JP2022132331A - 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 - Google Patents

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 Download PDF

Info

Publication number
JP2022132331A
JP2022132331A JP2022108352A JP2022108352A JP2022132331A JP 2022132331 A JP2022132331 A JP 2022132331A JP 2022108352 A JP2022108352 A JP 2022108352A JP 2022108352 A JP2022108352 A JP 2022108352A JP 2022132331 A JP2022132331 A JP 2022132331A
Authority
JP
Japan
Prior art keywords
waste
quality
data
new image
pit
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.)
Granted
Application number
JP2022108352A
Other languages
English (en)
Other versions
JP7539432B2 (ja
JP2022132331A5 (ja
Inventor
慶 松岡
Kei Matsuoka
隆宏 河内
Takahiro Kawachi
淳一 市川
Junichi Ichikawa
亜希子 横山
Akiko Yokoyama
俊之 梅澤
Toshiyuki Umezawa
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ebara Environmental Plant Co Ltd
Original Assignee
Ebara Environmental Plant Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from JP2017148374A external-priority patent/JP6554148B2/ja
Application filed by Ebara Environmental Plant Co Ltd filed Critical Ebara Environmental Plant Co Ltd
Priority to JP2022108352A priority Critical patent/JP7539432B2/ja
Publication of JP2022132331A publication Critical patent/JP2022132331A/ja
Publication of JP2022132331A5 publication Critical patent/JP2022132331A5/ja
Priority to JP2024036511A priority patent/JP2024061802A/ja
Application granted granted Critical
Publication of JP7539432B2 publication Critical patent/JP7539432B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Incineration Of Waste (AREA)
  • Processing Of Solid Wastes (AREA)
  • Refuse Collection And Transfer (AREA)
  • Control And Safety Of Cranes (AREA)
  • Image Analysis (AREA)

Abstract

【課題】さまざまな質の廃棄物が混在しているごみピット内において、学習モデルを用いて、ごみピット内の廃棄物の質を推定する装置を提供する。【解決手段】ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを生成する教師データ生成部と、教師データを用いた学習によって、モデルを構築するモデル構築部と、ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを、モデルに入力して、新たな画像に対応する廃棄物の質を表す値を取得する推定部を備える装置。【選択図】図３

Description

本発明は、廃棄物処理プラントにおいて廃棄物の質を推定する装置、システム、プログ
ラム、及び方法に関する。
廃棄物処理プラントでは、家庭ごみや粗大破砕ごみ、剪定枝、汚泥など、さまざまな質
を持った廃棄物がごみピット内に投入される。これらのさまざまな質を持った廃棄物は一
緒に焼却炉に投入されて、焼却炉内で焼却処理される。しかしながら、焼却炉内に投入さ
れる廃棄物の質が急激に変化すると、焼却の際に、焼却炉内部の温度が急変する、あるい
はダイオキシン等の有害ガスや物質が発生して環境問題になることがある。
そこで、例えば特許文献１では、ごみピットに投入される一般ごみと異質ごみを色調に
より識別し、クレーンを制御してピット内の廃棄物を攪拌して廃棄物の質の均一化を図っ
ている。
しかしながら、特許文献１に記載の技術では、例えば厨芥（ちゅうかい）ごみとプラス
チック類等の質が違うが色調が近いごみの識別や、布団類等の質が同じであるが色調が一
定でない廃棄物の質の識別は困難であった。
特許第５０２５１２０号明細書
本技術は上述の点に鑑みてなされたものであり、質が違うが色調が近い廃棄物や、質が
同じであるが色調が異なる廃棄物が混在していても、廃棄物の質を推定することのできる
装置、システム、プログラム、及び方法を提供することを目的の１つとする。
〔形態１〕形態１によれば、ごみピット内に貯留される廃棄物を撮像した画像に対応付け
られた教師データを生成する、教師データ生成部と、前記教師データを用いた学習によっ
て、モデルを構築するモデル構築部と、ごみピット内に貯留される廃棄物を撮像した新た
な画像のデータを、前記モデルに入力して、前記新たな画像に対応する廃棄物の質を表す
値を取得する推定部と、を備える装置が提供される。
〔形態２〕形態２によれば、形態１に記載の装置において、前記推定部は、さらに前記廃
棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に
対応する廃棄物の質を表す値を出力し、出力された廃棄物の質を表す値を、前記ブロック
の各々に対応付けた推論マップを生成する。
〔形態３〕形態３によれば、形態２に記載の装置において、前記装置は、さらに、前記推
論マップに基づいて、クレーンの制御を行うクレーン制御装置に対する指示、あるいは焼
却炉の制御を行う燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部を備
える。
〔形態４〕形態４によれば、形態３に記載の装置において、前記クレーン制御装置に対す
る指示は、クレーンに対し前記ごみピット内の廃棄物を移動させる指示であり、前記燃焼
制御装置に対する指示は、焼却炉に投入された廃棄物を燃焼させるのに必要な指示である
。
〔形態５〕形態５によれば、形態１から４のいずれか１つの形態の装置において、前記教
師データは、廃棄物処理プラントの運転履歴に基づいて特定された廃棄物の特性を示す値
と、ごみピット内の廃棄物の画像データを元に作業者が廃棄物の質を分類したラベルとの
うち少なくとも一方から収集される。
〔形態６〕形態６によれば、形態１から５のいずれか１つの形態の装置において、前記廃
棄物の質を表す値は、前記廃棄物の燃えやすさを示す指標である。
〔形態７〕形態７によれば、廃棄物処理プラントシステムであって、ごみピット内に貯留
される廃棄物を撮像した画像に対応付けられた教師データを生成する、教師データ生成部
と、前記教師データを用いた学習によって、モデルを構築するモデル構築部と、ごみピッ
ト内に貯留される廃棄物を撮像した新たな画像を、複数のブロックに分割し、ブロック毎
の新たな画像のデータを、前記モデルに入力して、前記新たな画像に対応する廃棄物の質
を表す値を、各前記ブロックに対応付けた推論マップを生成する推定部と、前記推論マッ
プに基づいて、クレーンの制御を行うクレーン制御装置に対する指示、あるいは焼却炉の
制御を行う燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と、を備え
る、システムが提供される。
〔形態８〕形態８によれば、廃棄物処理プラントのごみピット内に貯留される廃棄物の質
を推定する方法であって、ごみピット内に貯留される廃棄物を撮像した画像に対応付けら
れた教師データを生成するステップと、前記教師データを用いた学習によって、モデルを
構築するステップと、ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを
、前記モデルに入力して、前記新たな画像に対応する廃棄物の質を表す値を取得するステ
ップと、を備える方法が提供される。
〔形態９〕形態９によれば、形態８に記載の方法を、前記廃棄物処理プラントに備えられ
たプロセッサに実行させるためのプログラムが提供される。
〔形態１０〕形態１０によれば、廃棄物処理プラントの動作を制御する装置が、廃棄物処
理プラント内のごみピット内に貯留される廃棄物の画像に対応する廃棄物の質を推定する
ために用いる、データ構造であって、当該データ構造は、前記廃棄物処理プラントの運転
履歴から生成された廃棄物の質を表す値と、当該廃棄物の質を表す値に対応する廃棄物の
画像とを含む教師データを含み、前記装置は、前記教師データを用いた学習によって、前
記ごみピット内に貯留される廃棄物の新たな画像に対応する廃棄物の質を推定することを
特徴とする、データ構造が提供される。
一実施形態に係る廃棄物処理プラントの概略図である。 一実施形態に係る廃棄物処理プラントシステムの概略構成図である。 一実施形態に係る廃棄物処理プラントの情報処理装置の機能構成図である。 出力データと、ごみピット内の位置との対応を示す、推論マップの一構成例である。 一実施形態による廃棄物処理プラントシステムの動作を示すフローチャートである。
以下、本発明の実施形態について図面を参照して詳しく説明する。
図１は、一実施形態による廃棄物処理プラントの概略図を示しており、図１において、
１は廃棄物を焼却する焼却炉、２は廃熱ボイラ、３はごみを貯留しておくピット、４はホ
ッパ、５はごみをピット３からホッパ４に移すためのクレーン、６はピット３内に貯留し
た廃棄物の表面を撮影する撮像装置である。また、図１において、２１はプラットホーム
であり、該プラットホーム２１からごみ収集車２２で収集されたごみがごみピット３内に
投入される。
図２は、図１に示す廃棄物処理プラントの動作を制御するシステム１００の構成図を示
す。廃棄物処理プラントシステム１００は、撮像装置６が撮影した画像データを用いて、
廃棄物の質を表す値を推定し、推定された廃棄物の質を表す値に基づいて、廃棄物処理プ
ラントの動作を制御するよう構成されたシステムである。廃棄物処理プラントシステム１
００は、情報処理装置２００と、ごみピット３（図１に示す）内を撮影する撮像装置６と
、クレーン制御装置１１０と、燃焼制御装置１２０とを備える。情報処理装置２００は、
例えば廃棄物処理プラント内に付設された構内ＬＡＮ等のネットワークを介して、撮像装
置６と、クレーン制御装置１１０と、燃焼制御装置１２０とに、相互に通信可能に接続さ
れている。情報処理装置２００は、例えば、パーソナルコンピュータや、ワークステーシ
ョン、サーバ装置で構成されてもよいし、タブレット端末などの携帯型コンピュータによ
って構成されてもよい。なお、この構成は一例であり、本発明を適用できる構成は図２に
示すものに限られない。例えば、撮像装置６、クレーン制御装置１１０と、燃焼制御装置
１２０と、情報処理装置２００とは２つ以上あっても構わない。
撮像装置６は、ごみピット３内に堆積した廃棄物の表面を撮影し、ピット３内の画像デ
ータを取得する装置である。撮像装置６は、例えば、廃棄物の形状及び色彩画像を撮影す
るＲＧＢカメラ、廃棄物の近赤外線画像を撮影する近赤外線カメラ、廃棄物の３次元画像
を撮影する３ＤカメラまたはＲＧＢ－Ｄカメラである。
情報処理装置２００は、主たる構成要素として、プロセッサ２０２と、メモリ２０４と
、通信インターフェース２０６と、ストレージ２０８とを備える。ある態様において、情
報処理装置２００は、撮像装置６から送信されたごみピット３内の画像データに基づいて
、学習モデルに与える教師データを生成する。情報処理装置２００において実行される機
能の詳細については、図３を用いて後述する。
プロセッサ２０２は、メモリ２０４に格納されたプログラムを読み出して、それに従っ
た処理を実行するように構成される。プロセッサ２０２がメモリ２０４に格納されたプロ
グラムを実行することによって、後述する処理の各機能が実現される。ある態様において
、プロセッサ２０２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、
ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｏｒ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏ
ｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等のデバイスとして実現される。
メモリ２０４は、プログラム及びデータを一時的に保存する。プログラムは、例えば、
ストレージ２０８からロードされる。データは、情報処理装置２００に入力されたデータ
と、プロセッサ２０２によって生成されたデータと、ストレージ２０８からロードされた
データとを含む。ある態様において、メモリ２０４は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅ
ｓｓ Ｍｅｍｏｒｙ）等の揮発性メモリとして実現される。メモリ２０４に格納されるデ
ータは、撮像装置６により撮影された廃棄物の画像データ、廃棄物の画像データに基づい
て生成される教師データ等を含む。
通信インターフェース２０６は、撮像装置６と、クレーン制御装置１１０と、燃焼制御
装置１２０と、情報処理装置２００との間で信号を通信する。ある態様において、例えば
、通信インターフェース２０６は、撮像装置６から出力された画像データを受信する。別
の態様において、通信インターフェース２０６は、プロセッサ２０２が生成した指示を、
クレーン制御装置１１０、あるいは燃焼制御装置１２０へ送る。
ストレージ２０８は、プログラム及びデータを永続的に保持する。ストレージ２０８は
、例えば、ＲＯＭ（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ハードディスク装置、フラッ
シュメモリ等の不揮発性記憶装置として実現される。ストレージ２０８に格納されるプロ
グラムは、例えば、撮像装置６により撮影された廃棄物の画像データに基づいて教師デー
タを生成させるためのプログラム、クレーン制御装置１１０、あるいは燃焼制御装置１２
０に指示を与えためのプログラムを含む。ストレージ２０８には、例えば、廃棄物処理プ
ラントの運転履歴が時系列に記憶されている。廃棄物処理プラントの運転履歴は、廃棄物
処理プラントに取り付けられた複数のセンサ等のデバイス、例えば焼却炉１（図１に示す
）内の温度を感知する温度センサ、によって測定されたローデータを含む。また、ストレ
ージ２０８は、データベース２０９を備え、データベース２０９には、例えば、廃棄物処
理プラントの運転履歴に基づいて得られたプロセスデータが時系列に記憶されている。な
お、プロセスデータは、メモリ２０４に記憶されてもよい。
クレーン制御装置１１０は、クレーン５（図１に示す）の動作を制御する装置である。
クレーン制御装置１１０は、情報処理装置２００から送信された指示に従って、クレーン
５にごみピット３内の廃棄物を攪拌する動作を行わせる、あるいはごみピット３内の廃棄
物をホッパ４（図１に示す）に搬送させる。ごみピット３内の廃棄物の攪拌とは、ごみピ
ット３内のあるブロックに積まれている廃棄物の一部分をクレーン５で掴んで、ごみピッ
ト３内の別のブロックへ移動する、あるいはクレーン５で掴んだ廃棄物を再び同一ブロッ
クに落とすことである。廃棄物の攪拌を繰り返し行うことで、ごみピット３内のごみを均
質に混ぜることができる。これにより、焼却炉１での廃棄物の燃え方を均質にすることが
できる。
燃焼制御装置１２０は、焼却炉１（図１に示す）の燃焼制御を行う装置である。燃焼制
御装置１２０は、情報処理装置２００から送信された指示に従って、焼却炉１における燃
焼時間や燃焼温度を制御する、あるいは焼却炉１内に送る空気量を制御する。
図３は、本発明の一実施形態に係る情報処理装置２００の機能的な構成を示すブロック
図である。本実施形態にかかる情報処理装置２００は、教師データ生成部２２０と、モデ
ル構築部２３０と、画像取得部２４０と、推定部２５０と、指示部２６０とを備える。各
部２２０から２６０は、図２に示すプロセッサ２０２がメモリ２０４内のコンピュータプ
ログラムを読み出して実行することによって実現される機能を表す。
本実施形態によると、廃棄物処理プラントの運転履歴に含まれる廃棄物の画像データ等
から教師データを生成し、当該廃棄物の画像データと、該教師データとのセットを複数収
集して、これらを機械学習することにより、学習モデルを構築する。そして、構築された
学習モデルに、推定対象となる廃棄物の画像データを入力して、出力（推論結果）を取得
し、該出力に基づいて推論マップを生成する。また、推論マップに基づいて、クレーン制
御装置１１０（図２に示す）、および燃焼制御装置１２０（図２に示す）へ指示を与える
。以下に、各部２２０～２６０の動作等について詳細に説明する。
教師データ生成部２２０は、学習モデルに与える教師データを生成する。教師データ生
成部２２０は、予め定められたデータベース２０９（図２に示す）に時系列に記憶された
廃棄物処理プラントの過去、あるいは現在の運転履歴から、教師データを生成する。デー
タベース２０９には、撮像装置６により撮像されたごみピット３内の廃棄物の画像データ
と、該廃棄物の画像データに対応するプロセスデータとが、時系列に格納されている。教
師データ生成部２２０は、データベース２０９から、ごみピット３内の廃棄物の画像デー
タに対応するプロセスデータを読み出しし、該プロセスデータから学習のための教師デー
タを生成する。ごみピット３内の廃棄物の画像データと、プロセスデータとは、例えば、
これらが取得される時刻で対応付けられる。すなわち、過去の廃棄物の画像データには、
過去のプロセスデータが対応付けられる。プロセスデータから生成される教師データは、
廃棄物の質を表す値を含む。廃棄物の質を表す値は、廃棄物の燃えやすさ、あるいは燃え
にくさを示す指標である。プロセスデータは、廃棄物処理プラントの運転履歴に基づいて
収集される廃棄物の特性を示すデータと、廃棄物処理プラントの運転履歴を元に作業者が
廃棄物の質を分類したラベルとのうち少なくとも一方を備える。
廃棄物の特性を示すデータは、例えば、ピット３内に投入された廃棄物の重量（ｋｇ・
ｍ／ｓ２）、密度（ｋｇ／ｍ３）、ピット３内に投入された廃棄物に含まれる水分量（ｋ
ｇ）、あるいは廃棄物を燃やしたときに発生する発熱量（ｋＪ／ｋｇ）である。重量が小
さい、密度が低い、水分量が少ない、発熱量が大きいことは、廃棄物が燃えやすいことを
示す。一般に、密度が低いほど廃棄物は燃えやすい。従って、同じ体積を有するが、重量
が小さい廃棄物は燃えやすい。クレーン５が掴むことのできる廃棄物の体積はほぼ同じで
あるため、クレーン５が掴む廃棄物の重量が測定されれば、当該廃棄物の燃えやすさを判
定することができる。
また、例えば、データベース２０９には、廃棄物処理プラントの過去の運転履歴に基づ
く、廃棄物の特性を示すデータが予め記録されている。一例として、データベース２０９
には、過去の所定期間（例えば３年間）にわたる、廃棄物処理プラントの月ごとの発熱量
の情報が予め記憶されている。データベース２０９に記憶されている月ごとの発熱量の履
歴情報を参照することにより、ごみピット３内の廃棄物の画像に示される廃棄物が、ごみ
ピット３へ投入されたときの、実際の廃棄物の発熱量を特定することができる。
本態様においては、ごみピット３内の廃棄物の画像データは、該廃棄物の画像に示され
る廃棄物が、ごみピット３に投入されたときに特定された廃棄物の特性を示すデータに対
応付けられる。そして、教師データ生成部２２０は、特定された廃棄物の特性を示すデー
タを整形等して、廃棄物の画像データに対応する、当該廃棄物の質を表す教師データを生
成する。
一方、廃棄物の質を分類したラベルは、データベース２０９に格納された過去の廃棄物
の画像のデータを元に、作業者が、当該画像に示される廃棄物の質を目視により分類する
ことによって特定される。例えば、作業者が、画像に示される廃棄物が、高質ごみで構成
されると判断した場合、ラベル「Ｈ」を割り当て、基準ごみで構成されると判断した場合
、ラベル「Ｍ」を割り当て、低質ごみで構成されると判断した場合、ラベル「Ｌ」を割り
当てる。割り当てられたラベルは、不図示の入力インターフェースを介して、情報処理装
置２００へ入力され、データベース２０９へ記憶される。
本態様においては、撮像装置６により撮像されたごみピット３内の廃棄物の画像データ
から、作業者が目視で廃棄物の質を分類したラベルが、教師データとして収集される。
このように、教師データ生成部２２０は、廃棄物処理プラントの運転履歴から、ごみピ
ット３内の廃棄物の画像に対応するプロセスデータを取得し、該プロセスデータから教師
データを生成する。教師データ生成部２２０は、廃棄物の画像のデータと、該廃棄物の画
像に対応する、廃棄物の質を表す値を含む教師データとのセットを複数収集し、学習デー
タとしてメモリ２０４へ格納する。
なお、教師データ生成部２２０は、データベース２０９に格納された過去の廃棄物の画
像データの画像を複数のブロックに分割し、分割されたブロック毎に、当該画像に対応す
るプロセスデータを取得し、該取得されたプロセスデータから教師データを生成してもよ
い。この場合、教師データ生成部２２０は、一例として、分割されたブロック個々にブロ
ック番号を割り当てて、該ブロック番号と共に、廃棄物の質を表す値をメモリ２０４へ格
納する。従って、教師データ生成部２２０は、ピット３内のどのブロックにある廃棄物が
、どのくらい燃えやすいかを示す教師データのマップを生成することができる。
モデル構築部２３０は、生成した教師データを機械学習することによりモデル（関数）
を構築する。モデルは、新しい入力が来たときに、それに対応する正しい出力をするよう
構築される。モデル構築部２３０は、所定の関数ｙ＝ｆ（ｘ、θ）を有している。ここで
、入力ｘは、ごみピット３内の廃棄物の画像データ、出力ｙは、廃棄物の質を表す値、θ
はこの関数の内部パラメータである。モデル構築部２３０は、入力ｘと出力ｙとのセット
を複数与えて、機械学習させることにより、正しい出力が得られるよう内部パラメータθ
を調整する。機械学習のために与えられる入力ｘは、教師データ生成部２２０により生成
された、廃棄物処理プラントの運転履歴から収集されたごみピット３内の廃棄物の画像デ
ータであり、出力ｙは、該入力ｘに対応する教師データである。機械学習のために入力ｘ
として与えられるごみピット３内の廃棄物の画像データの画像には、様々な形状や様々な
色調を有する廃棄物が示される。モデル構築部２３０は、これらの様々な画像のデータと
、当該様々な画像のデータに対応する教師データとの複数のセットを機械学習することで
、画像データと、教師データとの関係を見つけ出し、モデルの内部パラメータθを調整す
る。これにより、モデルは、これまで与えられた入力ｘとは異なる新たな入力が与えられ
ても、新たな入力に対応する正しい出力をするよう構成される。なお、学習に用いるアル
ゴリズムとしては、線形回帰、ボルツマンマシン、ニューラルネットワーク、サポートベ
クターマシン、ベイジアンネットワーク、スパース回帰、決定木、ランダムフォレストを
用いた統計的推定、強化学習、深層学習の内の少なくとも１つがある。
画像取得部２４０は、構築されたモデルに入力するための、ごみピット３内の廃棄物の
画像データを取得する。画像取得部２４０は、撮像装置６からごみピット３内の廃棄物の
画像データを定期的に、若しくはクレーン５のピット３内への廃棄物の投入要求などをト
リガーとして、受信し、メモリ２０４へ格納する。
推定部２５０は、メモリ２０４から新たな廃棄物の画像データを取得し、構築されたモ
デルに、該新たな廃棄物の画像データを入力して、出力データを取得する。出力データは
、該新たな画像データに対応する、廃棄物の質を表す値であり、例えば廃棄物の特性を示
すデータである。
推定部２５０は、さらに、取得された出力データと、該出力データのごみピット３内に
おける位置との対応を示す推論マップを生成してもよい。推定部２５０は、画像取得部２
４０により取得された新たな画像を複数のブロックに分割し、該複数のブロックに分割さ
れた新たな画像のデータのそれぞれを、構築されたモデルに入力して、ブロックごとに出
力データを得る。図４は、ごみピット３の表面を複数のブロック４０２に分割して構成さ
れる推論マップ４００の一例を示す。図４の例では、ごみピット３内の表面は横４、縦１
２に分割されており、推論マップ４００は計４８のブロック４０２から構成される。なお
、推定部２５０は、過去に生成されたマップを用いることで、推論マップを３次元的に生
成することもできる。
推論マップ４００を構成する各ブロック４０２には、一例として、出力データが示され
る。図４に示す例では、出力データは廃棄物の燃えやすさを示す指標(図４では無単位)で
ある。例えば、図４に示す指標の値が大きいほど、廃棄物が燃えやすいことを示す。各ブ
ロック４０２に記される出力データは、図４に示すものに限られず、他のもの、例えば、
廃棄物の重量（ｋｇ・ｍ／ｓ２）、密度（ｋｇ／ｍ３）、廃棄物の水分量（ｋｇ）、発熱
量（ｋＪ／ｋｇ）であってもよいし、これらの任意の組み合わせであってもよい。推論マ
ップ４００を構成する各ブロック４０２に示される出力データは複数あってもよい。推論
マップ４００は、画像取得部２４０により取得された画像データに変化がある度に、ある
いは、一定期間毎に更新／記録される。また、推論マップ４００は不図示のディスプレイ
に視覚的に表示されてもよい。
また、推論マップ４００を構成する各ブロック４０２には、出力データそのものではな
く、出力データに基づいて抽出される値（ラベル、フラグなど）が示されてもよい。例え
ば、各ブロック４０２には、出力データの大きさに基づいて分類されたラベルが示される
。一例として、出力データが、廃棄物の水分量である場合、水分量が大きいものにラベル
「Ｌ（あるいは低質ゴミ）」、水分量が平均的なものにラベル「Ｍ（あるいは基準ごみ）
」、水分量が小さいものにラベル「Ｈ（あるいは高質ごみ）」を割り当てる。また、例え
ば、各ブロック４０２には、出力データの大きさに基づいて求められたフラグが示される
。一例として、出力データが、発熱量である場合、廃棄物の発熱量が一定以上であり焼却
炉１への投入に適すると判定された場合、フラグ「ＯＫ」、発熱量が一定未満であり焼却
炉１への投入に適さないと判定された場合、フラグ「ＮＧ」を割り当てる。また、１つの
ブロック４０２に対応する出力データが複数ある場合、これらの複数の出力データから、
各ブロック４０２に示される値を新たに抽出してもよい。
本技術によると、新しい画像データが入力されたときに、それに対応する正しい値（廃
棄物の質を表す値）を出力するよう構築されたモデルを用いて、新たな画像データに対応
する廃棄物の質を推定する。従って、廃棄物の新しい画像データを収集して、これらの画
像データを学習モデルに入力することで、新しい画像データに対応する廃棄物の質の推定
を行うことができる。さらに、色調が近くても質が異なる廃棄物や、一定の色調を持たな
くても質が同じ廃棄物が、ピット３内に混在していても、色調のみから廃棄物の質を推定
する場合と比較して、より高い精度で廃棄物の質を推定することができる。また、本技術
によると、学習モデルを用いて機械的に廃棄物の質の推定を行うので、熟練の作業者がい
なくても、廃棄物の質の推定を行うことができる、あるいはこれまで廃棄物の質を目視で
行っていた作業員の判断の確からしさをサポートすることができる。さらに、新しい画像
データとそれに対応するプロセスデータを用いて定期的に追加学習、再学習を行うことで
、経年による廃棄物の質の変化に対応することもできる。
また、本技術によると、ごみピット３内を複数のブロック４０２に分割し、ブロック４
０２毎に、廃棄物の質を表す値等が示された推論マップ４００が生成される。作業者ある
いは情報処理装置２００は、推論マップ４００を参照することにより、ごみピット３内の
廃棄物が、ブロック４０２毎にどのような質を有しているかを把握することができる。従
って、廃棄物の質の位置的な分布を把握することができる。
指示部２６０は、推論マップ４００に基づいて、クレーン制御装置１１０（図２に示す
）へ指示を与える。より具体的には、指示部２６０は、推論マップ４００に基づいて、ご
みピット３内のどのブロックからどのブロックへ廃棄物を移動させるべきかを示す指示、
あるいはごみピット３内のどのブロックの廃棄物を焼却炉１（図１に示す）へ投入させる
べきかを示す指示を作成し、クレーン制御装置１１０へ送信する。クレーン制御装置１１
０は、該指示に従って、クレーン５によるごみピット３内の廃棄物の移動を制御する。指
示部２６０は、推論マップ４００に示される値を用いて、ピット３内の廃棄物の質が均一
になるように、あるいは、前回焼却炉１へ投入した廃棄物の質と近くなるように、廃棄物
の移動を指示する。
また、指示部２６０は、推論マップ４００に基づいて、燃焼制御装置１２０（図２に示
す）へ指示を与える。より具体的には、指示部２６０は、推論マップ４００内のどのブロ
ックの廃棄物が焼却炉１へ投入されたかの投入情報と、当該ブロックに示される値、例え
ば出力データとを用いて、焼却炉１において、投入された廃棄物の燃焼に必要な指示を作
成し、燃焼制御装置１２０へ送信する。燃焼制御装置１２０は、該指示に従って、焼却炉
１に投入された廃棄物の質に適した燃焼温度、燃焼時間、空気量となるよう、焼却炉１の
燃焼制御を行う。
なお、上記した発明の実施の形態は、本発明を限定するものではない。例えば、指示部
２６０は、情報処理装置２００ではなく、他の装置、一例としてクレーン制御装置１１０
に備えられてもよい。この場合、情報処理装置２００で生成される推論マップ４００を、
クレーン制御装置１１０へ送信し、クレーン制御装置１１０が、推論マップ４００上のど
のブロックにある廃棄物を焼却炉１へ投入するかの指示を生成して、クレーン５の動作を
制御する。そして、クレーン制御装置１１０は、廃棄物の焼却炉１へ投入された廃棄物の
ブロック位置情報と、ブロックに示される値とを用いて、燃焼制御装置１２０に対する制
御指示を生成する。
あるいは、指示部２６０は、一例としてクレーン制御装置１１０と、燃焼制御装置１２
０の両方に備えられてもよい。この場合、情報処理装置２００で生成される推論マップ４
００を、クレーン制御装置１１０へ送信し、クレーン制御装置１１０が、推論マップ４０
０上のどのブロックにある廃棄物を焼却炉１へ投入するかの指示を生成して、クレーン５
の動作を制御する。そして、燃焼制御装置１２０は、情報処理装置２００から推論マップ
４００を受信し、クレーン制御装置１１０から焼却炉１へ投入された廃棄物のブロック位
置情報を受信する。燃焼制御装置１２０は、廃棄物の焼却炉１へ投入された廃棄物のブロ
ック位置情報と、ブロックに示される値とを用いて、焼却炉１の制御指示を生成する。
図５は、一実施形態による廃棄物処理プラントシステム１００の動作を示すフローチャ
ート５００である。
ステップＳ５１０において、教師データ生成部２２０は、データベース２０９（図２に
示す）に格納された廃棄物処理プラントの運転履歴を、メモリ２０４（図２に示す）へロ
ードする。そして、メモリ２０４にロードされた廃棄物処理プラントの運転履歴から、ご
みピット３内の廃棄物の画像データに対応するプロセスデータを収集し、該プロセスデー
タに基づいて教師データを生成する。
ステップＳ５２０において、モデル構築部２３０は、ごみピット３内の廃棄物の画像デ
ータと、ステップＳ５１０で生成された当該画像データに対応する教師データとを用いた
教師ありの学習によって、モデル構築部２３０が有する関数の内部パラメータが調整され
たモデルを構築する。
ステップＳ５３０において、画像取得部２４０は、撮像装置６により撮像されたごみピ
ット３内の廃棄物の画像データを取得する。
ステップＳ５４０において、推定部２５０は、画像取得部２４０により取得されたごみ
ピット３内の廃棄物の画像データを、１以上のブロックに分割する。そして、推定部２５
０は、分割された画像データのそれぞれを、ステップＳ５２０にて構築されたモデルに入
力して、ブロックごとに出力データを得る。
ステップＳ５５０において、推定部２５０は、ステップＳ５４０にて取得されたブロッ
ク毎の出力データによって特定された廃棄物の質を表す値を、各ブロックに対応付けて、
推論マップ４００を生成する。
ステップＳ５６０において、指示部２６０は、ステップＳ５５０にて生成された推論マ
ップ４００に基づいて、クレーン制御装置１１０、あるいは燃焼制御装置１２０へ動作指
示を与える。
以上、本発明の実施の形態について説明してきたが、上記した発明の実施の形態は、本
発明の理解を容易にするためのものであり、本発明を限定するものではない。本発明は、
その趣旨を逸脱することなく、変更、改良され得るとともに、本発明にはその均等物が含
まれることはもちろんである。また、上述した課題の少なくとも一部を解決できる範囲、
または、効果の少なくとも一部を奏する範囲において、実施形態および変形例の任意の組
み合わせが可能であり、特許請求の範囲および明細書に記載された各構成要素の任意の組
み合わせ、または、省略が可能である。
１…焼却炉、３…ピット、４…ホッパ、５…クレーン、６…撮像装置、１００…廃棄物処
理プラントシステム、１１０…クレーン制御装置、１２０…燃焼制御装置、２００…情報
処理装置、２０２…プロセッサ、２０４…メモリ、２０６…通信インターフェース、２０
８…ストレージ、２０９…データベース、２２０…教師データ生成部、２３０…モデル構
築部、２４０…画像取得部、２５０…推定部、２６０…指示部、４００…推論マップ

Claims (28)

  1. ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定部を備え、
    前記推定部は、
    前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力データとして出力し、
    出力された廃棄物の質を表す値に応じた情報を、前記ブロックの各々に対応付けた推論マップを生成し、
    前記新たな画像のデータに変化がある度に、あるいは、一定期間毎に、前記推論マップを更新および／または記録する、
    ことを特徴とする装置。
  2. 前記推定部は、出力された廃棄物の質を表す値から、値の大きさに基づいて分類されたラベルと、値の大きさに基づいて求められた、焼却炉への投入適否を判定したフラグとのうちの少なくとも一方を抽出し、抽出されたラベルおよびフラグのうちの少なくとも一方を、前記ブロックの各々に対応付けることにより前記推論マップを生成する、
    ことを特徴とする請求項１に記載の装置。
  3. １つのブロックに対応する出力データが複数ある場合、前記推定部は、ブロック毎に、当該ブロックに対応する複数の出力データから、当該ブロックに示される前記ラベルおよび前記フラグのうちの少なくとも一方を抽出する、
    ことを特徴とする請求項２に記載の装置。
  4. 前記推定部は、さらに、
    過去に生成された前記推論マップに基づいて推論マップを３次元的に生成する、
    ことを特徴とする請求項１から３のいずれか１項に記載の装置。
  5. 前記教師データを用いた学習によって、前記モデルを構築するモデル構築部
    をさらに備えたことを特徴とする請求項１から４のいずれか１項に記載の装置。
  6. 前記モデル構築部は、前記廃棄物を撮像した新たな画像とそれに対応するプロセスデータを用いて定期的に追加学習または再学習する機能を有する、
    ことを特徴とする請求項５に記載の装置。
  7. 前記装置は、さらに
    前記推論マップに基づいて、クレーンの制御を行うクレーン制御装置に対する指示、あるいは焼却炉の制御を行う燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部を備える、請求項１から６のいずれか１項に記載の装置。
  8. 前記クレーン制御装置に対する指示は、クレーンに対し前記ごみピット内の廃棄物を移動させる指示であり、前記燃焼制御装置に対する指示は、焼却炉に投入された廃棄物を燃焼させるのに必要な指示である、請求項７に記載の装置。
  9. 前記教師データは、前記ごみピット内に貯留される廃棄物を撮像した画像を複数のブロックに分割し、分割されたブロック毎に取得された、当該画像に対応する廃棄物処理プラントのプロセスデータから生成される、
    ことを特徴とする、請求項１から８のいずれか１項に記載の装置。
  10. 前記プロセスデータは、前記廃棄物処理プラントの運転履歴に基づいて収集される廃棄物の特性を示すデータと、廃棄物処理プラントの運転履歴を元に作業者が廃棄物の質を分類したラベルとのうち少なくとも一方を備える、
    ことを特徴とする請求項９に記載の装置。
  11. 前記廃棄物の質を表す値は、前記廃棄物の燃えやすさを示す指標である、請求項１から１０のいずれか１項に記載の装置。
  12. 前記ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた前記教師データを生成する、教師データ生成部
    をさらに備えたことを特徴とする請求項１から１１のいずれか１項に記載の装置。
  13. 廃棄物処理プラントシステムであって、
    クレーンの制御を行うクレーン制御装置と、
    焼却炉の制御を行う燃焼制御装置と、
    ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像を複数のブロックに分割することによって得られた、ブロック毎の新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を、各前記ブロックに対応付けた推論マップを生成する推定部と、
    前記推論マップに基づいて、前記クレーン制御装置に対する指示、あるいは前記燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と
    を備え、
    前記推定部は、前記新たな画像に対応する廃棄物の質を表す値から、値の大きさに基づいて分類されたラベルと、値の大きさに基づいて求められた、焼却炉への投入適否を判定したフラグとのうちの少なくとも一方を抽出し、抽出されたラベルおよびフラグのうちの少なくとも一方を、前記ブロックの各々に対応付けた推論マップを生成する、
    ことを特徴とするシステム。
  14. ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定ステップを含み、
    前記推定ステップでは、
    前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力し、
    出力された廃棄物の質を表す値を、前記ブロックの各々に対応付けた推論マップを生成し、さらに、
    前記推定ステップでは、出力された廃棄物の質を表す値から、値の大きさに基づいて分類されたラベルと、値の大きさに基づいて求められた、焼却炉への投入適否を判定したフラグとのうちの少なくとも一方を抽出し、抽出されたラベルおよびフラグのうちの少なくとも一方を、前記ブロックの各々に対応付けた推論マップを生成する、
    ことを特徴とする方法。
  15. 請求項１４に記載の方法を、廃棄物処理プラントに備えられたプロセッサに実行させるためのプログラム。
  16. 請求項１４に記載の方法をコンピュータに実行させるためのプログラム。
  17. 廃棄物処理プラントシステムであって、
    クレーンの制御を行うクレーン制御装置と、
    焼却炉の制御を行う燃焼制御装置と、
    ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像を複数のブロックに分割することによって得られた、ブロック毎の新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を、各前記ブロックに対応付けた推論マップを生成する推定部と、
    前記推論マップに基づいて、前記クレーン制御装置に対する指示、あるいは前記燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と
    を備え、
    前記推定部は、過去に生成された前記推論マップに基づいて推論マップを３次元的に生成する、
    ことを特徴とするシステム。
  18. ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定ステップを含み、
    前記推定ステップでは、
    前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力データとして出力し、
    出力された廃棄物の質を表す値を、前記ブロックの各々に対応付けた推論マップを生成し、さらに、
    前記推定ステップでは、過去に生成された前記推論マップに基づいて推論マップを３次元的に生成する、
    ことを特徴とする方法。
  19. 請求項１８に記載の方法を、廃棄物処理プラントに備えられたプロセッサに実行させるためのプログラム。
  20. 請求項１８に記載の方法をコンピュータに実行させるためのプログラム。
  21. 廃棄物処理プラントシステムであって、
    クレーンの制御を行うクレーン制御装置と、
    焼却炉の制御を行う燃焼制御装置と、
    ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像を複数のブロックに分割することによって得られた、ブロック毎の新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値に応じた情報を、各前記ブロックに対応付けた推論マップを生成する推定部と、
    前記推論マップに基づいて、前記クレーン制御装置に対する指示、あるいは前記燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と
    を備え、
    前記推定部は、前記新たな画像のデータに変化がある度に、あるいは、一定期間毎に、前記推論マップを更新および／または記録する、
    ことを特徴とするシステム。
  22. ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定ステップを含み、
    前記推定ステップでは、
    前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力し、
    出力された廃棄物の質を表す値に応じた情報を、前記ブロックの各々に対応付けた推論マップを生成し、
    前記推論マップは、前記新たな画像のデータに変化がある度に、あるいは、一定期間毎に更新および／または記録される、
    ことを特徴とする方法。
  23. 請求項２２に記載の方法を、廃棄物処理プラントに備えられたプロセッサに実行させるためのプログラム。
  24. 請求項２２に記載の方法をコンピュータに実行させるためのプログラム。
  25. 廃棄物処理プラントシステムであって、
    クレーンの制御を行うクレーン制御装置と、
    焼却炉の制御を行う燃焼制御装置と、
    ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像を複数のブロックに分割することによって得られた、ブロック毎の新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を、各前記ブロックに対応付けた推論マップを生成する推定部と、
    前記推論マップに基づいて、前記クレーン制御装置に対する指示、あるいは前記燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と、
    前記教師データを用いた学習によって、前記モデルを構築するモデル構築部と
    を備え、
    前記モデル構築部は、前記廃棄物を撮像した新たな画像とそれに対応するプロセスデータを用いて定期的に追加学習または再学習する、
    ことを特徴とするシステム。
  26. ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定ステップを含み、
    前記推定ステップでは、
    前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力データとして出力し、
    出力された廃棄物の質を表す値を、前記ブロックの各々に対応付けた推論マップを生成し、
    前記教師データを用いた学習によって、前記モデルを構築するモデル構築ステップをさらに含み、
    前記モデル構築ステップでは、
    前記廃棄物を撮像した新たな画像とそれに対応するプロセスデータを用いて定期的に追加学習または再学習する、
    ことを特徴とする方法。
  27. 請求項２６に記載の方法を、廃棄物処理プラントに備えられたプロセッサに実行させるためのプログラム。
  28. 請求項２６に記載の方法をコンピュータに実行させるためのプログラム。
JP2022108352A 2017-07-31 2022-07-05 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 Active JP7539432B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022108352A JP7539432B2 (ja) 2017-07-31 2022-07-05 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
JP2024036511A JP2024061802A (ja) 2017-07-31 2024-03-11 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

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017148374A JP6554148B2 (ja) 2017-07-31 2017-07-31 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造
JP2019125374A JP7311334B2 (ja) 2017-07-31 2019-07-04 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
JP2022108352A JP7539432B2 (ja) 2017-07-31 2022-07-05 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

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2019125374A Division JP7311334B2 (ja) 2017-07-31 2019-07-04 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

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2024036511A Division JP2024061802A (ja) 2017-07-31 2024-03-11 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

Publications (3)

Publication Number Publication Date
JP2022132331A true JP2022132331A (ja) 2022-09-08
JP2022132331A5 JP2022132331A5 (ja) 2023-04-26
JP7539432B2 JP7539432B2 (ja) 2024-08-23

Family

ID=87201227

Family Applications (3)

Application Number Title Priority Date Filing Date
JP2019125374A Active JP7311334B2 (ja) 2017-07-31 2019-07-04 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
JP2022108352A Active JP7539432B2 (ja) 2017-07-31 2022-07-05 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
JP2024036511A Pending JP2024061802A (ja) 2017-07-31 2024-03-11 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

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2019125374A Active JP7311334B2 (ja) 2017-07-31 2019-07-04 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

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2024036511A Pending JP2024061802A (ja) 2017-07-31 2024-03-11 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

Country Status (1)

Country Link
JP (3) JP7311334B2 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7453872B2 (ja) * 2020-07-29 2024-03-21 三菱重工業株式会社 バイオガス製造システム及びバイオガス製造方法
CN112132920B (zh) * 2020-09-11 2023-10-31 上海交通大学 基于深度学习的放射性废物桶密度重建方法及系统
CN113651245B (zh) * 2021-08-16 2023-07-21 合肥市春华起重机械有限公司 一种起重机承载力监测系统
CN114326624B (zh) * 2021-12-28 2024-04-09 上海灏领科技集团有限公司 基于入炉前废弃物图像识别的园区内热解气化炉系统工艺

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007126246A (ja) * 2005-11-02 2007-05-24 Hitachi Plant Technologies Ltd ごみ処理工場用自動クレーンの制御装置
JP2011027349A (ja) * 2009-07-27 2011-02-10 Takuma Co Ltd 燃焼炉に供給される燃焼対象物の処理システム、処理方法およびこれらを用いた燃焼炉の燃焼制御システム
JP2018173248A (ja) * 2017-03-31 2018-11-08 日立造船株式会社 情報処理装置、情報処理方法、および情報処理プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015143139A (ja) 2014-01-31 2015-08-06 日立造船株式会社 ごみピット内の攪拌状態検出装置及びごみピット内の攪拌状態検出方法
JP5969685B1 (ja) 2015-12-15 2016-08-17 ウエノテックス株式会社 廃棄物選別システム及びその選別方法
JP2017148374A (ja) * 2016-02-26 2017-08-31 京セラ株式会社 ジルコニア仮焼体およびジルコニア焼結体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007126246A (ja) * 2005-11-02 2007-05-24 Hitachi Plant Technologies Ltd ごみ処理工場用自動クレーンの制御装置
JP2011027349A (ja) * 2009-07-27 2011-02-10 Takuma Co Ltd 燃焼炉に供給される燃焼対象物の処理システム、処理方法およびこれらを用いた燃焼炉の燃焼制御システム
JP2018173248A (ja) * 2017-03-31 2018-11-08 日立造船株式会社 情報処理装置、情報処理方法、および情報処理プログラム

Also Published As

Publication number Publication date
JP2024061802A (ja) 2024-05-08
JP2019207099A (ja) 2019-12-05
JP7539432B2 (ja) 2024-08-23
JP7311334B2 (ja) 2023-07-19

Similar Documents

Publication Publication Date Title
JP6554148B2 (ja) 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造
JP7311334B2 (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
JP7281768B2 (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
CN106292600B (zh) 一种多远程垃圾坑数据采集、记录系统
JP7310758B2 (ja) 情報処理装置、情報処理方法、およびプログラム
CN111301886A (zh) 基于rbf神经网络的垃圾分类回收系统及控制方法
JP2019207099A5 (ja)
JP2022132331A5 (ja)
JP2024001337A (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
Sasikanth et al. An Efficient & Smart Waste Management System
JP2021138505A (ja) 自動運転制御装置、自動運転制御システム、自動運転制御方法、および廃棄物処理施設
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
WO2023167127A1 (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
AU2020101841A4 (en) Design and development of soft data driven sensors for use in a waste-to-energy (wte) industry plant
CN117671922B (zh) 一种基于酒厂环境参数的监测预警系统
JP2023161734A (ja) 学習モデルの生成方法、学習モデル、情報処理装置、情報処理方法、プログラム、およびデータ拡張方法、ならびに状態推定装置および状態推定方法
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
JP2021183891A5 (ja)
KR102584092B1 (ko) 폐기물 종류 구분을 이용한 소각장 크레인 자동운전장치 및 그 자동운전방법
Schwark et al. The application of image recognition methods to improve the performance of waste-to-energy plantsplants
Sathana et al. Revolutionizing Waste Management Through the Integration of IoT and Deep Learning Technology
Pan et al. Flame Combustion State Identification Based on CNN in Municipal Solid Waste Incineration Process
Ushada et al. An intelligent watchdog model for quality control of an affective bio-greening material
Verma et al. Segregation of Municipal Solid Waste With Use of Residual Network
CN116447603A (zh) 一种垃圾焚烧给料方法、系统、终端及存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220705

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230418

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230426

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230509

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230706

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230829

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20231212

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240311

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20240403

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240806

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240813

R150 Certificate of patent or registration of utility model

Ref document number: 7539432

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150