ホーム > 特許ランキング > ヤマトプロテック株式会社
知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024089042
(43)【公開日】2024-07-03
(54)【発明の名称】消火機器収納箱及び消火機器監視装置
(51)【国際特許分類】
A62C 13/78 20060101AFI20240626BHJP
A62C 37/50 20060101ALI20240626BHJP
【ＦＩ】
A62C13/78 A
A62C37/50
【審査請求】未請求
【請求項の数】7
【出願形態】ＯＬ
(21)【出願番号】P 2022204147
(22)【出願日】2022-12-21
(71)【出願人】
【識別番号】000114905
【氏名又は名称】ヤマトプロテック株式会社
(74)【代理人】
【識別番号】110001885
【氏名又は名称】弁理士法人ＩＰＲコンサルタント
(72)【発明者】
【氏名】土屋 俊貴
(72)【発明者】
【氏名】來迎 貴良
(72)【発明者】
【氏名】久保田 哲史
【テーマコード（参考）】
2E189
【Ｆターム（参考）】
2E189HA06
(57)【要約】
【課題】 収納された消火機器が使用可能な状態かどうかを監視することができる消火機器収納箱及びを消火機器監視装置提供する。
【解決手段】 消火機器を収納する本体と、前記本体内に収納されて、互いに略反対側から前記本体内の消火機器を撮影する第１カメラ及び第２カメラと、消火機器の画像と当該消火機器の状態との関係を機械学習させた学習済みモデルを用いて、前記第１カメラ及び前記第２カメラによって撮影された画像から前記本体内の消火機器の状態を判定するマイクロコンピュータと、を具備することを特徴とする消火機器収納箱。
【選択図】図１
【解決手段】 消火機器を収納する本体と、前記本体内に収納されて、互いに略反対側から前記本体内の消火機器を撮影する第１カメラ及び第２カメラと、消火機器の画像と当該消火機器の状態との関係を機械学習させた学習済みモデルを用いて、前記第１カメラ及び前記第２カメラによって撮影された画像から前記本体内の消火機器の状態を判定するマイクロコンピュータと、を具備することを特徴とする消火機器収納箱。
【選択図】図１
【特許請求の範囲】
【請求項1】
消火機器を収納する本体と、
前記本体内に収納されて、互いに略反対側から前記本体内の消火機器を撮影する第１カメラ及び第２カメラと、
消火機器の画像と当該消火機器の状態との関係を機械学習させた学習済みモデルを用いて、前記第１カメラ及び前記第２カメラによって撮影された画像から前記本体内の消火機器の状態を判定するマイクロコンピュータと、
を具備することを特徴とする消火機器収納箱。
前記本体内に収納されて、互いに略反対側から前記本体内の消火機器を撮影する第１カメラ及び第２カメラと、
消火機器の画像と当該消火機器の状態との関係を機械学習させた学習済みモデルを用いて、前記第１カメラ及び前記第２カメラによって撮影された画像から前記本体内の消火機器の状態を判定するマイクロコンピュータと、
を具備することを特徴とする消火機器収納箱。
【請求項2】
前記第１カメラ及び前記第２カメラが前記本体内の消火機器の表面積の少なくとも７０％を撮影するように配置されること、
を特徴とする請求項１に記載の消火機器収納箱。
を特徴とする請求項１に記載の消火機器収納箱。
【請求項3】
前記第１カメラ及び前記第２カメラが前記本体の対角に配置されること、
を特徴とする請求項１に記載の消火機器収納箱。
を特徴とする請求項１に記載の消火機器収納箱。
【請求項4】
前記本体内に収納されて、前記本体内の消火機器を撮影する第３カメラを更に具備すること、
を特徴とする請求項１に記載の消火機器収納箱。
を特徴とする請求項１に記載の消火機器収納箱。
【請求項5】
前記第３カメラが前記本体の扉に配置されていること、
を特徴とする請求項４に記載の消火機器収納箱。
を特徴とする請求項４に記載の消火機器収納箱。
【請求項6】
前記消火機器の周囲の温度、湿度、気圧、紫外線、及び加速度のうち少なくとも１種類のデータを取得する環境センサを更に具備し、
前記マイクロコンピュータが、取得された少なくとも１種類のデータを予め設定された閾値又は許容範囲と比較して消火機器の設置環境を評価すること、
を特徴とする請求項１に記載の消火機器収納箱。
前記マイクロコンピュータが、取得された少なくとも１種類のデータを予め設定された閾値又は許容範囲と比較して消火機器の設置環境を評価すること、
を特徴とする請求項１に記載の消火機器収納箱。
【請求項7】
収納箱内に収納されて、互いに略反対側から前記収納箱内の消火機器を撮影する第１カメラ及び第２カメラと、
消火機器の画像と当該消火機器の状態との関係を機械学習させた学習済みモデルを用いて、前記第１カメラ及び前記第２カメラによって撮影された画像から前記収納箱内の消火機器の状態を判定するマイクロコンピュータと、
を具備することを特徴とする消火機器監視装置。
消火機器の画像と当該消火機器の状態との関係を機械学習させた学習済みモデルを用いて、前記第１カメラ及び前記第２カメラによって撮影された画像から前記収納箱内の消火機器の状態を判定するマイクロコンピュータと、
を具備することを特徴とする消火機器監視装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、消火機器収納箱及び消火機器監視装置に関する。
【背景技術】
【0002】
例えば特許文献１（特許第７０５０３５８号公報）は、消火器を収納する消火器箱を開示している。しかしながら、この消火器箱には、消火器が使用可能な状態かどうかを監視する機能はない。この状況は、収納箱に収納される他の消火機器についても当てはまる。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第７０５０３５８号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
本発明は、収納された消火機器が使用可能な状態かどうかを監視することができる消火機器収納箱及び消火機器監視装置を提供することを目的とする。
【課題を解決するための手段】
【0005】
上述した課題を解決すべく、本発明は、
消火機器を収納する本体と、
前記本体内に収納されて、互いに略反対側から前記本体内の消火機器を撮影する第１カメラ及び第２カメラと、
消火機器の画像と当該消火機器の状態との関係を機械学習させた学習済みモデルを用いて、前記第１カメラ及び前記第２カメラによって撮影された画像から前記本体内の消火機器の状態を判定するマイクロコンピュータと、
を具備することを特徴とする消火機器収納箱、を提供する。
消火機器を収納する本体と、
前記本体内に収納されて、互いに略反対側から前記本体内の消火機器を撮影する第１カメラ及び第２カメラと、
消火機器の画像と当該消火機器の状態との関係を機械学習させた学習済みモデルを用いて、前記第１カメラ及び前記第２カメラによって撮影された画像から前記本体内の消火機器の状態を判定するマイクロコンピュータと、
を具備することを特徴とする消火機器収納箱、を提供する。
【0006】
本発明の消火機器収納箱では、前記第１カメラ及び前記第２カメラが前記本体内の消火機器の表面積の少なくとも７０％を撮影するように配置されること、が好ましい。
【0007】
また、本発明の消火機器収納箱では、前記第１カメラ及び前記第２カメラが前記本体の対角に配置されること、が好ましい。
【0008】
また、本発明の消火機器収納箱は、前記本体内に収納されて、前記本体内の消火機器を撮影する第３カメラを更に具備すること、が好ましい。
【0009】
また、本発明の消火機器収納箱では、前記第３カメラが前記本体の扉に配置されていること、が好ましい。
【0010】
また、本発明の消火機器収納箱では、前記消火機器の周囲の温度、湿度、気圧、紫外線、及び加速度のうち少なくとも１種類のデータを取得する環境センサを更に具備し、前記マイクロコンピュータが、取得された少なくとも１種類のデータを予め設定された閾値又は許容範囲と比較して消火機器の設置環境を評価すること、が好ましい。
【0011】
また、本発明は、
収納箱内に収納されて、互いに略反対側から前記収納箱内の消火機器を撮影する第１カメラ及び第２カメラと、
消火機器の画像と当該消火機器の状態との関係を機械学習させた学習済みモデルを用いて、前記第１カメラ及び前記第２カメラによって撮影された画像から前記収納箱内の消火機器の状態を判定するマイクロコンピュータと、
を具備することを特徴とする消火機器監視装置、をも提供する。
収納箱内に収納されて、互いに略反対側から前記収納箱内の消火機器を撮影する第１カメラ及び第２カメラと、
消火機器の画像と当該消火機器の状態との関係を機械学習させた学習済みモデルを用いて、前記第１カメラ及び前記第２カメラによって撮影された画像から前記収納箱内の消火機器の状態を判定するマイクロコンピュータと、
を具備することを特徴とする消火機器監視装置、をも提供する。
【発明の効果】
【0012】
本発明によれば、カメラより収納箱内の消火機器を撮影する事で、消火機器の状況を監視することができる。したがって、適切なタイミングで管理者に対して消火機器の状態の維持及び交換、保守を促すことができる。
【図面の簡単な説明】
【0013】
【図1】本実施形態に係る消火機器収納箱１及び消火機器監視装置２を含むシステムの全体構成を示す図である。
【図2】本体３の形状及びカメラ５－７の配置の一例を示す正面図、右側面図、及び上面図である。
【図3】本体３の外観の一例を示す図である。
【図4】蓋３Ａが開いた状態の本体３の一例を示す図である。
【図5】蓋３Ａが開いた状態の本体３の一例を別の方向から見た図である。
【図6】カメラ５によって撮影された画像の一例を示す図である。
【図7】カメラ６によって撮影された画像の一例を示す図である。
【図8】カメラ７によって撮影された画像の一例を示す図である。
【図9】判定結果の表示画面の一例を示す図である。
【図10】消火機器１７の監視手順の一例を示す図である。
【図11】DETR（End-to-End Object Detection with Transformers）の概略を示す図である。
【図12】DCN（Deformable Convolutional Networks）の概略を示す図である。
【発明を実施するための形態】
【0014】
以下、本発明に係る消火機器収納箱及び消火機器監視装置の代表的な実施形態を、図面を参照しつつ詳細に説明する。ただし、本発明はこれら図面に限定されるものではない。また、図面は、本発明を概念的に説明するためのものであるから、理解容易のために、寸法、比又は数を誇張又は簡略化して表している場合もある。
【0015】
本実施形態において、消火機器とは、消火ないし消防に用いられる各種機器及び設備であって、収納箱に収納可能なものを指す。ここでは消火機器の一例として消火器を挙げるが、これに限られない。
【0016】
１．消火機器収納箱について
図１に示すように、消火機器収納箱１は、本体３と、カメラ５，６と、マイクロコンピュータ１３と、を少なくとも備える。消火機器収納箱１は更に、カメラ７と、環境センサ９と、を含んでもよい。以下、各構成要素を詳細に説明する。
図１に示すように、消火機器収納箱１は、本体３と、カメラ５，６と、マイクロコンピュータ１３と、を少なくとも備える。消火機器収納箱１は更に、カメラ７と、環境センサ９と、を含んでもよい。以下、各構成要素を詳細に説明する。
【0017】
本体３は、消火機器１７を収納する略箱状のケースである（図２－図５参照）。本体３は、扉３Ａを有する。本体３は、例えば鉄やアルミニウム等の金属材料から作製されるが、樹脂材料等で作製されてもかまわない。なお、消火機器監視装置２の説明では本体３を「収納箱」と呼ぶことがある。
【0018】
本体３内には、第１カメラ及び第２カメラに相当するカメラ５，６が収納されている。カメラ５，６は、互いに略反対側から本体３内の消火機器１７を撮影する。つまり、カメラ５，６は消火機器１７を介して対向する。カメラ５，６は、死角を減らして正確な判定結果を確保する観点から、本体３内の消火機器１７の表面積の少なくとも７０％、とりわけ８０％を撮影するように配置されることが好ましい。本体３内の消火機器１７の底面以外の部分を全て撮影するように配置されてもよい。
【0019】
例えば、カメラ５，６は、おおむね本体３の対角に配置されるとよい。図２の例では、カメラ５，６が符号Ａ，Ｂで表されているところ、カメラ５は上方、左側かつ前側の角部に、カメラ６は下方、右側かつ後ろ側の角部に、それぞれ配置されている。この場合、概ねカメラ５，６を結ぶ直線上に消火機器１７に位置し、カメラ５は消火機器１７を斜め上方から見下ろすように（消火器であればバルブの周囲の状況を的確にとらえるために）消火機器１７を撮影する（例えば図６参照）。また、カメラ６は消火機器１７を斜め下方から見上げるように（消火器であれば筐体の底部の周囲の状況を的確にとらえるために）消火機器１７を撮影する（例えば図７参照）。
【0020】
本体３内には、更に第３カメラに相当するカメラ７が収納されてもよい。カメラ７は、消火機器１７の状態を確実にとらえるために、カメラ５，６とは異なる角度から本体３内の消火機器１７を撮影する。
図２の例では、カメラ７が符号Ｃで表されているところ、カメラ７は本体３の扉３Ａの上部に配置されている。この場合、カメラ７は消火機器１７の正面上部を撮影する（例えば図８参照）。
カメラ５－７は、定期的に（例えば３か月、６か月ごとに）消火機器１７を撮影し、撮影した消火機器１７の画像をマイクロコンピュータ１３に送信する。
図２の例では、カメラ７が符号Ｃで表されているところ、カメラ７は本体３の扉３Ａの上部に配置されている。この場合、カメラ７は消火機器１７の正面上部を撮影する（例えば図８参照）。
カメラ５－７は、定期的に（例えば３か月、６か月ごとに）消火機器１７を撮影し、撮影した消火機器１７の画像をマイクロコンピュータ１３に送信する。
【0021】
消火機器収納箱１は環境センサ９を更に備えてもよい（図４参照）。環境センサ９は、消火機器１７の設置環境を計測するセンサ類の総称であり、１種類又は複数種類のセンサで構成されていてよい。
具体的には、環境センサ９は、消火機器１７の周囲（本体３の内部でも周囲でもよい）の温度、湿度、気圧、紫外線、及び加速度のうち少なくとも１種類のデータを取得し、マイクロコンピュータ１３に送信する。環境センサ９は、例えば、温度センサ、湿度センサ、気圧計、紫外線強度計、紫外線測定器、加速度計などが挙げられるが、これらに限られない。図４の例では環境センサ９は本体３の内部に設置されているが、環境センサ９は本体３の外部に配置されてもよい。
具体的には、環境センサ９は、消火機器１７の周囲（本体３の内部でも周囲でもよい）の温度、湿度、気圧、紫外線、及び加速度のうち少なくとも１種類のデータを取得し、マイクロコンピュータ１３に送信する。環境センサ９は、例えば、温度センサ、湿度センサ、気圧計、紫外線強度計、紫外線測定器、加速度計などが挙げられるが、これらに限られない。図４の例では環境センサ９は本体３の内部に設置されているが、環境センサ９は本体３の外部に配置されてもよい。
【0022】
本体３に取り付けられるメインモジュール１１（制御用コンピュータ）には、マイクロコンピュータ１３と電源モジュール１５が搭載されている。電源モジュール１５は、第１－第３カメラ、環境センサ９、及びマイクロコンピュータ１３に電力を供給する。
マイクロコンピュータ１３は、後述する学習済みモデルを記憶しており、かかるモデル用いて、カメラ５，６（及びカメラ７）の撮影画像から消火機器１７の状態を判定する。
判定結果は、例えば、正常又は異常（あるいは良好又は不良）の２値でもよいし、正常（又は異常）らしさを指標するスコアでもよい。スコアが用いられる場合、消防法に規定され消防庁より公布されている消防設備点検要項に指示される消火器具の点検項目を基準としたスコア判定が行われてもよい。
マイクロコンピュータ１３は、判定結果をインターネット２１等の通信網を介して管理システム２３に送信する。図９は、管理システム２３の画面に表示された判定結果の一例を示す。判定結果の送信は、判定の都度又は異常判定時に行われてよい。
マイクロコンピュータ１３は、後述する学習済みモデルを記憶しており、かかるモデル用いて、カメラ５，６（及びカメラ７）の撮影画像から消火機器１７の状態を判定する。
判定結果は、例えば、正常又は異常（あるいは良好又は不良）の２値でもよいし、正常（又は異常）らしさを指標するスコアでもよい。スコアが用いられる場合、消防法に規定され消防庁より公布されている消防設備点検要項に指示される消火器具の点検項目を基準としたスコア判定が行われてもよい。
マイクロコンピュータ１３は、判定結果をインターネット２１等の通信網を介して管理システム２３に送信する。図９は、管理システム２３の画面に表示された判定結果の一例を示す。判定結果の送信は、判定の都度又は異常判定時に行われてよい。
【0023】
ここで、学習済みモデルは、消火機器の画像と当該消火機器の状態との関係を機械学習させたものである。例えば、消火機器の画像とその劣化度合いとを教師データとしてＡＩモデルを機械学習させることで、学習済みモデルが得られる。
例えば、利用可能なＡＩモデルとしてDETR（End-to-End Object Detection with Transformers）及びDCN（Deformable Convolutional Networks）を好適に用いることができる。DETRとは、(1)画像の特徴量をエンコードするためのCNNネットワークであるBackbone、(2)CNNから取り出された画像の特徴量から注意機構を用いて各物体の位置や種類の情報へと変換し、事前に決められた個数Nの物体を予測するものであり、他の予測内容を見て自身の予測を推測するEncoder-DecoderネットワークであるTransformer、及び、(3)Transformerの出力を物体の位置座標・クラスラベルにデコードするネットワークであるFFNからなる構造を有する（図１１参照）。DCNとは、通常の畳み込みニューラルネットワークでは正方形あるいは長方形であるフィルタの形状に検出能力が制約されてしまうのに対して、フィルタを変形可能なネットワークを設計し、物体検出と同時にフィルタの変形具合も学習することで、物体の形状をより的確に認識できるようにするモデルである（図１２参照）。これらのＡＩモデルの適用に際して、基準点として所定の場所については、SSD(Single Shot MultiBox Detector)をベースとしたアンカーボックス法を用い複合的に判定することができる。
ただし、本発明はＡＩモデルに限られず、例えばR-CNN（Region Based Convolutional Neural Networks）、Fast R-CNN、YOLOなどの従来の物体検出手法を用いることができる。
消火機器の劣化度合いは、例えば正常・劣化（又は良好・不良）の２値で与えられてもよいし、所定の基準に従ったスコアで与えられてもよい。劣化度合いは、例えば消火器の筐体では、消火薬剤の漏れ、変更、損傷、著しい腐食等を基準として評価されてよく、例えば凹みや腐食に由来する光学的変化度合いに基づいて決定することができる。例えば、評価項目ごとに１０段階で表し、画像の対応箇所にマークするとよい。
なお、モデルの学習は外部コンピュータで実施され、学習済みモデルがマイクロコンピュータ１３に格納されてよい。
消火器等の消火機器１７に設置上又は使用上の問題があるか無いかは、法令により定められている為、所定の免状を与えられた有資格者により画像分類が行われた学習データが学習のために用いられることが好ましい。
例えば、利用可能なＡＩモデルとしてDETR（End-to-End Object Detection with Transformers）及びDCN（Deformable Convolutional Networks）を好適に用いることができる。DETRとは、(1)画像の特徴量をエンコードするためのCNNネットワークであるBackbone、(2)CNNから取り出された画像の特徴量から注意機構を用いて各物体の位置や種類の情報へと変換し、事前に決められた個数Nの物体を予測するものであり、他の予測内容を見て自身の予測を推測するEncoder-DecoderネットワークであるTransformer、及び、(3)Transformerの出力を物体の位置座標・クラスラベルにデコードするネットワークであるFFNからなる構造を有する（図１１参照）。DCNとは、通常の畳み込みニューラルネットワークでは正方形あるいは長方形であるフィルタの形状に検出能力が制約されてしまうのに対して、フィルタを変形可能なネットワークを設計し、物体検出と同時にフィルタの変形具合も学習することで、物体の形状をより的確に認識できるようにするモデルである（図１２参照）。これらのＡＩモデルの適用に際して、基準点として所定の場所については、SSD(Single Shot MultiBox Detector)をベースとしたアンカーボックス法を用い複合的に判定することができる。
ただし、本発明はＡＩモデルに限られず、例えばR-CNN（Region Based Convolutional Neural Networks）、Fast R-CNN、YOLOなどの従来の物体検出手法を用いることができる。
消火機器の劣化度合いは、例えば正常・劣化（又は良好・不良）の２値で与えられてもよいし、所定の基準に従ったスコアで与えられてもよい。劣化度合いは、例えば消火器の筐体では、消火薬剤の漏れ、変更、損傷、著しい腐食等を基準として評価されてよく、例えば凹みや腐食に由来する光学的変化度合いに基づいて決定することができる。例えば、評価項目ごとに１０段階で表し、画像の対応箇所にマークするとよい。
なお、モデルの学習は外部コンピュータで実施され、学習済みモデルがマイクロコンピュータ１３に格納されてよい。
消火器等の消火機器１７に設置上又は使用上の問題があるか無いかは、法令により定められている為、所定の免状を与えられた有資格者により画像分類が行われた学習データが学習のために用いられることが好ましい。
【0024】
また、マイクロコンピュータ１３は、環境センサ９から取得した計測データを予め設定された閾値と比較して、消火機器１７の設置環境を評価することができる。
消火機器の状態を劣化させる環境の具体例として、温度では－２０℃以下あるいは＋４０℃以上であり、とりわけ－３０℃以下あるいは＋５０℃以上である。また、湿度では８０％以上、とりわけ９５％以上である。紫外線では２５０Ｗ／ｍ２以上の日射量、とりわけ３００Ｗ／ｍ２以上の日射量である。
したがって、許容範囲ないし閾値としては、例えば、温度では－３０℃～＋５０℃、好ましくは－２０℃～＋４０℃とし、湿度では９５％、好ましくは８０％とし、紫外線では３００Ｗ／ｍ２、より好ましくは２５０Ｗ／ｍ２としてよい。
かかる許容範囲ないし閾値を１回でも超えると異常（消火機器１７を劣化させる環境）と判定してもよいし、所定の回数以上（連続して又は累計で）超えた場合に異常と判定してもよい。
消火機器の状態を劣化させる環境の具体例として、温度では－２０℃以下あるいは＋４０℃以上であり、とりわけ－３０℃以下あるいは＋５０℃以上である。また、湿度では８０％以上、とりわけ９５％以上である。紫外線では２５０Ｗ／ｍ２以上の日射量、とりわけ３００Ｗ／ｍ２以上の日射量である。
したがって、許容範囲ないし閾値としては、例えば、温度では－３０℃～＋５０℃、好ましくは－２０℃～＋４０℃とし、湿度では９５％、好ましくは８０％とし、紫外線では３００Ｗ／ｍ２、より好ましくは２５０Ｗ／ｍ２としてよい。
かかる許容範囲ないし閾値を１回でも超えると異常（消火機器１７を劣化させる環境）と判定してもよいし、所定の回数以上（連続して又は累計で）超えた場合に異常と判定してもよい。
【0025】
消火機器の状態を劣化させる環境となったと判定すると、マイクロコンピュータ１３は、インターネット等を通じて管理システム２３へ通知する。
管理システム２３は、通知内容を点検者（の端末）２５へ連携することができる。これにより点検者は消火機器１７の環境を確認することができる。
管理システム２３は、通知内容を点検者（の端末）２５へ連携することができる。これにより点検者は消火機器１７の環境を確認することができる。
【0026】
【0027】
ステップＳ１において、カメラ５，６（及びカメラ７）が消火機器１７の撮影を実施して画像データを生成する。併せて、環境センサ９が消火機器１７の設置環境を測定して数値データを生成する。
なお、カメラ５－７と環境センサ９とは同じタイミングでデータを収集する必要はない。例えば、カメラ５－７は定期的に、環境センサ９は常時、データを収集してもよい。
なお、カメラ５－７と環境センサ９とは同じタイミングでデータを収集する必要はない。例えば、カメラ５－７は定期的に、環境センサ９は常時、データを収集してもよい。
【0028】
ステップＳ２において、画像データはマイクロコンピュータ１３に送信され、マイクロコンピュータ１３は学習済みモデルを用いて画像データを解析する。解析の結果、良好・不良が判定され、あるいは良好さを示すスコアが計算される。
あわせて、環境データもまたマイクロコンピュータ１３に送信され、所定の許容範囲ないし閾値と比較される。比較の結果、消火機器１７の設置環境が消火機器１７の劣化をもたらすものであるかどうかが判定され、あるいは、環境の劣化を示すスコアが計算される。
あわせて、環境データもまたマイクロコンピュータ１３に送信され、所定の許容範囲ないし閾値と比較される。比較の結果、消火機器１７の設置環境が消火機器１７の劣化をもたらすものであるかどうかが判定され、あるいは、環境の劣化を示すスコアが計算される。
【0029】
ステップＳ３において、ステップＳ２の結果が管理システム２３に送信され、必要に応じて点検者の端末２５と共有される。
判定結果には、消火機器１７の画像、判定結果（良否、スコアなど）、判定の信頼度が含まれてよい。また、管理システム２３のディスプレイに判定結果が表示される（例えば図９参照）。また、消火機器収納箱１が警報のために音を発したり、点灯・点滅したりしてもよい。
これにより、消火機器１７の不良を即座に発見することができる。また、作業員が定期的に又は不定期に消火機器１７の点検に出向く手間を効果的に省略することができる。
判定結果には、消火機器１７の画像、判定結果（良否、スコアなど）、判定の信頼度が含まれてよい。また、管理システム２３のディスプレイに判定結果が表示される（例えば図９参照）。また、消火機器収納箱１が警報のために音を発したり、点灯・点滅したりしてもよい。
これにより、消火機器１７の不良を即座に発見することができる。また、作業員が定期的に又は不定期に消火機器１７の点検に出向く手間を効果的に省略することができる。
【0030】
３．消火機器監視装置について
先に述べた消火機器１７の監視機能は、収納箱（本体３）に製造時から搭載されてもよいし、設置済みの収納箱に後付けすることも可能である。すなわち、消火機器監視装置２は、カメラ５，６と、マイクロコンピュータ１３と、を少なくとも備え、更に、カメラ７と、環境センサ９と、を含んでもよい。これらの構成要素の詳細は先に述べたとおりであるので、省略する。
先に述べた消火機器１７の監視機能は、収納箱（本体３）に製造時から搭載されてもよいし、設置済みの収納箱に後付けすることも可能である。すなわち、消火機器監視装置２は、カメラ５，６と、マイクロコンピュータ１３と、を少なくとも備え、更に、カメラ７と、環境センサ９と、を含んでもよい。これらの構成要素の詳細は先に述べたとおりであるので、省略する。
【0031】
以上、本発明の代表的な実施形態について説明したが、本発明はこれらに限定されるものではなく、種々の設計変更が可能であり、それらも本発明に含まれる。
【0032】
例えば、本体３（収納箱）に格納されるものは消火器に限らず、例えばスプリンクラー設備、泡消火設備、ガス消火設備でも良く、あるいはこれら設備の一部分でもよい。
【0033】
モデルの学習は、正解ラベルを付与せずに正常な消火機器１７の画像のみを用いて行ってもよい。この場合、学習済みモデルが正常画像には見られない特徴を検出した場合に異常として扱う。
あるいはラベルが付与されている画像と、ラベルが付与されていない画像を用いてモデルを学習してもよい。この場合、ラベルがない画像はすべて正常画像として扱えばよい。
あるいはラベルが付与されている画像と、ラベルが付与されていない画像を用いてモデルを学習してもよい。この場合、ラベルがない画像はすべて正常画像として扱えばよい。
【符号の説明】
【0034】
１ 消火機器収納箱
２ 消火機器監視装置
３ 本体
５－７ カメラ
９ 環境センサ
１３ マイクロコンピュータ
１７ 消火機器
２ 消火機器監視装置
３ 本体
５－７ カメラ
９ 環境センサ
１３ マイクロコンピュータ
１７ 消火機器
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
