WO2019059000A1 - 雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステム - Google Patents

雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステム Download PDF

Info

Publication number
WO2019059000A1
WO2019059000A1 PCT/JP2018/033233 JP2018033233W WO2019059000A1 WO 2019059000 A1 WO2019059000 A1 WO 2019059000A1 JP 2018033233 W JP2018033233 W JP 2018033233W WO 2019059000 A1 WO2019059000 A1 WO 2019059000A1
Authority
WO
WIPO (PCT)
Prior art keywords
temperature
neural network
temperature estimation
value
estimation device
Prior art date
Application number
PCT/JP2018/033233
Other languages
English (en)
French (fr)
Inventor
裕介 伴場
護 大柿
宏一 田野入
恵太 橋
卓也 松田
Original Assignee
Eizo株式会社
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 Eizo株式会社 filed Critical Eizo株式会社
Priority to US16/649,351 priority Critical patent/US11287860B2/en
Priority to DE112018004283.9T priority patent/DE112018004283T5/de
Publication of WO2019059000A1 publication Critical patent/WO2019059000A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/42—Circuits effecting compensation of thermal inertia; Circuits for predicting the stationary value of a temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • G06F1/206—Cooling means comprising thermal management
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/20—Compensating for effects of temperature changes other than those to be measured, e.g. changes in ambient temperature
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1917—Control of temperature characterised by the use of electric means using digital means
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00—Constructional details common to different types of electric apparatus
    • H05K7/20—Modifications to facilitate cooling, ventilating, or heating
    • H05K7/20954—Modifications to facilitate cooling, ventilating, or heating for display panels

Definitions

  • the present invention relates to an atmosphere temperature estimation device, an atmosphere temperature estimation method, a program, and a system.
  • Patent Document 1 discloses a display device capable of estimating the ambient temperature by using two or more temperature sensors in the display device and a correlation between temperatures detected by the temperature sensors.
  • Patent Document 1 enormous man-hours are required for positioning of a temperature sensor and adjustment of parameters used to estimate the ambient temperature. Specifically, in order to improve the estimation accuracy, it is necessary to manually adjust the parameters, which causes an increase in the number of steps. In addition, if the estimation accuracy can not be improved, positioning of the temperature sensor needs to be performed again, and a return occurs. Further, in Patent Document 1, it is a premise that the correlation between temperatures is determined under the condition where the cooling fan of the display device is driven under a constant control value. This is because, when the control value of the cooling fan is dynamically changed, the temperatures detected by two or more temperature sensors are also dynamically changed, and the correlation between the temperatures based on FIG. Because it is extremely difficult to do. Therefore, when the control value of the cooling fan in the display device is dynamically changed, in the technique of Patent Document 1, the estimation accuracy is reduced.
  • the present invention has been made in view of such circumstances, and an atmosphere temperature estimation device and atmosphere temperature estimation method capable of estimating atmosphere temperature with short man-hours and high accuracy without depending largely on the position of a temperature sensor. And provide a program. Further, even when the control value of the cooling fan is dynamically changed, an atmosphere temperature estimation device with high estimation accuracy of the atmosphere temperature, an atmosphere temperature estimation method, and a program are provided.
  • the ambient temperature around the atmosphere temperature estimation device is estimated using a neural network, a temperature acquisition unit that acquires one or more temperature values in the atmosphere temperature estimation device, and the neural network.
  • a neural network calculation unit is provided, and the input value input to the neural network by the neural network calculation unit is a temperature value acquired by the temperature acquisition unit, and a heat source control value for controlling a heat source in the atmosphere temperature estimation apparatus.
  • An ambient temperature estimation device is provided, including:
  • the atmosphere temperature is estimated by inputting parameters including one or more temperature values in the atmosphere temperature estimation device and a heat source control value for controlling the heat source in the atmosphere temperature estimation device to the neural network. . This made the estimation accuracy of the ambient temperature extremely high.
  • a cooling control unit that controls the inside of the atmosphere temperature estimation device based on a cooling control value
  • the input value includes the cooling control value.
  • the cooling control unit is configured to dynamically control the cooling control value.
  • the input value includes a change amount of the temperature value in a predetermined period.
  • the heat source is a backlight or an internal circuit.
  • the input value includes an energization time of at least one of the atmosphere temperature estimation device or the heat source.
  • the neural network is configured by a plurality of calculation nodes, and a predetermined weight is set for each of the calculation nodes, and the weight is set by machine learning in advance by another information processing apparatus. Or set by performing machine learning by the atmosphere temperature estimation apparatus.
  • the temperature acquisition unit acquires one or more temperature values in the atmosphere temperature estimation device, and the neural network calculation unit uses a neural network to obtain the atmosphere temperature estimation device.
  • a neural network calculation step of estimating the ambient temperature of the surroundings, and an input value inputted to the neural network controls a temperature value acquired by the temperature acquisition unit and a heat source in the atmosphere temperature estimation apparatus
  • An ambient temperature estimation method is provided that includes a heat source control value.
  • a neural network using a computer, a neural network, a temperature acquisition unit for acquiring one or more temperature values in the atmosphere temperature estimation device, and the neural network, the ambient temperature around the atmosphere temperature estimation device is It functions as a neural network calculation unit to estimate, and an input value input to the neural network by the neural network calculation unit controls a temperature value acquired by the temperature acquisition unit and a heat source in the atmosphere temperature estimation apparatus.
  • a program is provided that includes a heat source control value.
  • the atmosphere temperature estimation device according to any one of the above and the information processing device are included, and the atmosphere temperature estimation device and the information processing device are capable of data communication with each other.
  • the ambient temperature estimation device is configured to acquire the communication unit of the determined weights, a system is provided.
  • FIG. 2 is a conceptual diagram for describing a configuration of a neural network 20 and neural network calculation by a neural network calculator 14; It is a figure for demonstrating the weight w utilized for neural network calculation.
  • FIG. 4A is an example of a table representing the relationship between various parameters input to the neural network 20 and input signals
  • FIG. 4B is a relationship representing the relationship between an output signal output from the neural network 20 and the ambient temperature.
  • FIG. 2 is a functional block diagram of an information processing device 30 for determining weights w used for neural network calculation in the atmosphere temperature estimation device 1.
  • FIG. 6 is a conceptual diagram showing a state of machine learning using a neural network 50 of the information processing device 30.
  • FIG. 10A is a graph showing temporal changes in temperature values by two temperature sensors when the cooling fan is driven in a fixed manner
  • FIG. 10B is graphs showing temporal changes in temperature values by two temperature sensors when the cooling fan is variably controlled. is there. It is a graph which shows the estimation result which estimated atmosphere temperature using two temperature sensors, without applying this invention, and the estimation result of two types of atmosphere temperature by the atmosphere temperature estimation apparatus 1 of one Embodiment of this invention.
  • FIG. 10A is a graph showing temporal changes in temperature values by two temperature sensors when the cooling fan is driven in a fixed manner
  • FIG. 10B is graphs showing temporal changes in temperature values by two temperature sensors when the cooling fan is variably controlled. is there. It is a graph which shows the estimation result which estimated atmosphere temperature using two temperature sensors, without applying this invention, and the estimation result of two types of atmosphere temperature by the atmosphere temperature estimation apparatus 1 of one Embodiment of this invention.
  • FIG. 10A is a graph showing temporal changes in temperature values by two temperature sensors when the cooling fan is
  • FIG. 5 is a schematic view showing a relationship between an input gradation to the atmosphere temperature estimation device 1 and the luminance of the display unit 3;
  • FIG. 13A shows display characteristics by the atmosphere temperature estimation device 1 according to an embodiment of the present invention.
  • FIG. 13B shows display characteristics of a display device that does not estimate the ambient temperature.
  • FIGS. 1 to 7 An atmosphere temperature estimation apparatus 1 according to a first embodiment of the present invention will be described using FIGS. 1 to 7.
  • the atmospheric temperature estimation device 1 in the first embodiment can be applied to, for example, a display device.
  • the example which applied the atmospheric temperature estimation apparatus 1 to the display apparatus is demonstrated.
  • the atmosphere temperature estimation device 1 includes an operation unit 2, a display unit 3, a backlight 4, a cooling fan 5, a substrate 6, a temperature acquisition unit 7, a storage unit 8, a communication unit 9, a communication unit 9, a control unit 10 and A neural network 20 (represented as NN in the figure, and so forth) is provided.
  • the operation unit 2 operates the display unit 3 and includes, for example, a touch panel, a keyboard, a switch, a voice input unit, or a motion detection unit. For example, various setting information on the OSD (On Screen Display) is operated by the operation unit 2.
  • the display unit 3 displays various images (including a still image and a moving image), and includes, for example, a liquid crystal display, an organic EL display, an arbitrary touch panel display, and other displays.
  • the backlight 4 illuminates the display unit 3, and can be a heat source for releasing heat into the atmosphere temperature estimation device 1. Further, the backlight 4 is configured such that the intensity thereof can be controlled by a heat source control value described later.
  • the cooling fan 5 is provided in the atmosphere temperature estimation device 1 and cools the atmosphere temperature estimation device 1.
  • the cooling fan 5 is configured such that the drive strength thereof can be controlled by a cooling control value described later.
  • the substrate 6 is provided with various internal circuits provided in the ambient temperature estimation apparatus 1.
  • the internal circuit provided on the substrate 6 is an example of a heat source as in the backlight 4.
  • the heat source in the present embodiment is the backlight 4 or the internal circuit.
  • the atmosphere temperature estimation device 1 when the atmosphere temperature estimation device 1 is applied to a display device provided with an organic EL display, the organic EL display spontaneously emits light, so the backlight 4 is not an essential component.
  • the temperature acquisition unit 7 is configured of, for example, a temperature sensor, and is for acquiring one or more temperature values in the atmosphere temperature estimation device 1.
  • the temperature value may be an actual temperature itself, or may be a value subjected to predetermined conversion or a value proportional to or correlated with the actual temperature.
  • the temperature value when the temperature is 0 ° C. may be 0, and the temperature value when the temperature is 100 ° C. may be 1.
  • the temperature acquisition unit 7 can be provided at an arbitrary position in the atmosphere temperature estimation device 1.
  • the storage unit 8 stores various data and programs, and is configured of, for example, a memory, an HDD, an SSD, or the like.
  • the communication unit 9 transmits / receives various data to / from the control unit 10 or another information processing apparatus, and is configured by an arbitrary I / O.
  • the control unit 10 includes a heat source control unit 11, a cooling control unit 12, a temperature change amount calculation unit 13, and a neural network calculation unit 14 (displayed as an NN calculation unit in the figure; the same applies hereinafter).
  • the heat source control unit 11 controls the heat source in the atmosphere temperature estimation device 1 based on the heat source control value.
  • the backlight 4 is treated as a heat source
  • the heat source control value is a brightness setting value of the backlight 4.
  • the value used for the heat source control value is not particularly limited, but for example 0 (the preset value at which the brightness of the backlight 4 is the lowest (0)) to 100 (setting value at which the brightness of the backlight 4 is the maximum brightness) Can be
  • the cooling control unit 12 controls the inside of the ambient temperature estimation device 1 based on a cooling control value.
  • the cooling control value is a control value of the cooling fan 5.
  • the value used for the cooling control value is not particularly limited. For example, 0 (a set value at which the driving of the cooling fan 5 is at a minimum (stopping the cooling fan 5)) to 100 (a set value at which the driving of the cooling fan 5 is at maximum) can do.
  • the cooling control unit 12 is configured to dynamically control the cooling control. This makes it possible to dynamically change the drive strength of the cooling fan 5. Therefore, the driving strength of the cooling fan 5 is increased when the temperature in the atmosphere temperature estimation device 1 is high, while the driving strength of the cooling fan 5 is decreased when the temperature in the atmosphere temperature estimation device 1 is low. It is possible to reduce power consumption.
  • the temperature change amount calculation unit 13 calculates the change amount of the temperature value in a predetermined period from the temperature value acquired by the temperature acquisition unit 7.
  • the predetermined period is not particularly limited, and may be, for example, 1 second, 10 seconds, 30 seconds, 1 minute, 3 minutes, 5 minutes, 10 minutes or more or less.
  • the neural network calculation unit 14 estimates the ambient temperature around the ambient temperature estimation apparatus 1 using a neural network 20 described later.
  • the neural network calculation unit 14 inputs an input value based on various parameters to the neural network 20.
  • the input values input to the neural network 20 by the neural network calculation unit 14 include the temperature value acquired by the temperature acquisition unit 7 and the heat source control value for controlling the heat source in the atmosphere temperature estimation device 1.
  • the ambient temperature is a temperature that is not affected by the temperature rise due to the heat generation of the ambient temperature estimation device 1 or the like. That is, when the atmospheric temperature estimation device 1 is indoors, the temperature is substantially equal to room temperature, and when the atmospheric temperature estimation device 1 is outdoor, the temperature is substantially equal to the outdoor temperature.
  • the neural network calculation unit 14 inputs the temperature value acquired by the temperature acquisition unit 7 and the heat source control value for controlling the heat source in the atmosphere temperature estimation device 1 to the neural network 20, and the atmosphere temperature estimation device Output the ambient temperature around 1. Details of the neural network calculation unit 14 will be described later with reference to FIGS. 3 and 4.
  • the neural network 20 receives input values based on various parameters, is composed of a plurality of computing nodes N, and has a predetermined weight w set for each computing node N.
  • the weight w is a quantity that represents the coupling efficiency of the computation node N, and is also called coupling weight.
  • the neural network 20 can be implemented as software or hardware, for example, can be implemented on the firmware of the ambient temperature estimation device 1.
  • the weight w is set by machine learning in advance by another information processing apparatus 30 described later, or is set by machine learning performed in the atmosphere temperature estimation apparatus 1. Ru. Details will be described later.
  • the neural network 20 is composed of a plurality of layers (first to third layers L1 to L3) and a plurality of calculation nodes N (N11 to N31).
  • Nij represents the j-th computation node N in the i-th layer.
  • a predetermined weight w is set to each calculation node N. As shown in FIG. 3, for example, when focusing on the calculation node N23 of the second layer, a weight w is between the calculation node N23 and all the calculation nodes N11 to N15 of the first layer which is the immediately preceding layer. It is set.
  • the weight w is set to, for example, a value of -1 to 1.
  • the neural network calculation unit 14 inputs various parameters to the neural network 20.
  • a first temperature value, a second temperature value, a heat source control value, a cooling control value, a first temperature change amount, and a second temperature change amount are used as parameters to be input to the neural network 20.
  • the first temperature value and the second temperature value are temperature values based on the first temperature and the second temperature detected by the respective temperature sensors when two temperature sensors are provided as the temperature acquisition unit 7. .
  • the first temperature change amount and the second temperature change amount are change amounts in a predetermined period of time of the first temperature value and the second temperature value.
  • the input value input to the neural network 20 includes, in addition to the temperature value and the heat source control value, the cooling control value and the variation of the degree value in a predetermined period.
  • each parameter is normalized to a value of 0 to 1 when being input to the neural network 20.
  • all parameters are defined as 0 to 100, and a case where this is converted into an input signal of 0 to 1 will be described.
  • 0 first temperature value
  • 1 first temperature value
  • the first temperature is 100 ° C.
  • 1 heat source control value
  • the luminance setting value is 100
  • 1 heat source control value
  • the neural network calculation unit 14 inputs an input signal defined by various parameters to the first layer L1.
  • the input signals are output from the calculation nodes N11 to N15 in the first layer to the calculation nodes N21 to N25 in the second layer L2.
  • values obtained by multiplying the values output from the calculation nodes N11 to N15 by the weight w set for each calculation node N are input to the calculation nodes N21 to N25.
  • the calculation nodes N21 to N25 add together the input values, and input the value obtained by adding the bias b shown in FIG. 3 to the value to the activation function f ().
  • the output value of the activation function f () (the output value from the virtual calculation node node N'23 in the example of FIG.
  • the calculation node N31 which is the next node.
  • a value obtained by multiplying the output value with the weight w set between the calculation nodes N21 to N25 and the calculation node N31 is input to the calculation node N31.
  • the calculation node N31 adds the input values and outputs the sum as an output signal.
  • the computation node N31 may add together the input values, input a value obtained by adding a bias to the total value to the activation function, and output the output value as an output signal.
  • the value of the output signal is adjusted to be a value of 0 to 1.
  • the neural network calculation part 14 outputs the value corresponding to the value of an output signal as presumed atmosphere temperature.
  • the control unit 10 adjusts the luminance, the chromaticity, or the unevenness of the display unit 3 based on the estimated ambient temperature. For example, the control unit 10 rewrites the LUT table (not shown) to correct the gradation characteristics of the display unit 3 based on the estimated atmosphere temperature (gamma correction), so that the brightness of the display unit 3 can be Adjust to fit.
  • the ambient temperature estimation device 1 uses various parameters as input values, and machine learning is performed in advance by another information processing device 30 described later, or machine learning is performed by the atmosphere temperature estimation device 1.
  • the ambient temperature can be estimated with high accuracy as compared with the conventional case.
  • the amount of change in the temperature value in a predetermined period is used as the input value to the neural network 20, but instead of the amount of change in the temperature value, the atmosphere temperature estimation device 1 or the heat source Alternatively, at least one of the energization times may be used as an input value to the neural network 20.
  • the atmosphere temperature estimation apparatus 1 may be configured to use, as an input value, the energization time in a state in which the backlight is not energized but is energized.
  • the information processing apparatus 30 includes a communication unit 31, a parameter acquisition unit 32, a storage unit 33, a control unit 40, and a neural network 50.
  • the information processing apparatus 30 is configured by, for example, a computer or a server.
  • the communication unit 31, the storage unit 33, and the neural network 50 have the same functions as the communication unit 9, the storage unit 8, and the neural network 20 of the atmosphere temperature estimation device 1, and thus the description thereof will be omitted.
  • the communication unit 9 and the communication unit 31 are configured to be able to transmit and receive data to each other.
  • the number of layers in the neural network 50 and the configuration of the calculation node N can be designed as appropriate by the developer.
  • the parameter acquisition unit 32 acquires various parameters input to the neural network 20 of the atmosphere temperature estimation device 1.
  • the information processing device 30 acquires various parameters from the communication unit 9 of the atmosphere temperature estimation device 1 via the communication unit 31.
  • the connection mode of the communication unit 9 and the communication unit 31 is not particularly limited, and wired or wireless may be used.
  • the control unit 40 includes a temperature change calculation unit 41, a neural network calculation unit 42, a machine learning execution unit 43, and a weight setting unit 44.
  • the temperature change calculation unit 41 and the neural network calculation unit 42 have the same functions as the temperature change amount calculation unit 13 and the neural network calculation unit 14 of the atmosphere temperature estimation device 1, and thus the description thereof will be omitted.
  • the machine learning execution unit 43 executes machine learning for estimating the atmosphere temperature by substituting various parameters acquired by the parameter acquisition unit 32 into the neural network 50 and repeating the calculation by the neural network calculation unit 42. It is. Then, as a result of machine learning by the machine learning execution unit 43, the weight w is determined.
  • the weight setting unit 44 sets, in the neural network 50, the weight w to be set in the atmosphere temperature estimation device 1 as a result of machine learning by the machine learning execution unit 43.
  • the machine learning execution unit 43 sets, for example, a weight w of -1 to 1 for each calculation node N constituting the neural network 50 having the same configuration as the neural network 20 shown in FIG. Do. At this time, in order to reduce the influence of the weight w, it is preferable that the absolute value of the weight w set first is small. Then, the six types of input value sets acquired by the information processing device 30 are input to the neural network 50.
  • the output signal from the neural network 50 and teacher data representing the measured value of the atmosphere temperature are compared, and if the difference between the output signal and the teacher data (hereinafter referred to as error) is equal to or more than a predetermined threshold, the weight w is Change and input six sets of input values to the neural network 50 again. At this time, the change of the weight w is performed by a known error propagation method or the like. By repeatedly executing such calculation (machine learning), the error between the output signal from the neural network 50 and the pre-given teacher data is minimized. At this time, the number of times of learning of machine learning is not particularly limited, and can be, for example, 1000 times to 20000 times. In addition, even if the error between the output signal and the teacher data given in advance is not minimized, the machine learning is ended when the error becomes equal to or less than a predetermined threshold or at an arbitrary timing of the developer. You may
  • the weight setting unit 44 sets the weight of each calculation node N at this time in the neural network 50. That is, in the present embodiment, the weight w is stored in a storage unit such as a memory provided on the neural network 50. Then, the weight w set by the weight setting unit 44 is transmitted to the atmosphere temperature estimation device 1 via the communication unit 31 and is used as the weight of each calculation node N of the neural network 20 of the atmosphere temperature estimation device 1. In the present embodiment, the weight w is stored in a storage unit such as a memory provided on the neural network 20.
  • the configuration of the neural network 20 of the atmosphere temperature estimation device 1 the same as the configuration of the neural network 50 of the information processing device 30, it is possible to use the weight w set by the weight setting unit 44 as it is Become.
  • the developer sets the weight w by the information processing device 30 and mounts the weight w on the atmosphere temperature estimation device 1 before selling the atmosphere temperature estimation device 1.
  • the setting procedure of the weight w mounted in the atmosphere temperature estimation apparatus 1 will be described.
  • the ambient temperature estimation device 1 acquires six types of input values shown in FIGS. 2 and 6 by the temperature acquisition unit 7 or the like. For example, when the ambient temperature around the ambient temperature estimation device 1 is 25 ° C., it is assumed that the six types of input values are as follows. First temperature value: 0.25 Second temperature value: 0.3 Heat source control value: 0.5 Cooling control value: 0.3 First temperature change amount: 0.01 Second change in temperature: 0.02 The atmosphere temperature estimation apparatus 1 stores the above input values in the storage unit 8 as one set.
  • the ambient temperature estimation apparatus 1 acquires a temperature change in a predetermined period.
  • the atmosphere temperature estimation device 1 and the information processing device 30 are connected, and the plurality of input value sets are transmitted from the atmosphere temperature estimation device 1 to the information processing device 30.
  • the connection between the atmosphere temperature estimation device 1 and the information processing device 30 may be performed before S11 or S11.
  • the six types of input values can be transmitted as they are to the information processing device 30, without being stored in the storage unit 8 of the atmosphere temperature estimation device 1.
  • the information processing device 30 receives the plurality of input value sets acquired by the atmosphere temperature estimation device 1 in S21.
  • the neural network calculation unit 42, the machine learning execution unit 43, and the neural network 50 cooperate to execute the above-described machine learning.
  • the neural network calculation unit 42, the machine learning execution unit 43, and the neural network 50 cooperate to execute the above-described machine learning.
  • six types of input value sets are input to the first layer L1, weighting operations are performed in each calculation node, and an output signal is output from the neural network 50.
  • the weight setting unit 44 sets the weight w determined by the above-described machine learning in the neural network 50.
  • the process of S24 is not essential.
  • the atmosphere temperature estimation device 1 receives the weight w transmitted from the information processing device 30 in S13.
  • the weight w is set to the neural network 20 having the same structure as the neural network 50 of the information processing device 30.
  • the neural network 20 may be implemented on firmware in advance.
  • the result (weight w) machine-learned by the information processing apparatus 30 can be set in the neural network 20 of the atmosphere temperature estimation apparatus 1, and the atmosphere temperature estimation apparatus 1 of An ambient temperature estimation device 1 capable of estimating the ambient ambient temperature is realized.
  • the neural network 20 and the neural network 50 are composed of a plurality of computing nodes N, A predetermined weight w is set for each calculation node N,
  • the information processing device 30 is configured to obtain the temperature value acquired by the temperature acquisition unit 7 of the atmosphere temperature estimation device 1 and the heat source control value for controlling the heat source in the atmosphere temperature estimation device 1 by the communication unit 31.
  • the calculation node N and the weight w perform machine learning of the temperature value obtained from the atmosphere temperature estimation device 1 by the communication unit 31 of the information processing device 30 and the heat source control value using the neural network 50 of the information processing device 30.
  • Determined by The atmosphere temperature estimation device 1 is configured to acquire the determined weight w by the communication unit 9; system.
  • a plurality of (two) temperature acquiring units 7 can be provided at an arbitrary position in the atmosphere temperature estimation device 1. This is because the optimal weight w can be set by machine learning.
  • trial and error are required for the positions where the plurality of (two) temperature acquiring units 7 are provided, and a large number of man-hours are required, but the man-hours can be significantly reduced in this embodiment.
  • a large number of man-hours are required to determine the correlation between the temperature values acquired by the two temperature acquiring units 7, but in the present embodiment, such man-hours are significantly reduced by using machine learning. be able to. Thereby, high robustness to the installation position of the temperature acquisition unit 7 and reduction of man-hours can be realized as compared with the conventional case.
  • the atmosphere temperature estimation apparatus 1 of the first embodiment exhibits the following effects. As compared with the prior art, the ambient temperature can be estimated with extremely high accuracy. Furthermore, since the developer determines the structure and weight w of the neural network 20, it is possible to reduce the decrease in estimation accuracy due to so-called "over-learning".
  • the atmosphere temperature estimation apparatus 1 of the second embodiment differs from the first embodiment in that a machine learning execution unit 15 and a weight setting unit 16 are provided. The differences will be described below.
  • the atmosphere temperature estimation apparatus 1 of the second embodiment includes the machine learning execution unit 15 and the weight setting unit 16, even after the atmosphere temperature estimation apparatus 1 reaches the user's hand, machine learning is performed by itself and the atmosphere temperature is The estimation accuracy of can be improved.
  • the weight w it is preferable to set in advance the weight w using the information processing device 30 at the time of shipment of the atmosphere temperature estimation device 1. Then, after the atmosphere temperature estimation device 1 is shipped, it is possible to improve the estimation accuracy of the atmosphere temperature of the atmosphere temperature estimation device 1 daily by updating the preset weight w itself.
  • a system 60 according to a third embodiment will be described with reference to FIG.
  • a plurality of atmosphere temperature estimation devices 1 are connected to the information processing device 30 via the network 100.
  • Each atmosphere temperature estimation device 1 transmits various parameters to be input to the neural network 20 to the information processing device 30 after being at the user's hand. Then, machine learning is performed by the information processing apparatus 30 operated by the developer, and the updated weight w is transmitted to the atmosphere temperature estimation apparatus 1.
  • the atmosphere temperature estimation device 1 can improve the estimation accuracy of the atmosphere temperature of the atmosphere temperature estimation device 1 by setting the updated weight w in each calculation node N of the neural network 20.
  • the weight w is updated by the developer even after the atmosphere temperature estimation device 1 is shipped, so that progress of inappropriate machine learning on the user side can be reduced. .
  • FIG. 10A and FIG. 10B are figures for demonstrating the meaning of the atmospheric temperature estimation apparatus 1 of the said embodiment.
  • FIG. 10A shows the temperature detected by the temperature acquisition unit 7 (first temperature sensor and second temperature sensor) in the atmosphere temperature estimation device 1 when the cooling control value for controlling the drive strength of the cooling fan 5 is held constant. It is a graph which shows a time-dependent change of a value.
  • FIG. 10B shows the temperature acquisition unit 7 (first temperature sensor and second temperature sensor) in the atmosphere temperature estimation device 1 when the cooling control value for controlling the drive strength of the cooling fan 5 is dynamically changed. It is a graph which shows a time-dependent change of the detected temperature value.
  • the temperature detected by the temperature sensor is normalized and indicated on the vertical axis as a temperature value (normalized).
  • an atmosphere temperature estimation device using the correlation between temperatures detected by two temperature sensors as in the technique of Patent Document 1, for example. It is possible to determine a relational expression that estimates the ambient temperature around 1.
  • FIG. 11 is a graph in which the actual ambient temperature (thermocouple measurement) and the estimated ambient temperature are plotted in the case of using the ambient temperature estimation apparatus 1 of the above embodiment.
  • the vertical axis represents the temperature
  • the horizontal axis represents the time after the brightness of the backlight 4 is reduced.
  • estimation by estimation (NN estimation) using two types of neural networks 20 The temperature is plotted.
  • two types of NN estimation are estimated without using the temperature change amount calculated by the temperature change amount calculation unit 13 (NN estimation (no temperature change amount)) and the temperature change amount.
  • the estimation results obtained when the actual ambient temperature is 15 ° C, 25 ° C, and 35 ° C are collectively plotted.
  • the cooling fan 5 was stopped when the actual ambient temperature was 15.degree. C., and the cooling fan 5 was driven at a constant strength when the actual ambient temperature was 25.degree. C. and 35.degree. This is because when the ambient temperature is 15.degree. C., it is less necessary to cool the inside of the ambient temperature estimation device 1 by the cooling fan 5, and the actual usage scene is reproduced.
  • the ambient temperature is 15 ° C., that is, when the cooling fan 5 is stopped
  • the error between the conventional method and the actual ambient temperature is large.
  • Such an error is at most 4 ° C., and the estimation accuracy of the ambient temperature is low. It is considered that this is because the temperature in the atmosphere temperature estimation device 1 changes randomly (corresponding to the state of FIG. 10B) because the cooling fan 5 is stopped. It is also considered that the internal temperature has risen compared to when the fan is driven at a constant strength.
  • the estimation accuracy is further improved by using the temperature change amount.
  • FIGS. 12 and 13 are graphs showing the relationship between the input gradation and the luminance of the display unit 3 in the prior art and the embodiment.
  • the gamma curve (solid line 1) set in the atmosphere temperature estimation apparatus 1 and the measured luminance (dotted line 2) of the actual display unit 3
  • the measured luminance of the display unit 3 follows the solid line 1 If the estimation accuracy of the ambient temperature is low, as indicated by the dotted line 2, the measured luminance of the ambient temperature estimation device 1 deviates up and down from the ideal dotted line 1.
  • the deviation from the solid line 1 upward is defined as “error rate: +”
  • the deviation from the solid line 1 downward is defined as “error rate: ⁇ ”.
  • FIG. 13 is a graph showing the error rate of the luminance of the display unit 3 when the cooling control value of the cooling fan 5 is dynamically changed under a plurality of ambient temperatures.
  • the vertical axis represents the error rate
  • the horizontal axis represents the gradation value of RGB. Note that, in FIG. 13, all RGB are set to the same gradation value.
  • the plurality of atmospheric temperatures in FIG. 13 are the same as those in FIG. Specifically, the error rates under the following 12 conditions.
  • FIG. 13A shows the error rate of the brightness of the display unit 3 when the prior art is used
  • FIG. 13B shows the error rate of the brightness of the display unit 3 when the above embodiment is used.
  • a temperature acquisition unit for acquiring one or more temperature values in the atmosphere estimation device;
  • a neural network calculation unit for estimating the ambient temperature around the atmosphere estimation device using the neural network;
  • the input value input to the neural network by the neural network calculation unit includes the temperature value acquired by the temperature acquisition unit and a heat source control value for controlling a heat source in the atmosphere estimation device. program.
  • the cooling control value of the cooling fan 5 can be coped with by various changes including linear change. -It is also possible to use only one temperature acquisition unit 7.
  • the number of calculation nodes N and the number of layers can adopt arbitrary values.
  • substrate can be used as a heat source, and the control value with respect to this internal circuit or a board
  • the embodiment which estimates external atmosphere temperature only by the information inside a display apparatus as an example of the atmosphere temperature estimation apparatus 1 was described. This is because when the temperature sensor is provided outside the display device, it is difficult to accurately measure the ambient temperature because it is affected by the heat generation of the display device.
  • the present invention can also be applied to various devices having the same problem (devices that estimate the external ambient temperature only by the information in the device).
  • Atmosphere temperature estimation device 2 Operation unit 3: Display unit 4: Back light 5: Cooling fan 6: Substrate 7: Temperature acquisition unit 8: Storage unit 9: Communication unit 10: Control unit 11: Heat source control unit 12: Cooling Control unit 13: Temperature change amount calculation unit 14: Neural network calculation unit 20: Neural network 30: Information processing device 31: Communication unit 32: Parameter acquisition unit 33: Storage unit 40: Control unit 41: Temperature change calculation unit 42: Neural Network calculation unit 43: machine learning execution unit 44: weight setting unit 50: neural network 60: system

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Control Of Temperature (AREA)
  • Measuring Temperature Or Quantity Of Heat (AREA)
  • Feedback Control In General (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

【課題】高いロバスト性と、雰囲気温度の高い推定精度を両立可能な雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステムを提供する。 【解決手段】本発明によれば、ニューラルネットワークと、雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得部と、前記ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部を備え、前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、雰囲気温度推定装置が提供される。

Description

雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステム
　本発明は、雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステムに関する。
　表示装置の階調特性を好適に維持するため、表示装置の周辺の雰囲気温度を推定するための技術が提案されている。
　特許文献１には、表示装置内の２以上の温度センサと、温度センサにより検出された温度同士の相関関係を用いることにより、雰囲気温度を推定可能な表示装置が開示されている。
特願２０１１－２５３００６号公報
　特許文献１では、温度センサの位置決めや、雰囲気温度を推定するために用いるパラメータ調整に莫大な工数がかかっていた。具体的には、推定精度を高めるためにパラメータ調整を手動で行う必要があり、工数増加の原因となっていた。また、推定精度を高めることができない場合、温度センサの位置決めを再度行う必要があり、手戻りが発生していた。
　また、特許文献１では、表示装置の冷却ファンが一定の制御値のもとに駆動している条件において温度同士の相関関係を決定することが前提である。これは、冷却ファンの制御値が動的に変更されると、２以上の温度センサにより検出される温度も動的に変化し、特許文献１の図４に基づく温度同士の相関関係を数式化することが極めて困難なためである。そのため、表示装置内の冷却ファンの制御値が動的に変更される場合には、特許文献１の技術では推定精度が低下する。
　本発明はこのような事情に鑑みてなされたものであり、温度センサの位置に大きく依存せずに、短い工数、かつ、高い精度で雰囲温度を推定できる雰囲気温度推定装置、雰囲気温度推定方法、及び、プログラムを提供するものである。
　また、冷却ファンの制御値が動的に変更された場合でも、雰囲気温度の推定精度の高い雰囲気温度推定装置、雰囲気温度推定方法及びプログラムを提供するものである。
　本発明によれば、ニューラルネットワークと、雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得部と、前記ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部を備え、前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、雰囲気温度推定装置が提供される。
　本発明によれば、雰囲気温度推定装置内の１又は複数の温度値と、雰囲気温度推定装置内の熱源を制御する熱源制御値を含むパラメータをニューラルネットワークに入力することにより、雰囲気温度を推定する。これにより、雰囲気温度の推定精度が極めて高くなった。
　以下、本発明の種々の実施形態を例示する。以下に示す実施形態は互いに組み合わせ可能である。
　好ましくは、前記雰囲気温度推定装置内を冷却制御値に基づき制御する冷却制御部を備え、前記入力値は、前記冷却制御値を含む。
　好ましくは、前記冷却制御部は、前記冷却制御値を動的に制御するように構成される。
　好ましくは、前記入力値は、予め定められた期間における前記温度値の変化量を含む。
　好ましくは、前記熱源は、バックライト又は内部回路である。
　好ましくは、前記入力値は、前記雰囲気温度推定装置又は前記熱源の少なくとも一方の通電時間を含む。
　好ましくは、前記ニューラルネットワークは、複数の計算ノードにより構成され、前記計算ノード毎に予め定められた重みが設定されており、前記重みは、他の情報処理装置により予め機械学習されることにより設定されるか、前記雰囲気温度推定装置内により機械学習が実行されることにより設定される。
　他の観点によれば、温度取得部により、雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得ステップと、ニューラルネットワーク計算部により、ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算ステップと、を備え、前記ニューラルネットワークに入力される入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、雰囲気温度推定方法が提供される。
　他の観点によれば、コンピュータを、ニューラルネットワーク、雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得部、前記ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部、として機能させ、前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、プログラムが提供される。
　他の観点によれば、上記の何れか１つに記載の雰囲気温度推定装置と、情報処理装置と、を有し、前記雰囲気温度推定装置及び前記情報処理装置はそれぞれ、互いにデータ通信可能な通信部及びニューラルネットワークを備え、前記ニューラルネットワークは、複数の計算ノードにより構成され、前記計算ノード毎に予め定められた重みが設定されており、前記情報処理装置は、前記雰囲気温度推定装置の前記温度取得部が取得した温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を通信部により取得するように構成され、前記計算ノード及び前記重みは、前記情報処理装置の前記通信部が前記雰囲気温度推定装置から取得した前記温度値と、前記熱源制御値と、を前記情報処理装置のニューラルネットワークを用いて機械学習することにより決定され、前記雰囲気温度推定装置は、前記決定された重みを通信部により取得するように構成される、システムが提供される。
本発明の第１実施形態の雰囲気温度推定装置１の機能ブロック図である。 ニューラルネットワーク２０の構成及びニューラルネットワーク計算部１４によるニューラルネットワーク計算について説明するための概念図である。 ニューラルネットワーク計算に利用される重みｗについて説明するための図である。 図４Ａは、ニューラルネットワーク２０に入力される種々のパラメータと入力信号の関係を、図４Ｂはニューラルネットワーク２０から出力される出力信号と雰囲気温度の関係を表すテーブルの一例である。 雰囲気温度推定装置１におけるニューラルネットワーク計算に利用される重みｗを決定するための情報処理装置３０の機能ブロック図である。 情報処理装置３０のニューラルネットワーク５０を用いた機械学習の様子を表す概念図である。 雰囲気温度推定装置１に重みｗが設定されるまでのフローを表すフローチャートである。 本発明の第２実施形態の雰囲気温度推定装置１の機能ブロック図である。 本発明の第３実施形態のシステム６０の機能ブロック図である。 図１０Ａは、冷却ファンを固定駆動した場合における２つの温度センサによる温度値の経時変化を、図１０Ｂは、冷却ファンを可変制御した場合における２つの温度センサによる温度値の経時変化を表すグラフである。 本発明の一実施形態の雰囲気温度推定装置１による２種類の雰囲気温度の推定結果と、本発明を適用せずに２つの温度センサを用いて雰囲気温度を推定した推定結果を示すグラフである。 雰囲気温度推定装置１への入力階調と表示部３の輝度の関係を表す模式図である。 図１３Ａは、本発明の一実施形態の雰囲気温度推定装置１による表示特性である。図１３Ｂは、雰囲気温度を推定しない表示装置による表示特性である。
　以下、図面を用いて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中で示した各種特徴事項は、互いに組み合わせ可能である。
１．第１実施形態
　以下、図１～図７を用いて、本発明の第１実施形態に係る雰囲気温度推定装置１について説明する。第１実施形態における雰囲気温度推定装置１は、例えば表示装置に適用することができる。以下、雰囲気温度推定装置１を表示装置に適用した例について説明する。
＜雰囲気温度推定装置１＞
　図１に示すように、雰囲気温度推定装置１は、操作部２、表示部３、バックライト４、冷却ファン５、基板６、温度取得部７、記憶部８、通信部９、制御部１０及びニューラルネットワーク２０（図中においてＮＮと表示。以下同様）を備える。
　操作部２は、表示部３を操作するものであり、例えば、タッチパネル、キーボード、スイッチ、音声入力部又は動き検出部により構成される。例えば、操作部２によりＯＳＤ（Ｏｎ　Ｓｃｒｅｅｎ　Ｄｉｓｐｌａｙ）上の各種設定情報が操作される。表示部３は、種々の画像（静止画及び動画を含む）を表示するものであり、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、任意のタッチパネルディスプレイやその他のディスプレイで構成される。バックライト４は、表示部３を照明するものであり、雰囲気温度推定装置１内に熱を放出する熱源となり得るものである。また、バックライト４は、その強度を後述の熱源制御値により制御可能に構成される。冷却ファン５は、雰囲気温度推定装置１内に設けられ、雰囲気温度推定装置１内を冷却するためのものである。また、冷却ファン５は、その駆動強度を後述の冷却制御値により制御可能に構成される。基板６には、雰囲気温度推定装置１内に設けられる種々の内部回路が設けられる。ここで、基板６に設けられる内部回路は、バックライト４と同様に、熱源の一例である。換言すると、本実施形態における熱源は、バックライト４又は内部回路である。
　ここで、雰囲気温度推定装置１を、有機ＥＬディスプレイを備える表示装置に適用した場合、有機ＥＬディスプレイが自発発光するため、バックライト４は必須の構成ではない。
　温度取得部７は、例えば温度センサにより構成され、雰囲気温度推定装置１内の１又は複数の温度値を取得するためのものである。ここで、温度値とは、実際の温度そのものでもよく、所定の変換を施した値又は実際の温度と比例関係、相関関係がある値であってもよい。例えば、温度が０℃のときの温度値を０、温度が１００℃のときの温度値を１としてもよい。また、温度取得部７は、雰囲気温度推定装置１内の任意の位置に設けることができる。記憶部８は、種々のデータやプログラムを記憶するものであり、例えば、メモリ、ＨＤＤ又はＳＳＤ等により構成される。通信部９は、制御部１０又は他の情報処理装置と種々のデータを送受信するものであり、任意のＩ／Ｏにより構成される。
　制御部１０は、熱源制御部１１、冷却制御部１２、温度変化量計算部１３及びニューラルネットワーク計算部１４（図中においてＮＮ計算部と表示。以下同様）を備える。熱源制御部１１は、雰囲気温度推定装置１内の熱源を熱源制御値に基づき制御するものである。ここで、本実施形態では、バックライト４を熱源として扱っており、熱源制御値はバックライト４の輝度設定値である。熱源制御値（輝度設定値）に用いる値は特に限定されないが、例えば０（バックライト４の輝度が最低（０）となる設定値）～１００（バックライト４の輝度が最大輝度となる設定値）とすることができる。冷却制御部１２は、雰囲気温度推定装置１内を冷却制御値に基づき制御するものである。ここで、本実施形態では、冷却制御値は冷却ファン５の制御値である。冷却制御値に用いる値は特に限定されないが、例えば０（冷却ファン５の駆動が最低（冷却ファン５が停止）となる設定値）～１００（冷却ファン５の駆動が最大となる設定値）とすることができる。また、冷却制御部１２は、冷却制御を動的に制御するように構成される。これにより、冷却ファン５の駆動強度を動的に変更することが可能になる。したがって、雰囲気温度推定装置１内が高温の場合には冷却ファン５の駆動強度を高くする一方、雰囲気温度推定装置１内の温度が低温の場合には、冷却ファン５の駆動強度を低くし、消費電力を低減することが可能になる。
　温度変化量計算部１３は、温度取得部７が取得した温度値から、予め定められた期間における温度値の変化量を計算する。ここで、予め定められた期間は特に限定されず、例えば１秒、１０秒、３０秒、１分、３分、５分、１０分またはそれ以上もしくはそれ以下の期間とすることができる。ニューラルネットワーク計算部１４は、後述のニューラルネットワーク２０を用いて、雰囲気温度推定装置１の周辺の雰囲気温度を推定する。本実施形態では、ニューラルネットワーク計算部１４は、ニューラルネットワーク２０に種々のパラメータに基づく入力値を入力する。また、ニューラルネットワーク計算部１４がニューラルネットワーク２０に入力する入力値は、温度取得部７により取得された温度値と、雰囲気温度推定装置１内の熱源を制御する熱源制御値を含む。ここで、雰囲気温度とは、雰囲気温度推定装置１の発熱による温度上昇等の影響を受けない温度である。すなわち、雰囲気温度推定装置１が屋内にあれば室温とほぼ等しい温度となり、雰囲気温度推定装置１が屋外にあれば室外温度とほぼ等しい温度となるものである。具体的には、ニューラルネットワーク計算部１４は、温度取得部７により取得された温度値と、雰囲気温度推定装置１内の熱源を制御する熱源制御値をニューラルネットワーク２０に入力し、雰囲気温度推定装置１の周辺の雰囲気温度を出力する。ニューラルネットワーク計算部１４の詳細については、図３及び図４を用いて後述する。
　ニューラルネットワーク２０は、種々のパラメータに基づく入力値が入力されるものであり、複数の計算ノードＮにより構成され、計算ノードＮ毎に予め定められた重みｗが設定されている。ここで、重みｗは、計算ノードＮの結合効率を表す量で、結合加重とも呼ばれるものである。ニューラルネットワーク２０は、ソフト又はハードとして実装することができ、例えば、雰囲気温度推定装置１のファームウェア上に実装することができる。ここで、本実施形態では、重みｗは、後述する他の情報処理装置３０により予め機械学習されることにより設定されるか、雰囲気温度推定装置１内により機械学習が実行されることにより設定される。詳細については後述する。
　図２に示すように、ニューラルネットワーク２０は、複数の層（第１層Ｌ１～第３層Ｌ３）及び複数の計算ノードＮ（Ｎ１１～Ｎ３１）により構成される。ここで、Ｎｉｊは、第ｉ層のｊ番目の計算ノードＮを表す。本実施形態では、ｉ＝３、ｊ＝５としてニューラルネットワーク２０を構築している。なお、ｉ，ｊの値はこれに限定されず、例えばｉ＝１～１００、ｊ＝１～１００の間の整数又は１００以上の整数とすることができる。
　また、各計算ノードＮには、予め定められた重みｗが設定される。図３に示すように、例えば、第２層の計算ノードＮ２３に着目した場合、計算ノードＮ２３と、一つ前の層である第１層の全計算ノードＮ１１～Ｎ１５の間に、重みｗが設定される。重みｗは、例えば-１～１の値に設定される。
　ニューラルネットワーク計算部１４は、ニューラルネットワーク２０に種々のパラメータを入力する。本実施形態では、ニューラルネットワーク２０に入力するパラメータとして、第１温度値、第２温度値、熱源制御値、冷却制御値、第１温度変化量及び第２温度変化量を用いる。ここで、第１温度値及び第２温度値は、温度取得部７として２つの温度センサを設けた場合における、それぞれの温度センサにより検出された第１温度及び第２温度に基づく温度値である。また、第１温度変化量及び第２温度変化量は、第１温度値及び第２温度値の予め定められた期間における変化量である。
　このように、本実施形態では、ニューラルネットワーク２０に入力される入力値には、温度値及び熱源制御値に加え、冷却制御値及び予め定められた期間における度値の変化量が含まれる。
　ここで、図４に示すように、各パラメータは、ニューラルネットワーク２０に入力されるにあたり、０～１の値に正規化される。本実施形態では、説明の簡略化のため、全てのパラメータを０～１００と定義し、これを０～１の入力信号に変換する場合について説明する。例えば、第１温度が０℃の場合、入力信号として０（＝第１温度値）を入力する。また、第１温度が１００℃の場合、入力信号として１（＝第１温度値）を入力する。また、熱源制御値では、輝度設定値が０の場合、入力信号として０（＝熱源制御値）を入力する。また、輝度設定値が１００の場合、入力信号として１（＝熱源制御値）を入力する。このように、他のパラメータについても、０～１００の値を０～１の入力信号に変換する。
　そして、図２に示すように、ニューラルネットワーク計算部１４は、各種パラメータにより規定される入力信号を第１層Ｌ１に入力する。かかる入力信号は、第１層の計算ノードＮ１１～Ｎ１５から、第２層Ｌ２の計算ノードＮ２１～Ｎ２５にそれぞれ出力される。このとき、計算ノードＮ１１～Ｎ１５から出力された値に対し、計算ノードＮ毎に設定された重みｗを掛け合わせた値が計算ノードＮ２１～Ｎ２５に入力される。計算ノードＮ２１～Ｎ２５は、入力値を足し合わせ、かかる値に図３に示されるバイアスｂを足した値を活性化関数ｆ（）に入力する。そして、活性化関数ｆ（）の出力値（図３の例では仮想的な計算ノードノードＮ'２３からの出力値）が次ノードである計算ノードＮ３１に伝搬される。このとき、計算ノードＮ２１～Ｎ２５と計算ノードＮ３１の間との間に設定された重みｗと上記出力値を掛け合わせた値が計算ノードＮ３１に入力される。計算ノードＮ３１は、入力値を足し合わせ、合計値を出力信号として出力する。このとき、計算ノードＮ３１は、入力値を足し合わせ、合計値にバイアスを足した値を活性化関数に入力してその出力値を出力信号として出力してもよい。ここで、本実施形態では、出力信号の値は０～１の値となるように調整されている。そして、図４Ｂに示すように、ニューラルネットワーク計算部１４は、出力信号の値に対応する値を推定雰囲気温度として出力する。
　制御部１０は、推定した雰囲気温度に基づいて、表示部３の輝度、色度、又は、ムラを調整する。例えば、制御部１０は、推定した雰囲気温度に基づいて、表示部３の階調特性を補正するために、不図示のＬＵＴテーブルを書き換える（ガンマ補正）ことにより、表示部３の輝度を雰囲気温度に合わせて調整する。
　このように、本実施形態では、雰囲気温度推定装置１は、種々のパラメータを入力値とし、後述する他の情報処理装置３０により予め機械学習されるか、雰囲気温度推定装置１内により機械学習が実行されることにより設定される重みｗと、ニューラルネットワーク２０を利用することにより、雰囲気温度を従来と比べて高い精度で推定することができる。
　ここで、本実施形態では、ニューラルネットワーク２０への入力値として、予め定められた期間における温度値の変化量を用いたが、かかる温度値の変化量に代えて、雰囲気温度推定装置１又は熱源の少なくとも一方の通電時間をニューラルネットワーク２０への入力値として用いる構成にしてもよい。例えば、雰囲気温度推定装置１は通電されているがバックライトは通電されていない状態における通電時間を入力値として用いる構成にしてもよい。
＜情報処理装置３０＞
　次に、図５を用いて、雰囲気温度推定装置１の重みｗを設定するための情報処理装置３０について説明する。
　図５に示すように、情報処理装置３０は、通信部３１、パラメータ取得部３２、記憶部３３、制御部４０及びニューラルネットワーク５０を備える。情報処理装置３０は、例えばコンピュータ又はサーバ等により構成される。通信部３１、記憶部３３及びニューラルネットワーク５０については、雰囲気温度推定装置１の通信部９、記憶部８及びニューラルネットワーク２０と同様の機能であるため、その説明を省略する。ここで、本実施形態では、通信部９及び通信部３１は、互いにデータの送受信可能に構成される。また、ニューラルネットワーク５０における階層数及び計算ノードＮの構成は、開発者側で適宜設計することができる。
　パラメータ取得部３２は、雰囲気温度推定装置１のニューラルネットワーク２０に入力される種々のパラメータを取得するものである。情報処理装置３０は、通信部３１を介して、雰囲気温度推定装置１の通信部９から種々のパラメータを取得する。ここで、通信部９及び通信部３１の接続態様は特に限定されず、有線又は無線を問わない。
　制御部４０は、温度変化計算部４１、ニューラルネットワーク計算部４２、機械学習実行部４３及び重み設定部４４を備える。温度変化計算部４１及びニューラルネットワーク計算部４２については、雰囲気温度推定装置１の温度変化量計算部１３及びニューラルネットワーク計算部１４と同様の機能であるため、その説明を省略する。
　機械学習実行部４３は、パラメータ取得部３２が取得した種々のパラメータをニューラルネットワーク５０に代入し、ニューラルネットワーク計算部４２による計算を繰り返すことにより、雰囲気温度を推定するための機械学習を実行するものである。そして、機械学習実行部４３による機械学習の結果、重みｗを決定する。
　重み設定部４４は、機械学習実行部４３による機械学習の結果、雰囲気温度推定装置１に設定すべき重みｗをニューラルネットワーク５０に設定するものである。
　以下、情報処理装置３０による機械学習について説明する。
　図６に示すように、機械学習実行部４３は、図２に示されるニューラルネットワーク２０と同じ構成のニューラルネットワーク５０を構成する各計算ノードＮに対し、例えば-１～１までの重みｗを設定する。このとき、重みｗの影響を低減するため、最初に設定する重みｗの絶対値は小さいことが好ましい。そして、情報処理装置３０が取得した６種類の入力値セットをニューラルネットワーク５０に入力する。そして、ニューラルネットワーク５０からの出力信号と、雰囲気温度の実測値を表す教師データを比較し、出力信号と教師データの差分（以下、誤差という）が予め定められた閾値以上の場合、重みｗを変更し、再び６種類の入力値セットをニューラルネットワーク５０に入力する。このとき、重みｗの変更は、公知の誤差伝搬法等により実行される。かかる計算を繰り返し実行（機械学習）することにより、ニューラルネットワーク５０からの出力信号と予め与えた教師データの誤差を極小化する。このとき、機械学習の学習回数は特に限定されず、例えば、１０００回～２００００回とすることができる。また、実際に出力信号と予め与えた教師データの誤差が極小化されていなくても、かかる誤差が予め定められた閾値以下となった場合又は開発者の任意のタイミングで機械学習を終了することにしてもよい。
　そして、機械学習実行部４３による機械学習が終了すると、重み設定部４４は、このときの各計算ノードＮの重みをニューラルネットワーク５０に設定する。つまり、本実施形態では、ニューラルネットワーク５０上に設けられたメモリ等の記憶部に重みｗが格納される。そして、重み設定部４４により設定された重みｗが、通信部３１を介して雰囲気温度推定装置１に送信され、雰囲気温度推定装置１のニューラルネットワーク２０の各計算ノードＮの重みとされる。本実施形態では、ニューラルネットワーク２０上に設けられたメモリ等の記憶部に重みｗが格納される。ここで、雰囲気温度推定装置１のニューラルネットワーク２０の構成は、情報処理装置３０のニューラルネットワーク５０の構成と同じにすることにより、重み設定部４４により設定された重みｗをそのまま用いることが可能になる。
＜情報処理装置３０と雰囲気温度推定装置１の間の処理＞
　次に、図７を用いて、情報処理装置３０と雰囲気温度推定装置１の間の処理について説明する。
　図７に示すように、本実施形態では、例えば開発者が情報処理装置３０により重みｗを設定し、かかる重みｗを雰囲気温度推定装置１に実装した後に、雰囲気温度推定装置１を販売する。以下、雰囲気温度推定装置１に実装する重みｗの設定手順について説明する。
　まず、Ｓ１１において、雰囲気温度推定装置１は、図２及び図６に示される６種類の入力値を、温度取得部７等により取得する。例えば、雰囲気温度推定装置１の周辺の雰囲気温度が２５℃のときに、６種類の入力値がそれぞれ、以下の通りであったとする。
　・第１温度値：０．２５
　・第２温度値：０．３
　・熱源制御値：０．５
　・冷却制御部値：０．３
　・第１温度変化量：０．０１
　・第２温度変化量：０．０２
　雰囲気温度推定装置１は、上記入力値を１セットとし、記憶部８に格納する。
　次に、雰囲気温度推定装置１の周辺の雰囲気温度を変化させた場合における６種類の入力値を１セットとし、記憶部８に格納する。同様に、熱源制御値を変化させた場合における６種類の入力値のセットと、冷却制御値を変化させた場合における６種類の入力値のセットを記憶部８に格納する。あわせて、雰囲気温度推定装置１は、予め定められた期間における温度変化を取得する。
　次に、Ｓ１２において、雰囲気温度推定装置１と情報処理装置３０を接続し、上記複数の入力値セットを、雰囲気温度推定装置１から情報処理装置３０に送信する。ここで、雰囲気温度推定装置１と情報処理装置３０の接続は、Ｓ１１又はＳ１１の前に行われてもよい。なお、この場合、Ｓ１１において、６種類の入力値を雰囲気温度推定装置１の記憶部８に格納せず、そのまま情報処理装置３０に送信する構成とすることができる。
　情報処理装置３０は、Ｓ２１において、雰囲気温度推定装置１が取得した複数の入力値セットを受信する。
　そして、Ｓ２２において、ニューラルネットワーク計算部４２、機械学習実行部４３及びニューラルネットワーク５０が協働し、上述の機械学習を実行する。具体的には、図６に示すように、６種類の入力値セットを第１層Ｌ１に入力し、各計算ノードにおいて重み付け演算を実行し、ニューラルネットワーク５０から出力信号を出力する。
　次に、機械学習実行部４３は、ニューラルネットワーク５０の出力信号と、予め与えた教師データの誤差を監視し、Ｓ２３において、教師データと出力信号に基づく温度の誤差が予め定められた閾値以下となったかを判定する。具体的には、図６に示すように、教師データである実際の雰囲気温度（実測雰囲気温度）が２５℃、閾値が０．５であるとする。そして、ニューラルネットワーク５０からの出力信号に基づいて推定された推定雰囲気温度が２１℃であった場合、教師データと出力信号に基づく温度の誤差は４（＝２５－２１）となる。これは、予め設定した閾値０．５よりも大きいので、機械学習実行部４３により、重みｗが変更される。かかる変更は、上述の誤差逆伝搬法等により実行される。そして、変更された重みｗを用い、最初に入力した６種類の入力値セットを固定したまま、ニューラルネットワーク５０による計算を継続する。
　Ｓ２３において、教師データと出力信号に基づく温度の誤差が閾値以下とならない場合、機械学習を継続する。一方、Ｓ２３において、かかる誤差が閾値以下となった場合、機械学習を終了する。そして、上記処理を全ての入力値セット（複数の温度についての入力値セット）について実行し、重みｗを決定する。
　次に、Ｓ２４において、重み設定部４４は、上述の機械学習で決定された重みｗを、ニューラルネットワーク５０に設定する。なお、Ｓ２４の処理は必須ではない。
　次に、Ｓ２５において、かかる重みｗを雰囲気温度推定装置１に送信する。
　雰囲気温度推定装置１は、Ｓ１３において、情報処理装置３０から送信された重みｗを受信する。
　そして、Ｓ１４において、かかる重みｗを、情報処理装置３０のニューラルネットワーク５０と同じ構造のニューラルネットワーク２０に設定する。ここで、ニューラルネットワーク２０は、予めファームウェア上に実装されていてもよい。
　これにより、情報処理装置３０により機械学習された結果（重みｗ）を雰囲気温度推定装置１のニューラルネットワーク２０に設定することができ、従来と比較して非常に高い精度で雰囲気温度推定装置１の周辺の雰囲気温度を推定可能な雰囲気温度推定装置１が実現される。
　つまり、図７における処理に利用されるシステムは、以下のように捉えることが可能である。
　雰囲気温度推定装置１と、
　情報処理装置３０と、
　を有し、
　雰囲気温度推定装置１及び情報処理装置３０はそれぞれ、互いにデータ通信可能な通信部９，通信部３１及びニューラルネットワーク２０，ニューラルネットワーク５０を備え、
　ニューラルネットワーク２０，ニューラルネットワーク５０は、複数の計算ノードＮにより構成され、
　計算ノードＮ毎に予め定められた重みｗが設定されており、
　情報処理装置３０は、雰囲気温度推定装置１の温度取得部７が取得した温度値と、雰囲気温度推定装置１内の熱源を制御する熱源制御値を通信部３１により取得するように構成され、
　計算ノードＮ及び重みｗは、情報処理装置３０の通信部３１が雰囲気温度推定装置１から取得した温度値と、熱源制御値と、を情報処理装置３０のニューラルネットワーク５０を用いて機械学習することにより決定され、
　雰囲気温度推定装置１は、決定された重みｗを通信部９により取得するように構成される、
　システム。
　ここで、本実施形態では、従来技術とは異なり、複数（２つ）の温度取得部７を、雰囲気温度推定装置１内の任意の位置に設けることができる。これは、機械学習によって最適な重みｗを設定できるためである。これにより、従来技術では複数（２つ）の温度取得部７を設ける位置について試行錯誤を要し、多大な工数がかかっていたが、本実施形態ではかかる工数を大幅に削減することができる。さらに、従来技術では、２つの温度取得部７が取得する温度値の相関関係の決定に多大な工数がかかっていたが、本実施形態では機械学習を用いることにより、かかる工数を大幅に削減することができる。これにより、従来と比べ、温度取得部７の設置位置に対する高いロバスト性及び工数の削減を実現することができる。
　＜第１実施形態の効果＞
　以上説明した処理により、第１実施形態の雰囲気温度推定装置１は、以下の効果を奏する。
　従来技術と比べ、極めて高い精度で雰囲気温度を推定することができる。さらに、開発者側でニューラルネットワーク２０の構造及び重みｗを決定するので、いわゆる「過学習」による推定精度の低下を低減することができる。
　２．第２実施形態
　次に、図８を用いて、第２実施形態について説明する。第２実施形態の雰囲気温度推定装置１は、機械学習実行部１５及び重み設定部１６を備える点が第１実施形態と異なる。以下、相違点について説明する。
　第２実施形態の雰囲気温度推定装置１は、機械学習実行部１５及び重み設定部１６を備えるので、雰囲気温度推定装置１がユーザーの手元に渡った後でも、自ら機械学習を実行し、雰囲気温度の推定精度を向上させることができる。
　このとき、第１実施形態と同様に、雰囲気温度推定装置１の出荷時においては、情報処理装置３０を用いた重みｗを予め設定しておくことが好ましい。そして、雰囲気温度推定装置１が出荷された後は、予め設定した重みｗを自ら更新することにより、雰囲気温度推定装置１の雰囲気温度の推定精度を日々向上させることが可能になる。
　３．第３実施形態
　次に、図９を用いて、第３実施形態のシステム６０について説明する。第３実施形態では、複数の雰囲気温度推定装置１がネットワーク１００を介して情報処理装置３０に接続される。
　各雰囲気温度推定装置１は、ユーザーの手元に渡った後、ニューラルネットワーク２０に入力する種々のパラメータを情報処理装置３０に送信する。そして、開発者が操作する情報処理装置３０により機械学習が実行され、更新された重みｗが雰囲気温度推定装置１に送信される。雰囲気温度推定装置１は、更新された重みｗをニューラルネットワーク２０の各計算ノードＮに設定することにより、雰囲気温度推定装置１の雰囲気温度の推定精度を向上させることができる。
　このように、第３実施形態では、雰囲気温度推定装置１を出荷した後でも、開発者によって重みｗが更新されるので、ユーザー側で不適切な機械学習が進行することを低減することができる。
　４．推定精度
　以下、図１０～図１３を用いて、上記実施形態における雰囲気温度推定装置１を用いた、雰囲気温度の推定精度の測定結果について説明する。
　図１０Ａ及び図１０Ｂは、上記実施形態の雰囲気温度推定装置１の意義を説明するための図である。図１０Ａは、冷却ファン５の駆動強度を制御する冷却制御値を一定に保持した場合における、雰囲気温度推定装置１内の温度取得部７（第１温度センサ及び第２温度センサ）が検出した温度値の経時変化を示すグラフである。一方、図１０Ｂは、冷却ファン５の駆動強度を制御する冷却制御値を動的に変化させた場合における、雰囲気温度推定装置１内の温度取得部７（第１温度センサ及び第２温度センサ）が検出した温度値の経時変化を示すグラフである。ここで、図１０Ａ及び図１０Ｂでは、温度センサが検出した温度を正規化し、温度値（正規化）として縦軸に記している。
　図１０Ａに示すように、冷却制御値が一定である場合には、例えば特許文献１の技術のように、２つの温度センサが検出する温度同士の相関関係を利用することにより、雰囲気温度推定装置１の周辺の雰囲気温度を推定する関係式を決定するこが可能である。
　一方、図１０Ｂに示すように、冷却制御値が動的に変化する場合には、第１温度センサ及び第２温度センサにより検出される温度がランダムに変化し、２つの温度センサが検出する温度同士の相関関係を決定することは、上記実施形態を利用しない場合には極めて困難である。
　図１１は、上記実施形態の雰囲気温度推定装置１を用いた場合における、実際の雰囲気温度（熱電対測定）と推定された雰囲気温度をプロットしたグラフである。図１１において、縦軸は温度を、横軸はバックライト４の明るさを低下させてからの時間を表す。ここで、図１１では、熱電対測定により測定された温度及び従来の手法（例えば、特許文献１の技術）による推定温度に加え、２種類のニューラルネットワーク２０を用いた推定（ＮＮ推定）による推定温度をプロットしている。ここで、図１１において、２種類のＮＮ推定はそれぞれ、温度変化量計算部１３により計算された温度変化量を用いずに行った推定（ＮＮ推定（温度変化量無し）と、温度変化量を用いて行った推定（ＮＮ推定（温度変化量あり））である。また、図１１では、実際の雰囲気温度が１５℃、２５℃及び３５℃のときにおける推定結果をまとめてプロットしている。
　さらに、実際の雰囲気温度が１５℃のときには冷却ファン５を停止し、実際の雰囲気温度が２５℃及び３５℃のときには、冷却ファン５を一定の強度で駆動した。これは、雰囲気温度が１５℃の場合、冷却ファン５で雰囲気温度推定装置１内を冷却する必要性が低いためであり、実際の利用シーンを再現するものである。
　図１１に示すように、雰囲気温度が２５℃又は３５℃の場合、すなわち、冷却ファン５が一定の強度で駆動している場合には、従来の手法でも、高い推定精度が確認された。
　一方、雰囲気温度が１５℃の場合、すなわち、冷却ファン５が停止している場合には、従来の手法と実際の雰囲気温度の誤差が大きくなっている。かかる誤差は最大で４℃であり、雰囲気温度の推定精度は低い。これは、冷却ファン５が停止していることにより、雰囲気温度推定装置１内の温度がランダムに変化した（図１０Ｂの状態に相当）ためであると考えられる。また、ファンが一定の強度で駆動している際に比べて、内部温度が上昇したためと考えられる。
　一方、上記実施形態を用いた２種類のＮＮ推定では、雰囲気温度が１５℃の場合、すなわち、冷却ファン５が停止している場合でも、極めて高い推定精度が得られた。ここで、ＮＮ推定（温度変化量無し）では、雰囲気温度推定装置１のバックライトの明るさを低下させた直後においては、冷却ファン５が停止しているため、雰囲気温度推定装置１内の温度が十分に下がらず、雰囲気温度が２５℃及び３５℃の場合と比べ、推定精度が低下した。一方、ＮＮ推定（温度変化量あり）では、ＮＮ推定（温度変化量無し）と比べ、バックライト４の明るさを低下させた直後における推定精度が向上していることがわかる。これは、温度変化量を利用した機械学習の結果、雰囲気温度推定装置１のバックライト４の明るさを低下させた直後であるのか、又は雰囲気温度推定装置１内の温度が定常状態になったのかを判断することが可能であるためである。なお、雰囲気温度推定装置１の電源をオンした直後についても、同様の理由により推定精度が向上する。
　このように、上記実施形態を用いることにより、従来と比べて高い推定精度を達成することができる。特に、温度変化量を用いることにより、推定精度はさらに向上する。
　図１２及び図１３は、従来技術と上記実施形態における入力階調と表示部３の輝度の関係を示すグラフである。
　図１２は、横軸を入力階調とし、縦軸を輝度とした場合、雰囲気温度推定装置１に設定されたガンマカーブ（実線１）と、実際の表示部３の測定輝度（点線２）の関係を表す模式図である。雰囲気温度推定装置１の雰囲気温度の推定精度が１００％であり、雰囲気温度に応じてガンマ補正の精度が完璧であると仮定した理想的な条件では、表示部３の測定輝度が実線１に従うが、雰囲気温度の推定精度が低い場合には、点線２で示すように、雰囲気温度推定装置１の測定輝度が理想的な点線１から上下にずれてしまう。ここで、図１２に示すように、実線１から上方へのずれを「エラー率：＋」、実線１から下方へのずれを「エラー率：－」と定義する。
　図１３は、複数の雰囲気温度下において、冷却ファン５の冷却制御値を動的に変化させた場合における表示部３の輝度のエラー率を示すグラフである。図１３において、縦軸はエラー率を、横軸はＲＧＢの階調値を表す。なお、図１３では、ＲＧＢを全て同じ階調値としている。ここで、図１３における複数の雰囲気温度は、図１１と同じとした。具体的には、以下の１２個の条件におけるエラー率である。
　１：温度１５（℃）　バックライトの設定値（７６９）
　２：温度１５（℃）　バックライトの設定値（５１２）
　３：温度１５（℃）　バックライトの設定値（２５６）
　４：温度１５（℃）　バックライトの設定値（３０）
　５：温度２５（℃）　バックライトの設定値（７６９）
　６：温度２５（℃）　バックライトの設定値（５１２）
　７：温度２５（℃）　バックライトの設定値（２５６）
　８：温度２５（℃）　バックライトの設定値（３０）
　９：温度３０（℃）　バックライトの設定値（７６９）
　１０：温度３０（℃）　バックライトの設定値（５１２）
　１１：温度３０（℃）　バックライトの設定値（２５６）
　１２：温度３０（℃）　バックライトの設定値（３０）
　図１３Ａは、従来技術を用いた場合における表示部３の輝度のエラー率を、図１３Ｂは、上記実施形態を用いた場合における表示部３の輝度のエラー率を示す。
　図１３Ａに示すように、従来技術では、冷却ファン５の冷却制御値を動的に変化させた場合、雰囲気温度の推定精度が低下し、その結果、ガンマ補正の精度も低下するため、表示部３の輝度のエラー率の絶対値が最大で約２．５％（条件４）となっていた。
　一方、図１３Ｂに示すように、上記実施形態では、冷却ファン５の冷却制御値を動的に変化させても、雰囲気温度の推定精度が高く、その結果、ガンマ補正の精度も向上し、表示部３の輝度のエラー率の絶対値が最大で約１．３％（条件４）まで低下した。
　＜その他＞
　以上、種々の実施形態について説明したが、本発明は以下の態様でも実施可能である。
　・温度取得部により、雰囲気推定装置内の１又は複数の温度値を取得する温度取得ステップと、
　ニューラルネットワーク計算部により、ニューラルネットワークを用いて、前記雰囲気推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算ステップと、
　を備え、
　前記ニューラルネットワークに入力される入力値は、前記温度取得部により取得された温度値と、前記雰囲気推定装置内の熱源を制御する熱源制御値を含む、
　雰囲気温度推定方法。
　・コンピュータを、
　ニューラルネットワーク、
　雰囲気推定装置内の１又は複数の温度値を取得する温度取得部、
　前記ニューラルネットワークを用いて、前記雰囲気推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部、
　として機能させ、
　前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気推定装置内の熱源を制御する熱源制御値を含む、
　プログラム。
　・冷却ファン５の冷却制御値を、リニア変化を含む種々の変化をさせても対応可能である。
　・温度取得部７を１つのみ利用することも可能である。・計算ノードＮの数、階層数は任意の値を採用することができる。
　・バックライト４を用いない有機ＥＬディスプレイに適用する場合、内部回路又は基板を熱源とし、かかる内部回路又は基板に対する制御値を熱源制御値として用いることもできる。
　・上記実施形態において、雰囲気温度推定装置１の一例として、表示装置内部の情報のみにより外部の雰囲気温度を推定する実施形態について説明した。これは、表示装置の外部に温度センサを設けた場合、表示装置の発熱の影響を受けるため正確に雰囲気温度を測定することが難しいためである。同様な課題を持つ種々の装置（装置内部の情報のみにより外部の雰囲気温度を推定する装置）にも本発明は、適用できる。
　１：雰囲気温度推定装置
　２：操作部
　３：表示部
　４：バックライト
　５：冷却ファン
　６：基板
　７：温度取得部
　８：記憶部
　９：通信部
　１０：制御部
　１１：熱源制御部
　１２：冷却制御部
　１３：温度変化量計算部
　１４：ニューラルネットワーク計算部
　２０：ニューラルネットワーク
　３０：情報処理装置
　３１：通信部
　３２：パラメータ取得部
　３３：記憶部
　４０：制御部
　４１：温度変化計算部
　４２：ニューラルネットワーク計算部
　４３：機械学習実行部
　４４：重み設定部
　５０：ニューラルネットワーク
　６０：システム

Claims (10)

  1. 　ニューラルネットワークと、
    　雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得部と、
    　前記ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部を備え、
    　前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、
    　雰囲気温度推定装置。
  2. 　前記雰囲気温度推定装置内を冷却制御値に基づき制御する冷却制御部を備え、
    　前記入力値は、前記冷却制御値を含む、請求項１に記載の雰囲気温度推定装置。
  3. 　前記冷却制御部は、前記冷却制御値を動的に制御するように構成される、請求項２に記載の雰囲気温度推定装置。
  4. 　前記入力値は、予め定められた期間における前記温度値の変化量を含む、請求項１～請求項３の何れか１つに記載の雰囲気温度推定装置。
  5. 　前記熱源は、バックライト又は内部回路である、請求項１～請求項４の何れか１つに記載の雰囲気温度推定装置。
  6. 　前記入力値は、前記雰囲気温度推定装置又は前記熱源の少なくとも一方の通電時間を含む、請求項１～請求項５の何れか１つに記載の雰囲気温度推定装置。
  7. 　前記ニューラルネットワークは、複数の計算ノードにより構成され、
    　前記計算ノード毎に予め定められた重みが設定されており、
    　前記重みは、他の情報処理装置により予め機械学習されることにより設定されるか、前記雰囲気温度推定装置内により機械学習が実行されることにより設定される、請求項１～請求項６の何れか１つに記載の雰囲気温度推定装置。
  8. 　温度取得部により、雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得ステップと、
    　ニューラルネットワーク計算部により、ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算ステップと、
    　を備え、
    　前記ニューラルネットワークに入力される入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、
    　雰囲気温度推定方法。
  9. 　コンピュータを、
    　ニューラルネットワーク、
    　雰囲気温度推定装置内の１又は複数の温度値を取得する温度取得部、
    　前記ニューラルネットワークを用いて、前記雰囲気温度推定装置の周辺の雰囲気温度を推定するニューラルネットワーク計算部、
    　として機能させ、
    　前記ニューラルネットワーク計算部が前記ニューラルネットワークに入力する入力値は、前記温度取得部により取得された温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を含む、
    　プログラム。
  10. 　請求項１～請求項９の何れか１つに記載の雰囲気温度推定装置と、
    　情報処理装置と、
    　を有し、
    　前記雰囲気温度推定装置及び前記情報処理装置はそれぞれ、互いにデータ通信可能な通信部及びニューラルネットワークを備え、
    　前記ニューラルネットワークは、複数の計算ノードにより構成され、
    　前記計算ノード毎に予め定められた重みが設定されており、
    　前記情報処理装置は、前記雰囲気温度推定装置の前記温度取得部が取得した温度値と、前記雰囲気温度推定装置内の熱源を制御する熱源制御値を通信部により取得するように構成され、
    　前記計算ノード及び前記重みは、前記情報処理装置の前記通信部が前記雰囲気温度推定装置から取得した前記温度値と、前記熱源制御値と、を前記情報処理装置のニューラルネットワークを用いて機械学習することにより決定され、
    　前記雰囲気温度推定装置は、前記決定された重みを通信部により取得するように構成される、
    　システム。
PCT/JP2018/033233 2017-09-25 2018-09-07 雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステム WO2019059000A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/649,351 US11287860B2 (en) 2017-09-25 2018-09-07 Ambient temperature estimating device, ambient temperature estimating method, program and system
DE112018004283.9T DE112018004283T5 (de) 2017-09-25 2018-09-07 Vorrichtung zum schätzen einer umgebungstemperatur, verfahren zum schätzen einer umgebungstemperatur, programm und system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-183582 2017-09-25
JP2017183582A JP6723964B2 (ja) 2017-09-25 2017-09-25 雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステム

Publications (1)

Publication Number Publication Date
WO2019059000A1 true WO2019059000A1 (ja) 2019-03-28

Family

ID=65810857

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/033233 WO2019059000A1 (ja) 2017-09-25 2018-09-07 雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステム

Country Status (4)

Country Link
US (1) US11287860B2 (ja)
JP (1) JP6723964B2 (ja)
DE (1) DE112018004283T5 (ja)
WO (1) WO2019059000A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021157930A1 (en) * 2020-02-03 2021-08-12 Samsung Electronics Co., Ltd. Methods and systems for ascertaining factors contributing to the temperature of a device
WO2022009345A1 (ja) * 2020-07-08 2022-01-13 三菱電機株式会社 画像処理装置、表示制御装置、画像表示装置、画像処理方法、プログラム、及び記録媒体
WO2022054148A1 (ja) * 2020-09-09 2022-03-17 三菱電機株式会社 画像処理装置、画像表示装置、画像処理方法、及び画像処理プログラム
CN117589334A (zh) * 2024-01-19 2024-02-23 湖南华夏特变股份有限公司 油浸式变压器热点温度检测方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7378063B2 (ja) * 2019-10-25 2023-11-13 国立大学法人秋田大学 温度推定装置及び温度推定方法
EP4323813A1 (en) * 2021-04-14 2024-02-21 Ecosystem Informatics Inc. Monitoring an ambient air parameter using a trained model

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002048878A (ja) * 2000-08-02 2002-02-15 Nagoya Electric Works Co Ltd 路面温度または路面状態の予測方法およびその装置
US20060165149A1 (en) * 2005-01-26 2006-07-27 Carrier Corporation Dynamic correction of sensed temperature
US20140355649A1 (en) * 2013-05-31 2014-12-04 Sensirion Ag Portable electronic device with integrated temperature sensor
JP2015534038A (ja) * 2012-07-02 2015-11-26 ゼンジリオン・アーゲー ポータブル電子デバイス

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6995355B2 (en) * 2003-06-23 2006-02-07 Advanced Optical Technologies, Llc Optical integrating chamber lighting using multiple color sources
JP4228931B2 (ja) * 2004-02-18 2009-02-25 日本電気株式会社 液晶パネルの駆動装置及び駆動方法並びにこれを用いた液晶プロジェクタ
US20110267383A1 (en) * 2009-05-19 2011-11-03 Sharp Kabushiki Kaisha Liquid crystal display device and driving method thereof
JP5566780B2 (ja) 2010-06-01 2014-08-06 富士フイルム株式会社 赤外線用結像レンズおよび撮像装置
JP5080681B1 (ja) * 2011-11-18 2012-11-21 株式会社ナナオ 表示装置、コンピュータプログラム、記録媒体及び温度推定方法
JP2013134384A (ja) * 2011-12-27 2013-07-08 Seiko Epson Corp プロジェクター、及び、プロジェクターの制御方法
JP2019129489A (ja) * 2018-01-26 2019-08-01 セイコーエプソン株式会社 集積回路装置、振動デバイス、電子機器及び移動体

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002048878A (ja) * 2000-08-02 2002-02-15 Nagoya Electric Works Co Ltd 路面温度または路面状態の予測方法およびその装置
US20060165149A1 (en) * 2005-01-26 2006-07-27 Carrier Corporation Dynamic correction of sensed temperature
JP2015534038A (ja) * 2012-07-02 2015-11-26 ゼンジリオン・アーゲー ポータブル電子デバイス
US20140355649A1 (en) * 2013-05-31 2014-12-04 Sensirion Ag Portable electronic device with integrated temperature sensor

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021157930A1 (en) * 2020-02-03 2021-08-12 Samsung Electronics Co., Ltd. Methods and systems for ascertaining factors contributing to the temperature of a device
US11971698B2 (en) 2020-02-03 2024-04-30 Samsung Electronics Co., Ltd. Methods and systems for ascertaining factors contributing to the temperature of a device
WO2022009345A1 (ja) * 2020-07-08 2022-01-13 三菱電機株式会社 画像処理装置、表示制御装置、画像表示装置、画像処理方法、プログラム、及び記録媒体
JPWO2022009345A1 (ja) * 2020-07-08 2022-01-13
JP7471416B2 (ja) 2020-07-08 2024-04-19 三菱電機株式会社 画像処理装置、表示制御装置、画像表示装置、画像処理方法、プログラム、及び記録媒体
WO2022054148A1 (ja) * 2020-09-09 2022-03-17 三菱電機株式会社 画像処理装置、画像表示装置、画像処理方法、及び画像処理プログラム
JPWO2022054148A1 (ja) * 2020-09-09 2022-03-17
JP7275402B2 (ja) 2020-09-09 2023-05-17 三菱電機株式会社 画像処理装置、画像表示装置、画像処理方法、及び画像処理プログラム
CN117589334A (zh) * 2024-01-19 2024-02-23 湖南华夏特变股份有限公司 油浸式变压器热点温度检测方法及系统
CN117589334B (zh) * 2024-01-19 2024-03-26 湖南华夏特变股份有限公司 油浸式变压器热点温度检测方法及系统

Also Published As

Publication number Publication date
US11287860B2 (en) 2022-03-29
JP2019060642A (ja) 2019-04-18
DE112018004283T5 (de) 2020-06-25
JP6723964B2 (ja) 2020-07-15
US20200301487A1 (en) 2020-09-24

Similar Documents

Publication Publication Date Title
JP6723964B2 (ja) 雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステム
US10395587B2 (en) Method and apparatus for establishing luminance compensation model, method and apparatus for compensating for luminance of display screen, and display device
US20220130329A1 (en) System and methods for extracting correlation curves for an organic light emitting device
CN109215581B (zh) 一种显示面板的补偿方法、补偿装置及显示装置
US11410614B2 (en) System and method for loading image correction data for displays
US11282449B2 (en) Display panel adjustment from temperature prediction
KR102232442B1 (ko) 데이터 신호 처리 장치 및 이를 포함하는 표시 장치
CN106409219B (zh) 调整面板亮度和色度的预补偿方法及装置
RU2613532C9 (ru) Многомониторная система и используемые в ней компьютерная программа и отображающее устройство
JP2019095504A (ja) 表示ドライバ、表示装置及びムラ補正方法
JP2013519113A (ja) 有機発光デバイスに関する相関曲線を抽出するシステムおよび方法
KR20160047618A (ko) 데이터 보상 장치 및 이를 포함하는 유기 발광 표시 장치
CN105225621B (zh) 提取有机发光器件的相关曲线的系统和方法
US9514699B2 (en) Device and method for adjusting gamma voltage
KR20160074853A (ko) 표시 장치 및 표시 장치의 구동 방법
JPWO2017018261A1 (ja) 表示制御装置、および表示制御方法
JP2009229525A (ja) 液晶表示装置の駆動方法、オーバードライブ補正装置、オーバードライブ補正装置のデータ作成方法、液晶表示装置及び電子装置
US20190156737A1 (en) Display Degradation Compensation
KR20160059021A (ko) 표시 패널 구동 장치 및 이를 포함하는 표시 장치
TW200837696A (en) Backlight controller and scaling factor full range search and local range search method
KR102280095B1 (ko) 유기 발광 다이오드 표시장치 및 구동방법
US20090096740A1 (en) Liquid Crystal Display Device and Apparatus and Method for Controlling Luminance of Liquid Crystal Panel Thereof
JP2017032889A (ja) Ｌｅｄ表示装置
CN109410892B (zh) 影像处理方法及显示装置
KR20220100779A (ko) 표시 구동 회로, 이를 포함하는 표시 장치, 및 표시 장치의 구동 방법

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: 18858177

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 18858177

Country of ref document: EP

Kind code of ref document: A1