JP6867153B2 - 異常監視システム - Google Patents
異常監視システム Download PDFInfo
- Publication number
- JP6867153B2 JP6867153B2 JP2016247408A JP2016247408A JP6867153B2 JP 6867153 B2 JP6867153 B2 JP 6867153B2 JP 2016247408 A JP2016247408 A JP 2016247408A JP 2016247408 A JP2016247408 A JP 2016247408A JP 6867153 B2 JP6867153 B2 JP 6867153B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- abnormality
- neural network
- output
- unit
- 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.)
- Active
Links
Images
Landscapes
- Burglar Alarm Systems (AREA)
- Fire-Detection Mechanisms (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Description
本発明は、撮像部により撮像された監視領域の画像を入力して異常を判定する異常監視システムに於いて、
撮像部により撮像された監視領域の画像の中の変化のあった画像部分を抽出する画像抽出部と、
画像抽出部で抽出された画像部分を解析し、画像に含まれる要素を単語として、当該単語を元に画像説明文を生成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説明文に含まれる単語を辞書に予め記憶した所定の異常を示す単語と比較して異常を判定した場合に、異常判定信号を出力して警報させ、画像解析部から出力された画像説明文と共に抽出した画像部分を強調した監視領域の画像をモニタ部に表示させる異常判定部と、
が設けられたことを特徴とする。
本発明の別の形態にあっては、撮像部により撮像された監視領域の画像を入力して異常を判定する異常監視システムに於いて、
撮像部により撮像された画像を解析し、画像に含まれる要素を単語として、当該単語を元に画像説明文を生成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説明文に含まれる単語を辞書に予め記憶した所定の異常を示す単語と比較して異常を判定した場合に、異常判定信号を出力して警報させ、画像解析部から出力された画像説明文と共に異常を判定された要素となる部分を強調した監視領域の画像をモニタ部に表示させる異常判定部と、
が設けられたことを特徴とする。
異常判定部は、画像解析部から出力された画像説明文を主語(S)、動詞(V)、目的語(O)及び又は補語(C)に分類し、辞書に記憶された所定の異常を示す主語、動詞、目的語及び又は補語と比較して、一致又は類似した場合に異常を判定する。
画像解析部の多層式のニューラルネットワークは、防災と防犯の何れにも係らない画像を含む学習画像により学習を行い、
異常判定部の辞書の単語は、防犯及び又は防災に係る事項に基づいて予め記憶される。
画像解析部の多層式のニューラルネットワークは、畳み込みニューラルネットワーク(CNN:Convolutional Neural Network)と隠れ層にロング・ショートターム・メモリ(LSTM: Long Short−Term Memory)を用いた再帰型ニューラルネットワーク(RNN: Recurrent Neural Network)で構成され、
畳み込みニューラルネットワークは、入力画像の特徴量を抽出して出力し、
再帰型ニューラルネットワークは、畳み込みニューラルネットワークから出力された特徴量を入力して画像説明文を生成して出力する。
畳み込みニューラルネットワークは、教師なしの学習画像の入力により学習され、
再帰型ニューラルネットワークは、学習済みの畳み込みニューラルネットワークに学習画像を入力した場合に所定の中間層から出力される特徴量と学習画像に対応した所定の学習画像説明文を入力して学習される。
画像解析部の多層式のニューラルネットワークは所定の火災学習画像と所定の画像説明文を入力して学習されており、撮像部から入力された監視領域の画像の解析により画像説明文を生成して出力し、
異常判定部は、画像解析部から出力された画像説明文の単語を、辞書に予め記憶した所定の火災を示す単語と比較して火災を判定した場合に火災判定信号を出力して警報させる。
画像解析部の多層式のニューラルネットワークは所定の盗難学習画像と所定の画像説明文を入力して学習されており、撮像部から入力された監視領域の画像の解析により画像説明文を生成して出力し、
異常判定部は、画像解析部から出力された画像説明文の単語を、辞書に予め記憶した所定の盗難を示す単語と比較して盗難を判定した場合に盗難判定信号を出力して警報させる。
異常判定部は時間帯によって動作を異ならせる。
本発明は、撮像部により撮像された監視領域の画像を入力して異常を判定する異常監視システムに於いて、撮像部により撮像された監視領域の画像の中の変化のあった画像部分を抽出する画像抽出部と、画像抽出部で抽出された画像部分を解析し、画像に含まれる要素を単語として、当該単語を元に画像説明文を生成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説明文に含まれる単語を辞書に予め記憶した所定の異常を示す単語と比較して異常を判定した場合に、異常判定信号を出力して警報させる異常判定部と、が設けられたため、例えば監視カメラで遺産的な価値のある神社を監視する場合、異常の原因となる事象の画像全体に占める割合は多くないことが予想され、このような監視画像を入力して解析した場合、画像全体に占める割合が少ない異常原因となる事象を判定できない恐れがあるが、本発明にあっては、監視カメラにより撮像された監視画像の中の変化のあった画像部分を抽出して解析することで、異常の原因となった事象を示す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異常を示す所定の単語と比較して一致又は類似した場合に異常判定信号を出力して警報させることができるので、異常の原因となった事象を示す単語を元に画像説明文を生成して確実に出力することができ、異常の判定精度を向上可能とする。また、単語の組み合わせなどから特徴が異常に該当するかを判定することにより、真の異常と誤報との異常の判定精度を向上可能とする。
本発明の別の形態にあっては、撮像部により撮像された監視領域の画像を入力して異常を判定する異常視システムに於いて、撮像部により撮像された画像を解析し、画像に含まれる要素を単語として、当該単語を元に画像説明文を生成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説明文に含まれる単語を辞書に予め記憶した所定の異常を示す単語と比較して異常を判定した場合に、異常判定信号を出力して警報させる異常判定部と、が設けられたため、監視カメラにより撮像された監視領域の画像を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に入力すると、画像中に存在する1又は複数の対象物の特徴が抽出されて単語化され、例えば「神社・屋根・異常・ある」といった単語を元に画像説明文が生成され、この単語を辞書の異常を示す所定の単語と比較して一致又は類似した場合に異常判定信号を出力して警報させることができ、単語の組み合わせなどから特徴が異常に該当するかを判定することにより、真の異常と誤報との異常の判定精度を向上可能とする。また異常判定部は、異常判定時に、画像解析部から出力された画像説明文と共に抽出した画像部分を強調した監視領域の画像をモニタ部に表示させるようにしたため、監視者は監視領域で発生した異常を理解することが可能となる。例えば監視室等のモニタで監視員が監視を行うようなシステムの場合、異常判定時に警報が出力されて監視員が当該画面を確認したときに、モニタに撮像部により抽出した画像部分が強調された監視領域の画像と画像説明文が表示されるため、異常である部分を即座にモニタから認識可能とし、かつ画像説明文で概要を確認しながら画像を確認可能となり、状況の理解が容易となる。
異常判定部は、画像解析部から出力された画像説明文を主語(S)、動詞(V)、目的語(O)及び又は補語(C)に分類し、辞書に記憶された所定の異常を示す主語、動詞及び又は目的語と比較して、少なくとも何れかが一致又は類似した場合異常を判定するようにしたため、画像説明文を構成する主語(S)、動詞(V)、目的語(O)、補語(C)の各々又はその組み合わせについて辞書に登録された異常を示す主語(S)、動詞(V)、目的語(O)、補語(C)と比較することで、単語間の関係からより詳細な異常判定基準を適用することが可能となり、真の異常と誤報との異常の判定精度を向上させ、確実に異常を判定して警報可能とする。また異常判定部は、異常判定時に、画像解析部から出力された画像説明文と共に異常を判定された要素となる箇所を強調した監視領域の画像をモニタ部に表示させるようにしたため、監視者は監視領域で発生した異常を理解することが可能となる。例えば監視室等のモニタで監視員が監視を行うようなシステムの場合、異常判定時に警報が出力されて監視員が当該画面を確認したときに、モニタに撮像部により異常を判定された要素となる部分が強調された監視領域の画像と画像説明文が表示されるため、異常である部分を即座にモニタから認識可能とし、かつ画像説明文で概要を確認しながら画像を確認可能となり、状況の理解が容易となる。
画像解析部の多層式のニューラルネットワークは、防災と防犯の何れにも係らない画像を含む学習画像により学習を行い、異常判定部の辞書の単語は、防犯及び又は防災に係る事項に基づいて予め記憶されるようにしたため、防災・防犯分野に限らない総合的な学習をニューラルネットワークに対して行うことで、画像に対する識別の精度が向上し、防災・防犯分野に限った学習を行った際の、画像中の防災・防犯分野に関係しないものを当該対象に画像的に類似した防災・防犯分野に関係するものと誤って検出してしまうというリスクを減じることができる。さらに、辞書については防犯及び又は防災に係る事項について記憶しておけば、防犯及び又は防災の事象を検出することが可能となる。このように、学習・記憶する対象を適正に選択することで精度の高い検出を行うことが可能となる。
また、画像解析部の多層式のニューラルネットワークは、畳み込みニューラルネットワークと隠れ層にロング・ショートターム・メモリを用いた再帰型ニューラルネットワークで構成され、畳み込みニューラルネットワークは、入力画像の特徴量を抽出して出力し、再帰型ニューラルネットワークは、畳み込みニューラルネットワークから出力された特徴量を入力して画像説明文を生成して出力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入力画像の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、引き続いて行う再帰型ニューラルネットワークにより高い精度で画像説明文を推定して生成可能とする。
また、畳み込みニューラルネットワークは、教師なしの学習画像の入力により学習され、再帰型ニューラルネットワークは、学習済みの畳み込みニューラルネットワークに学習画像を入力した場合に所定の中間層から出力される特徴量と学習画像に対応した所定の学習画像説明文を入力して学習されるため、異常監視に関連する学習画像とその画像説明文をペアとした多数の学習データセットを準備することで、畳み込みニューラルネットワークによる画像の特徴量を抽出するための機能及び再帰型ニューラルネットワークによる画像の特徴量を画像説明文に変換する機能を学習させ、監視カメラで撮像した監視領域の画像の解析により、高い精度で画像説明文を推定して生成可能とする。
また、画像解析部の多層式のニューラルネットワークは所定の火災学習画像と所定の画像説明文を入力して学習されており、撮像部から入力され監視領域の画像の解析により画像説明文を生成して出力し、異常判定部は、画像解析部から出力された画像説明文の単語を、辞書に予め記憶した所定の火災を示す単語と比較して火災を判定した場合に火災判定信号を出力して警報させるようにしたため、監視カメラで監視している例えば神社から煙の出ている画像が入力された場合、画像解析部の多層式のニューラルネットワークにより例えば「神社の屋根から煙が出ています。」といった画像説明文が出力され、辞書に登録されている「神社」、「屋根」、「煙」といった単語との比較により火災を示す画像説明文であることを判定し、火災判定信号を出力して火災警報を出力させることができる。
また、画像解析部の多層式のニューラルネットワークは所定の盗難学習画像と所定の画像説明文を入力して学習されており、撮像部から入力された監視領域の画像の解析により画像説明文を生成して出力し、異常判定部は、画像解析部から出力された画像説明文の単語を、辞書に予め記憶した所定の盗難を示す単語と比較して盗難を判定した場合に盗難判定信号を出力して警報させるようにしたため、監視カメラで監視している例えば神社の賽銭箱の近くを行き来する不審者の画像が入力された場合、画像解析部のニューラルネットワークにより例えば「神社の賽銭箱の近くに不審者がいるようです。」といった画像説明文が出力され、辞書に登録されている「神社」、「賽銭箱」、「不審者」といった単語との比較により盗難を示す画像説明文であることを判定し、盗難判定信号を出力して盗難警報を出力させることができる。
異常判定部は、時間帯によって動作を異ならせるようにしたため、時間によっては異常となる事象に対して、当該時間の間のみ異常と判定することが可能となる。また、時間帯によって監視したい対象・行動が変化するような場所において対応が可能となる。
図1は監視カメラにより火災を監視する異常監視システムの概略を示した説明図である。
図2は図1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。
図2に示すように、畳み込みニューラルネットワーク24は入力層34、複数の中間層36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36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。
図2に示す再帰型ニューラルネットワーク26は、畳み込みニューラルネットワーク24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。
再帰型ニューラルネットワーク26の学習対象は、ベクトル変換部42とLSTM隠れ層38であり、畳み込みニューラルネットワーク24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。
(1) 画像Iを畳み込みニューラルネットワーク24に入力し、特定の中間層36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38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pt+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。
学習済みの畳み込みニューラルネットワーク24と再帰型ニューラルネットワーク26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24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26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24に入力し、特定の中間層36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37からLSTM隠れ層38に入力する。
(3) 文の開始記号<S>を、ベクトル変換部42を使用してベクトルに変換し、LSTM隠れ層38に入力する。
(4) LSTM隠れ層38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42を使用してベクトルに変換し、LSTM隠れ層38に入力する。
(6) LSTM隠れ層38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。
図3は監視カメラにより撮像した神社の監視画像の画像解析による火災判定制御を示した説明図である。
図1に示した火災検出器10は、画像抽出部16により監視画像の中の変化のあった部分を抽出して画像解析部20に入力して画像説明文を生成させているが、火災検出器10の他の実施形態として、画像抽出部16を除いた構成としても良い。
図1に示した火災検出器10は、監視対象とする神社の火災監視を行っているが、これ以外に、監視対象としている神社の放火監視を行うこともできる。
図1に示した火災検出器10は、監視対象とする神社の火災監視を行っているが、これ以外に、監視対象としている神社に置かれている賽銭箱等の盗難監視を行う盗難検出器とすることもできる。
〔本発明の変形例〕
(システムの運用形態)
上記の実施形態は、火災報知設備の火災受信機に火災判定信号を出力して火災警報させるようにしているが、火災警報の出力方法は一例であり、火災受信機と接続されずに運用されても良い。この場合、判定器で異常が判定された場合、監視カメラの映像等を監視する監視室に警報を出力する。また、監視カメラ・監視室間はローカルなシステムであっても良いし、監視室が複数の現場の監視カメラの映像をインターネット等により通じて集中的に監視するシステムであっても良い。
上記の実施形態では神社を監視対象としているが、監視対象はこれに限らない。例えば、店舗において適用し、昼間は盗難に対して異常判定を行うため誤報を少なくするように異常の判定条件を緩めに設定し、夜間は人の存在に対して異常判定を行うため、確実に警報できるように異常の判定精度を厳しめに設定する。
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は、他の現場で学習されたニューラルネットワークや防災・防犯分野に限らず総合的な学習を行ったニューラルネットワークを用いるようにしても良い。これは、単語抽出と画像説明文の作成において必要な要素が防災・防犯分野に限られないためである。
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畳み込みニューラルネットワーク(赤外線画像により学習済み)と再帰型ニューラルネットワーク(赤外線画像の特徴量と画像説明文により学習済み)により構成された画像解析部に入力して赤外線画像の画像説明文を生成し、火災や盗難といった異常を判定して警報するようにしても良い。
また、本発明は上記の実施形態に限定されず、その目的と利点を損なうことのない適宜の変形を含み、更に上記の実施形態に示した数値による限定は受けない。
12:監視カメラ
14:神社
16:画像抽出部
18:学習データセット記憶部
20:画像解析部
22:火災判定部
24:畳み込みニューラルネットワーク
26:再帰型ニューラルネットワーク
28:学習制御部
30:判定器
32:シソーラス辞書
34:入力層
36:中間層
37:LSTM入力層
38:LSTM隠れ層
40:レジスタ
42:ベクトル変換部
44:確率変換部
46:コスト算出部
48:監視画像
50:部分画像
52:画像抽出処理
54:画像解析処理
56:画像説明文
58:火災判定処理
60:火災判定信号出力処理
Claims (9)
- 撮像部により撮像された監視領域の画像を入力して異常を判定する異常監視システムに於いて、
前記撮像部により撮像された監視領域の画像の中の変化のあった画像部分を抽出する画像抽出部と、
前記画像抽出部で抽出された前記画像部分を解析し、前記画像に含まれる要素を単語として、当該単語を元に画像説明文を生成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前記画像説明文に含まれる単語を辞書に予め記憶した所定の異常を示す単語と比較して前記異常を判定した場合に、異常判定信号を出力して警報させ、前記画像解析部から出力された前記画像説明文と共に抽出した前記画像部分を強調した前記監視領域の画像をモニタ部に表示させる異常判定部と、
が設けられたことを特徴とする異常監視システム。
- 撮像部により撮像された監視領域の画像を入力して異常を判定する異常監視システムに於いて、
前記撮像部により撮像された画像を解析し、前記画像に含まれる要素を単語として、当該単語を元に画像説明文を生成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前記画像説明文に含まれる単語を辞書に予め記憶した所定の異常を示す単語と比較して前記異常を判定した場合に、異常判定信号を出力して警報させ、前記画像解析部から出力された前記画像説明文と共に異常を判定された前記要素となる部分を強調した前記監視領域の画像をモニタ部に表示させる異常判定部と、
が設けられたことを特徴とする異常監視システム。
- 請求項1又は2記載の異常監視システムに於いて、
前記異常判定部は、前記画像解析部が生成から出力された前記画像説明文を主語、動詞、目的語及び又は補語に分類し、前記辞書に記憶された所定の異常を示す主語、動詞及、目的語及び又は補語と比較して、一致又は類似した場合に異常を判定することを特徴とする異常監視システム。
- 請求項1乃至3何れかに記載の異常監視システムに於いて、
前記画像解析部の多層式のニューラルネットワークは、畳み込みニューラルネットワークと隠れ層にロング・ショートターム・メモリを用いた再帰型ニューラルネットワークで構成され、
前記畳み込みニューラルネットワークは、入力画像の特徴量を抽出して出力し、
前記再帰型ニューラルネットワークは前記畳み込みニューラルネットワークから出力された前記特徴量を入力して前記画像説明文を生成して出力することを特徴とする異常監視システム。
- 請求項4記載の異常監視システムに於いて、
前記畳み込みニューラルネットワークは、教師なしの学習画像の入力により学習され、
前記再帰型ニューラルネットワークは、前記学習済みの前記畳み込みニューラルネットワークに前記学習画像を入力した場合に所定の中間層から出力される特徴量と前記学習画像に対応した所定の学習画像説明文を入力して学習されることを特徴とする異常監視システム。
- 請求項1乃至5何れかに記載の異常監視システムに於いて、
前記画像解析部の前記多層式のニューラルネットワークは所定の火災学習画像と所定の画像説明文を入力して学習されており、前記撮像部から入力された前記監視領域の画像の解析により画像説明文を生成して出力し、
前記異常判定部は、前記画像解析部から出力された前記画像説明文の単語を、辞書に予め記憶した所定の火災を示す単語と比較して前記火災を判定した場合に火災判定信号を出力して警報させることを特徴とする異常監視システム。
- 請求項1乃至5何れかに記載の異常監視システムに於いて、
前記画像解析部の前記多層式のニューラルネットワークは所定の盗難学習画像と所定の画像説明文を入力して学習されており、前記撮像部から入力された前記監視領域の画像の解析により画像説明文を生成して出力し、
前記異常判定部は、前記画像解析部から出力された前記画像説明文の単語を、辞書に予め記憶した所定の盗難を示す単語と比較して前記盗難を判定した場合に盗難判定信号を出力して警報させることを特徴とする異常監視システム。
- 請求項1乃至7何れかに記載の異常監視システムに於いて、
前記異常判定部は、時間帯によって動作を異ならせることを特徴とする異常監視システム。
- 請求項1乃至8何れかに記載の異常監視システムに於いて、
前記画像解析部の多層式のニューラルネットワークは、防災と防犯の何れにも係らない画像を含む学習画像により学習を行い、
前記異常判定部の辞書の単語は、防犯及び又は防災に係る事項に基づいて予め記憶されることを特徴とする異常監視システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016247408A JP6867153B2 (ja) | 2016-12-21 | 2016-12-21 | 異常監視システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016247408A JP6867153B2 (ja) | 2016-12-21 | 2016-12-21 | 異常監視システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018101317A JP2018101317A (ja) | 2018-06-28 |
JP6867153B2 true JP6867153B2 (ja) | 2021-04-28 |
Family
ID=62715451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016247408A Active JP6867153B2 (ja) | 2016-12-21 | 2016-12-21 | 異常監視システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6867153B2 (ja) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102235745B1 (ko) * | 2018-08-10 | 2021-04-02 | 네이버 주식회사 | 컨볼루션 순환 신경망을 훈련시키는 방법 및 훈련된 컨볼루션 순환 신경망을 사용하는 입력된 비디오의 의미적 세그먼트화 방법 |
JP7239300B2 (ja) * | 2018-11-01 | 2023-03-14 | 浜松ホトニクス株式会社 | スペクトル分析装置およびスペクトル分析方法 |
JP7170564B2 (ja) * | 2019-03-14 | 2022-11-14 | 三菱電機株式会社 | モータ劣化傾向監視システム |
JP2020154551A (ja) * | 2019-03-19 | 2020-09-24 | 株式会社日立製作所 | 行動解析装置、及び、行動解析方法 |
CN109874029B (zh) * | 2019-04-22 | 2021-02-12 | 腾讯科技(深圳)有限公司 | 视频描述生成方法、装置、设备及存储介质 |
CN110102002A (zh) * | 2019-05-15 | 2019-08-09 | 上海荷福人工智能科技(集团)有限公司 | 基于人工智能的消防机器人的预警及灭火系统和方法 |
DE102019207711A1 (de) * | 2019-05-27 | 2020-12-03 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Detektion von Rauch |
JP2021002229A (ja) * | 2019-06-21 | 2021-01-07 | 株式会社Polyphonie | 情報処理装置、情報処理方法、及びプログラム |
CN110717498A (zh) * | 2019-09-16 | 2020-01-21 | 腾讯科技(深圳)有限公司 | 图像描述生成方法、装置及电子设备 |
CN110992642B (zh) * | 2019-12-25 | 2021-11-05 | 辽宁石油化工大学 | 一种基于深度学习的火灾检测方法 |
WO2021161652A1 (ja) * | 2020-02-10 | 2021-08-19 | ソニーセミコンダクタソリューションズ株式会社 | 信号処理装置、イメージセンサ、撮像装置、信号処理方法 |
JP2021129146A (ja) | 2020-02-10 | 2021-09-02 | キヤノン株式会社 | 画像処理装置およびその制御方法ならびにプログラム |
JP7226368B2 (ja) * | 2020-02-17 | 2023-02-21 | トヨタ自動車株式会社 | 物体状態識別装置 |
JP7388971B2 (ja) | 2020-04-06 | 2023-11-29 | トヨタ自動車株式会社 | 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム |
JP7359735B2 (ja) | 2020-04-06 | 2023-10-11 | トヨタ自動車株式会社 | 物体状態識別装置、物体状態識別方法及び物体状態識別用コンピュータプログラムならびに制御装置 |
CN113628401A (zh) * | 2020-05-07 | 2021-11-09 | 广东毓秀科技有限公司 | 基于烟雾检测的密集场所智能逃生设施 |
WO2022024245A1 (ja) * | 2020-07-29 | 2022-02-03 | オリンパス株式会社 | 検査システム、学習方法、検査方法、及び記憶媒体 |
CN113553232B (zh) * | 2021-07-12 | 2023-12-05 | 厦门大学 | 一种通过在线矩阵画像对运维数据进行无监督异常检测的技术 |
JP7491535B2 (ja) | 2022-04-28 | 2024-05-28 | 株式会社シーズ | 情報処理システム、情報処理方法、及びプログラム |
JP2023173799A (ja) * | 2022-05-26 | 2023-12-07 | 株式会社シーズ | 情報処理システム、情報処理方法、及びプログラム |
WO2023243040A1 (ja) * | 2022-06-16 | 2023-12-21 | 日本電信電話株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
CN115457485A (zh) * | 2022-11-11 | 2022-12-09 | 成都见海科技有限公司 | 一种基于3d卷积的排水监测方法、系统及存储介质 |
CN115588265B (zh) * | 2022-12-12 | 2023-04-07 | 华能酒泉风电有限责任公司 | 一种风电场的智能监视系统 |
CN116567402B (zh) * | 2023-06-28 | 2023-09-19 | 东莞锐视光电科技有限公司 | 光源控制器触发延时控制方法及系统 |
JP7486652B1 (ja) | 2023-09-07 | 2024-05-17 | 日鉄エンジニアリング株式会社 | 煙画像生成装置、煙検知システム、煙画像生成方法、異常画像生成装置、およびプログラム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001086486A (ja) * | 1999-09-14 | 2001-03-30 | Matsushita Electric Ind Co Ltd | 監視カメラシステム及び監視カメラの表示方法 |
JP2005328333A (ja) * | 2004-05-14 | 2005-11-24 | Hitachi Kokusai Electric Inc | 監視システム |
JP2009205594A (ja) * | 2008-02-29 | 2009-09-10 | Sogo Keibi Hosho Co Ltd | 警備装置および不審者判定方法 |
JP2009252215A (ja) * | 2008-04-11 | 2009-10-29 | Sogo Keibi Hosho Co Ltd | 警備装置および情報表示方法 |
JP2012208793A (ja) * | 2011-03-30 | 2012-10-25 | Sogo Keibi Hosho Co Ltd | 警備装置 |
US9558268B2 (en) * | 2014-08-20 | 2017-01-31 | Mitsubishi Electric Research Laboratories, Inc. | Method for semantically labeling an image of a scene using recursive context propagation |
AU2014240213B2 (en) * | 2014-09-30 | 2016-12-08 | Canon Kabushiki Kaisha | System and Method for object re-identification |
-
2016
- 2016-12-21 JP JP2016247408A patent/JP6867153B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018101317A (ja) | 2018-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6867153B2 (ja) | 異常監視システム | |
JP6942029B2 (ja) | 火災監視システム | |
JP6862144B2 (ja) | 監視システム | |
JP6968681B2 (ja) | 火災監視システム | |
WO2018079400A1 (ja) | 火災監視システム | |
JP6849411B2 (ja) | 監視システム | |
JP6857007B2 (ja) | 火災監視システム | |
JP6943401B2 (ja) | 火災監視システム | |
Nguyen et al. | Multistage real-time fire detection using convolutional neural networks and long short-term memory networks | |
KR20190046351A (ko) | 침입 탐지방법 및 그 장치 | |
JP2018088630A (ja) | 火災監視システム | |
CN108052865A (zh) | 一种基于卷积神经网络和支持向量机的火焰检测方法 | |
WO2022094130A1 (en) | Custom event detection for surveillance cameras | |
CN113906436A (zh) | 用于探测烟雾的方法和设备 | |
CN116310922A (zh) | 石化厂区监控视频风险识别方法、系统、电子设备及存储介质 | |
KR102556447B1 (ko) | 패턴 분석을 통한 상황 판단 시스템 | |
KR102286229B1 (ko) | 특징벡터 기반 싸움 이벤트 인식 방법 | |
Alamgir et al. | A model integrating fire prediction and detection for rural-urban interface | |
Verma et al. | Image Processing-Based Fire Detection and Protection System Using OPENCV | |
CN118038141B (zh) | 红外、紫外和图像火灾探测系统和方法 | |
Balakrishnan et al. | Real Time Fire Detection and Alert Triggering System | |
Nithesh et al. | Anomaly Detection in Surveillance Videos Using Deep Learning | |
CN118587648A (en) | Intelligent visual monitoring and early warning method oriented to safety of tank truck tank entering operation personnel | |
Jeon et al. | PASS-CCTV: Proactive Anomaly surveillance system for CCTV footage analysis in adverse environmental conditions | |
Malebary | Early Fire Detection using LSTM based Instance Segmentation and IoTs for Disaster Management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191114 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201008 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201021 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201207 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210324 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210408 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6867153 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |