JP2023033927A - 水処理状況監視システム及び水処理状況監視方法 - Google Patents

Abstract

【課題】非熟練者であっても画像に映る被処理水の濁質の凝集状態の良否を簡単に判別可能な情報を計算できる水処理状況監視システム及び水処理状況監視方法を提供する。【解決手段】水処理状況監視システムは、第１撮像装置と、第２撮像装置と、第１計測装置と、第２計測装置とを含む。第１撮像装置及び第２撮像装置は、被処理水を撮像可能な互いに異なる複数の場所に設置され、被処理水の画像を含む画像データを取得する。第１計測装置は、被処理水の被処理水濁度を含む被処理水データを測定及び取得する。第２計測装置は、処理水の処理水濁度を含む処理水データを測定及び取得する。情報処理装置は、第１撮像装置及び第２撮像装置のそれぞれの撮像画像を用いて第１凝集良否判定モデル及び第２凝集良否判定モデルを作成し、第１凝集良否判定モデル及び第２凝集良否判定モデルの何れか一つを用いて、被処理水の画像を含む入力データから予測処理水濁度を計算する。【選択図】図１

Description

本発明は、水処理状況監視システム及び水処理状況監視方法に関する。

上下水プラント及びその他プラントの排水処理システムは、被処理水（「原水」とも称呼される。）の水質に応じて様々な水処理技術を用いることで、処理水の目標水質を達成している。水処理技術の中で水中の固形物（濁り（「濁質」とも称呼される。））を除去する凝集処理は、適切な薬剤注入管理が必要である。しかし、被処理水の水質が変動する等したときの薬剤注入量は、熟練の運転員（熟練者）の経験に依存する場合がある。

熟練者は、経験に基づき、濁質の凝集状態を確認するためのジャーテストの結果、監視制御データ、濁質の凝集状態の現場での目視、濁質の凝集により形成されるフロックの画像の監視室での確認等から適切な薬剤注入量を決定することができる。一方で、熟練者が目視で観察している濁質の凝集状態等は、監視制御システム（監視制御データ）には、記録されない。このため、熟練者の経験が暗黙知となってしまうので、薬剤注入管理に必要な知識等が、熟練者以外の他人に継承されにくい課題があった。

今後、非熟練者でも、濁質の凝集状態を見極め、濁質の凝集不良を早期に判断できる機能が必要である。そこで、センシング技術によりフロックの画像データを取得し、機械学習や人工知能を用いて、濁質の凝集良否を判断する技術の開発が進められている。

特許文献１は、以下に述べる情報処理装置（以下、「従来装置」とも称呼される場合がある。）を開示する。従来装置は、上水処理を施す原水に既知量の凝集剤が添加されて撹拌されたときから４００秒分の画像データの各々に、将来形成されるフロックが上水処理に悪影響を及ぼすか否かのカテゴリーを関連付けた教師データについて深層学習を行う。

その後、従来装置は、画像データ（判別対象画像データ）が入力されたとき、深層学習の学習結果及び判別対象画像データから判別対象画像データに対応する原水中に将来形成されるフロックが上水処理に悪影響を及ぼすか否かを判別する。なお、判別対象画像データは、上水処理を施す原水に既知量の凝集剤が添加されて撹拌されたときから３００秒以内の画像データであって将来形成されるフロックが上水処理に悪影響を及ぼすか否かのカテゴリーを関連付けていない画像データである。

特開２０２０－１３４２８４号公報

被処理水を処理して浄化することにより、目標水質の処理水を得る施設において、非熟練者であっても、画像に映る被処理水の濁質の凝集状態の良否を簡単に判別できるようにするための技術が求められている。本発明は上記課題を解決するためになされた。即ち、本発明の目的の一つは、非熟練者であっても画像に映る被処理水の濁質の凝集状態の良否を簡単に判別可能な情報を計算できる水処理状況監視システム及び水処理状況監視方法を提供することにある。

上記課題を解決するために、本発明の水処理状況監視システムは、被処理水を複数の処理場所に順に運んで、前記被処理水に含まれる濁質を除去するための凝集沈殿処理を含む処理を行うことにより、前記被処理水を浄化した処理水を生成する施設に適用される。本発明の水処理状況監視システムは、前記被処理水を撮像可能な互いに異なる複数の場所に設置され、前記被処理水を撮像することにより、各場所から撮像した前記被処理水の画像を含む各場所毎の前記被処理水の画像データを取得する複数の撮像装置と、前記被処理水に関する、被処理水濁度を含む被処理水水質パラメータを測定し、前記被処理水水質パラメータを含む被処理水データを取得する被処理水計測装置と、前記処理水の処理水濁度を測定し、前記処理水濁度を含む処理水データを取得する処理水計測装置と、前記撮像装置、前記被処理水計測装置及び前記処理水計測装置から、前記画像データ、前記被処理水データ及び前記処理水データを取得する情報処理装置と、を備える。前記情報処理装置は、前記被処理水の前記画像データを含む学習用入力データ及び前記処理水データを、学習用データとして用いて、機械学習によって、前記被処理水の前記画像を含む入力データから前記被処理水の前記濁質の凝集状態の良否を示す情報を出力する凝集良否判定モデルを、複数作成するように構成され、前記情報処理装置は、複数の前記凝集良否判定モデルの少なくとも一つを選択し、複数の前記撮像装置の少なくとも一つから前記被処理水の前記画像を、判定用画像として取得し、選択した前記凝集良否判定モデルを用いて、前記判定用画像を含む判定用入力データから前記判定用画像に映る前記被処理水の前記濁質の前記凝集状態の良否を示す情報を計算する、ように構成されている。

本発明の水処理状況監視システムは、被処理水を複数の処理場所に順に運んで、前記被処理水に含まれる濁質を除去するための凝集沈殿処理を含む処理を行うことにより、前記被処理水を浄化した処理水を生成する施設に適用される。本発明の水処理状況監視システムは、互いに異なる複数の場所に存在する前記被処理水を採水する複数の採水装置と、複数の前記採水装置によって採水された、複数の場所に存在していた前記被処理水のそれぞれを撮像することにより、前記各場所に存在していた前記被処理水の画像である採水画像を含む各場所毎の前記被処理水の採水画像データを取得する複数の撮像装置と、前記被処理水に関する、被処理水濁度を含む被処理水水質パラメータを測定し、前記被処理水水質パラメータを含む被処理水データを取得する被処理水計測装置と、記処理水の処理水濁度を測定し、前記処理水濁度を含む処理水データを取得する処理水計測装置と、前記撮像装置、前記被処理水計測装置及び前記処理水計測装置から、前記採水画像データ、前記被処理水データ及び前記処理水データを取得する情報処理装置と、を備える。前記情報処理装置は、前記被処理水の前記採水画像データを含む学習用入力データ及び前記処理水データを、学習用データとして用いて、機械学習によって、前記被処理水の前記採水画像を含む入力データから前記被処理水の前記濁質の凝集状態の良否を示す情報を出力する凝集良否判定モデルを、各場所毎の前記被処理水の前記採水画像データのそれぞれについて作成するように構成され、前記情報処理装置は、各場所に対応する前記被処理水の前記採水画像データのそれぞれについて作成された、複数の前記凝集良否判定モデルの少なくとも一つを選択し、前記撮像装置から前記被処理水の前記採水画像を判定用画像として取得し、選択した前記凝集良否判定モデルを用いて、前記判定用画像を含む判定用入力データから前記判定用画像に映る前記被処理水の前記濁質の前記凝集状態の良否を示す情報を計算する、ように構成されている。

本発明の水処理状況監視方法は、被処理水を複数の処理場所に順に運んで、前記被処理水に含まれる濁質を除去するための凝集沈殿処理を含む処理を行うことにより、前記被処理水を浄化した処理水を生成する施設に適用される水処理状況監視方法であって、前記被処理水を撮像可能な互いに異なる複数の場所に設置された複数の撮像装置によって、前記被処理水を撮像することにより、各場所から撮像した前記被処理水の画像を含む各場所毎の前記被処理水の画像データを取得することと、被処理水計測装置によって、前記被処理水に関する、被処理水濁度を含む被処理水水質パラメータを測定し、前記被処理水水質パラメータを含む被処理水データを取得することと、処理水計測装置によって、前記処理水の処理水濁度を測定し、前記処理水濁度を含む処理水データを取得することと、情報処理装置によって、前記撮像装置、前記被処理水計測装置及び前記処理水計測装置から、前記画像データ、前記被処理水データ及び前記処理水データを取得することと、を含み、前記情報処理装置によって、前記被処理水の前記画像データを含む学習用入力データ及び前記処理水データを、学習用データとして用いて、機械学習によって、前記被処理水の前記画像を含む入力データから前記被処理水の前記濁質の凝集状態の良否を示す情報を出力する凝集良否判定モデルを、複数作成し、複数の前記凝集良否判定モデルの少なくとも一つを選択し、複数の前記撮像装置の少なくとも一つから前記被処理水の前記画像を、判定用画像として取得し、選択した前記凝集良否判定モデルを用いて、前記判定用画像を含む判定用入力データから前記判定用画像に映る前記被処理水の前記濁質の前記凝集状態の良否を示す情報を計算する。

本発明によれば、非熟練者であっても画像に映る被処理水の濁質の凝集状態の良否を簡単に判別可能な情報を計算できる。

図１は浄水場に本発明の第１実施形態に係る水処理状況監視システムを適用した例を示す概略構成図である。 図２は水処理状況監視システムに含まれる情報処理装置のハードウェア構成例を示すブロック図である。 図３は試験例の試験条件及び被処理水の処理結果を説明するための表である。 図４はフロック面積積算値の経時変化を説明するためのグラフである。 図５はモデル生成手段が実行する処理フローを示すフローチャートである。 図６はモデル生成手段が実行する処理フローを示すフローチャートである。 図７は凝集良否判定手段が実行する処理フローを示すフローチャートである。 図８は凝集良否判定手段が実行する処理フローを示すフローチャートである。 図９は第１変形例のモデル生成手段が実行する処理フローを示すフローチャートである。 図１０は第１変形例のモデル生成手段が実行する処理フローを示すフローチャートである。 図１１は凝集良否判定モデルの評価結果の例を説明するためのグラフである。 図１２は第１変形例の凝集良否判定手段が実行する処理フローを示すフローチャートである。 図１３は浄水場に本発明の第２実施形態に係る水処理状況監視システムを適用した例を示す概略構成図である。 図１４は本発明の第３実施形態に係る水処理状況監視システムのモデル生成手段が実行する処理フローを示すフローチャートである。 図１５は第３実施形態に係る水処理状況監視システムのモデル生成手段が実行する処理フローを示すフローチャートである。 図１６は本発明の第４実施形態に係る水処理状況監視システムのモデル生成手段が実行する処理フローを示すフローチャートである。 図１７は第４実施形態に係る水処理状況監視システムの凝集良否判定手段が実行する処理フローを示すフローチャートである。

<<背景技術の詳細>>
まず、本発明の理解を容易にするため、背景技術の詳細について説明する。上下水プラント、化学プラント、電力プラント及びゴミ処理場等のプラントの維持管理業務は、運転員の目視と経験を頼りにして管理している場面がある。プラントが２４時間連続操業しているとき、運転員を常時滞在させることで対応していることが現状多い。しかし、日本の生産年齢人口（１５歳～６４歳）は減少傾向にあるため、将来人手不足が発生したときのサステナブル（持続可能）な解決策を今から考える必要がある。

近年、コンピュータ計算能力及び通信インフラ環境の向上に伴い、大量のデータを容易に取り扱うことが可能となった。これにより、運転員の五感を代替するセンシング技術（ＩｏＴ技術）の進化及び普及が進んでいる。また、機械学習や人工知能の解析アルゴリズム（ＡＩ技術）の進化により、これまでヒトの判断が必要で機械化及び自動化が難しいとされてきた業務でも、ＡＩ技術の利活用に関する検討が活発になっている。例えば、人手不足が発生してもプラントの維持管理業務を継続するため、運転員の視覚の代わりにカメラを設置し、撮像（撮影）した画像や映像を処理して設備や製品の外観の変化を診断するソリューション等が提供されている。

[背景技術]で既述したように、上下水プラント及びその他プラントの排水処理システムは、被処理水の水質に応じて様々な水処理技術を用いることで、処理水の目標水質を達成している。水処理技術のうちの凝集処理は、適切な薬剤注入管理が必要である。しかし、被処理水の水質が変動する等したときの薬剤注入量は、熟練の運転員の経験に依存する場合がある。熟練者は、経験に基づいて、濁質の凝集状態を確認するためのジャーテストの結果、プラントを監視する監視制御システムの監視制御データ、濁質の凝集状態の現場での目視、フロック画像の監視室での確認等から適切な薬剤注入量を決定することができる。

一方で、熟練者が目視で観察している濁質の凝集状態等は、監視制御システム（監視制御データ）には、記録されない。このため、熟練者の経験が暗黙知となってしまうので、薬剤注入管理に必要な知識等が、熟練者以外の他人に継承されにくい課題があった。

今後、非熟練者であっても、濁質の凝集状態を見極めることができるようにするためには、監視制御システム（監視システム）に、凝集不良を早期に判断できる機能が必要である。そこで、センシング技術により、フロックの画像データを取得し、機械学習や人工知能を用いて、濁質の凝集状態の良否（以下、「濁質の凝集良否」又は単に「凝集良否」とも称呼される。）を判断する技術の開発が進められている。

例えば、上述の特許文献１の技術は、カメラを急速混和池及びフロック形成池に設置し、急速混和地では凝集核が形成される様子（経時変化）を示す画像データ（所定期間に撮像された画像データ）を取得し、フロック形成池ではフロックが形成される初期の様子を示す画像データ（所定期間に撮像された画像データ）を取得し、取得したこれらの画像データを教師データとして深層学習により学習した結果に基づいて、画像データから将来形成されるフロックが良質なフロックであるか否かを判別する。

しかし、凝集核やフロックが形成される様子（経時変化）を撮像すること（凝集核やフロックが形成される様子を所定期間の画像データ（４００秒分又は３００秒分の画像データ）に映しだすこと）は、試験用の小型装置やバッチ式装置では可能であるものの、実際の上下水プラントでは、適切な場所にカメラを設置しないと困難である。このため、特許文献１の技術では、上下水プラントの仕様によっては適切にフロックの良否を判別できない可能性がある。

これに対して、本発明の特徴の一つは、連続式の実プラントを想定して、凝集良否の差異が判断しやすい、被処理水の濁質の凝集状態を撮像可能な場所で、ある時刻で撮像した被処理水中の濁質の凝集状態を映した画像（以下、「凝集画像」と称呼される場合がある。）を、被処理水の水質に応じて取得し、その画像を入力として、凝集画像に映る被処理水の濁質の凝集状態の良否を示す情報を出力するモデルを使用し、取得した凝集画像から凝集状態の良否を示す情報を計算する。

これにより、本発明は、凝集画像から非熟練者であっても濁質の凝集状態の良否を簡単に判別可能な情報を、計算できる。更に、本発明によって、非熟練者であっても、濁質の凝集状態の良否を簡単に判別可能な情報によって、濁質の凝集不良を早期に判断することができる。

<<実施形態>>
以下、本発明の各実施形態について図面を参照しながら説明する。

<<第１実施形態>>
＜構成＞
本発明の第１実施形態に係る水処理状況監視システム（以下、「第１監視システム」と称呼される場合がある。）について説明する。図１はプラント施設の一例である浄水場１００に第１監視システムを適用した例を示す概略構成図である。

浄水場１００は、河川水、ダム水及び地下水を浄水処理し、処理水を工場や一般家庭等へ送水する施設であり、複数の施設で構成される。本例において、浄水場１００は、図１に示すように、着水井１１０、混和槽１２０、フロック形成槽１３０、沈殿槽１４０及びろ過槽１５０等を含む。被処理水Ｗａ１は、河川、ダム等から、着水井１１０、混和槽１２０、フロック形成槽１３０、沈殿槽１４０及びろ過槽１５０の順に運ばれ、浄化及び消毒等が行われることにより、被処理水Ｗａ１から濁りが除去されると共に被処理水Ｗａ１が殺菌（消毒）される。浄化及び消毒後の被処理水Ｗａ１は、「処理水Ｗａ２」と称呼される。処理水Ｗａ２は、水道水として、各家庭、工場等に供給される。

第１監視システムは、浄水場１００に適用され、第１水質計２１０ａ及び第２水質計２１０ｂと、第１撮像装置２２０ａ及び第２撮像装置２２０ｂと、情報処理装置２３０と、を含む。これらは、有線又は無線によって互いに通信可能に接続されている。なお、以降の説明において、「第１水質計２１０ａ」及び「第２水質計２１０ｂ」は、特に区別する必要がない場合、「水質計２１０」と称呼される。「第１水質計２１０ａ」は、便宜上、「被処理水計測装置」とも称呼される場合がある。「第２水質計２１０ｂ」は、便宜上、「処理水計測装置」とも称呼される場合がある。「第１撮像装置２２０ａ」及び「第２撮像装置２２０ｂ」は、特に区別する必要がない場合、「撮像装置２２０」と称呼される。

水質計２１０は、水処理に関わる水質項目を計測する複数のセンサを含むセンサ群である。複数のセンサは、例えば、水の濁り（濁度）を計測する濁度計、水温を計測する水温計、ｐＨを計測するｐＨ計、アルカリ度を計測するアルカリ度計、水中の有機物を計測するＴＯＣ計、紫外線吸光度計、及び、水質ではないが処理量を計測する水量計等である。

第１水質計２１０ａは、浄水場１００の被処理水Ｗａ１を計測可能な位置に設置されている。本例において、第１水質計２１０ａは、着水井１１０の被処理水Ｗａ１を計測可能な位置に設置されている。第２水質計２１０ｂは、処理水Ｗａ２を計測可能な位置に設置されている。

第１水質計２１０ａは、所定の時間間隔毎に、被処理水Ｗａ１を計測して計測値（各センサの計測値）を情報処理装置２３０に送信する。なお、被処理水Ｗａ１についての各センサの計測値は、便宜上、「被処理水水質パラメータ」とも称呼される場合がある。第２水質計２１０ｂは、所定の時間間隔毎に、処理水Ｗａ２を計測して計測値（各センサの計測値）を情報処理装置２３０に送信する。

第１撮像装置２２０ａ及び第２撮像装置２２０ｂのそれぞれは、薬剤を注入してから凝集核形成及びフロックを成長させる過程において被処理水Ｗａ１の濁質の凝集状態を撮像できる位置に設置される。第１撮像装置２２０ａ及び第２撮像装置２２０ｂのそれぞれは、動画又は一定の時間間隔で画像を記録できる仕組みを有する撮像装置であればよい。本例において、第１撮像装置２２０ａ及び第２撮像装置２２０ｂのそれぞれは、動画を撮像するカメラである。本例において、第１撮像装置２２０ａは、フロック形成槽１３０の入り口の被処理水Ｗａ１を撮像可能な位置に設置される。第２撮像装置２２０ｂは、フロック形成槽１３０の出口の被処理水Ｗａ１を撮像可能な位置に設置される。なお、第１撮像装置２２０ａ及び第２撮像装置２２０ｂの設置位置は、これに限定されず、例えば、第１撮像装置２２０ａが混和槽１２０の被処理水Ｗａ１を撮像可能な位置に設置されてもよい。

撮像装置２２０は、撮像装置２２０が直接水中に投入された状態で被処理水Ｗａ１を撮像してもよく、水上を撮像してもよく、透明な壁面越しに被処理水Ｗａ１を撮像してもよい。即ち、撮像装置２２０が被処理水Ｗａ１を撮像方法は、濁質の凝集状態を撮像可能（撮像可能）であれば、特に限定されるものではない。

撮像装置２２０は、図示しない画像抽出手段により、所定の時間間隔毎に画像（静止画像）を切り出し、情報処理装置２３０に送信する。画像を切り出す時間間隔としては、水質計２１０の計測時間間隔と合わせる（同じにする）のが望ましい。なお、画像抽出手段は、撮像装置２２０が備えていてもよく、情報処理装置２３０が備えていてもよい。情報処理装置２３０が画像抽出手段を備える場合、画像抽出手段は撮像装置２２０から受信した動画を上述したように処理する。

情報処理装置２３０は、情報格納手段２３１と、モデル生成手段２３２と、凝集良否判定手段２３３と、凝集良否出力手段２３４と、を含む。

情報格納手段２３１は、第１水質計２１０ａから送信された計測値（例えば、濁度、水温、ｐＨ、アルカリ度等）に、計測値の計測時点の時刻情報を付加して、複数の計測値（複数の「各計測値のセット」）を時系列データ（以下、「被処理水データ」と称呼される。）として、保持（記憶、格納）する。情報格納手段２３１は、第２水質計２１０ｂから送信された計測値（例えば、濁度、水温、ＰＨ、アルカリ度等）に、計測値の計測時点の時刻情報を付加して、計測値（複数の「各計測値のセット」）を時系列データ（以下、「処理水データ」と称呼される。）として、保持（記憶、格納）する。

情報格納手段２３１は、第１撮像装置２２０ａから送信された所定の時間間隔毎の画像（以下、「第１画像」とも称呼される。）に、第１画像の撮像時点の時刻情報を付加して、所定の時間間隔毎の複数の第１画像を時系列データ（以下、「第１画像データ」と称呼される。）として、保持（記憶、格納）する。情報格納手段２３１は、第２撮像装置２２０ｂから送信された所定の時間間隔毎の画像（以下、「第２画像」とも称呼される。）に、第２画像の撮像時点の時刻情報を付加して、所定の時間間隔毎の複数の第２画像を時系列データ（以下、「第２画像データ」と称呼される。）として、保持（記憶、格納）する。なお、情報格納手段２３１は、更に、各画像に、画像の撮像場所を示す情報を更に付加するようにしてもよい。

情報格納手段２３１は、時刻情報に基づいて、被処理水データと、処理水データと、第１画像データと、第２画像データとを互いに関連付けて保持（記憶、格納）する。例えば、情報格納手段２３１は、同時刻（同じ時間範囲）に第１水質計２１０ａにより取得された被処理水データ、第２水質計２１０ｂにより取得された処理水データ及び第１撮像装置２２０ａ及び第２撮像装置２２０ｂにより取得された画像データを、時刻をキーとして結合し（関連付けて）、これらをデータセットとして保持（記憶、格納）する。

なお、例えば、それぞれのデータが、ある被処理水Ｗａ１を浄水場１００で処理した場合のその被処理水Ｗａ１の処理経過に対応するデータとなるように、関連付けてもよい。この場合、例えば、情報格納手段２３１は、時刻情報に基づいて、ある時刻ｔ１の被処理水Ｗａ１の計測値と、時刻ｔ１＋ｔａの第１画像と、時刻ｔ１＋ｔｂの第２画像と、時刻ｔ１＋ｔｃの処理水の計測値と、を互いに関連付けることが好ましい。ｔａは、被処理水Ｗａ１が第１水質計２１０ａの設置位置から第１撮像装置２２０ａに運ばれるまでの間の時間に対応し、ｔｂは、被処理水Ｗａ１が第１水質計２１０ａの設置位置から第２撮像装置２２０ｂの設置位置に運ばれるまでの間の時間に対応し、ｔｃは、被処理水Ｗａ１が第１水質計２１０ａの設置位置から第２水質計２１０ｂの設置位置に運ばれるまでの間の時間に対応する。なお、典型的な被処理水Ｗａ１の水質は、短期間で変動しないので、上記のように、同時刻で各データ（各画像、各計測値）を関連付けてもよく、この場合においても被処理水Ｗａ１の処理経過に対応するデータを取得することができる。

モデル生成手段２３２は、情報格納手段２３１に格納したデータを用いて、被処理水Ｗａ１の画像に映る濁質の凝集良否の判定に関するモデル（画像に映る被処理水Ｗａ１の濁質の凝集状態の良否を示す情報を出力するモデル）を生成（作成）する。より具体的に述べると、モデル生成手段２３２は、互いに関連付けられた被処理水データと、処理水データと、第１画像データと、を含むデータセットを用いて、第１凝集良否判定モデルを生成する。モデル生成手段２３２は、互いに関連付けられた被処理水データと、処理水データと、第２画像データと、を含むデータセットを用いて、第２凝集良否判定モデルを生成する。モデル生成手段２３２は、生成した第１凝集良否判定モデル及び第２凝集良否判定モデルを保持（記憶）する。

凝集良否判定手段２３３は、モデル生成手段２３２によって生成された第１凝集良否判定モデル及び第２凝集良否判定モデルの何れかを用いて、ある時刻（例えば、現時刻）の被処理水Ｗａ１の濁質の凝集状態を示す画像（第１画像又は第２画像）を含む入力データから被処理水Ｗａ１の濁質の凝集状態の良否を示す情報を計算する。凝集良否判定手段２３３は、図示しない操作装置に対するユーザの操作に基づいて、濁質の凝集状態の良否を示す情報の計算に使用するモデルを、第１凝集良否判定モデル及び第２凝集良否判定モデルの何れかに選択（設定）できるようになっている。

凝集良否出力手段２３４は、凝集良否判定手段２３３によって計算された情報を出力する。

図２は情報処理装置２３０のハードウェア構成の一例を示す概略構成図である。図２に示すように、情報処理装置２３０は、ＣＰＵ２４１、ＲＯＭ２４２、ＲＡＭ２４３、データの読み出し及び書き出し可能な不揮発性の記憶装置（ＨＤＤ）２４４、ネットワークインタフェース２４５及び入出力インタフェース２４６等を含む。これらは、バス２４７を介して互いに通信可能に接続されている。なお、情報処理装置２３０は、複数の情報処理装置で構成されてもよい。

ＣＰＵ２４１はＲＯＭ２４２及び／又はＨＤＤ２４４に格納された図示しない各種プログラムをＲＡＭ２４３にロードし、ＲＡＭ２４３にロードされたプログラムを実行することによって、各種機能を実現する。ＲＡＭ２４３には、上述したようにＣＰＵ２４１が実行する各種プログラムがロードされ、ＣＰＵ２４１が各種プログラムを実行する際に使用するデータが一時的に記憶される。ＲＯＭ２４２及び／又はＨＤＤ２４４は、不揮発性の記憶媒体であり、各種プログラムが記憶されている。ネットワークインタフェース２４５は、情報処理装置２３０がネットワークに接続されるためのインタフェースである。入出力インタフェース２４６は、キーボード、マウス等の操作装置及びディスプレイに接続されるためのインタフェースである。

情報格納手段２３１は、ＨＤＤ２４４、ネットワークインタフェース２４５及び／又は入出力インタフェース２４６で構成される。モデル生成手段２３２は、情報処理装置２３０のＣＰＵ２４１により実行されるＲＯＭ２４２及び／又はＨＤＤ２４４に格納されたプログラム及びＨＤＤ２４４で構成される。凝集良否判定手段２３３は、情報処理装置２３０のＣＰＵ２４１により実行されるＲＯＭ２４２及び／又はＨＤＤ２４４に格納されたプログラムで構成される。凝集良否出力手段２３４は、ネットワークインタフェース２４５及び／又は入出力インタフェース２４６で構成される。

情報処理装置２３０には、監視制御装置３１０が接続されている。監視制御装置３１０は、薬剤ポンプ３２０に接続されている。監視制御装置３１０は、薬剤ポンプ３２０を制御することにより、混和槽１２０の被処理水Ｗａ１に注入する凝集剤の注入量を制御できるように構成されている。なお、監視制御装置３１０及び薬剤ポンプ３２０は、第１監視システムに含まれていてもよい。監視制御装置３１０の機能が情報処理装置２３０に含まれていてもよい。

＜試験例＞
浄水場１００において、被処理水Ｗａ１から濁りを除去するプロセスは、「凝集沈殿処理」と称呼される。一般的な浄水場１００における凝集沈殿処理は、施設に流入してきた被処理水Ｗａ１に例えばポリ塩化アルミニウムや硫酸バンド等の凝集剤と呼ばれる薬剤を注入する。薬剤を注入する目的の一つは、水中で懸濁している不溶解性物質（濁質）を除去することである。濁質は水中でマイナスに荷電しているが、薬剤を添加することで電気的中和が可能となる。また、薬剤を注入する別の目的は、薬剤同士の架橋作用により、中和した濁質同士が衝突したときに、濁質が凝集しやすくすることである。

混和槽１２０（急速混和池）では、被処理水Ｗａ１に薬剤が注入され、急速撹拌により濁質同士を衝突させることで、被処理水Ｗａ１中に凝集核が形成される。次に、フロック形成槽１３０（フロック形成池）では、フロックを破壊しない強度で緩速撹拌することで、フロックを成長させる。そして沈殿槽１４０（沈殿池）では、成長したフロックを沈澱及び除去する。

フロックの凝集メカニズムの因子としていくつか例を挙げる。薬剤の注入量が増加すると架橋作用が強くなるため、フロックの成長が早くなり、濁質の凝集状態は良好となり、処理水の濁度（以下、「処理水濁度」とも称呼される。）を低下できる。ただし、薬剤の注入量が過剰になると濁質がプラスに荷電してしまい、濁質の凝集状態は不良となり、処理水濁度が増加してしまう可能性がある。

撹拌強度が増加すると濁質同士の衝突頻度を増やすことができるため、攪拌強度が増加するほどフロック成長が早くなる。ただし、撹拌強度が強すぎると成長したフロックが破壊される要因となる。

水中の濁りの量（被処理水の濁度（以下、「被処理水濁度」とも称呼される。））は増加するほど、濁質（あるいは凝集核、フロック）の衝突頻度を増やすことができるため、フロックの成長が早くなる。

以上のようにフロックの成長は、薬剤の注入量、撹拌強度等のプラントの操作条件と水質条件により影響を受ける。

熟練者は、現場での目視や監視室の濁質の凝集状態を映す画面をみて、経験に基づいて、通常よりフロックの大きさが小さいこと等が確認できれば、凝集不良と判断し、適切な浄水処理をするための対策を講じることになる。

しかし、上述したように、日本の生産年齢人口（１５～６４歳）は減少傾向にあるため、将来人手不足が発生したときのサステナブル（持続可能）な解決策を今から考える必要がある。

これに対して、第１監視システムの情報処理装置２３０は、非熟練者であっても、画像（画面）に映るフロック（濁質）の凝集状態の良否が、判断できるように、凝集画像から被処理水Ｗａ１の濁質の凝集状態の良否を示す情報を計算可能なモデルを生成する。即ち、第１監視システムの情報処理装置２３０は、ある時刻の画像を含むデータを入力データとし、凝集状態の変化（ある時刻の画像に現れる凝集状態の差）を検知し、入力データから被処理水Ｗａ１の濁質の凝集状態の良否を示す情報を計算可能なモデルを生成する。そして、第１監視システムは、モデルを使用して、凝集画像から処理水Ｗａ１の濁質の凝集状態の良否を示す情報（本例において、処理水濁度の予測値（「予測処理水濁度」とも称呼される場合がある。））を計算する。なお、予測処理水濁度は、その大きさが小さくなるほど被処理水Ｗａ１の凝集状態が良好（良）であり、その大きさが大きくなるほど被処理水Ｗａ１の凝集状態が悪い（否である）ことを示す。処理水濁度と相関関係を有する凝集状態の変化を画像により検知できるか確認するため、凝集画像取得試験を行った。図３は、凝集画像取得試験の試験条件と被処理水の処理結果（処理水濁度）を示す。凝集画像取得試験は、直方体形状の透明水槽内に撹拌機とカメラで凝集状態を撮像するときの背景となる黒板（背景板）を水槽内壁から１５ｍｍの位置に設置し、背景板を撮像するように水槽外壁側にカメラを設置した。また、光源は水槽上部にある。被処理水は、水道水に模擬濁質としてカオリン試薬を添加することで調整した。このときの各試験条件の水質は図３に示すとおりで、２５度、８１度、８５度の濁度に調整した被処理水に注入する薬剤の量を変えることで凝集条件を変更した。カメラによる撮像を開始したのち、予め設定した薬剤注入量の凝集剤を添加し、急速撹拌３分、緩速撹拌１０分、静置１０分を実行した。そして、水槽の上澄み水を採水し、処理水濁度を計測した。ここで、急速混和池（混和槽１２０）のプロセスに相当する急速撹拌は撹拌強度が１４８．２ｓ^－１、フロック形成池（フロック形成槽１３０）のプロセスにおける緩速撹拌は撹拌強度が６４．０ｓ^－１の条件としている。また、静置１０分が完了したのち、カメラによる撮像を終了した。カメラは試験中、水槽内壁と背景板の間を通過するフロックを撮像した。

撮像した映像から画像を切り出し、画像処理を行い画像内のフロックの面積値（ピクセル単位）を算出した。本試験例では、凝集画像は撮像した映像から０．５秒単位で切り出した。また、画像処理はグレースケール化、二値化及び物体認識（フロック検出）を行った。１枚の画像のみから算出した場合、結果にバラつきが生じる可能性があるため、緩速撹拌開始（０分）から０．５秒単位で切り出した凝集画像からフロックの面積値を算出したのち、１０秒間分積算してフロック面積積算値としている。フロック面積積算値の算出間隔は３０秒（０分、０．５分、1分、・・・）ごととした。

図４は、フロック面積積算値の経時変化である。フロック面積積算値は処理時間の経過に伴い増加した。これはフロックの成長によるものである。Ｒｕｎ１及びＲｕｎ２はＲｕｎ３及びＲｕｎ４と比較してフロック面積積算値が小さかった。これは被処理水濁度が約２５度と、Ｒｕｎ３及びＲｕｎ４の約８０度より少ないため、生成されるフロック量が少ないからである。また、Ｒｕｎ１及びＲｕｎ２はＲｕｎ３及びＲｕｎ４と比較してフロック面積積算値の増加が緩やかである。

これは前述したフロックの凝集メカニズムによるもので、被処理水濁度は増加するほど、濁質（あるいは凝集核、フロック）の衝突頻度を増やすことができるため、フロックの成長が早くなるためである。以上より、被処理水濁度がＲｕｎ３及びＲｕｎ４と比較して小さいＲｕｎ１及びＲｕｎ２は、相対的にフロックの成長が遅く、フロック面積値の増加が緩やかとなった。更に、Ｒｕｎ１及びＲｕｎ２では、凝集剤注入量が高いほど、フロック面積積算値の増加が早い時間から開始される。これは凝集剤同士の架橋作用もあり、濁質（あるいは凝集核、フロック）の衝突したときの凝集確率が向上するためである。

Ｒｕｎ２とＲｕｎ４を比較すると、最終的な処理水濁度は同程度であるが、フロック面積積算値の推移と最大値は異なる。

以上のことから、濁質の凝集状態の良否を画像から判断するときは水質、特に被処理水濁度を考慮する必要がある。

具体的にいえば、Ｒｕｎ１及びＲｕｎ２の被処理水の画像から凝集良否を判断する（凝集状態の良否を示す情報（予測処理水濁度）を計算する）とき、フロック面積積算値の差分が生ずる処理時間の画像を使用するのがよい。Ｒｕｎ１及びＲｕｎ２の場合は１分から７分、特に３～５分あたりがよいと考える。また、Ｒｕｎ３及びＲｕｎ４の場合は、緩速撹拌開始直後に差分が現れているため、０分の被処理水の画像を使用しても凝集良否の判断（凝集状態の良否を示す情報（予測処理水濁度）を計算すること）が可能である。

以上から、特定の時間（時刻）の画像から、処理水濁度と相関関係を有する濁質の凝集状態の変化（画像に現れる濁質の凝集状態の差）が検知できることがわかる。更に、被処理水の水質（特に被処理水濁度）に応じて画像に現れる濁質の凝集の形成挙動（フロックの形成挙動）に差が生じることがわかる。被処理水の水質に応じて、処理水濁度と相関関係を有する凝集画像に現れる濁質の凝集状態の差が大きく（又は小さく）現れる経過時間が異なることがわかる。従って、被処理水の水質に基づいて、適切な特定の経過時間（時刻）の画像（即ち、被処理水の画像を取得するのに適切な処理経過時間に対応する場所で撮像した画像）を入力データとして用いれば、処理水濁度と相関関係を有する画像に現れる濁質の凝集状態の差が大きく現れるので、更に精度よく、被処理水の濁質の凝集状態の良否を判別できる（凝集状態の良否を示す情報を計算する）ことがわかる。なお、処理水濁度と相関関係を有する被処理水の水質を示すパラメータも、入力データとして用いれば、更に精度よく、被処理水の濁質の凝集状態の良否を判別できる（凝集状態の良否を示す情報を計算する）ことができる。

＜作動の概要＞
情報処理装置２３０は、既述したように、第１凝集良否判定モデル及び第２凝集良否判定モデルを生成する。情報処理装置２３０は、被処理水Ｗａ１の濁質の凝集状態の良否を示す情報（本例において、処理水Ｗａ２の処理水濁度の予測値（予測処理水濁度））を計算する場合において、第１凝集良否判定モデル及び第２凝集良否判定モデルの何れか一つを、濁質の凝集状態の良否を示す情報の計算に使用するモデルとして選択する。例えば、情報処理装置２３０には、図示しない操作装置が接続され、ユーザによる操作装置に対する操作に基づいて、第１凝集良否判定モデル及び第２凝集良否判定モデルの何れか一つを、濁質の凝集状態の良否を示す情報の計算に使用するモデルとして、選択する。

情報処理装置２３０は、選択した第１凝集良否判定モデル及び第２凝集良否判定モデルの何れか一つを用いて、被処理水Ｗａ１中の濁質の凝集状態の良否を示す情報を計算する。例えば、予め測定した被処理水Ｗａ１の被処理水濁度に応じて、ユーザが図示しない操作装置を介して、適宜、最適な凝集良否判定モデルを選択することにより、情報処理装置２３０は、被処理水Ｗａ１の水質（被処理水濁度）に応じた最適な凝集良否判定モデルを用いて、被処理水Ｗａ１中の濁質の凝集状態の良否を示す情報を計算する。これにより、情報処理装置２３０は、適宜、最適な凝集良否判定モデルを用いて、被処理水Ｗａ１中の濁質の凝集状態の良否を簡単に判別可能な情報を計算できる。

＜具体的作動＞
図５はモデル生成手段２３２が実行する処理フローを示すフローチャートである。モデル生成手段２３２は、図５に示すフローチャートを実行する。従って、モデル生成手段２３２は、図５のステップ５００から処理を開始して、以下に述べるステップ５０５乃至ステップ５２０の処理を順に実行する。その後、モデル生成手段２３２は、ステップ５９５に進んで本処理フローを一旦終了する。

ステップ５０５：モデル生成手段２３２は、情報格納手段２３１から、互いに関連付けられた第１画像データ、被処理水データ及び処理水データのデータセットを取得する。本例において、被処理水データは、例えば、被処理水濁度、水温、ｐＨ、アルカリ度、ＴＯＣ（全有機炭素、Total Organic Carbon）、凝集剤注入濃度を含む。

ステップ５１０：モデル生成手段２３２は、第１画像データの各第１画像を画像処理する。具体的に述べると、モデル生成手段２３２は、第１画像データの各第１画像をグレースケール化した後、輝度補正する。

ステップ５１５：モデル生成手段２３２は、被処理水データ（被処理水データの各計測値）を正規化処理する。

ステップ５２０：モデル生成手段２３２は、処理済み第１画像データ及び処理済み被処理水データと、処理水データとを学習用データとして用いて、深層学習によって、第１画像（画像処理後の第１画像）と、被処理水データの各計測値（正規化処理後の各計測値）と、を入力として、予測処理水濁度を出力とする学習済みモデル（第１凝集良否判定モデル）を、生成する。モデル生成手段２３２は、生成した第１凝集良否判定モデルを保持（記憶）する。

なお、深層学習では、例えば、時刻をキーとして互いに関連付けられた、画像処理後の第１画像と被処理水データの各計測値（正規化処理後の各計測値）とを入力として、第１画像及び各計測値と関連付けられた処理水データの処理水濁度を正解の値として、１回の学習が実行される。この学習を、学習用のデータセットの時刻に基づいて関連付けられた、各第１画像、被処理水データの各計測値、処理水データの処理水濁度のそれぞれについて行う。即ち、多数回の反復学習が実行される。

深層学習において、第１画像の入力に対しては、公知のＣＮＮを用いて最終的な出力の前までの第１出力ニューロンに出力し、各計測値の入力に対して、公知のＮＮを用いて最終的な出力の前までの第２出力ニューロンに出力する。最終段階で、第１出力ニューロン及び第２出力ニューロンからの出力が、結合層に入力された後に関数によって、最終的な予測値（予測処理水濁度）を出力する。予測値と正解の値との誤差を関数によって評価し、関数が最小となるように学習が行われる。

図６はモデル生成手段２３２が実行する処理フローを示すフローチャートである。モデル生成手段２３２は、図６に示すフローチャートを実行する。従って、モデル生成手段２３２は、図６のステップ６００から処理を開始して、以下に述べるステップ６０５乃至ステップ６２０の処理を順に実行する。その後、モデル生成手段２３２は、ステップ６９５に進んで本処理フローを一旦終了する。

ステップ６０５：モデル生成手段２３２は、情報格納手段２３１から、互いに関連付けられた第２画像データ、被処理水データ及び処理水データのデータセットを取得する。

ステップ６１０：モデル生成手段２３２は、第２画像データの各第２画像を画像処理する。具体的に述べると、モデル生成手段２３２は、第２画像データの各第２画像をグレースケール化した後、輝度補正する。

ステップ６１５：モデル生成手段２３２は、被処理水データ（被処理水データの各計測値）を正規化処理する。

ステップ６２０：モデル生成手段２３２は、処理済み第２画像データ及び処理済み被処理水データと、処理水データとを学習用データとして用いて、上記と同様の深層学習によって、第２画像（画像処理後の第２画像）と、被処理水データの各計測値（正規化処理後の各計測値）と、を入力として、予測処理水濁度を出力とする学習済みモデル（第２凝集良否判定モデル）を、生成する。モデル生成手段２３２は、生成した第２凝集良否判定モデルを保持（記憶）する。

図７は凝集良否判定手段２３３が実行する処理フローを示すフローチャートである。この処理フローは、第１凝集良否判定モデルが濁質の凝集状態の良否を示す情報の計算に使用するモデルに選択された場合に、凝集良否判定手段２３３が実行する処理フローである。凝集良否判定手段２３３は、第１凝集良否判定モデルが選択された場合、図７に示すフローチャートを実行する。従って、凝集良否判定手段２３３は、図７のステップ７００から処理を開始して、以下に述べるステップ７０５乃至ステップ７２０の処理を順に実行する。その後、凝集良否判定手段２３３は、ステップ７９５に進んで本処理フローを一旦終了する。

ステップ７０５：凝集良否判定手段２３３は、現時刻の第１画像を第１撮像装置２２０ａから取得し、被処理水データ（現時刻の各計測値）を第１水質計２１０ａから取得する。

ステップ７１０：凝集良否判定手段２３３は、第１画像を画像処理する。具体的に述べると、凝集良否判定手段２３３は、第１画像をグレースケール化した後、輝度補正する。

ステップ７１５：凝集良否判定手段２３３は、被処理水データ（現時刻の各計測値）を正規化処理する。

ステップ７２０：凝集良否判定手段２３３は、モデル生成手段２３２から第１凝集良否判定モデルを取得し、画像処理を行った第１画像及び正規化処理した被処理水データを第１凝集良否判定モデルに入力し、第１凝集良否判定モデルの出力である処理水濁度の予測値（予測処理水濁度）を計算し、取得する。

図８は凝集良否判定手段２３３が実行する処理フローを示すフローチャートである。この処理フローは、第２凝集良否判定モデルが濁質の凝集状態の良否を示す情報の計算に使用するモデルに選択された場合に、凝集良否判定手段２３３が実行する処理フローである。なお、この処理フローは、図７において、第１画像を第２画像に代え、第１凝集良否判定モデルを第２凝集良否判定モデルに代えたこと以外、図７と同様であるので、詳細な説明を省略する。

＜効果＞
以上説明した通り、第１監視システムは、適宜、最適な凝集良否判定モデルを用いて、画像に映る被処理水Ｗａ１中の濁質の凝集状態の良否を示す情報（予測処理水濁度）を計算できる。第１監視システムでは、これまで熟練者の暗黙知であった視覚に頼る濁質の凝集状態に関する知識を形式知化することで、経験がない運転員（非熟練者）であっても、この第１監視システムを使用することで、簡単且つ早期に画像に映る濁質の凝集状態の良否の判定が可能となる。更に、これまでは水質の変動時には凝集剤注入量を多くする安全側で運転することが多かったが、第１監視システムにより、画像に映る被処理水Ｗａ１の濁質の凝集状態の良否を迅速に判定し最適な凝集剤注入量で運転することで、凝集剤注入量を少なくすることができ、余分な凝集剤のコストを減らすことができるので、省コスト化が可能となる。

<<第１変形例>>
第１監視システムの第１変形例について説明する。１変形例は、情報格納手段２３１に格納されたデータの一部を用いて、第１凝集良否判定モデル及び第２凝集良否判定モデルを生成する。第１変形例は、情報格納手段２３１に格納された残りのデータの少なくとも一部（本例において、全部）を用いて、第１凝集良否判定モデル及び第２凝集良否判定モデルの何れを用いた方が処理水濁度の予測値（予測処理水濁度）の誤差が少なくなるかを判定するための閾値濁度を求める。第１変形例は、被処理水Ｗａ１の濁度と閾値濁度を比較し、比較結果に基づいて、第１凝集良否判定モデル及び第２凝集良否判定モデルのうちの何れか一つのモデルを選択する。第１変形例は、選択したモデルを用いて、処理水Ｗａ２の予測処理水濁度を計算する。以上の点以外、第１監視システムと同様である。

以下、この相違点を中心として説明する。

＜具体的作動＞
図９は第１変形例のモデル生成手段２３２が実行する処理フローを示すフローチャートである。モデル生成手段２３２は、図９に示すフローチャートを実行する。従って、モデル生成手段２３２は、図９のステップ９００から処理を開始して、以下に述べるステップ９０５乃至ステップ９３５の処理を順に実行する。

ステップ９０５：モデル生成手段２３２は、情報格納手段２３１から、互いに関連付けられた、第１画像データ、第２画像データ、被処理水データ及び処理水データのデータセットを、取得する。この際、モデル生成手段２３２は、情報格納手段２３１に格納されている全データセットの一部（本例において、７０％）のデータセットを取得する。モデル生成手段２３２は、取得したデータセットを使用して、以下に述べるステップ９１０乃至ステップ９３０の処理を実行する。

ステップ９１０：モデル生成手段２３２は、第１画像データの各第１画像を画像処理する。具体的に述べると、モデル生成手段２３２は、第１画像データの各第１画像をグレースケール化した後、輝度補正する。

ステップ９１５：モデル生成手段２３２は、被処理水データ（被処理水データの各計測値）を正規化処理する。

ステップ９２０：モデル生成手段２３２は、処理済み第１画像データ及び処理済み被処理水データと、処理水データとを学習用データとして用いて、深層学習によって、第１画像（画像処理後の第１画像）と、被処理水データの各計測値（正規化処理後の各計測値）と、を入力として、予測処理水濁度を出力とする学習済みモデル（第１凝集良否判定モデル）を、生成する。モデル生成手段２３２は、生成した第１凝集良否判定モデルを保持（記憶）する。

ステップ９２５：モデル生成手段２３２は、第２画像データの各第２画像を画像処理する。具体的に述べると、モデル生成手段２３２は、第２画像データの各第２画像をグレースケール化した後、輝度補正する。

ステップ９３０：モデル生成手段２３２は、処理済み第２画像データ及び処理済み被処理水データと、処理水データとを学習用データとして用いて、深層学習によって、第２画像（画像処理後の第２画像）と、被処理水データの各計測値（正規化処理後の各計測値）と、を入力として、予測処理水濁度を出力とする学習済みモデル（第２凝集良否判定モデル）を、生成する。モデル生成手段２３２は、生成した第２凝集良否判定モデルを保持（記憶）する。

ステップ９３５：モデル生成手段２３２は、図１０にフローチャートにより示した評価処理を実行する。

図１０は第１変形例のモデル生成手段２３２が実行する処理フローを示すフローチャートである。モデル生成手段２３２は、図９のステップ９３５に進むと、図１０のステップ１０００から処理を開始して、以下に述べるステップ１００５乃至ステップ１０３５の処理を順に実行する。

ステップ１００５：モデル生成手段２３２は、情報格納手段２３１から、互いに関連付けられた、第１画像データ、第２画像データ、被処理水データ及び処理水データのデータセットを、取得する。この際、モデル生成手段２３２は、情報格納手段２３１に格納された全データセットのうちの残りの全部（本例において、３０％）のデータセットを取得する。モデル生成手段２３２は、取得したデータセットを使用して、以下に述べるステップ１０１０乃至ステップ１０３５の処理を順に実行する。

ステップ１０１０：モデル生成手段２３２は、第１画像データの各第１画像を画像処理する。具体的に述べると、モデル生成手段２３２は、第１画像データの各第１画像をグレースケール化した後、輝度補正する。

ステップ１０１５：モデル生成手段２３２は、被処理水データ（被処理水データの各計測値）を正規化処理する。

ステップ１０２０：モデル生成手段２３２は、画像処理後の第１画像データ、正規化処理後の被処理水データ、及び、第１凝集良否判定モデルを用いて、処理水濁度の予測値（予測処理水濁度）を算出する。モデル生成手段２３２は、処理水濁度の予測値（予測処理水濁度）と、処理水データの処理水濁度とを用いて、予測値の誤差（＝｜予測処理水濁度－処理水データの処理水濁度（実績値）｜を算出する。

ステップ１０２５：モデル生成手段２３２は、第２画像データを画像処理する。具体的に述べると、モデル生成手段２３２は、第２画像データの各第２画像をグレースケール化した後、輝度補正する。

ステップ１０３０：モデル生成手段２３２は、画像処理後の第２画像データ、正規化処理後の被処理水データ、及び、第２凝集良否判定モデルを用いて、処理水濁度の予測値（予測処理水濁度）を算出する。モデル生成手段２３２は、処理水濁度の予測値（予測処理水濁度）と、処理水データの処理水濁度とを用いて、予測値の誤差（＝｜予測処理水濁度－処理水データの処理水濁度（実績値）｜を算出する。

ステップ１０３５：モデル生成手段２３２は、被処理水データの被処理水濁度、ステップ１０２０で算出した予測値の誤差、及び、ステップ１０３０で算出した予測値の誤差に基づき、閾値濁度を算出する。例えば、閾値濁度は、図１１に示すグラフを作成した場合における、線ａ１と線ａ２との交点Ｐ１０の濁度である。線ａ１は、被処理水データの被処理水濁度、及び、ステップ１０２０で算出した予測値の誤差に基づいて、プロットした線であり、被処理水データの被処理水濁度と、第１凝集良否モデルを用いた場合の予測値の平均誤差との関係を示す。線ａ２は、被処理水データの被処理水濁度、及び、ステップ１０３０で算出した予測値の誤差に基づいて、プロットした線であり、被処理水データの被処理水濁度と、第２凝集良否モデルを用いた場合の予測値の平均誤差との関係を示す。

図１１のグラフによれば、被処理水Ｗａ１の被処理水濁度が、閾値濁度より大きい場合、第１凝集良否判定モデルを用いた方が、第２凝集良否判定モデルを用いた場合に比べて、平均誤差が小さいので処理水濁度の予測値（予測処理水濁度）の精度が高いことがわかる。被処理水Ｗａ１の被処理水濁度が、閾値濁度以下である場合、第２凝集良否判定モデルを用いた方が、第１凝集良否判定モデルを用いた場合に比べて、平均誤差が小さいので、予測値（予測処理水濁度）の精度が高いことがわかる。

その後、モデル生成手段２３２は、ステップ１０９５に進んで本処理フローを一旦終了した後、ステップ９９５に進んで、図９の処理フローを一旦終了する。

図１２は第１変形例の凝集良否判定手段２３３が実行する処理フローを示すフローチャートである。凝集良否判定手段２３３は、図１２に示すフローチャートを実行する。従って、凝集良否判定手段２３３は、図１２のステップ１２００から処理を開始してステップ１２０５に進み、現時刻の被処理水データ（現時刻の各計測値）を第１水質計２１０ａから取得する。

その後、凝集良否判定手段２３３は、ステップ１２１０に進み、被処理水データの被処理水濁度が閾値濁度より大きいか否かを判定する。

被処理水濁度が閾値濁度より大きい場合、凝集良否判定手段２３３は、ステップ１２１０にて「Ｙｅｓ」と判定して以下に述べるステップ１２１５乃至ステップ１２３０の処理を順に実行した後、ステップ１２９５に進んで本処理フローを一旦終了する。

ステップ１２１５：凝集良否判定手段２３３は、現時刻の第１画像を第１撮像装置２２０ａから取得する。

ステップ１２２０：凝集良否判定手段２３３は、第１画像を画像処理する。具体的に述べると、凝集良否判定手段２３３は、第１画像をグレースケール化した後、輝度補正する。

ステップ１２２５：凝集良否判定手段２３３は、被処理水データ（現時刻の各計測値）を正規化処理する。

ステップ１２３０：凝集良否判定手段２３３は、モデル生成手段２３２から第１凝集良否判定モデルを取得し、画像処理を行った第１画像及び正規化処理した被処理水データを第１凝集良否判定モデルに入力し、第１凝集良否判定モデルの出力である処理水濁度の予測値（予測処理水濁度）を計算し、取得する。

被処理水濁度が閾値濁度以下である場合、凝集良否判定手段２３３は、ステップ１２１０にて「Ｎｏ」と判定して以下に述べるステップ１２３５乃至ステップ１２５０の処理を順に実行した後、ステップ１２９５に進んで本処理フローを一旦終了する。

ステップ１２３５：凝集良否判定手段２３３は、現時刻の第２画像を第２撮像装置２２０ｂから取得する。

ステップ１２４０：凝集良否判定手段２３３は、第２画像を画像処理する。具体的に述べると、凝集良否判定手段２３３は、第２画像をグレースケール化した後、輝度補正する。

ステップ１２４５：凝集良否判定手段２３３は、被処理水データ（現時刻の各計測値）を正規化処理する。

ステップ１２５０：凝集良否判定手段２３３は、モデル生成手段２３２から第２凝集良否判定モデルを取得し、画像処理を行った第２画像及び正規化処理した被処理水データを第２凝集良否判定モデルに入力し、第２凝集良否判定モデルの出力である処理水濁度の予測値（予測処理水濁度）を計算し、取得する。

＜効果＞
第１変形例は、被処理水データの被処理水濁度に応じて、最適な凝集良否判定モデルを選択して、選択した最適な凝集良否判定モデルを使用して、より精度の高い濁質の凝集状態の良否を示す情報（予測処理水濁度）を計算できる。なお、第１変形例の特徴は、後述の第２実施形態及び第３実施形態にも適用してもよい。

<<第２実施形態>>
本発明の第２実施形態に係る水処理状況監視システム（以下、「第２監視システム」とも称呼される場合がある。）について説明する。

図１３は、浄水場１００に第２監視システムを適用した例を示す概略構成図である。図１３に示すように、第２監視システムは、第１採水ポンプ１３１０ａと、第２採水ポンプ１３１０ｂと、第１バルブ１３２０ａと、第２バルブ１３２０ｂと、フローセル１３３０と、配管１３４０と、バルブ制御装置１３５０とを、含む。第２監視システムでは、第１監視システムの第２撮像装置２２０ｂが省略され、第１撮像装置２２０ａがフローセル１３３０を撮像可能な位置に設置されている。以上の点以外、図１に示した第１監視システムの構成と同様である。

第１採水ポンプ１３１０ａは、フロック形成槽１３０の入り口に対して設置され、フロック形成槽１３０の入り口の被処理水Ｗａ１を採水する。採水された被処理水Ｗａ１は、配管１３４０を通りフローセル１３３０に流入する。なお、第１採水ポンプ１１１０ａは、混和槽１２０に対して設置され、混和槽１２０の被処理水Ｗａ１を採水するようにしてもよい。

第２採水ポンプ１３１０ｂは、フロック形成槽１３０の出口に対して設置され、フロック形成槽１３０の出口の被処理水Ｗａ１を採水する。採水された被処理水Ｗａ１は、配管１３４０を通りフローセル１３３０に流入する。

フローセル１３３０は、採水された被処理水Ｗａ１を通過させる透明な容器である。

第１バルブ１３２０ａは、電磁バルブであり、第１採水ポンプ１３１０ａと配管１３４０の分岐部Ｐｔ１との間の配管１３４０に設置される。第１バルブ１３２０ａは、第１バルブ１３２０ａに対する通電が制御されることにより、被処理水Ｗａ１が通流する開状態及び被処理水Ｗａ１の通流を遮断する閉状態の何れかに設定される。

第２バルブ１３２０ｂは、電磁バルブであり、第２採水ポンプ１３１０ｂと配管１３４０の分岐部Ｐｔ１との間の配管１３４０に設置される。第２バルブ１３２０ｂは、第２バルブ１３２０ｂに対する通電が制御されることにより、被処理水Ｗａ１が通流する開状態及び被処理水Ｗａ１の通流を遮断する閉状態の何れかに設定される。

バルブ制御装置１３５０は、第１バルブ１３２０ａを開状態及び閉状態の何れかに設定するように制御し、第２バルブ１３２０ｂを開状態及び閉状態の何れかに設定するように制御する。バルブ制御装置１３５０は、第１バルブ１３２０ａ及び第２バルブ１３２０ｂのそれぞれの開閉状態を制御することにより、第１採水ポンプ１３１０ａによって採水された被処理水Ｗａ１と、第２採水ポンプ１３１０ｂによって採水された被処理水Ｗａ１とが、所定時間が経過する毎に、交互にフローセル１３３０に流入するように、フローセル１３３０に流入する被処理水Ｗａ１を制御する。即ち、バルブ制御装置１３５０は、所定時間だけ第１採水ポンプ１３１０ａによって採水された被処理水Ｗａ１がフローセル１３３０に流入し、所定時間だけ第２採水ポンプ１３１０ｂによって採水された被処理水Ｗａ１がフローセル１３３０に流入することを繰り返すように、フローセル１３３０に流入する被処理水Ｗａ１を制御する。更に、バルブ制御装置１３５０は、第１バルブ１３２０ａ及び第２バルブ１３２０ｂの制御信号の時系列データを情報処理装置２３０に送信する。

第１撮像装置２２０ａは、フローセル１３３０の内部を通過する被処理水Ｗａ１を撮像する。第１撮像装置２２０ａは、図示しない画像抽出手段により、所定の時間間隔毎に画像を切り出し、情報処理装置２３０に送信する。

情報処理装置２３０は、第１撮像装置２２０ａから受信した画像と、電磁バルブの制御信号の時系列データとに基づいて、画像が第１採水ポンプによって採水された被処理水Ｗａ１に関する画像（以下、「第１採水画像」と称呼される。）であるか、第２採水ポンプによって採水された被処理水Ｗａ１に関する画像（以下、「第２採水画像」と称呼される。）であるかを区別する。

情報格納手段２３１は、第１監視システムと同様、時刻情報に基づいて、被処理水データと、処理水データと、所定の時間間隔毎の複数の第１採水画像を含む第１採水画像データと、所定の時間間隔毎の複数の第２採水画像を含む第２採水画像データとを互いに関連付けて保持（記憶、格納）する。

＜作動の概要＞
第２監視システムのモデル生成手段２３２は、第１監視システムと同様、情報格納手段２３１に格納したデータを用いて、凝集良否の判定に関するモデル（画像に映る被処理水Ｗａ１の濁質の凝集状態の良否を示す情報を出力するモデル）を生成する。

モデル生成手段２３２は、第１画像データに代えて第１採水画像データを用い、第２画像データに代えて第２採水画像データを用いること以外、第１監視システムと同様にして、第１凝集良否判定モデル及び第２凝集良否判定モデルを生成する。

凝集良否判定手段２３３は、モデル生成手段２３２によって生成された第１凝集良否判定モデル及び第２凝集良否判定モデルの何れかを用いて、現時刻の被処理水Ｗａ１中の濁質の凝集状態を示す画像（第１採水画像又は第２採水画像）を含む入力データから被処理水Ｗａ１の濁質の凝集状態の良否を示す情報を計算する。凝集良否判定手段２３３は、図示しない操作装置に対するユーザの操作入力に基づいて、第１凝集良否判定モデル及び第２凝集良否判定モデルの何れかを用いるか設定できるようになっている。

＜具体的作動＞
モデル生成手段２３２は、図５の処理フローにおいて、第１画像データを第１採水画像データに代えたこと以外、図５の処理フローと同様の処理フローを実行する。モデル生成手段２３２は、図６の処理フローにおいて、第２画像データを第２採水画像データに代えたこと以外、図６の処理フローと同様の処理フローを実行する。凝集良否判定手段２３３は、図７の処理フローにおいて、第１画像を第１採水画像に代えたこと以外、図７の処理フローと同様の処理フローを実行する。凝集良否判定手段２３３は、図８の処理フローにおいて、第２画像を第２採水画像に代えたこと以外、図８の処理フローと同様の処理フローを実行する。なお、これらの処理フローは、図５乃至図８の処理フローと上記点以外同様であるので、詳細な説明を省略する。

＜効果＞
以上説明したように、第２監視システムは、１台の第１撮像装置２２０ａで、浄水場において被処理水Ｗａ１の処理経過が異なる２つの場所（複数の場所）に存在していた被処理水Ｗａ１の濁質の凝集状態を撮像することができる。更に、第２監視システムでは、フローセル１３３０の設置場所をある程度自由に選ぶことができるので、フローセル１３３０を例えば、屋内等の安定環境に配置することが可能となる。従って、第２監視システムは、第１監視システムに比べて、第１撮像装置２２０ａが撮像したい被処理水Ｗａ１の場所及び撮像条件の自由度を向上できる。

<<第３実施形態>>
本発明の第３実施形態に係る水処理状況監視システム（以下、「第３監視システム」とも称呼される場合がある。）について説明する。第３監視システムは、以下の点のみにおいて、第１監視システムと相違する。

第３監視システムでは、モデル生成手段２３２が、画像データからフロックに関する情報（以下、「フロック情報」と称呼される。）を抽出し、フロック情報も用いて、凝集良否判定モデルを生成する。フロック情報は、例えば、画像中のフロック数、フロックの大きさ（粒径、面積等）、非フロック部分の輝度等である。

以下この相違点を中心として説明する。

＜具体的作動＞
第３監視システムのモデル生成手段２３２は、図５に示した処理フローに代えて、図１４に示した処理フローを実行する。従って、モデル生成手段２３２は、以下に述べるステップ１４０５乃至ステップ１４３０の処理を順に実行した後、ステップ１４９５に進んで本処理フローを終了する。

ステップ１４０５：モデル生成手段２３２は、情報格納手段２３１から、互いに関連付けられた第１画像データ、被処理水データ及び処理水データのデータセットを取得する。

ステップ１４１０：モデル生成手段２３２は、第１画像データの各第１画像を画像処理する。具体的に述べると、モデル生成手段２３２は、第１画像データの各第１画像をグレースケール化した後、輝度補正する。

ステップ１４１５：モデル生成手段２３２は、第１画像データの各第１画像を二値化する。

ステップ１４２０：モデル生成手段２３２は、二値化した第１画像データの各第１画像からフロックを抽出し、各第１画像のフロック情報を取得する。

ステップ１４２５：モデル生成手段２３２は、各第１画像のフロック情報及び被処理水データを正規化処理する。

ステップ１４３０：モデル生成手段２３２は、処理済み第１画像データ及び処理済みの被処理水データと、処理済みのフロック情報と、処理水データとを学習用データとして用いて、深層学習によって、第１画像（画像処理後の第１画像）と、被処理水データの各計測値（正規化処理後の各計測値）と、フロック情報（正規化処理後のフロック情報）を入力として、予測処理水濁度を出力とする学習済みモデル（第１凝集良否判定モデル）を、生成する。モデル生成手段２３２は、生成した第１凝集良否判定モデルを保持（記憶）する。

第３監視システムのモデル生成手段２３２は、図６に示した処理フローに代えて、図１５に示した処理フローを実行する。従って、モデル生成手段２３２は、以下に述べるステップ１５０５乃至ステップ１５３０の処理を順に実行した後、ステップ１５９５に進んで本処理フローを終了する。

ステップ１５０５：モデル生成手段２３２は、情報格納手段２３１から、互いに関連付けられた第２画像データ、被処理水データ及び処理水データのデータセットを取得する。

ステップ１５１０：モデル生成手段２３２は、第２画像データの各第２画像を画像処理する。具体的に述べると、モデル生成手段は、第２画像データの各第２画像をグレースケール化した後、輝度補正する。

ステップ１５１５：モデル生成手段２３２は、第２画像データの各第２画像を二値化する。

ステップ１５２０：モデル生成手段２３２は、二値化した第２画像データの各第２画像からフロックを抽出し、各第２画像のフロック情報を取得する。

ステップ１５２５：モデル生成手段２３２は、各第２画像のフロック情報及び被処理水データを正規化処理する。

ステップ１５３０：モデル生成手段２３２は、処理済み第２画像データ及び処理済み被処理水データと、処理済みのフロック情報と、処理水データとを学習用データとして用いて、深層学習によって、第２画像（画像処理後の第２画像）と、被処理水データの各計測値（正規化処理後の各計測値）と、フロック情報（正規化処理後のフロック情報）を入力として、予測処理水濁度を出力とする学習済みモデル（第２凝集良否判定モデル）を、生成する。モデル生成手段２３２は、生成した第２凝集良否判定モデルを保持（記憶）する。

凝集良否判定手段２３３は、図７の処理フローにおいて以下の点のみが相違する処理フローを実行する。なお、この処理フローは、第１監視システムと同様、第１凝集良否判定モデルが濁質の凝集状態の良否を示す情報の計算に使用するモデルに選択された場合に、凝集良否判定手段２３３が実行する処理フローである。
・ステップ７１０とステップ７１５との間に、以下のステップＡ１及びステップＢ１が追加される。

ステップＡ１：凝集良否判定手段２３３は、第１画像を二値化する。

ステップＢ１：凝集良否判定手段２３３は、二値化した第１画像からフロックを抽出し、第１画像のフロック情報を取得する。
・ステップ７１５に代えて、以下のステップＣ１が実行され、ステップ７２０に代えて、以下のステップＤ１が実行される。

ステップＣ１：凝集良否判定手段２３３は、被処理水データ（現時刻の各計測値）及びフロック情報を正規化処理する。

ステップＤ１：凝集良否判定手段２３３は、モデル生成手段２３２から第１凝集良否判定モデルを取得し、画像処理を行った第１画像、正規化処理後の被処理水データ（正規化処理後の各計測値）及びフロック情報（正規化処理後のフロック情報）を第１凝集良否判定モデルに入力し、第１凝集良否判定モデルの出力である処理水濁度の予測値（予測処理水濁度）を計算し、取得する。

凝集良否判定手段２３３は、図８の処理フローにおいて以下の点のみが相違する処理フローを実行する。
・ステップ８１０とステップ８１５との間に、以下のステップＡ２及びステップＢ２が追加される。なお、この処理フローは、第２監視システムと同様、第２凝集良否判定モデルが濁質の凝集状態の良否を示す情報の計算に使用するモデルに選択された場合に、凝集良否判定手段２３３が実行する処理フローである。

ステップＡ２：凝集良否判定手段２３３は、第２画像を二値化する。

ステップＢ２：凝集良否判定手段２３３は、二値化した第２画像からフロックを抽出し、第２画像のフロック情報を取得する。
・ステップ８１５に代えて、以下のステップＣ２が実行され、ステップ８２０に代えて、以下のステップＤ２が実行される。

ステップＣ２：凝集良否判定手段２３３は、被処理水データ（現時刻の各計測値）及びフロック情報を正規化処理する。

ステップＤ２：凝集良否判定手段２３３は、モデル生成手段２３２から第２凝集良否判定モデルを取得し、画像処理を行った第２画像、正規化処理後の被処理水データ（正規化処理後の各計測値）及びフロック情報（正規化処理後のフロック情報）を第２凝集良否判定モデルに入力し、第２凝集良否判定モデルの出力である処理水濁度の予測値（予測処理水濁度）を計算し、取得する。

＜効果＞
以上説明したように、第３監視システムは、被処理水Ｗａ１の濁質の凝集状態の良否に影響を与えるフロック情報も用いて、第１凝集良否判定モデル及び第２凝集良否判定モデルを生成し、生成した凝集良否判定モデル（第１凝集良否判定モデル又は第２凝集良否判定モデル）を用いて、画像に映る被処理水Ｗａ１の濁質の凝集状態の良否を示す情報をより精度よく計算できる。

<<第４実施形態>>
本発明の第４実施形態に係る水処理状況監視システム（以下、「第４監視システム」とも称呼される場合がある。）について説明する。第４監視システムは、以下の点のみにおいて、第１監視システムと相違する。

第４監視システムは、第１画像データ及び第２画像データを用いて、一つの凝集良否判定モデルを生成する。

以下この相違点を中心として説明する。

＜具体的作動＞
第４監視システムのモデル生成手段２３２は、図１６に示した処理フローを実行する。従って、モデル生成手段２３２は、図１６のステップ６００から処理を開始し、以下に述べるステップ１６０５乃至ステップ１６２５の処理を順に実行した後、ステップ１６９５に進んで本処理フローを終了する。

ステップ１６０５：モデル生成手段２３２は、情報格納手段２３１から、互いに関連付けられた第１画像データ、第２画像データ、被処理水データ及び処理水データのデータセットを取得する。

ステップ１６１０：モデル生成手段２３２は、第１画像データの各第１画像を画像処理する。具体的に述べると、モデル生成手段２３２は、第１画像データの各第１画像をグレースケール化した後、輝度補正する。

ステップ１６１５：モデル生成手段２３２は、第２画像データの各第２画像を画像処理する。具体的に述べると、モデル生成手段２３２は、第２画像データの各第２画像をグレースケール化した後、輝度補正する。

ステップ１６２０：モデル生成手段２３２は、被処理水データ（被処理水データの各計測値）を正規化処理する。

ステップ１６２５：モデル生成手段２３２は、処理済み第１画像データ、処理済み第２画像データ、処理済み被処理水データ及び処理水データを学習用データとして用いて、深層学習によって、第１画像（画像処理後の第１画像）及び第２画像（画像処理後の第２画像データ）と、被処理水データの各計測値（正規化処理後の各計測値）と、を入力として、予測処理水濁度を出力とする学習済みモデル（凝集良否判定モデル）を、生成する。モデル生成手段２３２は、生成した凝集良否判定モデルを保持（記憶）する。

図１７は凝集良否判定手段２３３が実行する処理フローを示すフローチャートである。凝集良否判定手段２３３は、図１７に示すフローチャートを実行する。従って、凝集良否判定手段２３３は、図１７のステップ１７００から処理を開始して、以下に述べるステップ１７０５乃至ステップ１７２０の処理を順に実行する。その後、凝集良否判定手段２３３は、ステップ１７９５に進んで本処理フローを一旦終了する。

ステップ１７０５：凝集良否判定手段２３３は、現時刻の第１画像を第１撮像装置２２０ａから取得し、現時刻の第２画像を第２撮像装置２２０ｂから取得し、被処理水データ（現時刻の各計測値）を第１水質計２１０ａから取得する。

ステップ１７１０：凝集良否判定手段２３３は、第１画像を画像処理する。具体的に述べると、凝集良否判定手段２３３は、第１画像をグレースケール化した後、輝度補正する。

ステップ１７１５：凝集良否判定手段２３３は、第２画像を画像処理する。具体的に述べると、凝集良否判定手段２３３は、第２画像をグレースケール化した後、輝度補正する。

ステップ１７２０：凝集良否判定手段２３３は、被処理水データ（現時刻の各計測値）を正規化処理する。

ステップ１７２５：凝集良否判定手段２３３は、モデル生成手段２３２から凝集良否判定モデルを取得し、画像処理を行った第１画像及び正規化処理した被処理水データを第１凝集良否判定モデルに入力し、第１凝集良否判定モデルの出力である処理水濁度の予測値（予測処理水濁度）を計算し、取得する。

＜効果＞
以上説明したように、第４監視システムは、凝集核やフロックが形成される様子（経時変化）が反映される、それぞれ別の場所に存在する被処理水Ｗａ１を撮像した第１画像データ及び第２画像データを用いて、一つの凝集良否判定モデルを生成し、生成した凝集良否判定モデルを用いて、濁質の凝集状態の良否を示す情報を計算する。これにより、第４監視システムは、画像に映る被処理水Ｗａ１の濁質の凝集状態の良否を示す情報を精度よく計算できる。更に、第４監視システムは、第１監視システムよりもモデル選択に関するパラメータが削減できてシステムの簡素化が可能となる。

以上説明した、上記各実施形態及び第１変形例によれば、例えば、熟練者が存在しない途上国において、適切に水処理を行うことを可能とすることで、その地に暮らす人の衛生向上を図ることができ、適切な薬剤の仕様による環境保全を通じて、サステナブルな社会の実現にも寄与することができる。

<<他の変形例>>
本発明は上記各実施形態及び第１変形例に限定されることなく、本発明の範囲内において種々の変形例を採用することができる。上記各実施形態及び第１変形例は、本発明の範囲内において、互いに組み合わせることができる。

例えば、第１実施形態及び第４実施形態を組み合わせてもよい。この場合、例えば、モデル生成手段２３２は、複数の凝集良否判定モデル（本例において、第１凝集良否判定モデル、第２凝集良否判定モデル及び凝集良否モデルの３つ）を生成する。凝集良否判定手段２３３は、モデル生成手段２３２によって生成された複数の凝集良否判定モデル（本例において、第１凝集良否判定モデル、第２凝集良否判定モデル及び凝集良否判定モデル）の何れかを用いて、被処理水Ｗａ１の濁質の凝集状態を示す画像を含む入力データから被処理水Ｗａ１の濁質の凝集状態の良否を示す情報を計算する。

例えば、上記各実施形態及び第１変形例において、モデル生成手段２３２は、被処理水Ｗａ１中の濁質の凝集良否の判定に関するモデルとして、深層学習によって、学習済みモデルを生成したが、凝集良否の判定に関するモデルは凝集良否を示すことが可能ならば、経験式、統計的モデル等を生成してもよい。

例えば、上記各実施形態及び第１変形例において、被処理水Ｗａ１の画像の撮像条件は、被処理水Ｗａ１中の濁質の凝集状態を撮像できれば特に限定されない。ただし、光源が日光のみで昼夜で明るさが大きく異なる場合、撮像装置２２０の撮像場所を照らす光源が設置された方が好ましい。更に、明るさの変化を記録し、被処理水Ｗａ１の画像の前処理（輝度補正）に使用することも、濁質の凝集状態の良否の判定精度を向上することになるため、撮像場所の明るさの変化を記録するための照度計等を設置してもよい。

上記１実施形態乃至上記第３実施形態、及び、第１変形例のそれぞれにおいて、例えば、被処理水Ｗａ１の水質が比較的変動しにくく、一定である場合は、あらかじめ浄水場内で、濁質の凝集状態に差が生じやすい処理時間（あるいは場所）を調査しておき、濁質の凝集状態に差が生じやすい被処理水Ｗａ１を撮像可能な場所（第２実施形態の場合、採水可能な場所）に、撮像装置２２０（第２実施形態の場合、採水ポンプ）を設置することが好ましい。

上記第１実施形態乃至第３実施形態、及び、第１変形例のそれぞれにおいて、例えば、被処理水Ｗａ１の水質が変動する場合、被処理水Ｗａ１の水質に応じて（被処理水データに基づいて）、情報処理装置２３０が凝集良否の判定に使用する画像（入力データ）及び凝集良否判定モデルを適宜、手動又は自動で切り替えてもよい。

この場合において、例えば、情報処理装置２３０が、被処理水データに基づいて、被処理水データがフロックの成長を促進させる条件に該当するか否かを判定し、判定結果に基づいて、被処理水データがフロックの成長を促進させる条件に該当する場合、被処理水Ｗａ１がフロックの成長を促進させる条件に該当しない場合に比べて、上流側の場所に設置された撮像装置によって撮像された画像データを用いて生成した凝集良否判定モデルを選択し、選択した凝集良否判定モデルを用いて、被処理水Ｗａ１の画像を含む入力データから予測処理水濁度を出力するようにしてもよい。

例えば、被処理水Ｗａ１の被処理水濁度が約８０度の場合、被処理水データがフロックの成長を促進させる条件に該当し、上流側（例えば、緩速攪拌の処理時間０分）に相当する被処理水Ｗａ１を撮像可能な位置に設置された撮像装置２２０によって撮像された画像を用いて凝集良否判定モデルを生成し、生成した凝集良否判定モデルを用いて、当該画像から予測処理水濁度を出力するようにしてもよい。

例えば、被処理水Ｗａ１の被処理水濁度が約３５度の場合、被処理水データがフロックの成長を促進させる条件に該当せず、下流側（例えば、緩速攪拌の処理時間４分）に相当する被処理水Ｗａ１を撮像可能な位置に設置された撮像装置２２０によって撮像された画像を使用し凝集良否判定モデルを生成し、生成した凝集良否判定モデルを用いて、当該画像から予測処理水濁度を出力するようにしてもよい。

上記各実施形態及び第１変形例において、互いに異なる場所に３台以上の撮像装置２２０を設置し、それぞれによって撮像された画像データを用いて、複数の凝集良否判定モデルを生成してもよい。この場合において、上記各第１実施形態乃至第３実施形態及び第１変形例のように凝集良否判定モデルが２つである場合と同様に、複数の凝集良否判定モデルの中から一つの凝集良否判定モデルを選択し、選択した凝集良否判定モデルを用いて、被処理水Ｗａ１の画像から予測処理水濁度を出力するようにしてもよい。

上記４実施形態において、互いに異なる場所に３台以上の撮像装置２２０を設置し、情報処理装置２３０は、それぞれの撮像装置２２０によって撮像された画像データを用いて、一つの凝集良否判定モデルを生成してもよい。

上記各実施形態及び第１変形例において、情報処理装置２３０は、凝集良否判定モデルからの出力として、濁質の凝集状態の良を示す情報及び否を示す情報の何れかを出力するようにして、２値分類を行うようにしてもよい。

上記各実施形態及び第１変形例において、情報処理装置２３０は、凝集良否判定モデルから出力される予測処理水濁度と所定の処理水閾値濁度（例えば、１度）を比較することによって、濁質の凝集状態が良及び否の何れかであるか否かを判定し、判定結果を出力するようにしてもよい。

上記各実施形態及び第１変形例において、上記情報処理装置２３０は、予測処理水濁度に応じて、薬剤ポンプからの凝集剤の注入量を、監視制御装置を介して、調整するようにしてもよい。例えば、情報処理装置２３０は、凝集状態が悪い（否である）場合、凝集剤注入量を調整することにより、凝集状態を適切にして、処理水Ｗａ２の処理水濁度がきれいになるように調整するようにしてもよい。

上記各実施形態及び第１変形例において、情報処理装置２３０は、画像データのみを用いて、凝集良否モデルを生成してもよい。

上記各実施形態及び第１変形例は、浄水場１００に適用したが、浄水場１００以外の水を浄化処理する他のプラントに適用してもよい。

上記第１実施形態において、情報処理装置２３０は、濁質の凝集状態の良否を示す情報の計算に使用するモデルとして、少なくとも２つ（この例において、第１凝集良否判定モデル及び第２凝集良否判定モデルの２つ）を選択し、少なくとも２つの凝集良否判定モデル（この例において第１凝集良否判定モデル及び第２凝集良否判定モデル）のそれぞれから出力した予測処理水濁度にあらかじめ被処理水濁度に応じて設定した重みをかけて、足し合わせることで最終的な予測処理水濁度を算出してもよい。

上記各実施形態及び第１変形例において、情報処理装置２３０は、凝集良否判定手段２３３により判断された結果を、情報処理装置２３０に接続されたモニター等に出力するようにしてもよい。この場合、例えば、情報処理装置２３０は、警報を発報する装置に接続され、情報処理装置２３０は、予測処理水濁度が閾値（１度）を超えるようなら、警報装置の警報を発報させるようにしてもよい。

撮像装置２２０が１台でもそれが水処理のフローに沿って移動可能（レール式、ドローン等）な場合、１台で複数個所を撮像可能となる。このとき、画像データとともに撮像場所を特定できる情報もまとめて記録することで、本発明を実現可能である。撮像場所を特定できる情報としては例えば、撮像装置２２０にＧＰＳ（Global Positioning System）機能も追加し、ＧＰＳの情報を取得する方法がある。

上記各実施形態及び第１変形例において、情報処理装置２３０は、入力データとしてのある時刻の画像及び／又は被処理水データ（各計測値）等を、ある時間範囲の画像及び／又は被水処理水データ等に代えた凝集良否判定モデルを生成してもよい。

上記各実施形態及び第1変形例において、被処理水を複数の処理場所に運ばず１か所で逐次的に処理する場合、１台で処理状況の推移（処理時間の異なる複数箇所）を撮像可能となる。この場合、モデル生成手段２３２は処理時間の異なる複数箇所ごとに凝集良否判定モデルを生成してもよい。

１００…浄水場、２１０ａ…第１水質計、２１０ｂ…第２水質計、２２０ａ…第１撮像装置、２２０ｂ…第２撮像装置、２３０…情報処理装置、２３１…情報格納手段、２３２…モデル生成手段、２３３…凝集良否判定手段、２３４…凝集良否出力手段

Claims (15)

1. 被処理水を複数の処理場所に順に運んで、前記被処理水に含まれる濁質を除去するための凝集沈殿処理を含む処理を行うことにより、前記被処理水を浄化した処理水を生成する施設に適用される水処理状況監視システムであって、
   前記被処理水を撮像可能な互いに異なる複数の場所に設置され、前記被処理水を撮像することにより、各場所から撮像した前記被処理水の画像を含む各場所毎の前記被処理水の画像データを取得する複数の撮像装置と、
   前記被処理水に関する、被処理水濁度を含む被処理水水質パラメータを測定し、前記被処理水水質パラメータを含む被処理水データを取得する被処理水計測装置と、
   前記処理水の処理水濁度を測定し、前記処理水濁度を含む処理水データを取得する処理水計測装置と、
   前記撮像装置、前記被処理水計測装置及び前記処理水計測装置から、前記画像データ、前記被処理水データ及び前記処理水データを取得する情報処理装置と、
   を備え、
   前記情報処理装置は、
   前記被処理水の前記画像データを含む学習用入力データ及び前記処理水データを、学習用データとして用いて、機械学習によって、前記被処理水の前記画像を含む入力データから前記被処理水の前記濁質の凝集状態の良否を示す情報を出力する凝集良否判定モデルを、複数作成するように構成され、
   前記情報処理装置は、
   複数の前記凝集良否判定モデルの少なくとも一つを選択し、複数の前記撮像装置の少なくとも一つから前記被処理水の前記画像を、判定用画像として取得し、選択した前記凝集良否判定モデルを用いて、前記判定用画像を含む判定用入力データから前記判定用画像に映る前記被処理水の前記濁質の前記凝集状態の良否を示す情報を計算する、
   ように構成された、
   水処理状況監視システム。
2. 請求項１に記載の水処理状況監視システムにおいて、
   前記情報処理装置は、一つの前記凝集良否判定モデルを一つの前記撮像装置によって撮像された前記画像データから作成する、
   ように構成された、
   水処理状況監視システム。
3. 請求項１に記載の水処理状況監視システムにおいて、
   前記情報処理装置は、一つの前記凝集良否判定モデルを複数の前記撮像装置によって撮像された前記画像データから作成する、
   ように構成された、
   水処理状況監視システム。
4. 請求項１に記載の水処理状況監視システムにおいて、
   前記情報処理装置は、前記被処理水濁度に基づいて、複数の前記凝集良否判定モデルの少なくとも一つを選択する、
   ように構成された、
   水処理状況監視システム。
5. 請求項１に記載の水処理状況監視システムにおいて、
   前記情報処理装置に接続された操作装置を更に備え、
   前記情報処理装置は、前記操作装置に対する操作に基づいて、複数の前記凝集良否判定モデルの少なくとも一つを選択する、
   ように構成された、
   水処理状況監視システム。
6. 請求項４に記載の水処理状況監視システムにおいて、
   前記情報処理装置は、前記被処理水濁度と閾値濁度とを比較し比較結果に基づいて、複数の前記凝集良否判定モデルの中から何れか一つを選択する、
   ように構成された、
   水処理状況監視システム。
7. 請求項６に記載の水処理状況監視システムにおいて、
   前記情報処理装置は、前記画像データ、前記被処理水データ及び前記処理水データを含むデータセットを記憶する記憶部を有し、
   前記情報処理装置は、前記記憶部に記憶した前記データセットの一部を前記学習用データとして用いて、複数の前記凝集良否判定モデルを作成し、前記データセットの一部を除いた他部の少なくとも一部を用いて、作成した複数の前記凝集良否判定モデルが出力する前記被処理水の前記濁質の前記凝集状態の良否を示す情報の、前記被処理水濁度に応じた精度を評価することによって、前記閾値濁度を算出する、
   ように構成された、
   水処理状況監視システム。
8. 請求項１に記載の水処理状況監視システムにおいて、
   前記情報処理装置は、前記判定用画像に映る前記被処理水の前記濁質の前記凝集状態の良否を示す情報として、前記処理水の予測濁度を計算する、
   ように構成された、
   水処理状況監視システム。
9. 請求項１に記載の水処理状況監視システムにおいて、
   前記情報処理装置は、前記判定用画像に映る前記被処理水の前記濁質の前記凝集状態の良否を示す情報として、良及び否の何れかの判定結果を計算する、
   ように構成された、
   水処理状況監視システム。
10. 請求項１に記載の水処理状況監視システムにおいて、
    前記学習用入力データは、前記被処理水の前記画像データのみを含み、
    前記判定用入力データは、前記判定用画像のみを含む、
    水処理状況監視システム。
11. 請求項１に記載の水処理状況監視システムにおいて、
    前記情報処理装置は、前記被処理水計測装置から前記被処理水水質パラメータを判定用被処理水水質パラメータとして取得し、
    前記学習用入力データは、前記被処理水データを更に含み、
    前記判定用入力データは、前記判定用被処理水水質パラメータを更に含む、
    水処理状況監視システム。
12. 請求項１に記載の水処理状況監視システムにおいて、
    前記情報処理装置は、前記被処理水の前記画像データの各画像の前記濁質の塊であるフロックに関する情報であるフロック情報を含む学習用フロックデータを取得し、前記判定用画像から前記濁質の塊であるフロックに関する情報である判定用フロック情報を取得するように構成され、
    前記学習用入力データは、前記学習用フロックデータを更に含み、
    前記判定用入力データは、前記判定用フロック情報を更に含む、
    水処理状況監視システム。
13. 請求項１に記載の水処理状況監視システムにおいて、
    前記情報処理装置は、
    前記被処理水水質パラメータに基づいて、前記被処理水データが前記濁質の塊であるフロックの成長を促進させる条件に該当するか否かを判定し、
    前記被処理水水質パラメータが前記フロックの成長を促進させる条件に該当する場合、前記被処理水水質パラメータが前記フロックの成長を促進させる条件に該当しない場合に比べて、上流側の場所で撮像された前記画像データを用いて作成した前記凝集良否判定モデルを選択する、
    ように構成された、
    水処理状況監視システム。
14. 被処理水を複数の処理場所に順に運んで、前記被処理水に含まれる濁質を除去するための凝集沈殿処理を含む処理を行うことにより、前記被処理水を浄化した処理水を生成する施設に適用される水処理状況監視システムであって、
    互いに異なる複数の場所に存在する前記被処理水を採水する複数の採水装置と、
    複数の前記採水装置によって採水された、複数の場所に存在していた前記被処理水のそれぞれを撮像することにより、前記各場所に存在していた前記被処理水の画像である採水画像を含む各場所毎の前記被処理水の採水画像データを取得する複数の撮像装置と、
    前記被処理水に関する、被処理水濁度を含む被処理水水質パラメータを測定し、前記被処理水水質パラメータを含む被処理水データを取得する被処理水計測装置と、
    前記処理水の処理水濁度を測定し、前記処理水濁度を含む処理水データを取得する処理水計測装置と、
    前記撮像装置、前記被処理水計測装置及び前記処理水計測装置から、前記採水画像データ、前記被処理水データ及び前記処理水データを取得する情報処理装置と、
    を備え、
    前記情報処理装置は、
    前記被処理水の前記採水画像データを含む学習用入力データ及び前記処理水データを、学習用データとして用いて、機械学習によって、前記被処理水の前記採水画像を含む入力データから前記被処理水の前記濁質の凝集状態の良否を示す情報を出力する凝集良否判定モデルを、各場所毎の前記被処理水の前記採水画像データのそれぞれについて作成するように構成され、
    前記情報処理装置は、
    各場所に対応する前記被処理水の前記採水画像データのそれぞれについて作成された、複数の前記凝集良否判定モデルの少なくとも一つを選択し、前記撮像装置から前記被処理水の前記採水画像を判定用画像として取得し、選択した前記凝集良否判定モデルを用いて、前記判定用画像を含む判定用入力データから前記判定用画像に映る前記被処理水の前記濁質の前記凝集状態の良否を示す情報を計算する、
    ように構成された、
    水処理状況監視システム。
15. 被処理水を複数の処理場所に順に運んで、前記被処理水に含まれる濁質を除去するための凝集沈殿処理を含む処理を行うことにより、前記被処理水を浄化した処理水を生成する施設に適用される水処理状況監視方法であって、
    前記被処理水を撮像可能な互いに異なる複数の場所に設置された複数の撮像装置によって、前記被処理水を撮像することにより、各場所から撮像した前記被処理水の画像を含む各場所毎の前記被処理水の画像データを取得することと、
    被処理水計測装置によって、前記被処理水に関する、被処理水濁度を含む被処理水水質パラメータを測定し、前記被処理水水質パラメータを含む被処理水データを取得することと、
    処理水計測装置によって、前記処理水の処理水濁度を測定し、前記処理水濁度を含む処理水データを取得することと、
    情報処理装置によって、前記撮像装置、前記被処理水計測装置及び前記処理水計測装置から、前記画像データ、前記被処理水データ及び前記処理水データを取得することと、
    を含み、
    前記情報処理装置によって、
    前記被処理水の前記画像データを含む学習用入力データ及び前記処理水データを、学習用データとして用いて、機械学習によって、前記被処理水の前記画像を含む入力データから前記被処理水の前記濁質の凝集状態の良否を示す情報を出力する凝集良否判定モデルを、複数作成し、
    複数の前記凝集良否判定モデルの少なくとも一つを選択し、複数の前記撮像装置の少なくとも一つから前記被処理水の前記画像を、判定用画像として取得し、選択した前記凝集良否判定モデルを用いて、前記判定用画像を含む判定用入力データから前記判定用画像に映る前記被処理水の前記濁質の前記凝集状態の良否を示す情報を計算する、
    水処理状況監視方法。

Images