JP6824859B2 - 炉内状態量推定装置、推定モデル作成装置、それらのプログラムおよび方法 - Google Patents

Description

本開示は、燃焼炉の炉内を撮像した画像情報に基づく燃焼状態の監視技術に関する。

例えば特許文献１〜２には、燃焼炉内の画像情報に基づいて燃焼状態を判定する手法が開示されている。具体的には、特許文献１には、燃焼画像（画像情報）より求めたバーナ火炎の表面温度分布に基づいて異常燃焼状態を検出する方法が開示されている。また、特許文献２には、燃焼炉において、燃料が火炎を上げて燃焼する一次燃焼領域の直上部に設置したテレビカメラ（撮像装置）を用いて撮影した画像を画像処理し、該画像処理して得られた画像の明るさの変化量に基づいて、二次燃焼領域における一酸化炭素濃度の変動をファジイ推論手段により予測することが開示されている。その他、ＴＶカメラで撮像される画像から火炎の形状を目視して、燃焼状態を監視する手法もある（特許文献１参照）。

特開平４−１４３５１５号公報 特開２００１−４１１６号公報

特許文献１は、火炎の表面温度分布を求めるものであり、画像情報に火炎が表示されていることが必要であるため、燃焼時の排ガスや炉内カメラの設置位置などの影響により火炎が画像情報に現れない状況での適用は難しい。他方、特許文献２では、画像処理により得られる画像の明るさの変化量に基づいて予測するため、火炎が画像情報に現れていなくても良い可能性があり、燃焼炉の種類やカメラの配置位置などの制限が小さく、より適用しやすい手法と考えられる。しかしながら、例えば熟練した運転員の経験に基づく判定手法などを集めて解析するなど、ファジイ推論による制御を行うためのルール化が必要となる。そもそも、燃焼状態は、燃焼対象（燃料）の種類（ごみ、石炭等）、燃焼雰囲気（空気量、炉内温度等）、バーナ形状等の様々な要因により変化するため、熟練者が経験したことのない状況では燃焼状態の適切な判定を行うことが難しく、また、熟練者ですら認知していない判定基準が存在する可能性も否定できない。

また、例えば灰中未燃分、ＮＯｘ濃度、ＣＯ濃度などの状態量を燃焼炉の運転中に計測することで燃焼状態を判定する手法も考えられるが、状態量の計測に時間を要する場合（例えば灰中未燃分など）には、計測結果に基づいて行った燃焼状態の判定結果をリアルタイムに運転制御に用いることは困難である。

上述の事情に鑑みて、本発明の少なくとも一実施形態は、炉内の燃焼状態を判定可能な状態量を炉内の画像情報に基づいて迅速かつ精度良く推定する炉内状態量推定装置を提供することを目的とする。

（１）本発明の少なくとも一実施形態に係る炉内状態量推定装置は、
炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習により作成された推定モデルを取得する推定モデル取得部と、
前記画像情報であって前記推定モデルへの入力となる入力画像情報を取得する入力画像情報取得部と、
前記入力画像情報で示される燃焼状態に応じた推定状態量を、前記推定モデルを用いて算出する推定状態量算出部と、を備える。

上記（１）の構成によれば、炉内の燃焼状態に応じて、例えば灰中未燃分や、ＮＯｘ濃度、ＣＯ濃度などの状態量は変化するが、炉内の燃焼時の画像情報と、その画像情報が撮像された際の状態量（計測値や推定値）とが対応付けられた学習データの機械学習により作成された推定モデルを用いて、燃焼時の炉内を撮像した画像情報から、その燃焼状態で生じる状態量（推定状態量）を推定する。これによって、炉内の画像情報から状態量を迅速かつ精度良く推定することができる。

（２）幾つかの実施形態では、上記（１）の構成において、
前記学習データの前記機械学習を行い、前記推定モデルを作成する推定モデル作成部を、さらに備える。
上記（２）の構成によれば、炉内の燃焼時の画像情報と、その画像情報が撮像された際の状態量とを対応付けることにより学習データを作成し、作成した学習データから機械学習することにより、推定モデルを作成することができる。

（３）幾つかの実施形態では、上記（２）の構成において、
前記推定モデル作成部は、
前記過去の画像から少なくとも１つの特徴量を抽出する特徴量抽出部と、
前記過去画像情報である前記少なくとも１つの特徴量と前記状態量とを対応付けることにより前記学習データを生成する学習データ生成部と、
前記学習データの前記機械学習を実行する機械学習実行部と、を有する。
上記（３）の構成によれば、過去の画像の特徴量と状態量とが対応づけられた学習データを作成し、この学習データを用いて機械学習を行う。このように、特徴量と状態量との関係に着目して機械学習を行うことにより、推定精度の高い推定モデルを作成することができる。

（４）幾つかの実施形態では、上記（３）の構成において、
前記特徴量抽出部は複数の前記特徴量を抽出するものとし、
前記推定モデル作成部は、
前記特徴量抽出部によって抽出された前記複数の特徴量のうちから、前記状態量に対する貢献度に基づいてＮ個（Ｎは１以上の整数を示す。）の前記特徴量を選択する特徴量選択部を、さらに有し、
前記学習データ生成部は、前記特徴量選択部によって選択された前記Ｎ個の特徴量と前記状態量とを対応付けることにより、前記学習データを生成する。
上記（４）の構成によれば、貢献度に基づいて特徴量を絞りこむと共に、絞り込んだ特徴量と状態量とを対応付けて学習データを生成する。このような学習データの機械学習を行うことにより、推定モデルによる状態量の推定精度を向上させることができる。

（５）幾つかの実施形態では、上記（３）〜（４）の構成において、
前記特徴量抽出部は、前記特徴量を、前記過去の画像から得られる輝度情報に基づいて抽出する。
上記（５）の構成によれば、輝度情報は火炎そのものを検出することなく画像から得られる情報であり、例えば炉内の上部に撮像装置を設置するなど火炎が排ガスで撮像されないような場合であっても画像情報を得ることができる。これによって、炉内を撮像するための撮像装置（炉内カメラ）の設置を容易化することもできる。

（６）幾つかの実施形態では、上記（３）〜（５）の構成において、
前記状態量は、前記炉内の燃焼時に生じる排ガスまたは排出物に関する状態量であり、
前記学習データ生成部は、前記過去画像情報に対して、該過去画像情報の基になる前記画像が撮像された時から所定の時間経過後に前記状態量の計測地点で計測された計測値を対応付けることによって前記学習データを生成する。
上記（６）の構成によれば、学習データは、過去画像情報によって示される燃焼状態で生じた排ガスまたは排出物が状態量の計測地点に到達するまでのタイムラグを考慮して作成される。このようなタイムラグは燃焼炉の種類や計測地点の位置によって無視できないほど異なる場合があり、タイムラグを考慮して学習データを作成することにより、推定精度の高い推定モデルを作成することができる。

（７）幾つかの実施形態では、上記（２）〜（６）の構成において、
前記推定モデル作成部は、複数の前記機械学習の手法を用いて複数の前記推定モデルを作成する。
上記（７）の構成によれば、複数の機械学習手法（アルゴリズム）に基づいてそれぞれ作成された複数の推定モデルの各々で状態量を推定することができる。例えば、複数の機械学習手法の各々による推定結果と学習データを構成する状態量（計測値など）とを比較することにより、複数の推定モデルのうちから推定精度の高い推定モデルを選択することができるようになり、学習データなどの条件（画像サイズ、学習データ数など）や燃焼炉の種類などに適した推定モデルの選択を可能にすることができる。

（８）幾つかの実施形態では、上記（１）〜（７）の構成において、
前記推定状態量と、前記状態量の計測値との差異が所定の閾値を超えた場合に、再学習による前記推定モデルの再作成を決定する再学習決定部を、さらに備える。
上記（８）の構成によれば、推定精度の低下が認められた場合には、再学習による推定モデルの再作成が必要と判定される。この判定に応じて、再学習により新たに推定モデルを作成し、新たな推定モデルを再取得するようにすれば、適切な推定精度による推定を継続することが可能となる。よって、燃焼炉の運転環境の変化などに追従しつつ、入力画像情報から状態量を精度良く推定することができる。

（９）本発明の少なくとも一実施形態に係る推定モデル作成装置は、
炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習を行い、前記炉内を撮像した入力画像情報から推定状態量を推定する推定モデルを作成する推定モデル作成部を備える。

上記（９）の構成によれば、上記（２）と同様に、炉内の燃焼時の画像情報と、その画像情報が撮像された際の状態量とを対応付けることにより学習データを作成し、作成した学習データから機械学習することにより、推定モデルを作成する。この推定モデルを用いることによって、燃焼時の炉内の画像情報（入力画像情報）から状態量を迅速に推定することを可能とすることができる。

（１０）本発明の少なくとも一実施形態に係る炉内状態量推定プログラムは、
コンピュータに、
炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習により作成された推定モデルを取得する推定モデル取得ステップと、
前記画像情報であって前記推定モデルへの入力となる入力画像情報を取得する入力画像情報取得ステップと、
前記入力画像情報で示される燃焼状態に応じた推定状態量を、前記推定モデルを用いて算出する推定状態量算出ステップと、を実行させるためのプログラムである。

上記（１０）の構成によれば、上記（１）と同様の効果を奏する。

（１１）幾つかの実施形態では、上記（１０）の構成において、
前記学習データの前記機械学習を行い、前記推定モデルを作成する推定モデル作成ステップを、さらにコンピュータに実行させる。
上記（１１）の構成によれば、上記（２）と同様の効果を奏する。

（１２）幾つかの実施形態では、上記（１１）の構成において、
前記推定モデル作成ステップとして、
前記過去の画像から少なくとも１つの特徴量を抽出する特徴量抽出ステップと、
前記過去画像情報である前記少なくとも１つの特徴量と前記状態量とを対応付けることにより前記学習データを生成する学習データ生成ステップと、
前記学習データの前記機械学習を実行する機械学習実行ステップと、をコンピュータに実行させる。
上記（１２）の構成によれば、上記（３）と同様の効果を奏する。

（１３）幾つかの実施形態では、上記（１２）の構成において、
前記特徴量抽出ステップは複数の前記特徴量を抽出するものとし、
前記推定モデル作成ステップとして、
前記特徴量抽出ステップによって抽出された前記複数の特徴量のうちから、前記状態量に対する貢献度に基づいてＮ個（Ｎは１以上の整数を示す。）の前記特徴量を選択する特徴量選択ステップを、さらにコンピュータに実行させるものとし、
前記学習データ生成ステップは、前記特徴量選択ステップによって選択された前記Ｎ個の特徴量と前記状態量とを対応付けることにより、前記学習データを生成する。
上記（１３）の構成によれば、上記（４）と同様の効果を奏する。

（１４）幾つかの実施形態では、上記（１２）〜（１３）の構成において、
前記特徴量抽出ステップは、前記特徴量を、前記過去の画像から得られる輝度情報に基づいて抽出する。
上記（１４）の構成によれば、上記（５）と同様の効果を奏する。

（１５）幾つかの実施形態では、上記（１２）〜（１４）の構成において、
前記状態量は、前記炉内の燃焼時に生じる排ガスに関する状態量であり、
前記学習データ生成ステップは、前記過去画像情報に対して、該過去画像情報の基になる前記画像が撮像された時から所定の時間経過後に前記状態量の計測地点で計測された計測値を対応付けることによって前記学習データを生成する。
上記（１５）の構成によれば、上記（６）と同様の効果を奏する。

（１６）幾つかの実施形態では、上記（１１）〜（１５）の構成において、
前記推定モデル作成ステップは、複数の前記機械学習の手法を用いて複数の前記推定モデルを作成する。
上記（１６）の構成によれば、上記（７）と同様の効果を奏する。

（１７）幾つかの実施形態では、上記（１０）〜（１６）の構成において、
前記推定状態量と、前記状態量の計測値との差異が所定の閾値を超えた場合に、再学習による前記推定モデルの再作成を決定する再学習決定ステップを、さらにコンピュータに実行させる。
上記（１７）の構成によれば、上記（８）と同様の効果を奏する。

（１８）本発明の少なくとも一実施形態に係る推定モデル作成プログラムは、
コンピュータに、炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習を行い、前記炉内を撮像した入力画像情報から推定状態量を推定する推定モデルを作成する推定モデル作成ステップを実行させるためのプログラムである。

上記（１８）の構成によれば、上記（９）と同様の効果を奏する。

（１９）本発明の少なくとも一実施形態に係る炉内状態量推定方法は、
炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習により作成された推定モデルを取得する推定モデル取得ステップと、
前記画像情報であって前記推定モデルへの入力となる入力画像情報を取得する入力画像情報取得ステップと、
前記入力画像情報で示される燃焼状態に応じた推定状態量を、前記推定モデルを用いて算出する推定状態量算出ステップと、を備える。

上記（１９）の構成によれば、上記（１）と同様の効果を奏する。

（２０）本発明の少なくとも一実施形態に係る推定モデル作成方法は、
炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習を行い、前記炉内を撮像した入力画像情報から推定状態量を推定する推定モデルを作成する推定モデル作成ステップを備える。

上記（２０）の構成によれば、上記（９）と同様の効果を奏する。

本発明の少なくとも一実施形態によれば、炉内の燃焼状態を判定可能な状態量を炉内の画像情報に基づいて迅速かつ精度良く推定する炉内状態量推定装置が提供される。

本発明の一実施形態に係る炉内状態量推定装置が設置された燃焼炉の構成を概略的に示す図である。 本発明の一実施形態に係る炉内状態量推定装置の機能を示すブロック図である。 本発明の一実施形態に係る炉内状態量推定方法を示すフロー図である。 本発明の一実施形態に係る推定モデル作成ステップ（Ｓ１）を示すフロー図である。 本発明の一実施形態に係る再学習決定ステップを示すフロー図である。

以下、添付図面を参照して本発明の幾つかの実施形態について説明する。ただし、実施形態として記載されている又は図面に示されている構成部品の寸法、材質、形状、その相対的配置等は、本発明の範囲をこれに限定する趣旨ではなく、単なる説明例にすぎない。
例えば、「ある方向に」、「ある方向に沿って」、「平行」、「直交」、「中心」、「同心」或いは「同軸」等の相対的或いは絶対的な配置を表す表現は、厳密にそのような配置を表すのみならず、公差、若しくは、同じ機能が得られる程度の角度や距離をもって相対的に変位している状態も表すものとする。
例えば、「同一」、「等しい」及び「均質」等の物事が等しい状態であることを表す表現は、厳密に等しい状態を表すのみならず、公差、若しくは、同じ機能が得られる程度の差が存在している状態も表すものとする。
例えば、四角形状や円筒形状等の形状を表す表現は、幾何学的に厳密な意味での四角形状や円筒形状等の形状を表すのみならず、同じ効果が得られる範囲で、凹凸部や面取り部等を含む形状も表すものとする。
一方、一の構成要素を「備える」、「具える」、「具備する」、「含む」、又は、「有する」という表現は、他の構成要素の存在を除外する排他的な表現ではない。

図１は、本発明の一実施形態に係る炉内状態量推定装置１が設置された燃焼炉７の構成を概略的に示す図である。図１に示す実施形態の燃焼炉７は、都市ゴミ又は産業廃棄物等を燃料Ｆｇとするストーカ式のごみ焼却炉であり、炉内状態量推定装置１はごみ焼却炉における、例えば灰中未燃分、ＮＯｘ濃度、ＣＯ濃度などの状態量Ｓを推定する。以下、ごみを燃焼する燃焼領域８（燃焼室）を備えるごみ焼却炉を燃焼炉７の例に本発明を説明するが、本実施形態に本発明は限定されない。他の幾つかの実施形態では、炉内状態量推定装置１は、ボイラ、ＩＧＣＣにおける石炭をガス化するガス化炉などの燃料Ｆｇを燃焼させる燃焼室を備える燃焼炉７における燃焼状態に応じて変化する状態量Ｓを推定するように構成されても良い。ごみ焼却炉や、ボイラ、ガス火炉などは後述する上部７ｃおよび側壁部７ｓを有する点で共通しており、燃焼炉７がボイラやガス火炉の場合には、以下に記載された燃焼炉７をボイラやガス化炉に適宜読み替えるものとする。

図１に示すごみ焼却炉について説明すると、燃焼炉７において、燃料Ｆｇは燃料供給口７１から燃料押込装置７２により炉内に押し込まれた後、燃焼領域８にある火格子７３（ストーカ）上で乾燥、燃焼、おき燃焼され灰（燃焼灰）となり、灰は灰排出口７４より炉外に排出される。また、燃焼炉７は、その炉内において、火格子７３上において燃料Ｆｇが火炎を上げて盛んに燃える主燃焼領域８１ａ及びおき燃焼するおき燃焼領域８２ｂからなる一次燃焼領域８１と、火格子７３の上方における未燃分の燃料を燃焼させる二次燃焼領域８２とで構成される燃焼領域８を有する。燃料Ｆｇの燃焼用気体Ｇは気体供給管７７を通って炉内に供給されるが、ブロワーなどの気体供給装置７６から第１気体流量調節弁７８ａを介して火格子７３の下部から一次燃焼領域８１に供給されるか、又は気体供給装置７６から第２気体流量調節弁７８ｂを介して燃焼炉７の側部から二次燃焼領域８２に供給される。燃焼用気体Ｇの代表例は空気であるが可燃性気体であれば良いし、例えば一次燃焼領域８１より排出されるＥＧＲガス（燃焼排ガス）と所定の混合比で混合することにより燃焼用気体Ｇを生成しても良い。一方、燃料Ｆｇが燃焼して生成される排ガスＥは、排ガス通路９１を通って排ガス処理装置９２を経て煙突９３から排出される。

また、図１に示すように、燃焼炉７には、炉内を撮像するための撮像装置６が設置される。撮像装置６は、例えば動画像または静止画像の少なくとも一方が撮像可能な炉内カメラである。より具体的には、撮像装置６は、例えば、デジタルカメラ、ビデオカメラ、特定の波長を検知可能な赤外線カメラなどのカメラであっても良い。図１に示す実施形態では、撮像装置６は、一次燃焼領域８１の上方（図１では直上部）に位置する燃焼炉７の上部７ｃに設置されており、燃焼状態を真上から撮像するように構成されている。ただし、本実施形態に本発明は限定されず、他の幾つかの実施形態では、撮像装置６は燃焼炉７の側壁部７ｓなど、燃焼炉７の上部７ｃ以外の位置に設置されても良い。例えば、側壁部７ｓにおける二次燃焼領域８２を形成する部分や、そのさらに上の部分（上部７ｃにより近い部分）に撮像装置６を設置すると共に、一次燃焼領域８１が位置する下方を撮像するように斜め下に向けて設置されても良い。こうして撮像装置６によって撮像された燃料Ｆｇの燃焼時の炉内の画像Ｖ（燃焼画像）は、撮像装置６に接続される記憶装置に記憶（蓄積）される。図１に示す実施形態では、炉内状態量推定装置１の記憶装置１ｍに記憶されるように構成されているが、他の幾つかの実施形態では、例えば、後述する推定モデル作成装置２ｂが備える記憶装置や、その他の装置の記憶装置など、炉内状態量推定装置１とは別体の記憶装置に記憶されても良い。

次に、炉内状態量推定装置１について図２を用いて説明する。図２は、本発明の一実施形態に係る炉内状態量推定装置１の機能を示すブロック図である。図２に示すように、炉内状態量推定装置１は、推定モデル取得部３と、入力画像情報取得部４と、推定状態量算出部５と、を備える。図２に示す実施形態では、炉内状態量推定装置１は、推定モデル作成部２をさらに備えており、推定モデル作成部２によって作成された推定モデルＭを用いて、上記の機能部（３〜５）による状態量Ｓの推定を行うように構成されている。
上記の機能部について、それぞれ説明する。

なお、炉内状態量推定装置１はコンピュータで構成されており、図示しないＣＰＵ（プロセッサ）や、ＲＯＭやＲＡＭといったメモリや外部記憶装置などとなる記憶装置１ｍを備えている。そして、メモリ（主記憶装置）にロードされたプログラム（炉内状態量推定プログラム、推定モデル作成プログラム）の命令に従ってＣＰＵが動作（データの演算など）することで、炉内状態量推定装置１が備える上記の各機能部などを実現する。換言すれば、上記のプログラムは、コンピュータに上記の各機能部を実現させるためのソフトウェアである。

推定モデル作成部２は、燃焼炉７の炉内を撮像した画像Ｖ（以下、単に、画像Ｖという。）に基づいて得られる画像情報Ｉであって過去の画像Ｖに基づいて得られる過去画像情報Ｉｐと、過去画像情報Ｉｐで示される燃焼状態に応じた状態量Ｓとが対応付けられた学習データＤの機械学習を行い、推定モデルＭを作成する。学習データＤは、過去の画像Ｖに基づいて得られる過去画像情報Ｉｐ（画像情報Ｉ）と、この過去の画像Ｖが撮像された際の状態量Ｓの計測値Ｓｒまたは推定値とを対応付けたデータ（学習構成データ）の複数で構成される。画像情報Ｉは、炉内を撮像した画像Ｖそのものであっても良いし、後述するように、画像Ｖから抽出可能な特徴量Ｆであっても良い。また、画像Ｖは、静止画像であっても良いし、動画像を構成するフレーム（画像）であっても良い。そして、推定モデル作成部２は、周知な機械学習の手法（アルゴリズム）の少なくとも１つを用いて、学習データＤの機械学習を実行することにより、画像情報Ｉから状態量Ｓを算出するための推定モデルＭを作成し、作成した推定モデルＭを外部記憶装置などの記憶装置１ｍに記憶する。

図２に示す実施形態では、過去の画像Ｖの撮像タイミングと同期をとって灰中未燃分をサンプリングしたり、ＮＯｘ濃度やＣＯ濃度などをセンサで計測することにより状態量Ｓを取得すると共に、その過去の画像Ｖに基づいて得られる過去画像情報Ｉｐに取得した状態量Ｓを対応付けることによって、各学習構成データを作成している。なお、灰中未燃分の値は燃焼効率の指標となるものであり、炉出口でサンプリングした灰を分析計で加熱し、その際の重量変化を計測する手法（ＪＩＳ Ｍ ８８１５）により求めることが可能である。推定モデルＭの作成の詳細については後述する。

そして、次に説明する推定モデル取得部３、入力画像情報取得部４、および、推定状態量算出部５は、推定モデル作成部２によって作成された推定モデルＭに対して、状態量Ｓの推定値（推定状態量Ｓｅ）を求めたい画像情報Ｉ（後述する入力画像情報Ｉｔ）を入力することにより、入力画像情報Ｉｔに応じた状態量Ｓを推定するように構成されている。

推定モデル取得部３、推定モデル作成部２によって作成された推定モデルＭを取得する。図２に示す実施形態では、推定モデル取得部３は、外部記憶装置に記憶された推定モデルＭを、ＲＡＭなどのメモリに読み込むことにより、推定モデルＭを取得する。ただし、本実施形態に本発明は限定されない。他の幾つかの実施形態では、炉内状態量推定装置１とは別体の推定モデル作成装置２ｂが推定モデル作成部２（推定モデル作成プログラム）を備えていても良い。この場合、炉内状態量推定装置１の推定モデル取得部３は、推定モデル作成装置２ｂによって作成された推定モデルＭを、例えば通信ネットワークや、ＵＳＢメモリなどの持ち運び可能な記憶媒体を介して取得しても良い。

入力画像情報取得部４は、上述した画像情報Ｉであって推定モデルＭへの入力となる入力画像情報Ｉｔを取得する。入力画像情報Ｉｔは、過去画像情報Ｉｐと同種の情報である必要がある。図２に示す実施形態では、入力画像情報取得部４は、燃焼炉７に設置された撮像装置６に接続されており、撮像装置６によって撮像された画像Ｖがリアルタイムに入力されるようになっている。また、入力画像情報取得部４は、画像Ｖから後述する特徴量Ｆ（後述）を抽出するようになっている。

推定状態量算出部５は、入力画像情報取得部４によって取得された入力画像情報Ｉｔで示される燃焼状態に応じた推定状態量Ｓｅを、推定モデルＭを用いて算出する。換言すれば、入力画像情報Ｉｔを推定モデルＭに従って演算し、その結果として推定状態量Ｓｅを出力する。図２に示す実施形態では、ディスプレイなどの表示装置に表示するようになっている。この際、今回算出した推定状態量Ｓｅに加えて、記憶装置１ｍなどに記憶されている過去に算出した１以上の推定状態量Ｓｅを含めて一緒に表示しても良く、推定状態量Ｓｅの時間的な推移を示すことが可能になる。これによって、燃焼炉７の運転員などは、ディスプレイに表示された推定状態量Ｓｅを確認することにより、画像情報Ｉで示される燃焼状態に応じた状態量Ｓを定量的に把握することができる。

上記の構成によれば、炉内の燃焼状態に応じて、例えば灰中未燃分や、ＮＯｘ濃度、ＣＯ濃度などの状態量Ｓは変化するが、炉内の燃焼時の画像情報Ｉと、その画像情報Ｉが撮像された際の状態量Ｓ（計測値Ｓｒや推定値など）とが対応付けられた学習データＤの機械学習により作成された推定モデルＭを用いて、燃焼時の炉内を撮像した画像情報Ｉから、その燃焼状態で生じる状態量Ｓ（推定状態量Ｓｅ）を推定する。これによって、炉内の画像情報Ｉから状態量Ｓを迅速かつ精度良く推定することができる。

次に、推定モデル作成部２に関する幾つかの実施形態について説明する。
幾つかの実施形態では、図２に示すように、推定モデル作成部２は、特徴量抽出部２１と、学習データ生成部２３と、機械学習実行部２４と、を備える。上記の機能部について、それぞれ説明する。

特徴量抽出部２１は、過去の画像Ｖから少なくとも１つの特徴量Ｆを抽出する。特徴量Ｆは、画像Ｖの特徴を捉えることが可能な指標である。換言すれば、特徴量Ｆは、他の画像Ｖとの違いを定量化することが可能な指標である。例えば、特徴量Ｆは、画像Ｖに現れたり画像Ｖに基づいて得られたりする形、大きさ、色、濃淡、輝度、温度（温度分布）、波長（波長分布）などの情報や、これらの情報の少なくとも一つの情報の変化量であっても良い。特徴量Ｆを上記の変化量などにする場合には、例えば立体高次局所自己相関特徴量（ＣＨＬＡＣ特徴量）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＡＥ（ＡｕｔｏＥｎｃｏｄｅｒ）により得られる特徴であっても良い。ＣＨＬＡＣ特徴量は、画像Ｖの全体に現れる時空間変動をコンパクトに表現できるという利点を有する。ＣＮＮは、畳み込み処理やプーリング処理、またＡＥでは、エンコード処理にて特徴を得ることで、画像Ｖの全体の特徴を効果的に縮小し取得することができる利点を有する。

図２に示す実施形態では、特徴量抽出部２１は、特徴量Ｆを、過去の画像Ｖから得られる輝度情報に基づいて抽出する。より具体的には、輝度情報に基づいて抽出される特徴量Ｆは、画像Ｖから得られる輝度の値（輝度値）そのものであっても良いし、輝度値の平均、ピークなどの統計値であっても良い。あるいは、上記の特徴量Ｆは、所定値以上の輝度を有する部分の面積、形、大きさのいずれかであっても良い。輝度値の変化量であっても良い。なお、輝度情報には、輝度値を変換することにより得られる温度や温度分布などの輝度値から変換可能な情報が含まれても良い。特徴量抽出部２１は、これらの特徴量Ｆのうちの１つまたは複数の特徴量Ｆを、過去の画像Ｖから抽出する。輝度情報は火炎そのものを検出することなく画像Ｖから得られる情報であり、例えば炉内の上部に撮像装置６を設置するなど火炎が排ガスＥで撮像されないような場合であっても画像情報Ｉを得ることができる。これによって、炉内を撮像するための撮像装置６（炉内カメラ）の設置を容易化することも可能となる。

学習データ生成部２３は、特徴量抽出部２１によって抽出された少なくとも１つの特徴量Ｆと状態量Ｓとを対応付けることにより学習データＤを生成する。つまり、複数の過去の画像Ｖからそれぞれ抽出される１または複数の特徴量Ｆが、各状態量Ｓに対応付けられる上述した過去画像情報Ｉｐに相当する。なお、学習データ生成部２３は、抽出した特徴量Ｆに対して、例えば平均値化処理などの任意の前処理を行い、前処理された特徴量Ｆと状態量Ｓとを対応付けても良い。

機械学習実行部２４は、学習データ生成部２３によって生成された学習データＤに基づいて機械学習を実行する。機械学習実行部２４は、ニューラルネットワーク、一般化線形モデルなどの周知な機械学習の手法（アルゴリズム）のいずれかで機械学習を行えば良い。

上記の構成によれば、過去の画像Ｖの特徴量Ｆと状態量Ｓとが対応づけられた学習データＤを作成し、この学習データＤを用いて機械学習を行う。このように、特徴量Ｆと状態量Ｓとの関係に着目して機械学習を行うことにより、推定精度の高い推定モデルＭを作成することができる。

また、上述した特徴量抽出部２１が複数の特徴量Ｆを抽出する場合において、幾つかの実施形態では、図２に示すように、推定モデル作成部２は、特徴量抽出部２１によって抽出された複数の特徴量Ｆのうちから、状態量Ｓに対する貢献度Ｃに基づいてＮ個（Ｎは１以上の整数を示す。）の特徴量Ｆを選択する特徴量選択部２２を、さらに有していても良い。この場合には、上述した学習データ生成部２３は、特徴量選択部２２によって選択されたＮ個の特徴量Ｆと状態量Ｓとを対応付けることにより、学習データＤを生成する。図２に示す実施形態では、特徴量選択部２２は、予め設定されているＮの数に基づいて、貢献度Ｃが大きい上位Ｎ個を自動で選択する（絞り込む）。ただし、本実施形態に本発明は限定されない。他の幾つかの実施形態では、特徴量選択部２２が自動で選択した特徴量Ｆおよび貢献度Ｃが運転員などにわかるように表示した上で、チェックボックスのクリックなどによる運転員による選択操作（選択、選択解除）が可能であるように構成しても良い。この場合には、特徴量選択部２２は、運転員による選択操作の結果を受け付けることによって、特徴量Ｆの選択（取得）を行う。その他の幾つかの実施形態では、特徴量選択部２２は、特徴量Ｆおよびその貢献度Ｃの一覧を表示し、運転員が選択操作により選択したＮ個を受け付けることによって、特徴量Ｆの選択を行っても良い。

ここで、上記の貢献度Ｃは、状態量Ｓに対する相関の大小を示す指標を意味する。よって、貢献度Ｃが高い特徴量Ｆほど、その変化に応じて状態量Ｓがより大きく変化する。燃焼状態を示す画像Ｖ（特徴量Ｆ）の変化に応じて状態量Ｓも変化するものとすると、貢献度Ｃは、特徴量Ｆが、状態量Ｓの変化を捉えることができているかを示す指標ともいえる。よって、貢献度Ｃが高い特徴量Ｆほど、画像Ｖの違いを際立たせることになる。

幾つかの実施形態では、貢献度Ｃは、回帰分析における寄与率であっても良い。具体的には、１つの過去の画像Ｖから抽出される複数（ｎ個）の特徴量Ｆの各々に対して、それぞれ画像Ｖに対応する同一の状態量Ｓを対応付けることによって、特徴量Ｆだけが異なる複数（ｎ個）のデータセットを作成する（ｎ個のデータセットの集合＝｛（Ｆ_１、Ｓ_ａ）、（Ｆ_２、Ｓ_ａ）、・・・、（Ｆ_ｎ、Ｓ_ａ）｝。ｎは整数、Ｓ_ａは、灰中未燃分などの状態量Ｓの値）。これを、学習データＤを構成する複数の学習構成データについてそれぞれ求める。そして、複数の学習構成データから得られる、例えばＦ_１といった同一の特徴量Ｆを有する複数のデータセットからなる集合に対して回帰分析を実行し、特徴量Ｆから状態量Ｓを算出するための回帰式を求める。そして、上記のデータセットを用いて回帰式により算出される状態量Ｓの予測値の分散を実績値の分散で除算することで、回帰式の寄与率を算出しても良い。

他の実施形態では、複数の学習構成データから、１つの過去画像情報Ｉｐから抽出される複数の特徴量Ｆと状態量Ｓ（実績値）とからなるデータセットを求め、重回帰分析により、複数の特徴量Ｆから状態量Ｓを求める回帰式（Ｓ＝Σ（ｂ_ｉ×Ｆ_ｉ）＋ｃ）を求めると共に（ｉ＝１、２、３、・・・、ｎ。ｎは２以上の整数。）、回帰式中の係数（係数ｂ_ｉ）の大小に基づいて、例えば割合を算出するなどして、貢献度Ｃを算出しても良い。

上記の構成によれば、貢献度Ｃに基づいて特徴量Ｆを絞りこむことにより、推定モデルＭによる状態量Ｓの推定精度を向上させることができる。

ただし、上述した実施形態に本発明は限定されない。他の幾つかの実施形態では、炉内状態量推定装置１（推定モデル作成部２）は、特徴量抽出部２１、特徴量選択部２２、学習データ生成部２３を備えていなくても良い。この場合には、炉内状態量推定装置１に対して推定モデル作成部２が作成するような学習データＤが入力されると、機械学習実行部２４は、入力された学習データＤそのものを用いて、機械学習を実行する。この場合には、学習データＤは、炉内状態量推定装置１とは別体の他の装置によって作成されても良いし、人手で作成されても良い。

また、幾つかの実施形態では、推定モデル作成部２は、複数の機械学習の手法を用いて複数の推定モデルＭを作成する。周知な機械学習の手法（アルゴリズム）を任意に採用すれば良く、例えば、ニューラルネットワーク、一般化線形モデルなどの推定モデルＭをそれぞれ作成しても良い。

上記の構成によれば、複数の機械学習手法（アルゴリズム）に基づいてそれぞれ作成された複数の推定モデルＭの各々で状態量Ｓを推定することができる。例えば、複数の機械学習手法の各々による推定結果と学習データＤを構成する状態量Ｓ（計測値Ｓｒなど）とを比較することにより、複数の推定モデルＭのうちから推定精度の高い推定モデルＭを選択することができるようになり、学習データＤなどの条件（画像サイズ、学習データ数など）や燃焼炉７の種類などに適した推定モデルＭの選択を可能にすることができる。

次に、学習データＤの作成（学習データ生成部２３）に関する幾つかの実施形態について説明する。
上述した状態量Ｓが、炉内の燃焼時に生じる排ガスＥ、または、排ガスＥ中に含まれる燃焼灰などの排出物に関する状態量Ｓである場合において、幾つかの実施形態では、図２に示すように、上述した学習データ生成部２３は、上述した過去画像情報Ｉｐに対して、この過去画像情報Ｉｐの基になる画像Ｖが撮像された時から所定の時間経過後に状態量Ｓの計測地点で計測された計測値Ｓｒを対応付けることによって学習データＤを生成する。燃料Ｆｇの燃焼により生じる排ガスＥは、燃焼領域８から排ガス通路９１に向かって流れるが（図１参照）、画像Ｖで示される撮像地点（位置）から状態量Ｓの計測地点までに距離が有る場合には、画像Ｖで示される燃焼状態で生じた排ガスＥが状態量Ｓの計測地点まで到達するまでにタイムラグ（所定時間）が存在する。このため、このタイムラグを考慮して、画像Ｖと状態量Ｓの計測値Ｓｒとを対応付けるようにする。なお、例えば、ごみ焼却炉でのタイムラグは、微粉炭炊きのボイラなど燃料Ｆｇを細かく粉砕して燃焼させる場合と比べると、長くなる。

例えば、学習データ生成部２３は、画像Ｖの撮像タイミングから所定の時間経過後にＮＯｘ濃度やＣＯ濃度などの状態量Ｓを計測するように制御して、画像Ｖと状態量Ｓの計測値Ｓｒとを対応付けても良い。灰中未燃分の場合には、画像Ｖの撮像タイミングから所定の時間経過後にサンプリングを行った後、画像Ｖとサンプルプの分析結果（計測値Ｓｒ）とを対応付けても良い。あるいは、既に保存されている画像Ｖの集合および状態量Ｓの計測値Ｓｒの集合から、画像Ｖの撮像時刻および状態量Ｓの各々の計測時刻などのタイム情報を参照し、画像Ｖの撮像時刻から、予め調べられている所定時間経過後の時刻に一致するような計測時刻を有する計測値Ｓｒを検索して、両者を対応付けても良い。

上記の構成によれば、学習データＤは、過去画像情報Ｉｐによって示される燃焼状態で生じた排ガスＥが状態量Ｓの計測地点に到達するまでのタイムラグを考慮して作成される。このようなタイムラグは燃焼炉の種類や計測地点の位置によって無視できないほど異なる場合があり、タイムラグを考慮して学習データＤを作成することにより、推定精度の高い推定モデルＭを作成することができる。

また、幾つかの実施形態では、上述した学習データ生成部２３は、予め設定されている学習データＤの作成に関するパラメータに従って、学習データＤを作成しても良い。具体的には、パラメータは、画質を左右するピクセル数（画像サイズ）、学習データＤに含めるべき学習構成データの数、画像Ｖに対する前処理の内容などの少なくとも１つであっても良い。パラメータを調整することで、推定モデルＭによる推定精度を適切に設定することが可能となる。

その他、幾つかの実施形態では、図２に示すように、炉内状態量推定装置１は、推定状態量Ｓｅと、状態量Ｓの計測値Ｓｒとの差異が所定の閾値を超えた場合に、再学習による推定モデルＭの再作成を決定する再学習決定部１３を、さらに備える。再学習の決定に用いられる状態量Ｓの計測値Ｓｒは、例えば炉内状態量推定装置１の推定間隔よりも長い定期的なタイミングなどの任意のタイミングで計測される。そして、炉内状態量推定装置１に状態量Ｓの計測値Ｓｒが入力されると、再学習決定部１３は、推定状態量Ｓｅと状態量Ｓの計測値Ｓｒとの差異を算出すると共に、閾値に基づいて、再学習の必要性を判定する。例えば、上記の差異は、推定状態量Ｓｅと状態量Ｓの計測値Ｓｒとを除算した結果の絶対値であっても良い。なお、差異が算出できれば、演算方法は問わない。図２に示す実施形態では、再学習を決定した場合には推定モデル作成部２にその旨を通知するようになっており、推定モデル作成部２は、この通知を契機に、推定モデルＭの再作成を行う。

上記の構成によれば、推定精度の低下が認められた場合には、再学習による推定モデルＭの再作成が必要と判定される。この判定に応じて、再学習により新たに推定モデルＭを作成し、新たな推定モデルＭを再取得するようにすれば、適切な推定精度による推定を継続することが可能となる。よって、燃焼炉の運転環境の変化などに追従しつつ、入力画像情報Ｉｔから状態量Ｓを精度良く推定することができる。

以下、上述した炉内状態量推定装置１（炉内状態量推定プログラム）が実行する処理に対応した炉内状態量推定方法について、図３〜図５を用いて説明する。図３は、本発明の一実施形態に係る炉内状態量推定方法を示すフロー図である。図４は、本発明の一実施形態に係る推定モデル作成ステップ（Ｓ１）を示すフロー図である。また、図５は、本発明の一実施形態に係る再学習決定ステップを示すフロー図である。炉内状態量推定プログラムは、コンピュータに下記の各ステップを実行させる。

幾つかの実施形態では、図３に示すように、炉内状態量推定方法は、推定モデル取得ステップ（Ｓ２）と、入力画像情報取得ステップ（Ｓ３）と、推定状態量算出ステップ（Ｓ４）と、を備える。本実施形態において、幾つかの実施形態では、図３に示すように、炉内状態量推定方法は、上記の推定モデル取得ステップ（Ｓ２）の前に実行される推定モデル作成ステップ（Ｓ１）を、さらに備える。
図３に示す炉内状態量推定方法を、図３のステップ順に説明する。

図３のステップＳ１において、推定モデル作成ステップを実行する。推定モデル作成ステップは、上述した学習データＤの機械学習を行い、上述した推定モデルＭを作成するステップである。推定モデル作成ステップは、上述した推定モデル作成部２が実行する処理内容と同じである。詳細については、後述する。なお、推定モデル作成ステップは、炉内状態量推定プログラムとは別のプログラム（推定モデル作成プログラム）がコンピュータに実行させても良い。

ステップＳ２において、推定モデル取得ステップを実行する。推定モデル取得ステップは、上述した推定モデルＭを取得するステップである。推定モデル取得ステップは、上述した推定モデル取得部３が実行する処理内容と同じであるため、詳細は省略する。

ステップＳ３において、入力画像情報取得ステップを実行する。入力画像情報取得ステップは、上述した入力画像情報Ｉｔを取得するステップである。入力画像情報取得ステップは、上述した入力画像情報取得部４が実行する処理内容と同じであるため、詳細は省略する。

ステップＳ４において、推定状態量算出ステップを実行する。推定状態量算出ステップは、上述した入力画像情報取得ステップ（Ｓ３）によって取得された入力画像情報Ｉｔで示される燃焼状態に応じた推定状態量Ｓｅを、推定モデル取得ステップ（Ｓ２）によって取得された推定モデルＭを用いて算出するステップである。推定状態量算出ステップは、上述した推定状態量算出部５が実行する処理内容と同じであるため、詳細は省略する。

上記の構成によれば、炉内の画像情報Ｉから状態量Ｓを迅速かつ精度良く推定することができる。

幾つかの実施形態では、図４に示すように、推定モデル作成ステップ（Ｓ１）は、特徴量抽出ステップ（Ｓ１１）と、学習データ生成ステップ（Ｓ１３）と、機械学習実行ステップ（Ｓ１４）と、を有する。本実施形態において、幾つかの実施形態では、図４に示すように、推定モデル作成ステップ（Ｓ１）は、これらの特徴量抽出ステップ（Ｓ１１）と、学習データ生成ステップ（Ｓ１３）との間において実行される特徴量選択ステップ（Ｓ１２）を、さらに有している。
図４に示す推定モデル作成ステップ（Ｓ１）を、図４のステップ順に説明する。

図４のステップＳ１１において、特徴量抽出ステップを実行する。特徴量抽出ステップは、撮像装置６によって撮像された過去の画像Ｖから少なくとも１つの特徴量Ｆを抽出するステップである。特徴量抽出ステップは、上述した特徴量抽出部２１が実行する処理内容と同じであるため、詳細は省略する。

図４のステップＳ１２において、特徴量選択ステップを実行する。特徴量選択ステップは、上記の特徴量抽出ステップ（Ｓ１１）によって複数の特徴量Ｆを抽出した場合に、前記複数の特徴量のうちから、状態量Ｓに対する貢献度に基づいてＮ個（Ｎは１以上の整数を示す。）の特徴量Ｆを選択するステップである。特徴量選択ステップ（Ｓ１２）は、上述した特徴量選択部２２が実行する処理内容と同じであるため、詳細は省略する。

図４のステップＳ１３において、学習データ生成ステップを実行する。学習データ生成ステップは、上述した過去画像情報Ｉｐである少なくとも１つの特徴量Ｆと状態量Ｓとを対応付けることにより学習データＤを生成するステップである。学習データ生成ステップは、上述した学習データ生成部２３が実行する処理内容と同じであるため、詳細は省略する。

ステップＳ１４において、機械学習実行ステップを実行する。機械学習実行ステップは、上記の学習データ生成ステップ（Ｓ１３）によって生成された学習データＤの機械学習を実行するステップである。機械学習実行ステップは、上述した機械学習実行部２４が実行する処理内容と同じであるため、詳細は省略する。

上記の構成によれば、特徴量Ｆと状態量Ｓとの関係に着目して機械学習を行うことにより、推定精度の高い推定モデルＭを作成することができる。

また、幾つかの実施形態では、図５に示すように、炉内状態量推定方法は、再学習決定ステップ（Ｓ５１〜Ｓ５５）を、さらに備える。再学習決定ステップ（Ｓ５１〜Ｓ５５）は、上述した再学習決定部１３が実行する処理内容と同じである。図５に示す実施形態では、ステップＳ５１において、任意のタイミングで計測することにより状態量Ｓの計測値Ｓｒを取得する。ステップＳ５２において、推定状態量算出ステップ（Ｓ４）を経て算出した推定状態量Ｓｅを取得する。ステップＳ５３において、状態量Ｓの計測値Ｓｒから推定状態量Ｓｅを除算するなどして差分（差異）を算出する。そして、ステップＳ５４で、上記の差分が所定の閾値を超えると判定した場合にはステップＳ５５で再学習を決定する。逆に、上記の差分が所定の閾値以下であると判定した場合には、再学習を決定することなく、再学習決定ステップを終了する。

本発明は上述した実施形態に限定されることはなく、上述した実施形態に変形を加えた形態や、これらの形態を適宜組み合わせた形態も含む。

１ 炉内状態量推定装置
１ｍ 記憶装置
１３ 再学習決定部
２ 推定モデル作成部
２１ 特徴量抽出部
２２ 特徴量選択部
２３ 学習データ生成部
２４ 機械学習実行部
２ｂ 推定モデル作成装置
３ 推定モデル取得部
４ 入力画像情報取得部
５ 推定状態量算出部
６ 撮像装置
７ 燃焼炉
７ｃ 燃焼炉の上部
７ｓ 燃焼炉の側壁部
７１ 燃料供給口
７２ 燃料押込装置
７３ 火格子（ストーカ）
７４ 灰排出口
７６ 気体供給装置
７７ 気体供給管
７８ａ 第１気体流量調節弁
７８ｂ 第２気体流量調節弁
８ 燃焼領域
８１ 一次燃焼領域
８１ａ 主燃焼領域
８２ｂ おき燃焼領域
８２ 二次燃焼領域
９１ 排ガス通路
９２ 排ガス処理装置
９３ 煙突
Ｆｇ 燃料
Ｇ 燃焼用気体
Ｅ 排ガス
Ｓ 状態量
Ｓｒ 状態量の計測値
Ｄ 学習データ
Ｖ 画像
Ｉ 画像情報
Ｉｐ 過去画像情報
Ｉｔ 入力画像情報
Ｍ 推定モデル
Ｓｅ 推定状態量
Ｆ 特徴量
Ｃ 貢献度
ａ_ｉ 係数
ｂ_ｉ 係数

Claims (14)

1. 炉内を撮像した画像から特徴量を抽出する特徴量抽出部と、
   抽出された前記特徴量のうちから、１以上の前記特徴量を選択する特徴量選択部と、
   前記画像で示される燃焼状態に応じた前記炉の状態量と、選択された前記特徴量とを対応付けることにより学習データを生成する学習データ生成部と、
   前記学習データを用いて前記炉内の画像から燃焼状態を推定する推定モデルを作成する推定モデル作成部と、
   炉内を撮像した前記画像を取得すると、取得された前記画像に示される燃焼状態に応じた前記状態量を、前記推定モデルを用いて推定する推定状態量算出部と、
   を備え、
   前記特徴量は、推定対象となる前記状態量に対する貢献度を基に選択される、
   ことを特徴とする炉内状態量推定装置。
2. 前記推定モデル作成部は、前記学習データを用いて機械学習を行うことにより前記推定モデルを作成する、
   ことを特徴とする請求項１に記載の炉内状態量推定装置。
3. 前記貢献度は、前記状態量に対する相関の大小を示す指標である請求項１又は２に記載の炉内状態量推定装置。
4. 前記特徴量選択部は、
   前記特徴量の各々から前記状態量を算出する回帰式を算出し、
   算出された前記回帰式における前記特徴量の各々の寄与率を前記貢献度とする、
   請求項１乃至３のいずれか一項に記載の炉内状態量推定装置。
5. 前記特徴量抽出部は、前記特徴量を、過去の前記画像から得られる輝度情報に基づいて抽出することを特徴とする請求項１乃至４のいずれか一項に記載の炉内状態量推定装置。
6. 前記状態量は、前記炉内の燃焼時に生じる排ガスまたは排出物に関する状態量であり、
   前記学習データ生成部は、前記画像が撮像された時から所定の時間経過後に前記状態量の計測地点で計測された計測値を対応付けることによって前記学習データを生成することを特徴とする請求項１乃至５のいずれか１項に記載の炉内状態量推定装置。
7. 前記推定モデル作成部は、複数の機械学習の手法を用いて複数の前記推定モデルを作成することを特徴とする請求項１乃至６のいずれか１項に記載の炉内状態量推定装置。
8. 前記状態量の推定値と、前記状態量の計測値との差異が所定の閾値を超えた場合に、再学習による前記推定モデルの再作成を決定する再学習決定部を、さらに備えることを特徴とする請求項１乃至７のいずれか１項に記載の炉内状態量推定装置。
9. 炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習を行い、前記炉内を撮像した入力画像情報から推定状態量を推定する推定モデルを作成する推定モデル作成部を備え、
   前記過去画像情報は、前記過去の前記画像から抽出される特徴量のうち、推定対象となる前記状態量に対する貢献度を基に選択される１以上の特徴量である
   ことを特徴とする推定モデル作成装置。
10. コンピュータに、
    炉内を撮像した画像から特徴量を抽出する特徴量抽出ステップと、
    抽出された前記特徴量のうちから、１以上の前記特徴量を選択する特徴量選択ステップと、
    前記画像で示される燃焼状態に応じた前記炉の状態量と、選択された前記特徴量とを対応付けることにより学習データを生成する学習データ生成ステップと、
    前記学習データを用いて前記炉内の画像から燃焼状態を推定する推定モデルを作成する推定モデル作成ステップと、
    炉内を撮像した前記画像を取得すると、取得された前記画像に示される燃焼状態に応じた前記状態量を、前記推定モデルを用いて推定する推定状態量算出ステップと、
    を実行させるための炉内状態量推定プログラムであって、
    前記特徴量は、推定対象となる前記状態量に対する貢献度を基に選択される、ことを特徴とする炉内状態量推定プログラム。
11. 前記推定モデル作成ステップは、前記学習データを用いて機械学習を行うことにより前記推定モデルを作成する、
    ことを特徴とする請求項１０に記載の炉内状態量推定プログラム。
12. 炉内を撮像した画像から特徴量を抽出する特徴量抽出ステップと、
    抽出された前記特徴量のうちから、１以上の前記特徴量を選択する特徴量選択ステップと、
    前記画像で示される燃焼状態に応じた前記炉の状態量と、選択された前記特徴量とを対応付けることにより学習データを生成する学習データ生成ステップと、
    前記学習データを用いて前記炉内の画像から燃焼状態を推定する推定モデルを作成する推定モデル作成ステップと、
    炉内を撮像した前記画像を取得すると、取得された前記画像に示される燃焼状態に応じた前記状態量を、前記推定モデルを用いて推定する推定状態量算出ステップと、
    を備え、
    前記特徴量は、推定対象となる前記状態量に対する貢献度を基に選択される、
    ことを特徴とする炉内状態量推定方法。
13. 前記推定モデル作成ステップは、前記学習データを用いて機械学習を行うことにより前記推定モデルを作成する、
    ことを特徴とする請求項１２に記載の炉内状態量推定方法。
14. 炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量の計測値とが対応付けられた学習データの機械学習を行い、前記炉内を撮像した入力画像情報から推定状態量を推定する推定モデルを作成する推定モデル作成部を備え、
    前記学習データは、前記過去画像情報と、該過去画像情報の撮像位置と前記状態量の計測位置に応じて設定される所定時間だけ前記過去画像情報の撮像タイミングより遅れた計測タイミングにて計測された前記状態量の前記計測値とが対応付けられた
    推定モデル作成装置。
    

Images