JP2022022977A - 温度分布学習装置 - Google Patents

Abstract

【課題】対象空間に空気調和機がなければ、空気調和機の吹出口の情報が得られず、対象空間の温度分布を学習できない、という課題がある。【解決手段】温度分布学習装置１００は、対象空間８０の空中の少なくとも第１点の温度を含む温度分布ＴＤ，ＴＭ、を学習する。温度分布学習装置１００は、学習モデルＬＭを備える。学習モデルＬＭは、目的変数である温度分布ＴＤ，ＴＭと、説明変数である対象空間８０に関する熱画像ＨＩと、を関連づけて学習する。学習モデルＬＭは、温度分布ＴＤ，ＴＭと熱画像ＨＩとを含む教師データに基づいて学習する。【選択図】図２

Description

温度分布学習装置に関する。

特許文献１（国際公開第２０２０－０７５２４４号）に示されているように、対象空間の熱画像と、空気調和機の吹出口の情報とを用いて、対象空間の温度分布を学習する技術がある。

特許文献１では、対象空間に空気調和機がなければ、空気調和機の吹出口の情報が得られず、対象空間の温度分布を学習できない、という課題がある。

第１観点の温度分布学習装置は、対象空間の空中の少なくとも第１点の温度を含む温度分布、を学習する。温度分布学習装置は、学習モデルを備える。学習モデルは、目的変数である温度分布と、説明変数である対象空間に関する熱画像と、を関連づけて学習する。学習モデルは、温度分布と熱画像とを含む教師データに基づいて学習する。

第１観点の温度分布学習装置では、学習モデルは、目的変数である温度分布と、説明変数である対象空間に関する熱画像と、を関連づけて学習する。その結果、温度分布学習装置は、対象空間に空気調和機がなくても、対象空間の温度分布を学習することができる。なお、温度分布学習装置は、対象空間に空気調和機がある場合でも、空気調和機に関する情報を用いずに、又は、空気調和機に関する情報を併用して、対象空間の温度分布を学習することができる。

第２観点の温度分布学習装置は、第１観点の温度分布学習装置であって、温度分布は、対象空間の空中の複数点の温度である。

第２観点の温度分布学習装置では、温度分布は、対象空間の空中の複数点の温度である。その結果、温度分布学習装置は、対象空間に関する熱画像から、対象空間の空中の複数点の温度を推定する学習モデル、を学習することができる。

第３観点の温度分布推定装置は、温度分布推定部と、取得部と、を備える。温度分布推定部は、第１観点又は第２観点の温度分布学習装置の学習モデルを用いて、熱画像から、温度分布を推定する。取得部は、熱画像を取得する。

第３観点の温度分布推定装置では、温度分布推定部は、温度分布学習装置の学習モデルを用いて、熱画像から、温度分布を推定する。取得部は、熱画像を取得する。その結果、温度分布推定装置は、温度センサがなくても、熱画像から、温度分布を推定することができる。推定した温度分布は、例えば、空気調和機を制御するための判断材料として用いられる。

第４観点の温度分布推定装置は、第３観点の温度分布推定装置であって、温度分布推定部は、推定した温度分布に基づいて、当該推定した温度分布に含まれない、対象空間の空中の温度をさらに推定する。

第４観点の温度分布推定装置は、このような構成により、対象空間の任意の空中の温度を推定することができる。

第５観点の温度分布推定装置は、第４観点の温度分布推定装置であって、熱源位置特定部と、熱源影響推定部と、熱源影響反映部と、をさらに備える。熱源位置特定部は、対象空間内の熱源の位置を特定する。熱源影響推定部は、熱源の影響による、熱源の周囲の温度変化を推定する。熱源影響反映部は、熱源影響推定部によって推定された、熱源の周囲の温度変化を、温度分布推定部によって推定された、対象空間の空中の温度に反映する。

第５観点の温度分布推定装置では、熱源位置特定部は、対象空間内の熱源の位置を特定する。熱源影響推定部は、熱源の影響による、熱源の周囲の温度変化を推定する。熱源影響反映部は、熱源影響推定部によって推定された、熱源の周囲の温度変化を、温度分布推定部によって推定された、対象空間の空中の温度に反映する。その結果、温度分布推定装置は、熱源の影響が反映された、対象空間の空中の温度、を推定することができる。

第６観点の温度分布推定装置は、第５観点の温度分布推定装置であって、熱源位置特定部は、カメラ又は深度センサによって、熱源の位置を特定する。

第６観点の温度分布推定装置では、熱源位置特定部は、カメラ又は深度センサによって、熱源の位置を特定する。その結果、温度分布推定装置は、カメラ又は深度センサを用いて、熱源の位置を特定することができる。

第７観点の温度分布推定装置は、第５観点又は第６観点のいずれかの温度分布推定装置であって、熱源位置特定部は、人の位置を、熱源の位置として特定する。

第７観点の温度分布推定装置では、熱源位置特定部は、人の位置を、熱源の位置として特定する。その結果、温度分布推定装置は、人の影響が反映された、対象空間の空中の温度、を推定することができる。

第８観点の温度分布学習方法は、対象空間の空中の少なくとも第１点の温度を含む温度分布、を学習する。温度分布学習方法は、学習ステップを備える。学習ステップは、目的変数である温度分布と、説明変数である対象空間に関する熱画像と、を関連づけて学習する。学習ステップでは、温度分布と熱画像とを含む教師データに基づいて学習を行う。その結果、温度分布学習方法は、任意の装置で実行され得る。

第９観点の温度分布推定方法は、温度分布推定ステップと、取得ステップと、を備える。温度分布推定ステップは、第８観点の温度分布学習方法により、熱画像から、温度分布を推定する。取得ステップは、熱画像を取得する。その結果、温度分布推定方法は、任意の装置で実行され得る。

第１０観点の温度分布推定方法は、第９観点の温度分布推定方法であって、温度分布推定ステップでは、推定した温度分布に基づいて、当該推定した温度分布に含まれない、対象空間の空中の温度をさらに推定する。その結果、温度分布推定方法は、任意の装置で実行され得る。

第１１観点の温度分布推定方法は、第１０観点の温度分布推定方法であって、熱源位置特定ステップと、熱源影響推定ステップと、熱源影響反映ステップと、をさらに備える。熱源位置特定ステップは、対象空間内の熱源の位置を特定する。熱源影響推定ステップは、熱源の影響による、熱源の周囲の温度変化を推定する。熱源影響反映ステップは、熱源影響推定ステップによって推定された、熱源の周囲の温度変化を、温度分布推定ステップにおいて推定された、対象空間の空中の温度に反映する。その結果、温度分布推定方法は、任意の装置で実行され得る。

温度分布学習装置及び温度分布推定装置の構成図である。 温度分布学習処理の構成図である。 温度分布推定処理の構成図である。 温度分布学習処理時の対象空間の例を示す図である。 温度分布推定処理時の対象空間の例を示す図である。 グリッド平面の例を示す図である。 学習精度の検証結果を示す図である。 学習精度の検証結果を示す図である。 温度マップを作成する過程のグリッド平面の例を示す図である。 温度マップを作成する過程のグリッド平面の例を示す図である。 温度マップの例を示す図である。 温度マップを作成する過程のグリッド平面の例を示す図である。 温度マップを作成する過程のグリッド平面の例を示す図である。 温度マップを作成する過程のグリッド平面の例を示す図である。 温度マップを作成する過程のグリッド平面の例を示す図である。 温度マップの例を示す図である。 温度分布学習処理のフローチャートである。 温度分布推定処理のフローチャートである。 補間処理結果の比較を示す図である。 変形例１Ｅにおける温度分布学習処理の構成図である。 変形例１Ｅにおける温度分布推定処理の構成図である。 グリッド空間における温度分布の例を示す図である。 直線上の温度を測定する方法の例を示す図である。

（１）全体構成
図１は、温度分布学習装置１００及び温度分布推定装置２００の構成図である。図１に示すように、温度分布学習装置１００と、温度分布推定装置２００と、対象空間８０の各機器８１～８３とは、ネットワーク９０を介して、通信可能に接続されている。本実施形態では、ネットワーク９０は、インターネットである。しかし、温度分布学習装置１００と、温度分布推定装置２００と、対象空間８０の各機器８１～８３とが、通信可能に接続されてさえいれば、ネットワーク９０は、インターネットに限定されない。例えば、温度分布学習装置１００と、温度分布推定装置２００とが、対象空間８０と同一の建物内に設置されている場合、ネットワーク９０は、有線又は無線ＬＡＮ等であってもよい。また、温度分布学習装置１００が、温度分布推定装置２００に内蔵されている場合、温度分布学習装置１００と、温度分布推定装置２００とを接続するネットワーク９０は、電子回路等であってもよい。

（２）詳細構成
（２－１）対象空間
対象空間８０は、例えば、オフィス空間である。図１に示すように、対象空間８０には、サーモカメラ８１、温度センサ８２及び人検出カメラ８３が設置されている。

図４は、温度分布学習処理時の対象空間８０の例を示す図である。また、図５は、温度分布推定処理時の対象空間８０の例を示す図である。温度分布学習処理及び温度分布推定処理については、後述する。

サーモカメラ８１は、図４及び図５に示すように、対象空間８０の天井から吊り上げるように設置されている。サーモカメラ８１は、対象空間８０の床、壁、窓、什器等の表面温度を疑似カラー表示した、熱画像ＨＩを撮影する。熱画像ＨＩは、グレースケール画像である。熱画像ＨＩの各画素には、例えば、摂氏温度に関係する０から６５５３５の整数が格納される。この整数は、例えば、少数第一位までの温度の数値を保持するために温度の実数値を１０倍にしたものである。以下、温度分布学習処理において、温度分布学習装置１００が取得する熱画像ＨＩを、熱画像ＨＩ１と記載する。また、温度分布推定処理において、温度分布推定装置２００が取得する熱画像ＨＩを、熱画像ＨＩ２と記載する。

温度センサ８２は、図４に示すように、対象空間８０の空中に設置されている。本実施形態では、複数の温度センサ８２は、同じ高さに設置されている。当該高さは、例えば、床から１００ｃｍ～１２０ｃｍである。図４には、例として、４つの温度センサ８２が設置されている。温度センサ８２は、設置された位置の温度を測定する。以下、複数の温度センサ８２が測定した温度の組を、温度測定値ＴＭと記載する。例えば、温度センサ８２がＮ個ある場合、温度測定値ＴＭは、Ｎ次元ベクトルとして表される。また、温度分布学習処理において、温度分布学習装置１００が取得する温度測定値ＴＭを、温度測定値ＴＭ１と記載する。温度分布推定処理において、温度分布推定装置２００が推定する温度測定値ＴＭを、温度測定値ＴＭ２と記載する。また、図４に示すように、温度センサ８２と同じ高さにある平面を、２次元グリッドで分割したものを、グリッド平面ＧＰと記載する。図４では、グリッド平面ＧＰのグリッド線は、省略されている。本実施形態では、グリッド平面ＧＰは、グリッド線によって分割された各マスに、高々１つの温度センサ８２が存在するように構成される。図６は、グリッド平面ＧＰの例を示す図である。図６では、温度センサ８２は、丸印で示されている。図６に示すように、グリッド平面ＧＰの各マスには、高々１つの温度センサ８２が含まれている。

人検出カメラ８３は、図５に示すように、対象空間８０の天井に設置される。本実施形態の人検出カメラ８３は、全方位カメラである。人検出カメラ８３は、対象空間８０内の人の位置を検出し、その座標を位置データ８３１として出力する。本実施形態では、対象空間８０内の人の位置を検出するために、人検出カメラ８３を用いるが、例えば、深度センサやＬｉＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）を用いて、対象空間８０内の人の位置を検出してもよい。

（２－２）温度分布学習装置
温度分布学習装置１００は、対象空間８０の空中の少なくとも第１点の温度を含む温度分布ＴＤ、を学習する。本実施形態では、温度分布ＴＤは、グリッド平面ＧＰにおいて、温度センサ８２が存在するマス内の代表点の温度である。学習時の代表点の温度は、対応する温度センサ８２の測定値とする。学習時の代表点の温度は、例えば、シミュレーションによって算出した温度等を用いてもよい。以下、温度センサ８２によって代表点の温度が測定されるマスを、「温度が定義されたマス」と記載することがある。また、マス内の代表点の温度を、「マスの温度」と記載することがある。そのため、温度分布ＴＤは、学習のために温度が定義されたマス、の温度の分布である。本実施形態では、複数の温度センサ８２が存在するため、温度分布学習装置１００が学習する温度分布ＴＤは、対象空間８０の空中の複数の代表点の温度である。言い換えると、温度分布学習装置１００が学習する温度分布ＴＤは、複数の温度センサ８２の温度測定値ＴＭ１である。

以下、温度分布学習装置１００が、後述する学習モデルＬＭを作成する処理を、温度分布学習処理と記載する。

温度分布学習装置１００は、図１に示すように、主として、学習部１０を備える。

温度分布学習装置１００は、制御演算装置と記憶装置とを備える。制御演算装置には、ＣＰＵ又はＧＰＵといったプロセッサを使用できる。制御演算装置は、記憶装置に記憶されているプログラムを読み出し、このプログラムに従って所定の画像処理や演算処理を行う。さらに、制御演算装置は、プログラムに従って、演算結果を記憶装置に書き込んだり、記憶装置に記憶されている情報を読み出したりすることができる。学習部１０は、制御演算装置により実現される各種の機能ブロックである。

（２－２－１）学習部
温度分布学習装置１００は、学習モデルＬＭを備える。学習部１０は、目的変数である温度分布ＴＤと、説明変数である対象空間８０に関する熱画像ＨＩ１と、を関連づけて学習する、学習モデルＬＭを作成する。言い換えると、学習部１０は、温度分布ＴＤと熱画像ＨＩ１との対応を教師データとして、学習モデルＬＭを作成する。

図２は、温度分布学習処理の構成図である。学習部１０は、図２に示すように、学習データ１１の説明変数として、図４に示すサーモカメラ８１から、熱画像ＨＩ１を取得する。熱画像ＨＩ１は、所定期間における、所定の時間間隔での、対象空間８０の熱画像ＨＩ１である。所定期間は、例えば、１か月である。所定の時間間隔は、例えば、５分である。学習部１０は、熱画像ＨＩ１を、所定の時間間隔ごとにリアルタイムに取得してもよいし、所定期間分をまとめて取得してもよい。

また、学習部１０は、図２に示すように、学習データ１１の目的変数として、図４に示す複数の温度センサ８２から、温度測定値ＴＭ１を取得する。学習部１０は、上記で取得した熱画像ＨＩ１と同時刻の温度測定値ＴＭ１を取得する。

学習部１０は、学習データ１１を取得すると、図２に示すように、学習モデルＬＭを作成する。本実施形態では、学習モデルＬＭは、通常のニューラルネットワークである。しかし、学習モデルＬＭは、通常のニューラルネットワークに限定されず、他の学習モデルＬＭを用いてもよい。

（２－２－２）検証
ここでは、学習モデルＬＭを、通常のニューラルネットワークとしたときの、学習精度を検証した。本検証では、３８個の温度センサ８２を、対象空間８０に設置した。学習データ１１の内、訓練データは、２０２０年４月１日の０時から、２０２０年４月３０日の２４時までの、５分間隔のデータである。テストデータは、２０２０年５月１日の０時から、２０２０年５月１２日の２４時までの、５分間隔のデータである。

また、本検証では、学習モデルＬＭとして、３層のニューラルネットワークを用いた。入力層には、解像度が８０×８０である熱画像ＨＩ１を、６４００次元に変形したものが入力される。出力層には、３８次元ベクトルである温度測定値ＴＭ１が出力される。入力層、中間層及び出力層は、全結合されている。

図７及び図８は、学習精度の検証結果を示す図である。図７及び図８は、ある１つの温度センサ８２についての検証結果である。図７及び図８の縦軸は、予測温度と実測温度との絶対誤差である。絶対誤差は、予測温度と実測温度との差、の絶対値である、図７及び図８の横軸は、テストデータの期間の一部である。図７に示すように、２０２０年５月１日から２０２０年５月５日の間では、絶対誤差は、高々１．５℃であった。一方、図８に示すように、２０２０年５月９日から２０２０年５月１２日の間では、絶対誤差は、全体的には高々１℃であるが、一部、２０２０年５月１１日１２時頃に、絶対誤差が約２．５℃となった。

（２－３）温度分布推定装置
温度分布推定装置２００は、学習モデルＬＭ等を用いて、対象空間８０の空中の温度を推定する。言い換えると、温度分布推定装置２００は、対象空間８０の温度マップＨＭを作成する。温度マップＨＭは、グリッド平面ＧＰの各マスに、各マスに対応する温度を入力したものである。温度マップＨＭは、各マスを画素とみなすことで、各マスの温度の高低を、例えば、グレースケールの濃淡で表現した画像としても表せる。また、温度マップＨＭは、各マスを画素とみなすことで、各マスの温度の高低を、例えば、温度が高い順に赤、黄及び青で表現した、疑似カラー表示画像としても表せる。温度分布推定装置２００は、対象空間８０内の人の影響を反映した温度マップＨＭとして、温度マップＨＭ４を出力する。また、温度分布推定装置２００は、対象空間８０内の人の影響を反映しない温度マップＨＭとして、温度マップＨＭ１を出力する。対象空間８０内の人の影響を反映する場合とは、グリッド平面ＧＰ上の同一マスに、人が所定時間留まっているとみなせる場合である。

以下、温度分布推定装置２００が、温度マップＨＭを出力する処理を、温度分布推定処理と記載する。

温度分布推定装置２００は、図１に示すように、主として、取得部２０と、温度分布推定部３０と、熱源位置特定部４０と、熱源影響推定部５０と、熱源影響反映部６０と、を備える。

温度分布推定装置２００は、制御演算装置と記憶装置とを備える。制御演算装置には、ＣＰＵ又はＧＰＵといったプロセッサを使用できる。制御演算装置は、記憶装置に記憶されているプログラムを読み出し、このプログラムに従って所定の画像処理や演算処理を行う。さらに、制御演算装置は、プログラムに従って、演算結果を記憶装置に書き込んだり、記憶装置に記憶されている情報を読み出したりすることができる。取得部２０と、温度分布推定部３０と、熱源位置特定部４０と、熱源影響推定部５０と、熱源影響反映部６０とは、制御演算装置により実現される各種の機能ブロックである。

（２－３－１）取得部
取得部２０は、図３に示すように、図５に示すサーモカメラ８１から、熱画像ＨＩ２を取得する。取得部２０は、所定の時間間隔で、熱画像ＨＩ２を取得する。所定の時間間隔は、例えば、５分である。

（２－３－２）温度分布推定部
温度分布推定部３０は、温度分布学習装置１００が作成した学習モデルＬＭを用いて、熱画像ＨＩ２から、温度分布ＴＤを推定する。推定する温度分布ＴＤは、複数の温度センサ８２の温度測定値ＴＭ２である。温度分布推定部３０は、図３に示すように、熱画像ＨＩ２を学習モデルＬＭに入力し、温度測定値ＴＭ２を出力する。

さらに、温度分布推定部３０は、推定した温度分布ＴＤに基づいて、当該推定した温度分布ＴＤに含まれない、対象空間８０の空中の温度を推定する。言い換えると、温度分布推定部３０は、図３に示すように、温度測定値ＴＭ２から、温度マップＨＭ１を作成する。温度マップＨＭ１は、対象空間８０内の人の影響を反映していない温度マップＨＭである。図９及び図１０は、温度マップＨＭ１を作成する過程のグリッド平面ＧＰ、の例を示す図である。

まず、温度分布推定部３０は、グリッド平面ＧＰのマスの内、温度センサ８２が含まれているマス（温度センサマス８２ｍ）に、対応する温度測定値ＴＭ２を入力する。図９には、例として、５×５のグリッド平面ＧＰに、４つの温度センサマス８２ｍ１～８２ｍ４が記載されている。

次に、温度分布推定部３０は、温度が入力されていないマスに温度を補間する、補間処理を行う。本実施形態の補間処理では、温度分布推定部３０は、補間されるマス（補間マスＩｍ）に、当該補間マスＩｍに最も近い温度センサマス８２ｍ、の温度を入力する。当該補間マスＩｍに最も近い温度センサマス８２ｍ、が複数ある場合、当該補間マスＩｍには、これらの複数の温度の平均値を入力する。ここでいう、補間マスＩｍに最も近い温度センサマス８２ｍとは、グリッド平面ＧＰのマスを、補間マスＩｍから、縦、横又は斜めに辿ったときに、辿ったマスの数が最も少ない温度センサマス８２ｍである。例えば、図１０の補間マスＩｍ１に最も近い温度センサマス８２ｍは、温度センサマス８２ｍ２であるため、補間マスＩｍ１には、温度センサマス８２ｍ２の温度である「２２℃」が入力されている。また、補間マスＩｍ２に最も近い温度センサマス８２ｍは、温度センサマス８２ｍ１，８２ｍ２であるため、補間マスＩｍ２には、温度センサマス８２ｍ１，８２ｍ２の温度の平均値である「２１℃」が入力されている。また、補間マスＩｍ３に最も近い温度センサマス８２ｍは、温度センサマス８２ｍ１～８２ｍ４であるため、補間マスＩｍ３には、温度センサマス８２ｍ１～８２ｍ４の温度の平均値である「２２．８℃」が入力されている。なお、補間処理は、本実施形態のものに限定されず、例えば、バイリニア法、ニアレストネイバー法、バイキュービック法等、他の補間処理を行ってもよい。

温度分布推定装置２００は、温度マップＨＭに、対象空間８０内の人の影響を反映しない場合、温度マップＨＭ１を出力する。

図１１は、温度マップＨＭ１の例を示す図である。図１１では、各マスの温度の高低を、グレースケールの濃淡で表現している。

（２－３－３）熱源位置特定部
熱源位置特定部４０は、対象空間８０内の熱源ＨＳの位置を特定する。本実施形態では、熱源位置特定部４０は、人の位置を、熱源ＨＳの位置として特定する。また、熱源位置特定部４０は、カメラ又は深度センサによって、熱源ＨＳの位置を特定する。本実施形態では、熱源位置特定部４０は、人検出カメラ８３によって、人の位置を特定する。

熱源位置特定部４０は、図３に示すように、図５に示す人検出カメラ８３から、対象空間８０内の人（熱源ＨＳ）の位置データ８３１を取得する。熱源位置特定部４０は、さらに温度マップＨＭ１を取得し、位置データ８３１と温度マップＨＭ１とを照らし合わせて、温度マップＨＭ１の人が存在するマス（人のマスＨＳｍ）を特定する。このとき、熱源位置特定部４０は、人を区別して、人のマスＨＳｍを特定する。

熱源位置特定部４０は、図３に示すように、温度マップＨＭ２を作成する。温度マップＨＭ２は、温度マップＨＭ１内の人のマスＨＳｍを特定したものである。

（２－３－４）熱源影響推定部
熱源影響推定部５０は、熱源ＨＳの影響による、熱源ＨＳの周囲の温度変化を推定する。

具体的には、熱源影響推定部５０は、図３に示すように、温度マップＨＭ２を更新して、温度マップＨＭ３を作成する。温度マップＨＭ３は、温度マップＨＭ２に対して、人の周囲の温度変化を推定した温度マップＨＭである。

熱源影響推定部５０は、同一人が、温度マップＨＭ２の同一のマスに、所定時間留まっているとみなせる場合、人のマスＨＳｍの温度に基づいて、人の近傍領域のマス（近傍マスＮＲｍ）の温度を更新する。これは、同一人が、同一のマスに所定時間留まっていれば、当該人から放出される熱量によって、当該人の周囲の温度が変化すると考えられるためである。本実施形態では、熱源影響推定部５０は、前回取得した温度マップＨＭ２と、今回取得した温度マップＨＭ２とを比較し、同一人が、同一のマスにいる場合に、同一人が、同一のマスに所定時間留まっているとみなす。図１２及び図１３は、温度マップＨＭ３を作成する過程のグリッド平面ＧＰ、の例を示す図である。

まず、熱源影響推定部５０は、温度マップＨＭ２の人のマスＨＳｍの温度を、人の温度に更新する。本実施形態では、人の温度は、３６℃である。図１２では、人のマスＨＳｍに、「３６℃」が入力されている。

次に、熱源影響推定部５０は、熱放射マスＴＲｍの温度を更新する。ここで、人から放出される熱量は、空気の流れが無い場合、全方位に対して均等であるとする。また、人から放出される熱量は、人からの距離の２乗に反比例させる。また、人の近傍領域の温度変化は、人から近傍領域までの距離と、近傍領域の更新前の温度と、によって生じさせる。また、近傍領域において、加わった熱量から温度変化への変換は、人の温度を超えないように、シグモイド関数等で非線形変換を行う。また、熱源ＨＳ（人）は独立なので、マルコフ性があり、熱量が加わった領域からさらに熱量が放出され、熱量を放出した領域は、温度が低下するが、元の熱源ＨＳ（人）の温度は低下しないとする。

実際のオフィスでは、空気調和機が作動している場合、気流が発生し、全方位に均等な熱伝導にはならない。気流は、空気調和機の設置位置、オフィスの什器及び風量等によって変化する。しかし、定常状態では、気流が安定するため、熱伝導の異方性を事前に学習できる。異方性のパラメータを推定するモデルの事前学習の具体例は、人が一定時間以上滞留している場合において、空気調和機の制御パラメータと、滞留人数と、滞留時間とを説明変数とし、４または８方向の伝導熱量を決定するパラメータを目的変数として、推定モデルを訓練することである。人が現れる直前の温度の分布と、滞留後の温度の分布とから、目的変数である４または８方向の伝導熱量を決定するためのパラメータを算出し、教師データとする。学習したマスでは、人の滞留が検出されたとき、空気調和機の制御パラメータ、滞留人数及び滞留時間によって、伝導熱量が推定され、定常時からの温度を修正することができる。学習していないマスでは、周辺の学習したマスに上記説明変数を入力したときの推定値を複数求め、内挿することで、伝導熱量を算出するためのパラメータを得て、伝導熱量を決定でき、温度修正が可能になる。

図１３では、上記の条件を考慮した熱伝搬モデルによって、温度マップＨＭ２の温度を更新している。図１３では、白抜きで温度を表示しているマスを近傍マスＮＲｍとし、簡単のため、近傍マスＮＲｍの温度だけを更新している。

（２－３－５）熱源影響反映部
熱源影響反映部６０は、熱源影響推定部５０によって推定された、熱源ＨＳの周囲の温度変化を、温度分布推定部３０によって推定された、対象空間８０の空中の温度に反映する。具体的には、熱源影響反映部６０は、図３に示すように、温度マップＨＭ３を更新して、温度マップＨＭ４を作成する。温度マップＨＭ４は、対象空間８０内の人の影響を反映した温度マップＨＭである。図１４及び図１５は、温度マップＨＭ４を作成する過程のグリッド平面ＧＰ、の例を示す図である。

熱源影響反映部６０は、温度マップＨＭ３の「温度センサマス８２ｍ、及び、熱源影響推定部５０によって温度が更新されたマス」以外のマスを、補間マスＩｍとみなして、再度補間処理を行う。本実施形態では、熱源影響反映部６０は、温度分布推定部３０が行った補間処理と同様の補間処理を行う。図１４では、図１３の温度マップＨＭ３のマスの内、「温度センサマス８２ｍ１～８２ｍ４、人のマスＨＳｍ、及び、近傍マスＮＲｍ」以外のマスを、補間マスＩｍとみなして空にしている。図１５では、補間処理によって、補間マスＩｍが埋められている。

温度分布推定装置２００は、温度マップＨＭに、対象空間８０内の人の影響を反映する場合、温度マップＨＭ４を出力する。

図１６は、温度マップＨＭ４の例を示す図である。図１６では、各マスの温度の高低を、グレースケールの濃淡で表現している。

（３）処理
（３－１）温度分布学習処理
温度分布学習処理を、図１７のフローチャートを用いて説明する。

温度分布学習装置１００は、ステップＳ１に示すように、図４に示すサーモカメラ８１から、熱画像ＨＩ１を取得する。熱画像ＨＩ１は、所定期間における、所定の時間間隔での対象空間８０の熱画像ＨＩ１である。

温度分布学習装置１００は、熱画像ＨＩ１を取得すると、ステップＳ２に示すように、図４に示す複数の温度センサ８２から、温度測定値ＴＭ１を取得する。温度測定値ＴＭ１は、取得した熱画像ＨＩ１と同時刻のものである。

温度分布学習装置１００は、温度測定値ＴＭ１を取得すると、ステップＳ３に示すように、熱画像ＨＩ１を説明変数とし、温度測定値ＴＭ１を目的変数として、学習モデルＬＭを作成する。

（３－２）温度分布推定処理
温度分布推定処理を、図１８のフローチャートを用いて説明する。

温度分布推定装置２００は、ステップＳ１１に示すように、図５に示すサーモカメラ８１から、熱画像ＨＩ２を取得する。

温度分布推定装置２００は、熱画像ＨＩ２を取得すると、ステップＳ１２に示すように、温度分布学習装置１００が作成した学習モデルＬＭを用いて、熱画像ＨＩ２から、温度測定値ＴＭ２を推定する。

温度分布推定装置２００は、温度測定値ＴＭ２を推定すると、ステップＳ１３に示すように、補間処理によって、対象空間８０内の人の影響を反映していない温度マップＨＭ１、を作成する。

温度分布推定装置２００は、温度マップＨＭ１を作成すると、ステップＳ１４に示すように、図５に示す人検出カメラ８３から、対象空間８０内の人の位置データ８３１を取得する。

温度分布推定装置２００は、対象空間８０内の人の位置データ８３１を取得すると、ステップＳ１５に示すように、温度マップＨＭ１内の人の位置を特定した温度マップＨＭ２、を作成する。

温度分布推定装置２００は、温度マップＨＭ２を作成すると、ステップＳ１６に示すように、前回作成した温度マップＨＭ２と、今回作成した温度マップＨＭ２とを比較し、同一人が、同一のマスにいるか否かを判断する。

温度分布推定装置２００は、同一人が、同一のマスにいる場合、ステップＳ１７に進む。温度分布推定装置２００は、同一人が、同一のマスにいない場合、ステップＳ２０に進む。

ステップＳ１６からステップＳ１７に進んだ場合、温度分布推定装置２００は、対象空間８０内の人の周囲の温度変化を推定した温度マップＨＭ３を作成する。

温度分布推定装置２００は、温度マップＨＭ３を作成すると、ステップＳ１８に示すように、対象空間８０内の人の影響を反映した温度マップＨＭ４、を作成する。

温度分布推定装置２００は、温度マップＨＭ４を作成すると、ステップＳ１９に示すように、温度マップＨＭ４を出力する。

ステップＳ１６からステップＳ２０に進んだ場合、温度分布推定装置２００は、人の影響による周囲の温度変化はないとして、温度マップＨＭ１を出力する。

図１８に示すように、温度分布推定処理は、取得部２０が、熱画像ＨＩ２を取得する度に行われる。そのため、温度分布推定装置２００は、取得部２０が、熱画像ＨＩ２を取得する所定の時間間隔ごとに、温度マップＨＭ１又は温度マップＨＭ４を出力する。

（４）特徴
（４－１）
対象空間に設置されたサーモカメラによる熱画像から、直接対象空間の温度分布を知ることはできない。サーモカメラは、物体表面の輻射熱から、当該物体表面の温度を測定するためである。そのため、例えば、対象空間の熱画像と、空気調和機の吹出口の情報とを用いて、対象空間の温度分布を学習する技術がある。

しかし、対象空間に空気調和機がなければ、空気調和機の吹出口の情報が得られず、対象空間の温度分布を学習できない、という課題がある。

本実施形態の温度分布学習装置１００では、学習モデルＬＭは、目的変数である温度分布ＴＤと、説明変数である対象空間８０に関する熱画像ＨＩと、を関連づけて学習する。その結果、温度分布学習装置１００は、対象空間８０に空気調和機がなくても、対象空間８０の温度分布ＴＤを学習することができる。なお、温度分布学習装置１００は、対象空間８０に空気調和機がある場合でも、空気調和機に関する情報を用いずに、又は、空気調和機に関する情報を併用して、対象空間８０の温度分布ＴＤを学習することができる。

（４－２）
本実施形態の温度分布学習装置１００では、温度分布ＴＤは、対象空間８０の空中の複数点の温度測定値ＴＭ１である。その結果、温度分布学習装置１００は、対象空間８０に関する熱画像ＨＩから、対象空間８０の空中の複数点の温度測定値ＴＭを推定する学習モデルＬＭ、を学習することができる。

（４－３）
従来、対象空間に複数の温度センサを設置し、これらの温度センサに基づいて、対象空間の温度分布を推定する技術がある。推定された温度分布は、空気調和機の制御等に利用される。

しかし、推定する温度分布の精度は、設置する温度センサの数量によるため、高精度な温度分布を推定するには、多数の温度センサの設置が必要である。そのため、高精度な温度分布を推定するには、対象空間が不便な空間となり、温度センサの設置コストも増加する、という課題がある。

本実施形態の温度分布推定装置２００では、温度分布推定部３０は、温度分布学習装置１００の学習モデルＬＭを用いて、熱画像ＨＩから、温度分布ＴＤを推定する。取得部２０は、熱画像ＨＩ２を取得する。その結果、温度分布推定装置２００は、温度センサ８２がなくても、熱画像ＨＩ２から、温度分布ＴＤを推定することができる。

（４－４）
本実施形態の温度分布推定装置２００では、温度分布推定部３０は、推定した温度分布ＴＤに基づいて、当該推定した温度分布ＴＤに含まれない、対象空間８０の空中の温度をさらに推定する。その結果、温度分布推定装置２００は、対象空間８０の任意の空中の温度を推定することができる。

（４－５）
本実施形態の温度分布推定装置２００では、熱源位置特定部４０は、対象空間８０内の熱源ＨＳの位置を特定する。熱源影響推定部５０は、熱源ＨＳの影響による、熱源ＨＳの周囲の温度変化を推定する。熱源影響反映部６０は、熱源影響推定部５０によって推定された、熱源ＨＳの周囲の温度変化を、温度分布推定部３０によって推定された、対象空間８０の空中の温度に反映する。その結果、温度分布推定装置２００は、熱源ＨＳの影響が反映された、対象空間８０の空中の温度、を推定することができる。

対象空間８０内の気流が一定である場合、構造物と空中の対象である一点の関係は、空気の熱伝導だけで表現され、距離の異なる多数の構造物表面温度から決定できる。また、多数の空中対象点の温度は、構造物からの距離、関係付ける熱伝導経路が異なるため、対象点ごとに関係付けることで推定可能となる。

（４－６）
本実施形態の温度分布推定装置２００では、熱源位置特定部４０は、カメラ又は深度センサによって、熱源ＨＳの位置を特定する。その結果、温度分布推定装置２００は、カメラ又は深度センサを用いて、熱源ＨＳの位置を特定することができる。

（４－７）
本実施形態の温度分布推定装置２００では、熱源位置特定部４０は、人の位置を、熱源ＨＳの位置として特定する。その結果、温度分布推定装置２００は、人の影響が反映された、対象空間８０の空中の温度、を推定することができる。

（５）変形例
（５－１）変形例１Ａ
本実施形態では、温度分布学習装置１００は、温度分布学習処理を行った。しかし、温度分布学習処理は、温度分布学習方法として捉えてもよい。

具体的には、温度分布学習方法は、対象空間８０の空中の少なくとも第１点の温度を含む温度分布ＴＤ、を学習する。温度分布学習方法は、学習ステップを備える。学習ステップは、目的変数である温度分布ＴＤと、説明変数である対象空間８０に関する熱画像ＨＩと、を関連づけて学習する。学習ステップでは、温度分布ＴＤと熱画像ＨＩとを含む教師データに基づいて学習を行う。

学習ステップは、温度分布学習処理の学習部１０の機能に相当する。また、学習ステップは、図１７のステップＳ１～ステップＳ３に相当する。

その結果、温度分布学習方法は、任意の装置で実行され得る。

（５－２）変形例１Ｂ
本実施形態では、温度分布推定装置２００は、温度分布推定処理を行った。しかし、温度分布推定処理は、温度分布推定方法として捉えてもよい。

具体的には、温度分布推定方法は、温度分布推定ステップと、取得ステップと、を備える。温度分布推定ステップは、温度分布学習方法により、熱画像ＨＩから、温度分布ＴＤを推定する。温度分布推定ステップでは、推定した温度分布ＴＤに基づいて、当該推定した温度分布ＴＤに含まれない、対象空間８０の空中の温度をさらに推定する。取得ステップは、熱画像ＨＩを取得する。

温度分布推定方法は、熱源位置特定ステップと、熱源影響推定ステップと、熱源影響反映ステップと、をさらに備える。熱源位置特定ステップは、対象空間８０内の熱源ＨＳの位置を特定する。熱源影響推定ステップは、熱源ＨＳの影響による、熱源ＨＳの周囲の温度変化を推定する。熱源影響反映ステップは、熱源影響推定ステップによって推定された、熱源ＨＳの周囲の温度変化を、温度分布推定ステップにおいて推定された、対象空間８０の空中の温度に反映する。

取得ステップは、温度分布推定処理の取得部２０の機能に相当する。また、取得ステップは、図１８のステップＳ１１に相当する。

温度分布推定ステップは、温度分布推定処理の温度分布推定部３０の機能に相当する。また、温度分布推定ステップは、図１８のステップＳ１２及びステップＳ１３に相当する。

熱源位置特定ステップは、温度分布推定処理の熱源位置特定部４０の機能に相当する。また、熱源位置特定ステップは、図１８のステップＳ１４及びステップＳ１５に相当する。

熱源影響推定ステップは、温度分布推定処理の熱源影響推定部５０の機能に相当する。また、熱源影響推定ステップは、図１８のステップＳ１７に相当する。

熱源影響反映ステップは、温度分布推定処理の熱源影響反映部６０の機能に相当する。また、熱源影響反映ステップは、図１８のステップＳ１８に相当する。

その結果、温度分布推定方法は、任意の装置で実行され得る。

（５－３）変形例１Ｃ
本実施形態では、温度分布推定部３０及び熱源影響反映部６０は、温度マップＨＭの温度が埋められていない補間マスＩｍに温度を補間する、補間処理を行った。本実施形態の補間処理では、補間マスＩｍに、当該補間マスＩｍに最も近い温度センサマス８２ｍ、の温度を入力した。当該補間マスＩｍに最も近い温度センサマス８２ｍ、が複数ある場合、当該補間マスＩｍには、これらの複数の温度の平均値を入力した。

しかし、補間処理には、ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ、敵対的生成ネットワーク）を応用した、ＤＣＧＡＮ（Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ ＧＡＮ）、ＳＲＧＡＮ（Ｓｕｐｅｒ Ｒｅｓｏｌｕｔｉｏｎ ＧＡＮ）、ＴｅｃｏＧＡＮ（Ｔｅｍｐｏｒａｌｌｙ Ｃｏｈｅｒｅｎｔ ＧＡＮ）等を用いてもよい。その結果、温度分布推定部３０及び熱源影響反映部６０は、本実施形態の補間処理よりも、高精細な温度マップＨＭを作成することができる。

図１９は、補間処理結果の比較を示す図である。図１９の左側には、３８個の温度センサマス８２ｍを有した、１３×１３のグリッド平面ＧＰを記載している。温度センサマス８２ｍは、丸印で示されている。これらの温度センサ８２の温度測定値ＴＭに基づき、本実施形態の補間処理を行って作成した温度マップＨＭが、右上の画像である。これに対し、ＴｅｃｏＧＡＮを用いて作成した温度マップＨＭが、右下の画像である。右下の画像は、右上の画像よりも、高精細な画像であることがわかる。

（５－４）変形例１Ｄ
本実施形態では、学習モデルＬＭは、通常のニューラルネットワークであった。しかし、学習モデルＬＭは、特に、畳み込みニューラルネットワーク（ＣＮＮ）であってもよい。ＣＮＮは、入力が画像である場合に効果を発揮するため、より予測精度の高い学習モデルＬＭを作成できる可能性がある。

ＣＮＮは、例えば、ＲｅｓＮｅｔ（Ｒｅｓｉｄｕａｌ Ｎｅｔｗｏｒｋ）等を用いる。入力層には、熱画像ＨＩが入力される。中間層の後半は、全結合層とする。出力層には、温度測定値ＴＭが、ベクトルとして出力される。

（５－５）変形例１Ｅ
本実施形態では、温度分布学習装置１００は、サーモカメラ８１から取得した熱画像ＨＩ１と、複数の温度センサ８２から取得した温度測定値ＴＭ１と、を関連付けて学習した。

しかし、温度分布学習装置１００は、まず、温度測定値ＴＭ１から、補間処理によって温度マップＨＭ０を作成し、次に、温度マップＨＭ０と、熱画像ＨＩ１と、を関連付けて学習してもよい。

図２０は、本変形例における温度分布学習処理の構成図である。図２０に示すように、学習部１０は、図２と異なり、温度測定値ＴＭ１を取得すると、補間処理によって、温度マップＨＭ０を作成する。学習部１０は、温度マップＨＭ０と、熱画像ＨＩ１と、を関連付けて学習し、学習モデルＬＭを作成する。

その結果、温度分布推定装置２００は、作成された学習モデルＬＭに、熱画像ＨＩ２を入力することで、直接、対象空間８０内の人の影響を反映していない温度マップＨＭ１、を出力することができる。

図２１は、本変形例における温度分布推定処理の構成図である。図２１に示すように、温度分布推定部３０は、図３と異なり、熱画像ＨＩ２を学習モデルＬＭに入力し、温度マップＨＭ１を出力する。

（５－６）
本実施形態では、グリッド平面ＧＰにおいて、マス単位で１つの温度を定義した。しかし、一般には、グリッド空間ＧＳにおいて、任意の単位で１つの温度を定義してもよい。図２２は、グリッド空間ＧＳにおける温度分布ＴＤの例を示す図である。グリッド空間ＧＳは、対象空間８０を、４×４×４のブロックに分割したものである。この場合、１つの温度を定義する単位は、例えば、単位ブロックＵＢ１のように、直線状にブロックをつなげたものであってもよい。また、１つの温度を定義する単位は、例えば、単位ブロックＵＢ２のように、平面状にブロックをつなげたものであってもよい。また、１つの温度を定義する単位は、例えば、単位ブロックＵＢ３のように、立方体状にブロックを積み上げたものであってもよい。

単位ブロックＵＢの温度は、例えば、単位ブロックＵＢを構成するそれぞれのブロックに温度センサ８２を設置し、それらが測定した温度の平均値として定義してもよい。また、例えば、単位ブロックＵＢ３においては、単位ブロックＵＢ３の中心点に温度センサ８２を設置し、当該温度センサ８２の測定値を、単位ブロックＵＢ３の温度として定義してもよい。

また、例えば、単位ブロックＵＢ１においては、超音波ＵＳを用いて直線上の温度を測定し、測定した温度を、単位ブロックＵＢ１の温度として定義してもよい。図２３は、直線上の温度を測定する方法の例を示す図である。図２３は、図２２のグリッド空間ＧＳにおいて、上下方向に積まれた４つの単位ブロックＵＢ１の各温度を測定する方法を示している。図２３には、上下方向に積まれた４つの単位ブロックＵＢ１を、右方向から見た図が描かれている。単位ブロックＵＢ１は、上から、単位ブロックＵＢ１１、単位ブロックＵＢ１２、単位ブロックＵＢ１３、及び単位ブロックＵＢ１４と記載する。各単位ブロックＵＢ１には、超音波生成装置８４が設置されている。具体的には、単位ブロックＵＢ１１には、前後方向の端に、それぞれ超音波生成装置８４ａ，８４ｂ１が設置されている。単位ブロックＵＢ１２には、後方向の端に、超音波生成装置８４ｂ２が設置されている。単位ブロックＵＢ１３には、後方向の端に、超音波生成装置８４ｂ３が設置されている。単位ブロックＵＢ１４には、後方向の端に、超音波生成装置８４ｂ４が設置されている。超音波生成装置８４は、直線状の超音波ＵＳを送受信することができる。具体的には、超音波生成装置８４ａは、超音波生成装置８４ｂ１～８４ｂ４に対し、超音波ＵＳを送信する。超音波生成装置８４ｂ１～８４ｂ４は、超音波生成装置８４ａから超音波ＵＳを受信すると、超音波生成装置８４ａに対し、超音波ＵＳを送信する。超音波生成装置８４ａと、超音波生成装置８４ｂｉとの間を往復する超音波ＵＳを超音波ＵＳｉとする。ｉは１から４の整数であり、超音波ＵＳ１～ＵＳ４の種類を表す。また、超音波ＵＳｉが単位ブロックＵＢ１ｊを通過するときの片道の距離をｌ_ｉｊ（ｍ）（図２３には、代表してｌ_４１～ｌ_４４を記載している。）、単位ブロックＵＢ１ｊにおける超音波ＵＳの速さをｖ_ｊ（ｍ／ｓ）、超音波ＵＳｉが往復する時間をτ_ｉ（ｓ）、とする。ｊは、１から４の整数であり、単位ブロックＵＢ１１～ＵＢ１４の種類を表す。このとき、距離、速さ、及び時間の関係から、以下の数１が成り立つ。

数１において、τ_ｉは、超音波生成装置８４ａによって測定可能である。また、ｌ_ｉｊは、超音波生成装置８４の配置と、単位ブロックＵＢの定義とから、測定可能である。そのため、数１は、ｖ_ｊについての連立方程式である。数１を、例えば、最小二乗法等によって解くと、ｖ_ｊが求まる。一方、超音波ＵＳの速さｖ_ｊは、通過する単位ブロックＵＢ１ｊ内の空気の温度Ｔ_ｊ（ｄｅｇＣ）の影響を受ける。例えば、ｖ_ｊと、Ｔ_ｊとの間には、以下の数２が成り立つと考えられる。

そのため、数１で求めたｖ_ｊを、数２に代入することにより、Ｔ_ｊが求まる。このＴ_ｊを、単位ブロックＵＢ１ｊの温度として定義することができる。

温度分布推定装置２００は、例えば、本実施形態と同様にして、温度が定義された単位ブロックＵＢの温度を推定し、推定された単位ブロックＵＢの温度から、周りのブロックの温度を推定（補間）する。

（５－７）
以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。

２０ 取得部
３０ 温度分布推定部
４０ 熱源位置特定部
５０ 熱源影響推定部
６０ 熱源影響反映部
８０ 対象空間
１００ 温度分布学習装置
２００ 温度分布推定装置
ＨＩ 熱画像
ＨＳ 熱源
ＬＭ 学習モデル
ＴＤ 温度分布
ＴＭ 温度測定値（温度分布）

国際公開第２０２０－０７５２４４号

Claims (11)

1. 対象空間（８０）の空中の少なくとも第１点の温度を含む温度分布（ＴＤ，ＴＭ）、を学習する温度分布学習装置（１００）であって、
   目的変数である前記温度分布と、説明変数である前記対象空間に関する熱画像（ＨＩ）と、を関連づけて学習する、学習モデル（ＬＭ）、
   を備え、
   前記学習モデルは、前記温度分布と前記熱画像とを含む教師データに基づいて学習する、
   温度分布学習装置（１００）。
2. 前記温度分布は、前記対象空間の空中の複数点の温度である、
   請求項１に記載の温度分布学習装置（１００）。
3. 請求項１又は２に記載の温度分布学習装置（１００）の前記学習モデルを用いて、前記熱画像から、前記温度分布を推定する、温度分布推定部（３０）と、
   前記熱画像を取得する、取得部（２０）と、
   を備える、
   温度分布推定装置（２００）。
4. 前記温度分布推定部は、推定した前記温度分布に基づいて、当該推定した前記温度分布に含まれない、前記対象空間の空中の温度をさらに推定する、
   請求項３に記載の温度分布推定装置。
5. 前記対象空間内の熱源（ＨＳ）の位置を特定する、熱源位置特定部（４０）と、
   前記熱源の影響による、前記熱源の周囲の温度変化を推定する、熱源影響推定部（５０）と、
   前記熱源影響推定部によって推定された、前記熱源の周囲の温度変化を、前記温度分布推定部によって推定された、前記対象空間の空中の温度に反映する、熱源影響反映部（６０）と、
   をさらに備える、
   請求項４に記載の温度分布推定装置（２００）。
6. 前記熱源位置特定部は、カメラ又は深度センサによって、前記熱源の位置を特定する、
   請求項５に記載の温度分布推定装置（２００）。
7. 前記熱源位置特定部は、人の位置を、前記熱源の位置として特定する、
   請求項５又は６に記載の温度分布推定装置（２００）。
8. 対象空間（８０）の空中の少なくとも第１点の温度を含む温度分布（ＴＤ，ＴＭ）、を学習する温度分布学習方法であって、
   目的変数である前記温度分布と、説明変数である前記対象空間に関する熱画像（ＨＩ）と、を関連づけて学習する、学習ステップ、
   を備え、
   前記学習ステップでは、前記温度分布と前記熱画像とを含む教師データに基づいて学習を行う、
   温度分布学習方法。
9. 請求項８に記載の温度分布学習方法により、前記熱画像から、前記温度分布を推定する、温度分布推定ステップと、
   前記熱画像を取得する、取得ステップと、
   を備える、
   温度分布推定方法。
10. 前記温度分布推定ステップでは、推定した前記温度分布に基づいて、当該推定した前記温度分布に含まれない、前記対象空間の空中の温度をさらに推定する、
    請求項９に記載の温度分布推定方法。
11. 前記対象空間内の熱源（ＨＳ）の位置を特定する、熱源位置特定ステップと、
    前記熱源の影響による、前記熱源の周囲の温度変化を推定する、熱源影響推定ステップと、
    前記熱源影響推定ステップによって推定された、前記熱源の周囲の温度変化を、前記温度分布推定ステップにおいて推定された、前記対象空間の空中の温度に反映する、熱源影響反映ステップと、
    をさらに備える、
    請求項１０に記載の温度分布推定方法。

Images