JP2019192017A - 汚濁物質判定装置、学習装置、汚濁物質判定方法、学習方法 - Google Patents
汚濁物質判定装置、学習装置、汚濁物質判定方法、学習方法 Download PDFInfo
- Publication number
- JP2019192017A JP2019192017A JP2018085466A JP2018085466A JP2019192017A JP 2019192017 A JP2019192017 A JP 2019192017A JP 2018085466 A JP2018085466 A JP 2018085466A JP 2018085466 A JP2018085466 A JP 2018085466A JP 2019192017 A JP2019192017 A JP 2019192017A
- Authority
- JP
- Japan
- Prior art keywords
- imaging data
- learning
- pollutant
- processing object
- unit
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
【課題】水処理プラント設備における処理工程におけるバラツキを低減し、オペレータに対する負荷を低減することができる汚濁物質判定装置を提供する。【解決手段】汚濁水処理装置における処理対象物を撮影した撮像データを取得する撮像データ取得部と、前記撮像データと前記処理対象物に含まれる汚濁物質との関係を学習した学習済モデルを利用して、前記撮像データとして撮像された前記処理対象物に含まれる汚濁物質を識別する識別部と、を有する。【選択図】図１
Description
本発明は、汚濁物質判定装置、学習装置、汚濁物質判定方法、学習方法に関する。
水処理プラント設備において、土壌や汚泥等の処理対象物を化学処理することで、汚濁物質を分離することが行なわれている（特許文献１参照）。例えば、濁水を化学処理する工程では、濁水の状態をオペレータが目視によって観測し、オペレータの経験に基づいて、濁水に対し、添加する化学薬品の添加量や、複数種類の化学薬品の調合割合を決め、濁水に対して化学薬品が投入される。
しかしながら、投入される化学薬品は、オペレータの経験に依存するため、オペレータの経験度合によってはバラツキが生じ、標準化することができていない。
また、オペレータが濁水を視認する必要があることから、オペレータによる常時監視や化学薬品の投入操作が必要であり、オペレータの負荷が大きく、また、人的コストが増大していた。
また、オペレータが濁水を視認する必要があることから、オペレータによる常時監視や化学薬品の投入操作が必要であり、オペレータの負荷が大きく、また、人的コストが増大していた。
本発明は、このような事情に鑑みてなされたもので、その目的は、水処理プラント設備における処理工程におけるバラツキを低減し、オペレータに対する負荷を低減することができる汚濁物質判定装置、学習装置、汚濁物質判定方法、学習方法を提供することにある。
上述した課題を解決するために、本発明は、汚濁水処理装置における処理対象物を撮影した撮像データを取得する撮像データ取得部と、前記撮像データと前記処理対象物に含まれる汚濁物質との関係を学習した学習済モデルを利用して、前記撮像データとして撮像された前記処理対象物に含まれる汚濁物質を識別する識別部と、を有する。
また、本発明は、汚濁物質判定装置における判定方法であって、撮像データ取得部が、汚濁水処理装置における処理対象物を撮影した撮像データを取得し、識別部が、前記撮像データと前記処理対象物に含まれる汚濁物質との関係を学習した学習済モデルを利用して、前記撮像データとして撮像された前記処理対象物に含まれる汚濁物質を識別する汚濁物質判定方法である。
上述の学習済モデルは、前記撮像データと前記ラベル情報とを用いて、撮像データと当該撮像データに基づく処理対象物の汚濁レベルとの関係性を表す条件を学習する学習部によって得られた学習結果であってもよい。
また、上述の学習済モデルは、撮像データを用いて、前記撮像データと当該撮像データに基づく処理対象物の汚濁レベルとの関係性を表す条件を学習する学習部によって得られた学習結果であってもよい。
また、上述の学習済モデルは、撮像データを用いて、前記撮像データと当該撮像データに基づく処理対象物の汚濁レベルとの関係性を表す条件を学習する学習部によって得られた学習結果であってもよい。
以上説明したように、この発明によれば、撮像データと処理対象物に含まれる汚濁物質との関係を学習した学習済モデルを利用して、撮像データとして撮像された処理対象物に含まれる汚濁物質を識別するようにした。これにより、汚濁物質の識別をオペレータの経験の差による判断のバラツキを低減することができるとともに、オペレータに対する負荷を低減することができる。
また、この発明によれば、汚濁水処理装置における処理対象物を撮影した撮像データを用いて、撮像データと当該撮像データに基づく処理対象物の汚濁レベルとの関係性を表す条件を学習するようにした。これにより、汚濁水処理装置における汚濁物質を識別する際に用いられる学習済モデルを更新することができる。学習済モデルが更新されることで、汚濁物質判定装置における汚濁物質の識別精度を向上させることが可能となる。これにより、識別精度が向上することで、識別におけるエラーを低減することができ、エラーに起因してオペレータに生じる負荷を低減することができる。
また、この発明によれば、汚濁水処理装置における処理対象物を撮影した撮像データを用いて、撮像データと当該撮像データに基づく処理対象物の汚濁レベルとの関係性を表す条件を学習するようにした。これにより、汚濁水処理装置における汚濁物質を識別する際に用いられる学習済モデルを更新することができる。学習済モデルが更新されることで、汚濁物質判定装置における汚濁物質の識別精度を向上させることが可能となる。これにより、識別精度が向上することで、識別におけるエラーを低減することができ、エラーに起因してオペレータに生じる負荷を低減することができる。
以下、本発明の一実施形態による汚濁物質判定装置を適用する水処理プラント設備について図面を参照して説明する。
図１は、この発明の一実施形態による水処理プラント設備１の構成を示す概略構成図である。
この図において、汚濁水処理装置１０は、処理対象物を化学処理等の所定の処理を行なうことで、処理対象物から汚濁物質（汚染物質）を分離する。汚濁水処理装置１０は、凝集沈殿法に基づく水処理を実施することで、処理対象物から汚濁物質を分離する。
例えば、土壌から汚濁物質を除去する水処理を行なう場合、土壌から一定以上の粒径を超える粗粒子分を予め除去し、一定未満の粒径の土壌粒子分（砂＋細粒子分）からなる土壌スラリーを調整し、これを汚濁水処理装置１０の反応槽内において化学薬品と混合攪拌し、凝集沈澱槽において凝集沈澱処理を行う。これにより、汚濁物質を殆ど含まない所定の粒径以上の粒子分は大きなフロックを形成して凝集沈澱槽内において速やかに沈降して沈澱汚泥となり、汚濁物質２１を含む所定未満の微細粒子分は沈降し得ずに上澄水として回収することが可能となる。また、凝集沈澱槽の底部に沈降した沈澱汚泥は、汚濁物質を含まないことから、これを回収して脱水処理すれば洗浄処理土として再利用可能である。このようにして、汚濁水処理装置１０は、汚濁物質を含む微細粒子分と汚濁物質を含まない粒子分を効率的に分離する。
図１は、この発明の一実施形態による水処理プラント設備１の構成を示す概略構成図である。
この図において、汚濁水処理装置１０は、処理対象物を化学処理等の所定の処理を行なうことで、処理対象物から汚濁物質（汚染物質）を分離する。汚濁水処理装置１０は、凝集沈殿法に基づく水処理を実施することで、処理対象物から汚濁物質を分離する。
例えば、土壌から汚濁物質を除去する水処理を行なう場合、土壌から一定以上の粒径を超える粗粒子分を予め除去し、一定未満の粒径の土壌粒子分（砂＋細粒子分）からなる土壌スラリーを調整し、これを汚濁水処理装置１０の反応槽内において化学薬品と混合攪拌し、凝集沈澱槽において凝集沈澱処理を行う。これにより、汚濁物質を殆ど含まない所定の粒径以上の粒子分は大きなフロックを形成して凝集沈澱槽内において速やかに沈降して沈澱汚泥となり、汚濁物質２１を含む所定未満の微細粒子分は沈降し得ずに上澄水として回収することが可能となる。また、凝集沈澱槽の底部に沈降した沈澱汚泥は、汚濁物質を含まないことから、これを回収して脱水処理すれば洗浄処理土として再利用可能である。このようにして、汚濁水処理装置１０は、汚濁物質を含む微細粒子分と汚濁物質を含まない粒子分を効率的に分離する。
薬品投入バルブ１１は、外部からのバルブ開閉指示に従い、バルブを開くことで薬品を汚濁水処理装置１０に投入し、バルブを閉じることで、汚濁水処理装置１０に対する薬品の投入を停止する。薬品は、例えば硫酸バンド、高分子凝集剤等の化学薬品が用いられる。
撹拌装置１３は、汚濁水処理装置１０の反応槽内にある処理対象物２０と投入された薬品を撹拌する。
カメラ１４は、汚濁水処理装置１０が設けられた建物の屋根３０近傍に設置され、汚濁水処理装置１０の反応槽の情報から反応槽の水面を撮像する。カメラ１４は、通信回線を介して、撮像結果である撮像データを中継装置４０に送信する。
中継装置４０は、ネットワークを介してカメラ１４や撮像データ記憶装置５０、ＡＩ実行モジュール７０に接続されており、カメラ１４から得られた撮像データを撮像データ記憶装置５０に送信する機能や、ＡＩ実行モジュール７０からの要求に応じて、撮像データ記憶装置５０に記憶された撮像データをＡＩ実行モジュール７０に送信する。
撮像データ記憶装置５０は、例えば、ハードディスクやデータサーバ装置等であり、カメラ１４によって撮像された撮像データを記憶する。
ＡＩサーバ６０は、撮像データ記憶装置５０に記憶された撮像データを読み出し、学習アルゴリズムに基づく学習を行ない、学習済モデルを生成する。ＡＩサーバ６０は、学習済モデルが生成されると、ＡＩ実行モジュール７０内の学習済モデルの更新（アップデート）をする。
カメラ１４は、汚濁水処理装置１０が設けられた建物の屋根３０近傍に設置され、汚濁水処理装置１０の反応槽の情報から反応槽の水面を撮像する。カメラ１４は、通信回線を介して、撮像結果である撮像データを中継装置４０に送信する。
中継装置４０は、ネットワークを介してカメラ１４や撮像データ記憶装置５０、ＡＩ実行モジュール７０に接続されており、カメラ１４から得られた撮像データを撮像データ記憶装置５０に送信する機能や、ＡＩ実行モジュール７０からの要求に応じて、撮像データ記憶装置５０に記憶された撮像データをＡＩ実行モジュール７０に送信する。
撮像データ記憶装置５０は、例えば、ハードディスクやデータサーバ装置等であり、カメラ１４によって撮像された撮像データを記憶する。
ＡＩサーバ６０は、撮像データ記憶装置５０に記憶された撮像データを読み出し、学習アルゴリズムに基づく学習を行ない、学習済モデルを生成する。ＡＩサーバ６０は、学習済モデルが生成されると、ＡＩ実行モジュール７０内の学習済モデルの更新（アップデート）をする。
ＡＩ実行モジュール７０は、学習済モデルを利用することで、カメラ１４または撮像データ記憶装置５０から得られた撮像データを解析し、反応槽の水面の上澄水に存在する汚濁物質を識別する。また、ＡＩ実行モジュール７０は、汚濁物質を識別すると、識別結果に基づいて、汚濁水処理装置１０における操作内容の候補を決定し、出力する。操作内容の候補が出力されることで、その操作内容の候補に基づいて、候補の中から実際に行なう操作を選択することができる。この操作内容の候補は１つであってもよく、複数であってもよい。このように、多数ある操作内容のうち、操作内容の候補が絞り込まれることによって、オペレータ間における経験度合に起因する操作のバラツキを低減することができる。また、候補を１つ出力する場合には、オペレータは、その候補に基づいて操作を実行することで、標準化された操作を行なうことができる。
図２は、汚濁物質判定装置１００の構成を示す概略ブロック図である。この汚濁物質判定装置１００は、例えば、図１におけるＡＩサーバ６０、ＡＩ実行モジュール７０の組み合わせに対応する機能を有する。
撮像データ取得部１１０は、汚濁水処理装置における処理対象物を撮影した撮像データを取得する。撮像データ取得部１１０は、例えば、図１におけるカメラ１４、撮像データ記憶装置５０から撮像データを取得することができる。
撮像データ取得部１１０は、汚濁水処理装置における処理対象物を撮影した撮像データを取得する。撮像データ取得部１１０は、例えば、図１におけるカメラ１４、撮像データ記憶装置５０から撮像データを取得することができる。
学習部１２０は、撮像データと処理対象物に含まれる汚濁物質との関係を学習する。より具体的には、学習部１２０は、撮像データの特徴を示す特徴量と処理対象物に含まれる汚濁物質との関係を学習する。例えば、学習部１２０は、撮像データを画像処理することにより、反応槽の上澄水に存在する汚濁物質について、その上澄水に浮かんだ汚濁物質の水平面方向に存在する量、形状（輪郭）、サイズについて解析することでこれらを特徴量（特徴データ）として取得する。学習部１２０は、この特徴量と汚濁物質との相関関係を学習する。また、学習部１２０は、撮像データにおける処理対象物の画像特徴量と当該処理対象物の汚濁レベルとの関係性を表す条件を学習するようにしてもよい。
例えば、学習部１２０は、学習の開始時においては、撮像データの特徴量と汚濁物質との相関関係は未知であるが、撮像データに対するラベリングが行なわれ、学習を進めるに従い、徐々に特徴を識別して相関関係を解釈する。学習が進行することにより、学習部１２０は、撮像データの特徴量（上澄水に浮かんだ汚濁物質の水平面方向に存在する量、形状（輪郭）、サイズ、色、反射度合、テクスチャ等）と汚濁物質の情報（汚濁物質の有無、汚濁物質が存在するレベル、汚濁物質の種類等）との相関関係を表す条件を最適解に近づけることができる。なお、学習部１２０は、撮像データにおける処理対象物の画像特徴量と処理対象物の汚濁レベルとの関係性を表す条件を学習するようにしたが、画像特徴量を用いずに、撮像データと処理対象物の汚濁レベルとの関係性を表す条件を学習するようにしてもよい。この場合、学習部１２０は、例えば、撮像データに含まれるそれぞれの画素と汚濁レベルとの関係性を表す条件を学習するようにしてもよい。
ここで、学習部１２０における上述の条件とは、例えば、撮像データと、汚濁レベルとの、相関性を表すモデル構造、あるいは、当該モデル構造を決定する種々のパラメータである。
例えば、学習部１２０は、学習の開始時においては、撮像データの特徴量と汚濁物質との相関関係は未知であるが、撮像データに対するラベリングが行なわれ、学習を進めるに従い、徐々に特徴を識別して相関関係を解釈する。学習が進行することにより、学習部１２０は、撮像データの特徴量（上澄水に浮かんだ汚濁物質の水平面方向に存在する量、形状（輪郭）、サイズ、色、反射度合、テクスチャ等）と汚濁物質の情報（汚濁物質の有無、汚濁物質が存在するレベル、汚濁物質の種類等）との相関関係を表す条件を最適解に近づけることができる。なお、学習部１２０は、撮像データにおける処理対象物の画像特徴量と処理対象物の汚濁レベルとの関係性を表す条件を学習するようにしたが、画像特徴量を用いずに、撮像データと処理対象物の汚濁レベルとの関係性を表す条件を学習するようにしてもよい。この場合、学習部１２０は、例えば、撮像データに含まれるそれぞれの画素と汚濁レベルとの関係性を表す条件を学習するようにしてもよい。
ここで、学習部１２０における上述の条件とは、例えば、撮像データと、汚濁レベルとの、相関性を表すモデル構造、あるいは、当該モデル構造を決定する種々のパラメータである。
学習部１２０の学習は、どのようなものを用いてもよく、例えば、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）技術を用いた、機械学習、強化学習、複数の中間層を含むニューラルネットワークによるディープラーニングであってもよい。
ラベル付与部１２１は、撮像データにラベルを付与する処理を行なう。このラベルは、例えば、入力装置を介して操作者から入力される。ラベルとしては、反応槽の水面の上澄水に存在する汚濁物質の状態を示す情報である。例えば、汚濁物質の量や形状、サイズ等に応じて異なるラベルが付与される。このラベルは、例えば、汚濁物質の量、形状（輪郭）、サイズ、色、反射度合、テクスチャ等に応じた汚濁レベルを表すラベル情報として付与されるようにしてもよい。ラベルの入力は、いずれのオペレータが行なってもよいが、汚濁水処理装置１０の運用の経験度合が高い（経験が多い）オペレータが行なうことで、そのオペレータの経験知を反映させたラベリングを行なうことができる。このようなラベルを用いて学習部１２０が学習を行なうことで、経験度合が高いオペレータの知識が反映された学習を行なうことが可能となり、経験度合が高いオペレータの知識が反映された学習済モデルを生成することができる。このようなラベルとしては、例えば、汚濁物質を示す識別情報（物質名や分離度合を識別する情報）を用いるようにしてもよい。ラベルを用いた学習を行なう場合には、教師あり学習として学習が行なわれるが、教師なし学習を適用するようにしてもよい。例えば、撮像データの特徴量に基づいて、汚濁物質の有無、汚濁物質が存在するレベル、汚濁物質の種類等の観点に基づくクラスタ分析を行なうことで、撮像データを汚濁物質の情報に応じて分類し、汚濁物質の識別をするようにしてもよい。
ラベル付与部１２１は、撮像データにラベルを付与する処理を行なう。このラベルは、例えば、入力装置を介して操作者から入力される。ラベルとしては、反応槽の水面の上澄水に存在する汚濁物質の状態を示す情報である。例えば、汚濁物質の量や形状、サイズ等に応じて異なるラベルが付与される。このラベルは、例えば、汚濁物質の量、形状（輪郭）、サイズ、色、反射度合、テクスチャ等に応じた汚濁レベルを表すラベル情報として付与されるようにしてもよい。ラベルの入力は、いずれのオペレータが行なってもよいが、汚濁水処理装置１０の運用の経験度合が高い（経験が多い）オペレータが行なうことで、そのオペレータの経験知を反映させたラベリングを行なうことができる。このようなラベルを用いて学習部１２０が学習を行なうことで、経験度合が高いオペレータの知識が反映された学習を行なうことが可能となり、経験度合が高いオペレータの知識が反映された学習済モデルを生成することができる。このようなラベルとしては、例えば、汚濁物質を示す識別情報（物質名や分離度合を識別する情報）を用いるようにしてもよい。ラベルを用いた学習を行なう場合には、教師あり学習として学習が行なわれるが、教師なし学習を適用するようにしてもよい。例えば、撮像データの特徴量に基づいて、汚濁物質の有無、汚濁物質が存在するレベル、汚濁物質の種類等の観点に基づくクラスタ分析を行なうことで、撮像データを汚濁物質の情報に応じて分類し、汚濁物質の識別をするようにしてもよい。
識別部１３０は、撮像データの特徴量を示す特徴データと処理対象物に含まれる汚濁物質の特徴との関係を学習した学習済モデルを利用して、処理対象物に含まれる汚濁物質を識別する。すなわち、学習済モデルを用いることで、撮像データに基づいて、汚濁物質を推定（識別）することができる。この学習済モデルは、学習部１２０の学習結果として得られたモデルが利用される。学習済モデルは、汚濁物質判定装置１００内に設けられる記憶装置の所定の記憶領域に記憶してき、学習済モデルを読み出して識別部１３０が識別処理を行なう際に用いるようにしてもよい。
識別部１３０において、学習済モデルを用いて行なわれる識別は、汚濁物質があるか否かの識別であってもよい。また、撮像データおいて撮像された処理対象物に存在する汚濁物質が存在するレベル（存在する量を示す度合）がいずれであるかを学習済モデルを用いることで識別するようにしてもよい。汚濁物質が存在するレベルは、撮像データに基づいて、汚濁物質であると識別された画素の数や画素に基づいて算出される面積から求めるようにしてもよい。また、処理対象物に存在しうる汚濁物質の種類が予めわかっており、画像（色や形状の特徴量）からその物質を特定することができる場合には、汚濁物質の種類がいずれであるかを学習済モデルを用いて識別するようにしてもよい。
識別部１３０において、学習済モデルを用いて行なわれる識別は、汚濁物質があるか否かの識別であってもよい。また、撮像データおいて撮像された処理対象物に存在する汚濁物質が存在するレベル（存在する量を示す度合）がいずれであるかを学習済モデルを用いることで識別するようにしてもよい。汚濁物質が存在するレベルは、撮像データに基づいて、汚濁物質であると識別された画素の数や画素に基づいて算出される面積から求めるようにしてもよい。また、処理対象物に存在しうる汚濁物質の種類が予めわかっており、画像（色や形状の特徴量）からその物質を特定することができる場合には、汚濁物質の種類がいずれであるかを学習済モデルを用いて識別するようにしてもよい。
操作内容候補決定部１４０は、識別部１３０によって識別された結果に応じた操作内容の候補を決定する。例えば操作内容候補決定部１４０は、識別部１３０による識別結果と、操作内容の候補とを対応づけした候補データを予め記憶しており、この候補データを参照することで、識別部１３０から得られた識別結果に対応する操作内容の候補を読み出し、外部へ出力する。操作内容の候補としては、例えば、大きく「操作不要」と「操作要」の２つがある。
「操作不要」である場合には、一定時間を経過した後、カメラ１４にて撮像を行ない、その撮像データを基に、再度識別部１３０による識別を行なうことを表す操作内容が含まれていてもよい。
「操作要」である場合には、さらに、「スラッジ引抜処理」、「薬液Ａ投入」、「薬液Ｂ投入」、「薬液Ｃと薬液Ｄとを投入」等のうち、いずれかの操作内容が含まれる。ここでは投入する薬液の量（添加量）や投入する薬液の組み合わせ（調合割合）等を含むようにすることもできる。これにより、操作内容候補決定部１４０は、処理対象物に対して投入する薬品の候補を決定したり、汚濁水処理装置１０に沈降した汚濁物質を引き抜く操作を操作候補として決定することができる。
操作内容候補決定部１４０は、決定された操作内容の候補を外部に出力する。この出力の仕方としては、汚濁物質判定装置１００に接続される表示装置の画面上に表示してもよいし、薬品投入バルブ１１の開閉を制御するバルブ制御装置に対して、出力するようにしてもよい。操作内容の候補を表示画面に表示した場合には、この操作内容に基づいて、オペレータが各種操作を行なうことができる。また、バルブ制御装置に対して操作内容を出力した場合には、バルブ制御装置からの制御信号に従って、薬品投入バルブ１１の開閉制御がされるため、オペレータが薬品投入バルブ１１の開閉を手動で行なうことなく、薬品を投入することができる。
「操作不要」である場合には、一定時間を経過した後、カメラ１４にて撮像を行ない、その撮像データを基に、再度識別部１３０による識別を行なうことを表す操作内容が含まれていてもよい。
「操作要」である場合には、さらに、「スラッジ引抜処理」、「薬液Ａ投入」、「薬液Ｂ投入」、「薬液Ｃと薬液Ｄとを投入」等のうち、いずれかの操作内容が含まれる。ここでは投入する薬液の量（添加量）や投入する薬液の組み合わせ（調合割合）等を含むようにすることもできる。これにより、操作内容候補決定部１４０は、処理対象物に対して投入する薬品の候補を決定したり、汚濁水処理装置１０に沈降した汚濁物質を引き抜く操作を操作候補として決定することができる。
操作内容候補決定部１４０は、決定された操作内容の候補を外部に出力する。この出力の仕方としては、汚濁物質判定装置１００に接続される表示装置の画面上に表示してもよいし、薬品投入バルブ１１の開閉を制御するバルブ制御装置に対して、出力するようにしてもよい。操作内容の候補を表示画面に表示した場合には、この操作内容に基づいて、オペレータが各種操作を行なうことができる。また、バルブ制御装置に対して操作内容を出力した場合には、バルブ制御装置からの制御信号に従って、薬品投入バルブ１１の開閉制御がされるため、オペレータが薬品投入バルブ１１の開閉を手動で行なうことなく、薬品を投入することができる。
撮像データ取得部１１０、学習部１２０、識別部１３０、操作内容候補決定部１４０は、例えば、コンピュータ等のＣＰＵ（Central Processing Unit）と記憶装置（例えば、ハードディスク、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory））との組み合わせによって構成することができ、各機能を実現することができる。
次に、汚濁物質判定装置１００の動作について説明する。
《学習フェーズ》
図３は、学習フェーズにおける汚濁物質判定装置１００の動作を説明するフローチャートである。
カメラ１４は、一定時間毎など、所定のタイミングが到来すると撮像を行ない、撮像データを出力する。
撮像データ記憶装置５０は、カメラ１４から撮像データを取得し（ステップＳ１０１）、記憶領域に記憶する（ステップＳ１０２）。
汚濁物質判定装置１００の学習部１２０は、撮像データ記憶装置５０に記憶された撮像データを読み出し、撮像データに対して所定の画像処理（前処理等の加工処理）を行なった後、外部から入力されるラベルを付与（対応づけ）する（ステップＳ１０３）。
そして、学習部１２０は、ラベル付けされた撮像データを利用して学習を行なう（ステップＳ１０４）。
学習部１２０は、一定の学習が行なわれると、学習済モデルを内部に記憶する（ステップＳ１０５）。ここでは、汚濁物質判定装置１００がＡＩサーバ６０とＡＩ実行モジュール７０とに分けて構成される場合には、ＡＩサーバ６０において学習が行なわれ、学習済モデルが生成されると、ＡＩサーバ６０は、ＡＩに学習済モデルを表すデータを送信し、ＡＩ実行モジュール７０に記憶された学習済モデルを更新する。
《学習フェーズ》
図３は、学習フェーズにおける汚濁物質判定装置１００の動作を説明するフローチャートである。
カメラ１４は、一定時間毎など、所定のタイミングが到来すると撮像を行ない、撮像データを出力する。
撮像データ記憶装置５０は、カメラ１４から撮像データを取得し（ステップＳ１０１）、記憶領域に記憶する（ステップＳ１０２）。
汚濁物質判定装置１００の学習部１２０は、撮像データ記憶装置５０に記憶された撮像データを読み出し、撮像データに対して所定の画像処理（前処理等の加工処理）を行なった後、外部から入力されるラベルを付与（対応づけ）する（ステップＳ１０３）。
そして、学習部１２０は、ラベル付けされた撮像データを利用して学習を行なう（ステップＳ１０４）。
学習部１２０は、一定の学習が行なわれると、学習済モデルを内部に記憶する（ステップＳ１０５）。ここでは、汚濁物質判定装置１００がＡＩサーバ６０とＡＩ実行モジュール７０とに分けて構成される場合には、ＡＩサーバ６０において学習が行なわれ、学習済モデルが生成されると、ＡＩサーバ６０は、ＡＩに学習済モデルを表すデータを送信し、ＡＩ実行モジュール７０に記憶された学習済モデルを更新する。
《運用フェーズ》
図４は、汚濁物質判定装置１００の運用フェーズにおける動作を説明する概念図である。
カメラ１４は、一定時間毎など、所定のタイミングが到来すると撮像を行ない、撮像データを出力する（ステップＳ２０１）。
撮像データ記憶装置５０は、カメラ１４から撮像データを取得し、記憶領域に記憶する。
汚濁物質判定装置１００の識別部１３０は、撮像データ記憶装置５０に記憶された、判定対象となる撮像データを読み出し、得られた撮像データと学習済モデルを用いて、識別を行なう（ステップＳ２０２）。
識別部１３０によって撮像データの識別が行なわれると、操作内容候補決定部１４０は、操作内容の候補を決定し（ステップＳ２０３）、出力する。例えば、ここでは、操作内容として「薬液投入」あるいは「沈殿物引抜処理」等を表すコマンドが外部装置に出力される（ステップＳ２０４、ステップＳ２０５）。
図４は、汚濁物質判定装置１００の運用フェーズにおける動作を説明する概念図である。
カメラ１４は、一定時間毎など、所定のタイミングが到来すると撮像を行ない、撮像データを出力する（ステップＳ２０１）。
撮像データ記憶装置５０は、カメラ１４から撮像データを取得し、記憶領域に記憶する。
汚濁物質判定装置１００の識別部１３０は、撮像データ記憶装置５０に記憶された、判定対象となる撮像データを読み出し、得られた撮像データと学習済モデルを用いて、識別を行なう（ステップＳ２０２）。
識別部１３０によって撮像データの識別が行なわれると、操作内容候補決定部１４０は、操作内容の候補を決定し（ステップＳ２０３）、出力する。例えば、ここでは、操作内容として「薬液投入」あるいは「沈殿物引抜処理」等を表すコマンドが外部装置に出力される（ステップＳ２０４、ステップＳ２０５）。
以上説明した実施形態によれば、汚濁水処理装置１０の反応槽の水面に存在する汚濁物質の状態（量、形状、サイズ等）を汚濁物質判定装置１００が学習済モデルを用いて識別するようにしたので、オペレータが直接判断する必要がない。
また、上述の実施形態によれば、汚濁物質判定装置１００から、操作内容の候補をバルブ制御装置等に出力するようにしたので、水処理プラント設備における制御を自動化することができる。
また、上述の実施形態によれば、オペレータの経験知をＡＩでデジタル表現して蓄積することができる。
また、上述の実施形態によれば、汚濁物質判定装置１００から、操作内容の候補をバルブ制御装置等に出力するようにしたので、水処理プラント設備における制御を自動化することができる。
また、上述の実施形態によれば、オペレータの経験知をＡＩでデジタル表現して蓄積することができる。
また、上述した実施形態において、汚濁物質判定装置１００に学習部１２０を設ける場合について説明したが、学習部１２０を学習装置として汚濁物質判定装置１００とは別の装置として構成するようにしてもよい。この場合、学習装置を、学習部１２０を備えない汚濁物質判定装置１００に接続し、学習装置において学習された学習済モデルを汚濁物質判定装置１００に出力し、汚濁物質判定装置１００において、この学習済モデルを用いて汚濁物質を識別するようにしてもよい。この場合における学習装置は、教師なし学習であてもよいし、教師あり学習であってもよい。また、学習装置における学習は、機械学習、強化学習、ディープラーニングであってもよい。また、この場合における学習装置としては、上述のＡＩサーバ６０が学習装置として機能するようにしてもよい。
上述した実施形態における汚濁物質判定装置１００をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Field Programmable Gate Array）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
１０ 汚濁水処理装置
１１ 薬品投入バルブ
１４ カメラ
４０ 中継装置
５０ 撮像データ記憶装置
６０ ＡＩサーバ
７０ ＡＩ実行モジュール
１００ 汚濁物質判定装置
１１０ 撮像データ取得部
１２０ 学習部
１２１ ラベル付与部
１３０ 識別部
１４０ 操作内容候補決定部
１１ 薬品投入バルブ
１４ カメラ
４０ 中継装置
５０ 撮像データ記憶装置
６０ ＡＩサーバ
７０ ＡＩ実行モジュール
１００ 汚濁物質判定装置
１１０ 撮像データ取得部
１２０ 学習部
１２１ ラベル付与部
１３０ 識別部
１４０ 操作内容候補決定部
Claims (11)
- 汚濁水処理装置における処理対象物を撮影した撮像データを取得する撮像データ取得部と、
前記撮像データと前記処理対象物に含まれる汚濁物質との関係を学習した学習済モデルを利用して、前記撮像データとして撮像された前記処理対象物に含まれる汚濁物質を識別する識別部と、
を有する汚濁物質判定装置。 - 汚濁水処理装置における処理対象物を撮影した撮像データを取得する撮像データ取得部と、
前記撮像データを用いて、前記撮像データと当該撮像データに基づく処理対象物の汚濁レベルとの関係性を表す条件を学習する学習部と、
前記学習部から得られる学習結果を用いて前記撮像データとして撮像された前記処理対象物に含まれる汚濁物質に基づく汚濁レベルを識別する識別部と、
を有する汚濁物質判定装置。 - 前記撮像データにおいて撮像された処理対象物の汚濁レベルを表すラベル情報を取得するラベル情報取得部を有し、
前記学習部は、
前記撮像データと前記ラベル情報とを用いて、撮像データと当該撮像データに基づく処理対象物の汚濁レベルとの関係性を表す条件を学習する
請求項２記載の汚濁物質判定装置。 - 前記識別された結果に基づいて、前記処理対象物に対する操作内容の候補を決定する操作内容候補決定部
を有する請求項１から請求項３のうちいずれか１項に記載の汚濁物質判定装置。 - 前記操作内容候補決定部は、前記処理対象物に対して投入する薬品の候補を決定する
請求項４記載の汚濁物質判定装置。 - 前記操作内容候補決定部は、前記汚濁水処理装置に沈降した汚濁物質を引き抜く操作を操作候補として決定する
を有する請求項４または請求項５に記載の汚濁物質判定装置。 - 汚濁水処理装置における処理対象物を撮影した撮像データを用いて、前記撮像データと当該撮像データに基づく処理対象物の汚濁レベルとの関係性を表す条件を学習する学習部
を有する学習装置。 - 前記学習部は、
前記撮像データと前記撮像データにおいて撮像された処理対象物の汚濁レベルを表すラベル情報ラベル情報とを用いて、撮像データと当該撮像データに基づく処理対象物の汚濁レベルとの関係性を表す条件を学習する
請求項７に記載の学習装置。 - 汚濁物質判定装置における判定方法であって、
撮像データ取得部が、汚濁水処理装置における処理対象物を撮影した撮像データを取得し、
識別部が、前記撮像データと前記処理対象物に含まれる汚濁物質との関係を学習した学習済モデルを利用して、前記撮像データとして撮像された前記処理対象物に含まれる汚濁物質を識別する
汚濁物質判定方法。 - 汚濁物質判定装置における判定方法であって、
撮像データ取得部が、汚濁水処理装置における処理対象物を撮影した撮像データを取得し、
学習部が、前記撮像データにおいて撮像された処理対象物と当該撮像データに基づく処理対象物の汚濁レベルとの関係性を表す条件を学習し、
識別部が、前記学習部から得られる学習結果を用いて前記撮像データとして撮像された前記処理対象物に含まれる汚濁物質に基づく汚濁レベルを識別する
汚濁物質判定方法。 - 学習装置における学習方法であって、
学習部が、汚濁水処理装置における処理対象物を撮影した撮像データを用いて、前記撮像データと当該撮像データに基づく処理対象物の汚濁レベルとの関係性を表す条件を学習する
学習方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018085466A JP2019192017A (ja) | 2018-04-26 | 2018-04-26 | 汚濁物質判定装置、学習装置、汚濁物質判定方法、学習方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018085466A JP2019192017A (ja) | 2018-04-26 | 2018-04-26 | 汚濁物質判定装置、学習装置、汚濁物質判定方法、学習方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2019192017A true JP2019192017A (ja) | 2019-10-31 |
Family
ID=68390195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018085466A Pending JP2019192017A (ja) | 2018-04-26 | 2018-04-26 | 汚濁物質判定装置、学習装置、汚濁物質判定方法、学習方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2019192017A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020125618A (ja) * | 2019-02-04 | 2020-08-20 | 東京電力ホールディングス株式会社 | 情報処理方法、プログラム、取水制御システム及び学習済みモデルの生成方法 |
| JP2021103146A (ja) * | 2019-12-25 | 2021-07-15 | 株式会社クボタ | 情報処理装置、情報処理方法、制御装置、水処理システム、および制御プログラム |
| CN115122478A (zh) * | 2022-08-30 | 2022-09-30 | 山东天意机械股份有限公司 | 一种检测墙板模具污浊度的清理机控制方法 |
| CN117383768A (zh) * | 2023-12-08 | 2024-01-12 | 中国林业科学研究院林产化学工业研究所 | 一种污水循环处理控制系统及方法 |
-
2018
- 2018-04-26 JP JP2018085466A patent/JP2019192017A/ja active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020125618A (ja) * | 2019-02-04 | 2020-08-20 | 東京電力ホールディングス株式会社 | 情報処理方法、プログラム、取水制御システム及び学習済みモデルの生成方法 |
| JP7293687B2 (ja) | 2019-02-04 | 2023-06-20 | 東京電力ホールディングス株式会社 | 情報処理方法、プログラム、取水制御システム及び学習済みモデルの生成方法 |
| JP2021103146A (ja) * | 2019-12-25 | 2021-07-15 | 株式会社クボタ | 情報処理装置、情報処理方法、制御装置、水処理システム、および制御プログラム |
| JP7341881B2 (ja) | 2019-12-25 | 2023-09-11 | 株式会社クボタ | 情報処理装置、情報処理方法、制御装置、水処理システム、および制御プログラム |
| CN115122478A (zh) * | 2022-08-30 | 2022-09-30 | 山东天意机械股份有限公司 | 一种检测墙板模具污浊度的清理机控制方法 |
| CN117383768A (zh) * | 2023-12-08 | 2024-01-12 | 中国林业科学研究院林产化学工业研究所 | 一种污水循环处理控制系统及方法 |
| CN117383768B (zh) * | 2023-12-08 | 2024-03-12 | 中国林业科学研究院林产化学工业研究所 | 一种污水循环处理控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2019192017A (ja) | 汚濁物質判定装置、学習装置、汚濁物質判定方法、学習方法 | |
| CN110678877B (zh) | 用于在测试图像中的视觉定位的系统及方法 | |
| EP3655923B1 (en) | Weakly supervised anomaly detection and segmentation in images | |
| Hoang et al. | Image processing-based detection of pipe corrosion using texture analysis and metaheuristic-optimized machine learning approach | |
| Dang et al. | DefectTR: End-to-end defect detection for sewage networks using a transformer | |
| EP3624053B1 (en) | Image analysis device | |
| WO2021214755A1 (en) | System, and method for continuous process control of water contaminant separation process | |
| Dias et al. | Image processing for identification and quantification of filamentous bacteria in in situ acquired images | |
| JP2020025943A (ja) | 水処理方法および水処理システム | |
| CN111612786A (zh) | 基于全卷积神经网络的混凝土缺陷检测方法、装置及存储介质 | |
| Satoh et al. | Deep learning-based morphology classification of activated sludge flocs in wastewater treatment plants | |
| JP2019035623A (ja) | 汚泥評価システム及び汚泥評価指標取得システム | |
| CN116812998A (zh) | 基于絮凝图像分析的混凝剂投放流量确定方法和装置 | |
| CN106630276A (zh) | 一种污水循环处理智能系统 | |
| Inbar et al. | Analyzing the secondary wastewater-treatment process using Faster R-CNN and YOLOv5 object detection algorithms | |
| WO2020096889A1 (en) | Assessing endoscope channel damage using artificial intelligence video analysis | |
| GB2602880A (en) | Hierarchical image decomposition for defect detection | |
| Khan et al. | Segmentation approach towards phase-contrast microscopic images of activated sludge to monitor the wastewater treatment | |
| Pallavoor et al. | Chromosome segmentation analysis using image processing techniques and autoencoders | |
| Yong et al. | An approach for the segmentation and quantification of activated sludge floc blobs | |
| Zhao et al. | Segmentation of Activated Sludge Phase Contrast Microscopy Images Using U-Net Deep Learning Model. | |
| CN110751618B (zh) | 一种漂浮物检测方法、装置及电子设备 | |
| Sigdel et al. | Automatic classification of protein crystal images | |
| Ganegedara et al. | Self organising map based region of interest labelling for automated defect identification in large sewer pipe image collections | |
| KR102355294B1 (ko) | 영상 처리 장치 및 영상 처리 방법 |