JP2023012094A - 情報処理方法、情報処理装置、および情報処理プログラム - Google Patents

Abstract

【課題】新規導入施設において廃棄物の種類を識別する識別アルゴリズムの導入に係る工数を減らすことができ、かつ、識別精度が高い情報処理方法、情報処理装置及び情報処理プログラムを提供する。【解決手段】廃棄物の種類を識別する識別アルゴリズムを生成する情報処理方法は、廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成するステップと、生成した第１モデルに対し、複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成するステップと、を含む。【選択図】図３

Description

本発明は、廃棄物の種類を識別する識別アルゴリズムを生成する情報処理方法、情報処理装置、および情報処理プログラムに関する。

廃棄物処理施設において、様々な種類の廃棄物がごみピット内に搬入される。これらの廃棄物は、ごみピット内に貯留されたのち、焼却炉に投入されて焼却処理される。焼却炉に投入される廃棄物の質は、燃焼に影響する。また、ごみピット内にはそのまま投入すると機器トラブルの発生要因となる廃棄物も含まれている。そのため、従来の施設では、運転員が、燃焼を安定化させ、機器トラブルも発生させないよう、ごみピット内を目視してごみの種類を識別し、クレーンによる廃棄物の攪拌操作、焼却炉への投入操作を行っている。

本件出願人は、ごみピット内に貯留されている廃棄物の種類を識別する識別アルゴリズム（学習済みモデル）を用いて自動で廃棄物を識別してクレーン操作を行う技術を既に提案している（特許文献１参照）。

特開２０２０－０３８０５８号公報

本件発明者らは、上述の識別アルゴリズムを用いたごみ識別方法の改良技術を見出すべく、鋭意検討を行った。その結果、以下の知見を得た。なお、以下の知見はあくまで本発明をなすきっかけとなったものであり、本発明を限定するものではない。

すなわち、図８に示すように、機械学習（教師あり学習）では、正解となる大量のデータが学習に必要であることから、従来の識別アルゴリズム（従来モデル）を使用するごみ識別方法では、廃棄物処理施設毎に新たに用意しなくてはならない画像データおよび教師データが多量に必要となる。

しかしながら、新規建設施設において識別アルゴリズムを導入する場合には、廃棄物の受入開始から施設の正式運転開始までの期間が限られていることから、短期間で画像データの収集、教師データの作成、およびそれらの学習を行う必要がある。

また、短期間で画像データの収集、教師データの作成、およびそれらの学習を行ったとしても、新規施設で出現頻度の少ない廃棄物は、教師データが少ないため、識別アルゴリズムによるその廃棄物の識別精度が上がらない。

また、廃棄物処理施設は、施設によってごみピットの形状や寸法が異なるほか、様々な環境条件（たとえば、画像取得用カメラの設置位置、角度、照明条件など）が異なることから、ある施設の画像データおよび教師データを用いて作成した識別アルゴリズムを、そのまま他の施設で使用しても、十分な識別精度を得ることはできない。

本発明は、以上のような点を考慮してなされたものである。本発明の目的は、新規導入施設において廃棄物の種類を識別する識別アルゴリズムの導入に係る工数を減らすことができ、かつ識別精度が高い情報処理方法、情報処理装置、および情報処理プログラムを提供することにある。

本発明の第１の態様に係る情報処理方法は、
廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成するステップと、
生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成するステップと、
を含む。

このような態様によれば、新規導入施設（第２の施設）への識別アルゴリズムの導入前に、複数の施設において期間を限られることなく収集、生成された多量の教師データを用いて予め学習することができる。また、１つの施設では出現頻度が少ない廃棄物についても、十分な量の教師データを用いて学習することができる。さらに、施設ごとのごみピットの形状や寸法の違いや、様々な環境条件（たとえば、画像取得用カメラの設置位置、角度、照明条件など）の違いも考慮した多様な教師データを用いて学習を行うことができるため、ロバスト性（多様なデータに対して安定して精度の高い識別を行うことができる性質）を有する識別アルゴリズム（第１モデル）が得られる。
次に、そのような第１モデルに対して、新規導入施設（第２の施設）において収集、生成された教師データを追加学習して第２モデルを生成する。ここで、本件発明者らの知見によれば、追加学習に用いる教師データ（新規導入施設において収集、生成された教師データ）の量は、第１モデル生成時に用いる教師データ（複数の施設において収集、生成された教師データ）の量に対して、少量とするのがよい。少量であれば、新規導入施設の環境条件（画像取得用カメラの設置位置、角度、照明条件など）や、将来的な環境の変化（ごみ袋の形状や色の変化、ピット側壁の経年的な汚れなど）に影響されづらくなる。ただし、第１教師データに存在しない種類の廃棄物が新規導入施設に存在する場合は、新規導入施設において収集、生成される教師データにその廃棄物の教師データを含めておくことで、それを識別可能な第２モデルを生成できる。このように構成することで、ロバスト性をある程度保ちつつ、新規導入施設に対応した識別精度の高いモデル（第２モデル）が得られる。また、新規導入施設において廃棄物の種類を識別する識別アルゴリズムの導入に係る工数を減らすことができる。

本発明の第２の態様に係る情報処理方法は、第１の態様に係る情報処理方法であって、
前記第２画像データおよび前記第２教師データは、その画像中に前記第２の施設のごみピットの側壁および／または廃棄物の攪拌または搬送を行うクレーンを含む。
このような態様によれば、新規導入施設（第２の施設）におけるごみピットの形状や寸法、クレーンの形状や寸法の違いを考慮した追加学習を行うことができるため、第２モデルによる、側壁および／またはクレーンの識別精度が上がり、廃棄物のみのデータ（すなわち画像中にごみピットの側壁および／またはクレーンを含まないデータ）を使用する場合に比べ、廃棄物の種類の識別精度も上げることができる。

本発明の第３の態様に係る情報処理方法は、第１または２の態様に係る情報処理方法であって、
前記第１教師データに対する、前記第２教師データの量は、３０％以下である。

本発明の第４の態様に係る情報処理方法は、第３の態様に係る情報処理方法であって、
前記第１教師データに対する、前記第２教師データの量は、１５％以下である。

本発明の第５の態様に係る情報処理方法は、第４の態様に係る情報処理方法であって、
前記第１教師データに対する、前記第２教師データの量は、５％以下である。

本発明の第６の態様に係る情報処理方法は、第１～５のいずれかの態様に係る情報処理方法であって、
前記識別アルゴリズムは、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、のうちの１つまたは２つ以上を含む。

本発明の第７の態様に係る情報処理方法は、第１～６のいずれかの態様に係る情報処理方法であって、
前記第２教師データは、前記第２の施設のごみピット内を撮像した画像の全体にラベル付けしたものを含む。
このような態様によれば、新規導入施設（第２の施設）に設置した撮像装置により得られたごみピット内の画像の見え方（視野や画角）の情報を考慮した追加学習を行うことができるため、第２モデルによる廃棄物の種類の識別精度を上げることができる。

本発明の第８の態様に係る情報処理方法は、第１～６のいずれかの態様に係る情報処理方法であって、
前記第２教師データは、前記第２の施設のごみピット内を撮像した画像の一部を切り出して、その切り出された部分のみラベル付けしたものを含む。

このような態様によれば、画像全体にラベル付けする場合に比べて、教師データのデータ量および作成工数を大幅に削減できる。

本発明の第９の態様に係る情報処理方法は、第１～８のいずれかの態様に係る情報処理方法であって、
前記第２モデルを生成するステップにて用いられる前記第２画像データは、前記第２の施設のごみピット内を撮像した画像データを前記第１モデルに入力して廃棄物の種類を識別したうえで、それらの画像データの中から、識別精度が予め定められた基準（第１基準）より低い画像データを選択して用いるものである。

このような態様によれば、第２の施設において、第１モデルでは十分な識別精度が得られない廃棄物の種類を確認し、当該種類を含む画像データおよび教師データを主に用いて追加学習を行うことができ、これにより、効率的な学習データの収集および学習が可能となる。

本発明の第１０の態様に係る情報処理方法は、第１～１０のいずれかの態様に係る情報処理方法であって、
前記第１モデルを生成するステップでは、各施設における撮影条件および／または撮影環境の情報をあわせて学習する。

このような態様によれば、トラブル等で撮影条件（カメラの解像度、露光時間、ゲイン、ピントなど）や撮影環境（時刻や天気による自然光の量、照明のＯＮ／ＯＦＦなど）が変わっても運用できる。

本発明の第１１の態様に係る情報処理方法は、第１～１０のいずれかの態様に係る情報処理方法であって、
前記第１画像データは、各施設のごみピット内を撮像した画像データに対し、前記複数の施設間で共通の画像補正用カラーチャートを撮像した画像を参照として、色調、明度、彩度のうちの少なくとも１つの補正を行ったものである。

このような態様によれば、照明や自然光の条件の異なる複数施設で撮像された画像の色調や明度・彩度の違いを補正することができ、これにより、識別アルゴリズムの識別精度を上げることができる。

本発明の第１２の態様に係る情報処理方法は、第１～１０のいずれかの態様に係る情報処理方法であって、
前記第１画像データは、各施設のごみピット内を、前記複数の施設間で共通の画像補正用カラーチャートとともに撮像したものである。

このような態様によっても、照明や自然光の条件の異なる複数施設で撮像された画像の色調や明度・彩度の違いを補正することができ、これにより、識別アルゴリズムの識別精度を上げることができる。

本発明の第１３の態様に係る情報処理方法は、第１～１２のいずれかの態様に係る情報処理方法であって、
前記第２画像データは、前記第２の施設の３次元設計データに基づいて作成されたごみピットの側壁および／または廃棄物の攪拌または搬送を行うクレーンのレンダリング画像に対し、前記複数の施設のごみピット内の廃棄物、または前記複数の施設および前記第２の施設のどちらとも異なる他の施設のごみピット内の廃棄物を撮像した画像を合成したものを含む。

このような態様によれば、新規導入施設（第２の施設）のピット施工・クレーン据え付けの完了前に、ピット・クレーン等の見え方に関する画像データを作成でき、学習に使用できる。

本発明の第１４の態様に係る情報処理方法は、第１～１３のいずれかの態様に係る情報処理方法であって、
生成された第２モデルの運用開始後、運用時の識別精度を定期的にモニタリングし、識別精度が予め定められた基準（第２基準）より低くなった場合に、前記第２モデルに対し、そのときの廃棄物の画像データと、その画像中の廃棄物に種類をラベル付けした教師データとを、追加学習することにより、前記第２モデルを更新するステップをさらに含む。

このような態様によれば、廃棄物の種類の変化や廃棄物の各種類の構成割合の変化などに対応可能となる。

本発明の第１５の態様に係る情報処理方法は、第１～１４のいずれかの態様に係る情報処理方法であって、
生成された第２モデルに対し、前記複数の施設および前記第２の施設のどちらとも異なる第３の施設のごみピット内を撮像した第３画像データと、その画像中の廃棄物に種類をラベル付けした第３教師データとを、追加学習することにより、前記第３の施設の廃棄物に対応する識別アルゴリズムである第３モデルを生成するステップをさらに含む。

このような態様によれば、前記第１教師データに対して第２教師データを追加学習したモデル（第２モデル）を、さらに他の施設（第３の施設）における第３教師データを用いた追加学習用のベースモデルとして利用できるため、廃棄物の種類の識別精度が逐次的に向上することが期待できる。

本発明の第１６の態様に係る情報処理装置は、
廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成する第１モデル生成部と、
生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成する第２モデル生成部と、
を備える。

本発明の第１７の態様に係る情報処理プログラムは、
コンピュータに、
廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成するステップと、
生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成するステップと、
を実行させる。

本発明の第１８の態様に係る情報処理方法は、
廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設のごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別するステップ
を含む。

本発明の第１９の態様に係る情報処理装置は、
廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設のごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別する種類識別部
を備える。

本発明の第２０の態様に係る情報処理プログラムは、
コンピュータに、
廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設のごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別するステップ
を実行させる。

本発明によれば、新規導入施設において廃棄物の種類を識別する識別アルゴリズムの導入に係る工数を減らすことができる。

図１は、一実施の形態に係る廃棄物処理施設の構成を示す概略図である。 図２は、一実施の形態に係る情報処理装置の構成を示すブロック図である。 図３は、一実施の形態に係る情報処理装置による情報処理方法の一例を示すフローチャートである。 図４は、ごみピット内の映像を撮像することにより得られる画像データの一例を示す図である。 図５は、ごみピット内の映像を撮像することにより得られる画像データに廃棄物および廃棄物以外の識別対象物の種類がラベリングされた教師データの一例を示す図である。 図６は、ごみピット内の映像を撮像することにより得られる画像データに種類識別部による識別結果が重ね合わされて表示されたデータの一例を示す図である。 図７は、ごみピット内の廃棄物の種類の比率を領域毎に表示するマップである。 図８は、従来の識別アルゴリズムの生成方法を示す概念図である。 図９は、一実施の形態に係る識別アルゴリズムの生成方法を示す概念図である。 図１０は、一実施の形態の一変形例に係る情報処理装置の構成を示すブロック図である。

以下に、添付の図面を参照して、本発明の実施の形態を詳細に説明する。なお、以下の説明および以下の説明で用いる図面では、同一に構成され得る部分について、同一の符号を用いるとともに、重複する説明を省略する。

図１は、一実施の形態に係る廃棄物処理施設１００（以下、第２の施設と呼ぶことがある）の構成を示す概略図である。

図１に示すように、廃棄物処理施設１００は、廃棄物を積載する搬送車両（ごみ収集車）２２が停車するプラットホーム２１と、プラットホーム２１から投入される廃棄物が貯留されるごみピット３と、ごみピット３内に貯留される廃棄物を攪拌および搬送するクレーン５と、クレーン５により搬送される廃棄物が投入されるホッパ４と、ホッパ４から投入された廃棄物を焼却する焼却炉１と、焼却炉１内で生じる排ガスから排熱を回収する排熱ボイラ２と、を備えている。焼却炉１の種類は、図１に示すようなストーカ炉に限られるものではなく、流動炉（流動床炉ともいう）も含まれる。また、ごみピット３の構造は、図１に示すような１段ピットに限られるものではなく、ごみピットを投入部と貯留部に分割した２段ピットも含まれる。また、廃棄物処理施設１００には、クレーン５の動作を制御するクレーン制御装置５０と、焼却炉１内での廃棄物の燃焼を制御する燃焼制御装置２０とが設けられている。

搬送車両２２に積載された状態で搬入される廃棄物は、プラットホーム２１からごみピット３内へと投入され、ごみピット３内にて貯留される。ごみピット３内に貯留される廃棄物は、クレーン５によって攪拌されるとともに、クレーン５によってホッパ４へと搬送され、ホッパ４を介して焼却炉１内部へと投入され、焼却炉１内部にて焼却されて処理される。

図１に示すように、廃棄物処理施設１００には、ごみピット３内の映像を撮像する撮像装置６（以下、カメラともいう）と、ごみピット３内の廃棄物の種類を識別する情報処理装置１０とが設けられている。

撮像装置６は、ごみピット３の上方に配置され、図示された例ではクレーン５のレールに固定されており、ごみピット３の上方からごみピット３内に貯留される廃棄物を撮像できるようになっている。図４は、撮像装置６によってごみピット３内の映像を撮像することにより得られる画像データの一例を示す図である。

撮像装置６は、撮像結果として廃棄物の形状および色彩画像データを出力するＲＧＢカメラであってもよいし、撮像結果として廃棄物の近赤外線画像データを出力する近赤外線カメラであってもよいし、撮像結果として廃棄物の３次元画像データを撮像する３ＤカメラまたはＲＧＢ－Ｄカメラであってもよいし、これらのうちの２つ以上の組み合わせであってもよい。

次に、ごみピット３内に貯留されている廃棄物の種類を識別する情報処理装置１０の構成について説明する。図２は、情報処理装置１０の構成を示すブロック図である。情報処理装置１０は、１つまたは複数のコンピュータによって構成され得る。

図２に示すように、情報処理装置１０は、制御部１１と、記憶部１２と、通信部１３とを有している。各部は、バスを介して互いに通信可能に接続されている。

このうち通信部１３は、撮像装置６、クレーン制御装置５０および燃焼制御装置２０の各装置と情報処理装置１０との間の通信インターフェースである。通信部１３は、撮像装置６、クレーン制御装置５０および燃焼制御装置２０の各装置と情報処理装置１０との間で情報を送受信する。

記憶部１２は、たとえばハードディスク等の固定型データストレージである。記憶部１２には、制御部１１が取り扱う各種データが記憶される。また、記憶部１２には、後述する第１モデル生成部１１ａ１および第２モデル生成部１１ａ２により生成される識別アルゴリズム１２ａと、後述する画像データ取得部１１ｂにより取得された画像データ１２ｂとが記憶される。

制御部１１は、情報処理装置１０の各種処理を行う制御手段である。図２に示すように、制御部１１は、第１モデル生成部１１ａ１と、第２モデル生成部１１ａ２と、画像データ取得部１１ｂと、種類識別部１１ｃと、プラント制御部１１ｄと、転落検知部１１ｅと、異物投入検知部１１ｆと、を有している。これらの各部は、情報処理装置１０内のプロセッサが所定のプログラムを実行することにより実現されてもよいし、ハードウェアで実装されてもよい。

第１モデル生成部１１ａ１は、廃棄物が貯留される複数の施設（第２の施設１００とは異なる廃棄物処理施設）のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズム１２ａ（第１モデル）を生成する。

第１モデル生成部１１ａ１は、複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けするとともに、その画像中の廃棄物以外の識別対象物にも種類別にラベル付けした第１教師データとを、機械学習することにより、ごみピット内に貯留されている廃棄物の種類に加えて廃棄物以外の識別対象物の種類を識別する識別アルゴリズム１２ａ（第１モデル）を生成してもよい。

識別アルゴリズム１２ａは、具体的には、たとえば、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、のうちの１つまたは２つ以上を含んでいてもよい。

第１教師データは、たとえば、各施設において運転を行う熟練運転員が、ごみピット内を撮像した第１画像データに対して、廃棄物および廃棄物以外の識別対象物を目視で識別して種類別にラベル付けすることにより、作成されてもよい。廃棄物および廃棄物以外の識別対象物の種類は、たとえば、種類別のレイヤーとして第１画像データに重ね合わされた状態でラベル付けされてもよい。

第１教師データにラベル付けされる廃棄物の種類は、ごみ袋未破袋ごみ、紙ごみ、剪定枝、布団、汚泥、粗大破砕ごみ、段ボール、麻袋、紙袋、底ごみ（ごみピット３内の底付近に存在し上方の廃棄物に圧縮され水分含有量が多いごみのこと）、のうちの１つまたは２つ以上を含んでいてもよい。また、第１教師データにラベル付けされる廃棄物の種類は、ごみピット内に入ってきてほしくないけれど入ってくる可能性がある予定外の廃棄物（異常物）を含んでいてもよい。ここで、異常物としては、たとえば、焼却してはいけないもの、具体的には、たとえば、蛍光灯、水銀混入ごみ、ボンベや缶、油タンクなどの爆発物などが挙げられる。また、第１教師データにラベル付けされる廃棄物の種類は、木屑、繊維ごみ、衣類ごみ、プラスチックごみ、動物性残渣、動物死体、厨芥ごみ、草木、土、医療ごみ、焼却灰、自転車、たんす、ベッド、棚、机、椅子、農業系ビニール類、ペットボトル、発泡スチロール、肉骨粉、農作物、陶器、ガラスくず、金属くず、がれき類、コンクリートくず、畳、竹、わら、活性炭のうちの１つまたは２つ以上を含んでいてもよい。

第１教師データにラベル付けされる廃棄物以外の識別対象物の種類は、各施設の梁、ごみピットの側壁、ごみピット内に貯留されている廃棄物の山の崖（廃棄物の山の崖にあたり廃棄物の種類が目視で識別不能な程度まで暗くなっている部分）、廃棄物の攪拌または搬送を行うクレーン、のうちの１つまたは２つ以上を含んでいてもよい。また、第１教師データにラベル付けされる廃棄物以外の識別対象物の種類は、作業員、搬入車両のうちの一方または両方を含んでいてもよい。また、教師データにラベリングされる廃棄物以外の識別対象物の種類は、各施設の壁、柱、床、窓、天井、扉、階段、ガーダー（クレーンを吊り下げて移動する構造体）、歩廊、ごみピットの仕切り壁、ごみ投入ホッパ、搬入扉、作業員、搬入車両、のうちの１つまたは２つ以上を含んでいてもよい。

第１モデル生成部１１ａ１は、第１画像データと第１教師データとを機械学習して第１モデルを生成する際に、各施設における撮影条件（カメラの解像度、露光時間、ゲイン、ピントなど）および／または撮影環境（時刻や天気による自然光の量、照明のＯＮ／ＯＦＦなど）の情報をあわせて学習してもよい。これにより、トラブル等で撮影条件や撮影環境が変わっても運用できるようになる。

第１画像データは、各施設のごみピット内を撮像した未補正の画像データに対し、複数の施設間で共通の画像補正用カラーチャートを撮像した画像を参照として、色調、明度、彩度のうちの少なくとも１つの補正を行ったものであってもよいし、各施設のごみピット内を、複数の施設間で共通の画像補正用カラーチャートとともに撮像したものであってもよい。これにより、第１モデル生成部１１ａ１が、第１画像データと第１教師データとを機械学習して第１モデルを生成する際に、照明や自然光の条件の異なる複数の施設で撮像された画像の色調や明度・彩度の違いを補正することができ、これにより、識別アルゴリズム１２ａの識別精度を上げることができる。

第２モデル生成部１１ａ２は、第１モデル生成部１１ａ１により生成された識別アルゴリズム１２ａ（第１モデル）に対し、第２の施設１００のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、第２の施設の廃棄物に対応する識別アルゴリズム１２ａ（第２モデル）を生成する。

第２モデル生成部１１ａ２は、第１モデル生成部１１ａ１により生成された識別アルゴリズム１２ａ（第１モデル）に対し、第２の施設１００のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けするとともに、その画像中の廃棄物以外の識別対象物にも種類別にラベル付けした第２教師データとを、追加学習することにより、第２の施設１００のごみピット内に貯留されている廃棄物の種類に加えて廃棄物以外の識別対象物の種類を識別する識別アルゴリズム１２ａ（第２モデル）を生成してもよい。

本件発明者らの知見によれば、第１モデル作成時に必要な教師データ量（第１教師データのデータ量）に対して、第２モデル作成に用いる教師データ量（第２教師データのデータ量）は、少量でよく、好ましくは３０％以下、より好ましくは１５％以下、さらに好ましくは５％以下とすることが望ましい。第２の施設１００の教師データが少量であれば、新規導入施設の環境条件（画像取得用カメラの設置位置、角度、照明条件など）や、将来的な環境の変化（ごみ袋の形状や色の変化、ピット側壁の経年的な汚れなどに影響されづらくなる。ただし、第１モデル生成時に存在しない種類の廃棄物が新規導入施設に存在する場合は、新規導入施設において収集、生成される教師データにその廃棄物の教師データを含めておくことで、それを識別可能な第２モデルを生成することができる。このように構成することで、ロバスト性をある程度保ちつつ、新規導入施設に対応した、識別精度の高い識別アルゴリズム１２ａ（第２モデル）が得られるとともに、その生成に要する工数を削減することができる。

第２教師データは、たとえば、第２の施設１００において運転を行う熟練運転員が、ごみピット３内を撮像した第２画像データに対して、廃棄物および廃棄物以外の識別対象物を目視で識別して種類別にラベル付けすることにより、作成されてもよい。廃棄物および廃棄物以外の識別対象物の種類は、たとえば、種類別のレイヤーとして第２画像データに重ね合わされた状態でラベル付けされてもよい。

第２教師データにラベル付けされる廃棄物の種類は、ごみ袋未破袋ごみ、紙ごみ、剪定枝、布団、汚泥、粗大破砕ごみ、段ボール、麻袋、紙袋、底ごみ（ごみピット３内の底付近に存在し上方の廃棄物に圧縮され水分含有量が多いごみのこと）、のうちの１つまたは２つ以上を含んでいてもよい。また、第２教師データにラベル付けされる廃棄物の種類は、ごみピット３内に入ってきてほしくないけれど入ってくる可能性がある予定外の廃棄物（異常物）を含んでいてもよい。ここで、異常物としては、たとえば、焼却してはいけないもの、具体的には、たとえば、蛍光灯、水銀混入ごみ、ボンベや缶、油タンクなどの爆発物などが挙げられる。また、第２教師データにラベル付けされる廃棄物の種類は、木屑、繊維ごみ、衣類ごみ、プラスチックごみ、動物性残渣、動物死体、厨芥ごみ、草木、土、医療ごみ、焼却灰、自転車、たんす、ベッド、棚、机、椅子、農業系ビニール類、ペットボトル、発泡スチロール、肉骨粉、農作物、陶器、ガラスくず、金属くず、がれき類、コンクリートくず、畳、竹、わら、活性炭のうちの１つまたは２つ以上を含んでいてもよい。なお、第２教師データにラベル付けされる廃棄物の種類は、第１教師データにラベル付けされる廃棄物の種類と同一である必要はなく、前記した通り、第１教師データに存在しない種類の廃棄物が新規導入施設に存在する場合は、第２教師データにラベル付けされる廃棄物の種類として、その廃棄物の種類を含めておくことで、それを識別可能な第２モデルを生成することができる。また、第１教師データに存在する種類の廃棄物に、新規導入施設には存在しない種類のものがある場合には、第２教師データにラベル付けされる廃棄物の種類として、その廃棄物の種類を含めなくてもよい。

第２教師データにラベル付けされる廃棄物以外の識別対象物の種類は、第２の施設１００の梁、ごみピット３の側壁、ごみピット３内に貯留されている廃棄物の山の崖（廃棄物の山の崖にあたり廃棄物の種類が目視で識別不能な程度まで暗くなっている部分）、廃棄物の攪拌または搬送を行うクレーン５、のうちの１つまたは２つ以上を含んでいてもよい。また、第２教師データにラベル付けされる廃棄物以外の識別対象物の種類は、作業員、搬入車両のうちの一方または両方を含んでいてもよい。また、教師データにラベリングされる廃棄物以外の識別対象物の種類は、第２の施設１００の壁、柱、床、窓、天井、扉、階段、ガーダー（クレーン５を吊り下げて移動する構造体）、歩廊、ごみピット３の仕切り壁、ごみ投入ホッパ、搬入扉、作業員、搬入車両、のうちの１つまたは２つ以上を含んでいてもよい。なお、第２教師データにラベル付けされる廃棄物以外の識別対象物の種類は、第１教師データにラベル付けされる廃棄物以外の識別対象物の種類と同一である必要はなく、第１教師データに存在しない種類の廃棄物以外の識別対象物が新規導入施設に存在する場合は、第２教師データにラベル付けされる廃棄物以外の識別対象物の種類として、その識別対象物の種類を含めておくことで、それを識別可能な第２モデルを生成することができる。また、第１教師データに存在する種類の廃棄物以外の識別対象物に、新規導入施設には存在しない種類のものがある場合には、第２教師データにラベル付けされる廃棄物以外の識別対象物の種類として、その識別対象物の種類を含めなくてもよい。

図５は、第２の施設１００のごみピット３内を撮像した画像データに廃棄物および廃棄物以外の識別対象物の種類がラベル付けされた第２教師データの一例を示す図である。図５に示す例では、ごみピット３内を撮像した画像データに、廃棄物として未破袋ごみ、剪定枝、布団がそれぞれ種類別にラベリングされると共に、廃棄物以外の識別対象物としてクレーン５、廃棄物の山の崖、ごみピット３の側壁、第２の施設１００の床がそれぞれ種類別にラベリングされている。

第２教師データは、第２の施設１００のごみピット３内を撮像した画像の全体にラベル付けしたものを含んでいてもよいし、第２の施設１００のごみピット３内を撮像した画像の一部を切り出して、その切り出された部分のみラベル付けしたものを含んでいてもよい。画像の全体へのラベル付けによる教師データを含めることにより、新規導入施設（第２の施設）に設置した撮像装置により得られたごみピット内の画像の見え方（視野や画角）の情報を考慮した追加学習を行うことができるため、第２モデルによる廃棄物の種類の識別精度を上げることができる。また、部分的なラベル付けによる教師データを含めることにより、画像全体にラベル付けする場合に比べて、教師データのデータ量および作成工数を大幅に削減できる。また、第２画像データおよび前記第２教師データは、その画像中に第２の施設１００のごみピット３の側壁および／またはクレーン５を含むものであってもよい。第２教師データが、その画像中に第２の施設１００のごみピットの側壁および／または廃棄物の攪拌または搬送を行うクレーンを含むことにより、新規導入施設（第２の施設）におけるごみピットの形状や寸法、クレーンの形状や寸法の違いを考慮した追加学習を行うことができるため、第２モデルによる、側壁および／またはクレーンの識別精度が上がり、廃棄物のみのデータ（すなわち画像中にごみピットの側壁および／またはクレーンを含まないデータ）を使用する場合に比べ、廃棄物の識別精度も上げることができる。

第２画像データは、第２の施設１００のごみピット３内を撮像した画像データを第１モデルに入力して廃棄物の種類を識別したうえで、それらの画像データの中から、識別精度が予め定められた基準より低い画像データを選択して用いてもよいし、そうでないもの（すなわち第２の施設１００のごみピット３内を撮像した画像データそのもの）であってもよい。第２画像データが、第２の施設１００のごみピット３内を撮像した画像データを第１モデルに入力して廃棄物の種類を識別したうえで、それらの画像データの中から、識別精度が低い画像データを選択したものである場合には、第２の施設１００において、第１モデルでは十分な識別精度が得られない廃棄物の種類を確認し、当該種類を含む画像データおよび教師データを主に用いて追加学習を行うことができ、これにより、効率的な学習データの収集および学習が可能となる。

第２画像データは、第２の施設１００の３次元設計データに基づいて作成されたごみピット３の側壁および／またはクレーン５のレンダリング画像に対し、前記複数の施設のごみピット内の廃棄物、または前記複数の施設および前記第２の施設のどちらとも異なる他の施設のごみピット内の廃棄物を撮像した画像を合成したものを含んでいてもよい。この場合、新規導入施設（第２の施設１００）のピット施工・クレーン据え付けの完了前に、ピット３やクレーン５等の見え方に関する画像データを作成でき、学習に使用できる。

画像データ取得部１１ｂは、第２の施設１００のごみピット３内を撮像した新たな画像データを撮像装置６から取得する。画像データ取得部１１ｂにより取得された新たな画像データは、記憶部１２に記憶される。

種類識別部１１ｃは、画像データ取得部１１ｂにより取得された新たな画像データを入力として、第２モデル生成部１１ａ２により生成された識別アルゴリズム１２ａ（第２モデル）を利用して、第２の施設１００のごみピット３内に貯留されている廃棄物の種類を識別する。

種類識別部１１ｃは、画像データ取得部１１ｂにより取得された新たな画像データを入力として識別アルゴリズム１２ａ（第２モデル）を利用して、第２の施設１００のごみピット３内に貯留されている廃棄物の種類とともに廃棄物以外の識別対象物の種類を識別してもよい。図６は、第２の施設１００のごみピット３内の映像を撮像することにより得られる画像データに種類識別部１１ｃによる識別結果が重ね合わされて表示されたデータの一例を示す図である。図６に示す例では、種類識別部１１ｃにより識別された廃棄物（未破袋ごみ、剪定枝）と廃棄物以外の識別対象物（クレーン５、廃棄物の山の崖、ごみピット３の側壁、第２の施設１００の床）とが種類別に画像データに重ね合わされて表示されている。

種類識別部１１ｃは、図７に示すように、識別結果に基づいて、第２の施設１００のごみピット３内に貯留されている廃棄物の種類の比率を領域毎に表示するマップを生成してもよい。図７に示す例では、ごみピット３内が５×４の格子状に区分され、種類識別部１１ｃにより識別された廃棄物の種類の比率が領域毎に表示されている。

プラント制御部１１ｄは、種類識別部１１ｃの識別結果に基づいて廃棄物処理施設（第２の施設）１００の制御を行う。

図１に示す例では、プラント制御部１１ｄは、廃棄物の攪拌または搬送を行うクレーン５を制御するクレーン制御装置５０に種類識別部１１ｃの識別結果（すなわち、画像データから識別された廃棄物の種類の情報）を送信するクレーン制御部１１ｄ１と、廃棄物の燃焼を制御する燃焼制御装置２０に種類識別部１１ｃの識別結果（すなわち、画像データから識別された廃棄物の種類の情報）を送信する燃焼制御部１１ｄ２とを含んでいる。

なお、図１に示す例では、プラント制御部１１ｄが、クレーン制御部１１ｄ１と燃焼制御部１１ｄ２の両方を含んでいるが、これに限定されるものではなく、クレーン制御部１１ｄ１と燃焼制御部１１ｄ２のいずれか一方のみを含んでいてもよい。

クレーン制御部１１ｄ１は、たとえば、種類識別部１１ｃの識別結果として、ごみピット３内に貯留されている廃棄物の種類の比率を領域毎に表示するマップ（図７参照）をクレーン制御装置５０へと送信する。クレーン制御装置５０は、クレーン制御部１１ｄ１から受信するマップに基づいて、廃棄物の種類の比率が全ての領域で等しくなるように、クレーン５を動作させてごみピット３内の廃棄物を攪拌させる。

燃焼制御部１１ｄ２は、たとえば、種類識別部１１ｃの識別結果として、ごみピット３内に貯留されている廃棄物の種類の比率を領域毎に表示するマップ（図７参照）を燃焼制御装置２０へと送信する。燃焼制御装置２０は、燃焼制御部１１ｄ２から受信するマップに基づいて、クレーン５によって掴まれてごみピット３からホッパ４へと一緒に搬送される廃棄物の種類の比率を把握し、ホッパ４を介して焼却炉１内へと一緒に投入される廃棄物の比率に応じて廃棄物の燃焼を制御する（たとえば、ストーカの送り速度や供給する空気量を制御する）。

転落検知部１１ｅは、種類識別部１１ｃの識別結果（すなわち、画像データから識別された作業員または搬送車両の情報）に基づいて、プラットホーム２１からごみピット３内への作業員または搬送車両の転落を検知する。転落検知部１１ｅは、廃棄物が貯留されるごみピット３内に作業員や搬入車両が存在することを検知する転落検知装置（不図示）に種類識別部１１ｃの識別結果（すなわち、画像データから識別された作業員または搬送車両の情報）を送信してもよい。転落検知装置（不図示）は、転落検知部１１ｅから送信される種類識別部１１ｃの識別結果に基づいて、アラームを発したり、クレーン５や不図示の救出用機材（たとえばゴンドラなど）を動作させて作業員の救出を行う。

異物投入検知部１１ｆは、種類識別部１１ｃの識別結果（すなわち、画像データから識別された廃棄物の種類の情報）に基づいて、ごみピット３内へ投入された異常物を検知する。ここで「異常物」とは、ごみピット３内に入ってきてほしくないけれど入ってくる可能性がある予定外の廃棄物をいい、たとえば、焼却してはいけないもの、具体的には、たとえば、蛍光灯、水銀混入ごみ、ボンベや缶、油タンクなどの爆発物などが挙げられる。異物投入検知部１１ｆは、廃棄物が貯留されるごみピット３内に投入された異常物を検知する異物検知装置（不図示）に種類識別部の識別結果（すなわち、画像データから識別された廃棄物の種類の情報）を送信してもよい。異物検知装置（不図示）は、ごみピット３内に廃棄物を投入した業者または車両を時間情報とともに記憶しているデータベースを参照し、異物投入検知部１１ｆから送信される種類識別部１１ｃの識別結果に基づいて、ごみピット３内に異物を投入した業者または車両を特定する。

次に、このような構成からなる情報処理装置１０による情報処理方法の一例について説明する。図３は、情報処理方法の一例を示すフローチャートである。

図３に示すように、まず、第１モデル生成部１１ａ１が、廃棄物が貯留される複数の施設（第２の施設１００とは異なる廃棄物処理施設）のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズム１２ａ（第１モデル）を生成する（ステップＳ１１）。

第２の施設１００への導入前に、第１モデル生成部１１ａが、複数の施設において期間を限られることなく収集、生成された多量の教師データを用いて予め学習することができる。また、１つの施設では出現頻度が少ない廃棄物についても、十分な量の教師データを用いて学習することができる。さらに、施設ごとのごみピットの形状や寸法の違いや、様々な環境条件（たとえば、画像取得用カメラの設置位置、角度、照明条件など）の違いも考慮した多様な教師データを用いて学習を行うことができるため、ロバスト性を有する識別アルゴリズム１２ａ（第１モデル）が得られる。

次に、第２モデル生成部１１ａ２が、第１モデル生成部１１ａ１により生成された識別アルゴリズム１２ａ（第１モデル）に対し、第２の施設１００のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、第２の施設の廃棄物に対応する識別アルゴリズム１２ａ（第２モデル）を生成する（ステップＳ１２）。

ここで、追加学習の用いる教師データ（第２教師データ）の量は、第１モデル生成時に用いる教師データ（第１教師データ）の量に対して、少量とするのがよい。少量であれば、新規導入施設の環境条件（画像取得用カメラの設置位置、角度、照明条件など）や、将来的な環境の変化（ごみ袋の形状や色の変化、ピット側壁の経年的な汚れなど）に影響されづらくなる。

ただし、第１教師データに存在しない種類の廃棄物が第２の施設１００に存在する場合は、それを識別可能な識別アルゴリズム１２ａ（第２モデル）を生成するために、第２教師データにその廃棄物の教師データを含めておくのがよい。

このように構成することで、ロバスト性をある程度保ちつつ、第２の施設１００に対応した識別精度の高い第２モデルが得られる。また、第２の施設１００（新規施設）において廃棄物の種類を識別する識別アルゴリズムの導入に係る工数を減らすことができる。

次に、画像データ取得部１１ｂが、第２の施設１００のごみピット３内を撮像した新たな画像データ１２ｂ（たとえば図４参照）を撮像装置６から取得する（ステップＳ１３）。画像データ取得部１１ｂにより取得された新たな画像データ１２ｂは、記憶部１２に記憶される。

次いで、種類識別部１１ｃが、画像データ取得部１１ｂにより取得された新たな画像データを入力として、第２モデル生成部１１ａ２により生成された識別アルゴリズム１２ａ（第２モデル）を利用して、第２の施設１００のごみピット３内に貯留されている廃棄物の種類を識別する（ステップＳ１４）。

種類識別部１１ｃは、画像データ取得部１１ｂにより取得された新たな画像データ（たとえば図４参照）を入力として、第２モデル生成部１１ａ２により生成された識別アルゴリズム１２ａ（第２モデル）を利用して、第２の施設１００のごみピット３内に貯留されている廃棄物の種類とともに廃棄物以外の識別対象物の種類を識別してもよい（たとえば図６参照）。また、種類識別部１１ｃは、廃棄物の種類の識別結果に基づいて、ごみピット３内に貯留されている廃棄物の種類の比率を領域毎に表示するマップ（たとえば図７参照）を生成してもよい。

次いで、プラント制御部１１ｄが、種類識別部１１ｃによる識別結果に基づいて、廃棄物処理プラントの制御を行う。

具体的には、たとえば、クレーン制御部１１ｄ１が、廃棄物の攪拌または搬送を行うクレーン５を制御するクレーン制御装置５０に、種類識別部１１ｃの識別結果として、図７に示すような廃棄物の種類の比率を領域毎に表示するマップを送信する（ステップＳ１５）。クレーン制御装置５０は、クレーン制御部１１ｄ１から受信するマップに基づいて、廃棄物の種類の比率が全ての領域で等しくなるように、クレーン５を動作させてごみピット３内の廃棄物を攪拌させる。

また、燃焼制御部１１ｄ２が、廃棄物の燃焼を制御する燃焼制御装置２０に、種類識別部１１ｃの識別結果として、図７に示すような廃棄物の種類の比率を領域毎に表示するマップを送信する（ステップＳ１６）。燃焼制御装置２０は、燃焼制御部１１ｄ２から受信するマップに基づいて、クレーン５によって掴まれてごみピット３からホッパ４へと一緒に搬送される廃棄物の種類の比率を把握し、ホッパ４を介して焼却炉１内へと一緒に投入される各廃棄物の比率に応じて廃棄物の燃焼を制御する（たとえば、ストーカの送り速度や供給する空気量を制御する）。

なお、種類識別部１１ｃによりごみピット３内の画像データから作業員または搬送車両が識別された場合には、転落検知部１１ｅが、種類識別部１１ｃの識別結果に基づいて、プラットホーム２１からごみピット３内への作業員または搬送車両の転落を検知し、転落検知装置（不図示）に種類識別部１１ｃの識別結果を送信してもよい。

また、種類識別部１１ｃによりごみピット３内の画像データから異常物が検知された場合には、異物投入検知部１１ｆが、種類識別部１１ｃの識別結果に基づいて、ごみピット３内へ投入された異常物を検知し、異物検知装置（不図示）に種類識別部１１ｃの識別結果を送信してもよい。

ところで、図８に示すように、機械学習（教師あり学習）では、正解となる大量のデータが学習に必要であることから、従来の識別アルゴリズム（従来モデル）を使用するごみ識別方法では、廃棄物処理施設毎に新たに用意しなくてはならない画像データおよび教師データが多量に必要となる。

しかしながら、新規建設施設において識別アルゴリズムを導入する場合には、廃棄物の受入開始から施設の正式運転開始までの期間が限られていることから、短期間で画像データの収集、教師データの作成、およびそれらの学習を行う必要がある。

また、短期間で画像データの収集、教師データの作成、およびそれらの学習を行ったとしても、新規施設で出現頻度の少ない廃棄物は、教師データが少ないため、識別アルゴリズムによるその廃棄物の識別精度が上がらない。

また、廃棄物処理施設は、施設によってごみピットの形状や寸法が異なるほか、様々な環境条件（たとえば、画像取得用カメラの設置位置、角度、照明条件など）が異なることから、ある施設の画像データおよび教師データを用いて作成した識別アルゴリズムを、そのまま他の施設で使用しても、十分な識別精度を得ることはできない。

これに対し、本実施の形態によれば、図９に示すように、新規施設への識別アルゴリズムの導入前に、複数の施設において期間を限られることなく収集、生成された多量の教師データを用いて予め学習することができ、また１つの施設では出現頻度が少ない廃棄物についても、十分な量の教師データを用いて学習することができる。さらに、施設ごとのごみピットの形状や寸法の違いや、様々な環境条件（たとえば、画像取得用カメラの設置位置、角度、照明条件など）の違いも考慮した多様な教師データを用いて学習を行うことができるため、ロバスト性を有する識別アルゴリズム１２ａ（第１モデル）が得られる。次に、そのような第１モデルに対して、新規導入施設において収集、生成された教師データを追加学習して、新規導入施設の廃棄物に対応する識別アルゴリズム１２ａ（第２モデル）を生成する。ここで、本件発明者らの知見によれば、追加学習に用いる教師データ（新規導入施設において収集、生成された教師データ）の量は、第１モデル生成時に用いる教師データ（複数の施設において収集、生成された教師データ）の量に対して、少量とするのがよい。少量であれば、新規導入施設の環境条件（画像取得用カメラの設置位置、角度、照明条件など）や、将来的な環境の変化（ごみ袋の形状や色の変化、ピット側壁の経年的な汚れなど）に影響されづらくなる。ただし、第１教師データに存在しない種類の廃棄物が新規導入施設に存在する場合は、新規導入施設において収集、生成される教師データにその廃棄物の教師データを含めておくことで、それを識別可能な第２モデルを生成できる。これにより、ロバスト性をある程度保ちつつ、新規導入施設に対応した識別精度の高いモデル（第２モデル）が得られる。また、図８に示すような従来の識別アルゴリズム（従来モデル）を使用するごみ識別方法に比べて、新規導入施設において廃棄物の種類を識別する識別アルゴリズム１２ａの導入に係る工数を減らすことができる。

なお、上述した実施の形態に対して様々な変更を加えることが可能である。以下、上述した実施の形態の変形例について説明する。

上述した実施の形態では、図２に示すように、制御部１１が、第１モデル生成部１１ａ１と、第２モデル生成部１１ａ２と、画像データ取得部１１ｂと、種類識別部１１ｃと、プラント制御部１１ｄと、転落検知部１１ｅと、異物投入検知部１１ｆと、を有していたが、これに限定されず、制御部１１の処理の一部は、情報処理装置１０ではなく、情報処理装置１０とは別の情報処理装置やクラウドサーバ上で行われてもよい。また、記憶部１２の一部は、情報処理装置１０ではなく、情報処理装置１０とは別の情報処理装置やクラウドサーバ上にあってもよい。

たとえば、図１０に示すように、第１モデル生成部１１ａ１および第２モデル生成部１１ａ２の処理が外部の情報処理装置１０１（クラウドサーバ）上で実行され、識別アルゴリズム１２ａ（第１モデルおよび第２モデル）が生成されてもよい。また、外部の情報処理装置１０１（クラウドサーバ）上で生成された識別アルゴリズム１２ａを利用して種類識別部１１ｃの処理が外部の情報処理装置１０１（クラウドサーバ）上で実行されてもよいし、図１０に示すように、外部の情報処理装置１０１（クラウドサーバ）で生成された識別アルゴリズム１２ａ（第２モデル）を、第２の施設１００に導入される情報処理装置１０が外部の情報処理装置１０１（クラウドサーバ）からダウンロードし、これを情報処理装置１０内で利用して種類識別部１１ｃの処理が実行されてもよい。この場合、第２の施設１００における第２モデルの運用中に、さらなる学習を外部の情報処理装置１０１にて別途することができる。また、情報処理装置１０の記憶容量を軽減することができる。

制御部１１は、第２モデル生成部１１ａ２により生成された識別アルゴリズム（第２モデル）の運用開始後、運用時の識別精度（すなわち種類識別部１１ｃの識別結果）を定期的にモニタリングし、識別アルゴリズム１２ａ（第２モデル）のモデル見直し及び更新の要否を判断してもよい。たとえば、制御部１１は、エッジサーバーを用いて種類識別部１１ｃの識別結果の正常・異常判定を行い、異常が検出された場合、当該画像データ及び識別結果が、焼却炉１の運営において問題があるか判断する。運営上問題があると判断された場合、熟練運転員が、異常検出された画像データに対して再度廃棄物の種類別にラベリングを行い、新しく教師データを用意し、第２モデル生成部１１ａ２が、異常検出された画像データと新しく用意された教師データとを追加学習して、識別アルゴリズム１２ａ（第２モデル）を更新してもよい。これにより、第２の施設１００における廃棄物の種類の変化や廃棄物の各種類の構成割合の変化などに対応可能となる。

制御部１１は、第１モデル生成時に利用した複数の施設と第２モデル生成時に利用した第２の施設のどちらとも異なる第３の施設に関し、第２モデル生成部１１ａ２により生成された識別アルゴリズム（第２モデル）をベースモデルとして、当該第３の施設のごみピット内を撮像した第３画像データと、その画像中の廃棄物に種類をラベル付けした第３教師データとを、追加学習することにより、当該第３の施設の廃棄物に対応する識別アルゴリズム（第３モデル）を生成してもよい。これにより、第２モデルをさらに他の施設（第３の施設）における第３教師データを用いた追加学習用のベースモデルとして利用できるため、廃棄物の種類の識別精度が逐次的に向上することが期待できる。

上述した実施の形態では、燃焼制御部１１ｄ２は、種類識別部１１ｃの識別結果として、ごみピット３内に貯留されている廃棄物の種類の比率を領域毎に表示するマップ（図７参照）を燃焼制御装置２０へと送信したが、これに限定されず、種類識別部１１ｃの識別結果として、廃棄物の種類の比率を質情報に変換したラベル、たとえば、投入ＯＫ、投入ＮＧ、カロリＬ（Ｌｏｗ）、Ｍ（Ｍｉｄｄｌｅ）、Ｈ（Ｈｉｇｈ）などを領域毎に表示するマップを燃焼制御装置２０へと送信してもよい。また、燃焼制御部１１ｄ２は、種類識別部１１ｃの識別結果として、燃焼状態に影響を与える割合が大きいことを示すラベル（たとえば、未破袋ごみあり、底ごみあり、など）を燃焼制御装置２０へと送信してもよい。同様に、クレーン制御部１１ｄ１は、種類識別部１１ｃの識別結果として、各機器に影響を与える割合が大きいことを示すラベル（たとえば、剪定枝あり、粗大破砕ごみあり、など）をクレーン制御装置５０へと送信してもよい。

種類識別部１１ｃにおいて、識別結果に基づいて、ごみピット３内に貯留されている廃棄物の種類の比率を領域ごとに表示するマップを生成する際、画像データ取得部１１ｂで取得した画像データに対して単に画像データを領域分けして廃棄物の種類の比率を表示してもよいし、画像データとごみピット３の番地割を紐づけて番地ごとに廃棄物の種類の比率を表示してもよい。

画像データとクレーン番地を紐づける方法として、ごみピット３に対して相対的な位置が計測可能なクレーン５に予めしるしをつけておき、しるしをつけたクレーン５を、撮像装置６が多数の画像に写り込ませて撮影することで、種類識別部１１ｃが、しるしをつけたクレーン５が映り込んでいる多数の画像に基づいて、ごみピット３に対する撮像装置６の相対位置と方向を推定し、推定した撮像装置６の位置と撮影方向から画像データ上のピクセルがどの番地に存在しているかを推定する。もしくは、ごみピット３に対して相対的な位置が計測可能なクレーン５を、撮像装置６が多数の画像に写り込ませて撮影し、種類識別部１１ｃが、画像中のクレーン５にしるしをつけることで、当該クレーン５にしるしをつけた多数の画像に基づいて、ごみピット３に対する撮像装置６の相対位置と方向を推定し、推定した撮像装置６の位置と撮影方向から画像データ上のピクセルがどの番地に存在しているかを推定してもよい。

クレーン制御装置５０は、焼却炉１から投入要求が来た際に、クレーン制御部１１ｄ１から受信するマップに基づいて、ごみ種類別の比率閾値による投入基準を満たすごみをごみピット３内から選別し、クレーン５を動作させてホッパ４へ投入してもよい。

また、クレーン制御装置５０は、投入基準を満たすごみをごみピット３内から選別する際、ホッパ４へ前回投入したごみのごみ種類別の比率との差分が小さくなるようごみを選別してもよい。

クレーン制御装置５０は、上記投入基準の比率閾値として、ごみ袋未破袋ごみ、紙ごみ、剪定枝、布団、汚泥、粗大ごみ破砕物、段ボール、麻袋、紙袋、底ごみ、木屑、繊維ごみ、衣類ごみ、プラスチックごみ、動物性残渣、動物死体、厨芥ごみ、草木、土、医療ごみ、焼却灰、農業系ビニール類、ペットボトル、発泡スチロール、肉骨粉、農作物、陶器、ガラスくず、金属くず、がれき類、コンクリートくず、畳、竹、わら、活性炭のうち１つまたは２つ以上の比率閾値を用いてもよい。

また、上記投入基準の決め方として、クレーン制御装置５０は、過去のごみピット３内の映像を撮像することにより得られる画像データに対して、熟練運転員が、当該画像データに示される廃棄物の質を目視により、燃焼安定性及び機器への影響の観点から、投入可否を分類しラベル付けしたものと、当該画像に対して種類識別部１１ｃを用いてごみの種類別の比率を推定させものとを比較することで、熟練運転員が投入可否を判断しているごみ種類別の比率閾値を決めてもよい。

また、クレーン制御装置５０は、クレーン制御部１１ｄ１から受信する、ごみピット３内に貯留されているごみの種類の比率を領域ごとに表示するマップから、実際にホッパ４へ投入したごみのごみ種類別の比率データと、焼却炉１のプロセスデータとを紐づけることで、ごみ種類別の比率閾値を決めてもよいし、両者のデータを経時的に紐づけ、比率閾値を動的に変更してもよい。

また、クレーン制御装置５０は、上記プロセスデータだけでなく天候情報をもとに比率閾値を動的に変更してもよい。たとえば、クレーン制御装置５０は、天候情報から当日が雨であれば、未破袋ごみ袋の比率閾値を下げる、あるいは、粗大ごみ破砕物の比率閾値を上げるといったように比率閾値による投入基準を変更させる。

また、クレーン制御装置５０は、曜日情報をもとに比率閾値を動的に変更してもよい。たとえば、クレーン制御装置５０は、曜日情報から日曜日はごみピット３内のごみが少ないのでごみ焼却量を抑えるために、未破袋ごみ袋の比率閾値を上げるといったように比率閾値による投入量基準を変更させる。

また、クレーン制御装置５０は、廃棄物処理施設１００の操炉計画値をもとに比率閾値を動的に変更してもよい。たとえば、クレーン制御装置５０は、現在の蒸発量設定値から蒸発量が落ち込んでいたら、未破袋ごみ袋の比率閾値を下げる、あるいは粗大ごみ破砕物の比率閾値を上げるといったように比率閾値による投入基準を変更させる。

クレーン制御装置５０は、焼却炉１から投入要求が来た際に、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値による投入基準を満たすごみが存在しない場合、クレーン５を動作させて投入基準に近いごみをホッパ４へ投入してもよいし、投入基準に近いごみを撹拌し、投入基準に達するごみを作成してもよい。

クレーン制御装置５０は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値による投入基準を満たすごみだけを、クレーン５を動作させてごみピット３の特定の箇所に積上げてもよい。そうすることで、投入基準を満たすごみをごみピット３内に蓄積することができる。

クレーン制御装置５０は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値により、ごみピット３内に存在する燃焼状態へ影響を与える廃棄物（たとえば、汚泥）や各機器のトラブルの要因となる廃棄物（たとえば剪定枝）を検知し、クレーン５を動作させてごみピット３の特定の箇所に貯留してもよいし、特定の場所にばらまいてもよい。

クレーン制御装置５０は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値による撹拌基準を満たしていないごみがごみピット３内に存在する場合、クレーン５を動作させて当該ごみを撹拌してもよい。上記撹拌基準は、投入基準と同一でもよいし異なっていてもよい。

また、クレーン制御装置５０は、上記撹拌基準を、焼却炉１のプロセスデータや、天候情報、曜日情報、ごみ搬入業者情報、ごみ搬入量（総量やごみ種類別搬入量）情報、ごみ搬入速度、ごみピットレベル（全体、特定エリア）情報、クレーン稼働状況（２台運転可能、１台運転のみ、現在１台運転中、現在２台運転中）情報、ごみ収集車の収集ルート・収集エリア情報のうち１つまたは２つ以上を用いて、動的に変更してもよい。

クレーン制御装置５０は、クレーン制御１１ｄ１から受信するマップにおいて、領域ごとのごみ種類別の比率から、ごみピット３全体の撹拌状況を判断し、クレーン５の２台運転の要否を判断し、クレーン５を動作させ、２台目クレーンの運転開始、あるいは２台目クレーンの格納を行ってもよい。

また、上記例ではクレーン制御装置５０がクレーン５を動作させていたが、クレーン制御装置５０の上流側にクレーン操作判断装置（不図示）が設けられており、クレーン操作判断装置でクレーン５の動作内容を決定し、クレーン制御装置５０へ動作内容の指令を送信し、指令を受信したクレーン制御装置５０が受信した指令内容をもとにクレーン５を動作させてもよい。クレーン操作判断装置は、情報処理装置１０との間及びクレーン制御装置５０との間で情報を送受信する。あるいは、クレーン操作判断装置は、情報処理装置１０の一部であってもよく、すなわち情報処理装置１０がクレーン操作判断装置を含んでいてもよい。

クレーン操作判断装置は、焼却炉１から投入要求が来た際にクレーン制御装置５０から投入要求信号を受け、クレーン制御部１１ｄ１から受信するマップに基づいて、ごみ種類別の比率閾値による投入基準を満たすマップのごみをごみピット３内から選別し、当該ごみをホッパ４へ投入するようクレーン制御装置５０に指令を送信し、クレーン制御装置５０は受信した指令をもとにクレーン５を動作させてもよい。また、クレーン操作判断装置は、投入基準を満たすごみをごみピット内から選別する際、ホッパ４へ前回投入したごみのごみ種類別の比率との差分が小さくなるようごみを選別してもよい。

クレーン操作判断装置は、焼却炉１から投入要求が来た際にクレーン制御装置５０から投入要求信号を受け、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値による投入基準を満たすごみが存在しない場合、投入基準に近いごみをホッパ４へ投入させる、あるいは投入基準に近いごみを撹拌し投入基準に達するごみを作成するようクレーン制御装置５０に指令を送信し、クレーン制御装置５０はクレーン５を動作させてもよい。

クレーン操作判断装置は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種別の比率閾値による投入基準を満たすごみだけをごみピット３内の特定箇所に積上げるようクレーン制御装置５０に指令を送信し、クレーン制御装置５０は、クレーンクレーン５を動作させてもよい。そうすることで、投入基準を満たすごみをごみピット３内に蓄積することができる。

クレーン操作判断装置は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値により、ごみピット３内に存在する燃焼状態へ影響を与える廃棄物（たとえば、汚泥）や各機器のトラブルの要因となる廃棄物（たとえば剪定枝）を検知し、ごみピット３内の特定の箇所に貯留する、もしくは特定の場所にばらまくようクレーン制御装置５０へ指令を送信し、クレーン制御装置５０はクレーン５を動作させてもよい。

クレーン操作判断装置は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値による撹拌基準を満たしていないごみがごみピット３内に存在する場合、当該ごみを撹拌するようクレーン制御装置５０へ指令を送信し、クレーン制御装置５０はクレーン５を動作させてもよい。上記撹拌基準は、投入基準と同一でもよいし異なっていてもよい。

クレーン操作判断装置は、クレーン制御１１ｄ１から受信するマップにおいて、領域ごとのごみ種類別の比率から、ごみピット３全体の撹拌状況を判断し、クレーン５の２台運転の要否を判断し、クレーン制御装置５０へ指令を送信し、クレーン制御装置５０は、クレーン５を動作させ、２台目クレーンの運転開始、あるいは２台目クレーンの格納を行ってもよい。

なお、上述した実施の形態では、廃棄物の種類を識別する情報処理装置１０が、廃棄物処理施設１００のごみピット３にて使用される例が説明されたが、情報処理装置１０の使用場所は、廃棄物が貯留される廃棄物貯留場所であれば、廃棄物処理施設１００のごみピット３に限定されるものではなく、たとえば、情報処理装置１０は、リサイクル設備の受け入れ場所にて使用されてもよい。

以上、本発明の実施の形態および変形例を例示により説明したが、本発明の範囲はこれらに限定されるものではなく、請求項に記載された範囲内において目的に応じて変更・変形することが可能である。また、各実施の形態および変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、本実施の形態に係る情報処理装置１０は１つまたは複数のコンピュータによって構成され得るが、１つまたは複数のコンピュータに情報処理装置１０を実現させるためのプログラム及び当該プログラムを非一時的に記録した記録媒体も、本件の保護対象である。

１ 焼却炉
２ 燃焼装置
３ ごみピット
４ ホッパ
５ クレーン
６ 撮像装置
１０ 情報処理装置
１１ 制御部
１１ａ１ 第１モデル生成部
１１ａ２ 第２モデル生成部
１１ｂ 画像データ取得部
１１ｃ 種類識別部
１１ｄ プラント制御部
１１ｅ 転落検知部
１１ｆ 異物投入検知部
１２ 記憶部
１２ａ 識別アルゴリズム
１２ｂ 画像データ
１３ 通信部
１４ 表示部
２０ 燃焼制御装置
２１ プラットホーム
２２ 搬送車両
５０ クレーン制御装置
１００ 廃棄物処理施設
１０１ 外部の情報処理装置

Claims (20)

1. 廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成するステップと、
   生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成するステップと、
   を含む情報処理方法。
2. 前記第２画像データおよび前記第２教師データは、その画像中に前記第２の施設のごみピットの側壁および／または廃棄物の攪拌または搬送を行うクレーンを含む、
   請求項１に記載の情報処理方法。
3. 前記第１教師データに対する、前記第２教師データの量は、３０％以下である、
   請求項１または２に記載の情報処理方法。
4. 前記第１教師データに対する、前記第２教師データの量は、１５％以下である、
   請求項３に記載の情報処理方法。
5. 前記第１教師データに対する、前記第２教師データの量は、５％以下である、
   請求項４に記載の情報処理方法。
6. 前記識別アルゴリズムは、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、のうちの１つまたは２つ以上を含む、
   請求項１～５のいずれかに記載の情報処理方法。
7. 前記第２教師データは、前記第２の施設のごみピット内を撮像した画像の全体にラベル付けしたものを含む、
   請求項１～６のいずれかに記載の情報処理方法。
8. 前記第２教師データは、前記第２の施設のごみピット内を撮像した画像の一部を切り出して、その切り出された部分のみラベル付けしたものを含む、
   請求項１～６のいずれかに記載の情報処理方法。
9. 前記第２モデルを生成するステップにて用いられる前記第２画像データは、前記第２の施設のごみピット内を撮像した画像データを前記第１モデルに入力して廃棄物の種類を識別したうえで、それらの画像データの中から、識別精度が予め定められた第１基準より低い画像データを選択したものである、
   請求項１～８のいずれかに記載の情報処理方法。
10. 前記第１モデルを生成するステップでは、各施設における撮影条件および／または撮影環境の情報をあわせて学習する、
    請求項１～９のいずれかに記載の情報処理方法。
11. 前記第１画像データは、各施設のごみピット内を撮像した画像データに対し、前記複数の施設間で共通の画像補正用カラーチャートを撮像した画像を参照として、色調、明度、彩度のうちの少なくとも１つの補正を行ったものである、
    請求項１～１０のいずれかに記載の情報処理方法。
12. 前記第１画像データは、各施設のごみピット内を、前記複数の施設間で共通の画像補正用カラーチャートとともに撮像したものである、
    請求項１～１０のいずれかに記載の情報処理方法。
13. 前記第２画像データは、前記第２の施設の３次元設計データに基づいて作成されたごみピットの側壁および／または廃棄物の攪拌または搬送を行うクレーンのレンダリング画像に対し、前記複数の施設のごみピット内の廃棄物、または前記複数の施設および前記第２の施設のどちらとも異なる他の施設のごみピット内の廃棄物を撮像した画像を合成したものを含む、
    請求項１～１２のいずれかに記載の情報処理方法。
14. 生成された第２モデルの運用開始後、運用時の識別精度を定期的にモニタリングし、識別精度が予め定められた第２基準より低くなった場合に、前記第２モデルに対し、そのときの廃棄物の画像データと、その画像中の廃棄物に種類をラベル付けした教師データとを、追加学習することにより、前記第２モデルを更新するステップをさらに含む、
    請求項１～１３のいずれかに記載の情報処理方法。
15. 生成された第２モデルに対し、前記複数の施設および前記第２の施設のどちらとも異なる第３の施設のごみピット内を撮像した第３画像データと、その画像中の廃棄物に種類をラベル付けした第３教師データとを、追加学習することにより、前記第３の施設の廃棄物に対応する識別アルゴリズムである第３モデルを生成するステップをさらに含む、
    請求項１～１４のいずれかに記載の情報処理方法。
16. 廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成する第１モデル生成部と、
    生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成する第２モデル生成部と、
    を備えた情報処理装置。
17. コンピュータに、
    廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成するステップと、
    生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成するステップと、
    を実行させるための情報処理プログラム。
18. 廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設のごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別するステップ
    を含む情報処理方法。
19. 廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設のごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別する種類識別部
    を備えた情報処理装置。
20. コンピュータに、
    廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設のごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別するステップ
    を実行させるための情報処理プログラム。

Images