JPWO2019235415A1 - 災害状況判定システムおよび災害判定飛行システム - Google Patents

Abstract

【課題】リアルタイムに災害後の災害映像から災害状態を判定する災害状況判定システムおよび災害判定飛行システムを提供することである。【解決手段】本発明にかかる災害状況判定システム１００は、人工的に作成した災害状態を示す教師データ１４０を記録する記録部１１０と、記録部１１０に記録された教師データ１４０を用いて災害状態を学習するディープラーニング部１２０と、ディープラーニング部１２０により災害後の災害映像３００の災害状態を判定し、災害地図データ２４０を表示する表示部１３０と、を含む。また、災害判定飛行システム７００は、災害状況判定システム１００と、撮像装置５１０を搭載し、災害映像を送信することができる飛行体５２０と、を含む。

Description

本発明は、災害状況判定システムおよび災害判定飛行システムに関する。

従来、災害に関して種々の研究開発が実施されている。例えば、特許文献１（特許第５７６０１５５号公報）には、７２時間以内の救助を実現するべく、捜索効率を向上させる捜索支援システムについて開示されている。

特許文献１記載の捜索活動支援システムにおいては、捜索活動を支援するシステムであって、それぞれネットワークに接続される、災害対策本部に設置された第１端末と、データセンタに設置された管理装置と、捜索指揮者が携帯する第２端末と、捜索員が携帯する第３端末とを有し、第１端末は、災害発生に基づいて管理装置に対し災害発生地を含む地図データを第１端末に送信することを要求する信号を送信する送信手段と、管理装置から送られる地図データを受信する受信手段と、受信した地図データを基に地図を表示する表示手段と、表示された地図に捜索範囲を指定して捜索用マップを作成する入力手段と、その捜索用マップを管理装置に送信する送信手段と、管理装置が送信する捜索に必要な時間的・人的要件である捜索要件を受信する受信手段と、受信した捜索要件を表示する表示手段と、管理装置が第３端末から受信した各捜索員の位置情報に基づき、捜索用マップに各捜索員の位置を表示した後に送信する捜索用マップを受信する受信手段と、受信した捜索用マップを表示する表示手段とを有し、管理装置は、第１端末から受信した地図データ送信要求信号に基づき、特定の地図データを取得する処理手段と、取得した地図データを第１端末に送信する送信手段と、第１端末から受信した捜索用マップを記憶する記憶手段と、記憶した捜索用マップに基づき指定された捜索範囲での捜索要件を求める処理手段と、求めた捜索要件を第１端末または第１端末と第２端末に送信する送信手段と、第３端末から受信した各捜索員の位置情報に基づき、記憶手段に記憶されている捜索用マップに各捜索員の位置を示すシンボルを付加する処理手段と、捜索用マップまたはシンボルが付加された後の捜索用マップを少なくとも第１端末及び第２端末に送信する送信手段と、を有し、第２端末は、管理装置が送信する捜索用マップを受信する受信手段と、受信した捜索用マップを表示する表示手段と、管理装置が送信する捜索要件を受信する受信手段と、受信した捜索要件を表示する表示手段と、第３端末との間で捜索指揮者と捜索員が通話するための通信手段とを有し、第３端末は、ＧＰＳ等の測位手段と、その測位手段が得た位置情報を管理装置に送信する送信手段と、第２端末との間で捜索指揮者と捜索員とが通話するための通信手段とを有するものである。

また、特許文献２（特開２０１８−６３７０７号公報）には、歯科情報を活用した身元確認作業の一助として、例えば発見された遺体の歯科パノラマＸ線画像と身元確定対象者の生前の歯科に関する情報とを照合することにより容易に身元確認情報を得ることを可能とする画像分析システムを提供し、さらに、画像分析処理の精度向上のために、歯番情報に関し高い信頼性を有する画像分析システムについて開示されている。

特許文献２記載の画像分析システムにおいては、少なくとも管理装置サーバ及び管理装置データベースを有する管理システム並びに分析装置プロセッサ及び分析装置データベースを有する分析システムを備えてなる画像分析システムにおいて、管理装置サーバ及び／もしくは分析装置プロセッサによって画像分析処理の対象となる画像種別に係る第１の情報を入力する手段と、第１の情報を管理装置サーバと管理装置データベースとによる及び／もしくは分析装置プロセッサと分析装置データベースとによって管理装置サーバ及び／もしくは分析装置データベース上に第１の記憶として格納する手段と、管理装置サーバ及び／もしくは分析装置プロセッサによって画像種別による画像へ附番した歯番に係る第２の情報を入力する手段と、第２の情報を管理装置サーバと管理装置データベースとによる及び／もしくは分析装置プロセッサと分析装置データベースとによって管理装置サーバ及び／もしくは分析装置データベース上に第２の記憶として格納する手段と、管理装置サーバ及び／もしくは分析装置プロセッサによって歯番ごとの歯状態に係る第３の情報を入力する手段と、第３の情報を管理装置サーバと管理装置データベースとによる及び／もしくは分析装置プロセッサと分析装置データベースとによって管理装置サーバ及び／もしくは分析装置データベース上に第３の記憶として格納する手段とを備えたものである。

さらに、特許文献３（特開２０１７−２１６７５７号公報）は対象システムの外部から得られる情報を反映して、対象システムの次の状態を予測するシステム監視装置およびプログラムについて開示されている。

特許文献３記載のシステム監視装置は、対象システムの複数の状態と、複数の状態の中の一の状態から他の状態への状態遷移の経路とを含む状態遷移情報を記憶する記憶部と、対象システムに設けられたセンサで計測された情報である計測情報、及び対象システムに関わりを持つ周辺情報の入力を受け付ける入力部と、入力部で受け付けた計測情報から、対象システムの現在の状態を検知する状態検知部と、状態検知部で検知された対象システムの現在の状態と、記憶部に記憶された状態遷移情報と、入力部で受け付けた周辺情報とを元に、現在の状態から他の状態への遷移確率を算出する遷移確率算出部と、遷移確率に基づいて現在の状態から遷移する次の状態を判定する遷移状態判定部と、遷移状態判定部の判定結果を出力する出力部と、を備えるものである。

また、特許文献４（特開２０１７−１８１８７０号公報）には、実世界の変化に応じた地図情報の動的更新をより精度高く実現する情報処理装置について開示されている。

特許文献４記載の情報処理装置には、一または複数のセンサから実世界の単位空間に係る観測情報を取得する取得部と、リファレンス地図と実世界の単位空間との不整合に係る情報に基づいて、単位空間において取得した観測情報を送信する通信部と、を備えるものである。

最後に、特許文献５（特開２０１７−１３５５４５号公報）には、統合管理システムへのネットワークを別途用意することなく迅速にサービスを利用できるネットワーク管理システム及びネットワーク管理方法について開示されている。

特許文献５記載のネットワーク管理システムは、ユーザ端末がアクセスするアクセスノード及びサービスを提供するサービスノードを管理する管理システムと、管理システムと接続しており、アクセスノードとサービスノードとのネットワークを構築する統合管理システムと、を備えるネットワーク管理システムであって、サービスを利用するための認証キーを保持し、アクセスノードがユーザ端末から認証キーを含むサービス設定要求を受けたときにユーザ端末を認証する認証部と、アクセスノードに配置され、認証部がユーザ端末を認証した後、サービス用セッションとは別である制御用セッションをアクセスノードに設定する通信管理部と、認証部が認証したユーザ端末のサービス設定要求を通信管理部が形成した制御用セッションでアクセスノードから統合管理システムまたは管理システムのいずれか一方に送信する設定要求部と、設定要求部が送信したサービス設定要求を受信し、ユーザ端末とサービスノードとの通信を可能とするサービス用セッションをアクセスノードに形成するサービス構築を行う内部要求受付部と、を有するものである。

特許文献６（特開２０１８−１７１０３号公報）には、建物などの面の状態を網羅的に判定する情報処理装置、情報処理方法、およびプログラムについて開示されている。

特許文献６記載の情報処理装置は、面を撮像した画像について、当該面の状態を示す教示データに基づいて、深層学習を行う学習部と、面を含む領域が撮像された画像であって、撮像された位置を示す位置情報と対応付けられた画像を取得する画像取得部と、前記学習部の学習結果に基づいて、前記画像取得部が取得した画像中の面の状態を判定する状態判定部と、を備えるものである。

特許第５７６０１５５号公報 特開２０１８−６３７０７号公報 特開２０１７−２１６７５７号公報 特開２０１７−１８１８７０号公報 特開２０１７−１３５５４５号公報 特開２０１８−１７１０３号公報

しかしながら、特許文献１から特許文献６の技術においては、ディープラーニング（深層学習）技術および災害マップの作成技術の記載があるものの、ディープラーニングには、数多くのデータが必要となり、災害が多数頻発しないと対応できないという問題があった。

すなわち、災害の種類と発生直後のデータとの両者を多数収集するには、多数の時間（数十年から数百年の時間における災害）と、多数の労力とが必要となるという問題があり、実現することが困難であった。

本発明の主な目的は、リアルタイムに災害後の災害映像から災害状態を判定する災害状況判定システムおよび災害判定飛行システムを提供することである。

（１）
一局面に従う災害状況判定システムは、人工的に作成した災害状態を示す災害映像を記録する記録部と、前記記録部に記録された災害映像を用いて災害状態を学習するディープラーニング部と、ディープラーニング部により災害後の災害映像の災害状態を判定し、災害状況地図を表示する表示部と、を含むものである。

この場合、リアルタイムで災害状況を分析し、災害状況地図を表示することができる。すなわち、従来のディープラーニング（深層学習）では、教師データとなる実際の災害の災害映像が必要であったが、災害の災害映像は数多く得ることができない。そこで、本発明者は、人工的に災害状態を示す災害映像を作成し、その災害映像を教師データとして用いることで、リアルタイムに災害後の災害映像から災害状態を判定することができることを見出した。

（２）
第２の発明にかかる災害状況判定システムは、一局面にかかる災害状況判定システムにおいて、人工的に作成した災害状態を示す災害映像は、三次元により形成されてもよい。

この場合、人工的に作成した災害状態を示す災害映像は、三次元からなるので、現実の災害後の災害映像に対して正確に判定を行うことができる。

（３）
第３の発明にかかる災害状況判定システムは、一局面または第２の発明にかかる災害状況判定システムにおいて、経路案内指示部をさらに含み、経路案内指示部は、災害状況地図に基づいて、通行可能な経路を表示部に表示してもよい。

この場合、経路案内指示部は、災害状況地図に基づいて、通行可能な経路を表示することができるため、救援物資、救助などの移動を安全に行わせることができる。

（４）
第４の発明にかかる災害状況判定システムは、一局面から第３の発明にかかる災害状況判定システムにおいて、人工的に作成した災害状態を示す災害映像は、崩壊した建物、崩壊した橋、崩壊した山、崩壊した堤、崩壊した道、崩壊したトンネル、地震、津波、火災、水害、地割れ、電線路の不具合、のうち少なくとも１または複数を含んでもよい。

この場合、人工的に作成した災害状態を示す災害映像は、具体的な崩壊した建物、崩壊した橋、崩壊した山、崩壊した堤、崩壊した道、崩壊したトンネル、地震、津波、火災、水害、地割れ、電線路の不具合、のうち少なくとも１または複数を含むので、災害状況を容易にかつ正確に判定することができる。

（５）
第５の発明にかかる災害状況判定システムは、一局面から第４の発明にかかる災害状況判定システムにおいて、ディープラーニング部は、表示部に災害状況の確率を表示してもよい。

この場合、ディープラーニング部は、災害状況の確率を表示することができるため、建物が完全に倒壊しているのか、または今後の二次災害によりさらに倒壊する可能性があるのか、を表示させることができる。すなわち、二次災害とは、地震、火災、水害、津波、等の場合、再度発生する可能性があるためである。当然のことながら、二次災害、三次災害等が含まれる。

（６）
第６の発明にかかる災害状況判定システムは、一局面から第５の発明にかかる災害状況判定システムにおいて、天候表示部をさらに含み、ディープラーニング部は、天候表示部からの天気予報情報に応じて、表示部に災害状況地図の天候情報を表示してもよい。

この場合、表示部に天候情報も表示されるため、災害状況の悪化を予測することができる。

（７）
第７の発明にかかる災害状況判定システムは、一局面から第６の発明にかかる災害状況判定システムにおいて、ディープラーニング部は、災害後の災害映像を一の画像として分割するとともに、当該画像を複数に分割し、個々の画像の災害状態を判定した後、合成してもよい。

この場合、災害映像を個々の画像に分割するので、画像処理速度を高めることができるとともに、災害状況の判定精度を高めることができる。

（８）
他の局面に従う災害判定飛行システムは、一局面から第７の発明にかかる災害状況判定システムと、撮影装置を搭載し、災害映像を送信することができる飛行物と、を含むものである。

この場合、災害判定飛行システムにより、災害映像の災害状況を飛行物から送信し、災害状況判定システムにより、災害状況地図を容易に表示させることができる。

本発明にかかる災害状況判定システムの全体の構成の一例を示す模式図である。 教師データの一例を示す模式図である。 災害モデルを作成する一例を示す模式図である。 災害地図データの一例を示す模式図である。 経路図の一例を示す模式図である。 本発明にかかる災害判定飛行システムの全体の構成の一例を示す模式図である。

以下、図面を参照しつつ、本発明の実施の形態について説明する。以下の説明においては、同一の部品には同一の符号を付してある。それらの名称および機能も同じである。したがって、それらについての詳細な説明は繰り返さない。

＜実施の形態＞
（災害状況判定システム１００）
図１は、本発明にかかる災害状況判定システム１００の全体の構成の一例を示す模式図である。

図１に示すように、災害状況判定システム１００は、記録部１１０、ディープラーニング部１２０、および表示部１３０を含む。
本発明にかかる災害情報判定システム１００は、災害が発生した場合に、後述する深層学習の災害モデル１５０から現実の災害のレベルＳＬを判定し、災害地図データ２４０を作成するものである。

なお、本発明における災害とは、自然災害、および人為的災害を含むものである。具体的には、気象災害、雨、集中豪雨、洪水、河川の氾濫、土砂災害、斜面崩壊、がけ崩れ、土石流、地滑り、竜巻、高潮、雪崩、吹雪、落雷、雹、地震、津波、地震火災、噴火、噴石、溶岩流、火砕流、泥流、大規模事故、火災、列車事故、航空事故、海難事故、交通事故、爆発事故、炭鉱事故、石油流出事故、化学物質汚染事故、原子力事故、テロ、戦争、戦災、等、その他任意の災害を含むものである。

また、一般的に深層学習の災害モデル１５０を構築するためには、災害モデル１５０のための教師データ１４０は、少なくとも数万以上必要であることがわかっている。そのため、精度の高い災害モデル１５０を作成するには、今後何十年のみならず、何百年の時間が必要であるのが常識である。
本実施の形態においては、災害モデル１５０は、判定する災害ごとに５００種類以上１０００００種類以下の教師データ１４０を用いて学習し、２０００種類以上２５０００種類以下の教師データ１４０を用いて学習することが好ましく、８０００種類以上１２５００種類以下の教師データ１４０を用いて学習することがさらに好ましい。このように下限値以上の学習をすることで、災害の判定を高精度で実施することができる。一方で、上記上限値を超えると学習の効果が飽和する。

（記録部１１０）
本実施の形態において、記録部１１０は、一般的な記録装置からなる。なお、本実施の形態においては、記録装置からなることとしているが、これに限定されず、クラウド等の記録装置を用いてもよい。
また、記録部１１０は、人工的に作成された複数の災害データ２００を記録する。さらに、記録部１１０は、ディープラーニング部１２０において深層学習された災害モデル１５０を記録する。
また、記録部１１０は、災害地図を作成するための基礎となる地図データ２３０を記録する。さらに、ディープラーニング部１２０で作成された災害地図データ２４０または／および経路図２５０を記録する。

（ディープラーニング部１２０）
ディープラーニング部１２０は、多層ニューラルネットワークにより記録部１１０に記録された教師データ１４０に基づいてディープラーニング（深層学習）を実施する。すなわち、ディープラーニング部１２０は、記録部１１０に記録された教師データ１４０として、予め災害モデル１５０を災害の種別毎に作成する。

本実施の形態におけるディープラーニング部１２０は、ＹＯＬＯ（Ｒｅｄｍｏｎ， Ｊｏｓｅｐｈ， ｅｔ ａｌ．“ＹＯＬＯｖ３： Ａｎ Ｉｎｃｒｅｍｅｎｔａｌ Ｉｍｐｒｏｖｅｍｅｎｔ” ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：１８０４．０２７６７）を用いることができる。ＹＯＬＯは、あらかじめ画像全体をグリッド分割しておき領域ごとに物体のクラス分類（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）とバウンディングボックスとの計算を行い（Ｂｏｕｎｄｉｎｇ Ｂｏｘ Ｒｅｇｒｅｓｓｉｏｎ)、また１つのネットワークで構築されるため、高精度かつ高速の処理をすることができる。
また、ＹＯＬＯの入力する災害映像の幅は３２０ピクセル以上１００００ピクセル以下、高さは２４０ピクセル以上５０００ピクセル以下に設定し、畳み込み前の画像サイズの幅、高さは共に、１０４ピクセル以上１６６４ピクセル以下で設定し、２０８ピクセル以上８３２ピクセル以下で設定することがより好ましい。
これにより、後述するように、現実の災害映像に対して、災害モデル１５０を用いた判定を高い精度で実施することができる。

なお、本実施の形態においては、ディープラーニング部１２０としてＹＯＬＯを用いることとしているが、これに限定されず、Ｒ-ＣＮＮ、ＳＰＰｎｅｔ、その他の任意のエンジン（コンピュータプログラム）を用いても良い。
また、本実施の形態においては、災害モデル１５０を記録部１１０に記録することとしたが、これに限定されず、ディープラーニング部１２０に記録してもよい。

（表示部１３０）
表示部１３０は、液晶表示部またはプラズマディスプレイからなる。また、表示部１３０は、通信部１３１を有し、ディープラーニング部１２０と通信可能な装置である。
表示部１３０は、ディープラーニング部１２０から得られた災害地図データ２４０を表示することができる。また、表示部１３０は、ディープラーニング部１２０から得られた経路図２５０を表示することができる。
なお、本実施の形態においては、表示部１３０を液晶表示部またはプラズマディスプレイからなることとしているが、これに限定されず、携帯端末、携帯電話、スマートフォン、タブレット端末、ヘッドマウントディスプレイ等の任意の表示部１３０を含む。

（教師データ１４０）
次に、図２は、教師データ１４０の一例を示す模式図である。

図２に示すように、教師データ１４０は、人工的に作成された複数の教師データ１４０からなる。すなわち、災害毎の状態に応じて教師データ１４０が種々形成される。本実施の形態においては、教師データ１４０は、三次元映像からなる。そのため、二次元画像と異なり、情報量を増加させることができる。

例えば、教師データ１４０は、人工的にＯｐｅｎＧＬ等のソフトウェアを用いて作成することができる。
さらに、本実施の形態においては、教師データ１４０は人工的に作成されたものを利用しているが、過去に現実に災害が生じ、当該災害の映像データがある場合には、当該過去の映像データを付加して教師データ１４０としてもよい。
また、教師データ１４０は、人工的に作成された複数の教師データ１４０からなるが、個々の教師データ１４０は、災害の映像データが短時間で区切られていてもよく、二次元画像であってもよい。例えば、教師データ１４０の映像時間が３０秒の教師データ１４０の場合には、５秒毎に教師データ１４０を分割してもよい。

（災害モデル１５０）
図３は、災害モデル１５０を作成する一例を示す模式図である。
図３に示すように、多層構造のニューラルネットワーク（深層ニューラルネットワーク）を用いた学習である。また、深層学習モデルとは、その深層ニューラルネットワークの構造を示す表現である。ディープラーニング部１２０は、教師データ１４０を用いて、深層学習モデル（深層ニューラルネットワークの構造）の少なくとも一部の構成要素について、人手を介することなく生成し、生成された構成要素を含む深層学習モデルとなる災害モデル１５０を出力する。
したがって、深層学習モデルは自動的に構築される。本発明では、このようにして得られたニューラルネットワークを用いて現実の災害映像の分析を行う。したがって、従来の機械学習の手法とは異なり、領域探索、特徴抽出などの工程を必要としないため、より高速に処理をすることができる。

また、災害モデル１５０は、災害のレベルに応じてランク分けがなされても良い。具体的には、災害モデル１５０は、災害のレベルＳＬ１から災害のレベルＳＬ５のように複数にランクで分けられていてもよい。
具体的には、地震による災害で、一つのビルの災害レベルＳＬ１は、壁にひびが入った状態であり、災害レベルＳＬ２は、窓ガラスが割れた状態であり、災害レベルＳＬ３は、倒壊の可能性が５０％未満の状態であり、災害レベルＳＬ４は、倒壊の可能性が７０％以上の状態であり、災害レベルＳＬ５は、倒壊している状態である。

なお、災害レベルＳＬ１から災害レベルＳＬ５で説明を行ったが、これに限定されず、災害レベルの数は、２、３、４、１０、１００等の任意のランクに分けても良い。例えば、災害レベルを１００に分けた場合には、パーセントでの確率で表示することができ、災害レベルを１０に分けた場合には、割合で表示することができる。

（災害地図データ２４０）
次に、図４は、災害地図データ２４０の一例を示す模式図である。
図１に示す現実の災害映像３００を災害状況判定システム１００に与えた場合、ディープラーニング部１２０により、地図データ２３０に基づいて、災害地図データ２４０が作成され、表示部１３０に表示される。

図４に示すように、現実の災害が、河川の氾濫の場合、橋Ｂ１は、流されていることを示し、橋Ｂ２は、被害がないことを示す。また、ビルＢ３は、１Ｆまで水没していることを示し、家Ｂ４は、火災が発生していることを示す。また、広場Ｂ５は、被害がないことを示す。
また、当該災害地図データ２４０は、図４に示すように、平面地図であってもよく、三次元の映像からなる地図データでもよい。

また、図４に示すように、災害地図データ２４０は、今後の天気予報情報を追加して表示されてもよい。この場合、災害地図データ２４０は、現時点の情報であるため、例えば洪水災害、地震災害、大雨災害の場合等においては、天気予報情報、特に天気予報、アメダス予報などが重要となる。
また、災害地図データ２４０は、時系列による予測変化を表示させてもよい。その結果、現時点から数時間、数日後の災害状況予測を行うことができる。

（経路図２５０）
続いて、図５は、経路図２５０の一例を示す模式図である。
ディープラーニング部１２０は、表示部１３０に対して、災害地図データ２４０に基づいて、広場Ｂ５までの経路図を示した経路部２５０が表示される。すなわち、ディープラーニング部１２０は、ビルＢ３周辺、家Ｂ４周辺を避けつつ、橋Ｂ２を経由して広場５までの道筋を経路図２５０として表示部１３０に示す。

（他の実施の形態）
図６は、本発明にかかる災害判定飛行システム７００の全体の構成の一例を示す模式図である。
図６に示すように、災害判定飛行システム７００は、飛行移動体５００および災害状況判定システム１００を含む。
災害状況判定システム１００については、図１に示したものと同一である。

飛行移動体５００は、現実の災害映像３００を撮像し、災害状況判定システム１００のディープラーニング部１２０に送信する送信部を含む撮像装置５１０、当該撮像装置５１０を装備して飛行移動する飛行体５２０を含む。
ここで撮像装置５１０は、カメラ、ビデオカメラ、その他の映像を取得するものであればよく、画像であってもよい。また、飛行体５２０は、飛行機、無人飛行機、ドローン、ヘリコプター、凧等であってもよい。

本発明にかかる災害判定飛行システム７００は、現実の災害が発生した場合、即座に、災害映像３００を取得し、災害状況判定システム１００に与えることができるため、市町村、住人、警察、消防、自衛隊等に適切に情報を与えることができる。

以上のように、災害判定飛行システム７００により、災害映像３００を飛行体５２０から送信し、災害状況判定システム１００により、リアルタイムで災害地図データ２４０を容易に表示部１３０に表示させることができる。

［実施形態における各部と請求項の各構成要素との対応関係］
本明細書における災害状況判定システム１００が「災害状況判定システム」に相当し、災害判定飛行システム７００が「災害判定飛行システム」に相当し、教師データ１４０が「人工的に作成した災害状態を示す災害映像」に相当し、記録部１１０が「記録部」に相当し、災害地図データ２４０が「災害状況地図」に相当し、経路図２５０が「通行可能な経路」に相当し、ディープラーニング部１２０が「経路案内指示部、天候表示部、ディープラーニング部」に相当し、表示部１３０が「表示部」に相当し、撮像装置５１０が「撮影装置」に相当し、飛行体５２０が「飛行物」に相当し、災害映像３００が「災害映像」に相当する。

１００ 災害状況判定システム
１１０ 記録部
１２０ ディープラーニング部
１３０ 表示部
１４０ 教師データ
２４０ 災害地図データ
２５０ 経路図
３００ 災害映像
５１０ 撮像装置（撮影装置）
５２０ 飛行体
７００ 災害判定飛行システム

Claims (8)

1. 人工的に作成した災害状態を示す災害映像を記録する記録部と、
   前記記録部に記録された災害映像を用いて災害状態を学習するディープラーニング部と、
   前記ディープラーニング部により災害後の災害映像の災害状態を判定し、災害状況地図を表示する表示部と、を含む、災害状況判定システム。
2. 前記人工的に作成した災害状態を示す災害映像は、三次元により形成される、請求項１に記載の災害状況判定システム。
3. 経路案内指示部をさらに含み、
   前記経路案内指示部は、前記災害状況地図に基づいて、通行可能な経路を前記表示部に表示する、請求項１または２に記載の災害状況判定システム。
4. 前記人工的に作成した災害状態を示す災害映像は、崩壊した建物、崩壊した橋、崩壊した山、崩壊した堤、崩壊した道、崩壊したトンネル、地震、津波、火災、水害、地割れ、電線路の不具合、のうち少なくとも１または複数を含む、請求項１から３のいずれか１項に記載の災害状況判定システム。
5. 前記ディープラーニング部は、前記表示部に災害状況の確率を表示する、請求項１から４のいずれか１項に記載の災害状況判定システム。
6. 天候表示部をさらに含み、
   前記ディープラーニング部は、前記天候表示部からの天気予報情報に応じて、前記表示部に災害状況地図の天候情報を表示する、請求項１から５のいずれか１項に記載の災害状況判定システム。
7. 前記ディープラーニング部は、災害後の災害映像を一の画像として分割するとともに、当該画像を複数に分割し、個々の画像の災害状態を判定した後、合成する、請求項１から６のいずれか１項に記載の災害状況判定システム。
8. 請求項１から請求項７の少なくとも１つの災害状況判定システムと、
   撮影装置を搭載し、災害映像を送信することができる飛行物と、を含む、災害判定飛行システム。

Images