JP7072700B2 - 監視システム - Google Patents
監視システム Download PDFInfo
- Publication number
- JP7072700B2 JP7072700B2 JP2021059552A JP2021059552A JP7072700B2 JP 7072700 B2 JP7072700 B2 JP 7072700B2 JP 2021059552 A JP2021059552 A JP 2021059552A JP 2021059552 A JP2021059552 A JP 2021059552A JP 7072700 B2 JP7072700 B2 JP 7072700B2
- Authority
- JP
- Japan
- Prior art keywords
- fire
- learning
- detector
- input
- neural network
- 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
- Image Analysis (AREA)
- Burglar Alarm Systems (AREA)
- Alarm Systems (AREA)
- Fire Alarms (AREA)
Description
本発明は、多層式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を用いて、入力情報に基づき監視領域の異常を検出する監視システムに於いて、
各異常検出器の入力情報を学習情報として収集する学習情報蓄積部と、
学習情報蓄積部に収集された学習情報を用いて、異常検出器とは別に設けられ異常検出器の多層式ニューラルネットワークと同じ構成の多層式ニューラルネットワークを学習させ、当該学習済みの多層式ニューラルネットワーク又は当該学習により変更された多層式ニューラルネットワークのパラメータに異常検出器の多層式ニューラルネットワーク又は多層式ニューラルネットワークのパラメータを更新させる学習制御部と、
が設けられ、
多層式ニューラルネットワークの学習は、類似環境の異常検出器の入力情報に基づく学習情報毎に行われることを特徴とする。
各異常検出器の入力情報を学習情報として収集する学習情報蓄積部と、
学習情報蓄積部に収集された他の異常検出器の入力情報に基づく学習情報を含んだ学習情報を用いて、各異常検出器の多層式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、
が設けられたことを特徴とする。
多層式ニューラルネットワークの学習は、類似環境の他の異常検出器の入力情報に基づく学習情報を含んだ学習情報を用いて行われることを特徴とする。
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する。
学習情報蓄積部は、異常を監視している受信機による監視結果に対応した各異常検出器の入力情報を学習情報として収集する。
学習情報蓄積部は、火災感知器により火災を監視している火災受信機による監視結果に対応した各火災検出器の入力情報を学習情報として収集する。
学習情報蓄積部は、火災受信機により火災感知器の火災発報に基づく火災移報信号が入力された後に火災断定操作に基づく火災断定移報信号が入力された場合、所定時間前から火災移報信号の入力時までの各火災検出器の入力情報を火災の学習情報として収集する。
火災感知器は温度又は煙濃度を検出して検出アナログ値を火災受信機に送って火災を判断させ、
学習情報蓄積部は、検出アナログ値が所定の火災判断レベルに達し、火災受信機により火災感知器の火災発報に基づく火災移報信号が入力された後に火災断定操作に基づく火災断定移報信号が入力された場合、検出アナログ値が火災判断レベルより低い所定の火災予兆レベルを超えたときから火災移報信号の入力時までの各火災検出器の入力情報を火災の学習情報として収集する。
学習情報蓄積部は、火災受信機により火災感知器の火災発報に基づく火災移報信号が入力された後に復旧操作に基づく復旧移報信号が入力された場合、所定時間前から火災移報信号の入力時までの各火災検出器の入力情報を非火災の学習情報として収集する。
火災感知器は温度又は煙濃度を検出して検出アナログ値を受信機に送って火災を判断させ、
学習情報蓄積部は、検出アナログ値が所定の火災判断レベルに達し、火災受信機により火災感知器の火災発報に基づく火災移報信号が入力された後に復旧操作に基づく復旧移報信号が入力された場合、検出アナログ値が火災判断レベルより低い所定の火災予兆レベルを超えたときから火災移報信号の入力時までの各火災検出器の入力情報を非火災の学習情報として収集する。
学習情報蓄積部は、火災受信機の通常監視状態の各火災検出器の入力情報を非火災の学習情報として収集する。
学習情報蓄積部は、盗難検出器により盗難を監視している盗難受信機による監視結果に対応した各盗難検出器の入力情報を学習情報として収集する。
本発明は、多層式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を用いて、入力情報に基づき監視領域の異常を検出する異常監視システムに於いて、ディープラーニングにより異常検出器を学習させる学習制御部を有するようにしたため、人為的な解析では異常か非異常かが判断できないセンサの出力や監視領域の画像から高い精度で異常を推定して警報可能とする。
また、各異常検出器の入力情報を学習情報として収集する学習情報蓄積部と、学習情報蓄積部に収集された学習情報を用いて、異常検出器とは別に設けられ異常検出器の多層式ニューラルネットワークと同じ構成の多層式ニューラルネットワークを学習させ、当該学習済みの多層式ニューラルネットワーク又は当該学習により変更された多層式ニューラルネットワークのパラメータに異常検出器の多層式ニューラルネットワーク又は多層式ニューラルネットワークのパラメータを更新させる学習制御部と、が設けられ、多層式ニューラルネットワークの学習は、類似環境の異常検出器の入力情報に基づく学習情報毎に行われるため、センサにより検出された物理量又は撮像部により撮像された画像が学習情報として学習情報蓄積部に多数の学習情報が自動的に収集され、収集された多数の学習情報により異常検出器とは別に設けられた多層式ニューラルネットワークの学習が行われ、学習の済んだ多層式ニューラルネットワーク又は当該学習により変更された多層式ニューラルネットワークのパラメータに異常検出器の多層式ニューラルネットワーク又は多層式ニューラルネットワークのパラメータが更新されることで、センサで検出した物理量やカメラで撮像した画像を入力して所定の異常を高い精度で判定可能とする。
また、各異常検出器の入力情報を学習情報として収集する学習情報蓄積部と、学習情報蓄積部に収集された他の異常検出器の入力情報に基づく学習情報を含んだ学習情報を用いて、各異常検出器の多層式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、が設けられたため、センサにより検出された物理量又は撮像部により撮像された画像が学習情報として学習情報蓄積部に多数の学習情報が自動的に収集され、収集された多数の学習情報が各異常検出器で学習に用いられるため、センサで検出した物理量やカメラで撮像した画像を入力して所定の異常を高い精度で判定可能とする。
また、多層式ニューラルネットワークの学習は、類似環境の他の異常検出器の入力情報に基づく学習情報を含んだ学習情報を用いて行われるため、環境の特徴を考慮した異常検出器となるように学習可能となる。監視領域の環境に応じて、異常の種類や異常の拡大の仕方が異なり、例えば倉庫、事務所、店舗、工場に環境が分けられるとき、倉庫は侵入等、事務所は火事、店舗は窃盗、工場は事故等、環境に応じた異常の検出が必要となる。また、火災等について、環境によってどのような種類の火災が発生するかが異なる。環境の特徴を考慮した異常検出器とすることで、それぞれの環境で発生しやすい異常について検出精度の高い異常検出を行うことが可能となる。
また、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の入力情報から多数の学習情報を取得して異常検出器の多層式のニューラルネットワークを効率良く学習させることができ、その後、入力情報を学習済みの異常検出器に入力することで、高い精度で異常を推定して警報可能とする。
また、学習情報蓄積部は、異常を監視している受信機による監視結果に対応した各異常検出器の入力情報を学習情報として収集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の入力情報から多数の学習情報を取得して異常検出器に使用する多層式ニューラルネットワークを効率良く学習させることができ、高い精度で異常を推定して警報可能とする。
また、学習情報蓄積部は、火災感知器により火災を監視している火災受信機による監視結果に対応した各異常検出器の入力情報を学習情報として収集するようにしたため、人為的な解析では火災か非火災かが判断できないセンサの出力や監視領域の画像から高い精度で火災を推定して警報可能とする。
また、学習情報蓄積部は、火災受信機により火災感知器の火災発報に基づく火災移報信号が入力された後に火災断定操作に基づく火災断定移報信号が入力された場合、所定時間前から火災移報信号の入力時までの各異常検出器の入力情報を火災の学習情報として収集するようにしたため、例えば、火災発報の5分前からの画像を録画装置から読み出して火災の学習情報として学習情報蓄積部に収集した後に学習させる場合、録画画像が30フレーム/秒で録画されていたとすると、5分の録画画像から9000枚の画像が得られ、多数の火災の学習情報による学習が簡単に実現可能となり、監視カメラにより撮像している監視画像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、火災感知器は温度又は煙濃度を検出して検出アナログ値を火災受信機に送って火災を判断させ、学習情報蓄積部は、検出アナログ値が所定の火災判断レベルに達し、火災受信機により火災感知器の火災発報に基づく火災移報信号が入力された後に火災断定操作に基づく火災断定移報信号が入力された場合、検出アナログ値が火災判断レベルより低い所定の火災予兆レベルを超えたときから火災移報信号の入力時までの各異常検出器の入力情報を火災の学習情報として収集するようにしたため、アナログ型の火災感知器により検知している監視領域の温度や煙濃度が、火災判断レベルより低い火災の予兆となる所定の火災予兆レベルに達したときからの火災の学習情報を学習情報蓄積部にアップロードした後に学習することから、火災の初期段階からの火災と判断されるまでの多数の火災による学習情報を収集して学習することができ、火災感知器等のセンサデータや監視カメラにより撮像している監視画像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、学習情報蓄積部は、火災受信機により火災感知器の火災発報に基づく火災移報信号が入力された後に復旧操作に基づく復旧移報信号が入力された場合、所定時間前から火災移報信号の入力時までの各異常検出器の入力情報を非火災の学習情報として収集するようにしたため、例えば、火災発報の5分前からの画像を録画装置から読み出し、学習情報蓄積部に収集して非火災の学習画像として学習させる場合、録画画像が30フレーム/秒で録画されていたとすると、5分の録画画像から9000枚の画像が得られ、多数の非火災の学習画像を収集して学習することができ、監視カメラにより撮像している監視画像からより高い精度で非火災を認識して誤報を確実に防止可能とする。
また、火災感知器は温度又は煙濃度を検出して検出アナログ値を受信機に送って火災を判断させ、学習情報蓄積部は、検出アナログ値が所定の火災判断レベルに達し、火災受信機により火災感知器の火災発報に基づく火災移報信号が入力された後に復旧操作に基づく復旧移報信号が入力された場合、検出アナログ値が火災判断レベルより低い所定の火災予兆レベルを超えたときから火災移報信号の入力時までの各異常検出器の入力情報を非火災の学習情報として収集するようにしたため、アナログ型の火災感知器により検知している監視領域の温度や煙濃度が、火災判断レベルより低い火災の予兆となる所定の火災予兆レベルに達したときからの非火災の学習情報を学習情報蓄積部に収集した後に学習することから、火災の初期段階からの非火災と判断されるまでの多数の非火災による学習情報を収集して学習することができ、火災感知器等のセンサデータや監視カメラにより撮像している監視画像からより高い精度で非火災を推定して誤報を確実に防止可能とする。
また、学習情報蓄積部は、火災受信機の通常監視状態の各異常検出器の入力情報を非火災の学習情報として収集するようにしたため、通常監視状態での監視領域の入力情報に対する非火災の推定精度が向上し、その後に、火災受信機の火災監視に連動した火災の入力情報又は非火災の入力情報による学習が行われ、多層式ニューラルネットワークの火災及び非火災に対する推定の精度が更に向上される。
また、学習情報蓄積部は、火災受信機の通常監視状態の各異常検出器の入力情報を非火災の学習情報として収集するようにしたため、通常監視状態での監視領域の入力情報に対する非火災の推定精度が向上し、その後に、火災受信機の火災監視に連動した火災の入力情報又は非火災の入力情報による学習が行われ、多層式ニューラルネットワークの火災及び非火災に対する推定の精度が更に向上される。
図1はサーバにより学習された火災検出器を配置して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。
火災報知設備10は、その一つを代表して示すように、ビル等の施設の監視領域18には撮像手段として機能する監視カメラ20が設置され、監視領域18を監視カメラ20により動画撮像している。監視カメラ20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1に示すように、サーバ12は、サーバ制御部28、通信部30、表示部32、操作部34、記憶装置36を備える。サーバ制御部28は例えばプログラムの実行により実現される機能であり、ハードウェアとしてはCPU、メモリ、AD変換ポートを含む各種の入出力ポート等を備えたコンピュータ回路等を使用する。
(火災検出器の機能構成)
図2は監視カメラで撮像した画像から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火災検出器の機能構成を示した説明図である。
学習情報収集部50は、受信機16により火災感知器22の火災発報に基づく火災移報信号E1が入力されて火災警報が出力され、管理責任者等による現場確認で火災が確認され、これに基づき受信機16の火災断定操作に基づく火災断定移報信号E2が入力された場合、例えば5分前となる所定時間前から火災移報信号E1が入力されるまでの監視領域の画像を録画装置48から読出して送信バッファ52に格納し、通信部54に指示して送信バッファ52に格納された画像を、火災の学習画像として読出してインターネット11を介してサーバ12にアップロードさせる制御を行う。
判定制御部42は、通信部54を介してサーバ12から学習済みの多層式ニューラルネットワークが受信バッファ44にダウンロードされた場合、多層式ニューラルネットワーク46を受信バッファ44にダウンロードされた学習済みの多層式ニューラルネットワークに更新する制御を行う。
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。なお、図1のサーバ12側に配置された火災検出器14aに設けられたニューラルネットワークも同じ機能構成となる。
図3(B)は特徴抽出部56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。
図1に示したサーバ12のサーバ制御部28に設けられた学習制御部38は、所定のタイミングで記憶装置36の学習画像蓄積部40から火災の学習画像と非火災の学習画像を多数読出し、火災検出器14aに設けられた図3に示したと同じ機能構成の多層式ニューラルネットワーク46の学習をバックプロパゲーションにより繰り返し行い、その重みとバイアスを変更させる学習制御を行う。
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設定され、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搬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1に示したサーバ12の学習制御部38は、所定のタイミングで学習画像蓄積部40に蓄積されている火災報知設備10から収集された火災の学習画像を図3に示したと同じ多層式ニューラルネットワーク46に入力して推定値y*を求め、火災の期待値y=1との誤差関数の値を最小とするようにバックプロパゲーションを、火災の学習画像を変えながら繰り返し行って誤差関数を最小化することで重みとバイアスを変更する学習を行う。
図4は図2の学習情報収集部による受信機の火災監視に連動して学習画像を収集してサーバにアップロードする学習画像収集制御を示したフローチャートである。
(火災画像学習の収集)
図2に示した火災検出器の学習情報収集部50による他の学習制御の実施形態として、監視区域にアナログ火災感知器が設置され、アナログ火災感知器により温度又は煙濃度を検出して検出アナログ値を受信機16に送って火災を判断させている場合、火災予兆が判断された時から火災が判断されるまでの画像を録画装置48から読み出して送信バッファ52に格納し、火災の学習画像としてインターネット11を介してサーバ12にアップロードする。
また、学習情報収集部50は、受信機16からアナログ火災感知器からの温度又は煙濃度の検出アナログ値が所定の火災予兆レベルTH1に達して予兆警報が出力され、続いて、検出アナログ値が火災判断レベルTH2に達して火災発報に基づく火災移報信号が入力されて火災警報が出力され、管理責任者等のよる現場確認で非火災であった場合には、受信機16で復旧操作が行われ、復旧操作に基づく復旧移報信号が入力されることから、火災予兆が検出された時から火災移報信号が入力するまでの監視領域の画像を録画装置48から読出して送信バッファ52に格納し、非火災の学習画像としてインターネット11を介してサーバ12にアップロードし、火災検出器14aの多層式ニューラルネットワークに入力してバックプロパゲーションにより学習を行わせる。
(火災監視システムの概要)
図6はサーバにより学習された火災検出器を配置してセンサとして機能するアナログ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。
火災検出器14は図2と同じ機能構成であるが、多層式ニューラルネットワーク46は、図3(A)に示す認識部58を構成する全結合ニューラルネットワークのみとし、特徴抽出部56となる畳み込みニューラルネットワークは除いている。
(火災報知設備毎にカスタマイズされた学習)
上記の実施形態におけるサーバに複数の火災報知設備から収集された学習画像による多層式ニューラルネットワークの学習は、収集された学習画像を火災報知設備毎に分類して蓄積するか、又は、警戒区域が類似している複数の火災報知設備にグループ化して蓄積し、分類された火災報知設備又は火災報知設備グループに対応して多層式ニューラルネットワークをサーバ側に準備し、それぞれに対応する学習画像を使用して学習し、学習済みの多層式ニューラルネットワークを対応する火災報知設備の火災検出器にダウンロードするようにしても良い。
上記の実施形態は、サーバで学習を行う構成としているが、サーバは入力情報を格納するものであり、各異常検出器がサーバ内に格納された入力情報をダウンロードして学習するようにしても良い。
サーバでの学習、異常検出器での学習いずれの場合においても、監視対象の環境が類似している異常検出器の入力情報を用いて多層式ニューラルネットワークの学習を行うようにしても良い。監視対象の環境は、サーバに保存され、どの異常検出器の入力情報がどの異常検出器の学習情報に用いられるか管理される。監視対象の環境は、ユーザによって登録されるものでも良いが、異常検出器の初期化学習によって環境を特定し、特定した環境に応じてカテゴライズされることが、登録の手間を防ぐ点で有利である。
上記の実施形態は、火災監視を例にとっているが、盗難監視にも適用できる。盗難監視の場合には、図1の監視カメラを用いた監視システムについては、受信機16を盗難受信機とし、火災感知器22を盗難検出器とすれば良い。また、図6の監視システムでは、受信機16を盗難受信機とし、アナログ火災感知器80を盗難検出器とすれば良い。
また、不法行為の事前検出にも適用できる。盗難、放火等の不法行為を行おうとする人物の動き、例えば周りを頻繁に見渡すなどの動きを学習し、不法行為を行うより先に異常検出し、警報を出力する。警報出力の方法としては、例えば監視カメラを監視する警備室のモニタ等に監視カメラの画像を表示し、当該人物を赤枠などで囲う様に表示すればよい。
また、入退室システムとの連携により、異常な侵入等の監視についても適用できる。入退室システムは、例えばカードや指紋等で対象人物が特定の領域へ入退室可能か判定している。しかし、入退室システムでは、入室可能な人物と一緒に入室不可能なはずの人間が入室するという共連れ等の問題が発生している。上記の共連れのような不法行為について、カメラ画像と入退室システムの情報を入力として異常を学習、検出することにも適用できる。本願は、サーバで学習した異常検出器をダウンロードさせて現場の異常検出器に利用できるため、別の場所で新しく発生した不法行為についても学習し、対応可能となる。
上記の実施形態における学習済みの多層式ニューラルネットワークのダウンロードによる更新は、学習済みの多層式ニューラルネットワークのアプリケーションプログラムをダウンロードするものであるが、学習により変更されるのはネットワークの重みとバイアスであることから、学習済みの重みとバイアス値を抽出し、これを火災報知設備側にダウンロードし、火災報知設備側に設けている多層式ニューラルネットワークの重みとバイアス値を更新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、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、受信機の火災監視に連動して赤外線画像の学習画像を収集してサーバにアップロードし、サーバで赤外線学習画像を使用して多層式ニューラルネットワークを学習し、学習済みの多層式ニューラルネットワークを火災報知設備側にダウロードして、赤外線画像から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、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、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、画像による異常監視とセンサによる異常監視をそれぞれ別形態としているが、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、異常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学習結果として望ましいが、異常の監視を有効にできるならこれに限らない。
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。
11:インターネット
12:サーバ
14,14a:火災検出器
16:受信機
18:監視領域
20:監視カメラ
22:火災感知器
24:信号ケーブル
26:感知器回線
28:サーバ制御部
30,54:通信部
32:表示部
34:操作部
36:記憶装置
38:学習制御部
40:学習画像蓄積部
42:判定制御部
44:受信バッファ
46:多層式ニューラルネットワーク
48:録画装置
50:学習情報収集部
52:送信バッファ
56:特徴抽出部
58:認識部
60:入力画像
62,66a,66b:重みフィルタ
64a~64c:特徴マップ
68:入力層
70:結合層
72:中間層
74:出力層
80:アナログ火災感知器
82:伝送路
Claims (12)
- 多層式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を用いて、入力情報に基づき監視領域の異常を検出する監視システムに於いて、
各異常検出器の前記入力情報を学習情報として収集する学習情報蓄積部と、
前記学習情報蓄積部に収集された前記学習情報を用いて、前記異常検出器とは別に設けられ前記異常検出器の多層式ニューラルネットワークと同じ構成の多層式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、当該学習済みの多層式ニューラルネットワーク又は当該学習により変更された多層式ニューラルネットワークのパラメータに前記異常検出器の多層式ニューラルネットワーク又は多層式ニューラルネットワークのパラメータを更新させる学習制御部と、
が設けられ、
前記多層式ニューラルネットワークの学習は、類似環境の異常検出器の入力情報に基づく学習情報毎に行われることを特徴とする監視システム。
- 多層式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を用いて、入力情報に基づき監視領域の異常を検出する監視システムに於いて、
各異常検出器の前記入力情報を学習情報として収集する学習情報蓄積部と、
前記学習情報蓄積部に収集された他の異常検出器の入力情報に基づく学習情報を含んだ学習情報を用いて、各異常検出器の多層式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、
が設けられたことを特徴とする監視システム。
- 請求項2記載の監視システムに於いて、
前記多層式ニューラルネットワークの学習は、類似環境の他の異常検出器の入力情報に基づく学習情報を含んだ学習情報を用いて行われることを特徴とする監視システム。
- 請求項1乃至3何れかに記載の監視システムに於いて、
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することを特徴とする監視システム。
- 請求項1乃至4何れかに記載の監視システムに於いて、
前記学習蓄積収集部は、異常を監視している受信機による監視結果に対応した各異常検出器の入力情報を学習情報として収集することを特徴とする監視システム。
- 請求項1乃至4何れかに記載の監視システムに於いて、
前記学習情報蓄積部は、火災感知器により火災を監視している火災受信機による監視結果に対応した各火災検出器の入力情報を学習情報として収集することを特徴とする監視システム。
- 請求項6記載の監視システムに於いて、
前記学習情報蓄積部は、前記火災受信機により前記火災感知器の火災発報に基づく火災移報信号が入力された後に火災断定操作に基づく火災断定移報信号が入力された場合の所定時間前から前記火災移報信号の入力時までの各火災検出器の前記入力情報を火災の学習情報として収集することを特徴とする監視システム。
- 請求項6記載の監視システムに於いて、
前記火災感知器は温度又は煙濃度を検出して検出アナログ値を前記火災受信機に送って火災を判断させ、
前記学習情報蓄積部は、前記検出アナログ値が所定の火災判断レベルに達し、前記火災受信機により前記火災感知器の火災発報に基づく火災移報信号が入力された後に火災断定操作に基づく火災断定移報信号が入力された場合の前記検出アナログ値が前記火災判断レベルより低い所定の火災予兆レベルを超えたときから前記火災移報信号の入力時までの各火災検出器の前記入力情報を火災の学習情報として収集することを特徴とする監視システム。
- 請求項6又は7記載の監視システムに於いて、
前記学習情報蓄積部は、前記火災受信機により前記火災感知器の火災発報に基づく火災移報信号が入力された後に復旧操作に基づく復旧移報信号が入力された場合の所定時間前から前記火災移報信号の入力時までの各火災検出器の前記入力情報を非火災の学習情報として収集することを特徴とする監視システム。
- 請求項6又は8記載の監視システムに於いて、
前記火災感知器は温度又は煙濃度を検出して検出アナログ値を前記火災受信機に送って火災を判断させ、
前記学習情報蓄積部は、前記検出アナログ値が所定の火災判断レベルに達し、前記火災受信機により前記火災感知器の火災発報に基づく火災移報信号が入力された後に復旧操作に基づく復旧移報信号が入力された場合の前記検出アナログ値が前記火災判断レベルより低い所定の火災予兆レベルを超えたときから前記火災移報信号の入力時までの各火災検出器の前記入力情報を非火災の学習情報として収集することを特徴とする監視システム。
- 請求項6乃至10何れかに記載の監視システムに於いて、
前記学習情報蓄積部は、前記火災受信機の通常監視状態の各火災検出器の入力情報を非火災の学習情報として収集することを特徴とする監視システム。
- 請求項1乃至4何れかに記載の監視システムに於いて、
前記学習情報蓄積部は、盗難検出器により盗難を監視している盗難受信機による監視結果に対応した各盗難検出器の入力情報を学習情報として収集することを特徴とする監視システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021059552A JP7072700B2 (ja) | 2016-10-27 | 2021-03-31 | 監視システム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016210241A JP6862144B2 (ja) | 2016-10-27 | 2016-10-27 | 監視システム |
JP2021059552A JP7072700B2 (ja) | 2016-10-27 | 2021-03-31 | 監視システム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016210241A Division JP6862144B2 (ja) | 2016-10-24 | 2016-10-27 | 監視システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021119469A JP2021119469A (ja) | 2021-08-12 |
JP7072700B2 true JP7072700B2 (ja) | 2022-05-20 |
Family
ID=62115469
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016210241A Active JP6862144B2 (ja) | 2016-10-24 | 2016-10-27 | 監視システム |
JP2021059552A Active JP7072700B2 (ja) | 2016-10-27 | 2021-03-31 | 監視システム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016210241A Active JP6862144B2 (ja) | 2016-10-24 | 2016-10-27 | 監視システム |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP6862144B2 (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7106997B2 (ja) * | 2018-06-04 | 2022-07-27 | 日本電信電話株式会社 | データ分析システムおよびデータ分析方法 |
JP7262735B2 (ja) * | 2018-10-29 | 2023-04-24 | 日本ケーブル株式会社 | 立体駐車装置の安全装置 |
JP7161920B2 (ja) * | 2018-11-09 | 2022-10-27 | セコム株式会社 | 店舗装置 |
KR102162844B1 (ko) * | 2018-12-14 | 2020-10-07 | 곽만석 | 대용량의 자동 소화장치 및 시스템 |
JP7286311B2 (ja) * | 2018-12-19 | 2023-06-05 | 清水建設株式会社 | 火災検出装置、火災検出方法、及びプログラム |
KR102245006B1 (ko) * | 2019-02-27 | 2021-04-28 | 주식회사 유니콤넷 | L2 스위치 장치 및 그것을 포함하는 영상 관제 시스템 |
JP7343290B2 (ja) * | 2019-03-29 | 2023-09-12 | 太陽誘電株式会社 | 判定システム、情報処理装置、サーバ、プログラムおよび判定方法 |
JP6742623B1 (ja) * | 2019-11-13 | 2020-08-19 | 尚範 伊達 | 監視装置、監視方法、及びプログラム |
JP7505730B2 (ja) | 2019-11-14 | 2024-06-25 | 株式会社アクセル | 推論システム、情報処理装置、及び情報処理プログラム |
US20230298445A1 (en) * | 2020-06-24 | 2023-09-21 | Nec Corporation | Learning apparatus, estimation apparatus, learning method, and non-transitory storage medium |
JP6783492B1 (ja) * | 2020-06-30 | 2020-11-11 | 株式会社鈴康 | 電話機、報知システム及びコンピュータプログラム |
KR102275989B1 (ko) * | 2021-01-18 | 2021-07-13 | (주)전원테크 | 화재 및 화재의 예상 전개방향을 예측할 수 있는 화재예측 시스템 |
CN116964591A (zh) | 2021-03-10 | 2023-10-27 | 索尼半导体解决方案公司 | 信息处理装置、信息处理***、信息处理方法和记录介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004199391A (ja) | 2002-12-18 | 2004-07-15 | Manabu Tanaka | 画像解析におけるしきい値決定方法とその装置、二値化装置並びに画像解析装置、学習機能付き情報処理方法と学習機能付き画像解析装置並びにそれらのための記録媒体 |
US20060017578A1 (en) | 2004-07-20 | 2006-01-26 | Shubinsky Gary D | Flame detection system |
CN101162545A (zh) | 2007-11-20 | 2008-04-16 | 华南理工大学 | 高层建筑火灾光温复合智能监测预报装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04365194A (ja) * | 1991-06-12 | 1992-12-17 | Toyoe Moriizumi | 火災報知装置 |
JP3032402B2 (ja) * | 1993-05-18 | 2000-04-17 | ホーチキ株式会社 | 火災判定装置及びニューラルネットワークの学習方法 |
JPH09196825A (ja) * | 1996-01-18 | 1997-07-31 | Fuji Facom Corp | プラントの異常検知装置 |
JPH10207734A (ja) * | 1997-01-17 | 1998-08-07 | Hitachi Ltd | 障害診断装置 |
JP2016139176A (ja) * | 2015-01-26 | 2016-08-04 | シャープ株式会社 | 画像処理装置、画像処理システム、画像処理方法、およびその画像処理プログラム |
-
2016
- 2016-10-27 JP JP2016210241A patent/JP6862144B2/ja active Active
-
2021
- 2021-03-31 JP JP2021059552A patent/JP7072700B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004199391A (ja) | 2002-12-18 | 2004-07-15 | Manabu Tanaka | 画像解析におけるしきい値決定方法とその装置、二値化装置並びに画像解析装置、学習機能付き情報処理方法と学習機能付き画像解析装置並びにそれらのための記録媒体 |
US20060017578A1 (en) | 2004-07-20 | 2006-01-26 | Shubinsky Gary D | Flame detection system |
CN101162545A (zh) | 2007-11-20 | 2008-04-16 | 华南理工大学 | 高层建筑火灾光温复合智能监测预报装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2021119469A (ja) | 2021-08-12 |
JP2018073024A (ja) | 2018-05-10 |
JP6862144B2 (ja) | 2021-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7072700B2 (ja) | 監視システム | |
WO2018079400A1 (ja) | 火災監視システム | |
JP6849411B2 (ja) | 監視システム | |
JP6857007B2 (ja) | 火災監視システム | |
JP6867153B2 (ja) | 異常監視システム | |
JP6942029B2 (ja) | 火災監視システム | |
WO2018116966A1 (ja) | 火災監視システム | |
JP6943401B2 (ja) | 火災監視システム | |
JP6968530B2 (ja) | 火災監視システム | |
EP2058777A1 (en) | Suspicious behavior detection system and method | |
US11729597B2 (en) | Digital twin disaster management system customized for underground public areas | |
US11830251B2 (en) | Video monitoring apparatus, method of controlling the same, computer-readable storage medium, and video monitoring system | |
KR20190117947A (ko) | 머신 러닝을 기반으로 한 화재 감시 시스템 | |
CN104969875A (zh) | 一种基于图像变化的宠物行为检测*** | |
KR20210030791A (ko) | 모니터링 대상 영상에서 이상 상황을 탐지하는 서버, 방법 및 컴퓨터 프로그램 | |
JP2010067206A (ja) | 画像センサ | |
KR102233679B1 (ko) | Ess 침입자 및 화재 감지 장치 및 방법 | |
CN113076791A (zh) | 用于监视摄像机的接近对象检测 | |
KR20120118339A (ko) | 지능형 무인 감시 서비스 방법 | |
WO2001048696A1 (en) | Method, device and computer program for monitoring an area | |
JP2020066970A (ja) | 侵入検知システム、検出装置および侵入検知管理システム | |
JP2005166054A (ja) | 動画像処理装置、及び映像監視システム | |
KR20150031059A (ko) | 패턴 인식 기술에 의한 범죄 예방 폐쇄 회로 티비 장치 개선 | |
JP7479535B1 (ja) | 人物検知システムおよび人物検知方法 | |
JP2018077759A (ja) | 監視システム、監視方法および監視プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210419 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220318 |
|
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: 20220420 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220510 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7072700 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |