JPH07129776A - 異常監視方法および装置 - Google Patents

Abstract

(57)【要約】 【目的】 監視対象物について画像の正常時における輝
度データの変動幅が広く、異常時と正常時の輝度データ
の差異が小さいものであっても正確に異常検出ができる
方法および装置を提供する。 【構成】 監視対象物を撮影し、その画像を入力する撮
影装置１と、入力された画像を処理する画像処理装置２
と、画像処理装置からのデータを入力して監視対象物の
異常の有無を判断する認識装置３とを備え、撮影装置か
ら入力された画像を２値化または多値化処理して異常領
域の抽出を行い、その結果を出力する異常領域の抽出装
置と、画像処理装置からの画像データを入力して予め学
習した結果に基いて正常または異常の状態についての判
断結果を出力するニューラルネットワーク装置と、異常
領域抽出装置とニューラルネットワーク装置の出力値に
基づき監視対象物の異常を有無を総合判断するファジィ
推論装置とからなる異常監視装置。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、異常監視方法および装
置に係り、特に監視カメラなどの撮影装置の画像を複数
の手法で認識し、ファジイ推論により総合判断をさせる
異常監視方法および装置に関する。

【０００２】

【従来の技術】火力プラントにおいては設備の長寿命
化、同プラントに対するパトロールの省力化等の要請に
より、設備監視の自動化要求が強まっている。そのため
重要機器（例えば燃料供給装置、バーナ部、主要バルブ
等）を監視テレビカメラを用いて、モニタテレビ上で集
中的に監視する方法が広く用いられるようになってい
る。また、近年の画像処理技術および処理装置の進展に
伴い、監視テレビカメラからの画像を画像処理して異常
の有無判定に使用するケースがＦＡ（ＦａｃｔｏｒｙＡ
ｕｔｏｍａｔｉｏｎ）分野からの波及として増加する傾
向にある。

【０００３】しかしながら、テレビカメラでは監視領域
が限られ、ボイラプラント全体をカバーできず、実際に
は巡視員による１日約６〜７回の目視、または聴覚によ
る巡視点検が行われている。この巡視点検業務は異常発
見に対し熟練を要するものであり、かなりの負担となっ
ている。また、発電所のニーズとして監視の中央集中
化、または省力化に伴う人的な制約があり、現在、巡視
員に代わって現場を巡視点検するロボットが開発されて
いる。

【０００４】人間の巡視に対する機能を分析すると、
（１）状態把握、（２）移動、（３）状態判断（正常ま
たは異常）、（４）処理機能に大別され、これに相当す
るシステム機能は、（１）センサ技術、（２）移動機
構、（３）コンピュータ技術、（４）運転ガイダンス表
示となる。これらのシステムを具体化し、ロボットによ
る点検システムを実現させると、その概略は図２２に示
すように次の３つの部分から構成される。すなわち
（１）現場を巡回点検する監視ロボット１２、（２）監
視ロボットからの情報を処理し、異常の有無を判断する
異常判断装置１４、（３）現場の生画像、生音響を提示
し、異常判断装置から異常有の判断が出れば、異常内容
の提示を行うマン・マシン・インターフェース１５であ
る。

【０００５】監視ロボットには人間の五感のうち、視
覚、聴覚、嗅覚および触覚に匹敵するＩＴＶカメラ、マ
イクロフォン、ガスセンサおよび非接触型の温度計を搭
載している。これらのセンサを用い、現場内をくまなく
移動し、各情報を収集して廻る。また、ある領域内の異
常検知として、河川などの汚泥や油を監視する場合があ
るので以下にその検出例を述べる。

【０００６】画像処理フローチャートを図２３に示す。
同図の（ａ）に示すように、ロボットは第１画像とし
て、監視したい位置の対象物の正常時の状態を画像とし
てメモリに記憶しておく。監視時には図２３の（ｂ）の
処理を行う。すなわち、第１画像として取り込んだ同じ
位置で第２画像を取り込み、画像と画像の減算を行い変
化分を抽出し、面積計算を行い、異常かどうかを判定す
る。この面積計算を行う理由は以下のとおりである。

【０００７】画像と画像のマッチングは、一般的に固定
カメラで同一場所を取り込んだ画像同士でも、必ず１画
素分ぐらいのズレを生じる。これはカメラの揺れなどが
あるためであり、まして川の流れのように、表面の輝度
が時々刻々変化しているので、正常時でも差画像として
画像のズレが生じる。すなわち、減算を行うと、正常な
画像においても画像変化分が抽出され、この変化分を誤
判定しないために判定規準にしきい値を設けている。

【０００８】以上の処理を行った実例を図２４に示す。
これは川の流れの表面をカメラにより監視した場合であ
る。図においてＡ₁ は正常時の画像であり、Ｂ₁ は水面
上に油が浮いて流れている場合の画像である。この２つ
の画像を前処理として、ノイズ除去、２値化処理を行っ
たものがＡ₂ とＢ₂ である。ここで２値化処理とは画像
を画素単位でとらえ、あるしきい値を規準に輝度の高い
ものを白、低いものを黒とする処理であり、一般に画像
処理の前処理として行われているものである。次にＡ₂
とＢ₂ においてＥＸＯＲ演算（排他的論理和演算）を行
うと、油の部分とその他に川の水面上のズレも検出され
た画像Ｃを得ることができる。この種の異常検知手法は
一般的であり、製品としては無人監視用デジタル画像セ
ンサ等の異常判断ロジックで使用されている（ただし、
カメラは固定）。

【０００９】しかしながら、前述したように、常に基準
画像をメモリとして持ってなくてはならないという不便
さがあり、以下のような問題点がある。すなわち、
（１）日照変化の影響を受け易い（朝と昼で基準画像に
大きな輝度の差がある。また、木や橋等の何らかの影が
存在すると、その影を異常と判断してしまう）こと、
（２）対象物がズレたりすると基準画像との画像変化が
大きくなり異常と判定すること、（３）ロボットに正確
な位置決めが要求されること、（４）基準画像を点検場
所、監視対象物ごとに持たなければならず、ロボットの
メモリ不足となることである。

【００１０】一方、上記に示すように図２３のような画
像処理に基づく異常判断ではなく、画像データをニュー
ラルネットワークに入力し、自己学習させることによ
り、規準画像をメモリとして持たずに、画像情報に含ま
れる外乱に対する誤判断が少なく、検知感度が高い異常
検出方法および装置が提案されている。しかしながら、
このような方法および装置においても、正常または異常
な種々の画像をニューラルネットワークで学習させる場
合に、その学習パターンによっては収束させるのに長時
間を要したり、学習パターンの選び方によっては、あい
まいな認識結果を出力する場合がある。これは学習パタ
ーンに比較的近い対象画像であれば、該学習済ニューラ
ルネットワークは妥当な認識結果を出力するが、既学習
パターンと比較してかなりかけ離れた対象画像では、正
常と異常の判断が困難な場合が生じることによるもので
ある。

【００１１】ここで、基準画像をメモリとして持たない
上記異常検出方法を前述した川の流れにおける油等の監
視の例で説明する。川の表面をカメラで撮影した場合の
輝度分布の例を図６に示す。ここでは輝度を１０段階に
分けて、油、日影、標準的な水面および日光の反射して
いる部分の各々の画素数を示す。このように、特に屋外
では１つの画像の中で輝度分布の範囲が非常に広いた
め、すべての可能性のある画像をニューラルネットワー
クに学習させることは実用上困難である。

【００１２】また、日影と油のように輝度分布の差が少
ない場合、正常か異常かの認識率を向上させるには、図
５に示す種々の画像の中でも、正常画像としては、最も
標準的な図５（ｅ）と日影を含む図５（ｂ）とし、異常
画像としては、各々の正常画像に対応して図５（ｆ）お
よび図５（ａ）を学習パターンとして選定することが学
習の収束、ニューラルネットの認識能力の点で有力であ
る。

【００１３】このように、異常時の輝度分布に較べて、
正常時の輝度部分やその経時的変化のほうが大きい場合
が多いため、入力データの差の小さい異常監視（ここで
は、日影と油の判別）を目的とする場合には、異常デー
タとあまりにかけ離れた正常データ（ここでは、日光の
反射等）をも学習パターンとして選定すると、画像の収
束性が極端に悪くなるばかりでなく、いわゆるニューラ
ルネットワークの汎化能力の点でも劣ることになる。

【００１４】

【発明が解決しようとする課題】上記２値化処理を主力
とした検知手法およびニューラルネットを用いた学習認
識の手法には、正常時における輝度データの分布が非常
に広く、しかも異常時と正常時の輝度データの差異が小
さい場合に異常を検出という点で限界があった。本発明
の目的は、上記のような対象の画像データに対しても誤
判断の少ない高度な異常監視を可能とする異常監視方法
および装置を提供することにある。

【００１５】

【課題を解決するための手段】上記目的を達成するため
本願で特許請求される発明は以下のとおりである。 （１）撮影装置により監視対象物を撮影しその画像を入
力する工程と、入力された画像を画像処理装置により所
要の画像データに処理する工程と、処理された画像デー
タに基づき認識装置により前記対象物についての異常の
有無を判断する認識工程とを備えた異常監視方法におい
て、上記入力された画像を２値化または多値化処理して
画像中の異常領域を抽出し出力する工程と、上記処理さ
れた画像データを学習機能を有するニューラルネットワ
ークに入力して異常または正常の程度を出力する工程
と、上記２つの出力値をファジイ推論装置に入力して監
視対象物の正常か異常かの総合的判断を行う工程とを備
えたことを特徴とする異常監視方法。

【００１６】（２）監視対象物を撮影しその画像を入力
する工程と、入力された画像を所要の画像データに処理
する工程と、処理されたデータに基づき前記対象物につ
いての異常の有無を判断する認識工程とを備えた異常監
視方法において、上記処理された画像データを処理して
画像中の異常領域を抽出して出力する工程と、上記処理
された画像データを学習機能を有するニューラルネット
ワークに入力して異常または正常の程度を出力する工程
と、監視対象の正常時の画像データの変化範囲や検出す
べき異常の度合いに応じて上記異常領域抽出工程からの
出力およびニューラルネットワークによる出力に対する
ファジイ推論装置のメンバーシップ関数を調整する工程
と、調整されたファジイ推論装置に、前記異常領域抽出
工程からの出力およびニューラルネットワークからの出
力を入力して監視対象物の異常の有無を判断する工程と
を備えたことを特徴とする異常監視方法。

【００１７】（３）監視対象物を撮影しその画像を入力
する撮影装置と、入力された画像を処理する画像処理装
置と、画像処理装置からのデータを入力し前記対象物の
異常の有無を判断する認識装置とを備えた異常監視装置
において、前記撮影装置から入力された画像を２値化ま
たは多値化処理して異常領域の抽出を行いその結果を出
力する異常領域抽出装置と、上記画像処理装置からの画
像データを入力して、あらかじめ学習した結果に基づ
き、正常または異常の状態についての判断結果を出力す
るニューラルネットワーク装置と、上記異常領域抽出装
置とニューラルネットワーク装置の出力値に基づき監視
対象物の異常の有無を総合判断するファジイ推論装置と
を備えたことを特徴とする異常監視装置。

【００１８】

【作用】対象画像の輝度データを用いた異常監視方法に
おいて、正常時と異常時の差が大きい場合に有力な２値
化処理等の手法により異常領域を抽出する機能と、正常
時と異常時の差が小さい、またはその差がある程度変動
する場合でも、有力なニューラルネットワークによる学
習・認識機能とを併用し、しかもファジイ推論により、
上述の複数の手法間に重み付けすることができるので、
広範囲な正常時の変化が存在する監視対象においても誤
判断が少なく、軽微な異常状態を検出できる。

【００１９】

【実施例】図１に本発明の実施例としての基本構成を示
す。カメラ１により監視対象の画像を取り込み、画像処
理装置２に入力する。画像処理装置２では、認識装置３
からの指令に基づき必要な処理を行う。認識装置３で
は、図３に示すアルゴリズムによって、まず１つの二次
手法として２値化処理後、黒白の画像に変換され、その
うちの黒の画素数がヒストグラム演算によって出力され
る。この黒の画素数を全体の画素数で除した割合Ｗを求
め、これが１つの認識結果を示す。

【００２０】もう１つの認識手法では、まず取り込んだ
画像を圧縮する。これは一般にカメラからの輝度信号に
基づき、画像処理装置２では１画像の画素としては、例
えば縦５１２×横４８０の約２５万個のオーダーの数の
デジタル信号で、輝度データが出力される。１画素をニ
ューラルネットワークの入力層ニューロン１個に対応さ
せれば、膨大な規模のネットワークとなり、学習や認識
が処理時間やコンピュータのメモリの制限から非現実的
であるので、間引きや近傍の画素の輝度の平均化等を行
い処理すべき輝度データを削減する機能である。

【００２１】次に、あらかじめ学習用画像を正常または
異常として学習収束したニューラルネットワークに入力
し、その出力層のニューロン出力Ｒ１の値が認識結果を
示す。なお、Ｒ１の教師信号は図４に示すように０が正
常、１が異常とした。以上の２つの手法による各々の認
識結果ＷとＲ１を用いて、ファジイ推論により総合判断
を下す。

【００２２】下記に、本実施例でのファジイルールを記
す。 手法（１） ルール１；Ｗが小なら正常 〃 ２；Ｗが中位なら不明 〃 ３；Ｗが大なら異常 手法（２） ルール４；Ｒ１が小なら正常 〃 ５；Ｒ１が中位なら不明 〃 ６；Ｒ１が大なら異常 各々のルールに対してメンバーシップ関数を図２に示
す。

【００２３】次に、川の流れにおける油の監視について
の実施例を示す。図７〜１４に示す画像を対象とした。
各図の左下が川の流れでの表面の画像で、その上部に点
線で囲んだ白黒の画像が、手法（１）での２値化処理後
の画像である。この際、点線内（以降、ウインドウと呼
ぶ）は、縦５×横６の合計３０個の画像の輝度データ
（ここでは１〜１０の１０段階に分けている）を示す。
そして２値化処理のしきい値は、図１５、１６に示すよ
うに輝度５以上が白、４以下が黒とした。各画素の輝度
データと２値化処理後の結果を図７〜１４の右側に示
す。

【００２４】２値化処理の手法においては、影と油の分
別が困難で、図７と図１２の正常時の画像に対する２値
化処理後の黒の画素の割合Ｗ＝６個／３０個≒０．２以
下を正常と判断せざるを得ない。さらに、川の表面の波
の大小によりこの正常時のＷの値も変化するわけであ
り、ここでは 0.2≦Ｗ≦0.4 を不明、 0.4＜Ｗを異常と
判断することにしている。各々のテスト画像；図7 〜14
について、表１に２値化処理による判断結果を示す。

【００２５】

【表１】 次に、ニューラルネットによる認識結果について記す。
学習パターンとしては、正常時として図９と図１２を、
異常時として図１０と図１３を、各々右下に示す３０個
の輝度データを、図４に示すニューラルネットワークに
て学習させた。すなわち、図１７に示す画素の位置Ｎ
ｏ．を横軸にとった場合の各々の学習用輝度データを図
１８と図１９に示すが、正常か異常かの判断にこれらの
図に示す差があれば、妥当な認識が可能である。２値化
処理手法であれば、例えば図１２と図１３では、どちら
も黒の画素数が５個で等しく判別が不可能である。

【００２６】一方、表２に示すように、テスト画像が図
７や図１４（いずれも正常）に対するニューラルネット
ワークの出力値Ｒ１は、各々０．４２、０．４８となっ
ており、判断が正常とも異常ともいえない中間的な、あ
いまいな認識結果となっている。これは図２０と図２１
に示すように、日光の反射を含む図７と図１４の輝度分
布が４つの画素について大きな輝度値であり、学習パタ
ーンの輝度分布からのズレが大きいためである。その他
のテスト画像については、妥当な認識結果となってい
る。なお、テスト画像の中の図９′、図１０′、図１
２′および図１３′は、学習用画像に近い画像を使用し
た。

【００２７】

【表２】 以上、手法（１）の２値化処理の結果である表１と手法
（２）のニューラルネットワークの結果である表２か
ら、本発明におけるファジイ推論器を用いた総合判断結
果を表３に示す。表中に示す推論計算は、図２に示すメ
ンバーシップ関数によった。なお、推論値＜０．５；正
常、推論値≧０．５；異常とした。

【００２８】

【表３】

【００２９】表３の結果から、表１や表２のように個別
の手法のみでの監視装置では、誤判断やあいまいな認識
が生じていたが、本発明によればより正確な異常判断が
可能となることがわかる。以上述べた本発明の実施例に
ついて、さらに詳細に説明する。正常時の輝度分布が図
６のような分布であったとする。

【００３０】ニューラルネットワークでの学習パターン
として、例えば正常；図９（日影）、図１２（標準的な
水面）、異常；図１０（日影＋油もれ）、図１３（標準
的な水面＋油もれ）の４つを選定し、学習させたときの
認識テストを考えてみる。認識テスト用の画像を、正
常；図７、図９、図１２、図１３、図１４、異常；図
８、図１０、図１１とした場合の２値化処理方法の出力
値Ｗとニューラルネットワークによる認識値Ｒ１の各々
の値を表３に示している。これらの中から図９を例に示
す。この図は日影が川面にかかっており、２値化処理の
結果Ｗは全画素数縦５個×横６個＝３０個のうち、２値
化しきい値を５としている場合、図９の右上のマスに示
すように黒の数が１５個となり、Ｗは１５／３０＝０．
５となる。Ｗ＞０．４であるので、２値化処理のみでは
異常と判定。

【００３１】一方、ニューラルネットワークの出力値Ｒ
１は、この影は正常と学習させているので表２に示すよ
うにＲ１＝０．１３で正常と判定し、２値化処理では誤
判断しているが、ニューラルネットワークは正しく判定
している。さて次に、総合判断について述べる。まず、 ルール１ Ｗが小さいなら正常 ルール２ Ｗが中位なら不明 ルール３ Ｗが大なら異常 ルール４ Ｒ１が小さいなら正常 ルール５ Ｒ１が中位なら不明 ルール６ Ｒ１が大なら異常を図２５のように、メンバ
ーシップ関数で表わす。

【００３２】今、Ｗ＝０．５であるので、ルール１〜３
の前件部（左側のグラフ）のグラフの「中位」にはグレ
ード１．０で、「大」にはグレード０であるから、これ
らのグレードを後件部（右側のグラフ）のグラフの、前
件部「中位」→後件部「不明」のルール２に従ってファ
ジイ出力としては「不明」、すなわち０．５がグレード
１の重みをつけることになる。また、グレード０は何も
寄与しないので、ファジイ出力としては、 ０．５（「不明」の出力値）×１（グレード）＋１
（「異常」の出力値）×０（グレード）＝０．５ となる。

【００３３】Ｒ１＝０．１３であるので、ルール４〜６
の前件部のグラフの「小」と「中位」両方に各々０．７
１、０．２４のグレードがあり、ファジイ出力として
は、 ０×０．７１（グレード）＋０．５×０．２４（グレー
ド）＝０．１２ となる。以上のことから、図９については、

【００３４】

【数１】

【００３５】がファジイ推論結果となり、 この値について、０≦Ａ＜０．５：正常 ０．５≦Ａ ：異常 と最終判断をする。次に、ファジイ推論器において、監
視対象の正常時の画像データの変化範囲や検出すべき異
常の度合いに応じて、ファジイ推論器に入力される２値
化処理装置による判断出力や、ニューラルネットワーク
による判断出力に対して、メンバーシップ関数を調整す
ることにより、前記認識装置における各々の判断結果へ
の重み付けを行うが、以下、これについて図２６を使っ
て示す。

【００３６】ルールは、『Ｗが小さいときは「不明」と
する。』があるとすると、「小さい」という前件部のメ
ンバーシップ関数を実線にしたときと点線にしたときと
で、図２６のようにグレードが各々０．７、０．５とな
り、ファジイ出力は各々０．７×０．５＝０．３５、
０．５×０．５＝０．２５と変化する。このように入力
値Ｗの値に対して、後件部出力が実態の現象に合うよう
に、前件部の実線と点線の関係のようにメンバーシップ
関数を修正していく。

【００３７】なお、上記実施例の説明においては、撮影
装置から入力された画像について２値化処理を行って、
異常領域の抽出を行う側について説明したが、多値化処
理を行って異常領域の抽出を行うこともできることはも
ちろんである。図１の認識装置３の中での各種画像処理
による判断結果を用いて、ファジイ推論器４で総合判断
を実行するのが本発明の実施例であるが、他の実施例と
しては監視対象によっては、画像以外の情報（例えば音
響、各種プラント条件等）を認識装置３、またはファジ
イ推論器４へ統合することにより、検知感度を上げた
り、誤判断をさらに低減することが可能となる。また監
視対象も広範囲にすることができる。

【００３８】

【発明の効果】本発明によれば、２値化や多値化処理の
手法により、対象画像の中から異常領域を抽出するとい
う機能と、学習機能を有するニューラルネットワークに
よる高度な認識能力とを、ファジイ推論という形で組合
わせ、メンバーシップ関数の調整機能により総合判断を
実行することにより、２つの手法の特徴を生かし、かつ
その欠点を補完することになるので、異常監視システム
の検知感度を高くし、誤認識を低減できる。

【図面の簡単な説明】

【図１】本発明の実施例の全体構成図。

【図２】本発明の実施例におけるファジイ推論器のメン
バーシップ関数を示す図。

【図３】本発明の実施例の処理フロー図。

【図４】本発明におけるニューラルネットワークの構成
図。

【図５】本発明の実施例において対象とする川の流れに
対する画像を示す図。

【図６】川の表面の輝度分布を示す図。

【図７】本発明の実施例にて使用した画像データや処理
結果を示す図。

【図８】本発明の実施例にて使用した画像データや処理
結果を示す図。

【図９】本発明の実施例にて使用した画像データや処理
結果を示す図。

【図１０】本発明の実施例にて使用した画像データや処
理結果を示す図。

【図１１】本発明の実施例にて使用した画像データや処
理結果を示す図。

【図１２】本発明の実施例にて使用した画像データや処
理結果を示す図。

【図１３】本発明の実施例にて使用した画像データや処
理結果を示す図。

【図１４】本発明の実施例にて使用した画像データや処
理結果を示す図。

【図１５】本発明の実施例における２値化処理時のしき
い値を示す図。

【図１６】本発明の実施例における２値化処理時のしき
い値を示す図。

【図１７】本発明の実施例における画素の位置番号を示
す図。

【図１８】本発明の実施例におけるニューロの学習パタ
ーンの輝度分布を示す図。

【図１９】本発明の実施例におけるニューロの学習パタ
ーンの輝度分布を示す図。

【図２０】本発明の実施例におけるニューロのテスト用
画像の輝度分布を示す図。

【図２１】本発明の実施例におけるニューロのテスト用
画像の輝度分布を示す図。

【図２２】従来技術のシステム構成を示す図。

【図２３】従来技術の画像処理ロジックを示す図。

【図２４】従来技術における川の流れの表面の油検出例
を示す図。

【図２５】本発明の実施例におけるファジイ推論器にお
ける作動説明図。

【図２６】本発明の実施例におけるファジイ推論器にお
ける調整操作の説明図。

【符号の説明】

１…カメラ、２…画像処理装置、３…認識装置、４…フ
ァジイ推論器、５…表示装置。

Claims (3)

【特許請求の範囲】
1. 【請求項１】 撮影装置により監視対象物を撮影しその
   画像を入力する工程と、入力された画像を画像処理装置
   により所要の画像データに処理する工程と、処理された
   画像データに基づき認識装置により前記対象物について
   の異常の有無を判断する認識工程とを備えた異常監視方
   法において、上記入力された画像を２値化または多値化
   処理して画像中の異常領域を抽出し出力する工程と、上
   記処理された画像データを学習機能を有するニューラル
   ネットワークに入力して異常または正常の程度を出力す
   る工程と、上記２つの出力値をファジイ推論装置に入力
   して監視対象物の正常か異常かの総合的判断を行う工程
   とを備えたことを特徴とする異常監視方法。
2. 【請求項２】 監視対象物を撮影しその画像を入力する
   工程と、入力された画像を所要の画像データに処理する
   工程と、処理されたデータに基づき前記対象物について
   の異常の有無を判断する認識工程とを備えた異常監視方
   法において、上記処理された画像データを処理して画像
   中の異常領域を抽出して出力する工程と、上記処理され
   た画像データを学習機能を有するニューラルネットワー
   クに入力して異常または正常の程度を出力する工程と、
   監視対象の正常時の画像データの変化範囲や検出すべき
   異常の度合いに応じて上記異常領域抽出工程からの出力
   およびニューラルネットワークによる出力に対するファ
   ジイ推論装置のメンバーシップ関数を調整する工程と、
   調整されたファジイ推論装置に、前記異常領域抽出工程
   からの出力およびニューラルネットワークからの出力を
   入力して監視対象物の異常の有無を判断する工程とを備
   えたことを特徴とする異常監視方法。
3. 【請求項３】 監視対象物を撮影しその画像を入力する
   撮影装置と、入力された画像を処理する画像処理装置
   と、画像処理装置からのデータを入力し前記対象物の異
   常の有無を判断する認識装置とを備えた異常監視装置に
   おいて、前記撮影装置から入力された画像を２値化また
   は多値化処理して異常領域の抽出を行いその結果を出力
   する異常領域抽出装置と、上記画像処理装置からの画像
   データを入力して、あらかじめ学習した結果に基づき、
   正常または異常の状態についての判断結果を出力するニ
   ューラルネットワーク装置と、上記異常領域抽出装置と
   ニューラルネットワーク装置の出力値に基づき監視対象
   物の異常の有無を総合判断するファジイ推論装置とを備
   えたことを特徴とする異常監視装置。