温度分布学习装置的制作方法

1.本发明涉及温度分布学习装置。


背景技术：

2.如专利文献1(国际公开第2020-075244号)所示，存在一种使用对象空间的热图像和空调机的吹出口的信息来学习对象空间的温度分布的技术。


技术实现要素：

3.发明所要解决的课题
4.在专利文献1中，存在如下课题：如果在对象空间中没有空调机，则无法得到空调机的吹出口的信息，无法学习对象空间的温度分布。
5.用于解决课题的手段
6.第一观点的温度分布学习装置对包含对象空间的空中至少第一点的温度的温度分布进行学习。温度分布学习装置具备学习模型。学习模型将作为目标变量的温度分布与作为解释变量的与对象空间相关的热图像关联起来进行学习。学习模型基于包含温度分布和热图像的示教数据进行学习。
7.在第一观点的温度分布学习装置中，学习模型将作为目标变量的温度分布与作为解释变量的与对象空间相关的热图像关联起来进行学习。其结果，即使在对象空间中没有空调机，温度分布学习装置也能够学习对象空间的温度分布。此外，即使在对象空间中存在空调机的情况下，温度分布学习装置也能够不使用与空调机有关的信息或者并用与空调机有关的信息来学习对象空间的温度分布。
8.第二观点的温度分布学习装置为第一观点的温度分布学习装置，温度分布是对象空间的空中多个点的温度。
9.在第二观点的温度分布学习装置中，温度分布是对象空间的空中多个点的温度。其结果，温度分布学习装置能够学习学习模型，该学习模型根据与对象空间相关的热图像，推定对象空间的空中多个点的温度。
10.第三观点的温度分布推定装置具备温度分布推定部以及取得部。温度分布推定部使用第一观点或第二观点的温度分布学习装置的学习模型，根据热图像，推定温度分布。取得部取得热图像。
11.在第三观点的温度分布推定装置中，温度分布推定部使用温度分布学习装置的学习模型，根据热图像，推定温度分布。取得部取得热图像。其结果，即使没有温度传感器，温度分布推定装置也能够根据热图像推定温度分布。推定出的温度分布例如被用作用于控制空调机的判断材料。
12.第四观点的温度分布推定装置是第三观点的温度分布推定装置，温度分布推定部基于推定出的温度分布，进一步推定未包含于该推定出的温度分布中的、对象空间的空中温度。
13.通过这样的结构，第四观点的温度分布推定装置能够推定对象空间的任意的空中温度。
14.第五观点的温度分布推定装置是第四观点的温度分布推定装置，还具备热源位置确定部、热源影响推定部以及热源影响反映部。热源位置确定部确定对象空间内的热源的位置。热源影响推定部推定由热源的影响引起的热源的周围的温度变化。热源影响反映部将热源影响推定部推定出的热源的周围的温度变化，反映到温度分布推定部推定出的对象空间的空中温度中。
15.在第五观点的温度分布推定装置中，热源位置确定部确定对象空间内的热源的位置。热源影响推定部推定由热源的影响引起的热源的周围的温度变化。热源影响反映部将热源影响推定部推定出的热源的周围的温度变化，反映到温度分布推定部推定出的对象空间的空中温度中。其结果，温度分布推定装置能够推定反映出热源的影响的对象空间的空中温度。
16.第六观点的温度分布推定装置是第五观点的温度分布推定装置，热源位置确定部通过摄像头或深度传感器来确定热源的位置。
17.在第六观点的温度分布推定装置中，热源位置确定部通过摄像头或深度传感器来确定热源的位置。其结果，温度分布推定装置能够使用摄像头或深度传感器来确定热源的位置。
18.第七观点的温度分布推定装置是第五观点或第六观点的温度分布推定装置，热源位置确定部将人的位置确定为热源的位置。
19.在第七观点的温度分布推定装置中，热源位置确定部将人的位置确定为热源的位置。其结果，温度分布推定装置能够推定反映出人的影响的对象空间的空中温度。
20.第八观点的温度分布学习方法对包含对象空间的空中至少第一点的温度的温度分布进行学习。温度分布学习方法具备学习步骤。学习步骤将作为目标变量的温度分布与作为解释变量的与对象空间相关的热图像关联起来进行学习。在学习步骤中，基于包含温度分布和热图像的示教数据进行学习。其结果，温度分布学习方法能够由任意的装置执行。
21.第九观点的温度分布推定方法具备温度分布推定步骤和取得步骤。在温度分布推定步骤中，通过第八观点的温度分布学习方法，根据热图像，推定温度分布。取得步骤取得热图像。其结果，温度分布推定方法能够由任意的装置执行。
22.第十观点的温度分布推定方法是第九观点的温度分布推定方法，在温度分布推定步骤中，基于推定出的温度分布，进一步推定未包含于该推定出的温度分布中的、对象空间的空中温度。其结果，温度分布推定方法能够由任意的装置执行。
23.第十一观点的温度分布推定方法是第十观点的温度分布推定方法，还具备热源位置确定步骤、热源影响推定步骤和热源影响反映步骤。热源位置确定步骤确定对象空间内的热源的位置。热源影响推定步骤推定由热源的影响引起的热源的周围的温度变化。热源影响反映步骤将通过热源影响推定步骤推定出的热源的周围的温度变化，反映到在温度分布推定步骤中推定出的对象空间的空中温度中。其结果，温度分布推定方法能够由任意的装置执行。
附图说明
24.图1是温度分布学习装置以及温度分布推定装置的结构图。
25.图2是温度分布学习处理的结构图。
26.图3是温度分布推定处理的结构图。
27.图4是表示温度分布学习处理时的对象空间的例子的图。
28.图5是表示温度分布推定处理时的对象空间的例子的图。
29.图6是表示网格平面的例子的图。
30.图7是表示学习精度的验证结果的图。
31.图8是表示学习精度的验证结果的图。
32.图9是表示制作温度映射的过程的网格平面的例子的图。
33.图10是表示制作温度映射的过程的网格平面的例子的图。
34.图11是表示温度映射的例子的图。
35.图12是表示制作温度映射的过程的网格平面的例子的图。
36.图13是表示制作温度映射的过程的网格平面的例子的图。
37.图14是表示制作温度映射的过程的网格平面的例子的图。
38.图15是表示制作温度映射的过程的网格平面的例子的图。
39.图16是表示温度映射的例子的图。
40.图17是温度分布学习处理的流程图。
41.图18是温度分布推定处理的流程图。
42.图19是表示插补处理结果的比较的图。
43.图20是变形例1e中的温度分布学习处理的结构图。
44.图21是变形例1e中的温度分布推定处理的结构图。
45.图22是表示网格空间中的温度分布的例子的图。
46.图23是表示测量直线上的温度的方法的例子的图。
具体实施方式
47.(1)整体结构
48.图1是温度分布学习装置100以及温度分布推定装置200的结构图。如图1所示，温度分布学习装置100、温度分布推定装置200以及对象空间80的各设备81～83经由网络90以能够通信的方式连接。在本实施方式中，网络90是因特网。但是，温度分布学习装置100、温度分布推定装置200以及对象空间80的各设备81～83以能够通信的方式连接即可，网络90不限定于因特网。例如，在温度分布学习装置100和温度分布推定装置200与对象空间80设置于同一建筑物内的情况下，网络90可以是有线或无线lan等。另外，在温度分布学习装置100内置于温度分布推定装置200的情况下，连接温度分布学习装置100以及温度分布推定装置200的网络90也可以是电子电路等。
49.(2)详细结构
50.(2-1)对象空间
51.对象空间80例如是办公室空间。如图1所示，在对象空间80设置有热敏摄像头81、温度传感器82以及人检测摄像头83。
52.图4是表示温度分布学习处理时的对象空间80的例子的图。另外，图5是表示温度分布推定处理时的对象空间80的例子的图。关于温度分布学习处理以及温度分布推定处理，在后面叙述。
53.如图4和图5所示，热敏摄像头81以从对象空间80的顶棚吊起的方式设置。热敏摄像头81拍摄出对对象空间80的地板、墙壁、窗户、日常用具等的表面温度进行了伪彩色显示的热图像hi。热图像hi是灰度图像。在热图像hi的各像素中，例如存储有与摄氏温度相关的0至65535的整数。该整数例如是为了保持至少第一位为止的温度的数值而将温度的实数值设为10倍的整数。以下，在温度分布学习处理中，将温度分布学习装置100取得的热图像hi记载为热图像hi1。另外，在温度分布推定处理中，将温度分布推定装置200取得的热图像hi记载为热图像hi2。
54.如图4所示，温度传感器82设置于对象空间80的空中。在本实施方式中，多个温度传感器82设置于相同的高度。该高度例如为距地面的100cm～120cm。在图4中，作为例子，设置有4个温度传感器82。温度传感器82测量所设置的位置的温度。以下，将多个温度传感器82测量出的温度组记载为温度测量值tm。例如，在存在n个温度传感器82的情况下，温度测量值tm表示为n维矢量。另外，在温度分布学习处理中，将温度分布学习装置100取得的温度测量值tm记载为温度测量值tm1。在温度分布推定处理中，将温度分布推定装置200推定的温度测量值tm记载为温度测量值tm2。另外，如图4所示，将与温度传感器82处于相同高度的平面用二维网格分割后的平面记载为网格平面gp。在图4中，省略了网格平面gp的网格线。在本实施方式中，网格平面gp构成为在由网格线分割出的各单元格中最多存在1个温度传感器82。图6是表示网格平面gp的例子的图。在图6中，温度传感器82用圆形标记表示。如图6所示，在网格平面gp的各单元格中最多包含1个温度传感器82。
55.如图5所示，人检测摄像头83设置于对象空间80的顶棚。本实施方式的人检测摄像头83是全方位摄像头。人检测摄像头83检测对象空间80内的人的位置，并将其坐标作为位置数据831进行输出。在本实施方式中，为了检测对象空间80内的人的位置而使用人检测摄像头83，但例如可以使用深度传感器、lidar(light detection and ranging：光探测和测距)来检测对象空间80内的人的位置。
56.(2-2)温度分布学习装置
57.温度分布学习装置100对包含对象空间80的空中至少第一点的温度的温度分布td进行学习。在本实施方式中，温度分布td是在网格平面gp中存在温度传感器82的单元格内的代表点的温度。学习时的代表点的温度设为对应的温度传感器82的测量值。学习时的代表点的温度例如可以使用通过模拟计算出的温度等。以下，有时将由温度传感器82测量代表点的温度的单元格记载为“定义了温度的单元格”。另外，有时将单元格内的代表点的温度记载为“单元格的温度”。因此，温度分布td是为了学习而定义了温度的单元格的温度的分布。在本实施方式中，由于存在多个温度传感器82，因此温度分布学习装置100学习的温度分布td是对象空间80的空中多个代表点的温度。换言之，温度分布学习装置100学习的温度分布td是多个温度传感器82的温度测量值tm1。
58.以下，将温度分布学习装置100制作后述的学习模型lm的处理记载为温度分布学习处理。
59.如图1所示，温度分布学习装置100主要具备学习部10。
60.温度分布学习装置100具备控制运算装置和存储装置。控制运算装置能够使用cpu或gpu这样的处理器。控制运算装置读出存储于存储装置的程序，按照该程序进行规定的图像处理、运算处理。进而，控制运算装置能够按照程序将运算结果写入存储装置，或者读出存储于存储装置的信息。学习部10是由控制运算装置实现的各种功能块。
61.(2-2-1)学习部
62.温度分布学习装置100具备学习模型lm。学习部10制作学习模型lm，该学习模型lm将作为目标变量的温度分布td与作为解释变量的与对象空间80相关的热图像hi1关联起来进行学习。换言之，学习部10将温度分布td与热图像hi1的对应作为示教数据，来制作学习模型lm。
63.图2是温度分布学习处理的结构图。如图2所示，学习部10从图4所示的热敏摄像头81取得热图像hi1作为学习数据11的解释变量。热图像hi1是规定期间内的、规定的时间间隔下的对象空间80的热图像hi1。规定期间例如为1个月。规定的时间间隔例如为5分钟。学习部10既可以每隔规定的时间间隔实时地取得热图像hi1，也可以一并取得规定期间量的热图像hi1。
64.另外，如图2所示，学习部10从图4所示的多个温度传感器82取得温度测量值tm1作为学习数据11的目标变量。学习部10取得与上述取得的热图像hi1相同时刻的温度测量值tm1。
65.当取得学习数据11时，如图2所示，学习部10制作学习模型lm。在本实施方式中，学习模型lm是通常的神经网络。但是，学习模型lm并不限定于通常的神经网络，也可以使用其他学习模型lm。
66.(2-2-2)验证
67.在此，验证了将学习模型lm设为通常的神经网络时的学习精度。在本验证中，将38个温度传感器82设置于对象空间80。在学习数据11中，训练数据是从2020年4月1日的0点到2020年4月30日的24点为止的每间隔5分钟的数据。测试数据是从2020年5月1日的0点到2020年5月12日的24点的每间隔5分钟的数据。
68.另外，在本验证中，作为学习模型lm，使用了3层神经网络。向输入层输入将分辨率为80
×
80的热图像hi1变形为6400维的热图像。向输出层输出作为38维矢量的温度测量值tm1。输入层、中间层和输出层被全部结合。
69.图7以及图8是表示学习精度的验证结果的图。图7及图8是关于某1个温度传感器82的验证结果。图7及图8的纵轴是预测温度与实测温度的绝对误差。绝对误差是预测温度与实测温度之差的绝对值，图7以及图8的横轴是测试数据的期间的一部分。如图7所示，在2020年5月1日至2020年5月5日之间，绝对误差最多为1.5℃。另一方面，如图8所示，在2020年5月9日至2020年5月12日之间，绝对误差整体上最多为1℃，但局部地，在2020年5月11日12点左右，绝对误差约为2.5℃。
70.(2-3)温度分布推定装置
71.温度分布推定装置200使用学习模型lm等来推定对象空间80的空中温度。换言之，温度分布推定装置200制作对象空间80的温度映射hm。温度映射hm是向网格平面gp的各单元格输入与各单元格对应的温度而得到的。温度映射hm通过将各单元格视为像素，也可以表示为例如以灰度的浓淡表现各单元格的温度的高低的图像。另外，通过将各单元格视为
像素，温度映射hm也可以表示为将各单元格的温度的高低例如按照温度从高到低的顺序用红色、黄色以及蓝色表现的伪彩色显示图像。温度分布推定装置200输出温度映射hm4作为反映出对象空间80内的人的影响的温度映射hm。另外，温度分布推定装置200输出温度映射hm1作为不反映对象空间80内的人的影响的温度映射hm。反映对象空间80内的人的影响的情况是指，视为人在网格平面gp上的同一单元格停留了规定时间的情况。
72.以下，将温度分布推定装置200输出温度映射hm的处理记载为温度分布推定处理。
73.如图1所示，温度分布推定装置200主要具备取得部20、温度分布推定部30、热源位置确定部40、热源影响推定部50以及热源影响反映部60。
74.温度分布推定装置200具备控制运算装置以及存储装置。控制运算装置能够使用cpu或gpu这样的处理器。控制运算装置读出存储于存储装置的程序，按照该程序进行规定的图像处理、运算处理。进而，控制运算装置能够按照程序将运算结果写入存储装置，或者读出存储于存储装置的信息。取得部20、温度分布推定部30、热源位置确定部40、热源影响推定部50以及热源影响反映部60是由控制运算装置实现的各种功能块。
75.(2-3-1)取得部
76.如图3所示，取得部20从图5所示的热敏摄像头81取得热图像hi2。取得部20以规定的时间间隔取得热图像hi2。规定的时间间隔例如为5分钟。
77.(2-3-2)温度分布推定部
78.温度分布推定部30使用温度分布学习装置100制作出的学习模型lm，根据热图像hi2，推定温度分布td。推定的温度分布td是多个温度传感器82的温度测量值tm2。如图3所示，温度分布推定部30将热图像hi2输入到学习模型lm，输出温度测量值tm2。
79.进而，温度分布推定部30基于推定出的温度分布td，推定未包含于该推定出的温度分布td中的对象空间80的空中温度。换言之，如图3所示，温度分布推定部30根据温度测量值tm2制作温度映射hm1。温度映射hm1是未反映对象空间80内的人的影响的温度映射hm。图9以及图10是表示制作温度映射hm1的过程的网格平面gp的例子的图。
80.首先，温度分布推定部30向网格平面gp的单元格内的包含温度传感器82的单元格(温度传感器单元格82m)输入对应的温度测量值tm2。在图9中，作为例子，在5
×
5的网格平面gp中记载有4个温度传感器单元格82m1～82m4。
81.接着，温度分布推定部30进行对未被输入温度的单元格插补温度的插补处理。在本实施方式的插补处理中，温度分布推定部30向被插补的单元格(插补单元格im)输入最接近该插补单元格im的温度传感器单元格82m的温度。在最接近该插补单元格im的温度传感器单元格82m存在多个的情况下，向该插补单元格im输入这些多个温度的平均值。这里所说的最接近插补单元格im的温度传感器单元格82m是指，在从插补单元格im起纵向、横向或倾斜地搜索网格平面gp的单元格时，搜索的单元格的数量最少的温度传感器单元格82m。例如，由于最接近图10的插补单元格im1的温度传感器单元格82m是温度传感器单元格82m2，因此向插补单元格im1输入作为温度传感器单元格82m2的温度的“22℃”。另外，由于最接近插补单元格im2的温度传感器单元格82m是温度传感器单元格82m1、82m2，因此向插补单元格im2输入作为温度传感器单元格82m1、82m2的温度的平均值的“21℃”。另外，最接近插补单元格im3的温度传感器单元格82m是温度传感器单元格82m1～82m4，因此向插补单元格im3输入作为温度传感器单元格82m1～82m4的温度的平均值的“22.8℃”。另外，插补处理不
限于本实施方式的插补处理，例如也可以进行双线性法、最近邻法、双三次法等其他插补处理。
82.温度分布推定装置200在温度映射hm中不反映对象空间80内的人的影响的情况下输出温度映射hm1。
83.图11是表示温度映射hm1的例子的图。在图11中，用灰度的浓淡来表现各单元格的温度的高低。
84.(2-3-3)热源位置确定部
85.热源位置确定部40确定对象空间80内的热源hs的位置。在本实施方式中，热源位置确定部40将人的位置确定为热源hs的位置。另外，热源位置确定部40通过摄像头或深度传感器来确定热源hs的位置。在本实施方式中，热源位置确定部40通过人检测摄像头83来确定人的位置。
86.如图3所示，热源位置确定部40从图5所示的人检测摄像头83取得对象空间80内的人(热源hs)的位置数据831。热源位置确定部40还取得温度映射hm1，将位置数据831与温度映射hm1进行对照，来确定温度映射hm1的存在人的单元格(人的单元格hsm)。此时，热源位置确定部40对人进行区分地确定人的单元格hsm。
87.如图3所示，热源位置确定部40制作温度映射hm2。温度映射hm2是确定出温度映射hm1内的人的单元格hsm的映射。
88.(2-3-4)热源影响推定部
89.热源影响推定部50推定由热源hs的影响引起的热源hs的周围的温度变化。
90.具体而言，如图3所示，热源影响推定部50对温度映射hm2进行更新，制作温度映射hm3。温度映射hm3是相对于温度映射hm2推定出人的周围的温度变化而得到的温度映射hm。
91.热源影响推定部50在视为同一人在温度映射hm2的同一单元格中停留规定时间的情况下，基于人的单元格hsm的温度，对人的附近区域的单元格(附近单元格nrm)的温度进行更新。这是因为，如果同一人在同一单元格内停留规定时间，则由于该人释放的热量而该人的周围温度发生变化。在本实施方式中，热源影响推定部50将上次取得的温度映射hm2与本次取得的温度映射hm2进行比较，在同一人处于同一单元格的情况下，视为同一人在同一单元格停留了规定时间。图12以及图13是表示制作温度映射hm3的过程的网格平面gp的例子的图。
92.首先，热源影响推定部50将温度映射hm2的人的单元格hsm的温度更新为人的温度。在本实施方式中，人的温度为36℃。在图12中，向人的单元格hsm中输入有“36℃”。
93.接着，热源影响推定部50对热辐射单元格trm的温度进行更新。在此，在没有空气流动的情况下，将人释放的热量设为相对于全方位均等。另外，人释放的热量与距人的距离的2次方成反比。另外，人的附近区域的温度变化是根据从人到附近区域的距离和附近区域的更新前的温度而产生的。另外，在附近区域中，从施加的热量向温度变化的转换以不超过人的温度的方式通过s型函数等进行非线性转换。另外，热源hs(人)是独立的，因此具有马尔可夫性，从施加了热量的区域进一步释放热量，释放出热量的区域的温度降低，但原来的热源hs(人)的温度不降低。
94.在实际的办公室中，在空调机工作的情况下产生气流，无法全方位地进行均等的热传导。气流根据空调机的设置位置、办公室的日常用具以及风量等而发生变化。但是，在
稳定状态下气流稳定，因此能够事先学习热传导的各向异性。对各向异性的参数进行推定的模型的事先学习的具体例为，在人滞留一定时间以上的情况下，将空调机的控制参数、滞留人数、滞留时间作为解释变量，将决定4或8个方向的传导热量的参数作为目的变量，来训练推定模型。根据人即将出现之前的温度的分布和滞留后的温度的分布，计算出用于决定作为目标变量的4或8个方向的传导热量的参数，作为示教数据。在学习到的单元格中，在检测到人的滞留时，根据空调机的控制参数、滞留人数以及滞留时间来推定传导热量，能够校正从稳定时起的温度。在未学习的单元格中，求出多个向周边的学习到的单元格输入上述解释变量时的推定值，并进行插补，由此得到用于计算传导热量的参数，能够决定传导热量，能够进行温度校正。
95.在图13中，通过考虑了上述条件的热传播模型，来更新温度映射hm2的温度。在图13中，将以空白显示温度的单元格设为附近单元格nrm，为了简化，仅更新附近单元格nrm的温度。
96.(2-3-5)热源影响反映部
97.热源影响反映部60将热源影响推定部50推定出的热源hs的周围的温度变化反映到温度分布推定部30推定出的对象空间80的空中温度中。具体而言，如图3所示，热源影响反映部60对温度映射hm3进行更新，制作温度映射hm4。温度映射hm4是反映出对象空间80内的人的影响的温度映射hm。图14以及图15是表示制作温度映射hm4的过程的网格平面gp的例子的图。
98.热源影响反映部60将温度映射hm3的“温度传感器单元格82m以及由热源影响推定部50更新了温度的单元格”以外的单元格视为插补单元格im，再次进行插补处理。在本实施方式中，热源影响反映部60进行与温度分布推定部30进行的插补处理同样的插补处理。在图14中，将图13的温度映射hm3的单元格中的“温度传感器单元格82m1～82m4、人的单元格hsm以及附近单元格nrm”以外的单元格视为插补单元格im而设为空。在图15中，通过插补处理来填充插补单元格im。
99.温度分布推定装置200在温度映射hm中反映对象空间80内的人的影响的情况下输出温度映射hm4。
100.图16是表示温度映射hm4的例子的图。在图16中，用灰度的浓淡来表现各单元格的温度的高低。
101.(3)处理
102.(3-1)温度分布学习处理
103.使用图17的流程图对温度分布学习处理进行说明。
104.如步骤s1所示，温度分布学习装置100从图4所示的热敏摄像头81取得热图像hi1。热图像hi1是规定期间内的、规定的时间间隔下的对象空间80的热图像hi1。
105.当取得热图像hi1时，如步骤s2所示，温度分布学习装置100从图4所示的多个温度传感器82取得温度测量值tm1。温度测量值tm1是与所取得的热图像hi1相同时刻的值。
106.当取得温度测量值tm1时，如步骤s3所示，温度分布学习装置100将热图像hi1作为解释变量，将温度测量值tm1作为目标变量，制作学习模型lm。
107.(3-2)温度分布推定处理
108.使用图18的流程图对温度分布推定处理进行说明。
109.如步骤s11所示，温度分布推定装置200从图5所示的热敏摄像头81取得热图像hi2。
110.当取得热图像hi2时，如步骤s12所示，温度分布推定装置200使用温度分布学习装置100制作出的学习模型lm，根据热图像hi2，推定温度测量值tm2。
111.当推定出温度测量值tm2时，如步骤s13所示，温度分布推定装置200通过插补处理，制作未反映对象空间80内的人的影响的温度映射hm1。
112.当制作出温度映射hm1时，如步骤s14所示，温度分布推定装置200从图5所示的人检测摄像头83取得对象空间80内的人的位置数据831。
113.当取得对象空间80内的人的位置数据831时，如步骤s15所示，温度分布推定装置200制作确定出温度映射hm1内的人的位置的温度映射hm2。
114.当制作出温度映射hm2时，如步骤s16所示，温度分布推定装置200将上次制作出的温度映射hm2与本次制作出的温度映射hm2进行比较，判断是否同一人处于同一单元格。
115.在同一人处于同一单元格的情况下，温度分布推定装置200进入步骤s17。在同一人不处于同一单元格的情况下，温度分布推定装置200进入步骤s20。
116.在从步骤s16进入步骤s17的情况下，温度分布推定装置200制作推定出对象空间80内的人的周围的温度变化的温度映射hm3。
117.当制作出温度映射hm3时，如步骤s18所示，温度分布推定装置200制作反映出对象空间80内的人的影响的温度映射hm4。
118.当制作出温度映射hm4时，如步骤s19所示，温度分布推定装置200输出温度映射hm4。
119.在从步骤s16进入到步骤s20的情况下，温度分布推定装置200认为未由于人的影响引起周围的温度变化，输出温度映射hm1。
120.如图18所示，温度分布推定处理在取得部20每次取得热图像hi2时进行。因此，温度分布推定装置200每隔取得部20取得热图像hi2的规定的时间间隔输出温度映射hm1或温度映射hm4。
121.(4)特征
122.(4-1)
123.无法根据设置于对象空间的热敏摄像头的热图像直接获知对象空间的温度分布。这是因为热敏摄像头根据物体表面的辐射热来测量该物体表面的温度。因此，例如有使用对象空间的热图像和空调机的吹出口的信息来学习对象空间的温度分布的技术。
124.但是，存在如下问题：如果在对象空间中没有空调机，则无法得到空调机的吹出口的信息，无法学习对象空间的温度分布。
125.在本实施方式的温度分布学习装置100中，学习模型lm将作为目标变量的温度分布td与作为解释变量的与对象空间80相关的热图像hi关联起来进行学习。其结果，即使在对象空间80中没有空调机，温度分布学习装置100也能够学习对象空间80的温度分布td。此外，即使在对象空间80中存在空调机的情况下，温度分布学习装置100也能够不使用与空调机有关的信息或者并用与空调机有关的信息，来学习对象空间80的温度分布td。
126.(4-2)
127.在本实施方式的温度分布学习装置100中，温度分布td是对象空间80的空中多个
点的温度测量值tm1。其结果，温度分布学习装置100能够对学习模型lm进行学习，该学习模型lm根据与对象空间80相关的热图像hi，推定对象空间80的空中多个点的温度测量值tm。
128.(4-3)
129.以往，存在如下技术：在对象空间设置多个温度传感器，基于这些温度传感器来推定对象空间的温度分布。推定出的温度分布被利用于空调机的控制等。
130.但是，推定的温度分布的精度取决于设置的温度传感器的数量，因此为了高精度地推定温度分布，需要设置多个温度传感器。因此，为了高精度地推定温度分布，存在对象空间成为不方便的空间，温度传感器的设置成本也增加这样的课题。
131.在本实施方式的温度分布推定装置200中，温度分布推定部30使用温度分布学习装置100的学习模型lm，根据热图像hi，推定温度分布td。取得部20取得热图像hi2。其结果，即使没有温度传感器82，温度分布推定装置200也能够根据热图像hi2来推定温度分布td。
132.(4-4)
133.在本实施方式的温度分布推定装置200中，温度分布推定部30基于推定出的温度分布td，进一步推定未包含于该推定出的温度分布td中的、对象空间80的空中温度。其结果，温度分布推定装置200能够推定对象空间80的任意的空中温度。
134.(4-5)
135.在本实施方式的温度分布推定装置200中，热源位置确定部40确定对象空间80内的热源hs的位置。热源影响推定部50推定由热源hs的影响引起的热源hs的周围的温度变化。热源影响反映部60将热源影响推定部50推定出的热源hs的周围的温度变化反映到温度分布推定部30推定出的对象空间80的空中温度中。其结果，温度分布推定装置200能够推定反映出热源hs的影响的对象空间80的空中温度。
136.在对象空间80内的气流恒定的情况下，结构物与作为空中的对象的一点的关系仅通过空气的热传导来表现，能够根据距离不同的多个结构物表面温度来决定。另外，多个空中对象点的温度由于距结构物的距离、相关联的热传导路径不同，因此能够通过与每个对象点关联来进行推定。
137.(4-6)
138.在本实施方式的温度分布推定装置200中，热源位置确定部40通过摄像头或深度传感器来确定热源hs的位置。其结果，温度分布推定装置200能够使用摄像头或深度传感器来确定热源hs的位置。
139.(4-7)
140.在本实施方式的温度分布推定装置200中，热源位置确定部40将人的位置确定为热源hs的位置。其结果，温度分布推定装置200能够推定反映出人的影响的对象空间80的空中温度。
141.(5)变形例
142.(5-1)变形例1a
143.在本实施方式中，温度分布学习装置100进行了温度分布学习处理。但是，温度分布学习处理也可以理解为温度分布学习方法。
144.具体而言，温度分布学习方法对包含对象空间80的空中至少第一点的温度的温度分布td进行学习。温度分布学习方法具备学习步骤。学习步骤将作为目标变量的温度分布
td与作为解释变量的与对象空间80相关的热图像hi关联起来进行学习。在学习步骤中，基于包含温度分布td和热图像hi的示教数据进行学习。
145.学习步骤相当于温度分布学习处理的学习部10的功能。另外，学习步骤相当于图17的步骤s1～步骤s3。
146.其结果，温度分布学习方法能够由任意的装置执行。
147.(5-2)变形例1b
148.在本实施方式中，温度分布推定装置200进行了温度分布推定处理。但是，温度分布推定处理也可以理解为温度分布推定方法。
149.具体而言，温度分布推定方法具备温度分布推定步骤和取得步骤。在温度分布推定步骤中，通过温度分布学习方法，根据热图像hi，推定温度分布td。在温度分布推定步骤中，基于推定出的温度分布td，进一步推定不包含于该推定出的温度分布td中的、对象空间80的空中温度。取得步骤取得热图像hi。
150.温度分布推定方法还具备热源位置确定步骤、热源影响推定步骤以及热源影响反映步骤。热源位置确定步骤确定对象空间80内的热源hs的位置。热源影响推定步骤推定由热源hs的影响引起的热源hs的周围的温度变化。热源影响反映步骤将通过热源影响推定步骤推定出的热源hs的周围的温度变化，反映到在温度分布推定步骤中推定出的对象空间80的空中温度中。
151.取得步骤相当于温度分布推定处理的取得部20的功能。另外，取得步骤相当于图18的步骤s11。
152.温度分布推定步骤相当于温度分布推定处理的温度分布推定部30的功能。另外，温度分布推定步骤相当于图18的步骤s12和步骤s13。
153.热源位置确定步骤相当于温度分布推定处理的热源位置确定部40的功能。另外，热源位置确定步骤相当于图18的步骤s14和步骤s15。
154.热源影响推定步骤相当于温度分布推定处理的热源影响推定部50的功能。另外，热源影响推定步骤相当于图18的步骤s17。
155.热源影响反映步骤相当于温度分布推定处理的热源影响反映部60的功能。另外，热源影响反映步骤相当于图18的步骤s18。
156.其结果，温度分布推定方法能够由任意的装置执行。
157.(5-3)变形例1c
158.在本实施方式中，温度分布推定部30以及热源影响反映部60进行了对温度映射hm的未填充温度的插补单元格im插补温度的插补处理。在本实施方式的插补处理中，向插补单元格im输入最接近该插补单元格im的温度传感器单元格82m的温度。在最接近该插补单元格im的温度传感器单元格82m存在多个的情况下，向该插补单元格im中输入这些多个温度的平均值。
159.但是，在插补处理中，也可以使用应用了gan(generative adversial network，生成对抗网络)的dcgan(deep convolutional gan：深度卷积gan)、srgan(super resolution gan：超分辨率gan)、tecogan(temporally coherent gan：时序一致gan)等。其结果，与本实施方式的插补处理相比，温度分布推定部30以及热源影响反映部60能够制作高精细的温度映射hm。
160.图19是表示插补处理结果的比较的图。在图19的左侧记载了具有38个温度传感器单元格82m的13
×
13的网格平面gp。温度传感器单元格82m用圆形标记表示。基于这些温度传感器82的温度测量值tm进行本实施方式的插补处理而生成的温度映射hm是右上的图像。与此相对，使用tecogan制作出的温度映射hm是右下的图像。可知右下的图像是比右上的图像高精细的图像。
161.(5-4)变形例1d
162.在本实施方式中，学习模型lm是通常的神经网络。但是，学习模型lm也可以特别是卷积神经网络(cnn)。cnn在输入为图像的情况下发挥效果，因此有可能能够制作预测精度更高的学习模型lm。
163.cnn例如使用resnet(residual network：残余网络)等。向输入层输入热图像hi。中间层的后半部分为全结合层。向输出层输出温度测量值tm作为矢量。
164.(5-5)变形例1e
165.在本实施方式中，温度分布学习装置100将从热敏摄像头81取得的热图像hi1与从多个温度传感器82取得的温度测量值tm1关联起来进行了学习。
166.但是，温度分布学习装置100也可以首先根据温度测量值tm1，通过插补处理来制作温度映射hm0，接着，将温度映射hm0与热图像hi1关联起来进行学习。
167.图20是本变形例中的温度分布学习处理的结构图。如图20所示，学习部10与图2不同，当取得温度测量值tm1时，通过插补处理来制作温度映射hm0。学习部10将温度映射hm0与热图像hi1关联起来进行学习，制作学习模型lm。
168.其结果，温度分布推定装置200通过向制作出的学习模型lm输入热图像hi2，能够直接输出未反映对象空间80内的人的影响的温度映射hm1。
169.图21是本变形例中的温度分布推定处理的结构图。如图21所示，温度分布推定部30与图3不同，将热图像hi2输入到学习模型lm，输出温度映射hm1。
170.(5-6)
171.在本实施方式中，在网格平面gp中，以单元格为单位定义了1个温度。但是，一般而言，在网格空间gs中，可以以任意的单位定义1个温度。图22是表示网格空间gs中的温度分布td的例子的图。网格空间gs是将对象空间80分割为4
×4×
4的单元格而得到的。在该情况下，对1个温度进行定义的单位例如也可以是如单位块ub1那样呈直线状地连接块而成的单位。此外，对1个温度进行定义的单位例如也可以是如单位块ub2那样呈平面状地连接块而成的单位。另外，对1个温度进行定义的单位例如也可以是如单位块ub3那样将块堆积成立方体状而成的单位。
172.例如也可以向构成单位块ub的各个块设置温度传感器82，将它们测定出的温度的平均值定义为单位块ub的温度。另外，例如，在单位块ub3中，也可以在单位块ub3的中心点设置温度传感器82，将该温度传感器82的测量值定义为单位块ub3的温度。
173.另外，例如，在单位块ub1中，也可以使用超声波us测定直线上的温度，将测定出的温度定义为单位块ub1的温度。图23是表示测定直线上的温度的方法的例子的图。图23表示在图22的网格空间gs中测量在上下方向上堆积的4个单位块ub1的各温度的方法。图23中描绘出从右方向观察在上下方向上堆积的4个单位块ub1的图。单位块ub1从上方起记载为单位块ub11、单位块ub12、单位块ub13以及单位块ub14。在各单位块ub1设置有超声波生成装
置84。具体而言，在单位块ub11的前后方向的端部分别设置有超声波生成装置84a、84b1。在单位块ub12的后方向的端部设置有超声波生成装置84b2。在单位块ub13的后方向的端部设置有超声波生成装置84b3。在单位块ub14的后方向的端部设置有超声波生成装置84b4。超声波生成装置84能够收发直线状的超声波us。具体而言，超声波生成装置84a向超声波生成装置84b1～84b4发送超声波us。超声波生成装置84b1～84b4若从超声波生成装置84a接收到超声波us，则向超声波生成装置84a发送超声波us。将在超声波生成装置84a与超声波生成装置84bi之间往复的超声波us设为超声波usi。i为1至4的整数，表示超声波us1～us4的种类。另外，将超声波usi通过单位块ub1j时的单程的距离设为l
ij
(m)(在图23中代表性地记载有l
41
～l
44
)，将单位块ub1j中的超声波us的速度设为vj(m/s)，将超声波usi往复的时间设为τi(s)。j为1至4的整数，表示单位块ub11～ub14的种类。此时，根据距离、速度以及时间的关系，以下的数学式1成立。
174.[数学式1]
[0175][0176]
在数学式1中，τi能够通过超声波生成装置84a进行测量。另外，l
ij
能够根据超声波生成装置84的配置和单位块ub的定义来进行测量。因此，数学式1是关于vj的联立方程式。例如，当通过最小二乘法等求解数学式1时，求出vj。另一方面，超声波us的速度vj受到通过的单位块ub1j内的空气的温度tj(degc)的影响。例如，认为在vj与tj之间，以下的数学式2成立。
[0177]
[数学式2]
[0178]
vj＝331.5+0.6
×
tj[0179]
因此，通过将由数学式1求出的vj代入数学式2而求出tj。能够将该tj定义为单位块ub1j的温度。
[0180]
温度分布推定装置200例如与本实施方式同样地，推定定义了温度的单位块ub的温度，根据推定出的单位块ub的温度，推定(插补)周围的块的温度。
[0181]
(5-7)
[0182]
以上，对本公开的实施方式进行了说明，但应该理解为在不脱离技术方案所记载的本公开的主旨以及范围的情况下，能够进行方式、详细内容的多种变更。
[0183]
附图标记的说明
[0184]
20：取得部；30：温度分布推定部；40：热源位置确定部；50：热源影响推定部；60：热源影响反映部；80：对象空间；100：温度分布学习装置；200：温度分布推定装置；hi：热图像；hs：热源；lm：学习模型；td：温度分布；tm：温度测量值(温度分布)。
[0185]
现有技术文献
[0186]
专利文献
[0187]
专利文献1：国际公开第2020-075244号