JP7025676B1 - 汚れ測定システム、及び汚れ測定方法 - Google Patents

Abstract

【課題】測定対象の被測定面の汚れを効率的に測定する。【解決手段】測定対象の被測定面の汚れレベルを測定する汚れ測定システムは、撮像部と、検査装置と、汚れ測定装置と、を備える。撮像部は、測定対象の被測定面を撮像する。検査装置は、被測定面上に載置されて被測定面の汚れ度合いを検査する。汚れ測定装置は、撮像部の撮像データと前記検査装置の検査結果とを用いて被測定面の汚れレベルを決定する。【選択図】図１

Description

本発明は、汚れ測定システム、及び汚れ測定方法に関する。

太陽光発電モジュールでは、入射光が受光面で乱反射する又は遮断されることなく太陽電池セルに到達することが重要である。受光面における入射光の乱反射又は遮断の要因としては、塵埃、塩分、油分、大気汚染物質、草木種などの付着による受光面の汚れが考えられる。受光面の汚れにより、太陽電池セルに到達する光量は減少し、太陽光発電モジュールの発電電力は減少する。低下した発電電力の回復には、受光面の洗浄が有効と考えられる。但し、太陽光発電モジュールは洗浄する必要がないといった意見、太陽光発電モジュールは洗浄するものではないとの意見などがある。対して、本発明者らが鋭意検討を重ねた結果、受光面の洗浄により、発電電力の低減が解消又は軽減できることが分かった。

現状では、太陽光発電モジュールの所有者の依頼があれば、受光面の洗浄が実施される。或いは、受光面の洗浄時期は、太陽光発電モジュールの管理者の実務経験又は慣例によって決定される。そこで、特許文献１では、測定対象である太陽光発電モジュールの受光面に汚れ検査装置を載置し、被測定面である受光面の汚れ度合いを検査して数値化している。そして、所定期間の前後における汚れ度合いの増加量から受光面の洗浄時期を決定している。

特許第６６９５５８１号公報

ところで、近年では、たとえば１ＭＷ以上の大容量電力が出力されるメガソーラー施設が多く設置されている。たとえば、メガソーラー施設のような大規模な太陽光発電所では、広大な土地に多数の太陽光発電モジュールが設置される。従って、これらの太陽光発電モジュールの洗浄時期を決定するためには、太陽光発電モジュールの受光面の汚れをさらに効率良く測定する手法の開発が望まれていた。

上記の状況を鑑みて、本発明は、測定対象の被測定面の汚れを効率的に測定することを目的とする。

上記目的を達成するために本発明の一の態様による汚れ測定システムは、撮像部と、検査装置と、汚れ測定装置と、を備える。前記撮像部は、測定対象の被測定面を撮像する。前記検査装置は、前記被測定面上に載置されて、前記被測定面の汚れ度合いを検査する。前記汚れ測定装置は、前記撮像部の撮像データと前記検査装置の検査結果とを用いて前記被測定面の汚れレベルを決定する。

上記目的を達成するために本発明の一の態様による汚れ測定方法は、撮像部によって測定対象の被測定面が撮像されるステップと、前記被測定面上に載置される検査装置によって前記被測定面の汚れ度合いが検査されるステップと、前記撮像部の撮像データと前記検査装置の検査結果とを用いて前記被測定面の汚れレベルが決定されるステップと、を備える。

上記の汚れ測定システム、及び汚れ測定方法の更なる特徴や利点は、以下に示す実施形態によって一層明らかにされる。

本発明によると、測定対象の被測定面の汚れを効率的に測定することができる。

汚れ測定システムの構成例を示す概念図である。 第１飛行体１の飛行経路を示す図である。 第１飛行体の構成例を示すブロック図である。 汚れ検査装置の構成例を示すブロック図である。 第２飛行体の構成例を示すブロック図である。 管理装置の構成例を示すブロック図である。 抽出されたフレーム画像の一例である。 受光面の角部の位置の検出例である。 背景除去されたフレーム画像の一例である。 投影変換された測定画像の一例である。 受光面の角部の位置を検出する検出器の学習方法を説明するためのフローチャートである。 汚れレベルを決定する分類器の学習方法を説明するためのフローチャートである。 汚れ測定システムにおける受光面の汚れレベル決定方法及び洗浄方法を説明するためのフローチャートである。 汚れ検査装置を用いた汚れ度合いの検査方法の一例を示す模式図である。 汚れ検査装置を用いた汚れ度合いの検査方法の一例を説明するためのフローチャートである。 実施例における汚れ度合いの数値化の手法を説明するためのフローチャートである。 実施例における基準画像の色空間の一例である。 数値化用画像の色空間の一例である。 第１変形例における汚れ度合いの数値化の手法を説明するためのフローチャートである。 第１変形例における基準画像の色空間の一例である。 第２変形例における汚れ度合いの数値化の手法を説明するためのフローチャートである。 第３変形例における汚れ度合いの数値化の手法を説明するためのフローチャートである。 汚れ測定システムの他の構成例を示す概念図である。

以下に図面を参照して本発明の実施形態を説明する。

＜１．第１実施形態＞
図１は、汚れ測定システム１００の構成例を示す概念図である。汚れ測定システム１００は、測定対象の被測定面の汚れレベルを測定する。汚れ測定システム１００は、本実施形態では、複数の太陽光発電モジュール３００の受光面３０１の汚れレベルをそれぞれ測定する。つまり、本実施形態では、汚れ測定システム１００の測定対象は、たとえばメガソーラー発電所などに設置された太陽光発電モジュール３００である。また、汚れ測定システム１００により汚れレベルが測定される被測定面は、太陽光発電モジュール３００の受光面３０１である。汚れ測定システム１００は、たとえば経時的に、太陽光発電モジュールの受光面３０１の汚れレベルを測定することにより、受光面３０１の汚れ度合いを管理できる。

また、汚れ測定システム１００は、汚れレベルが閾値以上である太陽光発電モジュール３００を特定し、雨が降る前に、特定した太陽光発電モジュール３００の受光面３０１に洗浄剤３３０を散布する。そして、雨が降った時の雨粒により、受光面３０１の汚れを自然洗浄する。

なお、汚れ測定システム１００の測定対象は、太陽光発電モジュール３００に限定されない。つまり、汚れ測定システム１００は、太陽光発電モジュール３００の受光面３０１以外に、汚れが経時的に蓄積される被測定面の汚れレベルを測定してもよい。たとえば、被検査面は、テーブル又は机の天板の表面、車両のガラス表面、建築物の外壁の表面又は床面などであってもよい。

図１に示すように、汚れ測定システム１００は、撮像部１４を搭載する第１飛行体１と、汚れ検査装置２と、第２飛行体３と、管理装置４と、を備える。

第１飛行体１は、測定対象の上空を飛行する。第１飛行体１の撮像部１４は、測定対象の被測定面を撮像する。たとえば本実施形態では、第１飛行体１は、太陽光発電モジュール３００の上空を飛行して、その矩形の受光面３０１を撮像する。こうすれば、太陽光発電モジュール３００が複数あっても、それらの上空を飛行する第１飛行体１に搭載された撮像部１４によって、それらの受光面３０１を撮像できる。そして、その撮像データから受光面３０１の汚れレベルを決定できる。よって、汚れ測定システム１００は、太陽光発電モジュール３００の受光面３０１の汚れをより効率的に測定することができる。なお、第１飛行体１の撮像データは、動画像であってもよいし、静止画像であってもよい。第１飛行体１は、管理装置４からの遠隔操作による飛行指令に基づいて飛行可能である。或いは、第１飛行体１は、予め設定された飛行計画に基づく自動制御により自律的に飛行可能であってもよい。また、第１飛行体１は、ユーザの選択に応じて、手動運転可能である。

図２は、第１飛行体１の飛行経路ＦＲを示す図である。本実施形態では、第１飛行体１は、太陽光発電設備に配置された複数の太陽光発電モジュール３００の上空を飛行し、各々の太陽光発電モジュール３００の受光面３０１を撮像する。図２の太陽光発電設備では、３×３で二次元配置された９個の太陽光発電モジュール３００が、２×３で二次元配置されている。各々の太陽光発電モジュール３００には、識別番号が付けられている。また、各々の太陽光発電モジュール３００は、設置地点の位置情報により識別できる。この位置情報は、たとえば太陽光発電モジュール３００の所定部分（四隅又は中央部など）のＧＰＳ情報（たとえば緯度、経度、及び高度）であり、識別番号と紐づけられる。各々の太陽光発電モジュール３００の識別番号及び位置情報は、各々の太陽光発電モジュール３００の識別情報に含まれる。また、各々の太陽光発電モジュール３００には、個々の太陽光発電モジュール３００を識別するための識別用部材（不図示）が設けられてもよい。こうすれば、第１飛行体１が識別用部材とともに受光面３０１を撮像することにより、各々の太陽光発電モジュール３００を識別することができる。

なお、好ましくは、第１飛行体１の撮像部１４は、一日のうちの早朝及び夕方のうちの少なくとも一方において、受光面３０１を撮像する。及び／又は、好ましくは、第１飛行体１の撮像部１４は、曇天時における受光面３０１を撮像する。さらに好ましくは、受光面３０１に入射する太陽光の日射強度が０．１２［ｋｗ／ｍ²］未満であるとき、第１飛行体１は受光面３０１を撮像する。こうすれば、受光面３０１における太陽光の反射をより少なくすることができる。従って、第１飛行体１の撮像データのコントラストを高くでき、第１飛行体１は、汚れ度合いに応じた受光面３０１の色相、彩度、明度などの変化をより鮮明に撮像できる。よって、第１飛行体１の撮像データから受光面３０１の汚れをさらに精度良く測定することができる。

汚れ検査装置２は、被測定面上に載置されて、被測定面の汚れ度合いを検査する。たとえば本実施形態では、汚れ検査装置２は、太陽光発電モジュール３００の受光面３０１上に載置されて、受光面３０１の汚れ度合いを検査する。具体的には、汚れ検査装置２は、受光面３０１の後述する一部領域Ａｐの検査画像を撮像する。さらに、汚れ検査装置２は、検査画像に基づいて受光面３０１の後述する一部領域Ａｐの汚れ度合いの検査値を算出する。なお、この例示に限定されず、汚れ検査装置２は、各々の太陽光発電モジュール３００において受光面３０１全体の汚れ度合いを検査してもよい。検査画像に基づく汚れ度合いの検査値は、対応する受光面３０１を有する太陽光発電モジュール３００の識別番号と紐付けられて、有線又は無線の通信手段により管理装置４に送信される。或いは、検査値は、上述の識別番号と紐付けられて、手動で管理装置４に入力されてもよい。又は、検査画像が太陽光発電モジュール３００の識別番号と紐付けられて管理装置４に送信され、検査画像に基づく汚れ度合いの検査値が管理装置４で算出されてもよい。

第２飛行体３は、太陽光発電モジュール３００の上空を飛行して、受光面３０１に洗浄剤３３０を散布する。本実施形態では後述するように、受光面３０１の汚れレベルが閾値以上であれば、第２飛行体３は、太陽光発電モジュール３００の上空を飛行して、受光面３０１に洗浄剤３３０を散布する。なお、第２飛行体３は、本実施形態ではさらに、後述する汚れレベルが閾値以上の太陽光発電モジュール３００の受光面３０１のみに洗浄剤３３０を散布する。但し、この例示に限定されず、第２飛行体３は、全ての太陽光発電モジュール３００の受光面３０１に洗浄剤３３０を散布してもよい。第２飛行体３は、管理装置４からの遠隔操作による飛行指令に基づいて飛行可能である。或いは、第２飛行体３は、予め設定された飛行計画に基づく自動制御により自律的に飛行可能であってもよい。また、第２飛行体３は、ユーザの選択に応じて、手動運転可能である。

管理装置４は、第１飛行体１及び第２飛行体３を制御し、たとえば、自動運転プログラムに従って、これらを自動運転する。また、管理装置４は、第１飛行体１に搭載される撮像部１４の撮像データから被測定面の汚れレベルを決定する。たとえば本実施形態では、管理装置４は、撮像部１４が撮像した測定画像に基づく各々の太陽光発電モジュール３００の受光面３０１の汚れレベルを決定する。

詳細には、管理装置４は、撮像部１４の撮像データと汚れ検査装置２の検査結果とを用いて、受光面３０１の汚れレベルを決定する。こうすれば、汚れ検査装置２の検査結果を基準にして、撮像部１４の撮像データから受光面３０１の汚れレベルを決定できる。従って、汚れ検査装置２で受光面３０１の汚れ度合いを検査しておけば、以降は、撮像部１４の撮像データから受光面３０１の汚れレベルをその都度、決定できる。よって、汚れ測定システム１００は、太陽光発電モジュール３００の受光面３０１の汚れを効率的且つ精度良く測定することができる。

＜１－１．第１飛行体＞
次に、図１及び図３を参照して、第１飛行体１の構成例を説明する。図３は、第１飛行体１の構成例を示すブロック図である。

第１飛行体１は、図１に示すように、複数のローター１０を備えるマルチロータヘリコプターであり、小型無人飛行体（いわゆるドローン）である。本実施形態では、第１飛行体１は、機体（符号省略）の周囲に４つのローター１０が周方向において等間隔に配置される。ローター１０は、機体に対して回転可能である。ローター１０の回転によって、第１飛行体１は、揚力及び推力を得る。

また、第１飛行体１は、図３に示すように、駆動部１１と、無線通信部１２と、位置検出部１３と、撮像部１４と、メモリ１５と、制御部１６と、バッテリー１７と、をさらに有する。

駆動部１１は、ローター１０の駆動源であり、ローター１０を回転させるモーターなどを有する。

無線通信部１２は、管理装置４と無線で通信可能である。たとえば、無線通信部１２は、第１飛行体１の飛行指令及び撮像部１４の撮像指令などを管理装置４から受信し、第１飛行体１の位置情報及び撮像部１４の撮像データなどを管理装置４に送信する。

位置検出部１３は、第１飛行体１の現在位置を検出し、現在位置を示す位置情報を作成する。位置検出部１３は、たとえばＧＰＳ（Global Positioning System）受信器（図示省略）を有し、ＧＰＳ衛星からの電波を受信して、第１飛行体１の現在位置を検出する。現在位置は、緯度、経度、及び高度からなる空間座標で表される。位置情報は、無線通信部１２を介して管理装置４にリアルタイムで出力される。

撮像部１４は、第１飛行体１の下部に設けられ、管理装置４からの遠隔操作による撮像指令に基づいて第１飛行体１よりも鉛直下方を撮像可能である。或いは、第１飛行体１は、予め設定された撮像プログラムに基づく自動制御により自律的に撮像可能であってもよい。たとえば、撮像部１４は、第１飛行体１が太陽光発電モジュール３００の鉛直上方を飛行する際、太陽光発電モジュール３００の上面（つまり受光面３０１）を撮像する。撮像部１４の撮像データは、本実施形態のように動画像であってもよいし、静止画像であってもよい。撮像データは、第１飛行体１の位置情報及び撮像データの撮像日時などと紐付けられて管理装置４に送信される。なお、撮像データが動画像の場合、動画像の各々のフレーム画像が、そのフレーム画像が撮像された時点での第１飛行体１の位置情報及びフレーム画像の撮像日時などと紐付けられる。

本実施形態では、撮像部１４の光軸は、固定されている。たとえば、撮像部１４は、第１飛行体１の鉛直下方を撮像する。但し、この例示に限定されず、撮像部１４の光軸は、鉛直方向と斜めに交差してもよいし、可変であってもよい。たとえば、撮像部１４は、光軸のチルト機構を有してもよい。チルト機構は、管理装置４からの撮像指令、撮像プログラムなどに基づいて、光軸の向きを変更できる。

メモリ１５は、電力供給が停止しても記憶を維持する非一過性の記憶媒体である。メモリ１５は、たとえば、第１飛行体１の各々の構成部（特に制御部１６）で用いられるプログラム及び制御情報、撮像部１４が撮像した撮像データ、管理装置４から受信された情報（たとえば飛行指令、撮像指令）などを記憶する。また、メモリ１５は、自律運転時の飛行プログラム、撮像プログラムなどを記憶してもよい。

制御部１６は、第１飛行体１の各々の構成部を制御する。たとえば、制御部１６は、メモリ１５に記憶された飛行指令、又は飛行プログラムなどに基づいて駆動部１１を制御する。また、制御部１６は、メモリ１５に記憶された撮像指令、又は撮像プログラムなどに基づいて撮像部１４を制御する。

バッテリー１７は、第１飛行体１の電力源であり、本実施形態ではリチウムイオン電池などの二次電池である。バッテリー１７は、第１飛行体１の各々の構成部に電力を供給する。

＜１－２．汚れ検査装置＞
次に、図１及び図４を参照して、汚れ検査装置２の構成例を説明する。図４は、汚れ検査装置２の構成例を示すブロック図である。

汚れ検査装置２は、図１に示すように、受光面３０１上に載置されて、受光面３０１の汚れを検査する。汚れ検査装置２は、図４に示すように、ハウジング２１と、照明部２２と、照明駆動部２３と、カメラ２４と、メモリ２５と、制御部２６と、表示部２７１と、入力部２７２と、通信部２８と、バッテリー２９と、を備える。

ハウジング２１は、有蓋筒状であり、照明駆動部２３，カメラ２４，メモリ２５，制御部２６，通信部２８，及びバッテリー２９などを内部に収容する。ハウジング２１の蓋部分には、表示部２７１及び入力部２７２が配置される。ハウジング２１の筒部分には、外部電源端子２９１が配置される。また、ハウジング２１は、受光面３０１側の端部に開口２１１を有する。開口２１１の内縁には、照明部２２が配置される。

汚れ検査装置２が太陽光発電モジュール３００の受光面３０１上に載置される際、ハウジング２１は、受光面３０１の一部領域Ａｐを覆う。これにより、汚れ検査装置２は、外光に対して一部領域Ａｐを遮光した状態で検査できるので、検査結果のノイズを抑制できる。但し、この例示に限定されず、ハウジング２１は、受光面３０１全体を覆ってもよい。つまり、ハウジング２１は、受光面３０１の少なくとも一部領域Ａｐを覆うことができる。また、ハウジング２１は、本実施形態では樹脂製である。そのため、載置の際、ハウジング２１が受光面３０１に当たっても、受光面３０１を傷つけ難くなっている。

照明部２２は、受光面３０１の一部領域Ａｐに光を照射する。照明部２２は、リング状の基体２２１と、ＬＥＤアレイ２２２と、を有する。ＬＥＤアレイ１２２は、基体１２１の径方向内端部に設けられ、周方向に並ぶ複数の白色ＬＥＤ（符号省略）を有する。各々の白色ＬＥＤは、所定の放射角度を有して径方向内方に白色光を出射し、少なくとも一部の白色光を一部領域Ａｐに照射する。一部領域Ａｐは、後述するように、汚れ検査装置２が受光面３０１の汚れ度合いを測定するための領域であり、本実施形態では直径がφ５０［ｍｍ］～φ２００［ｍｍ］の領域である。

照明駆動部２３は、制御部２６から出力される制御信号に基づいて照明部２２を駆動し、特にＬＥＤアレイ２２２の発光を制御する。

カメラ２４は、受光面３０１のうちのハウジングで覆われた領域を撮像する。つまり、カメラ２４は、受光面３０１のうちの少なくとも一部領域Ａｐを撮像する撮像装置である。

メモリ２５は、電力供給が停止しても記憶を維持する非一過性の記憶媒体である。メモリ２５は、たとえば、汚れ検査装置２の各々の構成部（特に制御部２６）で用いられるプログラム及び制御情報、データなどを記憶する。また、メモリ２５は、たとえば、カメラ２４が撮像した検査画像なども記憶する。

制御部２６は、メモリ２５に記憶されたプログラム及び制御情報、データなどを用いて汚れ検査装置２の各構成部を制御する。制御部２６は、後述する基準画像及び検査画像に基づいて受光面３０１の一部領域Ａｐの汚れ度合いを数値化する。なお、汚れ度合いを測定する汚れ測定方法、及び、汚れ度合いの数値化の手法は後に説明する。

制御部２６は、汚れ算出部２６１を有する。汚れ算出部２６１は、カメラ２４により撮像された検査画像に基づいて、受光面３０１の汚れ度合いの検査値を算出する。なお、この例示に限定されず、検査値は、管理装置４で算出されてもよい。言い換えると、管理装置４が、汚れ算出部２６１を有していてもよい。つまり、汚れ検査装置２及び管理装置４のうちの一方が、検査画像に基づいて汚れ度合いの検査値を算出する汚れ算出部２６１を有していればよい。

汚れ算出部２６１は、たとえば、検査画像の各々の画素の色座標と、後述する基準色座標とに基づいて、検査値を算出する。本実施形態では、汚れ算出部２６１は、検査値を０～１００に数値化して示す。この測定値は、清浄な受光面３０１では１００であり、受光面３０１が汚れているほど小さくなる。これにより、太陽光発電モジュール３００の受光面３０１の汚れ度合いを検査して精度良く数値化することができる。検査画像は、汚れ検査装置２で汚れ度合いを検査する受光面３０１（の一部領域Ａｐ）をカメラ２４で撮像した画像である。基準色座標は、汚れ度合いを測定する際の基準となる色座標であり、本実施形態では汚れ検査装置２を用いて清浄な受光面３０１（の一部領域Ａｐ）を撮像した基準画像に基づいて決定される。検査画像及び基準画像は、受光面３０１の撮像領域がハウジング２１により覆われ且つ照明部２２から光が照射された状態で撮像される。基準画像及び検査画像の受光面３０１の撮像領域は、同じであってもよいし、異なっていてもよい。

表示部２７１は、ハウジング２１の上面に設けられたディスプレイ（図示省略）に汚れ度合いの検査値などを表示する。入力部２７２は、ユーザの操作入力を受け付ける。入力部２７２は、汚れ検査装置２の起動／停止を操作するための電源ＯＮ／ＯＦＦボタン（図示省略）、後述するティーチングの実施を入力するためのティーチング開始ボタン（図示省略）、及び、汚れ検査装置２の検査開始を入力するための検査開始ボタン（図示省略）などを含む。これらのボタンは、ハウジング２１の上面に設けられる。なお、表示部２７１及び入力部２７２は、本実施形態では別々に設けられているが、この例示に限定されず、タッチパネルなどの一体の装置であってもよい。

通信部２８は、管理装置４などの外部装置と無線又は有線で通信可能である。通信部２８は、たとえば、汚れ検査装置２の検査データ（検査画像及びその撮像日時、汚れ度合いの検査値など）を管理装置４に送信できる。

バッテリー２９は、汚れ検査装置２に内蔵される電源部であり、本実施形態ではリチウムイオン電池などの二次電池である。バッテリー２９は、放電して汚れ検査装置２の各構成部に電力を供給できる。また、バッテリー２９は、外部電源端子２９１を介して外部電源（図示省略）から供給される電力により充電できる。なお、外部電源端子２９１は、外部電源と電気的に接続可能であり、外部電源から出力される電力を汚れ検査装置２の各構成部に電力を供給できる。

＜１－３．第２飛行体＞
次に、図１及び図５を参照して、第２飛行体３の構成例を説明する。図５は、第２飛行体３の構成例を示すブロック図である。

第２飛行体３は、図１に示すように、複数のローター３０を備えるマルチロータヘリコプターであり、小型無人飛行体（いわゆるドローン）である。本実施形態では、第２飛行体３は、機体（符号省略）の周囲に８つのローター３０が周方向において等間隔に配置される。ローター３０は、機体に対して回転可能である。ローター３０の回転によって、第２飛行体３は、揚力及び推力を得る。

また、第２飛行体３は、駆動部３１と、無線通信部３２と、位置検出部３３と、タンク３３１と、散布器３３２と、メモリ３５と、制御部３６と、バッテリー３７と、をさらに有する。

駆動部３１は、ローター３０の駆動源であり、ローター３０を回転させるモーターなどを有する。

無線通信部３２は、管理装置４などと無線で通信可能である。たとえば、無線通信部３２は、第２飛行体３の飛行指令及び洗浄剤３３０の散布指令などを管理装置４から受信し、第２飛行体３の位置情報などを管理装置４に送信する。

位置検出部３３は、第２飛行体３の現在位置を検出し、現在位置を示す位置情報を作成する。位置検出部３３は、たとえばＧＰＳ受信器（図示省略）を有し、ＧＰＳ衛星からの電波を受信して、第２飛行体３の現在位置を検出する。現在位置は、緯度、経度、及び高度からなる空間座標で表される。位置情報は、無線通信部３２を介して管理装置４にリアルタイムで出力される。

タンク３３１は、洗浄剤３３０を収容する。洗浄剤３３０には、好ましくは、環境負荷の低いバイオ洗剤が用いられる。バイオ洗剤は、たとえば、バクテリア又は天然由来の成分を主原料とする洗浄剤である。なお、この例示は、バイオ洗剤以外が洗浄剤３３０に採用される構成を排除しない。

散布器３３２は、管理装置４からの遠隔操作による散布指令に応じて、第２飛行体３よりも鉛直下方に洗浄剤３３０を散布する。或いは、散布器３３２は、予め設定された散布プログラムに基づく自動制御により自律的に洗浄剤３３０を散布可能であってもよい。

本実施形態では、第２飛行体３は８つの散布器３３２を有し、各々の散布器３３２はタンク３３１の周囲において周方向に等間隔に配置される。このように配置することで、洗浄剤３３０の散布範囲をより広くすることができる。但し、この例示に限定されず、散布器３３２の数は、単数であってもよいし、８以外の複数であってもよい。

メモリ３５は、電力供給が停止しても記憶を維持する非一過性の記憶媒体である。メモリ３５は、たとえば、第２飛行体３の各々の構成部（特に制御部３６）で用いられるプログラム及び制御情報、管理装置４から受信する情報（たとえば飛行指令、撮像指令、散布指令）などを格納する。また、メモリ３５は、自律運転時の飛行プログラム、散布プログラムなどを記憶してもよい。

制御部３６は、第２飛行体３の各々の構成部を制御する。たとえば、制御部３６は、メモリ３５に記憶された飛行指令、又は飛行プログラムなどに基づいて駆動部３１を制御する。また、制御部３６は、管理装置４から受信又はメモリ３５に記憶された散布指令、若しくは散布プログラムなどに基づいて、散布器３３２から洗浄剤３３０を散布する。

バッテリー３７は、第２飛行体３の電力源であり、本実施形態では英リウムイオン電池などの二次電池である。バッテリー３７は、第２飛行体３の各々の構成部に電力を供給する。

＜１－４．管理装置＞
次に、図１及び図６を参照して、管理装置４の構成例を説明する。図６は、管理装置４の構成例を示すブロック図である。

管理装置４は、表示部４１と、操作部４２と、通信部４３と、ネットワーク接続部４４と、記憶部４５と、制御部４６と、を有する。

表示部４１は、たとえば、液晶ディスプレイである。操作部４２は、ユーザの操作入力を受け付ける。なお、表示部４１及び操作部４２は、個別の部材であってもよいし、タッチパネルなどのように一体の部材であってもよい。

通信部４３は、第１飛行体１及び第２飛行体３と無線で通信可能である。たとえば、通信部４３は、飛行指令、撮像指令、及び洗浄剤３３０の散布指令などを送信し、第１飛行体１及び第２飛行体３の位置情報などを受信する。また、通信部４３は、管理装置４と無線又は有線で通信可能である。通信部４３は、たとえば、汚れ検査装置２から検査データ（検査画像及びその撮像日時、汚れ度合いの検査値など）を受信できる。

ネットワーク接続部４４は、インターネットなどの外部の通信ネットワークと通信可能に接続される。

記憶部４５は、電力供給が停止しても記憶を維持する非一過性の記憶媒体である。記憶部４５は、たとえば、管理装置４の各々の構成部（特に制御部４６）で用いられるプログラム及び情報などを記憶する。また、記憶部４５は、各々の太陽光発電モジュール３００の識別情報、及び、第１飛行体１及び第２飛行体３の飛行プログラム及びその飛行制御に関する情報を記憶する。なお、飛行制御に関する情報は、測定対象（つまり複数の太陽光発電モジュール３００）が設置されたメガソーラー施設の地図情報を含む。また、記憶部４５は、第１飛行体１の撮像部１４での撮像を制御するための撮像プログラム及びその撮像に関する情報、第２飛行体３の散布器３３２による洗浄剤３３０の散布を制御するための散布プログラム及びその散布に関する情報なども記憶する。

また、記憶部４５は、通信部４３で受信した情報を記憶する。たとえば、記憶部４５は、第１飛行体１から送信された撮像データ、汚れ検査装置２から送信された検査画像、検査値などを記憶する。これらは、対応する太陽光発電モジュール３００の識別情報などと紐付けられて記憶される。このほか、記憶部４５は、管理装置４内で生成した情報を記憶する。たとえば、記憶部４５は、撮像データから算出される汚れ度合いの測定値、測定値の算出方法、後述する出力低下レベル情報などを記憶する。

制御部３６は、管理装置４の各々の構成部を制御する。制御部４６は、飛行制御部４６１と、画像処理部４６２と、第１レベル決定部４６３と、学習部４６４と、第２レベル決定部４６５と、汚れ判定部４６６と、天候予測部４６７と、計時部４６８と、を有する。言い換えると、管理装置４は、飛行制御部４６１と、画像処理部４６２と、第１レベル決定部４６３と、学習部４６４と、第２レベル決定部４６５と、汚れ判定部４６６と、天候予測部４６７と、計時部４６８と、を有する。なお、本実施形態では、これらの構成部４６１～４６８は、制御部４６の機能的な構成部である。但し、この例示に限定されず、これらの構成部４６１～４６８のうちの少なくともいずれかは、電気回路、装置、デバイスなどの物理的な構成部であってもよい。

飛行制御部４６１は、飛行指令の送信により、第１飛行体１及び第２飛行体３の飛行制御を行う。たとえば、飛行制御部４６１は、測定対象である太陽光発電モジュール３００が複数設置された太陽光発電所の地図情報などを用いて、第１飛行体１及び第２飛行体３の飛行経路を設定する。地図情報は、各々の太陽光発電モジュール３００の設置位置の緯度、経度、及び高度などの位置情報を含む。或いは、飛行経路は、管理装置４に操作入力された位置情報に基づいて設定されてもよい。飛行制御部４６１は、飛行指令にて飛行経路の緯度、経度、及び高度を指定することによって、第１飛行体１及び第２飛行体３の飛行経路を設定する。

画像処理部４６２は、画像の抽出、加工などの画像処理を行う。たとえば、画像処理部４６２は、第１飛行体１の撮像部１４が撮像した動画像（つまり撮像データ）から各々の太陽光発電モジュール３００の受光面３０１全体が写るフレーム画像をそれぞれ抽出する。また、画像処理部４６２は、フレーム画像、又は、第１飛行体１の撮像部１４が撮像した静止画像から、受光面３０１の測定画像を抽出する。たとえば、画像処理部４６２は、第１撮像データから第１測定画像を抽出する。なお、第１撮像データは、汚れ検査装置２による受光面３０１の検査と同じ時間帯に撮像部１４により撮像された撮像データである。また、画像処理部４６２は、第２撮像データから第２測定画像を抽出する。なお、第２撮像データは、上述の第１撮像データの撮像時以降に撮像された撮像部１４の撮像データである。また、画像処理部４６２は、第３撮像データから第３測定画像を抽出する。なお、第３撮像データは、天候予測部４６７で予測された地域での上述の降雨が終了する第４時点以降に第１飛行体１により撮像される撮像データである（後述する図１０のステップＳ３０８参照）。

図７Ａ～図７Ｄは、画像処理部４６２の画像処理例を示す。図７Ａは、抽出されたフレーム画像の一例である。図７Ｂは、受光面３０１の角部の位置Ｐ１～Ｐ４の検出例である。図７Ｃは、背景除去されたフレーム画像の一例である。図７Ｄは、投影変換された測定画像の一例である。なお、図７Ａ及び図７Ｂは、図２の破線で囲まれた部分Ｘに対応する。

たとえば、画像処理部４６２は、第１飛行体１の撮像部１４が撮像した動画像の撮像データから、フレーム画像（図７Ａ）を抽出する。フレーム画像は、所望の太陽光発電モジュール３００の受光面３０１の全体が写る静止画像である。

次に、画像処理部４６２は、フレーム画像から受光面３０１の４つの角部の位置Ｐ１～Ｐ４を検出する（図７Ｂ）。詳細には、画像処理部４６２は、検出器４６２１を用いて、フレーム画像から受光面３０１の４つの角部の位置Ｐ１～Ｐ４を検出する。画像処理部４６２は、検出器４６２１を有する。検出器４６２１は、撮像部１４の撮像データに含まれる静止画像における受光面３０１の角部の位置を検出する。たとえば、検出器４６２１は、受光面３０１の縁部の形状を認識し、異なる縁部の交点を角部の位置Ｐ１～Ｐ４として検出する。

画像処理部４６２は、機械学習された検出器４６２１が静止画像における角部を検出した結果に基づいて静止画像から受光面３０１の測定画像を抽出する。機械学習された検出器４６２１を用いることにより、検出器４６２１は、撮像部１４，６２の撮像データに含まれる静止画像における受光面３０１の縁部の形状から受光面３０１の角部の位置Ｐ１～Ｐ４をより正確に検出できる。よって、画像処理部４６２は、汚れレベルの決定に用いられる受光面３０１の測定画像をより正確に撮像部１４，６２の撮像データから抽出することができる。

検出器４６２１は、受光面３０１の学習用画像と、学習用画像における角部の正確な位置を示す位置データとを用いて機械学習される。本実施形態では、検出器４６２１は、記憶部４５に格納された学習済みのニューラルネットワークを用いた検出器（detector）であり、フレーム画像から４つの角部の位置Ｐ１～Ｐ４を検出する。なお、以下では、検出器４６２１に用いられるニューラルネットワークを「第１のニューラルネットワーク」と呼ぶ。第１のニューラルネットワークは、たとえば、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）、ベイズニューラルネットワーク（ＢＮＮ；Bayesian Neural Network）などである。本実施形態では、検出器４６２１の学習モデルには、ＹＯＬＯ（You Look Only Once）を採用している。機械学習された第１のニューラルネットワークを用いることにより、検出器４６２１は、角部の位置Ｐ１～Ｐ４をより正確に検出できる。また、本実施形態の例示に限定されず、検出器４６２１は、機械学習された第１のニューラルネットワークを用いることなく、一般的な画像認識手法により角部の位置Ｐ１～Ｐ４を検出してもよい。

画像処理部４６２は、全ての角部の位置Ｐ１～Ｐ４を検出した受光面３０１以外（たとえば地面Ｈｐ、全ての角部の位置Ｐ１～Ｐ４が検出されない受光面３０１）をフレーム画像から除去して、受光面３０１の測定画像のみを抽出する（図７Ｃ）。なお、フレーム画像から直接に抽出した受光面３０１は、フレーム画像が透視投影であるため、図７Ｃのように撮像部１４からの遠近に応じて歪んでいる。そのため、画像処理部４６２は、受光面３０１の画像を平行投影に変換し、矩形の受光面３０１の測定画像を得る（図７Ｄ参照）。

画像処理部４６２は、各々の太陽光発電モジュール３００の識別情報及び撮像日時などと紐付けて受光面３０１の測定画像を記憶部４５に記憶させる。画像処理部４６２は、少なくとも一部の太陽光発電モジュール３００に対して上述の画像処理を実施する。

第１レベル決定部４６３は、汚れ検査装置２の検査画像に基づく汚れ度合いの検査値から、検査画像に対応する受光面３０１の汚れレベルを決定する。第１レベル決定部４６３は、検査値に基づいて、各々の検査画像に写る受光面３０１の汚れ度合いを複数の汚れレベルに分類する。なお、本実施形態では、汚れレベルは、受光面３０１が清浄であるほど大きくなり、受光面３０１が汚れているほど大きくなる。また、以下では、検査値から決定される汚れレベルを「第１汚れレベル」と呼ぶことがある。

たとえば、本実施形態では、前述の如く、汚れ検査装置２の検査値は、０～１００に数値化される。検査値が８０以上且つ１００以下であれば、第１汚れレベルは、汚れレベル１に決定される。検査値が６０以上且つ７９以下であれば、第１汚れレベルは、汚れレベル２に決定される。検査値が４０以上且つ５９以下であれば、第１汚れレベルは、汚れレベル３に決定される。検査値が０以上且つ３９以下であれば、第１汚れレベルは、汚れレベル４に決定される。なお、汚れレベルの数は、上述の例示に限定されず、４以外の複数であってもよい。決定された汚れレベルは、対応する検査画像及び検査日時、対応する太陽光発電モジュール３００の識別情報などと紐づけられて記憶部４５に格納される。

第２レベル決定部４６５は、第１飛行体１の撮像結果及び汚れ検査装置２の検査結果から、第１飛行体１により撮像された受光面３０１の汚れレベルを決定する。第２レベル決定部４６５は、第１飛行体１の撮像データから受光面３０１の汚れレベルを推定する分類器４６５１を有する。第２レベル決定部４６５は、機械学習された分類器４６５１を用いて、第２測定画像から受光面３０１の汚れレベルを決定する。なお、第２測定画像は、機械学習された検出器４６２１が第２撮像データに含まれる第２静止画像における角部を検出した結果に基づいて、第２静止画像から抽出された受光面３０１の測定画像である。また、以下では、第２測定画像から決定される受光面３０１の汚れレベルを「第２汚れレベル」と呼ぶことがある。

分類器４６５１は、第１汚れレベル及び第１撮像データを用いて機械学習される。本実施形態では、分類器４６５１は、記憶部４５に格納された学習済みのニューラルネットワークを用いた分類器（classifier）であり、第１飛行体１が撮像した受光面３０１の測定画像からこの受光面３０１の汚れレベルを決定する。たとえば、分類器４６５１は、測定画像に写る受光面３０１上の汚れの形状を認識し、各々の形状の確からしさを分類した結果に基づいて、受光面３０１の汚れレベルを決定する。汚れの形状は、たとえば、汚れの濃淡に応じて現れる海島構造、波紋構造などである。なお、以下では、分類器４６５１に用いられるニューラルネットワークを「第２のニューラルネットワーク」と呼ぶ。分類器４６５１は、たとえば、ＳＶＭ（Support Vector Machine）などの線形分類器であってもよいし、ニューラルネットワークを用いた分類器、又は多層ニューラルネットワークを用いて深層学習により生成される分類器であってもよい。学習済みの第２のニューラルネットワークは、たとえば、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）、ベイズニューラルネットワーク（ＢＮＮ；Bayesian Neural Network）などである。

第２レベル決定部４６５は、機械学習された分類器４６５１を用いて、第２撮像データから受光面３０１の第２汚れレベルを決定する。なお、第２撮像データは、上述の第１撮像データの撮像時以降に撮像された撮像部１４の撮像データである。決定された第２汚れレベルは、対応する測定画像及びその撮像日時、対応する太陽光発電モジュール３００の識別情報などと紐づけられて記憶部４５に格納される。汚れ検査装置２の検査値に基づく第１汚れレベル及び上述の第１撮像データを用いて機械学習された分類器４６５１を用いることにより、分類器４６５１が第２撮像データから推定する第２汚れレベルを、受光面３０１上に載置した汚れ検査装置２の検査値から決定した場合の汚れレベルに近づけることができる。従って、太陽光発電モジュール３００の受光面３０１の汚れをより精度良く測定することができる。

学習部４６４は、管理装置４に入力又は格納された教師データに基づいて、画像処理部４６２の検出器４６２１、第２レベル決定部４６５の分類器４６５１を機械学習させる。

たとえば、学習部４６４は、受光面３０１の学習用画像と、学習用画像における受光面３０１の角部の位置データとを用いて、検出器４６２１を機械学習させる。検出器４６２１を機械学習させる場合、学習用画像は、第１飛行体１の撮像データに含まれる静止画像であり、１個の受光面３０１の全体が写る。位置データは、学習用画像に写る受光面３０１の４つの角部の位置Ｐ１～Ｐ４を正確に示すデータであり、たとえばユーザにより手動で作成される。学習部４６４は、学習用画像とこの学習用画像に対応する位置データとのデータセットを検出器４６２１用の教師データとして用いて、検出器４６２１を機械学習させる。好ましくは、このデータセットは、複数である。

また、学習部４６４は、第１撮像データと、汚れ検査装置２の検査値に基づく第１汚れレベルとを用いて、分類器４６５１を機械学習させる。なお、前述の如く、第１撮像データは、汚れ検査装置２による受光面３０１の検査と同じ時間帯に撮像部１４により撮像された撮像データである。詳細には、学習部４６４は、第１撮像データから抽出された第１測定画像と、汚れ検査装置２の検査値に基づく第１汚れレベルとを用いて、分類器４６５１を機械学習させる。なお、第１測定画像は、機械学習された検出器４６２１が第１撮像データに含まれる第１静止画像における角部を検出した結果に基づいて、第１静止画像から抽出された受光面３０１の測定画像である。第１汚れレベルは、受光面３０１を汚れ検査装置２で検査した検査値から決定され、同一の受光面３０１が写る第１測定画像に紐付けされている。つまり、検査画像から汚れレベルが「１」と決定された受光面３０１が写る第１測定画像には、第１汚れレベル１が紐付けられる。検査画像から汚れレベルが「２」と決定された受光面３０１が写る第１測定画像には、第１汚れレベル２が紐付けられる。検査画像から汚れレベルが「３」と決定された受光面３０１が写る第１測定画像には、第１汚れレベル３が紐付けられる。検査画像から汚れレベルが「４」と決定された受光面３０１が写る第１測定画像には、第１汚れレベル４が紐付けられる。

学習部４６４は、第１測定画像と、各々の第１測定画像に紐付けられた第１汚れレベルとのデータセットを教師データとして用いて、分類器４６５１を機械学習させる。たとえば本実施形態では、分類器４６５１用の教師データは、第１汚れレベル１が紐付けられた第１測定画像と、第１汚れレベル２が紐付けられた第１測定画像と、第１汚れレベル３が紐付けられた第１測定画像と、第１汚れレベル４が紐付けられた第１測定画像と、を含む。各々の汚れレベルの第１測定画像は、好ましくは複数である。

学習部４６４は、教師データをニューラルネットワークの入力層に入力し、ニューラルネットワークの出力層における複数のニューロンの出力値と教師データとを用いてたとえば誤差逆伝播法による演算を実行する。この際、学習部４６４は、出力層の複数のニューロンのうち、教師データと対応するニューロンの出力値の最大化を図るべく、ニューラルネットワークの重み付け係数を更新する。学習部４６４は、より多くの教師データに対して誤差逆伝播法による演算を実行することにより、ニューラルネットワークの重み付け係数の最適化を図る。

汚れ判定部４６６は、各々の太陽光発電モジュール３００の受光面３０１の汚れレベルが閾値以上であるか否かを判定する。なお、汚れレベルの閾値は、記憶部４５に記憶されている。また、閾値は、管理者等の操作入力に応じて、任意のタイミングで変更可能である。この判定に応じて、第２飛行体３は、汚れレベルが閾値以上であれば、太陽光発電モジュール３００の上空を飛行して、その受光面３０１に洗浄剤３３０を散布する。こうすれば、受光面３０１の汚れレベルが閾値以上の太陽光発電モジュール３００があれば、その受光面３０１に洗浄剤３３０を自動的に散布できる。洗浄剤３３０を手動で散布しなくてもよいので、受光面３０１を洗浄する際の作業性が向上する。また、受光面３０１に洗浄剤３３０を散布しておくことにより、たとえば太陽光発電モジュール３００が設置された地域に雨が降れば、雨粒によって受光面３０１の汚れを自動的に自然洗浄できる。従って、必ずしも洗浄用の水を必要としないので、水源及び給水設備を確保し難い地域に太陽光発電モジュール３００が設置されていても、太陽光発電モジュール３００の受光面３０１を洗浄できる。

また、汚れ判定部４６６は、汚れレベルが閾値以上である受光面３０１を特定する。この特定に応じて、第２飛行体３は、汚れ判定部により特定された受光面３０１に洗浄剤３３０を散布する。こうすれば、汚れレベルが閾値以上である受光面３０１には、洗浄剤３３０を自動で散布できる。また、汚れレベルが閾値未満である受光面３０１には、洗浄剤３３０を散布しないようにできる。従って、受光面３０１の洗浄を効率良く実施でき、その作業性を向上できる。

天候予測部４６７は、ネットワークＮＴを介して、太陽光発電モジュール３００が設置された場所を含む地域の天気予報情報を取得する。天候予測部４６７は、第２レベル決定部４６５で汚れレベルが決定された第１時点よりも後に、この地域での降雨が開始する第２時点を天気予報情報に基づいて特定する。なお、第２時点は、好ましくは、第１時点よりも後にこの地域での降雨が開始する直近の時点とされる。この特定に応じて、第２飛行体３は、第３時点において洗浄剤３３０を散布する。なお、第３時点は、第１時点よりも後であり、第２時点よりも前である。こうすれば、天気予報情報に基づいて第３時点を適切に決定できる。たとえば、太陽光発電モジュール３００が設置された場所で雨が降り始める前の適切なタイミングで洗浄剤３３０を散布することができる。従って、雨粒によって、受光面３０１の汚れを洗浄剤３３０とともに洗い流すことができる。

また、天候予測部４６７は、この地域での上述の降雨が終了する第４時点を天気予報情報に基づいて特定する。この特定に応じて、第２レベル決定部４６５は、受光面３０１の第３撮像データに基づいて、各々の太陽光発電モジュール３００の受光面３０１の汚れレベルをそれぞれ決定する。第３撮像データは、天候予測部４６７で予測された地域での上述の降雨が終了する第４時点以降に第１飛行体１により撮像される撮像データである。たとえば、本実施形態では、各々の太陽光発電モジュール３００について、第２レベル決定部４６５は、受光面３０１の第３測定画像から受光面３０１の汚れレベルを算出する。第３測定画像は、画像処理部４６２により第３撮像データから抽出された受光面３０１の測定画像である。決定された汚れレベルは、対応する太陽光発電モジュール３００の識別情報及び撮像日時などと紐づけられて、記憶部４５に記憶される。こうすれば、雨粒によって自然洗浄された後の受光面３０１の汚れを再評価できる。従って、たとえば受光面３０１の汚れレベルが低下しない場合に、管理者にその旨を報知したり、洗浄剤３３０の散布による自然洗浄を再度実施したりできる。

計時部４６８は、たとえば現在時刻を計る。

＜２．検出器の学習＞
次に、図８を用いて、検出器４６２１の学習方法を説明する。図８は、受光面３０１の角部の位置Ｐ１～Ｐ４を検出する検出器４６２１の学習方法を説明するためのフローチャートである。なお、検出器４６２１の学習には、太陽光発電モジュール３００の上空を飛行する第１飛行体１により予め撮像された太陽光発電モジュール３００の撮像データが用いられる。

まず、管理装置４において、画像処理部４６２は、第１飛行体１の撮像データから、各々の太陽光発電モジュール３００の受光面３０１の全体が写った静止画像をそれぞれ学習用画像として抽出する（ステップＳ１０１）。この際、好ましくは、画像処理部４６２は、第１飛行体１、太陽光発電モジュール３００周囲の物体（たとえば樹、構造物）などの影が映った画像は抽出しない。

次に、ユーザは、Ｓ１０１で抽出した各々の学習用画像に対し、学習用画像における受光面３０１の角部の位置Ｐ１～Ｐ４の位置データを作成する（ステップＳ１０２）。たとえば、ユーザは、所定の画像認識アプリケーションを用いて、各々の学習用画像における受光面３０１の各々の角部をクリック入力で指定する。指定された位置データは、学習用画像と紐づけて記憶部４５に格納される。これにより、上述の位置データを作成できる。位置データを作成する学習用画像が残っていれば（ステップＳ１０３でＹＥＳ）、処理はステップＳ１０２に戻る。

位置データを作成する学習用画像が残っていなければ（ステップＳ１０３でＮＯ）、ステップＳ１０１で抽出した学習用画像と、ステップＳ１０２で作成した位置データとを用いて検出器４６２１のニューラルネットワークを機械学習して更新する（ステップＳ１０４）。そして、図８の処理が終了する。

＜３．受光面の汚れ測定＞
次に、太陽光発電モジュール３００の受光面３０１の汚れレベルを測定する汚れ測定方法を説明する。汚れ測定システム１００は、教師データを用いて分類器４６５１のニューラルネットワークを学習する。次に、汚れ測定システム１００は、各々の太陽光発電モジュール３００について、学習済みのニューラルネットワークを用いて第１飛行体１の撮像データから受光面３０１の汚れレベルを決定する。さらに、汚れ測定システム１００は、決定した汚れレベルに基づいて受光面３０１の洗浄が必要であるか否かを判定し、洗浄が必要であれば受光面３０１を洗浄する。以下では、上述の汚れ測定方法は、分類器４６５１の学習方法（後述の図９参照）と、受光面３０１の汚れレベル決定方法及び洗浄方法（後述の図１０参照）と、に分けて説明する。

＜３－１．分類器の学習＞
まず、図９を用いて、分類器４６５１の学習方法を説明する。図９は、汚れレベルを決定する分類器４６５１の学習方法を説明するためのフローチャートである。

まず、太陽光発電モジュール３００の上空を飛行する第１飛行体１によって、各々の太陽光発電モジュール３００の受光面３０１がそれぞれ撮像される（ステップＳ２０１）。本実施形態では、第１飛行体１は、受光面３０１から鉛直上方に５ｍ程度離れた高度を飛行する。第１飛行体１は受光面３０１に近づき過ぎると、第１飛行体１が太陽光発電モジュール３００に接触する虞がある。さらに、撮像データのフレーム画像に、１個の受光面３０１の全体が撮像され難くなる。また、第１飛行体１は受光面３０１から離れ過ぎると、撮像データのフレーム画像に写る受光面３０１がより小さくなる。そのため、第１飛行体１の撮像データに基づく受光面３０１の汚れレベルを精度良く決定し難くなる。第１飛行体１の撮像データは、撮像時の位置情報及び撮像日時などと紐づけられて、第１撮像データとして管理装置４に送信される。

次に、受光面３０１上に載置される汚れ検査装置２によって各々の太陽光発電モジュール３００の受光面３０１の汚れ度合いがそれぞれ検査される（ステップＳ２０２）。なお、汚れ検査装置２を用いて受光面３０１の汚れ度合いを測定する方法は後に説明する。汚れ検査装置２を用いた汚れ度合いの検査値は、太陽光発電モジュール３００の識別情報とともに管理装置４に入力され、対応する太陽光発電モジュール３００の識別情報及び検査日時などと紐付けられて記憶部４５に記憶される。

次に、上述のステップＳ２０２を実施する予定の太陽光発電モジュール３００が残っていれば（ステップＳ２０３でＹＥＳ）、処理はステップＳ２０２に戻る。なお、受光面３０１に対する太陽光の入射強度の変化をより少なくするため、好ましくは、ステップＳ２０１～Ｓ２０３はなるべく短時間に実施される。好ましくは、上述のステップＳ２０２～Ｓ２０３は、一部且つ複数の太陽光発電モジュール３００に実施される。ステップＳ２０２～Ｓ２０３を実施する太陽光発電モジュール３００の数を所定の複数に絞ることにより、ステップＳ２０１～Ｓ２０３の所要時間をより短くして、受光面３０１に対する太陽光の入射強度の変化をより少なくできる。但し、この例示は、上述のステップＳ２０２～Ｓ２０３が全ての太陽光発電モジュール３００に実施されることを排除しない。

一方、上述のステップＳ２０２を実施する予定の太陽光発電モジュール３００が残っていなければ（ステップＳ２０３でＮＯ）、たとえば図７Ａ～図７Ｄに示すように、管理装置４において、画像処理部４６２は、ステップＳ２０１における第１飛行体１の第１撮像データから、各々の太陽光発電モジュール３００の受光面３０１の第１測定画像をそれぞれ抽出する（ステップＳ２０４）。この際、画像処理部４６２は、ステップＳ２０２において汚れ度合いを検査した太陽光発電モジュール３００のみの第１測定画像を抽出する。

第２レベル決定部４６５は、ステップ２０４で取得した検査値に基づいて、各々の太陽光発電モジュール３００の受光面３０１の汚れレベルを決定する（ステップＳ２０５）。この際、第２レベル決定部４６５は、ステップＳ２０４にて第１測定画像が抽出された太陽光発電モジュール３００の受光面３０１の汚れレベルを決定する。好ましくは、第１飛行体１、太陽光発電モジュール３００の周囲の物体（たとえば樹、構造物）などの影が映った第１測定画像に対応する受光面３０１の汚れレベルは決定しない。そして、決定した汚れレベルは、対応する第１測定画像と紐付けされる。

学習部４６４は、同一の太陽光発電モジュール３００の受光面３０１における汚れレベル及び第１測定画像を用いて、第２レベル決定部４６５の分類器４６５１を機械学習して、分類器４６５１のニューラルネットワークデータを更新する（ステップＳ２０６）。つまり、学習部４６４は、ステップＳ２０４で抽出される第１測定画像と、ステップＳ２０５で決定された汚れレベルと、を用いて、分類器４６５１のニューラルネットワークデータを機械学習する。学習済みのニューラルネットワークデータは、記憶部４５に記憶される。そして、図９の処理は、終了される。

＜３－２．受光面の汚れレベル決定及び洗浄＞
次に、図１０を用いて、汚れ測定システム１００における受光面３０１の汚れレベルを決定する方法と、洗浄剤３３０を用いた受光面３０１の洗浄方法と、を説明する。図１０は、汚れ測定システム１００における受光面３０１の汚れレベル決定方法及び洗浄方法を説明するためのフローチャートである。図１０の処理は、本実施形態では、定期的に実施され、たとえば６ヶ月ごとに実施される。なお、図１０の処理の間隔は、この例示に限定されず、任意の時間単位（日、週、月、或いは、年）で設定できる。また、図１０の処理は、所定のタイミングで実施でき、たとえば管理装置４が受け付けた操作入力に応じて実施されてもよい。

太陽光発電モジュール３００の上空を飛行する第１飛行体１の撮像部１４によって、各々の太陽光発電モジュール３００の受光面３０１がそれぞれ撮像される（ステップＳ３０１）。本実施形態では、第１飛行体１は、受光面３０１から鉛直上方に５ｍ程度離れた高度を飛行する。第１飛行体１の撮像データは、撮像時の位置情報及び撮像日時などと紐づけられて、第２撮像データとして管理装置４に送信される。

管理装置４では、画像処理部４６２は、たとえば図７Ａ～図７Ｄに示すように、ステップＳ３０１の第２撮像データから、各々の太陽光発電モジュール３００の受光面３０１の第２測定画像をそれぞれ抽出する（ステップＳ３０２）。

第１レベル決定部４６３は、分類器４６５１の機械学習されたニューラルネットワークを用いて、各々の太陽光発電モジュール３００について、第２測定画像から受光面３０１の汚れレベルをそれぞれ決定する（ステップＳ３０３）。つまり、撮像部１４の撮像データと汚れ検査装置２の検査結果（図９、図１０のステップＳ３０１参照）とを用いて、受光面３０１の汚れレベルが決定される。

次に、受光面３０１の汚れレベルが閾値以上の太陽光発電モジュール３００があるか否かが判定される（ステップＳ３０４）。言い換えると、汚れ判定部４６６は、各々の太陽光発電モジュール３００について、ステップＳ３０４で決定された受光面３０１の汚れレベルが閾値以上であるか否かを判定する。汚れレベルが閾値以上の太陽光発電モジュール３００がなければ（ステップＳ３０４でＮＯ）、図１０の処理は終了する。

一方、汚れレベルが閾値以上の太陽光発電モジュール３００があれば（ステップＳ３０４でＹＥＳ）、汚れレベルが閾値以上の太陽光発電モジュール３００が特定される（ステップＳ３０５）。たとえば本実施形態では、汚れレベルが３以上の太陽光発電モジュール３００が特定される。そして、管理装置４は、ネットワークＮＴを介して天気予報情報を取得し、特定された太陽光発電モジュール３００が設置された場所を含む地域において雨が降ると予測される直近の日時を特定する（ステップＳ３０６）。たとえば、天気予報情報に基づいて予測される直近の降雨の開始時点及び終了時点が特定される。そして、天気予報情報に基づいて予測される直近の降雨が開始する前に、洗浄剤３３０が第２飛行体３によって散布される（ステップＳ３０７）。つまり、太陽光発電モジュール３００の受光面３０１の汚れレベルが閾値以上であれば、太陽光発電モジュール３００の上空を飛行する第２飛行体により、太陽光発電モジュール３００の受光面３０１に洗浄剤３３０が散布される。

なお、洗浄剤３３０が散布される時点は、汚れレベルが決定されたステップＳ３０３の時点よりも後であるとともに、ステップＳ３０６で特定した降雨の開始時点よりも前である。洗浄剤３３０を散布する時点は、好ましくは天気予報情報に基づいて予測される直近の降雨の開始時点に近くされ、さらに好ましくは開始時点の直前にされる。たとえば、洗浄剤３３０は、開始時点の数時間前、又は前日に散布される。また、洗浄剤３３０は、図１０の処理ではステップＳ３０５で特定した太陽光発電モジュール３００の受光面３０１のみに散布される。但し、この例示に限定されず、洗浄剤３３０は、全ての太陽光発電モジュール３００の受光面３０１に散布されてもよい。

天気予報情報に基づいて予測される直近の降雨が終了した後、第１飛行体１は、太陽光発電モジュール３００の上空を飛行し、各々の太陽光発電モジュール３００の受光面３０１を撮像する（ステップＳ３０８）。なお、撮像の際、第１飛行体１が受光面３０１から大きく離れていると、受光面３０１の撮像データの解像度が低下する。そのため、第１飛行体１は、受光面３０１全体が撮像可能であるとともに第１飛行体１が太陽光発電モジュール３００と接触しない程度に、受光面３０１に近い高度で飛行する。たとえば本実施形態では、第１飛行体１は、受光面３０１から鉛直上方に５ｍ程度離れた高度を飛行する。

第２レベル決定部４６５は、その撮影データに基づいて、ステップＳ３０２～Ｓ３０３と同様にして、各々の太陽光発電モジュール３００の受光面３０１の第３測定画像を抽出し（ステップＳ３０９）、その汚れレベルを再び決定する（ステップＳ３１０）。この際、汚れレベルの決定は、全ての太陽光発電モジュール３００に対して実施されてもよいし、ステップＳ３０７で洗浄剤３３０が散布された太陽光発電モジュール３００に対してのみ実施されてもよい。

そして、汚れ判定部４６６は、受光面３０１の汚れレベルが閾値以上の太陽光発電モジュール３００があるか否かを判定する（ステップＳ３１１）。なお、ステップＳ３１１における閾値は、ステップＳ３０４における閾値と同じであってもよいし異なっていてもよい。汚れレベルが閾値以上の太陽光発電モジュール３００がなければ（ステップＳ３１１でＮＯ）、図１０の処理は終了する。

汚れレベルが閾値以上の太陽光発電モジュール３００があれば（ステップＳ３１１でＹＥＳ）、汚れ判定部４６６は、汚れレベルが閾値以上の太陽光発電モジュール３００を特定し、汚れレベルが閾値以上であると判定された回数をカウントアップする。これらの結果は、記憶部４５に記憶される。そして、汚れ判定部４６６は、ステップＳ３１１で特定された太陽光発電モジュール３００において、汚れレベルが閾値以上であると判定された回数が所定回数以上であるか否かを判定する（ステップＳ３１２）。この回数が所定回数未満であれば（ステップＳ３１２でＮＯ）、図１０の処理は終了する。

この回数が所定回数以上であれば（ステップＳ３１２でＹＥＳ）、管理装置４は、太陽光発電モジュール３００の管理者に報知を実施する（ステップＳ３１３）。こうすれば、管理者は、たとえば図１０の洗浄手段では汚れを洗浄できない太陽光発電モジュール３００があることを知ることができる。従って、任意のタイミングで手動での洗浄などを実施することにより、受光面３０１の汚れを除去して、太陽光発電モジュール３００の出力低下を解消することができる。そして、図１０の処理は終了する。

なお、図１０のステップＳ３０８～Ｓ３１３は、省略されてもよい。

＜４．汚れ検査装置を用いた汚れ度合いの検査＞
次に、図１１及び図１２を参照して、汚れ検査装置２を用いた太陽光発電モジュール３００の受光面３０１の汚れ度合いの検査方法を説明する。

図１１は、汚れ検査装置２を用いた汚れ度合いの検査方法の一例を示す模式図である。図１２は、汚れ検査装置２を用いた汚れ度合いの検査方法の一例を説明するためのフローチャートである。なお、図１１は、汚れ度合いを検査する際の太陽光発電モジュール３００と汚れ検査装置２との位置関係を示す。図１１において、太陽光発電モジュール３００は、屋外に設置され、水平な地面Ｈｐに対して鉛直上方に傾斜角θｖ傾けて設置されている。また、図１１の破線は、太陽光発電モジュール３００の受光面３０１の縦幅ａの方向における中央と横幅ｂの方向における中央とを表している。

図１１及び図１２に示す汚れ検査装置２を用いた汚れ度合いの検査では、受光面３０１の汚れ度合いを０～１００に数値化して示す。この検査値は、清浄な受光面３０１では１００であり、受光面３０１が汚れているほど小さくなる。

図１１及び図１２に示す汚れ度合いの検査では、最初に、汚れ検査装置２を用いて汚れ度合いを検査する際に、まず、汚れ検査装置２にティーチングを行う。なお、ティーチングは、汚れ検査装置２に汚れ度合いの基準を設定する工程である。まず、受光面３０１上の基準領域Ｌ０及びその近傍が純水又は精製水で洗浄されて清浄にされる（ステップＳ４０１）。そして、基準領域Ｌ０上に汚れ検査装置２が載置され、入力部２６２のティーチング開始ボタンが押されることにより清浄な基準領域Ｌ０のＲＧＢカラーの基準画像が撮像される（ステップＳ４０２）。汚れ算出部２６１は、基準画像に基づいてティーチングを実施する（ステップＳ４０３）。なお、ティーチングの具体的な内容は後に説明する。

次に、ティーチングした汚れ検査装置２を用いて受光面３０１の汚れ度合いを検査する。この工程では、まず、受光面３０１上の検査領域Ｌ１上に汚れ検査装置２が載置されて、入力部２６２の検査開始ボタンが押されることにより検査領域Ｌ１のＲＧＢカラーの検査画像が撮像される（ステップＳ４０４）。なお、検査領域Ｌ１での撮像は、１回でもよいし、複数回であってもよい。また、撮像された検査画像は、対応する太陽光発電モジュール３００の識別情報及び検査日時などと紐づけられて、管理装置４に送信されてもよい。汚れ算出部２６１は、検査領域Ｌ１での検査画像に基づいて検査領域Ｌ１における汚れ度合いを数値化してその数値を算出する（ステップＳ４０５）。表示部２７１は、算出された数値をディスプレイに表示する。ユーザは、ディスプレイを見て、検査領域Ｌ１での汚れ度合いの数値を読み取ることができる。

検査領域Ｌ２～Ｌ５でも、ステップＳ４０４～Ｓ４０６と同じ処理が実施される（ステップＳ４０６でＮＯ）。なお、１個の受光面３０１における検査領域の数は、本実施形態では５箇所であるが、この例示に限定されず、１箇所であってもよいし、５以外の複数箇所であってもよい。

全ての検査領域での検査が終了すると（ステップＳ４０６でＹＥＳ）、各検査領域Ｌ１～Ｌ５での数値に基づいて、太陽光発電モジュール３００の受光面３０１の汚れ度合いの検査値が算出される（ステップＳ４０７）。たとえば、全ての検査領域Ｌ１～Ｌ５での数値の平均値が検査値として算出される。この際、たとえば、予め汚れ検査装置２に検査箇所数を入力しておくことにより、制御部２６にて全ての数値の平均値が算出されて表示部２７１に表示されてもよい。或いは、管理装置４にて全ての数値の平均値が算出されて、外部端末のディスプレイ（図示省略）に表示されてもよい。算出された検査値は、対応する太陽光発電モジュール３００の識別情報及び検査日時などと紐づけられて、管理装置４に送信される（ステップＳ４０８）。或いは、検査値は、手動で管理装置４に入力されてもよい。

なお、図１２では、ティーチングは、汚れ度合いを検査する検査対象の太陽光発電モジュール３００を使って実施している。但し、この例示に限定されず、ティーチングは、検査対象とは異なる太陽光発電モジュールを使って実施されてもよい。この場合、ティーチングが実施される太陽光発電モジュールは、好ましくは、汚れ度合いを検査する検査対象の太陽光発電モジュール３００と同じ又は類似する構成とされる。さらに、ティーチングは、汚れ度合いの検査前に、検査対象の太陽光発電モジュール３００が設置場所とは異なる場所で予め実施されていてもよい。或いは、ティーチングは、検査毎に実施されなくてもよく、以前の検査で使用したティーチングの設定がそのまま使用されてもよい。

＜５．汚れ度合いの数値化＞
次に、汚れ度合いの数値化の手法の実施例とその変形例とを説明する。本実施形態では、汚れ検査装置２を用いた汚れ度合いの検査値、及び第１飛行体１の撮像データに基づく汚れ度合いの測定値（第１測定値、第２測定値、第３測定値などを含む）は、同じ手法で数値化される。

なお、測定値の数値化には、検査値の数値化に用いられるティーチングの設定を使用できる。或いは、測定値の数値化に用いるティーチングの設定は、汚れ度合いを検査する検査対象の太陽光発電モジュール３００と同じ又は類似する構成の太陽光発電モジュール３００の清浄な受光面３０１を用いて実施されてもよい。この際、測定値の数値化に用いるティーチングの設定は、測定値の算出に用いる撮像データと同じ撮像条件で撮像した撮像データに含まれる基準画像を用いて、検査値の数値化に用いられるティーチングの設定と同様に実施される。本実施形態では、検査値の数値化に用いられるティーチングの設定は汚れ検査装置２の汚れ算出部２６１で実施され、測定値の数値化に用いられるティーチングの設定は管理装置４の第１レベル決定部４６３で実施される。但し、検査値の数値化が第１レベル決定部４６３で実施される場合、両者はともに第１レベル決定部４６３で実施される。

また、以下では、検査値及び測定値を「（汚れ度合いの）数値」と呼び、検査画像及び測定画像（第１測定画像、第３測定画像、第３測定画像などを含む）を数値化用画像と呼ぶ。

＜５－１．実施例＞
まず、図１３～図１４Ｂを挙げて、汚れ度合いの数値化の手法の実施例を説明する。図１３は、実施例における汚れ度合いの数値化の手法を説明するためのフローチャートである。図１４Ａは、実施例における基準画像の色空間の一例である。図１４Ｂは、数値化用画像の色空間の一例である。なお、図１４Ａにおいて、黒丸印は基準画像の画素Ｐａである。図１４Ｂにおいて、丸印は数値化用画像の画素Ｐｂである。また、図１４Ａ及び図１４Ｂでは、図を見易くするため、図示する画素Ｐａ、Ｐｂの数を実際よりも大幅に少なくしている。

色空間は、色成分Ｒ（Red）の大きさ、色成分Ｇ（Green）の大きさ、及び、色成分Ｂ（Blue）の大きさで色相を表す３次元の仮想空間である。以下では、色成分Ｒ（Red）の大きさをＲ成分値と呼ぶ。また、色成分Ｇ（Green）の大きさをＧ成分値とよび、色成分Ｂ（Blue）の大きさをＢ成分値と呼ぶ。色空間における色相の色座標（Ｒ、Ｇ、Ｂ）は、Ｒ成分値、Ｇ成分値、及びＢ成分値で表される。本実施形態では、演算負荷を考慮して、各色成分値を１６階調（つまり０～１５）で表している。但し、各色成分値の階調数は、この例示に限定されない。たとえば、階調数は、２５６であってもよい。

まず、ティーチングの設定が実施される。図１４Ａに示すように、基準画像の各画素ＰａのＲ成分値、Ｇ成分値、及びＢ成分値が算出され、各々の色成分値が色座標（Ｒ、Ｇ、Ｂ）とする画素Ｐａを色空間にそれぞれ描画される（ステップＳ５０１）。汚れ算出部２６１は、所定の半径ｒを有する球状の領域を基準画像の色空間内に描画する（ステップＳ５０２）。以下では、基準色範囲である球状の領域を基準球Ｓａと呼ぶ。基準球Ｓａの半径ｒは、本実施形態では４階調にしている。但し、この例示に限定されず、半径ｒは４以外であってもよい。

そして、最も多くの画素を内部に含む基準球Ｓａの中心となる基準色座標（Ｒａ、Ｇａ、Ｂａ）と、基準球Ｓａ内の基準画素数ｍとが検出されて記憶される（ステップＳ５０３）る。基準画像の色空間において基準球Ｓａは各軸方向に動かされ、基準球Ｓａ内に色座標（Ｒ、Ｇ、Ｂ）がある基準画像の画素Ｐａの数が最大となるように基準球Ｓａの位置が決定される。さらに、基準球Ｓａ内に色座標（Ｒ、Ｇ、Ｂ）がある基準画像の画素Ｐａが検出される。以下では、基準球Ｓａ内にある画素Ｐａを基準画素Ｐａｍと呼び、基準画素Ｐａｍの数を基準画素数ｍと呼ぶ。基準画素数ｍは、正の整数であり、１より大きく且つ基準画像を構成する画素の総数以下である。より具体的には、最も多くの基準画素Ｐａｍが基準球Ｓａの内部に含まれる際の基準球Ｓａの中心となる基準色座標（Ｒａ、Ｇａ、Ｂａ）が検出される。つまり、基準色座標（Ｒａ、Ｇａ、Ｂａ）は、基準画像の色空間において、基準色座標（Ｒａ、Ｇａ、Ｂａ）を中心とする所定の大きさの基準球Ｓａ内に色座標（Ｒ、Ｇ、Ｂ）がある基準画素数ｍが最大となるようにされる。さらに、基準画素数ｍも検出される。そして、ティーチングの設定が終了する。

次に、数値化用画像を用いて、汚れ度合いの数値化が実施される。図１４Ｂに示すように、数値化用画像の各画素ＰｂのＲ成分値、Ｇ成分値、及びＢ成分値が算出され、各々の色成分値を色座標（Ｒ、Ｇ、Ｂ）とする画素Ｐｂが数値化用画像の色空間にそれぞれ描画される（ステップＳ５０４）。さらに、基準色座標（Ｒａ、Ｇａ、Ｂａ）に中心が位置する半径ｒの基準球Ｓａが、数値化用画像の色空間内に描画され（ステップＳ５０５）。基準球Ｓａ内に色座標（Ｒ、Ｇ、Ｂ）がある数値化用画像の画素Ｐｂが検出され、基準球Ｓａ内にある画素Ｐｂの数が検出される（ステップＳ５０６）。本実施形態では、基準球Ｓａ内にある各々の画素Ｐｂのカウント値は、１個の画素Ｐｂに対して１である。以下では、基準球Ｓａ内にある画素Ｐｂを範囲内画素Ｐｂｎと呼び、範囲内画素Ｐｂｎの数を範囲内画素数ｎと呼ぶ。範囲内画素数ｎは、正の整数であり、１より大きく且つ数値化用画像を構成する画素の総数以下である。

そして、基準画素数ｍ及び範囲内画素数ｎに基づいて、汚れ度合いが算出される。たとえば、基準画素数ｍに対する範囲内画素数ｎの比率が、汚れ度合いの数値として算出される（ステップＳ５０７）。本実施形態では、範囲内画素数ｎを基準画素数ｍで割った値の百分率が、数値化用画像に基づく汚れ度合いの数値とされる。なお、測定値を０～１００の範囲内とするため、範囲内画素数ｎが基準画素数ｍよりも大きい場合（つまり百分率が１００を越える場合）、数値化用画像に基づく汚れ度合いの数値は１００とされる。

以上に説明した、汚れ度合いの数値化の手法によれば、基礎画像と数値化用画像とが受光面３０１の異なる箇所を撮像した画像であっても、太陽光発電モジュール３００の受光面３０１の汚れ度合いを精度良く数値化することができる。

＜５－２．第１変形例＞
上述の実施例ではティーチングの際、たとえば、基準画像の色空間内において基準球Ｓａを各軸方向に１階調ずつ移動させて、その都度、基準球Ｓａ内にある基準画素数ｍを検出する。但し、この手法では、たとえば各色成分値の階調数の３乗（本実施形態では１６３）回の検出処理を行うことになるため、演算負荷が高くなり易い。さらに、各色成分値の階調数が多いほど、演算負荷は大幅に増大する。このような演算負荷を軽減するため、第１変形例では、以下に説明する手法で汚れ度合いの数値を算出する。以下では、前述の実施例と異なる構成を説明する。また、前述の実施例と同様の構成要素には同じ符号を付し、さらに、前述の実施例と同様の構成の説明を省略することがある。

図１５は、第１変形例における汚れ度合いの数値化の手法を説明するためのフローチャートである。図１６は、第１変形例における基準画像の色空間の一例である。なお、図１６において、黒丸印は基準画像の画素Ｐａである。また、図１６では、図を見易くするため、図示する画素Ｐａ及び後述する測定球Ｓｂの数を実際よりも大幅に少なくしている。

まず、ティーチングの設定が実施される。第１変形例では、図１６に示すように、基準画像の各画素ＰａのＲ成分値、Ｇ成分値、及びＢ成分値が算出され、各々の色成分値を色座標（Ｒ、Ｇ、Ｂ）とする画素Ｐａが色空間にそれぞれ描画される（ステップＳ６０１）。

そして、基準画像の基準球Ｓａ内に色座標（Ｒ、Ｇ、Ｂ）がある基準画素数ｍが最大となるように基準球Ｓａを決定するため、ステップＳ６０２～Ｓ６０３が実施される。まず、基準画像の各々の画素Ｐａの色座標（Ｒ、Ｇ、Ｂ）を中心とする球状の領域（以下、測定球Ｓｂと呼ぶ。）が、基準画像の色空間にそれぞれ描画される（ステップＳ６０２）。測定球Ｓｂの半径は、上述する実施例の基準球Ｓａの半径ｒと同じである。図１６の色空間における最多重領域Ａｒ（図１６の斜線で示す領域）が算出され、最多重領域Ａｒに基づいて基準色座標（Ｒｂ、Ｂｂ、Ｇｂ）が決定される（ステップＳ６０３）。なお、最多重領域Ａｒは、図１６の色空間において、基準画像の各々の画素の色座標（Ｒ、Ｇ、Ｂ）を中心とする所定の大きさの測定球Ｓｂの重なりが最も多い領域である。また、基準色座標（Ｒａ、Ｇａ、Ｂａ）は、たとえば、最多重領域Ａｒを含む基準球Ｓａに対応する画素Ｐａの色座標（Ｒ、Ｇ、Ｂ）を平均することで算出できる。また、基準色座標（Ｒａ、Ｇａ、Ｂａ）を算出する際に最多重領域Ａｒが複数ある場合、たとえば、そのうちのいずれかの最多重領域Ａｒの基準色座標が、基準球Ｓａの中心として採用されてもよい。或いは、複数の最多重領域Ａｒの各基準色座標を平均した色座標が、基準球Ｓａの中心として採用されてもよい。

次に、基準色座標（Ｒｂ、Ｂｂ、Ｇｂ）を中心とする半径ｒの基準球Ｓａが、基準画像の色空間に描画される（ステップＳ６０４）。そして、基準画像から基準球Ｓａ内にある基準画素Ｐａｍがそれぞれ検出され、基準球Ｓａの内部に含まれる基準画素数ｍが検出される（ステップＳ６０６）。

以降のステップＳ６０６～Ｓ６０９はそれぞれ、実施例（図１３）のステップＳ５０４～Ｓ５０７と同じであるため、その説明を省略する。

第１変形例の手法では、ティーチングの際に基準色座標（Ｒａ、Ｇａ、Ｂａ）を決定する際、基準画像の色空間において基準球Ｓａを各軸方向に動かす必要が無い。そのため、実施例と比べて、演算負荷を大幅に軽減することができる。

＜５－３．第２変形例＞
上述の実施例及び第１変形例では、受光面３０１を覆う汚れの色相は考慮していない。しかしながら、実際には、汚れの色相は、太陽光発電モジュール３００の出力の変動に大きく影響する。たとえば、色相を考慮しない汚れ度合いが同程度であっても、汚れの色が黒に近いほど、出力の低下はより大きくなる。一方、汚れの色が白に近いほど、出力の低下は軽減される。そこで、第２変形例では、実施例又は第１変形例で算出した汚れ度合いの数値を汚れの色相を考慮して補正した補正数値を算出する。以下では、前述の実施例と異なる構成を説明する。また、前述の実施例と同様の構成要素には同じ符号を付し、さらに、前述の実施例と同様の構成の説明を省略することがある。

第２変形例では、数値化用画像の各々の画素の色座標（Ｒ、Ｇ、Ｂ）と、基準色座標（Ｒａ、Ｇａ、Ｂａ）と、数値化用画像の各々の画素の色座標（Ｒ、Ｇ、Ｂ）に対応する色成分別の補正値Ｎｒ、Ｎｇ、Ｎｂとに基づいて、受光面３０１の汚れ度合いの補正数値が算出される。色成分別の補正値Ｎｒ、Ｎｇ、Ｎｂはそれぞれ、数値化用画像の各々の画素Ｐｂの色座標（Ｒ、Ｇ、Ｂ）に対応して設定されている。色成分別の補正値Ｎｒ、Ｎｇ、Ｎｂの設定情報は、たとえばメモリ２５、記憶部４５に記憶されている。

具体的には、色成分別の補正値Ｎｒ、Ｎｇ、Ｎｂはそれぞれ、数値化用画像の色空間において基準球Ｓａ内にある画素（つまり範囲内画素Ｐｂｎ）の色座標（Ｒ、Ｇ、Ｂ）に対応する色成分別の補正値Ｎｒｎ、Ｎｇｎ、Ｎｂｎを含む。各々の範囲内画素Ｐｂｎのカウント値は、色成分別の補正値Ｎｒｎ、Ｎｇｎ、Ｎｂｎによって補正される。補正後のカウント値を用いて、汚れ度合いの補正数値が算出される。なお、以下では、各々の範囲内画素Ｐｂｎの補正後のカウント値を補正カウント値ｎａと呼ぶ。

たとえば、範囲内画素ＰｂｎのＲ成分値に対応する補正値Ｎｒｎは、Ｒ成分値が最大の階調値（たとえば１５）に近いほどより小さく設定され、Ｒ成分値が最大の階調値の場合に最小値（たとえば１より小さい値）に設定される。一方、補正値Ｎｒｎは、Ｒ成分値が最小の階調値（たとえば０）に近いほどより大きく設定され、Ｒ成分値が最小の階調値の場合に最大値（たとえば１より大きい値）に設定される。

範囲内画素Ｐｂｎの他の色成分別の補正値Ｎｇｎ、Ｎｂｎも同様である。たとえば、範囲内画素ＰｂｎのＧ成分値に対応する補正値Ｎｇｎは、Ｇ成分値が最大の階調値（たとえば１５）に近いほどより小さく設定され、Ｇ成分値が最大の階調値の場合に最小値（たとえば１より小さい値）に設定される。一方、補正値Ｎｇｎは、Ｇ成分値が最小の階調値（たとえば０）に近いほどより大きく設定され、Ｇ成分値が最小の階調値の場合に最大値（たとえば１より大きい値）に設定される。

また、範囲内画素ＰｂｎのＢ成分値に対応する補正値Ｎｂｎは、Ｂ成分値が最大の階調値（たとえば１５）に近いほどより小さく設定され、Ｂ成分値が最大の階調値の場合に最小値（たとえば１より小さい値）に設定される。一方、補正値Ｎｂｎは、Ｂ成分値が最小の階調値（たとえば０）に近いほどより大きく設定され、Ｂ成分値が最小の階調値の場合に最大値（たとえば１より大きい値）に設定される。

これらの色成分別の補正値Ｎｒｎ、Ｎｇｎ、Ｎｂｎは、たとえば、太陽光発電モジュール３００の太陽電池セル材料のバンドギャップ、受光面３０１に入射する光の色相に応じた光反射率などに基づいて設定できる。

次に、図１７を挙げて、第２変形例における汚れ度合いの数値化の手法の実施例を説明する。図１７は、第２変形例における汚れ度合いの数値化の手法を説明するためのフローチャートである。なお、図１７のステップＳ７０１～Ｓ７０６は、実施例（図１３）のステップＳ５０１～Ｓ５０６と同様である。そのため、これらの説明は省略する。

ステップＳ７０６では、基準球Ｓａに含まれるｎ個の範囲内画素Ｐｂｎが検出される。そして、色成分別の補正値Ｎｒ、Ｎｇ、Ｎｂの設定情報を参照して、各々の範囲内画素Ｐｂｎの色成分別の補正値Ｎｒｎ、Ｎｇｎ、Ｎｂｎがそれぞれ決定される（ステップＳ７０７）。そして、ステップＳ７０３で検出した基準画素数ｍ、ステップＳ７０６で検出した範囲内画素数ｎ、及び、各々の範囲内画素Ｐｂｎの色成分別の補正値Ｎｒｎ、Ｎｇｎ、Ｎｂｎに基づいて、数値化用画像に基づく汚れ度合いの補正数値が算出される（ステップＳ７０８）。

つまり、Ｓ７０８では、数値化用画像の各々の画素Ｐｂの色座標（Ｒ、Ｇ、Ｂ）と、基準色座標（Ｒａ、Ｇａ、Ｂａ）と、数値化用画像の各々の画素Ｐｂの色座標（Ｒ、Ｇ、Ｂ）に対応する色成分別の補正値Ｎｒ、Ｎｇ、Ｎｂとに基づいて、受光面３０１の汚れ度合いの補正数値が算出される。言い換えると、数値化用画像の各々の画素Ｐｂの色座標（Ｒ、Ｇ、Ｂ）と、基準色座標（Ｒａ、Ｇａ、Ｂａ）とに基づく受光面３０１の汚れ度合いの数値を、さらに数値化用画像の各々の画素Ｐｂの色座標（Ｒ、Ｇ、Ｂ）に対応する色成分別の補正値Ｎｒ、Ｎｇ、Ｎｂに基づいて補正した補正数値が算出される。

たとえば、まず、各々の範囲内画素Ｐｂｎの補正カウント値ｎａ＝（Ｎｒｎ×Ｎｇｎ×Ｎｂｎ）が算出される。補正カウント値ｎａは、前述のごとく、汚れの色相を考慮して、各々の範囲内画素Ｐｂｎのカウント値を補正した値である。なお、実施例のように、汚れの色相を考慮しない場合、各々の範囲内画素Ｐｂｎのカウント値は１である。

さらに、ｎ個の範囲内画素Ｐｂｎにおける補正カウント値ｎａの総和Σｎａ＝｛（Ｎｒ１×Ｎｇ１×Ｎｂ１）＋（Ｎｒ２×Ｎｇ２×Ｎｂ２）＋・・・＋（Ｎｒｎ×Ｎｇｎ×Ｎｂｎ）｝が算出される。

そして、補正カウント値ｎａの総和Σｎａの基準画素数ｍに対する比率｛（Σｎａ）／ｍ｝により汚れ度合いを算出する。第２実施形態では、百分率｛１００×（Σｎａ）／ｍ｝が、数値化用画像に基づく汚れ度合いの数値とされる。なお、百分率が１００を越える場合、数値化用画像に対する汚れ度合いの数値は１００とされる。

上述のように第２変形例では、色相を考慮しない汚れ度合いの数値を色成分別の補正値Ｎｒｎ、Ｎｇｎ、Ｎｂｎを用いて補正することにより、太陽光発電モジュール３００の発電電力の変動に対する受光面３０１を覆う汚れの色相の影響を考慮できる。従って、受光面３０１の汚れ度合いをより正確に検出できる。

＜５－４．第３変形例＞
なお、補正数値を算出する際、ティーチングの際の演算負荷を軽減するため、図１５（つまり第１変形例）と同様の手法が採用されてもよい。図１８は、第３変形例における汚れ度合いの数値化の手法を説明するためのフローチャートである。図１８のステップＳ８０１～Ｓ８０８は、第１変形例（図１５）のステップＳ６０１～Ｓ６０８と同様である。さらに、図１８のステップＳ８０９～Ｓ８１０は、第２変形例（図１７）のステップＳ７０７～Ｓ７０８と同様である。そのため、これらの説明は省略する。

＜５－５．他の変形例＞
上述の例示では、色座標を表す色空間として、ＲＢＧ表色系の色空間を例示した。但し、本発明の適用範囲は、これらの例示に限定されない。色空間は、ＲＧＢ表色系以外であってもよい。つまり、検査画像、及び第１飛行体１の撮像データは、本実施形態のようにＲＢＧ表色系のカラー映像であってもよいし、ＲＢＧ表色系以外のカラー映像であってもよい。たとえば、色空間は、ＣＩＥ表色系であってもよい。このようなＣＩＥ表色系の色空間としては、たとえば、ＸＹＺ表色系、ｘｙＹ表色系、Ｌ＊ｕ＊ｖ＊表色系、又は、Ｌ＊ａ＊ｂ＊表色系などを採用できる。或いは、色空間は、ＣＭＹ空間、ＨＳＶ空間、又は、ＨＬＳ空間などであってもよい。なお、ＣＭＹ空間では、色座標（Ｃ，Ｍ，Ｋ）は、Ｃ成分値、Ｍ成分値、及びＫ成分値で表される。Ｃ成分値は、画像の画素の色成分Ｃ（シアン；cyan）の大きさを表す。Ｍ成分値は、画像の画素の色成分マゼンタ（magenta）の大きさを表す。Ｋ成分値は、画像の画素の色成分Ｋ（黒；black）の大きさを表す。また、ＨＳＶ空間では、色座標（Ｈ，Ｓ，Ｖ）は、画像の画素の色相値Ｈ、彩度値Ｓ、及び、明度Ｖで表される。また、ＨＬＳ空間では、色座標（Ｈ，Ｌ，Ｓ）は、画像の画素の色相値Ｈ、輝度値Ｌ、及び、彩度値Ｓで表される。

＜６．第２実施形態＞
上述の第１実施形態では、受光面３０１の汚れレベルは、第１飛行体１の撮像データから決定される。但し、第１実施形態の例示に限定されず、受光面３０１の汚れレベルは、たとえばモニタ装置６の撮像データから決定されてもよい。以下では、第１実施形態と異なる構成を説明する。また、第１実施形態と同様の構成要素には同じ符号を付し、さらに、第１実施形態と同様の構成の説明を省略することがある。

図１９は、汚れ測定システム１００の他の構成例を示す概念図である。図１９に示すように、第２実施形態に係る汚れ測定システム１００は、汚れ検査装置２と、第２飛行体３と、管理装置４と、モニタ装置６と、を備える。

モニタ装置６は、測定対象の近傍に配置され、測定対象の被測定面を撮像する。たとえば、図１９では、モニタ装置６は、太陽光発電モジュール３００の近傍に配置され、受光面３０１を撮像する。

モニタ装置６は、支柱６１と、撮像部６２と、を備える。支柱６１は、撮像部６２を支持する。たとえば、支柱６１の基部は、水平方向において太陽光発電モジュール３００の近傍に配置され、上方に延びる。支柱６１のアームは、基部の先端からの水平方向に延びる。撮像部６２は、アームの先端に取り付けられる。

撮像部６２は、測定対象から被測定面の法線方向に離れた位置に配置され、測定対象の被測定面を撮像する。汚れ測定システム１００は、撮像部６２を備える。たとえば図１９では、モニタ装置６は、太陽光発電モジュール３００の上方に配置され、その矩形の受光面３０１を撮像する。撮像部６２の撮像データは、動画像であってもよいし、静止画像であってもよい。また、撮像部６２は、複数の太陽光発電モジュール３００の受光面３０１を同じ視野で撮像するが、単数の太陽光発電モジュール３００の受光面３０１を１つの視野で撮像してもよい。ここでの「視野」とは、撮像部６２により撮像される範囲を意味する。撮像データは、対応する太陽光発電モジュール３００の識別情報及び撮像日時などと紐付けられて管理装置４に送信される。

撮像部６２の光軸は、固定されていてもよい。たとえば、撮像部６２は、定点カメラであってもよく、撮像部６２の鉛直下方を撮像してもよい。但し、この例示に限定されず、撮像部６２の光軸は、鉛直方向と斜めに交差してもよいし、可変であってもよい。たとえば、撮像部６２は、首振り機能を有する監視カメラであってもよく、光軸のチルト機構を有してもよい。チルト機構は、管理装置４からの撮像指令、撮像プログラムなどに基づいて、光軸の向きを変更できる。撮像部６２は、常に被測定面を撮像してもよいし、予め設定されたタイミング又は遠隔操作により被測定面を撮像してもよい。

測定対象の近傍に配置されたモニタ装置６を用いることにより、撮影用の飛行体を飛ばすことなく、常時又は所望のタイミングで測定対象の被測定面の汚れレベルを簡便に測定できる。

なお、図１９では、汚れ測定システム１００の測定対象は、たとえばメガソーラー発電所などに設置された太陽光発電モジュール３００である。但し、汚れ測定システム１００の測定対象は、この例示に限定されない。つまり、汚れ測定システム１００は、太陽光発電モジュール３００の受光面３０１以外に、汚れが経時的に蓄積される被測定面の汚れレベルを測定してもよい。たとえば、被検査面は、テーブル又は机の天板の表面、車両のガラス表面、建築物の外壁の表面又は床面などであってもよい。

＜７．まとめ＞
＜７－１．汚れ測定システム＞
以上に説明した汚れ測定システム１００は、撮像部１４，６２と、汚れ検査装置２（検査装置）と、管理装置４（汚れ測定装置）と、を備える。撮像部１４，６２は、太陽光発電モジュール３００（測定対象）の受光面３０１（被測定面）を撮像する。汚れ検査装置２は、受光面３０１上に載置されて受光面３０１の汚れ度合いを検査する。管理装置４は、撮像部１４，６２の撮像データと汚れ検査装置２の検査結果とを用いて受光面３０１の汚れレベルを決定する。

こうすれば、汚れ検査装置２の検査結果を基準にして、撮像部１４，６２の撮像データから受光面３０１の汚れレベルを決定できる。従って、汚れ検査装置２で受光面３０１の汚れ度合いを検査しておけば、以降は、撮像部１４，６２の撮像データから受光面３０１の汚れレベルをその都度、決定できる。よって、汚れ測定システム１００は、太陽光発電モジュール３００の受光面３０１の汚れを効率的且つ精度良く測定することができる。

汚れ測定システム１００は、太陽光発電モジュール３００（測定対象）の上空を飛行する第１飛行体１をさらに備えてもよい。撮像部１４は、第１飛行体１に搭載されてもよい。こうすれば、太陽光発電モジュール３００が複数あっても、それらの上空を飛行する第１飛行体１に搭載された撮像部１４によって、それらの受光面３０１を撮像できる。そして、その撮像データから受光面３０１の汚れレベルを決定できる。よって、汚れ測定システム１００は、太陽光発電モジュール３００の受光面３０１の汚れをより効率的に測定することができる。

或いは、撮像部６２は、太陽光発電モジュール３００（測定対象）から受光面３０１（被測定面）の法線方向に離れた位置に配置されてもよい。こうすれば、常時又は所望のタイミングで太陽光発電モジュール３００の受光面３０１の汚れレベルを簡便に測定できる。

汚れ検査装置２は、ハウジング２１と、カメラ２４（撮像装置）と、を有する。ハウジング２１は、受光面３０１のうちの少なくとも一部領域Ａｐを覆う。カメラ２４は、少なくとも一部領域Ａｐの検査画像を撮像する。汚れ検査装置２及び管理装置４のうちの一方は、検査画像に基づいて汚れ度合いの検査値を算出する汚れ算出部２６１を有する。また、管理装置４は、第１レベル決定部４６３と、第２レベル決定部４６５と、学習部４６４と、を有する。第１レベル決定部４６３と、検査画像に対応する受光面３０１の第１汚れレベルを検査値から決定する。第２レベル決定部４６５と、撮像データから受光面３０１の汚れレベルを推定する分類器４６５１を有する。学習部４６４は、第１汚れレベル及び第１撮像データを用いて分類器４６５１を機械学習させる。第１撮像データは、汚れ検査装置２による受光面３０１の検査と同じ時間帯に撮像部１４，６２により撮像された撮像データである。第２撮像データは、第１撮像データの撮像時以降に撮像された撮像部１４，６２の撮像データである。第２レベル決定部４６５は、機械学習された分類器４６５１を用いて、第２撮像データから受光面３０１の第２汚れレベルを決定する。

汚れ検査装置２の検査値に基づく第１汚れレベル及び上述の第１撮像データを用いて機械学習された分類器４６５１を用いることにより、分類器４６５１が第２撮像データから推定する第２汚れレベルを、受光面３０１上に載置した汚れ検査装置２の検査値から決定した場合の汚れレベルに近づけることができる。従って、太陽光発電モジュール３００の受光面３０１の汚れをより精度良く測定することができる。

さらに、管理装置４（汚れ測定装置）は、検出器４６２１を有する画像処理部４６２をさらに有する。検出器４６２１は、撮像部１４，６２の撮像データに含まれるフレーム画像（静止画像）における受光面３０１（被測定面）の角部の位置Ｐ１～Ｐ４を検出する。学習部４６４は、受光面３０１の学習用画像と、学習用画像における角部の位置データとを用いて検出器４６２１を機械学習させる。画像処理部４６２は、機械学習された検出器４６２１がフレーム画像における角部を検出した結果に基づいてフレーム画像から受光面３０１の測定画像を抽出する。第１測定画像は、機械学習された検出器４６２１が上記の第１撮像データに含まれる第１静止画像における角部を検出した結果に基づいて、第１静止画像から抽出された被測定面の測定画像である。第２測定画像は、機械学習された検出器４６２１が第２撮像データに含まれる第２静止画像における角部を検出した結果に基づいて、第２静止画像から抽出された受光面３０１の測定画像である。学習部４６４は、第１測定画像及び第１汚れレベルを用いて分類器４６５１を機械学習させる。第２レベル決定部４６５は、機械学習された分類器４６５１を用いて、第２測定画像から被測定面の第２汚れレベルを決定する。

機械学習された検出器４６２１を用いることにより、画像処理部４６２は、撮像部１４，６２の撮像データに含まれる静止画像における受光面３０１の角部の位置Ｐ１～Ｐ４をより正確に検出できる。従って、汚れレベルの決定に用いられる受光面３０１の測定画像をより正確に撮像部１４，６２の撮像データから抽出することができる。たとえば、第１汚れレベルの決定に用いられる第１測定画像をより正確に第１撮像データから抽出できる。また、第２汚れレベルの決定に用いられる第２測定画像をより正確に第２撮像データから抽出できる。

また、汚れ測定システム１００は、洗浄剤３３０を散布する第２飛行体３をさらに備える。管理装置４は、汚れレベルが閾値以上であるか否かを判定する汚れ判定部４６６を有する。汚れレベルが閾値以上であれば、第２飛行体３は、太陽光発電モジュール３００の上空を飛行して、その受光面３０１に洗浄剤３３０を散布する。

こうすれば、受光面３０１の汚れレベルが閾値以上の太陽光発電モジュール３００があれば、その受光面３０１に洗浄剤３３０を自動的に散布できる。洗浄剤３３０を手動で散布しなくてもよいので、受光面３０１を洗浄する際の作業性が向上する。また、受光面３０１に洗浄剤３３０を散布しておくことにより、たとえば太陽光発電モジュール３００が設置された地域に雨が降れば、雨粒によって受光面３０１の汚れを自動的に自然洗浄できる。従って、必ずしも洗浄用の水を必要としないので、水源及び給水設備を確保し難い地域に太陽光発電モジュール３００が設置されていても、太陽光発電モジュール３００の受光面３０１を洗浄できる。

さらに、汚れ判定部４６６は、汚れレベルが閾値以上である受光面３０１を特定できる。第２飛行体３は、汚れ判定部４６６により特定された受光面３０１に洗浄剤３３０を散布する。

こうすれば、汚れレベルが閾値以上である受光面３０１に、洗浄剤３３０を自動で散布できる。また、汚れレベルが閾値未満である受光面３０１には、洗浄剤３３０を散布しないようにできる。従って、受光面３０１の洗浄を効率良く実施でき、その作業性を向上できる。

管理装置４は、太陽光発電モジュール３００が設置された場所を含む地域の天気予報情報を取得する天候予測部４６７をさらに有する。天候予測部４６７は、汚れレベルが決定された第１時点よりも後に、この地域での降雨が開始する第２時点を天気予報情報に基づいて特定する。第２飛行体３は、第３時点において洗浄剤３３０を散布する。なお、第３時点は、第１時点よりも後であるとともに、第２時点よりも前である。

こうすれば、天気予報情報に基づいて第３時点を適切に決定できる。たとえば、太陽光発電モジュール３００が設置された場所で雨が降り始める前の適切なタイミングで洗浄剤３３０を散布することができる。従って、雨粒によって、受光面３０１の汚れを洗浄剤３３０とともに洗い流すことができる。

撮像部１４，６２は、好ましくは、一日のうちの早朝及び夕方のうちの少なくとも一方において、受光面３０１を撮像する。及び／又は、撮像部１４，６２は、好ましくは、曇天時における受光面３０１を撮像する。

こうすれば、受光面３０１における太陽光の反射を少なくすることができる。従って、撮像部１４，６２の撮像データのコントラストを高くでき、撮像部１４，６２は、汚れ度合いに応じた受光面３０１の色相、彩度、明度などの変化をより鮮明に撮像できる。よって、撮像部１４，６２の撮像データから受光面３０１の汚れをさらに精度良く測定することができる。

＜７－２．汚れ測定方法＞
以上に説明した汚れ測定方法は、撮像部１４，６２によって太陽光発電モジュール３００（測定対象）の受光面３０１（被測定面）が撮像されるステップと、受光面３０１上に載置される汚れ検査装置２（検査装置）によって受光面３０１の汚れ度合いが検査されるステップと、撮像部１４，６２の撮像データから受光面３０１の汚れレベルが決定されるステップと、を備える。

こうすれば、汚れ検査装置２の検査結果を基準にして、受光面３０１の汚れレベルを決定できる。従って、汚れ検査装置２で受光面３０１の汚れ度合いを検査しておけば、以降は、撮像部１４，６２の撮像データから受光面３０１の汚れレベルをその都度、決定できる。よって、汚れ測定システム１００は、太陽光発電モジュール３００の受光面３０１の汚れを効率的且つ精度良く測定することができる。

また、汚れ測定方法は、汚れレベルが閾値以上であるか否かが判定されるステップと、洗浄剤３３０が散布されるステップと、をさらに備える。洗浄剤３３０が散布されるステップでは、汚れレベルが閾値以上であれば、太陽光発電モジュール３００の上空を飛行する第２飛行体３により、太陽光発電モジュール３００の受光面３０１に洗浄剤３３０が散布される。

こうすれば、受光面３０１の汚れレベルが閾値以上の太陽光発電モジュール３００があれば、その受光面３０１に洗浄剤３３０を自動的に散布できる。洗浄剤３３０を手動で散布しなくてもよいので、受光面３０１の洗浄する際の作業性が向上する。また、受光面３０１に洗浄剤３３０を散布しておくことにより、たとえば太陽光発電モジュール３００が設置された地域に雨が降れば、雨粒によって受光面３０１の汚れを自然洗浄できる。従って、必ずしも洗浄用の水を必要としないので、水源及び給水設備を確保し難い地域に太陽光発電モジュール３００が設置されていても、太陽光発電モジュール３００の受光面３０１を洗浄できる。

以上、本発明の実施形態について説明した。なお、上述の実施形態は例示であり、その各構成要素及び各処理の組み合わせに色々な変形が可能であり、本発明の範囲にあることは当業者に理解されるところである。

１００・・・汚れ測定システム、１・・・第１飛行体、１０・・・ローター、１１・・・駆動部、１２・・・無線通信部、１３・・・位置検出部、１４・・・撮像部、１５・・・メモリ、１６・・・制御部、１７・・・バッテリー、２・・・汚れ検査装置、２１・・・ハウジング、２１１・・・開口、２２・・・照明部、２２１・・・基体、２２２・・・ＬＥＤアレイ、２３・・・照明駆動部、２４・・・カメラ、２５・・・メモリ、２６・・・制御部、２６１・・・汚れ算出部、２７１・・・表示部、２７２・・・入力部、２８・・・通信部、２９・・・バッテリー、２９１・・・外部電源端子、３・・第２飛行体、３０・・・ローター、３１・・・駆動部、３２・・・無線通信部、３３・・・位置検出部、３３０・・・洗浄剤、３３１・・・タンク、３３２・・・散布器、３５・・・メモリ、３６・・・制御部、３７・・・バッテリー、４・・・管理装置、４１・・・表示部、４２・・・操作部、４３・・・通信部、４４・・・ネットワーク接続部、４５・・・記憶部、４６・・・制御部、４６１・・・飛行制御部、４６２・・・画像処理部、６２１・・・検出器、４６３・・・第１レベル決定部、４６４・・・学習部、４６５・・・第２レベル決定部、４６５１・・・分類器、４６６・・・汚れ判定部、４６７・・・天候予測部、４６８・・・計時部、６・・・モニタ装置、６１・・・撮像部、６２・・・支柱、ＮＴ・・・ネットワーク、３００・・・太陽光発電モジュール、３０１・・・受光面

Claims (10)

1. 測定対象の被測定面を撮像する撮像部と、
   前記被測定面上に載置されて前記被測定面の汚れ度合いを検査する検査装置と、
   前記撮像部の撮像データと前記検査装置の検査結果とを用いて前記被測定面の汚れレベルを決定する汚れ測定装置と、
   洗浄剤を散布する散布用飛行体と、
   を備え、
   前記汚れ測定装置は、
   前記汚れレベルが閾値以上であるか否かを判定する汚れ判定部と、
   前記測定対象が設置された場所を含む地域の天気予報情報を取得する天候予測部と、
   を有し、
   前記天候予測部は、前記汚れレベルが決定された第１時点よりも後に、前記地域での降雨が開始する第２時点を前記天気予報情報に基づいて特定し、
   前記汚れレベルが閾値以上であれば、前記散布用飛行体は、前記第１時点よりも後であり且つ前記第２時点よりも前である第３時点において、前記測定対象の上空を飛行して、前記被測定面に前記洗浄剤を散布する、汚れ測定システム。
2. 測定対象の被測定面を撮像する撮像部と、
   前記被測定面上に載置されて前記被測定面の汚れ度合いを検査する検査装置と、
   前記撮像部の撮像データと前記検査装置の検査結果とを用いて前記被測定面の汚れレベルを決定する汚れ測定装置と、
   洗浄剤を散布する散布用飛行体と、
   を備え、
   前記検査装置は、
   前記被測定面のうちの少なくとも一部領域を覆うハウジングと、
   前記少なくとも一部領域の検査画像を撮像する撮像装置と、
   を有し、
   前記検査装置及び前記汚れ測定装置のうちの一方は、前記撮像装置により撮像された検査画像の各々の画素の３次元色空間における第１色座標と、前記３次元色空間における基準色座標と基づいて、前記汚れ度合いの検査値を算出する汚れ算出部を有し、
   前記汚れ算出部は、
   前記３次元色空間において、前記基準色座標を中心とする所定の大きさの基準色範囲内に第２色座標がある基準画像の画素の数が最大となるように、前記基準色座標を決定する、又は、
   前記３次元色空間において、基準画像の各々の画素の第２色座標を中心とする所定の大きさの基準色範囲の重なりが最も多い領域を算出し、該領域に基づいて前記基準色座標を決定し、
   前記汚れ測定装置は、
   前記汚れレベルが閾値以上であるか否かを判定する汚れ判定部と、
   前記測定対象が設置された場所を含む地域の天気予報情報を取得する天候予測部と、
   を有し、
   前記天候予測部は、前記汚れレベルが決定された第１時点よりも後に、前記地域での降雨が開始する第２時点を前記天気予報情報に基づいて特定し、
   前記汚れレベルが閾値以上であれば、前記散布用飛行体は、前記第１時点よりも後であり且つ前記第２時点よりも前である第３時点において、前記測定対象の上空を飛行して、前記被測定面に前記洗浄剤を散布する、汚れ測定システム。
3. 前記検査装置は、
   前記被測定面のうちの少なくとも一部領域を覆うハウジングと、
   前記少なくとも一部領域の検査画像を撮像する撮像装置と、
   を有し、
   前記検査装置及び前記汚れ測定装置のうちの一方は、前記検査画像に基づいて前記汚れ度合いの検査値を算出する汚れ算出部を有し、
   前記汚れ測定装置は、
   前記検査画像に対応する前記被測定面の第１汚れレベルを前記検査値から決定する第１レベル決定部と、
   前記撮像データから前記被測定面の第２汚れレベルを推定する分類器を有する第２レベル決定部と、
   前記第１汚れレベル及び第１撮像データを用いて前記分類器を機械学習させる学習部と、
   検出器を有する画像処理部と、
   を有し、
   前記第１撮像データは、前記検査装置による前記被測定面の検査と同じ時間帯に前記撮像部により撮像された前記撮像データであり、
   第２撮像データは、前記第１撮像データの撮像時以降に撮像された前記撮像部の前記撮像データであり、
   前記検出器は、前記撮像部の前記撮像データに含まれる静止画像における前記被測定面の角部の位置を検出し、
   前記学習部は、前記被測定面の学習用画像と、前記学習用画像における前記角部の位置データとを用いて前記検出器を機械学習させ、
   前記画像処理部は、機械学習された前記検出器が前記静止画像における前記角部を検出した結果に基づいて前記静止画像から前記被測定面の測定画像を抽出するとともに前記測定画像を平行投影像に変換し、
   第１測定画像は、機械学習された前記検出器が前記第１撮像データに含まれる第１静止画像における前記角部を検出した結果に基づいて、前記第１静止画像から抽出及び平行投影変換された前記被測定面の前記測定画像であり、
   第２測定画像は、機械学習された前記検出器が前記第２撮像データに含まれる第２静止画像における前記角部を検出した結果に基づいて、前記第２静止画像から抽出及び平行投影変換された前記被測定面の前記測定画像であり、
   前記学習部は、前記第１測定画像及び前記第１汚れレベルを用いて前記分類器を機械学習させ、
   前記第２レベル決定部は、機械学習された前記分類器を用いて、前記第２測定画像から前記被測定面の前記第２汚れレベルを決定する、請求項１に記載の汚れ測定システム。
4. 前記洗浄剤は、バクテリア又は天然由来の成分を主原料とする洗剤である、請求項１又は請求項２に記載の汚れ測定システム。
5. 前記測定対象の上空を飛行する撮像用飛行体をさらに備え、
   前記撮像部は、前記撮像用飛行体に搭載される、請求項１～請求項４のいずれか１項に記載の汚れ測定システム。
6. 前記撮像部は、前記測定対象から前記被測定面の法線方向に離れた位置に配置される、請求項１～請求項４のいずれか１項に記載の汚れ測定システム。
7. 撮像部によって測定対象の被測定面が撮像されるステップと、
   前記被測定面上に載置される検査装置によって前記被測定面の汚れ度合いが検査されるステップと、
   前記撮像部の撮像データと前記検査装置の検査結果とを用いて前記被測定面の汚れレベルが汚れ測定装置により決定される汚れ測定ステップと、
   前記汚れレベルが閾値以上であるか否かを判定するステップと、
   前記測定対象が設置された場所を含む地域の天気予報情報を取得するステップと、
   前記汚れレベルが決定された第１時点よりも後に、前記地域での降雨が開始する第２時点を前記天気予報情報に基づいて特定するステップと、
   前記汚れレベルが閾値以上であれば、前記測定対象の上空を飛行する散布用飛行体により、前記第１時点よりも後であり且つ前記第２時点よりも前である第３時点において、前記被測定面に洗浄剤が散布される散布ステップと、
   を備える、汚れ測定方法。
8. 撮像部によって測定対象の被測定面が撮像されるステップと、
   前記被測定面上に載置される検査装置によって前記被測定面の汚れ度合いが検査されるステップと、
   前記撮像部の撮像データと前記検査装置の検査結果とを用いて前記被測定面の汚れレベルが汚れ測定装置により決定される汚れ測定ステップと、
   ハウジングにより前記被測定面のうちの少なくとも一部領域を覆って前記少なくとも一部領域の検査画像を撮像する撮像装置を有する前記検査装置と、前記汚れ測定装置とのうちの一方において、前記検査画像の各々の画素の３次元色空間における第１色座標と、前記３次元色空間における基準色座標と基づいて、前記汚れ度合いの検査値を算出する汚れ算出ステップと、
   前記汚れレベルが閾値以上であるか否かを判定するステップと、
   前記測定対象が設置された場所を含む地域の天気予報情報を取得するステップと、
   前記汚れレベルが決定された第１時点よりも後に、前記地域での降雨が開始する第２時点を前記天気予報情報に基づいて特定するステップと、
   前記汚れレベルが閾値以上であれば、前記測定対象の上空を飛行する散布用飛行体により、前記第１時点よりも後であり且つ前記第２時点よりも前である第３時点において、前記測定対象の前記被測定面に洗浄剤が散布される散布ステップと、
   を備え、
   前記汚れ算出ステップは、
   前記３次元色空間において、前記基準色座標を中心とする所定の大きさの基準色範囲内に第２色座標がある基準画像の画素の数が最大となるように、前記基準色座標を決定するステップ、又は、
   前記３次元色空間において、基準画像の各々の画素の第２色座標を中心とする所定の大きさの基準色範囲の重なりが最も多い領域を算出し、該領域に基づいて前記基準色座標を決定するステップ
   を有する、汚れ測定方法。
9. ハウジングにより前記被測定面のうちの少なくとも一部領域を覆って前記少なくとも一部領域の検査画像を撮像する撮像装置を有する前記検査装置と、前記汚れ測定装置とのうちの一方において、前記検査画像に基づいて前記汚れ度合いの検査値を算出するステップをさらに備え、
   前記汚れ測定ステップは、
   前記検査画像に対応する前記被測定面の第１汚れレベルを前記検査値から決定する第１レベル決定ステップと、
   前記撮像データから前記被測定面の第２汚れレベルを分類器により推定する第２レベル決定ステップと、
   検出器学習ステップ及び分類器学習ステップを有する学習ステップと、
   検出ステップ及び抽出ステップを有する画像処理ステップと、
   を有し、
   第１撮像データは、前記検査装置による前記被測定面の検査と同じ時間帯に前記撮像部により撮像された前記撮像データであり、
   第２撮像データは、前記第１撮像データの撮像時以降に撮像された前記撮像部の前記撮像データであり、
   前記検出ステップでは、検出器により前記撮像部の前記撮像データに含まれる静止画像における前記被測定面の角部の位置が検出され、
   前記検出器学習ステップでは、前記被測定面の学習用画像と、前記学習用画像における前記角部の位置データとを用いて前記検出器が機械学習され、
   前記抽出ステップでは、機械学習された前記検出器が前記静止画像における前記角部を検出した結果に基づいて前記静止画像から前記被測定面の測定画像を抽出するとともに前記測定画像が平行投影像に変換され、
   第１測定画像は、機械学習された前記検出器が前記第１撮像データに含まれる第１静止画像における前記角部を検出した結果に基づいて、前記第１静止画像から抽出及び平行投影変換された前記被測定面の前記測定画像であり、
   第２測定画像は、機械学習された前記検出器が前記第２撮像データに含まれる第２静止画像における前記角部を検出した結果に基づいて、前記第２静止画像から抽出及び平行投影変換された前記被測定面の前記測定画像であり、
   前記分類器学習ステップでは、前記第１測定画像及び前記第１汚れレベルを用いて前記分類器が機械学習され、
   前記第２レベル決定ステップでは、機械学習された前記分類器を用いて、前記第２測定画像から前記被測定面の前記第２汚れレベルが決定される、請求項７に記載の汚れ測定方法。
10. 前記散布ステップにおいて、前記散布用飛行体により、バクテリア又は天然由来の成分を主原料とする前記洗浄剤が散布される、請求項７又は請求項９に記載の汚れ測定方法。

Images