JP2023023040A - 廃棄物収容器の収容飽和度推定システム - Google Patents

Abstract

【課題】廃棄物収容器内が廃棄物で飽和したか否かを自動分析することが可能な廃棄物収容器の収容飽和度推定システムを提供する。【解決手段】底面７１と、この底面７１から立ち上がる側面７２とを少なくとも備える容器本体と、上記容器本体内を撮像する撮像手段とを有する廃棄物を収容するための廃棄物収容器７と、上記撮像手段により撮像された容器本体内に収容された廃棄物の画像を取得する情報取得手段と、廃棄物の画像に関する参照用画像情報と、上記容器本体の収容飽和度との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した画像情報に応じた参照用画像情報に基づき、上記容器本体の収容飽和度を推定する推定手段とを有する推定装置２とを備えることを特徴とする。【選択図】図２

Description

本発明は、廃棄物収容器の収容飽和度推定システムに関する。

廃棄物は、通常ゴミ箱と呼ばれる廃棄物収容器に投入される。この廃棄物収容器は、駅やコンビニエンスストア等、至るところに設置されている。特に駅においては自動販売機に近接させて廃棄物収容器が設置される場合が多い。これにより、自動販売機でペットボトルや缶に封入された飲料を飲み終わった顧客は、空のペットボトルや缶等をそのまま廃棄物収容器に投入することが可能となる。

ところで、この廃棄物収容器は、廃棄物で飽和した場合には、廃棄物を一旦捨てて容器本体内を空にする必要がある。しかし、この廃棄物が飽和したか否かを都度確認するのは煩雑であるため、自動的に廃棄物の収容飽和度を推定するシステムが従来より望まれていたが、未だそのような技術は案出されていないのが現状であった。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、廃棄物収容器内が廃棄物で飽和したか否かを自動分析することが可能な廃棄物収容器の収容飽和度推定システムを提供することにある。

本発明に係る廃棄物収容器の収容飽和度推定システムは、底面と、この底面から立ち上がる側面とを少なくとも備える容器本体と、上記容器本体内を撮像する撮像手段とを有する廃棄物を収容するための廃棄物収容器と、上記撮像手段により撮像された容器本体内に収容された廃棄物の画像を取得する情報取得手段と、廃棄物の画像に関する参照用画像情報と、上記容器本体の収容飽和度との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した画像情報に応じた参照用画像情報に基づき、上記容器本体の収容飽和度を推定する推定手段とを有する推定装置とを備えることを特徴とする。

特段のスキルや経験が無くても、誰でも手軽に自動的に廃棄物の収容飽和度を推定することが可能となる。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

以下、本発明を適用した需要推定システムについて、図面を参照しながら詳細に説明をする。

図１は、本発明を適用した需要推定システム１の全体構成を示すブロック図である。識別情報推定システム１は、情報取得部９と、情報取得部９に接続された推定装置２と、推定装置２に接続されたデータベース３と、廃棄物収容器７とを備えている。

廃棄物収容器７は、いわゆるゴミ箱といわれるもので、廃棄物（例えば、ペットボトル、ビン、缶、新聞紙、燃えるゴミ、燃えないゴミ、資源ごみ等）を収容するものである。廃棄物は、廃棄物収容器７に対して投げ入れられるものが通常であるが、例えばペットボトルやビン、缶用の廃棄物収容器７は、ペットボトルやビン等の径に応じた丸穴が開けられており、その丸穴を通じて廃棄物が廃棄される。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する推定装置２と一体化されていてもよい。情報取得部９は、検知した情報を推定装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、風向センサ、を測るための照度センサで構成されていてもよい。また情報取得部９は、天候についてのデータを気象庁や民間の天気予報会社から取得する通信インターフェースで構成されていてもよい。また情報取得部９は身体に装着して身体のデータを検出するための身体センサで構成されていてもよく、この身体センサは、例えば体温、心拍数、血圧、歩数、歩く速度、加速度を検出するためのセンサで構成されていてもよい。また情報取得部９は図面等の情報をスキャニングしたり、或いはデータベースから読み出すことで取得するデバイスとして構成されていてもよい。情報取得部９は、これら以外に臭気や香りを検知する臭気センサにより構成されていてもよい。

なお、情報取得部９は、廃棄物収容器７に取り付けられ、廃棄物収容器内における廃棄物を撮像可能とされている。

図２は、廃棄物収容器７の構成例を示している。廃棄物収容器７は、底面７１と、この底面７１から立ち上がる側面７２と、側面７２の上部に設けられた天板７３と、天板７３に設けられた廃棄物投入口７４とからなる容器本体を備えている。ちなみに、この天板７３、廃棄物投入口７４の構成は省略してもよい。廃棄物投入口７４は、例えば缶や瓶、ペットボトルを投入するための開口部である。この廃棄物投入口７４の径は、缶や瓶、ペットボトルの径に応じたものとなっている。

情報取得部９をカメラで構成する場合には、例えば情報取得部９ａのように廃棄物投入口７４に投入される廃棄物を撮影可能な位置に設けられ、廃棄物投入口７４に投入された廃棄物を都度撮像することにより画像情報を取得可能な構成としてもよい。また、情報取得部９ｂのように、容器本体内を撮像可能な位置に設けられ、廃棄物収容器７内に投げ入れられた廃棄物を撮像して画像情報を取得可能な構成としてもよい。

なお、この廃棄物収容器７は、推定結果を外部に無線、又は有線通信するための図示しない通信部を備えるようにしてもよい。かかる場合には、推定結果を外部システムに無線により即座に送信することも可能となる。

データベース３は、識別情報推定を行う上で必要な様々な情報が蓄積される。識別情報推定を行う上で必要な情報としては、過去において廃棄物の外観を撮像した参照用画像情報等と、これらに対して実際に判断がなされた廃棄物に派生する物品の識別情報とのデータセットが記憶されている。

推定装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この推定装置２による探索解を得ることができる。

図３は、推定装置２の具体的な構成例を示している。この推定装置２は、推定装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、推定装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

ちなみに、本発明は、このようなデータベース３に記録されたデータセットに基づいて探索装置２が各種判別や制御、提案、推定を行う場合に限定されるものではなく、例えばシステムの末端装置であるエッジデバイスに搭載される人工知能で構成されるものであってもよい。

かかる場合には、例えば廃棄物収容器７に設けられたエッジデバイスにより、推定処理を行うものであってもよい。

上述した構成からなる識別情報推定システム１における動作について説明をする。

識別情報推定システム１は、廃棄物収容器７と売り場が近接していない場合において、廃棄物収容器７に収容された廃棄物の種別から、売り場における物品需要を推定するものである。但し、この識別情報推定システム１は、例えば自動販売機の横に廃棄物収容器７が設置される場合等のように、廃棄物収容器７と売り場が近接している場合においても、その売り場の物品需要を推定する者であってもよいことは勿論である。

識別情報推定システム１は、例えば図４に示すように、参照用画像情報と、物品の識別情報との３段階以上の連関度が予め設定されていることが前提となる。参照用画像情報とは、廃棄物を撮像することにより得られた画像情報から得られるものであり、画像情報を解析することで得ることができる。この画像は静止画のみならず動画であってもよい。また、この画像は可視光で構成されるが画像ではなく、スペクトルに応じて表示色を切り替えたいわゆるスペクトル画像で構成されていてもよい。この参照用画像情報は、廃棄物について撮像した画像を解析することで、廃棄物の大きさ、形状、色の何れかに基づいて、廃棄物の外観を特定するようにしてもよい。またこの参照用画像情報は、廃棄物について撮像した超音波画像で構成してもよい。これらの廃棄物の外観は、以前において学習させた特徴量に基づいて判別するようにしてもよい。このとき、人工知能を活用し、廃棄物の大きさ、形状、色等の画像データと、廃棄物の種別（例えば、ペットボトル、ビン、缶、新聞紙、燃えるゴミ、燃えないゴミ、資源ごみ等）や、廃棄物そのものの内容（ペットボトルであればその飲料の商品名、菓子容器であればその菓子の商品名等）等、廃棄物が何かを判別するための識別情報を学習させておき、実際に参照用画像情報を取得する際には、これらの学習させた画像データと照らし合わせて、その廃棄物を判別するようにしてもよい。

かかる場合には、画像情報と、廃棄物の大きさ、形状、色の何れかの外観とを教師データとして機械学習された予想モデルを用い、入力を上記画像情報とし、出力を上記外観として判定した結果に基づいて、外観を特定するようにしてもよい。

このような参照用画像情報と、廃棄物に派生する物品の識別情報からなるデータセットを取得しておき、これを学習させる。ここでいう廃棄物に派生する物品とは、廃棄物になる前の物品である。物品が顧客によって消費されて廃棄物に派生する。廃棄物に派生する前の物品が何であるかを特定することで、物品の需要を識別することができる。

図４の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用画像情報Ｐ０１～Ｐ０３は、出力としての廃棄物に派生する物品の識別情報に連結している。この出力においては、出力解としての、廃棄物に派生する物品の識別情報が表示されている。

参照用画像情報は、この出力解としての廃棄物に派生する物品の識別情報Ａ～Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。識別情報は、例えば識別情報Ａは、ペットボトル、識別情報Ｂは、空き缶等、大まかな種別で構成されていてもよいし、更に具体定期には、識別情報Ｃはペットボトルの商品〇〇、識別情報Ｄはペットボトルの商品▽▼等、具体的な商品のレベルまで落とし込まれていてもよい。参照用画像情報がこの連関度を介して左側に配列し、各廃棄物に派生する物品の識別情報が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報に対して、何れの廃棄物に派生する物品の識別情報と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報が、いかなる廃棄物に派生する物品の識別情報に紐付けられる可能性が高いかを示す指標であり、参照用画像情報から最も確からしい廃棄物に派生する物品の識別情報を選択する上での的確性を示すものである。図４の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての廃棄物に派生する物品の識別情報と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。

推定装置２は、このような図４に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用画像情報と、その場合の廃棄物に派生する物品の識別情報の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図４に示す連関度を作り上げておく。

例えば、参照用画像情報がαであるものとする。このような参照用画像情報に対する廃棄物に派生する物品の識別情報としては廃棄物に派生する物品の識別情報Ａが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用画像情報との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１である場合に、過去の廃棄物に派生する物品の識別情報の評価を行った結果の各種データから分析する。こ参照用画像情報Ｐ０１である場合に、廃棄物に派生する物品の識別情報Ａの事例が多い場合には、この廃棄物に派生する物品の識別情報の評価につながる連関度をより高く設定し、廃棄物に派生する物品の識別情報Ｂの事例が多い場合には、この廃棄物に派生する物品の識別情報の評価につながる連関度をより高く設定する。例えば参照用画像情報Ｐ０１の例では、廃棄物に派生する物品の識別情報Ａと、廃棄物に派生する物品の識別情報Ｃにリンクしているが、以前の事例から廃棄物に派生する物品の識別情報Ａにつながるｗ１３の連関度を７点に、廃棄物に派生する物品の識別情報Ｃにつながるｗ１４の連関度を２点に設定している。

また、この連関度は、図５に示すように、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の評価対象の廃棄物の外観の画像等と実際に推定・評価した廃棄物に派生する物品の識別情報とのデータセットを通じて作った後に、実際にこれから新たに廃棄物に派生する物品の識別情報の判別を行う上で、上述した学習済みデータを利用して廃棄物に派生する物品の識別情報を探索することとなる。かかる場合には、実際に判別対象の領域において画像情報を新たに取得する。新たに取得する画像情報は、上述した情報取得部９により入力される。画像情報は、識別情報を判別しようとする廃棄物を撮像することで取得する。この判別方法は、上述した参照用画像情報と同様の手法で行うようにしてもよい。

このようにして新たに取得した画像情報に基づいて、廃棄物に派生する物品の識別情報を判別する。かかる場合には、予め取得した図４（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して廃棄物に派生する物品の識別情報Ｂがｗ１５、廃棄物に派生する物品の識別情報Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い廃棄物に派生する物品の識別情報Ｂを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる廃棄物に派生する物品の識別情報Ｃを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このようにして、新たに取得する画像情報から、最も好適な廃棄物に派生する物品の識別情報を探索し、表示し、送信することができる。この探索結果を見ることにより、運営側は、探索された廃棄物に派生する物品の識別情報に基づいて廃棄物に派生する物品の需要を推定することが可能となる。しかも廃棄物に接触することなく、画像の撮像を通じてこれらの識別情報を予測することができるため、廃棄物に接触することにより手を汚してしまうことがなくなる。

探索した物品の識別情報から、各物品の需要を推定するためには、例えば識別された物品の個数や頻度を、各物品について求め、或いは物品間において識別個数や頻度の割合を求め、求めた結果と需要を結びつけるようにしてもよい。求めた結果と需要との結び付けは、予め作成した識別された物品の個数や頻度、割合と、需要とを紐付けたテンプレートに基づいて行うようにしてもよい。

特に情報取得部９ａのように廃棄物投入口７４に投入される廃棄物を撮影可能な位置に設けられ、廃棄物投入口７４に投入された廃棄物を都度撮像することにより参照用画像情報、画像情報を得ることで、投入される廃棄物自体に焦点を当てた画像から識別情報を探索することが可能となる。また、情報取得部９ｂのように、容器本体内を撮像可能な位置に設けられ、廃棄物収容器７内に投げ入れられた廃棄物を撮像することにより参照用画像情報、画像情報を得ることで、容器内にある複数の廃棄物から物品の識別情報を探索することが可能となる。

なお、この図４において、参照用画像情報の代替として、参照用センシング情報と、廃棄物に派生する物品の識別情報との３段階以上の連関度を予め学習させるようにしてもよい。参照用センシング情報は、物体を検知する周知のセンサから得られる情報である。例えば、廃棄物投入口７４に投入される廃棄物をセンシング可能な位置に設けられ、廃棄物投入口７４に投入された廃棄物を都度センシングすることによりセンシング情報をすることができる。例えば、センサの配置や設定をすることで廃棄物の大きさに応じて、センサが反応し、又は反応しない状態を作り出すことができることから、廃棄物の大きさ自体をセンサを通じて識別することが可能となる。

このようにして得られた参照用センシング情報と、上述した物品の識別情報とを互いに３段階以上の連関度を通じて学習させておき、解探索時において、センシング情報を入力することにより、探索解としての物品の識別情報を同様に探索することが可能となる。

図６の例では、参照用画像情報と、容器本体内への廃棄物の収容時の参照用音声情報との組み合わせが形成されていることが前提となる。参照用音声情報とは、容器本体内への廃棄物の収容時の音声を録音し、また必要に応じて周波数解析を行ったデータで構成される。この収容時とは、廃棄物を投げ入れた段階でもよいが、これに限定されるものではなく、後の収容されている状態における音声を録音してもよい。

廃棄物に派生する物品の識別情報は、参照用画像情報に加え、ビンや缶に応じて投げ入れた時の音声が異なる。このため、この参照用音声情報も説明変数として加えている。

図６の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用音声情報Ｐ１４～１７であるものとする。このような入力データとしての、参照用画像情報に対して、参照用音声情報が組み合わさったものが、図６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、廃棄物に派生する物品の識別情報が表示されている。

参照用画像情報と参照用音声情報との各組み合わせ（中間ノード）は、この出力解としての、廃棄物に派生する物品の識別情報に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用音声情報がこの連関度を介して左側に配列し、廃棄物に派生する物品の識別情報が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用音声情報に対して、廃棄物に派生する物品の識別情報と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用音声情報が、いかなる廃棄物に派生する物品の識別情報に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用音声情報から最も確からしい廃棄物に派生する物品の識別情報を選択する上での的確性を示すものである。このため、これらの参照用画像情報と参照用音声情報の組み合わせで、最適な廃棄物に派生する物品の識別情報を探索していくこととなる。

図６の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

推定装置２は、このような図６に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用画像情報と参照用音声情報、並びにその場合の廃棄物に派生する物品の識別情報が何れが見合うものであったか、過去のデータを蓄積しておき、これらを分析、解析することで図６に示す連関度を作り上げておく。

例えば、過去にあった実際の事例における参照用画像情報がαであるものとする。また参照用音声情報が、ある周波数帯域においてピークがある音声であるものとする。かかる場合に、実際にその廃棄物に派生する物品の識別情報がいくらであったかを示す廃棄物に派生する物品の識別情報をデータセットとして学習させ、上述した連関度という形で定義しておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用音声情報Ｐ１６である場合に、その廃棄物に派生する物品の識別情報を過去のデータから分析する。廃棄物に派生する物品の識別情報がＡの事例が多い場合には、この識別情報Ａにつながる連関度をより高く設定し、廃棄物に派生する物品の識別情報Ｂの事例が多く、廃棄物に派生する物品の識別情報Ａの事例が少ない場合には、廃棄物に派生する物品の識別情報Ｂにつながる連関度を高くし、廃棄物に派生する物品の識別情報Ａにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、廃棄物に派生する物品の識別情報Ａと識別情報Ｂの出力にリンクしているが、以前の事例から廃棄物に派生する物品の識別情報Ａにつながるｗ１３の連関度を７点に、廃棄物に派生する物品の識別情報Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図６に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図６に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して、参照用音声情報Ｐ１４の組み合わせのノードであり、廃棄物に派生する物品の識別情報Ｃの連関度がｗ１５、廃棄物に派生する物品の識別情報Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用位置情報Ｐ１５、Ｐ１７の組み合わせのノードであり、廃棄物に派生する物品の識別情報Ｂの連関度がｗ１７、廃棄物に派生する物品の識別情報Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから廃棄物に派生する物品の識別情報を判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際に画像情報と、音声情報とを取得する。音声情報は、実際に識別情報を推定しようとする廃棄物の収容時の音声を取得する。

このようにして新たに取得した画像情報、音声情報に基づいて、最適な廃棄物に派生する物品の識別情報を探索する。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、音声情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、廃棄物に派生する物品の識別情報Ｃがｗ１９、廃棄物に派生する物品の識別情報Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い廃棄物に派生する物品の識別情報Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる廃棄物に派生する物品の識別情報Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、入力から伸びている連関度ｗ１～ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１～ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１～ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１～ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

図７は、上述した参照用画像情報に加え、上述した参照用音声情報の代わりに容器本体内の廃棄物の重量に関する参照用重量情報との組み合わせと、当該組み合わせに対する廃棄物に派生する物品の識別情報との３段階以上の連関度が設定されている例を示している。

参照用重量情報は、廃棄物の重量に関するもので、底面７１の下部に設けられた図示しない重量計により測定された重量データで構成されていてもよい。廃棄物の重量は、廃棄物に派生する物品の識別情報と関係することが既に知られている。このため、この参照用重量情報を組み合わせて連関度を形成することにより、廃棄物に派生する物品の識別情報の判断精度を向上させる趣旨である。

図７の例では、入力データとして例えば参照用画像情報Ｐ０１～Ｐ０３、参照用重量情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用画像情報に対して、参照用重量情報が組み合わさったものが、図７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、廃棄物に派生する物品の識別情報が表示されている。

参照用画像情報と参照用重量情報との各組み合わせ（中間ノード）は、この出力解としての、廃棄物に派生する物品の識別情報に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用重量情報がこの連関度を介して左側に配列し、廃棄物に派生する物品の識別情報が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用重量情報に対して、廃棄物に派生する物品の識別情報と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用重量情報が、いかなる廃棄物に派生する物品の識別情報に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用重量情報から最も確からしい廃棄物に派生する物品の識別情報を選択する上での的確性を示すものである。

推定装置２は、このような図７に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用画像情報を取得する際に撮像した廃棄物の参照用重量情報、並びにその場合の廃棄物に派生する物品の識別情報が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図７に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ０１で、参照用重量情報Ｐ２０である場合に、その廃棄物に派生する物品の識別情報を過去のデータから分析する。廃棄物に派生する物品の識別情報Ａの事例が多い場合には、この廃棄物に派生する物品の識別情報がＡにつながる連関度をより高く設定し、廃棄物に派生する物品の識別情報がＢの事例が多く、廃棄物に派生する物品の識別情報がＡの事例が少ない場合には、廃棄物に派生する物品の識別情報がＢにつながる連関度を高くし、廃棄物に派生する物品の識別情報がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、廃棄物に派生する物品の識別情報Ａと廃棄物に派生する物品の識別情報Ｂの出力にリンクしているが、以前の事例から廃棄物に派生する物品の識別情報Ａにつながるｗ１３の連関度を７点に、廃棄物に派生する物品の識別情報Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図７に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ０１に対して参照用重量情報Ｐ１８の組み合わせのノードであり、廃棄物に派生する物品の識別情報Ｃの連関度がｗ１５、廃棄物に派生する物品の識別情報Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ０２に対して、参照用重量情報Ｐ１９、Ｐ２１の組み合わせのノードであり、廃棄物に派生する物品の識別情報Ｂの連関度がｗ１７、廃棄物に派生する物品の識別情報Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから廃棄物に派生する物品の識別情報の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその廃棄物に派生する物品の識別情報の判別対象の画像情報と、重量情報とを取得する。ここで重量情報は、廃棄物に派生する物品の識別情報を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用重量情報と同様である。

このようにして新たに取得した画像情報と、重量情報に基づいて、最適な廃棄物に派生する物品の識別情報を探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ０２と同一かこれに類似するものである場合であって、重量情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、廃棄物に派生する物品の識別情報Ｃがｗ１９、廃棄物に派生する物品の識別情報Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い廃棄物に派生する物品の識別情報Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる廃棄物に派生する物品の識別情報Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、参照用情報としては、参照用時刻情報を適用するようにしてもよい。参照用時刻情報は、参照用画像情報の取得時点に対応する時刻に関する情報である。この参照用時刻情報と参照用画像情報とを有する組み合わせと廃棄物に派生した物品の識別情報との３段階以上の連関度を予め学習データとして取得しておく。そして解探索時には、推定対象の廃棄物の撮像時点に対応する時刻に関する時刻情報を取得する。そして、この時刻情報に対応する参照用時刻情報を介して、上述した連関度を参照しつつ、解探索を行う点は上述と同様である。

また参照用情報としては、参照用位置情報を適用するようにしてもよい。参照用位置情報は、廃棄物収容器７の設置位置に関する情報である。参照用位置情報は、廃棄物収容器７が実際に設置されている番地や住所のデータで構成されていてもよいが、これに限定されるものでは無く、実際の二次元マップ上における廃棄物収容器７の設置位置が示されるものであってもよい。このとき、周囲にある建造物や施設等の情報もこの参照用位置情報に含めてもよい。この参照用位置情報は、例えば廃棄物収容器７の設置位置がビルやマンション、ホテル、駅や船等の中であればこれらの建造物や船を特定できる情報で構成されていてもよい。廃棄物収容器７は都道府県レベルの大まかな位置情報で構成してもよいし、市区町村レベルの中程度の広さの位置情報で構成されていてもよい。また、位置情報はＧＰＳで示される座標情報等で構成されるものであってもよい。

この参照用位置情報と参照用画像情報とを有する組み合わせと廃棄物に派生した物品の識別情報との３段階以上の連関度を予め学習データとして取得しておく。そして解探索時には、推定対象の廃棄物が廃棄される廃棄物収容器７の設置位置に関する位置情報を取得する。そして、この位置情報に対応する参照用位置情報を介して、上述した連関度を参照しつつ、解探索を行う点は上述と同様である。

なお、参照用情報としては、参照用気象情報を適用するようにしてもよい。参照用気象情報は、参照用画像情報の取得時点における参照用気象情報に関する情報であり、温度、湿度、天気（晴れ、曇り、雨）、台風の動き、風向、雨量等、あらゆる天候、気候に関するデータが含まれる。参照用気象情報は、気象庁や民間の気象予測会社のデータから取得するようにしてもよい。気象によって、例えば暑い日と寒い日で消費される飲料の種類、ひいてはそれから派生する廃棄物の種類も異なることから、これを説明変数として加えたものである。この参照用気象情報と参照用画像情報とを有する組み合わせと廃棄物に派生した物品の識別情報との３段階以上の連関度を予め学習データとして取得しておく。そして解探索時には、推定対象の廃棄物の撮像時点に対応する気象情報を取得する。そして、この気象情報に対応する参照用気象情報を介して、上述した連関度を参照しつつ、解探索を行う点は上述と同様である。

また参照用情報としては、参照用属性情報を適用するようにしてもよい。参照用属性情報は、消費者の年齢や性別、外見から判断される職業や学生、生徒の種別である。実際に学習データを作る上では、消費者をカメラにより撮像し、画像解析をすることにより、その特徴を抽出する。この特徴抽出には、必要に応じてその画像データを画像解析することにより、これを取得する。必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて消費者の年齢や性別、外見から判断される職業や学生、生徒の種別を自動判別し、データ化してもよい。

この参照用属性情報と参照用画像情報とを有する組み合わせと廃棄物に派生した物品の識別情報との３段階以上の連関度を予め学習データとして取得しておく。そして解探索時には、廃棄物を廃棄しようとする消費者を撮像し、上述と同様に、画像解析をすることにより、その特徴を抽出する。この特徴抽出には、必要に応じてその画像データを画像解析することにより、これを取得する。必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて消費者の年齢や性別、外見から判断される職業や学生、生徒の種別を自動判別することで属性情報を取得する。属性情報は、上述した参照用属性情報に対応するものであり、取得方法も同様である。そして、連関度を参照した上で、新たに取得した画像情報と属性情報とに基づき、識別情報の判別を行う。

なお、参照用属性情報を取得する際に、消費者の顔認証を行うようにしてもよい。この顔認証することで消費者を特定し、仮に廃棄物の廃棄ルールに反した廃棄を行った場合に通報する等、活用することができる。

また本発明においては、参照用情報としては、参照用通行量情報を適用するようにしてもよい。ここでいう参照用通行量情報とは、参照用画像情報を取得した時期における廃棄物収容器７の周囲の通行量に関する情報である。ここでいう廃棄物収容器７の周囲とは、廃棄物収容器７が設置されている歩道、通路上の通行量であってもよい。通行量は基本的には単位時間あたりの人の通行量であるが、これに限定されるものでは無く、車の通行量であってもよい。この参照用通行量情報は、人手によりカウントされた単位時間当たりの通行量を入力してもよいが、これに限定されるものでは無く、カメラにより撮像した画像を解析することで自動的にカウントするようにしてもよい。ちなみに、この参照用通行量情報は、上記参照用画像情報を取得した時期におけるデータに限らず、実際に需要度や識別情報との関係において学習データを作る際のデータであれば良い。

かかる場合には、参照用画像情報と、参照用通行量情報とを有する組み合わせと、識別情報との３段階以上の連関度を予め取得しておく。実際の判定時には、画像情報の取得時における通行量情報を取得する。この通行量情報は、上述した参照用通行量情報に対応するものであり、取得方法も同様である。そして、連関度を参照した上で、新たに取得した画像情報と通行量情報とに基づき、識別情報を同様に判別する。

また本発明は、上述した実施の形態に限定されるものでは無く、例えば図８に示すように、基調となる参照用情報と、識別情報との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた参照用情報と識別情報との３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報は、上述した全ての参照用情報を適用可能である。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報の一つとして、ある参照用情報Ｆにおいて、以前において識別情報Ｂが判別される経緯が多かったものとする。このような参照用情報Ｆに応じた情報を新たに取得したとき、識別情報Ｂに対して、重み付けを上げる処理を行い、換言すれば識別情報Ｂにつながるようにする処理を行うように予め設定しておく。

例えば、他の参照用情報Ｇが、より識別情報としての探索解Ｃを示唆するような分析結果であり、参照用情報Ｆが、より識別情報としての探索解Ｄを示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、識別情報Ｃの重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、識別情報Ｄの重み付けを上げる処理を行う。つまり、識別情報につながる連関度そのものを、この参照用情報Ｆ～Ｈに基づいてコントロールするようにしてもよい。或いは、識別情報を上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ～Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ～Ｈに基づいてどのように探索解としての識別情報にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する需要度につながるケースほど、連関度を介して求められた探索解としての当該判別類型をより高く修正するようにしてもよい。

同様に、図９に示すように、基調となる参照用情報と、他の参照用情報とを有する組み合わせに対する、識別情報との連関度を形成する場合においても、基調となる参照用情報は、上述したいかなる参照用情報も適用可能である。他の参照用情報は、基調となる参照用情報以外のいかなる参照用情報が含まれる。

このとき、基調となる参照用情報が、参照用重量情報であれば、他の参照用情報としては、これ以外のいかなる参照用情報が含まれる。

かかる場合も同様に解探索を行うことで、識別情報を推定することができる。このとき、上述した図８に示すように、連関度を通じて得られた探索解に対して、更なる他の参照用情報（参照用情報Ｆ、Ｇ、Ｈ等）を通じて、識別情報を修正するようにしてもよい。

また、図１０に示すように基調となる参照用情報のみと、識別情報との間で連関度が形成されるものであってもよい。この基調となる参照用情報は、上述したいかなる参照用情報も適用可能である。この図１０の解探索方法は、図４～５の説明を引用することで以下での説明を省略する。

なお、本発明は、上述した実施の形態に限定されるものではない。探索解として物品の識別情報の代わりに、廃棄物収容器７における容器本体の収容飽和度を推定するものであってもよい。廃棄物収容器７における廃棄物が蓄積された結果、飽和してしまうとこれ以上廃棄物を廃棄することができなくなる。かかる場合には、廃棄物収容器７から廃棄物を捨てて空に、新たに廃棄物を廃棄できるようにする必要がある。収容飽和度は、廃棄物収容器７の容器本体中における廃棄物の蓄積度合い、飽和度合いである。この収容飽和度は、体積や重量を通じて定量化されていてもよい。体積を通じて定量化する場合には、容器本体中における廃棄物の体積充填率を百分率で示すようにしてもよい。この体積充填率は、人間の目で判定してもよいし、実際の廃棄物の高さをメジャーで測定することで得るようにしてもよい。

このようにして得られた収容飽和度を、上述した各参照用情報と共に学習させることにより、図１１、１２に示すような連関度を形成しておく。そして、解探索時には、上述と同様に連関度を参照することにより、収容飽和度を推定することができる。

収容飽和度を推定した場合、その推定結果を無線通信により外部システムに通知し、送信するようにしてもよい。

また収容飽和度を推定する場合には、センシング情報を取得する場合には、センサを容器本体内に設置し、既に投入された廃棄物をセンシング可能なように設定しておく。このとき、高さ方向に向けて複数個所に亘りセンサを設置しておくことにより、廃棄物が蓄積されて高さが積みあがる状況を逐一センシングすることが可能となる。

また、本発明によれば、物品の識別情報に基づいて、廃棄物の廃棄の適正さを判別するようにしてもよい。本来であれば、燃えるゴミのみ廃棄可能な廃棄物収容器７において燃えないゴミや瓶や缶等が廃棄される場合がある。かかる場合において識別情報を通じて廃棄物の内容を取得することで、本来廃棄すべきではない廃棄物が実際に廃棄された場合に警告を出したり、その旨を外部システムに通報することも可能となる。

１ 識別情報推定システム
２ 推定装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 推定部
２８ 記憶部
６１ ノード

Claims (8)

1. 廃棄物を収容するための廃棄物収容器について、
   底面と、この底面から立ち上がる側面とを少なくとも備える容器本体と、
   上記容器本体内を撮像する撮像手段と、
   上記撮像手段により撮像された容器本体内に収容された廃棄物の画像情報を取得する情報取得手段と、
   廃棄物の画像に関する参照用画像情報と、上記容器本体の収容飽和度との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した画像情報に応じた参照用画像情報に基づき、上記容器本体の収容飽和度を推定する推定手段と、
   上記推定手段により推定された収容飽和度を送信する送信手段とを備えること
   を特徴とする廃棄物収容器。
2. 廃棄物を収容するための廃棄物収容器について、
   底面と、この底面から立ち上がる側面とを少なくとも備える容器本体と、
   容器本体内に投入された廃棄物をセンシングすることによりセンシング情報を取得する情報取得手段と、
   廃棄物をセンシングした参照用センシング情報と、上記容器本体の収容飽和度との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得したセンシング情報に応じた参照用センシング情報に基づき、上記容器本体の収容飽和度を推定する推定手段と、
   上記推定手段により推定された収容飽和度を送信する送信手段とを備えること
   を特徴とする廃棄物収容器。
3. 底面と、この底面から立ち上がる側面とを少なくとも備える容器本体と、
   上記容器本体内を撮像する撮像手段とを有する廃棄物を収容するための廃棄物収容器と、
   上記撮像手段により撮像された容器本体内に収容された廃棄物の画像を取得する情報取得手段と、廃棄物の画像に関する参照用画像情報と、上記容器本体の収容飽和度との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した画像情報に応じた参照用画像情報に基づき、上記容器本体の収容飽和度を推定する推定手段とを有する推定装置とを備えること
   を特徴とする廃棄物収容器の収容飽和度推定システム。
4. 上記情報取得手段は、容器本体内への廃棄物の収容時の音声情報を取得し、
   上記推定手段は、上記参照用画像情報と、容器本体内への廃棄物の収容時の参照用音声情報とを有する組み合わせと、上記容器本体の収容飽和度との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した音声情報に応じた参照用音声情報に基づき、上記容器本体の収容飽和度を推定すること
   を特徴とする請求項２記載の廃棄物収容器の収容飽和度推定システム。
5. 上記情報取得手段は、容器本体内の廃棄物の重量に関する重量情報を取得し、
   上記推定手段は、上記参照用画像情報と、容器本体内の廃棄物の重量に関する参照用重量情報とを有する組み合わせと、上記容器本体の収容飽和度との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した重量情報に応じた参照用重量情報に基づき、上記容器本体の収容飽和度を推定すること
   を特徴とする請求項２記載の廃棄物収容器の収容飽和度推定システム。
6. 上記情報取得手段は、上記撮像手段による上記廃棄物の撮像時点に対応する時刻情報を取得し、
   上記推定手段は、上記参照用画像情報と、上記参照用画像情報の取得時点に対応する参照用時刻情報とを有する組み合わせと、上記容器本体の収容飽和度との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した重量情報に応じた参照用重量情報に基づき、上記容器本体の収容飽和度を推定すること
   を特徴とする請求項２記載の廃棄物収容器の収容飽和度推定システム。
7. 上記情報取得手段は、上記廃棄物収容器の設置位置に関する位置情報を取得し、
   上記推定手段は、上記参照用画像情報と、上記参照用画像情報を取得した廃棄物収容器の設置位置に関する参照用位置情報とを有する組み合わせと、上記容器本体の収容飽和度との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した位置情報に応じた参照用位置情報に基づき、上記容器本体の収容飽和度を推定すること
   を特徴とする請求項２記載の廃棄物収容器の収容飽和度推定システム。
8. 上記推定手段は、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
   を特徴とする請求項１～７のうち何れか１項記載の廃棄物収容器の収容飽和度推定システム。

Images