CN115728305A - 水处理状况监视系统和水处理状况监视方法 - Google Patents

Abstract

本发明提供水处理状况监视系统和方法，能够计算出即使是非熟练者也能够简单地辨别图像中的被处理水的浑浊物质凝聚状态是否良好的信息。水处理状况监视系统包括第一和第二摄像装置、第一和第二测量装置。第一和第二摄像装置设置在能够拍摄被处理水的彼此不同的多个场所，取得包括被处理水的图像的图像数据。第一测量装置测定并取得包括被处理水的被处理水浊度的被处理水数据。第二测量装置测定并取得包括处理水的处理水浊度的处理水数据。信息处理装置使用第一和第二摄像装置各自的拍摄图像构建第一和第二凝聚良否判断模型，使用第一和第二凝聚良否判断模型中的任一个，根据包括被处理水的图像的输入数据计算预测处理水浊度。

Description

水处理状况监视系统和水处理状况监视方法

技术领域

本发明涉及水处理状况监视系统和水处理状况监视方法。

背景技术

在上下水厂及其他工厂的排水处理系统中，根据被处理水(也称为“原水”)的水质使用各种水处理技术来达到处理水的目标水质。在水处理技术中，除去水中固形物(浑浊(也称为“浑浊物质”))的凝聚处理需要恰当的药剂注入管理。但是，当被处理水的水质发生变动等时，药剂注入量有时需要依赖于熟练操作员(熟练者)的经验。

熟练者基于经验，能够根据用于确认浑浊物质凝聚状态的烧杯试验的结果、监视控制数据、在作业现场对浑浊物质的凝聚状态进行目视观察、在监视室确认因浑浊物质凝聚而形成的絮体的图像等，来决定恰当的药剂注入量。另一方面，熟练者目视观察到的浑浊物质的凝聚状态等并没有记录在监视控制系统(监视控制数据)中。因此，由于熟练者的经验已成为一种隐性知识，所以存在药剂注入管理中所需的知识等不容易被熟练者以外的他人继承这一技术问题。

将来，希望即使是非熟练者也能够判明浑浊物质的凝聚状态，拥有提前判断浑浊物质凝聚不良的技能。于是，正在推进开发一种通过传感技术取得絮体的图像数据，使用机器学习、人工智能来判断浑浊物质的凝聚是否良好的技术。

专利文献1公开了下述信息处理装置(下面有时也称“现有装置”)。在现有装置中，在要实施上水处理的原水中添加已知量的凝聚剂并进行搅拌，对此从此时起的400秒内的各个图像数据与表示将来形成的絮体是否对上水处理造成不良影响的类别建立关联而得到教师数据，对这样得到的教师数据进行深度学习。

之后，现有装置在输入了图像数据(辨别对象图像数据)时，根据深度学习的学习结果和辨别对象图像数据来判断与辨别对象图像数据对应的原水中将来形成的絮体是否会对上水处理造成不良影响。其中，辨别对象图像数据是在要实施上水处理的原水中添加已知量的凝聚剂并进行搅拌时起的300秒以内的图像数据，是没有与表示将来形成的絮体是否对上水处理造成不良影响的类别建立关联的图像数据。

现有技术文献

专利文献

专利文献1：日本特开2020-134284号公报

发明内容

发明要解决的技术问题

在对被处理水进行处理并净化而得到目标水质处理水的设施中，需要一种即使是非熟练者也能够简单地辨别呈现在图像中的被处理水的浑浊物质的凝聚状态是否良好的技术。本发明就是为了解决上述技术问题而完成的。即，本发明的目的之一是提供一种水处理状况监视系统和水处理状况监视方法，能够计算出即使是非熟练者也能够简单地辨别呈现在图像中的被处理水的浑浊物质的凝聚状态是否良好的信息。

解决问题的技术手段

为了解决上述技术问题，本发明的水处理状况监视系统被应用在生成处理水的设施中，该设施通过将被处理水依次输运至多个处理场所，进行包括用于除去所述被处理水中含有的浑浊物质的凝聚沉淀处理的处理，来生成将所述被处理水净化得到的所述处理水。本发明的水处理状况监视系统包括：多个摄像装置，其设置在能够拍摄所述被处理水的彼此不同的多个场所，通过拍摄所述被处理水来取得包括从各场所拍摄到的所述被处理水的图像的、各场所的所述被处理水的图像数据；被处理水测量装置，其对关于所述被处理水的、包括被处理水浊度的被处理水水质参数进行测定，取得包括所述被处理水水质参数的被处理水数据；处理水测量装置，其对所述处理水的处理水浊度进行测定，取得包括所述处理水浊度的处理水数据；和信息处理装置，其从所述摄像装置、所述被处理水测量装置和所述处理水测量装置取得所述图像数据、所述被处理水数据和所述处理水数据。所述信息处理装置构成为，使用包括所述被处理水的所述图像数据的学习用输入数据和所述处理水数据作为学习用数据，通过机器学习构建多个凝聚良否判断模型，其中，所述凝聚良否判断模型用于根据包括所述被处理水的所述图像的输入数据而输出表示所述被处理水的所述浑浊物质的凝聚状态是否良好的信息，所述信息处理装置构成为，选择多个所述凝聚良否判断模型中的至少一个，从多个所述摄像装置中的至少一个取得所述被处理水的所述图像作为判断用图像，使用所选择的所述凝聚良否判断模型，根据包括所述判断用图像的判断用输入数据，计算表示呈现在所述判断用图像中的所述被处理水的所述浑浊物质的所述凝聚状态是否良好的信息。

本发明的水处理状况监视系统被应用在生成处理水的设施中，该设施通过将被处理水依次输运至多个处理场所，进行包括用于除去所述被处理水中含有的浑浊物质的凝聚沉淀处理的处理，来生成将所述被处理水净化得到的所述处理水。本发明的水处理状况监视系统包括：多个采水装置，其对位于彼此不同的多个场所的所述被处理水进行采水；多个摄像装置，其通过对由多个所述采水装置采得的位于多个场所的所述被处理水分别进行拍摄，取得包括位于各所述场所的所述被处理水的图像即采水图像的、各场所的所述被处理水的采水图像数据；被处理水测量装置，其对关于所述被处理水的、包括被处理水浊度的被处理水水质参数进行测定，取得包括所述被处理水水质参数的被处理水数据；处理水测量装置，其对所述处理水的处理水浊度进行测定，取得包括所述处理水浊度的处理水数据；和信息处理装置，其从所述摄像装置、所述被处理水测量装置和所述处理水测量装置取得所述采水图像数据、所述被处理水数据和所述处理水数据。所述信息处理装置构成为，使用包括所述被处理水的所述采水图像数据的学习用输入数据和所述处理水数据作为学习用数据，通过机器学习，按各场所的所述被处理水的所述采水图像数据分别构建凝聚良否判断模型，其中，所述凝聚良否判断模型用于根据包括所述被处理水的所述采水图像的输入数据而输出表示所述被处理水的所述浑浊物质的凝聚状态是否良好的信息，所述信息处理装置构成为，选择按与各场所对应的所述被处理水的所述采水图像数据分别构建的多个所述凝聚良否判断模型中的至少一个，从所述摄像装置取得所述被处理水的所述采水图像作为判断用图像，使用所选择的所述凝聚良否判断模型，根据包括所述判断用图像的判断用输入数据，计算表示呈现在所述判断用图像中的所述被处理水的所述浑浊物质的所述凝聚状态是否良好的信息。

本发明的水处理状况监视方法被应用在生成处理水的设施中，该设施通过将被处理水依次输运至多个处理场所，进行包括用于除去所述被处理水中含有的浑浊物质的凝聚沉淀处理的处理，来生成将所述被处理水净化得到的所述处理水，其包括：利用设置在能够拍摄所述被处理水的彼此不同的多个场所的多个摄像装置，通过拍摄所述被处理水来取得包括从各场所拍摄到的所述被处理水的图像的、各场所的所述被处理水的图像数据；利用被处理水测量装置，对关于所述被处理水的、包括被处理水浊度的被处理水水质参数进行测定，取得包括所述被处理水水质参数的被处理水数据；利用处理水测量装置，对所述处理水的处理水浊度进行测定，取得包括所述处理水浊度的处理水数据；和利用信息处理装置，从所述摄像装置、所述被处理水测量装置和所述处理水测量装置取得所述图像数据、所述被处理水数据和所述处理水数据，其中，利用所述信息处理装置，使用包括所述被处理水的所述图像数据的学习用输入数据和所述处理水数据作为学习用数据，通过机器学习构建多个凝聚良否判断模型，其中，所述凝聚良否判断模型用于根据包括所述被处理水的所述图像的输入数据而输出表示所述被处理水的所述浑浊物质的凝聚状态是否良好的信息，选择多个所述凝聚良否判断模型中的至少一个，从多个所述摄像装置中的至少一个取得所述被处理水的所述图像作为判断用图像，使用所选择的所述凝聚良否判断模型，根据包括所述判断用图像的判断用输入数据，计算表示呈现在所述判断用图像中的所述被处理水的所述浑浊物质的所述凝聚状态是否良好的信息。

发明效果

根据本发明，能够计算出即使是非熟练者也能够简单地辨别呈现在图像中的被处理水的浑浊物质的凝聚状态是否良好的信息。

附图说明

图1是表示在净水厂应用了本发明第一实施方式的水处理状况监视系统的例子的概略结构图。

图2是表示水处理状况监视系统中包括的信息处理装置的硬件结构例的框图。

图3是用于说明试验例的试验条件和被处理水的处理结果的表。

图4是用于说明絮体面积累计值的历时变化的坐标图。

图5是表示模型生成单元执行的处理流程的流程图。

图6是表示模型生成单元执行的处理流程的流程图。

图7是表示凝聚良否判断单元执行的处理流程的流程图。

图8是表示凝聚良否判断单元执行的处理流程的流程图。

图9是表示第一变形例的模型生成单元执行的处理流程的流程图。

图10是表示第一变形例的模型生成单元执行的处理流程的流程图。

图11是用于说明凝聚良否判断模型的评价结果的例子的坐标图。

图12是表示第一变形例的凝聚良否判断单元执行的处理流程的流程图。

图13是表示在净水厂应用了本发明第二实施方式的水处理状况监视系统的例子的概略结构图。

图14是表示本发明第三实施方式的水处理状况监视系统的模型生成单元执行的处理流程的流程图。

图15是表示第三实施方式的水处理状况监视系统的模型生成单元执行的处理流程的流程图。

图16是表示本发明第四实施方式的水处理状况监视系统的模型生成单元执行的处理流程的流程图。

图17是表示第四实施方式的水处理状况监视系统的凝聚良否判断单元执行的处理流程的流程图。

具体实施方式

<<背景技术的细节>>

首先，为了使本发明容易理解，对背景技术的细节进行说明。上下水厂、化学工厂、电厂和垃圾处理厂等工厂的维护管理业务，存在依赖于操作者的目视观察和经验来进行管理的情况。在工厂24小时连续运转时，现状下大多通过使工厂内始终驻留有操作者来加以应对。但是，日本的生产年龄人口(15岁～64岁)处于减少趋势，因此从现在就要考虑将来发生人手不足时的可持续的(sustainable)解决方案。

近年来，随着计算机计算能力和通信基础设施环境的改善，能够容易地处理大量的数据。由此，代替操作者的五感的传感技术(IoT技术)不断得到进化和普及。此外，通过机器学习、人工智能的分析算法(AI技术)的进化，即使是迄今为止因为需要人的判断而难以实现机械化和自动化的业务，也在活跃地进行关于利用AI技术的研究。例如，为了即使发生人手不足也能够继续工厂的维护管理业务，提供了代替操作者的视觉而设置摄像机，对拍摄(摄影)得到的图像、影像进行处理来诊断设备、产品的外观变化的解决方案。

如背景技术中所述，在上下水厂及其他工厂的排水处理系统中，根据被处理水的水质使用各种水处理技术来达到处理水的目标水质。在水处理技术中的凝聚处理需要恰当的药剂注入管理。但是，当被处理水的水质发生变动等时，药剂注入量有时需要依赖于熟练操作员的经验。熟练者基于经验，能够根据用于确认浑浊物质凝聚状态的烧杯试验的结果、对工厂进行监视的监视控制系统的监视控制数据、在作业现场对浑浊物质的凝聚状态进行目视观察、在监视室对絮体图像进行确认等，来决定恰当的药剂注入量。

另一方面，熟练者目视观察到的浑浊物质的凝聚状态等并没有记录在监视控制系统(监视控制数据)中。因此，由于熟练者的经验已成为一种隐性知识，所以存在药剂注入管理中所需的知识等不容易被熟练者以外的他人继承这一技术问题。

将来，希望即使是非熟练者也能够判明浑浊物质的凝聚状态，监视控制系统(监视系统)具有提前判断凝聚不良的功能。于是，正在推进开发一种通过传感技术取得絮体的图像数据，使用机器学习、人工智能来判断浑浊物质的凝聚状态是否良好(下面也称为“浑浊物质的凝聚是否良好”或简称为“凝聚良否”)的技术。

例如，上述专利文献1的技术在急速混和池和絮体形成池设置了摄像机，在急速混和池取得表示凝聚核形成过程(历时变化)的图像数据(在规定期间拍摄到的图像数据)，并在絮体形成池取得表示絮体形成初期的状态的图像数据(在规定期间拍摄到的图像数据)，将取得的这些图像数据作为教师数据通过深度学习进行学习，基于学习的结果根据图像数据判断将来形成的絮体是否是良好的絮体。

但是，要对凝聚核、絮体的形成过程(历时变化)进行拍摄(使凝聚核、絮体的形成过程呈现在规定期间的图像数据(400秒或300秒的图像数据)中)，在试验用的小型装置、批量式装置中是可行的，但是在实际的上下水厂中难以在合适的场所设置摄像机。因此，取决于上下水厂的规格，专利文献1的技术存在不能恰当地辨别絮体是否良好的可能。

对此，本发明的特征之一是，设想一种连续运转的实际工厂，按照被处理水的水质，取得在容易判断凝聚良否的差异且能够拍摄被处理水的浑浊物质的凝聚状态的场所处、在某时刻拍摄到的呈现了被处理水中的浑浊物质的凝聚状态的图像(下面，有时称为“凝聚图像”)，使用以该图像为输入、以表示呈现在凝聚图像中的被处理水的浑浊物质的凝聚状态是否良好的信息为输出的模型，根据取得的凝聚图像计算表示凝聚状态是否良好的信息。

由此，本发明能够根据凝聚图像来计算即使是非熟练者也能够简单地辨别浑浊物质的凝聚状态是否良好的信息。进一步，根据本发明，利用即使是非熟练者也能够简单地辨别浑浊物质的凝聚状态是否良好的信息，能够提前判断浑浊物质的凝聚不良。

<<实施方式>>

下面参照附图对本发明的各实施方式进行说明。

<<第一实施方式>>

＜结构＞

对本发明第一实施方式的水处理状况监视系统(下面，有时称为“第一监视系统”)进行说明。图1是表示在作为工厂设施之一例的净水厂100中应用了第一监视系统的例子的概略结构图。

净水厂100是对河水、水库水和地下水进行净水处理，将处理水输送至工厂、一般家庭等的设施，由多个设施构成。在本例中，净水厂100如图1所示包括接水井110、混和槽120、絮体形成槽130、沉淀槽140和过滤槽150等。被处理水Wa1从江河、水库等被依次输送至接水井110、混和槽120、絮体形成槽130、沉淀槽140和过滤槽150，通过进行净化和消毒等，从被处理水Wa1除去浑浊物质并对被处理水Wa1杀菌(消毒)。净化和消毒后的被处理水Wa1被称为“处理水Wa2”。处理水Wa2作为自来水被供给至各家庭、工厂等。

第一监视系统被应用于净水厂100，包括第一水质计210a、第二水质计210b、第一摄像装置220a、第二摄像装置220b和信息处理装置230。它们通过有线或无线以能够彼此通信的方式连接。在之后的说明中，“第一水质计210a”和“第二水质计210b”在不是特别需要区分的情况下，被称为“水质计210”。“第一水质计210a”有时为了便于说明而被称为“被处理水测量装置”。“第二水质计210b”有时为了便于说明也被称为“处理水测量装置”。“第一摄像装置220a”和“第二摄像装置220b”在不是特别需要区分的情况下，被称为“摄像装置220”。

水质计210是包括对关于水处理的水质项目进行测量的多个传感器的传感器组。多个传感器例如是测量水的浑浊(浊度)的浊度计、测量水温的水温计、测量pH值的pH计、测量碱度的碱度计、测量水中有机物的TOC计、紫外线吸光度计和不是测量水质而是测量处理量的水量计等。

第一水质计210a设置在能够对净水厂100的被处理水Wa1进行测量的位置。在本例中，第一水质计210a设置在能够对接水井110的被处理水Wa1进行测量的位置。第二水质计210b设置在能够对处理水Wa2进行测量的位置。

第一水质计210a按规定的时间间隔测量被处理水Wa1，将测量值(各传感器的测量值)发送至信息处理装置230。其中，关于被处理水Wa1的各传感器的测量值，为了便于说明，有时也称为“被处理水水质参数”。第二水质计210b按规定的时间间隔测量处理水Wa2，将测量值(各传感器的测量值)发送至信息处理装置230。

第一摄像装置220a和第二摄像装置220b各自的设置位置是，在从药剂注入至形成凝聚核和絮体生长的过程中能够拍摄到被处理水Wa1的浑浊物质的凝聚状态的位置。第一摄像装置220a和第二摄像装置220b各自只要是具有能够拍摄动态图像或以一定的时间间隔记录图像的结构的摄像装置即可。在本例中，第一摄像装置220a和第二摄像装置220b各自是拍摄动态图像的摄像机。在本例中，第一摄像装置220a设置在能够拍摄到絮体形成槽130入口的被处理水Wa1的位置。第二摄像装置220b设置在能够拍摄到絮体形成槽130出口的被处理水Wa1的位置。第一摄像装置220a和第二摄像装置220b的设置位置并不限定于此，例如，第一摄像装置220a也可以设置在能够拍摄到混和槽120的被处理水Wa1的位置。

摄像装置220可以采用将摄像装置220直接放入水中的状态来拍摄被处理水Wa1，也可以在水上拍摄，还可以隔着透明的壁面拍摄被处理水Wa1。即，摄像装置220拍摄被处理水Wa1的方法没有特别的限定，只要能够拍摄到浑浊物质的凝聚状态即可。

摄像装置220利用未图示的图像提取单元，按规定的时间间隔抽取图像(静止图像)发送至信息处理装置230。作为抽取图像的时间间隔，优选与水质计210的测量时间间隔一致(相同)。其中，图像提取单元可以包括在摄像装置220中，也可以包括在信息处理装置230中。在信息处理装置230包括图像提取单元的情况下，图像提取单元对从摄像装置220接收到的动态图像如上所述地进行处理。

信息处理装置230包括信息保存单元231、模型生成单元232、凝聚良否判断单元233和凝聚良否输出单元234。

信息保存单元231对从第一水质计210a发送来的测量值(例如，浊度、水温、pH、碱度等)附加测量值的测量时间点的时刻信息，将多个测量值(多个“各测量值的集合”)作为时序数据(下称“被处理水数据”)保持(存储、保存)。信息保存单元231对从第二水质计210b发送来的测量值(例如，浊度、水温、PH、碱度等)附加测量值的测量时间点的时刻信息，将测量值(多个“各测量值的集合”)作为时序数据(下称“处理水数据”)保持(存储、保存)。

信息保存单元231对从第一摄像装置220a发送来的每规定时间间隔的图像(下面也称为“第一图像”)附加第一图像的拍摄时间点的时刻信息，将每规定时间间隔的多个第一图像作为时序数据(下称“第一图像数据”)保持(存储、保存)。信息保存单元231对从第二摄像装置220b发送来的每规定时间间隔的图像(下面也称为“第二图像”)附加第二图像的拍摄时间点的时刻信息，将每规定时间间隔的多个第二图像作为时序数据(下称“第二图像数据”)保持(存储、保存)。信息保存单元231还可以进一步对各图像附加表示图像的拍摄场所的信息。

信息保存单元231基于时刻信息将被处理水数据、处理水数据、第一图像数据和第二图像数据彼此关联并保持(存储，保存)。例如，信息保存单元231以时刻为Key(键)，将相同时刻(相同时间范围)通过第一水质计210a取得的被处理水数据、通过第二水质计210b取得的处理水数据和通过第一摄像装置220a与第二摄像装置220b取得的图像数据结合(相关联)，并将它们作为数据集保持(存储、保存)。

另外，例如也可以将各个数据关联成与在净水厂100对某被处理水Wa1进行处理的情况下的该被处理水Wa1的处理经过对应的数据。在此情况下，例如，信息保存单元231优选基于时刻信息，将某时刻t1的被处理水Wa1的测量值、时刻t1+ta的第一图像、时刻t1+tb的第二图像和时刻t1+tc的处理水的测量值彼此关联。ta对应于被处理水Wa1从第一水质计210a的设置位置被输送至第一摄像装置220a为止的期间的时间，tb对应于被处理水Wa1从第一水质计210a的设置位置被输送至第二摄像装置220b的设置位置为止的期间的时间，tc对应于被处理水Wa1从第一水质计210a的设置位置被输送至第二水质计210b的设置位置为止的期间的时间。不过，典型的被处理水Wa1的水质在短期间内不会发生变动，因此也可以如上所述的那样，在相同时刻下使各数据(各图像、各测量值)关联，在此情况下也能够取得与被处理水Wa1的处理经过对应的数据。

模型生成单元232使用保存在信息保存单元231中的数据，生成(构建)关于被处理水Wa1的呈现在图像中的浑浊物质的凝聚良否判断的模型(用于输出表示呈现在图像中的被处理水Wa1的浑浊物质的凝聚状态是否良好的信息的模型)。更具体而言，模型生成单元232使用包括彼此关联的被处理水数据、处理水数据和第一图像数据的数据集，生成第一凝聚良否判断模型。模型生成单元232使用包括彼此关联的被处理水数据、处理水数据和第二图像数据的数据集，生成第二凝聚良否判断模型。模型生成单元232保存(存储)所生成的第一凝聚良否判断模型和第二凝聚良否判断模型。

凝聚良否判断单元233使用由模型生成单元232生成的第一凝聚良否判断模型和第二凝聚良否判断模型中的一个，根据包括表示某时刻(例如，当前时刻)的被处理水Wa1的浑浊物质的凝聚状态的图像(第一图像或第二图像)的输入数据，计算表示被处理水Wa1的浑浊物质的凝聚状态是否良好的信息。凝聚良否判断单元233能够基于用户对未图示的操作装置的操作，将第一凝聚良否判断模型和第二凝聚良否判断模型中的一个选择(设定)为计算表示浑浊物质的凝聚状态是否良好的信息所使用的模型。

凝聚良否输出单元234输出由凝聚良否判断单元233计算得到的信息。

图2是表示信息处理装置230的硬件结构之一例的概略结构图。如图2所示，信息处理装置230包括CPU241、ROM242、RAM243、能够进行数据读写的非易失性的存储装置(HDD)244、网络接口245和输入输出接口246等。它们经总线247以能够彼此通信的方式连接。其中，信息处理装置230可以由多个信息处理装置构成。

CPU241将保存在ROM242和/或HDD244中的未图示的各种程序载入至RAM243，通过执行载入至RAM243中的程序来实现各种功能。在RAM243，如上所述载入由CPU241执行的各种程序，并临时存储CPU241执行各种程序时使用的数据。ROM242和/或HDD244是非易失性的存储介质，存储有各种程序。网络接口245是用于使信息处理装置230与网络连接的接口。输入输出接口246是用于与键盘、鼠标等操作装置以及显示器连接的接口。

信息保存单元231由HDD244、网络接口245和/或输入输出接口246构成。模型生成单元232由被信息处理装置230的CPU241执行的保存在ROM242和/或HDD244中的程序以及HDD244构成。凝聚良否判断单元233由被信息处理装置230的CPU241执行的保存在ROM242和/或HDD244中的程序构成。凝聚良否输出单元234由网络接口245和/或输入输出接口246构成。

信息处理装置230与监视控制装置310连接。监视控制装置310与药剂泵320连接。监视控制装置310构成为，能够通过控制药剂泵320来控制注入至混和槽120的被处理水Wa1中的凝聚剂的注入量。其中，监视控制装置310和药剂泵320可以包括在第一监视系统中。监视控制装置310的功能可以包括在信息处理装置230中。

＜试验例＞

在净水厂100中，从被处理水Wa1除去浑浊物质的工艺被称为“凝聚沉淀处理”。在普通净水厂100的凝聚沉淀处理中，对流入设施内的被处理水Wa1例如注入多氯化铝、硫酸铝等被称为凝聚剂的药剂。注入药剂的目的之一是，除去水中悬浊的不溶性物质(浑浊物质)。浑浊物质在水中带负电，通过添加药剂能够实现电中和。此外，注入药剂的另一目的是，利用药剂彼此间的交联作用，在中和后的浑浊物质彼此碰撞时使得浑浊物质容易凝聚。

在混和槽120(急速混和池)中将药剂注入被处理水Wa1，通过急速搅拌使浑浊物质彼此碰撞，在被处理水Wa1中形成凝聚核。接着，在絮体形成槽130(絮体形成池)中，通过以不破坏絮体的强度缓速搅拌来使絮体生长。然后，在沉淀槽140(沉淀池)中使生长的絮体沉淀并除去。

作为絮体的凝聚机制的因素，列举几个例子。当药剂的注入量增加时由于交联作用变强，所以絮体的生长变快，浑浊物质的凝聚状态变得良好，能够降低处理水的浊度(下面也称为“处理水浊度”)。但是，当药剂的注入量过大时，浑浊物质将会带上正电，浑浊物质的凝聚状态变得不良，处理水浊度可能增大。

当搅拌强度增大时，由于能够增大浑浊物质彼此的碰撞频度，所以搅拌强度越大絮体生长得越快。但是，当搅拌强度过大时，会成为所形成的絮体被破坏的主要原因。

水中浑浊的量(被处理水的浊度(下面也称为“被处理水浊度”))越大，越能够增大浑浊物质(或凝聚核、絮体)的碰撞频度，因此絮体的生长变快。

如上所述，絮体的生长受到药剂的注入量、搅拌强度等工厂的操作条件以及水质条件的影响。

熟练者在现场目视观看、或观看监视室的拍摄到浑浊物质的凝聚状态的图像，当基于经验确认絮体的大小比通常小等现象，可判断为凝聚不良，并采取对策以实现合适的净水处理。

但是，如上所述，日本的生产年龄人口(15岁～64岁)处于减少趋势，因此从现在就要考虑将来发生人手不足时的可持续的(sustainable)解决方案。

对此，第一监视系统的信息处理装置230生成一个模型，其能够根据凝聚图像计算表示被处理水Wa1的浑浊物质的凝聚状态是否良好的信息，以使得即使是非熟练者也能够判断呈现在图像(画面)中的絮体(浑浊物质)的凝聚状态是否良好。即，第一监视系统的信息处理装置230生成一个以包括某时刻的图像的数据为输入数据，检测凝聚状态的变化(呈现在某时刻的图像中的凝聚状态的差异)，能够根据输入数据计算表示被处理水Wa1的浑浊物质的凝聚状态是否良好的信息的模型。并且，第一监视系统使用模型，根据凝聚图像计算表示处理水Wa1的浑浊物质的凝聚状态是否良好的信息(在本例中，是处理水浊度的预测值(有时也被称为“预测处理水浊度”))。其中，预测处理水浊度的大小越小，表示被处理水Wa1的凝聚状态越良好(良)，其大小越大，表示被处理水Wa1的凝聚状态越差(不良)。为了确认是否能够通过图像来检测与处理水浊度具有相关关系的凝聚状态的变化，进行了凝聚图像取得试验。图3表示凝聚图像取得试验的试验条件和被处理水的处理结果(处理水浊度)。在凝聚图像取得试验中，在长方体形状的透明水槽内将搅拌机和通过摄像机拍摄凝聚状态时用作背景的黑板(背景板)设置在与水槽内壁相距15mm的位置，以能够拍摄到背景板的方式在水槽外壁侧设置摄像机。此外，光源位于水槽上部。被处理水通过在自来水中作为模擬浑浊物质添加高岭土试剂而进行了调节。此时的各试验条件的水质如图3所示，通过改变在调节成25度、81度、85度浊度的被处理水中注入的药剂的量来改变凝聚条件。在摄像机开始拍摄后，添加预先设定的药剂注入量的凝聚剂，执行急速搅拌3分钟、缓速搅拌10分钟以及静置10分钟。然后，采集水槽中澄清的水，测量处理水浊度。这里，与急速混和池(混和槽120)的处理对应的急速搅拌采用搅拌强度为148.2s^-1的条件，与絮体形成池(絮体形成槽130)的处理对应的缓速搅拌采用搅拌强度为64.0s^-1的条件。此外，在完成静置10分钟后，结束摄像机的拍摄。摄像机在试验期间对通过水槽内壁与背景板之间的絮体进行拍摄。

从拍摄到的影像中抽取图像进行图像处理，计算图像内的絮体的面积值(像素单位)。在本试验例中，凝聚图像从拍摄到的影像中以0.5秒单位进行抽取。此外，图像处理进行了灰度化、二值化和物体识别(絮体检测)。在仅根据1幅图像计算的情况下，其结果可能产生波动，因此从缓速搅拌开始(0分钟)起以0.5秒单位抽取凝聚图像从中计算絮体的面积值，之后对10秒钟的量进行累计而得到絮体面积累计值。絮体面积累计值的计算间隔为30秒钟(0分钟、0.5分钟、1分钟……)。

图4是絮体面积累计值的历时变化。絮体面积累计值随处理时间的经过而增加。这是因絮体的生长而发生的。试验1和试验2与试验3和试验4相比，絮体面积累计值较小。这是因为被处理水浊度为约25度，比试验3和试验4的约80度小，因此生成的絮体量少。此外，试验1和试验2与试验3和试验4相比，絮体面积累计值的增加较为缓慢。

这是由上述絮体的凝聚机制决定的，被处理水浊度越高，越能够增大浑浊物质(或凝聚核、絮体)的碰撞频度，因此絮体的生长变快。如上所述，在被处理水浊度比试验3和试验4小的试验1和试验2中，絮体的生长相对较慢，絮体面积值的增大变缓。进一步，在试验1和试验2中，凝聚剂注入量越高，絮体面积累计值越从较早的时间开始增大。这是因为，还存在凝聚剂彼此的交联作用，浑浊物质(或凝聚核、絮体)发生碰撞时的凝聚概率得到提高。

将试验2与试验4比较可知，虽然最终处理水浊度为相同程度，但是絮体面积累计值的推移以及最大值是不同的。

基于如上所述的理由，在根据图像判断浑浊物质的凝聚状态是否良好时，需要考虑水质尤其是被处理水浊度。

具体而言，在根据试验1和试验2的被处理水的图像判断凝聚是否良好(计算表示凝聚状态是否良好的信息(预测处理水浊度))时，优选使用能够产生絮体面积累计值的差异的处理时间的图像。在试验1和试验2的情况下为1分钟～7分钟，尤其是优选3～5分钟左右。此外，在试验3和试验4的情况下，因为在刚开始缓速搅拌后就出现了差异，所以即使使用0分钟的被处理水的图像，也能够进行凝聚良否判断(计算表示凝聚状态是否良好的信息(预测处理水浊度))。

如上所述可知，根据特定时间(时刻)的图像能够检测与处理水浊度具有相关关系的浑浊物质的凝聚状态的变化(呈现在图像中的浑浊物质的凝聚状态的差异)。进一步可知，与被处理水的水质(尤其是被处理水浊度)相应地，呈现在图像中的浑浊物质的凝聚形成行为(絮体的形成行为)产生差异。并且可知，根据被处理水的水质的不同，与处理水浊度具有相关关系的、呈现在凝聚图像中的浑浊物质的凝聚状态的差异较大(或较小)地出现所需的经过时间是不同的。因此可知，如果基于被处理水的水质而使用合适的特定经过时间(时刻)的图像(即，在与适合取得被处理水的图像的处理经过时间对应的场所拍摄到的图像)作为输入数据，则由于与处理水浊度具有相关关系的呈现在图像中的浑浊物质的凝聚状态的差异体现得较大，所以能够以更高的精度辨别被处理水的浑浊物质的凝聚状态是否良好(计算表示凝聚状态是否良好的信息)。其中，如果将与处理水浊度具有相关关系的表示被处理水的水质的参数也用作输入数据，则能够以更高的精度辨别被处理水的浑浊物质的凝聚状态是否良好(计算表示凝聚状态是否良好的信息)。

＜动作的概要＞

信息处理装置230如之前所述，生成第一凝聚良否判断模型和第二凝聚良否判断模型。信息处理装置230在计算表示被处理水Wa1的浑浊物质的凝聚状态是否良好的信息(在本例中，是处理水Wa2的处理水浊度的预测值(预测处理水浊度))的情况下，选择第一凝聚良否判断模型和第二凝聚良否判断模型中的任一个作为用于计算表示浑浊物质的凝聚状态是否良好的信息的模型。例如，信息处理装置230与未图示的操作装置连接，基于用户对操作装置进行的操作，选择第一凝聚良否判断模型和第二凝聚良否判断模型中的任一个，作为用于计算表示浑浊物质的凝聚状态是否良好的信息的模型。

信息处理装置230使用所选择的第一凝聚良否判断模型和第二凝聚良否判断模型中的任一个，计算表示被处理水Wa1中的浑浊物质的凝聚状态是否良好的信息。例如，用户根据事先测定的被处理水Wa1的被处理水浊度，经未图示的操作装置选择最合适的凝聚良否判断模型，由此，信息处理装置230使用与被处理水Wa1的水质(被处理水浊度)相应的最合适的凝聚良否判断模型，计算表示被处理水Wa1中的浑浊物质的凝聚状态是否良好的信息。由此，信息处理装置230能够恰当地使用最合适的凝聚良否判断模型，计算能够简单地辨别被处理水Wa1中的浑浊物质的凝聚状态是否良好的信息。

＜具体的动作＞

图5是表示模型生成单元232执行的处理流程的流程图。模型生成单元232执行图5所示的流程图。因此，模型生成单元232从图5的步骤500开始处理，依次执行如下所述的步骤505～步骤520的处理。之后，模型生成单元232前进至步骤595暂时结束本处理流程。

步骤505：模型生成单元232从信息保存单元231取得彼此关联的第一图像数据、被处理水数据和处理水数据的数据集。在本例中，被处理水数据例如包括被处理水浊度、水温、pH、碱度、TOC(总有机碳，Total Organic Carbon)、凝聚剂注入浓度。

步骤510：模型生成单元232对第一图像数据的各第一图像进行图像处理。具体而言，模型生成单元232对第一图像数据的各第一图像进行灰度化，之后进行亮度校正。

步骤515：模型生成单元232对被处理水数据(被处理水数据的各测量值)进行归一化(标准化)处理。

步骤520：模型生成单元232将处理完成的第一图像数据和处理完成的被处理水数据以及处理水数据用作学习用数据，通过深度学习，生成以第一图像(图像处理后的第一图像)和被处理水数据的各测量值(归一化处理后的各测量值)作为输入、以预测处理水浊度作为输出的学习完成模型(第一凝聚良否判断模型)。模型生成单元232保存(存储)所生成的第一凝聚良否判断模型。

其中，在深度学习中，例如，使用以时刻为Key而彼此建立了关联的图像处理后的第一图像和被处理水数据的各测量值(归一化处理后的各测量值)作为输入，使用与第一图像和各测量值关联的处理水数据的处理水浊度作为正确答案的值，来执行一次学习。该学习对于学习用的数据集中基于时刻而关联的各第一图像、被处理水数据的各测量值、处理水数据的处理水浊度分别进行。即，执行多次的反复学习。

在深度学习中，对于第一图像的输入，使用公知的CNN输出最终输出前的第一输出神经元，对于各测量值的输入，使用公知的NN输出最终输出前的第二输出神经元。在最终阶段，来自第一输出神经元和第二输出神经元的输出被输入至结合层后，通过函数输出最终的预测值(预测处理水浊度)。利用函数对预测值与正确答案的值的误差进行评价，以使得函数为最小的方式进行学习。

图6是表示模型生成单元232执行的处理流程的流程图。模型生成单元232执行图6所示的流程图。因此，模型生成单元232从图6的步骤600开始处理，依次执行如下所述的步骤605～步骤620的处理。之后，模型生成单元232前进至步骤695暂时结束本处理流程。

步骤605：模型生成单元232从信息保存单元231取得彼此关联的第二图像数据、被处理水数据和处理水数据的数据集。

步骤610：模型生成单元232对第二图像数据的各第二图像进行图像处理。具体而言，模型生成单元232对第二图像数据的各第二图像进行灰度化，之后进行亮度校正。

步骤615：模型生成单元232对被处理水数据(被处理水数据的各测量值)进行归一化处理。

步骤620：模型生成单元232使用处理完成的第二图像数据和处理完成的被处理水数据以及处理水数据作为学习用数据，通过与上述相同的深度学习，生成以第二图像(图像处理后的第二图像)和被处理水数据的各测量值(归一化处理后的各测量值)作为输入，以预测处理水浊度作为输出的学习完成模型(第二凝聚良否判断模型)。模型生成单元232保存(存储)所生成的第二凝聚良否判断模型。

图7是表示凝聚良否判断单元233执行的处理流程的流程图。该处理流程是在第一凝聚良否判断模型被选中为用于计算表示浑浊物质的凝聚状态是否良好的信息的模型的情况下，由凝聚良否判断单元233执行的处理流程。凝聚良否判断单元233在第一凝聚良否判断模型被选中的情况下，执行图7所示的流程图。因此，凝聚良否判断单元233从图7的步骤700开始处理，依次执行如下所述的步骤705～步骤720的处理。之后，凝聚良否判断单元233前进至步骤795暂时结束本处理流程。

步骤705：凝聚良否判断单元233从第一摄像装置220a取得当前时刻的第一图像，并从第一水质计210a取得被处理水数据(当前时刻的各测量值)。

步骤710：凝聚良否判断单元233对第一图像进行图像处理。具体而言，凝聚良否判断单元233对第一图像进行灰度化，之后进行亮度校正。

步骤715：凝聚良否判断单元233对被处理水数据(当前时刻的各测量值)进行归一化处理。

步骤720：凝聚良否判断单元233从模型生成单元232取得第一凝聚良否判断模型，将进行了图像处理后的第一图像和进行了归一化处理后的被处理水数据输入至第一凝聚良否判断模型，计算并取得作为第一凝聚良否判断模型的输出的处理水浊度的预测值(预测处理水浊度)。

图8是表示凝聚良否判断单元233执行的处理流程的流程图。该处理流程是在第二凝聚良否判断模型被选中为用于计算表示浑浊物质的凝聚状态是否良好的信息的模型的情况下，由凝聚良否判断单元233执行的处理流程。其中，该处理流程除了在图7中将第一图像替换为第二图像、将第一凝聚良否判断模型替换为第二凝聚良否判断模型之外与图7相同，因此省略详细的说明。

＜效果＞

如上所述，第一监视系统能够恰当地使用最合适的凝聚良否判断模型，计算表示呈现在图像中的被处理水Wa1中的浑浊物质的凝聚状态是否良好的信息(预测处理水浊度)。在第一监视系统中，通过将以往为熟练者的隐性知识的、依赖于视觉观察的关于浑浊物质的凝聚状态的知识转化为显性知识，即使是没有经验的操作者(非熟练者)，也能够通过使用该第一监视系统来简单且早期地判断呈现在图像中的浑浊物质的凝聚状态是否良好。进而，以往在水质发生变动时，大多为了安全地运转而增大凝聚剂注入量，但是根据第一监视系统，通过迅速地判断呈现在图像中的被处理水Wa1的浑浊物质的凝聚状态是否良好并以最合适的凝聚剂注入量运转，能够减少凝聚剂注入量，减少多余的凝聚剂成本，因此能够节省成本。

<<第一变形例>>

对第一监视系统的第一变形例进行说明。第一变形例使用保存在信息保存单元231中的数据的一部分，生成第一凝聚良否判断模型和第二凝聚良否判断模型。第一变形例使用保存在信息保存单元231中的剩余的数据的至少一部分(在本例中为全部)求取阈值浊度，该阈值浊度用于判断使用第一凝聚良否判断模型和第二凝聚良否判断模型的哪一个时处理水浊度的预测值(预测处理水浊度)的误差较小。第一变形例比较被处理水Wa1的浊度与阈值浊度，基于比较结果选择第一凝聚良否判断模型和第二凝聚良否判断模型中的任一个模型。第一变形例使用选中的模型计算处理水Wa2的预测处理水浊度。除了以上的方面以外，与第一监视系统相同。

下面，以不同之处为中心进行说明。

＜具体的动作＞

图9是表示第一变形例的模型生成单元232执行的处理流程的流程图。模型生成单元232执行图9所示的流程图。因此，模型生成单元232从图9的步骤900开始处理，依次执行如下所述的步骤905～步骤935的处理。

步骤905：模型生成单元232从信息保存单元231取得彼此关联的第一图像数据、第二图像数据、被处理水数据和处理水数据的数据集。此时，模型生成单元232取得保存在信息保存单元231中的全数据集的一部分(在本例中为70％)的数据集。模型生成单元232使用取得的数据集，执行如下所述的步骤910～步骤930的处理。

步骤910：模型生成单元232对第一图像数据的各第一图像进行图像处理。具体而言，模型生成单元232对第一图像数据的各第一图像进行灰度化，之后进行亮度校正。

步骤915：模型生成单元232对被处理水数据(被处理水数据的各测量值)进行归一化处理。

步骤920：模型生成单元232将处理完成的第一图像数据和处理完成的被处理水数据以及处理水数据用作学习用数据，通过深度学习，生成以第一图像(图像处理后的第一图像)和被处理水数据的各测量值(归一化处理后的各测量值)为输入、以预测处理水浊度为输出的学习完成模型(第一凝聚良否判断模型)。模型生成单元232保存(存储)所生成的第一凝聚良否判断模型。

步骤925：模型生成单元232对第二图像数据的各第二图像进行图像处理。具体而言，模型生成单元232对第二图像数据的各第二图像进行灰度化，之后进行亮度校正。

步骤930：模型生成单元232使用处理完成的第二图像数据和处理完成的被处理水数据以及处理水数据作为学习用数据，通过深度学习，生成以第二图像(图像处理后的第二图像)和被处理水数据的各测量值(归一化处理后的各测量值)为输入、以预测处理水浊度为输出的学习完成模型(第二凝聚良否判断模型)。模型生成单元232保存(存储)所生成的第二凝聚良否判断模型。

步骤935：模型生成单元232执行图10的流程图所示的评价处理。

图10是表示第一变形例的模型生成单元232执行的处理流程的流程图。模型生成单元232在前进至图9的步骤935时，从图10的步骤1000开始处理，依次执行如下所述的步骤1005～步骤1035的处理。

步骤1005：模型生成单元232从信息保存单元231取得彼此关联的第一图像数据、第二图像数据、被处理水数据和处理水数据的数据集。此时，模型生成单元232取得保存在信息保存单元231中的全数据集中剩余的全部(在本例中为30％)的数据集。模型生成单元232使用取得的数据集，依次执行如下所述的步骤1010～步骤1035的处理。

步骤1010：模型生成单元232对第一图像数据的各第一图像进行图像处理。具体而言，模型生成单元232对第一图像数据的各第一图像进行灰度化，之后进行亮度校正。

步骤1015：模型生成单元232对被处理水数据(被处理水数据的各测量值)进行归一化处理。

步骤1020：模型生成单元232使用图像处理后的第一图像数据、归一化处理后的被处理水数据和第一凝聚良否判断模型，计算处理水浊度的预测值(预测处理水浊度)。模型生成单元232使用处理水浊度的预测值(预测处理水浊度)和处理水数据的处理水浊度，计算预测值的误差(＝|预测处理水浊度-处理水数据的处理水浊度(实际值)|)。

步骤1025：模型生成单元232对第二图像数据进行图像处理。具体而言，模型生成单元232对第二图像数据的各第二图像进行灰度化，之后进行亮度校正。

步骤1030：模型生成单元232使用图像处理后的第二图像数据、归一化处理后的被处理水数据和第二凝聚良否判断模型，计算处理水浊度的预测值(预测处理水浊度)。模型生成单元232使用处理水浊度的预测值(预测处理水浊度)和处理水数据的处理水浊度，计算预测值的误差(＝|预测处理水浊度-处理水数据的处理水浊度(实际值)|)。

步骤1035：模型生成单元232基于被处理水数据的被处理水浊度、步骤1020中计算出的预测值的误差和步骤1030中计算出的预测值的误差，来计算阈值浊度。例如，阈值浊度是制作图11所示的坐标图的情况下的线a1与线a2的交叉点P10的浊度。线a1是基于被处理水数据的被处理水浊度和步骤1020中计算出的预测值的误差绘制得到的线，表示被处理水数据的被处理水浊度与使用了第一凝聚良否模型的情况下的预测值的平均误差之间的关系。线a2是基于被处理水数据的被处理水浊度和步骤1030中计算出的预测值的误差绘制得到的线，表示被处理水数据的被处理水浊度与使用了第二凝聚良否模型的情况下的预测值的平均误差之间的关系。

根据图11的坐标图可知，在被处理水Wa1的被处理水浊度大于阈值浊度的情况下，与使用第二凝聚良否判断模型相比，使用第一凝聚良否判断模型时平均误差小，因此处理水浊度的预测值(预测处理水浊度)的精度高。此外可知，在被处理水Wa1的被处理水浊度为阈值浊度以下的情况下，与使用第一凝聚良否判断模型相比，使用第二凝聚良否判断模型时平均误差小，因此预测值(预测处理水浊度)的精度高。

之后，模型生成单元232前进至步骤1095暂时结束本处理流程，之后前进至步骤995，暂时结束图9的处理流程。

图12是表示第一变形例的凝聚良否判断单元233执行的处理流程的流程图。凝聚良否判断单元233执行图12所示的流程图。因此，凝聚良否判断单元233从图12的步骤1200开始处理，前进至步骤1205，从第一水质计210a取得当前时刻的被处理水数据(当前时刻的各测量值)。

之后，凝聚良否判断单元233前进至步骤1210，判断被处理水数据的被处理水浊度是否大于阈值浊度。

在被处理水浊度大于阈值浊度的情况下，凝聚良否判断单元233在步骤1210中判断为“是”，依次执行如下所述的步骤1215～步骤1230的处理，之后，前进至步骤1295，暂时结束本处理流程。

步骤1215：凝聚良否判断单元233从第一摄像装置220a取得当前时刻的第一图像。

步骤1220：凝聚良否判断单元233对第一图像进行图像处理。具体而言，凝聚良否判断单元233对第一图像进行灰度化，之后进行亮度校正。

步骤1225：凝聚良否判断单元233对被处理水数据(当前时刻的各测量值)进行归一化处理。

步骤1230：凝聚良否判断单元233从模型生成单元232取得第一凝聚良否判断模型，将进行了图像处理后的第一图像和进行了归一化处理后的被处理水数据输入至第一凝聚良否判断模型，计算并取得作为第一凝聚良否判断模型的输出的处理水浊度的预测值(预测处理水浊度)。

在被处理水浊度为阈值浊度以下的情况下，凝聚良否判断单元233在步骤1210中判断为“否”，依次执行如下所述的步骤1235～步骤1250的处理，之后，前进至步骤1295，暂时结束本处理流程。

步骤1235：凝聚良否判断单元233从第二摄像装置220b取得当前时刻的第二图像。

步骤1240：凝聚良否判断单元233对第二图像进行图像处理。具体而言，凝聚良否判断单元233对第二图像进行灰度化，之后进行亮度校正。

步骤1245：凝聚良否判断单元233对被处理水数据(当前时刻的各测量值)进行归一化处理。

步骤1250：凝聚良否判断单元233从模型生成单元232取得第二凝聚良否判断模型，将进行了图像处理后的第二图像和进行了归一化处理后的被处理水数据输入至第二凝聚良否判断模型，计算并取得作为第二凝聚良否判断模型的输出的处理水浊度的预测值(预测处理水浊度)。

＜效果＞

在第一变形例中，按照被处理水数据的被处理水浊度，选择最合适的凝聚良否判断模型，使用所选择的最合适的凝聚良否判断模型，能够计算更高精度的表示浑浊物质的凝聚状态是否良好的信息(预测处理水浊度)。其中，第一变形例的特征也可以应用于后述的第二实施方式和第三实施方式。

<<第二实施方式>>

对本发明第二实施方式的水处理状况监视系统(下面，有时也称为“第二监视系统”)进行说明。

图13是表示在净水厂100应用了第二监视系统的例子的概略结构图。如图13所示，第二监视系统包括第一采水泵1310a、第二采水泵1310b、第一阀1320a、第二阀1320b、流通池1330、配管1340和阀控制装置1350。在第二监视系统中，省略了第一监视系统的第二摄像装置220b，第一摄像装置220a设置在能够拍摄流通池1330的位置。除了以上的方面以外，与图1所示的第一监视系统的结构是相同的。

第一采水泵1310a设置于絮体形成槽130的入口，采集絮体形成槽130入口的被处理水Wa1。采得的被处理水Wa1通过配管1340流入至流通池1330。也可以构成为，第一采水泵1110a设置于混和槽120，采集混和槽120的被处理水Wa1。

第二采水泵1310b设置于絮体形成槽130的出口，采集絮体形成槽130出口的被处理水Wa1。采得的被处理水Wa1通过配管1340流入至流通池1330。

流通池1330是能够使采得的被处理水Wa1通过的透明的容器。

第一阀1320a是电磁阀，设置在位于第一采水泵1310a与配管1340的分叉部Pt1之间的配管1340上。通过控制对第一阀1320a的通电，第一阀1320a被设定为使被处理水Wa1流通的打开状态和阻断被处理水Wa1的流通的关闭状态的任一种。

第二阀1320b是电磁阀，设置在位于第二采水泵1310b与配管1340的分叉部Pt1之间的配管1340上。通过控制对第二阀1320b的通电，第二阀1320b被设定为使被处理水Wa1流通的打开状态和阻断被处理水Wa1的流通的关闭状态的任一种。

阀控制装置1350以将第一阀1320a设定为打开状态和关闭状态的任一种的方式进行控制，并以将第二阀1320b设定为打开状态和关闭状态的任一种的方式进行控制。阀控制装置1350通过控制第一阀1320a和第二阀1320b各自的打开关闭状态来控制流入至流通池1330的被处理水Wa1，使得通过第一采水泵1310a采得的被处理水Wa1和通过第二采水泵1310b采得的被处理水Wa1每经过规定时间交替地流入至流通池1330。即，阀控制装置1350以反复地在规定时间使通过第一采水泵1310a采得的被处理水Wa1流入至流通池1330，接着在规定时间使通过第二采水泵1310b采得的被处理水Wa1流入流通池1330的方式，控制流入至流通池1330的被处理水Wa1。进而，阀控制装置1350将第一阀1320a和第二阀1320b的控制信号的时序数据发送至信息处理装置230。

第一摄像装置220a拍摄通过流通池1330内部的被处理水Wa1。第一摄像装置220a通过未图示的图像提取单元按规定的时间间隔抽取图像，并发送至信息处理装置230。

信息处理装置230基于从第一摄像装置220a接收到的图像和电磁阀的控制信号的时序数据，区别图像是关于第一采水泵采得的被处理水Wa1的图像(下称“第一采水图像”)、还是关于第二采水泵采得的被处理水Wa1的图像(下称“第二采水图像”)。

信息保存单元231与第一监视系统同样地，基于时刻信息将被处理水数据、处理水数据、包括每规定时间间隔的多个第一采水图像的第一采水图像数据、包括每规定时间间隔的多个第二采水图像的第二采水图像数据彼此关联并保持(存储，保存)。

＜动作的概要＞

第二监视系统的模型生成单元232与第一监视系统同样地，使用保存在信息保存单元231中的数据，生成关于凝聚良否的判断的模型(输出表示呈现在图像中的被处理水Wa1的浑浊物质的凝聚状态是否良好的信息的模型)。

模型生成单元232使用第一采水图像数据来代替第一图像数据，使用第二采水图像数据来代替第二图像数据，除此以外，与第一监视系统同样地生成第一凝聚良否判断模型和第二凝聚良否判断模型。

凝聚良否判断单元233使用由模型生成单元232生成的第一凝聚良否判断模型和第二凝聚良否判断模型中的任一个，根据包括表示当前时刻的被处理水Wa1中的浑浊物质的凝聚状态的图像(第一采水图像或第二采水图像)的输入数据，计算表示被处理水Wa1的浑浊物质的凝聚状态是否良好的信息。凝聚良否判断单元233能够基于用户对未图示的操作装置的操作输入，来设定使用第一凝聚良否判断模型和第二凝聚良否判断模型中的哪一个。

＜具体的动作＞

模型生成单元232在图5的处理流程中用第一采水图像数据替换第一图像数据，除此以外，执行与图5的处理流程同样的处理流程。模型生成单元232在图6的处理流程中用第二采水图像数据替换第二图像数据，除此以外，执行与图6的处理流程同样的处理流程。凝聚良否判断单元233在图7的处理流程中用第一采水图像替换第一图像，除此以外，执行与图7的处理流程同样的处理流程。凝聚良否判断单元233在图8的处理流程中用第二采水图像替换第二图像，除此以外，执行与图8的处理流程同样的处理流程。这些处理流程除了上述的方面之外与图5～图8的处理流程相同，因此省略详细的说明。

＜效果＞

如上所述，第二监视系统能够用1台第一摄像装置220a拍摄在净水厂中处于被处理水Wa1的不同处理经过的2个场所(多个场所)的被处理水Wa1中的浑浊物质的凝聚状态。此外，因为在第二监视系统中能够一定程度上自由地选择流通池1330的设置场所，因此能够将流通池1330配置在例如屋内等稳定的环境中。因此，与第一监视系统相比，第二监视系统能够提高第一摄像装置220a要拍摄的被处理水Wa1的场所和拍摄条件的自由度。

<<第三实施方式>>

对本发明第三实施方式的水处理状况监视系统(下面，有时也称为“第三监视系统”)进行说明。第三监视系统在以下方面与第一监视系统不同。

在第三监视系统中，模型生成单元232从图像数据提取关于絮体的信息(下称“絮体信息”)，还使用絮体信息来生成凝聚良否判断模型。絮体信息例如是图像中的絮体数、絮体的大小(粒径，面积等)、非絮体部分的亮度等。

下面以不同之处为中心进行说明。

＜具体的动作＞

第三监视系统的模型生成单元232执行图14所示的处理流程来代替图5所示的处理流程。因此，模型生成单元232在依次执行如下所述的步骤1405～步骤1430的处理后，前进至步骤1495，结束本处理流程。

步骤1405：模型生成单元232从信息保存单元231取得彼此关联的第一图像数据、被处理水数据和处理水数据的数据集。

步骤1410：模型生成单元232对第一图像数据的各第一图像进行图像处理。具体而言，模型生成单元232对第一图像数据的各第一图像进行灰度化，之后进行亮度校正。

步骤1415：模型生成单元232将第一图像数据的各第一图像二值化。

步骤1420：模型生成单元232从二值化后的第一图像数据的各第一图像提取絮体，取得各第一图像的絮体信息。

步骤1425：模型生成单元232对各第一图像的絮体信息和被处理水数据进行归一化处理。

步骤1430：模型生成单元232将处理完成的第一图像数据和处理完成的被处理水数据、处理完成的絮体信息、处理水数据用作学习用数据，通过深度学习，生成以第一图像(图像处理后的第一图像)、被处理水数据的各测量值(归一化处理后的各测量值)和絮体信息(归一化处理后的絮体信息)为输入，以预测处理水浊度为输出的学习完成模型(第一凝聚良否判断模型)。模型生成单元232保存(存储)所生成的第一凝聚良否判断模型。

第三监视系统的模型生成单元232执行图15所示的处理流程来代替图6所示的处理流程。因此，模型生成单元232在依次执行如下所述的步骤1505～步骤1530的处理后，前进至步骤1595结束本处理流程。

步骤1505：模型生成单元232从信息保存单元231取得彼此关联的第二图像数据、被处理水数据和处理水数据的数据集。

步骤1510：模型生成单元232对第二图像数据的各第二图像进行图像处理。具体而言，模型生成单元对第二图像数据的各第二图像进行灰度化，之后进行亮度校正。

步骤1515：模型生成单元232将第二图像数据的各第二图像二值化。

步骤1520：模型生成单元232从二值化后的第二图像数据的各第二图像提取絮体，取得各第二图像的絮体信息。

步骤1525：模型生成单元232对各第二图像的絮体信息和被处理水数据进行归一化处理。

步骤1530：模型生成单元232将处理完成的第二图像数据和处理完成的被处理水数据、处理完成的絮体信息、处理水数据用作学习用数据，通过深度学习，生成以第二图像(图像处理后的第二图像)、被处理水数据的各测量值(归一化处理后的各测量值)和絮体信息(归一化处理后的絮体信息)为输入，以预测处理水浊度为输出的学习完成模型(第二凝聚良否判断模型)。模型生成单元232保存(存储)所生成的第二凝聚良否判断模型。

凝聚良否判断单元233执行仅在以下方面与图7的处理流程不同的处理流程。其中，与第一监视系统同样地，该处理流程是在第一凝聚良否判断模型被选中为用于计算表示浑浊物质的凝聚状态是否良好的信息的模型的情况下，由凝聚良否判断单元233执行的处理流程。

·在步骤710与步骤715之间，增加以下的步骤A1和步骤B1。

步骤A1：凝聚良否判断单元233将第一图像二值化。

步骤B1：凝聚良否判断单元233从二值化后的第一图像提取絮体，取得第一图像的絮体信息。

·代替步骤715执行以下的步骤C1，代替步骤720执行以下的步骤D1。

步骤C1：凝聚良否判断单元233对被处理水数据(当前时刻的各测量值)和絮体信息进行归一化处理。

步骤D1：凝聚良否判断单元233从模型生成单元232取得第一凝聚良否判断模型，将进行了图像处理后的第一图像、归一化处理后的被处理水数据(归一化处理后的各测量值)和絮体信息(归一化处理后的絮体信息)输入至第一凝聚良否判断模型，计算并取得作为第一凝聚良否判断模型的输出的处理水浊度的预测值(预测处理水浊度)。

凝聚良否判断单元233执行仅在以下方面与图8的处理流程不同的处理流程。

·在步骤810与步骤815之间，增加了以下的步骤A2和步骤B2。其中，与第二监视系统同样地，该处理流程是在第二凝聚良否判断模型被选中为用于计算表示浑浊物质的凝聚状态是否良好的信息的模型的情况下，由凝聚良否判断单元233执行的处理流程。

步骤A2：凝聚良否判断单元233将第二图像二值化。

步骤B2：凝聚良否判断单元233从二值化后的第二图像提取絮体，取得第二图像的絮体信息。

·代替步骤815执行以下的步骤C2，代替步骤820执行以下的步骤D2。

步骤C2：凝聚良否判断单元233对被处理水数据(当前时刻的各测量值)和絮体信息进行归一化处理。

步骤D2：凝聚良否判断单元233从模型生成单元232取得第二凝聚良否判断模型，将进行了图像处理后的第二图像、归一化处理后的被处理水数据(归一化处理后的各测量值)和絮体信息(归一化处理后的絮体信息)输入至第二凝聚良否判断模型，计算并取得作为第二凝聚良否判断模型的输出的处理水浊度的预测值(预测处理水浊度)。

＜效果＞

如上所述，在第三监视系统中，还使用了能够对被处理水Wa1的浑浊物质的凝聚状态是否良好造成影响的絮体信息，来生成第一凝聚良否判断模型和第二凝聚良否判断模型，使用所生成的凝聚良否判断模型(第一凝聚良否判断模型或第二凝聚良否判断模型)，能够以更高精度计算表示呈现在图像中的被处理水Wa1的浑浊物质的凝聚状态是否良好的信息。

<<第四实施方式>>

对本发明第四实施方式的水处理状况监视系统(下面，有时也称为“第四监视系统”)进行说明。第四监视系统仅在以下方面与第一监视系统不同。

第四监视系统使用第一图像数据和第二图像数据生成一个凝聚良否判断模型。

下面以该不同之处为中心进行说明。

＜具体的动作＞

第四监视系统的模型生成单元232执行图16所示的处理流程。因此，模型生成单元232从图16的步骤600开始处理，在依次执行如下所述的步骤1605～步骤1625的处理后，前进至步骤1695结束本处理流程。

步骤1605：模型生成单元232从信息保存单元231取得彼此关联的第一图像数据、第二图像数据、被处理水数据和处理水数据的数据集。

步骤1610：模型生成单元232对第一图像数据的各第一图像进行图像处理。具体而言，模型生成单元232对第一图像数据的各第一图像进行灰度化，之后进行亮度校正。

步骤1615：模型生成单元232对第二图像数据的各第二图像进行图像处理。具体而言，模型生成单元232对第二图像数据的各第二图像进行灰度化，之后进行亮度校正。

步骤1620：模型生成单元232对被处理水数据(被处理水数据的各测量值)进行归一化处理。

步骤1625：模型生成单元232将处理完成的第一图像数据、处理完成的第二图像数据、处理完成的被处理水数据和处理水数据用作学习用数据，通过深度学习，生成以第一图像(图像处理后的第一图像)、第二图像(图像处理后的第二图像数据)和被处理水数据的各测量值(归一化处理后的各测量值)为输入，以预测处理水浊度为输出的学习完成模型(凝聚良否判断模型)。模型生成单元232保存(存储)所生成的凝聚良否判断模型。

图17是表示凝聚良否判断单元233执行的处理流程的流程图。凝聚良否判断单元233执行图17所示的流程图。因此，凝聚良否判断单元233从图17的步骤1700开始处理，依次执行如下所述的步骤1705～步骤1720的处理。之后，凝聚良否判断单元233前进至步骤1795暂时结束本处理流程。

步骤1705：凝聚良否判断单元233从第一摄像装置220a取得当前时刻的第一图像，从第二摄像装置220b取得当前时刻的第二图像，并从第一水质计210a取得被处理水数据(当前时刻的各测量值)。

步骤1710：凝聚良否判断单元233对第一图像进行图像处理。具体而言，凝聚良否判断单元233对第一图像进行灰度化，之后进行亮度校正。

步骤1715：凝聚良否判断单元233对第二图像进行图像处理。具体而言，凝聚良否判断单元233对第二图像进行灰度化，之后进行亮度校正。

步骤1720：凝聚良否判断单元233对被处理水数据(当前时刻的各测量值)进行归一化处理。

步骤1725：凝聚良否判断单元233从模型生成单元232取得凝聚良否判断模型，将进行了图像处理后的第一图像和进行了归一化处理后的被处理水数据输入至凝聚良否判断模型，计算并取得作为凝聚良否判断模型的输出的处理水浊度的预测值(预测处理水浊度)。

＜效果＞

如上所述，第四监视系统使用反映了凝聚核、絮体的形成过程(历时变化)的、拍摄分别位于不同场所的被处理水Wa1而得到的第一图像数据和第二图像数据，来生成一个凝聚良否判断模型，并使用所生成的凝聚良否判断模型，计算表示浑浊物质的凝聚状态是否良好的信息。由此，第四监视系统能够高精度地计算表示呈现在图像中的被处理水Wa1的浑浊物质的凝聚状态是否良好的信息。进而，第四监视系统与第一监视系统相比能够减少关于模型选择的参数，使系统结构简单。

根据以上说明的上述各实施方式和第一变形例，例如即使是在不存在熟练者的发展中国家也能够恰当地进行水处理，由此能够提高此地生活的人群的卫生状况，并通过恰当的药剂规格实现的环境保护，也有助于实现可持续发展的社会。

<<其他变形例>>

本发明并不限定于上述各实施方式和第一变形例，能够在本发明的范围内采用各种变形例。上述各实施方式和第一变形例能够在本发明的范围内彼此组合。

例如，可以将第一实施方式和第四实施方式组合。在此情况下，例如，模型生成单元232生成多个凝聚良否判断模型(在本例中是第一凝聚良否判断模型、第二凝聚良否判断模型和凝聚良否模型这3个)。凝聚良否判断单元233使用由模型生成单元232生成的多个凝聚良否判断模型(在本例中是第一凝聚良否判断模型、第二凝聚良否判断模型和凝聚良否判断模型)中的任一个，根据包括表示被处理水Wa1的浑浊物质的凝聚状态的图像的输入数据，计算表示被处理水Wa1的浑浊物质的凝聚状态是否良好的信息。

例如，在上述各实施方式和第一变形例中，作为关于被处理水Wa1中的浑浊物质的凝聚良否的判断的模型，模型生成单元232通过深度学习生成了学习完成模型，但是作为关于凝聚良否的判断的模型也可以生成经验公式、统计模型等，只要其能够表示凝聚良否即可。

例如，在上述各实施方式和第一变形例中，被处理水Wa1的图像的拍摄条件并没有特别限定，只要能够拍摄到被处理水Wa1中的浑浊物质的凝聚状态即可。但是，在光源仅是太阳光、昼夜明亮度大幅不同的情况下，优选设置能够照亮摄像装置220的拍摄场所的光源。进而，记录明亮度的变化，将其用于被处理水Wa1的图像的前处理(亮度校正)中，还能够提高浑浊物质的凝聚状态是否良好的判断精度，因此也可以设置用于记录拍摄场所的明亮度变化的照度计等。

在上述第一实施方式～上述第三实施方式和第一变形例中，例如，在被处理水Wa1的水质比较不容易发生变动而是保持一定的情况下，优选事先在净水厂内调查浑浊物质的凝聚状态容易产生差异的处理时间(或场所)，在能够拍摄到浑浊物质的凝聚状态容易产生差异的被处理水Wa1的场所(第二实施方式的情况下是能够采水的场所)设置摄像装置220(第二实施方式的情况下是采水泵)。

在上述第一实施方式～第三实施方式和第一变形例中，例如，在被处理水Wa1的水质发生了变动的情况下，可以按照被处理水Wa1的水质(基于被处理水数据)，手动或自动地、适当地切换供信息处理装置230用于判断凝聚良否的图像(输入数据)和凝聚良否判断模型。

在此情况下，例如可以构成为，信息处理装置230基于被处理水数据判断被处理水数据是否符合促进絮体生长的条件，基于判断结果，在被处理水数据符合促进絮体生长的条件的情况下，与被处理水Wa1不符合促进絮体生长的条件的情况相比，选择使用由设置在靠上游侧的场所的摄像装置拍摄到的图像数据生成的凝聚良否判断模型，并使用所选择的凝聚良否判断模型，根据包括被处理水Wa1的图像的输入数据输出预测处理水浊度。

例如可以构成为，在被处理水Wa1的被处理水浊度为约80度的情况下，被处理水数据符合促进絮体生长的条件，使用由设置在能够拍摄与上游侧(例如，缓速搅拌的处理时间0分钟)对应的被处理水Wa1的位置处的摄像装置220拍摄到的图像来生成凝聚良否判断模型，并使用所生成的凝聚良否判断模型，根据该图像输出预测处理水浊度。

例如可以构成为，在被处理水Wa1的被处理水浊度为约35度的情况下，被处理水数据不符合促进絮体生长的条件，使用由设置在能够拍摄与下流侧(例如，缓速搅拌的处理时间4分钟)对应的被处理水Wa1的位置处的摄像装置220拍摄到的图像来生成凝聚良否判断模型，并使用所生成的凝聚良否判断模型，根据该图像输出预测处理水浊度。

在上述各实施方式和第一变形例中，可以构成为，在彼此不同的场所设置3台以上的摄像装置220，使用由各个摄像装置220拍摄到的图像数据生成多个凝聚良否判断模型。在此情况下，与上述各第一实施方式～第三实施方式和第一变形例那样的凝聚良否判断模型为2个的情况同样，从多个凝聚良否判断模型中选择一个凝聚良否判断模型，并使用所选择的凝聚良否判断模型，根据被处理水Wa1的图像输出预测处理水浊度。

在上述第四实施方式中，可以构成为，在彼此不同的场所设置3台以上的摄像装置220，信息处理装置230使用由各个摄像装置220拍摄到的图像数据，生成一个凝聚良否判断模型。

在上述各实施方式和第一变形例中，可以构成为，作为凝聚良否判断模型的输出，信息处理装置230输出表示浑浊物质的凝聚状态良好的信息和表示凝聚状态不良的信息中的任一信息，进行2值分类。

在上述各实施方式和第一变形例中，可以构成为，信息处理装置230通过对从凝聚良否判断模型输出的预测处理水浊度与规定的处理水阈值浊度(例如，1度)进行比较，判断浑浊物质的凝聚状态是良好和不良中的哪一个，并输出判断结果。

在上述各实施方式和第一变形例中，可以构成为，上述信息处理装置230按照预测处理水浊度，通过监视控制装置调节来自药剂泵的凝聚剂的注入量。例如，信息处理装置230在凝聚状态为差(不良)的情况下，通过调节凝聚剂注入量使凝聚状态变得恰当，进行调节以使得处理水Wa2的处理水浊度变得清澈。

在上述各实施方式和第一变形例中，可以构成为，信息处理装置230仅使用图像数据生成凝聚良否判断模型。

上述各实施方式和第一变形例被应用在净水厂100中，但是也可以应用在净水厂100以外的对水进行净化处理的其他工厂。

在上述第一实施方式中，可以构成为，作为用于计算表示浑浊物质的凝聚状态是否良好的信息的模型，信息处理装置230至少选择2个模型(在该例中是第一凝聚良否判断模型和第二凝聚良否判断模型这2个)，对从至少2个凝聚良否判断模型(在该例中是第一凝聚良否判断模型和第二凝聚良否判断模型)分别输出的预测处理水浊度附加事先根据被处理水浊度设定的权重，通过求和而计算最终的预测处理水浊度。

在上述各实施方式和第一变形例中，可以构成为，信息处理装置230将凝聚良否判断单元233的判断结果输出至与信息处理装置230连接的监视器等。在此情况下，例如可以构成为，信息处理装置230与可发出警报的装置连接，信息处理装置230在预测处理水浊度超过阈值(1度)时，使警报装置发出警报。

在摄像装置220为1台但该摄像装置220能够沿水处理的流向而移动(轨道式、无人机等)的情况下，即使是1台摄像装置也能够对多处进行拍摄。此时，通过将图像数据与能够确定拍摄场所的信息一起记录，能够实现本发明。作为能够确定拍摄场所的信息，例如有对摄像装置220附加GPS(Global Positioning System)功能取得GPS信息的方法。

在上述各实施方式和第一变形例中，可以构成为，信息处理装置230生成用作为输入数据的某时刻的图像和/或被处理水数据(各测量值)等代替某时间范围的图像和/或被水处理水数据等的凝聚良否判断模型。

在上述各实施方式和第一变形例中，可以构成为，在不将被处理水输送至多个处理场所而在1处依次进行处理的情况下，能够利用1台摄像装置拍摄处理状况的推移(处理时间不同的多处)。在此情况下，模型生成单元232可以按处理时间不同的多处生成凝聚良否判断模型。

附图标记说明

100……净水厂，210a……第一水质计，210b……第二水质计，220a……第一摄像装置，220b……第二摄像装置，230……信息处理装置，231……信息保存单元，232……模型生成单元，233……凝聚良否判断单元，234……凝聚良否输出单元。

Claims (15)

1.一种水处理状况监视系统，其被应用在生成处理水的设施中，该设施通过将被处理水依次输运至多个处理场所，进行包括用于除去所述被处理水中含有的浑浊物质的凝聚沉淀处理的处理，来生成将所述被处理水净化得到的所述处理水，其特征在于，包括：

多个摄像装置，其设置在能够拍摄所述被处理水的彼此不同的多个场所，通过拍摄所述被处理水来取得包括从各场所拍摄到的所述被处理水的图像的、各场所的所述被处理水的图像数据；

被处理水测量装置，其对关于所述被处理水的、包括被处理水浊度的被处理水水质参数进行测定，取得包括所述被处理水水质参数的被处理水数据；

处理水测量装置，其对所述处理水的处理水浊度进行测定，取得包括所述处理水浊度的处理水数据；和

信息处理装置，其从所述摄像装置、所述被处理水测量装置和所述处理水测量装置取得所述图像数据、所述被处理水数据和所述处理水数据，其中，

所述信息处理装置构成为，使用包括所述被处理水的所述图像数据的学习用输入数据和所述处理水数据作为学习用数据，通过机器学习构建多个凝聚良否判断模型，其中，所述凝聚良否判断模型用于根据包括所述被处理水的所述图像的输入数据而输出表示所述被处理水的所述浑浊物质的凝聚状态是否良好的信息，

所述信息处理装置构成为，选择多个所述凝聚良否判断模型中的至少一个，从多个所述摄像装置中的至少一个取得所述被处理水的所述图像作为判断用图像，使用所选择的所述凝聚良否判断模型，根据包括所述判断用图像的判断用输入数据，计算表示呈现在所述判断用图像中的所述被处理水的所述浑浊物质的所述凝聚状态是否良好的信息。

2.如权利要求1所述的水处理状况监视系统，其特征在于：

所述信息处理装置构成为，根据由一个所述摄像装置拍摄到的所述图像数据构建一个所述凝聚良否判断模型。

3.如权利要求1所述的水处理状况监视系统，其特征在于：

所述信息处理装置构成为，根据由多个所述摄像装置拍摄到的所述图像数据构建一个所述凝聚良否判断模型。

4.如权利要求1所述的水处理状况监视系统，其特征在于：

所述信息处理装置构成为，基于所述被处理水浊度来选择多个所述凝聚良否判断模型中的至少一个。

5.如权利要求1所述的水处理状况监视系统，其特征在于：

还包括与所述信息处理装置连接的操作装置，

所述信息处理装置构成为，基于对所述操作装置进行的操作来选择多个所述凝聚良否判断模型中的至少一个。

6.如权利要求4所述的水处理状况监视系统，其特征在于：

所述信息处理装置构成为，将所述被处理水浊度与阈值浊度进行比较，基于比较结果从多个所述凝聚良否判断模型中选择任一个。

7.如权利要求6所述的水处理状况监视系统，其特征在于：

所述信息处理装置具有存储部，其存储包括所述图像数据、所述被处理水数据和所述处理水数据的数据集，

所述信息处理装置构成为，使用存储在所述存储部中的所述数据集的一部分作为所述学习用数据，构建多个所述凝聚良否判断模型，并使用除了所述数据集的一部分之外的其他部分的至少一部分，对由所构建的多个所述凝聚良否判断模型输出的表示所述被处理水的所述浑浊物质的所述凝聚状态是否良好的信息的、与所述被处理水浊度对应的精度进行评价，由此计算所述阈值浊度。

8.如权利要求1所述的水处理状况监视系统，其特征在于：

所述信息处理装置构成为，作为表示呈现在所述判断用图像中的所述被处理水的所述浑浊物质的所述凝聚状态是否良好的信息，计算所述处理水的预测浊度。

9.如权利要求1所述的水处理状况监视系统，其特征在于：

所述信息处理装置构成为，作为表示呈现在所述判断用图像中的所述被处理水的所述浑浊物质的所述凝聚状态是否良好的信息，计算良好和不良中的任一个判断结果。

10.如权利要求1所述的水处理状况监视系统，其特征在于：

所述学习用输入数据仅包括所述被处理水的所述图像数据，

所述判断用输入数据仅包括所述判断用图像。

11.如权利要求1所述的水处理状况监视系统，其特征在于：

所述信息处理装置从所述被处理水测量装置取得所述被处理水水质参数作为判断用被处理水水质参数，

所述学习用输入数据还包括所述被处理水数据，

所述判断用输入数据还包括所述判断用被处理水水质参数。

12.如权利要求1所述的水处理状况监视系统，其特征在于：

所述信息处理装置构成为，取得包括关于所述被处理水的所述图像数据的各图像中由所述浑浊物质的聚集体形成的絮体的信息即絮体信息的学习用絮体数据，并从所述判断用图像取得关于由所述浑浊物质的聚集体形成的絮体的信息即判断用絮体信息，

所述学习用输入数据还包括所述学习用絮体数据，

所述判断用输入数据还包括所述判断用絮体信息。

13.如权利要求1所述的水处理状况监视系统，其特征在于：

所述信息处理装置构成为，

基于所述被处理水水质参数，判断所述被处理水数据是否符合促进所述浑浊物质的聚集体即絮体生长的条件，

在所述被处理水水质参数符合促进所述絮体生长的条件的情况下，与所述被处理水水质参数不符合促进所述絮体生长的条件的情况相比，选择使用在上游侧的场所拍摄到的所述图像数据构建的所述凝聚良否判断模型。

14.一种水处理状况监视系统，其被应用在生成处理水的设施中，该设施通过将被处理水依次输运至多个处理场所，进行包括用于除去所述被处理水中含有的浑浊物质的凝聚沉淀处理的处理，来生成将所述被处理水净化得到的所述处理水，其特征在于，包括：

多个采水装置，其对位于彼此不同的多个场所的所述被处理水进行采水；

多个摄像装置，其通过对由多个所述采水装置采得的位于多个场所的所述被处理水分别进行拍摄，取得包括位于各所述场所的所述被处理水的图像即采水图像的、各场所的所述被处理水的采水图像数据；

被处理水测量装置，其对关于所述被处理水的、包括被处理水浊度的被处理水水质参数进行测定，取得包括所述被处理水水质参数的被处理水数据；

处理水测量装置，其对所述处理水的处理水浊度进行测定，取得包括所述处理水浊度的处理水数据；和

信息处理装置，其从所述摄像装置、所述被处理水测量装置和所述处理水测量装置取得所述采水图像数据、所述被处理水数据和所述处理水数据，其中，

所述信息处理装置构成为，使用包括所述被处理水的所述采水图像数据的学习用输入数据和所述处理水数据作为学习用数据，通过机器学习，按各场所的所述被处理水的所述采水图像数据分别构建凝聚良否判断模型，其中，所述凝聚良否判断模型用于根据包括所述被处理水的所述采水图像的输入数据而输出表示所述被处理水的所述浑浊物质的凝聚状态是否良好的信息，

所述信息处理装置构成为，选择按与各场所对应的所述被处理水的所述采水图像数据分别构建的多个所述凝聚良否判断模型中的至少一个，从所述摄像装置取得所述被处理水的所述采水图像作为判断用图像，使用所选择的所述凝聚良否判断模型，根据包括所述判断用图像的判断用输入数据，计算表示呈现在所述判断用图像中的所述被处理水的所述浑浊物质的所述凝聚状态是否良好的信息。

15.一种水处理状况监视方法，其被应用在生成处理水的设施中，该设施通过将被处理水依次输运至多个处理场所，进行包括用于除去所述被处理水中含有的浑浊物质的凝聚沉淀处理的处理，来生成将所述被处理水净化得到的所述处理水，其特征在于，包括：

利用设置在能够拍摄所述被处理水的彼此不同的多个场所的多个摄像装置，通过拍摄所述被处理水来取得包括从各场所拍摄到的所述被处理水的图像的、各场所的所述被处理水的图像数据；

利用被处理水测量装置，对关于所述被处理水的、包括被处理水浊度的被处理水水质参数进行测定，取得包括所述被处理水水质参数的被处理水数据；

利用处理水测量装置，对所述处理水的处理水浊度进行测定，取得包括所述处理水浊度的处理水数据；和

利用信息处理装置，从所述摄像装置、所述被处理水测量装置和所述处理水测量装置取得所述图像数据、所述被处理水数据和所述处理水数据，其中，

利用所述信息处理装置，

使用包括所述被处理水的所述图像数据的学习用输入数据和所述处理水数据作为学习用数据，通过机器学习构建多个凝聚良否判断模型，其中，所述凝聚良否判断模型用于根据包括所述被处理水的所述图像的输入数据而输出表示所述被处理水的所述浑浊物质的凝聚状态是否良好的信息，

选择多个所述凝聚良否判断模型中的至少一个，从多个所述摄像装置中的至少一个取得所述被处理水的所述图像作为判断用图像，使用所选择的所述凝聚良否判断模型，根据包括所述判断用图像的判断用输入数据，计算表示呈现在所述判断用图像中的所述被处理水的所述浑浊物质的所述凝聚状态是否良好的信息。

Images