JP7131958B2 - 通知装置、情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム - Google Patents
通知装置、情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム Download PDFInfo
- Publication number
- JP7131958B2 JP7131958B2 JP2018090810A JP2018090810A JP7131958B2 JP 7131958 B2 JP7131958 B2 JP 7131958B2 JP 2018090810 A JP2018090810 A JP 2018090810A JP 2018090810 A JP2018090810 A JP 2018090810A JP 7131958 B2 JP7131958 B2 JP 7131958B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- prediction
- accident
- worker
- information processing
- 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
- Helmets And Other Head Coverings (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Description
本発明は、通知装置、情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラムに関する。
各種センサを使用して、人間の生理情報を検出し、事故を未然に防ぐ取り組みが行われている（例えば特許文献１－２）。
施工現場においては、工具の使用による切傷、脚立からの転落、躓きによる転倒、装置への巻き込みなどの事故が発生する事が考えられる。施工現場において起こった事故は、事故の原因、事故による作業者の怪我の態様、発生頻度などがデータとして記録され、それら事故に関するデータに基づいて再発防止策が講じられることが通常である。
しかしながら、再発防止策が講じられる場合であっても、作業者が再発防止策を失念する等の人為的過誤により、事故が再発する虞が考えられる。
そこで、作業者が施工現場において作業する場合に、事故の発生を自動的に予測し、予測結果を作業者へ通知することにより、事故を未然に防ぐことが考えられるが、当該技術はいまだ存在しない。
そこで、本願は、施工現場における事故の発生を自動的に予測し、予測結果を施工現場で作業する作業者へ通知することにより、事故を未然に防ぐことのできる技術を提供することを課題とする。
上記課題を解決するため、本発明は、施工現場が映る画像を学習データとする機械学習によって生成された、事故の発生を予測する場合に参照されるモデルに基づき、施工現場における事故の発生を予測することとした。
詳細には、本発明は、施工現場において作業する作業者に装着されるカメラと、施工現場が映る画像から施工現場における事故の発生を予測する場合に参照されるモデルに基づいて、カメラによって撮影された画像に映る物体から事故の発生を予測する予測手段と、予測手段によって事故の発生が予測された場合に、予測を作業者へ通知する通知手段と、カメラによって撮影された画像と、通知手段によって予測が作業者へ通知された場合に、作業者が予測の正否を入力する入力手段によって入力された予測の正否情報とを、施工現場が映る画像を学習データとする機械学習によってモデルを生成し、カメラによって撮影された画像、及び予測の正否情報を学習データとする機械学習によってモデルを更新するサーバへ送信する送信手段と、サーバにおいて更新されたモデルをサーバから取得する取得手段と、を備える、通知装置である。
このような通知装置であれば、施工現場が映る画像から施工現場における事故の発生を予測する場合に参照されるモデルに基づいて、作業者に装着されるカメラによって撮影された画像に映る物体から事故の発生を予測する。そして、当該事故の発生の予測を作業者へ通知する。すなわち、事故の発生を自動的に予測し、作業者へ予測を通知することによって、作業者による事故は未然に防止される。また、作業者によって入力された事故の発生の予測の正否情報はサーバへ送信され、通知装置は、当該サーバから当該事故の発生の予測の正否情報を学習データとする機械学習によって更新されたモデルを取得することができる。すなわち、通知装置における事故の発生の予測の精度は、高められる。
また、本発明は、施工現場が映る画像を学習データとする機械学習によって施工現場における事故の発生を予測する場合に参照されるモデルを生成するモデル生成手段と、モデル生成手段によって生成されたモデルに基づいて、施工現場において作業する作業者に装着されるカメラによって撮影された画像に映る物体から、事故の発生を予測して作業者へ通知し、作業者が通知した予測の正否情報を入力する情報機器へ、モデルを送信する送信手段と、カメラによって撮影された画像、及び作業者が入力した予測の正否情報を、情報機器から受信する受信手段と、受信手段によって受信したカメラによって撮影された画像、及び予測の正否情報を学習データとする機械学習によりモデルを更新するモデル更新手段と、を備える、情報処理装置であってもよい。
このような情報処理装置は、施工現場が映る画像を学習データとする機械学習によって施工現場における事故の発生を予測する場合に参照されるモデルを生成する。よって、施工現場が映る画像から自動的に事故の発生を予測することができる。そして、生成されたモデルに基づいて、施工現場において作業する作業者に装着されるカメラによって撮影された画像に映る物体から、事故の発生を予測して作業者へ通知し、作業者が通知した予測の正否情報を入力する情報機器へ、生成されたモデルを送信する。すなわち、当該情報機器において、当該モデルに基づき、カメラによって撮影された画像に映る物体から事故の発生の予測が可能となる。また、当該情報機器が当該事故の発生の予測を作業者へ通知する場合には、作業者による事故を未然に防ぐことができる。
また、当該モデルを送信した情報機器から、作業者に装着されるカメラによって撮影された画像、及び当該モデルに基づく事故の発生の予測の正否情報を受信し、当該画像と事故の予測の正否情報を学習データとする機械学習により、当該モデルを更新する。よって、当該モデルに基づく事故の発生の予測の精度は高められる。
また、本発明は、施工現場において作業する作業者へ事故の予測を通知する通知装置と、施工現場が映る画像から事故の発生を予測する場合に参照されるモデルを生成する情報処理装置によって形成される情報処理システムであって、通知装置は、作業者に装着されるカメラと、モデルを情報処理装置から取得する取得手段と、モデルに基づいて、カメラによって撮影された画像に映る物体から事故の発生を予測する予測手段と、予測手段によって事故の発生が予測された場合に、予測を作業者へ通知する通知手段と、通知手段によって予測が作業者へ通知された場合に、作業者が予測の正否を入力する入力手段と、カメラによって撮影された画像、及び入力手段によって入力された予測の正否情報を、情報処理装置へ送信する送信手段と、を備え、情報処理装置は、施工現場が映る画像を学習データとした機械学習によってモデルを生成するモデル生成手段と、モデル生成手段によって生成されたモデルを通知装置へ送信する送信手段と、通知装置のカメラによって撮影された画像、及び通知装置の入力手段によって入力された予測の正否情報を、通知装置から受信する受信手段と、受信手段によって受信したカメラによって撮影された画像、及び予測の正否情報を学習データとした機械学習によりモデルを更新するモデル更新手段と、を備え、通知装置の取得手段は、更新されたモデルを情報処理装置から取得する、情報処理シ
ステムであってもよい。
ステムであってもよい。
このような情報処理システムであれば、情報処理装置において、施工現場が映る画像を学習データとする機械学習によって施工現場における事故の発生を予測する場合に参照されるモデルを生成する。そして、生成されたモデルを、施工現場において作業する作業者へ事故の発生の予測を通知する通知装置へ送信する。
そして、通知装置では、受信した当該モデルに基づいて、作業者に装着されるカメラによって撮影された画像に映る物体から事故の発生を予測する。また、事故の発生が予測された場合に、予測を作業者へ通知する。よって、事故の発生を自動的に予測し、また予測を作業者へ通知することによって、作業者による事故は未然に防止される。
また、作業者は通知された事故の発生の予測の正否について入力する。そして、通知装置は、カメラによって撮影された画像、及び当該事故の発生の予測の正否情報を、情報処理装置へ送信する。
情報処理装置では、通知装置から受信したカメラによって撮影された画像、及び当該事故の発生の予測の正否情報を学習データとした機械学習により、生成手段によって生成した施工現場における事故の発生を予測する場合に参照されるモデルを更新する。そして、通知装置は、更新されたモデルを取得し、作業者に装着されるカメラによって撮影された画像に映る物体から事故の発生を予測する。すなわち、当該情報処理システムであれば、事故の発生の予測の精度は、高められる。
また、モデルは、施工現場が映る画像から識別対象物を識別する識別モデルと、識別対象物と、識別対象物に起因される事故の種類との対応関係と、を含んでもよい。
このような情報処理システムであれば、施工現場において過去に起こった事故の種類と、当該事故の原因となった物体の対応関係に関する情報が存在する場合、当該対応関係から識別対象物と、識別対象物に起因される事故の種類との対応関係を作成することができる。すなわち、施工現場において過去に起こった事故に関する情報を活用し、事故の発生の予測を行うことができる。
また、対応関係は、複数の識別対象物と、複数の識別対象物に起因される事故の種類との対応関係であってもよい。
このような情報処理システムであれば、事故が所定の複数の物体が揃った場合に起こることが想定される場合、所定の複数の識別対象物と、複数の識別対象物に起因される事故の種類との対応関係を生成し、事故の発生の予測に活用することができる。
また、本発明は、方法の側面から捉えることもできる。すなわち、例えば、施工現場において作業する作業者へ事故の予測を通知する通知装置と、施工現場が映る画像から事故の発生を予測する場合に参照されるモデルを生成する情報処理装置によって形成される情報処理システムが実行する情報処理方法であって、通知装置が、モデルを情報処理装置から取得する取得ステップと、モデルに基づいて、作業者に装着されるカメラによって撮影された画像に映る物体から事故の発生を予測する予測ステップと、予測ステップによって事故の発生が予測された場合に、予測を作業者へ通知する通知ステップと、通知ステップによって予測が作業者へ通知された場合に、作業者が予測の正否を入力する入力ステップと、カメラによって撮影された画像、及び入力ステップによって入力された予測の正否情報を、情報処理装置へ送信する送信ステップと、を実行し、情報処理装置が、施工現場が映る画像を学習データとした機械学習によってモデルを生成するモデル生成ステップと、
モデル生成ステップによって生成されたモデルを通知装置へ送信する送信ステップと、カメラによって撮影された画像、及び通知装置の入力ステップによって入力された予測の正否情報を、通知装置から受信する受信ステップと、受信ステップによって受信したカメラによって撮影された画像、及び予測の正否情報を学習データとした機械学習によりモデルを更新するモデル更新ステップと、を実行し、通知装置の取得ステップは、更新されたモデルを情報処理装置から取得する、情報処理方法であってもよい。
モデル生成ステップによって生成されたモデルを通知装置へ送信する送信ステップと、カメラによって撮影された画像、及び通知装置の入力ステップによって入力された予測の正否情報を、通知装置から受信する受信ステップと、受信ステップによって受信したカメラによって撮影された画像、及び予測の正否情報を学習データとした機械学習によりモデルを更新するモデル更新ステップと、を実行し、通知装置の取得ステップは、更新されたモデルを情報処理装置から取得する、情報処理方法であってもよい。
また、本発明は、施工現場において作業する作業者へ事故の予測を通知する通知装置と、施工現場が映る画像から事故の発生を予測する場合に参照されるモデルを生成する情報処理装置によって形成される情報処理システムに実行させる情報処理プログラムであって、通知装置に、モデルを情報処理装置から取得する取得処理と、モデルに基づいて、作業者に装着されるカメラによって撮影された画像に映る物体から事故の発生を予測する予測処理と、予測処理によって事故の発生が予測された場合に、予測を作業者へ通知する通知処理と、通知処理によって予測が作業者へ通知された場合に、作業者が予測の正否を入力する入力処理と、カメラによって撮影された画像、及び入力処理によって入力された予測の正否情報を、情報処理装置へ送信する送信処理と、を実行させ、情報処理装置に、施工現場が映る画像を学習データとした機械学習によってモデルを生成するモデル生成処理と、モデル生成処理によって生成されたモデルを通知装置へ送信する送信処理と、カメラによって撮影された画像、及び通知装置の入力処理によって入力された予測の正否情報を、通知装置から受信する受信処理と、受信処理によって受信したカメラによって撮影された画像、及び予測の正否情報を学習データとした機械学習によりモデルを更新するモデル更新処理と、を実行させ、通知装置に実行させる取得処理は、更新されたモデルを情報処理装置から取得する、情報処理プログラムであってもよい。
また、本発明は、情報処理装置に、施工現場が映る画像を学習データとした機械学習によって生成されるモデルであって、施工現場における事故の発生を予測する場合に参照されるモデルに基づいて、施工現場において作業する作業者に装着されるカメラによって撮影された画像に映る物体から事故の発生が予測された場合に、予測情報を受信する受信処理と、予測情報を受信した場合に、機械学習によってモデルを更新する場合に機械学習の学習データとして使用される予測の正否が入力される入力処理と、を実行させる、情報処理プログラムであってもよい。
上記の通知装置、情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラムは、施工現場における事故の発生を自動的に予測し、予測結果を施工現場で作業する作業者へ通知することにより、事故を未然に防ぐことのできる技術を提供することができる。
以下、本発明の実施形態について説明する。以下に示す実施形態は、本発明の実施形態の一例であり、本発明の技術的範囲を以下の態様に限定するものではない。
＜システム構成例＞
図１は、本実施形態に係る情報処理システム１００の構成の一例を示している。図１に示されるように、情報処理システム１００は、施工現場において作業する作業者へ事故の予測を通知する通知装置１を含む。
図１は、本実施形態に係る情報処理システム１００の構成の一例を示している。図１に示されるように、情報処理システム１００は、施工現場において作業する作業者へ事故の予測を通知する通知装置１を含む。
また、情報処理システム１００は、施工現場における事故の予測モデルを生成するサーバ５０を備える。サーバ５０は、通知装置１と、ネットワークＮを介して通信可能なコンピュータである。また、サーバ５０は、クラウドサーバであってもよい。ネットワークＮは、コンピュータを相互接続してデータを取り交わすことが可能なネットワークであればよく、例えば、インターネットやイントラネット、その他各種のネットワークを適用可能である。なお、図１では通知装置１の個数は３つであるが、通知装置１の個数は、何個でもよい。
＜ハードウエア構成例＞
次に情報処理システム１００を形成する各装置のハードウエア構成の一例を説明する。図２は、通知装置１のハードウエア構成の概要の一例を示している。図２に示されるように、通知装置１は、施工現場において作業する作業者が被るヘルメット２を備える。ヘルメット２の前部及び後部には、２つのカメラモジュール３がそれぞれ固定される。ここで、カメラモジュール３は、本発明の「通知装置が備えるカメラ」の一例である。カメラモジュール３は、例えば粘着テープによってヘルメット２へ固定される。また、カメラモジュール３には、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）チップ４と、外部の電子機器との通信を行うアンテナ５を備える。ＩＣチップ４は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）６、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）７を備える。また、ヘルメット２には、周囲を照らすライト８が固定される。また、通知装置１は、カメラモジュール３と無線通信するスピーカー９、及び端末２０を備える
。
次に情報処理システム１００を形成する各装置のハードウエア構成の一例を説明する。図２は、通知装置１のハードウエア構成の概要の一例を示している。図２に示されるように、通知装置１は、施工現場において作業する作業者が被るヘルメット２を備える。ヘルメット２の前部及び後部には、２つのカメラモジュール３がそれぞれ固定される。ここで、カメラモジュール３は、本発明の「通知装置が備えるカメラ」の一例である。カメラモジュール３は、例えば粘着テープによってヘルメット２へ固定される。また、カメラモジュール３には、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）チップ４と、外部の電子機器との通信を行うアンテナ５を備える。ＩＣチップ４は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）６、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）７を備える。また、ヘルメット２には、周囲を照らすライト８が固定される。また、通知装置１は、カメラモジュール３と無線通信するスピーカー９、及び端末２０を備える
。
図３は、端末２０のハードウエア構成の概要の一例を示している。図３に示されるように、端末２０は、例えば、ＣＰＵ２１やＲＡＭ２２、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２３、無線通信Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）２４、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の大容量記憶装置２５、表示装置２７や入力装置２８を備えたコンピュータによって実現可能である。端末２０の具体例としては、例えばスマートホンやタブレット端末といった機器がある。また、端末２０は、表示装置２７及び入力装置２８の一例としてタッチパネルディスプレイ２９を備える。ここで、タッチパネルディスプレイ２９は、本発明の「入力手段」の一例である。
図４は、サーバ５０のハードウエア構成の概要の一例を示している。図４に示されるように、サーバ５０は、ＣＰＵ５１、ＲＡＭ５２、ＲＯＭ５３、ＨＤＤやＳＳＤ等の大容量記憶装置５４、ゲートウェイ等を介してインターネットに接続されるＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃｏｎｔｒｏｌｌｅｒ）５５を備えるコンピュータである。大容量記憶装置５４には、ＲＡＭ５２にロードされる各種プログラム等、永続性が求められる情報が書き込まれ、読み出される。なお、サーバ５０は、ＣＰＵ等の汎用プロセッサに加えて、専用プロセッサや専用回路等を備えてもよい。
＜機能構成例＞
次に情報処理システム１００を形成する各装置の機能構成の一例を説明する。図５は、通知装置１のカメラモジュール３の機能構成の概要の一例を示している。図５に示されるように、カメラモジュール３は、無線信号の送受信の実行を司る通信部１０を備える。ここで、通信部１０は、本発明の「通知装置が備える送信手段」及び「通知装置が備える受信手段」の一例である。また、カメラモジュール３は、撮影処理の実行を司る撮影処理部１１を備える。また、カメラモジュール３は、撮影処理部１１によって撮影処理された画像情報から物体を識別する処理の実行を司る識別部１２を備える。また、カメラモジュール３は、識別部１２において識別された物体から事故を予測する処理の実行を司る事故予測部１３を備える。事故予測部１３では、物体情報と、事故の種類の情報を出力する。ここで、識別部１２及び事故予測部１３は、本発明の「予測手段」の一例である。また、カメラモジュール３は、事故が予測された場合、スピーカー９を制御する制御信号をスピーカー９へ送信する処理の実行を司る通知部１４を備える。通知部１４は、また、事故が予測された場合、画像情報と事故の種類の情報を端末２０へ送信する処理の実行を司る。ここで、通知部１４は、本発明の「通知手段」の一例である。また、カメラモジュール３は、各処理の実行を行うプログラムやデータ等の情報の記憶処理の実行を司る記憶部１５を備える。カメラモジュール３は、ＲＡＭ７に展開されたコンピュータプログラムを解釈及び実行するＣＰＵ６が動作することにより、通信部１０、撮影処理部１１、識別部１２、事故予測部１３、通知部１４、及び記憶部１５を実現する。
次に情報処理システム１００を形成する各装置の機能構成の一例を説明する。図５は、通知装置１のカメラモジュール３の機能構成の概要の一例を示している。図５に示されるように、カメラモジュール３は、無線信号の送受信の実行を司る通信部１０を備える。ここで、通信部１０は、本発明の「通知装置が備える送信手段」及び「通知装置が備える受信手段」の一例である。また、カメラモジュール３は、撮影処理の実行を司る撮影処理部１１を備える。また、カメラモジュール３は、撮影処理部１１によって撮影処理された画像情報から物体を識別する処理の実行を司る識別部１２を備える。また、カメラモジュール３は、識別部１２において識別された物体から事故を予測する処理の実行を司る事故予測部１３を備える。事故予測部１３では、物体情報と、事故の種類の情報を出力する。ここで、識別部１２及び事故予測部１３は、本発明の「予測手段」の一例である。また、カメラモジュール３は、事故が予測された場合、スピーカー９を制御する制御信号をスピーカー９へ送信する処理の実行を司る通知部１４を備える。通知部１４は、また、事故が予測された場合、画像情報と事故の種類の情報を端末２０へ送信する処理の実行を司る。ここで、通知部１４は、本発明の「通知手段」の一例である。また、カメラモジュール３は、各処理の実行を行うプログラムやデータ等の情報の記憶処理の実行を司る記憶部１５を備える。カメラモジュール３は、ＲＡＭ７に展開されたコンピュータプログラムを解釈及び実行するＣＰＵ６が動作することにより、通信部１０、撮影処理部１１、識別部１２、事故予測部１３、通知部１４、及び記憶部１５を実現する。
図６は、通知装置１の端末２０の機能構成の概要の一例を示している。図６に示されるように、端末２０は、外部の電子機器との無線信号の送受信を司る通信部３０を備える。また、端末２０は、タッチパネルディスプレイ２９へ表示させる情報の処理の実行を司る表示部３１を備える。また、端末２０は、タッチパネルディスプレイ２９からの入力信号の処理の実行を司る入力部３２を備える。端末２０は、ＲＡＭ２２に展開されたコンピュータプログラムを解釈及び実行するＣＰＵ２１が動作することにより、通信部３０、表示部３１、入力部３２を実現する。
図７は、サーバ５０の機能構成の概要の一例を示している。図７に示されるように、サーバ５０は、外部の電子機器とインターネット通信の処理の実行を司る通信部５６を備え
る。ここで、通信部５６は、本発明の「情報処理装置が備える送信手段」及び「情報処理装置が備える受信手段」の一例である。また、サーバ５０は、画像データや、機械学習に使用されるアルゴリズムを含むプログラム等の情報を記憶する処理の実行を司る記憶部５７を備える。機械学習に使用されるアルゴリズムは、例えばニューラルネットワークモデルの各階層の重み因子の最適化の際に使用される誤差逆伝播法や回帰分析といったアルゴリズムである。また、サーバ５０は、画像データを学習データとする機械学習により、画像データを入力情報とし、当該画像に映る物体を識別し、識別した物体情報を出力する識別モデルを生成する処理の実行を司る識別モデル生成部５８を備える。ここで、識別モデル生成部５８は、本発明の「モデル生成手段」の一例である。
る。ここで、通信部５６は、本発明の「情報処理装置が備える送信手段」及び「情報処理装置が備える受信手段」の一例である。また、サーバ５０は、画像データや、機械学習に使用されるアルゴリズムを含むプログラム等の情報を記憶する処理の実行を司る記憶部５７を備える。機械学習に使用されるアルゴリズムは、例えばニューラルネットワークモデルの各階層の重み因子の最適化の際に使用される誤差逆伝播法や回帰分析といったアルゴリズムである。また、サーバ５０は、画像データを学習データとする機械学習により、画像データを入力情報とし、当該画像に映る物体を識別し、識別した物体情報を出力する識別モデルを生成する処理の実行を司る識別モデル生成部５８を備える。ここで、識別モデル生成部５８は、本発明の「モデル生成手段」の一例である。
ここで、識別モデルの生成手順は次の通りである。まず、入力情報の画像データから特徴量の抽出が行われる。抽出される特徴量は、例えばＨＯＧ（Ｈｉｓｔｇｒａｍ Ｏｆ Ｏｒｉｅｎｔｅｄ Ｇｒａｄｉｅｎｔｓ）等が挙げられる。
次に、画像から抽出された特徴量を入力とし、当該画像に映る物体情報を出力する識別モデルが生成される。出力される物体情報は、例えば物体の名称である。また、識別モデルの例として、ニューラルネットワークモデルや、回帰分析に基づく識別関数等が挙げられる。識別モデルは、画像から抽出された特徴量、及び画像に映る物体の名称に関する学習データを学習し、最適化される。また、識別モデル生成部５８では、物体毎の識別モデルが生成される。例えば画像に映る物体がＸであると識別する識別モデルＸ、画像に映る物体がＹであると識別する識別モデルＹが生成される。
また、サーバ５０は、物体の名称と、当該物体に起因される事故の種類との対応関係を生成する処理の実行を司る対応関係生成部５９を備える。ここで、識別モデル、及び物体の名称と、当該物体に起因される事故の種類との対応関係は、本発明の「施工現場における事故の発生を予測する場合に参照されるモデル」の一例である。また、サーバ５０は、画像データと、当該画像データから識別モデルを使用して予測された事故の正否に関する情報を学習データとする機械学習により、識別モデルを更新する処理の実行を司る識別モデル更新部６０を備える。ここで、識別モデル生成部５８や識別モデル更新部６０における機械学習には、記憶部５７に記憶される機械学習アルゴリズムが使用される。まだ、識別モデル更新部６０は、本発明の「モデル更新手段」の一例である。
ここで、識別モデル更新部６０では、識別モデルの生成の場合と同様に、入力情報の画像データから特徴量の抽出が行われる。そして、識別モデルの更新は、画像から抽出された特徴量、及び画像データから識別モデルを使用して予測された事故の正否に関する学習データを学習し、最適化されることによって実現される。
また、サーバ５０は、ＲＡＭ５２に展開されたコンピュータプログラムを解釈及び実行するＣＰＵ５１が、大容量記憶装置５４やＮＩＣ５５と協働することにより、通信部５６、記憶部５７、識別モデル生成部５８、対応関係生成部５９、識別モデル更新部６０を実現する。
＜装置動作例＞
次に情報処理システム１００を形成する各装置の動作の一例を説明する。カメラモジュール３は、識別モデルを生成する場合に使用される学習データを収集する。図８は、識別モデルを生成する場合に使用される学習データを収集するカメラモジュール３の動作を説明したフローチャートの一例を示している。
次に情報処理システム１００を形成する各装置の動作の一例を説明する。カメラモジュール３は、識別モデルを生成する場合に使用される学習データを収集する。図８は、識別モデルを生成する場合に使用される学習データを収集するカメラモジュール３の動作を説明したフローチャートの一例を示している。
（ステップＳ１１）
ステップＳ１１では、ヘルメット２に固定されるカメラモジュール３によって、施工現
場が撮影される。カメラモジュール３はヘルメットの前後に２つ固定されているため、おおよそ全方位の周囲の環境が撮影される。夜間や屋内などの暗い環境を撮影する場合、ライト８が点灯される。そして、撮影された画像に関する情報は、撮影処理部１１によって処理される。例えば、カメラモジュール３によって撮影された画像が動画である場合、画像は、撮影処理部１１によって静止画へ変換される。
ステップＳ１１では、ヘルメット２に固定されるカメラモジュール３によって、施工現
場が撮影される。カメラモジュール３はヘルメットの前後に２つ固定されているため、おおよそ全方位の周囲の環境が撮影される。夜間や屋内などの暗い環境を撮影する場合、ライト８が点灯される。そして、撮影された画像に関する情報は、撮影処理部１１によって処理される。例えば、カメラモジュール３によって撮影された画像が動画である場合、画像は、撮影処理部１１によって静止画へ変換される。
（ステップＳ１２）
ステップＳ１２では、通信部１０によって、撮影された画像に関する情報が端末２０へ送信される。
ステップＳ１２では、通信部１０によって、撮影された画像に関する情報が端末２０へ送信される。
（ステップＳ１３）
ステップＳ１３では、通信部１０において、端末２０から画像及び画像に映る物体の名称に関する情報が受信される。受信した情報は、記憶部１５においてＲＡＭ７に記憶される。
ステップＳ１３では、通信部１０において、端末２０から画像及び画像に映る物体の名称に関する情報が受信される。受信した情報は、記憶部１５においてＲＡＭ７に記憶される。
（ステップＳ１４）
ステップＳ１４では、ＲＡＭ７に画像及び画像に映る物体の名称に関する情報が所定量記憶されたか否かの判定が行われる。ＲＡＭ７に画像及び画像に映る物体の名称に関する情報が所定量記憶されていない場合、ステップＳ１１からステップＳ１３の処理が、実行される。
ステップＳ１４では、ＲＡＭ７に画像及び画像に映る物体の名称に関する情報が所定量記憶されたか否かの判定が行われる。ＲＡＭ７に画像及び画像に映る物体の名称に関する情報が所定量記憶されていない場合、ステップＳ１１からステップＳ１３の処理が、実行される。
（ステップＳ１５）
ステップＳ１４において、ＲＡＭ７に画像及び画像に映る物体の名称に関する情報が所定量記憶されていると判定された場合、通信部１０において、サーバ５０へ画像及び画像に映る物体の名称に関する情報が送信される。
ステップＳ１４において、ＲＡＭ７に画像及び画像に映る物体の名称に関する情報が所定量記憶されていると判定された場合、通信部１０において、サーバ５０へ画像及び画像に映る物体の名称に関する情報が送信される。
また、カメラモジュール３は、識別モデルに基づき、施工現場において作業する作業者へ危険の報知を行う。図９は、識別モデルに基づき、施工現場において作業する作業者へ危険の報知を行うカメラモジュール３の動作を説明したフローチャートの一例を示している。
（ステップＳ１０１）
ステップＳ１０１では、通信部１０において、サーバ５０から識別モデル、及び物体の名称と当該物体に起因される事故の種類との対応関係に関する情報が受信される。受信した識別モデル、及び対応関係に関する情報は、記憶部１５において記憶される。ここで、図１０は、物体の名称と当該物体に起因される事故の種類との対応関係の一例を例示する。図１０に示される当該対応関係は、サーバ５０において、施工現場において過去に起こった事故が集計され、当該集計データに基づいて作成される。
ステップＳ１０１では、通信部１０において、サーバ５０から識別モデル、及び物体の名称と当該物体に起因される事故の種類との対応関係に関する情報が受信される。受信した識別モデル、及び対応関係に関する情報は、記憶部１５において記憶される。ここで、図１０は、物体の名称と当該物体に起因される事故の種類との対応関係の一例を例示する。図１０に示される当該対応関係は、サーバ５０において、施工現場において過去に起こった事故が集計され、当該集計データに基づいて作成される。
（ステップＳ１０２）
ステップＳ１０２では、施工現場において作業者が作業している場合に、カメラモジュール３によって作業者の周囲の環境が撮影される。
ステップＳ１０２では、施工現場において作業者が作業している場合に、カメラモジュール３によって作業者の周囲の環境が撮影される。
（ステップＳ１０３）
ステップＳ１０３では、識別部１２において、ステップＳ１０２で撮影された画像情報から、画像に映る物体が識別され、識別した物体情報が出力される。物体の識別は、サーバ５０から受信し、記憶部１５に記憶される識別モデルに画像情報を入力することによって実現される。また、識別モデルが複数存在する場合、画像情報は、それぞれの識別モデルに入力され、物体情報の出力が得られる。
ステップＳ１０３では、識別部１２において、ステップＳ１０２で撮影された画像情報から、画像に映る物体が識別され、識別した物体情報が出力される。物体の識別は、サーバ５０から受信し、記憶部１５に記憶される識別モデルに画像情報を入力することによって実現される。また、識別モデルが複数存在する場合、画像情報は、それぞれの識別モデルに入力され、物体情報の出力が得られる。
（ステップＳ１０４）
ステップＳ１０４では、事故予測部１３において、識別部１２において得られた画像に映る物体情報に基づき、予測される事故の種類が出力される。ここで、事故の予測の場合に使用される物体情報とは、例えば物体の名称である。そして、予測される事故の種類は、図１０に示される物体の名称と当該物体に起因される事故の種類との対応関係を参照することにより実現される。識別部１２において得られた画像に映る物体の名称が対応関係に存在する場合、対応関係に記載される物体の名称と対応する事故の種類が、予測される事故の種類の出力となる。ここで、事故の種類の出力は、対応関係に記載される所定の事故の種類に対応する複数の物体が、画像から全て識別された場合に、行われてもよい。一方、識別部１２において得られた画像に映る物体の名称が対応関係に存在しない場合、事故の種類は出力されない。
ステップＳ１０４では、事故予測部１３において、識別部１２において得られた画像に映る物体情報に基づき、予測される事故の種類が出力される。ここで、事故の予測の場合に使用される物体情報とは、例えば物体の名称である。そして、予測される事故の種類は、図１０に示される物体の名称と当該物体に起因される事故の種類との対応関係を参照することにより実現される。識別部１２において得られた画像に映る物体の名称が対応関係に存在する場合、対応関係に記載される物体の名称と対応する事故の種類が、予測される事故の種類の出力となる。ここで、事故の種類の出力は、対応関係に記載される所定の事故の種類に対応する複数の物体が、画像から全て識別された場合に、行われてもよい。一方、識別部１２において得られた画像に映る物体の名称が対応関係に存在しない場合、事故の種類は出力されない。
（ステップＳ１０５）
ステップＳ１０５では、事故予測部１３において、予測される事故の種類が出力されたか否かの判定が行われる。
ステップＳ１０５では、事故予測部１３において、予測される事故の種類が出力されたか否かの判定が行われる。
（ステップＳ１０６）
ステップＳ１０６では、予測される事故の種類が出力された場合、通知部１４において、スピーカー９の制御信号が生成され、通信部１０を介してスピーカー９へ制御信号が送信される。そして、スピーカー９が当該制御信号を受信し、音を発することにより、作業者へ危険が報知される。
ステップＳ１０６では、予測される事故の種類が出力された場合、通知部１４において、スピーカー９の制御信号が生成され、通信部１０を介してスピーカー９へ制御信号が送信される。そして、スピーカー９が当該制御信号を受信し、音を発することにより、作業者へ危険が報知される。
また、ステップＳ１０６では、予測される事故の種類が出力された場合、通知部１４において、予測される事故に関する情報が通信部１０を介して端末２０へ送信されることによっても、作業者へ危険が報知される。予測される事故に関する情報とは、例えば、予測される事故の種類が出力された場合の画像情報、画像に映る物体の名称に関する情報、及び予測される事故の種類に関する情報等である。
ただし、記憶部１５において、例えば通知時刻と、通知した事故の種類に関する情報とは、ＲＡＭ７へ記憶される。そして、予測される事故の種類に関する情報が新たに出力された場合、ＲＡＭ７に記憶される事故の種類に関する情報が参照され、当該情報が新たに出力された予測される事故の種類に関する情報と一致する場合、新たに出力された予測される事故の種類に関する情報は、通知されない。すなわち、既に行った危険の報知は、再度行われない。
また、記憶部１５において、ＲＡＭ７に記憶される通知時刻が所定時間経過している時刻の場合、ＲＡＭ７から当該通知時刻に通知した事故の種類に関する情報が消去されてもよい。このような通知装置１であれば、既に通知された事故が所定時間経過後に再度予測される場合、作業者へ危険が再度報知される。
また、ステップＳ１０５において予測される事故の種類が出力されない場合、危険の報知は行われず、カメラモジュール３による施工現場の撮影（Ｓ１０２）の実行に戻る。
（ステップＳ１０７）
ステップＳ１０７では、通信部１０において、通知した予測される事故の正否に関する情報が端末２０から受信される。予測される事故の正否に関する情報とは、例えば端末２０へ通知した画像、当該画像に映る物体の名称の正否情報や、当該画像に映る物体の正しい名称に関する情報である。
ステップＳ１０７では、通信部１０において、通知した予測される事故の正否に関する情報が端末２０から受信される。予測される事故の正否に関する情報とは、例えば端末２０へ通知した画像、当該画像に映る物体の名称の正否情報や、当該画像に映る物体の正しい名称に関する情報である。
（ステップＳ１０８）
ステップＳ１０８では、記憶部１５において、端末２０から受信した予測される事故の正否に関する情報が記憶される。
ステップＳ１０８では、記憶部１５において、端末２０から受信した予測される事故の正否に関する情報が記憶される。
（ステップＳ１０９）
ステップＳ１０９では、記憶部１５において、端末２０から受信した予測される事故の正否に関する情報が所定量記憶されたか否かの判定が行われる。
ステップＳ１０９では、記憶部１５において、端末２０から受信した予測される事故の正否に関する情報が所定量記憶されたか否かの判定が行われる。
（ステップＳ１１０）
ステップＳ１１０では、記憶部１５において、端末２０から受信した予測される事故の正否に関する情報が所定量記憶されたと判定された場合、予測される事故の正否に関する情報が通信部１０を介してサーバ５０へ送信される。
ステップＳ１１０では、記憶部１５において、端末２０から受信した予測される事故の正否に関する情報が所定量記憶されたと判定された場合、予測される事故の正否に関する情報が通信部１０を介してサーバ５０へ送信される。
次に、端末２０の動作の一例を説明する。図１１は、カメラモジュール３によって識別モデルを生成する場合に使用される学習データが収集される場合の、端末２０の動作を説明したフローチャートの一例を示している。
（ステップＳ２１）
ステップＳ２１では、通信部３０において、カメラモジュール３によって撮影された施工現場の画像に関する情報が、通知装置１の通信部１０から受信される。
ステップＳ２１では、通信部３０において、カメラモジュール３によって撮影された施工現場の画像に関する情報が、通知装置１の通信部１０から受信される。
（ステップＳ２２）
ステップＳ２２では、表示部３１において、受信した画像情報は、タッチパネルディスプレイ２９に表示される。
ステップＳ２２では、表示部３１において、受信した画像情報は、タッチパネルディスプレイ２９に表示される。
（ステップＳ２３）
ステップＳ２３では、タッチパネルディスプレイ２９に表示された画像に映る物体の名称に関する情報が、タッチパネルディスプレイ２９がタップされることにより入力される。そして、入力部３２においてタッチパネルディスプレイ２９からの入力信号は処理される。
ステップＳ２３では、タッチパネルディスプレイ２９に表示された画像に映る物体の名称に関する情報が、タッチパネルディスプレイ２９がタップされることにより入力される。そして、入力部３２においてタッチパネルディスプレイ２９からの入力信号は処理される。
（ステップＳ２４）
ステップＳ２４では、タッチパネルディスプレイ２９に表示された画像、及び入力部３２において入力された物体の名称に関する情報が、通信部３０においてカメラモジュール３の通信部１０へ送信される。
ステップＳ２４では、タッチパネルディスプレイ２９に表示された画像、及び入力部３２において入力された物体の名称に関する情報が、通信部３０においてカメラモジュール３の通信部１０へ送信される。
また、図１２は、カメラモジュール３から危険の報知が行われた場合の、端末２０の動作を説明したフローチャートの一例を示している。
（ステップＳ２０１）
ステップＳ２０１では、通信部３０において、予測される事故に関する情報が、通知装置１の通信部１０から受信され、危険が報知される。予測される事故に関する情報とは、例えば、予測される事故の種類が出力された場合の画像情報、画像に映る物体の名称に関する情報、及び予測される事故の種類に関する情報等である。
ステップＳ２０１では、通信部３０において、予測される事故に関する情報が、通知装置１の通信部１０から受信され、危険が報知される。予測される事故に関する情報とは、例えば、予測される事故の種類が出力された場合の画像情報、画像に映る物体の名称に関する情報、及び予測される事故の種類に関する情報等である。
（ステップＳ２０２）
ステップＳ２０２では、表示部３１において、受信した画像情報、画像に映る物体の名称に関する情報、及び予測される事故の種類に関する情報が、タッチパネルディスプレイ２９に表示される。
ステップＳ２０２では、表示部３１において、受信した画像情報、画像に映る物体の名称に関する情報、及び予測される事故の種類に関する情報が、タッチパネルディスプレイ２９に表示される。
（ステップＳ２０３）
ステップＳ２０３では、タッチパネルディスプレイ２９に表示された画像に映る物体の名称の正否情報や、当該画像に映る物体の正しい名称に関する情報が、タッチパネルディスプレイ２９がタップされることにより入力される。そして、入力部３２においてタッチパネルディスプレイ２９からの入力信号は処理される。
ステップＳ２０３では、タッチパネルディスプレイ２９に表示された画像に映る物体の名称の正否情報や、当該画像に映る物体の正しい名称に関する情報が、タッチパネルディスプレイ２９がタップされることにより入力される。そして、入力部３２においてタッチパネルディスプレイ２９からの入力信号は処理される。
（ステップＳ２０４）
ステップＳ２０４では、入力部３２において入力された予測される事故の正否に関する情報が、通信部３０においてカメラモジュール３の通信部１０へ送信される。
ステップＳ２０４では、入力部３２において入力された予測される事故の正否に関する情報が、通信部３０においてカメラモジュール３の通信部１０へ送信される。
次に、サーバ５０の動作の一例を説明する。図１３は、識別モデルが生成される場合のサーバ５０の動作を説明したフローチャートの一例を示している。
（ステップＳ３１）
ステップＳ３１では、通信部５６において、カメラモジュール３の通信部１０から施工現場の画像及び当該画像に映る物体の名称に関する情報が受信される。受信した情報は記憶部５７において大容量記憶装置５４へ記憶される。
ステップＳ３１では、通信部５６において、カメラモジュール３の通信部１０から施工現場の画像及び当該画像に映る物体の名称に関する情報が受信される。受信した情報は記憶部５７において大容量記憶装置５４へ記憶される。
（ステップＳ３２）
ステップＳ３２では、識別モデル生成部５８において、大容量記憶装置５４に記憶される施工現場の画像及び当該画像に映る物体の名称に関する情報を学習データとする機械学習が実行される。そして、施工現場の画像データを入力情報とし、当該画像に映る物体を識別し、識別した物体情報を出力する識別モデルが生成される。
ステップＳ３２では、識別モデル生成部５８において、大容量記憶装置５４に記憶される施工現場の画像及び当該画像に映る物体の名称に関する情報を学習データとする機械学習が実行される。そして、施工現場の画像データを入力情報とし、当該画像に映る物体を識別し、識別した物体情報を出力する識別モデルが生成される。
（ステップＳ３３）
ステップＳ３３では、対応関係生成部５９において、図１０に示されるような物体の名称と当該物体に起因される事故の種類との対応関係が生成される。
ステップＳ３３では、対応関係生成部５９において、図１０に示されるような物体の名称と当該物体に起因される事故の種類との対応関係が生成される。
（ステップＳ３４）
ステップＳ３４では、通信部５６において、生成された識別モデルと対応関係に関する情報が圧縮され、カメラモジュール３の通信部１０へ送信される。
ステップＳ３４では、通信部５６において、生成された識別モデルと対応関係に関する情報が圧縮され、カメラモジュール３の通信部１０へ送信される。
また、図１４は、識別モデルが更新される場合のサーバ５０の動作を説明したフローチャートの一例を示している。
（ステップＳ３０１）
ステップＳ３０１では、通信部５６において、カメラモジュール３の通信部１０から、予測される事故の正否に関する情報が受信される。予測される事故の正否に関する情報とは、例えばカメラモジュール３によって撮影された画像、当該画像から識別モデルによって識別された物体に関する情報（例えば物体の名称）の正否情報や、当該物体の正しい名称に関する情報である。受信した予測される事故の正否に関する情報は、大容量記憶装置５４へ記憶される。
ステップＳ３０１では、通信部５６において、カメラモジュール３の通信部１０から、予測される事故の正否に関する情報が受信される。予測される事故の正否に関する情報とは、例えばカメラモジュール３によって撮影された画像、当該画像から識別モデルによって識別された物体に関する情報（例えば物体の名称）の正否情報や、当該物体の正しい名称に関する情報である。受信した予測される事故の正否に関する情報は、大容量記憶装置５４へ記憶される。
（ステップＳ３０２）
ステップＳ３０２では、識別モデル更新部６０において、予測される事故の正否に関する情報を学習データとする機械学習が実行されることにより、識別モデルの更新が行われる。
ステップＳ３０２では、識別モデル更新部６０において、予測される事故の正否に関する情報を学習データとする機械学習が実行されることにより、識別モデルの更新が行われる。
（ステップＳ３０３）
ステップＳ３０３では、通信部５６において、更新された識別モデルが通知装置１の通信部１０へ送信される。
ステップＳ３０３では、通信部５６において、更新された識別モデルが通知装置１の通信部１０へ送信される。
＜システム動作例＞
次に情報処理システム１００の処理の一例を説明する。図１５は、識別モデルを生成する学習フェーズが実行される場合の情報処理システム１００の処理の一例を示すシーケンス図である。
次に情報処理システム１００の処理の一例を説明する。図１５は、識別モデルを生成する学習フェーズが実行される場合の情報処理システム１００の処理の一例を示すシーケンス図である。
（パターン１Ｐ０１）
ステップＳ１１の処理が実行され、カメラモジュール３による施工現場の撮影が行われる。図１７は、一方のカメラモジュール３によって撮影された施工現場の画像の一例を示している。画像には、コンテナ１６及びワイヤー１７が映っている。
ステップＳ１１の処理が実行され、カメラモジュール３による施工現場の撮影が行われる。図１７は、一方のカメラモジュール３によって撮影された施工現場の画像の一例を示している。画像には、コンテナ１６及びワイヤー１７が映っている。
（パターン１Ｐ０２）
ステップＳ１２の処理が実行され、カメラモジュール３によって撮影された施工現場の画像が端末２０へ送信される。
ステップＳ１２の処理が実行され、カメラモジュール３によって撮影された施工現場の画像が端末２０へ送信される。
（パターン１Ｐ０３）
端末２０において、ステップＳ２１からステップＳ２３の処理が実行される。ステップＳ２１からステップＳ２３の処理の実行により、カメラモジュール３によって撮影された施工現場の画像に映る物体の名称（コンテナ、ワイヤー）が、端末２０のタッチパネルディスプレイ２９を介して入力される。
端末２０において、ステップＳ２１からステップＳ２３の処理が実行される。ステップＳ２１からステップＳ２３の処理の実行により、カメラモジュール３によって撮影された施工現場の画像に映る物体の名称（コンテナ、ワイヤー）が、端末２０のタッチパネルディスプレイ２９を介して入力される。
（パターン１Ｐ０４）
ステップＳ２４の処理が実行され、施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報が端末２０からカメラモジュール３へ送信される。
ステップＳ２４の処理が実行され、施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報が端末２０からカメラモジュール３へ送信される。
（パターン１Ｐ０５）
ステップＳ１３の処理が実行され、カメラモジュール３において、施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報が端末２０から受信される。また、ステップＳ１４の処理が実行され、ＲＡＭ７に施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報が所定量記憶されたか判定が行われる。そして、ＲＡＭ７に施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報が所定量記憶されていないと判定された場合、パターン１Ｐ０１からパターン１Ｐ０４までの処理が繰り返される。
ステップＳ１３の処理が実行され、カメラモジュール３において、施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報が端末２０から受信される。また、ステップＳ１４の処理が実行され、ＲＡＭ７に施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報が所定量記憶されたか判定が行われる。そして、ＲＡＭ７に施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報が所定量記憶されていないと判定された場合、パターン１Ｐ０１からパターン１Ｐ０４までの処理が繰り返される。
一方、ＲＡＭ７に施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報が所定量記憶されていると判定された場合、ステップＳ１５の処理が実行され、施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報は、サーバ５０へ送信される。ここで、パターン１Ｐ０１からパターン１Ｐ０５は、サーバ５０とネットワークＮを介して接続される複数の通知装置１において実行される。すなわち、サーバ５０へは、様々な施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報が集約されることとなる。
（パターン１Ｐ０６）
ステップＳ３１からステップＳ３３の処理が実行される。例えば、サーバ５０において、カメラモジュール３から受信した施工現場の画像（例えば図１７）、及び当該施工現場の画像に映る物体の名称（コンテナ、ワイヤー）に関する情報を学習データとする機械学習が実行され、識別モデルが生成される。識別モデルは、施工現場の画像からコンテナを識別する識別モデル、施工現場の画像からワイヤーを識別する識別モデルといったように、物体毎の識別モデルが生成される。また、識別モデルは、コンテナ、ワイヤーに限らず、ナイフ、脚立、パイプ、床段差等の、施工現場において存在し得る物体毎の識別モデル
が生成される。また、図１０に示されるような複数の物体と、当該複数の物体に起因される事故の種類との対応関係が生成される。
ステップＳ３１からステップＳ３３の処理が実行される。例えば、サーバ５０において、カメラモジュール３から受信した施工現場の画像（例えば図１７）、及び当該施工現場の画像に映る物体の名称（コンテナ、ワイヤー）に関する情報を学習データとする機械学習が実行され、識別モデルが生成される。識別モデルは、施工現場の画像からコンテナを識別する識別モデル、施工現場の画像からワイヤーを識別する識別モデルといったように、物体毎の識別モデルが生成される。また、識別モデルは、コンテナ、ワイヤーに限らず、ナイフ、脚立、パイプ、床段差等の、施工現場において存在し得る物体毎の識別モデル
が生成される。また、図１０に示されるような複数の物体と、当該複数の物体に起因される事故の種類との対応関係が生成される。
（パターン１Ｐ０７）
ステップＳ３４の処理が実行され、サーバ５０において生成された識別モデル、及び複数の物体と、当該複数の物体に起因される事故の種類との対応関係に関する情報が圧縮され、カメラモジュール３へ送信される。
ステップＳ３４の処理が実行され、サーバ５０において生成された識別モデル、及び複数の物体と、当該複数の物体に起因される事故の種類との対応関係に関する情報が圧縮され、カメラモジュール３へ送信される。
次に、識別モデルに基づいて物体を識別する識別フェーズが実行される場合の情報処理システム１００の処理の一例を説明する。図１６は、識別モデルに基づいて物体を識別する識別フェーズが実行される場合の情報処理システム１００の処理の一例を示すシーケンス図である。また、情報処理システム１００は、識別された物体情報に基づいて事故を予測して危険を報知し、また予測の正否情報に基づいて識別モデルを更新する。
（パターン２Ｐ０１）
ステップＳ１０１からステップＳ１０４の処理が実行される。カメラモジュール３は、施工現場を撮影し、撮影された画像と、サーバ５０から受信した識別モデル、及び物体の名称と当該物体に起因される事故の種類との対応関係に基づき、事故の予測を行う。
ステップＳ１０１からステップＳ１０４の処理が実行される。カメラモジュール３は、施工現場を撮影し、撮影された画像と、サーバ５０から受信した識別モデル、及び物体の名称と当該物体に起因される事故の種類との対応関係に基づき、事故の予測を行う。
図１８は、作業者が作業している場合に、カメラモジュール３によって撮影された画像の一例を示している。図１８に示される画像には、コンテナ１８、ワイヤー１９が映っている。ここで、本実施形態では、識別モデルに基づき、画像からコンテナ１８が識別され、ワイヤー１９が識別されなかったものとする。よって、図１０に示される対応関係に基づき、コンテナ１８に対応する事故として「はさまれ」のみが予測され、ワイヤー１９に対応する事故としての「転倒」が予測されないものとする。
（パターン２Ｐ０２）
ステップＳ１０５の処理が実行され、識別モデルから事故の種類の出力が行われたか否かの判定が行われる。そして、事故の種類の出力が行われたと判定された場合、ステップＳ１０６の処理が実行され、予測される事故に関する情報が端末２０へ送信され、危険が報知される。予測される事故に関する情報とは、例えば、図１８に示される画像、画像に映る物体の名称情報（コンテナ）、及び予測される事故の種類に関する情報（はさまれ）等である。また、スピーカー９から音が発せられ、作業者へ危険が報知される。
ステップＳ１０５の処理が実行され、識別モデルから事故の種類の出力が行われたか否かの判定が行われる。そして、事故の種類の出力が行われたと判定された場合、ステップＳ１０６の処理が実行され、予測される事故に関する情報が端末２０へ送信され、危険が報知される。予測される事故に関する情報とは、例えば、図１８に示される画像、画像に映る物体の名称情報（コンテナ）、及び予測される事故の種類に関する情報（はさまれ）等である。また、スピーカー９から音が発せられ、作業者へ危険が報知される。
（パターン２Ｐ０３）
ステップＳ２０１からステップＳ２０３の処理が実行される。端末２０のタッチパネルディスプレイ２９に、予測される事故に関する情報が表示される。
ステップＳ２０１からステップＳ２０３の処理が実行される。端末２０のタッチパネルディスプレイ２９に、予測される事故に関する情報が表示される。
また、タッチパネルディスプレイ２９に表示された予測される事故の正否に関する情報が、タッチパネルディスプレイ２９がタップされることにより入力される。予測される事故の正否に関する情報とは、例えば端末２０へ通知した画像、当該画像に映る物体の名称の正否情報や、当該画像に映る物体の正しい名称に関する情報である。ここで、作業者は、ワイヤー１９が識別されていないことを認識する。そして、作業者は、タッチパネルディスプレイ２９から「予測否」「ワイヤー」と入力する。
（パターン２Ｐ０４）
ステップＳ２０４の処理が実行され、タッチパネルディスプレイ２９から入力された予測される事故の正否に関する情報が、カメラモジュール３へ送信される。
ステップＳ２０４の処理が実行され、タッチパネルディスプレイ２９から入力された予測される事故の正否に関する情報が、カメラモジュール３へ送信される。
（パターン２Ｐ０５）
ステップＳ１０７からステップＳ１０８の処理が実行され、端末２０から予測される事故の正否に関する情報が受信され、受信した予測される事故の正否に関する情報がＲＡＭ７へ記憶される。
ステップＳ１０７からステップＳ１０８の処理が実行され、端末２０から予測される事故の正否に関する情報が受信され、受信した予測される事故の正否に関する情報がＲＡＭ７へ記憶される。
（パターン２Ｐ０６）
ステップＳ１０９の処理が実行され、ＲＡＭ７に予測される事故の正否に関する情報が所定量記憶されたか否かの判定を行う。そして、ＲＡＭ７に予測される事故の正否に関する情報が所定量記憶されていないと判定された場合、パターン２Ｐ０１のＳ１０２の処理からパターン２Ｐ０６の処理が繰り返し実行される。
ステップＳ１０９の処理が実行され、ＲＡＭ７に予測される事故の正否に関する情報が所定量記憶されたか否かの判定を行う。そして、ＲＡＭ７に予測される事故の正否に関する情報が所定量記憶されていないと判定された場合、パターン２Ｐ０１のＳ１０２の処理からパターン２Ｐ０６の処理が繰り返し実行される。
（パターン２Ｐ０７）
ＲＡＭ７に予測される事故の正否に関する情報が所定量記憶されたと判定された場合、ステップＳ１１０の処理が実行され、予測される事故の正否に関する情報がサーバ５０へ送信される。
ＲＡＭ７に予測される事故の正否に関する情報が所定量記憶されたと判定された場合、ステップＳ１１０の処理が実行され、予測される事故の正否に関する情報がサーバ５０へ送信される。
（パターン２Ｐ０８）
ステップＳ３０１からステップＳ３０２の処理が実行され、サーバ５０において、受信した予測される事故の正否に関する情報を学習データとする機械学習が実行され、識別モデルが更新される。本実施形態では、図１８に示される画像からワイヤーが識別されなかったため、例えばサーバ５０において図１８に示される画像と、物体の名称「ワイヤー」というデータを学習データとする機械学習が実行され、識別モデルが更新される。
ステップＳ３０１からステップＳ３０２の処理が実行され、サーバ５０において、受信した予測される事故の正否に関する情報を学習データとする機械学習が実行され、識別モデルが更新される。本実施形態では、図１８に示される画像からワイヤーが識別されなかったため、例えばサーバ５０において図１８に示される画像と、物体の名称「ワイヤー」というデータを学習データとする機械学習が実行され、識別モデルが更新される。
（パターン２Ｐ０９）
ステップＳ３０３の処理が実行され、更新された識別モデルがサーバ５０からカメラモジュール３へ送信される。そして、パターン２Ｐ０１からの処理が繰り返し実行される。
ステップＳ３０３の処理が実行され、更新された識別モデルがサーバ５０からカメラモジュール３へ送信される。そして、パターン２Ｐ０１からの処理が繰り返し実行される。
＜作用・効果＞
上記のような情報処理システムであれば、サーバ５０において、施工現場が映る画像を学習データとする機械学習によって、施工現場が映る画像から物体を識別する識別モデルが生成される。また、図１０に示されるように、物体の名称と当該物体に起因される事故の種類との対応関係が生成される。よって、作業者に装着されるカメラによって撮影された画像から事故を予測することができる。また、当該事故が予測された場合に、スピーカー９や端末２０を介して作業者へ危険を報知することにより、作業者による事故を未然に防ぐことができる。
上記のような情報処理システムであれば、サーバ５０において、施工現場が映る画像を学習データとする機械学習によって、施工現場が映る画像から物体を識別する識別モデルが生成される。また、図１０に示されるように、物体の名称と当該物体に起因される事故の種類との対応関係が生成される。よって、作業者に装着されるカメラによって撮影された画像から事故を予測することができる。また、当該事故が予測された場合に、スピーカー９や端末２０を介して作業者へ危険を報知することにより、作業者による事故を未然に防ぐことができる。
また、作業者は、端末２０のタッチパネルディスプレイ２９に表示された予測される事故に関する情報を見て、当該予測の正否に関する情報を入力することができる。そして、入力された予測される事故の正否に関する情報がサーバ５０へ送信される。サーバ５０では、当該予測される事故の正否に関する情報を学習データとする機械学習によって、識別モデルは更新される。そして、カメラモジュール３では、更新された識別モデルに基づき、事故の予測が再度行われる。上記の実施形態の場合、当初生成された識別モデルでは、図１８に示される画像からワイヤー１９を識別できなかった。しかしながら、作業者が入力した予測が否であるという情報と、物体がワイヤーであるという情報に基づき、サーバ５０において識別モデルを更新している。すなわち、事故の予測の精度は、高められる。
また、図１０に示される物体の名称と当該物体に起因される事故の種類との対応関係は、施工現場において過去に起こった事故を集計したデータに基づいて作成されている。すなわち、情報処理システム１００は、過去に起こった事故のデータをノウハウとして活用することができる。
また、カメラモジュール３は、フラッシュメモリ、ＵＳＢメモリ、ＳＤ（Ｓｅｃｕｒｅ
Ｄｉｇｉｔａｌ）メモリカード等の補助記憶装置３３を備えてもよい。そして、パターン１Ｐ０５における施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報の記憶が、ＲＡＭ７に代わって補助記憶装置３３へ記憶されてもよい。また、パターン２Ｐ０５における予測される事故の正否に関する情報の記憶が、ＲＡＭ７に代わって補助記憶装置３３へ記憶されてもよい。そして、パターン１Ｐ０５やパターン２Ｐ０７において実現されるカメラモジュール３からサーバ５０への情報の送信が、補助記憶装置３３をカメラモジュール３から抜き、サーバ５０へ挿すことによって実現されてもよい。
Ｄｉｇｉｔａｌ）メモリカード等の補助記憶装置３３を備えてもよい。そして、パターン１Ｐ０５における施工現場の画像、及び当該施工現場の画像に映る物体の名称に関する情報の記憶が、ＲＡＭ７に代わって補助記憶装置３３へ記憶されてもよい。また、パターン２Ｐ０５における予測される事故の正否に関する情報の記憶が、ＲＡＭ７に代わって補助記憶装置３３へ記憶されてもよい。そして、パターン１Ｐ０５やパターン２Ｐ０７において実現されるカメラモジュール３からサーバ５０への情報の送信が、補助記憶装置３３をカメラモジュール３から抜き、サーバ５０へ挿すことによって実現されてもよい。
また、本実施形態では、識別モデルを生成する場合の学習データはカメラモジュール３によって撮影されたものであったが、カメラモジュール３に限らず、施工現場が映る画像であればどのような電子機器で撮影された画像であってもよい。また、学習データは、例えばＣＡＤ（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｅｓｉｇｎ）によって生成された施工現場の図であってもよい。
また、識別モデル生成部５８では、例えば、図１０の対応関係に示されるように、パイプを識別する識別モデルＡ、ねじ切り旋盤を識別する識別モデルＢといったように物体毎の識別モデルが生成されているが、画像から鋭利な形状を識別し、サンダー、カッターナイフ等の物体であると識別する識別モデルＣ、あるいは画像から地面を識別し、地面付近に映る物体を台車、配管材、ダクト材、高所作業車、コンテナ等の物体であると識別する識別モデルＤが生成されてもよい。
また、サーバ５０の識別モデル生成部５８や識別モデル更新部６０において、物体毎の識別モデルの生成あるいは更新を行う場合であって、識別される物体に対応する事故の種類が類似している場合、共通する学習データが使用されてもよい。例えば、事故の種類のうちの１つである転落に対応する物体である床開口を識別する識別モデルは、床開口が映る画像を学習することによって生成・更新される。ここで、事故の種類のうちの１つである転倒は転落と類似しているため、転倒に対応する物体である床隙間を識別する識別モデルは、床開口の識別モデルの生成や更新の場合に使用された画像データを学習することによって、生成・更新されてもよい。
また、通知装置１は、例えば外部の電子機器と無線通信を行うことのできる眼鏡型ディスプレイを備えてもよい。このような通知装置１であれば、例えば作業者がサンダーを使用するといったスピーカー９から発せられる音が聴き取りにくく、作業者が聴覚を通じて危険の報知を認識できない虞のある場合であっても、眼鏡型ディスプレイに、予測される事故の種類に関する情報を表示させることや、眼鏡型ディスプレイの所定の部分を発光させることによって、作業者へ視覚を通じて事故の危険を認識させることができる。また、通知装置１は、識別モデル毎に危険の報知方法を異ならせてもよい。例えば、通知装置１は、施工現場が映る画像からサンダーを識別する識別モデルに基づいて事故が予測された場合には、眼鏡型ディスプレイに「切れ、こすれ」という情報を表示させ、一方で施工現場が映る画像から床段差を識別する識別モデルに基づいて事故が予測された場合には、スピーカー９から音を発することによって危険を報知してもよい。
また、識別モデルや対応関係の事故の種類には、通知優先度の情報が含まれていてもよい。そして、例えば、ステップＳ１０５における事故予測部１３において、予測される事故の種類が出力されたか否かの判定は、通知優先度の高い識別モデルに基づく出力から順に判定されてもよい。また、例えば、施工現場が映る画像から複数の識別モデルと対応関係に基づいて複数の予測される事故の種類が出力された場合、通知優先度の高い事故の種類から順に作業者へ通知されてもよい。また、当該優先度に応じて、スピーカー９から発せられる音の大きさや端末２０の表示内容等が変更されてもよい。また、当該優先度は、
例えば過去に起こった事故による怪我の全治日数等のデータに基づいて設定されてもよい。
例えば過去に起こった事故による怪我の全治日数等のデータに基づいて設定されてもよい。
以上、本発明の好ましい実施の形態の一例を説明したが、本発明は図示の形態に限定されない。当業者であれば、特許請求の範囲に記載された思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。
１・・通知装置；２・・ヘルメット；３・・カメラモジュール；４・・ＩＣチップ；５・・アンテナ；６・・ＣＰＵ；７・・ＲＡＭ；８・・ライト；９・・スピーカー；１０・・通信部；１１・・撮影処理部；１２・・識別部；１３・・事故予測部；１４・・通知部；１５・・記憶部；１６・・コンテナ；１７・・ワイヤー；１８・・コンテナ；１９・・ワイヤー；２０・・端末；２１・・ＣＰＵ；２２・・ＲＡＭ；２３・・ＲＯＭ、２４・・無線通信Ｉ／Ｆ；２５・・大容量記憶装置；２７・・表示装置；２８・・入力装置；２９・・タッチパネルディスプレイ；３０・・通信部；３１・・表示部；３２・・入力部；３３・・補助記憶装置；５０・・サーバ；５１・・ＣＰＵ；５２・・ＲＡＭ；５３・・ＲＯＭ；５４・・大容量記憶装置；５５・・ＮＩＣ；５６・・通信部；５７・・記憶部；５８・・識別モデル生成部；５９・・対応関係生成部；６０・・識別モデル更新部；１００・・情報処理システム；Ｎ・・ネットワーク
Claims (6)
- 施工現場において作業する作業者に装着されるカメラと、
施工現場が映る画像から施工現場における前記作業者の事故の発生を予測する場合に参照されるモデルに基づいて、前記カメラによって撮影された画像に映る物体から事故の発生を予測する予測手段と、
前記予測手段によって事故の発生が予測された場合に、前記予測を前記作業者へ通知する通知手段と、
前記カメラによって撮影された画像と、前記通知手段によって前記予測が前記作業者へ通知された場合に、前記作業者が前記予測の正否を入力する入力手段によって入力された前記予測の正否情報とを、施工現場が映る画像を学習データとする機械学習によって前記モデルを生成し、前記カメラによって撮影された画像、及び前記予測の正否情報を学習データとする機械学習によって前記モデルを更新するサーバへ送信する送信手段と、
前記サーバにおいて更新された前記モデルを前記サーバから取得する取得手段と、を備え、
前記モデルは、
前記施工現場が映る画像から識別対象物を識別する識別モデルと、
前記識別対象物と、前記識別対象物に起因される前記作業者の事故の種類との対応関係と、を含む、
通知装置。 - 施工現場が映る画像を学習データとする機械学習によって施工現場における作業者の事故の発生を予測する場合に参照されるモデルを生成するモデル生成手段と、
前記モデル生成手段によって生成された前記モデルに基づいて、施工現場において作業する作業者に装着されるカメラによって撮影された画像に映る物体から、事故の発生を予測して前記作業者へ通知し、前記作業者が前記通知した予測の正否情報を入力する情報機器へ、前記モデルを送信する送信手段と、
前記カメラによって撮影された画像、及び前記作業者が入力した前記予測の正否情報を、前記情報機器から受信する受信手段と、
前記受信手段によって受信した前記カメラによって撮影された画像、及び前記予測の正否情報を学習データとする機械学習により前記モデルを更新するモデル更新手段と、を備え、
前記モデルは、
前記施工現場が映る画像から識別対象物を識別する識別モデルと、
前記識別対象物と、前記識別対象物に起因される前記作業者の事故の種類との対応関係と、を含む、
情報処理装置。 - 施工現場において作業する作業者へ前記作業者の事故の予測を通知する通知装置と、施工現場が映る画像から事故の発生を予測する場合に参照されるモデルを生成する情報処理装置によって形成される情報処理システムであって、
前記通知装置は、
前記作業者に装着されるカメラと、
前記モデルを前記情報処理装置から取得する取得手段と、
前記モデルに基づいて、前記カメラによって撮影された画像に映る物体から事故の発生を予測する予測手段と、
前記予測手段によって事故の発生が予測された場合に、前記予測を前記作業者へ通知する通知手段と、
前記通知手段によって前記予測が前記作業者へ通知された場合に、前記作業者が前記予測の正否を入力する入力手段と、
前記カメラによって撮影された画像、及び前記入力手段によって入力された前記予測の正否情報を、前記情報処理装置へ送信する送信手段と、を備え、
前記情報処理装置は、
施工現場が映る画像を学習データとした機械学習によって前記モデルを生成するモデル生成手段と、
前記モデル生成手段によって生成された前記モデルを前記通知装置へ送信する送信手段と、
前記通知装置の前記カメラによって撮影された画像、及び前記通知装置の前記入力手段によって入力された前記予測の正否情報を、前記通知装置から受信する受信手段と、
前記受信手段によって受信した前記カメラによって撮影された画像、及び前記予測の正否情報を学習データとした機械学習により前記モデルを更新するモデル更新手段と、を備え、
前記通知装置の前記取得手段は、前記更新されたモデルを前記情報処理装置から取得し、
前記モデルは、
前記施工現場が映る画像から識別対象物を識別する識別モデルと、
前記識別対象物と、前記識別対象物に起因される前記作業者の事故の種類との対応関係と、を含む、
情報処理システム。 - 前記対応関係は、複数の識別対象物と、前記複数の識別対象物に起因される事故の種類との対応関係である、
請求項３に記載の情報処理システム。 - 施工現場において作業する作業者へ前記作業者の事故の予測を通知する通知装置と、施工現場が映る画像から事故の発生を予測する場合に参照されるモデルを生成する情報処理装置によって形成される情報処理システムが実行する情報処理方法であって、
前記通知装置が、
前記モデルを前記情報処理装置から取得する取得ステップと、
前記モデルに基づいて、前記作業者に装着されるカメラによって撮影された画像に映る物体から事故の発生を予測する予測ステップと、
前記予測ステップによって事故の発生が予測された場合に、前記予測を前記作業者へ
通知する通知ステップと、
前記通知ステップによって前記予測が前記作業者へ通知された場合に、前記作業者が前記予測の正否を入力する入力ステップと、
前記カメラによって撮影された画像、及び前記入力ステップによって入力された前記予測の正否情報を、前記情報処理装置へ送信する送信ステップと、を実行し、
前記情報処理装置が、
施工現場が映る画像を学習データとした機械学習によって前記モデルを生成するモデル生成ステップと、
前記モデル生成ステップによって生成された前記モデルを前記通知装置へ送信する送信ステップと、
前記カメラによって撮影された画像、及び前記通知装置の前記入力ステップによって入力された前記予測の正否情報を、前記通知装置から受信する受信ステップと、
前記受信ステップによって受信した前記カメラによって撮影された画像、及び前記予測の正否情報を学習データとした機械学習により前記モデルを更新するモデル更新ステップと、を実行し、
前記通知装置の前記取得ステップは、前記更新されたモデルを前記情報処理装置から取得し、
前記モデルは、
前記施工現場が映る画像から識別対象物を識別する識別モデルと、
前記識別対象物と、前記識別対象物に起因される前記作業者の事故の種類との対応関係と、を含む、
情報処理方法。 - 施工現場において作業する作業者へ前記作業者の事故の予測を通知する通知装置と、施工現場が映る画像から事故の発生を予測する場合に参照されるモデルを生成する情報処理装置によって形成される情報処理システムに実行させる情報処理プログラムであって、
前記通知装置に、
前記モデルを前記情報処理装置から取得する取得処理と、
前記モデルに基づいて、前記作業者に装着されるカメラによって撮影された画像に映る物体から事故の発生を予測する予測処理と、
前記予測処理によって事故の発生が予測された場合に、前記予測を前記作業者へ通知する通知処理と、
前記通知処理によって前記予測が前記作業者へ通知された場合に、前記作業者が前記予測の正否を入力する入力処理と、
前記カメラによって撮影された画像、及び前記入力処理によって入力された前記予測の正否情報を、前記情報処理装置へ送信する送信処理と、を実行させ、
前記情報処理装置に、
施工現場が映る画像を学習データとした機械学習によって前記モデルを生成するモデル生成処理と、
前記モデル生成処理によって生成された前記モデルを前記通知装置へ送信する送信処理と、
前記カメラによって撮影された画像、及び前記通知装置の前記入力処理によって入力された前記予測の正否情報を、前記通知装置から受信する受信処理と、
前記受信処理によって受信した前記カメラによって撮影された画像、及び前記予測の正否情報を学習データとした機械学習により前記モデルを更新するモデル更新処理と、を実行させ、
前記通知装置に実行させる前記取得処理は、前記更新されたモデルを前記情報処理装置から取得し、
前記モデルは、
前記施工現場が映る画像から識別対象物を識別する識別モデルと、
前記識別対象物と、前記識別対象物に起因される前記作業者の事故の種類との対応関係と、を含む、
情報処理プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018090810A JP7131958B2 (ja) | 2018-05-09 | 2018-05-09 | 通知装置、情報処理装置、情報処理システム、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 |
|---|---|---|---|
| JP2018090810A JP7131958B2 (ja) | 2018-05-09 | 2018-05-09 | 通知装置、情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019197373A JP2019197373A (ja) | 2019-11-14 |
| JP7131958B2 true JP7131958B2 (ja) | 2022-09-06 |
Family
ID=68537594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018090810A Active JP7131958B2 (ja) | 2018-05-09 | 2018-05-09 | 通知装置、情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7131958B2 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021140459A (ja) * | 2020-03-05 | 2021-09-16 | トヨタ自動車株式会社 | 画像処理システム |
| JP2022055229A (ja) * | 2020-09-28 | 2022-04-07 | 横河電機株式会社 | 監視用デバイス、学習装置、方法およびプログラム |
| JP2022113042A (ja) * | 2021-01-22 | 2022-08-03 | オムロン株式会社 | 作業推定装置、作業推定装置の制御方法、情報処理プログラム、および記録媒体 |
| TW202230234A (zh) | 2021-01-29 | 2022-08-01 | 日商Ｄｘｂ股份有限公司 | 管理系統、評價系統及人才培育方法 |
| JP7147942B1 (ja) | 2021-09-07 | 2022-10-05 | トヨタ自動車株式会社 | データ収集装置、データ収集システム、データ収集方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014120786A (ja) | 2012-12-13 | 2014-06-30 | Seiko Epson Corp | 頭部装着型表示装置および頭部装着型表示装置の制御方法 |
| JP2014119786A (ja) | 2012-12-13 | 2014-06-30 | Seiko Epson Corp | 頭部装着型表示装置、頭部装着型表示装置の制御方法、および、作業支援システム |
| JP2015158846A (ja) | 2014-02-25 | 2015-09-03 | 株式会社国際電気通信基礎技術研究所 | 安全管理システム、安全管理プログラムおよび安全管理方法 |
| US20160342840A1 (en) | 2015-05-18 | 2016-11-24 | Daqri, Llc | Threat identification system |
| JP2016224547A (ja) | 2015-05-27 | 2016-12-28 | 株式会社リコー | 画像処理装置、画像処理システム及び画像処理方法 |
| US20160375524A1 (en) | 2015-06-24 | 2016-12-29 | Illinois Tool Works Inc. | Time of flight camera for welding machine vision |
| JP2017142790A (ja) | 2017-02-01 | 2017-08-17 | セイコーエプソン株式会社 | 頭部装着型表示装置、頭部装着型表示装置の制御方法、および、作業支援システム |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09196825A (ja) * | 1996-01-18 | 1997-07-31 | Fuji Facom Corp | プラントの異常検知装置 |
-
2018
- 2018-05-09 JP JP2018090810A patent/JP7131958B2/ja active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014120786A (ja) | 2012-12-13 | 2014-06-30 | Seiko Epson Corp | 頭部装着型表示装置および頭部装着型表示装置の制御方法 |
| JP2014119786A (ja) | 2012-12-13 | 2014-06-30 | Seiko Epson Corp | 頭部装着型表示装置、頭部装着型表示装置の制御方法、および、作業支援システム |
| JP2015158846A (ja) | 2014-02-25 | 2015-09-03 | 株式会社国際電気通信基礎技術研究所 | 安全管理システム、安全管理プログラムおよび安全管理方法 |
| US20160342840A1 (en) | 2015-05-18 | 2016-11-24 | Daqri, Llc | Threat identification system |
| JP2016224547A (ja) | 2015-05-27 | 2016-12-28 | 株式会社リコー | 画像処理装置、画像処理システム及び画像処理方法 |
| US20160375524A1 (en) | 2015-06-24 | 2016-12-29 | Illinois Tool Works Inc. | Time of flight camera for welding machine vision |
| JP2017142790A (ja) | 2017-02-01 | 2017-08-17 | セイコーエプソン株式会社 | 頭部装着型表示装置、頭部装着型表示装置の制御方法、および、作業支援システム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019197373A (ja) | 2019-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7131958B2 (ja) | 通知装置、情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム | |
| US10769536B2 (en) | Work support system and work support program | |
| US20160035246A1 (en) | Facility operations management using augmented reality | |
| KR101431424B1 (ko) | 양방향 통신이 가능한 스마트 안전모를 이용한 플랜트 운전／정비 지원시스템 및 그 운영 방법 | |
| US11288760B2 (en) | Systems and methods for recovering information from a recording device | |
| CN111540020B (zh) | 目标行为的确定方法及装置、存储介质、电子装置 | |
| JP2022103189A (ja) | 作業現場監視装置、作業現場監視システム、作業現場監視方法およびプログラム | |
| US20170261839A1 (en) | Image processing device, image processing method, and computer-readable recording medium | |
| JP2017097702A (ja) | 監視システムとその監視制御装置 | |
| CN111488894A (zh) | 档案合并方法及装置 | |
| KR102243259B1 (ko) | 시선 추적 기술을 기반으로 하는 작업자의 작업을 학습 및 평가하기 위한 장치 및 그 방법 | |
| CN115100595A (zh) | 一种安全隐患检测方法、系统、计算机设备和存储介质 | |
| CN112101288A (zh) | 安全帽佩戴检测方法、装置、设备及存储介质 | |
| CN105608189A (zh) | 一种图片分类方法、装置及电子设备 | |
| JP2023022867A (ja) | 安全管理装置、システム、方法、及びプログラム | |
| CN114584836B (zh) | 电子产品使用行为检测方法、装置、系统及介质 | |
| KR20220023743A (ko) | 스마트폰과 블랙박스를 이용한 사고 처리 시스템 및 이를 이용한 교통 사고 처리 방법 | |
| CN104902229A (zh) | 视频监控方法、系统及摄像监控系统 | |
| CN112906552A (zh) | 一种基于计算机视觉的巡检方法、装置和电子设备 | |
| CN117076295A (zh) | 数据库的检测方法、系统、电子设备及存储介质 | |
| CN116703157A (zh) | 施工现场远程可视化显示方法、装置、电子设备和介质 | |
| JP6815290B2 (ja) | 物体識別システム | |
| CN116229505A (zh) | 安全帽佩戴检测方法、装置、电子装置和存储介质 | |
| KR20190058206A (ko) | 행동정보를 이용한 질병예측방법 및 장치 | |
| CN112949606A (zh) | 工服穿戴状态检测方法、装置、存储介质及电子装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210322 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220215 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220415 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220614 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220712 |
|
| 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: 20220726 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220825 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7131958 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |