JP6614623B1 - 不明水検出装置、不明水検出方法、プログラム及び不明水検出システム - Google Patents

Abstract

【課題】流量計を必要とすることなく不明水検出を実現するための技術を提供することである。【解決手段】本発明の一態様は、流水音を含む音響データから音響特徴量の時間変化を示す音響特徴量パターンを抽出する特徴量抽出部と、無降雨時の流水音を含む音響データと無降雨時とは異なる条件下での流水音の音響データとの一方又は双方を含むデータから抽出された音響特徴量パターンによって学習された機械学習モデルを利用して、予測対象の音響データの音響特徴量パターンから不明水の有無を予測する不明水予測部と、を有する不明水検出装置に関する。【選択図】図５

Description

本発明は、機械学習モデルを利用した不明水検出技術に関する。

下水道処理では、家庭や工場などから排出される汚水のための汚水用管路と、雨水のための雨水用管路とが別々に設置される分流式下水道方式が現在主流となっている。汚水用管路に排出された汚水は下水処理場で処理され、処理後に河川などに放流される。一方、雨水用管路に流入した雨水はそのまま河川などに放流される。

下水処理場に流入する汚水量は下水処理場において処理される汚水処理水量となり、汚水処理水量については、原則的に上水道使用量に応じた下水道使用料が徴収される（有収水量）。しかしながら、実際には汚水処理水量と有収水量との間には大きな差があり、この部分の水量は不明水と呼ばれている。典型的には、不明水は、何らかの理由によって汚水用管路に流入した雨水や地下水などである。流れ込んだ汚水は下水処理場で処理せざるを得ないため、不明水によって下水処理事業の運営が圧迫される。例えば、２０１１年度の統計では、年間総処理水量の１７．１％が不明水によるものであるとされている。

特開２０１１−０８０３４７号公報

このように、雨水や地下水から生じる不明水は降雨時の雨水の流入によって発生することが多い。このため、従来、流量計を複数の下水管設置箇所に設置し、降雨時や降雨後にどこの下水管の流量が増えるか検知することによって、不明水の発生を推定してきた。

しかしながら、流量計の設置には、流量計の機器自体の費用だけでなく、設置に係る作業費や人件費等の費用もかかり、より安価に実施可能な不明水検出技術が求められている。

上述した問題点を鑑み、本発明の課題は、流量計を必要とすることなく不明水検出を実現するための技術を提供することである。

上記課題を解決するため、本発明の一態様は、流水音を含む音響データから音響特徴量の時間変化を示す音響特徴量パターンを抽出する特徴量抽出部と、無降雨時の流水音を含む音響データと無降雨時とは異なる条件下での流水音の音響データとの一方又は双方を含むデータから抽出された音響特徴量パターンによって学習された機械学習モデルを利用して、予測対象の音響データの音響特徴量パターンから不明水の有無を予測する不明水予測部と、を有する不明水検出装置に関する。

本発明によると、流量計を必要とすることなく不明水検出を実現することができる。

本発明の一実施例による不明水検出装置の概略を示す図である。 本発明の一実施例による不明水検出装置のハードウェア構成を示すブロック図である。 本発明の一実施例による不明水検出装置の機能構成を示すブロック図である。 本発明の一実施例によるマトリックス形式による音響特徴量パターンを示す図である。 本発明の一実施例による不明水検出処理を示すフローチャートである。 本発明の一実施例による音響特徴量パターンを示す概略図である。 １日における使用水及び音響特徴量の時間変化の具体例を示す図である。 本発明の一実施例による不明水の有無の予測結果を示す図である。 本発明の一実施例による部分空間法による不明水検出モデルを示す概略図である。 本発明の一実施例による部分空間法による不明水予測処理を示すフローチャートである。 本発明の一実施例によるニューラルネットワークにより実現される不明水検出モデルの学習処理を示すフローチャートである。 本発明の一実施例による不明水検出装置による不明水予測結果を示す図である。

以下、図面に基づいて本発明の実施の形態を説明する。
［本発明の概略］
以下の実施例では、下水管における流水音を含む音響データから不明水を検出する不明水検出装置が開示される。後述される実施例を概略すると、不明水検出装置は、マンホール下に設置された集音装置によって収集された下水管内の流水音を含む音響データを取得すると、取得した音響データから音響特徴量の時間変化を示す音響特徴量パターンを抽出し、学習済みの不明水検出モデルを利用して、抽出された音響特徴量パターンから不明水の有無を予測する。

ここで、不明水検出モデルは、無降雨時の流水音を含む音響データと無降雨時とは異なる条件下での流水音の音響データとの一方又は双方を含むデータから抽出された音響特徴量パターンによって学習された機械学習モデルであってもよい。例えば、不明水検出モデルは、無降雨時の流水音を含む音響データの音響特徴量パターン、すなわち、不明水を含まない正常使用水音響特徴量パターンを部分空間を用いて特徴付けしたものであってもよい。あるいは、不明水検出モデルは、不明水を含まない無降雨時の音響データと無降雨時とは異なる条件下で取得された不明水を含む音響データとから抽出された音響特徴量パターンによって学習されたニューラルネットワークであってもよい。

このようにして、不明水検出装置は、市販のボイスレコーダなどの集音装置を利用して取得された音響データに基づき不明水の有無を検出することが可能であり、従来の流量計を利用した不明水検出よりも安価に不明水検出を実施することが可能になる。
［不明水検出装置］
まず、図１〜８を参照して、本発明の一実施例による不明水検出装置を説明する。図１は、本発明の一実施例による不明水検出装置を示す概略図である。

図１に示されるように、不明水検出装置１００は、マンホール内に設置されたボイスレコーダなどの集音装置によって取得された下水管内の流水音を含む音響データを取得すると、機械学習モデルとして実現される不明水検出モデルを利用して、取得した音響データから不明水の有無を予測する。

例えば、集音装置は、市販のボイスレコーダなどであってもよく、あるエリアにおける複数のマンホールの下方に設置され、マンホール下の下水管を流れる流水の音（流水音）を所定のフォーマット又は音響波形の音響データとして記録する。集音装置に記録された音響データは、人手などにより適宜回収されるか、あるいは、集音装置に通信機能が備えられている場合には、通信ネットワークを介し収集されてもよい。不明水検出装置１００は、取得された音響データを前処理すると共に、所定の期間（例えば、１０分間など）のセグメントにセグメント化し、時系列化された音響データ（例えば、１日、１週間など）の時間変化を示す音響特徴量パターンを生成する。不明水検出装置１００は、生成した音響特徴量パターンを学習済みの不明水検出モデルに入力し、不明水検出モデルから不明水の有無を示す予測結果を取得する。

ここで、不明水検出装置１００は、例えば、図２に示されるように、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのプロセッサ１０１、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、フラッシュメモリなどのメモリ１０２、ハードディスク１０３及び入出力（Ｉ／Ｏ）インタフェース１０４によるハードウェア構成を有してもよい。

プロセッサ１０１は、以下で詳細に説明される不明水検出装置１００の各種処理を実行する。

メモリ１０２は、不明水検出モデルを実現するプログラムと共に、不明水検出装置１００のための各種データ及びプログラムを格納し、特に作業用データ、実行中のプログラムなどのためのワーキングメモリとして機能する。具体的には、メモリ１０２は、ハードディスク１０３からロードされたデータ及びプログラムを格納し、プロセッサ１０１によるプログラムの実行中にワーキングメモリとして機能する。

ハードディスク１０３は、不明水検出モデルを実現するプログラムと共に、不明水検出装置１００のための各種データ及びプログラムを格納する。

Ｉ／Ｏインタフェース１０４は、外部装置との間でデータを入出力するためのインタフェースであり、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）、通信回路、キーボード、マウス、ディスプレイなどのデータを入出力するためのデバイスである。

しかしながら、本開示による不明水検出装置１００は、上述したハードウェア構成に限定されず、他の何れか適切なハードウェア構成を有してもよい。例えば、上述した不明水検出装置１００による不明水検出処理の一部又は全ては、これを実現するよう配線化された処理回路又は電子回路により実現されてもよい。

図３は、本発明の一実施例による不明水検出装置１００の機能構成を示すブロック図である。図３に示されるように、不明水検出装置１００は、特徴量抽出部１１０及び不明水予測部１２０を有する。

特徴量抽出部１１０は、流水音を含む音響データから音響特徴量の時間変化を示す音響特徴量パターンを抽出する。

具体的には、特徴量抽出部１１０はまず、下水管における流水音を表す音響波形を示す音響データに対して前処理及びセグメント化を実行する。音響データを取得すると、特徴量抽出部１１０はまず、集音装置の不具合などによるデータ欠損などがあった場合、欠損箇所におけるゼロ値又は非数のデータを破棄する。そして、特徴量抽出部１１０は、以降のデータ処理を容易にするため、取得された連続的な音響波形を所定の時間間隔でセグメント化する。該セグメント化は、音響波形データを１０分間隔の幅を持つデータに分割すると共に、隣接するセグメント同士の音響波形データが５分間のオーバラップを有するようにしてもよい。この場合、以降のデータ処理は、セグメント単位で実行される。

また、特徴量抽出部１１０は、音響データの収集中に紛れた周辺環境ノイズ（例えば、自動車のクラクション、マンホールカバー上を通過したときのタイヤのノイズなど）を示す干渉信号を除去又は軽減するため、音響データに対してハイパスフィルタを適用し、低周波数ノイズを除去する。ハイパスフィルタ適用後の音響データをx = [x₁, ..., x_N]とする。ここで、Nは1セグメント内の音響データ数である。

その後、特徴量抽出部１１０は、

で表される音響データの平均と分散、および、ガウスモデルを利用してノイズを除去する。具体的にはセグメント内の音響データ列xが与えられると、特徴量抽出部１１０は、

に従って、音響データx_iが発生する確率p(x_i)を計算する。p(x_i) < εである場合（ただし、εはノイズ除去のための所定の閾値である）、入力されたセグメントx_iは異常状態又はアノマリとして判別され、処理対象の音響データから削除される。

次に、特徴量抽出部１１０は、前処理を経てセグメント化されたセグメントに対して特徴抽出を実行する。具体的には、特徴量抽出部１１０は、セグメントから平均、中間値、標準偏差、最大値／最小値、尖度、歪度、ゼロクロッシングレート、エネルギー、エネルギーのエントロピーなどを含む時間特徴量又は統計量を抽出する。抽出された特徴量ベクトルは、

として表される。ここでd₁は特徴量の総数、×１は1次元のベクトルを表す。
特徴量抽出部１１０はまた、セグメントからメル周波数ケプストラム係数（ＭＦＣＣ）、ガンマトーンケプストラム係数（ＧＴＣＣ）、メルスケールスペクトログラムなどを含む流水音の局所的なバリエーションパターンを示す時間周波数特徴量を抽出する。
抽出された特徴量ベクトルは、

として表される。ここでd₂は上記特徴量の総数、×１は1次元のベクトルを表す。

特徴量抽出部１１０は更に、セグメントからスペクトル中心、スペクトル拡散、スペクトルエントロピー、スペクトルフラックス、スペクトルロールオフなどを含む音響パターンの複雑さを説明するための特徴量を抽出する。抽出された特徴量ベクトルは、

として表される。ここでd₃は上記特徴量の総数、×１は1次元のベクトルを表す。

特徴量抽出部１１０は、上述した特徴量抽出によって取得した各特徴量ベクトルを連接することによって、各セグメントの特徴量ベクトル

を取得することができる。ここで、D = d₁ + d₂ +d₃である。

次に、特徴量抽出部１１０は更に、取得した特徴量ベクトルを日時に関する添え字を付けて再配置する。上述したように、特徴量抽出部１１０は、セグメント化された音響データの各々に対して、D個の特徴量を要素とする特徴量ベクトル

を取得しており、上記では、各セグメントに対応する特徴量ベクトルを、時系列順に1からLの添え字を付けて表している。例えば、不明水を検出するには、以下の２つの観点からアノマリを調べることが可能である。第１の観点では、不明水を含む流水音の音響パターンは正常使用水の音響パターンと比較して短時間スペクトル分布に関して異常を示し、第２の観点では、不明水の発生時間が不規則的である。例えば、正常使用水の音響パターンではほとんど観測されない真夜中などに不明水が発生するなどである。このような２つの観点からアノマリを効果的に調べるため、取得された特徴量は、上記添え字に従い、図４に示されるようなマトリックス形式で再配置される。これにより、D個の音響特徴量の時間依存性を強調することができる。再配置された特徴量はf_d,tとして表される。

しかしながら、特徴量抽出部１１０によって生成される音響特徴量パターンの表現形式は、このようなマトリックス形式に限定されるものでなく、音響特徴量パターンを表現可能な他の何れか適切な音響特徴量の時系列データであってもよい。

不明水予測部１２０は、無降雨時の流水音を含む音響データと無降雨時とは異なる条件下での流水音の音響データとの一方又は双方を含むデータから抽出された音響特徴量パターンによって学習された機械学習モデルを利用して、予測対象の音響データの音響特徴量パターンから不明水の有無を予測する。具体的には、不明水予測部１２０は、音響特徴量パターンを入力とし、不明水有無の予測結果を出力する学習済み不明水検出モデルを有し、当該不明水検出モデルを利用して、特徴量抽出部１１０によって生成された予測対象の音響データの音響特徴量パターンに基づき、当該予測対象の音響データが不明水の存在を示すか判断する。

ここで、無降雨時とは異なる条件下での音響データは、降水時の音響データ、無降雨時の流水に外部からの別の流水が導入された際の流水音の音響データ、又は、地下水や高潮による流水音の音響データの少なくともいずれか一つである。上述したように、不明水は、典型的には、降雨時における雨水又は地下水によって生じることが知られており、不明水を含む音響データとして降水時の音響データを利用することができる。あるいは、下水管を流れる流水に人為的に流水を加えることによって、不明水を含む音響データを取得することが可能である。

以降で詳細に説明するように、不明水検出モデルは、部分空間法に従って決定された不明水を含まない無降雨時の流水音を含む音響データの音響特徴量パターンを示す部分空間を利用してもよいし、あるいは、不明水を含む無降雨時とは異なる条件下での流水音を含む音響データの音響特徴量パターンと、不明水を含まない無降雨時の流水音を含む音響データの音響特徴量パターンとを判別するニューラルネットワークに基づくものであってもよい。

図５は、本発明の一実施例による不明水検出処理を示すフローチャートである。当該不明水検出処理は、不明水検出装置１００、より詳細には、不明水検出装置１００のプロセッサ１０１によって実行される。

図５に示されるように、ステップＳ１０１において、不明水検出装置１００は、音響データを前処理する。具体的には、上述したように、不明水検出装置１００は、取得した音響データに含まれるノイズを除去し、また、音響データを所定の時間幅データにセグメント化するなど、各種前処理及びセグメント化を実行する。

ステップＳ１０２において、不明水検出装置１００は、前処理された音響データから特徴量を抽出する。具体的には、上述したように、抽出される特徴量は、以下に限定することなく、セグメント化されたセグメントから抽出された時間特徴量又は統計量（例えば、平均、中間値、標準偏差、最大値／最小値、尖度、歪度、ゼロクロッシングレート、エネルギー、エネルギーのエントロピーなど）、メル周波数ケプストラム係数（ＭＦＣＣ）、ガンマトーンケプストラム係数（ＧＴＣＣ）、時間周波数特徴量（例えば、メルスケールスペクトログラムなど）、他の特徴量（例えば、スペクトル中心、スペクトル拡散、スペクトルエントロピー、スペクトルフラックス、スペクトルロールオフ、など）であってもよい。

ステップＳ１０３において、不明水検出装置１００は、抽出された特徴量から音響特徴量パターンを生成する。具体的には、上述したように、不明水検出装置１００は、各種音響特徴量の音響特徴量パターンを表現可能な何れか適切な音響特徴量の時系列データ（例えば、図４に示されるようなマトリックス形式の音響特徴量パターンなど）であってもよい。

例えば、図６に示されるように、不明水検出装置１００は、ステップＳ１０２において抽出された各特徴量（図示された具体例では、１４３種別の特徴量が抽出されている）について、１週間の音響特徴量パターンを生成してもよい。ここで、１日の音響特徴量パターンは、概ね一定のパターンを有する傾向がある。例えば、１日の上水道使用量は、図７（ａ）に示されるようなパターンを有し、深夜はほとんど水道は使用されず、家族が主として在宅して活動している朝食及び夕食時の前後の時間帯に水道使用量が大きくなる傾向がある。これに対応して、流水音の音響特徴量パターンも、図７（ｂ）に示されるように、水道使用時と下水管への排水後というタイムラグはあるが、概ね同様のパターンを有していることが分かる。降雨時などにおいて不明水が発生した場合、図示されるような音響特徴量パターンから乖離が生じることになり、このような乖離した音響特徴量パターンを特定することによって、不明水を検出することが可能になる。

ステップＳ１０４において、不明水検出装置１００は、学習済み機械学習モデルを利用して、音響特徴量パターンから不明水の有無を予測する。具体的には、上述したように、不明水検出装置１００は、音響特徴量パターンを入力とし、不明水有無の予測結果を出力する学習済み不明水検出モデルを有し、当該不明水検出モデルを利用して、生成された音響特徴量パターンに基づき予測対象の音響データが不明水の存在を示すか判断する。例えば、不明水有無の予測結果は、図８に示されるようなデータ形式により取得されてもよい。すなわち、不明水が疑われる時間帯、例えば、不明水を含まない正常な音響特徴量パターンから有意な乖離がある時間帯が特定され、図示されるように、乖離の程度に応じて不明水の発生の可能性の大きさが示されてもよい。
［部分空間法に基づく不明水検出モデル］
次に、図９及び１０を参照して、本発明の一実施例による部分空間法に基づく不明水検出モデルを説明する。部分空間法に基づく不明水検出モデルでは、不明水予測部１２０は、不明水を含まない無降雨時の音響データから抽出された音響特徴量パターンを部分空間を用いて特徴づけされた不明水検出モデルを利用する。すなわち、不明水予測部１２０は、不明水を含まない無降雨時の流水音を含む音響データから抽出された音響特徴量パターンによって構成される部分空間との乖離を示す異常度スコアに基づき、予測対象の音響データにおける不明水の有無を予測する。

具体的には、不明水予測部１２０は、不明水を含まない無降雨時の正常使用水を示す音響データから抽出された音響特徴量パターンから部分空間法に従って導出された部分空間に関する情報を予め有し、予測対象となる音響データから抽出された音響特徴量と部分空間との間の乖離を示す異常度スコアを算出し、算出した異常度スコアに応じて不明水の有無を予測する。例えば、図９に示されるように、不明水予測部１２０は、正常使用水の音響特徴量パターンを示す部分空間S_sa(U, μ)を予め有し、予測対象の音響特徴量パターンxと部分空間S_sa(U, μ)との間の距離d(x, S_sa(U, μ))を異常度スコアとして算出し、算出した距離d(x, S_sa(U, μ))が所定の閾値以上である場合、入力された音響特徴量パターンは不明水を含むと判断してもよい。

例えば、このような部分空間は、無降雨時及び降水時を含む音響データから抽出された訓練用の音響特徴量パターンから、以下のようにして導出されうる。

まず、正常使用水の音響特徴量パターンの部分空間が、不明水を含まない無降雨時の正常使用水を示す音響特徴量パターンから部分空間法に従って導出される。無降雨時及び降水時を含む音響特徴量パターンが、無降雨時の音響特徴量パターンと降水時の音響特徴量パターンとに分割される。不明水は主として降雨時に発生し、無降雨時には発生しないため、無降雨時の音響特徴量パターンを利用して部分空間を導出する。

を無降雨時の音響データから抽出されたD次元の特徴量ベクトルとする。ここで、Wはデータ収集期間の週数を表し、d, tはそれぞれ曜日及び時間を表す。[d, t]は共通しているため、単にf_iとして表すことができる。

によって共分散行列が計算可能であり、当該共分散行列に対して固有値分解（ＥＶＤ）が実行される。

結果として得られる２つの行列は、固有ベクトル

と

とから構成され、固有値λ_iの降順に固有ベクトルがソートされる。各固有ベクトルに対するk番目の固有ベクトルの寄与率は、

によって計算可能であり、η_kの寄与率が0.99より大きい最初のk個の固有ベクトル

を正常使用水の音響データにおける支配的な特徴量として保持する。

この支配的な特徴量の音響特徴パターンの部分空間をSとして表し、それの射影演算子を

として表す。Sの直交補空間上への射影演算子は、

として表され、特徴ベクトルfの部分空間Sからの乖離（類似度）は、

として算出可能であり、当該r²は、特徴ベクトルfの部分空間Sからの乖離を示す異常度スコアとして利用される。無降雨時の音響データから抽出された特徴量ベクトルは当該部分空間の基底ベクトルの線形結合として表すことが可能であり、異常度スコアr²の値は０又は０に近い値になる。他方、不明水を含む音響データから抽出された特徴量ベクトルは部分空間の基底ベクトルとは線形独立の関係にあり、異常度スコアr²の値は０とは有意に異なるものとなる。

を利用することによって、rが閾値τの値より大きい場合、不明水が含まれていると判断され、rが閾値τの値以下である場合、不明水は含まれていないと判断される。ここで、r_trainは無降雨時の音響特徴量から計算された乖離を表す。

図１０は、本発明の一実施例による部分空間法による不明水予測処理を示すフローチャートである。当該不明水予測処理は、図５のステップＳ１０４において、部分空間法に基づき導出された部分空間を不明水検出モデルとして利用したものである。

ステップＳ２０１において、不明水検出装置１００は、上述したように導出された正常使用水の音響特徴量パターンを特徴付ける部分空間と予測対象の特徴量ベクトルとの間の乖離を算出する。

ステップＳ２０２において、不明水検出装置１００は、算出された乖離と所定の閾値との比較に基づき不明水の有無を検出する。具体的には、算出された乖離が所定の閾値より大きい場合、不明水検出装置１００は不明水があると判断し、算出された乖離が所定の閾値以下である場合、不明水検出装置１００は不明水がないと判断する。ここで、当該閾値は、例えば、式（５）に従って無降雨時の音響特徴量から計算された乖離の分布の平均及び標準偏差に基づき設定されてもよい。

また、不明水検出装置１００は、算出された乖離が所定の閾値より大きい場合、超過の程度に応じて不明水の疑念の強さを決定してもよい。例えば、不明水検出装置１００は、乖離が閾値より大きく、２倍以下である場合、不明水の疑念の強さをα_１とし、乖離が閾値の２倍より大きく、３倍以下である場合、不明水の疑念の強さをα_２（＞α_１）とし、以下同様にしてもよい。疑念の強さが大きいほど、すなわち、乖離が大きいほど、不明水が含まれているとの判定の信頼性が高くなり、疑念の強さが小さいほど、すなわち、乖離がそれほど大きくないほど、不明水が含まれているとの判定の信頼性が低くなる。

なお、下水管は、比較的水量の少ない箇所に配置された支流下水管と、支流下水管の流水が集まる幹線下水管とに大別できる。例えば、支流下水管では、比較的少量の不明水の流入でも、水量が変化して流水音も変化しうる。他方、幹線下水管では、大量の不明水が流入しないと、水量及び流水音の変化は識別できない可能性がある。このため、下水管に通常流れる水量に応じて閾値の大きさが調整されてもよい。例えば、水量が比較的多い幹線下水管には、水量が比較的少ない支流下水管より相対的に小さな閾値が設定され、比較的少ない水量の変化に対しても不明水であることを検知するようにしてもよい。
［ニューラルネットワークに基づく不明水検出モデル］
次に、図１１を参照して、本発明の一実施例によるニューラルネットワークに基づく不明水検出モデルを説明する。ニューラルネットワークに基づく不明水検出モデルでは、不明水予測部１２０は、不明水を含まない無降雨時の音響データと、不明水を含む無降雨時とは異なる条件下での音響データとを含むデータから抽出された音響特徴量パターンによって学習されたニューラルネットワークとして実現される不明水検出モデルを有し、予測対象の音響データの音響特徴量パターンを不明水検出モデルに入力し、不明水検出モデルからの出力として不明水の有無を予測する。具体的には、不明水検出モデルは、不明水を含まない無降雨時の下水管における流水音を含む音響データから抽出される音響特徴量パターンと、不明水を含む流水音を含む音響データから抽出される音響特徴量パターンとを訓練データとして利用することによって学習されたニューラルネットワークである。不明水予測部１２０は、予測対象の下水管において収集された流水音の音響データから抽出された音響特徴量パターンを学習済み不明水検出モデルに入力し、不明水有無を示す出力結果を取得する。

図１１は、本発明の一実施例によるニューラルネットワークにより実現される不明水検出モデルの学習処理を示すフローチャートである。当該学習処理は、典型的には、不明水検出装置１００以外の他の計算装置によって実行されるが、これに限定されず、不明水検出装置１００によって実行されてもよい。以下の実施例では、学習処理は、不明水検出装置１００と同様に、図２に示されたハードウェア構成を有する何れかの計算装置によって実行されるものとする。当該学習処理によって取得された不明水検出モデルは、不明水検出装置１００に利用可能とされ、不明水予測部１２０による上述した不明水予測処理に利用される。

図１１に示されるように、ステップＳ３０１において、計算装置は、訓練用の音響特徴量パターンを学習対象のニューラルネットワークに入力する。当該訓練用の音響特徴量パターンとして、不明水を含まない無降雨時の下水管における流水音を含む音響データから抽出される音響特徴量パターンと、不明水を含む流水音を含む音響データから抽出される音響特徴量パターンとが利用される。

ステップＳ３０２において、計算装置は、ニューラルネットワークから出力された不明水有無の予測値と、入力された音響特徴量パターンのラベル、すなわち、"不明水を含む"、又は、"不明水を含まない"、とを比較する。

ステップＳ３０３において、計算装置は、比較結果に基づきニューラルネットワークのパラメータを更新する。例えば、当該パラメータの更新は、バックプロパゲーションなどによって実行されてもよい。

ステップＳ３０４において、計算装置は、終了条件が充足されたか判断する。終了条件が充足されている場合（Ｓ３０４：ＹＥＳ）、当該学習処理は終了され、最終的に取得されたニューラルネットワークが学習済み不明水検出モデルとされる。他方、終了条件が充足されていない場合（Ｓ３０４：ＮＯ）、計算装置は、ステップＳ３０１〜Ｓ３０３を繰り返す。ここで、終了条件としては、所定数の訓練データを処理したことなどであってもよい。

なお、本実施例による不明水検出モデルは音響特徴量パターンを入力としたが、本発明による不明水検出モデルは、これに限定されず、音響データの音響波形、音響データから抽出される１つ以上の特徴量などの所定期間（例えば、１日、１週間など）の時系列データであってもよい。
［不明水発生箇所の特定］
一実施例では、不明水予測部１２０は、複数箇所で取得された音響データに基づき、不明水の発生箇所を絞り込んでもよい。具体的には、複数の集音箇所（マンホール）から音響データを取得すると、不明水予測部１２０は、各音響データから抽出された各音響特徴量パターンから不明水の有無を予測する。例えば、不明水検出装置１００が、K個の音響データD_i (ここで、iは位置インデックスであり、1 ≦ i ≦ Kである)を取得すると、不明水予測部１２０は、上述した不明水予測処理を実行し、集音箇所毎の予測結果J_i (J_i = 0/1であり、不明水がない場合、J_i = 0であり、不明水がある場合、J_i = 1である)を取得する。すなわち、J_i = 1である場合、不明水予測部１２０は、位置インデックスiに対応する集音箇所の近傍に不明水が発生していると予測する。

すなわち、上述した不明水検出装置１００は、１つ以上の集音装置と一緒に不明水検出システムを構成してもよい。具体的には、このような不明水検出システムにおいて、不明水検出装置１００は、例えば、無線及び有線の一方又は双方による通信回線を介し各集音装置から流水音を含む音響データを収集し、収集した各音響データから音響特徴量パターンを抽出し、上述したような学習済みの不明水検出モデルを利用して、抽出した各音響特徴量パターンに対して不明水有無予測を実行してもよい。
［実験結果］
図１２は、本発明の一実施例による不明水検出装置１００による不明水予測結果を示す図である。図１２の左側のグラフは、５月１日〜３１日までの１ヶ月間のある地域の降水量を表す図であり、右側のグラフは、不明水検出装置１００による不明水予測結果を示す図である。なお、当該地域内における今回予測対象となる下水管では、降雨時に不明水が発生することが予め分かっており、５月１日〜３１日までの１ヶ月間にわたって収集された当該下水管を流れる流水音を含む音響データが、不明水検出装置１００に提供された。図示された予測結果を示すグラフから理解されるように、５月１３日及び２４日の降雨に対応する不明水が、タイムラグの後に下水管で検出されていることが分かる。

以上、本発明の実施例について詳述したが、本発明は上述した特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１００ 不明水検出装置
１１０ 特徴量抽出部
１２０ 不明水予測部

Claims (14)

1. 流水音を含む音響データから音響特徴量の時間変化を示す音響特徴量パターンを抽出する特徴量抽出部と、
   無降雨時の流水音を含む音響データと無降雨時とは異なる条件下での流水音の音響データとの一方又は双方を含むデータから抽出された音響特徴量パターンによって学習された機械学習モデルを利用して、予測対象の音響データの音響特徴量パターンから不明水の有無を予測する不明水予測部と、
   を有し、
   前記音響特徴量パターンは、曜日及び時間帯に関する前記音響特徴量の時間変化を示す不明水検出装置。
2. 前記機械学習モデルは、前記無降雨時の流水音を含む音響データの音響特徴量パターンを部分空間を用いて特徴付けし、
   前記不明水予測部は、前記無降雨時の流水音を含む音響データの音響特徴量パターンによって構成された前記部分空間との乖離を示す異常度スコアに基づき前記不明水の有無を予測する、請求項１記載の不明水検出装置。
3. 前記機械学習モデルは、前記無降雨時の音響データと前記無降雨時とは異なる条件下での音響データとを含むデータから抽出された音響特徴量パターンによって学習されたニューラルネットワークであり、
   前記不明水予測部は、前記予測対象の音響データの音響特徴量パターンを前記ニューラルネットワークに入力し、前記ニューラルネットワークからの出力として前記不明水の有無を予測する、請求項１記載の不明水検出装置。
4. 前記無降雨時とは異なる条件下での音響データは、降水時の音響データ、無降雨時の流水に外部からの別の流水が導入された際の流水音の音響データ、又は、地下水や高潮による流水音の音響データの少なくともいずれか一つである、請求項１乃至３何れか一項記載の不明水検出装置。
5. 前記不明水予測部は、複数箇所で取得された音響データに基づき、不明水の発生箇所を絞り込む、請求項１乃至４何れか一項記載の不明水検出装置。
6. 前記音響データは、通信回線を介し取得される、請求項１乃至５何れか一項記載の不明水検出装置。
7. プロセッサが、流水音を含む音響データから音響特徴量の時間変化を示す音響特徴量パターンを抽出するステップと、
   前記プロセッサが、無降雨時の流水音を含む音響データと無降雨時とは異なる条件下での流水音の音響データとの一方又は双方を含むデータから抽出された音響特徴量パターンによって学習された機械学習モデルを利用して、予測対象の音響データの音響特徴量パターンから不明水の有無を予測するステップと、
   を有し、
   前記音響特徴量パターンは、曜日及び時間帯に関する前記音響特徴量の時間変化を示す不明水検出方法。
8. 前記機械学習モデルは、前記無降雨時の流水音を含む音響データの音響特徴量パターンを部分空間を用いて特徴付けし、
   前記予測するステップは、前記無降雨時の流水音を含む音響データの音響特徴量パターンによって構成された前記部分空間との乖離を示す異常度スコアに基づき前記不明水の有無を予測する、請求項７記載の不明水検出方法。
9. 前記機械学習モデルは、前記無降雨時の音響データと前記無降雨時とは異なる条件下での音響データとを含むデータから抽出された音響特徴量パターンによって学習されたニューラルネットワークであり、
   前記予測するステップは、前記予測対象の音響データの音響特徴量パターンを前記ニューラルネットワークに入力し、前記ニューラルネットワークからの出力として前記不明水の有無を予測する、請求項７記載の不明水検出方法。
10. 前記無降雨時とは異なる条件下での音響データは、降水時の音響データ、無降雨時の流水に外部からの別の流水が導入された際の流水音の音響データ、又は、地下水や高潮による流水音の音響データの少なくともいずれか一つである、請求項７乃至９何れか一項記載の不明水検出方法。
11. 前記予測するステップは、複数箇所で取得された音響データに基づき、不明水の発生箇所を絞り込む、請求項７乃至１０何れか一項記載の不明水検出方法。
12. 前記音響データは、通信回線を介し取得される、請求項７乃至１１何れか一項記載の不明水検出方法。
13. 流水音を含む音響データから音響特徴量の時間変化を示す音響特徴量パターンを抽出する処理と、
    無降雨時の流水音を含む音響データと無降雨時とは異なる条件下での流水音の音響データとの一方又は双方を含むデータから抽出された音響特徴量パターンによって学習された機械学習モデルを利用して、予測対象の音響データの音響特徴量パターンから不明水の有無を予測する処理と、
    をコンピュータに実行させ、
    前記音響特徴量パターンは、曜日及び時間帯に関する前記音響特徴量の時間変化を示すプログラム。
14. １つ以上の集音装置と、
    請求項１乃至６何れか一項記載の不明水検出装置と、
    を有する不明水検出システム。