English 
NECは、ビジョン・言語モデル（VLM）を用いて、道路や河川を監視するライブ映像から現場の状況に数値（スコア）を割り当てるAI技術を開発した。これにより、河川の氾濫、浸水、積雪などの災害の前兆を早期に検知することが可能となる。 この技術は、地方自治体、政府機関、インフラ事業者などが運用する既存のライブカメラを活用できるため、災害監視現場への導入が容易であると同時に、監視業務の効率化や対応判断の迅速化につながる。NECは、2027年度中にこの技術を実用化することを目指している。.
背景
自然災害が激化する中、道路や河川などの現場では、異常や災害の初期兆候を検知しつつ、現場の状況監視を効率化することが求められている。こうした現場の多くはすでにライブカメラの映像を監視しているが、設置された多数のカメラからの映像を手作業で継続的に確認し、災害の兆しとなる現場状況の微妙な変化を見逃さないようにすることは困難だ。 画像認識AIは、この映像分析を自動化する一つの選択肢だが、災害の種類や現場ごとに大量の学習データを収集・アノテーションする必要があり、導入には時間と労力を要する。 そこで、膨大なデータで事前学習済みであり、追加の学習なしに動画コンテンツを理解できる基盤モデル「VLM」が、ライブカメラ映像の自動分析を可能にすると期待されている。.
However, when a general-purpose VLM is asked a text-based question (prompt) about on-site conditions – for example, whether an area is flooded – it can produce answers that diverge from the facts or are inconsistent. This makes it difficult to accurately capture the subtle changes that progress over time and detect disaster precursors. In addition, because a VLM’s answers are heavily influenced by the content of the prompt, accurately reflecting the different points to watch for at each site requires engineers with specialized knowledge to go through trial and error, which takes considerable time and effort. As a result, it has not been practical to rapidly apply this approach to a wide range of disasters – such as river flooding, inundation, and snow accumulation – and the diverse sites where they occur.
価値提案
この技術は、ライブ映像から災害に関連する状況の進行状況を評価し、災害の前兆を早期に検知するとともに、現場での確認や対応判断を迅速化させる。これにより、被害の防止や拡大の抑制につながる。.
さらに、この技術は各サイトに合わせたプロンプトを自動的に生成するため、専門知識を持つ技術者が従来行っていた試行錯誤が不要となり、新たな災害やサイトにおけるシステムの導入・運用にかかる負担を軽減する。.
技術的特徴
こちらもお読みください： 日立、省エネ型のGPU冷却用コールドプレートを開発
1. 刻一刻と変化する現場状況を評価することで災害の前兆を検知する。汎用VLMは現場状況を言葉で表現することはできるが、テキスト応答には程度や範囲といった定量的な情報が出力されないため、現場状況の微妙な違いを捉えることができない。 この技術は、VLMが生成する回答のテキストに頼るのではなく、 NEC‘s proprietary technology to analyze the likelihood values the VLM computes internally during text generation , drawing out information that would otherwise be lost in the process of converting it into words, and finely scoring on-site conditions such as the extent of flooding or snow accumulation. This makes it possible to capture subtle changes and trends over time – previously difficult to detect – as continuous numerical values. Operators can also flexibly set precursor and danger thresholds suited to each site and type of disaster based on these scores.
2. Accelerating On-Site Deployment through Automatic Generation of Site- and Disaster-Specific Prompts When this technology is deployed at a site, AI automatically generates a prompt suited to the disaster type being observed – such as flooding or snow accumulation – and to the composition of the scene captured by each camera. Using footage from the site, this prompt is generated through successive adjustments that keep the score continuous between temporally preceding and following images. In this process, for example, the areas of the image the VLM should focus on and the areas that can be disregarded are automatically identified for each site, and reflected in the prompt as information effective for scoring. By performing these processes automatically, fluctuations in the VLM’s score caused by minor differences between images are suppressed, enabling stable judgments. As a result, experts no longer need to design or adjust prompts for each camera’s installation environment or disaster type, supporting rapid deployment and efficient operation across diverse sites.
NECはこの技術を通じて、自治体やインフラ運営事業者の監視業務の効率化を支援し、地域社会の安全・安心の向上に寄与する。.
日本語