JP2021039709A - プラットホーム危険度判別プログラム及びシステム - Google Patents
プラットホーム危険度判別プログラム及びシステム Download PDFInfo
- Publication number
- JP2021039709A JP2021039709A JP2019184203A JP2019184203A JP2021039709A JP 2021039709 A JP2021039709 A JP 2021039709A JP 2019184203 A JP2019184203 A JP 2019184203A JP 2019184203 A JP2019184203 A JP 2019184203A JP 2021039709 A JP2021039709 A JP 2021039709A
- Authority
- JP
- Japan
- Prior art keywords
- platform
- degree
- information
- association
- risk
- 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.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 238000000034 method Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 11
- 238000013459 approach Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
【課題】駅のプラットホーム内の電車との接触による危険度を事前に察知し、事故を未 然に防止する。【解決手段】プラットホーム内において撮影された参照用画像情報と、参照用ホーム構造情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得ステップと、上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、そのプラットホームを特定するためのホーム特定情報の入力を受け付ける情報取得ステップと、上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報と、上記ホーム特定情報にリンクする参照用ホーム構造情報とに基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させる。【選択図】図3
Description
本発明は、駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラム及びシステムに関する。
従来より、駅のプラットホームにおける電車との接触による事故が問題になっている。ホームドアの設置が進んでいない路線も数多くあることから、駅のプラットホーム内の電車との接触による危険度を事前に察知し、事故を未然に防止することが求められる。このような危険度を自動的に、しかも高精度に行う必要がある。
上述した特許文献1の開示技術では、駅構内の滞留人数を人工知能により推定することは記載されているが、人工知能を活用して駅構内の危険度を判別することについて何ら記載されていない。
そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、駅のプラットホーム内の電車との接触による危険度を事前に察知し、事故を未然に防止するために、駅のプラットホーム内の危険度を人工知能を利用して自動的に判別するプラットホーム危険度判別プログラム及びシステムを提供することにある。
本発明は、駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、プラットホーム内において撮影された参照用画像情報と、上記プラットホームの幅、大きさ、形状、階段の配置、電車とホームの隙間の長さ、収容人数の何れか1以上で定義される参照用ホーム構造情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得ステップと、上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、そのプラットホームを特定するためのホーム特定情報の入力を受け付ける情報取得ステップと、上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報と、上記ホーム特定情報にリンクする参照用ホーム構造情報とに基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させることを特徴とするプラットホーム危険度判別プログラムである。
本発明は、駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別システムにおいて、プラットホーム内において撮影された参照用画像情報と、上記プラットホームの幅、大きさ、形状、階段の配置、電車とホームの隙間の長さ、収容人数の何れか1以上で定義される参照用ホーム構造情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得手段と、上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、そのプラットホームを特定するためのホーム特定情報の入力を受け付ける情報取得手段と、上記連関度取得手段により取得された連関度を参照し、上記情報取得手段を介して取得した画像情報と、上記ホーム特定情報にリンクする参照用ホーム構造情報とに基づき、上記プラットホーム内の危険度を判別する判別手段とを備えることを特徴とするプラットホーム危険度判別システムである。
駅のプラットホーム内の電車との接触による危険度を事前に察知し、事故を未然に防止するために、駅のプラットホーム内の危険度を人工知能を利用して自動的に判別することができる。
以下、本発明を適用したプラットホーム危険度判別プログラムについて、図面を参照しながら詳細に説明をする。
図1は、本発明を適用したプラットホーム危険度判別プログラムが実装されるプラットホーム危険度判別システム1の全体構成を示すブロック図である。プラットホーム危険度判別システム1は、情報取得部9と、情報取得部9に接続された判別装置2と、判別装置2に接続されたデータベース3とを備えている。
情報取得部9は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部9は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部9は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部9は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部9は、後述する判別装置2と一体化されていてもよい。情報取得部9は、検知した情報を判別装置2へと出力する。
データベース3は、駅のプラットホームにおいて以前発生した事故、或いは事故まで至らなかったものの、危険度が高かった事例等、プラットホーム内の危険度に関する情報を蓄積している。データベース3は、実際に情報取得部9を構成するカメラにより以前撮像した参照用画像情報、当該参照用画像情報の撮影時点における当該プラットホームへの電車の参照用接近情報、プラットホームの構造に関する参照用ホーム構造情報、プラットホームにおける駅員の配置状況に関する参照用配置情報、参照用画像情報の撮影時点における時間帯の混雑状況及び撮影環境を示す参照用時間帯情報、参照用画像情報を解析することにより乗客の動線を抽出した参照用乗客動線情報等が蓄積されている。
更にこのデータベース3は、プラットホーム上を歩行する乗客や、プラットホームに入ってくる電車の位置情報や、接近情報、センサからの距離や角度等を検知した情報が記録されていてもよい。そのうち代表的なものとして参照用乗客位置情報は、これらプラットホーム上を歩行する乗客や、プラットホームに入ってくる電車の位置を示す位置情報である。
更にこのデータベース3は、プラットホーム上を歩行する乗客や、プラットホームに入ってくる電車の位置情報や、接近情報、センサからの距離や角度等を検知した情報が記録されていてもよい。そのうち代表的なものとして参照用乗客位置情報は、これらプラットホーム上を歩行する乗客や、プラットホームに入ってくる電車の位置を示す位置情報である。
判別装置2は、例えば、パーソナルコンピュータ(PC)等を始めとした電子機器で構成されているが、PC以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この判別装置2による探索解を得ることにより、プラットホームの危険度を判別することができる。
図2は、判別装置2の具体的な構成例を示している。この判別装置2は、判別装置2全体を制御するための制御部24と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部25と、有線通信又は無線通信を行うための通信部26と、各種判断を行う判断部27と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部28とが内部バス21にそれぞれ接続されている。さらに、この内部バス21には、実際に情報を表示するモニタとしての表示部23が接続されている。
制御部24は、内部バス21を介して制御信号を送信することにより、判別装置2内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部24は、操作部25を介した操作に応じて各種制御用の指令を内部バス21を介して伝達する。
操作部25は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部25は、上記実行命令がユーザから入力された場合には、これを制御部24に通知する。この通知を受けた制御部24は、判断部27を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部25は、前述した情報取得部9として具現化されるものであってもよい。
判断部27は、プラットホームの危険度に関する各種判断を担う。この判断部27は、推定動作を実行するに当たり、必要な情報として記憶部28に記憶されている各種情報や、データベース3に記憶されている各種情報を読み出す。この判断部27は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
表示部23は、制御部24による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部23は、例えば、液晶ディスプレイ(LCD)等によって実現される。
記憶部28は、ハードディスクで構成される場合において、制御部24による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部28には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部24により読み出されて実行されることになる。
上述した構成からなるプラットホーム危険度判別システム1における動作について説明をする。
プラットホーム危険度判別システム1では、例えば図3に示すように、参照用画像情報と、参照用ホーム構造情報との組み合わせが形成されていることが前提となる。参照用画像情報とは、プラットホームに設置されたカメラでプラットホームの各所を撮影した画像であり、例えば、乗客がまばらですいているプラットホームの画像であったり、込んでいるプラットホームに人が走っている画像であったり、プラットホームから乗客が落ちそうなレベルまで混雑している画像等、様々である。
参照用ホーム構造情報とは、プラットホームの構造に関する情報である。プラットホームの構造とは、例えば、プラットホームの幅や大きさ、形状、階段の配置、電車とホームの隙間の長さ、収容人数、高さ等、プラットホームの構造に関するあらゆる情報やデータを含むものである。このような参照用ホーム情報は、電鉄会社毎に、或いは駅毎にサーバーなどにおいて予め蓄積されているものを活用するようしてもよいし、カメラにより撮像した画像から構造を画像解析により割り出してもよい。参照用ホーム構造情報は、ホーム上において線路側端部から所定の長さに亘り離間したところに引かれている白線や黄色い線(以下、目印線という。)の位置も含まれる。
図3の例では、例えば参照用画像情報が、プラットホームに設置されたカメラでプラットホームを各場所ごとに、或いは各時系列毎に撮影した参照用画像情報P11〜P13、参照用ホーム構造情報として、「プラットホームの構造α」、「プラットホームの構造β」等であるものとする。
入力データとしては、このような参照用画像情報と、参照用ホーム構造情報が並んでいる。このような入力データとしての、参照用画像情報に対して、参照用ホーム構造情報が組み合わさったものが、図3に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、プラットホーム内の危険度が、パーセンテージとして表示されている。
参照用画像情報と参照用ホーム構造情報との各組み合わせ(中間ノード)は、この出力解としての、プラットホーム内の危険度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用ホーム構造情報がこの連関度を介して左側に配列し、各プラットホーム内の危険度が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用ホーム構造情報に対して、何れの危険度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用ホーム構造情報が、いかなる危険度に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用ホーム構造情報から最も確からしい危険度を選択する上での的確性を示すものである。図3の例では、連関度としてw13〜w22が示されている。このw13〜w22は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としてのプラットホーム内の危険度と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としてのプラットホーム内の危険度と互いに関連度合いが低いことを示している。
判別装置2は、このような図3に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の危険度の判別を行う上で、参照用画像情報と、参照用ホーム構造情報、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図3に示す連関度を作り上げておく。
例えば、参照用画像情報P11がラッシュアワー時においてプラットホーム内に乗客が溢れるばかりに滞留している状態の画像であるものとする。この時のプラットホームの構造が例えば「α」であるとき、以前のデータにおいて事故が起きたか否か、また事故に至らなくても事故が起きてもおかしくない程度の危険度であったか否かを抽出する。これらのデータは、電鉄会社や各駅において保存されている過去の事故データや、ヒヤリとした場面のデータから抽出するようにしてもよい。危険度の数値化は、上記参照用画像情報を複数人で視認し、危険度に関するアンケート調査等を集計して求めるようにしてもよい。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報P11で、かつ「プラットホームの構造α」である場合に、実際に事故が起きたか否か、或いは事故には至らなかったものの危険性が高かったか否かを過去のデータから分析する。事故が起きた事例が多いほど危険度の高い出力につながる連関度をより高く設定し、事故が起きた事例が少ないほど危険度の低い出力につながる連関度をより高く設定する。例えば中間ノード61aの例では、危険度90%と、危険度30%の出力にリンクしているが、以前の事例から危険度が極めて高いケースであるため、危険度90%につながるw13の連関度を7点に、危険度30%につながるw14の連関度を2点に設定している。
また、この図3に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードの出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図3に示す連関度の例で、ノード61bは、参照用画像情報P11に対して、参照用ホーム構造情報「プラットホームの構造α」の組み合わせのノードであり、危険度60%の連関度がw15、危険度0%の連関度がw16となっている。ノード61cは、参照用画像情報P12に対して、参照用接近情報「プラットホームの構造β」、「プラットホームの構造Z」の組み合わせのノードであり、危険度30%の連関度がw17、危険度70%の連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たにプラットホームにおいて新たに危険度を判別する際において、上述した学習済みデータを利用して危険度を判別することとなる。かかる場合には、画像情報を新たに取得するとともに、ホーム特定情報を取得する。
新たに取得する画像情報は、上述した情報取得部9によるカメラにより画像を撮影する。この撮影は、上述した参照用画像情報を得る上で撮影したプラットホームと同一である。また撮影条件は、上述した参照用画像情報を得る上での撮影条件(撮影角度、画角、解像度)が必ずしも全て同一であるところまでは要求されない。
ホーム特定情報は、実際にその危険度を求めるためのプラットホームが何駅の何線の何番ホームであるかを特定するためのものであり、上述した参照用ホーム情報にリンクする。つまり、プラットホームが何駅の何線の何番ホームであるかが分かれば、そのホームの構造はどのようなものかが特定できるため、参照用ホーム構造情報にリンクすることになる。
このようにして新たに取得した画像情報と、ホーム特定情報に基づいて、実際にその新たに画像情報を取得した時点における危険度を求める。かかる場合には、予め取得した図3(表1)に示す連関度を参照する。例えば、新たに取得した画像情報がP12と同一かこれに類似するものである場合であって、ホーム特定情報が「プラットホームの構造Z」にリンクするものである場合には、連関度を介してノード61dが関連付けられており、このノード61dは、「危険度60%」がw19、「危険度70%」が連関度w20で関連付けられている。かかる場合には、連関度の最も高い「危険度60%」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「危険度70%」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
また、入力から伸びている連関度w1〜w12の例を以下の表2に示す。
この入力から伸びている連関度w1〜w12に基づいて中間ノード61が選択されていてもよい。つまり連関度w1〜w12が大きいほど、中間ノード61の選択における重みづけを重くしてもよい。しかし、この連関度w1〜w12は何れも同じ値としてもよく、中間ノード61の選択における重みづけは何れも全て同一とされていてもよい。
図4は、上述した参照用画像情報と、参照用ホーム構造情報に加えて、更に参照用乗客動線情報との組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度が設定されている例を示している。
参照用乗客動線情報は、ある時間帯(例えば、一時点でもよいし、何時何分〜何時何分までの時間幅があるものでもよい。)におけるプラットホーム内の乗客の動線を抽出したものである。この参照用乗客動線情報を抽出する上では、上述した参照用画像情報を画像解析することにより、乗客の動線を周知の手段により検知するものであってもよい。乗客の動線のパターンはベクトルや線図等を通じて画像上にて周知の手段によりパターン化されて記憶される。
かかる場合において、連関度は、図4に示すように、参照用画像情報と、参照用ホーム構造情報と、参照用乗客動線情報との組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
例えば、図4において、ノード61cは、参照用画像情報P12が連関度w3で、参照用ホーム構造情報「プラットホームの構造β」が連関度w7で、参照用乗客動線情報としての「乗客の動線W」が連関度w11で連関している。同様にノード61eは、参照用画像情報P13が連関度w5で、参照用ホーム構造情報「プラットホームの構造β」が連関度w8で、参照用乗客動線情報としての「乗客の動線V」が連関度w10で連関している。
このような連関度が設定されている場合も同様に、新たに取得した画像情報と、そのプラットホームを特定するためのホーム特定情報と、乗客の動線を抽出した乗客動線情報に基づいて、実際にその新たに画像情報を取得した時点における危険度を求める。
この危険度を求める上で予め取得した図4に示す連関度を参照する。例えば、取得した画像が参照用画像情報P12に同一又は類似で、ホーム特定情報の結果、「プラットホームの構造β」であることが特定でき、しかも乗客動線情報が、「乗客の動線W」であることが特定できた場合、その組み合わせはノード61cが関連付けられており、このノード61cは、危険度30%が連関度w17で、また危険度70%が連関度w18で関連付けられている。このような連関度の結果、w17、w18に基づいて、実際にその新たに画像情報と接近情報とを取得した時点における危険度を求めていくことになる。
なお、上述した参照用乗客動線情報の代わりに、混雑状況のデータからなる参照用混雑情報や、時間帯別の降車人数データからなる参照用降車人数情報を上述した連関度と連関性を持たせるように設定しておくようにしてもよい。この参照用混雑情報とは、プラットホーム上の混雑の度合を示すものであり、カメラによりプラットホームを撮像することで単位領域当たりの乗客の人数を画像処理又はディープラーニングによる判別を通じて数えることで混雑状況を把握するようにしてもよい。また、参照用降車人数情報は各電車の便毎に、降車人数をカウントすることで得られる。降車人数のカウントは人手によりカウントしてもよいが、カメラ画像による解析により降車人数をカウントしてもよい。この降車人数の代わりに乗車人数をカウントしてもよい。
このような参照用混雑情報又は参照用降車人数情報を連関度に連関させておき、実際に解探索を行う上では、その時点における混雑状況を示す混雑情報を取得し、或いはその時点における降車人数を示す降車人数情報を取得し、連関度を参照して解探索を行う。
図5は、上述した参照用画像情報と、参照用配置情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度が設定されている例を示している。
参照用配置情報とは、プラットホームにおける駅員の配置状況に関する情報である。参照用配置情報は、例えば電鉄会社や駅毎に管理されている駅員の配置状況に関するスケジュール表のデータや、タイムシフトデータから情報を取得するようにしてもよい。またプラットホームに設置されたカメラを通じて駅員の画像と位置情報を順次取得し、配置状況を抽出することで参照用配置情報を取得するようにしてもよい。
かかる場合において、連関度は、図5に示すように、参照用画像情報と、参照用配置情報とを有する組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
例えば、図5において、ノード61dは、参照用画像情報P12が連関度w4で、参照用配置情報「駅員の配置形態Q」が連関度w12で連関している。
このような連関度が設定されている場合も同様に、新たに取得した画像情報と、その画像情報を取得した時点におけるプラットホームにおける駅員の配置状況を更に取得する。この配置状況の取得は、スケジュール表のデータや、タイムシフトデータから当該時点における駅員の配置状況を取得するようにしてもよい。かかる場合には、タイムシフトデータにおける時間軸と、現在時刻とを照らし合わせて駅員の配置状況を取得する。またプラットホームに設置されたカメラを通じて駅員の画像と位置情報から現時点における配置状況を順次抽出するようにしてもよい。
この危険度を求める上で予め取得した図5に示す連関度を参照する。例えば、取得した画像が参照用画像情報P11に同一又は類似で、配置状況が「駅員の配置形態P」である場合には、その組み合わせはノード61aが関連付けられており、このノード61aは、危険度90%が連関度w13で、また危険度30%が連関度w14で関連付けられている。このような連関度の結果、w13、w14に基づいて、実際にその新たに画像情報を取得した時点における危険度を求めていくことになる。
図6は、上述した参照用画像情報と参照用時間帯情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度が設定されている例を示している。
参照用時間帯情報とは、ある時間帯(例えば、一時点でもよいし、何時何分〜何時何分までの時間幅があるものでもよい。)におけるプラットホーム内の撮影環境を示すものである。撮影環境は、カメラによる撮影を行う上で影響を及ぼすあらゆるファクターを意味する。例えばプラットホームが屋外にあるものであれば、時間帯によって明るさ、太陽光の方向等、カメラによる撮像に影響を及ぼす様々なファクターは変化するが、これらのデータを時系列的に計測することで各時間帯ごとの撮影環境を得ることができる。
かかる場合において、連関度は、図6に示すように、参照用画像情報と、参照用時間帯情報との組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
例えば、図6において、ノード61dは、参照用画像情報P12が連関度w4で、参照用時間帯情報「撮影環境V((例えば、時刻10時〜10時10分における太陽光の方向が南東等)」が連関度w12で連関している。
このような連関度が設定されている場合も同様に、新たに取得した画像情報と、その画像情報を取得した時点における時間帯情報(撮影環境)を更に取得する。時間帯情報の取得方法は、参照用時間帯情報の取得方法と同様である。
この危険度を求める上で予め取得した図6に示す連関度を参照する。例えば、取得した画像が参照用画像情報P11に同一又は類似で、時間帯情報が「撮影環境U」である場合には、その組み合わせはノード61aが関連付けられており、このノード61aは、危険度90%が連関度w13で、また危険度30%が連関度w14で関連付けられている。このような連関度の結果、w13、w14に基づいて、実際にその新たに画像情報を取得した時点における危険度を求めていくことになる。
図7は、上述した参照用画像情報と参照用音声情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度が設定されている例を示している。
参照用音声情報とは、音声情報は、マイクロフォン等により検知される音声である。この音声情報は、参照用画像取得時と同様に検知して参照用音声情報として独立した入力パラメータとして連関度に関連付けられていてもよい。つまり、参照用画像情報に加え、更に参照用音声情報の組み合わせに対して、上記連関度が関連付けられるものであってもよい。かかる場合には、新たな危険度の判断において音声情報をマイクロフォンにて取得し、連関度を参照して危険度の判断を行っていくことになる。
かかる場合において、連関度は、図7に示すように、参照用画像情報と、参照用音声情報との組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
例えば、図7において、ノード61dは、参照用画像情報P12が連関度w4で、参照用音声情報「音声情報Y´」が連関度w12で連関している。
このような連関度が設定されている場合も同様に、新たに取得した画像情報と、その画像情報を取得した時点における音声情報を更に取得する。音声情報の取得方法は、参照用音声情報の取得方法と同様である。
この危険度を求める上で予め取得した図7に示す連関度を参照する。例えば、取得した画像が参照用画像情報P11に同一又は類似で、音声情報が「参照用音声情報Y」である場合には、その組み合わせはノード61aが関連付けられており、このノード61aは、危険度90%が連関度w13で、また危険度30%が連関度w14で関連付けられている。このような連関度の結果、w13、w14に基づいて、実際にその新たに画像情報を取得した時点における危険度を求めていくことになる。
なお、上述した連関度では、参照用画像情報と、参照用配置情報、参照用時間帯情報、参照用音声情報の何れか1以上とを有する組み合わせであれば、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。その一例として参照用乗客動線情報が上記組み合わせに加わっていてもよい。
また、上述した実施の形態では、参照用画像情報を基調として学習済モデルを構築する場合を例に取り説明をしたが、これに限定されるものではない。参照用学習情報の代替として、参照用乗客位置情報を用いるようにしてもよい。
図8は、参照用乗客位置情報と参照用ホーム構造情報との間で連関度を形成する場合を示す例である。この図8の例では、図3に示す参照用画像情報と参照用ホーム構造情報との連関度の説明における参照用画像情報が参照用乗客位置情報に置き換えられたものであることから、参照用画像情報と参照用ホーム構造情報との連関度の説明を流用することにより以下での説明を省略する。
このような位置情報を通じて、プラットホーム上を歩行する乗客やプラットホームに入ってくる電車の位置を把握することができる。このため、画像を通じて乗客や電車の状況を判別することと同様、この位置情報を介して乗客や電車の状況を判別することができ、これと参照用ホーム構造情報とを組み合わせることで、危険度を判別することが可能となる。なお、参照用乗客位置情報並びに乗客位置情報は、乗客の位置のみならず、これらセンサを介して測定した電車の位置に関する情報を含めてもよい。
上述した参照用画像情報との組み合わせで、参照用配置情報、参照用時間帯情報、参照用音声情報等との間で連関度を形成する場合も、この参照用画像情報の代替として、参照用乗客位置情報を用いるようにしてもよい。
参照用乗客位置情報に対して、参照用ホーム構造情報、参照用配置情報、参照用時間帯情報、参照用音声情報等のいずれか1つとの間で連関度を形成しておくことになる。
参照用配置情報との間で連関度を形成する場合には、プラットホーム内においてセンシングした乗客の位置を示す参照用乗客位置情報と、上記プラットホームにおける駅員の配置状況に関するスケジュール表のデータ又はタイムシフトデータから取得し、或いはプラットホームに設置されたカメラを通じて駅員の画像と位置情報を順次取得することで駅員の配置状況を抽出した参照用配置情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得しておく。そしてプラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の乗客の位置をセンシングすることにより乗客位置情報を取得するとともに、当該撮影時点の当該プラットホームにおける駅員の配置状況を取得する。そして、上述した連関度を参照し、新たに取得した乗客位置情報と、駅員の配置状況とに基づき、上記プラットホーム内の危険度を判別する。
参照用時間帯情報との間で連関度を形成する場合には、プラットホーム内においてセンシングした乗客の位置を示す参照用乗客位置情報と、当該参照用画像情報の撮影時点における時間帯の撮影環境を示す参照用時間帯情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得しておく。そして、プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の乗客の位置をセンシングすることにより乗客位置情報を取得するとともに、更に上記プラットホームにおいて新たに危険度を判別する際に、当該撮影時点の時間帯における撮影環境を示す時間帯情報を取得する。次に上記連関度を参照し、取得した乗客位置情報と、時間帯情報とに基づき、上記プラットホーム内の危険度を判別する。
参照用音声情報との間で連関度を形成する場合には、プラットホーム内においてセンシングした乗客の位置を示す参照用乗客位置情報と、プラットホーム内において検知された参照用音声情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する。次にプラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の乗客の位置をセンシングすることにより乗客位置情報を取得するとともに、プラットホーム内において検知した音声情報を取得する。そして、取得した連関度を参照し、取得した乗客位置情報と、音声情報とに基づき、上記プラットホーム内の危険度を判別する。
このとき、参照用乗客位置情報に対して、参照用ホーム構造情報、参照用配置情報、参照用時間帯情報、参照用音声情報等のいずれか2以上との間で連関度を形成してもよい。
図9の例では、プラットホームにおいて撮影された参照用画像情報と危険度との3段階以上の連関度を利用する例である。
参照用画像情報と、危険度とが互いに紐づけられた連関度が形成されていることが前提となる。図9の例では、入力データとして例えば参照用画像情報P11〜P13であるものとする。このような入力データとしての参照用画像情報は、出力に連結している。この出力においては、出力解としての危険度であるものとする。
参照用画像情報は、この出力解としての危険度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用画像情報がこの連関度を介して左側に配列し、各危険度が連関度を介して右側に配列している。
探索装置2は、このような図9に示す3段階以上の連関度w13〜w19を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、過去において撮像して取得した参照用画像情報のときにいかなる危険度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図9に示す連関度を作り上げておく。
例えば、参照用画像情報が、P11であるものとする。このようなP11に対する危険度として、危険度90%が多かったものとする。このようなデータセットを集めて分析することにより、参照用画像情報P11と、危険度との連関度が強くなる。
この分析、解析は人工知能により行うようにしてもよい。また画像の判別はディープラーニングを用いるようにしてもよい。また、この図9に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
なお、このような連関度に基づく学習済みモデルを構築する過程において、その画像情報の取得するプラットホームにおける参照用プラットホーム情報も取得しておく。この参照用プラットホーム情報は、上述した連関度には含まれない。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、解を探索することとなる。かかる場合には、プラットホームにおいて撮像した画像情報を取得すると共に、プラットホーム情報も同様に取得しておく。
先ず、新たに取得した画像情報に基づいて、危険度を探索する。かかる場合には、予め取得した図9に示す連関度を利用する。例えば、新たに取得した画像情報が、参照用画像情報P12と同一かこれに類似するものである場合には、連関度を介して危険度30%が連関度w15、危険度60%が連関度w16で関連付けられている。かかる場合には、連関度の最も高い危険度30%を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる連関度60%を解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。また、この選択する出力解は1つに限られず、2以上選択するものであってもよい。かかる場合には、連関度の上位から順に2以上選択するようにしてもよいが、これに限定されるものではなく、他のいかなる連関度の優先順位に基づいてもよい。
連関度を通じて求められる危険度は、更に、プラットホーム情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。
例えば、参照用プラットホーム情報のプラットホームの構造αがホームが非常に広くてフェンスが構築されている構造であり、参照用プラットホーム情報のプラットホームの構造βがホームが非常に狭く、しかもフェンスが構築されていない場合であるものとする。このとき、参照用プラットホーム情報のプラットホームの構造αのように危険度が低い構造の場合、危険度の重み付けを下げる処理を行い、換言すれば危険度そのものを下げる処理を行うように予め設定しておく。これに対して、参照用プラットホーム情報のプラットホームの構造βのように危険度の高い構造の場合、危険度の重み付けを上げる処理を行い、換言すれば危険度そのものを上げる処理を行うように予め設定しておく。
このように参照用プラットホーム情報との間での設定の後、実際に取得したプラットホーム情報が参照用プラットホーム情報のプラットホームの構造αと同一又は類似する場合には、危険度の重み付けを下げる処理を行い、換言すれば危険度そのものを下げる処理を行う。これに対して、実際に取得した参照用プラットホーム情報のプラットホームの構造βと同一又は類似する場合には、危険度の重み付けを上げる処理を行い、換言すれば危険度そのものを上げる処理を行う。
かかる場合においてプラットホーム情報を取得した結果、実際に取得したプラットホーム情報がプラットホームの構造αと同一又は類似する場合のように、安全性が高い場合には、例えば、危険度の重み付けを下げる処理を行う結果、上述した連関度を利用した判断自体を行わず、危険度0%として判断するようにしてもよい。
この参照用プラットホーム情報の代替として、参照用遅延情報を利用する場合も同様である。
また、図10は、参照用プラットホーム情報の代替として、参照用配置情報を利用する場合の例であるが、かかる場合も同様の処理動作を実行することになる。参照用配置情報とより、駅員の配置状況に応じて、安全性が高いか否かで、危険度の重み付けを変更することになる。
なお、この図9、10のケースにおいても、参照用画像情報を参照用位置情報に置き換えてもよい。
また、図9に示すケースについて、参照用プラットホーム情報の代替として、参照用時間帯情報や、参照用音声情報を適用してもよいことは勿論である。
上述した連関度においては、10段階評価で連関度を表現しているが、これに限定されるものではなく、3段階以上の連関度で表現されていればよく、逆に3段階以上であれば100段階でも1000段階でも構わない。一方、この連関度は、2段階、つまり互いに連関しているか否か、1又は0の何れかで表現されるものは含まれない。
なお、危険度は、0〜100%の百分率で記載されている場合を例にとり説明をしたが、これに限定されるものではない。この危険度は、例えば、「危険性が高い」、「危険性が低い」の2段階で表現されていてもよい。かかる場合において連関度を形成する際には、危険性が高いか否か判断事例を分析する際に、参照用画像情報と参照用接近情報等との組み合わせを「危険性が高い」、「危険性が低い」の結果に紐づけて分析、判別していくことになる。これらの作業も人工知能により代替させてもよいことは勿論である。
上述した構成からなる本発明によれば、プラットホームにおける危険度の判断を、特段の熟練を要することなく、少ない労力で容易に行うことが可能となる。また本発明によれば、このプラットホームにおける危険度の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能(ニューラルネットワーク等)で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
また、本発明によれば、3段階以上に設定されている連関度を介して最適な物性や生成機構の探索を行う点に特徴がある。連関度は、上述した5段階以外に、例えば0〜100%までの数値で記述することができるが、これに限定されるものではなく3段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
このような3段階以上の数値で表される連関度に基づいて最も確からしい危険度を探索することで、プラットホーム上において危険性が高くなる可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい危険度を優先的に表示することも可能となり、危険度が高くなることによる注意を促すこともできる。
特により危険度が高い場合には、音声等を通じて乗客や駅員に注意を喚起したり、プラットホームに入ってくる電車に危険性が高いことを通知して自主的に停止を促すなどの処理動作を先行して行うことができ、乗客の安全を守ることができる。また本発明によれば、危険度の検出精度が高いため、むやみに電車を止めることなく、本当に必要なケースのみに絞り電車を止める動作を行えばよいため、円滑な交通に悪影響を及ぼすことを防止することもできる。
これに加えて、本発明によれば、連関度が1%のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低いものが判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
更に本発明によれば、このような3段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が1%のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な危険度を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また電鉄会社や駅等が独自に撮像したカメラ画像や独自に取得した接近情報等に基づいて、入力パラメータと、出力解(危険度)との関係性について新たな知見が発見された場合には、当該知見に応じて連関度を上昇させ、或いは下降させる。
つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報(参照用画像情報、参照用接近情報、参照用ホーム情報、参照用配置情報、参照用時間帯情報、参照用乗客動線情報等)を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
1 プラットホーム危険度判別システム
2 判別装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
2 判別装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
Claims (15)
- 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内において撮影された参照用画像情報と、上記プラットホームの幅、大きさ、形状、階段の配置、電車とホームの隙間の長さ、収容人数、目印線の位置の何れか1以上で定義される参照用ホーム構造情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、そのプラットホームを特定するためのホーム特定情報の入力を受け付ける情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報と、上記ホーム特定情報にリンクする参照用ホーム構造情報とに基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内において撮影された参照用画像情報と、上記プラットホームにおける駅員の配置状況に関するスケジュール表のデータ又はタイムシフトデータから取得し、或いはプラットホームに設置されたカメラを通じて駅員の画像と位置情報を順次取得することで駅員の配置状況を抽出した参照用配置情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点の当該プラットホームにおける駅員の配置状況を、駅員の配置状況に関するスケジュール表のデータ又はタイムシフトデータから、これらの時間軸と現在時刻とを照らし合わせて取得し、或いはプラットホームに設置されたカメラを通じて駅員の画像と位置情報から順次取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報と、駅員の配置状況とに基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内において撮影された参照用画像情報と、当該参照用画像情報の撮影時点における時間帯の撮影環境を示す参照用時間帯情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、更に上記プラットホームにおいて新たに危険度を判別する際に、当該撮影時点の時間帯における撮影環境を示す時間帯情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報と、時間帯情報とに基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内において撮影された参照用画像情報と、プラットホーム内において検知された参照用音声情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、プラットホーム内において検知した音声情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報と、音声情報とに基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 上記連関度取得ステップでは、乗客の動線を抽出した参照用乗客動線情報との組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得し、
情報取得ステップでは、上記プラットホームにおいて新たに危険度を判別する際に、乗客の動線を抽出した乗客動線情報を更に取得し、
上記判別ステップでは、更に上記情報取得ステップを介して取得した乗客動線情報に基づき、上記プラットホーム内の危険度を判別すること
を特徴とする請求項1〜4のうち何れか1項記載のプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内においてセンシングした乗客の位置を示す参照用乗客位置情報と、上記プラットホームの幅、大きさ、形状、階段の配置、電車とホームの隙間の長さ、収容人数、目印線の位置の何れか1以上で定義される参照用ホーム構造情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の乗客の位置をセンシングすることにより乗客位置情報を取得するとともに、そのプラットホームを特定するためのホーム特定情報の入力を受け付ける情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した乗客位置情報と、上記ホーム特定情報にリンクする参照用ホーム構造情報とに基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内においてセンシングした乗客の位置を示す参照用乗客位置情報と、上記プラットホームにおける駅員の配置状況に関するスケジュール表のデータ又はタイムシフトデータから取得し、或いはプラットホームに設置されたカメラを通じて駅員の画像と位置情報を順次取得することで駅員の配置状況を抽出した参照用配置情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の乗客の位置をセンシングすることにより乗客位置情報を取得するとともに、当該撮影時点の当該プラットホームにおける駅員の配置状況を、駅員の配置状況に関するスケジュール表のデータ又はタイムシフトデータから、これらの時間軸と現在時刻とを照らし合わせて取得し、或いはプラットホームに設置されたカメラを通じて駅員の画像と位置情報から順次取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した乗客位置情報と、駅員の配置状況とに基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内においてセンシングした乗客の位置を示す参照用乗客位置情報と、当該参照用画像情報の撮影時点における時間帯の撮影環境を示す参照用時間帯情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の乗客の位置をセンシングすることにより乗客位置情報を取得するとともに、更に上記プラットホームにおいて新たに危険度を判別する際に、当該撮影時点の時間帯における撮影環境を示す時間帯情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した乗客位置情報と、時間帯情報とに基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内においてセンシングした乗客の位置を示す参照用乗客位置情報と、プラットホーム内において検知された参照用音声情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の乗客の位置をセンシングすることにより乗客位置情報を取得するとともに、プラットホーム内において検知した音声情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した乗客位置情報と、音声情報とに基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内において撮影された参照用画像情報に対するプラットホーム内の危険度との3段階以上の連関度を予め取得すると共に、当該参照用画像情報を撮影したプラットホームの幅、大きさ、形状、階段の配置、電車とホームの隙間の長さ、収容人数、目印線の位置の何れか1以上で定義される参照用ホーム構造情報を取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、そのプラットホームを特定するためのホーム特定情報の入力を受け付ける情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を利用すると共に、上記ホーム特定情報にリンクする参照用ホーム構造情報を参照し、上記情報取得ステップを介して取得した画像情報に基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内において撮影された参照用画像情報に対するプラットホーム内の危険度との3段階以上の連関度を予め取得すると共に、当該参照用画像情報を撮影したプラットホームにおける駅員の配置状況に関するスケジュール表のデータ又はタイムシフトデータから取得し、或いはプラットホームに設置されたカメラを通じて駅員の画像と位置情報を順次取得することで駅員の配置状況を抽出した参照用配置情報を取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点の当該プラットホームにおける駅員の配置状況を、駅員の配置状況に関するスケジュール表のデータ又はタイムシフトデータから、これらの時間軸と現在時刻とを照らし合わせて取得し、或いはプラットホームに設置されたカメラを通じて駅員の画像と位置情報から順次取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を利用すると共に、上記情報取得ステップを介して取得した駅員の配置状況に応じた参照用配置情報を参照し、上記情報取得ステップを介して取得した画像情報に基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内において撮影された参照用画像情報に対するプラットホーム内の危険度との3段階以上の連関度を予め取得すると共に、当該参照用画像情報の撮影時点における時間帯の撮影環境を示す参照用時間帯情報を取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、更に上記プラットホームにおいて新たに危険度を判別する際に、当該撮影時点の時間帯における撮影環境を示す時間帯情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を利用すると共に、上記情報取得ステップを介して取得した時間帯情報に応じた参照用時間帯情報を参照し、上記情報取得ステップを介して取得した画像情報に基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別プログラムにおいて、
プラットホーム内において撮影された参照用画像情報に対するプラットホーム内の危険度との3段階以上の連関度を予め取得すると共に、プラットホーム内において検知された参照用音声情報を取得する連関度取得ステップと、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、プラットホーム内において検知した音声情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を利用すると共に、上記情報取得ステップを介して取得した音声情報に応じた参照用音声情報を参照し、上記情報取得ステップを介して取得した画像情報に基づき、上記プラットホーム内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とするプラットホーム危険度判別プログラム。 - 上記連関度取得ステップでは、人工知能におけるニューラルネットワークのノードで構成される上記3段階以上の連関度を予め取得すること
を特徴とする請求項1〜13の何れか1項記載のプラットホーム危険度判別プログラム。 - 駅のプラットホーム内の危険度を判別するためのプラットホーム危険度判別システムにおいて、
プラットホーム内において撮影された参照用画像情報と、上記プラットホームの幅、大きさ、形状、階段の配置、電車とホームの隙間の長さ、収容人数、目印線の位置の何れか1以上で定義される参照用ホーム構造情報とを有する組み合わせと、当該組み合わせに対するプラットホーム内の危険度との3段階以上の連関度を予め取得する連関度取得手段と、
上記プラットホームにおいて新たに危険度を判別する際に、新たにプラットホーム内の画像を撮影することにより画像情報を取得するとともに、そのプラットホームを特定するためのホーム特定情報の入力を受け付ける情報取得手段と、
上記連関度取得手段により取得された連関度を参照し、上記情報取得手段を介して取得した画像情報と、上記ホーム特定情報にリンクする参照用ホーム構造情報とに基づき、上記プラットホーム内の危険度を判別する判別手段とを備えること
を特徴とするプラットホーム危険度判別システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019158519 | 2019-08-30 | ||
JP2019158519 | 2019-08-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021039709A true JP2021039709A (ja) | 2021-03-11 |
Family
ID=74848822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019184203A Pending JP2021039709A (ja) | 2019-08-30 | 2019-10-07 | プラットホーム危険度判別プログラム及びシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021039709A (ja) |
-
2019
- 2019-10-07 JP JP2019184203A patent/JP2021039709A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6587268B1 (ja) | プラットホーム危険度判別プログラム及びシステム | |
JP6583947B1 (ja) | 踏切危険度判別プログラム及びシステム | |
JP2018173914A (ja) | 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置 | |
JP2022003758A (ja) | 危険度判別プログラム | |
JP6621092B1 (ja) | 危険度判別プログラム及びシステム | |
JP2021096836A (ja) | いじめ兆候判別プログラム及びシステム、いじめ判別プログラム及びシステム | |
JP2021039709A (ja) | プラットホーム危険度判別プログラム及びシステム | |
JP2021163004A (ja) | 荷物配送計画プログラム | |
JP2021060774A (ja) | プラットホーム危険度判別プログラム及びシステム | |
JP6739115B6 (ja) | 危険度判別プログラム及びシステム | |
JP2021039409A (ja) | プラットホーム危険度判別プログラム及びシステム | |
JP6797436B1 (ja) | ダイヤ修正プログラム及びシステム、後続列車遅延時間推定プログラム | |
JP7285203B2 (ja) | 生成装置、データ解析システム、生成方法、および生成プログラム | |
JP2021017079A (ja) | 踏切危険度判別プログラム | |
JP2022009839A (ja) | 線路危険度判別プログラム | |
JP2021176074A (ja) | 伝染病感染リスク判定プログラム | |
JP2021163005A (ja) | 荷物配送計画プログラム | |
JP2021017078A (ja) | 踏切危険度判別プログラム | |
JP2021017080A (ja) | 踏切危険度判別プログラム | |
JP2021097308A (ja) | 危険度判別プログラム及びシステム | |
JP2021071967A (ja) | 対応支援システム、方法及びプログラム | |
JP2021179875A (ja) | イベント混雑予想プログラム | |
JP2020038411A (ja) | 設備保全装置、設備保全システムおよび設備保全方法 | |
JP2021037903A (ja) | ダイヤ作成プログラム及びシステム | |
JP2022019268A (ja) | 混雑度合予測プログラム、配車計画提案プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191010 |