WO2021181585A1 - Analysis device, analysis method, and analysis program - Google Patents
Analysis device, analysis method, and analysis program Download PDFInfo
- Publication number
- WO2021181585A1 WO2021181585A1 PCT/JP2020/010654 JP2020010654W WO2021181585A1 WO 2021181585 A1 WO2021181585 A1 WO 2021181585A1 JP 2020010654 W JP2020010654 W JP 2020010654W WO 2021181585 A1 WO2021181585 A1 WO 2021181585A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- data
- wavelength band
- satellite
- thermal infrared
- observed
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Definitions
- the present invention relates to an analysis device, an analysis method, and an analysis program.
- Patent Document 1 describes a method of extracting a parameter vector from an image taken by a satellite, determining the height and width of the object, and generating an idealized image of the object. ..
- the filling volume of the object is determined by collating the image of the object with the idealized image.
- the object in Patent Document 1 is mainly a cylindrical container having a floating roof structure.
- the RAM 10b is a storage unit in which data can be rewritten, and may be composed of, for example, a semiconductor storage element.
- the RAM 10b may store data such as an analysis program, satellite data, and meteorological data executed by the CPU 10a. It should be noted that these are examples, and data other than these may be stored in the RAM 10b, or a part of these may not be stored.
- the analysis device 10 calculates the feature amount of the satellite data relating to the plurality of sections by calculating the feature amount from the plurality of partial images IMG_1 to IMG_N.
- the analysis device 10 calculates the feature amount for each of the plurality of partial images IMG_1 to IMG_N arranged in chronological order, and calculates the time-series change of the feature amount.
- the analysis device 10 may calculate the feature amount from a plurality of partial images IMG_1 to IMG_N by using a variational autoencoder (Variational AutoEncoder) or a hostile generation network (Generative Adversarial Network).
- the analysis device 10 detects changes related to the object in the plurality of sections based on the feature amount (S22).
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radiation Pyrometers (AREA)
Abstract
Provided are an analysis device, an analysis method, and an analysis program capable of analyzing an operating state of an object with greater precision. The analysis device comprises: an acquisition unit which acquires satellite data obtained by observing an object in a wavelength band below thermal infrared by means of a satellite and meteorological data for a region in which the object is present; a generation unit which generates forecast data that is the satellite data forecast to be observed in the thermal infrared wavelength band, on the basis of the meteorological data and the satellite data which is data observed in a wavelength band below near infrared; and a detection unit which detects changes relating to the object on the basis of a comparison between the prediction data and the satellite data which is data observed in the thermal infrared wavelength band.
Description
本発明は、解析装置、解析方法及び解析プログラムに関する。
The present invention relates to an analysis device, an analysis method, and an analysis program.
従来、人工衛星によって撮影した画像に基づいて、地上に建てられた建物の解析が行われている。例えば、下記特許文献１には、衛星によって撮影した画像からパラメータベクトルを抽出し、対象物の高さおよび幅を決定して、対象物の理想化された画像を生成する方法が記載されている。特許文献１では、対象物の画像を理想化された画像と照合して、対象物の充填容積を決定している。なお、特許文献１における対象物とは、主として、浮き屋根構造を有する円筒コンテナである。
Conventionally, the analysis of buildings built on the ground has been performed based on images taken by artificial satellites. For example, Patent Document 1 below describes a method of extracting a parameter vector from an image taken by a satellite, determining the height and width of the object, and generating an idealized image of the object. .. In Patent Document 1, the filling volume of the object is determined by collating the image of the object with the idealized image. The object in Patent Document 1 is mainly a cylindrical container having a floating roof structure.
例えば工場のような対象物の稼働状況を解析する場合、衛星によって対象物の画像を長期間にわたって撮影し、その時系列変化を解析することがある。しかしながら、対象物の稼働状況は、外観から判別しづらいことがあり、稼働状況を精度良く解析することは困難だった。
For example, when analyzing the operating status of an object such as a factory, an image of the object may be taken for a long period of time by a satellite and the time-series change may be analyzed. However, it may be difficult to determine the operating status of the object from the appearance, and it is difficult to accurately analyze the operating status.
そこで、本発明は、より高精度に対象物の稼働状況を解析することができる解析装置、解析方法及び解析プログラムを提供する。
Therefore, the present invention provides an analysis device, an analysis method, and an analysis program capable of analyzing the operating status of an object with higher accuracy.
本発明の一態様に係る解析装置は、衛星によって熱赤外以下の波長帯で対象物を観測した衛星データ及び対象物が存在する地域の気象データを取得する取得部と、衛星データのうち熱赤外以外の波長帯で観測されたデータ及び気象データに基づいて、衛星データのうち熱赤外の波長帯で観測されると予測される予測データを生成する生成部と、衛星データのうち熱赤外の波長帯で観測されたデータと、予測データとの比較に基づいて、対象物に関する変化を検出する検出部と、を備える。
The analyzer according to one aspect of the present invention includes an acquisition unit that acquires satellite data obtained by observing an object in a wavelength band below thermal infrared rays by a satellite and meteorological data in an area where the object exists, and heat among the satellite data. A generator that generates prediction data that is predicted to be observed in the thermal infrared wavelength band among satellite data based on data observed in wavelength bands other than infrared and meteorological data, and thermal among satellite data. It includes a detection unit that detects changes in the object based on comparison between the data observed in the infrared wavelength band and the predicted data.
この態様によれば、衛星データのうち熱赤外の波長帯で観測されたデータは、対象物の外観に関する変化がない場合であっても、対象物の表面温度や排気温度に応じて変化する。そのため、予測データと、衛星データのうち熱赤外の波長帯で観測されたデータとの比較によって、外観から捉えきれない対象物の稼働状況をより高精度に解析することができる。
According to this aspect, the data observed in the thermal infrared wavelength band among the satellite data changes according to the surface temperature and the exhaust temperature of the object even if there is no change in the appearance of the object. .. Therefore, by comparing the predicted data with the data observed in the thermal infrared wavelength band among the satellite data, it is possible to analyze the operating status of the object that cannot be grasped from the appearance with higher accuracy.
上記態様において、生成部は、過去に観測された衛星データ及び気象データを学習用データとする教師有り学習によって生成された学習済みモデルを用いて、予測データを生成してもよい。
In the above aspect, the generation unit may generate prediction data using a trained model generated by supervised learning using satellite data and meteorological data observed in the past as learning data.
この態様によれば、対象物に関する変化がない平常時の場合における熱赤外の波長帯で観測されたデータを再現するように予測データを生成し、熱赤外の波長帯で観測されたデータとの乖離によって対象物に関する変化を検出することができるようになる。
According to this aspect, the prediction data is generated so as to reproduce the data observed in the thermal infrared wavelength band in the normal time when there is no change in the object, and the data observed in the thermal infrared wavelength band. It becomes possible to detect changes related to the object by the deviation from.
上記態様において、学習用データを用いた教師有り学習によって、学習済みモデルを生成する学習部をさらに備えてもよい。
In the above aspect, a learning unit that generates a trained model by supervised learning using learning data may be further provided.
この態様によれば、対象物に関する変化がない平常時の場合における熱赤外の波長帯で観測されたデータを再現する学習済みモデルを生成することができる。
According to this aspect, it is possible to generate a trained model that reproduces the data observed in the thermal infrared wavelength band in the normal time when there is no change in the object.
上記態様において、学習部は、対象物毎に、学習済みモデルを生成してもよい。
In the above aspect, the learning unit may generate a trained model for each object.
この態様によれば、対象物が存在する地域の気象特性に応じた学習済みモデルを生成することができる。
According to this aspect, it is possible to generate a trained model according to the meteorological characteristics of the area where the object exists.
上記態様において、対象物が工場の場合、検出部は、予測データの値から、衛星データのうち熱赤外の波長帯で観測されたデータの値を引いた値が閾値より大きい場合に、工場の少なくとも一部の稼働停止を検出してもよい。
In the above embodiment, when the object is a factory, the detection unit determines that the value obtained by subtracting the value of the data observed in the thermal infrared wavelength band from the predicted data value is larger than the threshold value. At least a part of the outage may be detected.
この態様によれば、平常時よりも工場からの熱放出量が小さくなっていることを捉え、工場の少なくとも一部の稼働停止を検出することができる。
According to this aspect, it is possible to detect that the amount of heat released from the factory is smaller than in normal times, and to detect at least a part of the factory outage.
上記態様において、地域を複数の区画に分割して、複数の区画に関する衛星データの特徴量を算出する算出部をさらに備え、検出部は、特徴量に基づいて、複数の区画における対象物に関する変化を検出してもよい。
In the above aspect, the area is further divided into a plurality of sections, and a calculation unit for calculating the feature amount of satellite data for the plurality of sections is further provided, and the detection unit is a change regarding an object in the plurality of sections based on the feature amount. May be detected.
この態様によれば、対象物に関する局所的な変化を検出することができ、変化が起きた箇所を特定することができる。
According to this aspect, it is possible to detect a local change in the object and identify a place where the change has occurred.
上記態様において、検出部は、基準時以前の特徴量の平均と、基準時以後の特徴量の平均との差に基づいて、対象物に関する変化が起きた時を検出してもよい。
In the above aspect, the detection unit may detect when a change occurs in the object based on the difference between the average of the feature amounts before the reference time and the average of the feature amounts after the reference time.
この態様によれば、対象物に関する変化が起きた時を検出することができる。
According to this aspect, it is possible to detect when a change in the object occurs.
本発明の他の態様に係る解析方法は、衛星によって熱赤外以下の波長帯で対象物を観測した衛星データ及び対象物が存在する地域の気象データを取得することと、衛星データのうち熱赤外以外の波長帯で観測されたデータ及び気象データに基づいて、衛星データのうち熱赤外の波長帯で観測されると予測される予測データを生成することと、衛星データのうち熱赤外の波長帯で観測されたデータと、予測データとの比較に基づいて、対象物に関する変化を検出することと、を含む。
The analysis method according to another aspect of the present invention is to acquire satellite data obtained by observing an object in a wavelength band below thermal infrared rays by a satellite and meteorological data in an area where the object exists, and heat among the satellite data. Based on data observed in wavelength bands other than infrared and meteorological data, it is possible to generate prediction data that is predicted to be observed in the thermal infrared wavelength band among satellite data, and to generate thermal red among satellite data. Includes detecting changes in the object based on comparisons between data observed in the outside wavelength band and predicted data.
この態様によれば、衛星データのうち熱赤外の波長帯で観測されたデータは、対象物の外観に関する変化がない場合であっても、対象物の表面温度や排気温度に応じて変化する。そのため、予測データと、衛星データのうち熱赤外の波長帯で観測されたデータとの比較によって、外観から捉えきれない対象物の稼働状況をより高精度に解析することができる。
According to this aspect, the data observed in the thermal infrared wavelength band among the satellite data changes according to the surface temperature and the exhaust temperature of the object even if there is no change in the appearance of the object. .. Therefore, by comparing the predicted data with the data observed in the thermal infrared wavelength band among the satellite data, it is possible to analyze the operating status of the object that cannot be grasped from the appearance with higher accuracy.
本発明の他の態様に係る解析プログラムは、解析装置に備えられた演算部を、衛星によって熱赤外以下の波長帯で対象物を観測した衛星データ及び対象物が存在する地域の気象データを取得する取得部、衛星データのうち熱赤外以外の波長帯で観測されたデータ及び気象データに基づいて、衛星データのうち熱赤外の波長帯で観測されると予測される予測データを生成する生成部、及び衛星データのうち熱赤外の波長帯で観測されたデータと、予測データとの比較に基づいて、対象物に関する変化を検出する検出部、として機能させる。
In the analysis program according to another aspect of the present invention, the arithmetic unit provided in the analyzer uses satellite data obtained by observing an object in a wavelength band below the thermal infrared region by a satellite and meteorological data in the area where the object exists. Based on the acquisition unit to be acquired, the data observed in the wavelength band other than the thermal infrared of the satellite data, and the meteorological data, the predicted data predicted to be observed in the thermal infrared wavelength band of the satellite data is generated. It functions as a generator and a detector that detects changes in the object based on the comparison between the data observed in the thermal infrared wavelength band and the predicted data among the satellite data.
この態様によれば、衛星データのうち熱赤外の波長帯で観測されたデータは、対象物の外観に関する変化がない場合であっても、対象物の表面温度や排気温度に応じて変化する。そのため、予測データと、衛星データのうち熱赤外の波長帯で観測されたデータとの比較によって、外観から捉えきれない対象物の稼働状況をより高精度に解析することができる。
According to this aspect, the data observed in the thermal infrared wavelength band among the satellite data changes according to the surface temperature and the exhaust temperature of the object even if there is no change in the appearance of the object. .. Therefore, by comparing the predicted data with the data observed in the thermal infrared wavelength band among the satellite data, it is possible to analyze the operating status of the object that cannot be grasped from the appearance with higher accuracy.
本発明によれば、より高精度に対象物の稼働状況を解析することができる解析装置、解析方法及び解析プログラムを提供することができる。
According to the present invention, it is possible to provide an analysis device, an analysis method, and an analysis program capable of analyzing the operating status of an object with higher accuracy.
添付図面を参照して、本発明の実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。
An embodiment of the present invention will be described with reference to the accompanying drawings. In each figure, those having the same reference numerals have the same or similar configurations.
図１は、本発明の実施形態に係る解析システム１００のネットワーク構成を示す図である。解析システム１００は、宇宙の衛星軌道を飛行する衛星Ｓから、衛星データを受信する衛星基地局５０と、衛星データを記録するデータベースＤＢと、衛星データを解析する解析装置１０とを備える。
FIG. 1 is a diagram showing a network configuration of the analysis system 100 according to the embodiment of the present invention. The analysis system 100 includes a satellite base station 50 that receives satellite data from a satellite S that flies in a satellite orbit in space, a database DB that records the satellite data, and an analysis device 10 that analyzes the satellite data.
衛星Ｓは、光学センサを備え、光学センサで撮影した地上の画像を含む衛星データを衛星基地局５０に送信する。衛星データは、少なくとも、熱赤外以下の波長帯で地上を撮影した画像を含む。ここで、熱赤外の波長帯とは、８～１５μｍであってよいが、隣接する波長帯を含んでもよい。衛星データは、例えば、４００ｎｍから１５μｍに含まれる複数の波長帯で撮影された画像を含んでよい。
The satellite S is provided with an optical sensor, and transmits satellite data including an image of the ground taken by the optical sensor to the satellite base station 50. Satellite data includes at least images taken on the ground in wavelength bands below thermal infrared. Here, the thermal infrared wavelength band may be 8 to 15 μm, but may include adjacent wavelength bands. The satellite data may include, for example, images taken in a plurality of wavelength bands included in the range of 400 nm to 15 μm.
衛星基地局５０は、衛星Ｓから衛星データを受信し、データベースＤＢに記録する。データベースＤＢは、インターネット等の通信ネットワークＮに接続される。解析装置１０は、通信ネットワークＮを介して、データベースＤＢに保存された衛星データを取得する。
The satellite base station 50 receives satellite data from satellite S and records it in the database DB. The database DB is connected to a communication network N such as the Internet. The analysis device 10 acquires the satellite data stored in the database DB via the communication network N.
図２は、本実施形態に係る解析装置１０の機能ブロックを示す図である。解析装置１０は、取得部１１、生成部１２、検出部１３、学習部１４及び算出部１５を備える。
FIG. 2 is a diagram showing a functional block of the analysis device 10 according to the present embodiment. The analysis device 10 includes an acquisition unit 11, a generation unit 12, a detection unit 13, a learning unit 14, and a calculation unit 15.
取得部１１は、衛星Ｓによって熱赤外以下の波長帯で対象物を観測した衛星データ及び対象物が存在する地域の気象データを取得する。ここで、対象物とは、工場、円筒や矩形コンテナ、原油等のタンク、ビル等の建物、遊園地や動物園等の商業施設及び同一経路上を移動する飛行機等の移動体であってよいが、隣接する建物等を含んでもよい。気象データは、通信ネットワークＮを介して取得されてよく、例えば、積算降水量、日射量、上層雲量、中層雲量、下層雲量、地上気圧、海面更正気圧、相対湿度、全雲量、気温、東西風及び南北風等を含む。
The acquisition unit 11 acquires satellite data obtained by observing the object in the wavelength band below the thermal infrared region by the satellite S and meteorological data of the area where the object exists. Here, the object may be a factory, a cylindrical or rectangular container, a tank for crude oil or the like, a building such as a building, a commercial facility such as an amusement park or a zoo, or a moving object such as an airplane moving on the same route. , Adjacent buildings, etc. may be included. Meteorological data may be acquired via the communication network N, for example, cumulative precipitation, solar radiation, upper cloud cover, middle cloud cover, lower cloud cover, surface pressure, sea level correction pressure, relative humidity, total cloud cover, temperature, east and west. Includes wind and north-south wind.
生成部１２は、衛星データのうち熱赤外以外の波長帯で観測されたデータ及び気象データに基づいて、衛星データのうち熱赤外の波長帯で観測されると予測される予測データを生成する。熱赤外以外の波長帯で観測されたデータは、対象物の外観を測定したデータであり、熱赤外の波長帯で観測されるデータは、対象物の表面温度や対象物からの排気の温度を測定したデータである。生成部１２は、対象物の外観を測定したデータ及び気象データに基づいて、対象物の表面温度や対象物からの排気の温度を予測した予測データを生成する。
The generation unit 12 generates prediction data that is predicted to be observed in the thermal infrared wavelength band of the satellite data based on the data observed in the wavelength band other than the thermal infrared and the meteorological data of the satellite data. do. The data observed in the wavelength band other than the thermal infrared is the data obtained by measuring the appearance of the object, and the data observed in the thermal infrared wavelength band is the surface temperature of the object and the exhaust from the object. It is the data which measured the temperature. The generation unit 12 generates prediction data for predicting the surface temperature of the object and the temperature of the exhaust from the object based on the data obtained by measuring the appearance of the object and the meteorological data.
生成部１２は、過去に観測された衛星データ及び気象データを学習用データとする教師有り学習によって生成された学習済みモデル１２ａを用いて、予測データを生成する。学習済みモデル１２ａは、例えば、勾配ブースティング決定木やニューラルネットワークにより構成されてよく、学習用データのうち熱赤外以外の波長帯で観測されたデータ及び気象データを入力として、学習用データのうち熱赤外の波長帯で観測されたデータを再現するように、教師有り学習によって生成される。このようにして、対象物に関する変化がない平常時の場合における熱赤外の波長帯で観測されたデータを再現するように予測データを生成し、熱赤外の波長帯で観測されたデータとの乖離によって対象物に関する変化を検出することができるようになる。
The generation unit 12 generates prediction data using the trained model 12a generated by supervised learning using satellite data and meteorological data observed in the past as learning data. The trained model 12a may be composed of, for example, a gradient boosting decision tree or a neural network, and the training data can be obtained by inputting data observed in a wavelength band other than thermal infrared and meteorological data among the training data. It is generated by supervised learning so as to reproduce the data observed in the thermal infrared wavelength band. In this way, the prediction data is generated so as to reproduce the data observed in the thermal infrared wavelength band in the normal time when there is no change in the object, and the data observed in the thermal infrared wavelength band is used. It becomes possible to detect changes related to the object by the deviation of.
検出部１３は、衛星データのうち熱赤外の波長帯で観測されたデータと、予測データとの比較に基づいて、対象物に関する変化を検出する。衛星データのうち熱赤外の波長帯で観測されたデータは、対象物の外観に関する変化がない場合であっても、対象物の表面温度や排気温度に応じて変化する。そのため、予測データと、衛星データのうち熱赤外の波長帯で観測されたデータとの比較によって、外観から捉えきれない対象物の稼働状況をより高精度に解析することができる。
The detection unit 13 detects changes related to the object based on the comparison between the satellite data observed in the thermal infrared wavelength band and the predicted data. Of the satellite data, the data observed in the thermal infrared wavelength band changes according to the surface temperature and exhaust temperature of the object even if there is no change in the appearance of the object. Therefore, by comparing the predicted data with the data observed in the thermal infrared wavelength band among the satellite data, it is possible to analyze the operating status of the object that cannot be grasped from the appearance with higher accuracy.
学習部１４は、学習用データを用いた教師有り学習によって、学習済みモデル１２ａを生成する。例えば、学習済みモデル１２ａを勾配ブースティング決定木によって構成する場合、学習部１４は、学習用データのうち熱赤外以外の波長帯で観測されたデータ及び気象データを入力として、予測データと学習用データのうち熱赤外の波長帯で観測されたデータとの差を測る損失関数の値が小さくなるように、勾配ブースティングにより決定木を構成してよい。また、学習済みモデル１２ａをニューラルネットワークによって構成する場合、学習部１４は、学習用データのうち熱赤外以外の波長帯で観測されたデータ及び気象データを入力として、学習用データのうち熱赤外の波長帯で観測されたデータを出力するように、ニューラルネットワークのパラメータを誤差逆伝播法等によって最適化することで学習済みモデル１２ａを生成する。このようにして、対象物に関する変化がない平常時の場合における熱赤外の波長帯で観測されたデータを再現する学習済みモデル１２ａを生成することができる。ここでは、教師有り学習は、上記記載したアルゴリズムに限定されず、他の機械学習アルゴリズムを用いてもよい。
The learning unit 14 generates a trained model 12a by supervised learning using learning data. For example, when the trained model 12a is composed of a gradient boosting decision tree, the learning unit 14 inputs the data observed in the wavelength band other than the thermal infrared and the meteorological data among the training data, and learns the prediction data and the training. The decision tree may be constructed by gradient boosting so that the value of the loss function for measuring the difference from the data observed in the thermal infrared wavelength band among the data for use becomes small. Further, when the trained model 12a is configured by the neural network, the learning unit 14 receives the data observed in the wavelength band other than the thermal infrared and the meteorological data among the training data as input, and the training data is hot red. The trained model 12a is generated by optimizing the parameters of the neural network by the error back propagation method or the like so as to output the data observed in the outer wavelength band. In this way, it is possible to generate a trained model 12a that reproduces the data observed in the thermal infrared wavelength band in the normal time when there is no change in the object. Here, the supervised learning is not limited to the algorithm described above, and other machine learning algorithms may be used.
学習部１４は、対象物毎に、学習済みモデル１２ａを生成してもよい。その場合、学習用データは、対象物毎に用意される。対象物が存在する地域によって気象条件が異なり得るため、対象物毎に学習済みモデル１２ａを生成することで、対象物が存在する地域の気象特性に応じた学習済みモデル１２ａを生成することができる。
The learning unit 14 may generate a trained model 12a for each object. In that case, learning data is prepared for each object. Since the meteorological conditions may differ depending on the area where the object exists, it is possible to generate the trained model 12a according to the meteorological characteristics of the area where the object exists by generating the trained model 12a for each object. ..
算出部１５は、対象物が存在する地域を複数の区画に分割して、複数の区画に関する衛星データの特徴量を算出する。そして、検出部１３は、特徴量に基づいて、複数の区画における対象物に関する変化を検出する。これにより、対象物に関する局所的な変化を検出することができ、変化が起きた箇所を特定することができる。
The calculation unit 15 divides the area where the object exists into a plurality of sections, and calculates the feature amount of satellite data for the plurality of sections. Then, the detection unit 13 detects changes in the object in the plurality of sections based on the feature amount. As a result, it is possible to detect a local change in the object and identify a place where the change has occurred.
図３は、本実施形態に係る解析装置１０の物理的構成を示す図である。解析装置１０は、演算部に相当するＣＰＵ（Central Processing Unit）１０ａと、記憶部に相当するＲＡＭ（Random Access Memory）１０ｂと、記憶部に相当するＲＯＭ（Read Only Memory）１０ｃと、通信部１０ｄと、入力部１０ｅと、表示部１０ｆと、を有する。これらの各構成は、バスを介して相互にデータ送受信可能に接続される。なお、本例では解析装置１０が一台のコンピュータで構成される場合について説明するが、解析装置１０は、複数のコンピュータが組み合わされて実現されてもよい。また、図３で示す構成は一例であり、解析装置１０はこれら以外の構成を有してもよいし、これらの構成のうち一部を有さなくてもよい。
FIG. 3 is a diagram showing a physical configuration of the analysis device 10 according to the present embodiment. The analysis device 10 includes a CPU (Central Processing Unit) 10a corresponding to a calculation unit, a RAM (RandomAccessMemory) 10b corresponding to a storage unit, a ROM (ReadOnlyMemory) 10c corresponding to a storage unit, and a communication unit 10d. And an input unit 10e and a display unit 10f. Each of these configurations is connected to each other via a bus so that data can be transmitted and received. In this example, the case where the analysis device 10 is composed of one computer will be described, but the analysis device 10 may be realized by combining a plurality of computers. Further, the configuration shown in FIG. 3 is an example, and the analysis device 10 may have configurations other than these, or may not have a part of these configurations.
ＣＰＵ１０ａは、ＲＡＭ１０ｂ又はＲＯＭ１０ｃに記憶された解析プログラムの実行に関する制御やデータの演算、加工を行う制御部である。ＣＰＵ１０ａは、衛星データ及び気象データに基づいて、対象物に関する変化を検出するプログラム（解析プログラム）を実行する演算部である。ＣＰＵ１０ａは、入力部１０ｅや通信部１０ｄから種々のデータを受け取り、データの演算結果を表示部１０ｆに表示したり、ＲＡＭ１０ｂに格納したりする。
The CPU 10a is a control unit that controls execution of an analysis program stored in the RAM 10b or ROM 10c, calculates data, and processes data. The CPU 10a is a calculation unit that executes a program (analysis program) for detecting changes in an object based on satellite data and meteorological data. The CPU 10a receives various data from the input unit 10e and the communication unit 10d, displays the calculation result of the data on the display unit 10f, and stores the data in the RAM 10b.
ＲＡＭ１０ｂは、記憶部のうちデータの書き換えが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＡＭ１０ｂは、ＣＰＵ１０ａが実行する解析プログラム、衛星データ、気象データといったデータを記憶してよい。なお、これらは例示であって、ＲＡＭ１０ｂには、これら以外のデータが記憶されていてもよいし、これらの一部が記憶されていなくてもよい。
The RAM 10b is a storage unit in which data can be rewritten, and may be composed of, for example, a semiconductor storage element. The RAM 10b may store data such as an analysis program, satellite data, and meteorological data executed by the CPU 10a. It should be noted that these are examples, and data other than these may be stored in the RAM 10b, or a part of these may not be stored.
ＲＯＭ１０ｃは、記憶部のうちデータの読み出しが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＯＭ１０ｃは、例えば解析プログラムや、書き換えが行われないデータを記憶してよい。
The ROM 10c is a storage unit capable of reading data, and may be composed of, for example, a semiconductor storage element. The ROM 10c may store, for example, an analysis program or data that is not rewritten.
通信部１０ｄは、解析装置１０を他の機器に接続するインターフェースである。通信部１０ｄは、インターネット等の通信ネットワークＮに接続されてよい。
The communication unit 10d is an interface for connecting the analysis device 10 to another device. The communication unit 10d may be connected to a communication network N such as the Internet.
入力部１０ｅは、ユーザからデータの入力を受け付けるものであり、例えば、キーボード及びタッチパネルを含んでよい。
The input unit 10e receives data input from the user, and may include, for example, a keyboard and a touch panel.
表示部１０ｆは、ＣＰＵ１０ａによる演算結果を視覚的に表示するものであり、例えば、ＬＣＤ（Liquid Crystal Display）により構成されてよい。表示部１０ｆは、衛星データを表示してよい。
The display unit 10f visually displays the calculation result by the CPU 10a, and may be configured by, for example, an LCD (Liquid Crystal Display). The display unit 10f may display satellite data.
解析プログラムは、ＲＡＭ１０ｂやＲＯＭ１０ｃ等のコンピュータによって読み取り可能な記憶媒体に記憶されて提供されてもよいし、通信部１０ｄにより接続される通信ネットワークを介して提供されてもよい。解析装置１０では、ＣＰＵ１０ａが解析プログラムを実行することにより、図２を用いて説明した様々な動作が実現される。なお、これらの物理的な構成は例示であって、必ずしも独立した構成でなくてもよい。例えば、解析装置１０は、ＣＰＵ１０ａとＲＡＭ１０ｂやＲＯＭ１０ｃが一体化したＬＳＩ（Large-Scale Integration）を備えていてもよい。
The analysis program may be stored in a storage medium readable by a computer such as RAM 10b or ROM 10c and provided, or may be provided via a communication network connected by the communication unit 10d. In the analysis device 10, the CPU 10a executes the analysis program to realize various operations described with reference to FIG. It should be noted that these physical configurations are examples and do not necessarily have to be independent configurations. For example, the analysis device 10 may include an LSI (Large-Scale Integration) in which the CPU 10a and the RAM 10b or ROM 10c are integrated.
図４は、本実施形態に係る解析装置１０により生成された予測データと、熱赤外の波長帯で観測されたデータとを示す図である。同図では、縦軸にＴＩＲ（Thermal Infra-Red、熱赤外）の波長帯で観測されたデータの一画素の値を示し、横軸に日付を示している。本例で用いている衛星データは、対象物として工場を撮影した場合の衛星データであり、縦軸に示す値は、熱赤外の波長帯で撮影された画像のうち、工場の温度変化を反映する画素の値であり、より具体的には、工場が存在する領域に相当する画素の値である。工場の領域内には、排気口や特定の熱を発する装置等を含んでいる。
FIG. 4 is a diagram showing the prediction data generated by the analysis device 10 according to the present embodiment and the data observed in the thermal infrared wavelength band. In the figure, the vertical axis shows the value of one pixel of the data observed in the wavelength band of TIR (Thermal Infra-Red), and the horizontal axis shows the date. The satellite data used in this example is the satellite data when the factory is photographed as an object, and the values shown on the vertical axis are the temperature changes of the factory in the images taken in the thermal infrared wavelength band. It is the value of the pixel to be reflected, and more specifically, it is the value of the pixel corresponding to the area where the factory exists. The area of the factory includes an exhaust port, a device that generates specific heat, and the like.
同図では、衛星データのうち熱赤外の波長帯で観測されたデータＤを実線で示し、衛星データのうち熱赤外の波長帯で観測されると予測される予測データＰを破線で示している。両データは、ほとんど一致しているが、２０１７年中頃のタイミングＴ１において、比較的大きく乖離している。
In the figure, the data D observed in the thermal infrared wavelength band of the satellite data is shown by a solid line, and the predicted data P predicted to be observed in the thermal infrared wavelength band of the satellite data is shown by a broken line. ing. The two data are almost the same, but at the timing T1 in the middle of 2017, there is a relatively large divergence.
図５は、本実施形態に係る解析装置１０により生成された予測データＰと、熱赤外の波長帯で観測されたデータＤとの差Ｄｉｆｆを示す図である。同図では、縦軸に差Ｄｉｆｆを表すスコア（diff_score(TIR)）を示し、横軸に日付を示している。差Ｄｉｆｆを表すスコアは、予測データＰから実測されたデータＤを引いた値である。
FIG. 5 is a diagram showing the difference Diff between the predicted data P generated by the analysis device 10 according to the present embodiment and the data D observed in the thermal infrared wavelength band. In the figure, the vertical axis shows the score (diff_score (TIR)) representing the difference Diff, and the horizontal axis shows the date. The score representing the difference Diff is a value obtained by subtracting the actually measured data D from the predicted data P.
予測データＰから実測されたデータＤを引いた差Ｄｉｆｆは、タイミングＴ１において比較的大きくなっており、タイミングＴ１に対象物に関する変化が起きていることが読み取れる。対象物が工場の場合、検出部１３は、予測データＰの値から、衛星データのうち熱赤外の波長帯で観測されたデータＤの値を引いた差Ｄｉｆｆの値が閾値より大きい場合に、工場の少なくとも一部の稼働停止を検出してよい。このようにして、平常時よりも工場からの熱放出量が小さくなっていることを捉え、工場の少なくとも一部の稼働停止を検出することができる。更に、本実施形態で工場が存在する領域に相当する画素の値のデータを例に記載したが、ビルや家屋等が存在する領域には、空調室外機等の排熱を行う装置等に相当する画素の値でも本実施形態と同様の観測ができ、使用状況を検出することができる。
The difference Diff obtained by subtracting the actually measured data D from the predicted data P is relatively large at the timing T1, and it can be read that a change related to the object is occurring at the timing T1. When the object is a factory, the detection unit 13 detects when the value of the difference Diff obtained by subtracting the value of the data D observed in the thermal infrared wavelength band from the value of the predicted data P is larger than the threshold value. , At least some factory outages may be detected. In this way, it is possible to detect that the amount of heat released from the factory is smaller than in normal times, and to detect at least a part of the factory outage. Further, in the present embodiment, the pixel value data corresponding to the area where the factory exists is described as an example, but the area where the building or the house exists corresponds to the device for exhausting heat such as the air conditioner outdoor unit. The same observation as in this embodiment can be performed with the value of the pixel to be used, and the usage status can be detected.
図６は、本実施形態に係る解析装置１０により算出された基準時以前の衛星データの特徴量の平均と、基準時以後の衛星データの特徴量の平均とを示す図である。解析装置１０は、ある地域を所定の波長帯（例えば可視光の波長帯）で観測した画像ＩＭＧを取得する。ここで、画像ＩＭＧは、時系列順に複数枚撮影される。解析装置１０は、画像ＩＭＧを複数の区画に分割して、複数の部分画像ＩＭＧ＿１～ＩＭＧ＿Ｎを得る。ここで、複数の部分画像ＩＭＧ＿１～ＩＭＧ＿Ｎは、それぞれ時系列順に並んだ複数の部分画像を含む。そして、解析装置１０は、複数の部分画像ＩＭＧ＿１～ＩＭＧ＿Ｎから特徴量を算出することで、複数の区画に関する衛星データの特徴量を算出する。解析装置１０は、時系列順に並んだ複数の部分画像ＩＭＧ＿１～ＩＭＧ＿Ｎそれぞれについて特徴量を算出し、特徴量の時系列変化を算出する。解析装置１０は、変分オートエンコーダ（Variational AutoEncoder）や敵対的生成ネットワーク（Generative Adversarial Network）を用いて、複数の部分画像ＩＭＧ＿１～ＩＭＧ＿Ｎから特徴量を算出してよい。
FIG. 6 is a diagram showing the average of the feature amount of the satellite data before the reference time and the average of the feature amount of the satellite data after the reference time calculated by the analysis device 10 according to the present embodiment. The analysis device 10 acquires an image IMG obtained by observing a certain area in a predetermined wavelength band (for example, a wavelength band of visible light). Here, a plurality of image IMGs are taken in chronological order. The analysis device 10 divides the image IMG into a plurality of sections to obtain a plurality of partial images IMG_1 to IMG_N. Here, the plurality of partial images IMG_1 to IMG_N include a plurality of partial images arranged in chronological order. Then, the analysis device 10 calculates the feature amount of the satellite data relating to the plurality of sections by calculating the feature amount from the plurality of partial images IMG_1 to IMG_N. The analysis device 10 calculates the feature amount for each of the plurality of partial images IMG_1 to IMG_N arranged in chronological order, and calculates the time-series change of the feature amount. The analysis device 10 may calculate the feature amount from a plurality of partial images IMG_1 to IMG_N by using a variational autoencoder (Variational AutoEncoder) or a hostile generation network (Generative Adversarial Network).
検出部１３は、基準時以前の特徴量ｆの平均と、基準時以後の特徴量ｆの平均との差ｄｉｆｆに基づいて、対象物に関する変化が起きた時を検出してよい。図６では、基準時以前の特徴量ｆの平均が０．２であり、基準時以後の特徴量ｆの平均が－１．１である場合を示している。検出部１３は、準時以前の特徴量ｆの平均と、基準時以後の特徴量ｆの平均との差の絶対値が最大になるタイミングを、対象物に関する変化が起きたタイミングとして検出してよい。このようにして、対象物に関する変化が起きた時を検出することができる。
The detection unit 13 may detect when a change occurs with respect to the object based on the difference diff between the average of the feature amount f before the reference time and the average of the feature amount f after the reference time. FIG. 6 shows a case where the average of the feature amounts f before the reference time is 0.2 and the average of the feature amounts f after the reference time is −1.1. The detection unit 13 may detect the timing at which the absolute value of the difference between the average of the feature amount f before the quasi-time and the average of the feature amount f after the reference time becomes maximum as the timing when the change with respect to the object occurs. .. In this way, it is possible to detect when a change in the object has occurred.
図７は、本実施形態に係る解析装置１０により実行される第１処理のフローチャートである。第１処理は、熱赤外以下の波長帯で観測された衛星データを用いて、対象物に関する変化を検出する処理である。
FIG. 7 is a flowchart of the first process executed by the analysis device 10 according to the present embodiment. The first process is a process for detecting changes in an object using satellite data observed in a wavelength band below thermal infrared.
はじめに、解析装置１０は、対象物が存在する地域について衛星によって熱赤外以下の波長帯で観測された衛星データ及び気象データを取得する（Ｓ１０）。そして、解析装置１０は、衛星データのうち熱赤外以外の波長帯で観測されたデータ及び気象データに基づいて、衛星データのうち熱赤外の波長帯で観測されると予測される予測データを生成する（Ｓ１１）。
First, the analyzer 10 acquires satellite data and meteorological data observed by satellites in the wavelength band below the thermal infrared region in the area where the object exists (S10). Then, the analyzer 10 predicts that the satellite data will be observed in the thermal infrared wavelength band based on the data observed in the thermal infrared wavelength band and the meteorological data. Is generated (S11).
そして、解析装置１０は、衛星データのうち熱赤外の波長帯で観測されたデータと、予測データとの比較に基づいて、対象物に関する変化を検出する（Ｓ１２）。
Then, the analysis device 10 detects changes related to the object based on the comparison between the satellite data observed in the thermal infrared wavelength band and the predicted data (S12).
図８は、本実施形態に係る解析装置１０により実行される第２処理のフローチャートである。第２処理は、近赤外以下の波長帯で観測された衛星データを用いて、対象物に関する局所的な変化を検出する処理である。
FIG. 8 is a flowchart of the second process executed by the analysis device 10 according to the present embodiment. The second process is a process of detecting local changes in an object using satellite data observed in a wavelength band below the near infrared.
はじめに、解析装置１０は、対象物が存在する地域について衛星によって熱赤外以外の波長帯で観測された衛星データを取得する（Ｓ２０）。その後、解析装置１０は、地域を複数の区画に分割して、複数の区画に関する衛星データの特徴量を算出する（Ｓ２１）。
First, the analysis device 10 acquires satellite data observed by the satellite in a wavelength band other than thermal infrared in the area where the object exists (S20). After that, the analysis device 10 divides the area into a plurality of sections and calculates the feature amount of satellite data for the plurality of sections (S21).
そして、解析装置１０は、特徴量に基づいて、複数の区画における対象物に関する変化を検出する（Ｓ２２）。
Then, the analysis device 10 detects changes related to the object in the plurality of sections based on the feature amount (S22).
本実施形態にかかる変形例として、活火山を対象物として監視を行う際、該対象物が存在する地域を複数の区画に分割して、複数の区画に関する衛星データのうち熱赤外以外の波長帯で観測されたデータ及び気象データに基づいて、衛星データのうち熱赤外の波長帯で観測されると予測される予測データを生成し、生成した予測データと、衛星データのうち熱赤外の波長帯で観測されたデータとの比較によって、噴火口付近の温度上昇、地表面の温度上昇、高温ガスの噴射及び水温上昇の兆候があると判断し、警戒レベルを上げ、登山客や対象物周辺の住人に警戒通知を行う。また、監視を行う対象物として、スターリングエンジン等の太陽熱発電及び原油採掘施設のフレアスタック等にも適応可能である。
As a modification of the present embodiment, when monitoring an active volcano as an object, the area where the object exists is divided into a plurality of sections, and the satellite data relating to the plurality of sections has a wavelength other than thermal infrared. Based on the data observed in the band and the meteorological data, the prediction data predicted to be observed in the thermal infrared wavelength band among the satellite data is generated, and the generated prediction data and the thermal infrared of the satellite data are generated. By comparing with the data observed in the wavelength band of, it is judged that there are signs of temperature rise near the crater, ground surface temperature rise, high temperature gas injection and water temperature rise, raise the alert level, climbers and targets Give a warning notice to the residents around the object. It can also be applied to solar thermal power generation such as Stirling engines and flare stacks of crude oil mining facilities as objects to be monitored.
以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。
The embodiments described above are for facilitating the understanding of the present invention, and are not for limiting and interpreting the present invention. Each element included in the embodiment and its arrangement, material, condition, shape, size, and the like are not limited to those exemplified, and can be changed as appropriate. In addition, the configurations shown in different embodiments can be partially replaced or combined.
Claims (9)
- 衛星によって熱赤外以下の波長帯で対象物を観測した衛星データ及び前記対象物が存在する地域の気象データを取得する取得部と、
前記衛星データのうち熱赤外以外の波長帯で観測されたデータ及び前記気象データに基づいて、前記衛星データのうち熱赤外の波長帯で観測されると予測される予測データを生成する生成部と、
前記衛星データのうち熱赤外の波長帯で観測されたデータと、前記予測データとの比較に基づいて、前記対象物に関する変化を検出する検出部と、
を備える解析装置。 An acquisition unit that acquires satellite data obtained by observing an object in a wavelength band below the thermal infrared region by a satellite and meteorological data in the area where the object exists.
Generation of the satellite data that is predicted to be observed in the thermal infrared wavelength band based on the data observed in the wavelength band other than the thermal infrared and the meteorological data. Department and
A detector that detects changes in the object based on comparison between the satellite data observed in the thermal infrared wavelength band and the predicted data.
An analyzer equipped with. - 前記生成部は、過去に観測された前記衛星データ及び前記気象データを学習用データとする教師有り学習によって生成された学習済みモデルを用いて、前記予測データを生成する、
請求項１に記載の解析装置。 The generation unit generates the prediction data using a trained model generated by supervised learning using the satellite data and the meteorological data observed in the past as learning data.
The analyzer according to claim 1. - 前記学習用データを用いた教師有り学習によって、前記学習済みモデルを生成する学習部をさらに備える、
請求項２に記載の解析装置。 A learning unit that generates the trained model by supervised learning using the training data is further provided.
The analyzer according to claim 2. - 前記学習部は、前記対象物毎に、前記学習済みモデルを生成する、
請求項３に記載の解析装置。 The learning unit generates the trained model for each object.
The analyzer according to claim 3. - 前記対象物が工場の場合、前記検出部は、前記予測データの値から、前記衛星データのうち熱赤外の波長帯で観測されたデータの値を引いた値が閾値より大きい場合に、前記工場の少なくとも一部の稼働停止を検出する、
請求項１から４のいずれか一項に記載の解析装置。 When the object is a factory, the detection unit determines that the value obtained by subtracting the value of the data observed in the thermal infrared wavelength band from the predicted data value is larger than the threshold value. Detects at least some factory outages,
The analyzer according to any one of claims 1 to 4. - 前記地域を複数の区画に分割して、前記複数の区画に関する前記衛星データの特徴量を算出する算出部をさらに備え、
前記検出部は、前記特徴量に基づいて、前記複数の区画における前記対象物に関する変化を検出する、
請求項１から５のいずれか一項に記載の解析装置。 The area is further divided into a plurality of sections, and a calculation unit for calculating the feature amount of the satellite data for the plurality of sections is further provided.
The detection unit detects changes in the object in the plurality of compartments based on the feature amount.
The analyzer according to any one of claims 1 to 5. - 前記検出部は、基準時以前の前記特徴量の平均と、前記基準時以後の前記特徴量の平均との差に基づいて、前記対象物に関する変化が起きた時を検出する、
請求項６に記載の解析装置。 The detection unit detects when a change occurs with respect to the object based on the difference between the average of the feature amounts before the reference time and the average of the feature amounts after the reference time.
The analyzer according to claim 6. - 衛星によって熱赤外以下の波長帯で対象物を観測した衛星データ及び前記対象物が存在する地域の気象データを取得することと、
前記衛星データのうち熱赤外以外の波長帯で観測されたデータ及び前記気象データに基づいて、前記衛星データのうち熱赤外の波長帯で観測されると予測される予測データを生成することと、
前記衛星データのうち熱赤外の波長帯で観測されたデータと、前記予測データとの比較に基づいて、前記対象物に関する変化を検出することと、
を含む解析方法。 Acquiring satellite data of observing an object in the wavelength band below thermal infrared by satellite and meteorological data of the area where the object exists,
To generate prediction data that is predicted to be observed in the thermal infrared wavelength band of the satellite data based on the data observed in the wavelength band other than the thermal infrared of the satellite data and the meteorological data. When,
To detect changes related to the object based on the comparison between the satellite data observed in the thermal infrared wavelength band and the predicted data.
Analysis method including. - 解析装置に備えられた演算部を、
衛星によって熱赤外以下の波長帯で対象物を観測した衛星データ及び前記対象物が存在する地域の気象データを取得する取得部、
前記衛星データのうち熱赤外以外の波長帯で観測されたデータ及び前記気象データに基づいて、前記衛星データのうち熱赤外の波長帯で観測されると予測される予測データを生成する生成部、及び
前記衛星データのうち熱赤外の波長帯で観測されたデータと、前記予測データとの比較に基づいて、前記対象物に関する変化を検出する検出部、
として機能させる解析プログラム。 The arithmetic unit provided in the analysis device,
An acquisition unit that acquires satellite data obtained by observing an object in a wavelength band below the thermal infrared region by a satellite and meteorological data in the area where the object exists.
Generation of the satellite data that is predicted to be observed in the thermal infrared wavelength band based on the data observed in the wavelength band other than the thermal infrared and the meteorological data. A detection unit that detects changes in the object based on the comparison between the data observed in the thermal infrared wavelength band of the satellite data and the prediction data.
An analysis program that functions as.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022507096A JP7430008B2 (en) | 2020-03-11 | 2020-03-11 | Analysis equipment, analysis method and analysis program |
| PCT/JP2020/010654 WO2021181585A1 (en) | 2020-03-11 | 2020-03-11 | Analysis device, analysis method, and analysis program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2020/010654 WO2021181585A1 (en) | 2020-03-11 | 2020-03-11 | Analysis device, analysis method, and analysis program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2021181585A1 true WO2021181585A1 (en) | 2021-09-16 |
Family
ID=77670539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2020/010654 WO2021181585A1 (en) | 2020-03-11 | 2020-03-11 | Analysis device, analysis method, and analysis program |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7430008B2 (en) |
| WO (1) | WO2021181585A1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004020235A (en) * | 2002-06-12 | 2004-01-22 | Hiroyuki Inubushi | Earthquake omen monitoring equipment and safety confirmation equipment in the case of catastrophe |
| WO2006120724A1 (en) * | 2005-05-02 | 2006-11-16 | Saga University | Geographic information system using neural networks |
| US20170078590A1 (en) * | 2009-03-02 | 2017-03-16 | Flir Systems, Inc. | Time spaced infrared image enhancement |
-
2020
- 2020-03-11 WO PCT/JP2020/010654 patent/WO2021181585A1/en active Application Filing
- 2020-03-11 JP JP2022507096A patent/JP7430008B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004020235A (en) * | 2002-06-12 | 2004-01-22 | Hiroyuki Inubushi | Earthquake omen monitoring equipment and safety confirmation equipment in the case of catastrophe |
| WO2006120724A1 (en) * | 2005-05-02 | 2006-11-16 | Saga University | Geographic information system using neural networks |
| US20170078590A1 (en) * | 2009-03-02 | 2017-03-16 | Flir Systems, Inc. | Time spaced infrared image enhancement |
Non-Patent Citations (1)
| Title |
|---|
| MISHIMA ET AL.: "Estimation of NIR Image from RGB Image using Spectrum Characteristic of Vegetable", IPSJ SIG TECHNICAL REPORT (CVIM). * |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2021181585A1 (en) | 2021-09-16 |
| JP7430008B2 (en) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | An intelligent tunnel firefighting system and small-scale demonstration | |
| KR102159692B1 (en) | solar photovoltatic power generation forecasting apparatus and method based on big data analysis | |
| Sayad et al. | Predictive modeling of wildfires: A new dataset and machine learning approach | |
| Mousa et al. | Flash flood detection in urban cities using ultrasonic and infrared sensors | |
| CN115578015B (en) | Sewage treatment whole process supervision method, system and storage medium based on Internet of things | |
| CN104933841B (en) | A kind of fire prediction method based on self organizing neural network | |
| CN108363886A (en) | Deformation prediction method and system based on deep learning | |
| Vicari et al. | LAV@ HAZARD: a web-GIS interface for volcanic hazard assessment | |
| CN110390135B (en) | Method for improving forest fire spreading prediction precision | |
| CN108492506A (en) | A kind of inside fire early warning method and system of multisource data fusion | |
| Chen et al. | Estimation of all-sky all-wave daily net radiation at high latitudes from MODIS data | |
| WO2006120724A1 (en) | Geographic information system using neural networks | |
| WO2023021769A1 (en) | Vegetation management system and vegetation management method | |
| CN102013148A (en) | Multi-information fusion fire hazard detection method | |
| US11810216B1 (en) | Air quality monitors minimization system and methods | |
| CN114254879A (en) | Multi-sensor information fusion power equipment safety diagnosis method and device | |
| CN115935640B (en) | Landslide sensitivity prediction model establishment method and landslide sensitivity evaluation method | |
| CN106951992A (en) | The Forecasting Methodology and system, server of a kind of surface fuel moisture content | |
| JP2020134300A (en) | Prediction method, prediction program and information processing apparatus | |
| CN113192283A (en) | Wireless fire early warning system with multi-sensor information fusion | |
| CN107121943A (en) | A kind of method and apparatus for being used to obtain the health forecast information of intelligence instrument | |
| Preston et al. | Uncertainty-aware visualization for analyzing heterogeneous wildfire detections | |
| WO2021181585A1 (en) | Analysis device, analysis method, and analysis program | |
| Wardhana et al. | Fuzzy logic method design for landslide vulnerability | |
| CN115176255A (en) | Parameter adjustment device, inference device, parameter adjustment method, and parameter adjustment program |
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: 20923854 Country of ref document: EP Kind code of ref document: A1 |
|
| ENP | Entry into the national phase |
Ref document number: 2022507096 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: 20923854 Country of ref document: EP Kind code of ref document: A1 |