JP6942029B2 - 火災監視システム - Google Patents
火災監視システム Download PDFInfo
- Publication number
- JP6942029B2 JP6942029B2 JP2017207801A JP2017207801A JP6942029B2 JP 6942029 B2 JP6942029 B2 JP 6942029B2 JP 2017207801 A JP2017207801 A JP 2017207801A JP 2017207801 A JP2017207801 A JP 2017207801A JP 6942029 B2 JP6942029 B2 JP 6942029B2
- Authority
- JP
- Japan
- Prior art keywords
- fire
- neural network
- unit
- monitoring
- image
- 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.)
- Active
Links
Images
Landscapes
- Fire-Detection Mechanisms (AREA)
- Fire Alarms (AREA)
- Image Analysis (AREA)
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を用いて、監視領域の入力情報に基づき火災を検出する火災監視システムに於いて、
監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、
環境火災判別部により判定された種類の火災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ディープラーニングにより学習させる学習制御部と、
監視領域の入力情報を学習済みの火災検出器に入力した場合に出力される火災推定値を所定の閾値と比較して火災を判定する火災判定部と、
が設けられたことを特徴とする。
環境火災判別部は、監視領域の監視環境から複数種類の火災を判別した場合に、発生しやすい火災の順に優先度を設定し、
学習制御部は、環境火災判別部で判定された優先度の高い1又は複数種類の火災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ディープラーニングにより学習させる。
本発明の別の形態にあっては、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を用いて、監視領域の入力情報に基づき火災を検出する火災監視システムに於いて、
監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、
学習制御部による火災の種類毎のディープラーニングにより学習された複数種類の火災検出器と、
入力情報を学習済みの複数種類の火災検出器に入力した場合に出力される火災推定値の各々を、火災の種類に対応した所定の閾値と比較して火災を判定する火災判定部と、
火災判定部における火災の種類に対応した閾値を、環境火災判別部で判定された火災の種類を判定しやすいように設定する閾値設定部と、
が設けられたことを特徴とする。
閾値設定部は、環境火災判別部により判定された火災の種類に対応した閾値を、それ以外の火災の種類に対応した閾値に対し低い値に設定する。
環境火災判別部は、
撮像部により撮像された監視領域の画像を解析し、画像に含まれる要素を単語として出力する多層式のニューラルネットワークで構成された画像解析部と、
画像解析部から出力された画像に含まれる要素の単語を、辞書に予め記憶した所定の監視環境を示す単語と比較して監視領域の環境を推定し、推定した監視環境に対応して発生しやすい火災の種類を判定する火災種類判定部と、
が設けられる。
火災検出器は、センサにより検出された物理量及び又は撮像部により撮像された監視領域の画像を入力情報として入力することで火災推定値を出力する。
監視環境は、ボイラー室、電気室、サーバルーム、調理室、実験室を含み、
環境火災判別部で判定される火災の種類は、燻焼火災、油火災、電気火災及び薬品火災を含む。
火災検出器の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、入力情報を入力することで入力情報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
することで火災推定値を出力する全結合ニューラルネットワークとする。
学習制御部は、火災検出器の多層式のニューラルネットワークに学習情報を入力した場合に出力される値と所定値の期待値との誤差に基づくバックプロパゲーションにより、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。
火災判定部は、火災の判定に加え火災判定の根拠とした火災種別を表示させる。
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を用いて、監視領域の入力情報に基づき火災を検出する火災監視システムに於いて、監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、環境火災判別部により判定された種類の火災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ディープラーニングにより学習させる学習制御部と、監視領域の入力情報を学習済みの火災検出器に入力した場合に出力される火災推定値を所定の閾値と比較して火災を判定する火災判定部とが設けられたため、火災検出器により監視している監視環境に固有な発生しやすい火災に対し、より感度の高い火災の判定が可能となり、火災の早期発見により適切な対処が可能となる。
また、環境火災判別部は、監視領域の監視環境から複数種類の火災を判別した場合に、発生しやすい火災の順に優先度を設定し、学習制御部は、環境火災判別部で判定された優先度の高い1又は複数種類の火災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ディープラーニングにより学習させるようにしたため、監視環境からは油火災、電気火災等に代表される有炎火災や燻焼火災等の複数種類の火災が想定されるが、発生のしやすさに応じて優先度を設定し、優先度の高い1又は複数種類の火災により火災検出器を学習しておくことで、監視環境に固有の発生しやすい火災に対し、より感度の高い火災の判定を可能とする。
本発明の別の形態にあっては、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を用いて、監視領域の入力情報に基づき火災を検出する火災監視システムに於いて、監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、学習制御部による火災の種類毎のディープラーニングにより学習された複数種類の火災検出器と、入力情報を学習済みの複数種類の火災検出器に入力した場合に出力される火災推定値の各々を、火災の種類に対応した所定の閾値と比較して火災を判定する火災判定部と、火災判定部における火災の種類に対応した閾値を、環境火災判別部で判定された火災の種類を判定しやすいように設定する閾値設定部とが設けられたため、複数種類の火災検出器が出力する火災推定値から火災を判定する閾値につき、監視環境に固有な発生しやすい火災を判定するように閾値が設定されることで、監視環境に固有の発生しやすい火災に対し、より感度の高い火災の判定を可能とする。
また、閾値設定部は、環境火災判別部により判定された火災の種類に対応した閾値を、それ以外の火災の種類に対応した閾値に対し低い値に設定するようにしたため、閾値を低い値に設定した種類の火災推定値を火災として判定しやすくなり、監視環境に固有の発生しやすい火災に対し、より感度の高い火災の判定を可能とする。
また、環境火災判別部は、撮像部により撮像された監視領域の画像を解析し、画像に含まれる要素を単語として出力する多層式のニューラルネットワークで構成された画像解析部と、画像解析部から出力された画像に含まれる要素の単語を、辞書に予め記憶した所定の監視環境を示す単語と比較して監視領域の環境を推定し、推定した監視環境に対応して発生しやすい火災の種類を判定する火災種類判定部とが設けられたため、撮像部である監視カメラにより撮像された監視画像を解析することで、監視環境に存在する1又は複数の対象物の特徴が抽出されて単語化され、抽出された単語を辞書の監視環境を示す所定の単語と比較して一致又は類似した場合に監視領域の監視環境と推定して発生しやすい火災の種類を自動的に判定することができる。
また、複数の火災検出器は、センサにより検出された物理量及び又は撮像部により撮像された監視領域の画像を入力情報として入力することで火災推定値を出力するようにしたため、センサで検出された物理量や撮像部で撮像された監視領域の画像等を学習済みの複数種類の火災検出器に入力することで、高い精度で火災を判定可能とする。
また、監視環境は、ボイラー室、電気室、サーバルーム、調理室、実験室を含み、環境火災判別部で判定される火災の種類は、燻焼火災、油火災、電気火災及び薬品火災を含むようにしたため、例えば、監視環境としてボイラー室の場合には発生しやすい火災として油火災が判定され、油火災に対しより感度の高い火災の判定が可能となり、また、電気室やサーバルームの場合には発生しやすい火災として電気火災が判定され、電気火災に対しより感度の高い火災の判定が可能となる。
また、火災検出器の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、監視領域の入力情報を入力することで入力情報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することで火災推定値を出力する全結合ニューラルネットワークとするようにしたため、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、監視領域の入力情報から前処理により火災入力情報の特徴、例えば、画像に於いては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情報の特徴が抽出され、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。
学習制御部は、火災検出器の多層式のニューラルネットワークに学習情報を入力した場合に出力される値と所定値の期待値との誤差に基づくバックプロパゲーション(誤差逆伝播)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ようにしたため、火災の種類毎に準備された多数の入力情報を学習情報として入力した場合に、出力の期待値として火災の推定値を与えてバックプロパゲーション処理により出力値と期待値の誤差を最小とするように多層式のニューラルネットワークにおけるウェイト(重み)とバイアスが学習され、入力情報からより高い精度で火災を推定して警報可能とする。
また、火災判定部は、火災の判定に加え火災判定の根拠とした火災種別を表示させるようにしたため、発生した火災の種類がわかることで、火災の種類に対応した消火活動や避難指示を行うことを可能とする。
図1は火災監視システムの第1実施形態を示した説明図である。図1に示すように、ビル等の施設の監視領域14には撮像部として機能する監視カメラ16が設置され、監視領域14を監視カメラ16により動画撮像している。監視カメラ16はRGBのカラー画像を例えば30フレーム/秒で撮像して動画として出力する。また、1フレームは例えば縦横4056×4056ピクセルの画素配置となる。
図2は図1に示した多層式ニューラルネットワークを用いた火災検出器及び学習制御部の機能構成を示した説明図である。
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38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、各ユニットにはウェイト(重み)とバイアス値が設定され、複数の入力値とウェイト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) ウェイト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4は図1の実施形態による火災監視制御を示したフローチャートである。図4に示すように、環境火災判別部24はステップS1で監視カメラ16により撮像された監視領域14の画像を入力して画像解析することにより例えばボイラー室であることを推定し、続いてステップS2に進み、推定したボイラー室での発生しやすい火災として油火災を判定し、学習制御部26に出力する。
(環境火災判別部の機能構成)
図5は図1の環境火災判別部の機能構成を示した説明図である。図5に示すように、環境火災判別部24は、画像入力部54、学習データセット記憶部56、画像解析部60及び火災種類判定部62を備える。画像解析部60は多層式ニューラルネットワークとして畳み込みニューラルネットワーク64と再帰型ニューラルネットワーク66を備え、また、畳み込みニューラルネットワーク64と再帰型ニューラルネットワーク66を学習するための学習制御部68を備えている。
図6は図5の画像解析部に設けられた畳み込みニューラルネットワークと再帰型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る。
図6に示すように、畳み込みニューラルネットワーク64は入力層74、複数の中間層76で構成されている。通常の畳み込みニューラルネットワークは最後の中間層76の後に、入力層、複数の中間層及び出力層を全結合して画像の特徴量から出力を推定する多層式ニューラルネットワークを設けているが、本実施形態は、入力画像の特徴量を抽出するだけで良いことから、後段の全結合の多層式ニューラルネットワークは設けていない。
図6に示す再帰型ニューラルネットワーク66は、畳み込みニューラルネットワーク64を用いて抽出した画像の特徴量を、単語ベクトルと共に入力して画像説明文を予測する。
再帰型ニューラルネットワーク66の学習対象は、単語ベクトル変換部82とLSTM隠れ層78であり、畳み込みニューラルネットワーク64からの特徴量は、学習済みのパラメータをそのまま使用する。
(1) 学習画像Iを畳み込みニューラルネットワーク64に入力し、特定の中間層76の出力を特徴ベクトルとして取り出す。
(2) 特徴ベクトルをLSTM入力層77からLSTM隠れ層78に入力する。
(3) 単語列Stをt=0からt=N−1まで順に入力し、それぞれのステップで確率pt+1を得る。
(4) 単語St+1を出力する確率pt+1(St+1)から求まるコストを最小化する。
学習済みの畳み込みニューラルネットワーク64と再帰型ニューラルネットワーク66を使用して画像説明文を生成する場合には、畳み込みニューラルネットワーク64に画像を入力して生成した特徴量のベクトルを再帰型ニューラルネットワーク66に入力し、単語の出現確率の積が高い順に単語列を並べて画像説明文を生成させる。この手順は次のようになる。
(1) 画像を畳み込みニューラルネットワーク64に入力し、特定の中間層76の出力を特徴ベクトルとして取り出す。
(2) 特徴ベクトルをLSTM入力層77からLSTM隠れ層78に入力する。
(3) 文の開始記号<S>を、ベクトル変換部82を使用してベクトルに変換し、LSTM隠れ層78に入力する。
(4) LSTM隠れ層78の出力から単語の出現確率が分かるので、上位M個(例えばM=20個)の単語を選ぶ。
(5) 1つ前のステップで出力した単語を、ベクトル変換部82を使用してベクトルに変換し、LSTM隠れ層78に入力する。
(6) LSTM隠れ層78の出力から、これまでに出力した単語の確率の積を求め、上位M個の単語列を選択する。
(7) 前記(5)と前記(6)の処理を、単語の出力が終端記号になるまで繰り返す。
図7は火災監視システムの第2実施形態を示した説明図、図8は図7の火災検出器及び学習制御部の機能構成を示した説明図、図9は図7の火災判定部の機能構成を火災検出器、環境火災判別部及び閾値設定部と共に示した説明図である。
油火災閾値 Wth=0.6
電気火災閾値 Xth=0.9
薬品火災閾値 Yth=0.9
燻焼火災閾値Zth=0.9
に設定する。
図10は図7の実施形態による火災監視制御を示したフローチャートである。図10に示すように、環境火災判別部24はステップS11で監視カメラ16により撮像された監視領域14の画像を入力して画像解析することにより例えばボイラー室であることを推定し、続いてステップS12に進み、推定したボイラー室での発生しやすい火災として油火災を判定し、閾値設定部27に出力する。
(学習機能)
上記の実施形態に示した火災検出器は、多層式ニューラルネットワークの学習機能を備えた場合を例にとっているが、多層式ニューラルネットワークの学習は、学習機能を備えたサーバ等の別のコンピュータ設備を使用して行い、その結果得られた学習済みの多層式ニュートラルネットワークを火災検出器に実装して使用するようにしても良い。
上記の実施形態は、監視環境としてボイラー室、電気室、サーバルーム、実験室等を例にとつているが、これ以外の適宜の場所や用途であっても良い。また、上記の実施形態は、監視環境から発生しやすい火災の種類として、油火災、電気火災、薬品火災、燻焼火災を例にとっているが、これ以外の適宜の種類の火災を含む。
上記の実施形態は、監視領域の火災監視を例にとっているが、これ以外に、屋外に監視カメラや炎検知器などのセンサ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、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、多層式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、画像による火災監視を例にとっているが、入力情報として、画像データとセンサデータを並列的に取り扱っても良い。画像データは例えば、1ピクセルあたりの白黒値が入力項として取り扱われ、センサデータは例えば、センサごとの検出値が入力項として取り扱われる。この場合、中間層に於いて画像の特徴抽出がなされた中間層の項と、センサデータによる影響を受ける中間層の項が、火災検出を判定する次段以降の中間層の項に対して影響を与えるようになることが教育結果として望ましいが、火災の監視を有効にできるならこれに限らない。
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火災検出器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、学習済みの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。
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:火災受信機
14:監視領域
16:監視カメラ
18:火災感知器
20:火災検出器
20−1:油火災検出器
20−2:電気火災検出器
20−3:薬品火災検出器
20−4:燻焼火災検出器
22:信号ケーブル
24:環境火災判別部
26,68:学習制御部
27:閾値設定部
28:火災判定部
30,54:画像入力部
32:多層式ニューラルネットワーク
34:学習画像記憶部
36:制御部
38:特徴抽出部
40:認識部
42:入力画像
43,45a,45b:重みフィルタ
44a,44b,44c:特徴マップ
46,74:入力層
48:全結合
50,76:中間層
52:出力層
56:画像データセット記憶部
60:画像解析部
62:火災種類判定部
64:畳み込みニューラルネットワーク
66:再帰型ニューラルネットワーク
70:判定器
72:シソーラス辞書
77:LSTM入力層
78:LSTM隠れ層
80:単語レジスタ
82:単語ベクトル変換部
84:確率変換部
86:コスト算出部
Claims (10)
- 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用いて、監視領域の入力情報に基づき火災を検出する火災監視システムに於いて、
前記監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、
前記環境火災判別部により判定された種類の火災により前記火災検出器の多層式のニューラルネットワークをディープラーニングにより学習させる学習制御部と、
前記監視領域の前記入力情報を学習済みの前記火災検出器に入力した場合に出力される火災推定値を所定の閾値と比較して火災を判定する火災判定部と、
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、
前記環境火災判別部は、前記監視領域の監視環境から複数種類の火災を判別した場合に、発生しやすい火災の順に優先度を設定し、
前記学習制御部は、前記環境火災判別部で判定された優先度の高い1又は複数種類の火災により前記多層式のニューラルネットワークを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。
- 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用いて、監視領域の入力情報に基づき火災を検出する火災監視システムに於いて、
前記監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、
学習制御部による火災の種類毎のディープラーニングにより学習された複数種類の火災検出器と、
前記入力情報を学習済みの前記複数種類の火災検出器に入力した場合に出力される火災推定値の各々を、火災の種類に対応した所定の閾値と比較して火災を判定する火災判定部と、
前記火災判定部における前記火災の種類に対応した閾値を、前記環境火災判別部で判定された火災の種類を判定しやすいように設定する閾値設定部と、
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3記載の火災監視システムに於いて、
前記閾値設定部は、前記環境火災判別部により判定された火災の種類に対応した閾値を、それ以外の火災の種類に対応した閾値に対し低い値に設定することを特徴とする火災監視システム。
- 請求項1乃至4何れかに記載の火災監視システムに於いて、
前記環境火災判別部は、
撮像部により撮像された前記監視領域の画像を解析し、前記画像に含まれる要素を単語として出力する多層式のニューラルネットワークで構成された画像解析部と、
前記画像解析部から出力された画像に含まれる要素の単語を、辞書に予め記憶した所定の監視環境を示す単語と比較して前記監視領域の環境を推定し、推定した前記監視環境に対応して発生しやすい火災の種類を判定する火災種類判定部と、
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乃至5何れかに記載の火災監視システムに於いて、
前記火災検出器は、センサにより検出された物理量及び又は撮像部により撮像された前記監視領域の画像を前記入力情報として入力することで前記火災推定値を出力することを特徴とする火災監視システム。
- 請求項1乃至6何れかに記載の火災監視システムに於いて、
前記監視環境は、ボイラー室、電気室、サーバ−ルーム、調理室、実験室を含み、
前記環境火災判別部で判定される火災の種類は、燻焼火災、油火災、電気火災及び薬品火災を含むことを特徴とする火災監視システム。
- 請求項1乃至7何れかに記載の火災監視システムに於いて、
前記火災検出器の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、前記入力情報を入力することで前記入力情報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
することで前記火災推定値を出力する複数の全結合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。
- 請求項1乃至8何れかに記載の火災監視システムに於いて、
前記学習制御部は、前記火災検出器の多層式のニューラルネットワークに学習情報を入力した場合に出力される値と所定値の期待値との誤差に基づくバックプロパゲーションにより、前記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を特徴とする火災監視システム。
- 請求項1乃至9何れかに記載の火災監視システムに於いて、
前記火災判定部は、火災の判定に加え火災判定の根拠とした火災の種類を表示させることを特徴とする火災監視システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017207801A JP6942029B2 (ja) | 2017-10-27 | 2017-10-27 | 火災監視システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017207801A JP6942029B2 (ja) | 2017-10-27 | 2017-10-27 | 火災監視システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019079446A JP2019079446A (ja) | 2019-05-23 |
JP6942029B2 true JP6942029B2 (ja) | 2021-09-29 |
Family
ID=66628836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017207801A Active JP6942029B2 (ja) | 2017-10-27 | 2017-10-27 | 火災監視システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6942029B2 (ja) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395924B (zh) * | 2019-08-16 | 2024-02-20 | 阿里巴巴集团控股有限公司 | 一种遥感监测方法及装置 |
JP7432325B2 (ja) | 2019-08-31 | 2024-02-16 | ホーチキ株式会社 | 防災支援システム及び火災感知器 |
CN110941988B (zh) * | 2019-10-11 | 2023-06-13 | 国网安徽省电力有限公司超高压分公司 | 火焰识别方法、***以及用于识别火焰的神经网络 |
JP7293157B2 (ja) * | 2020-03-17 | 2023-06-19 | 株式会社東芝 | 画像処理装置 |
CN111860143B (zh) * | 2020-06-10 | 2022-08-02 | 北京航空航天大学 | 一种面向巡检机器人的火焰实时检测方法 |
KR102253224B1 (ko) * | 2020-09-08 | 2021-05-18 | (주)텔코코리아아이에스 | 스마트형 화재 감지기 |
CN112735083A (zh) * | 2021-01-19 | 2021-04-30 | 齐鲁工业大学 | 一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关及其部署方法 |
CN112885021B (zh) * | 2021-01-27 | 2022-12-23 | 上海大学 | 一种基于复合算法的多传感器火灾预测方法及*** |
CN113177496A (zh) * | 2021-05-10 | 2021-07-27 | 浙江大华技术股份有限公司 | 一种火点检测方法、装置、设备及存储介质 |
CN113657238B (zh) * | 2021-08-11 | 2024-02-02 | 南京精益安防***科技有限公司 | 基于神经网络的火灾早期预警方法、存储介质及终端设备 |
CN115025419B (zh) * | 2022-04-20 | 2023-05-12 | 上海阔步实业有限公司 | 新能源车辆主动消防***及消防控制方法 |
CN114970745B (zh) * | 2022-06-17 | 2023-07-04 | 淮阴工学院 | 物联网智能安防与环境大数据*** |
CN115147993B (zh) * | 2022-09-05 | 2022-12-06 | 无锡卓信信息科技股份有限公司 | 一种封闭场所火灾预警***及其***数据的处理方法 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4066761B2 (ja) * | 2001-11-27 | 2008-03-26 | 松下電工株式会社 | 火災警報システム |
JP5356094B2 (ja) * | 2009-03-31 | 2013-12-04 | 能美防災株式会社 | 火災検出システム |
-
2017
- 2017-10-27 JP JP2017207801A patent/JP6942029B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019079446A (ja) | 2019-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6942029B2 (ja) | 火災監視システム | |
JP6943401B2 (ja) | 火災監視システム | |
JP6867153B2 (ja) | 異常監視システム | |
JP6857007B2 (ja) | 火災監視システム | |
JP7072700B2 (ja) | 監視システム | |
EP3531386B1 (en) | Fire monitoring system | |
JP6849411B2 (ja) | 監視システム | |
US10854062B2 (en) | Fire monitoring system | |
US11093747B2 (en) | Hazard recognition | |
CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
JP6968530B2 (ja) | 火災監視システム | |
CN112926522B (zh) | 一种基于骨骼姿态与时空图卷积网络的行为识别方法 | |
CN110147762A (zh) | 一种嵌入式消防误报消除*** | |
CN112633262B (zh) | 通道监测方法、装置、电子设备及介质 | |
CN114140751B (zh) | 一种考场监控方法及*** | |
CN115049988A (zh) | 一种用于配电网监测及预判的边缘计算方法及装置 | |
CN115394034A (zh) | 火灾风险的确定方法、装置、***和机器人 | |
CN111723690B (zh) | 一种电路设备状态监测方法和*** | |
CN110263661B (zh) | 一种基于新颜色空间与fast-LOF的火焰检测方法及装置 | |
CN117315776A (zh) | 人体行为的识别方法、装置、终端设备和存储介质 | |
CN117274881A (zh) | 基于一致性正则化和分布对齐的半监督视频火灾检测方法 | |
CN118038141A (zh) | 红外、紫外和图像火灾探测***和方法 | |
CN117496423A (zh) | 一种基于深度学习的低复杂度实时火灾与烟雾检测方法 | |
CN115775365A (zh) | 一种文物古建筑受控烟火干扰辨识方法、装置及计算设备 | |
CN118172720A (zh) | 一种在油田作业场景下的危险施工姿势检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200814 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210412 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210414 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210531 |
|
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: 20210818 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210907 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6942029 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |