CN117836560A - 信息处理方法、信息处理装置及信息处理程序 - Google Patents
信息处理方法、信息处理装置及信息处理程序 Download PDFInfo
- Publication number
- CN117836560A CN117836560A CN202280049403.8A CN202280049403A CN117836560A CN 117836560 A CN117836560 A CN 117836560A CN 202280049403 A CN202280049403 A CN 202280049403A CN 117836560 A CN117836560 A CN 117836560A
- Authority
- CN
- China
- Prior art keywords
- waste
- facility
- pit
- type
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 99
- 238000003672 processing method Methods 0.000 title claims abstract description 45
- 239000002699 waste material Substances 0.000 claims abstract description 348
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 88
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 238000003756 stirring Methods 0.000 claims description 19
- 238000003702 image correction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 239000010813 municipal solid waste Substances 0.000 description 102
- 238000002485 combustion reaction Methods 0.000 description 31
- 238000003384 imaging method Methods 0.000 description 22
- 238000005286 illumination Methods 0.000 description 14
- 230000007613 environmental effect Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 230000008676 import Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000009434 installation Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 description 6
- -1 gunny bags Substances 0.000 description 6
- 239000002893 slag Substances 0.000 description 6
- 239000010902 straw Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 239000002023 wood Substances 0.000 description 6
- 239000010802 sludge Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 229920003023 plastic Polymers 0.000 description 4
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 3
- 235000017491 Bambusa tulda Nutrition 0.000 description 3
- 241001330002 Bambuseae Species 0.000 description 3
- 235000019735 Meat-and-bone meal Nutrition 0.000 description 3
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 239000010868 animal carcass Substances 0.000 description 3
- 239000011425 bamboo Substances 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002360 explosive Substances 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 3
- 229910052753 mercury Inorganic materials 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 3
- 229920002554 vinyl polymer Polymers 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 239000010806 kitchen waste Substances 0.000 description 2
- 239000002906 medical waste Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000013502 plastic waste Substances 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 239000002918 waste heat Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000010828 animal waste Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
- F23G5/50—Control or safety arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Incineration Of Waste (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
生成识别废弃物的种类的识别算法的信息处理方法包含下述步骤:通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据,从而生成作为废弃物的种类的识别算法的第1模型;以及针对所生成的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据,从而生成作为与所述第2设施的废弃物对应的识别算法的第2模型的步骤。
Description
技术领域
本公开涉及生成识别废弃物的种类的识别算法的信息处理方法、信息处理装置及信息处理程序。
背景技术
在废弃物处理设施中,多个种类的废弃物被搬入垃圾坑内。这些废弃物在贮存到垃圾坑内之后,投入到焚烧炉中进行焚烧处理。投入焚烧炉中的废弃物的质量会影响燃烧。另外,也包含若直接投入垃圾坑内则可能导致设备故障的废弃物。因此,在现有的设施中,操作员目视观察垃圾坑内来识别垃圾的种类并使用起重机进行废弃物的搅拌操作、向焚烧炉的投入操作,以使燃烧稳定并避免发生设备故障。
本申请发明人已经提出了使用识别垃圾坑内贮存的废弃物的种类的识别算法(已学习模型)自动识别废弃物并进行起重机操作的技术(参见日本特开2020-038058号公报)。
发明内容
本申请发明人为了找出使用上述识别算法的垃圾识别方法的改良技术而进行了深入研究。其结果得到以下的见解。需要说明的是,以下见解只是提出本技术的契机,并非限定本技术。
即,如图8所示,在机器学习(监督学习)中,由于学习需要正确的大量数据,因此在使用现有的识别算法(现有模型)的垃圾识别方法中,需要大量必须针对每个废弃物处理设施新准备的图像数据及教师数据。
但是,当在新建设施中导入识别算法的情况下,由于从废弃物的接受开始到设施正式运转开始的期间有限,因此需要在短期间内进行图像数据的收集、教师数据的创建及其学习。
另外,即使在短期间内进行了图像数据的收集、教师数据的创建及其学习,由于在新的设施中出现频度少的废弃物的教师数据少,因此基于识别算法的该废弃物的识别精度不会提高。
另外,废弃物处理设施除了根据设施而垃圾坑的形状、尺寸不同以外,由于多种环境条件(例如图像获取用摄像头的设置位置、角度、照明条件等)不同,因此即使将使用某个设施的图像数据及教师数据创建的识别算法直接在其他设施中使用,也无法获得充分的识别精度。
希望提供能够减少在新设导入设施中识别废弃物种类的识别算法的导入的工时且识别精度高的信息处理方法、信息处理装置及信息处理程序。
本公开一个方式的信息处理方法包含下述步骤:
通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据,从而生成作为废弃物的种类的识别算法的第1模型;以及
针对所生成的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据,从而生成作为与所述第2设施的废弃物对应的识别算法的第2模型。
本公开一个方式的信息处理装置包括:
第1模型生成部,其通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据,从而生成作为废弃物的种类的识别算法的第1模型;以及
第2模型生成部,其针对所生成的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据,从而生成作为与所述第2设施的废弃物对应的识别算法的第2模型。
附图说明
图1是示出一个实施方式的废弃物处理设施的构成的概略图。
图2是示出一个实施方式的信息处理装置的构成的框图。
图3是示出一个实施方式的信息处理装置的信息处理方法的一例的流程图。
图4是示出通过对垃圾坑内的影像进行拍摄而得到的图像数据的一例的图。
图5是示出对拍摄垃圾坑内的影像而得到的图像数据标记废弃物及废弃物以外的识别对象物的种类而得到的教师数据的一例的图。
图6是示出在通过拍摄垃圾坑内的影像而得到的图像数据上叠加种类识别部的识别结果并显示的数据的一例的图。
图7是示出按区域显示垃圾坑内的废弃物的种类的比率的映射图。
图8是示出现有的识别算法的生成方法的概念图。
图9是示出一个实施方式的识别算法的生成方法的概念图。
图10是示出一个实施方式的一个变形例的信息处理装置的构成的框图。
具体实施方式
第1实施方式的信息处理方法包含下述步骤:
通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据,从而生成作为废弃物的种类的识别算法的第1模型;以及
针对所生成的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据,从而生成作为与所述第2设施的废弃物对应的识别算法的第2模型。
根据上述方式,在向新设导入设施(第2设施)导入识别算法前,能够使用在多个设施中不限期间地收集、生成的大量教师数据预先进行学习。另外,对于在一个设施出现频度少的废弃物,也能够使用足够量的教师数据进行学习。此外,由于能够使用同时考虑各设施的垃圾坑的形状、尺寸的差异、多种环境条件(例如图像获取用摄像头的设置位置、角度、照明条件等)的差异的多种教师数据进行学习,因此能够获得鲁棒性(能够针对多种数据稳定地进行高精度识别的性质)的识别算法(第1模型)。
接下来,针对这种第1模型,追加学习在新设导入设施(第2设施)中收集、生成的教师数据并生成第2模型。在此,根据本申请发明人的见解,用于追加学习的教师数据(在新设导入设施中收集、生成的教师数据)的量可以额相对于第1模型生成时使用的教师数据(在多个设施中收集、生成的教师数据)的量为少量。若为少量,则不易受到新设导入设施的环境条件(图像获取用摄像头的设置位置、角度、照明条件等)、将来的环境变化(垃圾袋的形状、颜色的变化、坑侧壁的常年污染等)的影响。但是,在新设导入设施中存在第1教师数据中不存在的种类的废弃物的情况下,在新设导入设施中,能够通过预先在所收集、生成的教师数据中包含该废弃物的教师数据来生成能够识别该废弃物的第2模型。通过像这样构成,从而能够获得一定程度确保鲁棒性且与新设导入设施对应的识别精度高的模型(第2模型)。另外,能够减少在新设导入设施中导入识别废弃物的种类的识别算法的工时。
第2实施方式的信息处理方法在第1方式的信息处理方法的基础上,
所述第2图像数据及所述第2教师数据在其图像中包含所述第2设施的垃圾坑的侧壁和/或进行废弃物的搅拌或搬送的起重机。
根据上述方式,由于能够进行考虑新设导入设施(第2设施)中的垃圾坑的形状、尺寸、起重机的形状、尺寸的差异的追加学习,因此基于第2模型的侧壁和/或起重机的识别精度提高,与使用仅有废弃物的数据(即图像中未包含垃圾坑的侧壁和/或起重机的数据)的情况相比,也能够提高废弃物的种类的识别精度。
第3实施方式的信息处理方法在第1或2方式的信息处理方法基础上,
所述第2教师数据相对于所述第1教师数据的量为30%以下。
第4实施方式的信息处理方法在第3方式的信息处理方法基础上,
所述第2教师数据相对于所述第1教师数据的量为15%以下。
第5实施方式的信息处理方法在第4方式的信息处理方法的基础上,
所述第2教师数据相对于所述第1教师数据的量为5%以下。
第6实施方式的信息处理方法在第1~5中任一方式的信息处理方法的基础上,
所述识别算法包含线性回归、玻尔兹曼机、神经网络、支持向量机、贝叶斯网络、稀疏回归、决策树、使用随机森林的统计估计、强化学习、深层学习中的一个或两个以上。
第7实施方式的信息处理方法在第1~6中任一方式的信息处理方法的基础上,
所述第2教师数据包含对拍摄所述第2设施的垃圾坑内得到的图像的整体进行标记得到的数据。
根据上述方式,由于能够进行考虑通过在新设导入设施(第2设施)中设置的摄像装置得到的垃圾坑内的图像的观察方式(视野、视角)的信息的追加学习,因此能够提高基于第2模型的废弃物种类的识别精度。
第8实施方式的信息处理方法在第1~6中任一方式的信息处理方法的基础上,
所述第2教师数据包含将拍摄所述第2设施的垃圾坑内得到的图像的一部分切出并仅对该切出的部分进行标记得到的数据。
根据上述方式,与对图像整体进行标记的情况相比,能够大幅削减教师数据的数据量及创建工时。
第9实施方式的信息处理方法在第1~8中任一方式的信息处理方法的基础上,
在生成所述第2模型的步骤中使用的所述第2图像数据是在将拍摄所述第2设施的垃圾坑内得到的图像数据输入至所述第1模型并识别废弃物的种类的基础上,从这些图像数据中选择使用识别精度低于预先设定的基准(第1基准)的图像数据得到的数据。
根据上述方式,能够在第2设施中确认在第1模型中无法获得充分的识别精度的废弃物的种类,主要使用包含该种类的图像数据及教师数据进行追加学习,由此能够进行高效的学习数据的收集及学习。
第10实施方式的信息处理方法在第1~10中任一方式的信息处理方法的基础上,
在生成所述第1模型的步骤中,一并学习各设施中的拍摄条件和/或拍摄环境的信息。
根据上述方式,即使由于故障等拍摄条件(摄像头的分辨率、曝光时间、增益、焦点等)、拍摄环境(基于时刻、天气的自然光的量、照明的ON/OFF等)改变也能够运用。
第11实施方式的信息处理方法在第1~10中任一方式的信息处理方法的基础上,
所述第1图像数据是以拍摄在所述多个设施间共同的图像修正用比色图得到的图像为参照,针对拍摄各设施的垃圾坑内得到的图像数据进行色调、明度、彩度中的至少一个进行修正得到的数据。
根据上述方式,能够对在照明、自然光的条件不同的多个设施中拍摄的图像的色调、明度、彩度的差异进行修正,由此能够提高识别算法的识别精度。
第12实施方式的信息处理方法在第1~10中任一方式的信息处理方法的基础上,
所述第1图像数据是将各设施的垃圾坑内与在所述多个设施间共同的图像修正用比色图一起拍摄得到的数据。
根据这样的方式,也能够对在照明、自然光的条件不同的多个设施中拍摄的图像的色调、明度、彩度的差异进行修正,由此能够提高识别算法的识别精度。
第13实施方式的信息处理方法在第1~12中任一方式的信息处理方法的基础上,
所述第2图像数据包含将对所述多个设施的垃圾坑内的废弃物、或与所述多个设施及所述第2设施均不同的其他设施的垃圾坑内的废弃物进行拍摄得到的图像,与基于所述第2设施的三维设计数据创建的垃圾坑的侧壁和/或进行废弃物的搅拌或搬送的起重机的绘制图像合成的图像。
根据上述方式,能够在新设导入设施(第2设施)的坑施工/起重机安装的完成前创建与坑/起重机等的观察方式相关的图像数据并用于学习。
第14实施方式的信息处理方法在第1~13中任一方式的信息处理方法的基础上,其进一步包含下述步骤:
在开始运用所生成的第2模型后,定期监视运用时的识别精度,在识别精度变得低于预先设定的基准(第2基准)的情况下,针对所述第2模型,通过追加学习此时的废弃物的图像数据和对该图像中的废弃物标记种类的教师数据,从而对所述第2模型进行更新。
根据上述方式,能够应对废弃物的种类变化、废弃物的各种类的构成比例的变化等。
第15实施方式的信息处理方法在第1~14中任一方式的信息处理方法的基础上,其进一步包含下述步骤:
针对所生成的第2模型,通过追加学习对与所述多个设施及所述第2设施均不同的第3设施的垃圾坑内进行拍摄得到的第3图像数据和对该图像中的废弃物标记种类的第3教师数据,从而生成作为与所述第3设施的废弃物对应的识别算法的第3模型。
根据上述方式,由于能够将针对所述第1教师数据追加学习第2教师数据得到的模型(第2模型)进一步用作使用其他设施(第3设施)中的第3教师数据的追加学习用的基础模型,因此能够期待废弃物的种类的识别精度逐次提高。
第16实施方式的信息处理装置包括:
第1模型生成部,其通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据,从而生成作为废弃物的种类的识别算法的第1模型;以及
第2模型生成部,其针对所生成的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据,从而生成作为与所述第2设施的废弃物对应的识别算法的第2模型。
第17实施方式的计算机可读取的记录介质非暂时地记录以下的滚落者检测程序,信息处理程序使计算机执行下述步骤:
通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据,从而生成作为废弃物的种类的识别算法的第1模型;以及
针对所生成的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据,从而生成作为与所述第2设施的废弃物对应的识别算法的第2模型。
第18实施方式的信息处理方法包含下述步骤:
针对通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据而生成的、作为废弃物的种类的识别算法的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据而生成作为与所述第2设施的废弃物对应的识别算法的第2模型,使用该第2模型,以拍摄所述第2设施的垃圾坑内得到的新的图像数据为输入,识别该垃圾坑内贮存的废弃物的种类。
第19实施方式的信息处理装置具备种类识别部,其针对通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据而生成的、作为废弃物的种类的识别算法的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据而生成作为与所述第2设施的废弃物对应的识别算法的第2模型,使用该第2模型,以拍摄所述第2设施的垃圾坑内得到的新的图像数据为输入,识别该垃圾坑内贮存的废弃物的种类。
第20实施方式的计算机可读取的记录介质非暂时地记录下述滚落者检测程序,信息处理程序使计算机执行下述步骤:
针对通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据而生成的、作为废弃物的种类的识别算法的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记得到的第2教师数据而生成作为与所述第2设施的废弃物对应的识别算法的第2模型,使用该第2模型,以拍摄所述第2设施的垃圾坑内得到的新的图像数据为输入,识别该垃圾坑内贮存的废弃物的种类。
以下,参照附图详细说明实施方式的具体例。需要说明的是,在以下说明及以下说明所使用的附图中,对可能同样地构成的部分使用同一附图标记并省略重复的说明。
图1是示出一个实施方式的废弃物处理设施100(以下有时称为第2设施)的构成的概略图。
如图1所示,废弃物处理设施100包括供装载废弃物的搬送车辆(垃圾收集车)22停车的平台21、贮存从平台21投入的废弃物的垃圾坑3、对贮存在垃圾坑3内的废弃物进行搅拌及搬送的起重机5、供通过起重机5搬送的废弃物投入的料斗4、对从料斗4投入的废弃物进行焚烧的焚烧炉1、以及从在焚烧炉1内产生的排气回收废热的废热锅炉2。焚烧炉1的种类不限于图1所示的炉排炉,也包含流动炉(也称为流化床炉)。另外,垃圾坑3的构造不限于图1所示的单层坑,也包含将垃圾坑分割为投入部和贮存部的两层坑。另外,在废弃物处理设施100中设有控制起重机5的动作的起重机控制装置50和控制焚烧炉1内的废弃物燃烧的燃烧控制装置20。
以装载到搬送车辆22中的状态搬入的废弃物被从平台21投入垃圾坑3内并贮存。垃圾坑3内贮存的废弃物由起重机5搅拌,并由起重机5搬送至料斗4,经由料斗4投入焚烧炉1内部,在焚烧炉1内部被焚烧处理。
如图1所示,在废弃物处理设施100中设有对垃圾坑3内的影像进行拍摄的摄像装置6(以下有时称为摄像头)和识别垃圾坑3内的废弃物种类的信息处理装置10。
摄像装置6配置在垃圾坑3的上方,在图示的例子中固定于起重机5的轨道,能够从垃圾坑3的上方对垃圾坑3内贮存的废弃物进行拍摄。图4是示出通过由摄像装置6对垃圾坑3内的影像进行拍摄而得到的图像数据的一例的图。
摄像装置6也可以是输出废弃物的形状及色彩图像数据作为摄像结果的RGB摄像头,也可以是输出废弃物的近红外线图像数据作为摄像结果的近红外线摄像头,也可以是拍摄废弃物的三维图像数据作为摄像结果的3D摄像头或RGB-D摄像头,也可以是其中的两个以上的组合。
接下来,说明识别在垃圾坑3内贮存的废弃物的种类的信息处理装置10的构成。图2是示出信息处理装置10的构成的框图。信息处理装置10能够由一个或多个计算机构成。
如图2所示,信息处理装置10具有控制部11、存储部12及通信部13。各部分经由总线相互能够通信地连接。
其中的通信部13是摄像装置6、起重机控制装置50及燃烧控制装置20的各装置与信息处理装置10之间的通信接口。通信部13在摄像装置6、起重机控制装置50及燃烧控制装置20的各装置与信息处理装置10之间收发信息。
存储部12是例如硬盘等固定型数据存储器。在存储部12中存储由控制部11处理的各种数据。另外,在存储部12中存储通过后述的第1模型生成部11a1及第2模型生成部11a2生成的识别算法12a和通过后述的图像数据获取部11b获取的图像数据12b。
控制部11是进行信息处理装置10的各种处理的控制机构。如图2所示,控制部11具有第1模型生成部11a1、第2模型生成部11a2、图像数据获取部11b、种类识别部11c、机械控制部11d、滚落感知部11e及异物投入感知部11f。上述各部分可以通过由信息处理装置10内的处理器执行规定的程序来实现,也可以以硬件安装。
第1模型生成部11a1通过机器学习对贮存废弃物的多个设施(与第2设施100不同的废弃物处理设施)的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据而生成废弃物的种类的识别算法12a(第1模型)。
第1模型生成部11a1也可以通过机器学习对多个设施的垃圾坑内进行拍摄得到的第1图像数据、和对该图像中的废弃物标记种类并对该图像中的除了废弃物以外的识别对象物也按种类标记得到的第1教师数据,从而生成不仅识别垃圾坑内贮存的废弃物的种类也识别废弃物以外的识别对象物的种类的识别算法12a(第1模型)。
具体来说,识别算法12a也可以包含例如线性回归、玻尔兹曼机、神经网络、支持向量机、贝叶斯网络、稀疏回归、决策树、使用随机森林的统计估计、强化学习、深层学习中的一个或两个以上。
第1教师数据例如也可以通过由在各设施中进行运转的熟练操作员针对拍摄垃圾坑内得到的第1图像数据目视识别废弃物及废弃物以外的识别对象物并按种类进行标记来创建。废弃物及废弃物以外的识别对象物的种类例如也可以以与第1图像数据重合的状态标记为按种类的层。
第1教师数据中被标记的废弃物的种类也可以包含垃圾袋未破袋垃圾、纸垃圾、修剪枝、被褥、污泥、粗大破碎垃圾、瓦楞纸、麻袋、纸袋、底部垃圾(存在于垃圾坑3内的底部附近且被上方的废弃物压缩而水分含量多的垃圾)中的一个或两个以上。另外,第1教师数据中被标记的废弃物的种类也可以包含虽然不希望进入垃圾坑内但可能会进入的预定外的废弃物(异常物)。在此,作为异常物,例如能够举出无法焚烧物,具体来说,例如能够举出荧光灯、汞混入垃圾、储气瓶、罐、油箱等爆炸物等。另外,第1教师数据中被标记的废弃物的种类也可以包含木屑、纤维垃圾、衣服垃圾、塑料垃圾、动物性残渣、动物尸体、厨余垃圾、草木、土、医疗垃圾、焚烧灰、自行车、餐桌、床、搁板、桌子、椅子、农业系乙烯类、塑料瓶、发泡苯乙烯、肉骨粉、农作物、陶器、玻璃渣、金属屑、木屑类、混凝土渣、草席、竹、稻草、活性碳中的一个或两个以上。
第1教师数据中被标记的废弃物以外的识别对象物的种类也可以包含各设施的梁、垃圾坑的侧壁、垃圾坑内贮存的废弃物山的峭壁(与被废弃物山的峭壁接触而废弃物的种类变暗至无法目视识别的程度的部分)、进行废弃物的搅拌或搬送的起重机中的一个或两个以上。另外,第1教师数据中被标记的废弃物以外的识别对象物的种类也可以包含作业员、搬入车辆中的一方或双方。另外,教师数据中被标记的废弃物以外的识别对象物的种类也可以包含各设施的壁、柱、地板、窗、天花板、门、楼梯、桁架(悬吊起重机并移动的构造体)、走廊、垃圾坑的分隔壁、垃圾投入料斗、搬入门、作业员、搬入车辆中的一个或两个以上。
第1模型生成部11a1也可以在机器学习第1图像数据和第1教师数据并生成第1模型时一并学习各设施中的拍摄条件(摄像头的分辨率、曝光时间、增益、焦点等)和/或拍摄环境(基于时刻、天气的自然光的量、照明的ON/OFF等)的信息。由此,即使由于故障等拍摄条件、拍摄环境改变也能够运用。
第1图像数据也可以是针对拍摄各设施的垃圾坑内得到的未修正的图像数据,以拍摄多个设施间共同的图像修正用比色图得到的图像为参照进行色调、明度、彩度中的至少一个修正的图像数据,也可以是将各设施的垃圾坑内与多个设施间共同的图像修正用比色图一起拍摄得到图像数据。由此,第1模型生成部11a1能够在机器学习第1图像数据和第1教师数据而生成第1模型时,对在照明、自然光的条件不同的多个设施中拍摄的图像的色调、明度、彩度的差异进行修正,由此,能够提高识别算法12a的识别精度。
第2模型生成部11a2通过针对由第1模型生成部11a1生成的识别算法12a(第1模型)追加学习对第2设施100的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据,从而生成与第2设施的废弃物对应的识别算法12a(第2模型)。
第2模型生成部11a2也可以通过针对由第1模型生成部11a1生成的识别算法12a(第1模型),追加学习对第2设施100的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类并对该图像中的废弃物以外的识别对象物也按种类标记得到的第2教师数据,从而生成不仅识别第2设施100的垃圾坑内贮存的废弃物的种类也识别废弃物以外的识别对象物的种类的识别算法12a(第2模型)。
根据本申请发明人的见解,相对于第1模型创建时所需的教师数据量(第1教师数据的数据量),第2模型创建中使用的教师数据量(第2教师数据的数据量)可以是少量,优选为30%以下,更加优选为15%以下,进一步优选为5%以下。若第2设施100的教师数据为少量,则不易受到新设导入设施的环境条件(图像获取用摄像头的设置位置、角度、照明条件等)、将来的环境的变化(垃圾袋的形状、颜色的变化、坑侧壁的常年污染等)的影响。但是,在新设导入设施中存在第1模型生成时不存在的种类的废弃物的情况下,通过预先在新设导入设施中收集、生成的教师数据中包含该废弃物的教师数据,从而能够生成能够识别该废弃物的第2模型。通过像这样构成,从而能够获得一定程度确保鲁棒性并与新设导入设施对应的、识别精度高的识别算法12a(第2模型),并且,能够削减其生成所需的工时。
第2教师数据例如也可以通过由在第2设施100中进行运转的熟练操作员针对拍摄垃圾坑3内得到的第2图像数据,目视识别废弃物及废弃物以外的识别对象物并按种类进行标记来创建。废弃物及废弃物以外的识别对象物的种类例如也可以以与第2图像数据重合的状态标记为按种类的层。
第2教师数据中被标记的废弃物的种类也可以包含垃圾袋未破袋垃圾、纸垃圾、修剪枝、被褥、污泥、粗大破碎垃圾、瓦楞纸、麻袋、纸袋、底部垃圾(位于垃圾坑3内的底部附近并被上方的废弃物压缩而水分含量多的垃圾)中的一个或两个以上。另外,第2教师数据中被标记的废弃物的种类也可以包含不希望进入垃圾坑3内但有可能进入的预定外的废弃物(异常物)。在此,作为异常物,例如能够举出无法焚烧物,具体来说例如荧光灯、汞混入垃圾、储气瓶、罐、油箱等爆炸物等。另外,第2教师数据中被标记的废弃物的种类也可以包含木屑、纤维垃圾、衣服垃圾、塑料垃圾、动物性残渣、动物尸体、厨余垃圾、草木、土、医疗垃圾、焚烧灰、自行车、餐桌、床、搁板、桌子、椅子、农业系乙烯类、塑料瓶、发泡苯乙烯、肉骨粉、农作物、陶器、玻璃渣、金属屑、木屑类、混凝土渣、草席、竹、稻草、活性碳中的一个或两个以上。需要说明的是,第2教师数据中被标记的废弃物的种类无需与第1教师数据中被标记的废弃物的种类相同,如前所述,在新设导入设施中存在第1教师数据中不存在的种类的废弃物的情况下,能够通过预先包含该废弃物的种类作为第2教师数据中被标记的废弃物的种类来生成能够识别该废弃物的第2模型。另外,在第1教师数据中存在的种类的废弃物存在新设导入设施中不存在的种类的废弃物的情况下,作为第2教师数据中被标记的废弃物的种类,也可以不包含该废弃物的种类。
第2教师数据中被标记的废弃物以外的识别对象物的种类也可以包含第2设施100的梁、垃圾坑3的侧壁、垃圾坑3内贮存的废弃物山的峭壁(与废弃物山的峭壁接触而废弃物的种类变暗至无法目视识别的程度的部分)、进行废弃物的搅拌或搬送的起重机5中的一个或两个以上。另外,第2教师数据中被标记的废弃物以外的识别对象物的种类也可以包含作业员、搬入车辆中的一方或双方。另外,教师数据中标记的废弃物以外的识别对象物的种类也可以包含第2设施100的壁、柱、地板、窗、天花板、门、楼梯、桁架(悬吊起重机5并移动的构造体)、走廊、垃圾坑3的分隔壁、垃圾投入料斗、搬入门、作业员、搬入车辆中的一个或两个以上。需要说明的是,第2教师数据中被标记的废弃物以外的识别对象物的种类无需与第1教师数据中被标记的废弃物以外的识别对象物的种类相同,在新设导入设施存在第1教师数据中不存在的种类的废弃物以外的识别对象物的情况下,能够通过预先包含该识别对象物的种类来作为第2教师数据中被标记的废弃物以外的识别对象物的种类,从而生成能够识别该废弃物的第2模型。另外,在第1教师数据中存在的种类的废弃物以外的识别对象物有新设导入设施中不存在的种类的的识别对象物的情况下,作为第2教师数据中被标记的废弃物以外的识别对象物的种类,也可以不包含该识别对象物的种类。
图5是示出对拍摄第2设施100的垃圾坑3内得到的图像数据标记废弃物及废弃物以外的识别对象物的种类的第2教师数据的一例的图。在图5所示的例子中,对拍摄垃圾坑3内得到的图像数据分别按照种类标记未破袋垃圾、修剪枝、被褥作为废弃物,并分别按种类标记起重机5、废弃物山的峭壁、垃圾坑3的侧壁、第2设施100的地板来作为废弃物以外的识别对象物。
第2教师数据可以包含对拍摄第2设施100的垃圾坑3内得到的图像的整体进行标记的数据,也可以包含将拍摄第2设施100的垃圾坑3内得到的图像的一部分切出并仅对该切出的部分进行标记的数据。通过包含对图像的整体进行标记的教师数据,从而能够进行考虑通过在新设导入设施(第2设施)中设置的摄像装置得到的垃圾坑内的图像的观察方式(视野、视角)的信息的追加学习,因此能够提高第2模型的废弃物种类的识别精度。另外,通过包含部分被标记的教师数据,从而与图像整体被标记的情况相比,能够大幅削减教师数据的数据量及创建工时。另外,第2图像数据及所述第2教师数据也可以是在其图像中包含第2设施100的垃圾坑3的侧壁和/或起重机5。第2教师数据通过在其图像中包含第2设施100的垃圾坑的侧壁和/或进行废弃物的搅拌或搬送的起重机,从而能够进行考虑新设导入设施(第2设施)中的垃圾坑的形状、尺寸、起重机的形状、尺寸的差异的追加学习,因此能够提高基于第2模型的侧壁和/或起重机的识别精度,与使用仅有废弃物的数据(即图像中未包含垃圾坑的侧壁和/或起重机的数据)的情况相比,废弃物的识别精度也能够提高。
第2图像数据也可以在将拍摄第2设施100的垃圾坑3内得到的图像数据输入第1模型以识别废弃物的种类的基础上,从这些图像数据中选择使用识别精度低于预先设定的基准的图像数据,也可以非如此(即,拍摄第2设施100的垃圾坑3内得到的图像数据本身)。在第2图像数据是在将拍摄第2设施100的垃圾坑3内得到的图像数据输入第1模型输入以识别废弃物的种类的基础上从这些图像数据中选择使用识别精度低的图像数据选择的数据的情况下,在第2设施100中,能够确认以第1模型无法获得充分的识别精度的废弃物的种类,并主要使用包含该种类的图像数据及教师数据进行追加学习,由此能够进行高效的学习数据的收集及学习。
第2图像数据也可以包含拍摄所述多个设施的垃圾坑内的废弃物或与所述多个设施及所述第2设施均不同的其他设施的垃圾坑内的废弃物得到的图像与基于第2设施100的三维设计数据创建的垃圾坑3的侧壁和/或起重机5的绘制图像合成的图像。在该情况下,在新设导入设施(第2设施100)的坑施工/起重机安装的完成前,能够创建与坑3、起重机5等的观察方式相关的图像数据并用于学习。
图像数据获取部11b从拍摄装置6获取拍摄第2设施100的垃圾坑3内得到的新的图像数据。通过图像数据获取部11b获取的新的图像数据被存储在存储部12中。
种类识别部11c以通过图像数据获取部11b获取的新的图像数据为输入,使用由第2模型生成部11a2生成的识别算法12a(第2模型),识别在第2设施100的垃圾坑3内贮存的废弃物的种类。
种类识别部11c也可以以从图像数据获取部11b获取的新的图像数据为输入,使用识别算法12a(第2模型)一并识别第2设施100的垃圾坑3内贮存的废弃物的种类和废弃物以外的识别对象物的种类。图6是示出将种类识别部11c的识别结果与通过拍摄第2设施100的垃圾坑3内的影像而得到的图像数据重合显示的数据的一例的图。在图6所示的例子中,通过种类识别部11c识别的废弃物(未破袋垃圾、修剪枝)与废弃物以外的识别对象物(起重机5、废弃物山的峭壁、垃圾坑3的侧壁、第2设施100的地板)按种类与图像数据重合显示。
如图7所示,种类识别部11c也可以基于识别结果生成按区域显示第2设施100的垃圾坑3内贮存的废弃物的种类的比率的映射图。在图7所示的例子中,垃圾坑3内被划分为5×4的格子状,按区域显示由种类识别部11c识别的废弃物的种类的比率。
机械控制部11d基于种类识别部11c的识别结果进行废弃物处理设施(第2设施)100的控制。
在图1所示的例子中,机械控制部11d包含向控制进行废弃物的搅拌或搬送的起重机5的起重机控制装置50发送种类识别部11c的识别结果(即,根据图像数据识别的废弃物的种类的信息)的起重机控制部11d1、和向控制废弃物的燃烧的燃烧控制装置20发送种类识别部11c的识别结果(即,根据图像数据识别的废弃物的种类的信息)的燃烧控制部11d2。
需要说明的是,在图1所示的例子中,机械控制部11d包含起重机控制部11d1和燃烧控制部11d2双方,但并非限定于此,也可以仅包含起重机控制部11d1和燃烧控制部11d2中的任一方。
起重机控制部11d1例如向起重机控制装置50发送按区域显示垃圾坑3内贮存的废弃物的种类的比率的映射图(参见图7),作为种类识别部11c的识别结果。起重机控制装置50基于从起重机控制部11d1接收的映射图而使起重机5动作,对垃圾坑3内的废弃物进行搅拌,以使废弃物的种类的比率在全部区域中相等。
燃烧控制部11d2例如向燃烧控制装置20发送按区域显示垃圾坑3内贮存的废弃物的种类的比率的映射图(参见图7),作为种类识别部11c的识别结果。燃烧控制装置20基于从燃烧控制部11d2接收的映射图,掌握由起重机5抓取并一起从垃圾坑3向料斗4搬送的废弃物的种类的比率,根据一起经由料斗4向焚烧炉1内投入的废弃物的比率来控制废弃物的燃烧(例如,控制炉排的进给速度、所供给的空气量)。
滚落感知部11e基于种类识别部11c的识别结果(即,根据图像数据识别的作业员或搬送车辆的信息)来感知作业员或搬送车辆从平台21滚落到垃圾坑3内。滚落感知部11e也可以向感知存废弃物的垃圾坑3内有作业员、搬入车辆的滚落感知装置(未图示)发送种类识别部11c的识别结果(即,根据图像数据识别的作业员或搬送车辆的信息)。滚落感知装置(未图示)基于从滚落感知部11e发送的种类识别部11c的识别结果发出警报或使起重机5、未图示的救援用机械件(例如吊舱等)动作来进行作业员的救援。
异物投入感知部11f基于种类识别部11c的识别结果(即,根据图像数据识别的废弃物的种类的信息)来感知投入到垃圾坑3内的异常物。在这里,“异常物”是指不希望进入垃圾坑3内但有可能进入的预定外的废弃物,例如能够举出无法焚烧物,具体来说,例如为荧光灯、汞混入垃圾、储气瓶、罐、油箱等爆炸物等。异物投入感知部11f也可以向感知投入贮存废弃物的垃圾坑3内的异常物的异物感知装置(未图示)发送种类识别部的识别结果(即,根据图像数据识别的废弃物的种类的信息)。异物感知装置(未图示)参照一并存储有将废弃物投入垃圾坑3内的作业人员或车辆和时间信息的数据库,基于从异物投入感知部11f发送的种类识别部11c的识别结果确定将异物投入垃圾坑3内的作业人员或车辆。
接下来,说明具有上述构成的信息处理装置10的信息处理方法的一例。图3是示出信息处理方法的一例的流程图。
如图3所示,首先,第1模型生成部11a1通过机器学习对贮存废弃物的多个设施(与第2设施100不同的废弃物处理设施)的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据,从而生成废弃物的种类的识别算法12a(第1模型)(步骤S11)。
在向第2设施100导入前,第1模型生成部11a能够使用在多个设施中不限期间地收集、生成的大量教师数据预先进行学习。另外,对于在一个设施中出现频度少的废弃物,也能够使用足够量的教师数据进行学习。此外,由于能够使用同时考虑各设施的垃圾坑的形状、尺寸的差异、多种环境条件(例如,图像获取用摄像头的设置位置、角度、照明条件等)的差异的多种教师数据进行学习,因此能够获得具有鲁棒性的识别算法12a(第1模型)。
接下来,第2模型生成部11a2通过针对由第1模型生成部11a1生成的识别算法12a(第1模型)追加学习对第2设施100的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据,从而生成与第2设施的废弃物对应的识别算法12a(第2模型)(步骤S12)。
在此,追加学习用的教师数据(第2教师数据)的量可以相对于第1模型生成时用的教师数据(第1教师数据)的量为少量。若为少量,则不易受到新设导入设施的环境条件(图像获取用摄像头的设置位置、角度、照明条件等)、将来的环境的变化(垃圾袋的形状、颜色的变化、坑侧壁的常年污染等)的影响。
但是,在第2设施100中存在第1教师数据中不存在的种类的废弃物的情况下,为了生成能够识别该废弃物的识别算法12a(第2模型),可以预先在第2教师数据中包含该废弃物的教师数据。
通过像这样构成,从而能够获得一定程度确保鲁棒性且与第2设施100对应的识别精度高的第2模型。另外,能够减少在第2设施100(新的设施)中导入识别废弃物的种类的识别算法的工时。
接下来,图像数据获取部11b从拍摄装置6获取对第2设施100的垃圾坑3内进行拍摄得到的新的图像数据12b(例如参见图4)(步骤S13)。由图像数据获取部11b获取的新的图像数据12b被存储于存储部12。
接下来,种类识别部11c以通过图像数据获取部11b获取的新的图像数据为输入,使用由第2模型生成部11a2生成的识别算法12a(第2模型)识别在第2设施100的垃圾坑3内贮存的废弃物的种类(步骤S14)。
种类识别部11c也可以以由图像数据获取部11b获取的新的图像数据(例如参见图4)为输入,使用由第2模型生成部11a2生成的识别算法12a(第2模型),一并识别第2设施100的垃圾坑3内贮存的废弃物的种类和废弃物以外的识别对象物的种类(例如参见图6)。另外,种类识别部11c也可以基于废弃物的种类的识别结果来生成按区域显示垃圾坑3内贮存的废弃物的种类的比率的映射图(例如参见图7)。
接下来,机械控制部11d基于种类识别部11c的识别结果来进行废弃物处理机械的控制。
具体来说,例如,起重机控制部11d1向控制进行废弃物的搅拌或搬送的起重机5的起重机控制装置50发送按区域显示图7所示的废弃物的种类的比率的映射图,作为种类识别部11c的识别结果(步骤S15)。起重机控制装置50基于从起重机控制部11d1接收的映射图,使起重机5动作以对垃圾坑3内的废弃物进行搅拌,以使废弃物的种类的比率在全部区域中相等。
另外,燃烧控制部11d2向控制废弃物的燃烧的燃烧控制装置20发送按区域显示图7所示的废弃物的种类的比率的映射图,作为种类识别部11c的识别结果(步骤S16)。燃烧控制装置20基于从燃烧控制部11d2接收的映射图,掌握由起重机5抓取并一起从垃圾坑3向料斗4搬送的废弃物的种类的比率,根据一起经由料斗4向焚烧炉1内投入的各废弃物的比率来控制废弃物的燃烧(例如,控制炉排的进给速度、所供给的空气量)。
需要说明的是,也可以是,在种类识别部11c根据垃圾坑3内的图像数据识别到作业员或搬送车辆的情况下,滚落感知部11e基于种类识别部11c的识别结果来感知作业员或搬送车辆从平台21滚落到垃圾坑3内,并向滚落感知装置(未图示)发送种类识别部11c的识别结果。
另外,也可以是,在种类识别部11c根据垃圾坑3内的图像数据感知到异常物的情况下,异物投入感知部11f基于种类识别部11c的识别结果来感知被投入到垃圾坑3内的异常物,并向异物感知装置(未图示)发送种类识别部11c的识别结果。
然而,如图8所示,在机器学习(监督学习)中,由于学习需要正确的大量数据,因此在使用现有的识别算法(现有模型)的垃圾识别方法中,需要大量针对必须每个废弃物处理设施新准备的图像数据及教师数据。
但是,当在新建设施中导入识别算法的情况下,由于从废弃物的接受开始到设施的正式运转开始的期间有限,因此需要在短期间进行图像数据的收集、教师数据的创建及其学习。
另外,即使在短期间进行了图像数据的收集、教师数据的创建及其学习,对于新的设施中出现频度少的废弃物而言,由于教师数据少,基于识别算法的相应废弃物的识别精度也不会提高。
另外,废弃物处理设施不仅垃圾坑的形状、尺寸根据设施而不同,而且多种环境条件(例如,图像获取用摄像头的设置位置、角度、照明条件等)也不同,因此即使将使用某个设施的图像数据及教师数据创建的识别算法直接在其他设施中使用,也无法获得充分的识别精度。
对此,根据本实施方式,如图9所示,在向新的设施导入识别算法前,能够使用在多个设施中不限期间地收集、生成的大量教师数据进行预先学习,另外,对于在一个设施中出现频度少的废弃物,也能够使用足够量的教师数据进行学习。此外,由于能够使用同时考虑各设施的垃圾坑的形状、尺寸的差异、多种环境条件(例如,图像获取用摄像头的设置位置、角度、照明条件等)的差异的多种教师数据进行学习,因此能够获得具有鲁棒性的识别算法12a(第1模型)。接下来,针对这种第1模型,追加学习在新设导入设施中收集、生成的教师数据,生成与新设导入设施的废弃物对应的识别算法12a(第2模型)。在此,根据本申请发明人的见解,追加学习使用的教师数据(在新设导入设施中收集、生成的教师数据)的量可以相对于第1模型生成时使用的教师数据(多个设施中收集、生成的教师数据)的量为少量。若为少量,则不会受到新设导入设施的环境条件(图像获取用摄像头的设置位置、角度、照明条件等)、将来的环境的变化(垃圾袋的形状、颜色的变化、坑侧壁的常年污染等)的影响。需要说明的是,当在新设导入设施中存在第1教师数据中不存在的种类的废弃物的情况下,通过在新设导入设施中收集、生成的教师数据中预先包含该废弃物的教师数据,从而能够生成能够识别该废弃物的第2模型。由此,能够获得一定程度确保鲁棒性且与新设导入设施对应的识别精度高的模型(第2模型)。另外,与图8所示的使用现有的识别算法(现有模型)的垃圾识别方法相比,能够减少在新设导入设施中导入识别废弃物的种类的识别算法12a的工时。
需要说明的是,能够针对上述实施方式施加多种变更。以下说明上述实施方式的变形例。
在上述实施方式中,如图2所示,控制部11具有第1模型生成部11a1、第2模型生成部11a2、图像数据获取部11b、种类识别部11c、机械控制部11d、滚落感知部11e及异物投入感知部11f,但不限定于此,控制部11的处理的一部分也可以不在信息处理装置10上而在与信息处理装置10不同的信息处理装置、云服务器上进行。另外,存储部12的一部分也可以不在信息处理装置10中,而在与信息处理装置10不同的信息处理装置、云服务器上。
例如,如图10所示,也可以是,第1模型生成部11a1及第2模型生成部11a2的处理在外部的信息处理装置101(云服务器)上执行,生成识别算法12a(第1模型及第2模型)。另外,也可以使用在外部的信息处理装置101(云服务器)上生成的识别算法12a,在外部的信息处理装置101(云服务器)上执行种类识别部11c的处理,如图10所示,也可以是,被导入第2设施100的信息处理装置10从外部的信息处理装置101(云服务器)下载由外部的信息处理装置101(云服务器)生成的识别算法12a(第2模型),在信息处理装置10内使用该识别算法12a执行种类识别部11c的处理。在该情况下,在第2设施100中运用第2模型时,能够在外部的信息处理装置101中另行进一步学习。另外,能够减少信息处理装置10的存储容量。
控制部11也可以在开始运用由第2模型生成部11a2生成的识别算法(第2模型)后,定期监视运用时的识别精度(即种类识别部11c的识别结果),判断是否需要识别算法12a(第2模型)的模型重建及更新。例如,控制部11使用延伸边缘服务器进行种类识别部11c的识别结果的正常/异常判定,在检测到异常的情况下,判断该图像数据及识别结果在焚烧炉1的运营中是否有问题。也可以是,在判断为运营上有问题的情况下,由熟练操作员针对检测到异常的图像数据再次按废弃物的种类进行标记并新准备教师数据,第2模型生成部11a2追加学习检测到异常的图像数据和新准备的教师数据,对识别算法12a(第2模型)进行更新。由此,能够应对第2设施100中的废弃物种类变化、废弃物的各种类的构成比例的变化等。
关于与在第1模型生成时使用的多个设施及在第2模型生成时使用的第2设施均不同的第3设施,控制部11也可以以由第2模型生成部11a2生成的识别算法(第2模型)为基础模型,通过追加学习对该第3设施的垃圾坑内进行拍摄得到的第3图像数据和对该图像中的废弃物标记种类的第3教师数据,从而生成与该第3设施的废弃物对应的识别算法(第3模型)。由此,由于将第2模型进一步用作其他设施(第3设施)中的使用第3教师数据的追加学习用的基础模型,因此能够期待废弃物的种类的识别精度逐次提高。
在上述实施方式中,燃烧控制部11d2向燃烧控制装置20发送按区域显示垃圾坑3内贮存的废弃物的种类的比率的映射图(参见图7)来作为种类识别部11c的识别结果,但不限定于此,也可以向燃烧控制装置20发送将废弃物的种类的比率变换为质量信息的标签、例如按区域显示投入OK、投入NG、热量L(Low)、M(Middle)、H(High)等的映射图来作为种类识别部11c的识别结果。另外,燃烧控制部11d2也可以向燃烧控制装置20表示对发送燃烧状态造成影响的比例大的标签(例如有未破袋垃圾、有底部垃圾等)来作为种类识别部11c的识别结果。同样地,起重机控制部11d1也可以向起重机控制装置50发送表示对各设备造成影响的比例大的标签(例如有修剪枝、有粗大破碎垃圾等)来作为种类识别部11c的识别结果。
在种类识别部11c中,当基于识别结果生成按区域显示垃圾坑3内贮存的废弃物的种类的比率的映射图时,也可以针对由图像数据获取部11b获取的图像数据仅对图像数据进行分区并显示废弃物种类的比率,也可以将图像数据与垃圾坑3的地址分配相关联地按地址显示废弃物的种类的比率。
作为使图像数据与起重机地址相关联的方法,通过预先对能够相对于垃圾坑3测量相对位置的起重机5做标记并由摄像装置6将标记后的起重机5拍摄到大量图像中,从而种类识别部11c能够基于拍摄到标记后的起重机5的大量图像来推定摄像装置6相对于垃圾坑3的相对位置和方向,并根据所推定的摄像装置6的位置及拍摄方向来推定图像数据上的像素位于哪个地址。或者,也可以通过由摄像装置6将能够相对于垃圾坑3测量相对位置的起重机5拍摄到大量的图像中,并由种类识别部11c对图像中的起重机5做标记,从而基于对该起重机5标记后的大量图像来推定摄像装置6相对于垃圾坑3的相对位置和方向,并根据所推定的摄像装置6的位置和拍摄方向来推定图像数据上的像素位于哪个地址。
起重机控制装置50也可以在焚烧炉1请求投入时,基于从起重机控制部11d1接收的映射图,从垃圾坑3内筛选满足基于按垃圾种类的比率阈值的投入基准的垃圾,使起重机5动作向料斗4投入。
另外,起重机控制装置50也可以在从垃圾坑3内筛选满足投入基准的垃圾时,以与前次投入料斗4的垃圾的按垃圾种类的比率的差量小的方式筛选垃圾。
作为上述投入基准的比率阈值,起重机控制装置50也可以使用垃圾袋未破袋垃圾、纸垃圾、修剪枝、被褥、污泥、粗大垃圾破碎物、瓦楞纸、麻袋、纸袋、底部垃圾、木屑、纤维垃圾、衣服垃圾、塑料垃圾、动物性残渣、动物尸体、厨余垃圾、草木、土、医疗垃圾、焚烧灰、农业系乙烯类、塑料瓶、发泡苯乙烯、肉骨粉、农作物、陶器、玻璃渣、金属屑、木屑类、混凝土渣、草席、竹、稻草、活性碳中的一个或两个以上的比率阈值。
另外,作为上述投入基准的决定方式,起重机控制装置50也可以针对过去的拍摄垃圾坑3内的影像而得到的图像数据、熟练操作员目视观察该图像数据中示出的废弃物的质量,从对燃烧稳定性及机器的影响的观点出发,将分类标记投入可否的数据与针对该图像使用种类识别部11c推定垃圾的按种类的比率的结果相比较,从而由熟练操作员决定判断投入可否的按垃圾种类的比率阈值。
另外,起重机控制装置50也可以根据从起重机控制部11d1接收的、将垃圾坑3内贮存的垃圾的种类的比率按区域显示的映射图,使实际投入到料斗4中的垃圾的按垃圾种类的比率数据与焚烧炉1的处理数据相关联,决定按垃圾种类的比率阈值,也可以将二者的数据经时地相关联,动态地变更比率阈值。
另外,起重机控制装置50也可以不仅根据上述处理数据,同时根据天候信息来动态地变更比率阈值。例如,若根据天候信息当日下雨,则起重机控制装置50以降低未破袋垃圾袋的比率阈值或提高粗大垃圾破碎物的比率阈值的方式,变更基于比率阈值的投入基准。
另外,起重机控制装置50也可以基于星期信息动态地变更比率阈值。例如,根据星期信息,由于星期日垃圾坑3内的垃圾少,因此起重机控制装置50为了抑制垃圾焚烧量而以提高未破袋垃圾袋的比率阈值的方式变更基于比率阈值的投入量基准。
另外,起重机控制装置50也可以基于废弃物处理设施100的操纵炉计划值动态地变更比率阈值。例如,起重机控制装置50在根据当前的蒸发量设定值而蒸发量下降的情况下,以降低未破袋垃圾袋的比率阈值或提高粗大垃圾破碎物的比率阈值的方式,变更基于比率阈值的投入基准。
起重机控制装置50在焚烧炉1无投入请求时,在从起重机控制11d1接收的映射图中不存在满足基于按垃圾种类的比率阈值的投入基准的垃圾的情况下,可以使起重机5动作将与投入基准接近的垃圾投入料斗4,也可以对接近投入基准的垃圾进行搅拌,生成达到投入基准的垃圾。
起重机控制装置50也可以使起重机5动作,仅将从起重机控制11d1接收的映射图中满足基于按垃圾种类的比率阈值的投入基准的垃圾堆积到垃圾坑3的特定部位。由此,能够将满足投入基准的垃圾蓄积到垃圾坑3内。
起重机控制装置50可以在从起重机控制11d1接收的映射图中,根据按垃圾种类的比率阈值感知垃圾坑3内存在的对燃烧状态造成影响的废弃物(例如污泥)、成为各设备故障的要因的废弃物(例如修剪枝),使起重机5动作以将其贮存到垃圾坑3的特定部位,也可以分散到特定的场所。
在从起重机控制11d1接收的映射图中,在垃圾坑3内存在不满足基于按垃圾种类的比率阈值的搅拌基准的垃圾的情况下,起重机控制装置50也可以使起重机5动作对该垃圾进行搅拌。上述搅拌基准可以投入基准相同也可以不同。
另外,起重机控制装置50也可以使用焚烧炉1的处理数据、天候信息、星期信息、垃圾搬入作业人员信息、垃圾搬入量(总量、按垃圾种类搬入量)信息、垃圾搬入速度、垃圾坑等级(整体、特定区域)信息、起重机运行状况(两台能够运转、仅一台运转、当前一台运转中、当前两台运转中)信息、垃圾收集车的收集路径/收集区域信息中的一个或两个以上,动态地变更上述搅拌基准。
起重机控制装置50也可以在从起重机控制11d1接收的映射图中,根据按区域的按垃圾种类的比率来判断垃圾坑3整体的搅拌状况,判断是否需要运转两台起重机5,使起重机5动作进行第2台起重机的运转开始或第2台起重机的保存。
另外,在上述例子中,起重机控制装置50使起重机5动作,但也可以在起重机控制装置50的上游侧设置起重机操作判断装置(未图示),由起重机操作判断装置决定起重机5的动作内容,向起重机控制装置50发送动作内容的指令,由接收到指令的起重机控制装置50基于接收到的指令内容使起重机5动作。起重机操作判断装置在与信息处理装置10之间及与起重机控制装置50之间收发信息。或起重机操作判断装置也可以是信息处理装置10的一部分,即,信息处理装置10也可以包含起重机操作判断装置。
起重机操作判断装置也可以在焚烧炉1请求投入时从起重机控制装置50接受投入请求信号,基于从起重机控制部11d1接收的映射图,从垃圾坑3内筛选满足基于按垃圾种类的比率阈值的投入基准的映射图的垃圾,向起重机控制装置50发送指令以将该垃圾投入料斗4,起重机控制装置50基于接收到的指令使起重机5动作。另外,起重机操作判断装置也可以在从垃圾坑内筛选满足投入基准的垃圾时,以与前次投入料斗4的垃圾的按垃圾种类的比率的差量小的方式筛选垃圾。
起重机操作判断装置也可以在焚烧炉1请求投入时从起重机控制装置50接受投入请求信号,在从起重机控制11d1接收的映射图中不存在满足基于按垃圾种类的比率阈值的投入基准的垃圾的情况下,向起重机控制装置50发送指令,起重机控制装置50使起重机5动作,以将接近投入基准的垃圾投入料斗4,或对接近投入基准的垃圾进行搅拌而生成达到投入基准的垃圾。
起重机操作判断装置也可以向起重机控制装置50发送指令,起重机控制装置50使起重机起重机5动作,以仅将从起重机控制11d1接收的映射图中满足按垃圾种类的比率阈值的满足投入基准的垃圾堆积到垃圾坑3内的特定部位。由此,能够将满足投入基准的垃圾蓄积在垃圾坑3内。
起重机操作判断装置也可以向起重机控制装置50发送指令,起重机控制装置50使起重机5动作,以在从起重机控制11d1接收的映射图中,根据按垃圾种类的比率阈值感知垃圾坑3内存在的对燃烧状态造成影响的废弃物(例如污泥)、成为各设备故障的要因的废弃物(例如修剪枝),并贮存到垃圾坑3内的特定部位或分散到特定的场所。
起重机操作判断装置也可以起重机控制装置50发送指令,起重机控制装置50使起重机5动作,以在起重机控制11d1接收的映射图中,在垃圾坑3内存在不满足基于按垃圾种类的比率阈值的搅拌基准的垃圾的情况下对该垃圾进行搅拌。上述搅拌基准可以与投入基准相同也可以不同。
起重机操作判断装置也可以在从起重机控制11d1接收的映射图中,根据按区域的按垃圾种类的比率来判断垃圾坑3整体的搅拌状况,判断是否需要运转两台起重机5,向起重机控制装置50发送指令,起重机控制装置50使起重机5动作,进行第2台起重机的运转开始或第2台起重机的保存。
需要说明的是,在上述实施方式中,说明了识别废弃物种类的信息处理装置10在废弃物处理设施100的垃圾坑3中被使用的例子,但若信息处理装置10的使用场所是贮存废弃物的废弃物贮存场所,则并非限定于废弃物处理设施100的垃圾坑3,例如,信息处理装置10也可以在回收设备的接收场所使用。
以上通过例示说明了实施方式及变形例,但本技术的范围并非限定于此,能够在权利要求记载的范围内根据目的进行变更/变形。另外,各实施方式及变形例能够在处理内容不矛盾的范围内适当组合。
另外,本实施的方式的信息处理装置10能够由一个或多个计算机构成,但用于使一个或多个计算机实现信息处理装置10的程序及非暂时地记录有该程序的记录介质也是本申请的保护对象。
Claims (20)
1.一种信息处理方法,其特征在于,包含下述步骤:
通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据,从而生成作为废弃物的种类的识别算法的第1模型;以及
针对所生成的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据,从而生成作为与所述第2设施的废弃物对应的识别算法的第2模型。
2.根据权利要求1所述的信息处理方法,其特征在于,
所述第2图像数据及所述第2教师数据在其图像中包含所述第2设施的垃圾坑的侧壁和/或进行废弃物的搅拌或搬送的起重机。
3.根据权利要求1或2所述的信息处理方法,其特征在于,
所述第2教师数据相对于所述第1教师数据的量为30%以下。
4.根据权利要求3所述的信息处理方法,其特征在于,
所述第2教师数据相对于所述第1教师数据的量为15%以下。
5.根据权利要求4所述的信息处理方法,其特征在于,
所述第2教师数据相对于所述第1教师数据的量为5%以下。
6.根据权利要求1~5中任一项所述的信息处理方法,其特征在于,
所述识别算法包含线性回归、玻尔兹曼机、神经网络、支持向量机、贝叶斯网络、稀疏回归、决策树、使用随机森林的统计估计、强化学习、深层学习中的一个或两个以上。
7.根据权利要求1~6中任一项所述的信息处理方法,其特征在于,
所述第2教师数据包含对拍摄所述第2设施的垃圾坑内得到的图像的整体进行标记得到的数据。
8.根据权利要求1~6中任一项所述的信息处理方法,其特征在于,
所述第2教师数据包含将拍摄所述第2设施的垃圾坑内得到的图像的一部分切出并仅对该切出的部分进行标记得到的数据。
9.根据权利要求1~8中任一项所述的信息处理方法,其特征在于,
在生成所述第2模型的步骤中使用的所述第2图像数据是在将拍摄所述第2设施的垃圾坑内得到的图像数据输入至所述第1模型并识别废弃物的种类的基础上,从这些图像数据中选择识别精度低于预先设定的第1基准的图像数据得到的数据。
10.根据权利要求1~9中任一项所述的信息处理方法,其特征在于,
在生成所述第1模型的步骤中,一并学习各设施中的拍摄条件和/或拍摄环境的信息。
11.根据权利要求1~10中任一项所述的信息处理方法,其特征在于,
所述第1图像数据是以拍摄在所述多个设施间共同的图像修正用比色图得到的图像为参照,针对拍摄各设施的垃圾坑内得到的图像数据进行色调、明度、彩度中的至少一个进行修正得到的数据。
12.根据权利要求1~10中任一项所述的信息处理方法,其特征在于,
所述第1图像数据是将各设施的垃圾坑内与在所述多个设施间共同的图像修正用比色图一起拍摄得到的数据。
13.根据权利要求1~12中任一项所述的信息处理方法,其特征在于,
所述第2图像数据包含将对所述多个设施的垃圾坑内的废弃物、或与所述多个设施及所述第2设施均不同的其他设施的垃圾坑内的废弃物进行拍摄得到的图像,与基于所述第2设施的三维设计数据创建的垃圾坑的侧壁和/或进行废弃物的搅拌或搬送的起重机的绘制图像合成的图像。
14.根据权利要求1~13中任一项所述的信息处理方法,其特征在于,
还包含下述步骤:在开始运用所生成的第2模型后,定期监视运用时的识别精度,在识别精度变得低于预先设定的第2基准的情况下,通过针对所述第2模型追加学习此时的废弃物的图像数据和对该图像中的废弃物标记种类的教师数据,从而对所述第2模型进行更新。
15.根据权利要求1~14中任一项所述的信息处理方法,其特征在于,
还包含下述步骤:针对所生成的第2模型,通过追加学习对与所述多个设施及所述第2设施均不同的第3设施的垃圾坑内进行拍摄得到的第3图像数据和对该图像中的废弃物标记种类的第3教师数据,从而生成作为与所述第3设施的废弃物对应的识别算法的第3模型。
16.一种信息处理装置,其特征在于,包括:
第1模型生成部,其通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据,从而生成作为废弃物的种类的识别算法的第1模型;以及
第2模型生成部,其针对所生成的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据,从而生成作为与所述第2设施的废弃物对应的识别算法的第2模型。
17.一种信息处理程序,其特征在于,用于使计算机执行下述步骤:
通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据,从而生成作为废弃物的种类的识别算法的第1模型;以及
针对所生成的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据,从而生成作为与所述第2设施的废弃物对应的识别算法的第2模型。
18.一种信息处理方法,其特征在于,包含下述步骤:
针对通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据而生成的、作为废弃物的种类的识别算法的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据而生成作为与所述第2设施的废弃物对应的识别算法的第2模型,使用该第2模型,以拍摄所述第2设施的垃圾坑内得到的新的图像数据为输入,识别该垃圾坑内贮存的废弃物的种类。
19.一种信息处理装置,其特征在于,
具备种类识别部,其针对通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据而生成的、作为废弃物的种类的识别算法的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据而生成作为与所述第2设施的废弃物对应的识别算法的第2模型,使用该第2模型,以拍摄所述第2设施的垃圾坑内得到的新的图像数据为输入,识别该垃圾坑内贮存的废弃物的种类。
20.一种信息处理程序,其特征在于,
使计算机执行下述步骤:
针对通过机器学习对贮存废弃物的多个设施的垃圾坑内进行拍摄得到的第1图像数据和对该图像中的废弃物标记种类的第1教师数据而生成的、作为废弃物的种类的识别算法的第1模型,通过追加学习对与所述多个设施不同的第2设施的垃圾坑内进行拍摄得到的第2图像数据和对该图像中的废弃物标记种类的第2教师数据而生成作为与所述第2设施的废弃物对应的识别算法的第2模型,使用该第2模型,以拍摄所述第2设施的垃圾坑内得到的新的图像数据为输入,识别该垃圾坑内贮存的废弃物的种类。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-115537 | 2021-07-13 | ||
JP2021115537A JP2023012094A (ja) | 2021-07-13 | 2021-07-13 | 情報処理方法、情報処理装置、および情報処理プログラム |
PCT/JP2022/027504 WO2023286795A1 (ja) | 2021-07-13 | 2022-07-13 | 情報処理方法、情報処理装置、および情報処理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117836560A true CN117836560A (zh) | 2024-04-05 |
Family
ID=84919474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280049403.8A Pending CN117836560A (zh) | 2021-07-13 | 2022-07-13 | 信息处理方法、信息处理装置及信息处理程序 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP4372278A1 (zh) |
JP (1) | JP2023012094A (zh) |
CN (1) | CN117836560A (zh) |
TW (1) | TW202309445A (zh) |
WO (1) | WO2023286795A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6718405B2 (ja) * | 2017-03-31 | 2020-07-08 | 三菱重工業株式会社 | 情報提供装置、情報提供システム、情報提供方法及びプログラム |
ES2976585T3 (es) * | 2018-08-23 | 2024-08-05 | Ebara Env Plant Co Ltd | Dispositivo de procesamiento de información, programa de procesamiento de información y procedimiento de procesamiento de información |
JP6731680B2 (ja) | 2018-08-23 | 2020-07-29 | 荏原環境プラント株式会社 | 情報処理装置、情報処理プログラム、および情報処理方法 |
WO2020194534A1 (ja) * | 2019-03-26 | 2020-10-01 | 東芝三菱電機産業システム株式会社 | 異常判定支援装置 |
-
2021
- 2021-07-13 JP JP2021115537A patent/JP2023012094A/ja active Pending
-
2022
- 2022-07-13 WO PCT/JP2022/027504 patent/WO2023286795A1/ja active Application Filing
- 2022-07-13 CN CN202280049403.8A patent/CN117836560A/zh active Pending
- 2022-07-13 EP EP22842137.6A patent/EP4372278A1/en active Pending
- 2022-07-13 TW TW111126220A patent/TW202309445A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
TW202309445A (zh) | 2023-03-01 |
JP2023012094A (ja) | 2023-01-25 |
EP4372278A1 (en) | 2024-05-22 |
WO2023286795A1 (ja) | 2023-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112639361B (zh) | 信息处理装置、记录介质及信息处理方法 | |
WO2020040110A1 (ja) | 情報処理装置、情報処理プログラム、および情報処理方法 | |
CN111065859A (zh) | 推定废弃物的组成的装置、系统、程序、方法及数据结构 | |
CN111661531A (zh) | 医疗废弃物回收系统及其数据存储方法 | |
JP7051044B2 (ja) | ゴミ処理サービス装置およびその装置の駆動方法 | |
US11475680B2 (en) | Cargo sensor system implemented using neural network | |
JP2022132331A (ja) | 廃棄物の質を推定する装置、システム、プログラム、及び方法 | |
CN117836560A (zh) | 信息处理方法、信息处理装置及信息处理程序 | |
CA3022583A1 (fr) | Automatic system for reliable and efficient interactive management of waste generated by an individual or by a group of individuals, method thereof | |
CN111094851B (zh) | 热值推定方法、热值推定装置及垃圾贮存设备 | |
JP7390581B2 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
KR20230116543A (ko) | 지능형 폐기물 관리 서비스에서 차량의 이상경로를 모니터링하는 방법 및 시스템 | |
JP7535874B2 (ja) | 情報処理装置、情報処理プログラム、および情報処理方法 | |
JP7113930B1 (ja) | 転落者検出システム、転落者検出方法、および転落者検出プログラム | |
Swankg et al. | Reward Based Smart Bin with Waste Segregation for Encouraging People in Waste Management System | |
JP7391286B2 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
JP2002279056A (ja) | 被覆型廃棄物最終処分場における埋立て管理方法 | |
TW202403235A (zh) | 資訊處理裝置、資訊處理方法、及資訊處理程式 | |
JP2023045489A (ja) | 情報処理装置、情報処理方法、プログラム、焼却管理システム、および焼却管理システムの運転方法 | |
CN115978549A (zh) | 一种垃圾处理控制方法、系统、存储介质及智能终端 | |
JP2003192104A (ja) | 被覆型廃棄物最終処分場における埋立て管理方法およびそのシステム | |
JP2004154609A (ja) | ごみ分別システム及びごみ分別方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |