【0027】

第１１の発明によれば、遮断かんが遮断状態となってから踏切道へ列車が進入するまでの間のタイミングで撮影された踏切画像を、判定対象画像とすることが可能となる。

【図面の簡単な説明】

【0028】

【図1】カメラの撮影範囲の設定例を示す図。

【図2】判別処理の一例を示す図。

【図3】判別処理の他の例を示す図。

【図4】判別処理の他の例を示す図。

【図5】判別処理の他の例を示す図。

【図6】列車の進出判定を説明するための模式図。

【図7】列車の進入判定を説明するための模式図。

【図8】踏切監視装置の機能構成例を示すブロック図。

【図9】踏切監視装置が行う処理の流れを示すフローチャート。

【発明を実施するための形態】

【0029】

以下、図面を参照して、本発明の好適な実施形態について説明する。なお、以下説明する実施形態によって本発明が限定されるものではなく、本発明を適用可能な形態が以下の実施形態に限定されるものでもない。また、図面の記載において、同一部分には同一の符号を付す。

【0030】

本実施形態の踏切監視装置１（図８を参照）は、所与の踏切画像として遮断かん及び踏切道を撮影範囲に含むカメラ３で撮影された踏切画像を用い、当該踏切画像に写っている踏切道及び遮断かんの異常の発生を検知する。踏切画像は、監視対象の踏切を斜め上方から俯瞰する位置に設置されたカメラ３（図８を参照）で撮影され、踏切監視装置１に入力される。カメラ３は、監視対象の踏切の踏切道と、当該踏切に設置された踏切遮断機の遮断かんと、が撮影範囲に含まれるように設置される。

【0031】

図１は、カメラ３の撮影範囲の設定例を示す図である。図１では、上り線と下り線が並走し、列車の走行方向が予め決まっている踏切道５を例示している。例えば、カメラ３は、図１に示すように、踏切道５と、遮断状態の際の下降した遮断かん７と、カメラ３から見て踏切道５の前方（奥方）及び後方（手前方）の軌道部分９ａ，９ｂと、を含む監視エリア１０が撮影されるようにその撮影範囲が設定される。したがって、このカメラ３で撮影された踏切画像は、踏切道５のエリア１１が写る踏切道領域と、遮断かん７のエリア１３が写る遮断かん領域と、軌道部分９ａ，９ｂのエリア１５ａ，１５ｂが写る列車進入出判定領域と、に分けることができる。列車進入出判定領域には、列車の通過時において、踏切道５へ進入する直前の列車や、踏切道５から進出した直後の列車が写る。本実施形態では、踏切道領域の画像に基づいて踏切道５に発生した異常を検出し、遮断かん領域の画像に基づいて遮断かん７に発生した異常を検出する。また、列車進入出判定領域の画像に基づいて、踏切道５への列車の進入判定と、踏切道５からの列車の進出判定とを行う。

【0032】

踏切監視装置１は、踏切道５及び遮断かん７の異常の発生を検知するため、例えば、１画素を単位画素とし、カメラ３から入力される判定対象の踏切画像である判定対象画像の単位画素毎に被写体のカテゴリを分類して、正常時の被写体が写っているのかを判別する判別処理を行う。またそのために、踏切監視装置１は、カメラ３から入力される踏切画像であって、判別処理での判別の基礎とする踏切画像である基準画像に基づいて、機械学習処理を行う。単位画素は、所定数の画素を単位としたものであり、本実施形態では１画素であることとして説明するが、縦２画素×横２画素の４画素を単位画素としてもよいし、縦３画素×横３画素の９画素を単位画素としてもよい。

【0033】

本実施形態では、正常時に写る被写体のカテゴリ分類として「踏切道」及び「遮断かん」の２種類のカテゴリを定めておく。そして、踏切道領域及び遮断かん領域の２つの規定領域別に機械学習処理を行うことで、単位画素毎にその被写体のカテゴリを特定する単位画素別分類学習モデル（以下単に「分類学習モデル」ともいう）を生成する。すなわち、（１）基準画像の踏切道領域について踏切道５が写っているか否かをその単位画素毎に特定する分類学習モデル（以下「踏切道分類学習モデル」ともいう）と、（２）基準画像の遮断かん領域について遮断かん７が写っているか否かをその単位画素毎に特定する分類学習モデル（以下「遮断かん分類学習モデル」ともいう）と、の２つの分類学習モデルを生成する。一方、判別処理では、踏切道領域については、踏切道分類学習モデルを用いてカテゴリ分類を行い、単位画素毎に踏切道５が写っているか否かを判別する。また、遮断かん領域については、遮断かん分類学習モデルを用いてカテゴリ分類を行い、単位画素毎に遮断かん７が写っているか否かを判別する。

【0034】

具体的には、踏切監視装置１は、画像セグメンテーション（セマンティック・セグメンテーションとも呼ばれる。）を実施することで、機械学習処理及び判別処理を実現する。セマンティック・セグメンテーションでは、単位画素毎にカテゴリを関連付ける深層学習によって、ニューラルネットワークの分類学習モデルを構築する。分類学習モデルは、画像を入力すると、入力された画像の単位画素毎にカテゴリの分類情報（その被写体のカテゴリを示すラベル）を付与したラベル画像を出力する。

【0035】

機械学習処理にあたっては、入力データである画像と、出力データである正解のラベル画像と、のデータセットを教師データとして用いる。本実施形態では、踏切道領域及び遮断かん領域の規定領域別に分類学習モデルを生成するので、基準画像の踏切道領域の画像と、当該踏切道領域の各単位画素に「踏切道」のラベルを付したラベル画像と、のデータセットを教師データとして用い、踏切道分類学習モデルを生成する。同様に、基準画像の遮断かん領域の画像と、当該遮断かん領域の各単位画素に「遮断かん」のラベルを付したラベル画像と、のデータセットを教師データとして用い、遮断かん分類学習モデルを生成する。

【0036】

図２～図５は、踏切道分類学習モデル及び遮断かん分類学習モデルを用いた具体的な判別処理の例を示す図である。先ず、図２は、踏切道５に異常が無い時の踏切道領域の画像２１を判定対象画像として判別処理をした例を示している。異常が無い時の踏切道領域の画像２１を、踏切道分類学習モデルを用いて判別処理した場合、踏切道領域の各単位画素に「踏切道」のラベルが付されたラベル画像２３が出力データとして得られる。図２中、ハッチングを付した各単位画素が「踏切道」のラベルが付された単位画素を示している。すなわち、図２の例では、得られたラベル画像２３において踏切道領域全体にハッチングが施されていることから、当該判別処理によって、踏切道領域の各単位画素にカテゴリ「踏切道」の被写体が写っていると判別されている。

【0037】

これに対し、図３は、例えば人や車等の障害物が踏切道５に存在する等、踏切道５において何らかの異常が有る時の踏切道領域の画像３１を判定対象画像とした場合の判別処理の例を示している。異常が有る時の踏切道領域の画像３１を、踏切道分類学習モデルを用いて判別処理した場合、踏切道領域の単位画素には、「踏切道」のラベルが付されている単位画素と、「踏切道」のラベルが付されていない単位画素とを含むラベル画像３３が出力データとして得られる。すなわち、踏切道領域においてカテゴリ「踏切道」の被写体が写っていないと判別された部位を含む判別結果が得られる。図３において、カテゴリ「踏切道」の被写体が写っていないと判別された単位画素にはハッチングが施されていない。図３においてラベル画像３３中に破線で囲って示す部位３３１が、カテゴリ「踏切道」の被写体が写っていないと判別された部位である。

【0038】

以上のようにカテゴリ「踏切道」の被写体が写っていないと判別された部位がある場合には、踏切監視装置１は、当該部位３３１に基づいて踏切道５の異常の発生を検出する。例えば、当該部位３３１の大きさや形状、位置、フレーム間（連続して撮影された判定対象画像それぞれの間）での位置の変化、等からそれが障害物か否かを判定し、障害物と判定した場合に踏切道に異常が発生していることを検出する。

【0039】

判別処理では、踏切道５が写っているか否かの判別を踏切道領域の単位画素毎に行うため、例えば踏切道５で倒れている人等も精度良く検出することができる。加えて、踏切道領域におけるラベル付けは、１つのカテゴリ「踏切道」のみである。したがって、単位画素毎の判定は、カテゴリ「踏切道」の被写体が写っているか否かであるため、判別処理を短時間に実現することができる。

【0040】

また、判別処理は、後述するように、遮断かん７が遮断状態となってから踏切道５へと列車が進入するまでの間、所定のフレーム時間間隔（以下単に「フレーム」ともいう）で繰り返し行う。そのため、検出された障害物が動く物体であるかどうかも判定できる。

【0041】

次に、図４は、遮断かん７に異常が無い時の遮断かん領域の画像４１を判定対象画像として判別処理をした例を示している。異常が無い時の遮断かん領域の画像４１を、遮断かん分類学習モデルを用いて判別処理した場合、遮断かん領域の各単位画素に「遮断かん」のラベルが付されたラベル画像４３が出力データとして得られる。すなわち、図４の例では、得られたラベル画像４３において遮断かん領域全体にハッチングが施されていることから、当該判別処理によって、遮断かん領域の各単位画素にカテゴリ「遮断かん」の被写体が写っていると判別されている。

【0042】

これに対し、図５は、遮断かん７が折損している等、遮断かん７に何らかの異常が有る時の遮断かん領域の画像５１を判定対象画像とした場合の判別処理の例を示している。異常が有る時の遮断かん領域の画像５１を、遮断かん分類学習モデルを用いて判別処理した場合、遮断かん領域の単位画素には、「遮断かん」のラベルが付されている単位画素と、「遮断かん」のラベルが付されていない単位画素とを含むラベル画像５３が出力データとして得られる。すなわち、遮断かん領域においてカテゴリ「遮断かん」の被写体が写っていないと判別された部位を含む判別結果が得られる。図５において、カテゴリ「遮断かん」の被写体が写っていないと判別された単位画素にはハッチングが施されていない。図５においてラベル画像５３中に破線で囲って示す部位５３１が、カテゴリ「遮断かん」の被写体が写っていないと判別された部位である。

【0043】

以上のようにカテゴリ「遮断かん」の被写体が写っていないと判別された部位がある場合には、踏切監視装置１は、当該部位５３１に基づいて遮断かん７の異常の発生を検出する。当該部位５３１の大きさや形状、位置、フレーム間（連続して撮影された判定対象画像それぞれの間）での位置の変化、等からそれが折損によるものと判定した場合に遮断かんに異常が発生していることを検出する。

【0044】

次に、機械学習処理及び判別処理のタイミングについて説明する。踏切監視装置１は、機械学習処理を行うタイミングを学習タイミングとして判定する。そして、学習タイミングにおける踏切画像を基準画像として機械学習処理を行い、踏切道分類学習モデル及び遮断かん分類学習モデルを随時更新して生成する。本実施形態では、踏切道５から列車が進出した後、所定の学習時間が経過するまでの間を学習タイミングと判定する。学習時間の長さは、列車の通過後、遮断かん７が上昇し始めるまでの時間や、遮断かん７が上昇して開放状態となるまでの時間等に基づいて予め設定しておく。列車が通過した後は、遮断かん７が上昇して開放状態となる前であれば踏切道５に人や車等の障害物は存在していないと考えられ、正常時の踏切画像を取得可能だからである。これによれば、踏切道分類学習モデル及び遮断かん分類学習モデルの生成・更新に必要となる正常時の踏切画像を自動的に取得することが可能となる。

【0045】

踏切道５からの列車の進出判定は、例えば、画像処理による物体検知技術を用いて行う。図６は、列車の進出判定を説明するための模式図である。先ず、フレーム毎に入力される踏切画像から軌道部分９ａ，９ｂのエリア１５ａ，１５ｂが写る列車進入出判定領域を切り取る。踏切画像の撮影範囲は固定であるため、エリア１５ａ，１５ｂが写る列車進入出判定領域も固定的に決まっており、上り方向／下り方向も固定的に決まっている。また、列車の大きさや、画像中のどの部分を通過するかも固定的に決まっている。

【0046】

そして、進出方向が上り方向となるエリア１５ａの列車進入出判定領域の画像部分を対象に、進出方向である矢印Ａ６１の方向に移動する物体７１を検知する。そして、その大きさや形状、位置、移動の速度等をもとにそれが列車なのかを判定し、列車と判定した場合は、次のフレームの踏切画像中のエリア１５ａの画像部分に、当該列車が存在しないことを判定することで、踏切道５から上り線の列車が進出したと判定する。また、進出方向が下り方向となるエリア１５ｂの列車進入出判定領域の画像部分を対象に、進出方向である矢印Ａ６３の方向に移動する物体７３を同様に検知する。検知した物体７３を列車と判定した場合は、次のフレームの踏切画像中のエリア１５ｂの画像部分に当該列車が存在しないことを判定することで、踏切道５から下り線の列車が進出したと判定する。

【0047】

進出判定の結果、上り／下りの双方ともに踏切道５から列車が進出した状態にあると判定した場合に、その後学習時間が経過するまでの間、フレーム毎に入力される踏切画像を基準画像として用いて、機械学習処理を行う。

【0048】

また、踏切監視装置１は、判別処理を行うタイミングを判別タイミングとして判定する。そして、踏切監視装置１は、判別タイミングにおける踏切画像を判定対象画像として判別処理を行い、踏切道５及び遮断かん７の異常の発生を検出する。本実施形態では、遮断かん７が遮断状態となった後、踏切道５へ列車が進入する直前までの間を判別タイミングとする。したがって、列車が進入する前の踏切道５における障害物を監視できる。

【0049】

踏切道５への列車の進入判定は、進出判定と同様、画像処理による物体検知技術を用いて行う。図７は、列車の進入判定を説明するための模式図である。先ず、フレーム毎に入力される踏切画像から軌道部分９ａ，９ｂのエリア１５ａ，１５ｂが写る列車進入出判定領域を切り取る。そして、進入方向が下り方向となるエリア１５ａの列車進入出判定領域の画像部分を対象に、進入方向である矢印Ａ６５の方向に移動する物体７５を検知する。検知した物体７５を列車と判定した場合は、踏切道５へ下り線の列車が進入したと判定する。また、進入方向が上り方向となるエリア１５ｂの列車進入出判定領域の画像部分を対象に、進入方向である矢印Ａ６７の方向に移動する物体７７を検知する。検知した物体７７を列車と判定した場合には、踏切道５へ上り線の列車が進入したと判定する。

【0050】

遮断かん７が遮断状態となった後の進入判定の結果において、上り／下りの双方ともに踏切道５への列車が進入する前の状態（進入していない状態）にあると判定した場合に、その後学習時間が経過するまでの間、フレーム毎に入力される踏切画像を判定対象画像として判別処理を行い、踏切道５及び遮断かん７の異常の発生を検出する。

【0051】

［機能構成］
図８は、踏切監視装置１の機能構成例を示すブロック図である。図８に示すように、踏切監視装置１は、操作部１１０と、表示部１２０と、画像入力部１３０と、演算処理部１４０と、記憶部１５０と、通信部１９０とを備え、一種のコンピュータとして構成することができる。

【0052】

操作部１１０は、プッシュスイッチやダイヤル等を有して構成され、表示部１２０は、ＬＥＤや小型の液晶表示装置等を有して構成される。操作部１１０及び表示部１２０は、主に作業員によってメンテナンス時に利用されるものである。

【0053】

画像入力部１３０は、カメラ３と接続され、フレーム毎に図１を参照して説明した撮影範囲の踏切画像を入力する。入力した踏切画像は、踏切画像データ１５３として撮影日時と関連付けて記憶部１５０に格納される。

【0054】

演算処理部１４０は、例えばＣＰＵ（Central Processing Unit）やＤＳＰ（Digital Signal Processor）等のプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等の電子部品によって実現され、装置各部との間でデータの入出力制御を行う。そして、所定のプログラムやデータ、画像入力部１３０に入力された踏切画像等に基づいて各種の演算処理を行い、踏切監視装置１の動作を制御する。この演算処理部１４０は、領域切り取り部１４１と、機械学習処理部１４２と、判別処理部１４３と、遮断状態判定部１４４と、異常発生検出部１４５と、列車進入出判定部１４６と、学習タイミング判定部１４７と、判別タイミング判定部１４８と、を含む。これらの機能部は、プログラムを実行することによりソフトウェアとして実現される処理ブロックであってもよいし、ＡＳＩＣやＦＰＧＡ等のハードウェア回路によって実現される回路ブロックであってもよい。本実施形態では、演算処理部１４０が踏切監視プログラム１５１を実行することによりソフトウェアとして実現される処理ブロックとして説明する。

【0055】

領域切り取り部１４１は、画像入力部１３０に入力された踏切画像から、踏切道領域及び遮断かん領域の２つの規定領域と、列車進入出判定領域と、を切り取る。

【0056】

機械学習処理部１４２は、機械学習処理を行う機能部であり、学習タイミング判定部１４７によって判定された学習タイミングにおいて画像入力部１３０に入力された踏切画像を基準画像として機械学習処理を行い、随時分類学習モデル（単位画素別分類学習モデル）を更新して生成する。本実施形態では、領域切り取り部１４１によって基準画像から切り取られた踏切道領域の画像について機械学習処理を行い、踏切道分類学習モデルを生成して踏切道分類学習モデルデータ１５７を更新する。また、領域切り取り部１４１によって基準画像から切り取られた遮断かん領域の画像について機械学習処理を行い、遮断かん分類学習モデルを生成して遮断かん分類学習モデルデータ１５９を更新する。

【0057】

判別処理部１４３は、判別処理を行う機能部であり、判別タイミング判定部１４８によって判定された判別タイミングにおいて画像入力部１３０に入力された踏切画像を判定対象画像とし、機械学習処理部１４２によって生成された分類学習モデルを用いて単位画素毎にカテゴリ分類を行う。そして、カテゴリ分類結果によって、単位画素毎に正常時のカテゴリの被写体が写っているか否かを判別する。本実施形態では、領域切り取り部１４１によって判定対象画像から切り取られた踏切道領域を対象に踏切道分類学習モデルを用いてカテゴリ分類を行い、単位画素毎に踏切道５が写っているか否かを判別する。また、領域切り取り部１４１によって判定対象画像から切り取られた遮断かん領域を対象に遮断かん分類学習モデルを用いてカテゴリ分類を行い、単位画素毎に遮断かん７が写っているか否かを判別する。

【0058】

遮断状態判定部１４４は、領域切り取り部１４１によって踏切画像から切り取られた遮断かん領域について遮断かん分類学習モデルを用いてカテゴリ分類を行い、単位画素毎に遮断かん７が写っているか否かを判別することで遮断かん７の遮断状態を判定する。例えば、カテゴリ分類結果として得られたラベル画像において遮断かん領域の全ての単位画素に「遮断かん」のラベルが付されていることにより、全ての単位画素にカテゴリ「遮断かん」の被写体が写っていると判別された場合は、遮断かん７を遮断状態と判定する。遮断かん領域の全ての単位画素に「遮断かん」のラベルが付されていないことにより、全ての単位画素にカテゴリ「遮断かん」の被写体が写っていないと判別された場合は、遮断かん７が開放状態と判定する。

【0059】

なお、遮断状態判定部１４４は、通信部１９０を介して踏切遮断機の駆動を制御する踏切制御装置と通信を行い、遮断状態であるか開放状態であるかを随時取得・判定することとしてもよい。

【0060】

異常発生検出部１４５は、判別処理部１４３の判別結果に基づいて、踏切道５及び／又は遮断かん７の異常の発生を検出する。本実施形態では、判別処理部１４３による判別処理の結果、踏切道領域において踏切道５が写っていないと判別された部位がある場合に、当該部位に基づいて踏切道５の異常の発生を検出する。例えば、当該部位を構成する単位画素の数（当該部位の大きさ）、当該部位の形状、位置、フレーム間（連続して撮影された判定対象画像それぞれの間）での当該部位の位置の変化、等に基づいて定められた所定の踏切道異常判定条件を満たす場合に、踏切道５の異常の発生を検出する。

【0061】

また、異常発生検出部１４５は、遮断かん領域において遮断かん７が写っていないと判別された部位がある場合に、当該部位に基づいて遮断かん７の異常の発生を検出する。例えば、当該部位を構成する単位画素の数（当該部位の大きさ）、当該部位の形状、位置、フレーム間（連続して撮影された判定対象画像それぞれの間）での当該部位の位置の変化、等に基づいて定められた所定の遮断かん異常判定条件を満たす場合に、遮断かん７の異常の発生を検出する。

【0062】

そして、異常発生検出部１４５は、それら異常の発生を検出した場合に、通信部１９０を介してその旨を外部出力する制御を行う。外部出力の内容は特に限定されないが、例えば監視対象の踏切に向かって運行中の列車の車上装置に異常の発生を通知する警報信号を出力して運転士に報知する他、駅装置や中央装置に異常の発生を通知したり、踏切道５の周囲に警報音を出力する、等が挙げられる。

【0063】

列車進入出判定部１４６は、領域切り取り部１４１によって踏切画像から切り取られた列車進入出判定領域の画像を画像処理することで、踏切道５への列車の進入判定を行う列車進入判定部の機能と、踏切道５からの列車の進出判定を行う列車進出判定部の機能と、を実現する。

【0064】

学習タイミング判定部１４７は、列車進入出判定部１４６による列車の進出判定結果に基づいて、機械学習処理を実行する学習タイミングを判定する。

【0065】

判別タイミング判定部１４８は、遮断状態判定部１４４による遮断かん７の遮断状態の判定結果に基づいて、判別処理部１４３による判別を実行する判別タイミングを判定する。本実施形態では、列車進入出判定部１４６による列車の進入判定結果を併せて用いて、判別タイミングを判定する。

【0066】

記憶部１５０は、ＩＣメモリやハードディスク、光学ディスク等の記憶媒体により実現される。この記憶部１５０には、踏切監視装置１を動作させ、踏切監視装置１が備える種々の機能を実現するためのプログラムや、当該プログラムの実行中に使用されるデータ等が予め記憶され、或いは処理の都度一時的に記憶される。例えば、記憶部１５０には、踏切監視プログラム１５１と、踏切画像データ１５３と、分類学習モデルデータ１５５とが格納される。分類学習モデルデータ１５５は、踏切道分類学習モデルデータ１５７と、遮断かん分類学習モデルデータ１５９とを含む。

【0067】

踏切監視プログラム１５１は、演算処理部１４０を領域切り取り部１４１、機械学習処理部１４２、判別処理部１４３、遮断状態判定部１４４、異常発生検出部１４５、列車進入出判定部１４６、学習タイミング判定部１４７、及び判別タイミング判定部１４８として機能させるためのプログラムである。

【0068】

通信部１９０は、有線通信又は無線通信によって外部装置と通信を行う装置である。例えば、異常発生検出部１４５により異常の発生が検出された場合に警報信号を列車の車上装置や駅装置に送信したり、踏切道５の周囲に警報音を出力する所定の警報発出装置に警報発動要請信号を送信する。また、踏切遮断機の駆動を制御する踏切制御装置から遮断かん７の状態を取得する場合には、当該踏切制御装置とのやり取りを担う。

【0069】

［処理の流れ］
図９は、踏切監視装置１が行う処理の流れを示すフローチャートである。ここで説明する処理は、踏切監視装置１において、演算処理部１４０が記憶部１５０から踏切監視プログラム１５１を読み出して実行することで実現できる。

【0070】

図９に示すように、先ず、遮断状態判定部１４４が、フレーム毎に踏切画像の遮断かん領域の画像部分に基づいて遮断かん７の遮断状態を判定する。そして、遮断かん７が遮断状態の場合は（ステップＳ１：ＹＥＳ）、続いて列車進入出判定部１４６が、列車の進入判定を開始する。例えば、フレーム毎に踏切画像の列車進入出判定領域を画像処理し、進入判定を繰り返す。そして、踏切道５へ列車が進入したことを判定するまでの間は（ステップＳ２：ＮＯ）、判別タイミング判定部１４８が判別タイミングであると判定し（ステップＳ３）、判別処理部１４３がそのときの踏切画像を判定対象画像として判別処理を行って、正常時のカテゴリの被写体が写っているか否かを単位画素毎に判別する（ステップＳ５）。踏切道領域については踏切道分類学習モデルを用いたカテゴリ分類を行い、遮断かん領域については遮断かん分類学習モデルを用いたカテゴリ分類を行うことで判別処理を実行する。

【0071】

続いて、異常発生検出部１４５が、ステップＳ５での判別処理の結果、踏切道領域に踏切道５が写っていないと判別された部位があるときは、当該部位に基づいて踏切道５の異常の発生を検出する。異常の発生を検出した場合は（ステップＳ７：ＹＥＳ）、異常発生検出部１４５は、当該踏切道５の異常の発生の旨を外部出力する（ステップＳ９）。

【0072】

また、異常発生検出部１４５は、ステップＳ５での判別処理の結果、遮断かん領域に遮断かん７が写っていないと判別された部位があるときは、当該部位に基づいて遮断かん７の異常の発生を検出する。異常の発生を検出した場合は（ステップＳ１１：ＹＥＳ）、異常発生検出部１４５は、当該遮断かん７の異常の発生の旨を通信部１９０を介して外部出力する（ステップＳ１３）。

【0073】

一方、列車進入出判定部１４６が踏切道５へ列車が進入したことを判定した場合は（ステップＳ２：ＹＥＳ）、列車の進出判定を開始する。例えば、フレーム毎に踏切画像の列車進入出判定領域を画像処理し、進出判定を繰り返す。そして、踏切道５から列車が進出したことを判定した場合は（ステップＳ１７：ＹＥＳ）、学習タイミング判定部１４７が学習タイミングであると判定し（ステップＳ１９）機械学習処理部１４２がそのときの踏切画像を基準画像として機械学習処理を行い、踏切道分類学習モデル及び遮断かん分類学習モデルを生成・更新する（ステップＳ２１）。

【0074】

その後は、ステップＳ１７での進出判定の時点から所定の学習時間が経過するまでの間は（ステップＳ２３：ＮＯ）、ステップＳ１９に戻って学習タイミングと判定することで、ステップＳ２１の機械学習処理を繰り返す。そして、学習時間が経過した後は（ステップＳ２３：ＹＥＳ）、遮断状態判定部１４４が、フレーム毎に踏切画像の遮断かん領域の画像部分に基づいて遮断かん７の開放状態を判定する。遮断かん７が開放状態の場合は（ステップＳ２５：ＹＥＳ）、ステップＳ１に戻って遮断かん７の遮断状態を待機し、上記した処理を繰り返す。

【0075】

以上説明したように、本実施形態によれば、従来の踏切監視装置のような、踏切毎に踏切監視に必要となる設計や調整に係る条件設定を簡易化することが可能となる。具体的には、踏切道領域に踏切道５が写っていない部位があるときは、踏切道５に障害物が存在する等の踏切道５の異常の発生を検出し、遮断かん領域に遮断かん７が写っていない部位があるときは、遮断かん７が折損した等の遮断かん７の異常の発生を検出することができる。したがって、踏切道５における障害物の監視と併せて、遮断かんの折損等の監視が可能となる。また、ミリ波レーダセンサ等の物体検知センサを必要とせず、カメラ３で撮影された撮影画像を用いて監視を行うことができるため、物体検知センサを必要とする踏切監視装置に比べて、コストを下げることができる。

【0076】

なお、本発明を適用可能な形態は上記した実施形態に限定されるものではなく、適宜構成要素の追加・省略・変更を施すことができる。

【0077】

［変形例１］
例えば、上記実施形態では、踏切道領域及び遮断かん領域の規定領域別に分類学習モデル（単位画素別分類学習モデル）を生成・更新し、規定領域別の分類学習モデルを用いて判別処理を行うこととした。すなわち、踏切道領域の分類学習モデルは１つのカテゴリ「踏切道」のみをラベル付けし、遮断かん領域の分類学習モデルは１つのカテゴリ「遮断かん」のみをラベル付けすることとして例示した。これに対し、踏切道領域及び遮断かん領域の規定領域別に分けずに、撮影画像全体に対して、カテゴリ「踏切道」と、カテゴリ「遮断かん」とをラベル付け可能な１つの分類学習モデルを生成・更新する構成としてもよい。その場合の判別処理では、判定対象画像から踏切道領域及び遮断かん領域を切り取ることなく、判定対象画像全体に対して、当該分類学習モデルを用いて単位画素毎にカテゴリ分類を行う。そして、判定対象画像のうちの踏切道領域の単位画素毎に踏切道５が写っているか否かを判別するとともに、判定対象画像のうちの遮断かん領域の単位画素毎に遮断かん７が写っているか否かを判別すればよい。

【0078】

［変形例２］
また、機械学習処理や判別処理のために踏切画像（基準画像及び判定対象画像）から踏切道領域と遮断かん領域の各規定領域を切り取る機能は、機械学習処理部１４２や判別処理部１４３がそれぞれ備えた構成としてもよい。

【0079】

［変形例３］
また、上記実施形態では、踏切道５と遮断かん７の両方についてその異常の発生を検出する例を説明したが、何れか一方の異常を検出する構成としてもよい。例えば、踏切道５を撮影範囲に含むカメラで撮影された踏切画像を、踏切道５のエリアが写る踏切道領域と、それ以外の領域とに分ける。そして、踏切道領域の画像に基づいて、踏切道５に発生した異常を検出する構成としてもよい。また、遮断かん７を撮影範囲に含むカメラで撮影された踏切画像を、遮断かん７のエリアが写る遮断かん領域と、それ以外の領域とに分ける。そして、遮断かん領域の画像に基づいて、遮断かん７に発生した異常を検出する構成としてもよい。

【0080】

［変形例４］
また、上記実施形態では、学習タイミングにおける踏切画像を基準画像として機械学習処理を行い、踏切道分類学習モデル及び遮断かん分類学習モデルを随時更新する例を説明した。これに対し、事前に機械学習処理を行って生成しておいた学習済みの踏切道分類学習モデル及び／又は遮断かん分類学習モデルを用い、単位画素毎に踏切道５が写っているか否かの判別や、単位画素毎に遮断かん７が写っているか否かを判別する構成としてもよい。

【0081】

［変形例５］
また、上記実施形態では、１画素を単位画素とする例を説明した。これに対し、例えば、縦２画素×横２画素の４画素を単位画素としたり、縦３画素×横３画素の９画素を単位画素とする等、所定数の画素を単位画素としてもよい。単位画素とする画素数を予め設定しておくことで実現できる。

【0082】

［変形例６］
また、分類学習モデル（踏切道分類学習モデル及び遮断かん分類学習モデル）は、時間帯や天候等の環境条件別に生成・更新し、そのときの環境に適したものを選択的に用いる構成としてもよい。例えば、日中の時間帯に適用する分類学習モデルと、夜間の時間帯に適用する分類学習モデルとを別個に生成・更新する構成としてもよい。その場合は、学習タイミングが日中の時間帯のときは日中用の分類学習モデルを生成・更新する。そして、日中の判別タイミングでは、当該日中用の分類学習モデルを用いて判別処理を行う。一方、学習タイミングが夜間の時間帯のときは夜間用の分類学習モデルを生成・更新する。そして、夜間の判別タイミングでは、当該夜間用の分類学習モデルを用いて判別処理を行う。

【0083】

或いは、晴れ、曇り、雨、雪等の天候毎に別個に分類学習モデルを生成・更新する構成としてもよい。その場合は、例えば、踏切道５において天候を判定するための各種環境計測用センサを設置し、当該センサの計測値に基づいてそのときの気候を判定する。そして、学習タイミングでの天候に応じて該当する天候用の分類学習モデルを生成・更新する。また、判別タイミングでの天候に応じて、該当する天候用の分類学習モデルを用いて判別処理を行う。なお、環境計測用センサを設置することで踏切道５の天候を判定する構成に限らず、外部装置から気象情報を随時取得する構成としてもよい。

【0084】

本変形例によれば、学習タイミングでの時刻や天候等の環境に応じて環境条件別の分類学習モデルを随時更新して生成しつつ、判定タイミングでの環境に応じて分類学習モデルを切り替えて用いて判別処理を行うことができる。したがって、踏切道５や遮断かん７の異常の発生をより精度良く検出することが可能となる。

【0085】

［変形例７］
また、上記実施形態では、図１において上り線と下り線が並走する踏切道５を例示したが、単線の踏切道や、３線以上を跨ぐ踏切道にも同様に適用が可能である。上記実施形態と同様の要領で踏切道への進入方向に移動する物体を検出して列車の進入判定を行うとともに、踏切道からの進出方向に移動する物体を検出して列車の進出判定を行うことで、対象の踏切道への列車の進入や当該踏切道からの列車の進出を判定できる。

【0086】

［変形例８］
また、列車の進入判定や進出判定は、列車進入出判定領域の画像を画像処理することで行う構成に限定されない。例えば、対応する踏切遮断機が遮断かん７の下降指令を受けて遮断かん７を下降させ始めた後、所定の進入判定時間が経過したタイミングを踏切道５への列車の進入タイミングとみなして、列車が踏切道５へ進入したことを検出する構成としてもよい。対応する踏切遮断機の駆動を制御する踏切制御装置から、通信部１９０を介して、遮断かん７の下降指令や上昇指令の信号を、踏切監視装置１へ入力することで実現できる。進入判定時間は、下降指令後、実際に列車が踏切道５に進入し始めるまでの時間をもとに予め設定しておく。

【0087】

遮断かん７の遮断状態についても同様に、遮断かん７の下降指令や上昇指令のタイミングに基づき判定することができる。例えば、踏切遮断機が遮断かん７を下降させ始めてから（つまり下降指令のタイミングから）所定の下降時間が経過したタイミングを遮断かん７が遮断状態に至ったとみなす判定をする構成としてもよい。また、踏切遮断機が遮断かん７を上昇させ始めてから（つまり上昇指令のタイミングから）所定の上昇時間が経過したタイミングを遮断かん７が開放状態に至ったとみなす判定をするようにしてもよい。このときの上昇時間をゼロとして、上昇指令のタイミングで開放状態に至ったと判定することとしてもよい。

【符号の説明】

【0088】

１ 踏切監視装置、１１０ 操作部、１２０ 表示部、１３０ 画像入力部、１４０ 演算処理部、１４１ 領域切り取り部、１４２ 機械学習処理部、１４３ 判別処理部、１４４ 遮断状態判定部、１４５ 異常発生検出部、１４６ 列車進入出判定部、１４７ 学習タイミング判定部、１４８ 判別タイミング判定部、１５０ 記憶部、１５１ 踏切監視プログラム、１５３ 踏切画像データ、１５５ 分類学習モデルデータ、１５７ 踏切道分類学習モデルデータ、１５９ 遮断かん分類学習モデルデータ、３ カメラ、５ 踏切道、７ 遮断かん

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】