【実施例】
【0019】
以下本発明の第1実施例による火災識別装置について説明する。
図1は本実施例による火災識別装置を機能実現手段で現したブロック図である。
本実施例による火災識別装置は、警戒区域内を撮影する撮影部10と、警戒区域内の温度分布を検出するサーモセンサ20と、制御部30とを備えている。
制御部30は、警戒区域内における燃焼又は炎による火点の発生を判定する第1判定部31と、火点の成長を判定する第2判定部32と、火点と判断する温度の閾値を記憶する閾値記憶部33と、撮影部10で撮影される画像を時系列情報とともに記憶する画像記憶部34と、火点が成長していると判定する、炎要素の時系列的変化パターンを記憶する時系列的変化パターン記憶部35とを備えている。時系列情報は撮影時刻でもよいが、画像の撮影順が判別できる情報であればよい。
【0020】
第1判定部31では、サーモセンサ20で検出する温度分布の中で最高温度の位置を火点と仮決定し、仮決定した火点での温度が閾値記憶部33に記憶した閾値以上の場合に火点の発生と判定する。なお、サーモセンサ20で検出される温度は、平均化することなくマトリックス状に区分されている。第1判定部31では、マトリックス状に区分されて検出される全ての温度を閾値と比較し、閾値以上の温度を検出した場合に、検出した温度の位置を特定することで火点の発生と判定してもよい。
第2判定部32では、画像記憶部34に記憶された複数の画像を、時系列情報を元に比較し、画像に含まれる、火点の形状、大きさ、色、輝度、及び揺らぎの内の少なくとも一つを含む炎要素の時系列的変化から火点の成長を判定する。
なお、第2判定部32では、画像に含まれる炎の時系列的変化を、時系列的変化パターン記憶部35に記憶している時系列的変化パターンと比較して判定することが好ましい。時系列的変化パターン記憶部35に記憶する時系列的変化パターンは、あらかじめ機械学習によってパターン化されたものが好ましい。あらかじめ機械学習によってパターン化された炎要素の時系列的変化パターンは、時系列的な変化情報であり、時系列的な成長曲線若しくは変化曲線、又は近似式に関するデータである。
【0021】
図2は同火災識別装置の動作を示すフローチャートである。
サーモセンサ20によって常時警戒区域内の温度分布を検出する(ステップ1)。
ステップ1によって検出される温度分布の中で最高温度の位置を特定して火点と仮決定する(ステップ2)。
ステップ2で、仮決定された火点について、仮決定した火点での温度が閾値記憶部33に記憶した閾値以上か否かを判定し、仮決定された火点の温度が閾値以上であると火点が発生したと判定する(ステップ3)。
ステップ3において、火点が発生していると判定されると、撮影部10での撮影を開始する(ステップ4)。
ステップ4で撮影される画像は画像記憶部34に記憶される(ステップ5)。
ステップ5で記憶された複数の画像は、第2判定部32において、時系列情報を元に比較し、炎要素の時系列的変化から火点の成長を判定する(ステップ6)。
ステップ6における判定では、画像に含まれる炎の時系列的変化を、時系列的変化パターン記憶部35に記憶している時系列的変化パターンと比較して判定することが好ましい。
ステップ6において、火点が成長していると判定すると、火災として判定し(ステップ7)、警報や消火のための出力を行う。
ステップ6において、火点が成長していないと判定すると、撮影部10での撮影を終了し(ステップ8)、ステップ1に戻ってサーモセンサ20による温度検出を行う。
【0022】
本実施例によれば、サーモセンサ20を用いることで、火点の発生を早期に行える。
また本実施例によれば、火点の発生の判定の後に、火点の成長を炎要素の時系列的変化から判定することで、危険性の小さな火点を除外し、火災に繋がるような危険性の高い火点を識別できる。
また本実施例によれば、機械学習を用いてパターン化した、火災に繋がるような危険性の高い時系列的変化パターンをあらかじめ記憶しておくことで、より精度の高い判別を瞬時に行うことができる。
【0023】
以下本発明の第2実施例による火災識別装置について説明する。
図3は本実施例による火災識別装置を機能実現手段で現したブロック図である。
本実施例による火災識別装置は、警戒区域内を撮影する撮影部10と、制御部30とを備えている。
制御部30は、警戒区域内における燃焼又は炎による火点の発生を判定する第1判定部31と、火点の成長を判定する第2判定部32と、火点が発生したと判定する炎要素の火点パターンを記憶する火点パターン記憶部36と、撮影部10で撮影される画像を時系列情報とともに記憶する画像記憶部34と、火点が成長していると判定する、炎要素の時系列的変化パターンを記憶する時系列的変化パターン記憶部35とを備えている。時系列情報は撮影時刻でもよいが、画像の撮影順が判別できる情報であればよい。
【0024】
第1判定部31では、画像記憶部34に記憶された画像に含まれる炎要素を、火点パターン記憶部36に記憶している火点パターンと比較して火点の発生を判定する。火点パターン記憶部36に記憶する火点パターンは、あらかじめ機械学習によってパターン化されたものが好ましい。あらかじめ機械学習によってパターン化された炎要素の火点パターンは、少なくとも2つの画像による時系列的な変化情報であることが好ましく、時系列的な変化情報としては、時系列的な発生曲線若しくは変化曲線、又は近似式に関するデータである。
第2判定部32では、画像記憶部34に記憶された複数の画像を、時系列情報を元に比較し、画像に含まれる、火点の形状、大きさ、色、輝度、及び揺らぎの内の少なくとも一つを含む炎要素の時系列的変化から火点の成長を判定する。
なお、第2判定部32では、画像に含まれる炎の時系列的変化を、時系列的変化パターン記憶部35に記憶している時系列的変化パターンと比較して判定することが好ましい。時系列的変化パターン記憶部35に記憶する時系列的変化パターンは、あらかじめ機械学習によってパターン化されたものが好ましい。あらかじめ機械学習によってパターン化された炎要素の時系列的変化パターンは、時系列的な変化情報であり、時系列的な成長曲線若しくは変化曲線、又は近似式に関するデータである。
また、第1判定部31では、画像記憶部34に記憶された、第1画像に含まれる炎要素、及び第1画像の後に撮影された第2画像に含まれる炎要素を、火点パターン記憶部36に記憶している火点パターンと比較して判定し、第2判定部32では、画像記憶部34に記憶された、第2画像の後に撮影された第3画像を含む、少なくとも3つの画像に含まれる炎の時系列的変化を、時系列的変化パターン記憶部35に記憶している時系列的変化パターンと比較して判定することが更に好ましい。
【0025】
図4は同火災識別装置の動作を示すフローチャートである。
撮影部10によって常時警戒区域内を撮影する(ステップ4)。
ステップ4で撮影される画像は画像記憶部34に記憶される(ステップ5)。
ステップ5で記憶された画像は、第1判定部31において、画像に含まれる炎要素が、火点パターン記憶部36に記憶している火点パターンと比較され、火点の発生を判定する(ステップ3)。
ステップ3における判定では、第1画像に含まれる炎要素、及び第1画像の後に撮影された第2画像に含まれる炎要素を、火点パターン記憶部36に記憶している火点パターンと比較して判定することが好ましい。
ステップ3において、火点が発生していると判定されると、ステップ5で記憶された複数の画像は、時系列情報を元に比較し、炎要素の時系列的変化から火点の成長を判定する(ステップ6)。
ステップ3において、火点が発生していないと判定されると、ステップ4に戻って撮影部10による撮影を行う。
ステップ6における判定では、画像に含まれる炎の時系列的変化を、時系列的変化パターン記憶部35に記憶している時系列的変化パターンと比較して判定することが好ましい。
またステップ6における判定では、画像記憶部34に記憶された、第2画像の後に撮影された第3画像を含む、少なくとも3つの画像に含まれる炎の時系列的変化を、時系列的変化パターン記憶部35に記憶している時系列的変化パターンと比較して判定することが更に好ましい。
ステップ6において、火点が成長していると判定すると、火災として判定し(ステップ7)、警報や消火のための出力を行う。
ステップ6において、火点が成長していないと判定すると、ステップ4に戻って撮影部10による撮影を行う。
【0026】
本実施例によれば、機械学習を用いてパターン化した火点パターンをあらかじめ記憶しておくことで、より精度の高い火点の発生の判別を瞬時に行うことができる。
また本実施例によれば、火点の発生の判定の後に、火点の成長を炎要素の時系列的変化から判定することで、危険性の小さな火点を除外し、火災に繋がるような危険性の高い火点を識別できる。
また本実施例によれば、機械学習を用いてパターン化した、火災に繋がるような危険性の高い時系列的変化パターンをあらかじめ記憶しておくことで、より精度の高い判別を瞬時に行うことができる。
【0027】
以下本発明の第3実施例による火災識別装置について説明する。
図5は本実施例による火災識別装置を機能実現手段で現したブロック図である。
本実施例による火災識別装置は、警戒区域内を撮影する撮影部10と、制御部30とを備え、撮影部10として、第1撮影部10aと第2撮影部10bとを有している。
制御部30は、警戒区域内における燃焼又は炎による火点の発生を判定する第1判定部31と、火点の成長を判定する第2判定部32と、火点が発生したと判定する炎要素の火点パターンを記憶する火点パターン記憶部36と、撮影部10で撮影される画像を時系列情報とともに記憶する画像記憶部34と、火点が成長していると判定する、炎要素の時系列的変化パターンを記憶する時系列的変化パターン記憶部35とを備えている。時系列情報は撮影時刻でもよいが、画像の撮影順が判別できる情報であればよい。
画像記憶部34として、第1画像記憶部34aと第2画像記憶部34bとを有し、第1画像記憶部34aでは、第1撮影部10aで撮影される画像を時系列情報とともに記憶し、第2画像記憶部34bでは、第2撮影部10bで撮影される画像を時系列情報とともに記憶する。
【0028】
第1判定部31では、第1画像記憶部34aに記憶された画像に含まれる炎要素を、火点パターンと比較して仮判定し、第2画像記憶部34bに記憶された画像に含まれる炎要素を、火点パターンと比較して仮判定し、第1画像記憶部34aに記憶された画像による仮判定、及び第2画像記憶部34bに記憶された画像による仮判定の少なくともいずれかの仮判定があれば火点が発生していると判定する。
第1判定部31において、少なくともいずれかの仮判定があれば火点が発生していると判定することで、火点の発生を早い段階で識別できる。
なお、第1判定部31では、第1画像記憶部34aに記憶された画像に含まれる炎要素を、火点パターンと比較して仮判定し、第2画像記憶部34bに記憶された画像に含まれる炎要素を、火点パターンと比較して仮判定し、第1画像記憶部34aに記憶された画像による仮判定と、第2画像記憶部34bに記憶された画像による仮判定との双方の仮判定によって火点が発生していると判定することもできる。
第1判定部31において、双方の仮判定によって火点が発生していると判定することで、危険性の高い火点の発生を高い精度で識別できる。
火点パターン記憶部36に記憶する火点パターンは、あらかじめ機械学習によってパターン化されたものが好ましい。あらかじめ機械学習によってパターン化された炎要素の火点パターンは、少なくとも2つの画像による時系列的な変化情報であることが好ましく、時系列的な変化情報としては、時系列的な発生曲線若しくは変化曲線、又は近似式に関するデータである。
【0029】
第2判定部32では、第1画像記憶部34a及び第2画像記憶部34bに記憶された複数の画像を、時系列情報を元に比較し、画像に含まれる、火点の形状、大きさ、色、輝度、及び揺らぎの内の少なくとも一つを含む炎要素の時系列的変化から火点の成長を判定する。
第2判定部32では、第1画像記憶部34aに記憶された複数の画像に含まれる炎要素の時系列的変化から火点の成長を仮判定し、第2画像記憶部34bに記憶された複数の画像に含まれる炎要素の時系列的変化から火点の成長を仮判定し、第1画像記憶部34aに記憶された画像による仮判定、及び第2画像記憶部34bに記憶された画像による仮判定の少なくともいずれかの仮判定があれば火点が成長していると判定する。
第2判定部32において、少なくともいずれかの仮判定があれば火点が成長していると判定することで、火点の成長を早い段階で識別できる。
なお、第2判定部32では、第1画像記憶部34aに記憶された複数の画像に含まれる炎要素の時系列的変化から火点の成長を仮判定し、第2画像記憶部34bに記憶された複数の画像に含まれる炎要素の時系列的変化から火点の成長を仮判定し、第1画像記憶部34aに記憶された画像による仮判定と、第2画像記憶部34bに記憶された画像による仮判定との双方の仮判定によって火点が成長していると判定することもできる。
第2判定部32において、双方の仮判定によって火点が成長していると判定することで、危険性の高い火点の成長を高い精度で識別できる。
【0030】
本実施例においても、第2判定部32では、画像に含まれる炎の時系列的変化を、時系列的変化パターン記憶部35に記憶している時系列的変化パターンと比較して判定することが好ましい。時系列的変化パターン記憶部35に記憶する時系列的変化パターンは、あらかじめ機械学習によってパターン化されたものが好ましい。あらかじめ機械学習によってパターン化された炎要素の時系列的変化パターンは、時系列的な変化情報であり、時系列的な成長曲線若しくは変化曲線、又は近似式に関するデータである。
また、第1判定部31では、第1画像記憶部34a及び第2画像記憶部34bに記憶された、第1画像に含まれる炎要素、及び第1画像の後に撮影された第2画像に含まれる炎要素を、火点パターン記憶部36に記憶している火点パターンと比較して判定し、第2判定部32では、第1画像記憶部34a及び第2画像記憶部34bに記憶された、第2画像の後に撮影された第3画像を含む、少なくとも3つの画像に含まれる炎の時系列的変化を、時系列的変化パターン記憶部35に記憶している時系列的変化パターンと比較して判定することが更に好ましい。
【0031】
図6は同火災識別装置の動作を示すフローチャートである。
第1撮影部10aによって常時警戒区域内を撮影し(ステップ4a)、第2撮影部10bによって常時警戒区域内を撮影する(ステップ4b)。
ステップ4aで撮影される画像は画像記憶部34aに記憶され(ステップ5a)、ステップ4bで撮影される画像は画像記憶部34bに記憶される(ステップ5b)。
ステップ5aで記憶された画像は、第1判定部31において、画像に含まれる炎要素が、火点パターン記憶部36に記憶している火点パターンと比較され、ステップ5bで記憶された画像は、第1判定部31において、画像に含まれる炎要素が、火点パターン記憶部36に記憶している火点パターンと比較され、火点の発生を判定する(ステップ3)。
ステップ3における判定では、第1画像に含まれる炎要素、及び第1画像の後に撮影された第2画像に含まれる炎要素を、火点パターン記憶部36に記憶している火点パターンと比較して判定することが好ましい。
ステップ3では、第1画像記憶部34aに記憶された画像に含まれる炎要素を、火点パターンと比較して仮判定し、第2画像記憶部34bに記憶された画像に含まれる炎要素を、火点パターンと比較して仮判定し、第1画像記憶部34aに記憶された画像による仮判定、及び第2画像記憶部34bに記憶された画像による仮判定の少なくともいずれかの仮判定があれば火点が発生していると判定する。
またステップ3では、第1画像記憶部34aに記憶された画像に含まれる炎要素を、火点パターンと比較して仮判定し、第2画像記憶部34bに記憶された画像に含まれる炎要素を、火点パターンと比較して仮判定し、第1画像記憶部34aに記憶された画像による仮判定と、第2画像記憶部34bに記憶された画像による仮判定との双方の仮判定によって火点が発生していると判定することもできる。
【0032】
ステップ3において、火点が発生していると判定されると、ステップ5で記憶された複数の画像は、時系列情報を元に比較し、炎要素の時系列的変化から火点の成長を判定する(ステップ6)。
ステップ3において、火点が発生していないと判定されると、ステップ4に戻って撮影部10による撮影を行う。
ステップ6における判定では、画像に含まれる炎の時系列的変化を、時系列的変化パターン記憶部35に記憶している時系列的変化パターンと比較して判定することが好ましい。
またステップ6における判定では、画像記憶部34に記憶された、第2画像の後に撮影された第3画像を含む、少なくとも3つの画像に含まれる炎の時系列的変化を、時系列的変化パターン記憶部35に記憶している時系列的変化パターンと比較して判定することが更に好ましい。
ステップ6では、第1画像記憶部34aに記憶された複数の画像に含まれる炎要素の時系列的変化から火点の成長を仮判定し、第2画像記憶部34bに記憶された複数の画像に含まれる炎要素の時系列的変化から火点の成長を仮判定し、第1画像記憶部34aに記憶された画像による仮判定、及び第2画像記憶部34bに記憶された画像による仮判定の少なくともいずれかの仮判定があれば火点が成長していると判定する。
またステップ6では、第1画像記憶部34aに記憶された複数の画像に含まれる炎要素の時系列的変化から火点の成長を仮判定し、第2画像記憶部34bに記憶された複数の画像に含まれる炎要素の時系列的変化から火点の成長を仮判定し、第1画像記憶部34aに記憶された画像による仮判定と、第2画像記憶部34bに記憶された画像による仮判定との双方の仮判定によって火点が成長していると判定することもできる。
【0033】
ステップ6において、火点が成長していると判定すると、火災として判定し(ステップ7)、警報や消火のための出力を行う。
ステップ6において、火点が成長していないと判定すると、ステップ4a及びステップ4bに戻って第1撮影部10a及び第2撮影部10bによる撮影を行う。
【0034】
本実施例によれば、機械学習を用いてパターン化した火点パターンをあらかじめ記憶しておくことで、より精度の高い火点の発生の判別を瞬時に行うことができる。
また本実施例によれば、火点の発生の判定の後に、火点の成長を炎要素の時系列的変化から判定することで、危険性の小さな火点を除外し、火災に繋がるような危険性の高い火点を識別できる。
また本実施例によれば、機械学習を用いてパターン化した、火災に繋がるような危険性の高い時系列的変化パターンをあらかじめ記憶しておくことで、より精度の高い判別を瞬時に行うことができる。
また本実施例によれば、第1判定部31において、少なくともいずれかの仮判定があれば火点が発生していると判定することで、火点の発生を早い段階で識別できる。
また本実施例によれば、第1判定部31において、双方の仮判定によって火点が発生していると判定することで、危険性の高い火点の発生を高い精度で識別できる。
また本実施例によれば、第2判定部32において、少なくともいずれかの仮判定があれば火点が成長していると判定することで、火点の成長を早い段階で識別できる。
また本実施例によれば、第2判定部32において、双方の仮判定によって火点が成長していると判定することで、危険性の高い火点の成長を高い精度で識別できる。
【0035】
なお、本実施例のように、撮影部10として、第1撮影部10aと第2撮影部10bとを有することで、第1判定部31及び第2判定部32では、第1撮影部10a及び第2撮影部10bで撮影される画像を元に生成した三次元画像を用いることができる。このように、三次元画像を用いることで判定精度を更に高めることができる。