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】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-02-07
(45)【発行日】2024-02-16
(54)【発明の名称】情報処理装置
(51)【国際特許分類】
H04N 7/18 20060101AFI20240208BHJP
H04N 23/60 20230101ALI20240208BHJP
H04N 23/63 20230101ALI20240208BHJP
G06T 7/00 20170101ALI20240208BHJP
G08B 25/00 20060101ALI20240208BHJP
【ＦＩ】
H04N7/18 D
H04N23/60
H04N23/63
G06T7/00 350B
G08B25/00 510M
【請求項の数】
2
(21)【出願番号】P 2019230559
(22)【出願日】2019-12-20
(65)【公開番号】P2021100171
(43)【公開日】2021-07-01
【審査請求日】2022-10-05
(73)【特許権者】
【識別番号】304027464
【氏名又は名称】株式会社テクノア
(74)【代理人】
【識別番号】100126000
【弁理士】
【氏名又は名称】岩池 満
(74)【代理人】
【識別番号】100154748
【弁理士】
【氏名又は名称】菅沼 和弘
(72)【発明者】
【氏名】西村 恭範
(72)【発明者】
【氏名】澤田 茂久
【審査官】長谷川 素直
(56)【参考文献】
【文献】国際公開第２０１２／０３９２７７（ＷＯ，Ａ１）
【文献】特開２００８－１６７４２３（ＪＰ，Ａ）
【文献】特開２０１８－０３２３３８（ＪＰ，Ａ）
【文献】特開２０１７－１２６２８３（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｈ０４Ｎ ７／１８
Ｈ０４Ｎ ２３／６０
Ｇ０６Ｔ ７／００
Ｇ０８Ｂ ２５／００
(57)【特許請求の範囲】
【請求項1】
所定の監視領域の状態を監視する情報処理装置において、前記所定の監視領域の少なくとも一部を撮像する複数の撮像装置の夫々から出力された撮像画像のデータの夫々を取得する画像取得手段と、
前記画像取得手段によりデータとして取得された前記撮像画像に含まれ得る複数の被写体の相互の関係性に基づいて、前記所定の監視領域の状態を判別する状態判別手段と、
前記画像取得手段により取得された前記撮像画像のデータを記憶する制御を実行する記憶制御手段と、
前記記憶制御手段の制御により記憶された前記撮像画像のデータに基づいて、前記所定の監視領域の状態を学習する学習手段と、
前記学習手段による学習の結果に基づいて、前記所定の監視領域の状態のパターンを示すモデルを生成するモデル生成手段と、
を備え、
前記状態判別手段は、さらに、前記モデル生成手段により生成された前記モデルに基づいて、前記所定の監視領域の状態を判別する、
情報処理装置。
【請求項2】
前記状態判別手段により、前記所定の監視領域の状態が異常であると判別された場合に、その旨を報知する制御を実行する報知制御手段をさらに備える、
請求項１に記載の情報処理装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理装置に関する。
【背景技術】
【0002】
従来より、監視対象を監視するために、監視カメラ等の撮像装置を用いて監視対象を撮像する手法が採用されている（例えば特許文献１及び特許文献２参照）。
【先行技術文献】
【特許文献】
【0003】
【文献】特許第６５９７６０９号公報
【文献】特許第５３８７５９５号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、特許文献１及び特許文献２に記載された技術を含む従来の技術では、監視領域の少なくとも一部を撮像した撮像画像に被写体として含まれない監視対象の状態を、当該撮像画像を用いて監視することはできなかった。
【0005】
本発明は、このような状況に鑑みてなされたものであり、監視領域の少なくとも一部を撮像した撮像画像に被写体として含まれない監視対象の状態を、当該撮像画像を用いて容易に監視することを目的とする。
【課題を解決するための手段】
【0006】
上記目的を達成するため、本発明の一態様の情報処理装置は、
所定の監視領域の状態を監視する情報処理装置において、
前記所定の監視領域の少なくとも一部を撮像する複数の撮像装置の夫々から出力された撮像画像のデータの夫々を取得する画像取得手段と、
前記画像取得手段によりデータとして取得された前記撮像画像に含まれ得る複数の被写体の相互の関係性に基づいて、前記所定の監視領域の状態を判別する状態判別手段と、
を備える。
所定の監視領域の状態を監視する情報処理装置において、
前記所定の監視領域の少なくとも一部を撮像する複数の撮像装置の夫々から出力された撮像画像のデータの夫々を取得する画像取得手段と、
前記画像取得手段によりデータとして取得された前記撮像画像に含まれ得る複数の被写体の相互の関係性に基づいて、前記所定の監視領域の状態を判別する状態判別手段と、
を備える。
【発明の効果】
【0007】
本発明によれば、監視領域の少なくとも一部を撮像した撮像画像に被写体として含まれない監視対象の状態を、当該撮像画像を用いて容易に監視する手法を提供することができる。
【図面の簡単な説明】
【0008】
【図1】本発明の情報処理装置の一実施形態に係る状態判別サーバ及びモデル提供サーバが適用される情報処理システムの適用対象となる本サービスの概要を示す図である。
【図2】本発明の情報処理装置の一実施形態に係る状態判別サーバ及びモデル提供サーバが適用される情報処理システムの構成の一例を示す図である。
【図4】状態判別サーバ及びモデル提供サーバが適用される情報処理システムにより実行される各種処理に必要となる機能的構成の一例を示す機能ブロック図である。
【図7】カメラの配置例を示す図である。
【図8】本サービスの活用例を示す図である。
【発明を実施するための形態】
【0009】
以下、本発明の実施形態について図面を用いて説明する。
【0010】
【0011】
図１は、本発明の情報処理装置の一実施形態に係る状態判別サーバ及びモデル提供サーバが適用される情報処理システムの適用対象となる本サービスの概要を示す図である。
【0012】
本サービスは、所定の監視領域の状態を監視するサービスである。本サービスでは、所定の監視領域の少なくとも一部を撮像した撮像画像に含まれ得る複数の被写体の相互の関係性に基づいて、監視領域の状態の監視が行われる。
「監視領域の状態」には、監視領域に存在するものの、撮像画像の被写体ではない監視対象についての状態が含まれる。即ち、撮像装置による従来の監視は、監視対象を撮像領域に含むことが前提となる。しかしながら、監視対象の撮像画像のみからでは状態の判別が困難な場合がある。本発明は、撮像領域に含まれない監視対象を、撮像領域に含まれ得る複数の被写体の相互の関係性に基づいて監視することを実現可能とする。これにより、監視対象の撮像画像のみからでは判別が困難な監視を容易化させることができる。
「監視領域の状態」には、監視領域に存在するものの、撮像画像の被写体ではない監視対象についての状態が含まれる。即ち、撮像装置による従来の監視は、監視対象を撮像領域に含むことが前提となる。しかしながら、監視対象の撮像画像のみからでは状態の判別が困難な場合がある。本発明は、撮像領域に含まれない監視対象を、撮像領域に含まれ得る複数の被写体の相互の関係性に基づいて監視することを実現可能とする。これにより、監視対象の撮像画像のみからでは判別が困難な監視を容易化させることができる。
【0013】
ここで、被写体が「含まれ得る」と表現した理由は、以下のとおりである。即ち、撮像画像には、複数の被写体のうち少なくとも１の被写体が「含まれる」場合と「含まれない」場合との両方のケースが存在する。そして、撮像画像に被写体が「含まれる」場合と「含まれない」場合との違いが、まさに複数の被写体の相互の関係性を示すものとなる。また、複数の被写体の相互の関係性が、監視領域の状態を判別する際の根拠になる。このような理由から、撮像画像に被写体が「含まれ得る」と敢えて表現したものである。
【0014】
図１には、監視領域Ａの状態の判別が行われる際に用いられるモデルＭ１乃至Ｍ４の夫々が、撮像画像Ｐ１乃至Ｐ４の夫々とともに示されている。モデルＭ１乃至Ｍ４は、監視領域Ａに存在するパトランプＬが点灯しているか否かという基準（横軸）と、監視領域Ａに人物Ｈが存在するか否かという基準（縦軸）とによって分類されている。
【0015】
撮像画像Ｐ１乃至Ｐ４の夫々は、図示せぬ同一のカメラＣにより同一の角度から複数のタイミングで撮像された、監視領域Ａの様子を示す撮像画像である。具体的には、監視領域Ａの状態を示すモデルＭ１乃至Ｍ４の夫々に適合する撮像画像Ｐの典型例が、図１に示す撮像画像Ｐ１乃至Ｐ４の夫々である。
【0016】
パトランプＬは、所定の工場に設置された図示せぬ加工機械の稼働状態を、ランプの点灯の有無により表示可能とする表示機器である。例えば図１の破線内に示すランプが点灯している場合、図示せぬ加工機械は稼働中となり、当該ランプが消灯している場合、図示せぬ加工機械は停止中となる。
人物Ｈは、図示せぬ加工機械の段取りや稼働状態のチェック等を行う者である。ただし、本実施形態において、撮像画像Ｐに含まれ得る人物Ｈが実際に図示せぬ加工機械の段取りや稼働状態のチェック等を行う者であるか否かは特に問題とならない。これは、本実施形態において、監視上重要となるのは、人間（例えば人物Ｈ）が撮像画像Ｐに被写体として含まれるのか否かであり、その人間（例えば人物Ｈ）の背景は特に問題とされないからである。また、人間（例えば人物Ｈ）が撮像画像Ｐに含まれるのか否かと、パトランプが点灯しているのか否かとの組合せのみによって、監視領域Ａの状態を容易に判別できるようにすることが本発明の目的だからである。
以下、モデルＭ１乃至Ｍ４について詳しく説明する。
人物Ｈは、図示せぬ加工機械の段取りや稼働状態のチェック等を行う者である。ただし、本実施形態において、撮像画像Ｐに含まれ得る人物Ｈが実際に図示せぬ加工機械の段取りや稼働状態のチェック等を行う者であるか否かは特に問題とならない。これは、本実施形態において、監視上重要となるのは、人間（例えば人物Ｈ）が撮像画像Ｐに被写体として含まれるのか否かであり、その人間（例えば人物Ｈ）の背景は特に問題とされないからである。また、人間（例えば人物Ｈ）が撮像画像Ｐに含まれるのか否かと、パトランプが点灯しているのか否かとの組合せのみによって、監視領域Ａの状態を容易に判別できるようにすることが本発明の目的だからである。
以下、モデルＭ１乃至Ｍ４について詳しく説明する。
【0017】
モデルＭ１は、パトランプＬが「消灯している」という状態と、人物Ｈが「存在する」という状態との相互の関係性から、監視領域Ａの状態が「段取中」であると判別するためのモデルである。モデルＭ１に適合する撮像画像Ｐの典型例である撮像画像Ｐ１には、消灯している状態のパトランプＬと、人物Ｈとが被写体として含まれている。この場合、図示せぬ加工機械が「停止中」であり、人物Ｈが「監視領域Ａ内で作業中」であると判別される。その結果、監視領域Ａの状態は「段取中」と判別される。
【0018】
モデルＭ２は、パトランプＬが「点灯している」という状態と、人物Ｈが「存在する」という状態との相互の関係性から、監視領域Ａの状態が「加工チェック中」であると判別するためのモデルである。モデルＭ２に適合する撮像画像Ｐの典型例である撮像画像Ｐ２には、点灯している状態のパトランプＬと、人物Ｈとが被写体として含まれている。この場合、図示せぬ加工機械が「稼働中」であり、人物が「監視領域Ａ内で自動加工のチェックを行っている」と判別される。その結果、監視領域Ａの状態は「加工チェック中」と判別される。
【0019】
モデルＭ３は、パトランプＬが「点灯している」という状態と、人物Ｈが「存在しない」という状態との相互の関係性から、監視領域Ａの状態が「自動加工中」であると判別するためのモデルである。モデルＭ３に適合する撮像画像Ｐの典型例である撮像画像Ｐ３には、点灯している状態のパトランプＬが被写体として含まれているが、人物Ｈは被写体として含まれていない。この場合、図示せぬ加工機械が「稼働中」であり、人物が「監視領域Ａ内に不在」であると判別される。その結果、監視領域Ａの状態は「自動加工中」と判別される。
【0020】
モデルＭ４は、パトランプＬが「消灯している」という状態と、人物Ｈが「存在しない」という状態との相互の関係性から、監視領域Ａの状態が「加工終了」であると判別するためのモデルである。モデルＭ４に適合する撮像画像Ｐの典型例である撮像画像Ｐ４には、消灯している状態のパトランプＬが被写体として含まれているが、人物Ｈは被写体として含まれていない。この場合、図示せぬ加工機械が「停止中」であり、人物が「監視領域Ａ内に不在」であると判別される。その結果、監視領域Ａの状態は「加工終了」と判別される。
【0021】
次に、モデルＭ１乃至Ｍ４がどのように生成されるのかについて説明する。
本サービスでは、カメラＣにより撮像された監視領域Ａの撮像画像Ｐを学習データとして、監視領域Ａの状態についての学習が行われる。
即ち、本サービスでは、撮像画像Ｐに被写体として含まれ得るパトランプＬと人物Ｈとの夫々の状態、及びパトランプＬと人物Ｈとの相互の関係性を学習データとする学習が行われる。学習が行われた結果、例えば「パトランプＬは加工機械の稼働中に点灯する」、「人物Ｈが監視領域Ａに存在する場合は何らかの作業を行っている」、「人物ＨはパトランプＬが消灯しているときに段取り作業を行う」、「人物ＨはパトランプＬが点灯しているときに加工チェックを行う」、「人物Ｈは加工機械による自動加工が行われている間は監視領域Ａに存在しない」、「人物Ｈは加工機械による自動加工の終了後は監視領域Ａに存在しない」といった情報が生成されるとともに、例えば図１に示すモデルＭ１乃至Ｍ４のようなモデルが生成される。
本サービスでは、カメラＣにより撮像された監視領域Ａの撮像画像Ｐを学習データとして、監視領域Ａの状態についての学習が行われる。
即ち、本サービスでは、撮像画像Ｐに被写体として含まれ得るパトランプＬと人物Ｈとの夫々の状態、及びパトランプＬと人物Ｈとの相互の関係性を学習データとする学習が行われる。学習が行われた結果、例えば「パトランプＬは加工機械の稼働中に点灯する」、「人物Ｈが監視領域Ａに存在する場合は何らかの作業を行っている」、「人物ＨはパトランプＬが消灯しているときに段取り作業を行う」、「人物ＨはパトランプＬが点灯しているときに加工チェックを行う」、「人物Ｈは加工機械による自動加工が行われている間は監視領域Ａに存在しない」、「人物Ｈは加工機械による自動加工の終了後は監視領域Ａに存在しない」といった情報が生成されるとともに、例えば図１に示すモデルＭ１乃至Ｍ４のようなモデルが生成される。
【0022】
図２は、本発明の情報処理装置の一実施形態に係る状態判別サーバ及びモデル提供サーバが適用される情報処理システムの構成の一例を示す図である。
【0023】
図２に示す情報処理システム（以下、「本システム」と呼ぶ）は、状態判別サーバ１と、モデル提供サーバ２と、ユーザ端末３と、カメラＣ１乃至Ｃｎ（ｎは１以上の整数値）とがインターネット等の所定のネットワークＮを介して相互に接続されることで構成される。
【0024】
状態判別サーバ１は、サービス提供者（図示せず）により管理される情報処理装置である。状態判別サーバ１は、モデル提供サーバ２、ユーザ端末３、及びカメラＣ１乃至Ｃｎの夫々と適宜通信をしながら、本サービスを実現するための各種処理を実行する。
【0025】
モデル提供サーバ２は、サービス提供者（図示せず）により管理される情報処理装置である。モデル提供サーバ２は、状態判別サーバ１、及びユーザ端末３と適宜通信をしながら、本サービスを実現するための各種処理を実行する。
【0026】
ユーザ端末３は、ユーザＵにより操作される情報処理装置であって、例えばパーソナルコンピュータ、スマートフォン、タブレット等で構成される。
【0027】
カメラＣ１乃至Ｃｎの夫々は、監視領域Ａの少なくとも一部を撮像可能な位置に設置されるカメラである。
具体的には、カメラＣ１乃至Ｃｎは、監視領域Ａの状態をサーバ１に認識させるべく、監視領域Ａの少なくとも一部に存在し得る複数の被写体（図１の例ではパトランプＬと人物Ｈ）を様々な角度から撮像する。カメラＣ１乃至Ｃｎの夫々により撮像された監視領域Ａの撮像画像のデータは、状態判別サーバ１を介してモデル提供サーバ２により取得されて管理される。以下、カメラＣ１乃至Ｃｎを個々に区別する必要がない場合、これらをまとめて、「カメラＣ」と呼ぶ。
このように、状態判別サーバ１やモデル提供サーバ２などの情報処理装置における処理対象は、正確にはカメラＣにより撮像された監視領域Ａの撮像画像のデータＰ１乃至Ｐｍ（ｍは１以上の整数値）の夫々であるが、本明細書等では「撮像画像Ｐ１乃至Ｐｍ」と略記する。また、本明細書等では、撮像画像Ｐ１乃至Ｐｍを個々に区別する必要がない場合、これらをまとめて、「撮像画像Ｐ」と呼ぶ。
具体的には、カメラＣ１乃至Ｃｎは、監視領域Ａの状態をサーバ１に認識させるべく、監視領域Ａの少なくとも一部に存在し得る複数の被写体（図１の例ではパトランプＬと人物Ｈ）を様々な角度から撮像する。カメラＣ１乃至Ｃｎの夫々により撮像された監視領域Ａの撮像画像のデータは、状態判別サーバ１を介してモデル提供サーバ２により取得されて管理される。以下、カメラＣ１乃至Ｃｎを個々に区別する必要がない場合、これらをまとめて、「カメラＣ」と呼ぶ。
このように、状態判別サーバ１やモデル提供サーバ２などの情報処理装置における処理対象は、正確にはカメラＣにより撮像された監視領域Ａの撮像画像のデータＰ１乃至Ｐｍ（ｍは１以上の整数値）の夫々であるが、本明細書等では「撮像画像Ｐ１乃至Ｐｍ」と略記する。また、本明細書等では、撮像画像Ｐ１乃至Ｐｍを個々に区別する必要がない場合、これらをまとめて、「撮像画像Ｐ」と呼ぶ。
【0028】
【0029】
状態判別サーバ１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３と、バス１４と、入出力インターフェース１５と、出力部１６と、入力部１７と、記憶部１８と、通信部１９と、ドライブ２０とを備えている。
【0030】
ＣＰＵ１１は、ＲＯＭ１２に記録されているプログラム、又は、記憶部１８からＲＡＭ１３にロードされたプログラムに従って各種の処理を実行する。
ＲＡＭ１３には、ＣＰＵ１１が各種の処理を実行する上において必要なデータ等も適宜記憶される。
ＲＡＭ１３には、ＣＰＵ１１が各種の処理を実行する上において必要なデータ等も適宜記憶される。
【0031】
ＣＰＵ１１、ＲＯＭ１２及びＲＡＭ１３は、バス１４を介して相互に接続されている。このバス１４にはまた、入出力インターフェース１５も接続されている。入出力インターフェース１５には、出力部１６、入力部１７、記憶部１８、通信部１９及びドライブ２０が接続されている。
【0032】
出力部１６は、各種液晶ディスプレイ等で構成され、各種情報を出力する。
入力部１７は、各種ハードウェアボタン等で構成され、各種情報を入力する。
記憶部１８は、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等で構成され、各種データを記憶する。
通信部１９は、インターネットを含むネットワークＮを介して他の装置（例えば図２のモデル提供サーバ２、ユーザ端末３、及びカメラＣ１乃至Ｃｎ）との間で行う通信を制御する。
入力部１７は、各種ハードウェアボタン等で構成され、各種情報を入力する。
記憶部１８は、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等で構成され、各種データを記憶する。
通信部１９は、インターネットを含むネットワークＮを介して他の装置（例えば図２のモデル提供サーバ２、ユーザ端末３、及びカメラＣ１乃至Ｃｎ）との間で行う通信を制御する。
【0033】
ドライブ２０は、必要に応じて設けられる。ドライブ２０には磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア４０が適宜装着される。ドライブ２０によってリムーバブルメディア４０から読み出されたプログラムは、必要に応じて記憶部１８にインストールされる。またリムーバブルメディア４０は、記憶部１８に記憶されている各種データも、記憶部１８と同様に記憶することができる。
【0034】
なお、図示はしないが、図２のモデル提供サーバ２、及びユーザ端末３も、図２に示すハードウェア構成と基本的に同様の構成を有することができる。例えば、図示はしないが、モデル提供サーバ２は、図２に示すＣＰＵ１１乃至ドライブ２０と同様のハードウェア構成として、ＣＰＵ２１乃至ドライブ３０を備える。従って、モデル提供サーバ２、及びユーザ端末３のハードウェア構成の説明については省略する。
【0035】
次に、図３のハードウェア構成を有する状態判別サーバ１及びモデル提供サーバ２の機能的構成について説明する。
図４は、状態判別サーバ１及びモデル提供サーバ２が適用される情報処理システムにより実行される各種処理に必要となる機能的構成の一例を示す機能ブロック図である。
図４は、状態判別サーバ１及びモデル提供サーバ２が適用される情報処理システムにより実行される各種処理に必要となる機能的構成の一例を示す機能ブロック図である。
【0036】
図３に示すように、図２の情報処理システムにより状態判別処理が実行される場合には、状態判別サーバ１のＣＰＵ１１において、画像取得部１０１と、モデル要求部１０２と、状態判別部１０３とが機能する。
図２の情報処理システムによりモデル提供処理が実行される場合には、状態判別サーバ１のＣＰＵ１１において、学習データ提供部１０４が機能し、モデル提供サーバ２のＣＰＵ２１において、記憶制御部２０１と、学習部２０２と、モデル生成部２０３と、モデル提供部２０４とが機能する。
図２の情報処理システムにより報知処理が実行される場合には、状態判別サーバ１のＣＰＵ１１において報知制御部１０５が機能する。
図２の情報処理システムによりモデル提供処理が実行される場合には、状態判別サーバ１のＣＰＵ１１において、学習データ提供部１０４が機能し、モデル提供サーバ２のＣＰＵ２１において、記憶制御部２０１と、学習部２０２と、モデル生成部２０３と、モデル提供部２０４とが機能する。
図２の情報処理システムにより報知処理が実行される場合には、状態判別サーバ１のＣＰＵ１１において報知制御部１０５が機能する。
【0037】
「状態判別処理」とは、カメラＣ１乃至Ｃｎの夫々によりデータとして出力された撮像画像Ｐ１乃至Ｐｍの夫々に含まれ得る複数の被写体の相互の関係性に基づいて、監視領域Ａの状態を判別する処理のことをいう。
ここで、状態判別処理は、カメラＣ１乃至Ｃｎの夫々の撮像画像Ｐ１乃至Ｐｍの夫々について個別的に実行することもできるし、撮像画像Ｐ１乃至Ｐｍについて総合的に実行することもできる。
ここで、状態判別処理は、カメラＣ１乃至Ｃｎの夫々の撮像画像Ｐ１乃至Ｐｍの夫々について個別的に実行することもできるし、撮像画像Ｐ１乃至Ｐｍについて総合的に実行することもできる。
【0038】
「モデル提供処理」とは、カメラＣによりデータとして出力された撮像画像Ｐを学習データとして解析して学習することで、監視領域Ａの状態の判別に用いられるモデルＭを生成又は更新して提供する処理のことをいう。
上述の状態判別処理では、モデル提供処理により生成又は更新されたモデルＭが参照される。モデル提供処理の結果、モデルＭのパターンが次第に充実していくので、状態判別処理のパターンも次第に充実していく。また、状態判別処理の結果と実際の状態との差異が次第に縮まっていくため、状態判別処理の結果の精度も次第に向上していく。
上述の状態判別処理では、モデル提供処理により生成又は更新されたモデルＭが参照される。モデル提供処理の結果、モデルＭのパターンが次第に充実していくので、状態判別処理のパターンも次第に充実していく。また、状態判別処理の結果と実際の状態との差異が次第に縮まっていくため、状態判別処理の結果の精度も次第に向上していく。
【0039】
「報知制御処理」とは、上述の状態判別処理の結果として、監視領域Ａの状態が異常であるという判別がなされた場合に、その旨をユーザＵに報知する制御を実行する処理のことをいう。
【0040】
状態判別サーバ１の記憶部１８の一領域には、モデルＤＢ１８１が設けられている。
モデル提供サーバ２の記憶部２８の一領域には、学習ＤＢ２８１と、モデルＤＢ２８２とが設けられている。
モデル提供サーバ２の記憶部２８の一領域には、学習ＤＢ２８１と、モデルＤＢ２８２とが設けられている。
【0041】
画像取得部１０１は、監視領域Ａの少なくとも一部を撮像するカメラＣ１乃至Ｃｎにより撮像され出力された撮像画像Ｐ１乃至Ｐｍの夫々のデータを取得する。
画像取得部１０１により取得された撮像画像Ｐ１乃至Ｐｍの夫々のデータは、学習データとして学習ＤＢ２８１に記憶されて管理される。
画像取得部１０１により取得された撮像画像Ｐ１乃至Ｐｍの夫々のデータは、学習データとして学習ＤＢ２８１に記憶されて管理される。
【0042】
モデル要求部１０２は、モデル提供サーバ２に対して、後述する状態判別部１０３による判別が行われる際に参照されるモデルＭの提供を要求する。
モデル要求部１０２によるモデルＭの提供の要求の結果、モデル提供サーバ２からモデルＭが提供されると、モデル要求部１０２は、提供されたモデルＭを取得してモデルＤＢ１８１に記憶させる。
モデル要求部１０２によるモデルＭの提供の要求の結果、モデル提供サーバ２からモデルＭが提供されると、モデル要求部１０２は、提供されたモデルＭを取得してモデルＤＢ１８１に記憶させる。
【0043】
状態判別部１０３は、画像取得部１０１によりデータとして取得された撮像画像Ｐに含まれ得るパトランプＬと人物Ｈとの相互の関係性に基づいて、監視領域Ａの状態を判別する。
具体的には、状態判別部１０３は、取得された撮像画像Ｐに適合するモデルＭにより示される監視領域Ａの状態に基づいて、監視領域Ａの状態を判別する。
具体的には、状態判別部１０３は、取得された撮像画像Ｐに適合するモデルＭにより示される監視領域Ａの状態に基づいて、監視領域Ａの状態を判別する。
【0044】
学習データ提供部１０４は、画像取得部１０１により取得された撮像画像Ｐ１乃至Ｐｍの夫々のデータを、モデル提供処理で用いられる学習データとしてモデル提供サーバ２に提供する。学習データ提供部１０４により提供された学習データ（撮像画像Ｐ１乃至Ｐｍの夫々のデータ）は、学習ＤＢ２８１に記憶されて管理される。
【0045】
報知制御部１０５は、状態判別部１０３により、監視領域Ａの状態が異常であると判別された場合に、その旨を報知する制御を実行する。なお、ここでいう「異常状態」には、例えば図示せぬ加工機械のトラブルのみならず、材料の供給切れなど、自動加工が行われている平常状態以外のあらゆる状態が含まれる。
また、報知制御部１０５による報知の手法は特に限定されない。具体的には例えば、報知制御部１０５は、ユーザ端末３に監視領域Ａの状態が異常である旨を示すアラートを表示させる制御を実行することができる。また、報知制御部１０５は、所定の警告ランプ（図示せず）を点灯させたり、所定のスピーカから警告音を出力させたりするなど、ユーザＵの視覚や聴覚を通じて異常状態を報知することもできる。
また、報知制御部１０５による報知の手法は特に限定されない。具体的には例えば、報知制御部１０５は、ユーザ端末３に監視領域Ａの状態が異常である旨を示すアラートを表示させる制御を実行することができる。また、報知制御部１０５は、所定の警告ランプ（図示せず）を点灯させたり、所定のスピーカから警告音を出力させたりするなど、ユーザＵの視覚や聴覚を通じて異常状態を報知することもできる。
【0046】
記憶制御部２０１は、状態判別サーバ１から提供された撮像画像Ｐ１乃至Ｐｍの夫々のデータを記憶させる制御を実行する。
具体的には、記憶制御部２０１は、撮像画像Ｐ１乃至Ｐｍの夫々のデータを、学習データとして記憶部２８の学習ＤＢ２８１に記憶させる制御を実行する。
具体的には、記憶制御部２０１は、撮像画像Ｐ１乃至Ｐｍの夫々のデータを、学習データとして記憶部２８の学習ＤＢ２８１に記憶させる制御を実行する。
【0047】
学習部２０２は、記憶制御部２０１の制御により記憶された撮像画像Ｐ１乃至Ｐｍの夫々のデータに基づいて、監視領域Ａの状態を学習する。
即ち、学習ＤＢ２８１には、カメラＣ１乃至Ｃｎの夫々により撮像された撮像画像Ｐ１乃至Ｐｍの夫々のデータが多数記憶されて管理されている。学習部２０２は、学習ＤＢ２８１から多数の学習データを取得して解析を行う。
即ち、学習ＤＢ２８１には、カメラＣ１乃至Ｃｎの夫々により撮像された撮像画像Ｐ１乃至Ｐｍの夫々のデータが多数記憶されて管理されている。学習部２０２は、学習ＤＢ２８１から多数の学習データを取得して解析を行う。
【0048】
モデル生成部２０３は、状態判別サーバ１のモデル要求部１０２からの要求に基づいて、監視領域Ａの状態のパターンを示す１以上のモデルＭを生成する。
また、モデル生成部２０３は、学習部２０２による学習の結果に基づいて、監視領域Ａの状態のパターンを示す１以上のモデルＭを生成する。
また、モデル生成部２０３は、自身が生成したモデルＭを含む、モデルＤＢ２８２に記憶されている既存のモデルＭを組合せることで、監視領域Ａの状態のパターンを示す１以上のモデルＭをさらに生成することもできる。これにより、ユーザＵは、自社専用のモデルを容易に入手することができる。
また、モデル生成部２０３は、学習部２０２による学習の結果に基づいて、監視領域Ａの状態のパターンを示す１以上のモデルＭを生成する。
また、モデル生成部２０３は、自身が生成したモデルＭを含む、モデルＤＢ２８２に記憶されている既存のモデルＭを組合せることで、監視領域Ａの状態のパターンを示す１以上のモデルＭをさらに生成することもできる。これにより、ユーザＵは、自社専用のモデルを容易に入手することができる。
【0049】
モデル提供部２０４は、モデル生成部２０３により生成された１以上のモデルＭを、状態判別サーバ１に提供する。上述したように、モデル提供サーバ２から状態判別サーバ１にモデルＭが提供されると、提供されたモデルＭは、モデルＤＢ１８１に記憶されて管理される。
【0050】
【0051】
【0052】
即ち、図２の情報処理システムにより状態判別処理が実行される場合、ステップＳＳ１０１において、状態判別サーバ１は、監視領域Ａの少なくとも一部を撮像するカメラＣにより撮像され出力された撮像画像Ｐのデータを取得する。画像取得部１０１により取得された撮像画像Ｐのデータは、学習データとして学習ＤＢ２８１に記憶されて管理される。
【0053】
ステップＳＳ１０２において、状態判別サーバ１は、監視領域Ａの状態の判別を行う際に参照するモデルＭの提供をモデル提供サーバ２に要求する。
【0054】
ステップＳＳ１０３において、状態判別サーバ１は、モデル提供サーバ２からモデルＭが提供されたか否かを判定する。モデル提供サーバ２からモデルＭが提供されない場合には、ステップＳＳ１０３において「ＮＯ」と判定される。そして、モデル提供サーバ２からモデルＭが提供されるまで、ステップＳＳ１０３の処理が繰り返し実行される。これに対して、モデル提供サーバ２からモデルＭが提供された場合には、ステップＳＳ１０３において「ＹＥＳ」と判定されて、処理はステップＳＳ１０４に進む。
【0055】
ステップＳＳ１０４において、状態判別サーバ１は、撮像画像Ｐに含まれ得るパトランプＬと人物Ｈとの相互の関係性に基づいて、監視領域Ａの状態を判別する。具体的には、状態判別サーバ１は、モデルＤＢ１８１に記憶されている１以上のモデルＭに基づいて、監視領域Ａの状態を判別する。これにより状態判別処理は完了する。
【0056】
【0057】
即ち、図２の情報処理システムによりモデル提供処理が実行される場合、ステップＳＳ２０１において、モデル提供サーバ２は、提供された撮像画像Ｐのデータを、学習データとして学習ＤＢ２８１に記憶させる制御を実行する。
【0058】
ステップＳＳ２０２において、モデル提供サーバ２は、記憶した撮像画像Ｐ１乃至Ｐｍの夫々のデータに基づいて、監視領域Ａの状態を学習する。
【0059】
ステップＳＳ２０３において、モデル提供サーバ２は、ステップＳＳ２０２の学習の結果に基づいて、監視領域Ａの状態のパターンを示す１以上のモデルＭを生成する。
【0060】
ステップＳＳ２０４において、モデル提供サーバ２は、状態判別サーバ１からモデルＭの提供の要求があったか否かを判定する。状態判別サーバ１からモデルＭの提供の要求がない場合には、ステップＳＳ２０４において「ＮＯ」と判定されて、状態判別サーバ１からモデルＭの提供の要求があるまで、ステップＳＳ２０４の処理が繰り返し実行される。これに対して、状態判別サーバ１からモデルＭの提供の要求があった場合には、ステップＳＳ２０４において「ＹＥＳ」と判定されて、処理はステップＳＳ２０５に進む。
【0061】
ステップＳＳ２０５において、モデル提供サーバ２は、ステップＳＳ２０３で生成された１以上のモデルＭを状態判別サーバ１に提供する。これによりモデル提供処理は完了する。
【0062】
【0063】
図６に示すグラフの横軸は、上述した図２のカメラＣと、カメラＣを用いて撮像される監視領域Ａに存在し得るパトランプＬ又は人物Ｈとの距離ｄを示している。図６に示すグラフの縦軸は、図２の情報処理システムにより実行される状態判別処理の精度ｑを示している。図６に示すグラフの曲線Ｗは、距離ｄと精度ｑとの関係を示している。
図６に示すように、距離ｄが長い場合よりも短い場合の方が精度ｑを向上させることができる。ここで、状態判別処理の結果が好適なものとなる最低限の精度ｑをＱとした場合、対応する距離ｄは５ｍ（メートル）乃至８ｍ（メートル）となる。つまり、状態判別処理の結果が好適なものとなる最低限の精度ｑを確保するためには、距離ｄが８ｍ（メートル）を超えないようにカメラＣを設置する必要がある。
図６に示すように、距離ｄが長い場合よりも短い場合の方が精度ｑを向上させることができる。ここで、状態判別処理の結果が好適なものとなる最低限の精度ｑをＱとした場合、対応する距離ｄは５ｍ（メートル）乃至８ｍ（メートル）となる。つまり、状態判別処理の結果が好適なものとなる最低限の精度ｑを確保するためには、距離ｄが８ｍ（メートル）を超えないようにカメラＣを設置する必要がある。
【0064】
図７は、カメラの配置例を示す図である。
【0065】
図７には、工場Ｆの監視領域Ａに配置された５台のパトランプＬ１乃至Ｌ５と、工場Ｆの四隅に設置されたカメラＣ１乃至Ｃ４とが描画されている。
【0066】
カメラＣ１は、被写体としてのパトランプＬ１乃至Ｌ３及び人物Ｈ（図示せず）が存在し得る監視領域Ａの少なくとも一部を撮像する。カメラＣ２は、被写体としてのパトランプＬ１、Ｌ２、Ｌ４及び人物Ｈ（図示せず）が存在し得る監視領域Ａの少なくとも一部を撮像する。カメラＣ３は、被写体としてのパトランプＬ３乃至Ｌ５及び人物Ｈ（図示せず）が存在し得る監視領域Ａの少なくとも一部を撮像する。カメラＣ４は、被写体としてのパトランプＬ３乃至Ｌ５及び人物Ｈ（図示せず）が存在し得る監視領域Ａの少なくとも一部を撮像する。
このように、複数のカメラＣが１台のパトランプＬ及び人物Ｈ（図示せず）を撮像可能とすることにより、パトランプＬ１及びＬ２は、いずれもカメラＣ１及びＣ２により同じタイミングで撮像されることが可能となる。また、パトランプＬ３は、カメラＣ１、Ｃ３、Ｃ４により同じタイミングで撮像されることが可能となる。また、パトランプＬ４は、カメラＣ２、Ｃ３、Ｃ４により同じタイミングで撮像されることが可能となる。また、パトランプＬ５は、カメラＣ３及びＣ４により同じタイミングで撮像されることが可能となる。
その結果、複数台（図６の例では２又は３台）のカメラで同一のパトランプＬを異なる角度から撮像することが可能となるので、状態判別処理の精度ｑを向上させることができる。
このように、複数のカメラＣが１台のパトランプＬ及び人物Ｈ（図示せず）を撮像可能とすることにより、パトランプＬ１及びＬ２は、いずれもカメラＣ１及びＣ２により同じタイミングで撮像されることが可能となる。また、パトランプＬ３は、カメラＣ１、Ｃ３、Ｃ４により同じタイミングで撮像されることが可能となる。また、パトランプＬ４は、カメラＣ２、Ｃ３、Ｃ４により同じタイミングで撮像されることが可能となる。また、パトランプＬ５は、カメラＣ３及びＣ４により同じタイミングで撮像されることが可能となる。
その結果、複数台（図６の例では２又は３台）のカメラで同一のパトランプＬを異なる角度から撮像することが可能となるので、状態判別処理の精度ｑを向上させることができる。
【0067】
具体的には例えば、パトランプＬ１乃至Ｌ５を撮像すると、工場Ｆ内の照明の光や、窓の外から差し込む日光等が、監視領域Ａの状況の判別に影響を与える場合がある。
そこで、図７に示すように、異なる場所に配置された２又は３台のカメラＣの夫々が、同じタイミングで１台のパトランプＬを撮像するようにする。
これにより、１台のパトランプＬを異なる角度から同じタイミングで撮像することになるので、一方のカメラＣの撮像画像と、他方のカメラＣの撮像画像との夫々が相互に精度を担保し合う関係が成立する。
その結果、照明の光や日光等の影響で正確な判別が棄損されるリスクを低減化させることができる。
そこで、図７に示すように、異なる場所に配置された２又は３台のカメラＣの夫々が、同じタイミングで１台のパトランプＬを撮像するようにする。
これにより、１台のパトランプＬを異なる角度から同じタイミングで撮像することになるので、一方のカメラＣの撮像画像と、他方のカメラＣの撮像画像との夫々が相互に精度を担保し合う関係が成立する。
その結果、照明の光や日光等の影響で正確な判別が棄損されるリスクを低減化させることができる。
【0068】
図８は、本サービスの活用例を示す図である。
【0069】
図８には、学習データを作るユーザＵ１と、モデルＭを作って公開するユーザＵ２と、モデルＭを使うユーザＵ３とが描画されている。
【0070】
ユーザＵ１は、新規のモデルＭを取得するために、学習データを新たに作成して、本サービスにより提供される専用のクラウド（図示せず）にアップロードする。これにより、ユーザＵ１は、自社専用のＡＩ（人工知能）を自ら作成することができる。
具体的には例えば、上述の図７の例におけるカメラＣ１乃至Ｃ４の撮像画像のデータは、「新たに作成」された「学習データ」に該当する。
具体的には例えば、上述の図７の例におけるカメラＣ１乃至Ｃ４の撮像画像のデータは、「新たに作成」された「学習データ」に該当する。
【0071】
ユーザＵ２は、ユーザＵ１により専用のクラウドにアップロードされた学習データに基づいて、新規のモデルＭを作成する。これにより、ユーザＵ２は、複数種類のモデルＭを幅広く保有することができる。
また、ユーザＵ２は、作成したモデルＭを、専用のクラウドを介して他のユーザＵに公開する。これにより、ユーザＵ２以外のユーザＵは、ユーザＵ２により公開された複数種類のモデルを有償又は無償で使用することができる。
また、ユーザＵ２は、作成したモデルＭを、専用のクラウドを介して他のユーザＵに公開する。これにより、ユーザＵ２以外のユーザＵは、ユーザＵ２により公開された複数種類のモデルを有償又は無償で使用することができる。
【0072】
ユーザＵ３は、ユーザＵ２により作成され公開された複数種類のモデルＭを組合せることで、自社専用のモデルＭを作成する。即ち、ユーザＵ３は、自ら学習データを作成することなく、公開されているモデルＭを入手するだけで、自社専用のモデルＭを容易に作成することができる。
【0073】
以上、本発明の一実施形態について説明したが、本発明は、上述の実施形態に限定されるものではなく、本発明の目的を達成できる範囲での変形、改良等は本発明に含まれるものである。
【0074】
例えば、上述の実施形態では、撮像装置として、監視領域を撮像する機能と、撮像した画像を送信する機能とを有する一般的なカメラが採用されている。ただし、これは例示に過ぎない。一般的なカメラ以外にも、例えば物体から放射される赤外線を可視化する赤外線カメラ等、監視に用いられ得る各種機能を有するカメラを採用することもできる。
【0075】
また例えば、上述の実施形態では、撮像装置により撮像される撮像画像は静止画像であるが、特に静止画像に限定されず、動画像であってもよい。
【0076】
【0077】
また例えば、図１の例では、４種類のモデルＭ１乃至Ｍ４が示されているが、特に４種類に限定されない。また、図１の例では、モデルＭ１乃至Ｍ４を分類するために２つの基準（パトランプＬの点灯の有無、及び人物Ｈの存在の有無）が採用されているが、これらの基準に限定されない。
【0078】
【0079】
また、図４に示す機能ブロック図は、例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行できる機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは、特に図４の例に限定されない。
【0080】
また、機能ブロックの存在場所も、図４に限定されず、任意でよい。
例えば、図４の例で、状態判別処理の実行に必要となる機能ブロックは、主に状態判別サーバ１が備える構成となっているが、これは例示に過ぎない。これらの機能ブロックの少なくとも一部を、モデル提供サーバ２側が備える構成としてもよい。また例えば、モデル提供処理の実行に必要となる機能ブロックは、主にモデル提供サーバ２が備える構成となっているが、これは例示に過ぎない。これらの機能ブロックの少なくとも一部を、状態判別サーバ１側が備える構成としてもよい。
また、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
例えば、図４の例で、状態判別処理の実行に必要となる機能ブロックは、主に状態判別サーバ１が備える構成となっているが、これは例示に過ぎない。これらの機能ブロックの少なくとも一部を、モデル提供サーバ２側が備える構成としてもよい。また例えば、モデル提供処理の実行に必要となる機能ブロックは、主にモデル提供サーバ２が備える構成となっているが、これは例示に過ぎない。これらの機能ブロックの少なくとも一部を、状態判別サーバ１側が備える構成としてもよい。
また、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
【0081】
各機能ブロックの処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワークや記録媒体からインストールされる。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
【0082】
このようなプログラムを含む記録媒体は、各ユーザにプログラムを提供するために装置本体とは別に配布される、リムーバブルメディアにより構成されるだけではなく、装置本体に予め組み込まれた状態で各ユーザに提供される記録媒体等で構成される。
【0083】
なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に添って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的或いは個別に実行される処理をも含むものである。
【0084】
また、本明細書において、システムの用語は、複数の装置や複数の手段等より構成される全体的な装置を意味するものである。
【0085】
以上まとめると、本発明が適用される情報処理装置は、次のような構成を取れば足り、各種各様な実施形態を取ることができる。
即ち、本発明が適用される情報処理装置（例えば図４の状態判別サーバ１及びモデル提供サーバ２）は、
所定の監視領域（例えば図１の監視領域Ａ）の状態を監視する情報処理装置において、
前記所定の監視領域の少なくとも一部を撮像する複数の撮像装置（例えば図２のカメラＣ１乃至Ｃｎ）の夫々から出力された撮像画像（例えば撮像画像Ｐ）のデータの夫々を取得する画像取得手段（例えば図４の画像取得部１０１）と、
前記画像取得手段によりデータとして取得された前記撮像画像に含まれ得る複数の被写体（例えば図１のパトランプＬ及び人物Ｈ）の相互の関係性に基づいて、前記所定の監視領域の状態（例えば図１のモデルＭ１乃至Ｍ４の夫々に対応する監視領域Ａの状態）を判別する状態判別手段（例えば図４の状態判別部１０３）と、
を備える。
即ち、本発明が適用される情報処理装置（例えば図４の状態判別サーバ１及びモデル提供サーバ２）は、
所定の監視領域（例えば図１の監視領域Ａ）の状態を監視する情報処理装置において、
前記所定の監視領域の少なくとも一部を撮像する複数の撮像装置（例えば図２のカメラＣ１乃至Ｃｎ）の夫々から出力された撮像画像（例えば撮像画像Ｐ）のデータの夫々を取得する画像取得手段（例えば図４の画像取得部１０１）と、
前記画像取得手段によりデータとして取得された前記撮像画像に含まれ得る複数の被写体（例えば図１のパトランプＬ及び人物Ｈ）の相互の関係性に基づいて、前記所定の監視領域の状態（例えば図１のモデルＭ１乃至Ｍ４の夫々に対応する監視領域Ａの状態）を判別する状態判別手段（例えば図４の状態判別部１０３）と、
を備える。
【0086】
これにより、所定の監視領域の撮像画像が取得されて、当該撮像画像に含まれ得る複数の被写体の相互の関係性に基づいて、当該所定の監視領域の状態が判別される。その結果、当該撮像画像に被写体として含まれない監視対象の状態を容易に監視することが可能となる。
【0087】
また、前記画像取得手段により取得された前記撮像画像のデータを記憶する制御を実行する記憶制御手段（例えば図４の記憶制御部２０１）と、
前記記憶制御手段の制御により記憶された前記撮像画像のデータに基づいて、前記所定の監視領域の状態を学習する学習手段（例えば図４の学習部２０２）と、
前記学習手段による学習の結果に基づいて、前記所定の監視領域の状態のパターンを示すモデル（例えば図１のモデルＭ１乃至Ｍ４）を生成するモデル生成手段（例えば図４のモデル生成部２０３）と、
をさらに備え、
前記状態判別手段は、さらに、前記モデル生成手段により生成された前記モデルに基づいて、前記所定の監視領域の状態を判別することができる。
前記記憶制御手段の制御により記憶された前記撮像画像のデータに基づいて、前記所定の監視領域の状態を学習する学習手段（例えば図４の学習部２０２）と、
前記学習手段による学習の結果に基づいて、前記所定の監視領域の状態のパターンを示すモデル（例えば図１のモデルＭ１乃至Ｍ４）を生成するモデル生成手段（例えば図４のモデル生成部２０３）と、
をさらに備え、
前記状態判別手段は、さらに、前記モデル生成手段により生成された前記モデルに基づいて、前記所定の監視領域の状態を判別することができる。
【0088】
これにより、所定の監視領域の撮像画像に基づいて、当該所定の監視領域の状態の学習が行われて、その学習の結果に基づいてモデルが生成等される。その結果、ユーザは、生成されたモデルに基づく容易な判別が可能となる。
【0089】
また、前記状態判別手段により、前記所定の監視領域の状態が異常であると判別された場合に、その旨を報知する制御を実行する報知制御手段（例えば図４の報知制御部１０６）をさらに備えることができる。
【0090】
これにより、監視領域の状態が判別されるだけではなく、監視領域が異常状態にあると判別された場合にその旨が報知される。その結果、所定の監視領域の異常を迅速に知ることができる。
【符号の説明】
【0091】
１：状態判別サーバ、２：モデル提供サーバ、３：ユーザ端末、１１：ＣＰＵ、１２：ＲＯＭ、１３：ＲＡＭ、１４：バス、１５：入出力インターフェース、１６：出力部、１７：入力部、１８：記憶部、１９：通信部、２０：ドライブ、４０：リムーバブルメディア、１０１：画像取得部、１０２：モデル要求部、１０３：状態判別部、１０４：学習データ提供部、１０５：報知制御部、２０１：記憶制御部、２０２：学習部、２０３：モデル生成部、２０４：モデル提供部、１８１：モデルＤＢ、２８１：学習ＤＢ、２８２：モデルＤＢ、Ｎ：ネットワーク、Ａ：監視領域、Ｃ，Ｃ１乃至Ｃｎ：カメラ、Ｍ，Ｍ１乃至Ｍ４：モデル、Ｐ，Ｐ１乃至Ｐｍ：撮像画像、Ｆ：工場、Ｌ，Ｌ１乃至Ｌ５：パトランプ、Ｈ：人物、ＳＳ：サーバによる処理を示す各種ステップ、Ｕ，Ｕ１乃至Ｕ３：ユーザ、Ｗ：曲線、ｑ，Ｑ：精度、ｄ：距離
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】