JP2024066496A - 活性汚泥状態の診断システム、活性汚泥状態の診断方法、および、コンピュータプログラム - Google Patents

Abstract

【課題】 活性汚泥情報の診断結果を含む情報をオペレータに対して表示し、水処理施設の運転操作を支援する。【解決手段】 実施形態による活性汚泥状態の診断システム２０は、顕微鏡を用いて撮影された顕微鏡画像の画像データを取得する活性汚泥顕微鏡画像取得部２１と、画像データが記録される顕微鏡画像記憶部２２と、顕微鏡画像記憶部２２に記憶された画像データの画像処理を行うことにより、画像データ数が水増しされた学習画像データを作成する前処理部３０と、学習画像データを用いた機械学習により、顕微鏡画像中の検出対象を画像認識により検出する学習済みモデルを生成する学習モデル部４０と、学習済みモデルを用いて得られた検出結果による活性汚泥状態の診断結果を含む支援情報を出力する活性汚泥運転支援部５０と、を備える。【選択図】図２

Description

本発明の実施形態は、活性汚泥状態の診断システム、活性汚泥状態の診断方法、および、コンピュータプログラムに関する。

現在、活性汚泥法は、国内外で最も普及している下水処理法で、活性汚泥と呼ばれる微生物集塊が処理を担っている。活性汚泥は数１０μｍから数ｍｍの好気性微生物の集合体であり、生物反応槽中に１，０００～１０，０００ｍｇ／Ｌの濃度で浮遊している。下水中の懸濁物質は、活性汚泥に吸着して微生物によって分解され、溶解性の有機物は、移流や拡散により活性汚泥中の微生物によって分解される。このように、活性汚泥は下水処理の根幹を担っており、常にその状態を良好に保つ必要がある。

活性汚泥の状態を判断する手法の一つに顕微鏡観察がある。顕微鏡観察によって、活性汚泥中の微生物種や、活性汚泥の大きさ、形状の均一性、圧密性、糸状性細菌の有無などを確認でき、活性汚泥法の運転障害の診断やその解決に活用できる。例えば、活性汚泥法の運転障害の一つである最終沈殿池における処理水の濁りは、糸状性細菌の過剰増殖、微細活性汚泥の生成、原生動物の消滅、多量の分散菌体の発生などにより生じる。このように、処理水の濁りの要因は多岐にわたるため、運転障害の要因を的確に把握する必要があり、顕微鏡観察は要因把握の有効な手段となる。

活性汚泥の顕微鏡観察では、生物反応槽から活性汚泥をサンプリングし、オペレータが顕微鏡を使用して行っている。通常、これらの多くは手作業で行われており、時間や労力を要するとともに、微生物の同定や分類には、高度な知識と多くの経験が必要となることから、現在、十分に活用されていないのが実情である。このため、必ずしも高度な知識と多くの経験がなくとも、微生物の形態的な特徴や運動の仕方などから容易に微生物の同定ができ、運転障害を事前に検知できる技術が求められている。

従来、生物反応槽から採取した活性汚泥を撮影する撮像手段により、活性汚泥中の微生物を撮像し、画像認識技術を利用した活性汚泥の良否判定装置が提案されている。例えば、撮像手段で撮像した画像信号が画像認識装置に入力され、あらかじめ活性汚泥中に出現する微生物の形状や大きさなどを記憶した画像と比較して微生物の種類を分類する技術が提案されている。また、画像処理技術を利用した微生物認識装置を用いる技術として、微生物の拡大画像を工業用テレビカメラで検出し、画像認識技術を応用して、糸状性細菌を認識する技術が提案されている。さらに、活性汚泥中に出現する微生物の同定および計数のために、処理水の撮影画像から画像認識技術により微生物を自動的に同定および計数する技術が提案されている。

特開2022-46430号公報 特開2020-32394号公報

例えば機械学習を用いた微生物の同定のための学習モデル作成には、大量の画像データの取得が必要とされる。このデータ取得のための日常の活性汚泥施設の微生物判定をするオペレータの負荷や取扱い画像データ量が甚大となり、将来の機械学習利用による業務簡素化に向けて、日常業務に支障をきたす可能性があった。

本発明の実施形態は上記事情を鑑みて成されたものであって、活性汚泥状態の診断結果を含む支援情報をオペレータに対して表示し、水処理施設の運転操作を支援する活性汚泥状態の診断システム、活性汚泥状態の診断方法、および、コンピュータプログラム。

実施形態による活性汚泥状態の診断システムは、顕微鏡を用いて撮影された顕微鏡画像の画像データを取得する活性汚泥顕微鏡画像取得部と、前記画像データが記録される顕微鏡画像記憶部と、前記顕微鏡画像記憶部に記憶された前記画像データの画像処理を行うことにより、画像データ数が水増しされた学習画像データを作成する前処理部と、前記学習画像データを用いた機械学習により、前記顕微鏡画像中の検出対象を画像認識により検出する学習済みモデルを生成する学習モデル部と、前記学習済みモデルを用いて得られた検出結果による活性汚泥状態の診断結果を含む支援情報を出力する活性汚泥運転支援部と、を備える。

図１は、一実施形態の活性汚泥状態の診断システムおよび当該システムが適用される下水処理場の構成例を概略的に示す図である。 図２は、一実施形態の活性汚泥状態の診断システムの一構成例を概略的に示す図である。 図３は、図２に示す活性汚泥顕微鏡画像取得部の一構成例を概略的に示す図である。 図４は、一実施形態の活性汚泥状態の診断システムにおける検出結果の一例を示す図である。 図５は、一実施形態の活性汚泥状態の診断システムにおける、活性汚泥状態のランク情報の一例を示す図である。 図６は、一実施形態の活性汚泥状態の診断システムによる活性汚泥状態情報の一例を示す図である。 図７は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの比較例について説明するための図である。 図８は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第１実施例について説明するための図である。 図９は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第２実施例について説明するための図である。 図１０は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第３実施例について説明するための図である。 図１１は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第４実施例について説明するための図である。 図１２は、顕微鏡Ａと顕微鏡Ｂとを用いて撮影された活性汚泥画像による学習済みモデルの検証結果の一例について説明するための図である。 図１３は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第５実施例について説明するための図である。 図１４は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第６実施例について説明するための図である。 図１５は、第５実施例と第６実施例との学習済みモデルを用いた微生物の検出率の一例を示す図である。 図１６は、第７実施例の活性汚泥状態の診断システムの活性汚泥運転支援部の一構成例を概略的に示す図である。

以下に、実施形態の活性汚泥状態の診断システム、活性汚泥状態の診断方法、および、コンピュータプログラムについて、図面を参照して説明する。
図１は、一実施形態の当該システムが適用される下水処理場の構成例を概略的に示す図である。

下水処理場１は、最初沈澱池２と、生物反応槽３と、最終沈澱池４と、ブロワ５と、汚泥返送ポンプ６と、余剰汚泥ポンプ７と、を備えている。
下水処理場１へ流入した下水（被処理水）は、最初沈澱池２で、小さなゴミや砂が取除かれ、生物反応槽３に供給される。生物反応槽３では、活性汚泥８と呼ばれる微生物の集合体により、有機物の分解処理が行われる。微生物への酸素供給ため、生物反応槽３にはブロワ５により空気が供給される。

生物反応槽３から排出された被処理水は、最終沈澱池４において活性汚泥と処理水とに分離され、処理水が排出される。最終沈澱池４で沈降した活性汚泥は、汚泥返送ポンプ６により生物反応槽３の前段に返送されるとともに、一部が余剰汚泥ポンプ７により余剰汚泥として排出され、処分される。

次に、本実施形態の活性汚泥状態の診断システムにおいて、機械学習による学習済みのモデルデータを用いて活性汚泥状態を診断する構成について説明する。
本実施形態の活性汚泥状態の診断システム２０は、下水処理場１の生物反応槽３から活性汚泥を取得し、活性汚泥状態の診断結果を含む支援情報をオペレータ９９に供給する。

図２は、一実施形態の活性汚泥状態の診断システムの一構成例を概略的に示す図である。
活性汚泥状態の診断システム２０は、少なくとも１つのプロセッサと、プロセッサにより実行されるプログラムが記録されたメモリとを含み、ソフトウエアにより若しくはソフトウエアとハードウエアとの組み合わせにより、以下に説明する種々の機能を実現することができる。

本実施形態の活性汚泥状態の診断システム２０は、活性汚泥顕微鏡画像取得部２１と、顕微鏡画像記憶部２２と、前処理部３０と、学習モデル部４０と、活性汚泥運転支援部５０と、を備えている。

図３は、図２に示す活性汚泥顕微鏡画像取得部の一構成例を概略的に示す図である。
活性汚泥顕微鏡画像取得部２１は、撮影部２１Ａと、撮影部保持部２１Ｂと、光源２１Ｃと、制御部２１Ｅと、を備えている。なお、本実施形態では、人手により、下水処理場１の生物反応槽３から採取した活性汚泥を撮影試料として活性汚泥顕微鏡画像取得部２１にセットしているが、採水ポンプ等を使用して活性汚泥を連続的に活性汚泥顕微鏡画像取得部２１に供給して、撮影試料としてもよい。

撮影部２１Ａは、顕微鏡と、顕微鏡画像を撮影する撮影手段とを備えている。撮影部２１Ａにおける撮影条件は、撮影部保持部２１Ｂおよび光源２１Ｃの動作により調整される。撮影部２１Ａは、撮影部保持部２１Ｂにより撮影位置などを調整されることにより、撮影試料の観察対象領域全体を撮影することが可能である。なお、撮影部２１Ａは、顕微鏡に代えてマイクロイメージングデバイスなどの顕微観察装置を備えていてもよい。撮影部２１Ａは、位相差画像を撮影する機能を用いることもできる。

撮影部保持部２１Ｂは、撮影部２１Ａを保持する筐体を備え、撮影部２１Ａの解像度、フレームレート、撮影試料に対する撮影部２１Ａの位置などの撮影条件を調整することができる。撮影部保持部２１Ｂの動作は、制御部２１Ｅにより制御される。

光源２１Ｃは、撮影試料を照明するように配置されている。本実施形態では、光源２１Ｃは、撮影部２１Ａと逆側から撮影試料に対して光を出射する。光源２１Ｃは、点光源であってもよく、面光源であってもよい。

制御部２１Ｅは、撮影部２１Ａ、撮影部保持部２１Ｂおよび光源２１Ｃを制御して、撮影試料において静止している微生物の顕微鏡画像に加え、変形や移動をともなう微生物の顕微鏡画像を撮影する。制御部２１Ｅは、撮影部２１Ａにより複数の視野を観察するための撮影条件（解像度、フレームレート、撮影位置など）を、後述する顕微鏡画像記憶部２２から取得し、その撮影条件に従って、撮影部２１Ａ、撮影部保持部２１Ｂおよび光源２１Ｃの動作を制御する。
撮影部２１Ａで撮影された顕微鏡画像のデータは撮影条件の情報と関連付けられて顕微鏡画像記憶部２２に記録される。

活性汚泥運転支援部５０は、微生物情報部５１と、微生物判定部５２と、検出結果記憶・表示部５３と、を備えている。
微生物情報部５１には、例えば、検出対象である微生物（目的微生物）の種類（Pleuromonas属、Bodo属、Uronema属、Vorticella属、Epistylis属、Aspidisca属、Arcella属、Euglypha属、Pyxidicula属、Actinomyces属、Centropyxis属など）、名称、出現環境、標準的な大きさ、微生物活性度等を含む微生物情報が記録されている。

微生物判定部５２は、顕微鏡画像記憶部２２から取得した顕微鏡画像データと、後述する学習モデル部４０で生成された学習済みのモデルデータとを用いて、画像認識により顕微鏡画像に含まれる微生物（検出対象）を判定し検出する。微生物判定部５２は、顕微鏡画像に基づいて、例えば、活性汚泥に含まれる微生物の種類および微生物の個数（個／ｍｌ）を判定するとともに、同定確率、微生物活性度、換算微生物個数（個／ｍｌ）を算出し、これらの情報を検出結果として出力する。また、微生物判定部５２は、同一の微生物種の判定のために複数の学習済みモデルデータを用いて処理し、複数の処理結果に基づいて、上記判定および検出を行ってもよい。

また、微生物判定部５２では、微生物の同定および計数の結果と、微生物情報とから、活性汚泥状態のランク情報を生成する。具体的には、微生物判定部５２は、検出された微生物の微生物情報をもとに、活性汚泥が以下の１～５のどの状態にあるかを示すランク情報を生成してもよい。
１…非常に負荷が高い状態
２…負荷が高い状態
３…負荷が高い・低い状態から良くなっている状態、または良い状態から悪くなっている状態
４…標準負荷で処理が良好な状態
５…負荷が低い状態または滞留時間が長い状態

本実施形態では、活性汚泥の状態のランクを上記５段階で定義したが、段階数は下水処理場の運転状況に応じて任意に設定することができる。また、負荷状態以外に、活性汚泥の酸素の過不足状態や、活性汚泥の沈降・膨化状態のランクを微生物情報から定義してもよい。また、活性汚泥のランク情報を生成するために、検出されたすべての微生物の微生物情報を用いる必要はなく、あらかじめ指標となる代表微生物を定義し、その代表微生物の微生物情報から活性汚泥状態のランク情報を生成してもよい。

また、微生物判定部５２は、ひとつ以上選択した微生物数と、活性汚泥の流入量、水温、ｐH、流入原水BOD濃度、流入原水COD濃度、流入原水窒素濃度、流入原水アンモニア態窒素濃度、流入水滞留時間、活性汚泥濃度、活性汚泥沈降性指標、溶存酸素濃度、最終沈殿槽水面積負荷、最終沈殿池出口BOD濃度、最終沈殿池出口COD濃度、最終沈殿池出口アンモニア態窒素濃度、最終沈殿池出口りん濃度、最終沈殿池出口硝酸態窒素濃度、最終沈殿池出口透視度、汚泥滞留時間、汚泥循環量、循環汚泥濃度、余剰汚泥発生量、余剰汚泥濃度、曝気風量などの活性汚泥運転パラメータを組み合わせて活性汚泥のランク情報を生成してもよく、多変量解析法、決定木法、勾配ブースティング法、ランダムフォレスト法、ニューラルネット法、K近接法、サポートベクターマシンなどのデータ分類アルゴリズムおよびこれらのアンサンブル学習アルゴリズムや、ガウス混合法、K平均法、階層法などのクラスタリングアルゴリズムや、主成分分析法、多次元尺度構成法、t-分布的近傍埋め込み法、UMAP法などのデータ次元圧縮アルゴリズムを単独または組み合わせ選択してランク情報を生成してもよい。
また、微生物判定部５２は、ひとつ以上選択した微生物数や、活性汚泥運転パラメータ、活性汚泥状態のランク情報の推移を、ベイズ構造時系列法、長・短期記憶法、再帰型ニューラルネット法、自己回帰和分移動平均法、季節性自己回帰和分移動平均法などの自己回帰法、トランスフォーマ法などの時系列データ解析アルゴリズムを用いて判定した将来予測結果情報（将来のランク情報の予測結果情報）を支援情報として生成してもよい。

微生物判定部５２で得られた活性汚泥状態のランク情報は、検出結果と合わせて検出結果記憶・表示部５３に記録される。
検出結果記憶・表示部５３は、微生物判定部５２から出力された検出結果を記憶するとともに、ディスプレイに表示させてオペレータに提示する。

図４は、一実施形態の活性汚泥状態の診断システムにおける検出結果の一例を示す図である。
検出結果は、例えば、微生物の種類（Pleuromonas属、Bodo属、Uronema属、Vorticella属、Epistylis属、Aspidisca属、Arcella属、Euglypha属、Pyxidicula属、Actinomyces属、Centropyxis属など）若しくは名称、出現環境（ここでは上述の活性汚泥状態に対応する数値）、標準的な大きさ、微生物活性度、換算微生物個数の情報を含む。ここで、微生物活性度は、微生物の変形や移動を考慮した係数である。また、微生物情報は、微生物の種類に対して、換算微生物個数が多いものから表示してもよい。

図５は、一実施形態の活性汚泥状態の診断システムにおける、活性汚泥状態のランク情報の一例を示す図である。
検出結果に基づく活性汚泥のランク情報は、あらかじめ微生物情報から定義した活性汚泥状態に対応する値、その活性汚泥状態である確率を示す状態確率等を含んでもよい。図５は図４に示す検出結果に基づく活性汚泥のランク情報の一例であり、活性汚泥のランク情報は、活性汚泥状態４である確率が９１％であり、活性汚泥状態５である確率が５％であり、活性汚泥状態３である確率が４％であるとの情報を含む。

また、検出結果記憶・表示部５３では、微生物判定部５２で生成した微生物の同定および計数の結果に加え、活性汚泥状態情報を生成してもよい。活性汚泥状態情報は、例えば活性汚泥が１’’’～３’’’（１’’’…正常、２’’’…注意、３’’’…警告）のどの状態にあるかを示す情報である。

図６は、一実施形態の活性汚泥状態の診断システムによる活性汚泥状態情報の一例を示す図である。
ここでは、微生物情報に基づく活性汚泥状態の指標値１～５（ランク情報）と、活性汚泥の数値化された指標値（１’’～３’’）との組み合わせにより、活性汚泥状態情報を判定した例を示している。指標値（１’’～３’’）は、たとえば、通常の活性汚泥施設での運転管理で用いられる、汚泥沈降性（SVI）の良し悪しと、微生物判定部５２の検出結果の少なくともいずれかとの組み合わせに基づいて設定される値であり得る。なお、指標値として、活性汚泥に関する情報に基づいて設定された上記以外の値（若しくは表示）を用いてもよい。指標値（１’’～３’’）として、活性汚泥に関する情報に基づいて設定された上記以外の値を用いてもよい。検出結果記憶・表示部５３は、例えば、微生物情報に基づく活性汚泥状態の指標値が４又は５であり、活性汚泥の数値化された指標値が１’’である場合に、活性汚泥状態情報を１’’’（正常）とする。検出結果記憶・表示部５３は、例えば、微生物情報に基づく活性汚泥状態の指標値が４又は５であり、活性汚泥の数値化された指標値が１’’である場合に、活性汚泥状態情報を１’’’（正常）とする。

検出結果記憶・表示部５３は、例えば、微生物情報に基づく活性汚泥状態の指標値が３である又は４、５の数の変化が大きい場合であり、活性汚泥の数値化された指標値が２’’である場合に、活性汚泥状態情報を２’’’（注意）とする。検出結果記憶・表示部５３は、例えば、微生物情報に基づく活性汚泥状態の指標値が１と２とのいずれかである又は４、５の数の変化が急激である場合であり、活性汚泥の数値化された指標値が３’’である場合に、活性汚泥状態情報を３’’’（警告）とする。
活性汚泥状態情報の判定基準はこれに限定されるものではなく、少なくとも一つの指標に基づいていればよく、下水処理場の運転状況に応じて任意に設定することができる。

検出結果記憶・表示部５３は、生成した支援情報（診断結果および診断結果に基づく情報）をオペレータ９９に対して表示し、下水処理場１などの水処理施設の運転操作を支援する。
以上により、本実施形態の活性汚泥状態の診断システムによれば、オペレータ９９は、活性汚泥８中の静止している微生物に加え、変形や移動をともなう微生物の種類、個数、生物活性などの情報、その情報から生成される活性汚泥のランク情報、活性汚泥の状態ならびに状態変化を示す数値化された指標値などの情報に基づく支援情報を得ることができる。支援情報は、活性汚泥のランク情報、将来予測結果情報（将来の活性汚泥のランク情報、将来の活性汚泥の状態、将来の運転情報）、活性汚泥の状態ならびに状態変化を示す数値化された指標値などの情報を含む情報であってもよい。このことにより、オペレータ９９は、必ずしも高度な知識と多くの経験がなくとも、下水処理場１での処理が順調に行われているか、運転障害が生じているか、などの運転状態を把握することができる。

次に、本実施形態の活性汚泥状態の診断システムにおいて、機械学習により学習済みのモデルデータを生成する構成について説明する。
前処理部３０は、画像調整部３１と、微生物ラベル部３２と、前処理アルゴリズム部３３と、画像水増し部３４と、微生物学習画像記憶部３５とを備えている。

画像調整部３１は、顕微鏡画像記憶部２２から顕微鏡画像のデータと撮影条件のデータとを読み出して、学習モデル部４０で用いられる機械学習モデルアルゴリズムに応じて、取得した画像データのサイズを調整して出力する。

例えば活性汚泥顕微鏡画像取得部２１での顕微鏡画像倍率が変更された場合（データが異なる倍率で撮影された複数の顕微鏡画像を含む場合）、画像調整部３１は、顕微鏡画像記憶部２２との連携により、倍率が変更された顕微鏡画像データを活性汚泥状態の診断システム２０内で決められる任意の標準画像サイズに調整することができる。

画像調整部３１で生成される画像データのサイズは、前述の機械学習アルゴリズムに適したサイズに調整することが望ましい。また、画像調整部３１は、機械学習アルゴリズムに応じた画像フォーマットに変換することができ、例えばＲＧＢ画像データに変換することができる。

微生物ラベル部３２は、画像調整部３１で調整された後の画像データを取得し、微生物情報部５１に記録された微生物情報を参照して、画像データに撮影された微生物に対応するラベルデータを生成する。微生物ラベル部３２は、生成したラベルデータを画像データと関連付けて出力する。微生物ラベル部３２に生成されるラベルデータは、例えば微生物の種類や名称など検出対象となる微生物を特定する情報を含むデータであり得る。

前処理アルゴリズム部３３は、複数の前処理アルゴリズムが記録された記憶部を含む。前処理アルゴリズムは、例えば、個々の微生物に対応して設定されていてもよく、複数の微生物のグループに対応して設定されていてもよい。なお、前処理アルゴリズム部３３と微生物ラベル部３２は、微生物情報部５１に記録された微生物情報を共有し、共通の情報に基づいて動作する。

前処理アルゴリズム部３３に記録された前処理アルゴリズムは、例えば、回転処理、フリップ（反転）処理、グレー画像化などの色調変換処理、ぼかし処理、ノイズ除去処理、バイテラルフィルタ処理、膨張処理、収縮処理、平滑処理、輝度平滑処理、投影変形（アフィン変換）処理、などから選択される少なくとも１つの画像処理、望ましくは２つ以上の画像処理の組み合わせである。

画像水増し部３４は、前処理アルゴリズム部３３に記録されたアルゴリズムに沿って、画像データの水増し処理を行う。画像水増し部３４は、例えば、画像データに含まれる撮影条件の情報や、画像データと関連付けられたラベルデータを参照して水増し処理として採用する前処理アルゴリズムを選択することができる。なお、画像水増し部３４は、複数の前処理アルゴリズムの各々の画像処理について、複数の画像変換度合のパラメータを用いた同一処理を行ってもよい。また、複数画像の混合画像生成処理を行ってもよい。

また、画像水増し部３４は、活性汚泥顕微鏡画像取得部２１の光源２１Ｃの劣化や、採取試料の変動に応じ、前処理アルゴリズムの選択やパラメータを決定してもよい。
また、画像水増し部３４は、例えば画像データに対応するラベルデータを用いて、微生物情報部５１から画像データに対応する微生物情報を取得してもよい。この場合、画像水増し部３４は、取得した微生物情報に基づいて検出対象の微生物に対応する前処理アルゴリズムを前処理アルゴリズム部３３から取得し、取得した前処理アルゴリズムに沿って、画像データの水増し処理を行ってもよい。

画像水増し部３４は、水増し処理により生成された複数の画像データを微生物学習画像記憶部３５に記録する。
なお、画像水増し部３４で生成された画像データのうち、微生物学習画像記憶部３５を介して画像機械学習部４２で用いられる画像データは、事前に微生物観察オペレータ等の微生物判別経験者によって、検出対象の微生物が判別可能な画像かどうかを取捨選択されてもよい。

学習モデル部４０は、学習モデルデータ部４１と、画像機械学習部４２とを備えている。
画像機械学習部４２は、検出したい微生物の種類に応じた複数の画像データを微生物学習画像記憶部３５から取得して、学習データ、教師データ、検証データに分割した後、機械学習を行う。画像機械学習部４２は、必要に応じて学習モデルデータ部４１に記録された学習済みのモデルデータを用いて機械学習を行ってもよく、画像認識の学習済みモデルデータを用いた転移学習によって機械学習を効率化してもよい。また、複数の微生物が撮影された画像データを用いて機械学習を行い、複数種類の微生物を画像認識により判別する学習済みのモデルデータを生成してもよい。

画像機械学習部４２における機械学習の手法としては、ディープラーニングや、その派生アルゴリズム、例えば、SSD(Single Shot MultiBox Detector)や、Yolo(You Only LookOnce) 、トランスフォーマ系など、その他の様々な手法を採用することができる。なお、画像機械学習部４２は、微生物の種類ごとに複数の学習モデルを作成してもよい。画像機械学習部４２での機械学習により生成された学習済みのモデルデータは、学習モデルデータ部４１に記録される。

学習モデルデータ部４１には、検出対象の微生物の種類や、学習日時、学習手法（前処理、学習画像数、学習アルゴリズムなど）、学習時の正答率、などと関連付けられた学習済みのモデルデータが記録されている。学習モデルデータ部４１は、活性汚泥運転支援部５０から要求された学習済みのモデルデータを出力する。

微生物、特に原生動物や後生動物は活発に活動をしており、顕微鏡で観察した場合には、その形状や位置は一定ではなく、変形と移動を繰り返している。従来の画像認識技術を利用した微生物の検出方法は、ある時点の瞬間的な顕微鏡画像をもとに、形状や大きさなど、あらかじめ用意された標準的な画像と比較して微生物の同定を行うものであり、変形により標準的な画像と形状が異なる場合や、微生物が高速に移動し、画像にブレが生じている場合は、検出対象の微生物の正確な同定を行うことが難しかった。また、活発に活動する微生物の中には、観察している視野内で様々な向き・角度で観察される。こうした微生物の同定および計数を正確に行うためには、同一視野の観察だけでは不十分である。また、採取試料中の汚泥量や試料厚さによっては、基準となる微生物像との相違が大きい画像が得られるため、光量や焦点・視野調整などオペレータの技術によって調整される操作が必要であった。

これに対し、本実施形態の活性汚泥状態の診断システムでは、上述のように水増し処理により生成された画像データを用いた機械学習による学習済みモデルデータを生成する。このように生成された学習済みのモデルデータを用いた画像認識によれば、従来の画像認識技術では難しかった変形や移動をともなう微生物を、自動的に同定および計数することができる。そのため、機械学習を用いた微生物の同定のための学習モデル作成のために、大量の画像データを準備する必要がなく、オペレータの日常業務の負担が軽減される。

また、例えば、活性汚泥処理が行われる下水処理場１においては、処理が順調に行われている場合と、運転障害が生じている場合とでは、活性汚泥８中に出現し優占化する微生物の種類が異なることが知られている。例えば、生物反応槽３の負荷が高い環境ではPleuromonas属、Bodo属、Uronema属など、標準負荷で処理が良好な環境ではVorticella属、Epistylis属、Aspidisca属など、負荷が低い環境ではArcella属、Euglypha属、Pyxidicula、Centropyxis属などが出現する。このうち、標準負荷に分類される微生物が多く観察されるほど、活性汚泥の状態が良好であるとされている。また、活性汚泥が適度な大きさで、糸状性細菌が少なく、活性汚泥の間の水が清澄なほど、状態が良いとされている。

したがって、オペレータ９９は、活性汚泥８中に出現する微生物の種類、個数、微生物の活性度などの情報と、活性汚泥の画像から得られる数値化された活性汚泥情報と、それらの情報から生成される活性汚泥状態情報の支援情報を得ることによって、必ずしも高度な知識と多くの経験がなくとも、下水処理場１での処理が順調に行われているか、運転障害が生じているか、など、運転状態を把握することができる。

次に、上述の活性汚泥状態の診断システムの複数の実施例について比較例と対比して説明する。
図７は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの比較例について説明するための図である。
比較例では、顕微鏡Ａ（倍率１００倍）を用いてArcella属の微生物が撮影された１４５の顕微鏡画像データを準備し、前処理として回転処理とフリップ処理（回転処理＋フリップ処理）とを行い、５８０の画像データに水増し処理を行った。この５８０の画像データを学習データと検証データとが８：２の割合となるように分けて、Arcella属の微生物が撮影された任意の画像のデータを教師データとして、ＳＳＤにより各学習データについて１００回（１００ｅｐｏｃ）の機械学習を行った。上記手順により学習した学習済みのモデルデータを用いた検証データの正答率は１２％であった。

図８は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第１実施例について説明するための図である。
第１実施例では、顕微鏡Ａ（倍率１００倍）を用いてArcella属の微生物が撮影された１１０の顕微鏡画像データを準備し、前処理として、ぼかし処理、ノイズ除去処理、膨張処理、収縮処理、平滑処理、バイテラルフィルタ処理の複数処理の少なくともいずれかの処理を行ったものに対し、さらに回転処理３種とフリップ処理３種との少なくともいずれかを行うことにより水増ししたデータを生成し、これらの画像から不適切な画像を除去（（ぼかし処理、ノイズ除去処理、膨張処理、収縮処理、平滑処理、バイテラルフィルタ処理の少なくともいずれか）×（回転処理３種＋フリップ処理３種）－不適画像）して５０５０の学習画像データを作成した。

この５０５０の画像データを学習データと検証データとが８：２の割合となるように分けて、Arcella属の微生物が撮影された任意の画像のデータを教師データとして、ＳＳＤにより各学習データについて１００回（１００ｅｐｏｃ）の機械学習を行った。上記手順により学習した学習済みのモデルデータを用いた検証データの正答率は９１％であった。

図９は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第２実施例について説明するための図である。
第２実施例では、顕微鏡Ａ（倍率１００倍）を用いてArcella属の微生物が撮影された１１０の顕微鏡画像データを準備し、前処理として、ぼかし処理、ノイズ除去処理、膨張処理、収縮処理、平滑処理、バイテラルフィルタ処理の複数処理の少なくともいずれかの処理を行ったものに対し、さらに回転処理３種とフリップ処理３種とを行うことにより水増ししたデータを生成し、これらの画像から不適切な画像を除去（（ぼかし処理、ノイズ除去処理、膨張処理、収縮処理、平滑処理、バイテラルフィルタ処理の複数処理の少なくともいずれか）×（回転処理３種＋フリップ処理３種）－不適画像）して５０５０の学習画像データを作成した。

この５０５０の画像データを学習データと検証データとが８：２の割合となるように分けて、Arcella属の微生物が撮影された任意の画像のデータを教師データとして、YOLO v2により各学習データについて１００回（１００ｅｐｏｃ）の機械学習を行った。上記手順により学習した学習済みのモデルデータを用いた検証データの正答率は９１％であった。

図１０は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第３実施例について説明するための図である。
第３実施例では、第２実施例と同じ学習画像データを用いて、５０５０の画像データを学習データと検証データとが８：２の割合となるように分けて、Arcella属の微生物が撮影された任意の画像のデータを教師データとして、ＹＯＬＯ ｖ２により各学習データについて１００回（１００ｅｐｏｃ）の機械学習を行った。また、本実施例では、機械学習の際に転移学習を行った。上記手順により学習した学習済みのモデルデータを用いた検証データの正答率は１００％であった。

図１１は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第４実施例について説明するための図である。
第４実施例では、顕微鏡Ａ（倍率１００倍）を用いてArcella属の微生物が撮影された１５の顕微鏡画像データを準備し、前処理として、ぼかし処理、ノイズ除去処理、膨張処理、収縮処理、平滑処理、バイテラルフィルタ処理の複数処理の少なくともいずれかの処理を行ったものに対し、さらに回転処理３種とフリップ処理３種との少なくともいずれかを行うことにより水増ししたデータを生成し、これらの画像から不適切な画像を除去（（ぼかし処理、ノイズ除去処理、膨張処理、収縮処理、平滑処理、バイテラルフィルタ処理の複数処理の少なくともいずれか）×（回転処理３種＋フリップ処理３種）－不適画像）して５８８の学習画像データを作成した。

この５８８の画像データを学習データと検証データとが８：２の割合となるように分けて、Arcella属の微生物が撮影された任意の画像のデータを教師データとして、ＳＳＤにより各学習データについて１００回（１００ｅｐｏｃ）の機械学習を行った。上記手順により学習した学習済みのモデルデータを用いた検証データの正答率は９３％であった。

上記のように、第１実施例では、顕微鏡画像データに対し複数の前処理を組み合わせて水増しした学習画像データを生成している。このように複数処理を組み合わせた前処理を行い、学習画像データ数を増加させることにより、比較例よりも検証データの正答率を向上させることができた。

第２実施例では、第１実施例と異なる学習アルゴリズムを用いて、第１実施例と同等の正答率を得ることが出来た。このことにより、学習アルゴリズムによらず、複数処理を組み合わせた前処理を行い、学習画像データ数を増加させることにより、比較例よりも検証データの正答率が向上することを確認できた。

第３実施例では、機械学習において転移学習を行った結果、第１実施例および第２実施例を超える正答率を得られた。
第４実施例では、顕微鏡画像の数を１５、水増し後の学習画像数を５８８として、比較例における学習画像数と同等の画像数で学習を行ったところ、比較例よりも高い正答率が得られた。このことにより、原画像数が少ない場合でも複数の前処理を組み合わせた水増し処理を行って画像学習データを作成することにより、正答率の高い学習済みモデルを生成可能であることを確認できた。

図１２は、顕微鏡Ａと顕微鏡Ｂとを用いて撮影された活性汚泥画像による学習済みモデルの検証結果の一例について説明するための図である。
この例では、同じ倍率である異なる顕微鏡により撮影された未学習の顕微鏡画像を用いて、学習済みモデルデータの汎用性について検証した。顕微鏡Ａを用いて撮影された活性汚泥の未学習の顕微鏡画像（倍率１００倍）と、顕微鏡Ｂを用いて撮影された活性汚泥の未学習の顕微鏡画像（倍率１００倍）とを用いて、上述の第４実施例の学習済みモデルにより画像認識を行ったところ、顕微鏡Ａによる顕微鏡画像の正答率は９６％であり、顕微鏡Ｂによる顕微鏡画像の正答率は８９％であった。

このことにより、未学習の顕微鏡画像についても高い正答率が得られることが確認できた。また、同一倍率画像を用いた検出では、顕微鏡に寄らず高い正答率が得られたことから、学習済みモデルの汎用性が高いことを確認できた。

図１３は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第５実施例について説明するための図である。
この例では、顕微鏡Ａ（倍率１００倍）を用いてVorticella属の微生物が撮影された５０の顕微鏡画像データを準備し、前処理として、角度変換３種のいずれかと、投影（アフィン）変換１２種と投影とＧＬＡＹ変換２種とのいずれかと、回転処理３種とフリップ処理３種とのいずれかと、を行った画像を作成し、これらの処理を行った画像の任意の１０％について、さらに、ぼかし処理、ノイズ除去処理、膨張処理、収縮処理、平滑処理、バイテラルフィルタ処理の少なくともいずれかを行うことにより水増ししたデータを生成し、これらの画像から不適切な画像を除去（（角度変換３種）×（投影（アフィン）変換１２種＋投影＋ＧＬＡＹ変換２種）×（回転処理３種＋フリップ処理３種）＋左記処理の任意１０％画像の（ぼかし処理、ノイズ除去処理、膨張処理、収縮処理、平滑処理、バイテラルフィルタ処理の少なくともいずれか）－不適画像）して６４４７の学習画像データを作成した。

この６４４７の画像データを学習データと検証データとが８：２の割合となるように分けて、Vorticella属の微生物が撮影された任意の画像のデータを教師データとして、ＳＳＤにより各学習データについて１００回（１００ｅｐｏｃ）の機械学習を行った。上記手順により学習した学習済みのモデルデータを用いた検証データの正答率は９１％であった。

Vorticella属の微生物は形状に特徴があるものであって、上記のように投影変換処理を含む前処理を行った学習画像データを用いて機械学習を行うことにより、上述の第１乃至第４実施例の学習済みモデルと同等の正答率を得ることができた。

図１４は、顕微鏡Ａを用いて撮影された活性汚泥画像を用いた機械学習による学習済みのモデルデータの第６実施例について説明するための図である。
この例では、上述の第５実施例と同様の学習画像データを用いて、異なる学習アルゴリズムにより機械学習を行っている。本実施例では、６４４７の学習画像データを学習データと検証データとが８：２の割合となるように分けて、Vorticella属の微生物が撮影された任意の画像のデータを教師データとして、ＹＯＬＯ ｖ２により各学習データについて１００回（１００ｅｐｏｃ）の機械学習を行った。また、本実施例では、機械学習の際に転移学習を行った。上記手順により学習した学習済みのモデルデータを用いた検証データの正答率は９１％であった。

上記によれば、第５実施例と異なる学習アルゴリズムおよび異なる学習条件により機械学習を行った場合であっても、上述の第５実施例の学習済みモデルと同等の正答率が得られることを確認できた。

図１５は、第５実施例と第６実施例との学習済みモデルを用いた微生物の検出率の一例を示す図である。
ここでは、第５実施例の学習済みモデルと第６実施例の学習済みモデルとを用いて、未学習の活性汚泥画像（倍率１００倍）におけるVorticella属の微生物検出と、Vorticella属以外の繊毛虫類（Epistylis、Opercularia、Carchesium）の検出とを行った。

図１５によれば、第５実施例の学習済みモデルは、Vorticella属の微生物の選択検出性能が高いモデルであるのに対して、同じデータで学習した第６実施例の学習済みモデルは、Epistylis、Opercularia、Carchesiumなどの繊毛虫類全般を検出できるモデルとなった。前述の繊毛虫類は、Vorticella属の微生物同様の活性汚泥状態で出現する微生物であることから、活性汚泥状態診断のための微生物画像モデルのひとつとして有効活用することができる。例えば、Vorticella属の微生物の検出には第５実施例の学習済みモデルを利用し、繊毛虫類の検出には第６実施例の学習済みモデルを利用するなど、複数の学習済みモデルを活用することも有効である。

次に、第７実施例の診断システムについて説明する。
図１６は、第７実施例の活性汚泥状態の診断システムの活性汚泥運転支援部の一構成例を概略的に示す図である。
この実施例では、活性汚泥運転支援部５０は、検出結果記憶・表示部５３、現状データ、活性汚泥施設における、水質計測、汚泥計測、顕微鏡計測等の手分析・観察データを記憶した第２記憶部６０、自動計測される得る活性汚泥運転データを記憶した第３記憶部６１、および、過去運転実績値の過去運転帳票データを記憶した第４記憶部６２を含む。なお、第２記憶部６０、第３記憶部６１、第４記憶部６２は、検出結果記憶・表示部５３に含まれていてもよく、診断システムの外部に設けられた構成であってもよい。

また、活性汚泥運転支援部５０は、予測アルゴリズム部７０と、手動予測値入力部７１と、運転ランク判定アルゴリズム部７２と、第１将来運転ランク出力部７３と、第２将来運転ランク出力部（手動入力あり）７４と、を備える。
予測アルゴリズム部７０は、第２記憶部６０の手分析・観測データと、第３記憶部６１の活性汚泥運転データと、第４記憶部６２の過去運転帳票データとを用いて作成される複数の個別要素の時系列推移予測アルゴリズム７０－１～７０－６を含む。

手動予測値入力部７１は、例えば診断システムのユーザによりシステムに入力された将来の運転情報の手動予測値の推移を取得し、取得した手動予測値の推移を運転ランク判定アルゴリズム部７２に入力する。
運転ランク判定アルゴリズム部７２は、予測アルゴリズム部７０の複数の個別要素７０－１～７０－６各々の出力および手動予測値入力部７１から入力された手動予測値に基づき、将来運転ランクの判定を行う。

第１将来運転ランク出力部７３は、運転ランク判定アルゴリズム部７２により判定された将来運転ランクを出力する。
第２将来運転ランク出力部７４は、手動予測値入力部７１から取得した手動予測値と運転ランク判定アルゴリズム部７２により判定された将来運転ランクとを出力する。

手分析・観察データとは、顕微鏡観察微生物数、流入原水BOD濃度、流入原水COD濃度、流入原水窒素濃度、流入原水アンモニア態窒素濃度、活性汚泥濃度、余剰汚泥濃度、活性汚泥沈降性指標、最終沈殿池出口BOD濃度、最終沈殿池出口COD濃度、最終沈殿池出口アンモニア態窒素濃度、最終沈殿池出口りん濃度、最終沈殿池出口硝酸態窒素濃度、最終沈殿池出口透視度、余剰汚泥発生量、余剰汚泥固形分量、脱水汚泥含水率などを含み得る。

自動計測される活性汚泥運転データとは、原水ｐＨ、処理水ｐＨ、水温、汚泥滞留時間、汚泥循環量、循環汚泥濃度、余剰汚泥発生量、曝気風量などを含み得るが、施設によって一部の手分析項目は、自動計測も用いられる。
過去運転実績値の過去運転帳票データは、手分析・観察データおよび活性汚泥運転データの過去データである。過去データは、計測された日時や分析された日時などの日付と関連付けられて帳票データとして検出結果記憶・表示部５３に記憶されている。帳票データは、計測地点や分析手法等を識別するデータを含んでいてもよい。

予測アルゴリズム部７０は、複数の個別要素７０－１～７０－６を含む。本実施例では、個別要素７０－１～７０－３は、学習済みモデルを用いて得られた微生物の検出結果に少なくとも基づいて、活性汚泥に含まれる将来の微生物数の予測値を算出する第１推移予測部である。個別要素７０－４～７０－６は、学習済みモデルを用いて得られた微生物の検出結果に少なくとも基づいて、活性汚泥の将来の運転情報（活性汚泥運転データ）の予測値を算出する第２推移予測部である。複数の個別要素７０－１～７０－６の各々は、例えば第１微生物出現数、第２微生物出現数、第３微生物出現数、第１乃至第３活性汚泥運転情報（例えば活性汚泥運転データのいずれか）などについて、個別に将来の予測値を算出する時系列推移予測アルゴリズムを有し、既往データを入力することにより将来の予測値を出力することができる。

時系列推移予測アルゴリズム７０－１～７０－６は、多変量解析法、決定木法、勾配ブースティング法、ランダムフォレスト法、ニューラルネット法、Ｋ近接法、サポートベクターマシンおよびこれらのアンサンブル学習アルゴリズムやベイズ構造時系列法、長・短期記憶法、再帰型ニューラルネット法、自己回帰和分移動平均法、季節性自己回帰和分移動平均法などの自己回帰法、トランスフォーマ法などの時系列データ解析アルゴリズム、およびこれらを組み合わせて用いることができる。また、運転操作で値を一定範囲で変更することができる一部の第１乃至第３活性汚泥運転情報などについては、手動での予測値入力により、運転操作範囲の策定をすることができる。

第１将来運転ランク出力部７３は、時系列推移予測アルゴリズム７０－１～７０－６の出力結果（時系列情報）を用いて、運転ランク判定アルゴリズム部７２にて判定された将来運転ランク（将来の活性汚泥状態）を得る。
また、手動予測値入力部７１から入力された手動予測値がある場合、第２将来運転ランク出力部７４は、時系列推移予測アルゴリズム７０－１～７０－６の出力結果（時系列情報）および手動予測値入力部７１から入力された手動予測値を用いて、手動入力による予測値を考慮した将来運転ランク（将来の活性汚泥状態）を得る。

ここで、運転ランク判定アルゴリズム部７２は、多変量解析法、決定木法、勾配ブースティング法、ランダムフォレスト法、ニューラルネット法、Ｋ近接法、サポートベクターマシンなどのデータ分類アルゴリズムおよびこれらのアンサンブル学習アルゴリズムや、ガウス混合法、Ｋ平均法、階層法などのクラスタリングアルゴリズムや、主成分分析法、多次元尺度構成法、ｔ－分布的近傍埋め込み法、ＵＭＡＰ法などのデータ次元圧縮アルゴリズムを単独または組み合わせ選択して将来のランク情報を生成してもよい。また、運転ランク判定アルゴリズム部７２は、長・短期記憶法、再帰型ニューラルネット法、自己回帰和分移動平均法、季節性自己回帰和分移動平均法などの自己回帰法、トランスフォーマ法などの時系列データ解析アルゴリズム、およびこれらを組み合わせて用いて将来のランク情報を生成することができる。

上記のように、本実施形態の活性汚泥状態の診断システムでは、変形により標準的な画像と形状が異なる微生物の画像や、微生物が高速に移動し、画像にブレが生じている場合などであっても、検出対象の微生物を精度よく同定することが出来た。
また、本実施形態の活性汚泥状態の診断システムでは、検出対象の微生物の顕微鏡画像データを大量に準備することなく、高い正答率の学習済みモデルを作成することが可能であって、画像データを取得する負荷を軽減することが可能である。

上記のように、本実施形態の活性汚泥状態の診断システム、活性汚泥状態の診断方法、および、コンピュータプログラムによれば、活性汚泥状態の診断結果を含む支援情報をオペレータに対して表示し、水処理施設の運転操作を支援することができる。

本実施形態に係るプログラムは、電子機器に記憶された状態で譲渡されてよいし、電子機器に記憶されていない状態で譲渡されてもよい。後者の場合は、プログラムは、ネットワークを介して譲渡されてよいし、記憶媒体に記憶された状態で譲渡されてもよい。記憶媒体は、非一時的な有形の媒体である。記憶媒体は、コンピュータ可読媒体である。記憶媒体は、ＣＤ－ＲＯＭ、メモリカード等のプログラムを記憶可能かつコンピュータで読取可能な媒体であればよく、その形態は問わない。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１…下水処理場、２…最初沈澱池、３…生物反応槽、４…最終沈澱池、５…ブロワ、６…汚泥返送ポンプ、７…余剰汚泥ポンプ、８…活性汚泥、９…処理水、１０…余剰汚泥、２０…診断システム、２１…活性汚泥顕微鏡画像取得部、２１Ａ…撮影部、２１Ｂ…撮影部保持部、２１Ｃ…光源、２１Ｅ…制御部、２２…顕微鏡画像記憶部、３０…前処理部、３１…画像調整部、３２…微生物ラベル部、３３…前処理アルゴリズム部、３４…画像水増し部、３５…微生物学習画像記憶部、４０…学習モデル部、４１…学習モデルデータ部、４２…画像機械学習部、５０…活性汚泥運転支援部、５１…微生物情報部、５２…微生物判定部、５３…検出結果記憶・表示部、６０…第２記憶部、６１…第３記憶部、６２…第４記憶部、７０…予測アルゴリズム部、７０－１～７０－６…時系列推移予測アルゴリズム（個別要素）、７１…手動予測値入力部、７２…運転ランク判定アルゴリズム部、７３…第１将来運転ランク出力部、７４…第２将来運転ランク出力部、９９…オペレータ

Claims (9)

1. 活性汚泥の顕微鏡画像の画像データを取得する活性汚泥顕微鏡画像取得部と、
   前記画像データが記録される顕微鏡画像記憶部と、
   前記顕微鏡画像記憶部に記憶された前記画像データの画像処理を行うことにより、画像データ数が水増しされた学習画像データを作成する前処理部と、
   前記学習画像データを用いた機械学習により、前記顕微鏡画像中の検出対象を画像認識により検出する学習済みモデルを生成する学習モデル部と、
   前記学習済みモデルを用いて得られた検出結果による活性汚泥状態の診断結果を含む支援情報を出力する活性汚泥運転支援部と、を備えた活性汚泥状態の診断システム。
2. 前記前処理部は、前記画像データの回転処理、フリップ処理、色調変換処理、ぼかし処理、ノイズ除去処理、バイテラルフィルタ処理、膨張処理、収縮処理、平滑処理、輝度平滑処理、および、投影変形処理の少なくともいずれかの画像処理により、若しくは、少なくともいずれかを含む複数の画像処理を組み合わせて、前記学習画像データを作成する水増し処理部を備える、請求項１記載の活性汚泥状態の診断システム。
3. 前記水増し処理部は、異なるパラメータを用いた前記画像処理により複数の前記学習画像データを作成する、請求項２記載の活性汚泥状態の診断システム。
4. 前記水増し処理部は、前記検出対象の種類、前記画像データの撮影条件、又は、前記学習モデル部で実行される機械学習のアルゴリズム、に応じて異なる組み合わせの前記画像処理を行った前記学習画像データを作成する、請求項２記載の活性汚泥状態の診断システム。
5. 前記学習モデル部は、前記学習画像データ又は学習アルゴリズムの異なる複数の前記学習済みモデルを生成し、
   前記活性汚泥運転支援部は、複数の前記学習済みモデルを用いて得られた検出結果による活性汚泥状態の診断結果を含む支援情報を出力する、請求項１記載の活性汚泥状態の診断システム。
6. 前記学習モデル部は、転移学習により前記学習済みモデルを生成する請求項１記載の活性汚泥状態の診断システム。
7. 前記活性汚泥運転支援部は、
   前記学習済みモデルを用いて得られた検出結果に少なくとも基づいて、活性汚泥に含まれる将来の微生物数の予測値を算出する第１推移予測部と、活性汚泥の将来の運転情報の予測値を算出する第２推移予測部とを夫々少なくとも一つ含む予測アルゴリズム部と、
   活性汚泥の将来の運転情報の手動予測値を入力する手動予測値入力部と、
   前記第１推移予測部、前記第２推移予測部および前記手動予測値入力部から入力される予測値から将来の活性汚泥状態を判定する運転ランク判定アルゴリズム部と、を備える、請求項１乃至請求項６のいずれか１項記載の活性汚泥状態の診断システム。
8. 活性汚泥の顕微鏡画像の画像データを取得し、
   前記画像データを顕微鏡画像記憶部に記録し、
   前記顕微鏡画像記憶部に記憶された前記画像データの画像処理を行うことにより、画像データ数が水増しされた学習画像データを作成し、
   前記学習画像データを用いた機械学習により、前記顕微鏡画像中の検出対象を画像認識により検出する学習済みモデルを生成し、
   前記学習済みモデルを用いて得られた検出結果による活性汚泥状態の診断結果を含む支援情報を出力する、活性汚泥状態の診断方法。
9. コンピュータに請求項８に記載の方法を実行させるコンピュータプログラム。