WO2018158823A1 - 異常検知システム、異常検知方法及びプログラム - Google Patents

異常検知システム、異常検知方法及びプログラム Download PDF

Info

Publication number
WO2018158823A1
WO2018158823A1 PCT/JP2017/007805 JP2017007805W WO2018158823A1 WO 2018158823 A1 WO2018158823 A1 WO 2018158823A1 JP 2017007805 W JP2017007805 W JP 2017007805W WO 2018158823 A1 WO2018158823 A1 WO 2018158823A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
image data
analysis
light irradiation
analysis target
Prior art date
Application number
PCT/JP2017/007805
Other languages
English (en)
French (fr)
Inventor
俊二 菅谷
Original Assignee
株式会社オプティム
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社オプティム filed Critical 株式会社オプティム
Priority to PCT/JP2017/007805 priority Critical patent/WO2018158823A1/ja
Priority to JP2019502322A priority patent/JP6625786B2/ja
Priority to CN201780085861.6A priority patent/CN110402456B/zh
Publication of WO2018158823A1 publication Critical patent/WO2018158823A1/ja
Priority to US16/518,038 priority patent/US10636174B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Definitions

  • the present invention relates to an anomaly detection system, an anomaly detection method, and a program for analyzing an image taken to detect an anomaly.
  • Patent Literature 1 discloses a livestock consulting system that performs image analysis on an image acquired from a farm, obtains a livestock breeding environment, and performs consulting.
  • the analysis result varies depending on the degree of sunlight irradiation at the time of shooting.
  • the color of the sea surface indicated by the RGB values may differ depending on the sunlight irradiation state, or the reflected part of sunlight or moonlight may be recognized as white. Therefore, when sea surface abnormality detection is performed using such an image analysis result, erroneous detection may occur.
  • a white portion such as sunlight is recognized as abnormal.
  • the color can be clearly identified, such as white, but also when the sea surface color is slightly different depending on the irradiation condition, there are cases where abnormal detection is not desirable.
  • the present invention provides an anomaly detection system, an anomaly detection method, and a program for avoiding erroneous detection due to light irradiation when an anomaly is detected by imaging a farm, the sea surface, etc. With the goal.
  • the present invention provides the following solutions.
  • the present invention comprises an abnormality detection means for detecting an abnormality of the analysis target by analyzing the image data analyzed in a state where light is irradiated,
  • an abnormality detection system comprising: an erroneous detection determination unit that determines whether an abnormality of an analysis target is erroneously detected according to a light irradiation state in the image data.
  • the abnormality of the analysis target is detected, It is determined whether an abnormality to be analyzed is erroneously detected based on the light irradiation state in the image data.
  • the present invention it is possible to avoid erroneous detection due to light irradiation when an image is taken of a farm, the sea surface, etc., and the captured image is analyzed to detect an abnormality.
  • FIG. 1 shows a functional block diagram of the drone 10 and the abnormality detection computer 100.
  • FIG. 2 shows an abnormality detection process executed by the abnormality detection computer 100.
  • FIG. 1 is a block diagram for explaining the hardware configuration and software functions of the drone 10 and the abnormality detection computer 100.
  • the drone 10 and the abnormality detection computer 100 are communicably connected, and predetermined data communication is possible.
  • a system including the drone 10 and the abnormality detection computer 100 is referred to as an abnormality detection cloud system 1.
  • the drone 10 is a moving body that moves unattended, and may be, for example, an unmanned airplane or a moving body that moves by wheels.
  • the drone 10 flies in fields such as farms, seas, fields, rice fields, forests, and cities, and performs shooting.
  • the drone 10 sequentially transmits the captured data to an external computer such as the abnormality detection computer 100.
  • the drone 10 includes a camera 12 that captures an image to be analyzed in a light-irradiated state, a GPS 13 that detects current position information, a control unit 15 that controls data, and data transmission / reception.
  • the communication part 16 which performs is provided.
  • the photographing module 17 is realized in cooperation with the camera 12 and the communication unit 16 by reading a predetermined program stored in the control unit 15.
  • the drone 10 includes a normal video camera that can shoot still images or moving images or a camera 12 that can shoot continuously, such as a still camera, a CCD (Charge-Coupled Device) camera, a CMOS (Complementary MOS) camera, and the like.
  • the drone 10 may be capable of being equipped with a communication terminal such as a computer on which a camera is mounted or a smartphone.
  • the control unit 15 includes a CPU (Central Processing Unit), a RAM (Random Access Memory), a ROM (Read Only Memory), and the like.
  • the communication unit 16 may be a module that can wirelessly communicate with a predetermined controller, base station, router, computer, and the like.
  • GPS 13 detects current position information when the drone 10 moves.
  • the control unit 15 reads a predetermined program, the position information detected by the GPS 13 is associated with data of an image photographed by the camera.
  • the anomaly detection computer 100 is a computer or server that can communicate with a mobile object such as a drone 10 that is photographed by a camera, and includes at least a control unit 150 that performs data control, calculation, storage, etc. And a communication unit 160 that communicates with a computer.
  • the control unit 150 reads a predetermined program
  • the abnormality detection module 140, the erroneous detection determination module 170, and the re-shooting instruction module 180 are realized in cooperation with the communication unit 160.
  • the abnormality detection computer 100 includes a CPU (Central Processing Unit), a RAM (Random Access Memory), a ROM (Read Only Memory), and the like as the control unit 150, and the communication unit 160 is, for example, compatible with WiFi according to IEEE 802.11.
  • a device or a wireless device compliant with the IMT-2000 standard such as a third to fifth generation mobile communication system.
  • Each function of the abnormality detection computer 100 may be composed of a plurality of computers, and the abnormality detection computer 100 forms an abnormality detection system by one or a plurality of computers.
  • FIG. 4 is a flowchart of the abnormality detection process executed by the drone 10 and the abnormality detection computer 100. The processing executed by each hardware and the software module described above will be described together with this processing.
  • the drone 10 starts moving and shoots fields such as farms, seas, and rivers from the sky or the ground.
  • This image data is data taken in a state where these fields are illuminated with light or moonlight (others may be artificial light such as illumination).
  • the drone 10 transmits this image data to the abnormality detection computer 100 at a predetermined timing.
  • the abnormality detection computer 100 receives the image data to be analyzed (step S10).
  • the abnormality detection module 140 analyzes the received image data and detects an abnormality in the photographed field. Specifically, the abnormality detection module 140 determines the divergence of RGB values. (Step S11).
  • Abnormality detection by image analysis is detection that determines that the analysis target in this image is in a different state (abnormality) when image data different from the image data that is normally predicted is acquired. . For example, in one piece of still image data obtained by photographing a field, the RGB values of the entire image are acquired, and numerical values such as an average value and a variance value are obtained. This value is compared with a statistical average value or variance value, and if the data is statistically different, an abnormality is detected.
  • the nori when shooting a farm where nori culture is performed, if the nori rots red, the color of the nori tends to be reddish purple, and the average RGB value of the entire acquired image is normal. It may be different from the RGB value of the seaweed image. In this case, an abnormality is detected.
  • the image data may be individual images taken as still images.
  • each piece of image data is associated with position information of a photographed position by the GPS 13. Therefore, each piece of image data may be associated with position information to form a single piece of large image data such as a panoramic image.
  • the image data is divided into specific predetermined areas, and image analysis is performed for each area to detect an abnormality in the area.
  • the false detection determination module 170 determines whether there is a divergence in RGB values due to light irradiation (step S12). That is, when there is a divergence of RGB values due to light irradiation, it is determined that an abnormality is erroneously detected. In this determination, for example, it is determined that the occurrence of the deviation due to the reflection of light is a false detection when the RGB value of the sea surface is white.
  • the determination of divergence is not a comparison with the general RGB values of the sea level, etc., but the sea level is photographed at almost the same month and date, and the RGB values of the image data taken at substantially the same position and in the same direction It may be determined whether or not there is a divergence.
  • the re-imaging module 180 erroneously detects (detects) the abnormality in order to confirm the erroneous detection. Based on the position information of the image data of the area, the position and time to be re-photographed by the drone 10 are determined (step S13).
  • the time to re-photograph may be arbitrarily determined by the administrator, but other than the time when the erroneously detected image data is acquired, the time considering the light irradiation level is automatically set (the time when the image data is acquired) About 3 or 4 hours).
  • the re-imaging instruction module 180 gives a flight instruction to the drone 10 so as to photograph the determined position at the determined time (step S14).
  • the re-shooting time is not determined again, and the administrator is notified that the position should be shot at the next flight time of the drone 10, and the drone 10 is shot based on the permission of the administrator. Instructions may be given.
  • the erroneous detection determination module 170 determines that an abnormality is not erroneously detected (abnormality is detected) ("NO" in step S12), it notifies that the abnormality is detected (step S15).
  • the notification of abnormality here may be simply an alarm that the abnormality is present, but the probability of abnormality may be indicated by a number.
  • the determination of erroneous detection may be performed by learning image data erroneously detected in the past as teacher data, and determining whether or not it is erroneous detection based on the learning result.
  • the means and functions described above are realized by a computer (including a CPU, an information processing apparatus, and various terminals) reading and executing a predetermined program.
  • the program may be, for example, in the form (SaaS: Software as a Service) provided from a computer via a network, or a flexible disk, CD (CD-ROM, etc.), DVD (DVD-ROM, DVD). -RAM, etc.) and a computer-readable recording medium such as a compact memory.
  • the computer reads the program from the recording medium, transfers it to the internal storage device or the external storage device, stores it, and executes it.
  • the program may be recorded in advance in a storage device (recording medium) such as a magnetic disk, an optical disk, or a magneto-optical disk, and provided from the storage device to a computer via a communication line.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Alarm Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

【課題】農場や海面等を撮影し、撮影した画像を解析して異常検知する際に、光の照射による誤検知を回避する。 【解決手段】光が照射している状態で撮影された画像データを画像解析することで、分析対象の異常を検知する場合に、画像データ内の光の照射状態によって、分析対象の異常を誤検知しているか否かを判断し、誤検知している場合は、再撮影をドローン１０に指示する。

Description

異常検知システム、異常検知方法及びプログラム
　本発明は、撮影した画像を解析して異常を検知する異常検知システム、異常検知方法及びプログラムに関する。
　近年のＩｏＴ（Internet　of　Things）化により、農業や漁業などの一次産業においても、現場にセンサーやカメラを配置し、ビッグデータを取得する試みが行われている。取得したデータや画像を人工知能等で学習することにより、実際の現場に行かずとも、作物の品質や、農場や漁場の環境等を遠隔から知ることができる。
　例えば、特許文献１では、農場から取得した画像を画像解析して、家畜の飼育環境を求め、コンサルティングを行う畜産コンサルティングシステムが開示されている。
特開２００３－６２７６号公報
　しかしながら、このような従来の方法では、画像解析を行うにあたり、撮影した時期の日光の照射具合によって、解析結果が変わってくる。例えば、海面の画像を撮影した場合に、ＲＧＢ値で示される海面の色は日光の照射状態で異なったり、日光や月光の照り返し部分は、白色で認識されてしまう場合もある。そのため、このような画像解析結果を用いて、海面の異常検知を行う場合、誤検知となり得る。
　例えば、海面の海苔を撮影し、赤腐れによる異常を検知する際に、日光の照り返し等の白色部分を異常と認識してしまう。加えて、白色のように、明確に色を識別できる場合のみならず、照射具合によって、微妙に海面の色が異なってくる場合にも、異常検知が望ましくない場合が発生する。
　そこで、本発明は、農場や海面等を撮影し、撮影した画像を解析して、異常検知する際に、光の照射による誤検知を回避する異常検知システム、異常検知方法及びプログラムを提供することを目的とする。
　本発明では、以下のような解決手段を提供する。
　本発明は、光が照射している状態で分析された画像データを画像解析することで、前記分析対象の異常を検知する異常検知手段と、
　前記画像データ内の光の照射状態によって、分析対象の異常を誤検知しているか否かを判断する誤検知判断手段と、を備える異常検知システムを提供する。
　上記発明によれば、光が照射している状態で分析された画像データを画像解析することで、前記分析対象の異常を検知し、
　前記画像データ内の光の照射状態によって、分析対象の異常を誤検知しているか否かを判断する。
　したがって、本発明によれば、農場や海面等を撮影し、撮影した画像を解析して、異常検知する際に、光の照射による誤検知を回避することが可能となる。
図１は、ドローン１０と異常検知コンピュータ１００の機能ブロック図を示す。 図２は、異常検知コンピュータ１００が実行する異常検知処理を示す。
　以下、本発明を実施するための最良の形態について図を参照しながら説明する。なお、これはあくまでも一例であって、本発明の技術的範囲はこれに限られるものではない。
　［ドローン１０と異常検知コンピュータ１００の構成］
　図１は、ドローン１０と異常検知コンピュータ１００のハードウェア構成とソフトウェア機能を説明するためのブロック図である。ドローン１０と異常検知コンピュータ１００は通信可能に接続され、所定のデータ通信が可能である。なお、ドローン１０と異常検知コンピュータ１００とからなるシステムを、異常検知クラウドシステム１とする。
　ドローン１０は、無人で移動する移動体であって、例えば、無人の飛行機、車輪で移動する移動体であってよい。ドローン１０は、農場、海、畑、田、森林、都市などのフィールドを飛行し、撮影を行う。ドローン１０は、撮影されたデータを、逐次、異常検知コンピュータ１００等の外部のコンピュータに送信する。
　ドローン１０は、図１に示すように、光が照射した状態で分析対象の画像を撮影するカメラ１２と、現在の位置情報を検知するＧＰＳ１３と、データを制御する制御部１５と、データの送受信を行う通信部１６とを備える。撮影モジュール１７は、制御部１５に記憶された所定のプログラムを読み込むことで、カメラ１２、通信部１６との協働で実現される。
　ドローン１０は、静止画又は動画が撮影できる通常のビデオカメラ又は連続撮影できるカメラ１２、例えば、スチルカメラ、ＣＣＤ（Charge-Coupled　Device）カメラ、ＣＭＯＳ（Complementary　MOS）カメラ等を備える。また、ドローン１０は、カメラが搭載されたコンピュータやスマートフォン等の通信端末等を取付け式で備えることが可能であってもよい。
　制御部１５は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）等を備える。通信部１６は、所定のコントローラ、基地局、ルータ、コンピュータ等と無線通信可能なモジュールであってよい。
　ＧＰＳ１３は、ドローン１０が移動した際の現在の位置情報を検知する。制御部１５が所定のプログラムを読み込むことで、ＧＰＳ１３で検知した位置情報を、カメラで撮影した画像のデータに対応付ける。
　異常検知コンピュータ１００は、ドローン１０等のカメラ撮影する移動体と通信可能なコンピュータ、サーバであって、少なくとも、画像解析等のデータ制御・演算・記憶等を行う制御部１５０と、外部のドローン１０やコンピュータと通信する通信部１６０とを備える。制御部１５０が所定のプログラムを読み込むことで、通信部１６０と協働して、異常検知モジュール１４０、誤検知判断モジュール１７０、再撮影指示モジュール１８０を実現する。
　異常検知コンピュータ１００は、制御部１５０として、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）等を備え、通信部１６０として、例えば、ＩＥＥＥ８０２．１１に準拠したＷｉＦｉ対応デバイス又は、第３～５世代移動通信システム等のＩＭＴ－２０００規格に準拠した無線デバイス等を備える。
　なお、異常検知コンピュータ１００の各機能が複数のコンピュータから構成されていてもよく、異常検知コンピュータ１００は、単数又は複数のコンピュータによって、異常検知システムを形成する。
　［異常検知処理］
　図４は、ドローン１０と異常検知コンピュータ１００が実行する異常検知処理のフローチャートである。上述した各ハードウェアと、ソフトウェアモジュールが実行する処理について、本処理に併せて説明する。
　はじめに、ドローン１０は、移動を開始し、農場、海、川等のフィールドを上空や地面から撮影する。この画像データは、これらのフィールドを、光や月光（その他、照明等の人工的な光でもよい）が照らしている状態で撮影されたデータである。ドローン１０は、この画像データを、異常検知コンピュータ１００に、所定のタイミングで送信する。これに応じて、異常検知コンピュータ１００は、分析対象の画像データを受信する（ステップＳ１０）。
　次に、異常検知モジュール１４０が、受信した画像データを解析して、撮影されたフィールド内の異常の検知を行う。具体的には、異常検知モジュール１４０は、ＲＧＢ値の乖離の判断を行う。（ステップＳ１１）。画像解析による異常検知とは、通常予測される画像データとは異なる画像データを取得した場合に、この画像内の分析対象物が通常とは異なった状態（異常）であると判断する検知である。例えば、フィールドを撮影した一枚の静止画像データにおいて、画像全体のＲＧＢ値を取得し、平均値や分散値等の数値を求める。この値を、統計的な平均値や分散値と比較して、統計的に乖離があるデータである場合は異常を検知する。
　例えば、海苔の養殖を行っている養殖場を撮影した場合に、海苔が赤腐れをすると、海苔の色が赤紫色になる傾向があり、取得した画像全体のＲＧＢ値の平均値が、通常の海苔の画像のＲＧＢ値とは異なる場合がある。この場合に、異常を検知する。
　ここで画像データは、静止画で撮影された画像の一枚一枚であってもよい。この場合、一枚一枚の画像データは、ぞれぞれ、ＧＰＳ１３により、撮影した位置の位置情報が対応付けられる。そのため、一枚毎の画像データが位置情報と対応付けられてパノラマ画像のような一枚の大きな画像データを形成してもよい。前者であっても、後者であっても、画像データを特定の所定領域に区切って、その領域毎に画像解析して、その領域での異常を検知する。
　次に、ＲＧＢ値の乖離を検知した場合は、誤検知判断モジュール１７０は、光が照射していることでＲＧＢ値の乖離があるか否かを判断する（ステップＳ１２）。すなわち、光が照射していることでＲＧＢ値の乖離がある場合は、異常を誤検知していると判断する。この判断は、例えば、光の照り返しで乖離が発生していることは、海面のＲＧＢ値が白色である場合に、誤検知であると判断する。また、乖離の判断を、一般的な海面等のＲＧＢ値との比較ではなく、その海面を、ほぼ同一の月日時で撮影し、ほぼ同一位置・ほぼ同一方向で撮影された画像データのＲＧＢ値と比較して、乖離があるかを判断してもよい。
　誤検知判断モジュール１７０は、異常を誤検知していると判断した場合（ステップＳ１２「ＹＥＳ」）には、誤検知を確認するために、再撮影モジュール１８０が、異常を誤検知（検知）した領域の画像データの位置情報に基づいて、ドローン１０で再撮影すべき位置と時間を決定する（ステップＳ１３）。
　再撮影すべき時間は、管理者が任意に決定して良いが、誤検知した画像データを取得した時間以外で、光の照射度を考慮した時間が自動的に設定（画像データを取得した時間の３，４時間前後等）されてよい。再撮影指示モジュール１８０は、決定された時間に、ドローン１０に、決定された位置を撮影するように、飛行指示を行う（ステップＳ１４）。
　なお、再撮影する時間は、改めて決定せずに、次回にドローン１０が飛行するタイミングで、その位置を撮影すべきことを管理者に通知し、管理者の許可に基づいて、ドローン１０に撮影指示を与えてもよい。
　誤検知判断モジュール１７０は、異常を誤検知していない（異常を検知している）と判断した場合（ステップＳ１２「ＮＯ」）には、異常を検知したとして、通知を行う（ステップＳ１５）。ここでの異常の通知は、単に、異常であると警報してもよいが、異常の確率を数字で示してもよい。
　なお、誤検知の判断は、過去に誤検知した画像データを教師データとして学習し、その学習結果に基づいて、誤検知か否かを判断してもよい。
　上述した手段、機能は、コンピュータ（ＣＰＵ、情報処理装置、各種端末を含む）が、所定のプログラムを読み込んで、実行することによって実現される。プログラムは、例えば、コンピュータからネットワーク経由で提供される（ＳａａＳ：ソフトウェア・アズ・ア・サービス）形態であってもよいし、フレキシブルディスク、ＣＤ（ＣＤ－ＲＯＭ等）、ＤＶＤ（ＤＶＤ－ＲＯＭ、ＤＶＤ－ＲＡＭ等）、コンパクトメモリ等のコンピュータ読取可能な記録媒体に記録された形態で提供される。この場合、コンピュータはその記録媒体からプログラムを読み取って内部記憶装置または外部記憶装置に転送し記憶して実行する。また、そのプログラムを、例えば、磁気ディスク、光ディスク、光磁気ディスク等の記憶装置（記録媒体）に予め記録しておき、その記憶装置から通信回線を介してコンピュータに提供するようにしてもよい。
　以上、本発明の実施形態について説明したが、本発明は上述したこれらの実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施形態に記載されたものに限定されるものではない。
　１　異常検知クラウドシステム、１０　ドローン、１００　異常検知コンピュータ

Claims (6)

  1. 　光が照射している状態で撮影された画像データを画像解析することで、前記分析対象の異常を検知する異常検知手段と、
    　前記画像データ内の光の照射状態によって、分析対象の異常を誤検知しているか否かを判断する誤検知判断手段と、を備える異常検知システム。
  2. 　前記誤検知判断手段は、前記分析対象の異常を誤検知するか否かを判断するとは、前記画像データ内の領域に、前記光の照射によるＲＧＢ値の乖離を検知し、判断することであって、
    　前記画像データ内の領域に、ＲＧＢ値の乖離を検知し、前記分析対象の異常を誤検知すると判断した場合には、当該領域に該当する位置を再撮影するように指示する再撮影指示手段と、を備える請求項１に記載の異常検知システム。
  3. 　前記誤検知判断手段は、前記分析対象の異常を検知する際に、過去に撮影された分析対象の画像データを学習して誤検知を判断する請求項１又は２に記載の異常検知システム。
  4. 　ドローンが、光が照射している状態で分析対象を撮影する撮影手段を備え、
    　前記ドローンと通信可能に接続されたコンピュータが、
    　　前記ドローンから当該撮影された分析対象の画像データを画像解析することで、前記分析対象の異常を検知する異常検知手段と、
    　　撮影した画像データ内の光の照射状態によって、分析対象の異常を誤検知しているか否かを判断する誤検知判断手段と、を備える異常検知クラウドシステム。
  5. 　光が照射している状態で分析対象を撮影する撮影ステップと、
    　前記分析対象を撮影した画像データを画像解析することで、前記分析対象の異常を検知する異常検知ステップと、
    　撮影した画像データ内の光の照射状態によって、分析対象の異常を誤検知しているか否かを判断する誤検知判断ステップと、を備える異常検知方法。
  6. 　コンピュータに、
    　光が照射している状態で撮影された画像データを画像解析することで、前記分析対象の異常を検知するステップ、
    　前記画像データ内の光の照射状態によって、分析対象の異常を誤検知しているか否かを判断するステップ、を実行させるためのプログラム。
PCT/JP2017/007805 2017-02-28 2017-02-28 異常検知システム、異常検知方法及びプログラム WO2018158823A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
PCT/JP2017/007805 WO2018158823A1 (ja) 2017-02-28 2017-02-28 異常検知システム、異常検知方法及びプログラム
JP2019502322A JP6625786B2 (ja) 2017-02-28 2017-02-28 異常検知システム、異常検知方法及びプログラム
CN201780085861.6A CN110402456B (zh) 2017-02-28 2017-02-28 异常检测系统、异常检测方法以及存储介质
US16/518,038 US10636174B2 (en) 2017-02-28 2019-07-22 Abnormality detection system, abnormality detection method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/007805 WO2018158823A1 (ja) 2017-02-28 2017-02-28 異常検知システム、異常検知方法及びプログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/518,038 Continuation-In-Part US10636174B2 (en) 2017-02-28 2019-07-22 Abnormality detection system, abnormality detection method, and program

Publications (1)

Publication Number Publication Date
WO2018158823A1 true WO2018158823A1 (ja) 2018-09-07

Family

ID=63370321

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/007805 WO2018158823A1 (ja) 2017-02-28 2017-02-28 異常検知システム、異常検知方法及びプログラム

Country Status (4)

Country Link
US (1) US10636174B2 (ja)
JP (1) JP6625786B2 (ja)
CN (1) CN110402456B (ja)
WO (1) WO2018158823A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020160966A (ja) * 2019-03-27 2020-10-01 株式会社日立製作所 画像認識システムおよび画像認識方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11074447B1 (en) * 2018-07-13 2021-07-27 Hana Resources, Inc. Land analysis system using drone-captured data
JP7091199B2 (ja) * 2018-09-12 2022-06-27 株式会社東芝 画像処理装置、方法及びプログラム
CN113552123A (zh) * 2020-04-17 2021-10-26 华为技术有限公司 视觉检测方法和视觉检测装置
CN112991286B (zh) * 2021-03-05 2024-04-26 浙江大华技术股份有限公司 图像统计数据的检测方法、设备以及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002352340A (ja) * 2001-05-30 2002-12-06 Hitachi Ltd 画像監視装置
JP2009169717A (ja) * 2008-01-17 2009-07-30 Meidensha Corp 画像処理による侵入者検知装置
JP2016186682A (ja) * 2015-03-27 2016-10-27 綜合警備保障株式会社 空撮画像処理システム及び空撮画像処理方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0830765A (ja) * 1994-07-14 1996-02-02 Toyo Constr Co Ltd 水域モニタリングシステム
JP3586118B2 (ja) * 1998-10-19 2004-11-10 大日本スクリーン製造株式会社 出力物検査装置
JP2003006276A (ja) 2001-06-26 2003-01-10 Nisshin Seifun Group Inc 畜産コンサルティングシステム
JP3952301B2 (ja) * 2003-08-29 2007-08-01 ノーリツ鋼機株式会社 画像処理装置、方法、及びプログラム
JP2005150779A (ja) * 2003-11-11 2005-06-09 Olympus Corp 画像表示装置の表示特性補正データ算出方法、表示特性補正データプログラム、表示特性補正データ算出装置
JP4332122B2 (ja) * 2005-01-17 2009-09-16 シーケーディ株式会社 外観検査装置及びｐｔｐ包装機
JP2010044445A (ja) * 2008-08-08 2010-02-25 Honda Motor Co Ltd 車両環境認識装置
JP5765152B2 (ja) * 2011-09-12 2015-08-19 大日本印刷株式会社 真贋判定装置、真贋判定方法、及びプログラム
US9977978B2 (en) * 2011-11-14 2018-05-22 San Diego State University Research Foundation Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery
CA2998439A1 (en) * 2015-09-18 2017-03-23 SlantRange, Inc. Systems and methods for determining statistics of plant populations based on overhead optical measurements
WO2017095948A1 (en) * 2015-11-30 2017-06-08 Pilot Ai Labs, Inc. Improved general object detection using neural networks
DE112016005939B4 (de) * 2016-02-18 2020-02-27 Mitsubishi Electric Corporation Fahrgasterkennungsvorrichtung, Fahrgasterkennungssystem und Fahrgasterkennungsverfahren
US10546195B2 (en) * 2016-12-02 2020-01-28 Geostat Aerospace & Technology Inc. Methods and systems for automatic object detection from aerial imagery
US9984455B1 (en) * 2017-06-05 2018-05-29 Hana Resources, Inc. Organism growth prediction system using drone-captured images
TWI637363B (zh) * 2017-07-26 2018-10-01 銘傳大學 擴增實境之人機互動系統
US10778967B2 (en) * 2017-08-24 2020-09-15 Qualcomm Incorporated Systems and methods for improving performance of a robotic vehicle by managing on-board camera defects

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002352340A (ja) * 2001-05-30 2002-12-06 Hitachi Ltd 画像監視装置
JP2009169717A (ja) * 2008-01-17 2009-07-30 Meidensha Corp 画像処理による侵入者検知装置
JP2016186682A (ja) * 2015-03-27 2016-10-27 綜合警備保障株式会社 空撮画像処理システム及び空撮画像処理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020160966A (ja) * 2019-03-27 2020-10-01 株式会社日立製作所 画像認識システムおよび画像認識方法
JP7190951B2 (ja) 2019-03-27 2022-12-16 株式会社日立製作所 画像認識システムおよび画像認識方法

Also Published As

Publication number Publication date
US10636174B2 (en) 2020-04-28
JP6625786B2 (ja) 2019-12-25
US20190340789A1 (en) 2019-11-07
JPWO2018158823A1 (ja) 2019-11-07
CN110402456B (zh) 2023-06-23
CN110402456A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
WO2018158823A1 (ja) 異常検知システム、異常検知方法及びプログラム
Edney et al. Applications of digital imaging and analysis in seabird monitoring and research
WO2019196009A1 (zh) 图像传感器坏点检测方法、拍摄装置、无人机及存储介质
US7738008B1 (en) Infrared security system and method
US20190171897A1 (en) System and method for automatically improving gathering of data using a data gathering device
EP4138025A1 (en) Smart livestock management system and method for same
US9922049B2 (en) Information processing device, method of processing information, and program for processing information
WO2020145336A1 (ja) 魚監視システム及びカメラユニット
JP6704979B1 (ja) 無人飛行装置、無人飛行システム及び無人飛行装置制御システム
JP7074185B2 (ja) 特徴推定装置および特徴推定方法、プログラム
CN111476179B (zh) 关键目标的行为预测方法、ai追踪相机及存储介质
US20220067377A1 (en) Device for managing environment of breeding farm
WO2019163118A1 (ja) コンピュータシステム、ドローン制御方法及びプログラム
KR20200009530A (ko) 이상 개체 검출 시스템 및 방법
US20180033271A1 (en) Systems and methods for detecting motion based on a video pattern
WO2018158822A1 (ja) 異常検知システム、方法及びプログラム
JP7300958B2 (ja) 撮像装置、制御方法、及びコンピュータプログラム
US11917301B2 (en) Image capturing apparatus and method for controlling image capturing apparatus
US11238281B1 (en) Light source detection in field of view
WO2019163119A1 (ja) コンピュータシステム、ドローン制御方法及びプログラム
CN112525348A (zh) 工业废气的监测方法、装置及系统
TWI658789B (zh) 漁獲與獵物自動辨識登錄系統
CN113301240B (zh) 控制拍照的方法和装置、电子设备、计算机可读存储介质
KR102307609B1 (ko) 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치
JP6246163B2 (ja) 撮影装置、撮影方法及び、画像システム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17898595

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019502322

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17898595

Country of ref document: EP

Kind code of ref document: A1