JP2018072881A - 火災監視システム - Google Patents
火災監視システム Download PDFInfo
- Publication number
- JP2018072881A JP2018072881A JP2016207848A JP2016207848A JP2018072881A JP 2018072881 A JP2018072881 A JP 2018072881A JP 2016207848 A JP2016207848 A JP 2016207848A JP 2016207848 A JP2016207848 A JP 2016207848A JP 2018072881 A JP2018072881 A JP 2018072881A
- Authority
- JP
- Japan
- Prior art keywords
- fire
- input
- learning
- neural network
- monitoring system
- 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
- Fire-Detection Mechanisms (AREA)
- Alarm Systems (AREA)
- Fire Alarms (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を用いて、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、
ディープラーニングより火災検出器を学習させる学習制御部を有す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して記憶する記憶部を設け、
学習制御部は、記憶部に記憶されている入力情報を火災検出器の学習情報として学習させ、当該学習後に入力情報を火災検出器に入力することで火災を検出する。
学習制御部は、監視領域に設置された火災感知器が接続された受信機による火災監視結果に基づき、記憶部に記憶されている入力情報を学習情報として取り込む。
学習制御部は、火災感知器の火災発報による信号が入力された場合、所定時間前から火災発報による信号の入力時までの入力情報のうち、火災発報した火災感知器に対応する入力情報を記憶部から読出し、火災検出器に学習情報として入力してニューラルネットワークを学習させる。
学習制御部は、火災感知器の火災発報による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入力情報を記憶部から読出し、火災検出器に学習情報として入力してニューラルネットワークを学習させる。
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送って火災を判断させており、
学習制御部は、火災感知器の信号により火災が検出された場合、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検出時までの入力情報を記憶部から読出し、火災検出器に学習情報として入力してニューラルネットワークを学習させる。
学習制御部は、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入力情報を記憶部から読出し、火災検出器に非火災学習情報として入力してニューラルネットワークを学習させる。
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送って火災を判断させており、
学習制御部は、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定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入力情報を記憶部から読出し、火災検出器に非火災学習情報として入力してニューラルネットワークを学習させる。
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、入力情報を入力して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込み層を備えた畳込みニューラルネットワークとし、
認識部は、畳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、火災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。
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火災学習情報又は非火災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(誤差逆伝搬)により多層式のニューラルネットワークを学習させる。
学習制御部は、火災報知設備の通常監視状態で記憶装置に記憶された入力情報を読み出して、多層式のニューラルネットワークに非火災学習情報として入力して初期化学習させる。
初期化学習のタイミングは、装置立ち上げ時、所定の操作が行われたとき、入力情報に変化が略ないとき、所定時間間隔毎に行われその初回の時刻が変化する、のうちいずれかいずれか一つ以上を含む。
火災検出器は、火災の検出に加え火災と判定した要因について表示する。
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を用いて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、ディープラーニングより火災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、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記憶する記憶部を設け、学習制御部は、記憶部に記憶されている入力情報を火災検出器の学習情報として学習させ、当該学習後に入力情報を火災検出器に入力することで火災を検出するようにしたため、記憶部に記憶された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火災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火災検出器に入力することで、高い精度で火災を推定して警報可能とする。
また、学習制御部は、監視領域に設置された火災感知器が接続された受信機による火災監視結果に基づき、記憶部に記憶されている入力情報を学習情報として取り込むようにしたため、製造段階での標準的な火災及び非火災の画像により学習された火災検出器の多層式のニューラルネットワークは、火災報知設備の受信機の火災監視結果に基づき、例えは火災警報が出力された場合は、そのとき録画装置に録画されている画像を火災の画像として読出して多層式のニューラルネットワークを学習し、また、火災警報が出力されたが非火災であった場合には、そのとき録画装置に録画されている画像を非火災の画像といて読出して多層式のニューラルネットワークを学習することで、実際に撮像部としての監視カメラにより監視している監視領域に対応した火災及び非火災の画像による学習が効率的に行われ、監視カメラにより撮像している監視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、学習制御部は、火災感知器の火災発報による信号が入力された場合、所定時間前から火災発報による信号の入力時までの入力情報のうち、火災発報した火災感知器に対応する入力情報を記憶部から読出し、火災検出器に学習情報として入力してニューラルネットワークを学習させるようにしたため、火災の発生箇所における入力情報を学習データとして得られ、自動的に学習データを得ることが可能となる。
また、学習制御部は、火災感知器の火災発報による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入力情報を記憶部から読出し、火災検出器に学習情報として入力してニューラルネットワークを学習させるようにしたため、火災が確実に発生している状態での入力情報を火災時の入力情報として学習できるため、学習データに火災か非火災かのラベリングをする手間なく、誤りのない学習データにより学習できるようになる。
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送って火災を判断させており、学習制御部は、火災感知器の信号により火災が検出された場合、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検出時までの入力情報を記憶部から読出し、火災検出器に学習情報として入力してニューラルネットワークを学習させるようにしたため、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入力情報を記憶部から読出して学習することから、火災の初期段階からの火災と判断されるまでの多数の入力情報を火災の入力情報として読み出して学習することができ、火災の予兆検出を可能とする。
学習制御部は、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入力情報を記憶部から読出し、火災検出器に非火災学習情報として入力してニューラルネットワークを学習させるようにしたため、例えば、火災発報の5分前からの入力情報を記憶部から読出して非火災の入力情報として学習させる場合、火災が確実に発生していない状態での入力情報を非火災時の入力情報として学習できるため、学習データに火災か非火災かのラベリングをする手間なく、誤りのない学習データにより学習できるようになる。
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送って火災を判断させており、
学習制御部は、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定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入力情報を記憶部から読出し、火災検出器に非火災学習情報として入力してニューラルネットワークを学習させるようにしたため、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を示す所定の火災予兆レベルに達したが、火災以外の原因による温度や煙濃度の増加による非火災であった場合に、火災予兆レベルに達したときからの非火災の入力情報を非火災時の入力情報として学習することから、初期段階から非火災と判断されるまでの多数の入力情報を非火災の入力情報を記憶部から読出して学習することができ、火災の予兆と捉えられかねない非火災の状態に対して、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、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して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し、火災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火災入力情報又は非火災入力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(誤差逆伝搬)により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、火災警報に対応して記憶部から読み出した多数の入力情報を火災入力情報として入力し、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、学習制御部は、火災報知設備の通常監視状態で記憶部に記憶された監視領域の入力情報を読み出して、多層式のニューラルネットワークに非火災の入力情報として入力して初期化学習させるようにしたため、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、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、多層式の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、初期化学習のタイミングは、装置立ち上げ時、所定の操作が行われたとき、入力情報に変化が略ないとき、所定時間間隔毎に行われその初回の時刻が変化する、のうちいずれかいずれか一つ以上を含むようにしたため、装置立ち上げ時に初期化学習を行うことにより設置環境における非火災の状態を教育することが可能なり、所定の操作が行われたときに初期化学習を行うことにより任意のタイミングで非火災の状態を教育することができ、例えば内装が変化したときなどにすぐ非火災の状態を教育することが可能となる。また、センサ出力・カメラの撮影画像に変化が略ないときに初期化学習行うことにより確実に監視領域が安定した状態で自動的に非火災の状態を教育することができ、更に、所定時間間隔毎に行われその初回の時刻が変化するように初期化学習が行うことにより、例えば、初期化学習のタイミングを所定の時刻ごとにずらして行うことにより、ばらばらな時刻で非火災の学習データを得て非火災を学習することができる。
また、火災検出器は、火災の検出に加え火災と判定した要因について表示するようにしたため、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とにより、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。
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。
(判定装置の機能構成)
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判定装置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) ウエ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。
(火災画像による学習)
図2に示した判定装置10の学習制御部30は、受信機12により火災感知器18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12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が入力するまでの監視領域の画像を録画装置26から読出し、火災検出器24の多層式ニューラルネットワーク34に画像入力部32を介して火災画像として入力して推定値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、教師ありの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。
また、学習制御部30は、受信機12により火災感知器18の火災発報に基づく火災移報信号E1が入力された後に、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12で復旧操作が行われ、復旧操作に基づく復旧移報信号E3が入力されることから、この場合に、例えば5分前といった所定時間前から火災移報信号E1が入力するまでの監視領域の画像を録画装置26から読出し、火災検出器24のニューラルネットワーク34に画像入力部32を介して非火災画像として入力して推定値y*を求め、非火災の期待値y=0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、教師ありの画像を変えながら繰り返し行って重み付けとバイアスを変更する学習を行う。
図2に示した判定装置10の多層式ニューラルネットワーク34は、工場等における製造段階で重みとバイアスがランダムに初期化されており、予め準備された標準的な火災画像と非火災画像を用いたバックプロパゲーションによる学習で初期化され、この状態で図1に示すように監視対象となる施設に設置される。
図4は図1の学習制御部による火災受信機の火災監視に連動した多層式ニューラルネットワークの学習制御を示したフローチャートである。
(火災画像による学習)
図2に示した判定装置の学習制御部30による他の学習制御の実施形態として、警戒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13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26から読み出し、多層式ニューラルネットワーク34の学習をバックプロパゲーションにより行う。
また、学習制御部30は、受信機12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12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26から読出し、火災検出器24の多層式ニューラルネットワーク34に画像入力部32を介して非火災画像として火災画像として多層式ニューラルネットワーク34に入力してバックプロパゲーションにより重みとバイアスを変更する学習を行う。
(火災監視システムの概要)
図6は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。
図7はアナログ火災感知器からの検出信号により火災を推定する多層式の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。
(火災判断根拠の明示)
上記の実施形態は、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とセンサによる火災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、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グラムパーションにより学習し、学習が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:受信機
14:監視領域
16:監視カメラ
18:火災感知器
20:信号ケーブル
22:感知器回線
24:火災検出器
26:録画装置
28:学習画像保持部
30:学習制御部
32:画像入力部
34:多層式ニューラルネットワーク
36:判定部
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:入力層
48:結合層
50:中間層
52:出力層
60:アナログ火災感知器
62:伝送路
64:時系列データ生成部
66:時系列データ入力部
68:学習データ保持部
Claims (13)
- 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、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、
ディープラーニングより前記火災検出器を学習させる学習制御部を有する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、
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前記入力情報として記憶する記憶部を設け、
前記学習制御部は、前記記憶部に記憶されている入力情報を前記火災検出器の学習情報として学習させ、当該学習後に前記入力情報を前記火災検出器に入力することで火災を検出する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、前記学習制御部は、監視領域に設置された火災感知器が接続された受信機による火災監視結果に基づき、前記記憶部に記憶されている入力情報を学習情報として取り込む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、前記学習制御部は、前記火災感知器の火災発報による信号が入力された場合、所定時間前から前記火火災発報による信号の入力時までの前記入力情報のうち、火災発報した火災感知器に対応する入力情報を前記記憶部から読出し、前記火災検出器に学習情報として入力して前記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、所定時間前から前記火災移報信号の入力時までの前記入力情報を前記記憶部から読出し、前記火災検出器に学習情報として入力して前記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記載の火災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受信機に送って火災を判断させており、
前記学習制御部は、前記火災感知器により火災が検出された場合、前記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前記火災感知器により火災が検出された時までの前記入力情報を前記記憶部から読出し、前記火災検出器に学習情報として入力して前記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、所定時間前から前記火災移報信号の入力時までの前記入力情報を前記記憶部から読出し、前記火災検出器に非火災学習情報として入力して前記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記載の火災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受信機に送って火災を判断させており、
前記学習制御部は、前記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定操作に基づく復旧移報信号が入力された場合、前記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前記火災移報信号の入力時までの前記入力情報を前記記憶部から読出し、前記火災検出器に非火災学習情報として入力して前記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、前記入力情報を入力して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込み層を備えた畳込みニューラルネットワークとし、
前記認識部は、前記畳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、前記火災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。
- 請求項1記載の火災監視システムに於いて、前記学習制御部は、前記火災検出器の前記多層式のニューラルネットワークに火災学習情報又は非火災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、前記火災報知設備の通常監視状態で前記記憶装置に記憶された入力情報を読み出して、前記多層式のニューラルネットワークに非火災の学習情報として入力して初期化学習させることを特徴とする火災監視システム。
- 請求項11記載の火災監視システムに於いて、前記初期化学習のタイミングは、装置立ち上げ時、所定の操作が行われたとき、前記入力情報に変化が略ないとき、所定時間間隔毎に行われその初回の時刻が変化する、のうちいずれかいずれか一つ以上を含む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、前記火災検出器は、火災の検出に加え火災と判定した要因について表示する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 |
---|---|---|---|
JP2016207848A JP6857007B2 (ja) | 2016-10-24 | 2016-10-24 | 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 |
---|---|---|---|
JP2016207848A JP6857007B2 (ja) | 2016-10-24 | 2016-10-24 | 火災監視システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018072881A true JP2018072881A (ja) | 2018-05-10 |
JP6857007B2 JP6857007B2 (ja) | 2021-04-14 |
Family
ID=62115458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016207848A Active JP6857007B2 (ja) | 2016-10-24 | 2016-10-24 | 火災監視システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6857007B2 (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815863A (zh) * | 2019-01-11 | 2019-05-28 | 北京邮电大学 | 基于深度学习和图像识别的烟火检测方法和系统 |
CN110500138A (zh) * | 2019-09-25 | 2019-11-26 | 中国矿业大学(北京) | 一种煤矿井下皮带火灾预警系统 |
CN110633675A (zh) * | 2019-09-18 | 2019-12-31 | 东北大学 | 一种基于卷积神经网络的视频中火灾识别系统及方法 |
JP2020077328A (ja) * | 2018-11-09 | 2020-05-21 | セコム株式会社 | 店舗装置 |
JP2020134284A (ja) * | 2019-02-19 | 2020-08-31 | 学校法人 中央大学 | 情報処理装置、情報処理方法、及びプログラム |
JP2020140277A (ja) * | 2019-02-27 | 2020-09-03 | ホーチキ株式会社 | 火災検知器及び火災検知方法 |
CN111624925A (zh) * | 2020-06-15 | 2020-09-04 | 沈阳煤炭科学研究所有限公司 | 一种物联网型区域灭火安防监控系统 |
CN112424789A (zh) * | 2018-07-05 | 2021-02-26 | 莫维迪乌斯有限公司 | 利用神经网络的视频监视 |
CN113420803A (zh) * | 2021-06-16 | 2021-09-21 | 杭州申弘智能科技有限公司 | 一种适用于变电站的多探测器联合火警判定方法 |
CN114022850A (zh) * | 2022-01-07 | 2022-02-08 | 深圳市安软慧视科技有限公司 | 变电站火灾监控方法、系统及相关设备 |
CN117010532A (zh) * | 2023-10-07 | 2023-11-07 | 电子科技大学 | 基于多模态深度学习的综合管廊火灾趋势预测方法 |
JP7473886B2 (ja) | 2020-04-13 | 2024-04-24 | 株式会社イーアイアイ | 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 |
Citations (2)
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 |
-
2016
- 2016-10-24 JP JP2016207848A patent/JP6857007B2/ja active Active
Patent Citations (2)
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 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112424789A (zh) * | 2018-07-05 | 2021-02-26 | 莫维迪乌斯有限公司 | 利用神经网络的视频监视 |
JP7161920B2 (ja) | 2018-11-09 | 2022-10-27 | セコム株式会社 | 店舗装置 |
JP2020077328A (ja) * | 2018-11-09 | 2020-05-21 | セコム株式会社 | 店舗装置 |
CN109815863B (zh) * | 2019-01-11 | 2021-10-12 | 北京邮电大学 | 基于深度学习和图像识别的烟火检测方法和系统 |
CN109815863A (zh) * | 2019-01-11 | 2019-05-28 | 北京邮电大学 | 基于深度学习和图像识别的烟火检测方法和系统 |
JP2020134284A (ja) * | 2019-02-19 | 2020-08-31 | 学校法人 中央大学 | 情報処理装置、情報処理方法、及びプログラム |
JP7289670B2 (ja) | 2019-02-19 | 2023-06-12 | 学校法人 中央大学 | 情報処理装置、情報処理方法、及びプログラム |
JP2020140277A (ja) * | 2019-02-27 | 2020-09-03 | ホーチキ株式会社 | 火災検知器及び火災検知方法 |
CN110633675A (zh) * | 2019-09-18 | 2019-12-31 | 东北大学 | 一种基于卷积神经网络的视频中火灾识别系统及方法 |
CN110500138A (zh) * | 2019-09-25 | 2019-11-26 | 中国矿业大学(北京) | 一种煤矿井下皮带火灾预警系统 |
CN110500138B (zh) * | 2019-09-25 | 2024-05-24 | 中国矿业大学(北京) | 一种煤矿井下皮带火灾预警系统 |
JP7473886B2 (ja) | 2020-04-13 | 2024-04-24 | 株式会社イーアイアイ | 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 |
CN111624925A (zh) * | 2020-06-15 | 2020-09-04 | 沈阳煤炭科学研究所有限公司 | 一种物联网型区域灭火安防监控系统 |
CN113420803A (zh) * | 2021-06-16 | 2021-09-21 | 杭州申弘智能科技有限公司 | 一种适用于变电站的多探测器联合火警判定方法 |
CN114022850A (zh) * | 2022-01-07 | 2022-02-08 | 深圳市安软慧视科技有限公司 | 变电站火灾监控方法、系统及相关设备 |
CN114022850B (zh) * | 2022-01-07 | 2022-05-03 | 深圳市安软慧视科技有限公司 | 变电站火灾监控方法、系统及相关设备 |
CN117010532A (zh) * | 2023-10-07 | 2023-11-07 | 电子科技大学 | 基于多模态深度学习的综合管廊火灾趋势预测方法 |
CN117010532B (zh) * | 2023-10-07 | 2024-02-02 | 电子科技大学 | 基于多模态深度学习的综合管廊火灾趋势预测方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6857007B2 (ja) | 2021-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2018072881A (ja) | 火災監視システム | |
JP6849411B2 (ja) | 監視システム | |
WO2018079400A1 (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 | |
JP6942029B2 (ja) | 火災監視システム | |
WO2018116966A1 (ja) | 火災監視システム | |
JP7168052B2 (ja) | 監視システム及び監視方法 | |
US11626008B2 (en) | System and method providing early prediction and forecasting of false alarms by applying statistical inference models | |
JP6943401B2 (ja) | 火災監視システム | |
JP2018088630A (ja) | 火災監視システム | |
KR101980551B1 (ko) | 기계학습 객체검출을 이용한 실시간 지능형 cctv 영상 분석 행위 탐지 시스템 및 기계학습 객체검출을 이용한 실시간 지능형 cctv 영상 분석 행위 탐지 방법 | |
JP6631618B2 (ja) | 画像監視装置及び画像監視方法 | |
Khawandi et al. | Implementation of a monitoring system for fall detection in elderly healthcare | |
KR20200052418A (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
JP5042177B2 (ja) | 画像センサ | |
KR20210013865A (ko) | 생성적 대립 네트워크를 이용한 사람의 비정상 행동 탐지 시스템 및 방법 | |
KR102233679B1 (ko) | Ess 침입자 및 화재 감지 장치 및 방법 | |
CN114360194B (zh) | 一种多点监控可视化相阵式火灾报警系统 | |
CN115376268A (zh) | 一种基于图像识别的监控报警消防联动系统 | |
CN115049988A (zh) | 一种用于配电网监测及预判的边缘计算方法及装置 | |
CN112507925A (zh) | 一种基于慢特征分析的火灾检测方法 | |
US11087615B2 (en) | Video/sensor based system for protecting artwork against touch incidents | |
JP2012212248A (ja) | 異常検知装置 | |
JP5730099B2 (ja) | 異常検知装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190917 |
|
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: 20210122 |
|
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: 20210303 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210319 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6857007 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |