JP2018101416A - 火災監視システム - Google Patents
火災監視システム Download PDFInfo
- Publication number
- JP2018101416A JP2018101416A JP2017240097A JP2017240097A JP2018101416A JP 2018101416 A JP2018101416 A JP 2018101416A JP 2017240097 A JP2017240097 A JP 2017240097A JP 2017240097 A JP2017240097 A JP 2017240097A JP 2018101416 A JP2018101416 A JP 2018101416A
- Authority
- JP
- Japan
- Prior art keywords
- image
- fire
- learning
- block
- flame
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 279
- 238000013528 artificial neural network Methods 0.000 claims abstract description 160
- 239000000779 smoke Substances 0.000 claims abstract description 130
- 238000003860 storage Methods 0.000 claims description 61
- 238000009826 distribution Methods 0.000 claims description 53
- 238000003384 imaging method Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 abstract description 91
- 238000013135 deep learning Methods 0.000 abstract description 9
- 230000015572 biosynthetic process Effects 0.000 abstract 2
- 238000002485 combustion reaction Methods 0.000 description 26
- 238000000034 method Methods 0.000 description 22
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 21
- 238000002474 experimental method Methods 0.000 description 20
- 230000008859 change Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 19
- 230000002093 peripheral effect Effects 0.000 description 16
- 239000000463 material Substances 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000002265 prevention Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 208000001836 Firesetting Behavior Diseases 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 241000282472 Canis lupus familiaris Species 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 210000000857 visual cortex Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229920003002 synthetic resin Polymers 0.000 description 1
- 239000000057 synthetic resin Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
- Fire-Detection Mechanisms (AREA)
- Fire Alarms (AREA)
- Alarm Systems (AREA)
Abstract
Description
本発明は、火災監視システムに於いて、撮像部により撮像された監視領域の監視画像を複数のブロック画像に分割し、ブロック画像を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に入力して火災を検出することを特徴とする。
火災監視システムは、更に、
入力画像を学習画像として複数のブロック画像に分割すると共に、火災学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、
学習画像記憶部に記憶された火災学習ブロック画像及び正常学習ブロック画像を火災検出器に入力して多層式ニューラルネットワークを学習させる学習制御部と、
が設けられる。
多層式ニューラルネットワークに分割されたブロック画像を入力し、ブロック画像の種類を判定させ、当該判定結果を用いてブロック画像を分類して学習画像記憶部に記憶させる。
火災検出器は、火災が検出されたブロック画像の分布が時間の経過に伴い上方に移動及び又は拡大した場合に火災と判定する。
火災検出器は、火災が検出されたブロック画像の集合の状態に基づき火災を判定する。
火災検出器は、火災が検出されたブロック画像の分布をモニタ部に画面表示させる。
火災検出器は、ブロック画像を入力して火災の炎を検出する第1の多層式ニューラルネットワークと、ブロック画像を入力して火災の煙を検出する第2の多層式ニューラルネットワークを備え、更に、入力画像を学習画像として複数のブロック画像に分割すると共に、各ブロック画像に炎や煙の有無及び炎や煙の占める割合に応じて炎学習ブロック画像、煙学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、学習画像記憶部に記憶された災学習ブロック画像及び正常学習ブロック画像を第1の多層式ニューラルネットワークに入力して学習させ、学習画像記憶部に記憶された煙学習ブロック画像及び正常学習ブロック画像を第2の多層式ニューラルネットワークに入力して学習させる学習制御部と、が設けられる。
火災検出器は、炎と煙が検出されたブロック画像の分布をモニタ部に画面表示させる。
本発明の他の形態にあっては、火災監視システムに於いて、
監視領域から放射される所定の赤外線波長帯域の監視画像を撮像する撮像部と、
撮像部により撮像された監視画像から所定の赤外線強度以上の赤外線監視画像を抽出して複数のブロック画像に分割し、ブロック画像を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に入力して火災を検出することを特徴とする。
火災監視システムに於いて、更に、
入力画像を学習画像として複数のブロック画像に分割すると共に、火災学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、
学習画像記憶部に記憶された火災学習ブロック画像及び正常学習ブロック画像を火災検出器に入力して多層式ニューラルネットワークを学習させる学習制御部と、
が設けられ、
火災学習ブロック画像は、赤外線の炎画像が占める割合が所定割合以上の炎学習ブロック画像と、赤外線の熱気流画像が占める割合が所定割合以上の熱気流学習ブロック画像を含む。
本発明の別の形態にあっては、火災監視システムに於いて、
監視領域から放射される所定の紫外線波長帯域の監視画像を撮像する撮像部と、
撮像部により撮像された監視画像から所定の紫外線強度以上の紫外線監視画像を抽出して複数のブロック画像に分割し、ブロック画像を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に入力して火災を検出することを特徴とする。
火災監視システムに於いて、更に、
入力画像を学習画像として複数のブロック画像に分割すると共に、火災学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、
学習画像記憶部に記憶された火災学習ブロック画像及び正常学習ブロック画像を火災検出器に入力して多層式ニューラルネットワークを学習させる学習制御部と、
が設けられ、
火災学習ブロック画像は、紫外線の炎画像が占める割合が所定割合以上の炎学習ブロック画像と、紫外線の炎周辺画像が占める割合が所定割合以上の炎周辺学習ブロック画像を含む。
本発明は、火災監視システムに於いて、撮像部により撮像された監視領域の監視画像を複数のブロック画像に分割し、前記ブロック画像を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に入力して火災を検出するようにしたため、監視領域の画像全体に占める火災による炎や煙等の特徴的な部分が狭い範囲に限られても、監視画像を複数のブロック画像に分割することで、ブロック画像の画像全体に占める火災による特徴部分が広い範囲となり、ブロック画像を多層式ニューラルネットワークに入力した場合に、ブロック画像から高い精度で火災を推定して警報可能とする。
火災監視システムは、更に、入力画像を学習画像として複数のブロック画像に分割すると共に、各ブロック画像に炎や煙の有無及び炎や煙の占める割合に応じて火災学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、学習画像記憶部に記憶された火災学習ブロック画像及び正常学習ブロック画像を火災検出器に入力して多層式ニューラルネットワークを学習させる学習制御部とが設けられたため、例えば火災実験等により監視カメラで撮像された火災時の画像を学習画像として複数のブロック画像に分割し、炎や煙が全くないブロック画像は正常ブロック画像とし、炎や煙が目視されて大半を占めるブロック画像は火災ブロック画像とし、目視が難しい煙や炎があるが全体的には正常なブロック画像は非学習ブロック画像とする分類を行って記憶し、記憶された火災ブロック画像及び正常ブロック画像を火災検出器の多層式ニューラルネットワークに入力して学習させることで、学習ブロック画像の全体に占める火災による特徴部分を広い範囲とすることができ、監視領域の画像をブロック画像に分割して入力した場合に、高い精度で火災を検出可能とし、また、非火災要因に対する誤検出を防止し、結果的に火災の検出精度を向上させることを可能とする。
また、火災学習ブロック画像は、火災による炎が占める割合が所定割合以上の炎学習ブロック画像と、火災による煙が占める割合が所定割合以上の煙学習ブロック画像を含むようにしたため、火災学習画像から分割されたブロック画像につき、火災の特徴的部分となる炎や煙が確実に目視されるブロック画像を火災学習画像に分類することができ、火災の特徴的部分をもつブロック画像により多層式ニューラルネットワークの火災の推定精度を高める学習を可能とする。
また、多層式ニューラルネットワークに分割されたブロック画像を入力し、ブロック画像の種類を判定させ、当該判定結果を用いてブロック画像を分類して学習画像記憶部に記憶させるようにしたため、例えば分割されたブロック画像ごとに手動でブロック画像の種類を設定するような場合に設定者は確認行為を行うだけで設定可能となる。
また、火災検出器は、火災が検出されたブロック画像の分布が時間の経過に伴い上方に移動及び又は拡大した場合に火災と判定するようにしたため、多層式ニューラルネットワークによるブロック画像の火災判定に加え、火災が検出されたブロック画像の時系列的な分布の変化から火災に特有な炎や煙の時間的な動きを捉えることで、火災の判定精度を更に向上可能とする。また、多層式ニューラルネットワークによりブロック画像の火災が判定されても、これが調理に伴う炎や煙等の非火災要因による場合は、時間が経過しても火災が検出されたブロック画像の分布が大きく拡大することなく、ある範囲にとどまっており、非火災要因による誤報を確実に防止可能とする。
火災が検出されたブロック画像の時系列的な分布の変化から火災に特有な炎や煙の時間的な動きを捉えることで、火災の判定精度を更に向上可能とする。また、多層式ニューラルネットワークによりブロック画像の火災が判定されても、これが調理に伴う炎や煙等の非火災要因による場合は、時間が経過しても火災が検出されたブロック画像の分布が大きく拡大することなく、ある範囲にとどまっており、非火災要因による誤報を確実に防止可能とする。
火災検出器は、火災が検出されたブロック画像の集合の状態に基づき火災を判定するようにしたため、多層式ニューラルネットワークによるブロック画像の火災判定に加え、火災に特有な炎や煙の成長状態を捉えることで、火災の判定精度を更に向上可能とする。
また、火災検出器は、火災が検出されたブロック画像の分布をモニタ部に画面表示させるようにしたため、監視画像を分割したブロック画像につき、火災と正常のブロック画像の分布が例えば防災センターのモニタ画面に表示されることで、監視画像と連携した火災による炎や煙の状況を目視により確認可能とし、初期消火や避難誘導等の適切な対処を可能とする。
また、火災検出器は、ブロック画像を入力して火災の炎を検出する第1の多層式ニューラルネットワークと、ブロック画像を入力して火災の煙を検出する第2の多層式ニューラルネットワークを備え、更に、入力画像を学習画像として複数のブロック画像に分割すると共に、各ブロック画像に炎や煙の有無及び炎や煙の占める割合に応じて炎学習ブロック画像、煙学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、学習画像記憶部に記憶された災学習ブロック画像及び正常学習ブロック画像を第1の多層式ニューラルネットワークに入力して学習させ、学習画像記憶部に記憶された煙学習ブロック画像及び正常学習ブロック画像を第2の多層式ニューラルネットワークに入力して学習させる学習制御部が設けられたため、炎の学習ブロック画像と煙の学習ブロック画像を生成して、それぞれ異なる第1と第2の多層式ニューラルネットワークに入力して学習させることで、監視画像を分割したブロック画像の入力に対し第1のニューラルネットワークはブロック画像の炎の有無を高い精度で検出し、第2の多層式ニューラルネットワークはブロック画像の煙を高い精度で検出し、両者を組み合わせることで、より精度の高い火災判定を可能とする。
また、火災検出器は、災と煙が検出されたブロック画像の分布をモニタ部に画面表示させるようにしたため、炎、煙及び正常のブロック分布が例えば防災センターのモニタ画面に表示された監視画像に重ねて表示されることで、監視画像と連携した火災による炎や煙の状況の目視による確認を更に行い易くできる。
本発明の別の形態にあっては、火災監視システムに於いて、監視領域から放射される所定の赤外線波長帯域の監視画像を撮像する撮像部と、撮像部により撮像された監視画像から所定の赤外線強度以上の赤外線監視画像を抽出して複数のブロック画像に分割し、ブロック画像を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に入力して火災を検出するようにしたため、撮像部により撮像された例えば7〜14μmの赤外線波長帯域の監視画像として、監視領域の温度に対応した輝度の赤外線画像が得られ、可視光画像では炎や煙が見えづらい燻燃火災やコンセントや配線の異常加熱等の火災の前兆現象等を捉えて早期に火災を検出することを可能とする。
また、火災監視システムに於いて、更に、入力画像を学習画像として複数のブロック画像に分割すると共に、火災学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、学習画像記憶部に記憶された火災学習ブロック画像及び正常学習ブロック画像を火災検出器に入力して多層式ニューラルネットワークを学習させる学習制御部とが設けられ、火災学習ブロック画像は、赤外線の炎画像が占める割合が所定割合以上の炎学習ブロック画像と、赤外線の熱気流画像が占める割合が所定割合以上の熱気流学習ブロック画像を含むようにしたため、例えば火災実験等により監視カメラで撮像された赤外線画像(温度分布画像)を学習画像として複数のブロック画像に分割し、火災又は火災の原因となる高温領域の全くないブロック画像は正常ブロック画像とし、炎や熱気流による高温領域が大半を占めるブロック画像は火災ブロック画像とし、赤外線画像は僅かにあるが全体的には正常なブロック画像は非学習ブロック画像とする分類を行って記憶し、記憶された火災ブロック画像及び正常ブロック画像を火災検出器の多層式ニューラルネットワークに入力して学習させることで、学習ブロック画像の全体に占める火災による赤外線画像の特徴部分を広い範囲とすることができ、監視領域の画像をブロック画像に分割して入力した場合に、高い精度で火災を検出可能とし、また、非火災要因に対する誤検出を防止し、結果的に火災の検出精度を向上させることを可能とする。
本発明の別の形態にあっては、火災監視システムに於いて、撮像部により撮像された所定の紫外光波長帯域の監視画像を複数のブロック画像に分割し、ブロック画像を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に入力して火災を検出するようにしたため、撮像部により撮像された例えば水素ガスの燃焼による炎に特有なOH基の共鳴放射帯である280nm〜309nmを含む例えば200〜4000μmとなる紫外線波長帯域の監視画像として、監視領域の紫外線強度に対応した赤外線画像が得られ、可視光画像では極めて見えづらい水素ガスの燃焼による火災を確実に検出することを可能とする。
また、火災監視システムは、更に、入力画像を学習画像として複数のブロック画像に分割すると共に、火災学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、学習画像記憶部に記憶された火災学習ブロック画像及び正常学習ブロック画像を火災検出器に入力して多層式ニューラルネットワークを学習させる学習制御部とが設けられ、火災学習ブロック画像は、紫外線の炎画像が占める割合が所定割合以上の炎学習ブロック画像と、紫外線の炎周辺画像が占める割合が所定割合以上の炎周辺学習ブロック画像を含むようにしたため、例えば火災実験等により監視カメラで撮像された所定紫外線強度を超える水素ガス燃焼時の紫外線画像を学習画像として複数のブロック画像に分割し、紫外線画像の全くないブロック画像は正常ブロック画像とし、炎及び炎周辺の紫外線画像が大半を占めるブロック画像は火災ブロック画像とし、紫外線画像が僅かにあるが全体的には正常なブロック画像は非学習ブロック画像とする分類を行って記憶し、記憶された火災ブロック画像及び正常ブロック画像を火災検出器の多層式ニューラルネットワークに入力して学習させることで、学習ブロック画像の全体に占める水素ガスの燃焼による火災画像の特徴部分を広い範囲とすることができ、監視領域の画像をブロック画像に分割して入力した場合に、高い精度で水素ガスの燃焼による火災を検出可能とし、また、非火災要因に対する誤検出を防止し、結果的に水素ガスの燃焼による火災の検出精度を向上させることを可能とする。
図1は監視カメラ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火災時の画像から学習ブロック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。
炎ブロックの場合は(y1,y2,y3) =(1,0,0)
煙ブロックの場合は(y1,y2,y3) =(0,1,0)
正常ブロックの場合は(y1,y2,y3)=(0,0,1)
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。
煙学習ブロック画像の期待値(y1,y2,y3) =(0,1,0)
正常学習ブロック画像の期待値(y1,y2,y3)=(0,0,1)
を使用し、前述した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、録画部36、火災画像記憶部38、ブロック画像記憶部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、録画部36、火災画像記憶部38、ブロック画像記憶部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6は図2の学習画像生成装置による学習画像生成制御を示したフローチャートであり、図2に示した学習画像生成制御部34による制御となる。
図7は図2の判定装置による火災検出制御を示したフローチャートであり、図2に示した火災検出器24による制御となる。
図9は炎検出用と煙検出用の多層式ニューラルネットワークを設けた判定装置の機能構成を学習画像生成装置と共に示したブロック図である。
図10はサーモ監視カメラにより赤外線画像を撮像して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ある。
図11はサーモ監視カメラで撮像した火災時の画像から学習ブロック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11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。
炎ブロック画像の場合は(y1,y2,y3) =(1,0,0)
熱気流ブロック画像の場合は(y1,y2,y3)=(0,1,0)
正常ブロック画像の場合は(y1,y2,y3) =(0,0,1)
となるが、実際には推定値y1〜y3の総和が1となるように0〜1の間の値をとる。
図11に示すように、学習画像生成装置12は、赤外線学習画像生成制御部340、録画部36、赤外線火災画像記憶部380、赤外線ブロック画像記憶部400、赤外線学習画像記憶部420、操作部44及びモニタ部46で構成される。
図14は紫外線監視カメラにより紫外線画像を撮像して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ある。
図15は紫外線監視カメラで撮像した火災時の画像から学習ブロック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15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。
炎ブロック画像の場合は(y1,y2,y3) =(1,0,0)
炎周辺ブロック画像の場合は(y1,y2,y3)=(0,1,0)
正常ブロック画像の場合は(y1,y2,y3) =(0,0,1)
となるが、実際には推定値y1〜y3の総和が1となるように0〜1の間の値をとる。
図15に示すように、学習画像生成装置12は、紫外線学習画像生成制御部342、録画部36、紫外線火災画像記憶部382、紫外線ブロック画像記憶部402、紫外線学習画像記憶部422、操作部44及びモニタ部46で構成される。
(境界の学習と検出)
上記の実施形態は、ブロック画像が火災かどうかを判定していたが、さらにブロック画像が火災の境界に当たるかどうかを判定するようにしても良い。学習時においてはブロック中に炎や煙等の火災の影響がある部分とない部分が混在するようなブロックであるとき、火災境界学習ブロック画像として学習画像記憶部に記憶させる。
上記の実施形態は、火災報知設備と監視システムと連携する構成をとっているが、監視システムのみを用いるようにしても良い。吹き抜け構造等、火災報知設備の感知器が設置できないような場所においても本システムは運用可能である。
上記の実施形態は、屋内の警戒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、火災時の画像を用いて学習を行っているが、非火災時の画像を用いて非火災の学習を行うようにしても良い。監視時、非火災を誤検出した場合、火災ブロックとして検出したブロックの画像を非火災学習ブロック画像として学習画像記憶部に記憶する。
上記の実施形態は、火災ブロックか火災ブロックでないか2値化しているが、火災の尤度を用いるようにして、監視領域における火災の判定や分布の表示を行うようにしても良い。火災の尤度はブロックごとに多層式ニューラルネットワークにより出力される推定値を用いる。推定値と尤度を同じにしても良いし、推定値を特定の値ごとに区切って尤度を対応させても良い。また、例えば隣接するブロックの尤度の平均値により尤度を変化させるなど、尤度は隣接するブロックの影響を受けるようにしても良い。このようにすることで、照明等による火災ブロックの誤検出の可能性を低減させ、通常炎と煙が複数のブロックにまたがって検出されやすい真の火災については検出率を高めることが出来る。
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ブロック(火災推定値の高かったブロック)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ブロック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、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。また、畳み込みニューラルネットワークは全結合のニューラルネットワークより学習が高速となるため好適であるが、全結合のニューラルネットワークを用い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、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学習画像生成装置により学習ブロック画像を生成し、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分割したブロック画像を入力して火災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。
12,12−1,12−2:学習画像生成装置
14:火災受信機
15,15−1,15−2:監視領域
16,16−1,16−2:監視カメラ
18,18−1,18−2: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
28,28−1,28−2:画像入力部
30:多層式ニューラルネットワーク
30−1:第1の多層式ニューラルネットワーク
30−2:第2の多層式ニューラルネットワーク
32,32−1,32−2:判定部
34:学習画像生成制御部
36:録画部
38:火災画像記憶部
40:ブロック画像記憶部
42:学習画像記憶部
44:操作部
46:モニタ部
48−1,48−2:火災画像
50:燃焼物
52,102:炎
54:煙
55:熱気流
56−1,56−2:ブロック分類画像
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:全結合
70:中間層
72:出力層
74−1,74−2:モニタ画面
100:石油ストーブ
104:熱気流
106,108:輻射熱
160,160−1,160−2:サーモ監視カメラ
162,162−1,162−2:紫外線監視カメラ
340:赤外線学習画像生成制御部
380:赤外線火災画像記憶部
382:紫外線火災画像記憶部
400:赤外線ブロック画像記憶部
402:紫外線ブロック画像記憶部
420:赤外線学習画像記憶部
422:紫外線学習画像記憶部
480−1,408−2:赤外線火災画像
560−1,560−2:赤外線ブロック分類画像
Claims (13)
- 撮像部により撮像された監視領域の監視画像を複数のブロック画像に分割し、前記ブロック画像を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に入力して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、更に、
入力画像を学習画像として複数のブロック画像に分割すると共に、火災学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、
前記学習画像記憶部に記憶された前記火災学習ブロック画像及び前記正常学習ブロック画像を前記火災検出器に入力して前記多層式ニューラルネットワークを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2記載の火災監視システムに於いて、前記火災学習ブロック画像は、火災による炎が占める割合が所定割合以上の炎学習ブロック画像と、火災による煙が占める割合が所定割合以上の煙学習ブロック画像を含むことを特徴とする火災監視システム。
- 請求項2又は3記載の火災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に前記分割されたブロック画像を入力し、ブロック画像の種類を判定させ、当該判定結果を用いてブロック画像を分類して前記学習画像記憶部に記憶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、
前記火災検出器は、火災が検出されたブロック画像の分布が時間の経過に伴い上方に移動及び又は拡大した場合に火災と判定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、
前記火災検出器は、火災が検出されたブロック画像の集合の状態に基づき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、
前記火災検出器は、火災が検出されたブロック画像の分布をモニタ部に画面表示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、
前記火災検出器は、前記ブロック画像を入力して火災の炎を検出する第1の多層式ニューラルネットワークと、前記ブロック画像を入力して火災の煙を検出する第2の多層式ニューラルネットワークを備え、更に、
入力画像を学習画像として複数のブロック画像に分割すると共に、各ブロック画像に炎や煙の有無及び炎や煙の占める割合に応じて炎学習ブロック画像、煙学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、
学習画像記憶部に記憶された前記災学習ブロック画像及び前記正常学習ブロック画像を前記第1の多層式ニューラルネットワークに入力して学習させ、前記学習画像記憶部に記憶された前記煙学習ブロック画像及び前記正常学習ブロック画像を前記第2の多層式ニューラルネットワークに入力して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8記載の火災監視システムに於いて、
前記火災検出器は、炎と煙が検出されたブロック画像の分布をモニタ部に画面表示させることを特徴とする火災監視システム。
- 監視領域から放射される所定の赤外波長帯域の監視画像を撮像する撮像部と、
前記撮像部により撮像された前記監視画像から所定の赤外線強度以上の赤外線監視画像を抽出して複数のブロック画像に分割し、前記ブロック画像を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に入力して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10記載の火災監視システムに於いて、更に、
入力画像を学習画像として複数のブロック画像に分割すると共に、火災学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、
前記学習画像記憶部に記憶された前記火災学習ブロック画像及び前記正常学習ブロック画像を前記火災検出器に入力して前記多層式ニューラルネットワークを学習させる学習制御部と、
が設けられ、
前記火災学習ブロック画像は、赤外線の炎画像が占める割合が所定割合以上の炎学習ブロック画像と、前記赤外線の熱気流画像が占める割合が所定割合以上の熱気流学習ブロック画像を含むことを特徴とする火災監視システム。
- 監視領域から放射される所定の紫外波長帯域の監視画像を撮像する撮像部と、
前記撮像部により撮像された前記監視画像から所定の紫外線強度以上の紫外線監視画像を抽出して複数のブロック画像に分割し、前記ブロック画像を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に入力して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12記載の火災監視システムに於いて、更に、
入力画像を学習画像として複数のブロック画像に分割すると共に、火災学習ブロック画像、正常学習ブロック画像、又は非学習ブロック画像に分類して学習画像記憶部に記憶させる学習画像生成部と、
前記学習画像記憶部に記憶された前記火災学習ブロック画像及び前記正常学習ブロック画像を前記火災検出器に入力して前記多層式ニューラルネットワークを学習させる学習制御部と、
が設けられ、
前記火災学習ブロック画像は、紫外線の炎画像が占める割合が所定割合以上の炎学習ブロック画像と、前記紫外線の炎周辺画像が占める割合が所定割合以上の炎周辺学習ブロック画像を含むことを特徴とする火災監視システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016247407 | 2016-12-21 | ||
JP2016247407 | 2016-12-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018101416A true JP2018101416A (ja) | 2018-06-28 |
JP6968681B2 JP6968681B2 (ja) | 2021-11-17 |
Family
ID=62626900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017240097A Active JP6968681B2 (ja) | 2016-12-21 | 2017-12-15 | 火災監視システム |
Country Status (4)
Country | Link |
---|---|
US (1) | US10854062B2 (ja) |
EP (1) | EP3561788B1 (ja) |
JP (1) | JP6968681B2 (ja) |
WO (1) | WO2018116966A1 (ja) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059723A (zh) * | 2019-03-19 | 2019-07-26 | 北京工业大学 | 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法 |
CN110070690A (zh) * | 2019-05-13 | 2019-07-30 | 上海荷福人工智能科技(集团)有限公司 | 一种基于深度学习的智能消防分级预警方法及系统 |
CN110115819A (zh) * | 2019-05-14 | 2019-08-13 | 上海荷福人工智能科技(集团)有限公司 | 基于人工智能的消防水炮定向预警及灭火方法、存储介质和消防水炮 |
KR102067994B1 (ko) * | 2019-05-20 | 2020-01-20 | 한밭대학교 산학협력단 | 딥러닝을 이용한 임베디드 환경의 불꽃 감지 시스템 |
JP6664574B1 (ja) * | 2019-09-06 | 2020-03-13 | 三菱電機株式会社 | 画像処理システムおよび画像処理方法 |
KR102097294B1 (ko) * | 2019-07-19 | 2020-04-06 | (주)지와이네트웍스 | 화염 판단을 위한 신경망 모델의 학습 및 검출 방법, 및 이를 수행하는 장치 |
KR20200059522A (ko) * | 2018-11-21 | 2020-05-29 | 대한민국(산림청 국립산림과학원장) | 무인 비행체를 이용한 야간 산불 대응 시스템 |
JP2020160795A (ja) * | 2019-03-26 | 2020-10-01 | Eneos株式会社 | 監視装置、監視システムおよび監視方法 |
JP2020159793A (ja) * | 2019-03-26 | 2020-10-01 | 株式会社ダイヘン | 塗装面検査装置、学習器、及びプログラム |
KR20200119921A (ko) * | 2019-03-19 | 2020-10-21 | 경북대학교 산학협력단 | 지능형 화재 감지 장치, 지능형 화재 감지 방법 및 기록 매체 |
DE102019207711A1 (de) * | 2019-05-27 | 2020-12-03 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Detektion von Rauch |
WO2021149208A1 (ja) * | 2020-01-23 | 2021-07-29 | 日本電気株式会社 | 注意喚起システム及び注意喚起方法 |
JP2021157731A (ja) * | 2020-03-30 | 2021-10-07 | 日本ドライケミカル株式会社 | 火災検知システム |
JPWO2022009356A1 (ja) * | 2020-07-09 | 2022-01-13 | ||
KR102388292B1 (ko) * | 2021-10-07 | 2022-04-26 | 대한민국(기상청 국립기상과학원장) | 복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법 |
KR20220072261A (ko) * | 2020-11-25 | 2022-06-02 | 주식회사 디티앤바이오 | 360도 감시카메라 |
KR102409057B1 (ko) * | 2021-11-23 | 2022-06-16 | 주식회사 이린 | 인공지능(ai)을 이용한 소방시설 점검 시스템 |
KR102409061B1 (ko) * | 2021-11-23 | 2022-06-16 | 주식회사 이린 | 인공지능(ai)을 이용한 화재 감시 시스템 |
JP2022094037A (ja) * | 2020-12-14 | 2022-06-24 | 横河電機株式会社 | 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム |
JP7480960B2 (ja) | 2021-07-12 | 2024-05-10 | 神成株式会社 | 火災防止システム |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200053886A (ko) | 2018-11-09 | 2020-05-19 | 삼성전자주식회사 | 뉴럴 프로세싱 유닛, 뉴럴 프로세싱 시스템, 및 어플리케이션 시스템 |
US12005281B2 (en) | 2018-11-21 | 2024-06-11 | One Concern, Inc. | Fire monitoring |
US11169678B2 (en) * | 2018-11-21 | 2021-11-09 | One Conern, Inc. | Fire management tool with versatile user interface |
CN109903507A (zh) * | 2019-03-04 | 2019-06-18 | 上海海事大学 | 一种基于深度学习的火灾智能监控系统及其方法 |
US11080990B2 (en) | 2019-08-05 | 2021-08-03 | Factory Mutual Insurance Company | Portable 360-degree video-based fire and smoke detector and wireless alerting system |
US12061971B2 (en) | 2019-08-12 | 2024-08-13 | Micron Technology, Inc. | Predictive maintenance of automotive engines |
US11853863B2 (en) | 2019-08-12 | 2023-12-26 | Micron Technology, Inc. | Predictive maintenance of automotive tires |
US11361552B2 (en) * | 2019-08-21 | 2022-06-14 | Micron Technology, Inc. | Security operations of parked vehicles |
CN112784642B (zh) * | 2019-11-08 | 2024-06-21 | 杭州海康威视数字技术股份有限公司 | 车辆检测方法及装置 |
CN111341059A (zh) * | 2020-02-06 | 2020-06-26 | 河南理工大学 | 基于深度分离和目标感知的早期野火烟雾检测方法和装置 |
US11462089B1 (en) * | 2020-02-24 | 2022-10-04 | General Cybernation Group, Inc. | Smoke auto-detection and control for industrial flares |
CN111402540B (zh) * | 2020-02-25 | 2021-08-24 | 王勇强 | 吸气式感烟火灾探测装置、方法及设备 |
WO2022067668A1 (zh) * | 2020-09-30 | 2022-04-07 | 中国科学院深圳先进技术研究院 | 基于视频图像目标检测的火灾检测方法、系统、终端以及存储介质 |
CN112347878A (zh) * | 2020-10-27 | 2021-02-09 | 中材邦业(杭州)智能技术有限公司 | 一种水泥烧成过程看火信号辨识处理方法及装置 |
US11908195B2 (en) | 2020-12-01 | 2024-02-20 | Devon Energy Corporation | Systems, methods, and computer program products for object detection and analysis of an image |
CN112906463A (zh) * | 2021-01-15 | 2021-06-04 | 上海东普信息科技有限公司 | 基于图像的火情检测方法、装置、设备及存储介质 |
US11295131B1 (en) | 2021-06-15 | 2022-04-05 | Knoetik Solutions, Inc. | Smoke and fire recognition, fire forecasting, and monitoring |
US11972681B2 (en) * | 2021-11-01 | 2024-04-30 | Jpmorgan Chase Bank, N.A. | Systems and methods for wayfinding in hazardous environments |
CN114092789A (zh) * | 2021-11-17 | 2022-02-25 | 西安邮电大学 | 一种气化炉火焰燃烧状态检测方法及装置 |
WO2023184350A1 (zh) * | 2022-03-31 | 2023-10-05 | 华南理工大学 | 火灾视频图像识别方法、系统、计算机设备及存储介质 |
CN115861898A (zh) * | 2022-12-27 | 2023-03-28 | 浙江创悦诚科技有限公司 | 一种应用于燃气场站火焰烟雾识别方法 |
DE102023201939A1 (de) * | 2023-03-03 | 2024-09-05 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Erkennen von Rauch und/oder Flammen in einem Bild einer Umgebung und Verfahren zum Trainieren eines Maschinenlernalgorithmus |
Family Cites Families (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5619619A (en) * | 1993-03-11 | 1997-04-08 | Kabushiki Kaisha Toshiba | Information recognition system and control system using same |
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 |
JPH07245757A (ja) | 1994-03-07 | 1995-09-19 | Mitsubishi Heavy Ind Ltd | 可視カメラ・赤外線カメラ併用型異常検知装置 |
US5832187A (en) * | 1995-11-03 | 1998-11-03 | Lemelson Medical, Education & Research Foundation, L.P. | Fire detection systems and methods |
US5937077A (en) * | 1996-04-25 | 1999-08-10 | General Monitors, Incorporated | Imaging flame detection system |
CA2199588A1 (en) * | 1997-03-10 | 1998-09-10 | Efrem Hoffman | Hierarchical data matrix pattern recognition and identification system |
US20030025599A1 (en) * | 2001-05-11 | 2003-02-06 | Monroe David A. | Method and apparatus for collecting, sending, archiving and retrieving motion video and still images and notification of detected events |
JP2002032701A (ja) * | 2000-07-14 | 2002-01-31 | Kajima Corp | 建築物の性能解析方法及び装置 |
US7365672B2 (en) * | 2001-03-16 | 2008-04-29 | Battelle Memorial Institute | Detection of a concealed object |
BR0209543A (pt) * | 2001-05-11 | 2005-04-26 | Detector Electronics | Método e aparelho de detecção de fogo através de formação de imagem da chama |
US9052386B2 (en) * | 2002-02-06 | 2015-06-09 | Nice Systems, Ltd | Method and apparatus for video frame sequence-based object tracking |
US7505604B2 (en) * | 2002-05-20 | 2009-03-17 | Simmonds Precision Prodcuts, Inc. | Method for detection and recognition of fog presence within an aircraft compartment using video images |
US7245315B2 (en) * | 2002-05-20 | 2007-07-17 | Simmonds Precision Products, Inc. | Distinguishing between fire and non-fire conditions using cameras |
JP4634689B2 (ja) * | 2002-07-31 | 2011-02-16 | アドバンス・デザイン株式会社 | フレーム監視システム |
US7805002B2 (en) * | 2003-11-07 | 2010-09-28 | Axonx Fike Corporation | Smoke detection method and apparatus |
JP4532915B2 (ja) * | 2004-01-29 | 2010-08-25 | キヤノン株式会社 | パターン認識用学習方法、パターン認識用学習装置、画像入力装置、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
JP2006268200A (ja) * | 2005-03-22 | 2006-10-05 | Nagasaki Univ | 炎・ガス煙検出システムおよび炎・ガス煙検出方法 |
US7769204B2 (en) * | 2006-02-13 | 2010-08-03 | George Privalov | Smoke detection method and apparatus |
JP4169063B2 (ja) * | 2006-04-06 | 2008-10-22 | ソニー株式会社 | データ処理装置、データ処理方法、及びプログラム |
US20070276776A1 (en) * | 2006-05-24 | 2007-11-29 | Vigilant Technology Ltd. | User trainable detection apparatus and method |
JP4926602B2 (ja) | 2006-08-17 | 2012-05-09 | 能美防災株式会社 | 煙検出装置 |
US7868772B2 (en) * | 2006-12-12 | 2011-01-11 | Industrial Technology Research Institute | Flame detecting method and device |
CN101711393A (zh) * | 2007-01-16 | 2010-05-19 | Utc消防及保安公司 | 基于视频的火灾检测的系统和方法 |
CA2675687A1 (en) * | 2007-01-16 | 2008-07-24 | Utc Fire & Security Corporation | System and method for video detection of smoke and flame |
US7876229B2 (en) * | 2007-08-14 | 2011-01-25 | Honeywell International Inc. | Flare monitoring |
WO2009136895A1 (en) * | 2008-05-08 | 2009-11-12 | Utc Fire & Security | System and method for video detection of smoke and flame |
US9117133B2 (en) * | 2008-06-18 | 2015-08-25 | Spectral Image, Inc. | Systems and methods for hyperspectral imaging |
WO2009157889A1 (en) * | 2008-06-23 | 2009-12-30 | Utc Fire & Security | Video-based system and method for fire detection |
US7969296B1 (en) * | 2008-08-01 | 2011-06-28 | Williams-Pyro, Inc. | Method and system for fire detection |
EP2461300B1 (en) * | 2008-10-14 | 2014-11-26 | Nohmi Bosai Ltd. | Smoke detecting apparatus |
JP4653207B2 (ja) * | 2008-10-16 | 2011-03-16 | 能美防災株式会社 | 煙検出装置 |
JP5356094B2 (ja) | 2009-03-31 | 2013-12-04 | 能美防災株式会社 | 火災検出システム |
TWI420423B (zh) * | 2011-01-27 | 2013-12-21 | Chang Jung Christian University | Machine vision flame identification system and method |
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
US9002060B2 (en) * | 2012-06-28 | 2015-04-07 | International Business Machines Corporation | Object retrieval in video data using complementary detectors |
JP5369340B1 (ja) | 2013-01-16 | 2013-12-18 | 強化土株式会社 | 地盤改良工法 |
JP6139977B2 (ja) * | 2013-05-22 | 2017-05-31 | ホーチキ株式会社 | 火災検知装置及び火災検知方法 |
WO2015069824A2 (en) * | 2013-11-06 | 2015-05-14 | Lehigh University | Diagnostic system and method for biological tissue analysis |
US9613432B2 (en) * | 2014-01-29 | 2017-04-04 | Stmicroelectronics S.R.L. | Fire detection system and method employing digital images processing |
WO2016207875A1 (en) * | 2015-06-22 | 2016-12-29 | Photomyne Ltd. | System and method for detecting objects in an image |
US9818277B1 (en) * | 2015-07-27 | 2017-11-14 | Amazon Technologies, Inc. | Systems and methods for smoke detection |
US9946951B2 (en) * | 2015-08-12 | 2018-04-17 | International Business Machines Corporation | Self-optimized object detection using online detector selection |
JP6930428B2 (ja) * | 2016-01-21 | 2021-09-01 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
-
2017
- 2017-12-15 EP EP17884017.9A patent/EP3561788B1/en active Active
- 2017-12-15 JP JP2017240097A patent/JP6968681B2/ja active Active
- 2017-12-15 WO PCT/JP2017/045036 patent/WO2018116966A1/ja unknown
-
2019
- 2019-05-14 US US16/411,665 patent/US10854062B2/en active Active
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200059522A (ko) * | 2018-11-21 | 2020-05-29 | 대한민국(산림청 국립산림과학원장) | 무인 비행체를 이용한 야간 산불 대응 시스템 |
KR102155286B1 (ko) * | 2018-11-21 | 2020-09-14 | 대한민국 | 무인 비행체를 이용한 야간 산불 대응 시스템 |
CN110059723A (zh) * | 2019-03-19 | 2019-07-26 | 北京工业大学 | 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法 |
KR102231160B1 (ko) * | 2019-03-19 | 2021-03-25 | 경북대학교 산학협력단 | 지능형 화재 감지 장치, 지능형 화재 감지 방법 및 기록 매체 |
CN110059723B (zh) * | 2019-03-19 | 2021-01-05 | 北京工业大学 | 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法 |
KR20200119921A (ko) * | 2019-03-19 | 2020-10-21 | 경북대학교 산학협력단 | 지능형 화재 감지 장치, 지능형 화재 감지 방법 및 기록 매체 |
JP2020160795A (ja) * | 2019-03-26 | 2020-10-01 | Eneos株式会社 | 監視装置、監視システムおよび監視方法 |
JP7294848B2 (ja) | 2019-03-26 | 2023-06-20 | Eneos株式会社 | 監視装置、監視システムおよび監視方法 |
JP2020159793A (ja) * | 2019-03-26 | 2020-10-01 | 株式会社ダイヘン | 塗装面検査装置、学習器、及びプログラム |
CN110070690A (zh) * | 2019-05-13 | 2019-07-30 | 上海荷福人工智能科技(集团)有限公司 | 一种基于深度学习的智能消防分级预警方法及系统 |
CN110070690B (zh) * | 2019-05-13 | 2021-11-23 | 上海荷福人工智能科技(集团)有限公司 | 一种基于深度学习的智能消防分级预警方法及系统 |
CN110115819A (zh) * | 2019-05-14 | 2019-08-13 | 上海荷福人工智能科技(集团)有限公司 | 基于人工智能的消防水炮定向预警及灭火方法、存储介质和消防水炮 |
KR102067994B1 (ko) * | 2019-05-20 | 2020-01-20 | 한밭대학교 산학협력단 | 딥러닝을 이용한 임베디드 환경의 불꽃 감지 시스템 |
DE102019207711A1 (de) * | 2019-05-27 | 2020-12-03 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Detektion von Rauch |
KR102097294B1 (ko) * | 2019-07-19 | 2020-04-06 | (주)지와이네트웍스 | 화염 판단을 위한 신경망 모델의 학습 및 검출 방법, 및 이를 수행하는 장치 |
JP6664574B1 (ja) * | 2019-09-06 | 2020-03-13 | 三菱電機株式会社 | 画像処理システムおよび画像処理方法 |
WO2021044629A1 (ja) * | 2019-09-06 | 2021-03-11 | 三菱電機株式会社 | 画像処理システムおよび画像処理方法 |
WO2021149208A1 (ja) * | 2020-01-23 | 2021-07-29 | 日本電気株式会社 | 注意喚起システム及び注意喚起方法 |
JP2021157731A (ja) * | 2020-03-30 | 2021-10-07 | 日本ドライケミカル株式会社 | 火災検知システム |
JP7523236B2 (ja) | 2020-03-30 | 2024-07-26 | 日本ドライケミカル株式会社 | 火災検知システム |
CN115836516A (zh) * | 2020-07-09 | 2023-03-21 | 三菱电机楼宇解决方案株式会社 | 监视系统 |
JP7118322B2 (ja) | 2020-07-09 | 2022-08-15 | 三菱電機ビルソリューションズ株式会社 | 監視システム |
WO2022009356A1 (ja) * | 2020-07-09 | 2022-01-13 | 三菱電機ビルテクノサービス株式会社 | 監視システム |
JPWO2022009356A1 (ja) * | 2020-07-09 | 2022-01-13 | ||
CN115836516B (zh) * | 2020-07-09 | 2024-03-15 | 三菱电机楼宇解决方案株式会社 | 监视系统 |
KR20220072261A (ko) * | 2020-11-25 | 2022-06-02 | 주식회사 디티앤바이오 | 360도 감시카메라 |
KR102472366B1 (ko) | 2020-11-25 | 2022-11-30 | 주식회사 에이치에스정보기술 | 360도 감시카메라 |
JP2022094037A (ja) * | 2020-12-14 | 2022-06-24 | 横河電機株式会社 | 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム |
JP7226424B2 (ja) | 2020-12-14 | 2023-02-21 | 横河電機株式会社 | 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム |
JP7480960B2 (ja) | 2021-07-12 | 2024-05-10 | 神成株式会社 | 火災防止システム |
KR102388292B1 (ko) * | 2021-10-07 | 2022-04-26 | 대한민국(기상청 국립기상과학원장) | 복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법 |
KR102409057B1 (ko) * | 2021-11-23 | 2022-06-16 | 주식회사 이린 | 인공지능(ai)을 이용한 소방시설 점검 시스템 |
KR102409061B1 (ko) * | 2021-11-23 | 2022-06-16 | 주식회사 이린 | 인공지능(ai)을 이용한 화재 감시 시스템 |
Also Published As
Publication number | Publication date |
---|---|
US10854062B2 (en) | 2020-12-01 |
EP3561788A4 (en) | 2020-08-05 |
JP6968681B2 (ja) | 2021-11-17 |
EP3561788A1 (en) | 2019-10-30 |
WO2018116966A1 (ja) | 2018-06-28 |
US20190279478A1 (en) | 2019-09-12 |
EP3561788B1 (en) | 2023-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6968681B2 (ja) | 火災監視システム | |
WO2018079400A1 (ja) | 火災監視システム | |
JP6867153B2 (ja) | 異常監視システム | |
JP6943401B2 (ja) | 火災監視システム | |
JP6968530B2 (ja) | 火災監視システム | |
JP7072700B2 (ja) | 監視システム | |
JP6942029B2 (ja) | 火災監視システム | |
JP6849411B2 (ja) | 監視システム | |
TWI421721B (zh) | 燃燒火焰診斷方法 | |
JP2018072881A (ja) | 火災監視システム | |
Pincott et al. | Indoor fire detection utilizing computer vision-based strategies | |
CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
Sousa et al. | Classification of potential fire outbreaks: A fuzzy modeling approach based on thermal images | |
CN107688793A (zh) | 一种变电站室外火灾自动监测预警方法 | |
Hossain et al. | Wildfire flame and smoke detection using static image features and artificial neural network | |
CN109377713A (zh) | 一种火灾预警方法及系统 | |
JP5042177B2 (ja) | 画像センサ | |
CN108363992A (zh) | 一种基于机器学习监测视频图像烟雾的火情预警方法 | |
US11620810B2 (en) | Identification of droplet formation during cable burn testing | |
De Venâncio et al. | Fire detection based on a two-dimensional convolutional neural network and temporal analysis | |
CN117636565A (zh) | 基于光谱特征数据融合的多光谱火焰探测系统 | |
CN112613483A (zh) | 一种基于语义分割和识别的户外火灾预警方法 | |
Kumar et al. | Computer vision-based early fire detection using machine learning | |
CN115376268A (zh) | 一种基于图像识别的监控报警消防联动系统 | |
JP7328778B2 (ja) | 画像処理装置及び画像処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201016 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210727 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210811 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210929 |
|
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: 6968681 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |