WO2022004461A1 - ガス領域判定装置、ガス領域判定方法、学習モデル生成装置、学習モデル生成方法、および、プログラム - Google Patents

ガス領域判定装置、ガス領域判定方法、学習モデル生成装置、学習モデル生成方法、および、プログラム Download PDF

Info

Publication number
WO2022004461A1
WO2022004461A1 PCT/JP2021/023393 JP2021023393W WO2022004461A1 WO 2022004461 A1 WO2022004461 A1 WO 2022004461A1 JP 2021023393 W JP2021023393 W JP 2021023393W WO 2022004461 A1 WO2022004461 A1 WO 2022004461A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
gas
region
gas region
teacher
Prior art date
Application number
PCT/JP2021/023393
Other languages
English (en)
French (fr)
Inventor
基広 浅野
隆史 森本
俊介 ▲高▼村
Original Assignee
コニカミノルタ株式会社
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 コニカミノルタ株式会社 filed Critical コニカミノルタ株式会社
Publication of WO2022004461A1 publication Critical patent/WO2022004461A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Definitions

  • the frequency of the infrared image obtained by capturing the monitored object at a plurality of times is higher than that of the first frequency component data indicating the temperature change due to the leaked gas.
  • the second frequency component data indicating the temperature change of the background to be monitored is removed from the image data indicating the infrared image.
  • FIG. 1 is a functional block diagram of the gas detection system 100 according to the embodiment.
  • the gas detection system 100 includes an image generation unit 10 for capturing an image of a monitored object, a gas detection device 20 for detecting gas based on an image acquired by the image generation unit 10, and a display unit 24.
  • the image generation unit 10 and the display unit 24 are configured to be connectable to the gas detection device 20, respectively.
  • the determination target image extraction unit 211 may divide the image area.
  • FIG. 4 shows a case where an image is divided into 10 in the X direction and 8 in the Y direction to create 80 determination target images.
  • the determination target image extraction unit 211 outputs each divided area as a determination target image.
  • FIG. 12B shows a region determined to be a noise region, white is a noise region, black is a region not including a noise region, and other than that, (i) contains 20% or more of noise and includes a gas region. Indicates a region that either contains less than 2% or (ii) does not contain a gas region and contains less than 20% of a noise region.
  • FIG. 12C shows a region that is neither a gas region nor a noise region, black is a region that is neither a gas region nor a noise region, white is a region determined as a gas region or a noise region, and other regions are any region. Also indicates the area that was not determined. Since the small white shadow near the center of FIG.
  • a system LSI is a super-multifunctional LSI manufactured by integrating a plurality of components on one chip, and specifically, is a computer system including a microprocessor, ROM, RAM, and the like. .. These may be individually integrated into one chip, or may be integrated into one chip so as to include a part or all of them.
  • the LSI may be referred to as an IC, a system LSI, a super LSI, or an ultra LSI depending on the degree of integration.
  • a computer program that achieves the same operation as each of the above devices is stored in the RAM.
  • the division of functional blocks in the block diagram is an example, and multiple functional blocks can be realized as one functional block, one functional block can be divided into multiple, and some functions can be transferred to other functional blocks. You may. Further, the functions of a plurality of functional blocks having similar functions may be processed by a single hardware or software in parallel or in a time division manner.
  • the gas region determination device includes an image pickup moving image acquisition unit that acquires a moving image including a plurality of frames from an image pickup device, and a time-series change in pixel values for pixels having the same coordinates in each frame of the moving image.
  • an image pickup moving image acquisition unit that acquires a moving image including a plurality of frames from an image pickup device, and a time-series change in pixel values for pixels having the same coordinates in each frame of the moving image.
  • a process for extracting a specific frequency component may be performed, and an image processing unit for generating a determination target image and outputting the image to the image acquisition unit may be further provided.
  • the program according to one aspect of the present disclosure is a program that causes a computer to perform a learning model generation process, and the learning model generation process acquires a teacher's image and shows gas in the teacher's image.
  • the area information of the above is acquired, and machine learning is performed using the combination of the teacher image and the area information of the gas area indicating gas in the teacher image as teacher data, and it is an image of gas with respect to the determination target image.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

判定対象画像を取得する画像取得部と、教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習した推測モデルを用いて、前記画像取得部が取得した判定対象画像がガス領域を含むか否かを判定するガス領域判定部とを備えるガス領域判定装置。

Description

ガス領域判定装置、ガス領域判定方法、学習モデル生成装置、学習モデル生成方法、および、プログラム
　本開示は、画像を用いて空間中に漏洩したガスを検知する方法において、画像内にガスの像が存在するか否かを判定する装置、方法、プログラムに関する。
　ガスプラント、石油化学プラントや火力発電所、製鉄関連施設等では、操業時に大量のガスを取り扱っている。このような施設においては、施設の経年劣化や運転ミスにより、ガス漏洩の危険性が認識されており、大事故に至る前にガス漏洩を最小限にとどめるためガス検知装置が備え付けられている。検知プローブにガス分子が接触することでプローブの電気的特性が変化することを利用したガス検知装置の他、近年では、ガスによる赤外線吸収を利用したガス可視化撮像装置が取り入れられつつある。
　ガス可視化撮像装置では、絶対温度０Ｋ以上の背景物体から放射される黒体放射と呼ばれる、主に赤外線領域の電磁波がガスによって吸収されたり、ガス自身から黒体放射が発生したりすることで生じる電磁波量の変化をとらえることでガスの存在を検知する。ガス可視化撮像装置で、監視対象空間を撮影することで、ガス漏洩を画像としてとらえることができるため、格子点状の場所の監視しかできない検知プローブ式に比較して、より早期にガス漏洩を検知し、ガスの存在箇所を正確にとらえることができる。
　例えば、特許文献１に開示されているガス検知用画像処理装置では、監視対象を複数の時刻で撮影した赤外画像に対し、漏れたガスによる温度変化を示す第１の周波数成分データよりも周波数が低く、監視対象の背景の温度変化を示す第２の周波数成分データを、赤外画像を示す画像データから除く処理を行っている。
国際公開第２０１７／０７３４３０号
　しかしながら、ガス可視化撮像装置の検知用画像において、草木や車両等の像、ガス雲が映った水面の像など、ガスの像と同様に電磁波量の変化が生じるものが存在する。これらの像は、人が知見に基づいてガスの像であるか否かを判定することは困難ではないが、フィルタや閾値を用いて除外することが困難である。
　本開示の態様は、上記課題に鑑み、画像内の画像領域がガスの像であるか否かを判定するガス領域判定装置および判定方法を提供することを目的とする。
　本開示の一態様に係るガス領域判定装置は、判定対象画像を取得する画像取得部と、教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習した推測モデルを用いて、前記画像取得部が取得した判定対象画像がガス領域を含むか否かを判定するガス領域判定部とを備える。
　上記態様によれば、判定対象画像の特徴に基づいてガスの像を含むか否かを判定できる推測モデルに基づき、判定対象画像がガスの像を含むか否かを判定する。したがって、教師データを適切に設計することにより、ガスの像と、ガスの像と紛らわしいノイズとを区別することができる。
実施の形態に係るガス検知システム１００の機能ブロック図である。 監視対象３００と画像生成部１０との関係を示す概略図である。 画像生成部１０が撮像した画像と、判定対象画像抽出部２１１によるガス領域顕在化処理後の判定対象画像の一例である。 １の画像を領域分割して複数の判定対象画像を生成する処理を示す模式図である。 判定対象画像と、ガス領域マップと、ノイズ領域マップとの相互関係を示す模式図である。 機械学習モデルの論理構成の概要を示す模式図である。 学習フェーズにおけるガス検知装置２０の動作を示すフローチャートである。 教師データとしての判定対象画像、ガス領域マップ、ノイズ領域マップの例である。 教師データとしての判定対象画像、ガス領域マップ、ノイズ領域マップの例である。 学習フェーズにおけるガス検知装置２０の動作を示すフローチャートである。 撮像画像と、判定対象画像の例である。 図１１の撮像画像および判定対象画像に対応する、ガス領域、ノイズ領域、それ以外の領域の空間的配置である。 表示画像の例である。 変形例に係るガス検知システム２００の機能ブロック図である。
　≪実施の形態≫
　以下、実施の形態に係るガス検知システム１００について、図面を参照しながら説明する。
　図１は、実施の形態に係るガス検知システム１００の機能ブロック図である。図１に示すように、ガス検知システム１００は、監視対象を撮像するための画像生成部１０と、画像生成部１０が取得した画像に基づきガスを検知するガス検知装置２０と、表示部２４とを有する。画像生成部１０、表示部２４は、それぞれ、ガス検知装置２０に接続可能に構成されている。
　＜画像生成部１０＞
　画像生成部１０は、監視対象を撮像してガス検知装置２０に画像を提供する装置またはシステムである。実施の形態において、画像生成部１０は、例えば、波長３．２～３．４μｍの赤外光を検知して画像化する、いわゆる赤外線カメラであり、メタン、エタン、エチレン、プロピレンなど炭化水素系ガスを検知可能である。なお、画像生成部１０はこれに限られず、監視対象のガスを検知可能な撮像装置であればよく、例えば、監視対象が白煙化した水蒸気など可視光で検知可能なガスであれば、一般的な可視光カメラであってもよい。なお、本明細書において、ガスとは、配管やタンク等の閉鎖空間から漏出した気体であって、意図的に大気中に拡散させたものではないものを指す。
　画像生成部１０は、図２の模式図に示すように、画像生成部１０の視野範囲３１０に監視対象３００が含まれるように設置される。画像生成部１０は、撮像した画像を映像信号としてガス検知装置２０に出力する。映像信号としては、例えば、秒間３０フレームの画像を伝送するための信号である。
　＜ガス検知装置２０の構成＞
　ガス検知装置２０は、画像生成部１０から監視対象を撮像した画像を取得し、画像に基づいてガス領域の検出を行い、表示部２４を通じてユーザにガス検知を通知する装置である。ガス検知装置２０は、例えば、一般的なＣＰＵ(Central Processing Unit)とＲＡＭと、これらで実行されるプログラムを備えるコンピュータとして実現される。なお、後述するように、ガス検知装置２０は、演算装置としてのＧＰＵ（Graphics Processing Unit）とＲＡＭをさらに備えてもよい。ガス検知装置２０は、図１に示すように、撮像画像取得部２０１、判定対象画像抽出部２１１、教師画像取得部２１２、領域情報取得部２１３、機械学習部２１４１、学習モデル保持部２１４２、判定結果出力部２１５を備える。判定対象画像抽出部２１１は、本開示の画像処理部の機能を備える。また、機械学習部２１４１と学習モデル保持部２１４２とは、ガス領域判定部２１４を構成する。判定対象画像抽出部２１１とガス領域判定部２１４は、ガス領域判定装置２１を構成する。
　撮像画像取得部２０１は、監視対象を撮像した画像を画像生成部１０から取得する回路である。実施の形態では、撮像画像取得部２０１は、画像生成部１０から映像信号を取得し、映像信号を画像に復元して、判定対象画像抽出部２１１に出力する。画像は監視対象を撮像した赤外線写真であり、画素値として赤外線の強度を有する。なお、画像は、複数のフレームからなる動画像であってもよい。
　判定対象画像抽出部２１１は、撮像画像取得部２０１が出力した画像に対してガス領域の顕在化処理、領域分割等を行って、ガス領域を含むか否かの判定対象となる判定対象画像を生成する回路である。判定対象画像は複数フレームからなる動画であってもよいし、単一のフレームからなる静止画であってもよい。ガス領域の顕在化処理としては、例えば、国際公開第２０１７／０７３４４０号に記載されているように、特定の周波数成分を抽出することにより、ガスの像が有する時間的な揺らぎが存在する領域を顕在化する。ここで、特定の周波数成分とは、時系列における輝度の変化の周波数があらかじめ定めた範囲内である成分を指す。図３（ｂ）の判定対象画像例は、図３（ａ）の赤外画像例に対して特定の周波数成分の抽出を行った画像である。なお、ガス領域の顕在化処理はこれに限られず、例えば、撮像画像取得部２０１が出力した画像が動画である場合、連続する２フレーム間で同一座標の画素の輝度の差分を算出して、当該座標の画素にマッピングしてもよい。図３（ｃ）の判定対象画像例は、図３（ａ）の赤外画像例に対して連続２フレームの差分を取った画像である。なお、これらの顕在化処理によって抽出可能となる領域は、ガス領域と、ガス領域のように見えるノイズ領域とを含む。
　なお、判定対象画像抽出部２１１は、画像の領域分割を行ってもよい。図４は、画像をＸ方向に１０分割、Ｙ方向に８分割し、判定対象画像を８０個作成した場合を示している。判定対象画像抽出部２１１は、分割した各領域を、それぞれ判定対象画像として出力する。
　また、判定対象画像抽出部２１１は、撮像画像取得部２０１から動画像を取得した場合には、判定対象画像を動画として出力してもよい。
　なお、判定対象画像のサイズや動画としてのフレーム数が過大であると機械学習および機械学習に基づく判定の演算量が大きくなる。実施の形態１では、判定対象画像の画素数は３２×３２ピクセルである。また、動画である場合、フレーム数は１６である。
　教師画像取得部２１２は、判定対象画像抽出部２１１が生成する判定対象画像と同一のフォーマットからなる教師画像であって、ガスの像であるガス領域を特定するための情報が既知である画像を取得する回路である。ガス領域を特定するための情報とは、具体的には、ガス領域である座標を示す情報である。なお、教師画像取得部２１２は、取得した画像が、判定対象画像抽出部２１１が生成する判定対象画像と同一のフォーマットでない場合には、同一のフォーマットとなるように、ガス領域の顕在化処理や領域分割等を行ってもよい。
　領域情報取得部２１３は、教師画像取得部２１２が取得する教師画像内のガス領域を特定するための情報を取得する回路である。ガス領域を特定するための情報は、例えば、教師画像取得部２１２が取得する判定対象画像内の各画素に対応してガス領域であるか否かをマッピングしたデータである。例えば、図５（ｂ）のガス領域情報マップは、図５（ａ）の判定対象画像に対して、各画素がガス領域であるか否かの情報をマッピングしたものであり、ガス領域である画素は画素値１（図５（ｂ）では黒色の画素）、ガス領域でない画素は画素値０（図５（ｂ）では白色の画素）として示している。例えば、図５（ａ）のガス領域画像における領域Ａの白い像はガスの像であるため、対応する図５（ｂ）のガス領域情報マップの領域Ａｇにおいては、領域Ａの白い像に対応して画素値１がマッピングされた黒い像が形成される。一方、図５（ａ）のガス領域画像における領域Ｂの白い像は草木の揺らぎが可視化されているだけでありガスの像ではないため、対応する図５（ｂ）のガス領域情報マップの領域Ｂｇにおいては、全域がガス領域でないことを示す画素値０がマッピングされる。例えば、図５（ｃ）のノイズ領域情報マップは、図５（ａ）の判定対象画像に対して、各画素がノイズ領域であるか否かの情報をマッピングしたものであり、ノイズ領域である画素は画素値１（図５（ｃ）では黒色の画素）、ガス領域でない画素は画素値０（図５（ｃ）では白色の画素）として示している。例えば、図５（ａ）のガス領域画像における領域Ａの白い像はガスの像であるため、対応する図５（ｃ）のノイズ領域情報マップの領域Ａｎにおいては、全域がノイズ領域でないことを示す画素値０がマッピングされる。一方、図５（ａ）のガス領域画像における領域Ｂの白い像はガスの像ではないため、対応する図５（ｃ）のノイズ領域情報マップの領域Ｂｎにおいては、領域Ｂの白い像に対応して画素値１がマッピングされた黒い像が形成される。
　なお、ここでは、ガス領域情報マップとノイズ領域情報マップとを個別に存在しているとしているが、例えば、ガス領域である画素は座標値２、ノイズ領域である画素は画素値１、それ以外の画素は画素値０とした１つの１つの情報マップとしてもよい。
　機械学習部２１４１は、教師画像取得部２１２が受け付けた判定対象画像と、領域情報取得部２１３が受け付けたガス領域を特定するための情報との組み合わせに基づいて機械学習を実行し、機械学習モデルを生成する回路である。機械学習モデルは、判定対象画像が有する特徴量、例えば、ガス領域の形状、大きさ、ガスの濃淡分布、および、その組み合わせ、ガス領域の形状の時間変化、輝度の時間的揺らぎ、または、これらの組み合わせに基づいて、判定対象画像の各画素がガス領域であるか否かを予測するように形成される。機械学習としては、例えば、畳み込みニューラルネットワーク（ＣＮＮ；Convolutional Neural Network）を用いることができ、PyTorchなどの公知のソフトウェアを用いることができる。図６は、機械学習モデルの論理構成の概要を示す模式図である。機械学習モデルは、入力層５１、中間層５２－１、中間層５２－２、…、中間層５２－ｎ、出力層５３を備え、学習によって層間フィルタが最適化される。例えば、判定対象画像の画素数が３２×３２ピクセルでありフレーム数が１６である場合、入力層５１は、判定対象画像の画素値を入力した３２×３２×１６の３次元テンソルを受け付ける。中間層５２－１は例えば畳み込み層であり、入力層５１のデータから畳み込み演算によって生成される３２×３２×１６の３次元テンソルを受け付ける。中間層５２－２は例えばプーリング層であり、中間層５２－１のデータをリサイズした３次元テンソルを受け付ける。中間層５２－ｎは例えば全結合層であり、中間層５２－（ｎ－１）のデータを、判定対象画像の各画素についてガス領域であるか否かの情報を画素値として格納した画像に変換する。例えば、判定対象画像の画素数が３２×３２ピクセルである場合、判定対象画像の各画素についてガス領域であるか否かを値として格納した３２×３２の２次元行列が出力される。なお、中間層の構成は一例であり、また、中間層の数ｎは３～５程度であるが、これに限られない。なお、判定対象画像は必ずしも動画である必要はなく、判定対象画像が静止画である場合、入力層５１は、判定対象画像の各画素値を入力した２次元行列を受け付ける。また、図６では各層のニューロン数は同一として描画しているが、各層は任意の数のニューロンを有してよい。機械学習部２１４１は、判定対象画像を入力とし、ガス領域である画素の分布を正解とする学習を行って機械学習モデルを生成し、学習モデル保持部２１４２に出力する。ここで、領域情報取得部２１３が、ガス領域でない領域について、ガスの像に類似したノイズであるか否かの情報を取得している場合には、判定対象画像を入力とし、ガス領域である画素の位置およびノイズ領域である画素の位置を正解とする学習をさらに行ってもよい。なお、機械学習部２１４１は、ガス検知装置２０が演算装置としてのＧＰＵとＲＡＭを備える場合には、ＧＰＵとソフトウェアとによって実現されてもよい。
　学習モデル保持部２１４２は、機械学習部２１４１によって生成された機械学習モデルを保持し、当該機械学習モデルを用いて判定対象画像抽出部２１１が生成した判定対象画像がガス領域を含むか否かを出力する回路である。上述したように、機械学習モデルは、判定対象画像に対して、ガス領域であると判定した画素を特定する情報を出力する。なお、機械学習モデルは、ノイズについても学習を行っている場合は、ノイズであると判定した画素を特定する情報を出力してもよい。このとき、例えば、ガス領域である画素は座標値１、ノイズ領域である画素は画素値２、それ以外の画素は画素値０とした単一の情報マップとしてもよい。
　判定結果出力部２１５は、判定対象画像に対するガス領域判定に基づき、撮像画像取得部２０１が取得した画像におけるガス領域の有無を表示部２４に表示するための画像を生成する回路である。具体的には、判定結果出力部２１５は、機械学習部２１４１の出力に基づいて、判定対象画像がガス領域を含むか否かを判定する。より具体的には、判定結果出力部２１５は、ガス領域の占める面積の割合が２％以上である場合に、判定対象画像がガス領域を含むと判定する。また、ノイズ領域についても判定を行っている場合は、例えば、ガス領域である画素が０であり、かつ、ノイズ領域の占める面積の割合が２０％以上である場合に、ノイズ領域であると判定を行い、ガス領域である画素が０であり、ノイズ領域の占める面積の割合が１％未満である場合に、ガス領域でもノイズ領域でもないと判定してもよい。
　＜その他の構成＞
　表示部２４は、例えば、液晶ディスプレイ、有機ＥＬディスプレイなどの表示装置である。
　＜動作＞
　以下、図面を用いて、本実施の形態におけるガス検知装置２０の動作について説明する。
　＜学習フェーズ＞
　図７は、学習フェーズにおけるガス検知装置２０の動作を示すフローチャートである。
　まず、教師画像と、教師画像中のガス領域の情報との組み合わせを作成する（ステップＳ１１０）。教師画像としては、ガス漏洩位置が既知である画像を用いることができる。
　図８は、赤外画像から教師画像と、教師画像中のガス領域の情報を作成する場合の一例である。図８（ａ）は赤外画像であり、図８（ｂ）は図８（ａ）の赤外画像の時間変化に基づいて生成した教師画像である。また、図８（ｄ）は、教師画像の各画素についてガス領域であるか否かを示した画像であり、黒い部分はガス領域、白い部分はガス領域でないことを示す。ここでは、図８（ｂ）の教師画像は水面でガス像とは明らかに異なり、ガス領域が含まれていないので、ガス領域マップとしては、全画素がガス領域でないことを示す白色の画像となる。なお、判定対象画像として、赤外画像の連続２フレーム間の差分を用いる場合には、図８（ｃ）に示すような、赤外画像の連続２フレーム間の差分画像を教師画像として用いる。また、教師画像がガス領域を含むか否かの情報に加えて、ガス領域でない部分がノイズであるか否かを示す情報をさらに見合わせてもよい。図８（ｅ）は、教師画像の各画素についてノイズであるか否かを示した画像であり、黒い部分はノイズ、白い部分はノイズでないことを示す。ここでは、上述の通り図８（ｂ）の教師画像内のガスの像様の領域はガスの像ではないので、ノイズ領域マップとしては、全画素がノイズであることを示す黒色の画像となる。
　図９は、赤外画像から教師画像と、教師画像中のガス領域の情報を作成する場合の一例である。図９（ａ）は赤外画像であり、図９（ｂ）は図９（ａ）の赤外画像の時間変化に基づいて生成した教師画像である。また、図９（ｄ）は、教師画像の各画素についてガス領域であるか否かを示した画像であり、黒い部分はガス領域、白い部分はガス領域でないことを示す。ここでは、図９（ｂ）の教師画像にはガスの像と、ガスの影の像Ｓとが含まれているが、ここでは、いずれもガス領域として扱い、ガス領域マップとしては、ガスの像と、ガスの影の像Ｓとが含まれる。ここで、ガスの影の像は人が目でみたときには、ガスのように見えるため、ここではガスとして学習する。それによって、人が目で見てノイズであるとはっきりわかるノイズだけをノイズと学習させることで、ノイズを精度よく判定できるようにする。なお、判定対象画像として、赤外画像の連続２フレーム間の差分を用いる場合には、図９（ｃ）に示すような、赤外画像の連続２フレーム間の差分画像を教師画像として用いる。また、教師画像がガス領域を含むか否かの情報に加えて、ガス領域でない部分がノイズであるか否かを示す情報をさらに組み合わせてもよい。図９（ｅ）は、教師画像の各画素についてノイズであるか否かを示した画像であり、黒い部分はノイズ、白い部分はノイズでないことを示す。ここでは、上述の通り図９（ｂ）の教師画像内のガスの影の像Ｓはガス領域として扱うこととしたので、ノイズ領域マップとしては、全画素がノイズでないことを示す白色の画像となる。
　なお、教師画像は、実際の設備を撮像して得た画像に限られず、これらを加工して形成された画像や、シミュレーションによって形成された画像であってもよい。
　次に、教師画像と、教師画像中のガス領域の情報との組み合わせをガス検知装置２０に入力する（ステップＳ１２０）。教師画像は教師画像取得部２１２に入力され、教師画像中のガス領域の情報は、領域情報取得部２１３に入力される。なお、教師画像中のガス領域以外の部分がノイズであるか否かを示す情報も教師データとして用いる場合は、教師画像中のガス領域を示す情報とノイズ領域を示す情報とが、判定対象画像に対する正解データとして、領域情報取得部２１３に入力される。
　次に、畳み込みニューラルネットワークにデータを入力して機械学習を実行する（ステップＳ１３０）。これにより、深層学習によってパラメータが試行錯誤によって最適化され、機械学習済みモデルが形成される。形成された機械学習済みモデルは、学習モデル保持部２１４２に保持される。
　以上の動作により、判定対象画像に対してその特徴量に基づいて判定対象画像内のガス領域を特定する情報を出力する機械学習済みモデルが形成される。なお、ガス領域でない部分がノイズであるか否かを示す情報も教師データとして用いた場合は、機械学習済みモデルは、判定対象画像に対してその特徴量に基づいて、判定対象画像内のガス領域を特定する情報と、さらに、判定対象画像内のノイズ領域を特定する情報とを出力する。
　＜運用フェーズ＞
　図１０は、学習フェーズにおけるガス検知装置２０の動作を示すフローチャートである。
　まず、撮像画像にガス領域顕在化処理を行い、複数の判定対象画像を切り出す（ステップＳ２１０）。ガス領域の顕在化処理は、輝度の時間的な揺らぎやその周波数等に基づいて、公知の方法により行われてもよいし、連続する２フレーム間で同一座標の画素の輝度の差分を算出する処理でもよい。そして、判定対象画像のサイズが過度に大きくならないように、かつ、１つの漏洩源から漏出したガスの像が過度に分割されないように、ガス領域の顕在化処理後の画像を領域分割して複数の判定対象画像を生成する。
　次に、学習済みモデルを用いて、判定対象画像のそれぞれについて、ガス領域を含むか否かを判定する（ステップＳ２２０）。ステップＳ１３０によって形成された機械学習済みモデルを用いることにより、判定対象画像に対するガス領域の範囲が判定される。また、上述したように、学習済みモデルがノイズ領域についても機械学習している場合には、判定対象画像に対するノイズ領域の範囲についても判定される。
　次に、同定されたガス領域の範囲を当初の撮像画像に対して重畳し、ガス領域と他の被写体との関係を表示する（ステップＳ２３０）。このとき、当初の撮像画像を多数の判定対象画像に分割している場合には、判定対象画像に対応する領域の単位で、ガスの有無を判定および表示する。判定対象画像に対する判定としては、例えば、ガス領域の占める面積が２％以上である場合には、当該領域をガス領域と判定する。また、ガス領域の占める面積が０％であり、ノイズの占める面積が２０％である場合には、当該領域をノイズ領域と判定する。また、ガス領域の占める面積が０％であり、ノイズの占める面積が１％未満である場合には、当該領域をガス領域でもノイズ領域でもないと判定する。図１１（ａ）は当初の赤外画像、図１１（ｂ）はガス領域の顕在化後、領域分割前の画像の例を示す。これに対し、図１２（ａ）は、ガス領域と判定された領域を示し、白色はガス領域、黒色はガス領域を含まない領域、それ以外は、ガス領域を含むが面積が２％未満である領域を示す。図１２（ｂ）は、ノイズ領域と判定された領域を示し、白色はノイズ領域、黒色はノイズ領域を含まない領域、それ以外は、（ｉ）ノイズを２０％以上含み、かつ、ガス領域を２％未満含む、または、（ｉｉ）ガス領域を含まず、ノイズ領域を２０％未満含む、のいずれかである領域を示す。図１２（ｃ）は、ガス領域でもノイズ領域でもない領域を示し、黒色はガス領域でもノイズ領域でもない領域、白色はガス領域またはノイズ領域として判定された領域、それ以外は、いずれの領域としても判定されなかった領域を示す。図１１（ｂ）の中央付近の小さな白い影はガスの像であるので、図１２（ａ）に示すように、当該領域はガス領域として判定される。一方、図１１（ｂ）の上部左側において左右に伸びる白い影は、図１１（ａ）に示されるように鉄道車両の動きに起因するノイズであるので、図１２（ｂ）に示すように、当該領域はノイズ領域として判定される。同様に、図１１（ｂ）の上部右側において左右に伸びる白い影は、図１１（ａ）に示されるように道路の像であって通過した車両や人の像に起因するノイズであるので、図１２（ｂ）に示すように、当該領域はノイズ領域として判定される。
　表示の態様としては、例えば、撮像画像または判定対象画像に対し、ガス領域については赤色の枠を重畳し、ノイズ領域については緑色の枠を重畳する、としてもよい。または、例えば、図１３（ａ）の表示画像例に示すように、ガス領域以外の領域については黒色のパネルを重畳し、ガス領域と判定された領域の撮像画像のみを示すとしてもよい。または、図１３（ｂ）の表示画像例に示すように、ガス領域以外の領域については黒色のパネルを重畳し、ガス領域と判定された領域の判定対象画像のみを示すとしてもよい。または、使用者の操作に応じて、ガス領域のみを表示する、ノイズ領域のみを表示する、を切り替えてもよい。なお、表示態様はこれに限られず、ガスの有無、ガス領域であるか否か、ノイズ領域であるか否かを示す態様であれば、任意のものであってよい。
　＜小括＞
　以上の構成により、画像を用いてガス検知を行うガス検知装置において、ガスの像様のものについて、ガスの像であるか否かを判定することができる。特に、教師データが十分かつ適切に用いられている場合には、日光の反射や移動している物体、温度ムラや温度変化のある物体などの像をガスの像として誤認することを抑止し、ガスの像だけをガス領域として認識することができる。
　また、ノイズ領域を特定している場合は、ガスを検知しても警報を発出しない領域を示す警報マスクとしてノイズ領域を用いることにより、ガスの誤検知や誤検知に基づく誤報を抑止することができる。
　≪変形例≫
　実施の形態では、１台のガス検知装置を用いて、学習モードにより生成した機械学習モデルを用いて運用モードでガスの像か否かの判定を行うとした。しかしながら、機械学習とガスの像か否かの判定は同一のハードウェアで行う必要はなく、異なるハードウェアを用いて実行してもよい。
　図１４は、変形例に係るガス検知システム２００の機能ブロック図である。図１４に示すように、ガス検知システム２００は、監視対象を撮像するための画像生成部１０と、画像生成部１０が取得した画像に基づきガスを検知するガス検知装置２６と、学習データ作成装置３０と、表示部２４とを有する。画像生成部１０、表示部２４、学習データ作成装置３０は、それぞれ、ガス検知装置２６に接続可能に構成されている。
　ガス検知装置２６は、画像生成部１０から監視対象を撮像した画像を取得し、画像に基づいてガス領域の検出を行い、表示部２４を通じてユーザにガス検知を通知する装置である。ガス検知装置２６は、例えば、一般的なＣＰＵとＲＡＭと、これらで実行されるプログラムを備えるコンピュータとして実現される。ガス検知装置２６は、撮像画像取得部２０１、判定対象画像抽出部２１１、学習モデル保持部２１４２、判定結果出力部２１５を備える。学習モデル保持部２１４２は、ガス領域判定部２２４を構成する。また、判定対象画像抽出部２１１とガス領域判定部２２４は、ガス漏洩位置同定装置２２を構成する。学習データ作成装置３０は、例えば、一般的なＣＰＵとＧＰＵとＲＡＭと、これらで実行されるプログラムを備えるコンピュータとして実現される。学習データ作成装置３０は、教師画像取得部２１２、領域情報取得部２１３、機械学習部２１４１を備える。
　ガス検知装置２６は、実施の形態１に係るガス検知装置２０の運用モード動作のみを実施する。また、学習データ作成装置３０は、実施の形態１に係るガス検知装置２０の学習モード動作のみを実施する。ガス検知装置２６と学習データ作成装置３０は、例えば、ＬＡＮで接続されており、学習データ作成装置３０で形成された学習済みモデルは、ガス検知装置２６の学習モデル保持部２１４２に格納される。なお、学習済みモデルの学習モデル保持部２１４２への格納はネットワークによる複製に限られず、例えば、リムーバブルメディアや光学ディスク、ＲＯＭ等を用いて行われてもよい。
　＜小括＞
　以上の構成により、画像を用いてガス検知を行うガス検知装置において、ガスの像様のものについて、ガスの像であるか否かを判定することができる。また、機械学習とガスの漏洩位置の同定を別のハードウェアで実施するため、ガス検知装置が機械学習のためのリソースを有している必要がない。したがって、ガス検知装置は学習済みモデルを運用するためのリソースを有していればよく、ノート型コンピュータやスマートフォン、タブレットなどの簡易デバイスを用いて実現することができる。また、１台の学習データ作成装置３０を用いて機械学習で構築した学習済みモデルを複数台のガス検知装置２６で運用することが可能であるため、容易にガス検知装置２６を製造することが可能となる。
　≪実施の形態に係るその他の変形例≫
　（１）実施例および変形例では、１つの画像から複数の判定対象画像を生成し、各判定対象画像に対応する領域がガス領域かノイズ領域かいずれでもないかを判定するとした。しかしながら、例えば、ガス領域判定部が判定対象画像の各画素について判定したガスであるか否かの情報をそのまま出力として用いてもよく、１つの画像から１つの判定対象画像を生成し、当初画像の各画素についてガスに対応するか否かを判定するとしてもよい。
　また、推測モデルの出力は必ずしも画素単位である必要はなく、複数の画素からなる微小ブロックに対してガス領域であるか否かを出力してもよい。
　（２）実施の形態及び変形例では、撮像画像は波長３．２～３．４μｍの赤外線画像であるとしたがこれに限られず、検知すべきガスの存在を確認可能なものであれば他の波長域の赤外画像、可視画像、紫外画像など任意の画像を用いてもよい。また、ガス領域の検知方法は上述のものに限られず、ガス領域を検知可能な任意の処理であってよい。例えば、検知すべきガスと同じ場所に存在する他のガスの像を取得することにより、検知すべきガスの像とみなしてもよい。
　（３）なお、本発明を上記実施の形態に基づいて説明してきたが、本発明は、上記の実施の形態に限定されず、以下のような場合も本発明に含まれる。
　例えば、本発明において、ガス漏出位置同定装置は、ＦＰＧＡ（Field Programmable Gate Array）やＡＳＩＣ（Application Specific Integrated Circuit）をプロセッサとした装置であってもよい。
　また、上記の各装置を構成する構成要素の一部又は全部は、１つのシステムＬＳＩ（Large Scale Integration（大規模集積回路））から構成されているとしてもよい。システムＬＳＩは、複数の構成部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ、ＲＡＭなどを含んで構成されるコンピュータシステムである。これらは個別に１チップ化されてもよいし、一部又は全てを含むように１チップ化されてもよい。なお、ＬＳＩは、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。上記ＲＡＭには、上記各装置と同様の動作を達成するコンピュータプログラムが記憶されている。上記マイクロプロセッサが、上記コンピュータプログラムにしたがって動作することにより、システムＬＳＩは、その機能を達成する。例えば、本発明のユーザ補助方法がＬＳＩのプログラムとして格納されており、このＬＳＩがコンピュータ内に挿入され、所定のプログラムを実施する場合も本発明に含まれる。
　なお、集積回路化の手法はＬＳＩに限るものではなく、専用回路または汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡや、ＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサー（Reconfigurable Processor）を利用してもよい。
　さらには、半導体技術の進歩または派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。
　また、ブロック図における機能ブロックの分割は一例であり、複数の機能ブロックを一つの機能ブロックとして実現したり、一つの機能ブロックを複数に分割したり、一部の機能を他の機能ブロックに移してもよい。また、類似する機能を有する複数の機能ブロックの機能を単一のハードウェア又はソフトウェアが並列又は時分割に処理してもよい。
　また、上記のステップが実行される順序は、本発明を具体的に説明するために例示するためのものであり、上記以外の順序であってもよい。また、上記ステップの一部が、他のステップと同時（並列）に実行されてもよい。
　また、各実施の形態に係るガス漏洩位置同定装置、及びその変形例の機能のうち少なくとも一部を組み合わせてもよい。更に上記で用いた数字は、全て本発明を具体的に説明するために例示するものであり、本発明は例示された数字に制限されない。
　さらに、本実施の形態に対して当業者が思いつく範囲内の変更を施した各種変形例も本発明に含まれる。
　≪まとめ≫
　（１）本開示の一態様に係るガス領域判定装置は、判定対象画像を取得する画像取得部と、教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習した推測モデルを用いて、前記画像取得部が取得した判定対象画像がガス領域を含むか否かを判定するガス領域判定部とを備える。
　また、本開示の一態様に係るガス領域判定方法は、判定対象画像を取得し、教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習した推測モデルを用いて、前記取得した判定対象画像がガス領域を含むか否かを判定する。
　また、本開示の一態様に係るプログラムは、コンピュータにガス領域判定処理を行わせるプログラムであって、前記ガス領域判定処理は、判定対象画像を取得し、教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習した推測モデルを用いて、前記取得した判定対象画像がガス領域を含むか否かを判定する。
　本開示の一態様に係るガス領域判定装置、ガス領域判定方法、プログラムによれば、判定対象画像の特徴に基づいてガスの像を含むか否かを判定できる推測モデルに基づき、判定対象画像がガスの像を含むか否かを判定する。したがって、教師データを適切に設計することにより、ガスの像と、ノイズとを区別することができる。
　（２）本開示の一態様に係るガス領域判定装置は、前記ガス領域判定部は、前記判定対象画像におけるガス領域の位置及び範囲を出力する、としてもよい。
　上記構成により、ガス領域に対応するガスの存在範囲を予測することができる。
　（３）本開示の一態様に係るガス領域判定装置は、前記ガス領域判定部は、前記判定対象画像における前記ガス領域以外の範囲をノイズ領域であると判定する、としてもよい。
　上記構成により、ガスの像ではないノイズを特定し、ノイズに対する警報の発出等を抑止することができる。
　（４）本開示の一態様に係るガス領域判定装置は、前記教師データは、教師用画像に対して、前記教師用画像におけるノイズであるノイズ領域の領域情報がさらに組み合わされ、前記推測モデルは、前記判定対象画像がノイズ領域を含むか否かを判定するよう学習されており、前記ガス領域判定部は、前記判定対象画像のガス領域以外の部分にノイズ領域を含むか否かを判定する、としてもよい。
　上記構成により、ガスの像とノイズとを区別可能に推測モデルが形成されるため、ガスの像とノイズとをより詳細に区別可能となる。
　（５）本開示の一態様に係るガス領域判定装置は、前記ガス領域判定部は、前記判定対象画像におけるガス領域と、ノイズ領域とのそれぞれの位置及び範囲を出力する、としてもよい。
　上記構成により、ガス領域に対応するガスの存在範囲を予測することができるとともに、ノイズの発生源の特定が容易となる。
　（６）本開示の一態様に係るガス領域判定装置は、撮像装置から複数フレームを含む動画を取得する撮像動画取得部と、前記動画の各フレームにおける同一座標の画素について画素値の時系列変化のうち特定の周波数成分を抽出する処理を行い、判定対象画像を生成して前記画像取得部に出力する画像処理部とをさらに備える、としてもよい。
　上記構成により、撮像動画から簡易な方法でガス領域を抽出とすることができる。
　（７）本開示の一態様に係るガス領域判定装置は、撮像装置から複数フレームを含む動画を取得する撮像動画取得部と、前記動画のフレーム間で画素値の差分を抽出する処理を行い、抽出された差分を画素値とする判定対象画像を新たに生成して前記画像取得部に出力する画像処理部とをさらに備える、としてもよい。
　上記構成により、撮像動画から簡易な方法でガス領域を抽出とすることができる。
　（８）本開示の一態様に係るガス領域判定装置は、前記撮像装置は、赤外光を検知する撮像手段を含み、前記ガス領域は、赤外光を吸収するガス、または、水蒸気の像、ガスまたは水蒸気の影である、としてもよい。
　上記構成により、赤外光を用いて検出できるガス、または、当該ガスの存在範囲を用いて存在が推定できるガスについて、本開示の一態様を適用できる。
　（９）本開示の一態様に係るガス領域判定装置は、前記撮像装置は、可視光を検知する撮像手段を含み、前記ガス領域は、可視光で撮像される水蒸気の像、または、水蒸気の影である、としてもよい。
　上記構成により、可視光を用いて検出できるガス、または、当該ガスの存在範囲を用いて存在が推定できるガスについて、本開示の一態様を適用できる。
　（１０）本開示の一態様に係るガス領域判定装置は、前記画像取得部は、前記判定対象画像を空間的に分割して複数の分割画像を生成し、前記ガス領域判定部は、前記判定対象画像に替えて前記分割画像のそれぞれに対してガス領域を含むか否かを判定する、としてもよい。
　上記構成により、判定対象画像に２以上のガスの像が含まれる場合にも判定が可能となるとともに、判定対象画像のサイズが大きくても演算量を削減しながら本開示の一態様が実施可能となる。
　（１１）本開示の一態様に係るガス領域判定装置は、前記ガス領域判定部は、前記分割画像におけるガス領域の割合が所定の割合以上であるとき、当該分割画像の全域をガス領域と判定する、としてもよい。
　上記構成により、分割画像の単位で、ガスの像が存在するエリアかどうかを判定することができる。
　（１２）本開示の一態様に係るガス領域判定装置は、前記判定対象画像と、前記教師用画像は、いずれも複数フレームからなる動画である、としてもよい。
　上記構成により、輝度の時間変化や輝度が周囲と異なる領域の大きさ、形状の変化等も特徴量として利用することが可能となるため、ガスの像を含むか否かの判定の確度が向上する。
　（１３）本開示の一態様に係る学習モデル生成装置は、教師用画像を取得する画像取得部と、前記教師用画像においてガスを示すガス領域の領域情報を取得する領域情報取得部と、前記教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し、判定対象画像に対してガスの像であるガス領域を含むか否かを判定する推測モデルを生成する機械学習部とを備える。
　また、本開示の一態様に係る学習モデル生成方法は、教師用画像を取得し、前記教師用画像においてガスを示すガス領域の領域情報を取得し、前記教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し、判定対象画像に対してガスの像であるガス領域を含むか否かを判定する推測モデルを生成する。
　また、本開示の一態様に係るプログラムは、コンピュータに学習モデル生成処理を行わせるプログラムであって、前記学習モデル生成処理は、教師用画像を取得し、前記教師用画像においてガスを示すガス領域の領域情報を取得し、前記教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し、判定対象画像に対してガスの像であるガス領域を含むか否かを判定する推測モデルを生成する。
　本開示の一態様に係る学習モデル生成装置、学習モデル生成方法、プログラムによれば、判定対象画像の特徴に基づいてガスの像を含むか否かを判定できる推測モデルを生成できる。したがって、教師データを適切に設計することにより、ガスの像と、ガスの像と紛らわしいノイズとを区別することができる推測モデルを生成できる。
　（１４）本開示の一態様に係るガス領域判定装置は、判定対象画像を取得する画像取得部と、教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し推測モデルを生成する機械学習部と、前記推測モデルを用いて、前記画像取得部が取得した判定対象画像がガス領域を含むか否かを判定するガス領域判定部とを備える。
　また、本開示の一態様に係るガス領域判定方法は、判定対象画像を取得し、教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し推測モデルを生成し、前記推測モデルを用いて、前記取得した判定対象画像がガス領域を含むか否かを判定する。
　また、本開示の一態様に係るプログラムは、コンピュータにガス領域判定処理を行わせるプログラムであって、前記ガス領域判定処理は、判定対象画像を取得し、教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し推測モデルを生成し、前記推測モデルを用いて、前記取得した判定対象画像がガス領域を含むか否かを判定する。
　本開示の一態様に係るガス領域判定装置、ガス領域判定方法、プログラムによれば、判定対象画像の特徴に基づいてガスの像を含むか否かを判定できる推測モデルに基づき、判定対象画像がガスの像を含むか否かを判定する。したがって、教師データを適切に設計することにより、ガスの像と、ガスの像と紛らわしいノイズとを区別することができる。
　本開示に係るガス領域判定装置、ガス領域判定方法、および、プログラムは、画像を用いたガス検知システムにおいてノイズの誤検知を抑止することができ、検知漏れの抑止と誤検知の抑止を両立させるためのシステムとして有用である。
　１００、２００　ガス検知システム
　１０　画像生成部
　２０、２６　ガス検知装置
　２０１　撮像画像取得部
　２１　ガス領域判定装置
　２１１　判定対象画像抽出部
　２１２　教師画像取得部
　２１３　領域情報取得部
　２１４　ガス領域判定部
　２１４１　機械学習部
　２１４２　学習モデル保持部
　２１５　判定結果出力部
　２２　ガス漏洩位置同定装置
　２４　表示部
　３０　学習データ作成装置

Claims (20)

  1. 　判定対象画像を取得する画像取得部と、
    　教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習した推測モデルを用いて、前記画像取得部が取得した判定対象画像がガス領域を含むか否かを判定するガス領域判定部と
    　を備えるガス領域判定装置。
  2. 　前記ガス領域判定部は、前記判定対象画像におけるガス領域の位置及び範囲を出力する
    　請求項１に記載のガス領域判定装置。
  3. 　前記ガス領域判定部は、前記判定対象画像における前記ガス領域以外の範囲をノイズ領域であると判定する
    　請求項２に記載のガス領域判定装置。
  4. 　前記教師データは、教師用画像に対して、前記教師用画像におけるノイズであるノイズ領域の領域情報がさらに組み合わされ、
    　前記推測モデルは、前記判定対象画像がノイズ領域を含むか否かを判定するよう学習されており、
    　前記ガス領域判定部は、前記判定対象画像のガス領域以外の部分にノイズ領域を含むか否かを判定する
    　請求項１に記載のガス領域判定装置。
  5. 　前記ガス領域判定部は、前記判定対象画像におけるガス領域と、ノイズ領域とのそれぞれの位置及び範囲を出力する
    　請求項３または４に記載のガス領域判定装置。
  6. 　撮像装置から複数フレームを含む動画を取得する撮像動画取得部と、
    　前記動画の各フレームにおける同一座標の画素について画素値の時系列変化のうち特定の周波数成分を抽出する処理を行い、判定対象画像を生成して前記画像取得部に出力する画像処理部とをさらに備える
    　請求項１から５のいずれか１項に記載のガス領域判定装置。
  7. 　撮像装置から複数フレームを含む動画を取得する撮像動画取得部と、
    　前記動画のフレーム間で画素値の差分を抽出する処理を行い、抽出された差分を画素値とする判定対象画像を新たに生成して前記画像取得部に出力する画像処理部とをさらに備える
    　請求項１から５のいずれか１項に記載のガス領域判定装置。
  8. 　前記撮像装置は、赤外光を検知する撮像手段を含み、前記ガス領域は、赤外光を吸収するガス、または、水蒸気の像、ガスまたは水蒸気の影である
    　請求項６または７に記載のガス領域判定装置。
  9. 　前記撮像装置は、可視光を検知する撮像手段を含み、前記ガス領域は、可視光で撮像される水蒸気の像、または、水蒸気の影である
    　請求項６または７に記載のガス領域判定装置。
  10. 　前記画像取得部は、前記判定対象画像を空間的に分割して複数の分割画像を生成し、
    　前記ガス領域判定部は、前記判定対象画像に替えて前記分割画像のそれぞれに対してガス領域を含むか否かを判定する
    　請求項１から９のいずれか１項に記載のガス領域判定装置。
  11. 　前記ガス領域判定部は、前記分割画像におけるガス領域の割合が所定の割合以上であるとき、当該分割画像の全域をガス領域と判定する
    　請求項１０に記載のガス領域判定装置。
  12. 　前記判定対象画像と、前記教師用画像は、いずれも複数フレームからなる動画である
    　請求項１から１１のいずれか１項に記載のガス領域判定装置。
  13. 　教師用画像を取得する画像取得部と、
    　前記教師用画像においてガスを示すガス領域の領域情報を取得する領域情報取得部と、
    　前記教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し、判定対象画像に対してガスの像であるガス領域を含むか否かを判定する推測モデルを生成する機械学習部と
    　を備える学習モデル生成装置。
  14. 　判定対象画像を取得する画像取得部と、
    　教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し推測モデルを生成する機械学習部と、
    　前記推測モデルを用いて、前記画像取得部が取得した判定対象画像がガス領域を含むか否かを判定するガス領域判定部と
    　を備えるガス領域判定装置。
  15. 　判定対象画像を取得し、
    　教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習した推測モデルを用いて、前記取得した判定対象画像がガス領域を含むか否かを判定する
    　ガス領域判定方法。
  16. 　コンピュータにガス領域判定処理を行わせるプログラムであって、
    　前記ガス領域判定処理は、
    　判定対象画像を取得し、
    　教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習した推測モデルを用いて、前記取得した判定対象画像がガス領域を含むか否かを判定する
    　プログラム。
  17. 　教師用画像を取得し、
    　前記教師用画像においてガスを示すガス領域の領域情報を取得し、
    　前記教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し、判定対象画像に対してガスの像であるガス領域を含むか否かを判定する推測モデルを生成する
    　学習モデル生成方法。
  18. 　コンピュータに学習モデル生成処理を行わせるプログラムであって、
    　前記学習モデル生成処理は、
    　教師用画像を取得し、
    　前記教師用画像においてガスを示すガス領域の領域情報を取得し、
    　前記教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し、判定対象画像に対してガスの像であるガス領域を含むか否かを判定する推測モデルを生成する
    　プログラム。
  19. 　判定対象画像を取得し、
    　教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し推測モデルを生成し、
    　前記推測モデルを用いて、前記取得した判定対象画像がガス領域を含むか否かを判定する
    　ガス領域判定方法。
  20. 　コンピュータにガス領域判定処理を行わせるプログラムであって、
    　前記ガス領域判定処理は、
    　判定対象画像を取得し、
    　教師用画像と、前記教師用画像においてガスを示すガス領域の領域情報との組み合わせを教師データとして用いて機械学習し推測モデルを生成し、
    　前記推測モデルを用いて、前記取得した判定対象画像がガス領域を含むか否かを判定する
    　プログラム。
PCT/JP2021/023393 2020-07-03 2021-06-21 ガス領域判定装置、ガス領域判定方法、学習モデル生成装置、学習モデル生成方法、および、プログラム WO2022004461A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020115298 2020-07-03
JP2020-115298 2020-07-03

Publications (1)

Publication Number Publication Date
WO2022004461A1 true WO2022004461A1 (ja) 2022-01-06

Family

ID=79316180

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/023393 WO2022004461A1 (ja) 2020-07-03 2021-06-21 ガス領域判定装置、ガス領域判定方法、学習モデル生成装置、学習モデル生成方法、および、プログラム

Country Status (1)

Country Link
WO (1) WO2022004461A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016143754A1 (ja) * 2015-03-09 2016-09-15 コニカミノルタ株式会社 ガス漏れ位置推定装置、ガス漏れ位置推定システム、ガス漏れ位置推定方法及びガス漏れ位置推定プログラム
WO2017073430A1 (ja) * 2015-10-29 2017-05-04 コニカミノルタ株式会社 ガス検知用画像処理装置、ガス検知用画像処理方法及びガス検知用画像処理プログラム
JP2018128936A (ja) * 2017-02-09 2018-08-16 富士通株式会社 画像処理プログラム、画像処理方法及び画像処理装置
JP2020016527A (ja) * 2018-07-25 2020-01-30 コニカミノルタ株式会社 定置式ガス検知装置の設置箇所の調査方法
JP2020063955A (ja) * 2018-10-16 2020-04-23 千代田化工建設株式会社 流体漏洩検知システム、流体漏洩検知装置、及び学習装置
US20200138292A1 (en) * 2018-11-06 2020-05-07 The Regents Of The University Of Colorado, A Body Corporate Non-Contact Breathing Activity Monitoring And Analyzing Through Thermal And CO2 Imaging

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016143754A1 (ja) * 2015-03-09 2016-09-15 コニカミノルタ株式会社 ガス漏れ位置推定装置、ガス漏れ位置推定システム、ガス漏れ位置推定方法及びガス漏れ位置推定プログラム
WO2017073430A1 (ja) * 2015-10-29 2017-05-04 コニカミノルタ株式会社 ガス検知用画像処理装置、ガス検知用画像処理方法及びガス検知用画像処理プログラム
JP2018128936A (ja) * 2017-02-09 2018-08-16 富士通株式会社 画像処理プログラム、画像処理方法及び画像処理装置
JP2020016527A (ja) * 2018-07-25 2020-01-30 コニカミノルタ株式会社 定置式ガス検知装置の設置箇所の調査方法
JP2020063955A (ja) * 2018-10-16 2020-04-23 千代田化工建設株式会社 流体漏洩検知システム、流体漏洩検知装置、及び学習装置
US20200138292A1 (en) * 2018-11-06 2020-05-07 The Regents Of The University Of Colorado, A Body Corporate Non-Contact Breathing Activity Monitoring And Analyzing Through Thermal And CO2 Imaging

Similar Documents

Publication Publication Date Title
JP6861628B2 (ja) 眼の不快感を軽減させるディスプレイ
Marlow et al. Generative constraints on image cues for perceived gloss
Figueiredo et al. Automated lesion detectors in retinal fundus images
US20200356820A1 (en) Speckle contrast analysis using machine learning for visualizing flow
US10068368B2 (en) Method, visualization device, and computer program product for visualizing a three-dimensional object
McNamara Visual perception in realistic image synthesis
CN107209007A (zh) 以深度估计进行图像采集的方法、电路、设备、配件、系统和功能上相关联的计算机可执行代码
CN109902577A (zh) 一种轻量级手势检测卷积神经网络模型的构建方法及应用
CN109522790A (zh) 人体属性识别方法、装置、存储介质及电子设备
Solís-Pérez et al. Blood vessel detection based on fractional Hessian matrix with non-singular Mittag–Leffler Gaussian kernel
Pessoa Mach bands: How many models are possible? Recent experimental findings and modeling attempts
JP7359759B2 (ja) カメラ内で処理を行う方法及び装置
EP3786881A1 (en) Image processing for stroke characterization
CN111489319A (zh) 基于多尺度双边滤波和视觉显著性的红外图像增强方法
US9524564B2 (en) Method for viewing a multi-spectral image
WO2022004461A1 (ja) ガス領域判定装置、ガス領域判定方法、学習モデル生成装置、学習モデル生成方法、および、プログラム
JP6898150B2 (ja) 毛穴検出方法及び毛穴検出装置
WO2021246130A1 (ja) ガス漏洩位置同定装置、ガス漏洩位置同定システム、ガス漏洩位置同定方法、ガス漏洩位置推測モデル生成装置、ガス漏洩位置推測モデル生成方法、および、プログラム
Elbouz et al. Assessing the performance of a motion tracking system based on optical joint transform correlation
Stanley et al. Rapid detection of salient regions: Evidence from apparent motion
JP6884356B2 (ja) 観察装置、観察システム、データ処理装置及びプログラム
US20240090849A1 (en) Local spectral-covariance or local spectral covariance deficits computation and display for highlighting of relevant material transitions in spectral ct and mr
Dimiccoli Figure–ground segregation: A fully nonlocal approach
Sadda et al. Real-time computerized video enhancement for minimally invasive fetoscopic surgery
Robol et al. Contextual influences in texture-segmentation: Distinct effects from elements along the edge and in the texture-region

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: 21833126

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21833126

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP