特許 7452832 監視カメラおよび検知方法

(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】2024-03-11

(45)【発行日】2024-03-19

(54)【発明の名称】監視カメラおよび検知方法

(51)【国際特許分類】

   G08B 25/00 20060101AFI20240312BHJP

   H04N 7/18 20060101ALI20240312BHJP

   G10L 25/51 20130101ALI20240312BHJP

   H04N 23/40 20230101ALI20240312BHJP

   H04N 23/66 20230101ALI20240312BHJP

   G08B 13/196 20060101ALI20240312BHJP

【ＦＩ】

G08B25/00 510M

H04N7/18 D

G10L25/51

H04N23/40 100

H04N23/66

G08B13/196

【請求項の数】 11

(21)【出願番号】P 2019164739

(22)【出願日】2019-09-10

(65)【公開番号】P2021043666

(43)【公開日】2021-03-18

【審査請求日】2022-09-01

(73)【特許権者】

【識別番号】320008672

【氏名又は名称】ｉ－ＰＲＯ株式会社

(74)【代理人】

【識別番号】110002000

【氏名又は名称】弁理士法人栄光事務所

(72)【発明者】

【氏名】山畠 利彦

(72)【発明者】

【氏名】久保田 亮

(72)【発明者】

【氏名】木下 英俊

(72)【発明者】

【氏名】荒井 貴光

【審査官】山岸 登

(56)【参考文献】

【文献】特開２０１６－１９１９７３（ＪＰ，Ａ）

【文献】特開２０１３－１３１１５３（ＪＰ，Ａ）

【文献】特開２０１７－２１１９２９（ＪＰ，Ａ）

【文献】国際公開第２０１８／１００６７６（ＷＯ，Ａ１）

【文献】国際公開第２０１８／１６３５５５（ＷＯ，Ａ１）

【文献】特開２０２１－００２２２９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０８Ｂ１３／００－１５／０２

２３／００－３１／００

Ｇ１０Ｌ１３／００－１３／１０

１９／００－９９／００

Ｈ０４Ｎ７／１８

２３／００

２３／４０－２３／７６

２３／９０－２３／９５９

(57)【特許請求の範囲】

【請求項1】

人工知能を備える監視カメラであって、
収音部と、
検知対象の事象を教示するパラメータを受信する通信部と、
前記パラメータに基づいて前記人工知能を構築し、構築した前記人工知能を用いて、前記収音部が収音する音声から前記検知対象の事象を検知する処理部と、を備え、
前記通信部は、複数の異なるパラメータのそれぞれを受信し、
前記処理部は、前記複数の異なるパラメータのそれぞれのうち、指定された所定の時間帯におけるパラメータに基づいて前記人工知能を構築する、
監視カメラ。

【請求項2】

人工知能を備える監視カメラであって、
少なくとも１つのセンサと、
検知対象の事象を教示するパラメータを受信する通信部と、
前記パラメータに基づいて前記人工知能を構築し、構築した前記人工知能を用いて、前記センサが計測する計測データから前記検知対象の事象を検知する処理部と、を備え、
前記通信部は、複数の異なるパラメータのそれぞれを受信し、
前記処理部は、前記複数の異なるパラメータのそれぞれのうち、指定された所定の時間帯におけるパラメータに基づいて前記人工知能を構築する、
監視カメラ。

【請求項3】

前記パラメータは、前記収音部が収音した音声を用いて生成される、
請求項１に記載の監視カメラ。

【請求項4】

前記パラメータは、前記センサが計測した計測データを用いて生成される、
請求項２に記載の監視カメラ。

【請求項5】

撮像部をさらに備え、
前記処理部は、前記撮像部が撮像する映像から前記検知対象の事象を検知する、
請求項１～４のいずれか１項に記載の監視カメラ。

【請求項6】

前記検知対象の事象の検知結果に基づいて、発報条件を満たすか否かを判定し、前記発報条件を満たす場合、発報音を発報装置から出力させる制御部、をさらに備える、
請求項１～５のいずれか１項に記載の監視カメラ。

【請求項7】

前記検知対象の事象の検知結果に基づいて、発報条件を満たすか否かを判定し、前記発報条件を満たす場合、発報情報を端末装置から出力させる制御部、をさらに備える、
請求項１～５のいずれか１項に記載の監視カメラ。

【請求項8】

前記通信部は、複数の異なるパラメータのそれぞれを受信し、
前記処理部は、前記複数の異なるパラメータのうち、少なくとも２つの指定されたパラメータに基づいて前記人工知能を構築する、
請求項１～７のいずれか１項に記載の監視カメラ。

【請求項9】

前記パラメータを記憶した外部記憶媒体から前記パラメータを受信するインタフェース部、をさらに備える、
請求項１～８のいずれか１項に記載の監視カメラ。

【請求項10】

人工知能を備える監視カメラの検知方法であって、
検知対象の事象を教示する複数の異なるパラメータのそれぞれを受信し、
前記複数の異なるパラメータのそれぞれのうち、指定された所定の時間帯におけるパラメータに基づいて前記人工知能を構築し、
前記人工知能を用いて、マイクによって収音された音声から前記検知対象の事象を検知する、
検知方法。

【請求項11】

人工知能を備える監視カメラの検知方法であって、
検知対象の事象を教示する複数の異なるパラメータのそれぞれを受信し、
前記複数の異なるパラメータのそれぞれのうち、指定された所定の時間帯におけるパラメータに基づいて前記人工知能を構築し、
前記人工知能を用いて、センサによって計測された計測データから前記検知対象の事象を検知する、
検知方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、監視カメラおよび検知方法に関する。

【背景技術】

【0002】

特許文献１には、人工知能を備えた移動式遠隔監視カメラが開示されている。特許文献１の移動式遠隔監視カメラは、Ｗｅｂカメラ、ルータ、および人工知能等を筐体に収納したオールインワン構造の監視カメラである。

【先行技術文献】

【特許文献】

【0003】

【文献】国際公開第２０１６／１９９１９２号

【発明の概要】

【発明が解決しようとする課題】

【0004】

監視カメラで検知する検知対象は、監視カメラを用いるユーザによって異なる場合がある。例えば、或るユーザは、監視カメラを用いて人を検知する。別の或るユーザは、監視カメラを用いて車両を検知する。また、別の或るユーザは、監視カメラを用いて害獣を検知する。

【0005】

しかしながら、特許文献１は、ユーザが検知したい検知対象を監視カメラに設定する具体的な手法について何ら開示していない。

【0006】

本開示の非限定的な実施例は、ユーザが検知したい検知対象を監視カメラにフレキシブルに設定できる監視カメラおよび検知方法の提供に資する。

【課題を解決するための手段】

【0007】

本開示は、人工知能を備える監視カメラであって、収音部と、検知対象の事象を教示するパラメータを受信する通信部と、前記パラメータに基づいて前記人工知能を構築し、構築した前記人工知能を用いて、前記収音部が収音する音声から前記検知対象の事象を検知する処理部と、を備え、前記通信部は、複数の異なるパラメータのそれぞれを受信し、前記処理部は、前記複数の異なるパラメータのそれぞれのうち、指定された所定の時間帯におけるパラメータに基づいて前記人工知能を構築する、監視カメラを提供する。

【0008】

また、本開示は、人工知能を備える監視カメラであって、少なくとも１つのセンサと、検知対象の事象を教示するパラメータを受信する通信部と、前記パラメータに基づいて前記人工知能を構築し、構築した前記人工知能を用いて、前記センサが計測する計測データから前記検知対象の事象を検知する処理部と、を備え、前記通信部は、複数の異なるパラメータのそれぞれを受信し、前記処理部は、前記複数の異なるパラメータのそれぞれのうち、指定された所定の時間帯におけるパラメータに基づいて前記人工知能を構築する、監視カメラを提供する。

【0009】

また、本開示は、人工知能を備える監視カメラの検知方法であって、検知対象の事象を教示する複数の異なるパラメータのそれぞれを受信し、前記複数の異なるパラメータのそれぞれのうち、指定された所定の時間帯におけるパラメータに基づいて前記人工知能を構築し、前記人工知能を用いて、マイクによって収音された音声から前記検知対象の事象を検知する、検知方法を提供する。

【0010】

また、本開示は、人工知能を備える監視カメラの検知方法であって、検知対象の事象を教示するパラメータを受信し、前記複数の異なるパラメータのそれぞれのうち、指定された所定の時間帯におけるパラメータに基づいて前記人工知能を構築し、前記人工知能を用いて、センサによって計測された計測データから前記検知対象の事象を検知する、検知方法を提供する。

【0011】

なお、これらの包括的または具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラム、または、記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。

【発明の効果】

【0012】

本開示の一態様によれば、ユーザが検知したい検知対象を監視カメラにフレキシブルに設定できる。

【0013】

本開示の一態様における更なる利点および効果は、明細書および図面から明らかにされる。かかる利点および／または効果は、いくつかの実施形態並びに明細書および図面に記載された特徴によってそれぞれ提供されるが、１つまたはそれ以上の同一の特徴を得るために必ずしも全てが提供される必要はない。

【図面の簡単な説明】

【0014】

【図1】第１の実施の形態に係る監視カメラシステムの一例を示した図

【図2】監視カメラシステムの概略動作例を説明する図

【図3】監視カメラのブロック構成例を示した図

【図4】端末装置のブロック構成例を示した図

【図5】学習モデルの生成および学習モデルの監視カメラへの設定の一例を説明する図

【図6】学習モデルの生成の一例を説明する図

【図7】学習モデルの生成の一例を説明する図

【図8】学習モデルの生成の一例を説明する図

【図9】学習モデルの設定の一例を説明する図

【図10】端末装置の学習モデル生成の動作例を示したフローチャート

【図11】監視カメラの動作例を示したフローチャート

【図12】第２の実施の形態に係る監視カメラシステムの一例を示した図

【図13】サーバにおける学習モデルの選択の一例を説明する図

【図14】端末装置における学習モデルの監視カメラへの設定動作例を示したフローチャート

【図15】監視カメラシステムの変形例を示した図

【図16】第３の実施の形態に係る監視カメラシステムの一例を示した図

【図17】第４の実施の形態に係る監視カメラシステムの一例を示した図

【図18】監視カメラシステムの変形例を示した図

【図19】第５の実施の形態に係る監視カメラの動作例を示したフローチャート

【図20】学習モデルの切替えによる検知対象の検知例を説明する図

【図21】学習モデルの設定の一例を説明する図

【図22】第６の実施の形態に係る学習モデルの生成の一例を説明する図

【図23】第６の実施の形態に係る学習モデルの生成の一例を説明する図

【図24】学習モデルの生成の一例を説明する図

【図25】学習モデルの生成の一例を説明する図

【図26】学習モデルの設定の一例を説明する図

【図27】学習モデルの設定の一例を説明する図

【図28】第６の実施の形態に係る端末装置の学習モデル生成の動作例

【図29】第６の実施の形態に係る学習モデルの追加学習の動作例

【図30】第６の実施の形態に係る監視カメラの動作例を示したフローチャート

【発明を実施するための形態】

【0015】

以下、適宜図面を参照しながら、本開示に係る監視カメラの構成および作用を具体的に開示した実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になることを避け、当業者の理解を容易にするためである。なお、添付図面および以下の説明は、当業者が本開示を十分に理解するために提供されるものであり、これらにより特許請求の範囲に記載の主題を限定することは意図されていない。

【0016】

（第１の実施の形態）
図１は、第１の実施の形態に係る監視カメラシステムの一例を示した図である。図１に示すように、監視カメラシステムは、監視カメラ１と、端末装置２と、発報装置３と、を有している。

【0017】

図１には、監視カメラシステムの他に、構造物Ａ１の一部と、端末装置２を使用するユーザＵ１と、が示してある。構造物Ａ１は、例えば、建物の外壁または内壁である。または、構造物Ａ１は、田畑等に設置された支柱等である。ユーザＵ１は、監視カメラ１を購入した購入者であってもよい。また、ユーザＵ１は、監視カメラ１を構造物Ａ１に設置する施工業者等であってもよい。

【0018】

監視カメラ１は、例えば、構造物Ａ１に設置され、構造物Ａ１の周囲を撮影する。監視カメラ１は、人工知能を搭載しており、搭載した人工知能を用いて、撮影する映像から検知対象（所定の映像）を検知する。以下では、人工知能を単にＡＩと呼ぶことがある。

【0019】

検知対象には、例えば、人の検知（人であるか否かの区別）がある。また、検知対象には、例えば、特定の人物の検知（顔認証）がある。また、検知対象には、例えば、自転車、自動車、オートバイ等の車両の検知（車両であるか否かの区別）がある。また、検知対象には、例えば、自動車の車種またはオートバイの車種の検知がある。また、検知対象には、例えば、動物の検知（動物であるか否かの区別）がある。また、検知対象には、例えば、熊、狸、鹿、馬、猫、犬、カラス等の動物の種類の検知がある。また、検知対象には、例えば、昆虫の検知（昆虫であるか否かの区別）がある。また、検知対象には、例えば、スズメバチ、蝶、毛虫等の昆虫の種類の検知がある。また、検知対象には、例えば、花の開花の検知がある。

【0020】

ユーザＵ１は、端末装置２を用いて、監視カメラ１の検知対象を設定できる。例えば、ユーザＵ１は、監視カメラ１を用いて、駐車場に駐車される自動車を検知したいとする。この場合、ユーザＵ１は、駐車場を撮影できる場所に監視カメラ１を設置し、端末装置２を用いて、監視カメラ１の検知対象を自動車に設定する。また、例えば、ユーザＵ１は、監視カメラ１を用いて、田畑に出没する猪を検知したいとする。この場合、ユーザＵ１は、田畑を撮影できる場所に監視カメラ１を設置し、端末装置２を用いて、監視カメラ１の検知対象を猪に設定する。

【0021】

監視カメラ１は、検知結果を端末装置２および発報装置３のいずれか一方または両方に通知する。例えば、監視カメラ１は、駐車場を撮影する映像から自動車を検知すると、自動車を検知したことを示す情報を端末装置２に送信する。また、例えば、監視カメラ１は、田畑を撮影する映像から猪を検知すると、発報装置３に猪を検知したことを示す情報を送信する。

【0022】

端末装置２は、例えば、パーソナルコンピュータ、スマートフォン、またはタブレット端末等の情報処理装置である。端末装置２は、有線または無線によって、監視カメラ１と通信する。

【0023】

端末装置２は、例えば、ユーザＵ１によって所有される。端末装置２は、ユーザＵ１の操作に応じて、監視カメラ１の検知対象を設定する。また、端末装置２は、監視カメラ１の検知結果を受信する。端末装置２は、例えば、検知結果を表示装置に表示し、または、検知結果をスピーカ等で音声出力する。

【0024】

発報装置３は、例えば、監視カメラ１が設置された構造物Ａ１に設置される。発報装置３は、監視カメラ１が設置された構造物Ａ１とは別の構造物に設置されてもよい。発報装置３は、有線または無線によって、監視カメラ１と通信する。

【0025】

発報装置３は、例えば、スピーカである。発報装置３は、例えば、監視カメラ１から通知される検知結果に応じて音声を出力する。例えば、発報装置３は、監視カメラ１から猪を検知したことを示す情報を受信した場合、田畑から猪を追い出すための音を発する。

【0026】

発報装置３は、スピーカに限られない。発報装置３は、例えば、投光器等であってもよい。例えば、発報装置３（投光器）は、監視カメラ１が侵入者を検知した場合、侵入者を警告するため、発光してもよい。

【0027】

図１の監視カメラシステムの概略動作例について説明する。

【0028】

図２は、監視カメラシステムの概略動作例を説明する図である。図２において、図１と同じものには同じ符号が付してある。

【0029】

端末装置２には、学習モデルＭ１が記憶されている。学習モデルＭ１は、監視カメラ１に搭載されているＡＩの機能を特徴付けるパラメータ群である。すなわち、学習モデルＭ１は、監視カメラ１に搭載されているＡＩの検知対象を決定するパラメータ群である。監視カメラ１のＡＩは、学習モデルＭ１が変更されることによって、検知対象を変更できる。

【0030】

学習モデルＭ１は、例えば、監視カメラ１のニューラルネットワークＮ１の構造を決定するパラメータ群であってもよい。監視カメラ１のニューラルネットワークＮ１の構造を決定するパラメータ群には、例えば、ニューラルネットワークＮ１のユニット間の接続関係を示す情報または重み係数などが含まれる。なお、学習モデルは、学習済モデル、ＡＩモデル、または検知モデル等と称されてもよい。

【0031】

端末装置２は、ユーザＵ１の操作に応じて、学習モデルＭ１を生成する。つまり、ユーザＵ１は、端末装置２を用いて、監視カメラ１によって検知したい検知対象を設定（選択）できる。

【0032】

例えば、ユーザＵ１は、駐車場の自動車を監視カメラ１で検知したい場合、端末装置２を用いて、自動車を検知する学習モデルＭ１を生成する。また、例えば、ユーザＵ１は、田畑に出現する猪を監視カメラ１で検知したい場合、端末装置２を用いて、猪を検知する学習モデルＭ１を生成する。学習モデルの生成については、以下で詳述する。

【0033】

ユーザＵ１は、端末装置２を用いて学習モデルを生成すると、生成した学習モデルＭ１を監視カメラ１に送信する。監視カメラ１は、端末装置２から送信された学習モデルＭ１に基づいたＡＩを構築（形成）する。つまり、監視カメラ１は、学習モデルＭ１に基づいて、学習済みのＡＩを形成する。

【0034】

例えば、監視カメラ１は、端末装置２から受信した学習モデルＭ１が、自動車を検知する学習モデルである場合、映像から自動車を検知するニューラルネットワークを形成する。また、例えば、監視カメラ１は、端末装置２から受信した学習モデルＭ１が、猪を検知する学習モデルである場合、映像から猪を検知するニューラルネットワークを形成する。

【0035】

このように、監視カメラ１は、端末装置２から、検知対象を検知するＡＩを構築するための学習モデルＭ１を受信する。そして、監視カメラ１は、受信した学習モデルＭ１に基づいたＡＩを形成し、映像から検知対象を検知する。

【0036】

これにより、ユーザＵ１は、監視カメラ１に対し、検知したい検知対象をフレキシブルに設定できる。例えば、ユーザＵ１は、監視カメラ１で自動車を検知したい場合、端末装置２を用いて自動車を検知する学習モデルＭ１を生成し、監視カメラ１に送信すればよい。また、例えば、ユーザＵ１は、監視カメラ１で猪を検知したい場合、端末装置２を用いて猪を検知する学習モデルＭ１を生成し、監視カメラ１に送信すればよい。

【0037】

なお、学習モデルＭ１は、端末装置２によって生成されるとしたがこれに限られない。例えば、学習モデルＭ１は、端末装置２とは別の情報処理装置によって生成されてもよい。情報処理装置が生成した学習モデルＭ１は、監視カメラ１と通信する端末装置２に転送され、端末装置２から監視カメラ１に送信されてもよい。

【0038】

図３は、監視カメラ１のブロック構成例を示した図である。図３には、監視カメラ１の他に、監視カメラ１に挿抜される外部記憶媒体３１も示してある。外部記憶媒体３１は、例えば、ＳＤカード（登録商標）等の記憶媒体である。

【0039】

図３に示すように、監視カメラ１は、レンズ１１と、撮像素子１２と、映像処理部１３と、制御部１４と、記憶部１５と、外部信号出力部１６と、ＡＩ処理部１７と、通信部１８と、ＴＯＦ（Time of Flight）センサ１９と、マイク２０と、ＵＳＢＩ／Ｆ（ＵＳＢ：Universal Serial Bus、Ｉ／Ｆ：Interface）部２１と、外部記憶媒体Ｉ／Ｆ部２２と、
を有している。なお、図３には図示されていないが、監視カメラ１は、パン回転、チルト回転およびズーム処理が可能なＰＴＺ（Pan Tilt Zoom）制御部を備えてよい。

【0040】

レンズ１１は、撮像素子１２の受光面に被写体の像を結像する。レンズ１１には、監視カメラ１の設置場所または撮影用途等に応じて、様々な焦点距離または撮影範囲のレンズを用いることができる。

【0041】

撮像素子１２は、受光面に受けた光を電気信号に変換する。撮像素子１２は、例えば、ＣＣＤ（Charge Coupled Device）又はＣＭＯＳ（Complementary Metal Oxide Semiconductor）等のイメージセンサである。撮像素子１２は、受光面に受けた光に応じた電気信号（アナログ信号）を映像処理部１３に出力する。

【0042】

映像処理部１３は、撮像素子１２から出力されるアナログ信号をデジタル信号（デジタルの映像信号）に変換する。映像処理部１３は、デジタルの映像信号を制御部１４およびＡＩ処理部１７に出力する。レンズ１１、撮像素子１２、および映像処理部１３は、撮像部と捉えてもよい。

【0043】

制御部１４は、監視カメラ１全体を制御する。制御部１４は、例えば、ＣＰＵ（Central Processing Unit）またはＤＳＰ（Digital signal Processer）によって構成されても
よい。

【0044】

記憶部１５は、制御部１４およびＡＩ処理部１７が動作するためのプログラムが記憶される。また、記憶部１５には、制御部１４およびＡＩ処理部１７が計算処理を行うためのデータ、または、制御部１４およびＡＩ処理部１７が各部を制御するためのデータ等が記憶される。また、記憶部１５には、監視カメラ１が撮影した映像データが記憶される。記憶部１５は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、およびＨＤＤ（Hard Disk Drive）などの記憶装置によって構成されてもよい。

【0045】

外部信号出力部１６は、映像処理部１３から出力される映像信号を外部に出力する出力端子である。

【0046】

処理部の一例としてのＡＩ処理部１７は、映像処理部１３から出力される映像信号の映像の中から、検知対象を検知する。ＡＩ処理部１７は、例えば、ＣＰＵまたはＤＳＰによって構成されてもよい。また、ＡＩ処理部１７は、例えば、ＦＰＧＡ（Field-Programmable Gate Array）等のＰＬＤ（Programmable Logic Device）によって構成されてもよい。

【0047】

ＡＩ処理部１７は、ＡＩ演算エンジン１７ａと、復号エンジン１７ｂと、学習モデル記憶部１７ｃと、を有している。

【0048】

ＡＩ演算エンジン１７ａは、学習モデル記憶部１７ｃに記憶された学習モデルＭ１に基づいたＡＩを形成する。例えば、ＡＩ演算エンジン１７ａは、学習モデルＭ１に基づいたニューラルネットワークを形成する。ＡＩ演算エンジン１７ａには、映像処理部１３から出力される映像信号が入力される。ＡＩ演算エンジン１７ａは、学習モデルＭ１に基づいたニューラルネットワークによって、入力された映像信号の映像の中から、検知対象を検知する。

【0049】

端末装置２は、以下で詳述するが、学習モデルＭ１を生成する。端末装置２は、生成した学習モデルＭ１を暗号化して監視カメラ１に送信する。復号エンジン１７ｂは、通信部１８を介して、端末装置２から送信される学習モデルＭ１を受信し、受信した学習モデルＭ１を復号して、学習モデル記憶部１７ｃに記憶する。

【0050】

学習モデル記憶部１７ｃには、復号エンジン１７ｂによって復号された学習モデルＭ１が記憶される。学習モデル記憶部１７ｃは、ＲＡＭ、ＲＯＭ、フラッシュメモリ、およびＨＤＤなどの記憶装置によって構成されてもよい。

【0051】

通信部１８は、データ送信部１８ａと、データ受信部１８ｂと、を有している。データ送信部１８ａは、例えば、Ｗｉ－Ｆｉ（登録商標）またはブルートゥース（登録商標）等の近距離無線通信によって、端末装置２に対し、データを送信する。データ受信部１８ｂは、例えば、Ｗｉ－Ｆｉまたはブルートゥース等の近距離無線通信によって、端末装置２から送信されるデータを受信する。

【0052】

なお、データ送信部１８ａは、例えば、イーサネット（登録商標）ケーブル等のネットワークケーブル（有線）によって、端末装置２に対し、データを送信してもよい。データ受信部１８ｂは、例えば、イーサネットケーブル等のネットワークケーブルによって、端末装置２から送信されるデータを受信してもよい。

【0053】

ＴＯＦセンサ１９は、例えば、検知対象との距離を計測する。ＴＯＦセンサ１９は、計測した距離の信号（デジタル信号）を制御部１４に出力する。

【0054】

なお、図３には図示を省略しているが、監視カメラ１に備えられるセンサは、上述のＴＯＦセンサ１９に限定されない。例えば、監視カメラ１は、温度センサ（不図示）、振動センサ（不図示）、人感センサ（不図示）、ＰＴＺセンサ（不図示）などの他のセンサを備えていてよい。

【0055】

温度センサは、監視カメラ１の周囲の温度を計測するセンサである。温度センサは、例えば、監視カメラ１の撮像領域内の赤外線を計測して温度を計測する非接触式の温度センサなどで実現される。

【0056】

振動センサは、監視カメラ１の周囲あるいは監視カメラ１自体の揺れ（振動）を計測するセンサである。振動センサは、例えばジャイロセンサあるいは監視カメラ１における制御部１４によって実現される。なお、制御部１４によって実現される場合、制御部１４は、映像データのうち連続して撮像された２枚の画像（静止画像）のそれぞれに画像解析処理を実行し、同一の特徴量を有する座標の位置ずれ量に基づいて監視カメラ１の周囲あるいは監視カメラ１自体の揺れ（振動）を計測する。

【0057】

人感センサは、監視カメラ１の撮像領域内を通過する人を検知するセンサであって、例えば赤外線センサ、超音波センサ、可視光センサ、あるいはこれらのセンサを組み合わせたセンサなどによって実現される。

【0058】

センサの一例としてのＰＴＺセンサは、パン回転、チルト回転およびズーム処理の際にＰＴＺ制御部によって駆動されるモータ（不図示）の動作を計測するセンサである。制御部１４は、ＰＴＺセンサの計測データに基づいて、予め設定されたパン回転、チルト回転およびズーム処理が実行されたか否かを判定できる。

【0059】

収音部の一例としてのマイク２０は、音声を電気信号（アナログ信号）に変換する。マイク２０は、アナログ信号をデジタル信号に変換し、制御部１４に出力する。

【0060】

ＵＳＢＩ／Ｆ部２１には、ＵＳＢコネクタを介して、ＵＳＢメモリまたは情報処理装置等の装置が接続される。ＵＳＢＩ／Ｆ部２１は、ＵＳＢＩ／Ｆ部２１に接続された装置から送信される信号を制御部１４に出力する。また、ＵＳＢＩ／Ｆ部２１は、制御部１４から出力される信号を、ＵＳＢＩ／Ｆ部２１に接続された装置に送信する。

【0061】

外部記憶媒体Ｉ／Ｆ部２２には、ＳＤカード等の外部記憶媒体３１が挿抜される。

【0062】

学習モデルＭ１は、端末装置２から外部記憶媒体３１に記憶されてもよい。復号エンジン１７ｂは、外部記憶媒体Ｉ／Ｆ部２２に装着された外部記憶媒体３１から、学習モデルＭ１を取得し、取得した学習モデルＭ１を復号して、学習モデル記憶部１７ｃに記憶してもよい。なお、学習モデルＭ１は、監視カメラ１あるいはユーザの操作によって端末装置２で追加学習された学習モデルであってよい。

【0063】

また、学習モデルＭ１は、端末装置２からＵＳＢメモリに記憶されてもよい。復号エンジン１７ｂは、ＵＳＢＩ／Ｆ部２１に装着されたＵＳＢメモリから、学習モデルＭ１を取得し、取得した学習モデルＭ１を復号して、学習モデル記憶部１７ｃに記憶してもよい。ＵＳＢメモリも外部記憶部媒体と捉えてもよい。ここで、ＵＳＢメモリから取得される学習モデルＭ１は、他の監視カメラで生成あるいは追加学習された学習モデルであってもよいし、端末装置２で追加学習された学習モデルであってもよい。

【0064】

図４は、端末装置２のブロック構成例を示した図である。図４に示すように、端末装置２は、制御部４１と、表示部４２と、入力部４３と、通信部４４と、Ｉ／Ｆ部４５と、記憶部４６と、を有している。

【0065】

制御部４１は、端末装置２全体を制御する。制御部４１は、例えば、ＣＰＵによって構成されてもよい。

【0066】

表示部４２は、表示装置（図示せず）に接続されている。表示部４２は、制御部４１から出力される画像データを表示装置に出力する。

【0067】

入力部４３は、例えば、キーボートまたは表示装置の画面上に重畳されたタッチパネル等の入力装置（図示せず）に接続されている。また、入力部４３は、例えば、マウス等の入力装置に接続されている。入力部４３は、入力装置から出力された、ユーザの操作に応じた信号を受信し、制御部４１に出力する。

【0068】

通信部４４は、監視カメラ１と通信を行う。通信部４４は、例えば、Ｗｉ－Ｆｉまたはブルートゥース等の近距離無線通信によって、監視カメラ１と通信を行ってもよい。また、通信部４４は、例えば、イーサネットケーブル等のネットワークケーブルによって、監視カメラ１と通信を行ってもよい。

【0069】

Ｉ／Ｆ部４５には、例えば、外部記憶媒体３１が挿抜される。また、Ｉ／Ｆ部４５には、例えば、ＵＳＢメモリが挿抜される。

【0070】

記憶部４６には、制御部４１が動作するためのプログラムが記憶される。また、記憶部４６には、制御部４１が計算処理を行うためのデータ、または、制御部４１が各部を制御するためのデータ等が記憶される。また、記憶部４６には、監視カメラ１の映像データが記憶される。記憶部４６は、ＲＡＭ、ＲＯＭ、フラッシュメモリ、およびＨＤＤなどの記憶装置によって構成されてもよい。

【0071】

図５は、学習モデルの生成および学習モデルの監視カメラ１への設定の一例を説明する図である。図５において、図１と同じものには同じ符号が付してある。監視カメラ１は、例えば、駐車場を撮影するように、構造物Ａ１に設置されている。

【0072】

１．端末装置２は、ユーザＵ１の操作に応じて、学習モデルを生成するアプリケーションを起動する。端末装置２（起動された学習モデルを生成するアプリケーション）は、ユーザＵ１の操作に応じて、監視カメラ１から映像データを受信する。受信する映像データは、ライブデータであってもよいし、録画データであってもよい。

【0073】

２．端末装置２は、監視カメラ１から受信した映像データの映像を表示装置に表示する。ユーザＵ１は、端末装置２の表示装置に表示されている映像から、監視カメラ１で検知したい検知対象を含む映像を探す。

【0074】

例えば、ユーザＵ１は、監視カメラ１で自動車を検知したいとする。この場合、ユーザＵ１は、監視カメラ１から受信した駐車場の映像から、自動車を含む映像を探し、探した映像の静止画像を作成する。静止画像は、複数枚作成されるのが望ましい。作成された静止画像は、記憶部４６に記憶される。

【0075】

３．端末装置２は、ユーザＵ１の操作に応じて、記憶部４６に記憶した静止画像から、学習モデルを生成する。例えば、端末装置２は、監視カメラ１が自動車を検知するための学習モデルを生成する。学習モデルの生成については、以下で詳述する。

【0076】

４．端末装置２は、ユーザＵ１の操作に応じて、生成した学習モデルを監視カメラ１に送信（設定）する。監視カメラ１は、端末装置２から送信された、自動車を検知する学習モデルに従って、ニューラルネットワークを形成する。監視カメラ１は、形成したニューラルネットワークに基づいて、撮像素子１２が撮影する映像データの映像から、自動車を検知する。

【0077】

なお、図５では、自動車を検知する学習モデルを生成する例について説明したが、他の検知対象を検知する学習モデルも同様に生成できる。例えば、監視カメラ１は、田畑を撮影するように構造物Ａ１に設置されているとする。ユーザＵ１は、監視カメラ１で猪を検知したいとする。この場合、ユーザＵ１は、監視カメラ１が撮影した映像データの映像から、猪を含む映像の静止画像を生成する。端末装置２は、ユーザＵ１の操作に応じて、記憶部４６に記憶した静止画像から、猪を検知する学習モデルを生成する。そして、端末装置２は、生成した学習モデルを監視カメラ１に送信する。

【0078】

図６は、学習モデルの生成の一例を説明する図である。図６に示す画面５１は、端末装置２の表示装置に表示される。

【0079】

図５でも説明したように、端末装置２（学習モデルを生成するアプリケーション）は、監視カメラ１から受信した映像データの映像を表示装置に表示する。ユーザは、端末装置２を操作し、端末装置２の表示装置に表示されている映像から、監視カメラ１で検知したい検知対象を含む画像を探し、探した映像の静止画像を作成する。

【0080】

図６の画面５１の画像一覧５１ａには、ユーザが監視カメラ１の映像から作成した静止画像のファイル名が表示されている。図６の例では、静止画像ファイルは、６つ生成されている。

【0081】

端末装置２は、ユーザの操作に応じて、画像一覧５１ａから静止画像ファイルが選択されると、選択された静止画像ファイルの画像を、端末装置２の表示装置に表示する。図６に示す静止画像５１ｂは、ユーザによって選択された静止画像ファイル「０００２．ｊｐｇ」の画像を示している。

【0082】

ユーザは、静止画像５１ｂから、監視カメラ１で検知したい検知対象を選択する。例えば、ユーザは、監視カメラ１で自動車を検知したいとする。この場合、ユーザは、静止画像５１ｂ上において、自動車を選択（マーキング）する。例えば、ユーザは、端末装置２を操作して、自動車を枠５１ｃ，５１ｄで囲む。

【0083】

ユーザは、例えば、画像一覧５１ａに表示されている静止画像ファイルの全てまたは一部において自動車をマーキングする。ユーザは、静止画像ファイルの全てまたは一部において自動車をマーキングすると、「検知モデルを生成」のアイコン５１ｅをクリックする。

【0084】

端末装置２は、アイコン５１ｅがクリックされると、静止画像ファイルでマーキングされた画像（枠５１ｃ，５１ｄで囲まれた画像）にラベルを付与する画面に遷移する。すなわち、端末装置２は、静止画像ファイルでマーキングされた画像が検知対象（自動車）であることを教示する画面に遷移する。

【0085】

図７は、学習モデルの生成の一例を説明する図である。図７に示す画面５２は、端末装置２の表示装置に表示される。画面５２は、図６に示したアイコン５１ｅがクリックされると、端末装置２の表示装置に表示される。

【0086】

画面５２には、ラベル５２ａが表示されている。ユーザは、ラベル５２ａの左横に表示されているチェックボックスを選択して、静止画像でマーキングした検知対象にラベルを付与する。

【0087】

図６の例では、ユーザは、静止画像５１ｂにおいて、自動車をマーキングしている。従って、ユーザは、図７の画面５２において、車（自動車）のラベル５２ａに対応するチェックボックスを選択する。

【0088】

ユーザは、ラベルを選択すると、ボタン５２ｂをクリックする。端末装置２は、ボタン５２ｂがクリックされると、学習モデルを生成する。

【0089】

例えば、端末装置２は、ボタン５２ｂがクリックされると、静止画像でマーキングされた画像と、ラベルとによって学習を行う。端末装置２は、静止画像でマーキングされた画像と、ラベルとの学習により、例えば、監視カメラ１のニューラルネットワークの構造を決定するパラメータ群を生成する。すなわち、端末装置２は、監視カメラ１のＡＩの機能を特徴づける学習モデルを生成する。

【0090】

図８は、学習モデルの生成の一例を説明する図である。図８に示す画面５３は、端末装置２の表示装置に表示される。画面５３は、図７に示したボタン５２ｂがクリックされ、学習モデルが生成されると端末装置２の表示装置に表示される。

【0091】

ユーザは、画面５３において、端末装置２が生成した学習モデルにファイル名を付与できる。図８の例では、ファイル名は、「車．ｍｏｄｅｌ」となっている。ユーザは、学習モデルにファイル名を付与すると、ボタン５３ａをクリックする。端末装置２は、ボタン５３ａがクリックされると、生成した学習モデルを記憶部４６に記憶する。

【0092】

端末装置２は、ユーザの操作に応じて、記憶部４６に記憶した学習モデルを監視カメラ１に送信（設定）する。

【0093】

図９は、学習モデルの設定の一例を説明する図である。図６～図８の画面例では、端末装置２の画面を、パーソナルコンピュータの画面を想定して説明したが、図９では、スマートフォンの画面を想定して説明する。図９の画面５４は、学習モデルを生成するアプリケーションを起動すると表示される。

【0094】

学習モデル５４ａは、端末装置２の記憶部４６に記憶されている学習モデルのファイル名を示している。学習モデル５４ａは、画面５４のアイコン５４ｂがタップされると、端末装置２の表示装置に表示される。

【0095】

ユーザは、監視カメラ１に設定したい学習モデルを選択する。例えば、ユーザは、学習モデル５４ａの左横に表示されているチェックボックスを選択して、監視カメラ１に設定する学習モデルを選択する。図９の例では、ユーザは、ファイル名「車．ｍｏｄｅｌ」を選択している。

【0096】

ユーザは、学習モデルを選択すると、ボタン５４ｃをタップする。端末装置２は、ボタン５４ｃがタップされると、ユーザが選択した学習モデルを監視カメラ１に送信する。監視カメラ１は、学習モデルを受信すると、受信した学習モデルに従ったニューラルネットワークを形成する。

【0097】

図１０は、端末装置２の学習モデル生成の動作例を示したフローチャートである。端末装置２の制御部４１は、監視カメラ１の映像データを取得する（ステップＳ１）。映像データは、ライブデータであってもよいし、録画データであってもよい。端末装置２の制御部４１は、監視カメラ１の映像を録画したレコーダから、監視カメラ１の映像データを取得してもよい。

【0098】

なお、ユーザは、端末装置２を操作して、監視カメラ１の映像から、検知対象を含む映像を探し、検知対象を含む静止画像を作成する。

【0099】

端末装置２の制御部４１は、ユーザから、検知対象にマーキングする静止画像の選択を受付ける（ステップＳ２）。例えば、端末装置２の制御部４１は、図６の画像一覧５１ａから、検知対象にマーキングする静止画像の選択を受付ける。

【0100】

端末装置２の制御部４１は、ユーザから、検知対象に対するマーキング操作を受付ける。例えば、端末装置２の制御部４１は、図６に示した枠５１ｃ，５１ｄによるマーキング操作を受付ける。端末装置２の制御部４１は、ユーザがマーキングした静止画像を、記憶部４６に記憶する（ステップＳ３）。

【0101】

端末装置２の制御部４１は、ユーザから、学習モデルの生成指示があったか否かを判定する（ステップＳ４）。例えば、端末装置２の制御部４１は、図６のアイコン５１ｅがクリックされたか否かを判定する。端末装置２の制御部４１は、ユーザから、学習モデルの生成指示がないと判定した場合（Ｓ４の「Ｎｏ」）、処理をステップＳ２に移行する。

【0102】

一方、端末装置２の制御部４１は、ユーザから、学習モデルの生成指示があったと判定した場合（Ｓ４の「Ｙｅｓ」）、ユーザからラベリングの操作を受付ける（図７を参照）。そして、端末装置２の制御部４１は、記憶部４６に記憶した静止画像と、機械学習アルゴリズムとにより、学習モデルを生成する（ステップＳ５）。機械学習アルゴリズムは、例えば、ディープラーニングであってもよい。

【0103】

端末装置２の制御部４１は、ユーザの操作に応じて、生成した学習モデルを監視カメラ１に送信する（ステップＳ６）。

【0104】

図１１は、監視カメラ１の動作例を示したフローチャートである。監視カメラ１のＡＩ処理部１７は、監視カメラ１の起動に伴って、検知対象の検知動作を開始する（ステップＳ１１）。例えば、監視カメラ１のＡＩ処理部１７は、端末装置２から送信された学習モデルに基づいたニューラルネットワークを形成し、検知対象の検知動作を開始する。

【0105】

監視カメラ１の撮像素子１２は、映像を１枚（１フレーム）撮像する（ステップＳ１２）。

【0106】

監視カメラ１の制御部１４は、ステップＳ１２にて撮像された映像をＡＩ処理部１７に入力する（ステップＳ１３）。

【0107】

監視カメラ１のＡＩ処理部１７は、ステップＳ１３にて入力された映像に、検知対象が含まれるか否かを判定する（ステップＳ１４）。

【0108】

監視カメラ１の制御部１４は、ステップＳ１４にて、検知対象が含まれないと判定された場合（Ｓ１４の「Ｎｏ」）、処理をステップＳ１２に移行する。

【0109】

一方、監視カメラ１の制御部１４は、ステップＳ１４にて、検知対象が含まれると判定された場合（Ｓ１４の「Ｙｅｓ」）、発報条件を満たすか否かを判定する（ステップＳ１５）。

【0110】

発報条件には、例えば、駐車場の自動車の駐車の検知がある。例えば、監視カメラ１の制御部１４は、ＡＩ処理部１７にて自動車が検知されると、発報条件を満たしたと判定してもよい。

【0111】

また、発報条件には、例えば、害獣である猪の検知がある。例えば、監視カメラ１の制御部１４は、ＡＩ処理部１７にて猪が検知されると、発報条件を満たしたと判定してもよい。

【0112】

また、発報条件には、例えば、来訪者の人数等がある。例えば、監視カメラ１の制御部１４は、ＡＩ処理部１７にて検知された人の数をカウントし、カウントした人数が予め設定された人数に達すると、発報条件を満たしたと判定してもよい。

【0113】

また、発報条件には、例えば、特定の人物の検知がある。例えば、監視カメラ１の制御部１４は、ＡＩ処理部１７にて特定の人物（特定の人物の顔）が検知されると、発報条件を満たしたと判定してもよい。

【0114】

また、発報条件には、例えば、花の開花の検知がある。例えば、監視カメラ１の制御部１４は、ＡＩ処理部１７にて花の開花が検知されると、発報条件を満たしたと判定してもよい。

【0115】

監視カメラ１の制御部１４は、ステップＳ１５にて、発報条件を満たさないと判定した場合（Ｓ１５の「Ｎｏ」）、処理をステップＳ１２に移行する。

【0116】

一方、監視カメラ１の制御部１４は、ステップＳ１５にて、発報条件を満たすと判定した場合（Ｓ１５の「Ｙｅｓ」）、発報装置３を用いて、例えば、音等を発報する（ステップＳ１６）。

【0117】

以上説明したように、監視カメラ１の通信部１８は、検知対象に関連する学習モデルを端末装置２から受信する。監視カメラ１のＡＩ処理部１７は、通信部１８が受信した学習モデルに基づいてＡＩを構築し、構築したＡＩを用いて、撮像素子１２が撮影する映像から、検知対象を検知する。これにより、ユーザは、監視カメラ１に対し、検知したい検知対象をフレキシブルに設定できる。

【0118】

また、学習モデルは、構造物Ａ１に設置された監視カメラ１が撮影した映像を用いて生成される。これにより、監視カメラ１は、監視カメラ１で撮影した映像から学習して生成された学習モデルに基づいてＡＩを構築するので、検知対象の精度のよい検知が可能となる。

【0119】

（変形例）
監視カメラ１の制御部１４は、検知結果を外部記憶媒体Ｉ／Ｆ部２２に挿入された外部記憶媒体３１に記憶してもよい。監視カメラ１の制御部１４は、検知結果をＵＳＢＩ／Ｆ部２１に挿入されたＵＳＢメモリに記憶してもよい。監視カメラ１の制御部１４は、検知結果を記憶部１５に記憶し、記憶部１５に記憶した検知結果を、外部記憶媒体Ｉ／Ｆ部２２に挿入された外部記憶媒体３１またはＵＳＢＩ／Ｆ部２１に挿入されたＵＳＢメモリに転送してもよい。端末装置２の制御部４１は、外部記憶部媒体またはＵＳＢメモリに記憶された検知結果を、Ｉ／Ｆ部４５を介して取得し、取得した検知結果の統計を取り、統計結果を解析してもよい。端末装置２の制御部４１は、解析結果を学習モデルの作成に用いてもよい。

【0120】

また、監視カメラ１の制御部１４は、通信部１８を介して、検知結果を端末装置２に送信してもよい。端末装置２の制御部４１は、監視カメラ１から送信された検知結果の統計を取り、統計結果を解析してもよい。端末装置２の制御部４１は、解析結果を学習モデルの作成に用いてもよい。

【0121】

（第２の実施の形態）
第１の実施の形態では、端末装置２において、学習モデルを生成した。第２の実施の形態では、インターネット等の公衆ネットワークに接続されたサーバに学習モデルが記憶されている場合について説明する。

【0122】

図１２は、第２の実施の形態に係る監視カメラシステムの一例を示した図である。図１２において、図１と同じものには同じ符号が付してある。以下では、第１の実施の形態と異なる部分について説明する。

【0123】

図１２の監視カメラシステムは、図１の監視カメラシステムに対し、サーバ６１を有する。サーバ６１は、例えば、図４に示したブロック構成と同様のブロック構成を有してもよい。ただし、サーバ６１の通信部は、例えば、有線によってネットワーク６２に接続される。サーバ６１は、情報処理装置と称されてもよい。

【0124】

ネットワーク６２は、例えば、インターネット等の公衆ネットワークである。サーバ６１は、例えば、ネットワーク６２を介して、端末装置２と通信する。端末装置２の通信部４４は、例えば、有線によってネットワーク６２に接続されてもよいし、例えば、携帯電話等の無線通信ネットワークを介して、ネットワーク６２に接続されてもよい。

【0125】

サーバ６１は、学習モデルを生成するアプリケーションを実装している。サーバ６１は、監視カメラ１の映像から、学習モデルを生成し、記憶部に記憶する。

【0126】

サーバ６１は、例えば、監視カメラ１を製造する製造メーカによって管理されてもよい。例えば、監視カメラ１の製造メーカは、監視カメラ１を購入した購入者から、映像データの提供を受ける。監視カメラ１の製造メーカは、サーバ６１を用いて、監視カメラ１の購入者から提供された映像データから、学習モデルを生成する。監視カメラ１の購入者は、監視カメラ１を用いて、様々な検知対象を撮影すると考えられ、監視カメラ１の製造メーカは、様々な検知対象を撮影した映像データから、様々な種類の学習モデルを生成できる。また、監視カメラ１の製造メーカは、多くの映像データから学習モデルを生成でき、検出精度のよい学習モデルを生成できる。

【0127】

また、サーバ６１は、例えば、監視カメラ１を構造物Ａ１に設置する施工業者によって管理されてもよい。監視カメラ１の施工業者は、製造メーカと同様に、監視カメラ１の購入者から映像データの提供を受ける。監視カメラ１の施工業者は、様々な検知対象を撮影した映像データから、様々な種類の学習モデルを生成できる。また、監視カメラ１の施工業者は、多くの映像データから学習モデルを生成でき、検出精度のよい学習モデルを生成できる。

【0128】

監視カメラ１の施工業者は、例えば、特定の検知対象の検知を専門として、監視カメラ１を構造物Ａ１に設置してもよい。例えば、監視カメラ１の施工業者は、害獣検知を専門として、監視カメラ１を構造物Ａ１に設置してもよい。この場合、監視カメラ１の施工業者は、監視カメラ１の購入者から、害獣に関する映像データの提供を受けるため、害獣検知に特化した学習モデルを生成できる。

【0129】

端末装置２は、ユーザＵ１の操作に応じて、サーバ６１にアクセスし、サーバ６１から学習モデルを受信する。端末装置２は、サーバ６１から受信した学習モデルを、例えば、Ｗｉ－Ｆｉまたはブルートゥース等の近距離無線通信を介して、監視カメラ１に送信する。また、端末装置２は、サーバ６１から受信した学習モデルを、例えば、ネットワークケーブルを介して、監視カメラ１に送信してもよい。

【0130】

また、端末装置２は、ユーザＵ１の操作に応じて、サーバ６１から受信した学習モデルを、Ｉ／Ｆ部４５を介して、外部記憶媒体３１に記憶してもよい。ユーザＵ１は、外部記憶媒体３１を監視カメラ１の外部記憶媒体Ｉ／Ｆ部２２に挿入し、外部記憶媒体３１に記憶された学習モデルを、監視カメラ１に設定してもよい。

【0131】

図１３は、サーバ６１における学習モデルの選択の一例を説明する図である。図１３の画面７１は、端末装置２の表示装置に表示される。画面７１は、学習モデルを生成するアプリケーションを起動すると表示される。

【0132】

画面７１の学習モデル７１ａは、サーバ６１に記憶されている学習モデルの名称を示している。学習モデル７１ａは、画面７１のアイコン７１ｂがタップされると、端末装置２の表示装置に表示される。

【0133】

ユーザは、監視カメラ１に設定したい学習モデルを選択する。例えば、ユーザは、学習モデル７１ａの左横に表示されているチェックボックスを選択して、監視カメラ１に設定する学習モデルを選択する。図１３の例では、ユーザは、学習モデル名「犬」を選択している。

【0134】

ユーザは、学習モデルを選択すると、ボタン７１ｃをタップする。端末装置２は、ボタン７１ｃがタップされると、ユーザが選択した学習モデルをサーバ６１から受信し、受信した学習モデルを監視カメラ１に送信する。監視カメラ１は、学習モデルを受信すると、受信した学習モデルに基づいたニューラルネットワークを形成する。

【0135】

図１４は、端末装置２における学習モデルの監視カメラ１への設定動作例を示したフローチャートである。

【0136】

端末装置２の制御部４１は、ユーザの操作に応じて、学習モデルを監視カメラ１に設定するアプリケーションを起動する（ステップＳ２１）。

【0137】

端末装置２の制御部４１は、ユーザの操作に応じて、学習モデルを設定する監視カメラ１に接続する（ステップＳ２２）。

【0138】

端末装置２の制御部４１は、ユーザの操作に応じて、ネットワーク６２に接続されたサーバ６１に接続する（ステップＳ２３）。

【0139】

端末装置２の制御部４１は、サーバ６１に記憶されている学習モデルのうち、ステップＳ２２にて接続した監視カメラ１に対応する学習モデルの名称を、表示装置に表示する（ステップＳ２４）。例えば、端末装置２の制御部４１は、図１３の学習モデル７１ａに示すように、学習モデルの名称を、表示装置に表示する。

【0140】

なお、サーバ６１には、様々なタイプの監視カメラに対応した学習モデルが記憶されている。端末装置２の制御部４１は、様々なタイプの監視カメラに対応した学習モデルのうち、ステップＳ２２に接続した監視カメラ１に対応する学習モデルの名称を、表示装置に表示する。

【0141】

端末装置２の制御部４１は、ユーザから、監視カメラ１に設定する学習モデルを受付ける（ステップＳ２５）。例えば、端末装置２の制御部４１は、図１３の学習モデル７１ａの左横に表示されているチェックボックスにより、監視カメラ１に設定する学習モデルを受付ける。

【0142】

端末装置２の制御部４１は、ステップＳ２５にて受け付けた学習モデルをサーバ６１から受信し、受信した学習モデルを監視カメラ１に送信する（ステップＳ２６）。

【0143】

以上説明したように、サーバ６１は、様々な監視カメラの映像データから、学習データを生成し、記憶してもよい。端末装置２は、サーバ６１に記憶された学習データを取得し、監視カメラ１に設定してもよい。これにより、監視カメラ１は、様々な種類の学習モデルに基づいたＡＩを構築できる。

【0144】

（変形例）
上記では、端末装置２の制御部４１は、サーバ６１から受信した学習モデルを、近距離無線通信、外部記憶媒体３１、またはネットワークケーブルを介して監視カメラ１に送信したがこれに限られない。端末装置２の制御部４１は、ネットワーク６２を介して、サーバ６１から受信した学習モデルを監視カメラ１に送信してもよい。

【0145】

図１５は、監視カメラシステムの変形例を示した図である。図１５において、図１２と同じものには同じ符号が付してある。

【0146】

図１５では、監視カメラ１の通信部１８は、ネットワーク６２に接続されている。監視カメラ１の通信部１８は、例えば、ネットワークケーブル等の有線を介してネットワーク６２に接続されてもよいし、例えば、携帯電話等の無線通信ネットワークを介してネットワーク６２に接続されてもよい。

【0147】

端末装置２の制御部４１は、図１５の矢印Ｂ１に示すように、ネットワーク６２を介して、サーバ６１から学習モデルを受信する。端末装置２の制御部４１は、図１５の矢印Ｂ２に示すように、ネットワーク６２を介して、サーバ６１から受信した学習モデルを監視カメラ１に送信する。

【0148】

このように、端末装置２の制御部４１は、サーバ６１から受信した学習モデルを、ネットワーク６２を介して、監視カメラ１に送信してもよい。

【0149】

なお、端末装置２の制御部４１は、サーバ６１に対し、学習モデルを監視カメラ１に送信するよう指示してもよい。すなわち、監視カメラ１は、端末装置２を経由せずに、サーバ６１から学習データを受信してもよい。

【0150】

（第３の実施の形態）
第３の実施の形態では、監視カメラ１は、発報条件を満足すると、予め設定されたアドレスにメールを送信する。すなわち、監視カメラ１は、発報条件を満足すると、ユーザにメールで発報条件を満たしたことを通知する。

【0151】

図１６は、第３の実施の形態に係る監視カメラシステムの一例を示した図である。図１６において、図１５と同じものには同じ符号が付してある。

【0152】

図１６では、メールサーバ８１が示してある。メールサーバ８１は、ネットワーク６２に接続されている。

【0153】

監視カメラ１の制御部１４は、発報条件を満足すると、矢印Ａ１１に示すように、端末装置２宛のメールをメールサーバ８１に送信する。メールには、発報条件を満たしたことを示す内容と、監視カメラ１が検知した検知対象の画像とが含まれてもよい。

【0154】

メールサーバ８１は、監視カメラ１からメールを受信したことを端末装置２に通知する。メールサーバ８１は、メールの受信通知を受信した端末装置２からの要求に応じて、監視カメラ１から送信されたメールを、矢印Ａ１２に示すように、端末装置２に送信する。

【0155】

なお、監視カメラ１は、端末装置２によって、メールの送信先アドレスが設定されてもよい。メールの送信先アドレスは、端末装置２以外の端末装置のアドレスが設定されてもよい。例えば、メールの送信先アドレスは、ユーザＵ１が使用する端末装置２以外の端末装置のアドレスが設定されてもよい。また、メールの送信先アドレスは、複数であってもよい。

【0156】

このように、監視カメラ１は、発報条件を満足すると、メールによって、発報条件を満たしたことをユーザに通知してもよい。これにより、ユーザは、例えば、監視カメラ１によって、検知対象が検知されたことを認識できる。

【0157】

（第４の実施の形態）
上記の各実施の形態では、１台の監視カメラ１に学習モデルを設定する例について説明した。第４の実施の形態では、複数台の監視カメラに学習モデルを設定する例について説明する。

【0158】

図１７は、第４の実施の形態に係る監視カメラシステムの一例を示した図である。図１７に示すように、監視カメラシステムは、監視カメラ９１ａ～９１ｄと、端末装置９２と、レコーダ９３と、メールサーバ９４と、を有している。監視カメラ９１ａ～９１ｄ、端末装置９２、レコーダ９３、およびメールサーバ９４はそれぞれ、ＬＡＮ（Local Area Network）９５に接続されている。

【0159】

監視カメラ９１ａ～９１ｄは、図３に示した監視カメラ１の機能ブロックと同様の機能ブロックを有している。端末装置９２は、図４に示した端末装置２と同様の機能ブロックを有している。監視カメラ９１ａ～９１ｄには、同じ学習モデルが設定されてもよいし、異なる学習モデルが設定されてもよい。

【0160】

レコーダ９３は、監視カメラ９１ａ～９１ｄの映像データを記憶する。端末装置９２は、監視カメラ９１ａ～９１ｄのライブ映像データから、監視カメラ９１ａ～９１ｄの学習モデルを生成してもよい。また、端末装置９２は、レコーダ９３に記憶された監視カメラ９１ａ～９１ｄの録画映像データから、監視カメラ９１ａ～９１ｄの学習モデルを生成してもよい。端末装置９２は、生成した学習モデルを、ＬＡＮ９５を介して、監視カメラ９１ａ～９１ｄに送信する。

【0161】

監視カメラ９１ａ～９１ｄは、発報条件を満足すると、端末装置９２宛のメールをメールサーバ９４に送信する。メールサーバ９４は、端末装置２からの要求に応じて、監視カメラ１から送信されたメールを、端末装置２に送信する。

【0162】

このように、複数の監視カメラ９１ａ～９１ｄ、端末装置９２、およびメールサーバ９４は、ＬＡＮ９５によって接続されてもよい。そして、端末装置９２は、複数の監視カメラ９１ａ～９１ｄの学習モデルを生成し、監視カメラ９１ａ～９１ｄに送信（設定）してもよい。これにより、ユーザは、複数の監視カメラ９１ａ～９１ｄによって、検知対象を検知できる。

【0163】

なお、監視カメラ９１ａ～９１ｄの各ＡＩ（ＡＩ演算エンジン）は、監視カメラ９１ａ～９１ｄの各々において、タイプが異なる場合がある。この場合、端末装置９２は、監視カメラ９１ａ～９１ｄの各々におけるＡＩのタイプに合った学習モデルを生成する。

【0164】

（変形例）
上記では、端末装置９２が学習モデルを生成したが、インターネット等の公衆ネットワークに接続されたサーバに学習モデルが記憶されていてもよい。

【0165】

図１８は、監視カメラシステムの変形例を示した図である。図１８において、図１７と同じものには同じ符号が付してある。図１８の監視カメラシステムは、サーバ１０１を有している。サーバ１０１は、例えば、インターネット等の公衆ネットワークであるネットワーク１０３と、ゲートウェイ１０２と、を介してＬＡＮ９５に接続されている。

【0166】

サーバ１０１は、図１２で説明したサーバ６１と同様の機能を有している。サーバ１０１は、監視カメラ９１ａ～９１ｄ以外の様々な監視カメラの映像データに基づいて学習モデルを生成し、記憶している。端末装置９２は、サーバ１０１にアクセスして、サーバ１０１に記憶された学習データを取得し、監視カメラ９１ａ～９１ｄに設定してもよい。

【0167】

（第５の実施の形態）
第５の実施の形態では、監視カメラ１が複数の学習モデルを記憶する。そして、監視カメラ１は、端末装置２の指示に応じて、複数の学習モデルのうちの１つを選択し、選択した学習モデルに基づいて、検知対象を検知する。以下では、第１の実施の形態と異なる部分について説明する。

【0168】

図１９は、第５の実施の形態に係る監視カメラ１の動作例を示したフローチャートである。監視カメラ１の学習モデル記憶部１７ｃには、複数の学習モデルが記憶されている。

【0169】

監視カメラ１は、例えば、電源投入により起動する（ステップＳ３１）。

【0170】

監視カメラ１のＡＩ処理部１７は、学習モデル記憶部１７ｃに記憶されている複数の学習モデルのうちの１つの学習モデルを、ＡＩ演算エンジン１７ａにセットする（ステップＳ３２）。

【0171】

なお、監視カメラ１のＡＩ処理部１７は、例えば、学習モデル記憶部１７ｃに記憶されている複数の学習モデルのうち、前回の起動時にセットしていた学習モデルをＡＩ演算エンジン１７ａにセットしてもよい。また、監視カメラ１のＡＩ処理部１７は、例えば、学習モデル記憶部１７ｃに記憶されている複数の学習モデルのうち、端末装置２によって初期設定された学習モデルをＡＩ演算エンジン１７ａにセットしてもよい。

【0172】

監視カメラ１のＡＩ処理部１７は、端末装置２から、学習モデルの切替えの指示があったか否かを判定する（ステップＳ３３）。

【0173】

監視カメラ１のＡＩ処理部１７は、学習モデルの切替えの指示があったと判定した場合（Ｓ３３の「Ｙｅｓ」）、学習モデル記憶部１７ｃに記憶されている複数の学習モデルのうち、端末装置２から指示された学習モデルを、ＡＩ演算エンジン１７ａにセットする（ステップＳ３４）。

【0174】

ＡＩ演算エンジン１７ａは、セットされた学習モデルにより（セットされた学習モデルに従ってニューラルネットを形成し）、映像データの映像から検知対象を検知する（ステップＳ３５）。

【0175】

なお、監視カメラ１のＡＩ演算エンジン１７ａは、ステップＳ３３において、学習モデルの切替えの指示がないと判定された場合（Ｓ３３の「Ｎｏ」）、学習モデルを切替えず、すでにセットされている学習モデルにより、映像データの映像から検知対象を検知する（ステップＳ３５）。

【0176】

図２０は、学習モデルの切替えによる検知対象の検知例を説明する図である。監視カメラ１の学習モデル記憶部１７ｃには、学習モデルＡと、学習モデルＢと、学習モデルＣと、が記憶されているとする。学習モデルＡは、映像処理部１３から出力される映像から、人を検知する学習モデルである。学習モデルＢは、映像処理部１３から出力される映像から、犬を検知する学習モデルである。学習モデルＣは、映像処理部１３から出力される映像から、猪を検知する学習モデルである。

【0177】

ＡＩ処理部１７は、端末装置２から、学習モデルＡの使用を指示する通知を受信する。ＡＩ処理部１７は、端末装置２からの指示に応じて、学習モデル記憶部１７ｃに記憶されている学習モデルＡをＡＩ演算エンジン１７ａに設定する。これにより、ＡＩ演算エンジン１７ａは、例えば、図２０の「学習モデルＡ使用時」に示すように、映像処理部１３から出力される映像から、人を検知する。

【0178】

ＡＩ処理部１７は、端末装置２から、学習モデルＢの使用を指示する通知を受信する。ＡＩ処理部１７は、端末装置２からの指示に応じて、学習モデル記憶部１７ｃに記憶されている学習モデルＢをＡＩ演算エンジン１７ａに設定する。これにより、ＡＩ演算エンジン１７ａは、例えば、図２０の「学習モデルＢ使用時」に示すように、映像処理部１３から出力される映像から、犬を検知する。

【0179】

ＡＩ処理部１７は、端末装置２から、学習モデルＣの使用を指示する通知を受信する。ＡＩ処理部１７は、端末装置２からの指示に応じて、学習モデル記憶部１７ｃに記憶されている学習モデルＣをＡＩ演算エンジン１７ａに設定する。これにより、ＡＩ演算エンジン１７ａは、例えば、図２０の「学習モデルＣ使用時」に示すように、映像処理部１３から出力される映像から、猪を検知する。

【0180】

ＡＩ処理部１７は、端末装置２から、学習モデルＡ，Ｂ，Ｃの使用を指示する通知を受信する。ＡＩ処理部１７は、端末装置２からの指示に応じて、学習モデル記憶部１７ｃに記憶されている学習モデルＡ，Ｂ，ＣをＡＩ演算エンジン１７ａに設定する。これにより、ＡＩ演算エンジン１７ａは、例えば、図２０の「学習モデルＡ＋学習モデルＢ＋学習モデルＣ使用時」に示すように、映像処理部１３から出力される映像から、人、犬、猪を検知する。

【0181】

図２１は、学習モデルの設定の一例を説明する図である。図２１において、図９と同じものには同じ符号が付してある。

【0182】

ユーザは、監視カメラ１に送信したい学習モデルを選択する。例えば、ユーザは、学習モデル５４ａの左横に表示されているチェックボックスを選択して、監視カメラ１に設定する学習モデルを選択する。図２１の例では、ユーザは、３つの学習モデルを選択している。

【0183】

ユーザは、３つの学習モデルを選択すると、ボタン５４ｃをタップする。端末装置２は、ボタン５４ｃがタップされると、ユーザが選択した３つの学習モデルを監視カメラ１に送信する。監視カメラ１は、３つの学習モデルを受信すると、受信した３つの学習モデルを学習モデル記憶部１７ｃに記憶する。

【0184】

ユーザは、３つの学習モデルを監視カメラ１に送信した後、ＡＩ演算エンジン１７ａに設定する学習モデルを監視カメラ１に対し指示する。監視カメラ１のＡＩ処理部１７は、学習モデル記憶部１７ｃに記憶されている３つの学習モデルのうち、端末装置２から指示された学習モデルをＡＩ演算エンジン１７ａに設定する。

【0185】

なお、端末装置２は、ユーザの操作に応じて、学習モデル記憶部１７ｃに記憶される学習モデルを追加、変更、または更新できる。また、端末装置２は、ユーザの操作に応じて、学習モデル記憶部１７ｃに記憶される学習モデルを削除できる。

【0186】

このように、監視カメラ１は、複数の学習モデルを記憶してもよい。そして、監視カメラ１は、端末装置２の指示に応じて、複数の学習モデルのうちの１つを選択し、選択した学習モデルに基づいたＡＩを形成してもよい。これにより、ユーザは、監視カメラ１の検知対象を容易に変更できる。

【0187】

（第６の実施の形態）
上記の各実施の形態では、１台の監視カメラ１によって撮像された１枚の静止画像あるいは映像データから学習モデルを設定する例について説明した。第６の実施の形態では、監視カメラ１は、監視カメラ１によって撮像された映像データ、監視カメラ１に備えられた１つ以上のセンサによって計測された計測データ、およびマイク２０によって収音された音声データから学習モデルを生成する例について説明する。具体的に、第６の実施の形態に係る学習モデルは、映像データ、計測データおよび音声データのうち少なくとも１つの時系列のデータ、あるいは２つ以上のデータから生成される。

【0188】

なお、監視カメラ１が複数のセンサのそれぞれを備え、計測された計測データが複数ある場合、学習モデルは、２つの計測データのそれぞれから生成されてよい。さらに、ここでいうセンサ（不図示）は、監視カメラ１に備えられたセンサであり、例えばＴＯＦセンサ１９、温度センサ（不図示）、振動センサ（不図示）、人感センサ（不図示）、ＰＴＺセンサ（不図示）などである。

【0189】

図２２は、第６の実施の形態に係る学習モデルの生成の一例を説明する図である。図２２に示す画面５５は、端末装置２の表示装置に表示される。

【0190】

端末装置２（学習モデルを生成するアプリケーション）は、監視カメラ１から受信された映像データ、計測データあるいは音声データのうち、少なくとも１つのデータを表示装置に表示する。なお、表示されるデータは、ユーザによって指定（選択）されてよい。ユーザは、端末装置２を操作し、端末装置２の表示装置に表示されている映像データ、計測データあるいは音声データから、監視カメラ１で検知したい検知対象の事象を含む映像データ、計測データあるいは音声データを選択する。なお、図２２に示す例においてユーザは、複数の静止画像のそれぞれ（つまり、時系列の映像データ）と所定のセンサによって計測された時系列の計測データとを選択している。

【0191】

図２２の画面５５は、学習モデルを生成するためのデータを表示するデータ表示領域５５ｃに、映像データを構成する１枚の静止画像ファイルである静止画像５５ｆと所定のセンサによって計測された計測データ５５ｄとが表示されている。

【0192】

図２２の画面５５の画像一覧５５ａには、ユーザが監視カメラ１の映像データから作成（選択）した複数の静止画像のそれぞれのファイル名が表示されている。図２２の例では、複数の静止画像ファイルのそれぞれは、６つが生成され、そのうち５つがユーザによって選択されている。

【0193】

端末装置２は、ユーザの操作に応じて、画像一覧５５ａから複数の静止画像ファイルのそれぞれが選択されると、選択された複数の静止画像ファイルのそれぞれの画像のうち少なくとも１枚を、端末装置２の表示装置に表示する。なお、図２２において、選択された複数の静止画像ファイルのそれぞれが枠５５ｂで囲まれて識別可能に表示されているが、選択された静止画像ファイルの識別表示方法はこれに限定されず、例えば選択された静止画像ファイル名の色を変えて表示してもよい。図２２に示す静止画像５５ｆは、ユーザによって選択された静止画像ファイル「０００２．ｊｐｇ」の画像を示している。

【0194】

ユーザは、静止画像５５ｆから、監視カメラ１で検知したい検知対象の事象を選択する。例えば、ユーザは、監視カメラ１で自動車を検知したいとする。この場合、ユーザは、静止画像５５ｆ上において、自動車を選択（マーキング）する。例えば、ユーザは、端末装置２を操作して、自動車のそれぞれを枠５５ｇ，５５ｈのそれぞれで囲む。

【0195】

また、端末装置２は、ユーザの操作に応じて、所定のセンサ（例えば、温度センサ、振動センサ、人感センサ、超音波センサ、ＰＴＺ駆動センサなど）によって計測された時系列の計測データ５５ｄを表示する。ユーザは、例えば、計測データ５５ｄ上の所定の時間帯をマーキングする。例えば、ユーザは、端末装置２を操作して、計測データ５５ｄのうち時間帯Ｔ１を枠５５ｅで囲ってマーキングする。なお、ここで選択される時間帯は、検知対象の事象の検知を開始した時間から、検知が終了した時間までの所定の期間である。

【0196】

なお、ユーザによる計測データ５５ｄへのマーキングよりも前に、画像一覧５５ａにおける複数の静止画像ファイルのそれぞれが選択された場合、端末装置２は、選択された複数の静止画像ファイルのそれぞれが撮影された撮像時間に対応した時間帯に対してマーキングが行われたと判定してもよい。端末装置２は、マーキングが行われたと判定した場合、撮像時間に対応した時間帯に枠を表示する。

【0197】

ユーザは、学習モデルの生成に使用するデータをマーキングすると、「検知モデルを生成」のアイコン５５ｋをクリックする。端末装置２は、アイコン５５ｋがクリックされると、マーキングされた画像（枠５５ｇ，５５ｈのそれぞれで囲まれた画像）および計測データ（枠５５ｅで囲まれた時間帯Ｔ１における計測データ）にラベルを付与する画面に遷移する。すなわち、端末装置２は、マーキングされた画像（映像データ）および計測データが検知対象の事象（自動車の走行音）であることを教示する画面に遷移する。

【0198】

図２３は、第６の実施の形態に係る学習モデルの生成の一例を説明する図である。図２３に示す画面５６は、端末装置２の表示装置に表示される。図２３に示す例においてユーザは、複数の静止画像のそれぞれ（つまり、時系列の映像データ）とＰＴＺセンサによって計測された時系列の計測データとを選択している。

【0199】

図２３の画面５６は、学習モデルを生成するためのデータを表示するデータ表示領域５６ｃに、映像データを構成する１枚の静止画像ファイルである静止画像５６ｆと所定のセンサによって計測された計測データ５６ｄとが表示されている。

【0200】

図２３の画面５６の画像一覧５６ａには、ユーザが監視カメラ１の映像データから作成（選択）した複数の静止画像のそれぞれのファイル名が表示されている。図２３の例では、複数の静止画像ファイルのそれぞれは、「０００７．ｊｐｇ」，「０００８．ｊｐｇ」，「０００９．ｊｐｇ」，「００１０．ｊｐｇ」，「００１１．ｊｐｇ」，「００１２．ｊｐｇ」の６つが生成され、そのうち「０００８．ｊｐｇ」～「００１２．ｊｐｇ」５つがユーザによって選択されている。

【0201】

端末装置２は、ユーザの操作に応じて、画像一覧５６ａから複数の静止画像ファイルのそれぞれが選択されると、選択された複数の静止画像ファイルのそれぞれの画像のうち少なくとも１枚を、端末装置２の表示装置に表示する。なお、図２３において、選択された複数の静止画像ファイルのそれぞれが枠５６ｂで囲まれて識別可能に表示されているが、選択された静止画像ファイルの識別表示方法はこれに限定されず、例えば選択された静止画像ファイル名の色を変えて表示してもよい。図２３に示す静止画像５６ｆは、ユーザによって選択された静止画像ファイル「０００９．ｊｐｇ」の画像を示している。

【0202】

ユーザは、静止画像５６ｆから、監視カメラ１で検知したい検知対象の事象を選択する。図２３に示す静止画像５６ｆは、監視カメラ１の故障あるいは不具合が発生している状態で撮像された黒画画像である。例えば、ユーザは、監視カメラ１が故障あるいは不具合などの異常状態であることを検知したいとする。この場合、ユーザは、静止画像５６ｆ上において、静止画像５６ｆの全域あるいは一部を選択（マーキング）する。なお、このような場合、図２３に示すようにマーキング範囲を示す枠は、表示が省略されてもよい。

【0203】

また、端末装置２は、ユーザの操作に応じて、ＰＴＺセンサによって計測された時系列の計測データ５６ｄを表示する。ユーザは、例えば、計測データ５６ｄ上の所定の時間帯をマーキングする。例えば、ユーザは、端末装置２を操作して、計測データ５６ｄのうち時間帯Ｔ２を枠５６ｅで囲ってマーキングする。

【0204】

なお、ユーザによる計測データ５６ｄへのマーキングよりも前に、画像一覧５６ａにおける複数の静止画像ファイルのそれぞれが選択された場合、端末装置２は、選択された複数の静止画像ファイルのそれぞれが撮影された撮像時間に対応した時間帯に対してマーキングが行われたと判定してもよい。端末装置２は、マーキングが行われたと判定した場合、撮像時間に対応した時間帯に枠を表示する。

【0205】

ユーザは、学習モデルの生成に使用するデータをマーキングすると、「検知モデルを生成」のアイコン５６ｋをクリックする。端末装置２は、アイコン５６ｋがクリックされると、マーキングされた画像（静止画像５６ｆの全域）および計測データ（枠５６ｅで囲まれた時間帯Ｔ２における計測データ）にラベルを付与する画面に遷移する。すなわち、端末装置２は、マーキングされた画像（映像データ）および計測データが検知対象の事象（黒画検知）であることを教示する画面に遷移する。

【0206】

図２４は、学習モデルの生成の一例を説明する図である。図２４に示す画面５７は、端末装置２の表示装置に表示される。画面５７は、図２２および図２３に示した「検知モデルを生成」のアイコンがクリックされると、端末装置２の表示装置に表示される。

【0207】

図２４に示す学習モデルは、例えば「叫び声」，「銃声」，「窓が割れる音」，「急ブレーキ音」，「怒鳴り声」を検知可能な学習モデルの生成例である。これらの学習モデルは、例えば時系列の音声データ、あるいは音声データおよび映像データからなる２つのデータから生成される。なお、学習モデルの生成に使用されるデータは、これに限定されず、例えば振動センサによって計測された計測データ、温度センサによって計測された計測データあるいは人感センサによって計測された計測データであってもよい。

【0208】

画面５７には、複数のラベル「叫び声」，「銃声」，「窓が割れる音」，「急ブレーキ音」，「怒鳴り声」のそれぞれを含むラベル５７ａが表示されている。ユーザは、ラベル５７ａの左横に表示されているチェックボックスを選択して、時系列の音声データ、あるいは音声データと映像データとからなる２つのデータでマーキングした検知対象の事象にラベルを付与する。

【0209】

図２４に示す画面５７においては、ユーザは、例えば時系列の音声データ、あるいは音声データおよび映像データからなる２つのデータを用いて「窓が割れる音」をマーキングしている。従って、ユーザは、図２４の画面５７において、「窓が割れる音」のラベル５７ａに対応するチェックボックスを選択する。

【0210】

ユーザは、ラベル「窓が割れる音」を選択すると、ボタン５７ｂをクリックする。端末装置２は、ボタン５７ｂがクリックされると、チェックボックスが選択されたラベル「窓が割れる音」の学習モデルを生成する。

【0211】

例えば、端末装置２は、ボタン５７ｂがクリックされると、マーキングされたデータと、ラベルとによって学習を行う。端末装置２は、マーキングされたデータと、ラベルとの学習により、例えば、監視カメラ１のニューラルネットワークの構造を決定するパラメータ群を生成する。すなわち、端末装置２は、監視カメラ１のＡＩの機能を特徴づける学習モデルを生成する。

【0212】

図２５は、学習モデルの生成の一例を説明する図である。図２５に示す画面５８は、端末装置２の表示装置に表示される。画面５８は、図２２および図２３に示した「検知モデルを生成」のアイコンがクリックされると、端末装置２の表示装置に表示される。

【0213】

図２５に示す学習モデルは、例えば「温度上昇」，「温度低下」，「振動超過」，「侵入検知」，「台風検知」を検知可能な学習モデルの生成例である。これらの学習モデルは、例えば温度センサ，振動センサ，人感センサなどのセンサによって計測された計測データ、映像データ、あるいは音声データの少なくとも１つの時系列のデータから生成される。なお、学習モデルの生成に使用されるデータは、１つに限定されず、ユーザによって選択された複数のデータのそれぞれが使用されてよい。

【0214】

画面５８には、複数のラベル「温度上昇」，「温度低下」，「振動超過」，「侵入検知」，「台風検知」のそれぞれを含むラベル５８ａが表示されている。ユーザは、ラベル５８ａの左横に表示されているチェックボックスを選択して、学習モデルの生成に使用するデータでマーキングした検知対象の事象にラベルを付与する。

【0215】

図２５に示す画面５８においては、ユーザは、マーキングされたデータ（例えば、時系列の振動データ、あるいは時系列の振動データおよび音声データなど）を用いて「振動超過」をマーキングしている。従って、ユーザは、図２５の画面５８において、「振動超過」のラベル５８ａに対応するチェックボックスを選択する。

【0216】

ユーザは、ラベル「振動超過」を選択すると、ボタン５８ｂをクリックする。端末装置２は、ボタン５８ｂがクリックされると、チェックボックスが選択されたラベル「振動超過」の学習モデルを生成する。

【0217】

例えば、端末装置２は、ボタン５８ｂがクリックされると、マーキングされたデータと、ラベルとによって学習を行う。端末装置２は、マーキングされたデータと、ラベルとの学習により、例えば、監視カメラ１のニューラルネットワークの構造を決定するパラメータ群を生成する。すなわち、端末装置２は、監視カメラ１のＡＩの機能を特徴づける学習モデルを生成する。

【0218】

図２６は、学習モデルの生成の一例を説明する図である。図２６に示す画面５９は、端末装置２の表示装置に表示される。画面５９は、図２２および図２３に示した「検知モデルを生成」のアイコンがクリックされると、端末装置２の表示装置に表示される。

【0219】

図２６に示す学習モデルは、例えば「ＰＴＺ故障」，「黒画故障」を検知可能な学習モデルの生成例である。これらの学習モデルは、例えばＰＴＺセンサによって計測された時系列の計測データ、あるいは映像データから生成される。なお、学習モデルの生成に使用されるデータは、１つに限定されず、ユーザによって選択された複数のデータのそれぞれが使用されてよい。

【0220】

画面５９には、複数のラベル「ＰＴＺ故障」，「黒画故障」のそれぞれを含むラベル５９ａが表示されている。ユーザは、ラベル５９ａの左横に表示されているチェックボックスを選択して、学習モデルの生成に使用するデータでマーキングした検知対象の事象にラベルを付与する。

【0221】

図２６に示す画面５９においては、ユーザは、マーキングされたデータ（例えば、時系列の振動データ、あるいは時系列の振動データおよび音声データなど）を用いて「黒画故障」をマーキングしている。従って、ユーザは、図２６の画面５９において、「黒画故障」のラベル５９ａに対応するチェックボックスを選択する。

【0222】

ユーザは、ラベル「黒画故障」を選択すると、ボタン５９ｂをクリックする。端末装置２は、ボタン５９ｂがクリックされると、チェックボックスが選択されたラベル「黒画故障」の学習モデルを生成する。

【0223】

例えば、端末装置２は、ボタン５９ｂがクリックされると、マーキングされたデータと、ラベルとによって学習を行う。端末装置２は、マーキングされたデータと、ラベルとの学習により、例えば、監視カメラ１のニューラルネットワークの構造を決定するパラメータ群を生成する。すなわち、端末装置２は、監視カメラ１のＡＩの機能を特徴づける学習モデルを生成する。

【0224】

図２７は、学習モデルの生成の一例を説明する図である。図２７に示す画面６０は、端末装置２の表示装置に表示される。画面６０は、図２２および図２３に示した「検知モデルを生成」のアイコンがクリックされると、端末装置２の表示装置に表示される。

【0225】

図２７に示す学習モデルは、例えば「喧嘩」，「事故」，「万引き」，「拳銃所持」，「スリ」を検知可能な学習モデルの生成例である。これらの学習モデルは、例えば温度センサ，振動センサ，人感センサなどのセンサによって計測された時系列の計測データ、映像データ、あるいは音声データの少なくとも１つから生成される。なお、学習モデルの生成に使用されるデータは、１つに限定されず、ユーザによって選択された複数のデータのそれぞれが使用されてよい。

【0226】

画面６０には、複数のラベル「喧嘩」，「事故」，「万引き」，「拳銃所持」，「スリ」のそれぞれを含むラベル６０ａが表示されている。ユーザは、ラベル６０ａの左横に表示されているチェックボックスを選択して、学習モデルの生成に使用するデータでマーキングした検知対象の事象にラベルを付与する。

【0227】

図２７に示す画面６０においては、ユーザは、マーキングされたデータ（例えば、時系列の映像データおよび音声データなど）を用いて「万引き」をマーキングしている。従って、ユーザは、図２７の画面６０において、「万引き」のラベル６０ａに対応するチェックボックスを選択する。

【0228】

ユーザは、ラベル「万引き」を選択すると、ボタン６０ｂをクリックする。端末装置２は、ボタン６０ｂがクリックされると、チェックボックスが選択されたラベル「万引き」の学習モデルを生成する。

【0229】

例えば、端末装置２は、ボタン６０ｂがクリックされると、マーキングされたデータと、ラベルとによって学習を行う。端末装置２は、マーキングされたデータと、ラベルとの学習により、例えば、監視カメラ１のニューラルネットワークの構造を決定するパラメータ群を生成する。すなわち、端末装置２は、監視カメラ１のＡＩの機能を特徴づける学習モデルを生成する。

【0230】

図２８および図２９を参照して、第６の実施の形態に係る学習モデル生成動作例について説明する。図２８は、第６の実施の形態に係る端末装置２の学習モデル生成の動作例を示したフローチャートである。図２９は、第６の実施の形態に係る学習モデルの追加学習の動作例を示したフローチャートである。

【0231】

端末装置２の制御部４１は、監視カメラ１から映像データ、音声データあるいは複数のセンサのそれぞれ（例えば、温度センサ，振動センサ，人感センサ，ＰＴＺセンサなど）によって計測された時系列の計測データ（測定結果）を取得する（ステップＳ４１）。映像データは、ライブデータであってもよいし、録画データであってもよい。端末装置２の制御部４１は、監視カメラ１の映像を録画したレコーダから、監視カメラ１の映像データを取得してもよい。

【0232】

なお、ユーザは、端末装置２を操作して、監視カメラ１の映像データ、音声データあるいは複数のセンサのそれぞれによって計測された計測データから検知対象の事象を含むデータを探す。なお、第６の実施の形態においてユーザが探すデータは、映像データ、音声データあるいは複数のセンサのそれぞれによって計測された計測データのうち少なくとも１つの時系列のデータ、あるいは少なくとも２つ以上のデータ（例えば、映像データと音声データ、映像データと計測データ、異なるセンサによって計測された２つの計測データなど）である。

【0233】

端末装置２の制御部４１は、ユーザから、検知対象の事象にマーキングするデータの選択を受付ける（ステップＳ４２）。例えば、端末装置２の制御部４１は、図２２の画像一覧５５ａから、検知対象の事象にマーキングする複数の静止画像のそれぞれの選択（つまり、枠５５ｂの生成操作）を受付ける。

【0234】

端末装置２の制御部４１は、ユーザから、検知対象の事象に対するマーキング操作を受付ける。例えば、端末装置２の制御部４１は、図２２に示した枠５５ｅ，５５ｇ，５５ｈによるマーキング操作を受付ける。端末装置２の制御部４１は、ユーザがマーキングした所定の期間のデータ（つまり、時系列のデータ）を、記憶部４６に記憶する（ステップＳ４３）。

【0235】

端末装置２の制御部４１は、ユーザから、学習モデルの生成指示があったか否かを判定する（ステップＳ４４）。例えば、端末装置２の制御部４１は、図２２のアイコン５１ｋがクリックされたか否かを判定する。端末装置２の制御部４１は、ユーザから、学習モデルの生成指示がないと判定した場合（Ｓ４４の「Ｎｏ」）、処理をステップＳ４２に移行する。

【0236】

一方、端末装置２の制御部４１は、ユーザから、学習モデルの生成指示があったと判定した場合（Ｓ４４の「Ｙｅｓ」）、ユーザからラベリングの操作を受付ける（図２４～図２７を参照）。そして、端末装置２の制御部４１は、記憶部４６に記憶した所定の期間のデータ（つまり、時系列のデータ）と、機械学習アルゴリズムとにより、学習モデルを生成する（ステップＳ４５）。機械学習アルゴリズムは、例えば、ディープラーニングであってもよい。

【0237】

端末装置２の制御部４１は、ユーザの操作に応じて、生成した学習モデルを監視カメラ１に送信する（ステップＳ４６）。

【0238】

端末装置２の制御部４１は、ユーザから、ステップＳ４６において生成された学習モデルについて追加学習指示があるか否かを判定する（ステップＳ４７）。端末装置２の制御部４１は、ユーザから、学習モデルの生成指示がないと判定した場合（Ｓ４７の「Ｎｏ」）、処理を終了する。

【0239】

一方、端末装置２の制御部４１は、ユーザから、生成された学習モデルについて追加学習を行う指示があったと判定した場合（Ｓ４７の「Ｙｅｓ」）、さらにユーザから、ユーザによってマーキングされたデータによる学習モデルの追加学習を行うか否かを判定する（ステップＳ４８）。

【0240】

端末装置２の制御部４１は、ユーザから、ユーザによってマーキングされたデータを用いて学習モデルの追加学習を行う指示があったと判定した場合（Ｓ４８の「Ｙｅｓ」）、再度同一の検知対象の事象に対するマーキング操作を受付ける（ステップＳ４９）。なお、ここでマーキング操作されるデータは、ステップＳ４２と異なってもよい。例えば、端末装置２は、ステップＳ４２で検知対象の事象にマーキングするデータとして複数の静止画像のそれぞれの選択を受付けたが、ステップＳ４８では所定の時間帯における音声データあるいは計測データであってもよい。

【0241】

一方、端末装置２の制御部４１は、ユーザから、ユーザによってマーキングされたデータを用いて学習モデルの追加学習を行う指示がないと判定した場合（Ｓ４８の「Ｎｏ」）、監視カメラ１の制御部１４に生成された学習モデルの追加学習の指示を送信する。監視カメラ１の制御部１４は、受信された追加学習の指示に従い、生成された学習モデルを用いて検知された検知対象の事象のデータ（映像データ、音声データあるいは複数のセンサのそれぞれ（例えば、温度センサ，振動センサ，人感センサ，ＰＴＺセンサなど）によって計測された時系列の計測データ）を用いて追加学習を行う。監視カメラ１の制御部１４は、追加学習によって学習モデルを生成する（ステップＳ５０）。

【0242】

端末装置２の制御部４１は、ユーザから、検知対象の事象に対するマーキング操作を受付ける。例えば、端末装置２の制御部４１は、図２２に示した枠５５ｅ，５５ｇ，５５ｈによるマーキング操作を受付ける。端末装置２の制御部４１は、ユーザがマーキングした所定の期間のデータ（つまり、時系列のデータ）を、記憶部４６に記憶する（ステップＳ５１）。

【0243】

端末装置２の制御部４１は、記憶部４６に記憶した所定の期間のデータ（つまり、時系列のデータ）と、機械学習アルゴリズムとにより、追加学習を実行した学習モデルを生成する（ステップＳ５２）。

【0244】

端末装置２の制御部４１は、ユーザの操作に応じて、生成した学習モデルを監視カメラ１に送信する（ステップＳ５３）。

【0245】

また、監視カメラ１の制御部１４は、追加学習によって生成された学習モデルを記憶部１５に記憶する（ステップＳ５４）。なお、この際、学習モデルは、追加学習によって生成された学習モデルによって上書きされ、記憶されてよい。

【0246】

以上により、第６の実施の形態に係る監視カメラ１は、１枚の画像による検知対象の事象の検知だけでなく、時系列のデータあるいは複数のデータのそれぞれを組み合わせて用いることで検知対象の事象（動き、変化など）を検知するように設定できる。つまり、第６の実施の形態に係る学習モデルは、複数の検知対象それぞれの選択と、選択された検知対象の事象（動き、変化など）とを同時に検知できる。例えば、図２０に示す「学習モデルＡ＋学習モデルＢ＋学習モデルＣ使用時」に、映像処理部１３から出力される映像から、人、犬、猪を検知し、さらに検知対象の行動を検知対象の事象として設定できる。これにより、例えば図２０に示す例において、監視カメラ１は、人が「喧嘩しようとしている」と、犬が「走っている」、猪が「止まっている」ことを同時に検知できる。よって、ユーザは、検知したい検知対象と検知対象の事象とを同時に設定できる。

【0247】

図３０は、監視カメラ１の動作例を示したフローチャートである。

【0248】

監視カメラ１のＡＩ処理部１７は、監視カメラ１の起動に伴って、検知対象の事象の検知動作を開始する（ステップＳ６１）。例えば、監視カメラ１のＡＩ処理部１７は、端末装置２から送信された学習モデルに基づいたニューラルネットワークを形成し、検知対象の事象の検知動作を開始する。

【0249】

監視カメラ１は、映像を撮像するとともに、マイク２０で音声を集音し、さらに備えられた各センサによって各計測を実行する。監視カメラ１は、撮像された映像データ、収音された音声データ、あるいは計測された複数の計測データのそれぞれを取得する（ステップＳ６２）。

【0250】

監視カメラ１の制御部１４は、ステップＳ６２にて取得されたデータ（映像データ、収音された音声データ、あるいは計測された複数の計測データのそれぞれ）のうち、少なくとも１つの時系列のデータ、あるいは２つ以上のデータをＡＩ処理部１７に入力する（ステップＳ６３）。なお、ここで入力されるデータの数が１つである場合には時系列のデータを、２つ以上の場合は時系列でなく、所定の時間におけるデータが入力されればよい。

【0251】

監視カメラ１のＡＩ処理部１７は、ステップＳ６３にて入力されたデータに、検知対象の事象が含まれるか否かを判定する（ステップＳ６４）。

【0252】

監視カメラ１の制御部１４は、ステップＳ６４にて、入力されたデータに検知対象の事象が含まれないと判定された場合（Ｓ６４の「Ｎｏ」）、処理をステップＳ６２に移行する。

【0253】

一方、監視カメラ１の制御部１４は、ステップＳ１４にて、入力されたデータに検知対象の事象が含まれると判定された場合（Ｓ６４の「Ｙｅｓ」）、発報条件を満たすか否かを判定する（ステップＳ６５）。

【0254】

発報条件には、例えば図２４に示すように「窓が割れる音」の検知がある。例えば、監視カメラ１の制御部１４は、ＡＩ処理部１７にて窓が割れる音（音声データ）あるいは窓が割れる映像（映像データ）などが検知されると、発報条件を満たしたと判定してもよい。

【0255】

また、発報条件には、例えば図２５に示すように「振動超過」の検知がある。例えば、監視カメラ１の制御部１４は、ＡＩ処理部１７にて所定の振動量あるいは振動時間を超える振動データ（計測データ）あるいは監視カメラ１の周囲が所定時間以上揺れる映像（映像データ）が検知されると、発報条件を満たしたと判定してもよい。

【0256】

また、発報条件には、例えば図２６に示すように「黒画故障」の検知がある。例えば、監視カメラ１の制御部１４は、ＡＩ処理部１７にて撮像された映像が所定時間以上に亘って黒画状態（つまり、映らない状態）であると検知されると、発報条件を満たしたと判定してもよい。

【0257】

また、発報条件には、例えば図２７に示すように「万引き」の行動検知がある。例えば、監視カメラ１の制御部１４は、ＡＩ処理部１７にて撮像された映像に映る人が商品をバッグあるいはリュックなどに入れた、あるいは特定の人の音声で万引きが発生したことを伝える音声が検知されると、発報条件を満たしたと判定してもよい。

【0258】

監視カメラ１の制御部１４は、ステップＳ６５にて、発報条件を満たさないと判定した場合（Ｓ６６の「Ｎｏ」）、処理をステップＳ６２に移行する。

【0259】

一方、監視カメラ１の制御部１４は、ステップＳ６５にて、発報条件を満たすと判定した場合（Ｓ６５の「Ｙｅｓ」）、発報装置３を用いて、例えば、音等を発報し（ステップＳ６６）、以降ステップＳ６２～ステップＳ６６の処理を繰り返す。

【0260】

以上により、第６の実施の形態に係る監視カメラ１は、生成された学習モデルＭ１に対して追加学習を実行、あるいは端末装置２から追加学習された学習モデルを取得することができる。これにより、監視カメラ１は、ユーザが検知したい検知対象の事象の検知精度を向上させることができる。

【0261】

以上により、第６の実施の形態に係る監視カメラ１は、人工知能を備える監視カメラ１であって、収音部と、検知対象の事象を教示するパラメータを受信する通信部１８と、パラメータに基づいて人工知能を構築し、構築した人工知能を用いて、収音部が収音する音声から検知対象の事象を検知する処理部と、を備える。

【0262】

これにより、第６の実施の形態に係る監視カメラ１は、ユーザが検知したい検知対象の事象のうち、監視カメラにフレキシブルに設定可能な人工知能を構築できるとともに、収音部によって収音された音声のうち検知対象の事象を検知できる。

【0263】

以上により、第６の実施の形態に係る監視カメラ１は、人工知能を備える監視カメラ１であって、少なくとも１つのセンサと、検知対象の事象を教示するパラメータを受信する通信部１８と、パラメータに基づいて人工知能を構築し、構築した人工知能を用いて、センサが計測する計測データから検知対象の事象を検知する処理部と、を備える。

【0264】

これにより、第６の実施の形態に係る監視カメラ１は、ユーザが検知したい検知対象の事象のうち、センサによって計測された計測データによって検知可能な検知対象の事象の検知について、を監視カメラにフレキシブルに設定可能な人工知能を構築できる。

【0265】

また、第６の実施の形態に係る監視カメラ１におけるパラメータは、収音部が収音した音声を用いて生成される。これにより、第６の実施の形態に係る監視カメラ１は、ユーザが検知したい検知対象の事象のうち、収音部によって収音された音声によって検知可能な検知対象の事象について検知できる。

【0266】

また、第６の実施の形態に係る監視カメラ１におけるパラメータは、センサが計測した計測データを用いて生成される。これにより、第６の実施の形態に係る監視カメラ１は、ユーザが検知したい検知対象の事象のうち、少なくとも１つのセンサによって計測された計測データによって検知可能な検知対象の事象について、検知構築できる。

【0267】

また、第６の実施の形態に係る監視カメラ１は、撮像部をさらに備え、処理部は、撮像部が撮像する映像から検知対象の事象を検知する。これにより、第６の実施の形態に係る監視カメラ１は、ユーザが検知したい検知対象の事象について、さらに映像を用いて検知できる。

【0268】

また、第６の実施の形態に係る監視カメラ１は、検知対象の事象の検知結果に基づいて、発報条件を満たすか否かを判定し、発報条件を満たす場合、発報音を発報装置３から出力させる制御部（例えばＡＩ処理部１７）、をさらに備える。これにより、第６の実施の形態に係る監視カメラ１は、ユーザによって設定された検知対象の事象が検知された場合、検知対象の事象の検知を通知する発報音を発報装置３から出力させることができる。

【0269】

また、第６の実施の形態に係る監視カメラ１は、検知対象の事象の検知結果に基づいて、発報条件を満たすか否かを判定し、発報条件を満たす場合、発報情報を端末装置２から出力させる制御部（例えばＡＩ処理部１７）、をさらに備える。これにより、第６の実施の形態に係る監視カメラ１は、ユーザによって設定された検知対象の事象が検知された場合、検知対象の事象の検知を通知する発報情報を端末装置２から出力させることができる。

【0270】

また、第６の実施の形態に係る監視カメラ１における通信部は、複数の異なるパラメータのそれぞれを受信し、処理部は、複数の異なるパラメータのうち、少なくとも２つの指定されたパラメータに基づいて人工知能を構築する。これにより、第６の実施の形態において構築される人工知能は、ユーザが検知したい検知対象の事象の発生を推定できるとともに、検知精度を向上できる。

【0271】

また、第６の実施の形態に係る監視カメラ１における通信部は、複数の異なるパラメータのそれぞれを受信し、処理部は、複数の異なるパラメータのそれぞれうち、指定された所定の時間帯におけるパラメータに基づいて人工知能を構築する。これにより、第６の実施の形態において構築される人工知能は、ユーザが検知したい検知対象の事象の発生を推定できるとともに、検知精度を向上できる。

【0272】

また、第６の実施の形態に係る監視カメラ１は、パラメータを記憶した外部記憶媒体３１からパラメータを受信するインタフェース部、をさらに備える。これにより、第６の実施の形態に係る監視カメラ１は、他の監視カメラによって収集された映像データ、音声データあるいは計測データを活用して人工知能を構築できる。

【0273】

上記の実施の形態の説明に用いた各機能ブロックは、典型的には集積回路であるＬＳＩとして実現される。これらは個別に１チップ化されてもよいし、一部または全てを含むように１チップ化されてもよい。ここでは、ＬＳＩとしたが、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。

【0274】

また、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（Field Programmable Gate Array）、又は、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・プロセッサを利用してもよい。

【0275】

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。バイオ技術の適用等が可能性としてありえる。また、各実施の形態は組み合わされてもよい。

【0276】

以上、図面を参照しながら各種の実施の形態について説明したが、本開示はかかる例に限定されないことは言うまでもない。当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例、修正例、置換例、付加例、削除例、均等例に想到し得ることは明らかであり、それらについても当然に本開示の技術的範囲に属するものと了解される。また、発明の趣旨を逸脱しない範囲において、上述した各種の実施の形態における各構成要素を任意に組み合わせてもよい。

【産業上の利用可能性】

【0277】

本開示は、ユーザが検知したい検知対象を監視カメラにフレキシブルに設定できるＡＩを備える監視カメラおよび検知方法として有用である。

【符号の説明】

【0278】

１，９１ａ，９１ｂ，９１ｃ，９１ｄ 監視カメラ
２，９２ 端末装置
３ 発報装置
１１ レンズ
１２ 撮像素子
１３ 映像処理部
１４，４１ 制御部
１５，４６ 記憶部
１６ 外部信号出力部
１７ ＡＩ処理部
１７ａ ＡＩ演算エンジン
１７ｂ 復号エンジン
１７ｃ 学習モデル記憶部
１８ 通信部
１８ａ データ送信部
１８ｂ データ受信部
１９ ＴＯＦセンサ
２０ マイク
２１ ＵＳＢＩ／Ｆ部
２２ 外部記憶媒体Ｉ／Ｆ部
３１ 外部記憶媒体
４２ 表示部
４３ 入力部
４４ 通信部
４５ Ｉ／Ｆ部
６１，１０１ サーバ
６２，１０３ ネットワーク
８１，９４ メールサーバ
９３ レコーダ
９５ ＬＡＮ
１０２ ゲートウェイ
Ａ１ 構造物
Ｕ１ ユーザ
Ｍ１ 学習モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】

【図23】

【図24】

【図25】

【図26】

【図27】

【図28】

【図29】

【図30】