JP2019060642A - 雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステム - Google Patents

Abstract

【課題】高いロバスト性と、雰囲気温度の高い推定精度を両立可能な雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステムを提供する。【解決手段】本発明によれば、ニューラルネットワークと、雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得部と、前記ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部を備え、前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、雰囲気温度推定装置が提供される。【選択図】図１

Description

本発明は、雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステムに関する。

表示装置の階調特性を好適に維持するため、表示装置の周辺の雰囲気温度を推定するための技術が提案されている。

特許文献１には、表示装置内の２以上の温度センサと、温度センサにより検出された温度同士の相関関係を用いることにより、雰囲気温度を推定可能な表示装置が開示されている。

特願２０１１−２５３００６号公報

特許文献１では、温度センサの位置決めや、雰囲気温度を推定するために用いるパラメータ調整に莫大な工数がかかっていた。具体的には、推定精度を高めるためにパラメータ調整を手動で行う必要があり、工数増加の原因となっていた。また、推定精度を高めることができない場合、温度センサの位置決めを再度行う必要があり、手戻りが発生していた。
また、特許文献１では、表示装置の冷却ファンが一定の制御値のもとに駆動している条件において温度同士の相関関係を決定することが前提である。これは、冷却ファンの制御値が動的に変更されると、２以上の温度センサにより検出される温度も動的に変化し、特許文献１の図４に基づく温度同士の相関関係を数式化することが極めて困難なためである。そのため、表示装置内の冷却ファンの制御値が動的に変更される場合には、特許文献１の技術では推定精度が低下する。

本発明はこのような事情に鑑みてなされたものであり、温度センサの位置に大きく依存せずに、短い工数、かつ、高い精度で雰囲温度を推定できる雰囲気温度推定装置、雰囲気温度推定方法、及び、プログラムを提供するものである。
また、冷却ファンの制御値が動的に変更された場合でも、雰囲気温度の推定精度の高い雰囲気温度推定装置、雰囲気温度推定方法及びプログラムを提供するものである。

本発明によれば、ニューラルネットワークと、雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得部と、前記ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部を備え、前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、雰囲気温度推定装置が提供される。

本発明によれば、雰囲気温度推定装置内の１又は複数の温度値と、雰囲気温度推定装置内の熱源を制御する熱源制御値を含むパラメータをニューラルネットワークに入力することにより、雰囲気温度を推定する。これにより、雰囲気温度の推定精度が極めて高くなった。

以下、本発明の種々の実施形態を例示する。以下に示す実施形態は互いに組み合わせ可能である。
好ましくは、前記雰囲気温度推定装置内を冷却制御値に基づき制御する冷却制御部を備え、前記入力値は、前記冷却制御値を含む。
好ましくは、前記冷却制御部は、前記冷却制御値を動的に制御するように構成される。
好ましくは、前記入力値は、予め定められた期間における前記温度値の変化量を含む。
好ましくは、前記熱源は、バックライト又は内部回路である。
好ましくは、前記入力値は、前記雰囲気温度推定装置又は前記熱源の少なくとも一方の通電時間を含む。
好ましくは、前記ニューラルネットワークは、複数の計算ノードにより構成され、前記計算ノード毎に予め定められた重みが設定されており、前記重みは、他の情報処理装置により予め機械学習されることにより設定されるか、前記雰囲気温度推定装置内により機械学習が実行されることにより設定される。
他の観点によれば、温度取得部により、雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得ステップと、ニューラルネットワーク計算部により、ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算ステップと、を備え、前記ニューラルネットワークに入力される入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、雰囲気温度推定方法が提供される。
他の観点によれば、コンピュータを、ニューラルネットワーク、雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得部、前記ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部、として機能させ、前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、プログラムが提供される。
他の観点によれば、上記の何れか１つに記載の雰囲気温度推定装置と、情報処理装置と、を有し、前記雰囲気温度推定装置及び前記情報処理装置はそれぞれ、互いにデータ通信可能な通信部及びニューラルネットワークを備え、前記ニューラルネットワークは、複数の計算ノードにより構成され、前記計算ノード毎に予め定められた重みが設定されており、前記情報処理装置は、前記雰囲気温度推定装置の前記温度取得部が取得した温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を通信部により取得するように構成され、前記計算ノード及び前記重みは、前記情報処理装置の前記通信部が前記雰囲気温度推定装置から取得した前記温度値と、前記熱源制御値と、を前記情報処理装置のニューラルネットワークを用いて機械学習することにより決定され、前記雰囲気温度推定装置は、前記決定された重みを通信部により取得するように構成される、システムが提供される。

本発明の第１実施形態の雰囲気温度推定装置１の機能ブロック図である。 ニューラルネットワーク２０の構成及びニューラルネットワーク計算部１４によるニューラルネットワーク計算について説明するための概念図である。 ニューラルネットワーク計算に利用される重みｗについて説明するための図である。 図４Ａは、ニューラルネットワーク２０に入力される種々のパラメータと入力信号の関係を、図４Ｂはニューラルネットワーク２０から出力される出力信号と雰囲気温度の関係を表すテーブルの一例である。 雰囲気温度推定装置１におけるニューラルネットワーク計算に利用される重みｗを決定するための情報処理装置３０の機能ブロック図である。 情報処理装置３０のニューラルネットワーク５０を用いた機械学習の様子を表す概念図である。 雰囲気温度推定装置１に重みｗが設定されるまでのフローを表すフローチャートである。 本発明の第２実施形態の雰囲気温度推定装置１の機能ブロック図である。 本発明の第３実施形態のシステム６０の機能ブロック図である。 図１０Ａは、冷却ファンを固定駆動した場合における２つの温度センサによる温度値の経時変化を、図１０Ｂは、冷却ファンを可変制御した場合における２つの温度センサによる温度値の経時変化を表すグラフである。 本発明の一実施形態の雰囲気温度推定装置１による２種類の雰囲気温度の推定結果と、本発明を適用せずに２つの温度センサを用いて雰囲気温度を推定した推定結果を示すグラフである。 雰囲気温度推定装置１への入力階調と表示部３の輝度の関係を表す模式図である。 図１３Ａは、本発明の一実施形態の雰囲気温度推定装置１による表示特性である。図１３Ｂは、雰囲気温度を推定しない表示装置による表示特性である。

以下、図面を用いて本発明の実施形態について説明する。以下に示す実施形態中で示した各種特徴事項は、互いに組み合わせ可能である。

１．第１実施形態
以下、図１〜図７を用いて、本発明の第１実施形態に係る雰囲気温度推定装置１について説明する。第１実施形態における雰囲気温度推定装置１は、例えば表示装置に適用することができる。以下、雰囲気温度推定装置１を表示装置に適用した例について説明する。

＜雰囲気温度推定装置１＞
図１に示すように、雰囲気温度推定装置１は、操作部２、表示部３、バックライト４、冷却ファン５、基板６、温度取得部７、記憶部８、通信部９、制御部１０及びニューラルネットワーク２０（図中においてＮＮと表示。以下同様）を備える。

操作部２は、表示部３を操作するものであり、例えば、タッチパネル、キーボード、スイッチ、音声入力部又は動き検出部により構成される。例えば、操作部２によりＯＳＤ（Ｏｎ Ｓｃｒｅｅｎ Ｄｉｓｐｌａｙ）上の各種設定情報が操作される。表示部３は、種々の画像（静止画及び動画を含む）を表示するものであり、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、任意のタッチパネルディスプレイやその他のディスプレイで構成される。バックライト４は、表示部３を照明するものであり、雰囲気温度推定装置１内に熱を放出する熱源となり得るものである。また、バックライト４は、その強度を後述の熱源制御値により制御可能に構成される。冷却ファン５は、雰囲気温度推定装置１内に設けられ、雰囲気温度推定装置１内を冷却するためのものである。また、冷却ファン５は、その駆動強度を後述の冷却制御値により制御可能に構成される。基板６には、雰囲気温度推定装置１内に設けられる種々の内部回路が設けられる。ここで、基板６に設けられる内部回路は、バックライト４と同様に、熱源の一例である。換言すると、本実施形態における熱源は、バックライト４又は内部回路である。

ここで、雰囲気温度推定装置１を、有機ＥＬディスプレイを備える表示装置に適用した場合、有機ＥＬディスプレイが自発発光するため、バックライト４は必須の構成ではない。

温度取得部７は、例えば温度センサにより構成され、雰囲気温度推定装置１内の１又は複数の温度値を取得するためのものである。ここで、温度値とは、実際の温度そのものでもよく、所定の変換を施した値又は実際の温度と比例関係、相関関係がある値であってもよい。例えば、温度が０℃のときの温度値を０、温度が１００℃のときの温度値を１としてもよい。また、温度取得部７は、雰囲気温度推定装置１内の任意の位置に設けることができる。記憶部８は、種々のデータやプログラムを記憶するものであり、例えば、メモリ、ＨＤＤ又はＳＳＤ等により構成される。通信部９は、制御部１０又は他の情報処理装置と種々のデータを送受信するものであり、任意のＩ／Ｏにより構成される。

制御部１０は、熱源制御部１１、冷却制御部１２、温度変化量計算部１３及びニューラルネットワーク計算部１４（図中においてＮＮ計算部と表示。以下同様）を備える。熱源制御部１１は、雰囲気温度推定装置１内の熱源を熱源制御値に基づき制御するものである。ここで、本実施形態では、バックライト４を熱源として扱っており、熱源制御値はバックライト４の輝度設定値である。熱源制御値（輝度設定値）に用いる値は特に限定されないが、例えば０（バックライト４の輝度が最低（０）となる設定値）〜１００（バックライト４の輝度が最大輝度となる設定値）とすることができる。冷却制御部１２は、雰囲気温度推定装置１内を冷却制御値に基づき制御するものである。ここで、本実施形態では、冷却制御値は冷却ファン５の制御値である。冷却制御値に用いる値は特に限定されないが、例えば０（冷却ファン５の駆動が最低（冷却ファン５が停止）となる設定値）〜１００（冷却ファン５の駆動が最大となる設定値）とすることができる。また、冷却制御部１２は、冷却制御を動的に制御するように構成される。これにより、冷却ファン５の駆動強度を動的に変更することが可能になる。したがって、雰囲気温度推定装置１内が高温の場合には冷却ファン５の駆動強度を高くする一方、雰囲気温度推定装置１内の温度が低温の場合には、冷却ファン５の駆動強度を低くし、消費電力を低減することが可能になる。

温度変化量計算部１３は、温度取得部７が取得した温度値から、予め定められた期間における温度値の変化量を計算する。ここで、予め定められた期間は特に限定されず、例えば１秒、１０秒、３０秒、１分、３分、５分、１０分またはそれ以上もしくはそれ以下の期間とすることができる。ニューラルネットワーク計算部１４は、後述のニューラルネットワーク２０を用いて、雰囲気温度推定装置１の周辺の雰囲気温度を推定する。本実施形態では、ニューラルネットワーク計算部１４は、ニューラルネットワーク２０に種々のパラメータに基づく入力値を入力する。また、ニューラルネットワーク計算部１４がニューラルネットワーク２０に入力する入力値は、温度取得部７により取得された温度値と、雰囲気温度推定装置１内の熱源を制御する熱源制御値を含む。ここで、雰囲気温度とは、雰囲気温度推定装置１の発熱による温度上昇等の影響を受けない温度である。すなわち、雰囲気温度推定装置１が屋内にあれば室温とほぼ等しい温度となり、雰囲気温度推定装置１が屋外にあれば室外温度とほぼ等しい温度となるものである。具体的には、ニューラルネットワーク計算部１４は、温度取得部７により取得された温度値と、雰囲気温度推定装置１内の熱源を制御する熱源制御値をニューラルネットワーク２０に入力し、雰囲気温度推定装置１の周辺の雰囲気温度を出力する。ニューラルネットワーク計算部１４の詳細については、図３及び図４を用いて後述する。

ニューラルネットワーク２０は、種々のパラメータに基づく入力値が入力されるものであり、複数の計算ノードＮにより構成され、計算ノードＮ毎に予め定められた重みｗが設定されている。ここで、重みｗは、計算ノードＮの結合効率を表す量で、結合加重とも呼ばれるものである。ニューラルネットワーク２０は、ソフト又はハードとして実装することができ、例えば、雰囲気温度推定装置１のファームウェア上に実装することができる。ここで、本実施形態では、重みｗは、後述する他の情報処理装置３０により予め機械学習されることにより設定されるか、雰囲気温度推定装置１内により機械学習が実行されることにより設定される。詳細については後述する。

図２に示すように、ニューラルネットワーク２０は、複数の層（第１層Ｌ１〜第３層Ｌ３）及び複数の計算ノードＮ（Ｎ１１〜Ｎ３１）により構成される。ここで、Ｎｉｊは、第ｉ層のｊ番目の計算ノードＮを表す。本実施形態では、ｉ＝３、ｊ＝５としてニューラルネットワーク２０を構築している。なお、ｉ，ｊの値はこれに限定されず、例えばｉ＝１〜１００、ｊ＝１〜１００の間の整数又は１００以上の整数とすることができる。

また、各計算ノードＮには、予め定められた重みｗが設定される。図３に示すように、例えば、第２層の計算ノードＮ２３に着目した場合、計算ノードＮ２３と、一つ前の層である第１層の全計算ノードＮ１１〜Ｎ１５の間に、重みｗが設定される。重みｗは、例えば-１〜１の値に設定される。

ニューラルネットワーク計算部１４は、ニューラルネットワーク２０に種々のパラメータを入力する。本実施形態では、ニューラルネットワーク２０に入力するパラメータとして、第１温度値、第２温度値、熱源制御値、冷却制御値、第１温度変化量及び第２温度変化量を用いる。ここで、第１温度値及び第２温度値は、温度取得部７として２つの温度センサを設けた場合における、それぞれの温度センサにより検出された第１温度及び第２温度に基づく温度値である。また、第１温度変化量及び第２温度変化量は、第１温度値及び第２温度値の予め定められた期間における変化量である。

このように、本実施形態では、ニューラルネットワーク２０に入力される入力値には、温度値及び熱源制御値に加え、冷却制御値及び予め定められた期間における度値の変化量が含まれる。

ここで、図４に示すように、各パラメータは、ニューラルネットワーク２０に入力されるにあたり、０〜１の値に正規化される。本実施形態では、説明の簡略化のため、全てのパラメータを０〜１００と定義し、これを０〜１の入力信号に変換する場合について説明する。例えば、第１温度が０℃の場合、入力信号として０（＝第１温度値）を入力する。また、第１温度が１００℃の場合、入力信号として１（＝第１温度値）を入力する。また、熱源制御値では、輝度設定値が０の場合、入力信号として０（＝熱源制御値）を入力する。また、輝度設定値が１００の場合、入力信号として１（＝熱源制御値）を入力する。このように、他のパラメータについても、０〜１００の値を０〜１の入力信号に変換する。

そして、図２に示すように、ニューラルネットワーク計算部１４は、各種パラメータにより規定される入力信号を第１層Ｌ１に入力する。かかる入力信号は、第１層の計算ノードＮ１１〜Ｎ１５から、第２層Ｌ２の計算ノードＮ２１〜Ｎ２５にそれぞれ出力される。このとき、計算ノードＮ１１〜Ｎ１５から出力された値に対し、計算ノードＮ毎に設定された重みｗを掛け合わせた値が計算ノードＮ２１〜Ｎ２５に入力される。計算ノードＮ２１〜Ｎ２５は、入力値を足し合わせ、かかる値に図３に示されるバイアスｂを足した値を活性化関数ｆ（）に入力する。そして、活性化関数ｆ（）の出力値（図３の例では仮想的な計算ノードノードＮ'２３からの出力値）が次ノードである計算ノードＮ３１に伝搬される。このとき、計算ノードＮ２１〜Ｎ２５と計算ノードＮ３１の間との間に設定された重みｗと上記出力値を掛け合わせた値が計算ノードＮ３１に入力される。計算ノードＮ３１は、入力値を足し合わせ、合計値を出力信号として出力する。このとき、計算ノードＮ３１は、入力値を足し合わせ、合計値にバイアスを足した値を活性化関数に入力してその出力値を出力信号として出力してもよい。ここで、本実施形態では、出力信号の値は０〜１の値となるように調整されている。そして、図４Ｂに示すように、ニューラルネットワーク計算部１４は、出力信号の値に対応する値を推定雰囲気温度として出力する。

制御部１０は、推定した雰囲気温度に基づいて、表示部３の輝度、色度、又は、ムラを調整する。例えば、制御部１０は、推定した雰囲気温度に基づいて、表示部３の階調特性を補正するために、不図示のＬＵＴテーブルを書き換える（ガンマ補正）ことにより、表示部３の輝度を雰囲気温度に合わせて調整する。

このように、本実施形態では、雰囲気温度推定装置１は、種々のパラメータを入力値とし、後述する他の情報処理装置３０により予め機械学習されるか、雰囲気温度推定装置１内により機械学習が実行されることにより設定される重みｗと、ニューラルネットワーク２０を利用することにより、雰囲気温度を従来と比べて高い精度で推定することができる。

ここで、本実施形態では、ニューラルネットワーク２０への入力値として、予め定められた期間における温度値の変化量を用いたが、かかる温度値の変化量に代えて、雰囲気温度推定装置１又は熱源の少なくとも一方の通電時間をニューラルネットワーク２０への入力値として用いる構成にしてもよい。例えば、雰囲気温度推定装置１は通電されているがバックライトは通電されていない状態における通電時間を入力値として用いる構成にしてもよい。

＜情報処理装置３０＞
次に、図５を用いて、雰囲気温度推定装置１の重みｗを設定するための情報処理装置３０について説明する。

図５に示すように、情報処理装置３０は、通信部３１、パラメータ取得部３２、記憶部３３、制御部４０及びニューラルネットワーク５０を備える。情報処理装置３０は、例えばコンピュータ又はサーバ
等により構成される。通信部３１、記憶部３３及びニューラルネットワーク５０については、雰囲気温度推定装置１の通信部９、記憶部８及びニューラルネットワーク２０と同様の機能であるため、その説明を省略する。ここで、本実施形態では、通信部９及び通信部３１は、互いにデータの送受信可能に構成される。また、ニューラルネットワーク５０における階層数及び計算ノードＮの構成は、開発者側で適宜設計することができる。

パラメータ取得部３２は、雰囲気温度推定装置１のニューラルネットワーク２０に入力される種々のパラメータを取得するものである。情報処理装置３０は、通信部３１を介して、雰囲気温度推定装置１の通信部９から種々のパラメータを取得する。ここで、通信部９及び通信部３１の接続態様は特に限定されず、有線又は無線を問わない。

制御部４０は、温度変化計算部４１、ニューラルネットワーク計算部４２、機械学習実行部４３及び重み設定部４４を備える。温度変化計算部４１及びニューラルネットワーク計算部４２については、雰囲気温度推定装置１の温度変化量計算部１３及びニューラルネットワーク計算部１４と同様の機能であるため、その説明を省略する。

機械学習実行部４３は、パラメータ取得部３２が取得した種々のパラメータをニューラルネットワーク５０に代入し、ニューラルネットワーク計算部４２による計算を繰り返すことにより、雰囲気温度を推定するための機械学習を実行するものである。そして、機械学習実行部４３による機械学習の結果、重みｗを決定する。

重み設定部４４は、機械学習実行部４３による機械学習の結果、雰囲気温度推定装置１に設定すべき重みｗをニューラルネットワーク５０に設定するものである。

以下、情報処理装置３０による機械学習について説明する。

図６に示すように、機械学習実行部４３は、図２に示されるニューラルネットワーク２０と同じ構成のニューラルネットワーク５０を構成する各計算ノードＮに対し、例えば-１〜１までの重みｗを設定する。このとき、重みｗの影響を低減するため、最初に設定する重みｗの絶対値は小さいことが好ましい。そして、情報処理装置３０が取得した６種類の入力値セットをニューラルネットワーク５０に入力する。そして、ニューラルネットワーク５０からの出力信号と、雰囲気温度の実測値を表す教師データを比較し、出力信号と教師データの差分（以下、誤差という）が予め定められた閾値以上の場合、重みｗを変更し、再び６種類の入力値セットをニューラルネットワーク５０に入力する。このとき、重みｗの変更は、公知の誤差伝搬法等により実行される。かかる計算を繰り返し実行（機械学習）することにより、ニューラルネットワーク５０からの出力信号と予め与えた教師データの誤差を極小化する。このとき、機械学習の学習回数は特に限定されず、例えば、１０００回〜２００００回とすることができる。また、実際に出力信号と予め与えた教師データの誤差が極小化されていなくても、かかる誤差が予め定められた閾値以下となった場合又は開発者の任意のタイミングで機械学習を終了することにしてもよい。

そして、機械学習実行部４３による機械学習が終了すると、重み設定部４４は、このときの各計算ノードＮの重みをニューラルネットワーク５０に設定する。つまり、本実施形態では、ニューラルネットワーク５０上に設けられたメモリ等の記憶部に重みｗが格納される。そして、重み設定部４４により設定された重みｗが、通信部３１を介して雰囲気温度推定装置１に送信され、雰囲気温度推定装置１のニューラルネットワーク２０の各計算ノードＮの重みとされる。本実施形態では、ニューラルネットワーク２０上に設けられたメモリ等の記憶部に重みｗが格納される。ここで、雰囲気温度推定装置１のニューラルネットワーク２０の構成は、情報処理装置３０のニューラルネットワーク５０の構成と同じにすることにより、重み設定部４４により設定された重みｗをそのまま用いることが可能になる。

＜情報処理装置３０と雰囲気温度推定装置１の間の処理＞
次に、図７を用いて、情報処理装置３０と雰囲気温度推定装置１の間の処理について説明する。

図７に示すように、本実施形態では、例えば開発者が情報処理装置３０により重みｗを設定し、かかる重みｗを雰囲気温度推定装置１に実装した後に、雰囲気温度推定装置１を販売する。以下、雰囲気温度推定装置１に実装する重みｗの設定手順について説明する。

まず、Ｓ１１において、雰囲気温度推定装置１は、図２及び図６に示される６種類の入力値を、温度取得部７等により取得する。例えば、雰囲気温度推定装置１の周辺の雰囲気温度が２５℃のときに、６種類の入力値がそれぞれ、以下の通りであったとする。
・第１温度値：０．２５
・第２温度値：０．３
・熱源制御値：０．５
・冷却制御部値：０．３
・第１温度変化量：０．０１
・第２温度変化量：０．０２
雰囲気温度推定装置１は、上記入力値を１セットとし、記憶部８に格納する。

次に、雰囲気温度推定装置１の周辺の雰囲気温度を変化させた場合における６種類の入力値を１セットとし、記憶部８に格納する。同様に、熱源制御値を変化させた場合における６種類の入力値のセットと、冷却制御値を変化させた場合における６種類の入力値のセットを記憶部８に格納する。あわせて、雰囲気温度推定装置１は、予め定められた期間における温度変化を取得する。

次に、Ｓ１２において、雰囲気温度推定装置１と情報処理装置３０を接続し、上記複数の入力値セットを、雰囲気温度推定装置１から情報処理装置３０に送信する。ここで、雰囲気温度推定装置１と情報処理装置３０の接続は、Ｓ１１又はＳ１１の前に行われてもよい。なお、この場合、Ｓ１１において、６種類の入力値を雰囲気温度推定装置１の記憶部８に格納せず、そのまま情報処理装置３０に送信する構成とすることができる。

情報処理装置３０は、Ｓ２１において、雰囲気温度推定装置１が取得した複数の入力値セットを受信する。

そして、Ｓ２２において、ニューラルネットワーク計算部４２、機械学習実行部４３及びニューラルネットワーク５０が協働し、上述の機械学習を実行する。具体的には、図６に示すように、６種類の入力値セットを第１層Ｌ１に入力し、各計算ノードにおいて重み付け演算を実行し、ニューラルネットワーク５０から出力信号を出力する。

次に、機械学習実行部４３は、ニューラルネットワーク５０の出力信号と、予め与えた教師データの誤差を監視し、Ｓ２３において、教師データと出力信号に基づく温度の誤差が予め定められた閾値以下となったかを判定する。具体的には、図６に示すように、教師データである実際の雰囲気温度（実測雰囲気温度）が２５℃、閾値が０．５であるとする。そして、ニューラルネットワーク５０からの出力信号に基づいて推定された推定雰囲気温度が２１℃であった場合、教師データと出力信号に基づく温度の誤差は４（＝２５−２１）となる。これは、予め設定した閾値０．５よりも大きいので、機械学習実行部４３により、重みｗが変更される。かかる変更は、上述の誤差逆伝搬法等により実行される。そして、変更された重みｗを用い、最初に入力した６種類の入力値セットを固定したまま、ニューラルネットワーク５０による計算を継続する。

Ｓ２３において、教師データと出力信号に基づく温度の誤差が閾値以下とならない場合、機械学習を継続する。一方、Ｓ２３において、かかる誤差が閾値以下となった場合、機械学習を終了する。そして、
上記処理を全ての入力値セット（複数の温度についての入力値セット）について実行し、重みｗを決定する。

次に、Ｓ２４において、重み設定部４４は、上述の機械学習で決定された重みｗを、ニューラルネットワーク５０に設定する。なお、Ｓ２４の処理は必須ではない。

次に、Ｓ２５において、かかる重みｗを雰囲気温度推定装置１に送信する。

雰囲気温度推定装置１は、Ｓ１３において、情報処理装置３０から送信された重みｗを受信する。

そして、Ｓ１４において、かかる重みｗを、情報処理装置３０のニューラルネットワーク５０と同じ構造のニューラルネットワーク２０に設定する。ここで、ニューラルネットワーク２０は、予めファームウェア上に実装されていてもよい。

これにより、情報処理装置３０により機械学習された結果（重みｗ）を雰囲気温度推定装置１のニューラルネットワーク２０に設定することができ、従来と比較して非常に高い精度で雰囲気温度推定装置１の周辺の雰囲気温度を推定可能な雰囲気温度推定装置１が実現される。

つまり、図７における処理に利用されるシステムは、以下のように捉えることが可能である。
雰囲気温度推定装置１と、
情報処理装置３０と、
を有し、
雰囲気温度推定装置１及び情報処理装置３０はそれぞれ、互いにデータ通信可能な通信部９，通信部３１及びニューラルネットワーク２０，ニューラルネットワーク５０を備え、
ニューラルネットワーク２０，ニューラルネットワーク５０は、複数の計算ノードＮにより構成され、
計算ノードＮ毎に予め定められた重みｗが設定されており、
情報処理装置３０は、雰囲気温度推定装置１の温度取得部７が取得した温度値と、雰囲気温度推定装置１内の熱源を制御する熱源制御値を通信部３１により取得するように構成され、
計算ノードＮ及び重みｗは、情報処理装置３０の通信部３１が雰囲気温度推定装置１から取得した温度値と、熱源制御値と、を情報処理装置３０のニューラルネットワーク５０を用いて機械学習することにより決定され、
雰囲気温度推定装置１は、決定された重みｗを通信部９により取得するように構成される、
システム。

ここで、本実施形態では、従来技術とは異なり、複数（２つ）の温度取得部７を、雰囲気温度推定装置１内の任意の位置に設けることができる。これは、機械学習によって最適な重みｗを設定できるためである。これにより、従来技術では複数（２つ）の温度取得部７を設ける位置について試行錯誤を要し、多大な工数がかかっていたが、本実施形態ではかかる工数を大幅に削減することができる。さらに、従来技術では、２つの温度取得部７が取得する温度値の相関関係の決定に多大な工数がかかっていたが、本実施形態では機械学習を用いることにより、かかる工数を大幅に削減することができる。これにより、従来と比べ、温度取得部７の設置位置に対する高いロバスト性及び工数の削減を実現することができる。

＜第１実施形態の効果＞
以上説明した処理により、第１実施形態の雰囲気温度推定装置１は、以下の効果を奏する。
従来技術と比べ、極めて高い精度で雰囲気温度を推定することができる。さらに、開発者側でニューラルネットワーク２０の構造及び重みｗを決定するので、いわゆる「過学習」による推定精度の低下を低減することができる。

２．第２実施形態
次に、図８を用いて、第２実施形態について説明する。第２実施形態の雰囲気温度推定装置１は、機械学習実行部１５及び重み設定部１６を備える点が第１実施形態と異なる。以下、相違点について説明する。

第２実施形態の雰囲気温度推定装置１は、機械学習実行部１５及び重み設定部１６を備えるので、雰囲気温度推定装置１がユーザーの手元に渡った後でも、自ら機械学習を実行し、雰囲気温度の推定精度を向上させることができる。

このとき、第１実施形態と同様に、雰囲気温度推定装置１の出荷時においては、情報処理装置３０を用いた重みｗを予め設定しておくことが好ましい。そして、雰囲気温度推定装置１が出荷された後は、予め設定した重みｗを自ら更新することにより、雰囲気温度推定装置１の雰囲気温度の推定精度を日々向上させることが可能になる。

３．第３実施形態
次に、図９を用いて、第３実施形態のシステム６０について説明する。第３実施形態では、複数の雰囲気温度推定装置１がネットワーク１００を介して情報処理装置３０に接続される。

各雰囲気温度推定装置１は、ユーザーの手元に渡った後、ニューラルネットワーク２０に入力する種々のパラメータを情報処理装置３０に送信する。そして、開発者が操作する情報処理装置３０により機械学習が実行され、更新された重みｗが雰囲気温度推定装置１に送信される。雰囲気温度推定装置１は、更新された重みｗをニューラルネットワーク２０の各計算ノードＮに設定することにより、雰囲気温度推定装置１の雰囲気温度の推定精度を向上させることができる。

このように、第３実施形態では、雰囲気温度推定装置１を出荷した後でも、開発者によって重みｗが更新されるので、ユーザー側で不適切な機械学習が進行することを低減することができる。

４．推定精度
以下、図１０〜図１３を用いて、上記実施形態における雰囲気温度推定装置１を用いた、雰囲気温度の推定精度の測定結果について説明する。

図１０Ａ及び図１０Ｂは、上記実施形態の雰囲気温度推定装置１の意義を説明するための図である。図１０Ａは、冷却ファン５の駆動強度を制御する冷却制御値を一定に保持した場合における、雰囲気温度推定装置１内の温度取得部７（第１温度センサ及び第２温度センサ）が検出した温度値の経時変化を示すグラフである。一方、図１０Ｂは、冷却ファン５の駆動強度を制御する冷却制御値を動的に変化させた場合における、雰囲気温度推定装置１内の温度取得部７（第１温度センサ及び第２温度センサ）が検出した温度値の経時変化を示すグラフである。ここで、図１０Ａ及び図１０Ｂでは、温度センサが検出した温度を正規化し、温度値（正規化）として縦軸に記している。

図１０Ａに示すように、冷却制御値が一定である場合には、例えば特許文献１の技術のように、２つの温度センサが検出する温度同士の相関関係を利用することにより、雰囲気温度推定装置１の周辺の雰囲気温度を推定する関係式を決定するこが可能である。

一方、図１０Ｂに示すように、冷却制御値が動的に変化する場合には、第１温度センサ及び第２温度センサにより検出される温度がランダムに変化し、２つの温度センサが検出する温度同士の相関関係を決定することは、上記実施形態を利用しない場合には極めて困難である。

図１１は、上記実施形態の雰囲気温度推定装置１を用いた場合における、実際の雰囲気温度（熱電対測定）と推定された雰囲気温度をプロットしたグラフである。図１１において、縦軸は温度を、横軸はバックライト４の明るさを低下させてからの時間を表す。ここで、図１１では、熱電対測定により測定された温度及び従来の手法（例えば、特許文献１の技術）による推定温度に加え、２種類のニューラルネットワーク２０を用いた推定（ＮＮ推定）による推定温度をプロットしている。ここで、図１１において、２種類のＮＮ推定はそれぞれ、温度変化量計算部１３により計算された温度変化量を用いずに行った推定（ＮＮ推定（温度変化量無し）と、温度変化量を用いて行った推定（ＮＮ推定（温度変化量あり））である。また、図１１では、実際の雰囲気温度が１５℃、２５℃及び３５℃のときにおける推定結果をまとめてプロットしている。

さらに、実際の雰囲気温度が１５℃のときには冷却ファン５を停止し、実際の雰囲気温度が２５℃及び３５℃のときには、冷却ファン５を一定の強度で駆動した。これは、雰囲気温度が１５℃の場合、冷却ファン５で雰囲気温度推定装置１内を冷却する必要性が低いためであり、実際の利用シーンを再現するものである。

図１１に示すように、雰囲気温度が２５℃又は３５℃の場合、すなわち、冷却ファン５が一定の強度で駆動している場合には、従来の手法でも、高い推定精度が確認された。

一方、雰囲気温度が１５℃の場合、すなわち、冷却ファン５が停止している場合には、従来の手法と実際の雰囲気温度の誤差が大きくなっている。かかる誤差は最大で４℃であり、雰囲気温度の推定精度は低い。これは、冷却ファン５が停止していることにより、雰囲気温度推定装置１内の温度がランダムに変化した（図１０Ｂの状態に相当）ためであると考えられる。また、ファンが一定の強度で駆動している際に比べて、内部温度が上昇したためと考えられる。

一方、上記実施形態を用いた２種類のＮＮ推定では、雰囲気温度が１５℃の場合、すなわち、冷却ファン５が停止している場合でも、極めて高い推定精度が得られた。ここで、ＮＮ推定（温度変化量無し）では、雰囲気温度推定装置１のバックライトの明るさを低下させた直後においては、冷却ファン５が停止しているため、雰囲気温度推定装置１内の温度が十分に下がらず、雰囲気温度が２５℃及び３５℃の場合と比べ、推定精度が低下した。一方、ＮＮ推定（温度変化量あり）では、ＮＮ推定（温度変化量無し）と比べ、バックライト４の明るさを低下させた直後における推定精度が向上していることがわかる。これは、温度変化量を利用した機械学習の結果、雰囲気温度推定装置１のバックライト４の明るさを低下させた直後であるのか、又は雰囲気温度推定装置１内の温度が定常状態になったのかを判断することが可能であるためである。なお、雰囲気温度推定装置１の電源をオンした直後についても、同様の理由により推定精度が向上する。

このように、上記実施形態を用いることにより、従来と比べて高い推定精度を達成することができる。特に、温度変化量を用いることにより、推定精度はさらに向上する。

図１２及び図１３は、従来技術と上記実施形態における入力階調と表示部３の輝度の関係を示すグラフである。

図１２は、横軸を入力階調とし、縦軸を輝度とした場合、雰囲気温度推定装置１に設定されたガンマカーブ（実線１）と、実際の表示部３の測定輝度（点線２）の関係を表す模式図である。雰囲気温度推定装置１の雰囲気温度の推定精度が１００％であり、雰囲気温度に応じてガンマ補正の精度が完璧であると仮定した理想的な条件では、表示部３の測定輝度が実線１に従うが、雰囲気温度の推定精度が低い場合には、点線２で示すように、雰囲気温度推定装置１の測定輝度が理想的な点線１から上下にずれてしまう。ここで、図１２に示すように、実線１から上方へのずれを「エラー率：＋」、実線１から下方へのずれを「エラー率：−」と定義する。

図１３は、複数の雰囲気温度下において、冷却ファン５の冷却制御値を動的に変化させた場合における表示部３の輝度のエラー率を示すグラフである。図１３において、縦軸はエラー率を、横軸はＲＧＢの階調値を表す。なお、図１３では、ＲＧＢを全て同じ階調値としている。ここで、図１３における複数の雰囲気温度は、図１１と同じとした。具体的には、以下の１２個の条件におけるエラー率である。
１：温度１５（℃） バックライトの設定値（７６９）
２：温度１５（℃） バックライトの設定値（５１２）
３：温度１５（℃） バックライトの設定値（２５６）
４：温度１５（℃） バックライトの設定値（３０）
５：温度２５（℃） バックライトの設定値（７６９）
６：温度２５（℃） バックライトの設定値（５１２）
７：温度２５（℃） バックライトの設定値（２５６）
８：温度２５（℃） バックライトの設定値（３０）
９：温度３０（℃） バックライトの設定値（７６９）
１０：温度３０（℃） バックライトの設定値（５１２）
１１：温度３０（℃） バックライトの設定値（２５６）
１２：温度３０（℃） バックライトの設定値（３０）

図１３Ａは、従来技術を用いた場合における表示部３の輝度のエラー率を、図１３Ｂは、上記実施形態を用いた場合における表示部３の輝度のエラー率を示す。

図１３Ａに示すように、従来技術では、冷却ファン５の冷却制御値を動的に変化させた場合、雰囲気温度の推定精度が低下し、その結果、ガンマ補正の精度も低下するため、表示部３の輝度のエラー率の絶対値が最大で約２．５％（条件４）となっていた。

一方、図１３Ｂに示すように、上記実施形態では、冷却ファン５の冷却制御値を動的に変化させても、雰囲気温度の推定精度が高く、その結果、ガンマ補正の精度も向上し、表示部３の輝度のエラー率の絶対値が最大で約１．３％（条件４）まで低下した。

＜その他＞
以上、種々の実施形態について説明したが、本発明は以下の態様でも実施可能である。
・温度取得部により、雰囲気推定装置内の１又は複数の温度値を取得する温度取得ステップと、
ニューラルネットワーク計算部により、ニューラルネットワークを用いて、前記雰囲気推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算ステップと、
を備え、
前記ニューラルネットワークに入力される入力値は、前記温度取得部により取得された温度値と、前記雰囲気推定装置内の熱源を制御する熱源制御値を含む、
雰囲気温度推定方法。
・コンピュータを、
ニューラルネットワーク、
雰囲気推定装置内の１又は複数の温度値を取得する温度取得部、
前記ニューラルネットワークを用いて、前記雰囲気推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部、
として機能させ、
前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気推定装置内の熱源を制御する熱源制御値を含む、
プログラム。
・冷却ファン５の冷却制御値を、リニア変化を含む種々の変化をさせても対応可能である。
・温度取得部７を１つのみ利用することも可能である。
・計算ノードＮの数、階層数は任意の値を採用することができる。
・バックライト４を用いない有機ＥＬディスプレイに適用する場合、内部回路又は基板を熱源とし、かかる内部回路又は基板に対する制御値を熱源制御値として用いることもできる。
・上記実施形態において、雰囲気温度推定装置１の一例として、表示装置内部の情報のみにより外部の雰囲気温度を推定する実施形態について説明した。これは、表示装置の外部に温度センサを設けた場合、表示装置の発熱の影響を受けるため正確に雰囲気温度を測定することが難しいためである。同様な課題を持つ種々の装置（装置内部の情報のみにより外部の雰囲気温度を推定する装置）にも本発明は、適用できる。

１：雰囲気温度推定装置
２：操作部
３：表示部
４：バックライト
５：冷却ファン
６：基板
７：温度取得部
８：記憶部
９：通信部
１０：制御部
１１：熱源制御部
１２：冷却制御部
１３：温度変化量計算部
１４：ニューラルネットワーク計算部
２０：ニューラルネットワーク
３０：情報処理装置
３１：通信部
３２：パラメータ取得部
３３：記憶部
４０：制御部
４１：温度変化計算部
４２：ニューラルネットワーク計算部
４３：機械学習実行部
４４：重み設定部
５０：ニューラルネットワーク
６０：システム

Claims (10)

1. ニューラルネットワークと、
   雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得部と、
   前記ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部を備え、
   前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、
   雰囲気温度推定装置。
2. 前記雰囲気温度推定装置内を冷却制御値に基づき制御する冷却制御部を備え、
   前記入力値は、前記冷却制御値を含む、請求項１に記載の雰囲気温度推定装置。
3. 前記冷却制御部は、前記冷却制御値を動的に制御するように構成される、請求項２に記載の雰囲気温度推定装置。
4. 前記入力値は、予め定められた期間における前記温度値の変化量を含む、請求項１〜請求項３の何れか１つに記載の雰囲気温度推定装置。
5. 前記熱源は、バックライト又は内部回路である、請求項１〜請求項４の何れか１つに記載の雰囲気温度推定装置。
6. 前記入力値は、前記雰囲気温度推定装置又は前記熱源の少なくとも一方の通電時間を含む、請求項１〜請求項５の何れか１つに記載の雰囲気温度推定装置。
7. 前記ニューラルネットワークは、複数の計算ノードにより構成され、
   前記計算ノード毎に予め定められた重みが設定されており、
   前記重みは、他の情報処理装置により予め機械学習されることにより設定されるか、前記雰囲気温度推定装置内により機械学習が実行されることにより設定される、請求項１〜請求項６の何れか１つに記載の雰囲気温度推定装置。
8. 温度取得部により、雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得ステップと、
   ニューラルネットワーク計算部により、ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算ステップと、
   を備え、
   前記ニューラルネットワークに入力される入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、
   雰囲気温度推定方法。
9. コンピュータを、
   ニューラルネットワーク、
   雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得部、
   前記ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部、
   として機能させ、
   前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、
   プログラム。
10. 請求項１〜請求項９の何れか１つに記載の雰囲気温度推定装置と、
    情報処理装置と、
    を有し、
    前記雰囲気温度推定装置及び前記情報処理装置はそれぞれ、互いにデータ通信可能な通信部及びニューラルネットワークを備え、
    前記ニューラルネットワークは、複数の計算ノードにより構成され、
    前記計算ノード毎に予め定められた重みが設定されており、
    前記情報処理装置は、前記雰囲気温度推定装置の前記温度取得部が取得した温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を通信部により取得するように構成され、
    前記計算ノード及び前記重みは、前記情報処理装置の前記通信部が前記雰囲気温度推定装置から取得した前記温度値と、前記熱源制御値と、を前記情報処理装置のニューラルネットワークを用いて機械学習することにより決定され、
    前記雰囲気温度推定装置は、前記決定された重みを通信部により取得するように構成される、
    システム。