JP2018088630A - 火災監視システム - Google Patents
火災監視システム Download PDFInfo
- Publication number
- JP2018088630A JP2018088630A JP2016231241A JP2016231241A JP2018088630A JP 2018088630 A JP2018088630 A JP 2018088630A JP 2016231241 A JP2016231241 A JP 2016231241A JP 2016231241 A JP2016231241 A JP 2016231241A JP 2018088630 A JP2018088630 A JP 2018088630A
- Authority
- JP
- Japan
- Prior art keywords
- fire
- image
- learning
- smoke
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Closed-Circuit Television Systems (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
Description
本発明は、多層式のニューラルネットワークによって構成される火災検出器に、撮像部により撮像された監視領域の画像を入力して火災を検出する火災監視システムに於いて、
監視領域の通常状態の画像を記憶する通常画像記憶部と、
通常監視画像を元に監視領域における火災発生時の画像を火災学習画像として生成する学習画像生成制御部と、
学習画像生成制御部で生成された火災学習画像を火災検出器に入力してディープラーニングにより学習させる学習制御部と、
が設けられたことを特徴とする。
更に、予め生成された火災煙画像を記憶する火災煙画像記憶部が設けられ、
学習画像生成制御部は、通常監視画像に火災煙画像を合成して火災学習画像を生成する。
火災煙画像記憶部は、時系列に変化する複数の火災煙画像を記憶しており、
学習画像生成制御部は、通常監視画像と時系列に変化する複数の火災煙画像の各々を合成して、時系列に変化する複数の火災学習画像を生成する。
学習画像生成制御部は、通常監視画像の中の手動操作により選択された火源対象物に、火災煙画像の煙発生点が位置するように合成した火災学習画像を生成する。
火災煙画像記憶部は、火源対象物の材質に対応して煙種別が異なる複数種類の火災煙画像を記憶しており、
学習画像生成制御部は、火源対象物の材質の選択操作に基づき、選択された材質に対応した煙種別の火災煙画像を通常監視画像と合成して火災学習画像を生成する。
学習画像生成制御部は、通常監視画像に含まれる1又は複数の火源対象物を検出し、検出された火源対象物に、火災煙画像の煙発生点が位置するように合成した火災学習画像を生成する。
火災煙画像記憶部は、火源対象物の材質に対応して煙種別が異なる複数種類の火災煙画像を記憶しており、
学習画像生成制御部は、火源対象物の材質を検出し、検出された材質に対応した煙種別の火災煙画像を通常監視画像と合成して学習画像を生成する。
学習画像生成制御部は、火源対象物の位置に応じて合成する火災煙画像の大きさ及び又は角度を制御して火災学習画像を生成する。
学習画像生成制御部はさらに通常監視画像を元に監視領域における非火災時の画像を非火災学習画像として生成し、
学習制御部は学習画像生成制御部で生成された非火災学習画像を火災検出器に入力してディープラーニングにより学習させる。
更に、予め生成された非火災煙画像を記憶する非火災煙画像記憶部が設けられ、
学習画像生成制御部は、通常監視画像に非火災煙画像を合成して非火災学習画像を生成する。
非火災煙画像記憶部は、調理に伴う調理スチーム画像、調理に伴う調理煙画像、喫煙に伴う喫煙画像、照明器具の点灯に伴う照明点灯画像の少なくとも何れかを記憶しており、
学習画像生成制御部は、通常監視画像と、調理スチーム画像、調理煙画像、喫煙画像及び又は照明点灯画像を合成して非火災学習画像を生成する。
非火災煙画像記憶部は、時系列に変化する複数の調理スチーム画像、調理煙画像及び喫煙画像の少なくとも何れかを記憶しており、
学習画像生成制御部は、通常監視画像と時系列に変化する調理スチーム画像、調理煙画像及び又は喫煙画像を合成して非火災学習画像を生成する。
学習画像生成制御部は、非火災煙画像の合成先の位置に応じて合成する非火災煙画像の大きさ及び又は角度を制御して非火災学習画像を生成する。
多層式のニューラルネットワークは、
特徴抽出部と認識部で構成され、
特徴抽出部は、監視領域の画像を入力して画像の特徴が抽出された特徴情報を生成する複数の畳み込み層を備えた畳み込みニューラルネットワークとし、
認識部は、畳み込みニューラルネットワークから出力される特徴情報を入力し、画像の特徴値を出力する複数の全結合層を備えたニューラルネットワークとする。
多層式のニューラルネットワークによって構成される異常検出器に、撮像部により撮像された監視領域の画像を入力して異常を検出する火災監視システムに於いて、
監視領域の通常状態の画像を記憶する通常画像記憶部と、
通常監視画像を元に監視領域における異常発生時の画像を異常学習画像として生成する学習画像生成制御部と、
学習画像生成制御部で生成された異常学習画像を異常検出器に入力してディープラーニングにより学習させる学習制御部と、
が設けられたことを特徴とする。
本発明は、多層式のニューラルネットワークによって構成される火災検出器に、撮像部により撮像された監視領域の画像を入力して火災を検出する火災監視システムに於いて、監視領域の通常状態の画像を記憶する通常画像記憶部と、通常監視画像を元に監視領域における火災発生時の画像を火災学習画像として生成する学習画像生成制御部と、学習画像生成制御部で生成された火災学習画像を火災検出器に入力してディープラーニングにより学習させる学習制御部とが設けられたため、監視現場で火災が発生した場合と同等な火災学習画像により火災検出器の多層式のニューラルネットワークを学習させることで、監視画像を入力した場合の火災の検出精度を向上させることができる。
また、予め生成された火災煙画像を記憶する火災煙画像記憶部が設けられ、学習画像生成制御部は、通常監視画像に火災煙画像を合成して火災学習画像を生成するようにしたため、予め準備された背景を持たない火災による煙を示した多数の火災煙画像を合成することで、監視現場で火災が発生した場合と同等な火災学習画像を簡単且つ適切に多数生成することが可能となり、火災の検出精度を向上させることができる。
また、火災煙画像記憶部は、時系列に変化する複数の火災煙画像を記憶しており、学習画像生成制御部は、通常監視画像と時系列に変化する複数の火災煙画像の各々を合成して、時系列に変化する複数の火災学習画像を生成するようにしたため、時間の経過に伴って煙が拡大していく複数の火災煙画像を、通常監視画像に合成することで、簡単に時系列的に変化する火災煙画像が生成できる。
また、学習画像生成制御部は、通常監視画像の中の手動操作により選択された火源対象物に、火災煙画像の煙発生点が位置するように合成した火災学習画像を生成するようにしたため、監視カメラで撮像された監視現場の通常監視画像をモニタ画面等に表示し、通常監視画面の中の火源となることが想定されるごみ入れ、灰皿、暖房機器、コンセント等を手動操作により火源対象物として選択することで、選択された火源対象物に火災煙画像の煙発生点が位置するように合成した火災学習画像を生成され、監視現場で実際に火災が発生した場合に相当する火災学習画像を擬似的に生成して火災検出器の多層式のニューラルネットワークを学習することで、監視画像を入力した場合の火災の検出精度を向上させることができる。
また、火災煙画像記憶部は、火源対象物の材質に対応して煙種別が異なる複数種類の火災煙画像を記憶しており、学習画像生成制御部は、火源対象物の材質の選択操作に基づき、選択された材質に対応した煙種別の火災煙画像を通常監視画像と合成して学習画像を生成するようにしたため、火災による煙は火源対象物の材質により例えば色が異なり、木材、布、紙等は白い煙になるが、合成樹脂の場合には黒い煙となり、燃える対象物の材質により発生する煙の種別が異なることから、燃焼対象物の材質に対応して異なる煙種別の火災煙画像を予め準備して記憶しておき、通常監視画像の中の火源対象物を手動操作により選択する際に、その材質も選択することで、選択した材質に対応した煙種別、例えば木材であれば白い煙の火災煙画像が選択されて通常監視画像との合成により火災学習画像が生成され、また、材質が合成樹脂であれば黒い煙の火災煙画像が選択されて通常監視画像との合成により火災学習画像が生成され、このようにして生成された火災学習画像により火災検出器の多層式のニューラルネットワークを学習することで、火源対象物の材質により異なった種別の煙が発生した場合にも、入力する監視画像から高い精度で火災を検出可能とする。
また、学習画像生成制御部は、通常監視画像に含まれる1又は複数の火源対象物を検出し、検出された火源対象物に、火災煙画像の煙発生点が位置するように合成した火災学習画像を生成するようにしたため、通常監視画面の中から火源となる可能性のある火源対象物が自動的に検出され、検出された火源対象物に、火災煙画像の煙発生点が位置するように合成した火災学習画像を簡単に生成することができる。
また、火災煙画像記憶部は、火源対象物の材質に対応して煙種別が異なる複数種類の火災煙画像を記憶しており、学習画像生成制御部は、火源対象物の材質を検出し、検出された材質に対応した煙種別の火災煙画像を通常監視画像と合成して火災学習画像を生成するようにしたため、通常監視画面の中から火源となる可能性のある火源対象物の自動的な検出に加え、検出した火源対象物の材質を自動的に検出して材質に対応した煙種別、例えば木材であれば白い煙の火災煙画像が、また、材質が合成樹脂であれば黒い煙の火災煙画像が選択されて通常監視画像との合成により火災学習画像が簡単に生成され、このようにして生成された火災学習画像により火災検出器の多層式のニューラルネットワークを学習することで、火源対象物の材質により異なった種別の煙が発生した場合にも、入力する監視画像から高い精度で火災を検出可能とする。
また、学習画像生成制御部は、火源対象物の位置に応じて合成する火災煙画像の大きさ及び又は角度を制御して火災学習画像を生成するようにしたため、火源対象物が監視カメラから遠くなれば火災煙画像を小さく、近くなれば火災煙画像を大きくすることにより、監視カメラの位置に対応した適切なサイズの火災学習画像が生成できる。
また、学習画像生成制御部はさらに通常監視画像を元に監視領域における非火災時の画像を非火災学習画像として生成し、学習制御部は学習画像生成制御部で生成された非火災学習画像を火災検出器に入力してディープラーニングにより学習させるようにし、更に、具体的には、予め生成された非火災煙画像を記憶する非火災煙画像記憶部が設けられ、学習画像生成制御部は、通常監視画像に非火災煙画像を合成して非火災学習画像を生成するようにしたため、監視領域の監視カメラで撮像した通常監視画像に、予め準備された背景を持たない非火災による火災に類似した煙を示した多数の非火災煙画像を合成することで、監視現場で非火災により火災に類似した煙に相当する状況が発生した場合と同等な非火災学習画像を簡単且つ適切に多数生成することができ、このように生成された非火災学習画像により火災検出器の多層式のニューラルネットワークを学習させることで、監視画像を入力した場合の非火災による誤検出を防止し、結果的に火災の検出精度を向上させることができる。
また、非火災煙画像記憶部は、調理に伴う調理スチーム画像、調理に伴う調理煙画像、喫煙に伴う喫煙画像、照明器具の点灯に伴う照明点灯画像の少なくとも何れかを記憶しており、学習画像生成制御部は、通常監視画像と、調理スチーム画像、調理煙画像、喫煙画像及び又は照明点灯画像を合成して非火災学習画像を生成するようにしたため、監視領域の監視カメラで撮像した通常監視画像に、予め準備された背景を持たない火災に類似した煙を示した調理スチーム画像、調理煙画像、喫煙画像及び又は照明点灯画像を合成することで、誤報の原因となる調理スチーム画像、調理煙画像、喫煙画像等の非火災学習画像を簡単且つ適切に多数生成することができ、このように生成された非火災学習画像により火災検出器の多層式のニューラルネットワークを学習させることで、監視画像を入力した場合の非火災による誤検出を防止し、結果的に火災の検出精度を向上させることができる。
また、非火災煙画像記憶部は、時系列に変化する複数の調理スチーム画像、調理煙画像及び喫煙画像の少なくとも何れかを記憶しており、学習画像生成制御部は、通常監視画像と時系列に変化する調理スチーム画像、調理煙画像及び又は喫煙画像を合成して非火災学習画像を生成するようにしたため、時間の経過に伴って煙が変化していく調理スチーム、調理煙及び又は喫煙による非火災煙画像を簡単に多数生成することができ、火災検出器の多層式のニューラルネットワークを学習することで、監視画像を入力した場合の非火災による誤検出を防止し、結果的に火災の検出精度を向上させることができる。
また、学習画像生成制御部は、非火災煙画像の合成先の位置に応じて合成する非火災煙画像の大きさ及び又は角度を制御して非火災学習画像を生成するようにしたため、火源対象物が監視カメラから遠くなれば非火災煙画像を小さく、近くなれば非火災煙画像を大きくすることにより、監視カメラの位置に対応した適切なサイズの非火災学習画像が生成できる。
また、多層式のニューラルネットワークは、特徴抽出部と認識部で構成され、特徴抽出部は、監視領域の画像を入力して画像の特徴が抽出された特徴情報を生成する複数の畳み込み層を備えた畳み込みニューラルネットワークとし、認識部は、畳み込みニューラルネットワークから出力される特徴情報を入力し、画像の特徴値を出力する複数の全結合層を備えたニューラルネットワークとしたため、畳み込みニューラルネットワークにより特徴が自動的に抽出されることで、監視領域の入力画像から前処理により火災入力画像の特徴、例えば、輪郭等を抽出するような前処理を必要とすることなく入力画像の特徴が抽出され、引き続いて行う認識部により高い精度で火災を推定可能とする。
多層式のニューラルネットワークによって構成される異常検出器に、撮像部により撮像された監視領域の画像を入力して異常を検出する火災監視システムに於いて、監視領域の通常状態の画像を記憶する通常画像記憶部と、通常監視画像を元に監視領域における異常発生時の画像を異常学習画像として生成する学習画像生成制御部と、学習画像生成制御部で生成された異常学習画像を異常検出器に入力してディープラーニングにより学習させる学習制御部とが設けられたため、盗難・不法行為・侵入等の異常についても、監視現場で異常が発生した場合と同等な異常学習画像により検出器の多層式のニューラルネットワークを学習させることで、監視画像を入力した場合の異常の検出精度を向上させることができる。
図1は監視カメラと火災感知器により火災を監視する火災監視システムの概略を示した説明図である。
図2は監視カメラで撮像した画像から学習画像を生成する学習画像生成装置と火災を推定する多層式ニューラルネットワークを用いた判定装置の機能構成を示した説明図である。
図2に示すように、判定装置10は、火災検出器24と学習制御部26を備え、火災検出器24は画像入力部28、多層式ニューラルネットワーク30および判定部32で構成される。ここで、火災検出器24及び学習制御部26の機能は、ニューラルネットワークの処理に対応したコンピュータ回路のCPUによるプログラムの実行により実現される。
図3は図2に示した多層式ニューラルネットワークの機能構成を示した説明図であり、図3(A)に概略を示し、図3(B)に詳細を模式的に示している。
図3(B)は特徴抽出部58を構成する畳み込みニューラルネットワークの構造を模式的に示している。
(バックプロパゲーション)
入力層、複数の中間層及び出力層で構成されるニューラルネットワークは、各層に複数のユニットを設けて他の層の複数のユニットと結合し、各ユニットには重みとバイアス値が選択され、複数の入力値と重みとのベクトル積を求めてバイアス値を加算して総和を求め、これを所定の活性化関数に通して次の層のユニットに出力するようにしており、最終層に到達するまで値が伝播するフォワードプロパゲーションが行われる。
(1) 入力値xをニューラルネットワークに入力して、フォワードプロパゲーションを行い推定値y*を求める。
(2) 推定値y*と期待値yに基づき誤差関数で誤差を計算する。
(3) 重みとバイアスを更新しながら、ネットワークにて、バックプロパゲーションを行う。
図2に示すように、学習画像生成装置12は、学習画像生成制御部34、通常監視画像記憶部36、火災煙画像記憶部38、非火災煙画像記憶部40、学習画像記憶部42、操作部44及びモニタ部46で構成され、学習画像生成制御部34の機能はコンピュータ回路のCPUによるプログラムの実行により実現される。また、通常監視画像記憶部36、火災煙画像記憶部38、非火災煙画像記憶部40、学習画像記憶部42は機能毎に分けているが、ハードウェアとしては単一の記憶部を使用している。
図4は図2の学習画像生成装置による学習画像の生成処理の一例を示した説明図であり、図4を参照して図2の学習画像生成制御部34による火源対象物と材質を手動選択する学習画像生成制御を説明すると次にようになる。
図2の学習画像生成制御部34により火源対象物と材質を自動検出する学習画像生成制御を説明すると次にようになる。
(1)通常監視画像中から火源対象物(オブジェクト)らしい領域を切り出す。
(2)切り出した領域を畳み込みニューラルネットワークに入力して特徴量を抽出す る。
(3)抽出した特徴量を用いて火源対象物(ごみ入れ、ごみ入れ、灰皿、暖房機器、 コンセント等)かどうかを、SVM(サポートベクターマシン)で判別する。
(煙以外の画像合成)
上記の実施形態は、煙画像を合成して学習するものだったが、煙以外のもの、例えば炎画像や赤外線カメラを用いての熱源画像を用いて学習を行うようにしても良い。
上記の実施形態は、火災を再現して学習するものだったが、加えて実際の火災時の画像を元に学習するようにしても良い。さらに火災検出器の学習時の重みについて、火災再現による学習と実際の火災による学習を異ならせるようにしても良い。実際の火災による学習の重みを大きくすることで、発生頻度の小さい実際の火災について対応可能な学習結果とすることができる。
上記の実施形態は、判定装置は火災の有無の判定結果を報知しているが、これに加え火災と判定した要因について表示するようにしても良い。例えばカメラ画像の監視においては、火災と判定した画像を表示し、更に火災判定の寄与率が高かった領域について強調表示する。これにより、火災検出器が火災と判断した領域について目視確認が容易となり、真に火災が発生したかどうかを容易に判定できるようになり、また状況に応じた対応判断の助けとすることができる。
上記の実施形態は、警戒区域の火災監視を例にとっているが、これ以外に、屋外に監視カメラを設置して行う放火監視に多層式のニューラルネットワークによって構成される火災検出器を設け、火災検出器をディープラーニングより学習させ、監視カメラで撮像した画像を入力して放火を監視するようにしても良い。
上記の実施形態は、畳み込みニューラルネットワークに画像を入力して火災による特徴を抽出しているが、畳み込みニューラルネットワークを使用せず、入力した画像から輪郭、濃淡等の特徴を抽出する前処理を行って所定の特徴を抽出し、特徴が抽出された画像を認識部として機能する全結合ニューラルネットワークに入力して火災か非火災かを推定させるようにしても良い。これにより画像の特徴抽出の処理負担を低減可能とする。
上記の実施形態は、バックプロパゲーションによる学習を行っているが、多層ニューラルネットワークの学習方法はこれに限らない。
上記の実施形態は、通常監視状態で撮像された監視領域の画像を通常監視画像としているが、本実施形態の火災監視システムとは関係なく撮像された監視領域の画像を通常監視画像としても良い。例えば、あらかじめ監視領域の画像を撮像しておくことで、火災監視システムを出荷する前に、監視領域に応じた学習を行うことが可能となる。これにより、監視領域における火災検出性能を確認した状態で出荷することが可能となる。
上記の実施形態は、火災煙画像または非火災煙画像を通常監視画像に合成することで火災学習画像または非火災学習画像を生成しているが、火災学習画像または非火災学習画像の生成手段はこれに限らない。
上記の実施形態は、監視カメラにより監視領域の照明を使用した状態及び又は自然光の状態で監視領域を撮像しているが、赤外線照明装置からの赤外線光を監視領域に照射し、赤外線領域に感度のある監視カメラにより赤外線画像を撮像して判定装置の多層式ニューラルネットワークをバックプロパゲーションにより学習し、学習の済んだ多層式ニューラルネットワークに監視領域の赤外線画像を入力して火災か非火災かを判定するようにしても良い。
上記の実施形態は、火災の検出と火災の学習を行っているが、盗難・不法行為・侵入等の異常の検出と異常の学習を行うようにしても良い。例えば、盗難については警備対象が無くなった状態を異常として学習し、不法行為については人の座り込み等の特徴的な状態を異常として学習し、侵入については共連れの状態を異常として学習する。異常の状態は、画像の合成によって行われても良いが、CGで生成してもよい。また、監視領域を3次元データで構築し、3次元データ上で異常が発生するシミュレーションを行い、現実でカメラが配置されている点を視点として構築した3次元空間を画像化するようにしても良い。
上記の実施形態に加え、火災検出器及び異常検出器の検出精度を試験できるようにしても良い。本願によって作成した異常状態の画像を異常検出精度の確認に用いることが可能となる。
上記の実施形態は、火災検出器及び異常検出器はそれぞれの入力情報に基づき学習を行っているが、同一システム内の別の入力情報取得端末による入力情報を元に学習を行っても良い。例えば、異常検出器に対応する監視カメラの撮像画像を異常検出器の入力情報として学習を行うようにしても良い。
また、本発明は上記の実施形態に限定されず、その目的と利点を損なうことのない適宜の変形を含み、更に上記の実施形態に示した数値による限定は受けない。
12−1,12−2:学習画像生成装置
14:火災受信機
15−1,15−2:監視領域
16−1,16−2:監視カメラ
18−1,18−2:火災感知器
20−1,20−2:信号ケーブル
22:感知器回線
24:火災検出器
26:学習制御部
28:画像入力部
30:多層式ニューラルネットワーク
32:判定部
35:学習画像生成制御部
36:通常監視画像記憶部
38:火災煙画像記憶部
40:非火災煙画像記憶部
42:学習画像記憶部
44:操作部
46:モニタ部
48:通常監視画像
50−1〜50−n:火災煙画像
51−1〜51−n:煙
52−1〜52−n:火災煙画像
54:火源対象物
56−1〜56−n:火災学習画像
58:特徴抽出部
60:認識部
62:入力画像
63,65a,65b:重みフィルタ
64a,64b,64c:特徴マップ
66:入力層
68:結合層
70:中間層
72:出力層
Claims (15)
- 多層式のニューラルネットワークによって構成される火災検出器に、撮像部により撮像された監視領域の画像を入力して火災を検出する火災監視システムに於いて、
前記監視領域の通常状態の画像を記憶する通常画像記憶部と、
前記通常監視画像を元に監視領域における火災発生時の画像を火災学習画像として生成する学習画像生成制御部と、
前記学習画像生成制御部で生成された前記火災学習画像を前記火災検出器に入力してディープラーニングにより学習させる学習制御部と、
が設けられたことを特徴とする火災監視システム。
- 請求項1記載の火災監視システムに於いて、
更に、予め生成された火災煙画像を記憶する火災煙画像記憶部が設けられ、
前記学習画像生成制御部は、前記通常監視画像に前記火災煙画像を合成して前記火災学習画像を生成することを特徴とする火災監視システム。
- 請求項2記載の火災監視システムに於いて、
前記火災煙画像記憶部は、時系列に変化する複数の前記火災煙画像を記憶しており、
前記学習画像生成制御部は、前記通常監視画像と時系列に変化する複数の前記火災煙画像の各々を合成して、時系列に変化する複数の前記火災学習画像を生成することを特徴とする火災監視システム。
- 請求項2記載の火災監視システムに於いて、
前記学習画像生成制御部は、前記通常監視画像の中の手動操作により選択された火源対象物に、前記火災煙画像の煙発生点が位置するように合成した火災学習画像を生成することを特徴とする火災監視システム。
- 請求項4記載の火災監視システムに於いて、
前記火災煙画像記憶部は、前記火源対象物の材質に対応して煙種別が異なる複数種類の火災煙画像を記憶しており、
前記学習画像生成制御部は、前記火源対象物の材質の選択操作に基づき、指定された前記材質に対応した煙種別の前記火災煙画像を前記通常監視画像と合成して前記学習画像を生成することを特徴とする火災監視システム。
- 請求項2記載の火災監視システムに於いて、
前記学習画像生成制御部は、前記通常監視画像に含まれる1又は複数の火源対象物を検出し、検出された前記火源対象物に、前記火災煙画像の煙発生点が位置するように合成した火災学習画像を生成することを特徴とする火災監視システム。
- 請求項6記載の火災監視システムに於いて、
前記火災煙画像記憶部は、前記火源対象物の材質に対応して煙種別が異なる複数種類の火災煙画像を記憶しており、
前記学習画像生成制御部は、前記火源対象物の材質を検出し、検出された前記材質に対応した煙種別の前記火災煙画像を前記通常監視画像と合成して前記火災学習画像を生成することを特徴とする火災監視システム。
- 請求項4または6記載の火災監視システムに於いて、
前記学習画像生成制御部は、前記火源対象物の位置に応じて合成する前記火災煙画像の大きさ及び又は角度を制御して前記火災学習画像を生成することを特徴とする火災監視システム。
(カメラから遠くなれば画像を小さく、近くなれば画像を大きくする、といった内容です)
- 請求項1記載の火災監視システムに於いて、
前記学習画像生成制御部はさらに前記通常監視画像を元に監視領域における非火災時の画像を非火災学習画像として生成し、
前記学習制御部は前記学習画像生成制御部で生成された前記非火災学習画像を前記火災検出器に入力してディープラーニングにより学習させることを特徴とする火災監視システム。
- 請求項9記載の火災監視システムに於いて、
更に、予め生成された非火災煙画像を記憶する非火災煙画像記憶部が設けられ、
前記学習画像生成制御部は、前記通常監視画像に前記非火災煙画像を合成して前記非火災学習画像を生成することを特徴とする火災監視システム。
- 請求項10記載の火災監視システムに於いて、
前記非火災煙画像記憶部は、調理に伴う調理スチーム画像、調理に伴う調理煙画像、喫煙に伴う喫煙画像、照明器具の点灯に伴う照明点灯画像の少なくとも何れかを記憶しており、
前記学習画像生成制御部は、前記通常監視画像と、前記調理スチーム画像、前記調理煙画像、前記喫煙画像及び又は前記照明点灯画像を合成して前記非火災学習画像を生成することを特徴とする火災監視システム。
- 請求項10記載の火災監視システムに於いて、
前記非火災煙画像記憶部は、時系列に変化する複数の前記調理スチーム画像、前記調理煙画像及び前記喫煙画像の少なくとも何れかを記憶しており、
前記学習画像生成制御部は、前記通常監視画像と時系列に変化する前記調理スチーム画像、前記調理煙画像及び又は前記喫煙画像を合成して前記非火災学習画像を生成することを特徴とする火災監視システム。
- 請求項10記載の火災監視システムに於いて、
前記学習画像生成制御部は、前記非火災煙画像の合成先の位置に応じて合成する前記非火災煙画像の大きさ及び又は角度を制御して前記非火災学習画像を生成することを特徴とする火災監視システム。
- 請求項1乃至13の何れかに記載の火災監視システムに於いて、
前記多層式のニューラルネットワークは、
特徴抽出部と認識部で構成され、
前記特徴抽出部は、前記監視領域の画像を入力して前記画像の特徴が抽出された特徴情報を生成する複数の畳み込み層を備えた畳み込みニューラルネットワークとし、
前記認識部は、前記畳み込みニューラルネットワークから出力される前記特徴情報を入力し、画像の特徴値を出力する複数の全結合層を備えたニューラルネットワークとしたことを特徴とする火災監視システム。
- 多層式のニューラルネットワークによって構成される異常検出器に、撮像部により撮像された監視領域の画像を入力して異常を検出する火災監視システムに於いて、
前記監視領域の通常状態の画像を記憶する通常画像記憶部と、
前記通常監視画像を元に監視領域における異常発生時の画像を異常学習画像として生成する学習画像生成制御部と、
前記学習画像生成制御部で生成された前記異常学習画像を前記異常検出器に入力してディープラーニングにより学習させる学習制御部と、
が設けられたことを特徴とする火災監視システム。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016231241A JP6968530B2 (ja) | 2016-11-29 | 2016-11-29 | 火災監視システム |
EP17863744.3A EP3531386B1 (en) | 2016-10-24 | 2017-10-19 | Fire monitoring system |
PCT/JP2017/037830 WO2018079400A1 (ja) | 2016-10-24 | 2017-10-19 | 火災監視システム |
US16/376,117 US20220292944A9 (en) | 2016-10-24 | 2019-04-05 | Fire monitoring system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016231241A JP6968530B2 (ja) | 2016-11-29 | 2016-11-29 | 火災監視システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018088630A true JP2018088630A (ja) | 2018-06-07 |
JP6968530B2 JP6968530B2 (ja) | 2021-11-17 |
Family
ID=62493910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016231241A Active JP6968530B2 (ja) | 2016-10-24 | 2016-11-29 | 火災監視システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6968530B2 (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102097294B1 (ko) * | 2019-07-19 | 2020-04-06 | (주)지와이네트웍스 | 화염 판단을 위한 신경망 모델의 학습 및 검출 방법, 및 이를 수행하는 장치 |
CN111352349A (zh) * | 2020-01-27 | 2020-06-30 | 东北石油大学 | 对老年人居住环境进行信息采集和调节的***及方法 |
JP2020201213A (ja) * | 2019-06-13 | 2020-12-17 | 株式会社神戸製鋼所 | ヒューム量推定システム、ヒューム量推定方法、学習装置、推定装置、及びプログラム |
JP2021183773A (ja) * | 2020-05-21 | 2021-12-02 | 清水建設株式会社 | 切羽画像加工装置、切羽画像加工方法 |
JP7041909B1 (ja) | 2021-12-28 | 2022-03-25 | アースアイズ株式会社 | 消火システム、及び、消火方法 |
WO2022097353A1 (ja) * | 2020-11-09 | 2022-05-12 | 東京ロボティクス株式会社 | データセット生成装置、方法、プログラム及びシステム |
KR20230056997A (ko) * | 2021-10-21 | 2023-04-28 | 정승규 | 인공지능을 이용한 비화재보 관리 시스템 및 방법 |
JP7486652B1 (ja) | 2023-09-07 | 2024-05-17 | 日鉄エンジニアリング株式会社 | 煙画像生成装置、煙検知システム、煙画像生成方法、異常画像生成装置、およびプログラム |
WO2024111237A1 (ja) * | 2022-11-21 | 2024-05-30 | コニカミノルタ株式会社 | 煙監視システム、気体揺らぎ監視システム、煙監視方法、気体揺らぎ監視方法、煙監視プログラム、及び気体揺らぎ監視プログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06325270A (ja) * | 1993-05-18 | 1994-11-25 | Hochiki Corp | 火災判定装置及びニューラルネットワークの学習方法 |
JP2000132763A (ja) * | 1998-10-22 | 2000-05-12 | Mitsubishi Electric Corp | 火気検知装置 |
JP2004064714A (ja) * | 2002-07-31 | 2004-02-26 | Advance Design Corp | フレーム監視システム |
JP2004294423A (ja) * | 2003-03-07 | 2004-10-21 | Shikoku Res Inst Inc | 火炎監視システム |
JP2007280167A (ja) * | 2006-04-10 | 2007-10-25 | Mitsubishi Electric Corp | 空気調和機 |
JP2010097430A (ja) * | 2008-10-16 | 2010-04-30 | Tokyo Univ Of Agriculture & Technology | 煙検出装置及び煙検出方法 |
-
2016
- 2016-11-29 JP JP2016231241A patent/JP6968530B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06325270A (ja) * | 1993-05-18 | 1994-11-25 | Hochiki Corp | 火災判定装置及びニューラルネットワークの学習方法 |
JP2000132763A (ja) * | 1998-10-22 | 2000-05-12 | Mitsubishi Electric Corp | 火気検知装置 |
JP2004064714A (ja) * | 2002-07-31 | 2004-02-26 | Advance Design Corp | フレーム監視システム |
JP2004294423A (ja) * | 2003-03-07 | 2004-10-21 | Shikoku Res Inst Inc | 火炎監視システム |
JP2007280167A (ja) * | 2006-04-10 | 2007-10-25 | Mitsubishi Electric Corp | 空気調和機 |
JP2010097430A (ja) * | 2008-10-16 | 2010-04-30 | Tokyo Univ Of Agriculture & Technology | 煙検出装置及び煙検出方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7150666B2 (ja) | 2019-06-13 | 2022-10-11 | 株式会社神戸製鋼所 | ヒューム量推定システム、ヒューム量推定方法、学習装置、推定装置、及びプログラム |
JP2020201213A (ja) * | 2019-06-13 | 2020-12-17 | 株式会社神戸製鋼所 | ヒューム量推定システム、ヒューム量推定方法、学習装置、推定装置、及びプログラム |
JP2021018788A (ja) * | 2019-07-19 | 2021-02-15 | ジーワイ ネットワークス カンパニー リミテッドGynetworks Co.,Ltd. | 火炎判断のための神経網モデルの学習および検出方法、並びにこれを行うシステム、記録媒体 |
KR102097294B1 (ko) * | 2019-07-19 | 2020-04-06 | (주)지와이네트웍스 | 화염 판단을 위한 신경망 모델의 학습 및 검출 방법, 및 이를 수행하는 장치 |
JP7448338B2 (ja) | 2019-07-19 | 2024-03-12 | ジーワイ ネットワークス カンパニー リミテッド | 火炎判断のための神経網モデルの学習および検出方法、並びにこれを行うシステム、記録媒体 |
CN111352349A (zh) * | 2020-01-27 | 2020-06-30 | 东北石油大学 | 对老年人居住环境进行信息采集和调节的***及方法 |
JP2021183773A (ja) * | 2020-05-21 | 2021-12-02 | 清水建設株式会社 | 切羽画像加工装置、切羽画像加工方法 |
JP7453848B2 (ja) | 2020-05-21 | 2024-03-21 | 清水建設株式会社 | 切羽画像加工装置、切羽画像加工方法 |
WO2022097353A1 (ja) * | 2020-11-09 | 2022-05-12 | 東京ロボティクス株式会社 | データセット生成装置、方法、プログラム及びシステム |
JP7446615B2 (ja) | 2020-11-09 | 2024-03-11 | 東京ロボティクス株式会社 | データセット生成装置、生成方法、プログラム、システム、機械学習装置、物体認識装置、及びピッキングシステム |
KR20230056997A (ko) * | 2021-10-21 | 2023-04-28 | 정승규 | 인공지능을 이용한 비화재보 관리 시스템 및 방법 |
KR102571601B1 (ko) | 2021-10-21 | 2023-08-25 | 정승규 | 인공지능을 이용한 비화재보 관리 시스템 및 방법 |
JP2023097532A (ja) * | 2021-12-28 | 2023-07-10 | アースアイズ株式会社 | 消火システム、及び、消火方法 |
JP7041909B1 (ja) | 2021-12-28 | 2022-03-25 | アースアイズ株式会社 | 消火システム、及び、消火方法 |
WO2024111237A1 (ja) * | 2022-11-21 | 2024-05-30 | コニカミノルタ株式会社 | 煙監視システム、気体揺らぎ監視システム、煙監視方法、気体揺らぎ監視方法、煙監視プログラム、及び気体揺らぎ監視プログラム |
JP7486652B1 (ja) | 2023-09-07 | 2024-05-17 | 日鉄エンジニアリング株式会社 | 煙画像生成装置、煙検知システム、煙画像生成方法、異常画像生成装置、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6968530B2 (ja) | 2021-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6968681B2 (ja) | 火災監視システム | |
JP6968530B2 (ja) | 火災監視システム | |
WO2018079400A1 (ja) | 火災監視システム | |
JP6943401B2 (ja) | 火災監視システム | |
JP7072700B2 (ja) | 監視システム | |
JP6867153B2 (ja) | 異常監視システム | |
JP6857007B2 (ja) | 火災監視システム | |
JP6849411B2 (ja) | 監視システム | |
JP6942029B2 (ja) | 火災監視システム | |
Pincott et al. | Indoor fire detection utilizing computer vision-based strategies | |
JP2008262533A (ja) | 火炎検出方法及びその装置 | |
JP6945423B2 (ja) | 放水型消火設備 | |
CN106770313A (zh) | 一种汽车扶手的检测*** | |
US20100002142A1 (en) | System and method for video-processing algorithm improvement | |
JP5042177B2 (ja) | 画像センサ | |
KR20200052418A (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
US20210181122A1 (en) | Close object detection for monitoring cameras | |
JP5710230B2 (ja) | 監視システムおよび監視方法 | |
JP2010068452A (ja) | 画像センサ | |
JP7328778B2 (ja) | 画像処理装置及び画像処理プログラム | |
KR101614697B1 (ko) | 패턴매칭을 이용한 해양플랜트 영상감시시스템 및 영상감시방법 | |
US11087615B2 (en) | Video/sensor based system for protecting artwork against touch incidents | |
JP2005166054A (ja) | 動画像処理装置、及び映像監視システム | |
JP7129271B2 (ja) | 画像処理装置 | |
JP7473886B2 (ja) | 学習データ作成システム、学習データ作成方法、および学習済みモデル |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191016 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201202 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210119 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210421 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210614 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211006 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211027 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6968530 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |