特許 7473886 学習データ作成システム、学習データ作成方法、および学習済みモデル

(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】2024-04-16

(45)【発行日】2024-04-24

(54)【発明の名称】学習データ作成システム、学習データ作成方法、および学習済みモデル

(51)【国際特許分類】

   G06T 7/00 20170101AFI20240417BHJP

【ＦＩ】

G06T7/00 350B

【請求項の数】 7

(21)【出願番号】P 2020071925

(22)【出願日】2020-04-13

(65)【公開番号】P2021168094

(43)【公開日】2021-10-21

【審査請求日】2023-03-14

(73)【特許権者】

【識別番号】519077997

【氏名又は名称】株式会社イーアイアイ

(73)【特許権者】

【識別番号】502253401

【氏名又は名称】大栄環境株式会社

(74)【代理人】

【識別番号】100183162

【弁理士】

【氏名又は名称】大塚 義文

(72)【発明者】

【氏名】胡 浩

(72)【発明者】

【氏名】張 嵩

【審査官】片岡 利延

(56)【参考文献】

【文献】特開２０１８－０７２８８１（ＪＰ，Ａ）

【文献】特開２０２１－０１８７８８（ＪＰ，Ａ）

【文献】特開２００９－０１０８２８（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｔ ７／００

(57)【特許請求の範囲】

【請求項1】

画像データから火の検知を行う学習モデルに入力する教師データを作成する学習データ作成システムであって、
監視対象の第一画像および前記第一画像と同時刻に撮影したものであって当該第一画像よりも撮像時の光量を抑えた第二画像を撮像する撮像手段と、
前記監視対象における火の存在を示す存在情報を、画像認識手段を用いて前記第二画像から取得する取得手段と、
前記第一画像に前記存在情報をラベルとして関連付けた第一教師データを作成する第一作成手段と、を備える、
ことを特徴とする学習データ作成システム。

【請求項2】

前記取得手段は、火が写る範囲を示す範囲情報を前記第二画像からさらに取得し、
前記第一作成手段は、前記第一画像に前記存在情報および前記範囲情報をラベルとして関連付けた第一教師データを作成する、
ことを特徴とする請求項１に記載の学習データ作成システム。

【請求項3】

前記撮像手段は、前記第一画像を撮像する第一カメラと、前記第一カメラの上方または下方に配置されており前記第二画像を撮像する第二カメラと、前記第一カメラの側方に配置されており前記第二画像を撮像する第三カメラと、を有し、
前記取得手段は、前記第二カメラが撮像した前記第二画像から前記第一画像における火の左右方向の範囲を特定し、前記第三カメラが撮像した前記第二画像から前記第一画像における火の上下方向の範囲を特定する、
ことを特徴とする請求項２に記載の学習データ作成システム。

【請求項4】

前記第二画像に少なくとも前記存在情報をラベルとして関連付けた第二教師データを作成する第二作成手段をさらに備える、
ことを特徴とする請求項１ないし請求項３の何れか一項に記載の学習データ作成システム。

【請求項5】

前記第一画像は、前記監視対象の状況および前記火の範囲を目視可能であるものであり、
前記第二画像は、前記火の範囲のみを目視可能である、
ことを特徴とする請求項１ないし請求項４の何れか一項に記載の学習データ作成システム。

【請求項6】

画像データから火の検知を行う学習モデルに入力する教師データを作成する学習データ作成方法であって、
監視対象の第一画像および前記第一画像と同時刻に撮影したものであって当該第一画像よりも撮像時の光量を抑えた第二画像を撮像する撮像ステップと、
前記監視対象における火の存在を示す存在情報を、画像認識手段を用いて前記第二画像から取得する取得ステップと、
前記第一画像に前記存在情報をラベルとして関連付けた第一教師データを作成する第一作成ステップとを実行する、
ことを特徴とする学習データ作成方法。

【請求項7】

請求項６に記載の学習データ作成方法によって作成した前記第一教師データを用いて教師あり学習を行った、火の検知を行う処理をコンピュータに実行させるための学習済みモデル。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、学習データ作成システム、学習データ作成方法、および学習済みモデルに関する。

【背景技術】

【0002】

炎を判定する炎検知装置が開発されている（特許文献１参照）。この炎検知装置は、撮像素子によって監視対象を撮像して得られた画像から炎を判定する。

【0003】

また、近年では人工知能（ＡＩ：Artificial Intelligence）の技術を用いた画像認識手段を取り入れたシステムの開発が様々な分野で進められている。この技術を用いれば、例えば多数の教師データを学習モデルに入力して学習させることで、撮像した画像から火の発生を検知する学習済みモデルを作成することができる。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２００３－２７００３７号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかし、精度の高い学習済みモデルを作成するためには膨大な数の教師データが必要であり、そのような膨大な数の教師データを作成するためにはとても多くの労力を要する。そのため、精度の高い学習済みモデルを作成するのが困難であった。

【0006】

このような観点から、本発明は、学習データの作成に要する労力を抑えることができる学習データ作成システム、学習データ作成方法、および当該学習データ作成方法によって作成した学習データを用いて作成した学習済みモデルを提供する。

【課題を解決するための手段】

【0007】

前記課題を解決するため、本発明に係る学習データ作成システムは、画像データから火の検知を行う学習モデルに入力する教師データを作成する学習データ作成システムである。この学習データ作成システムは、撮像手段と、取得手段と、第一作成手段とを備える。
撮像手段は、監視対象の第一画像および前記第一画像と同時刻に撮影したものであって当該第一画像よりも撮像時の光量を抑えた第二画像を撮像する。
取得手段は、前記監視対象における火の存在を示す存在情報を、画像認識手段を用いて前記第二画像から取得する。
第一作成手段は、前記第一画像に前記存在情報をラベルとして関連付けた第一教師データを作成する。

【0008】

前記第一画像は、前記監視対象の状況および前記火の範囲を目視可能であるのがよい。また、前記第二画像は、前記火の範囲のみを目視可能であるのがよい。

【0009】

本発明に係る学習データ作成システムにおいては、撮影時に光量を抑えることによって火が第二画像に鮮明に写し出される。そのため、撮影時に光量を抑えていない第一画像から画像認識手段を用いて火の存在を判定するのに比べて、第二画像から火の存在の判定を行うのが容易である。したがって、第二画像から取得した火の存在を示す存在情報の間違いが少なく、存在情報をラベルとして関連付けた第一教師データの精度が高い。その結果、第一教師データの作成に要する労力を抑えることができる。

【0010】

前記取得手段は、火が写る範囲を示す範囲情報を前記第二画像からさらに取得し、前記第一作成手段は、前記第一画像に前記存在情報および前記範囲情報をラベルとして関連付けた第一教師データを作成してもよい。

【0011】

このようにすると、火が写る範囲を示す範囲情報を付した第一教師データを容易に作成することができる。

【0012】

前記撮像手段は、前記第一画像を撮像する第一カメラと、前記第一カメラの上方または下方に配置されており前記第二画像を撮像する第二カメラと、前記第一カメラの側方に配置されており前記第二画像を撮像する第三カメラと、を有するのがよい。
前記取得手段は、前記第二カメラが撮像した前記第二画像から前記第一画像における火の左右方向の範囲を特定し、前記第三カメラが撮像した前記第二画像から前記第一画像における火の上下方向の範囲を特定する。

【0013】

このようにすると、火が写る範囲を簡単な計算によって特定できるので、火が写る範囲を示す範囲情報を付した第一教師データをさらに容易に作成することができる。

【0014】

前記第二画像に少なくとも前記存在情報をラベルとして関連付けた第二教師データを作成する第二作成手段をさらに備えるのがよい。

【0015】

このようにすると、第一教師データと同様に、存在情報をラベルとして関連付けた第二教師データの作成に要する労力を抑えることができる。

【0016】

前記課題を解決するため、本発明に係る学習データ作成方法は、画像データから火の検知を行う学習モデルに入力する教師データを作成する学習データ作成方法である。この学習データ作成方法では、撮像ステップと、取得ステップと、第一作成ステップとを実行する。
撮像ステップでは、監視対象の第一画像および前記第一画像と同時刻に撮影したものであって当該第一画像よりも撮像時の光量を抑えた第二画像を撮像する。
取得ステップでは、前記監視対象における火の存在を示す存在情報を、画像認識手段を用いて前記第二画像から取得する。
第一作成ステップでは、前記第一画像に前記存在情報をラベルとして関連付けた第一教師データを作成する。

【0017】

本発明に係る学習データ作成方法においては、撮影時に光量を抑えることによって火が第二画像に鮮明に写し出される。そのため、撮影時に光量を抑えていない第一画像から画像認識手段を用いて火の存在を判定するのに比べて、第二画像から火の存在の判定を行うのが容易である。したがって、第二画像から取得した火の存在を示す存在情報の間違いが少なく、存在情報をラベルとして関連付けた第一教師データの精度が高い。その結果、第一教師データの作成に要する労力を抑えることができる。

【0018】

学習データ作成方法によって作成した前記第一教師データを用いて教師あり学習を行って、火の検知を行う処理をコンピュータに実行させるための学習済みモデルを作成するのがよい。

【発明の効果】

【0019】

本発明によれば、学習データの作成に要する労力を抑えることができる。

【図面の簡単な説明】

【0020】

【図1】本発明の第１実施形態に係る学習データ作成システムを含む総合監視システムの概略構成図である。

【図2】本発明の第１実施形態に係る撮像手段を説明するための図であって、（ａ）は第一画像のイメージであり、（ｂ）は第二画像のイメージである。

【図3】ローカル端末の機能構成図である。

【図4】クラウドシステムの機能構成図である。

【図5】本発明の第１実施形態に係る学習データ作成方法を説明するための図である。

【図6】本発明の第２実施形態に係る学習データ作成システムを含む総合監視システムの概略構成図である。

【図7】本発明の第２実施形態に係る撮像手段を説明するための図であって、（ａ）は撮像手段の正面図であり、（ｂ）は撮像手段を構成する各カメラの視界のイメージである。

【図8】ローカル端末の機能構成図である。

【図9】クラウドシステムの機能構成図である。

【図10】本発明の第２実施形態に係る学習データ作成方法を説明するための図である。

【発明を実施するための形態】

【0021】

以下、本発明の実施をするための形態を、適宜図面を参照しながら詳細に説明する。各図は、本発明を十分に理解できる程度に、概略的に示してあるに過ぎない。よって、本発明は、図示例のみに限定されるものではない。また、参照する図面において、本発明を構成する部材の寸法は、説明を明確にするために誇張して表現されている場合がある。なお、各図において、共通する構成要素や同様な構成要素については、同一の符号を付し、それらの重複する説明を省略する。

【0022】

［第１実施形態］
＜第１実施形態に係る学習データ作成システムを含む総合監視システムの構成＞
図１を参照して、第１実施形態に係る総合監視システムＳＡについて説明する。図１は、総合監視システムＳＡの概略構成図である。総合監視システムＳＡは、各々の現場に設置される消防システム１Ａ－１，１Ａ－２，・・，１Ａ－Ｎ（Ｎ≧２）と、クラウドシステム２Ａと、ユーザ端末３とを備える。消防システム１Ａ－１，１Ａ－２，・・，１Ａ－Ｎの構成は同様であるので、以下ではまとめて「消防システム１Ａ」と称する場合がある。

【0023】

（消防システムについて）
消防システム１Ａは、火の発生を監視するとともに火が発生した場合に自動で消火するシステムである。消防システム１Ａは、火の発生を監視する監視対象や監視目的を限定せずに、様々な状況における火の発生の監視および消火に利用することができる。ここでの火には、火花や炎などの火災の原因になるものが広く含まれる。火は、光や熱を発生する。

【0024】

図１に示すように、本実施形態では、消防システム１Ａを用いて、廃棄物処理施設に設置される破砕機Ｋを監視する場合について説明し、破砕機Ｋにおける火（特に、火花）の発生を検知する。破砕機Ｋにはベルトコンベアを介して廃棄物が搬送されてくる。消防システム１Ａによれば、作業員が破砕機Ｋを目視により常時監視することなしに、破砕機Ｋで発生する火を検知できる。

【0025】

図１に示すように、消防システム１Ａは、撮像手段１０Ａと、ローカル端末２０Ａと、制御装置３０と、消防用設備４０とを備える。なお、図１に示す消防システム１Ａの構成はあくまで例示であり、図１とは異なる構成にすることもできる。

【0026】

撮像手段１０Ａは、監視対象である破砕機Ｋを撮像し、破砕機Ｋの画像（映像でもよい）を作成する。撮像手段１０Ａは、第一カメラ１１と第二カメラ１２とを備える。第一カメラ１１および第二カメラ１２は、デジタルカメラであって同じ機種であるのがよい。第一カメラ１１および第二カメラ１２は同期しており（同時に撮像することが可能であり）、同時刻の破砕機Ｋの状態を撮像できる。第一カメラ１１および第二カメラ１２は、監視対象を同じ場所（つまり、同じ角度および同じ距離）から撮像できるように設置されるのがよい。第一カメラ１１と第二カメラ１２とは上下方向に並べて配置されている。第一カメラ１１および第二カメラ１２の光軸は、平行である。第一カメラ１１および第二カメラ１２は、監視を行うのに十分な解像度（例えば、８００万画素以上）を有しているのがよい。また、映像を撮影する場合、第一カメラ１１および第二カメラ１２は、監視を行うのに十分な程度の連続撮影が可能であるのがよい（例えば、１秒間に数十枚の撮影が可能であるのがよい）。なお、詳細は後記するが、第１実施形態では火の位置の特定は問題としないので、第一カメラ１１と第二カメラ１２とが必ずしも同じ機種でなくてもよく、また同じ場所に設置されていなくてもよい（つまり、撮影するタイミングの同期が取れていればよい）。

【0027】

第一カメラ１１は、監視対象の第一画像を撮像する。第一画像は、監視対象の状況が分かる程度に鮮明な画像である。第一画像は、監視対象の状況および火の範囲を目視可能であるのが望ましい。第一カメラ１１は、例えば発生する火の輪郭や色の特徴を出せるように各種のパラメータが設定されている。第一カメラ１１を自動モード（自動補正あり）に設定して第一画像を撮像してもよい。

【0028】

第二カメラ１２は、監視対象の第二画像を撮像する。第二画像は、発生した火が鮮明な画像である。第二画像は、火の範囲のみを目視可能であるのが望ましい。第二カメラ１２は、例えば光量を抑えるように各種のパラメータが設定されている（例えば、絞り値、露光時間など）。そのため、第二カメラ１２を手動モード（自動補正なし）に設定して第二画像を撮像するのがよい。第二画像は、第一画像に比べて暗い画像になる。以下では、第一画像を「明るい画像」と呼び、「第二画像」を「暗い画像」と呼ぶ場合がある。なお、第一カメラ１１と第二カメラ１２とは、撮像範囲の設定が同じになっているのがよい。

【0029】

図２（ａ）に第一画像Ｐ１のイメージを示し、図２（ｂ）に第二画像Ｐ２のイメージを示す。図２に示す第一画像Ｐ１および第二画像Ｐ２には、破砕機Ｋ、廃棄物Ｈ、発生した火Ｆなどが写っている。明るい画像である第一画像Ｐ１では、破砕機Ｋや廃棄物Ｈが鮮明に写っているので、相対的に火Ｆが分かりづらくなっている。一方、暗い画像である第二画像Ｐ２では、破砕機Ｋや廃棄物Ｈが鮮明に写っていないので（例えば、薄暗い状態）、相対的に火Ｆが分かりやすくなっている。

【0030】

図１に示すローカル端末２０Ａは、情報処理装置であって消防システム１Ａを管理している。ローカル端末２０Ａは、例えばパーソナルコンピュータである。ローカル端末２０Ａは、撮像手段１０Ａに接続されており、撮像手段１０Ａから第一画像および第二画像を受信する。ローカル端末２０Ａには、火を検知するプログラム（例えば、学習済みモデル）が格納されており、第一画像および第二画像の少なくとも何れか一方を用いて火を検知する。どの画像を用いて火の検知を行うかは事前に設定されている。

【0031】

ローカル端末２０Ａは、予め決められた条件に従って（例えば、所定時間内に規定回数を超えて火を検知したなど）、消火や警報などの対応を行うか否かを判定する。ローカル端末２０Ａは、制御装置３０に接続されており、消火や警報などの対応を制御装置３０に対して指示する。また、ローカル端末２０Ａは、Ｅメールの送信機能を有しており、予め決められた相手に火の発生を通知する。また、ローカル端末２０Ａは、クラウドシステム２に接続されており、第一画像および第二画像や火の発生に関する情報をクラウドシステム２Ａに送信する。

【0032】

図１に示す制御装置３０は、例えばＰＬＣ（Programmable Logic Controller）制御盤である。制御装置３０は、ローカル端末２０Ａおよび消防用設備４０に接続されており、ローカル端末２０Ａからの指示に従って、消防用設備４０を動作させる。なお、ローカル端末２０Ａと制御装置３０とが一つの装置として構成されていてもよい。その場合、ローカル端末２０Ａは、例えば消防用設備４０に直接指示を送信する。

【0033】

図１に示す消防用設備４０は、火が発生した場合に動作して火災への対応を行う装置である。消防用設備４０は、例えば消火設備４１と、警報設備４２とを備える。消火設備４１は、例えばスプリンクラーであって発生した火を消火する。警報設備４２は、例えばスピーカーや無線機であって、廃棄物処理施設の作業員に対して避難を促す。

【0034】

図１に示すクラウドシステム２Ａは、総合監視システムＳＡを管理している。クラウドシステム２Ａは、ローカル端末２０Ａおよびユーザ端末３に接続されている。クラウドシステム２Ａは、例えば監視対象ごとにデータベースを構築しており、ローカル端末２０Ａから受信した第一画像および第二画像を管理している。

【0035】

クラウドシステム２Ａは、第一画像および第二画像を教師データとして教師あり学習によって学習済みモデルを作成する機能を有している。クラウドシステム２Ａで学習された最新の学習済みモデルは、ローカル端末２０Ａに送信され、ローカル端末２０Ａの学習済みモデルは定期的に更新される。学習データの作成方法および学習方法については後述する。

【0036】

図１に示すユーザ端末３は、例えば廃棄物処理施設を管理するユーザが操作する端末である。ユーザ端末３は、クラウドシステム２に接続されており、クラウドシステム２が収集した監視対象の情報を取得可能である。ユーザは、ユーザ端末３を用いて自身が管理する廃棄物処理施設に設置される破砕機Ｋの情報を確認できる。

【0037】

（ローカル端末について）
図３を参照して、ローカル端末２０Ａが有する機能について説明する。図３は、ローカル端末２０Ａの機能構成図である。
ローカル端末２０Ａは、主に、入力手段２１と、取得手段２２Ａと、火検知手段２３Ａと、制御手段２４と、出力手段２５とを備えている。ローカル端末２０Ａが備えるこれらの機能は、ＣＰＵ（Central Processing Unit）によるプログラム実行処理や、専用回路等により実現される。なお、図３に示すローカル端末２０Ａの各機能の分類は、説明の便宜上のものであって、本発明を限定するものではない。

【0038】

入力手段２１は、明るい画像である第一画像Ｐ１（図２（ａ）参照）および暗い画像である第二画像Ｐ２（図２（ｂ）参照）をローカル端末２０Ａ内に取り込むための機能である。入力手段２１は、例えば入力インタフェースを含んで構成されており、撮像手段１０Ａから第一画像Ｐ１および第二画像Ｐ２を受信し、受信した第一画像Ｐ１および第二画像Ｐ２を図示しない記憶手段に格納する。

【0039】

取得手段２２Ａは、教師データのラベルとなる情報を取得する機能である。取得手段２２Ａは、画像認識手段を用いて第二画像から教師データのラベルとなる情報を取得する。ラベルとなる情報は、検知する火に関する情報であればよく、学習する内容に応じて決定される。本実施形態では、火の検知を行う学習モデルを作成するので、ラベルとなる情報は火の存在を示す存在情報（火のあり／なし情報）である。

【0040】

本実施形態に係る取得手段２２Ａは、画像認識手段を用いて第二画像に火が存在するか否か（火が写っているか否か）を判定する。火の存在を判定する画像認識手段の種類は特に限定されず、様々な方法を用いることができる。例えば火を検知するプログラムを開発してそれを画像認識手段として用いてもよいし、後述する第二画像から火を検知する第二学習済みモデルＭＡｂを画像認識手段として用いてもよい。以下では、学習済みモデルによる画像認識を特に「ＡＩ（Artificial Intelligence）画像認識」と呼び、開発したプログラムによる画像認識を特に「非ＡＩ画像認識」と呼ぶことにする。

【0041】

非ＡＩ画像認識は、従来から知られている一般物体認識の技術を用いたものであってよい。この技術では、例えば画像に写る物体の形状、輪郭、動き、色、飽和度等の物体の状態を特徴量（パラメータ）として読み取り、予め登録しておいた物体の特徴量（パラメータ）と比較することで物体の類似度を算出する。なお、ここで示した物体の状態はあくまで例示であり、表面の凹凸状況、大きさ等を物体の状態として用いてもよい。第二画像では、発生した火が鮮明であるので、特徴量の読み取りが比較的容易であり、取得手段２２Ａが火を検知する精度は、教師データのラベルとなる情報（火のある／なし情報）を取得するのに十分なものになる。教師データのラベルとなる情報（火のある／なし情報）を取得するのに十分な精度とは、例えば火の発生の監視を行うのに十分な精度を要求するものではなく、発光体（例えば、照明や回転灯）を火と判定する程度の誤認識を許容するものであってよい。ただし、監視を行うのに十分な精度を有することを否定するものではない。なお、本実施形態では火の位置の特定は問題としないことにする（つまり、火の正確な位置までも特定するプログラムを作成する必要はない）。また、非ＡＩ画像認識のプログラムは、現場ごと、カメラごと、監視対象ごとに作成したものであってよく、複数の現場で共通するものでなくてもよい。

【0042】

火検知手段２３Ａは、第一学習済みモデルＭＡａと、第二学習済みモデルＭＡｂとを備える。第一学習済みモデルＭＡａおよび第二学習済みモデルＭＡｂは、例えばニューラルネットワークとして構成されており、監視対象において火が発生している可能性を算出する。例えば、ニューラルネットワークは、決められた画素数の画像を入力する入力層と、中間層（隠れ層）と、火のある／なしに応じたノードを有する出力層とによって構成されている。入力層には、第一画像Ｐ１や第二画像Ｐ２が入力される。第一画像Ｐ１、第二画像Ｐ２の入力方法は特に限定されない。出力層からは、火が発生している可能性が確率として出力される。

【0043】

第一学習済みモデルＭＡａは、明るい画像である第一画像Ｐ１（図２（ａ）参照）から火を検知する。第一学習済みモデルＭＡａは、明るい画像である第一画像Ｐ１（図２（ａ）参照）に火の存在を示す存在情報（火のあり／なし情報）をラベルとして関連付けた第一教師データを入力することによって学習したものである。本実施形態では、クラウドシステム２Ａで第一学習済みモデルＭＡａの学習が行われる。第一学習済みモデルＭＡａを用いた場合における火の検知精度は、例えば火の発生の監視を行うのに十分なものであるのがよく、発光体（例えば、照明や回転灯）を火と区別できるものであるのが望ましい。

【0044】

第二学習済みモデルＭＡｂは、暗い画像である第二画像Ｐ２（図２（ｂ）参照）から火を検知する。第二学習済みモデルＭＡｂは、暗い画像である第二画像Ｐ２（図２（ｂ）参照）に火の存在を示す存在情報（火のあり／なし情報）をラベルとして関連付けた第二教師データを入力することによって学習したものである。本実施形態では、クラウドシステム２Ａで第二学習済みモデルＭＡｂの学習が行われる。第二学習済みモデルＭＡｂを用いた場合における火の検知精度は、例えば火の発生の監視を行うのに十分なものであるのがよく、発光体（例えば、照明や回転灯）を火と区別できるものであるのが望ましい。なお、第二学習済みモデルＭＡｂを用いた場合における火の検知精度は、第一学習済みモデルＭＡａを用いた場合における火の検知精度に比べて一般的に良くなりやすい。

【0045】

制御手段２４は、予め決められた条件に従って（例えば、所定時間内に規定回数を超えて火を検知したなど）、消火や警報などの対応を行うか否かを判定する。制御手段２４は、対応を行うと判定した場合、制御装置３０を介して消火や警報などの対応を消防用設備４０に指示する。また、制御手段２４は、Ｅメールなどによって予め決められた相手に火の発生を通知する。

【0046】

出力手段２５は、教師データの作成に必要な情報や総合監視システムＳＡを管理するのに必要な情報をクラウドシステム２Ａに出力するための機能である。出力手段２５は、例えば出力インタフェースを含んで構成されており、明るい画像である第一画像Ｐ１（図２（ａ）参照）および暗い画像である第二画像Ｐ２（図２（ｂ）参照）や、火の発生に関する情報をクラウドシステム２Ａに送信する。なお、第一画像Ｐ１、第二画像Ｐ２には、火の存在を示す存在情報（火のあり／なし情報）が対応付けられているのがよい。この対応付けは、例えば撮像を行った時刻によって実現されている。

【0047】

（クラウドシステムについて）
図４を参照して、クラウドシステム２Ａが有する機能について説明する。図４は、クラウドシステム２Ａの機能構成図である。
クラウドシステム２Ａは、主に、入力手段３１と、作成手段３２Ａと、機械学習手段３３Ａと、更新手段３４とを備えている。クラウドシステム２Ａが備えるこれらの機能は、ＣＰＵ（Central Processing Unit）によるプログラム実行処理や、専用回路等により実現される。なお、図４に示すクラウドシステム２Ａの各機能の分類は、説明の便宜上のものであって、本発明を限定するものではない。

【0048】

入力手段３１は、教師データの作成に必要な情報や総合監視システムＳＡを管理するのに必要な情報をクラウドシステム２内に取り込むための機能である。入力手段３１は、例えば入力インタフェースを含んで構成されており、例えば明るい画像である第一画像Ｐ１（図２（ａ）参照）および暗い画像である第二画像Ｐ２（図２（ｂ）参照）や火の発生に関する情報を受信し、受信したこれらの情報を図示しない記憶手段に格納する。

【0049】

作成手段３２Ａは、教師あり学習で学習モデルに入力する教師データを作成する機能である。作成手段３２Ａは、第一作成手段３２Ａａおよび第二作成手段３２Ａｂを備える。

【0050】

第一作成手段３２Ａａは、明るい画像である第一画像Ｐ１に火の存在を示す存在情報（火のあり／なし情報）をラベルとして関連付けた第一教師データを作成する。第一教師データには、第一画像Ｐ１に火が写っているものと火が写っていないものとが含まれる。火が写っている第一画像Ｐ１には、「火がある」とのラベルが付与され、また、火が写っていない第一画像Ｐ１には、「火がない」とのラベルが付与される。

【0051】

第二作成手段３２Ａｂは、暗い画像である第二画像Ｐ２に火の存在を示す存在情報（火のあり／なし情報）をラベルとして関連付けた第二教師データを作成する。第二教師データには、第二画像Ｐ２に火が写っているものと火が写っていないものとが含まれる。火が写っている第二画像Ｐ２には、「火がある」とのラベルが付与され、また、火が写っていない第二画像Ｐ２には、「火がない」とのラベルが付与される。

【0052】

機械学習手段３３Ａは、教師あり学習によって学習モデルを学習させるための機能である。機械学習手段３３Ａは、第一機械学習手段３３Ａａおよび第二機械学習手段３３Ａｂを備える。

【0053】

第一機械学習手段３３Ａａは、第一教師データを入力として学習モデルを学習する。第一機械学習手段３３Ａａは、学習済みのモデルを再学習することもできる。なお、第一教師データは、明るい画像である第一画像Ｐ１に火の存在を示す存在情報（火のあり／なし情報）をラベルとして関連付けたデータである。第一機械学習手段３３Ａａの学習によって、第一学習済みモデルＭＡａ（図３参照）が作成される。

【0054】

第二機械学習手段３３Ａｂは、第二教師データを入力として学習モデルを学習する。第二機械学習手段３３Ａｂは、学習済みのモデルを再学習することもできる。なお、第二教師データは、暗い画像である第二画像Ｐ２に火の存在を示す存在情報（火のあり／なし情報）をラベルとして関連付けたデータである。第二機械学習手段３３Ａｂの学習によって、第二学習済みモデルＭＡｂ（図３参照）が作成される。

【0055】

更新手段３４は、機械学習手段３３Ａによって作成された学習済みモデル（第一学習済みモデルＭＡａおよび第二学習済みモデルＭＡｂ）をローカル端末２０Ａに送信し、既存の学習済みモデルをアップデートする機能である。アップデートするタイミングは特に限定されない。

【0056】

なお、消防システム１Ａが備える機能の中で学習データの作成に関する機能である「撮像手段１０Ａ」、「取得手段２２Ａ」、「作成手段３２Ａ」をまとめたものを特に「学習データ作成システム」と呼ぶ場合がある。

【0057】

＜第１実施形態に係る学習データ作成方法＞
図５を参照して（適宜、図１ないし図４参照）、第１実施形態に係る学習データ作成方法について説明する。図５は、第１実施形態に係る学習データ作成方法を説明するための図である。ここでは、映像による監視を想定して説明する。

【0058】

（ステップＳ１０）
各現場で撮像手段１０Ａ（図１参照）が監視対象（例えば、破砕機Ｋ）を撮影し、撮影された第一画像Ｐ１および第二画像Ｐ２は、現場に設置されるローカル端末２０Ａ－１，２０Ａ－２，・・，２０Ａ－Ｎに送られる。

【0059】

（ステップＳ２０）
各現場のローカル端末２０Ａでは、教師データのラベルとなる情報を取得するために取得手段２２Ａが暗い画像である第二画像Ｐ２を用いて火の検知を行い、火の存在を示す存在情報（火のあり／なし情報）を取得する。なお、この教師データのラベルとなる情報の取得処理は、監視対象を監視する処理の一部として実行されてもよい。ローカル端末２０Ａは、明るい画像である第一画像Ｐ１、暗い画像である第二画像Ｐ２をクラウドシステム２Ａに送信する。ここで、第一画像Ｐ１、第二画像Ｐ２には、火の存在を示す存在情報（火のあり／なし情報）が対応付けられている。なお、これらの情報の送信はリアルタイムで行われなくてもよい。

【0060】

（ステップＳ３０）
クラウドシステム２Ａは、ローカル端末２０Ａから取得した第一画像Ｐ１および第二画像Ｐ２を蓄積し、作成手段３２Ａは、所定のタイミング（例えば、機械学習を行うタイミング）で第一教師データおよび第二教師データを作成する。第一教師データは、明るい画像である第一画像Ｐ１に火の存在を示す存在情報（火のあり／なし情報）をラベルとして関連付けたものである。また、第二教師データは、暗い画像である第二画像Ｐ２に火の存在を示す存在情報（火のあり／なし情報）をラベルとして関連付けたものである。なお、人間がチェックすることによって、第一教師データおよび第二教師データの精度を高めることができる。第一教師データには、第一画像Ｐ１に火が写っているものと火が写っていないものとが含まれる。また、第二教師データには、第二画像Ｐ２に火が写っているものと火が写っていないものとが含まれる。

【0061】

（ステップＳ４０）
クラウドシステム２Ａの機械学習手段３３Ａは、学習モデルに第一教師データを入力して第一学習済みモデルＭＡａを作成する。また、機械学習手段３３Ａは、学習モデルに第二教師データを入力して第二学習済みモデルＭＡｂを作成する。なお、それぞれの学習済みモデルを再学習することもできる。これにより、火を検知する精度を向上させることが可能である。

【0062】

（ステップＳ５０）
クラウドシステム２Ａは、最新の学習済みモデルをローカル端末２０Ａに送信し、ローカル端末２０Ａの学習済みモデルは定期的に更新される。ローカル端末２０Ａは、学習済みモデルを用いることによって、誤検知の少ない精度より火の検知を行うことができる。

【0063】

学習済みモデル（第一学習済みモデルＭＡａ、第二学習済みモデルＭＡｂ）を用いる利用形態は特に限定されない。学習済みモデルの活用方法は、例えば以下のものがある。
（１）第二学習済みモデルＭＡｂを用いた暗い第二画像Ｐ２からの検知
（２）第一学習済みモデルＭＡａを用いた明るい第一画像Ｐ１からの検知
（３）第二学習済みモデルＭＡｂおよび第一学習済みモデルＭＡａの併用
上記（１）の利用形態では、第一画像Ｐ１を監視対象の確認用として用いてもよい。また、上記（３）の利用形態において、相反する火の検知結果が出た場合における制御は、第二学習済みモデルＭＡｂを優先、第一学習済みモデルＭＡａを優先、火の検知として処理するなどが考えられる。

【0064】

以上のように、第１実施形態に係る学習データ作成システムおよび学習データ作成方法では、撮影時に光量を抑えることによって火が第二画像Ｐ２に鮮明に写し出される。そのため、撮影時に光量を抑えていない第一画像Ｐ１から画像認識手段を用いて火の存在を判定するのに比べて、第二画像Ｐ２から火の存在の判定を行うのが容易である。したがって、第二画像Ｐ２から取得した火の存在を示す存在情報の間違いが少なく、存在情報をラベルとして関連付けた第一教師データの精度が高い。その結果、第一教師データの作成に要する労力を抑えることができる。第二教師データの作成につても同様である。

【0065】

［第２実施形態］
第１実施形態では、暗い画像である第二画像Ｐ２から教師データのラベルとなる情報（火のある／なし情報）を取得していた。ここで、第１実施形態では火の位置の特定は問題としていなかった。第２実施形態では、教師データのラベルとなる情報として火のある／なし情報に加えて火が写る範囲を取得する。

【0066】

図６を参照して、第２実施形態に係る総合監視システムＳＢについて説明する。図６は、総合監視システムＳＢの概略構成図である。以降では、第１実施形態に係る構成との相違点について主に説明する。
総合監視システムＳＢは、各々の現場に設置される消防システム１Ｂ－１，１Ｂ－２，・・，１Ｂ－Ｎ（Ｎ≧２）と、クラウドシステム２Ｂと、ユーザ端末３とを備える。消防システム１Ｂ－１，１Ｂ－２，・・，１Ｂ－Ｎの構成は同様であるので、以下ではまとめて「消防システム１Ｂ」と称する場合がある。

【0067】

図６に示すように、消防システム１Ｂは、撮像手段１０Ｂと、ローカル端末２０Ｂと、制御装置３０と、消防用設備４０とを備える。制御装置３０および消防用設備４０の構成は、第１実施形態と同様であるので説明を省略する。なお、図６に示す消防システム１Ｂの構成はあくまで例示であり、図６とは異なる構成にすることもできる。

【0068】

撮像手段１０Ｂは、監視対象である破砕機Ｋを撮像し、破砕機Ｋの画像（映像でもよい）を作成する。撮像手段１０Ｂは、第一カメラ１１と第二カメラ１２と第三カメラ１３とを備える。第一カメラ１１、第二カメラ１２および第三カメラ１３は、デジタルカメラであって同じ機種である。第一カメラ１１、第二カメラ１２および第三カメラ１３は同期しており（同時に撮像することが可能であり）、同時刻の破砕機Ｋの状態を撮像できる。第一カメラ１１、第二カメラ１２および第三カメラ１３は、監視対象を同じ場所（つまり、同じ角度および同じ距離）から撮像できるように設置されるのがよい。第一カメラ１１と第二カメラ１２とは上下方向に並べて配置されており、第一カメラ１１と第三カメラ１３とは左右方向に並べて配置されている。第一カメラ１１、第二カメラ１２および第三カメラ１３の光軸は、平行である。

【0069】

第一カメラ１１は、監視対象の第一画像を撮像する。第一画像は、監視対象の状況が分かる程度に鮮明な画像である。第一画像は、監視対象の状況および火の範囲を目視可能であるのが望ましい。第一カメラ１１は、例えば発生する火の輪郭や色の特徴を出せるように各種のパラメータが設定されている。第一カメラ１１を自動モード（自動補正あり）に設定して第一画像を撮像してもよい。

【0070】

第二カメラ１２および第三カメラ１３は、監視対象の第二画像を撮像する。第二画像は、発生した火が鮮明な画像である。第二画像は、火の範囲のみを目視可能であるのが望ましい。第二カメラ１２および第三カメラ１３は、例えば光量を抑えるように各種のパラメータが設定されている（例えば、絞り値、露光時間など）。そのため、第二カメラ１２および第三カメラ１３を手動モード（自動補正なし）に設定して第二画像を撮像するのがよい。第二画像は、第一画像に比べて暗い画像になる。

【0071】

図７（ａ）は撮像手段１０Ｂの正面図であり、（ｂ）は撮像手段１０Ｂを構成する各カメラの視界のイメージ（つまり、撮像した画像イメージ）である。
図７（ａ）に示すように、第二カメラ１２は、第一カメラ１１の下方に配置されており、また、第三カメラ１３は、第一カメラ１１の右側方に配置されている。なお、第二カメラ１２が第一カメラ１１の上方に配置され、第三カメラ１３が第一カメラ１１の左側方に配置されてもよい。図７（ｂ）に示すように、第一カメラ１１の視界と第二カメラ１２の視界とは上下方向にずれており、また、第一カメラ１１の視界と第三カメラ１３の視界とは左右方向にずれている。そのため、第二カメラ１２によって撮像された第二画像Ｐ２１および第三カメラ１３によって撮像された第三画像Ｐ２２に写る火Ｆの位置は、第一カメラ１１によって撮像された第一画像Ｐ１に対してずれる。なお、ずれの方向およびずれの量は、カメラの配置によって決定される。

【0072】

（ローカル端末について）
図８を参照して、ローカル端末２０Ｂが有する機能について説明する。図８は、ローカル端末２０Ｂの機能構成図である。
ローカル端末２０Ｂは、主に、入力手段２１と、取得手段２２Ｂと、火検知手段２３Ｂと、制御手段２４と、出力手段２５とを備えている。ローカル端末２０Ｂが備えるこれらの機能は、ＣＰＵ（Central Processing Unit）によるプログラム実行処理や、専用回路等により実現される。なお、図８に示すローカル端末２０Ｂの各機能の分類は、説明の便宜上のものであって、本発明を限定するものではない。

【0073】

なお、入力手段２１、制御手段２４および出力手段２５は、第１実施形態と同様であるので詳細な説明を省略する。入力手段２１は、明るい画像である第一画像Ｐ１および暗い画像である二つの第二画像Ｐ２１，Ｐ２２をローカル端末２０Ｂ内に取り込む。出力手段２５は、明るい画像である第一画像Ｐ１および暗い画像である二つの第二画像Ｐ２１，Ｐ２２をクラウドシステム２Ｂに出力する。

【0074】

取得手段２２Ｂは、教師データのラベルとなる情報を取得する機能である。取得手段２２Ｂは、画像認識手段を用いて第二画像Ｐ２から教師データのラベルとなる情報を取得する。本実施形態でのラベルとなる情報は、火の存在を示す存在情報（火のあり／なし情報）および火が写る範囲を示す範囲情報である。範囲情報には、位置情報およびサイズ情報が含まれる。取得手段２２Ｂは、第１実施形態と同様の方法によって火の存在を示す存在情報を取得する。なお、取得手段２２Ｂは、二つの第二画像Ｐ２の内の何れか一方を用いて火のあり／なしを判定してもよいし、二つの第二画像Ｐ２から火のあり／なしを判定してもよい。

【0075】

取得手段２２Ｂは、二つの第二画像Ｐ２から第一画像Ｐ１に写る火の範囲を特定する。図７（ａ）に示すように、第一カメラ１１および第二カメラ１２の左右方向における光軸の位置および方向は合っている（ずれていない）。そのため、二つのカメラの画角を同じにすることによって、図７（ｂ）に示すように、第一カメラ１１が撮像した第一画像Ｐ１に写る火の左右方向の範囲と、第二カメラ１２が撮像した第二画像Ｐ２１に写る火の左右方向の範囲とは同じになる。同様に、図７（ａ）に示すように、第一カメラ１１および第三カメラ１３の上下方向における光軸の位置および方向は合っている（ずれていない）。そのため、二つのカメラの画角を同じにすることによって、図７（ｂ）に示すように、第一カメラ１１が撮像した第一画像Ｐ１に写る火の上下方向の範囲と、第三カメラ１３が撮像した第三画像Ｐ２２に写る火の上下方向の範囲とは同じになる。取得手段２２Ｂは、この原理を利用して第一画像Ｐ１に写る火の範囲を特定する。なお、取得手段２２Ｂは、ここで説明した以外の方法で第二画像Ｐ２から第一画像Ｐ１に写る火の範囲を特定してもよい。

【0076】

火検知手段２３Ｂは、第一学習済みモデルＭＢａと、第二学習済みモデルＭＢｂとを備える。第一学習済みモデルＭＢａおよび第二学習済みモデルＭＢｂは、例えばニューラルネットワークとして構成されており、監視対象において火が発生している可能性を算出する。

【0077】

第一学習済みモデルＭＢａは、明るい画像である第一画像Ｐ１（図７（ｂ）参照）から火を検知する。第一学習済みモデルＭＢａは、明るい画像である第一画像Ｐ１（図７（ｂ）参照）に火の存在を示す存在情報（火のあり／なし情報）および火の範囲を示す範囲情報（位置およびサイズ）をラベルとして関連付けた第一教師データを入力することによって学習したものである。本実施形態では、クラウドシステム２Ｂで第一学習済みモデルＭＢａの学習が行われる。

【0078】

第二学習済みモデルＭＢｂは、暗い画像である第二画像Ｐ２１，Ｐ２２（図７（ｂ）参照）から火を検知する。なお、第二画像Ｐ２１，Ｐ２２の何れか一方を用いて火を検知することもできる。第二学習済みモデルＭＢｂは、暗い画像である第二画像Ｐ２１，Ｐ２２（図７（ｂ）参照）に火の存在を示す存在情報（火のあり／なし情報）および火の範囲を示す範囲情報（位置およびサイズ）をラベルとして関連付けた第二教師データを入力することによって学習したものである。本実施形態では、クラウドシステム２Ｂで第二学習済みモデルＭＢｂの学習が行われる。

【0079】

（クラウドシステムについて）
図９を参照して、クラウドシステム２Ｂが有する機能について説明する。図９は、クラウドシステム２Ｂの機能構成図である。
クラウドシステム２Ｂは、主に、入力手段３１と、作成手段３２Ｂと、機械学習手段３３Ｂと、更新手段３４とを備えている。クラウドシステム２Ｂが備えるこれらの機能は、ＣＰＵ（Central Processing Unit）によるプログラム実行処理や、専用回路等により実現される。なお、図９に示すクラウドシステム２の各機能の分類は、説明の便宜上のものであって、本発明を限定するものではない。

【0080】

なお、入力手段３１および更新手段３４は、第１実施形態と同様であるので詳細な説明を省略する。入力手段３１は、明るい画像である第一画像Ｐ１および暗い画像である第二画像Ｐ２１，Ｐ２２や火の発生に関する情報をクラウドシステム２Ｂ内に取り込む。

【0081】

作成手段３２Ｂは、教師あり学習で学習モデルに入力する教師データを作成する機能である。作成手段３２Ｂは、第一作成手段３２Ｂａおよび第二作成手段３２Ｂｂを備える。

【0082】

第一作成手段３２Ｂａは、明るい画像である第一画像Ｐ１に火の存在を示す存在情報（火のあり／なし情報）および火の範囲を示す範囲情報（位置およびサイズ）をラベルとして関連付けた第一教師データを作成する。第一教師データには、第一画像Ｐ１に火が写っているものと火が写っていないものとが含まれる。火が写っている第一画像Ｐ１には、例えば「火がある」および「火の範囲を囲む枠の情報」のラベルが付与され、また、火が写っていない第一画像Ｐ１には、「火がない」とのラベルが付与される。

【0083】

第二作成手段３２Ｂｂは、暗い画像である第二画像Ｐ２に火の存在を示す存在情報（火のあり／なし情報）および火の範囲を示す範囲情報（位置およびサイズ）をラベルとして関連付けた第二教師データを作成する。第二教師データには、第二画像Ｐ２に火が写っているものと火が写っていないものとが含まれる。火が写っている第二画像Ｐ２には、例えば「火がある」および「火の範囲を囲む枠の情報」のラベルが付与され、また、火が写っていない第二画像Ｐ２には、「火がない」とのラベルが付与される。

【0084】

機械学習手段３３Ｂは、教師あり学習によって学習モデルを学習させるための機能である。機械学習手段３３Ｂは、第一機械学習手段３３Ｂａおよび第二機械学習手段３３Ｂｂを備える。

【0085】

第一機械学習手段３３Ｂａは、第一教師データを入力として学習モデルを学習する。第一機械学習手段３３Ｂａは、学習済みのモデルを再学習することもできる。なお、第一教師データは、明るい画像である第一画像Ｐ１に火の存在を示す存在情報（火のあり／なし情報）および火の範囲を示す範囲情報（位置およびサイズの情報）をラベルとして関連付けたデータである。第一機械学習手段３３Ｂａの学習によって、第一学習済みモデルＭＢａ（図８参照）が作成される。第一学習済みモデルＭＢａによれば、発生した火の範囲の特定までが可能である。

【0086】

第二機械学習手段３３Ｂｂは、第二教師データを入力として学習モデルを学習する。第二機械学習手段３３Ｂｂは、学習済みのモデルを再学習することもできる。なお、第二教師データは、暗い画像である第二画像Ｐ２に火の存在を示す存在情報（火のあり／なし情報）および火の範囲を示す範囲情報（位置およびサイズの情報）をラベルとして関連付けたデータである。第二機械学習手段３３Ｂｂの学習によって、第二学習済みモデルＭＢｂ（図８参照）が作成される。第二学習済みモデルＭＢｂによれば、発生した火の範囲の特定までが可能である。

【0087】

なお、消防システム１Ｂが備える機能の中で学習データの作成に関する機能である「撮像手段１０Ｂ」、「取得手段２２Ｂ」、「作成手段３２Ｂ」をまとめたものを特に「学習データ作成システム」と呼ぶ場合がある。

【0088】

＜第２実施形態に係る学習データ作成方法＞
図１０を参照して（適宜、図６ないし図９参照）、第２実施形態に係る学習データ作成方法について説明する。図１０は、第２実施形態に係る学習データ作成方法を説明するための図である。ここでは、映像による監視を想定して説明する。

【0089】

（ステップＴ１０）
各現場で撮像手段１０Ｂ（図６参照）が監視対象（例えば、破砕機Ｋ）を撮影し、撮影された第一画像Ｐ１および二つの第二画像Ｐ２は、現場に設置されるローカル端末２０Ｂ－１，２０Ｂ－２，・・，２０Ｂ－Ｎに送られる。

【0090】

（ステップＴ２０）
各現場のローカル端末２０Ｂでは、教師データのラベルとなる情報を取得するために取得手段２２Ｂが暗い画像である二つの第二画像Ｐ２を用いて火の検知を行い、火の存在を示す存在情報（火のあり／なし情報）および火の範囲を示す範囲情報（位置およびサイズの情報）を取得する。なお、この教師データのラベルとなる情報の取得処理は、監視対象を監視する処理の一部として実行されてもよい。ローカル端末２０Ｂは、明るい画像である第一画像Ｐ１、暗い画像である第二画像Ｐ２をクラウドシステム２Ｂに送信する。ここで、第一画像Ｐ１、第二画像Ｐ２には、火の存在を示す存在情報（火のあり／なし情報）および火の範囲を示す範囲情報（位置およびサイズの情報）が対応付けられている。なお、これらの情報の送信はリアルタイムで行われなくてもよい。

【0091】

（ステップＴ３０）
クラウドシステム２Ｂは、ローカル端末２０Ｂから取得した第一画像Ｐ１および第二画像Ｐ２を蓄積し、作成手段３２Ｂは、所定のタイミング（例えば、機械学習を行うタイミング）で第一教師データおよび第二教師データを作成する。第一教師データは、明るい画像である第一画像Ｐ１に火の存在を示す存在情報（火のあり／なし情報）および火の範囲を示す範囲情報（位置およびサイズの情報）をラベルとして関連付けたものである。また、第二教師データは、暗い画像である第二画像Ｐ２に火の存在を示す存在情報（火のあり／なし情報）および火の範囲を示す範囲情報（位置およびサイズの情報）をラベルとして関連付けたものである。なお、人間がチェックすることによって、第一教師データおよび第二教師データの精度を高めることができる。第一教師データには、第一画像Ｐ１に火が写っているものと火が写っていないものとが含まれる。また、第二教師データには、第二画像Ｐ２に火が写っているものと火が写っていないものとが含まれる。

【0092】

（ステップＴ４０）
クラウドシステム２Ｂの機械学習手段３３Ｂは、学習モデルに第一教師データを入力して第一学習済みモデルＭＢａを作成する。また、機械学習手段３３Ｂは、学習モデルに第二教師データを入力して第二学習済みモデルＭＢｂを作成する。なお、それぞれの学習済みモデルを再学習することもできる。これにより、火を検知する精度を向上させることが可能である。

【0093】

（ステップＴ５０）
クラウドシステム２Ｂは、最新の学習済みモデルをローカル端末２０Ｂに送信し、ローカル端末２０Ｂの学習済みモデルは定期的に更新される。ローカル端末２０Ｂは、学習済みモデルを用いることによって、誤検知の少ない精度より火の検知を行うことができる。

【0094】

以上のように、第２実施形態に係る学習データ作成システムおよび学習データ作成方法によっても第１実施形態と同等の効果を奏することができる。
また、第２実施形態に係る学習データ作成システムおよび学習データ作成方法によれば、火が写る範囲を示す範囲情報を付した第一教師データおよび第二教師データを容易に作成することができる。

【0095】

以上、本発明の実施形態について説明したが、本発明はこれに限定されるものではなく、特許請求の範囲の趣旨を変えない範囲で実施することができる。

【0096】

各実施形態では、ローカル端末２０Ａ，２０Ｂが明るい画像である第一画像Ｐ１、暗い画像である第二画像Ｐ２の両方をクラウドシステム２Ａ，２Ｂに送信し、クラウドシステム２Ａ，２Ｂで第一学習済みモデルＭＡａ，ＭＢａおよび第二学習済みモデルＭＡｂ，ＭＢｂを作成する場合について説明した。しかしながら、必ずしも第一学習済みモデルＭＡａ，ＭＢａ、第二学習済みモデルＭＡｂ，ＭＢｂの両方を作成しなくてもよい。また、第一学習済みモデルＭＡａ，ＭＢａ、第二学習済みモデルＭＡｂ，ＭＢｂの両方を作成した場合であっても、第一学習済みモデルＭＡａ，ＭＢａおよび第二学習済みモデルＭＡｂ，ＭＢｂの何れか一方を用いて監視を行ってもよい。

【符号の説明】

【0097】

１Ａ，１Ｂ 消防システム
１０Ａ，１０Ｂ 撮像手段
１１ 第一カメラ
１２ 第二カメラ
１３ 第三カメラ
２０Ａ，２０Ｂ ローカル端末
２２Ａ，２２Ｂ 取得手段
２３Ａ，２３Ｂ 火検知手段
３０ 制御装置
３２Ａ，３２Ｂ 作成手段
３２Ａａ，３２Ｂａ 第一作成手段
３２Ａｂ，３２Ｂｂ 第二作成手段
３３Ａ，３３Ｂ 機械学習手段
３３Ａａ，３３Ｂａ 第一機械学習手段
３３Ａｂ，３３Ｂｂ 第二機械学習手段
４０ 消防用設備
ＭＡａ，ＭＢａ 第一学習済みモデル
ＭＡｂ，ＭＢｂ 第二学習済みモデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】