JP2019079446A - 火災監視システム - Google Patents

Abstract

【課題】監視環境から発生しやすい火災に対し高い感度での火災の判定可能な火災監視システムを提供する。【解決手段】環境火災判定部２４によりボイラー室、電気室等等の監視領域１４の監視環境から発生しやすい油火災、電気火災等の火災の種類を判定し、判定した種類により火災検出器２０の多層式のニューラルをディープラーニングにより学習させ、監視領域の入力情報を学習済みの火災検出器２０に入力した場合に出力される火災推定値を判定部２８により所定の閾値と比較して火災を判定する。【選択図】図１

Description

本発明は、監視カメラで撮像した監視領域の画像からニューラルネットワークにより火災を判断して警報させる火災監視システムに関する。

従来、煙感知器や熱感知器など、特定の物理量を監視するセンサを用いて、火災を検出するシステムが実用化されている。

一方、従来、監視カメラで撮像した監視領域の画像に対し画像処理を施すことにより、火災を検知するようにした様々な装置やシステムが提案されている。

このような火災監視システムにあっては、火災発生に対する初期消火や避難誘導の観点から火災の早期発見が重要である。

このため従来装置（特許文献１）にあっては、画像から火災に伴う煙により起きる現象として、透過率又はコントラストの低下、輝度値の特定値への収束、輝度分布範囲が狭まって輝度の分散の低下、煙による輝度の平均値の変化、エッジの総和量の低下、低周波帯域の強度増加を導出し、これらを総合的に判断して煙の検出を可能としている。

特開２００８−０４６９１６号公報 特開平７−２４５７５７号公報 特開２０１０−２３８０２８号公報 特開平６−３２５２７０号公報

しかしながら、特定の物理量を監視するセンサを用いた火災検出システムは、火災でない事象により監視基準が満たされた場合でも火災とみなし、正しく火災を判定できない問題があった。

また、従来の火災に伴う煙の画像から火災を検知する火災監視システムにあっては、煙の画像における透過率、コントラスト、エッジ等の煙の特徴量を予め定め、監視カメラで撮像した画像を処理することで煙による特徴を生成しなければならず、火災による煙の発生状況は多種多様であり、その中に煙としてどのような特徴があるかを見出すことは極めて困難であり、決め手となる特徴がなかなか見いだせないため、監視画像から火災による煙を精度良く判断して火災警報を出力する火災監視システムは実用化の途上にある。

一方、近年にあっては、例えば多数の猫と犬の画像にラベル付けをし、それを畳み込みニューラルネットワークを備えた多層式のニューラルネットワークに学習させ、所謂ディープラーニングを行い、新たな画像を学習済みの多層式のニューラルネットワークに提示し、それが猫なのか犬なのかを判定する技術が開示されている。

また、ディープラーニングは画像解析のみにとどまらず、自然言語処理や行動解析等に用いることが検討されている。

このような多層式のニューラルネットワークを、監視カメラで撮像した監視領域の画像を入力情報とし、入力情報から火災を判定する火災検出器に設け、学習時においては多数の火災時及び非火災時の入力情報を準備して多層式のニューラルネットワークに学習させ、監視時においては入力情報を学習済みの多層式のニューラルネットワークに入力すれば、その出力から火災か否かを高い精度で推定して警報を出力させる火災監視システムが構築可能となる。

ところで、多層式のニューラルネットワークを備えた火災検出器の監視環境は、通常の火災感知器では監視しづらい場所が対象となり、例えば、ボイラー室、電気室、サーバルーム等、特殊な監視環境が想定される。

しかしながら、施設やビル等の一般的な監視環境での火災画像により火災検出器の多層式のニューラルネットワークを学習した場合、ボイラー室、電気室、サーバルーム等の特殊な監視環境で発生する油火災や電気火災等に対し火災検出器による火災の判定精度が落ちる虞れがある。

本発明は、監視環境から発生しやすい火災に対し多層式のニューラルネットワークを備えた火災検出器により高い感度での火災の判定を可能とする火災監視システムを提供することを目的とする。

（第１発明の火災監視システム）
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、監視領域の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、
監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、
環境火災判別部により判定された種類の火災により火災検出器の多層式の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、
監視領域の入力情報を学習済みの火災検出器に入力した場合に出力される火災推定値を所定の閾値と比較して火災を判定する火災判定部と、
が設けられたことを特徴とする。

（環境火災の優先度）
環境火災判定部は、監視領域の監視環境から複数種類の火災を判別した場合に、発生しやすい火災の順に優先度を設定し、
学習制御部は、環境火災判定部で判定された優先度の高い１又は複数種類の火災により火災検出器の多層式の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。

（第２発明の火災監視システム）
本発明の別の形態にあっては、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、監視領域の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、
監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、
火災の種類毎にディープラーニングにより学習された複数種類の火災検出器と、
入力情報を複数種類の火災検出器に入力した場合に出力される火災推定値の各々を、火災の種類に対応した所定の閾値と比較して火災を判定する火災判定部と、
火災判定部における火災の種類に対応した閾値を、環境火災判定部で判定された火災の種類を判定しやすいように設定する閾値設定部と、
が設けられたことを特徴とする。

（発生しやすい火災の種類に対応した閾値の設定）
閾値設定部は、環境火災判定部により判定された火災の種類に対応した閾値を、それ以外の火災の種類に対応した閾値に対し低い値に設定する。

（発生しやすい火災の自動判定）
環境火災判定部は、
撮像部により撮像された監視領域の画像を解析し、画像に含まれる要素を単語として出力する多層式のニューラルネットワークで構成された画像解析部と、
画像解析部から出力された画像に含まれる要素の単語を、辞書に予め記憶した所定の監視環境を示す単語と比較して監視領域の環境を推定し、推定した監視環境に対応して発生しやすい火災の種類を判定する火災種類判定部と、
が設けられる。

（入力情報）
火災検出器は、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入力して火災推定値を出力する。

（監視環境と火災の種類）
監視環境は、ボイラー室、電気室、サーバルーム、調理室、実験室を含み、
複数種類の火災は、燻焼火災、油火災、電気火災及び薬品火災を含む。

（多層式ニューラルネットワークの機能構成）
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全結合ニューラルネットワークとする。

（バックプロパゲーションによる学習）
火災検出器は、多層式のニューラルネットワークに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多層式のニューラルネットワークを学習させる。

（火災判定根拠の明示）
火災判定部は、火災の判定に加え火災判定の根拠とした火災種別を表示させる。

（第１発明の基本的な効果）
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、監視領域の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、監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、環境火災判別部により判定された種類の火災により火災検出器の多層式の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、監視領域の入力情報を学習済みの火災検出器に入力した場合に出力される火災推定値を所定の閾値と比較して火災を判定する火災判定部とが設けられたため、火災検出器により監視している監視環境に固有な発生しやすい火災に対し、より感度の高い火災の判定が可能となり、火災の早期発見により適切な対処が可能となる。

（環境火災の優先度による効果）
また、環境火災判定部は、監視領域の監視環境から複数種類の火災を判別した場合に、発生しやすい火災の順に優先度を設定し、学習制御部は、環境火災判定部で判定された優先度の高い１又は複数種類の火災により火災検出器の多層式の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ようにしたため、監視環境からは油火災、電気火災等に代表される有炎火災や燻焼火災等の複数種類の火災が想定されるが、発生のしやすさに応じて優先度を設定し、優先度の高い１又は複数種類の火災により火災検出器を学習しておくことで、監視環境に固有の発生しやすい火災に対し、より感度の高い火災の判定を可能とする。

（第２発明の基本的な効果）
本発明の別の形態にあっては、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、監視領域の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、監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、火災の種類毎にディープラーニングにより学習された複数種類の火災検出器と、入力情報を複数種類の火災検出器に入力した場合に出力される火災推定値の各々を、火災の種類に対応した所定の閾値と比較して火災を判定する火災判定部と、火災判定部における火災の種類に対応した閾値を、環境火災判定部で判定された火災の種類を判定しやすいように設定する閾値設定部とが設けられたため、複数種類の火災検出器が出力する火災推定値から火災を判定する閾値につき、監視環境に固有な発生しやすい火災を判定するように閾値が設定されることで、監視環境に固有の発生しやすい火災に対し、より感度の高い火災の判定を可能とする。

（発生しやすい火災の種類に対応した閾値の設定）
また、閾値設定部は、環境火災判定部により判定された火災の種類に対応した閾値を、それ以外の火災の種類に対応した閾値に対し低い値に設定するようにしたため、閾値を低い値に設定した種類の火災推定値を火災として判定しやすくなり、監視環境に固有の発生しやすい火災に対し、より感度の高い火災の判定を可能とする。

（発生しやすい火災の自動判定）
また、環境火災判定部は、撮像部により撮像された監視領域の画像を解析し、画像に含まれる要素を単語として出力する多層式のニューラルネットワークで構成された画像解析部と、画像解析部から出力された画像に含まれる要素の単語を、辞書に予め記憶した所定の監視環境を示す単語と比較して監視領域の環境を推定し、推定した監視環境に対応して発生しやすい火災の種類を判定する火災種類判定部とが設けられたため、監視カメラにより撮像された監視画像を解析することで、監視環境に存在する１又は複数の対象物の特徴が抽出されて単語化され、抽出された単語を辞書の監視環境を示す所定の単語と比較して一致又は類似した場合に監視領域の監視環境と推定して発生しやすい火災の種類を自動的に判定することができる。

（入力情報）
また、複数の火災検出器は、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入力して火災検出値を出力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を学習済みの複数種類の検出器に入力することで、高い精度で火災を判定可能とする。

（監視環境と火災の種類による効果）
また、監視環境は、ボイラー室、電気室、サーバルーム、調理室、実験室を含み、複数種類の火災は、燻焼火災、油火災、電気火災及び薬品火災を含むようにしたため、例えば、監視環境としてボイラー室の場合には発生しやすい火災として油火災が判定され、油火災に対しより感度の高い火災の判定が可能となり、また、電気室やサーバルームの場合には発生しやすい火災として電気火災が判定され、電気火災に対しより感度の高い火災の判定が可能となる。

（多層式のニューラルネットワークの機能構成による効果）
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全結合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。

（バックプロパゲーションによる学習の効果）
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（誤差逆伝播）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、火災の種類毎に準備された多数の入力情報を火災入力情報として入力した場合に、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ウェイト（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。

（火災判断根拠の明示による効果）
また、火災判定部は、火災の判定に加え火災判定の根拠とした火災種別を表示させるようにしたため、発生した火災の種類がわかることで、火災の種類に対応した消火活動や避難指示を行うことを可能とする。

火災監視システムの第１施形態を示した説明図 図１の火災検出器及び学習制御部の機能構成を示した説明図 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 図１の実施形態による環境火災監視制御を示したフローチャート 図１の監視環境判別部の機能構成を示した説明図 図５の画像解析部に設けられた畳み込みニューラルネットワークと再帰型ニューラルネットワークの機能構成を示した説明図 火災監視システムの第２施形態を示した説明図 図７の火災検出器及び学習制御部の機能構成を示した説明図 図７の火災判定部の機能構成を火災検出器、環境火災判別部及び閾値設定部と共に示した説明図 図８の実施形態による環境火災監視制御を示したフローチャート

［火災監視システムの第１実施形態］
図１は火災監視システムの第１実施形態を示した説明図である。図１に示すように、ビル等の施設の監視領域１４には撮像部として機能する監視カメラ１６が設置され、監視領域１４を監視カメラ１６により動画撮像している。監視カメラ１６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。

また、監視領域１４にはそれぞれオンオフ型の火災感知器１８が設置されており、火災による温度又は煙濃度を検出し、所定の閾値レベルを超えた場合に発報し、火災発報信号を出力するようにしている。

このように本実施形態が監視対象とする監視領域１４としては、ボイラー室、電気室、サーバルーム、調理室、実験室等の特殊な監視環境が含まれる。

監視領域１４に対し施設の防災監視センターや管理人室等には、火災判定装置１０と火災報知設備の火災受信機１２が設置されている。なお、火災判定装置１０と受火災信機１２は一体としても良い。火災判定装置１０には監視領域１４に設置された監視カメラ１６が信号ケーブル２２により接続されており、監視カメラ１６で撮像された動画画像を入力している。

火災受信機１２からは監視領域１４に感知器回線２５が引き出され、感知器回線２５単位に火災感知器１８が接続されている。

火災判定装置１０には、火災検出器２０、環境火災判別部２４、学習制御部２６及び判定部２８が設けられる。火災検出器２０は多階層のニューラルネットワークを備えており、監視カメラ１６により撮像した監視領域１４の画像を入力して火災推定値を出力する。

環境火災判別部２４は、監視カメラ１６により撮像した監視領域１４の画像を入力し、ボイラー室、電気室、サーバルーム等の監視領域１６の監視環境を推定すると共に推定したボイラー室、電気室、サーバルーム等の監視環境から発生しやすい火災の種類、例えば油火災や電気火災を判定する。

学習制御部２６は、環境火災判別部２４により判定された種類の火災により火災検出器２０の多層式のニューラルをディープラーニングにより学習させる。例えば環境火災判別部２４によりボイラー室の油火災が判別された場合、油火災の画像により多層式のニューラルネットワークを学習し、監視環境となるボイラー室に固有な油火災に対し、より高い感度での火災判定を可能とする。

また、環境火災判定部２４は、監視領域１４の監視環境から複数種類の火災を判別した場合は、発生しやすい火災の順に優先度を設定する。この場合、学習制御部２６は、環境火災判定部２４で判定された優先度の高い１又は複数種類の火災により火災検出器２０の多層式のニューラルをディープラーニングにより学習させる。

これは監視環境によっては、複数種類の火災が発生しやすい場合があることに対応している。例えば、サーバルーム等にあっては、サーバラックに収納されたサーバマシンによる電気火災以外に、例えば運用管理に使用する取扱い説明書等がおかれていることから燻焼火災が発生する可能性もあり、この場合、環境火災判定部２４は判定した電気火災の優先度を第１位とし、判定した燻焼火災の優先度を第２位とし、学習制御部２６は電気火災と燻焼火災の両方により火災検出器２０の多層式のニューラルをディープラーニングにより学習させる。

このため火災検出器２０は、監視環境から発生しやすい電気火災と燻焼火災の両方について高い感度で火災が判定できる。

［火災検出器］
図２は図１に示した多層式ニューラルネットワークを用いた火災検出器及び学習制御部の機能構成を示した説明図である。

図２に示すように、火災検出器２０は、画像入力部３０と多層式ニューラルネットワーク３２で構成され、学習制御器２６は学習画像記憶部３４と制御部３６で構成され、これらの機能は、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。

火災検出器２０は監視カメラ１６で撮像された監視領域の画像を、画像入力部３０を介して多層式ニューラルネットワーク３２に入力し、火災推定値を出力する。

学習制御部２６は、環境火災判定部２４で判定された監視環境の発生しやすい火災の種類に対応した学習画像、例えば油火災であれば油火災の動画からフレーム単位に油火災画像を学習画像記憶部３４から読み出し、画像入力部３０を介して多層式ニューラルネットワーク３２に教師ありの火災画像として入力し、例えばバックプロパゲーション法（誤差逆伝播法）等の学習法により多層式ニューラルネットワーク３２の重みとバイアスを学習させる。

この教師ありの油火災の画像を用いて学習の済んだ多層式ニューラルネットワーク３２に、監視カメラ１６で撮像された例えばボイラー室等の監視領域１４の火災の画像を入力すると、油火災の画像に対応した火災推定値Ｗが出力される。この火災検出器２０から出力される火災推定値Ｗは学習に用いたと同様な油火災の画像の場合は火災推定値が１又は１に近い値となり、監視環境に固有な油火災をより高い感度で判定することができる。

［多層式ニューラルネットワーク］
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（Ａ）に示すように、本実施形態の多層式ニューラルネットワーク３２は、特徴抽出部３８と認識部４０で構成される。特徴抽出部３８は畳み込みニューラルネットワークであり、認識部４０は全結合ニューラルネットワークである。

多層式ニューラルネットワーク３２は、深層学習（ディープラーニング）を行うニューラルネットワークであり、中間層を複数つなぎ合わせた深い階層をもつニューラルネットワークであり、特徴抽出となる表現学習を行う。

通常のニューラルネットワークは、画像から火災を判定するための特徴抽出には、人為的な試行錯誤による作業を必要とするが、多層式ニューラルネットワーク３２では、特徴抽出部３８として畳み込みニューラルネットワークを用いることで、画像の画素値を入力とし、学習により最適な特徴を抽出し、認識部４０の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識別する。

認識部４０の全結合ニューラルネットワークは、図３（Ｂ）に模式的に示すように、入力層４６、全結合４８、中間層５０と全結合４８の繰り返し、及び出力層５２で構成されている。

（畳み込みニューラルネットワーク）
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。

畳み込みニューラルネットワークは、通常のニューラルネットワークとは少し特徴が異なり、視覚野から生物学的な構造を取り入れている。視覚野には、視野の小区域に対し敏感な小さな細胞の集まりとなる受容野が含まれており、受容野の挙動は、行列の形で重み付けを学習することで模倣できる。この行列は重みフィルタ（カーネル）呼ばれ、生物学的に受容野が果たす役割と同様に、ある画像の類似した小区域に対して敏感になる。

畳み込みニューラルネットワークは、畳み込み演算により、重みフィルタと小区域との間の類似性を表すことでき、この演算を通して、画像の適切な特徴を抽出することができる。

畳み込みニューラルネットワークは、図３（Ｂ）に示すように、まず、入力画像４２に対し重みフィルタ４３により畳み込み処理を行う。例えば、重みフィルタ４３は縦横３×３の所定の重み付けがなされた行列フィルタであり、入力画像４２の各画素にフィルタ中心を位置合わせしながら畳み込み演算を行うことで、入力画像４２の９画素を小区域となる特長マップ４４ａの１画素に畳み込み、複数の特徴マップ４４ａが生成される。

続いて、畳み込み演算により得られた特徴マップ４４ａに対しプーリングの演算を行う。プーリングの演算は、識別に不必要な特徴量を除去し、識別に必要な特徴量を抽出する処理である。

続いて、重みフィルタ４５ａ，４５ｂを使用した畳み込み演算とプーリングの演算を多段に繰り返して特徴マップ４４ｂ，４４ｃが得られ、最後の層の特徴マップ４４ｃを認識部４０に入力し、通常の全結合ニューラルネットワークを用いた認識部４０により火災か非火災かを推定する。

なお、畳み込みニューラルネットワークにおけるプーリングの演算は、火災か非火災かの識別に不必要な特徴量が必ずしも明確でなく、必要な特徴量を削除する可能性があることから、プーリングの演算は行わないようにしても良い。

［多層式ニューラルネットワークの学習］
（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、各ユニットにはウェイト（重み）とバイアス値が設定され、複数の入力値とウェイト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。

このようなニューラルネットワークのウェイトやバイアスを変更するには、バックプロパゲーションとして知られている学習アルゴリズムを使用する。バックプロパゲーションでは、入力値ｘと期待される出力値（期待値）ｙというデータセットをネットワークに与えた場合の教師ありの学習と、入力値ｘのみをネットワークに与えた場合の教師なしの学習があり、本実施形態は、教師ありの学習を行う。

教師ありの学習でバックプロパゲーションを行う場合は、ネットワークを通ってきたフォワードプロパゲーションの結果である推定値ｙ＊と期待値yの値を比較する誤差として、例えば、平均二乗誤差の関数を使用する。

バックプロパゲーションでは、推定値ｙ＊と期待値ｙの誤差の大きさを使い、ネットワークの後方から前方までウェイトとバイアスを補正しながら値を伝播させる。各ウェイトとバイアスについて補正した量は、誤差への寄与として扱われ、最急降下法で計算され、ウェイトとバイアスの値を変更することにより、誤差関数の値を最小化する。

ニューラルネットワークに対するバックプロパゲーションによる学習の手順は次にようになる。
（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） ウェ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。

この手順は、ニュウーラルネットワークのウェイトとバイアスの誤差が可能な限り最小になるまで、異なる入力値ｘと期待値ｙの組み合わせを使って繰り返し、誤差関数の値を最小化する。

［火災監視制御］
図４は図１の実施形態による火災監視制御を示したフローチャートである。図４に示すように、環境火災判定部２４はステップＳ１で監視カメラ１６により撮像された監視領域１４の画像を入力して画像解析することにより例えばボイラー室であることを推定し、続いてステップＳ２に進み、推定したボイラー室での発生しやすい火災として油火災を判定し、学習制御部２６に出力する。

学習制御部２６はステップＳ３で環境火災判定部２４から出力された火災の種類、例えば油火災に基づき、図２に示したように学習画像記憶部３４から油火災に対応した学習画像を読み出し、火災検出器２０の多層式ニューラルネットワーク３２を油火災の学習画像により学習させる。

ステップＳ３で学習の済んだ火災検出器２０は、ステップＳ４で監視カメラ１６により撮像された監視領域１４の画像を入力し、火災推定値を出力する。判定部２８はステップＳ５で火災検出器２０の火災推定値を読み込んで所定の閾値と比較し、火災推定値が所定の閾値以上（又は閾値超え）の場合、ステップＳ６に進み、火災判定信号を火災受信機１２に出力し、火災予兆警報等を出力させる。

続いて判定部２８はステップＳ５に進み、環境火災判定部２４により監視環境から発生しやすい火災として判定されている火災種類、例えば油火災を火災判定の根拠として例えば火災受信機１２のディスプレイ上に表示させる制御を行う。このように火災判定の根拠となった火災種類が表示されることで、油火災、電気火災、薬品火災又は燻焼火災といった火災の種類に対応した消火活動や避難誘導が適切に行われることが可能となる。

［環境火災の自動判定］
（環境火災判定部の機能構成）
図５は図１の環境火災判別部の機能構成を示した説明図である。図５に示すように、環境火災判定部２４は、画像入力部５４、学習データセット記憶部５６、画像解析部６０及び火災種類判定部６２を備える。画像解析部６０は多層式ニューラルネットワークとして畳み込みニューラルネットワーク６４と再帰型ニューラルネットワーク６６を備え、また、畳み込みニューラルネットワーク６４と再帰型ニューラルネットワーク６６を学習するための学習制御部６８を備えている。

火災種類判定部６２は判定器７０とシソーラス辞書７２で構成されている。シソーラス辞書７２には監視環境を特定するための単語が環境名単位に大分類から小分類に分けて体系的に整理して記憶され、また、ボイラー室や電気室といった環境名に対応して発生しやすい火災の種類が記憶されている。

ここで、環境火災判定部２４の機能は、多層式の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。

画像入力部５４は監視カメラ１６で撮像された監視領域１４の画像を入力し、画像解析部６０に出力する。画像解析部２０に設けられた畳み込みニューラルネットワーク６４は入力した監視画像の特徴量を抽出して出力する。再帰型ニューラルネットワーク６６は畳み込みニューラルネットワーク２４から出力された特徴量を入力し、入力画像の概要を説明する画像説明文を生成して出力する。

火災種類判定部６２の判定器７０は、画像解析部６０の再帰型ニューラルネットワーク６６から出力された画像説明文を構成する１又は複数の単語と、シソーラス辞書７２に記憶されている複数の環境判定単語とを比較し、画像説明文の単語がシソーラス辞書７２の環境判定単語に一致又は類似した場合にボイラー室や電気室といった監視領域１４の環境名を判定し、判定した環境名に対応して記憶している発生しやすい火災の種類を判定して出力する。

画像解析部６０に設けられた折り畳みニューラルネットワーク６４と再帰型ニューラルネットワーク６６は、学習データセット記憶部５６に予め記憶された学習画像とその画像説明文のペアからなる多数の学習データセットを使用して学習制御部６８により学習されている。

学習データセット記憶部５６に記憶されている学習画像は、例えば、通常監視状態で監視カメラにより撮像されたボイラー室や電気室といった監視環境の多数の監視画像を学習画像として記憶している。

また、学習データセット記憶部５６には、記憶された多数の監視環境の学習画像に対応して画像説明文が準備され、学習画像と画像説明文のペアからなる多数の学習データセットとして記憶されている。例えば、ボイラー室の学習画像に対しては「ボイラー、バルブ、配管が配置されている。」といった画像説明文が記憶されている。

学習制御部６８は、入力層、複数の中間層及び全結合の出力層で構成された学習用の畳み込みニューラルネットワーク（図示せず）を準備し、まず、学習データセット記憶部５６に記憶されている多数の学習画像を読み出し、学習用の畳み込みニューラルネットワークに教師なしの学習画像として入力し、バックプロパゲーション法（逆伝播法）により学習させる。

続いて、学習制御部６８は、学習用の畳み込みニューラルネットワーク得られたウェイトとバイアスを、出力層を持たない畳み込みニューラルネットワーク６４にセットして学習済みとし、学習済みの畳み込みニューラルネットワーク６４に学習画像を入力して特徴量を抽出し、抽出した特徴量と入力した学習画像とセットになっている画像説明文を再帰型ニューラルネットワーク６６に教師なしの学習情報として入力し、バックプロパゲーション法（逆伝播法）により学習させる。

［画像解析部の多層式ニューラルネットワーク］
図６は図５の画像解析部に設けられた畳み込みニューラルネットワークと再帰型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る。

（畳み込みニューラルネットワーク）
図６に示すように、畳み込みニューラルネットワーク６４は入力層７４、複数の中間層７６で構成されている。通常の畳み込みニューラルネットワークは最後の中間層７６の後に、入力層、複数の中間層及び出力層を全結合して画像の特徴量から出力を推定する多層式ニューラルネットワークを設けているが、本実施形態は、入力画像の特徴量を抽出するだけで良いことから、後段の全結合の多層式ニューラルネットワークは設けていない。

畳み込みニューラルネットワーク６４は、図３に示したと同様、通常のニューラルネットワークとは少し特徴が異なり、視覚野から生物学的な構造を取り入れている。視覚野には、視野の小区域に対し敏感な小さな細胞の集まりとなる受容野が含まれており、受容野の挙動は、行列の形で重み付けを学習することで模倣できる。この行列は重みフィルタ（カーネル）呼ばれ、生物学的に受容野が果たす役割と同様に、ある画像の類似した小区域に対して敏感になる。

畳み込みニューラルネットワーク６４は、畳み込み演算により、重みフィルタと小区域との間の類似性を表すことでき、この演算を通して、画像の適切な特徴を抽出することができる。

畳み込みニューラルネットワーク６４は、入力層７４に入力した入力画像に対し重みフィルタにより畳み込み処理を行う。例えば、重みフィルタは縦横３×３の所定の重み付けがなされた行列フィルタであり、入力画像の各画素にフィルタ中心を位置合わせしながら畳み込み演算を行うことで、入力画像の９画素を次の中間層７６の小区域となる特徴マップの１画素に畳み込み、中間層７６に特徴マップが生成される。

続いて、畳み込み演算により得られた中間層７６の特徴マップに対しプーリングの演算を行う。プーリングの演算は、識別に不必要な特徴量を除去し、識別に必要な特徴量を抽出する処理である。

続いて、重みフィルタを使用した畳み込み演算とプーリングの演算を各中間層７６毎に繰り返すことで最後の中間層７６まで特徴マップが生成され、本実施形態にあっては、任意の中間層７６に生成された特徴マップを、入力画像の特徴量として再帰型ニューラルネットワーク６６に入力している。

畳み込みニューラルネットワーク６４は、図５に示した学習制御部６８により学習データセット記憶部５６に記憶された学習画像を入力して教師なしの学習を行っており、この学習により、良く似た画像をグループ分けするクラスタリングされた特徴量をもつ画像を生成することができる。

（再帰型ニューラルネットワーク）
図６に示す再帰型ニューラルネットワーク６６は、畳み込みニューラルネットワーク６４を用いて抽出した画像の特徴量を、単語ベクトルと共に入力して画像説明文を予測する。

本実施形態の再帰型ニューラルネットワーク６６は、時系列データ対応の深層学習モデルとなるＬＳＴＭ−ＬＭ（Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ−Ｌａｎｇａｇｅ Ｍｏｄｅｌ）を使用している。

通常の再帰型ニューラルネットワークのモデルは、入力層、隠れ層、出力層で構成され、隠れ層の情報を次時刻の入力とすることで過去の経歴を利用した時系列解析をするモデルである。これに対しＬＳＴＭモデルは、過去の文脈となるｔ−１個の単語からｔ番目の単語として各単語が選ばれる確率を算出する。即ち、ＬＳＴＭモデルは１時刻前の隠れ状態となる時刻１〜ｔ−１の単語情報、１時刻前の予測結果となる時刻ｔ−１の単語、及び外部情報の３つを入力とし、逐次的に次の単語の予測を繰り返して文章を生成する。

図６の再帰型ニューラルネットワーク６６は、畳み込みニューラルネットワーク６４で抽出された画像の特徴ベクトルをＬＳＴＭ隠れ層７８に入力する行列に変換するＬＳＴＭ入力層７７、レジスタ８０に単語単位に格納された単語Ｓ₀〜Ｓ_N-1をベクトルＷｅＳ₀〜ＷｅＳ_N-1に変換するベクトル変換部８２、Ｎ−１段のＬＳＴＭ隠れ層７８、ＬＳＴＭ隠れ層７８の出力を出現確率ｐ₁〜ｐ_Nに変換する確率変換部８４、単語を出力する確率からコスト関数ｌｏｇＰ₁（ｓ１）〜ｌｏｇｐ_N（Ｓ_N）により算出してコストを最小化するコスト算出部８６で構成される。

（再帰型ニューラルネットワークの学習）
再帰型ニューラルネットワーク６６の学習対象は、ベクトル変換部８２とＬＳＴＭ隠れ層７８であり、畳み込みニューラルネットワーク６４からの特徴量は、学習済みのパラメータをそのまま使用する。

学習データは、学習画像Ｉとその画像説明文の単語列｛Ｓｔ｝（ｔ＝０，・・・Ｎ）となり、次の手順で行う。
（１） 画像Ｉを畳み込みニューラルネットワーク６４に入力し、特定の中間層７６の出力を特徴ベクトルとして取り出す。
（２） 特徴ベクトルをＬＳＴＭ隠れ層７８に入力する。
（３） 単語列Ｓｔをｔ＝０からｔ＝Ｎ−１まで順に入力し、それぞれのステップで確率ｐ_t+1を得る。
（４） 単語Ｓｔ＋１を出力する確率ｐｔ＋１（Ｓｔ＋１）から求まるコストを最小化する。

（画像説明文の生成）
学習済みの畳み込みニューラルネットワーク６４と再帰型ニューラルネットワーク６６を使用して画像説明文を生成する場合には、畳み込みニューラルネットワーク６４に画像を入力して生成した特徴量のベクトルを再帰型ニューラルネットワーク６６に入力し、単語の出現確率の積が高い順に単語列を並べて画像説明文を生成させる。この手順は次のようになる。
（１） 画像を畳み込みニューラルネットワーク６４に入力し、特定の中間層７６の出力を特徴ベクトルとして取り出す。
（２） 特徴ベクトルをＬＳＴＭ入力層７７からＬＳＴＭ隠れ層７８に入力する。
（３） 文の開始記号＜Ｓ＞を、ベクトル変換部８２を使用してベクトルに変換し、ＬＳＴＭ隠れ層７８に入力する。
（４） ＬＳＴＭ隠れ層７８の出力から単語の出現確率が分かるので、上位Ｍ個（例えばＭ＝２０個）の単語を選ぶ。
（５） １つ前のステップで出力した単語を、ベクトル変換部８２を使用してベクトルに変換し、ＬＳＴＭ隠れ層７８に入力する。
（６） ＬＳＴＭ隠れ層７８の出力から、これまでに出力した単語の確率の積を求め、上位Ｍ個の単語列を選択する。
（７） 前記（５）と前記（６）の処理を、単語の出力が終端記号になるまで繰り返す。

このように環境火災判定部２４は、監視カメラにより撮像された監視画像を解析することで、監視領域１４の監視環境と推定して発生しやすい火災の種類、例えばボイラー室の推定に対し油火災を判定し、電気室やサーバルームの推定に対し電気火災を判定し、更に、実験室の推定に対し薬品火災を判別するといった処理が自動的に行われ、自動的に判定された火災の種類を学習制御部２４に出力して火災検出器２０を学習することで、監視環境から発生しやすい種類に火災に対し、より高い感度で火災を判定することができる。

［火災監視システムの第２実施形態］
図７は火災監視システムの第２実施形態を示した説明図、図８は図７の火災検出器及び学習制御部の機能構成を示した説明図、図９は図７の火災判定部の機能構成を火災検出器、環境火災判別部及び閾値設定部と共に示した説明図である。

図７に示すように、本実施形態の火災監視システムは、図１の第１実施形態と同様、監視領域１４に監視カメラ１６が設置され、監視カメラ１６で撮像された動画画像は火災判定装置１０に入力され、警戒領域１４には火災受信機１２から引き出された感知器回線２５に接続された火災感知器１８が設置されている。

火災判定装置１０には、複数種類の火災検出器として、油火災検出器２０−１、電気火災検出器２０−２、薬品火災検出器２０−３及び燻焼火災検出器２０−４が設けられ、図８の油火災検出器２０−１に代表して示すように、画像入力部３０と多層式ニューラルネットワーク３２が設けられている。なお、以下の説明では、油火災検出器２０−１、電気火災検出器２０−２、薬品火災検出器２０−３及び燻焼火災検出器２０−４を複数種類の火災検出器２０−１〜２０−４という場合がある。

油火災検出器２０−１、電気火災検出器２０−２、薬品火災検出器２０−３及び燻焼火災検出器２０−４には監視カメラ１６からの信号ケーブル２２が分岐して入力され、監視カメラ１６から送られてきた動画画像をフレーム単位に入力して、油火災推定値Ｗ、電気火災推定値Ｘ、薬品火災推定値Ｙ及び燻焼火災推定値Ｚを火災判定部２８に出力する。

また、火災判定装置１０には、環境火災判定部２４、閾値設定部２７及び火災判定部２８が設けられている。

環境火災判別部２４は、図１の実施形態と同じであり、監視カメラ１６により撮像した監視領域１４の画像を入力し、ボイラー室、電気室、サーバルーム等の監視領域１６の監視環境を推定すると共に推定したボイラー室、電気室、サーバルーム等の監視環境から発生しやすい火災の種類、例えば油火災や電気火災を判定する。環境火災判定部２４による環境から発生しやすい種類の火災の自動判定は、図５及び図６に示したと同じになる。

学習制御部２６は、図８に示すように、学習画像記憶部３４と制御部３６で構成され、油火災検出器２０−１の多階層ニューラルネットワーク３４を油火災画像により学習し、電気火災検出器２０−２の多階層ニューラルネットワークを電気火災画像により学習し、薬品火災検出器２０−３の多階層ニューラルネットワークを薬品火災画像により学習し、更に燻焼火災検出器２０−４の多階層ニューラルネットワークを燻焼火災画像により学習している。

判定部２２は、図９に示すように、比較器９０−１，９０−２，９０−３，９０−４とＯＲ回路９２で構成され、比較器９０−１，９０−２，９０−３，９０−４の一方の入力に油火災検出器２０−１、電気火災検出器２０−２、薬品火災検出器２０−３及び燻焼火災検出器２０−４から出力される油火災推定値Ｗ、電気火災推定値Ｘ、薬品火災推定値Ｙ及び燻焼火災検出値Ｚが入力される。

また、比較器９０−１，９０−２，９０−３，９０−４の他方の入力には閾値設定部２７により設定された火災の種類に対応した所定の閾値、例えば油火災閾値Ｗｔｈ、電気火災閾値Ｘｔｈ、薬品火災閾値Ｙｔｈ、及び燻焼火災検出値Ｚｔｈが入力される。

比較器９０−１，９０−２，９０−３，９０−４は、火災推定値Ｗ，Ｘ，Ｙ，Ｚが対応する閾値Ｗｔｈ，Ｘｔｈ，Ｙｔｈ，Ｚｔｈ以上又は閾値超えの場合に火災判定信号をＯＲ回路９２を介して火災受信機１２に出力して火災予兆警報等を出力させる。

閾値設定部２７は、環境火災判定部２４により判定された火災の種類に対応した閾値を、それ以外の火災の種類に対応した閾値に対し低い値に設定する。環境火災判定部２４で監視環境として例えばボイラー室が推定され、ボイラー室から発生しやすい火災として油火災が判定されていた場合、閾値設定部２７は、油火災閾値Ｗｔｈ、電気火災閾値Ｘｔｈ、薬品火災閾値Ｙｔｈ、及び燻焼火災検出値Ｚｔｈとして例えば
油火災閾値 Ｗｔｈ＝０．６
電気火災閾値 Ｘｔｈ＝０．９
薬品火災閾値 Ｙｔｈ＝０．９
燻焼火災検出値Ｚｔｈ＝０．９
に設定する。

このため、閾値Ｗｔｈ＝０．６と低い値に設定した油火災を火災として判定しやすくなり、監視環境に固有の発生しやすい火災に対し、より感度の高い火災の判定を可能とする。

なお、特定種類の火災判定を行わないためには、これに対応した閾値を１以上の高い値に設定すれば良い。

［火災監視制御］
図１０は図７の実施形態による火災監視制御を示したフローチャートである。図１０に示すように、環境火災判定部２４はステップＳ１１で監視カメラ１６により撮像された監視領域１４の画像を入力して画像解析することにより例えばボイラー室であることを推定し、続いてステップＳ１２に進み、推定したボイラー室での発生しやすい火災として油火災を判定し、閾値設定部２７に出力する。

閾値設定部２７はステップＳ１３で環境火災判定部２４から出力された火災の種類、例えば油火災に基づき、図９に示した判定部２８の油火災検出器２０−１からの火災推定値Ｗを入力した比較器９０−１に対する閾値Ｗｔｈを、それ以外の火災推定値Ｘ，Ｙ，Ｚを入力している比較器９０−２〜９０−４に対する閾値Ｘｔｈ，Ｙｔｈ，Ｚｔｈより低い値に設定し、ボイラー室から発生しやすい油火災に対し、より高い感度で火災を判定可能とする。

続いて、ステップＳ１４で監視カメラ１６により撮像された監視領域１４の画像を複数種類の火災検出器２０−１〜２０−４に入力して火災推定値Ｗ，Ｘ，Ｙ，Ｚを出力する。判定部２８はステップＳ１５で複数種類の火災検出器２０−１〜２０−４からの火災推定値Ｗ，Ｘ，Ｙ，Ｚを読み込み、ステップＳ１６で所定の閾値Ｗｔｈ，Ｘｔｈ，Ｙｔｈ，Ｚｔｈと比較し、何れかの火災推定値が対応する閾値以上（又は閾値超え）の場合、ステップＳ１７に進み、火災判定信号を火災受信機１２に出力し、火災予兆警報等を出力させる。

続いて判定部２８はステップＳ１８に進み、火災として判定された火災種類、例えば油火災を例えば火災受信機１２のディスプレイ上に表示させる制御を行う。このように火災判定の根拠となった火災の種類が表示されることで、油火災、電気火災、薬品火災又は燻焼火災といった火災の種類に対応した消火活動や避難誘導が適切に行われることを可能とする。

〔本発明の変形例〕
（学習機能）
上記の実施形態に示した火災検出器は、多階層ニューラルネットワークの学習機能を備えた場合を例にとっているが、多階層ニューラルネットワークの学習は、学習機能を備えたサーバ等の別のコンピュータ設備を使用して行い、その結果得られた学習済みの多階層ニュートラルネットワークを火災検出器に実装して使用するようにしても良い。

（監視環境と火災種別）
上記の実施形態は、監視環境としてボイラー室、電気室、サーバルーム、実験室等を例にとつているが、これ以外の適宜の場所や用途であっても良い。また、上記の実施形態は、監視環境から発生しやすい火災の種類として、油火災、電気火災、薬品火災、燻焼火災を例にとっているが、これ以外の適宜の種類の火災を含む。

（放火監視）
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。

（特徴抽出）
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。

（学習方法について）
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。

（画像とセンサの複合）
上記の実施形態は、画像による火災監視を例にとっているが、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。

（赤外線照明と赤外線画像の撮像）
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火災検出器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、学習済みの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。

このように監視領域の赤外線画像を火災検出器に入力することで、監視領域の照明状態や昼夜の明るさ変化等に影響されることなく、監視画像を用いた火災監視が可能となる。

（その他）
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。

１０：火災判定装置
１２：火災受信機
１４：監視領域
１６：監視カメラ
１８：火災感知器
２０：火災検出器
２０−１：油火災検出器
２０−２：電気火災検出器
２０−３：薬品火災検出器
２０−４：燻焼火災検出器
２２：信号ケーブル
２４：環境火災判別部
２６，６８：学習制御部
２７：閾値設定部
２８：火災判定部
３０，５４：画像入力部
３２：多層式ニューラルネットワーク
３４：学習画像記憶部
３６：制御部
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
４６，７４
４８：結合層
５０，７６層
５２：出力層
５６：画像データセット記憶部
６０：画像解析部
６２：火災種類判別部
６４：畳み込みニューラルネットワーク
６６：再帰型ニューラルネットワーク
７０：判定器
７２：シソーラス辞書
７７：ＬＳＴＭ入力層
７８：ＬＳＴＭ隠れ層
８０：単語レジスタ
８２：単語ベクトル変換部
８４：確率変換部
８６： コスト算出部

Claims (10)

1. 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、監視領域の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、
   前記監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、
   前記環境火災判別部により判定された種類の火災により前記火災検出器の多層式のニューラルをディープラーニングにより学習させる学習制御部と、
   前記監視領域の前記入力情報を学習済みの前記火災検出器に入力した場合に出力される前記火災推定値を所定の閾値と比較して火災を判定する火災判定部と、
   が設けられたことを特徴とする火災監視システム。
   
2. ）
   請求項１記載の火災監視システムに於いて、
   前記環境火災判定部は、前記監視領域の監視環境から複数種類の火災を判別した場合に、発生しやすい火災の順に優先度を設定し、
   前記学習制御部は、前記環境火災判定部で判定された優先度の高い１又は複数種類の火災により前記多層式のニューラルをディープラーニングにより学習させることを特徴とする火災監視システム。
   
3. 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、監視領域の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、
   前記監視領域の監視環境から発生しやすい火災の種類を判定する環境火災判別部と、
   火災の種類毎にディープラーニングにより学習された複数種類の火災検出器と、
   前記入力情報を前記複数種類の火災検出器に入力した場合に出力される火災推定値の各々を、火災の種類に対応した所定の閾値と比較して火災を判定する火災判定部と、
   前記火災判定部における火災の種類に対応した閾値を、前記環境火災判定部で判定された火災の種類を判定しやすいように設定する閾値設定部と、
   が設けられたことを特徴とする火災監視システム。
   
4. 請求項３記載の火災監視システムに於いて、
   前記閾値設定部は、前記環境火災判定部により判定された火災の種類に対応した閾値を、それ以外の火災の種類に対応した閾値に対し低い値に設定することを特徴とする火災監視システム。
   
5. 請求項１又は３記載の火災監視システムに於いて、
   前記環境火災判定部は、
   撮像部により撮像された前記監視領域の画像を解析し、前記画像に含まれる要素を単語として出力する多層式のニューラルネットワークで構成された画像解析部と、
   前記画像解析部から出力された画像に含まれる要素の単語を、辞書に予め記憶した所定の監視環境を示す単語と比較して前記監視領域の環境を推定し、推定した前記監視環境に対応して発生しやすい火災の種類を判定する火災種類判定部と、
   が設けられたことを特徴とする火災監視システム。
   
6. 請求項１又は３記載の火災監視システムに於いて、
   前記火災検出器は、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して入力して前記火災推定値を出力することを特徴とする火災監視システム。
   
7. 請求項１又は３記載の火災監視システムに於いて、
   前記監視環境は、ボイラー室、電気室、サーバ−ルーム、調理室、実験室を含み、
   前記複数種類の火災は、燻焼火災、油火災、電気火災及び薬品火災を含むことを特徴とする火災監視システム。
   
8. 請求項１又は３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、
   前記認識部は、前記畳み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。
   
9. 請求項１又は３記載の火災監視システムに於いて、前記火災検出器は、前記多層式のニューラルネットワークに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。
   
10. 請求項１又は３記載の火災監視システムに於いて、前記火災判定部は、火災の判定に加え火災判定の根拠とした火災の種類を表示させることを特徴とする火災監視システム。

Images