JP2020101899A - コンピュータプログラム、学習モデル、推定装置、収容器及びサーバ装置 - Google Patents

Abstract

【課題】コンピュータプログラム、学習モデル、推定装置、収容器及びサーバ装置の提供。【解決手段】コンピュータに、廃棄物を収容する収容器内の状態を検知する検知センサからの出力データと、収容器内の廃棄物の量を示すラベルデータとを含む教師データを取得し、取得した教師データに基づき、検知センサの出力データから収容器内の廃棄物の量を推定する処理に用いられる学習モデルを生成する処理を実行させるためのコンピュータプログラムである。【選択図】図２

Description

本発明は、コンピュータプログラム、学習モデル、推定装置、収容器及びサーバ装置に関する。

廃棄物の回収容器に、測距センサと、測距データを廃棄物の質量データに変換するデータ変換部と、質量が規定値に達した際に回収要求を運用業者サーバへ送信するデータ発信部とで構成する移動体通信ユニットを設け、収集運搬業者端末に回収指示を送信する技術が知られている（例えば、特許文献１を参照）。

特開２０１７−２１０３４６号公報

しかしながら、回収容器に投入された廃棄物が例えばゴミ袋に包まれている場合、様々な種類の廃棄物が混在して回収容器に投入されている場合等において、必ずしも正確に廃棄物の量を推定することはできない。

本発明は、収容器内の廃棄物の量を正確に推定できるコンピュータプログラム、学習モデル、推定装置、収容器及びサーバ装置を提供することを目的とする。

本発明の一態様に係るコンピュータプログラムは、コンピュータに、廃棄物を収容する収容器内の状態を検知する検知センサからの出力データと、前記収容器内の廃棄物の量を示すラベルデータとを含む教師データを取得し、取得した教師データに基づき、前記検知センサの出力データから前記収容器内の廃棄物の量を推定する処理に用いられる学習モデルを生成する処理を実行させるためのコンピュータプログラムである。

本発明の一態様に係る学習モデルは、廃棄物を収容する収容器内の状態を検知する検知センサからの出力データが入力される入力層、前記出力データと前記収容器内の廃棄物の量を示すラベルデータとを含む教師データに基づき、前記出力データと前記廃棄物の量との関係を学習した中間層、及び前記収容器内の廃棄物の量を示す推定結果を出力する出力層を備え、前記入力層に入力される前記検知センサからの出力データに基づき、前記中間層で演算し、前記廃棄物の量を示す推定結果を前記出力層から出力する処理に用いられる。

本発明の一態様に係る推定装置は、廃棄物を収容する収容器内の状態を検知する検知センサからの出力データが入力される入力部と、前記検知センサからの出力データと前記収容器内の廃棄物の量を示すラベルデータとを含む教師データを用いて、前記出力データと前記廃棄物の量との関係を学習した学習モデルと、前記検知センサからの出力データを前記学習モデルに入力し、前記収容器内の廃棄物の量を推定する推定部とを備える。

本発明の一態様に係る収容器は、廃棄物を収容する収容器本体と、該収容器本体の内部の状態を検知する検知センサと、該検知センサからの出力データと、前記収容器本体内の廃棄物の量を示すラベルデータとを含む教師データに基づき、前記出力データと前記廃棄物の量との関係を学習した学習モデルと、前記検知センサからの出力データを前記学習モデルに入力し、前記収容器本体内の廃棄物の量を推定する推定部と、該推定部による推定結果を外部装置へ送信する送信部とを備える。

本発明の一態様に係るサーバ装置は、収容器内の廃棄物の量又は種別を学習モデルを用いて推定し、前記収容器を特定する情報と、推定結果を示す情報とを送信する複数の推定装置と通信可能であり、各推定装置から送信される情報を受信する受信部と、該受信部にて受信した推定結果を示す情報を、収容器を特定する情報に関連付けて記憶する記憶部とを備える。

本願によれば、収容器内の廃棄物の量を正確に推定できる。

実施の形態１に係る推定装置を説明する模式的説明図である。 実施の形態１に係る推定装置の制御系の構成を示すブロック図である。 実施の形態１における学習モデルの構成例を示す模式図である。 実施の形態１に係る推定装置が実行する処理の手順を説明するフローチャートである。 実施の形態２における学習モデルの構成例を示す模式図である。 実施の形態２に係る推定装置が実行する処理の手順を説明するフローチャートである。 推定装置及びサーバ装置を含むネットワーク構成を示す模式図である。 サーバ装置の制御系の構成を示すブロック図である。 学習モデルの生成手順を説明するフローチャートである。 学習モデルの更新手順を説明するフローチャートである。 実施の形態５に係る推定装置及びサーバ装置が実行する処理の手順を説明するフローチャートである。 推定結果の記憶例を示す概念図である。 サーバ装置が送信する地図データの一例を示す模式図である。

以下、本発明をその実施の形態を示す図面に基づいて具体的に説明する。
（実施の形態１）
図１は実施の形態１に係る推定装置１を説明する模式的説明図である。実施の形態１に係る推定装置１は、例えば、集合住宅、店舗、自動販売機、駅、病院、学校、イベント会場等に設置されるゴミ箱２に対して設けられており、ゴミ箱２に収容されている廃棄物の量を推定し、推定結果を出力する機能を有する。ここで、ゴミ箱２は収容器の一例である。

ゴミ箱２は、上面が開口した中空直方体形状の収容器本体２０と、収容器本体２０の上面開口を閉鎖又は開放する蓋体２１とにより構成されている。収容器本体２０は、底壁２００、前後方向で対向する周壁２０１，２０２、及び左右方向で対向する周壁２０３，２０４を備える。収容器本体２０は、底壁２００と周壁２０１〜２０４とにより囲まれる空間によって、廃棄物を収容する収容空間を形成する。蓋体２１は、後側の周壁２０２の上端に沿う回動軸（不図示）を介して、収容器本体２０に対して回動可能に設けられている。蓋体２１は利用者の手によって開閉される。

蓋体２１は、閉じられたときに上側を向く第１面２１ａと、下側を向く第２面２１ｂとを有する。第１面２１ａには、推定装置１、表示装置１４０、太陽電池５等が設けられ、第２面２１ｂには、センサユニット１１０が設けられる。

太陽電池５は、推定装置１、センサユニット１１０、及び表示装置１４０を駆動するための電力を供給する電源である。太陽電池５は、例えばフレキシブル太陽電池であり、フィルム状の基板に光電変換層を形成した構造を有する。フレキシブル太陽電池の一例は、色素増感太陽電池である。色素増感太陽電池は、低照度の環境であっても高出力が得られ、意匠性に優れるといった特徴を有する。

なお、色素増感太陽電池に限らず、ペロブスカイト型、ＣＩＧＳ型（CIGS : Cu-In-Ga-Se型）、アモルファスシリコン型の太陽電池を用いてもよい。また、電源は太陽電池５に限定されず、リチウムイオン電池などの二次電池を単独又は太陽電池５と組み合わせて使用する構成であってもよい。

センサユニット１１０は、ゴミ箱２の内部の状態を検知する検知センサを備える。センサユニット１１０が備える検知センサの一例は、蓋体２１が閉じられた状態にてゴミ箱２の内部空間を上方から撮像する撮像センサ１１１（図２を参照）である。センサユニット１１０は、有線又は無線により推定装置１に接続されており、検知センサからの出力データを推定装置１へ出力する。

推定装置１は、センサユニット１１０の出力データに基づき、ゴミ箱２の内部に収容されている廃棄物の量を推定するように学習された学習モデル１３１（図２を参照）を備える。推定装置１は、センサユニット１１０からの出力データを取得した場合、取得した出力データを学習モデル１３１へ与えることによって、学習モデル１３１から廃棄物の量に関する推定結果を取得する。

推定装置１には、有線又は無線により表示装置１４０が接続されている。推定装置１は、学習モデル１３１から廃棄物の量に関する推定結果を取得した場合、推定結果の情報を表示装置１４０へ出力し、推定結果を表示装置１４０に表示させる。

また、推定装置１は、学習モデル１３１による推定結果を外部へ送信するために、通信部１５（図２を参照）を備える。推定装置１は、ゴミ箱２を管理している管理会社の作業員、廃棄物を回収する回収業者の作業員等（以下、作業員等と記載）が利用している端末装置を宛先として、学習モデル１３１による推定結果を送信することにより、ゴミ箱２における廃棄物の量に係る推定結果を作業員等に通知する。

なお、本実施の形態では、ゴミ箱２が回動式の蓋体２１を備える構成としたが、回動式の蓋体２１に限らず、スライド式の蓋体、蛇腹式の蓋体などを用いてもよい。また、収容器本体２０の開口面は上面である必要はなく、開口面は前後何れかの面であってもよく、左右何れかの面であってもよい。

また、本実施の形態では、ゴミ箱２が蓋体２１を備える構成としたが、蓋体２１は必須の構成ではなく、蓋体２１を備えていないゴミ箱に本発明を適用することは可能である。例えば、ゴミ箱２は、空き缶、ペットボトル等を投入するための投入口を備えた、自動販売機の近傍に設置されるゴミ箱であってもよい。この場合、推定装置１、表示装置１４０、太陽電池５、及びセンサユニット１１０は収容器本体２０の適宜箇所に設けられる。

図２は実施の形態１に係る推定装置１の制御系の構成を示すブロック図である。推定装置１は、汎用又は専用のコンピュータにより構成されており、入力部１１、制御部１２、記憶部１３、出力部１４、及び通信部１５を備える。

入力部１１は、センサユニット１１０を接続する入力インタフェースを備える。入力部１１とセンサユニット１１０との間の接続は有線であってもよく、無線であってもよい。入力部１１には、センサユニット１１０から出力される出力データが入力される。センサユニット１１０は、例えば、蓋体２１の第２面２１ｂに設けられ、蓋体２１が閉じられた状態にてゴミ箱２の内部空間を上方から撮像する撮像センサ１１１を備える。撮像センサ１１１は、複数の画素から構成され、各画素がＲＧＢ各色の階調値によって表されるフレーム単位のデータ（画像データ）を出力する。入力部１１は、撮像センサ１１１から出力される画像データが入力された場合、入力された画像データを制御部１２へ出力する。なお、撮像センサ１１１が出力する画像データには、廃棄物そのものの画像だけではなく、ゴミ袋に包まれた廃棄物の画像が含まれていてもよい。

センサユニット１１０は、撮像センサ１１１に加え、重量センサ１１２、測距センサ１１３、臭気センサ１１４、赤外線センサ１１５、及び静電容量センサ１１６を備える。重量センサ１１２は、収容器本体２０の底壁２００に掛かる荷重を検知するためのセンサであり、検知した荷重の値を示すデータを推定装置１へ出力する。測距センサ１１３は、蓋体２１の第２面２１ｂに取り付けられ、蓋体２１が閉じられた状態にてセンサから廃棄物までの距離を計測することによって、ゴミ箱２内に積み上げられた廃棄物の高さを計測する超音波センサなどのセンサである。測距センサ１１３は、計測した測距データを推定装置１へ出力する。臭気センサ１１４は、ゴミ箱２内の臭気の量又は成分を検知するためのセンサであり、検知した臭気の量又は成分に関するデータを推定装置１へ出力する。赤外線センサ１１５は、赤外線を用いてゴミ箱２の内部空間を上方から撮像する撮像センサの一種であり、得られた画像データを推定装置１へ出力する。静電容量センサ１１６は、収容器本体２０の内面に複数設置され、廃棄物との接触状態を検知するためのセンサである。静電容量センサ１１６は、検知結果を示すデータを推定装置１へ出力する。

本実施の形態では、センサユニット１１０が各種センサ１１１〜１１６を備える構成としたが、これら全てのセンサを備えている必要はなく、選択した何れか１つのセンサ若しくは複数のセンサを備える構成であればよい。また、センサユニット１１０が備えるセンサは、上記のセンサに限定されるものではなく、ゴミ箱２の内部状態を検知できるのであれば、温度センサ、湿度センサ、照度センサ等の任意のセンサを単独で使用してもよく、上述のセンサ１１１〜１１６と組み合わせて使用してもよい。

以下では、説明を簡略化するために、撮像センサ１１１から出力される画像データに基づき、ゴミ箱２内の廃棄物の量を推定する構成について説明するが、他のセンサ１１２〜１１６から選択した１つの出力データ、又はセンサ１１１〜１１６から選択した複数の出力データの組み合わせを用いて、ゴミ箱２内の廃棄物の量を推定する構成であってもよい。

制御部１２は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを備える。制御部１２が備えるＲＯＭには、推定装置１が備えるハードウェア各部の動作を制御するためのコンピュータプログラム等が記憶される。制御部１２内のＣＰＵは、ＲＯＭ又は記憶部１３に記憶されたコンピュータプログラムを実行し、ハードウェア各部の動作を制御することによって、ゴミ箱２内の廃棄物の量を推定する処理を実現する。制御部１２が備えるＲＡＭには、演算の実行中に利用されるデータが一時的に記憶される。

制御部１２は、ＣＰＵ、ＲＯＭおよびＲＡＭを備える構成としたが、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、量子プロセッサ、揮発性または不揮発性のメモリ等を備える１又は複数の演算回路であってもよい。また、制御部１２は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えていてもよい。

記憶部１３は、ＥＥＰＲＯＭ（Electronically Erasable Programmable Read Only Memory）、ＳＲＡＭ（Static Random Access Memory）などのメモリを備える。記憶部１３には、制御部１２によって実行されるコンピュータプログラム、及び学習モデル１３１が記憶される。学習モデル１３１は、センサユニット１１０からの出力データに基づき、ゴミ箱２内の廃棄物の量を推定する処理に用いられる学習モデルである。この学習モデル１３１の他に、センサユニット１１０からの出力データに基づき、ゴミ箱２内の廃棄物の種別を推定する処理に用いられる学習モデル（第２の学習モデル）１３２が記憶部１３に記憶されていてもよい。学習モデル１３２の詳細については後述する実施の形態２において説明する。

記憶部１３に記憶されるコンピュータプログラムは、撮像センサ１１１が出力するデータを取得し、学習モデル１３１を用いて、ゴミ箱２内の廃棄物の量を推定する処理を推定装置１に実行させるための推定処理プログラムを含む。この推定処理プログラムを制御部１２が実行することによって、推定装置１を本願の推定装置として機能させる。

記憶部１３に記憶されるコンピュータプログラムは、このコンピュータプログラムを読み取り可能に記録した非一時的な記録媒体Ｍ１により提供されてもよい。記録媒体Ｍ１は、例えば、ＣＤＲＯＭ、ＵＳＢメモリ、ＳＤ（Secure Digital）カード、マイクロＳＤカード、コンパクトフラッシュ(登録商標)などの可搬型メモリである。制御部１２は、不図示の読取装置を用いて記録媒体Ｍ１から各種プログラムを読み取り、読み取った各種プログラムを記憶部１３にインストールする。

記憶部１３に記憶される学習モデル１３１は、その定義情報によって記述される。学習モデル１３１の定義情報は、学習モデル１３１の構造情報、学習モデル１３１で用いられるノード間の重み及びバイアスなどの各種パラメータ等を含む。本実施形態では、センサユニット１１０が出力する出力データと、ゴミ箱２内の廃棄物の量を示すラベルデータとを教師データとして、所定の学習アルゴリズムによって予め学習された学習モデル１３１が記憶部１３に記憶される。

制御部１２は、記憶部１３に記憶されている推定処理プログラムを実行し、入力部１１を通じて入力される撮像センサ１１１からの出力データ（本実施の形態では、画像データ）を学習モデル１３１に与えることによって、学習モデル１３１から廃棄物の量に関する推定結果を取得する。

出力部１４は、学習モデル１３１による推定結果を出力する出力インタフェースを備える。出力部１４には液晶パネル又は有機ＥＬ（Electro-Luminescence）パネル等を備えた表示装置１４０が接続される。推定結果の出力形式は任意であり、学習モデル１３１による推定結果をそのまま出力部１４から出力してもよく、推定結果を基に制御部１２によって生成されたデータを出力部１４から出力してもよい。例えば、出力部１４は、廃棄物の量を数値情報として表示させるための表示データを表示装置１４０へ出力することができる。ここで、廃棄物の量を表す数値情報は、ゴミ箱２の容量に対して廃棄物が占める割合であってもよく、重量又は体積に換算した値であってもよい。また、出力部１４は、廃棄物の量を文字情報として表示させるための表示データを表示装置１４０へ出力してもよい。廃棄物の量を表す文字情報は、ゴミ箱２における廃棄物の収用状態を表す語句（例えば、「満杯」、「余裕あり」などの語句）であってもよく、ゴミ箱２内の廃棄物の多寡を表す語句（例えば、「多い」、「少ない」などの語句）であってもよい。更に、出力部１４は、推定した廃棄物の量が予め設定した設定値を超える場合にのみ、警告情報を出力する構成としてもよい。更に、出力部１４は、廃棄物の量をアイコンなどの図柄によって表示させるための表示データを表示装置１４０へ出力してもよい。

本実施の形態では、推定装置１の出力部１４に表示装置１４０を接続する構成としたが、推定装置１と表示装置１４０とが一体の構成であってもよい。また、出力部１４に表示装置１４０を接続する構成に代えて、ＬＥＤ（Light Emitting Diode）により構成されるレベルメータを接続する構成としてもよい。出力部１４にレベルメータが接続されている場合、出力部１４は、ゴミ箱２の容量に対して廃棄物が占める割合をＮ段階（Ｎ≧２）でレベルメータに表示させるための表示データを出力してもよい。

通信部１５は、各種データを送受信する通信インタフェースを備える。通信部１５が備える通信インタフェースは、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標） 、ＷｉＦｉ（登録商標）、ＺｉｇＢｅｅ（登録商標）、その他の無線ＬＡＮ（Local Area Network）、並びに、３Ｇ、４Ｇ、５Ｇ、ＬＴＥ（Long Term Evolution）等の通信規格に準じた無線通信インタフェースである。また、通信部１５は、ＲＳ２３２Ｃ、ＵＳＢ（Universal Serial Bus）等の有線の通信インタフェースを備えていてもよい。通信部１５から外部へ送信するデータは、学習モデル１３１による推定結果を含む。通信部１５は、学習モデル１３１による推定結果を携帯端末へ送信することによって、ゴミ箱２の内部の廃棄物についての推定量を作業員に通知することができる。

図３は実施の形態１における学習モデル１３１の構成例を示す模式図である。学習モデル１３１は、深層学習を含む機械学習の学習モデルであり、例えばニューラルネットワークにより構成されている。学習モデル１３１は、入力層１３１Ａ、中間層１３１Ｂ、及び出力層１３１Ｃを備える。なお、図３の例では、中間層１３１Ｂを２つ記載しているが、中間層１３１Ｂの数は２つに限定されず、３つ以上であってもよい。

入力層１３１Ａ、中間層１３１Ｂ、及び出力層１３１Ｃには、１つ又は複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重み及びバイアスで結合されている。入力層１３１Ａのノードの数と同数の成分を有するベクトルが、学習モデル１３１の入力データとして与えられる。例えば、撮像センサ１１１から出力される画像データを入力とする場合、画像データを構成する各画素の画素値が入力層１３１Ａのノードに与えられる。また、入力層１３１Ａにデータを与える前に、畳み込みフィルタを含む適宜のフィルタを画像データに適用し、フィルタを適した後に得られる各画素の画素値を入力層１３１Ａに与えてもよい。

入力層１３１Ａの各ノードに与えられたデータは、最初の中間層１３１Ｂに与えられる。その中間層１３１Ｂにおいて重み及びバイアスを含む活性化関数を用いて出力が算出され、算出された値が次の中間層１３１Ｂに与えられ、以下同様にして出力層１３１Ｃの出力が求められるまで次々と後の層に伝達される。なお、ノード間を結合する重み、バイアス等の各種パラメータは、所定の学習アルゴリズムによって学習される。各種パラメータを学習する学習アルゴリズムには、例えば深層学習の学習アルゴリズムが用いられる。入力データとして、撮像センサ１１１から出力される画像データを用いる場合、撮像センサ１１１からの画像データと、廃棄物の量を示すラベルデータとを含む教師データを用いて学習が行われる。

出力層１３１Ｃは、ゴミ箱２内の廃棄物の量を示す推定結果を出力する。出力層１３１Ｃによる推定結果の出力形態は任意である。例えば、出力層１３１Ｃを第０ノードから第１０ノードまでの１１個のノードで構成し、第０ノードからゴミ箱２内に占める廃棄物の割合が０％である確率、第１ノードからゴミ箱２内に占める廃棄物の割合が１０％である確率、…、第１０ノードからゴミ箱２内に占める廃棄物の割合が１００％である確率を出力してもよい。出力層１３１Ｃを構成するノードの数、及び各ノードに割り当てる廃棄物の割合は、上記に限定されるものではなく、適宜設計することが可能である。

図４は実施の形態１に係る推定装置１が実行する処理の手順を説明するフローチャートである。推定装置１の制御部１２は、記憶部１３に記憶されている推定処理プログラムを実行することにより、以下の推定処理を実行する。推定処理の実行タイミングは、例えば定期的なタイミングであってもよく、センサユニット１１０が備える各種センサにより新たな廃棄物の投入が検知されたタイミングであってもよい。

制御部１２は、まず、撮像センサ１１１から出力される画像データを、入力部１１を通じて取得する（ステップＳ１０１）。

次いで、制御部１２は、取得した画像データを学習モデル１３１の入力層１３１Ａに与えることによって、画像データから廃棄物の量を推定する推定処理を実行する（ステップＳ１０２）。入力層１３１Ａの各ノードには、例えば画像データを構成する各画素の画素値のデータが与えられる。入力層１３１Ａの各ノードに与えられたデータは、隣接する中間層１３１Ｂのノードへ出力される。中間層１３１Ｂではノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、中間層１３１Ｂによる演算結果（本実施の形態では、廃棄物の量の推定結果）は出力層１３１Ｃの各ノードへ出力される。このようにして、学習モデル１３１では、廃棄物の量に関する推定結果が得られる。

次いで、制御部１２は、学習モデル１３１の出力層１３１Ｃから推定結果を取得し（ステップＳ１０３）、推定結果を表示させるための表示データを出力部１４から表示装置１４０へ出力する（ステップＳ１０４）。制御部１２は、廃棄物の量を示す数値、文字、図柄等を含んだ表示データを表示装置１４０へ出力することによって、数値、文字、図柄等の表示態様にて推定結果を表示装置１４０に表示させることができる。

また、制御部１２は、学習モデル１３１によって推定された廃棄物の量と、予め設定されている閾値（例えば、ゴミ箱２の容量に対して７０％）との大小関係を判断し、推定された廃棄物の量が閾値以上であるか否かを判断する（ステップＳ１０５）。すなわち、制御部１２は、廃棄物の量が適性であるか否かを判断する。推定された廃棄物の量が閾値未満である場合（Ｓ１０５：ＮＯ）、制御部１２は、廃棄物の量が適性であると判断し、本フローチャートによる処理を終了する。

推定された廃棄物の量が閾値以上であると判断した場合（Ｓ１０５：ＹＥＳ）、制御部１２は、廃棄物の量が適性でないと判断し、制御部１２は、作業員等が利用する端末装置を宛先として、警告情報を通信部１５から送信する（ステップＳ１０６）。警告情報には、例えば、廃棄物の量がゴミ箱２の容量に近くなっている旨の情報、廃棄物の回収が望まれる旨の情報等が含まれる。本実施の形態では、推定された廃棄物の量が閾値以上である場合に、警告情報を通信部１５から送信する構成としたが、推定された廃棄物の多少に依らず、推定された廃棄物の量を通知するための情報を通信部１５から送信してもよい。

以上のように、本実施の形態では、深層学習を含む機械学習の学習モデル１３１によってゴミ箱２に収容されている廃棄物の量を推定できるので、廃棄物の種類、収容空間内での廃棄物の偏り、廃棄物を包んでいるゴミ袋などの影響を受けることなく、正確に廃棄物の量を推定できる。また、廃棄物の量に係る推定結果を表示又は外部へ送信することによって、必要に応じて廃棄物の回収を作業員に促すことができる。

なお、本実施の形態では、撮像センサ１１１からの画像データを学習モデル１３１に入力し、廃棄物の量に係る推定結果を取得する構成としたが、撮像センサ１１１からの画像データ及びそのラベルデータに基づき学習した学習モデル１３１とは別に、例えば臭気センサ１１４などの別のセンサからの出力データとそのラベルデータとに基づいて学習した他の学習モデルを用意してもよい。この場合、例えば、制御部１２は、学習モデル１３１からの推定結果と、他の学習モデルからの推定結果との重み付き平均を求め、その平均値を最終的な推定結果として導出してもよい。

（実施の形態２）
実施の形態２では、廃棄物の種別を推定する構成について説明する。

図５は実施の形態２における学習モデル１３２の構成例を示す模式図である。実施の形態２における学習モデル１３２は、センサユニット１１０から出力される出力データに基づき、ゴミ箱２に収容されている廃棄物の種別を推定する処理に用いられる学習モデルである。学習モデル１３２の定義情報は、推定装置１の記憶部１３に記憶される。なお、推定装置１の制御系の構成は実施の形態１と同様であるため、その説明を省略することとする。

学習モデル１３２は、深層学習を含む機械学習の学習モデルであり、例えばニューラルネットワークにより構成されている。学習モデル１３２は、入力層１３２Ａ、中間層１３２Ｂ、及び出力層１３２Ｃを備える。なお、図５の例では、中間層１３２Ｂを２つ記載しているが、中間層１３２Ｂの数は２つに限定されず、３つ以上であってもよい。

入力層１３２Ａ、中間層１３２Ｂ、及び出力層１３２Ｃには、１つ又は複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重み及びバイアスで結合されている。入力層１３２Ａのノードの数と同数の成分を有するベクトルが、学習モデル１３２の入力データとして与えられる。例えば、撮像センサ１１１から出力される画像データを入力とする場合、画像データを構成する各画素の画素値が入力層１３２Ａのノードに与えられる。また、入力層１３２Ａにデータを与える前に、畳み込みフィルタを含む適宜のフィルタを画像データに適用し、フィルタを適した後に得られる各画素の画素値を入力層１３２Ａに与えてもよい。また、ゴミ箱２に新たに投入された廃棄物の種別を推定するために、撮像センサ１１１から入力された画像データと、直近に入力された画像データとの差分データを生成し、生成した差分データを入力層１３２Ａに与えてもよい。

入力層１３２Ａの各ノードに与えられたデータは、最初の中間層１３２Ｂに与えられる。その中間層１３２Ｂにおいて重み及びバイアスを含む活性化関数を用いて出力が算出され、算出された値が次の中間層１３２Ｂに与えられ、以下同様にして出力層１３２Ｃの出力が求められるまで次々と後の層に伝達される。なお、ノード間を結合する重み、バイアス等の各種パラメータは、所定の学習アルゴリズムによって学習される。各種パラメータを学習する学習アルゴリズムには、例えば深層学習の学習アルゴリズムが用いられる。

出力層１３２Ｃは、ゴミ箱２内の廃棄物の種別を示す推定結果を出力する。出力層１３２Ｃによる推定結果の出力形態は任意である。例えば、出力層１３２Ｃを第１ノードから第５ノードまでの５個のノードで構成し、第１ノードから廃棄物の種別が普通ゴミである確率、第２ノードから廃棄物の種別がプラスチックである確率、第３ノードから廃棄物の種別がビンまたはカンである確率、第４ノードから廃棄物の種別が金属である確率、第５ノードから廃棄物の種別がその他である確率を出力してもよい。出力層１３２Ｃを構成するノードの数、及び各ノードに割り当てる種別は、上記に限定されるものではなく、適宜設計することが可能である。

図６は実施の形態２に係る推定装置１が実行する処理の手順を説明するフローチャートである。推定装置１の制御部１２は、記憶部１３に記憶されている推定処理プログラムを実行することにより、以下の処理を実行する。制御部１２は、撮像センサ１１１から出力される画像データを、入力部１１を通じて取得する（ステップＳ２０１）。

次いで、制御部１２は、取得した画像データを学習モデル１３２の入力層１３２Ａに与えることによって、画像データから廃棄物の種別を推定する推定処理を実行する（ステップＳ２０２）。入力層１３２Ａの各ノードには、例えば画像データを構成する各画素の画素値のデータ、若しくは事前に生成した差分データが与えられる。入力層１３２Ａの各ノードに与えられたデータは、隣接する中間層１３２Ｂのノードへ出力される。中間層１３２Ｂではノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、中間層１３２Ｂによる演算結果（本実施の形態では、廃棄物の種別の推定結果）は出力層１３２Ｃの各ノードへ出力される。このようにして、学習モデル１３２では、廃棄物の種別に関する推定結果が得られる。

次いで、制御部１２は、学習モデル１３２の出力層１３２Ｃから推定結果を取得し（ステップＳ２０３）、ゴミ箱２に収容されている廃棄物の種別が適性であるか否かを判断する（ステップＳ２０４）。制御部１２は、学習モデル１３２によって推定された種別が、予め設定された種別である場合、適性であると判断し、予め設定された種別でない場合、適性でないと判断することができる。なお、適性と判断すべき種別は、ゴミ箱２に対して割り当てられた固有の種別であってもよく、曜日等によって異なる種別であってもよい。

学習モデル１３２によって推定された種別が適性であると判断した場合（Ｓ２０４：ＹＥＳ）、制御部１２は、本フローチャートによる処理を終了する。

学習モデル１３２によって推定された種別が適性でないと判断した場合（Ｓ２０４：ＮＯ）、制御部１２は、ゴミ箱２に投入された廃棄物の種別が適性でない旨の警告情報を出力部１４から出力し、表示装置１４０に表示させる（ステップＳ２０５）。

以上のように、本実施の形態では、ゴミ箱２に種別が適性でない廃棄物が投入された場合、警告情報を表示装置１４０に表示させることができるので、利用者に対してゴミ箱２の適性な利用を促すことができる。

なお、本実施の形態では、警告情報を表示装置１４０に表示させる構成としたが、作業員等が利用する端末装置を宛先として、警告情報を通信部１５から送信する構成としてもよい。また、制御部１２は、種別が適性であるか否かの判断結果に依らず、ステップＳ２０４における判断結果を外部サーバ（例えば、後述するサーバ装置３）へ送信し、ゴミ箱２が適性に利用されているか否かを外部サーバにて評価してもよい。

また、実施の形態１では廃棄物の量を推定する構成、実施の形態２では廃棄物の種別を推定する構成について説明したが、量又は種別の何れか一方を推定する構成に限定されるものではなく、センサユニット１１０の出力データに基づき、廃棄物の量及び種別の双方を推定してもよいことは勿論のことである。

（実施の形態３）
推定装置１において用いられる学習モデル１３１，１３２は、推定装置１と通信可能に接続されるサーバ装置３にて生成される。実施の形態３では、サーバ装置３にて学習モデル１３１，１３２を生成する構成について説明する。

図７は推定装置１及びサーバ装置３を含むネットワーク構成を示す模式図である。推定装置１は、ゴミ箱２，２，…，２のそれぞれに搭載され、通信ネットワークＮを介してサーバ装置３に接続される。通信ネットワークＮは、例えば、３Ｇ、４Ｇ、５Ｇ、ＬＴＥ等の通信規格に準拠したデータ通信網である。この場合、推定装置１は、通信ネットワークＮを介して、サーバ装置３と直接的に各種情報の送受信を行う。また、複数の推定装置１，１，…，１によって狭域無線網を形成し、狭域無線網内に設置される中継装置（不図示）を通じて通信ネットワークＮに接続する構成としてもよい。この場合、推定装置１は、中継装置を介してサーバ装置３と各種情報の送受信を行う。

図８はサーバ装置３の制御系の構成を示すブロック図である。サーバ装置３は、制御部３１、記憶部３２、入力部３３、通信部３４、操作部３５、及び表示部３６を備える。

制御部３１は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭなどを備える。制御部３１が備えるＲＯＭには、サーバ装置３が備えるハードウェア各部の動作を制御するための制御プログラム等が記憶される。制御部３１内のＣＰＵは、ＲＯＭに記憶された制御プログラム、および、記憶部３２に記憶された各種プログラムを実行し、ハードウェア各部の動作を制御する。

制御部３１は上述の構成に限定されない。制御部３１は、ＣＰＵ、ＲＯＭ及びＲＡＭを備えた構成に限定されない。制御部３１は、例えば、ＧＰＵ、ＦＰＧＡ、ＤＳＰ、量子プロセッサ、揮発性または不揮発性のメモリ等を含む１又は複数の制御回路または演算回路であってもよい。また、制御部３１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えていてもよい。

記憶部３２は、ハードディスクドライブなどの記憶装置を備える。記憶部３２には、制御部３１によって実行される各種コンピュータプログラム、当該コンピュータプログラムによって生成される各種データ、外部から取得したデータ等が記憶される。記憶部３２に記憶されるコンピュータプログラムは、例えば、センサユニット１１０の出力データから、ゴミ箱２内の廃棄物の量又は種別を推定する処理に用いられる学習モデル１３１，１３２を生成するためのモデル生成プログラムを含む。

記憶部３２に記憶されるモデル生成プログラムを含むコンピュータプログラムは、このコンピュータプログラムを読み取り可能に記録した非一時的な記録媒体Ｍ２により提供されてもよい。記録媒体Ｍ２は、例えば、ＣＤＲＯＭ、ＵＳＢメモリ、ＳＤ（Secure Digital）カード、マイクロＳＤカード、コンパクトフラッシュなどの可搬型メモリである。制御部３１は、入力部３３を用いて記録媒体Ｍ２から各種プログラムを読み取り、読み取った各種プログラムを記憶部３２にインストールする。

入力部３３は、各種データ又はプログラムを記録した記録媒体から、データ及びプログラムを取得するための入力インタフェースを備える。入力部３３を通じて入力された各種データ及びプログラムは、記憶部３２に記憶される。

通信部３４は、通信ネットワークＮに接続する通信インタフェースを備える。通信部３４は、推定装置１へ通知すべき情報を、通信ネットワークＮを介して推定装置１へ送信する。また、通信部３４は、サーバ装置３を宛先として推定装置１から送信される情報を、通信ネットワークＮを介して受信する。

操作部３５は、キーボードやマウスなどの入力インタフェースを備えており、各種の操作情報や設定情報を受付ける。制御部３１は、操作部３５から入力される操作情報に基づき適宜の制御を行い、必要に応じて設定情報を記憶部３２に記憶させる。

表示部３６は、液晶表示パネル、有機ＥＬ表示パネル等の表示デバイスを備えており、制御部３１から出力される制御信号に基づいて、サーバ装置３の管理者等に通知すべき情報を表示する。

なお、本実施の形態では、サーバ装置３が操作部３５及び表示部３６を備える構成としたが、操作部３５及び表示部３６は必須ではなく、外部に接続されたコンピュータを通じて操作を受付け、通知すべき情報を外部のコンピュータへ出力する構成であってもよい。

以下、サーバ装置３にて学習モデル１３１を生成する手順について説明する。
図９は学習モデル１３１の生成手順を説明するフローチャートである。サーバ装置３の制御部３１は、入力部３３又は通信部３４を通じて、学習モデル１３１を学習するための教師データを取得する（ステップＳ３０１）。教師データは、例えば、ゴミ箱２の内部を撮像する撮像センサ１１１からの画像データと、撮像した際にゴミ箱２の内部に収容されていた廃棄物の量を示すラベルデータとを含む。学習モデル１３１を生成する初期段階では、教師データは、例えば運営事業者等によって用意されたものが設定される。また、学習が進めば、学習モデル１３１による推定結果を用いて、教師データを設定する構成としてもよい。この場合、学習モデル１３１への入力（画像データ）と、推定結果として得られるラベルデータとを、教師データとして設定することができる。

次いで、制御部３１は、教師データとして含まれる画像データを学習モデル１３１へ入力し（ステップＳ３０２）、学習モデル１３１から推定結果を取得する（ステップＳ３０３）。学習が開始される前の段階では、学習モデル１３１を記述する定義情報には、初期設定値が与えられているものとする。学習モデル１３１の入力層１３１Ａを構成する各ノードには、例えば各画素の画素値のデータが与えられる。入力層１３１Ａの各ノードに与えられたデータは、隣接する中間層１３１Ｂのノードへ出力される。中間層１３１Ｂではノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、中間層１３１Ｂによる演算結果（廃棄物の量の推定結果）が出力層１３１Ｃの各ノードへ出力される。このようにして、学習モデル１３１では、廃棄物の量に関する推定結果が得られる。

次いで、制御部３１は、ステップＳ３０３で得られた推定結果を評価し（ステップＳ３０４）、学習モデル１３１の学習が完了したか否かを判断する（ステップＳ３０５）。具体的には、制御部３１は、ステップＳ３０３で得られる推定結果と、教師データとに基づく誤差関数（目的関数、損失関数、コスト関数ともいう）を用いて、推定結果を評価することができる。制御部３１は、最急降下法などの勾配降下法により誤差関数を最適化（最小化又は最大化）する課程で、誤差関数が閾値以下（又は閾値以上）となった場合、学習モデル１３１の学習が完了したと判断する。なお、過学習の問題を避けるために、交差検定、早期打ち切りなどの手法を取り入れ、適切なタイミングにて学習を終了させてもよい。

学習が完了していないと判断した場合（Ｓ３０５：ＮＯ）、制御部３１は、中間層１３１Ｂで用いられるノード間の重み及びバイアスを更新し（ステップＳ３０６）、処理をステップＳ３０１へ戻す。制御部３１は、出力層１３１Ｃから入力層１３１Ａに向かって、ノード間の重み及びバイアスを順次更新する誤差逆伝搬法を用いて、各ノード間の重み及びバイアスを更新することができる。

学習が完了したと判断した場合（Ｓ３０５：ＹＥＳ）、制御部３１は、学習済みの学習モデル１３１として記憶部３２に記憶させ（ステップＳ３０７）、本フローチャートによる処理を終了する。

上記フローチャートでは、廃棄物の量を推定する処理に用いられる学習モデル１３１の生成手順について説明したが、廃棄物の種別を推定する処理に用いられる学習モデル１３２を生成する手順についても同様である。この場合、教師データとして、例えば、ゴミ箱２の内部を撮像する撮像センサ１１１からの画像データと、撮像した際にゴミ箱２の内部に収容されていた廃棄物の種別を示すラベルデータとを含む教師データが使用される。

以上のように、本実施の形態では、推定装置１にて用いられる学習モデル１３１，１３２をサーバ装置３することができる。新たな推定装置１をゴミ箱に設置する場合、サーバ装置３から学習モデル１３１，１３２をダウンロードすることによって、ゴミ箱内の廃棄物の量及び種別の推定が可能となる。

本実施の形態では、一例として、撮像センサ１１１からの画像データに基づき学習モデル１３１，１３２を学習する構成について説明したが、サーバ装置３は、重量センサ１１２、測距センサ１１３、臭気センサ１１４、赤外線センサ１１５、及び静電容量センサ１１６等の各種センサの出力に基づき、学習モデル１３１，１３２を学習する構成としてもよいことは勿論のことである。

また、サーバ装置３は、ゴミ箱の種別毎、又は廃棄物の種別毎に、廃棄物の量を推定する処理に用いられる学習モデル１３１、及び廃棄物の種別を推定する処理に用いられる学習モデル１３１を生成してもよいことは勿論のことである。

更に、サーバ装置３は、学習完了後の適宜のタイミングで、センサユニット１１０からの出力データとラベルデータとを含む教師データとを再取得し、再取得した教師データに基づき、学習モデル１３１，１３２を再学習させる構成としてもよい。例えば、作業員が廃棄物を回収する際に、ゴミ箱２に実際に収容されている廃棄物の量又は種別が、推定装置１による推定結果と異なる場合、作業員により正しく設定されたラベルデータを含む教師データをサーバ装置３へ送信し、この教師データに基づき、学習モデル１３１，１３２を再学習させてもよい。再学習の手順は、学習モデル１３１，１３２の生成手順と全く同様であり、教師データに含まれる出力データを学習モデル１３１，１３２へ入力し、学習モデル１３１，１３２の出力として得られる推定結果と教師データに含まれるラベルデータとの間の誤差を評価することによって、再学習が実行される。

（実施の形態４）
実施の形態４では、サーバ装置３から学習モデル１３１，１３２をダウンロードすることによって、推定装置１が備える学習モデル１３１，１３２を更新する形態について説明する。サーバ装置３を含むネットワーク構成は、実施の形態３と同様であるから、その説明を省略することとする。

図１０は学習モデル１３１の更新手順を説明するフローチャートである。サーバ装置３の制御部３１は、学習モデル１３１の更新要求を受付けたか否かを判断する（ステップＳ４０１）。制御部３１は、通信部３４を通じて、更新対象の推定装置１から直接的に更新要求を受け付けることが可能である。また、制御部３１は、操作部３５を通じて、更新対象の推定装置１の宛先情報と、この推定装置１に対する更新要求を受け付けてもよい。更新要求を受け付けていない場合（Ｓ４０１：ＮＯ）、制御部３１は、本フローチャートによる処理を終了する。

更新要求を受け付けた場合（Ｓ４０１：ＹＥＳ）、制御部３１は、記憶部３２から学習モデル１３１を読み出し（ステップＳ４０２）、通信部３４を通じて、読み出した学習モデル１３１を更新対象の推定装置１へ送信する（ステップＳ４０３）。

推定装置１は、サーバ装置３から送信される学習モデル１３１を受信する（ステップＳ４０４）。推定装置１の制御部１２は、学習モデル１３１を受信した場合、記憶部１３に記憶されている学習モデル１３１を、受信した学習モデル１３１に更新する（ステップＳ４０５）。廃棄物の種別を推定する処理に用いられる学習モデル１３２をサーバ装置３からダウンロードして更新する場合についても同様である。

以上のように、推定装置１では、サーバ装置３から学習モデル１３１，１３２をダウンロードして更新することができるので、廃棄物の量及び種別の推定精度を逐次向上させることができる。

また、本実施の形態では、サーバ装置３から学習モデル１３１，１３２をダウンロードして更新する構成としたが、撮像センサ１１１等から得られる画像データと、この画像データを取得した際のゴミ箱２内部の廃棄物の量又は種別を示すラベルデータとを取得し、推定装置１にて、学習モデル１３１，１３２を再学習させる構成としてもよい。

（実施の形態５）
実施の形態５では、サーバ装置３が推定装置１による推定結果を取得し、取得した推定結果に基づき廃棄物の回収指示を与える構成ついて説明する。

図１１は実施の形態５に係る推定装置１及びサーバ装置３が実行する処理の手順を説明するフローチャートである。推定装置１の制御部１２は、撮像センサ１１１からの画像データを取得し、取得した画像データを学習モデル１３１に与えることによって、廃棄物の量に係る推定結果を取得する（ステップＳ５０１）。推定結果を取得した場合、制御部１２は、通信部１５からサーバ装置３へ推定結果を送信する（ステップＳ５０２）。このとき、推定装置１は、ゴミ箱２を識別するための識別データ、ゴミ箱２が設置されている場所の位置情報等を推定結果と共に送信してもよい。特に、ゴミ箱２がイベント会場等において仮設されるものである場合、ゴミ箱２の識別データ及び位置情報を併せて送信することが好ましい。このため、推定装置１は、自身の位置を測位するためのＧＰＳ（Global Positioning System）受信機を備えていてもよい。

サーバ装置３の制御部３１は、推定装置１から送信される推定結果を通信部３４にて受信した場合（ステップＳ５０３）、受信した推定結果を送信元の推定装置１が設置されているゴミ箱２を特定する情報に関連付けて記憶部３２に記憶させる（ステップＳ５０４）。例えば、ゴミ箱２が予め定められた場所に設置されている場合、そのゴミ箱２に設けられている推定装置１のアドレス、ゴミ箱２を識別する識別データ、ゴミ箱の位置情報を関連付けたマスタテーブルを用意しておき、このマスタテーブルを参照して、推定結果とゴミ箱２を特定する情報（識別データ）とを関連付けて記憶部３２に記憶させることができる。また、ゴミ箱２が仮設されるものである場合、推定結果と共に送信されてくる識別データ及び位置情報を参照し、推定結果とゴミ箱２を特定する情報（識別データ及び位置情報）を関連付けて記憶部３２に記憶させてもよい。

図１２は推定結果の記憶例を示す概念図である。図１２は、ゴミ箱２を特定する情報、ゴミ箱２が設置されている住所、推定装置１による推定結果、推定結果の受信日時、回収要求フラグ、回収回数を関連付けて記憶させた回収履歴テーブルの一例を示している。ここで、回収要求フラグは、回収要求を送信すべきか否かを示すフラグであり、「０」は回収要求の送信が不要であること、「１」は回収要求の送信が必要であることを示している。制御部３１は、推定結果として与えられる廃棄物の量が設定値（例えば７０％）を超える場合、回収要求フラグを「０」から「１」に切り替える。また、制御部３１は、ゴミ箱２の内部の廃棄物が回収されたことを示す情報が入力された場合、回収フラグを「１」から「０」に切り替え、回収回数を１だけ増加させる。なお、廃棄物が回収されたことを示す情報は、作業員等が携帯する携帯端末から送信される情報であってもよい。

サーバ装置３の制御部３１は、上述したような回収履歴テーブルを参照して、回収要求の送信が必要であるか否かを判断する（ステップＳ５０５）。例えば、推定結果として与えられる廃棄物の量が設定値（例えば７０％）を超えるゴミ箱２が回収履歴テーブルに登録されている場合、回収要求の送信が必要であると判断する。また、制御部３１は、廃棄物の量が設定値を超えるゴミ箱２の数が設定数（例えば１０個）を超える場合、回収要求の送信が必要であると判断し、設定数以下である場合、回収要求の送信が不要と判断してもよい。回収要求の送信が不要と判断した場合（Ｓ５０５：ＮＯ）、制御部３１は、本フローチャートによる処理を終了する。

一方、回収要求の送信が必要であると判断した場合（Ｓ５０５：ＹＥＳ）、制御部３１は、回収要求を送信する（ステップＳ５０６）。このとき、制御部３１は、廃棄物を回収する回収業者が使用している端末、又は回収業者の作業員が携帯する携帯端末宛に、回収要求を送信すればよい。また、制御部３１は、ゴミ箱２について推定した廃棄物の量の情報を地図上に重畳した地図データを生成し、生成した地図データを回収業者が使用している端末、又は回収業者の作業員が携帯する携帯端末へ送信してもよい。更に、廃棄物を回収すべきゴミ箱２が地図上に複数存在する場合、制御部３１は、効率良く廃棄物を回収できる経路を設定し、経路情報を併せて送信してもよい。地図上の複数の地点を通る適宜の経路は既存の手法を用いて設定することができる。例えば、グーグルマップのＡＰＩ（Application Programming Interface）を利用し、出発地、目的地、及び回収すべきゴミ箱２が存在する１又は複数の経由地を入力することにより、適宜の経路を設定することができる。

図１３はサーバ装置３が送信する地図データの一例を示す模式図である。図１３に示した例では、地図上に６つのゴミ箱２の位置及び各ゴミ箱２における廃棄物の量をアイコンにより示している。また、効率良く廃棄物を回収できる経路として、「Ｄ」により示されるゴミ箱２、「Ｂ」により示されるゴミ箱２、「Ｃ」により示されるゴミ箱２の順に廃棄物を回収する経路情報を示している。

以上のように、実施の形態５では、各ゴミ箱２における廃棄物の量をサーバ装置３にて管理することができるので、回収業者への回収指示を的確に与えることができる。

実施の形態１から実施の形態５では、ゴミ箱２に収容されている廃棄物の量又は種別を推定する構成について説明したが、推定対象はゴミ箱２に収容されている廃棄物の量又は種別に限定されず、ランドリーボックスに収容されている衣類の量又は種別を推定する構成としてもよい。また、宅配ボックス、冷蔵庫、郵便ポスト等の任意の収容器に収容される被収容物の量又は種別を推定する構成としてもよい。

今回開示された実施形態は、全ての点において例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上述した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。

１ 推定装置
１１ 入力部
１２ 制御部
１３ 記憶部
１４ 出力部
１５ 通信部
１１０ センサユニット
１３１，１３２ 学習モデル
１４０ 表示装置
Ｍ１ 記録媒体

Claims (23)

1. コンピュータに、
   廃棄物を収容する収容器内の状態を検知する検知センサからの出力データと、前記収容器内の廃棄物の量を示すラベルデータとを含む教師データを取得し、
   取得した教師データに基づき、前記検知センサの出力データから前記収容器内の廃棄物の量を推定する処理に用いられる学習モデルを生成する
   処理を実行させるためのコンピュータプログラム。
2. 前記出力データと、前記収容器内の廃棄物の種別を示すラベルデータとを含む第２の教師データを取得し、
   取得した第２の教師データに基づき、前記検知センサが出力する出力データから前記収容器内の廃棄物の種別を推定する処理に用いられる第２の学習モデルを生成する
   処理を実行させるための請求項１に記載のコンピュータプログラム。
3. 前記検知センサは、撮像センサ、重量センサ、測距センサ、臭気センサ、赤外線センサ、静電容量センサ、温度センサ、湿度センサ、及び照度センサのうち、少なくとも１つを含む
   請求項１又は請求項２に記載のコンピュータプログラム。
4. コンピュータに、
   前記廃棄物の種別に応じて複数の学習モデルを生成する
   処理を実行させるための請求項１に記載のコンピュータプログラム。
5. コンピュータに、
   前記収容器の種別に応じて複数の学習モデルを生成する
   処理を実行させるための請求項１に記載のコンピュータプログラム。
6. コンピュータに、
   前記教師データを再取得し、
   再取得した教師データに基づき、生成済みの学習モデルを再学習する
   処理を実行させるための請求項１から請求項５の何れか１つに記載のコンピュータプログラム。
7. コンピュータに、
   廃棄物を収容する収容器内の状態を検知する検知センサからの出力データと、前記収容器内の廃棄物の量を示すラベルデータとを含む教師データに基づき、前記出力データと前記廃棄物の量との関係を学習した学習モデルへ、新たに取得した前記検知センサからの出力データを入力し、
   前記学習モデルから前記収容器内の廃棄物の量に係る推定結果を取得する
   処理を実行させるためのコンピュータプログラム。
8. 廃棄物を収容する収容器内の状態を検知する検知センサからの出力データが入力される入力層、
   前記出力データと前記収容器内の廃棄物の量を示すラベルデータとを含む教師データに基づき、前記出力データと前記廃棄物の量との関係を学習した中間層、及び
   前記収容器内の廃棄物の量を示す推定結果を出力する出力層
   を備え、
   前記入力層に入力される前記検知センサからの出力データに基づき、前記中間層で演算し、前記廃棄物の量を示す推定結果を前記出力層から出力する処理に用いられる学習モデル。
9. 廃棄物を収容する収容器内の状態を検知する検知センサからの出力データが入力される入力部と、
   前記検知センサからの出力データと前記収容器内の廃棄物の量を示すラベルデータとを含む教師データを用いて、前記出力データと前記廃棄物の量との関係を学習した学習モデルと、
   前記検知センサからの出力データを前記学習モデルに入力し、前記収容器内の廃棄物の量を推定する推定部と
   を備える推定装置。
10. 前記出力データと前記収容器内の廃棄物の種別を示すラベルデータとを含む第２の教師データを用いて、前記出力データと前記廃棄物の種別との関係を学習した第２の学習モデル
    を備え、
    前記推定部は、前記検知センサからの出力データを前記第２の学習モデルに入力し、前記収容器内の廃棄物の種別を推定する
    請求項９に記載の推定装置。
11. 前記検知センサは、撮像センサ、重量センサ、測距センサ、臭気センサ、赤外線センサ、静電容量センサ、温度センサ、湿度センサ、及び照度センサのうち、少なくとも１つを含む
    請求項９又は請求項１０に記載の推定装置。
12. 前記推定部による推定結果を外部装置へ送信する送信部
    を備える請求項９から請求項１１の何れか１つに記載の推定装置。
13. 前記推定部による推定結果に基づき、前記収容器に収容されている廃棄物の量又は種別が適性であるか否かを判断する判断部と、
    前記収容器に収容されている廃棄物の量又は種別が適性でないと判断した場合、警報を出力する警報出力部と
    を備える請求項９から請求項１１の何れか１つに記載の推定装置。
14. 前記判断部による判断結果を外部装置へ送信する送信部
    を備える請求項１３に記載の推定装置。
15. 前記検知センサからの出力データと、前記収容器内の廃棄物の量又は種別を示すラベルデータとを含む教師データを取得する取得部と、
    取得した教師データに基づき、前記学習モデルを再学習する学習部と
    を備える請求項９から請求項１４の何れか１つに記載の推定装置。
16. 前記検知センサからの出力データと、前記収容器内の廃棄物の量又は種別を示すラベルデータとを含む教師データに基づき学習した更新用学習モデルを受信する受信部と、
    前記学習モデルを、受信した前記更新用学習モデルに更新する更新部と
    を備える請求項９から請求項１５の何れか１つに記載の推定装置。
17. 太陽電池を備え、
    該太陽電池から供給される電力によって作動するように構成してある請求項９から請求項１６の何れか１つに記載の推定装置。
18. 廃棄物を収容する収容器本体と、
    該収容器本体の内部の状態を検知する検知センサと、
    該検知センサからの出力データと、前記収容器本体内の廃棄物の量を示すラベルデータとを含む教師データに基づき、前記出力データと前記廃棄物の量との関係を学習した学習モデルと、
    前記検知センサからの出力データを前記学習モデルに入力し、前記収容器本体内の廃棄物の量を推定する推定部と、
    該推定部による推定結果を外部装置へ送信する送信部と
    を備える収容器。
19. 収容器内の廃棄物の量又は種別を学習モデルを用いて推定し、前記収容器を特定する情報と、推定結果を示す情報とを送信する複数の推定装置と通信可能であり、
    各推定装置から送信される情報を受信する受信部と、
    該受信部にて受信した推定結果を示す情報を、収容器を特定する情報に関連付けて記憶する記憶部と
    を備えるサーバ装置。
20. 前記受信部にて受信した推定結果を示す情報に基づき、廃棄物の回収指示を出力する出力部
    を備える請求項１９に記載のサーバ装置。
21. 前記受信部は、前記収容器内の廃棄物が回収されたことを示す情報を受信し、
    受信した情報に基づき、収容器毎の廃棄物の回収履歴を前記記憶部に記憶させる
    請求項１９又は請求項２０に記載のサーバ装置。
22. 前記収容器を特定する情報は、前記収容器の位置情報を含み、
    前記収容器の位置情報に基づき、前記収容器における廃棄物の量又は種別の情報を地図上に重畳した地図データを生成する地図データ生成部
    を備える請求項１９から請求項２１の何れか１つに記載のサーバ装置。
23. 各収容器内の廃棄物を回収するための回収経路を設定する経路設定部
    を備える請求項１９から請求項２２の何れか１つに記載のサーバ装置。