JP6994224B2 - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents
情報処理装置、情報処理方法及び情報処理プログラム Download PDFInfo
- Publication number
- JP6994224B2 JP6994224B2 JP2020072746A JP2020072746A JP6994224B2 JP 6994224 B2 JP6994224 B2 JP 6994224B2 JP 2020072746 A JP2020072746 A JP 2020072746A JP 2020072746 A JP2020072746 A JP 2020072746A JP 6994224 B2 JP6994224 B2 JP 6994224B2
- Authority
- JP
- Japan
- Prior art keywords
- state
- image data
- event
- recorded
- learning model
- 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
Description
一態様の情報処理方法及び情報処理プログラムは、上述した一態様の情報処理プログラムと同様の効果を奏することができる。
本明細書では、「情報」の文言を使用しているが、「情報」の文言は「データ」と言い換えることができ、「データ」の文言は「情報」と言い換えることができる。
情報処理装置1は、複数の学習モデルに基づいて、事象の状態を出力する。情報処理装置1は、事象の任意の第1状態を学習することにより第1学習モデルを生成する。情報処理装置1は、上述した事象の第1状態と、その第1状態とは異なる第2状態とのうち、少なくともその事象の第2状態を学習することにより第2学習モデルを生成する。情報処理装置1は、第2状態として、その第2状態になる以前の状態(第1状態ではないが、第2状態になる以前(直前等)の状態等)を学習して第2学習モデルを生成することとしてもよい。
また、情報処理装置1は、その画像データと第2学習モデルとに基づいて、画像データに記録される事象の状態が第2状態になる可能性があるか判定する。この場合、情報処理装置1は、例えば、第1状態から第2状態までを複数段階に分類しておき、画像データに記録される状態がどの段階かを判定することとしてもよい。
なお、以下では、事象の第1状態としてその事象の正常な状態を例示し、事象の第2状態としてその事象の異常な状態を例示して説明する。
情報処理装置1は、通信部16、記憶部17、表示部18、受付部12、取得部13、分類部14及び出力制御部15を備える。受付部12、取得部13、分類部14及び出力制御部15は、情報処理装置1の制御部11(例えば、演算処理装置等)の一機能として実現されてもよい。通信部16、記憶部17及び表示部18は、本発明の「出力部」の一実施形態として実現されてもよい。
例えば、制御部11は、事象の正常な状態を学習して第1学習モデルを生成する。制御部11は、事象の正常な状態が記録された動画(画像データ)101を取得し(図2(A))、その動画(画像データ)101を学習し(図2(B))、第1学習モデルを生成する(図2(C))。制御部11は、異なる複数の時間帯毎の正常な状態を学習し、時間帯毎の第1学習モデルを生成してもよい。また、制御部11は、その事象について、複数パターンの正常な状態を学習して第1学習モデルを生成することとしてもよい。制御部11によって生成された第1学習モデルは、例えば、記憶部17に記憶されてもよい。この場合、取得部13は、乖離度を取得する際に、記憶部17から第1学習モデルを取得することとしてもよい。また、制御部11によって生成された第1学習モデルは、例えば、取得部13に記憶されてもよい。
なお、第1学習モデルは、上述したように制御部11で生成される例に限定されず、外部サーバ(図示せず)等によって生成されてもよい。この場合、取得部13は、制御部11で生成された第1学習モデルを取得する。
学習される動画は、動画そのものの他に、時間的に連続して取得される複数の静止画、又は、所定時間毎に取得される複数の静止画であってもよい。
制御部11は、第1学習モデルを生成する際の事象と同一の事象に基づいて第2学習モデルを生成する。例えば、制御部11は、上述した事象に関する正常な状態及び異常な状態のうち、少なくとも異常な状態を学習して第2学習モデルを生成する。この場合、制御部11は、少なくとも複数パターンの異常な状態を学習して第2学習モデルを生成することが好ましい。すなわち、制御部11は、少なくとも複数のパターンの事象の異常な状態が記録された動画(一例として図3(A)に示す(1)~(3)の動画)(画像データ)102a~102cを取得し(図3(A))、その動画(画像データ)102a~102cを学習し(図3(B))、第2学習モデルを生成する(図3(C))。制御部11は、異常な状態として、異常な状態になる以前の状態(正常な状態ではないが、異常な状態になる以前の状態等)を学習することとしてもよい。例えば、制御部11は、正常な状態から異常な状態に遷移する際の状態を学習することとしてもよい。具体的な一例として、制御部11は、正常な状態から異常な状態に遷移する際の、異常な状態が起こった時を基準(基準時)として所定時間前(基準時よりも時間的に前の所定時間以内)の状態を学習することとしてもよい。所定時間には、事象に応じて種々の時間が設定される。
また、分類部14は、例えば、分類した結果を数値で示すこととしてもよい。例えば、分類部14は、正常な状態を「0」とし、異常な状態を「100」としておき、異常か否かを示す分類として「0」から「100」までのうちのいずれかの数値を出力することとしてもよい。
また、分類部14は、例えば、正常な状態を「0」とし、異常な状態を「1」としておき、異常か否かを示す分類として「0」及び「1」のいずれかを出力することとしてもよい。
出力部は、上述したように、通信部16、記憶部17及び表示部18であってもよい。すなわち、出力制御部15は、画像データに記録される事象の状態(事象の状態が異常か否か)を示す情報、又は、事象が異常な状態であることを示す情報を、表示部18に表示することとしてもよい。出力制御部15は、画像データに記録される事象の状態(事象の状態が異常か否か)を示す情報、又は、事象が異常な状態であることを示す情報を、記憶部17に記憶することとしてもよい。出力制御部15は、画像データに記録される事象の状態(事象の状態が異常か否か)を示す情報、又は、事象が異常な状態であることを示す情報を、外部(例えば、外部サーバ及び携帯端末等(図示せず))に送信するよう通信部16を制御することとしてもよい。
携帯端末は、企業、国の機関及び地方公共団体が所有する端末、並びに、市民が所有する端末であってもよい。出力制御部15は、事象に応じて異常な状態を示す情報の送信先が設定されているため、その設定に応じて携帯端末に適宜情報を送信する。
受付部12は、炎を記録した画像データを受け付ける。例えば、受付部12は、物質が燃焼する際の炎を撮像することにより生成された画像データを受け付ける。一例として、受付部12は、現在の炎の状態をカメラ部(図示せず)によって撮像することにより生成された画像データを受け付ける。
なお、分類部14は、上述した取得部13と同様に、例えば、画像データが動画の場合には、画像データ(動画)を構成する複数のフレームを所定数のフレーム(フレーム群)毎に分割し、フレーム群と第2学習モデルとに基づいて、順次、フレーム群に記録される炎が非通常時になる可能性があるか分類することとしてもよい。フレーム群を構成するフレーム数については、本実施例の事象及び後述する実施例の事象それぞれの場合についても、適宜設定される。なお、画像データが複数の静止画であっても、分類部14は、上記と同様に処理することが可能である。
図4は、河川の流れが正常な状態の一例を説明するための図である。
図5は、河川の流れが異常な状態の例を説明するための図である。図5(A)は河川が増水している例を示し、図5(B)は河川に物体(ここでは「木」)が流れている例を示し、図5(C)は堤防が決壊する直前の例を示す。
受付部12は、複数の材料を混合する状態を記録した画像データを受け付ける。一例として、受付部12は、現在の混合している状態をカメラ部(図示せず)によって撮像することにより生成された画像データを受け付ける。
受付部12は、発酵途中の食品の状態を記録した画像データを受け付ける。一例として、受付部12は、現在の発酵させている食品をカメラ部(図示せず)によって撮像することにより生成された画像データを受け付ける。
受付部12は、1又は複数の人物の通行を記録した画像データを受け付ける。一例として、受付部12は、現在の人物の通行(人の流れ)をカメラ部(図示せず)によって撮像することにより生成された画像データを受け付ける。
受付部12は、水処理施設において処理される水の状態を記録した画像データを受け付ける。一例として、受付部12は、現在の水の処理状態をカメラ部(図示せず)によって撮像することにより生成された画像データを受け付ける。施設は、種々の施設であってよく、一例として、工場、プラント、浄水場及び下水処理場等であってもよい。
受付部12は、施設から排出される煙の状態を記録した画像データを受け付ける。一例として、受付部12は、現在の煙の排出状態をカメラ部(図示せず)によって撮像することにより生成された画像データを受け付ける。施設は、種々の施設であってよく、一例として、清掃工場、工場及びプラント等であってもよい。
受付部12は、道路を走行する車両を記録した画像データを受け付ける。一例として、受付部12は、現在の道路を走行する車両の走行状態をカメラ部(図示せず)によって撮像することにより生成された画像データを受け付ける。上述したカメラ部は、例えば、道路の監視カメラ等であってもよい。
受付部12は、人物又は動物の動きを記録した画像データを受け付ける。一例として、受付部12は、室内、室外、公共施設及び公共交通機関等で人物又は動物をカメラ部(図示せず)によって撮像することにより生成された画像データを受け付ける。
まず、第1学習モデル及び第2学習モデルを生成する方法について説明する。
図6は、一実施形態に係る情報処理方法について説明するための第1のフローチャートである。
図7は、一実施形態に係る情報処理方法について説明するための第2のフローチャートである。
ここで、出力制御部15は、乖離度が第1所定値以上であり、且つ、分類結果が異常な状態である可能性が第2所定値以上の場合、異常な状態を示す情報を出力するよう出力部を制御することとしてもよい。
また、出力制御部15は、乖離度及び分類結果に基づいて、事象が異常か否か(事象の状態が時間的に先の時点で異常になる可能性があるか否か)を出力部から出力するよう制御することとしてもよい。
上述した「出力部」の一実施形態は、通信部16、記憶部17及び表示部18等であってよい。
情報処理装置1は、画像データを受け付ける受付部12と、事象の正常な状態を学習した第1学習モデルと、受付部12によって受け付けた画像データとに基づいて、画像データに記録される事象と第1学習モデルに基づく正常な状態との乖離度を取得する取得部13と、少なくとも事象の複数の異常な状態を学習した第2学習モデルと、受付部12によって受け付けた画像データとに基づいて、画像データに記録される事象を複数の状態に分類に分類する分類部14と、取得部13によって取得される乖離度と、分類部14によって分類された結果とに基づいて、画像データに記録される事象の状態を出力部から出力する出力制御部15と、を備える。
これにより、情報処理装置1は、事象が異常な状態か(又は、事象が正常な状態か)を判定することができる。
また、情報処理装置1は、取得部13によって取得される乖離度と、分類部14によって分類される結果との2つを利用するので、いずれか一方のみを利用する場合に比べて判定の精度を高くすることができる。さらに、情報処理装置1は、取得部13及び分類部14の2つを備えることにより、事象が正常な状態から異常な状態に遷移している際に、これよりも時間的に先の段階において事象が異常な状態になることを取得することができる。
これにより、情報処理装置1は、特に、事象が正常な状態から異常な状態に遷移している際に、これよりも時間的に先の段階において事象が異常な状態になることを取得することができる。
これにより、情報処理装置1は、異常な状態を示す情報(例えば、異常な状態の度合い又は異常な状態に遷移している度合い)を出力することができる。
これにより、情報処理装置1は、炎の異常な状態を出力することができる。すなわち、情報処理装置1は、物質の燃焼状態に異常が有るか否かを出力することができる。又は、情報処理装置1は、物質の燃焼状態に異常が発生する可能性を出力することができる。
これにより、情報処理装置1は、河川の異常な状態、例えば、河川の氾濫又は堤防の決壊等が起こる可能性を出力することができる。
これにより、情報処理装置1は、物質の混合が異常な状態かを出力することができる。例えば、情報処理装置1は、物質が均等に混ざっていない状態、又は、物質が均等に混ざらない可能性を出力することができる。
これにより、情報処理装置1は、食品の異常な発酵状態を出力することができる。例えば、情報処理装置1は、食品が正常に発酵していない、又は、食品が正常に発酵しない可能性を出力することができる。
これにより、情報処理装置1は、道路等における人物の通行が異常な状態かを出力することができる。例えば、情報処理装置1は、人物の異常な通行状態(具体的な一例として、混雑によって複数の人物が転倒している異常状態)、又は、人物の通行状態が異常になる可能性(一例として、混雑により複数の人物が転倒する可能性)を出力することができる。
これにより、情報処理装置1は、水処理施設において処理される水の状態が異常な状態かを出力することができる。例えば、情報処理装置1は、水の異常な状態(具体的な一例として、処理水の色が変色した異常状態、処理水に異物が含まれる異常状態、及び、処理水に気泡が含まれる(処理水に含まれる気泡の量が通常時よりも多い)異常状態、又は、処理水の状態が異常になる可能性を出力することができる。
これにより、情報処理装置1は、施設から排出される煙の状態が異常な状態かを出力することができる。例えば、情報処理装置1は、排出される煙の異常な状態(具体的な一例として、通常時とは異なる煙の色、通常時には煙には含まれることがない異物の存在、及び、通常時には煙に含まれることがない炎(火の粉)の存在等の異常な状態)、又は、煙の状態が異常になる可能性を出力することができる。
これにより、情報処理装置1は、道路を走行する車両の走行状態が異常な状態かを出力することできる。例えば、情報処理装置1は、車両が逆走する可能性があるか、車両が渋滞する可能性があるか、及び、車両が事故を起こす可能性があるか等を出力することができる。
これにより、情報処理装置1は、人物又は動物の動作状態が非正常(異常)な状態か、又は、非通常(異常)の状態になる可能性があるかを出力することができる。
これにより、情報処理方法は、事象が異常な状態か(又は、事象が正常な状態か)を判定することができる。
また、情報処理方法は、取得ステップによって取得される乖離度と、分類ステップによって分類される結果との2つを利用するので、いずれか一方のみを利用する場合に比べて判定の精度を高くすることができる。さらに、情報処理方法は、取得ステップ及び分類ステップの2つを備えることにより、事象が正常な状態から異常な状態に遷移している際に、これよりも時間的に先の段階において事象が異常な状態になることを取得することができる。
これにより、情報処理プログラムは、事象が異常な状態か(又は、事象が正常な状態か)を判定することができる。
また、情報処理プログラムは、取得機能によって取得される乖離度と、分類機能によって分類される結果との2つを利用するので、いずれか一方のみを利用する場合に比べて判定の精度を高くすることができる。さらに、情報処理プログラムは、取得機能及び分類機能の2つを備えることにより、事象が正常な状態から異常な状態に遷移している際に、これよりも時間的に先の段階において事象が異常な状態になることを取得することができる。
情報処理プログラムは、上述した各機能をコンピュータに実現させることができる。情報処理プログラムは、外部メモリ又は光ディスク等の、コンピュータで読み取り可能な非一時的な記録媒体に記録されていてもよい。
また、上述したように、情報処理装置1の各部は、コンピュータの演算処理装置等で実現されてもよい。その演算処理装置等は、例えば、集積回路等によって構成される。このため、情報処理装置1の各部は、演算処理装置等を構成する回路として実現されてもよい。すなわち、情報処理装置1の受付部12、取得部13、分類部14及び出力制御部15(制御部11)は、コンピュータの演算処理装置等を構成する受付回路、取得回路、分類回路及び出力制御回路(制御回路)として実現されてもよい。
また、情報処理装置1の通信部16、記憶部17及び表示部18(出力部)は、例えば、演算処理装置等の機能を含む通信機能、記憶機能及び表示機能(出力機能)として実現されもよい。また、情報処理装置1の通信部16、記憶部17及び表示部18(出力部)は、例えば、集積回路等によって構成されることにより通信回路、記憶回路及び表示回路(出力回路)として実現されてもよい。また、情報処理装置1の通信部16、記憶部17及び表示部18(出力部)は、例えば、複数のデバイスによって構成されることにより通信装置、記憶装置及び表示装置(出力装置)として構成されてもよい。
11 制御部
12 受付部
13 取得部
14 分類部
15 出力制御部
16 通信部
17 記憶部
18 表示部
Claims (14)
- 画像データとして動画を受け付ける受付部と、
事象の任意の第1状態を学習した第1学習モデルと、前記受付部によって受け付けた画像データとに基づいて、画像データに記録される事象と第1学習モデルに基づく第1状態との乖離度を取得する取得部と、
前記第1状態とは異なる、少なくとも前記事象の複数の第2状態を学習した第2学習モデルと、前記受付部によって受け付けた画像データとに基づいて、画像データに記録される事象を複数の状態に分類に分類する分類部と、
前記取得部によって取得される乖離度と、前記分類部によって分類された結果とに基づいて、画像データに記録される事象の状態を出力部から出力する出力制御部と、を備え、
前記取得部は、前記事象の第1状態を記録した動画を学習することにより得られた第1学習モデルを利用して、乖離度を取得し、
前記分類部は、前記事象の第1状態及び前記事象の第2状態のうち、少なくとも前記事象の第2状態であって、第1状態から第2状態に遷移する際の、第2状態が起こった時を基準にして所定時間前の遷移状態及び第2状態になる直前の遷移状態を記録した動画を学習することにより得られた第2学習モデルを利用して、画像データに記録される事象が第1状態から第2状態までのいずれの状態かに分類する
情報処理装置。 - 前記取得部は、第1学習モデルと、前記受付部によって受け付けた画像データとしての動画を構成する複数のフレームを所定数のフレーム群毎に分割したフレーム群とに基づいて、画像データに記録される事象と第1学習モデルに基づく第1状態との乖離度を取得し、
前記分類部は、第2学習モデルと、前記受付部によって受け付けた画像データとしての動画を構成する複数のフレームを所定数のフレーム群毎に分割したフレーム群とに基づいて、画像データに記録される事象を複数の状態に分類に分類する
請求項1に記載の情報処理装置。 - 前記出力制御部は、前記取得部によって取得される乖離度が第1所定値以上であり、且つ、前記分類部によって分類される状態が第2所定値以上の場合、第2状態を示す情報を出力するよう前記出力部を制御する
請求項1又は2に記載の情報処理装置。 - 前記受付部は、炎を記録した画像データを受け付け、
前記取得部は、前記事象として通常時の炎を第1状態として学習した第1学習モデルを利用して、画像データに記録される炎が、通常時の炎から乖離しているかを取得し、
前記分類部は、前記事象として通常時とは異なる非通常時の炎を第2状態として学習した第2学習モデルを利用して、画像データに記録される炎が非通常時の炎になる可能性があるかを分類する
請求項1~3のいずれか1項に記載の情報処理装置。 - 前記受付部は、河川の流れを記録した画像データを受け付け、
前記取得部は、前記事象として通常時の河川の流れを第1状態として学習した第1学習モデルを利用して、画像データに記録される河川の流れが、通常時の河川の流れから乖離しているかを取得し、
前記分類部は、前記事象として通常時とは異なる非通常時の河川の流れになる以前の河川の流れを第2状態として学習した第2学習モデルを利用して、画像データに記録される河川の流れが非通常時の流れになる可能性があるかを分類する
請求項1~3のいずれか1項に記載の情報処理装置。 - 前記受付部は、複数の材料を混合する状態を記録した画像データを受け付け、
前記取得部は、前記事象として正常な材料の混合状態を第1状態として学習した第1学習モデルを利用して、画像データに記録される材料の混合状態が正常な材料の混合状態から乖離しているかを取得し、
前記分類部は、前記事象として正常時とは異なる異常時の材料の混合状態を第2状態として学習した第2学習モデルを利用して、画像データに記録される材料の混合状態が異常時の混合状態になる可能性があるかを分類する
請求項1~3のいずれか1項に記載の情報処理装置。 - 前記受付部は、発酵途中の食品の状態を記録した画像データを受け付け、
前記取得部は、前記事象として正常な食品の発酵状態を第1状態として学習した第1学習モデルを利用して、画像データに記録される食品の発酵状態が正常な発酵状態から乖離しているかを取得し、
前記分類部は、前記事象として正常時とは異なる非正常時の食品の発酵状態を第2状態として学習した第2学習モデルを利用して、画像データに記録される食品の発酵状態が非正常時の発酵状態になる可能性があるかを分類する
請求項1~3のいずれか1項に記載の情報処理装置。 - 前記受付部は、1又は複数の人物の通行を記録した画像データを受け付け、
前記取得部は、前記事象として正常時の人物の通行状態を第1状態として学習した第1学習モデルを利用して、画像データに記録される人物の通行状態が正常時の通行状態から乖離しているかを取得し、
前記分類部は、前記事象として正常時とは異なる非通常時の通行状態を第2状態として学習した第2学習モデルを利用して、画像データに記録される人物の通行状態が非通常時の通行状態になる可能性があるかを分類する
請求項1~3のいずれか1項に記載の情報処理装置。 - 前記受付部は、水処理施設において処理される水の状態を記録した画像データを受け付け、
前記取得部は、前記事象として正常に処理された水の状態を第1状態として学習した第1学習モデルを利用して、画像データに記録される処理水の状態が正常な状態から乖離しているかを取得し、
前記分類部は、前記事象として正常な状態とは異なる非正常時の状態の水の状態を第2状態として学習した第2学習モデルを利用して、画像データに記録される処理水の状態が非正常時の状態になる可能性があるかを分類する
請求項1~3のいずれか1項に記載の情報処理装置。 - 前記受付部は、施設から排出される煙の状態を記録した画像データを受け付け、
前記取得部は、前記事象として正常に排出される煙の状態を第1状態として学習した第1学習モデルを利用して、画像データに記録される煙の状態が第1状態から乖離しているかを取得し、
前記分類部は、前記事象として正常な煙の状態とは異なる非正常時の煙の状態を第2状態として学習した第2学習モデルを利用して、画像データに記録される煙の状態が非正常時の煙の状態になる可能性があるかを分類する
請求項1~3のいずれか1項に記載の情報処理装置。 - 前記受付部は、道路を走行する車両を記録した画像データを受け付け、
前記取得部は、前記事象として道路を正常に走行する車両の走行状態を第1状態として学習した第1学習モデルを利用して、画像データに記録される車両の走行状態が第1状態から乖離しているかを取得し、
前記分類部は、前記事象として正常な車両の走行状態とは異なる非正常時の車両の走行状態を第2状態として学習した第2学習モデルを利用して、画像データに記録される車両の走行状態が非正常時の車両の走行状態になる可能性があるかを分類する
請求項1~3のいずれか1項に記載の情報処理装置。 - 前記受付部は、人物又は動物の動きを記録した画像データを受け付け、
前記取得部は、前記事象として人物又は動物の正常時の動作状態を第1状態として学習した第1学習モデルを利用して、画像データに記録される人物又は動物の動作状態が第1状態から乖離しているかを取得し、
前記分類部は、前記事象として人物又は動物の正常時の動きとは異なる非正常時の動作状態を第2状態として学習した第2学習モデルとして利用して、画像データに記録される人物又は動物の動作状態が非正常時の動作状態になるかを分類する
請求項1~3のいずれか1項に記載の情報処理装置。 - コンピュータが、
画像データとして動画を受け付ける受付ステップと、
事象の任意の第1状態を学習した第1学習モデルと、前記受付ステップによって受け付けた画像データとに基づいて、画像データに記録される事象と第1学習モデルに基づく第1状態との乖離度を取得する取得ステップと、
前記第1状態とは異なる、少なくとも前記事象の複数の第2状態を学習した第2学習モデルと、前記受付ステップによって受け付けた画像データとに基づいて、画像データに記録される事象を複数の状態に分類に分類する分類ステップと、
前記取得ステップによって取得される乖離度と、前記分類ステップによって分類された結果とに基づいて、画像データに記録される事象の状態を出力ステップから出力する出力制御ステップと、を実行し、
前記取得ステップは、前記事象の第1状態を記録した動画を学習することにより得られた第1学習モデルを利用して、乖離度を取得し、
前記分類ステップは、前記事象の第1状態及び前記事象の第2状態のうち、少なくとも前記事象の第2状態であって、第1状態から第2状態に遷移する際の、第2状態が起こった時を基準にして所定時間前の遷移状態及び第2状態になる直前の遷移状態を記録した動画を学習することにより得られた第2学習モデルを利用して、画像データに記録される事象が第1状態から第2状態までのいずれの状態に分類する
情報処理方法。 - コンピュータに、
画像データとして動画を受け付ける受付機能と、
事象の任意の第1状態を学習した第1学習モデルと、前記受付機能によって受け付けた画像データとに基づいて、画像データに記録される事象と第1学習モデルに基づく第1状態との乖離度を取得する取得機能と、
前記第1状態とは異なる、少なくとも前記事象の複数の第2状態を学習した第2学習モデルと、前記受付機能によって受け付けた画像データとに基づいて、画像データに記録される事象を複数の状態に分類に分類する分類機能と、
前記取得機能によって取得される乖離度と、前記分類機能によって分類された結果とに基づいて、画像データに記録される事象の状態を出力機能から出力する出力制御機能と、を実現させ、
前記取得機能は、前記事象の第1状態を記録した動画を学習することにより得られた第1学習モデルを利用して、乖離度を取得し、
前記分類機能は、前記事象の第1状態及び前記事象の第2状態のうち、少なくとも前記事象の第2状態であって、第1状態から第2状態に遷移する際の、第2状態が起こった時を基準にして所定時間前の遷移状態及び第2状態になる直前の遷移状態を記録した動画を学習することにより得られた第2学習モデルを利用して、画像データに記録される事象が第1状態から第2状態までのいずれの状態かに分類する
情報処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020072746A JP6994224B2 (ja) | 2020-04-15 | 2020-04-15 | 情報処理装置、情報処理方法及び情報処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020072746A JP6994224B2 (ja) | 2020-04-15 | 2020-04-15 | 情報処理装置、情報処理方法及び情報処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021170204A JP2021170204A (ja) | 2021-10-28 |
JP6994224B2 true JP6994224B2 (ja) | 2022-01-14 |
Family
ID=78150064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020072746A Active JP6994224B2 (ja) | 2020-04-15 | 2020-04-15 | 情報処理装置、情報処理方法及び情報処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6994224B2 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018005773A (ja) | 2016-07-07 | 2018-01-11 | 株式会社リコー | 異常判定装置及び異常判定方法 |
JP2018173914A (ja) | 2017-03-31 | 2018-11-08 | 綜合警備保障株式会社 | 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 |
JP2019061577A (ja) | 2017-09-27 | 2019-04-18 | パナソニックIpマネジメント株式会社 | 異常判定方法及びプログラム |
WO2019188040A1 (ja) | 2018-03-29 | 2019-10-03 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
JP2020030565A (ja) | 2018-08-22 | 2020-02-27 | 株式会社Ye Digital | 画像判定方法、画像判定装置および画像判定プログラム |
WO2020194583A1 (ja) | 2019-03-27 | 2020-10-01 | 日本電気株式会社 | 異常検知装置、制御方法、及びプログラム |
-
2020
- 2020-04-15 JP JP2020072746A patent/JP6994224B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018005773A (ja) | 2016-07-07 | 2018-01-11 | 株式会社リコー | 異常判定装置及び異常判定方法 |
JP2018173914A (ja) | 2017-03-31 | 2018-11-08 | 綜合警備保障株式会社 | 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 |
JP2019061577A (ja) | 2017-09-27 | 2019-04-18 | パナソニックIpマネジメント株式会社 | 異常判定方法及びプログラム |
WO2019188040A1 (ja) | 2018-03-29 | 2019-10-03 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
JP2020030565A (ja) | 2018-08-22 | 2020-02-27 | 株式会社Ye Digital | 画像判定方法、画像判定装置および画像判定プログラム |
WO2020194583A1 (ja) | 2019-03-27 | 2020-10-01 | 日本電気株式会社 | 異常検知装置、制御方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021170204A (ja) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109690621B (zh) | 拥挤探测装置、拥挤探测系统以及拥挤探测方法 | |
Faso et al. | Evaluating posed and evoked facial expressions of emotion from adults with autism spectrum disorder | |
JP6857007B2 (ja) | 火災監視システム | |
JP2018101317A (ja) | 異常監視システム | |
CN101390128B (zh) | 脸部器官的位置的检测方法及检测系统 | |
JP2006352644A (ja) | 監視カメラの画像異常検出装置 | |
van Aar et al. | Families who benefit and families who do not: Integrating person-and variable-centered analyses of parenting intervention responses | |
CN109166265A (zh) | 消防联动网络广播系统的分级报警方法、终端及存储介质 | |
JP6994224B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
Wolfe et al. | Predicting road scenes from brief views of driving video | |
Kristensen et al. | Hello darkness, my old friend: moderating a random intercept cross-lagged panel model of loneliness and symptoms of anxiety and depression | |
JPS63133061A (ja) | 魚態監視装置 | |
Satyanarayana et al. | Continuous monitoring and identification of driver drowsiness alert system | |
JPH09293141A (ja) | 移動物体検出装置 | |
CN115798133A (zh) | 一种火焰报警方法、装置、设备及存储介质 | |
JP2005128999A (ja) | 変化検出装置 | |
Colombatto et al. | Unconscious pupillometry: An effect of “attentional contagion” in the absence of visual awareness. | |
US20030160871A1 (en) | Automatically switched camera system with indicator for notifying the next subject of the camera system | |
Christmon et al. | Is early fatherhood associated with alcohol and other drug use? | |
KR102211861B1 (ko) | 시각화된 데이터를 제공하는 데이터 제공 방법, 장치 및 컴퓨터프로그램 | |
Maran et al. | Early lifetime experience of urban living predicts social attention in real world crowds | |
JPH0397080A (ja) | 画像監視装置 | |
Chu et al. | A real haze video database for haze level evaluation | |
Brooks-Gunn et al. | Long-term implications of fertility-related behavior and family formation on adolescent mothers and their children | |
KR20210079772A (ko) | 기계학습을 이용한 치매검사 관리 서버 및 이를 이용한 치매검사 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200605 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210713 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210903 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211105 |
|
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: 20211116 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211202 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6994224 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |