JP7029981B2 - 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置 - Google Patents
汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置 Download PDFInfo
- Publication number
- JP7029981B2 JP7029981B2 JP2018036530A JP2018036530A JP7029981B2 JP 7029981 B2 JP7029981 B2 JP 7029981B2 JP 2018036530 A JP2018036530 A JP 2018036530A JP 2018036530 A JP2018036530 A JP 2018036530A JP 7029981 B2 JP7029981 B2 JP 7029981B2
- Authority
- JP
- Japan
- Prior art keywords
- sewage
- image
- overflow
- region
- partition wall
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000010865 sewage Substances 0.000 title claims description 187
- 238000001514 detection method Methods 0.000 title claims description 48
- 238000000034 method Methods 0.000 claims description 82
- 238000005192 partition Methods 0.000 claims description 80
- 238000012545 processing Methods 0.000 claims description 64
- 230000008569 process Effects 0.000 claims description 57
- 239000012528 membrane Substances 0.000 claims description 50
- 238000000926 separation method Methods 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 description 59
- 238000013527 convolutional neural network Methods 0.000 description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 27
- 230000006870 function Effects 0.000 description 24
- 230000013016 learning Effects 0.000 description 21
- 239000010802 sludge Substances 0.000 description 12
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 5
- 229910017604 nitric acid Inorganic materials 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 229910001873 dinitrogen Inorganic materials 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000005273 aeration Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000004810 polytetrafluoroethylene Substances 0.000 description 1
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
- G01F23/284—Electromagnetic waves
- G01F23/292—Light, e.g. infrared or ultraviolet
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Hydrology & Water Resources (AREA)
- Chemical & Material Sciences (AREA)
- Microbiology (AREA)
- Fluid Mechanics (AREA)
- Thermal Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Organic Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Treatment Of Biological Wastes In General (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Description
本発明は汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置に関する。
従来より、汚水を生物処理するための反応槽と、反応槽に浸漬され且つ生物処理された汚水から固形物を除去するための膜分離装置と、膜分離装置の下部に設置され且つ膜分離装置に対して空気等の気体を供給する散気管とを備える汚水処理装置が知られている。反応槽における汚水の生物処理は、例えば、微生物を含む有機汚泥、すなわち、いわゆる活性汚泥によって汚水が処理される活性汚泥法に基づいて実行される。
具体的に、活性汚泥法においては、酸素存在下（好気状態）でアンモニアを亜硝酸や硝酸に変換する硝化反応が実行される。さらに、硝化反応によってアンモニアから変換された亜硝酸や硝酸を窒素に変換する脱窒反応が実行される。脱窒反応は酸素存在下（好気状態）で行われる硝化反応と異なり、無酸素状態で行う必要がある。脱窒反応は硝化反応が行われる反応槽と異なる反応槽で行われてもよいが、汚水処理装置の省スペース化を実現するために、単一の反応槽内で硝化反応及び脱窒反応が行われる汚水処理装置が提案されている（例えば、特許文献１参照）。
図８は従来の汚水処理装置を概略的に示す図である。図８の汚水処理装置は、好気状態での硝化反応及び無酸素状態での脱窒反応を行う反応槽１と、汚水を反応槽１に供給するための原水槽９とを備え、反応槽１は、反応槽１内を複数の区画に仕切るための仕切板７を有する。具体的に、反応槽１は、仕切板７で囲まれる汚水領域Ａと、仕切板７及び反応槽１の内壁で囲まれる汚水領域Ｂとに仕切られ、汚水領域Ａは膜分離装置２及び散気管４を有する。また、反応槽１は、原水槽９からの汚水の供給を開始するための汚水供給開始水位ＬＷＬ（Low water level）と、原水槽９からの汚水の供給を停止するための汚水供給停止水位ＨＷＬ（High water level）とを有する。汚水は、その水位が仕切板７の上端部より高い位置（以下、「汚水越流位置」という。）と、仕切板７の上端部より低い位置（以下、「汚水非越流位置」という。）との間を往来するように反応槽１内において増減する。
図９は、図８における反応槽１内の汚水の水位が汚水越流位置のときの汚水の流れを概略的に示す図である。例えば、汚水の水位が汚水越流位置にあるとき、散気管４から膜分離装置２に対して供給される空気により、汚水が仕切板７の上端を越流し、仕切板７の周囲を循環する循環流が形成される（越流状態）。この循環流により、汚水領域Ａにある硝酸が汚水領域Ｂに移行し、脱窒反応により窒素ガスに変換される。一方、汚水の水位が汚水非越流位置にあるとき、汚水領域Ａと汚水領域Ｂとの間で汚水の流通が分断されるため、散気管４が膜分離装置２に空気を供給しても、仕切板７の周囲を循環する循環流は形成されない（分断状態）。その結果、汚水領域Ａにおいては好気状態で硝化反応が行われるが、生成される硝酸が汚水領域Ｂに移行せず、汚水領域Ｂにおいては無酸素状態を維持して脱窒反応が行われる。
このような仕切板を有する汚水処理装置において、汚水が仕切板の上端を越流している越流時間は窒素除去能力にとって重要な因子である。越流時間は汚水供給開始水位ＬＷＬ及び汚水供給停止水位ＨＷＬだけでなく、原水流入速度、膜処理速度、さらには散気強度により変化するため、単純に計算で求めることができない。このような越流時間を長期間安定して測定するためには、汚水の水位が汚水越流位置にあるのか又は汚水非越流位置にあるのかを正確に把握する必要があるが、反応槽１内では汚泥濃度が高く汚水が極めて汚いため、汚水の水位を正確に把握することが困難である。
また、現在、多くのセンサーが越流の検知に使用可能であり、たとえば電極や光センサーによる水面レベルの検知が行われている。しかしながら、汚水環境では汚泥やごみが電極に挟まり、又は光センサーの表面に汚泥が付着する等して、電極や光センサーが誤作動する可能性があり、既存のセンサーでは検知の信頼性が不十分となり実用化されていない。そのため、越流の確認はもっぱら人の目視により行われているが、マンパワー削減の要請もあり、汚水の越流を自動で確実に検知する方法が求められている。
一方、画像認識技術は、従来目視でしか観測できなかった事象の自動監視を可能にしてきた。画像中の目的物を認識するために、深層学習と呼ばれる手法が利用されており、深層学習の代表的な手法として、コンボリューショナル・ニューラル・ネットワーク（畳み込みニューラルネットワークともいい、以下「ＣＮＮ」と略記する）が注目されている。ＣＮＮは、多段階の演算処理により対象画像の特徴をシステムが自動抽出して学習し、対象を高精度に認識して判定する手法である。このＣＮＮを用いて、植物病を診断するシステムや、対象画像中の被写体のカテゴリを判別する装置が報告されている（例えば、特許文献２及び３参照）。
しかしながら、前述のような仕切板を備えた反応槽内での汚水処理において、汚水の越流の有無を確実に検知するために、ＣＮＮのような画像認識技術を用いた例はこれまで報告されていない。
本発明は、仕切板（隔壁）を備えた反応槽内での汚水処理において、汚水の越流の有無を自動で確実に検知する汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置を提供することを目的とする。
上記目的を達成するために、本発明の汚水越流検知装置は、膜分離装置と前記膜分離装置に気泡を供給する散気管を有する汚水処理装置において、汚水が存在する第１の領域及び前記第１の領域以外の第２の領域の間に配設される隔壁を前記汚水が越流しているか否かを検知する汚水越流検知装置であって、前記隔壁を含む対象画像を取得する画像取得手段と、前記取得した対象画像を入力画像に加工する画像加工手段と、前記入力画像を構成する情報に所定の処理を施すことにより特徴量を抽出し、最終的に特定の値を算出する特徴抽出手段と、前記特定の値に基づいて前記汚水が前記隔壁を越流しているか否かを判別する越流判別手段と、を備えることを特徴とする。
上記目的を達成するために、本発明の汚水越流検知方法は、膜分離装置と前記膜分離装置に気泡を供給する散気管を有する汚水処理装置において、汚水が存在する第１の領域及び前記第１の領域以外の第２の領域の間に配設される隔壁を前記汚水が越流しているか否かを検知する汚水越流検知方法であって、前記隔壁を含む対象画像を取得する画像取得ステップと、前記取得した対象画像を入力画像に加工する画像加工ステップと、前記入力画像を構成する情報に所定の処理を施すことにより特徴量を抽出し、最終的に特定の値を算出する特徴抽出ステップと、前記特定の値に基づいて前記汚水が前記隔壁を越流しているか否かを判別する越流判別ステップと、を有することを特徴とする。
上記目的を達成するために、本発明のプログラムは、膜分離装置と前記膜分離装置に気泡を供給する散気管を有する汚水処理装置において、汚水が存在する第１の領域及び前記第１の領域以外の第２の領域の間に配設される隔壁を前記汚水が越流しているか否かを検知する汚水越流検知方法をコンピュータに実行させるプログラムであって、前記隔壁を含む対象画像を取得する画像取得モジュールと、前記取得した対象画像を入力画像に加工する画像加工モジュールと、前記入力画像を構成する情報に所定の処理を施すことにより特徴量を抽出し、最終的に特定の値を算出する特徴抽出モジュールと、前記特定の値に基づいて前記汚水が前記隔壁を越流しているか否かを判別する越流判別モジュールと、を有することを特徴とする。
上記目的を達成するために、本発明の汚水処理装置は、膜分離装置と、前記膜分離装置に気泡を供給する散気管と、汚水が存在する第１の領域及び前記第１の領域以外の第２の領域の間に配設される隔壁を前記汚水が越流しているか否かを検知する汚水越流検知装置と、を備える汚水処理装置であって、前記汚水越流検知装置は、前記隔壁を含む対象画像を取得する画像取得手段と、前記取得した対象画像を入力画像に加工する画像加工手段と、前記入力画像を構成する情報に所定の処理を施すことにより特徴量を抽出し、最終的に特定の値を算出する特徴抽出手段と、前記特定の値に基づいて前記汚水が前記隔壁を越流しているか否かを判別する越流判別手段と、を備えることを特徴とする。
本発明によれば、仕切板（隔壁）を備えた反応槽内での汚水処理において汚水の越流の有無を自動で確実に検知することができる。
以下、本発明の実施の形態について図面を参照しながら詳述する。
図１は、本発明の実施の形態に係る汚水越流検知装置１００を備える汚水処理装置を概略的に示す図である。
図１の汚水処理装置は、汚水を処理するための単槽式の反応槽１を備え、反応槽１は、汚水に含まれる汚染物質を分離する膜分離装置２と、膜分離装置２に気泡状の空気を供給する散気管４と、反応槽１の内部を複数の領域に仕切る仕切板７（隔壁）とを有する。反応槽１内の仕切板７の配置は特に限定されず、仕切板７が膜分離装置２の全周囲を囲包していてもよいし、仕切板７が反応槽１の槽壁とともに膜分離装置２の周囲を囲包していてもよい。膜分離装置２は反応槽１の外部の吸引ポンプに接続されている。吸引ポンプが駆動すると、生物処理された汚水は膜分離装置２によってろ過され、ろ過された水は反応槽１の槽外に取り出される。
散気管４は、膜分離装置２の下部に設置されるとともに、反応槽１の外部のブロワに接続され、ブロワは散気管４に空気を供給している。膜分離装置２は汚水をろ過するため、膜分離装置２の膜面には汚水中の汚泥物質等が付着し、膜分離装置２の膜面に付着した汚水中の汚泥物質等を放置すると、膜分離装置２が目詰まりして適切に汚水をろ過することができなくなる。したがって、散気管４が空気を膜分離装置２の膜面に供給し、汚泥物質等が膜分離装置２の膜面に付着するのを防止している。反応槽１は原水ポンプを介して汚水を格納する原水槽９に接続され、原水ポンプが駆動すると、処理される汚水は原水槽９から反応槽１に供給される。
反応槽１内において、汚水はその水位が仕切板７の上端部より高い位置（以下、「汚水越流位置」という。）と、仕切板７の上端部より低い位置（以下、「汚水非越流位置」という。）との間を往来するように増減する。反応槽１内の汚水の水位が汚水越流位置にあるとき、散気管４から膜分離装置２に空気が供給されることにより、汚水は内部領域Ａ（第１の領域）から仕切板７の上端を越流して仕切板７の外部の外部領域Ｂ（第２の領域）に移行する（越流状態）。その後、汚水は外部領域Ｂ内を下降し、仕切板７よりも下の領域を経て仕切板７の内部領域Ａに戻る。すなわち、汚水の水位が汚水越流位置にあり、汚水が仕切板７を越流するとき、仕切板７の周囲を循環する循環流が形成される。循環流が形成されると、内部領域Ａにある硝酸が外部領域Ｂに移行して、外部領域Ｂにおいて窒素ガスに変換され、脱窒反応が行われる。
一方、汚水の水位が汚水非越流位置にあるとき、汚水領域Ａと汚水領域Ｂとの間で汚水の流通が分断されるため、散気管４が膜分離装置２に空気を供給しても、仕切板７の周囲を循環する循環流は形成されない（分断状態）。その結果、汚水領域Ａにおいては好気状態で硝化反応が行われ、汚水領域Ｂにおいては無酸素状態で脱窒反応が行われる。このような仕切板挿入型の膜分離活性汚泥処理装置（Ｂ－ＭＢＲ）では、汚水の越流状態と分断状態が交互に繰り返される。
図１における本発明の汚水越流検知装置１００は、反応槽１内において、汚水が仕切板７の上端を越流しているか否かを検知する装置である。撮影装置１０１１は汚水越流検知装置１００が有する画像取得手段１０１（後述）である。
図２は、本発明の実施の形態に係る汚水越流検知装置１００の構成を概略的に示すブロック図である。
図２の汚水越流検知装置１００は、仕切板７を含む対象画像を取得する画像取得手段１０１としてのカメラ等の撮影装置１０１１と、ＣＰＵ、ＲＯＭ、ＲＡＭ、外部記憶装置等のハードウェア構成を有する計算機とを備え、これらは互いに接続されている。撮影装置１０１１には、撮影装置１０１１が取得した画像データを格納するための記憶領域（ストレージ）が接続されている。
ＣＰＵは、ＲＯＭや外部記憶装置等に格納されたプログラムをＣＰＵのワークメモリであるＲＡＭに展開して実行する。外部記憶装置は、例えば、ＨＤＤやメモリカードであり、ＣＰＵが処理を実行する際に必要な各種のプログラムや後述の閾値に関するデータ等の各種のデータを格納する。
画像取得手段１０１は撮影装置１０１１によって撮影された画像データをＣＰＵに転送し、又は撮影装置１０１１によって撮影された画像データを撮影装置１０１１に接続される記憶領域（ストレージ）に格納し且つ格納された画像データをＣＰＵに転送する。
［汚水越流検知装置１００による画像認識処理の概略］
以下に、本発明の汚水越流検知装置１００による画像認識処理の概略を説明する。
以下に、本発明の汚水越流検知装置１００による画像認識処理の概略を説明する。
（画像取得手段１０１）
画像取得手段１０１は、反応槽１内の仕切板７を含む対象画像を取得する。本発明の汚水越流検知装置１００は、汚水が仕切板７の上端を越流しているか否かを検知する装置であるため、対象画像は反応槽１内の仕切板７の上端の少なくとも一部とその周辺を含む画像である。対象画像は、カメラ等の撮影装置１０１１により撮影して取得されてもよいし、画像データが保存されている記憶領域（ストレージ）から取得されてもよい。対象画像は静止画像、又は動画像中の１フレームの画像である。カメラ等の撮影装置１０１１の設置場所は、仕切板７の上端の少なくとも一部とその周辺を撮影できる場所であれば特に限定されないが、通常は越流状態又は分断状態の判別に有効な画像を継続的に撮影可能な定位置に固定される。
画像取得手段１０１は、反応槽１内の仕切板７を含む対象画像を取得する。本発明の汚水越流検知装置１００は、汚水が仕切板７の上端を越流しているか否かを検知する装置であるため、対象画像は反応槽１内の仕切板７の上端の少なくとも一部とその周辺を含む画像である。対象画像は、カメラ等の撮影装置１０１１により撮影して取得されてもよいし、画像データが保存されている記憶領域（ストレージ）から取得されてもよい。対象画像は静止画像、又は動画像中の１フレームの画像である。カメラ等の撮影装置１０１１の設置場所は、仕切板７の上端の少なくとも一部とその周辺を撮影できる場所であれば特に限定されないが、通常は越流状態又は分断状態の判別に有効な画像を継続的に撮影可能な定位置に固定される。
画像取得手段１０１において取得される対象画像のサイズは特に限定されないが、例えば、縦画素×横画素が４００～２２００×６００～４０００ピクセルである。ここで縦画素×横画素は、以後、高さ×幅とも表す。取得される画像データの形態は特に限定されないが、本発明ではＲＧＢ輝度データの形態が好ましい。取得された対象画像のデータは画像加工手段１０２に転送される。このような画像取得手段１０１による工程を画像取得ステップとする。
（画像加工手段１０２）
画像加工手段１０２は、画像取得手段１０１で取得した対象画像データに対して、後述する特徴抽出手段１０３における演算処理を行うために必要な加工を行う。加工としては、画像の拡大、縮小、トリミングなどの画像サイズの変更や、輝度調整、色調整などの画質の調整が挙げられる。１種類の加工のみを行ってもよいし、複数の加工を組み合わせて行ってもよい。加工された画像データは入力画像として特徴抽出手段１０３に入力される。入力画像の縦画素×横画素は５０～２００×１００～４００ピクセルが好ましい。このような画像加工手段１０２による工程を画像加工ステップとする。
画像加工手段１０２は、画像取得手段１０１で取得した対象画像データに対して、後述する特徴抽出手段１０３における演算処理を行うために必要な加工を行う。加工としては、画像の拡大、縮小、トリミングなどの画像サイズの変更や、輝度調整、色調整などの画質の調整が挙げられる。１種類の加工のみを行ってもよいし、複数の加工を組み合わせて行ってもよい。加工された画像データは入力画像として特徴抽出手段１０３に入力される。入力画像の縦画素×横画素は５０～２００×１００～４００ピクセルが好ましい。このような画像加工手段１０２による工程を画像加工ステップとする。
（特徴抽出手段１０３）
特徴抽出手段１０３は、入力画像を構成する情報に所定の処理を施すことにより入力画像の特徴量を抽出し、最終的に新たな特定の値（特徴量）を算出する。ここで所定の処理とは、畳み込み演算処理、プーリング演算処理、及び全結合型演算処理から選ばれる少なくとも１種の処理であり、畳み込み演算処理及びプーリング演算処理が、入力画像を構成する情報に少なくとも１回ずつ施される処理であることが好ましい。
特徴抽出手段１０３は、入力画像を構成する情報に所定の処理を施すことにより入力画像の特徴量を抽出し、最終的に新たな特定の値（特徴量）を算出する。ここで所定の処理とは、畳み込み演算処理、プーリング演算処理、及び全結合型演算処理から選ばれる少なくとも１種の処理であり、畳み込み演算処理及びプーリング演算処理が、入力画像を構成する情報に少なくとも１回ずつ施される処理であることが好ましい。
畳み込み演算処理とは、入力画像データに対して、カーネルＣという重みパラメータを用いてフィルタ処理を施すことにより、入力画像データの局所的な特徴量を抽出する処理である。
プーリング演算処理とは、画像データ（特徴量）に対し、領域内の最大値や平均値を取ることにより、重要な特徴を残してデータを圧縮する処理である。この処理により画像の位置のズレを吸収でき、画像中の微小なゆがみや平行移動に対する頑健性が確保される。
全結合型演算処理とは、全ての画像データを一つのノードに結合させ、活性化関数によって一次元データに変換して出力する処理である。特徴量に基づいた分類を行い、画像の識別をする役割を担う処理である。
本発明において、特徴抽出手段１０３における所定の処理はＣＮＮ法（畳み込みニューラルネットワーク）に従って実施することが好ましい。ＣＮＮ法は入力層、中間層、出力層を持つ階層構造で構成される。入力層では入力データが受け取られ、中間層ではデータから特徴量が抽出され、出力層では最終結果が出力される。ＣＮＮ法の中間層では畳み込み層、プーリング層、全結合層を含む多段階の演算ステップが組み合わされる。ＣＮＮ法では、このような多段階の特徴変換を通じて複雑な特徴表現を獲得することができるため、仕切板７の上端部の画像を高精度に認識することができる。
特徴抽出手段１０３においては、所定の処理として、畳み込み演算処理、プーリング演算処理、全結合型演算処理を特定の順序で組み合わせる。本発明においては、非常に高い正答率で越流の有無を検知できるという点で、（１）畳み込み演算処理、（２）プーリング演算処理、（３）複数回の畳み込み演算処理、及び（４）全結合型演算処理をこの順で施すことが好ましい。（３）複数回の畳み込み演算処理は、通常２～９回実施され、好ましくは２～７回実施される。特徴抽出手段１０３における各演算に用いるパラメータは、確率勾配法などを用いることにより予め越流の判別ができるように学習される。
入力画像を構成する情報にこのような所定の処理を段階的に施すことにより入力画像の特徴量が抽出され、最終的に０～１の間の一個の特徴量として特定の値が算出される。このような特徴抽出手段１０３による工程を特徴抽出ステップとする。
（越流判別手段１０４）
越流判別手段１０４においては、特徴抽出手段１０３で得られた０～１の間の特定の値（特徴量）を所定の閾値（例えば、０．５）と比較することにより、汚水が仕切板７を越流しているか否かが判別される。このような越流判別手段１０４による工程を越流判別ステップとする。
越流判別手段１０４においては、特徴抽出手段１０３で得られた０～１の間の特定の値（特徴量）を所定の閾値（例えば、０．５）と比較することにより、汚水が仕切板７を越流しているか否かが判別される。このような越流判別手段１０４による工程を越流判別ステップとする。
（判別結果出力手段１０５）
最後に、判別結果出力手段１０５において、判別結果が０（非越流状態）か１（越流状態）として所望の方法で出力される。このような判別結果出力手段１０５による工程を判別結果出力ステップとする。
最後に、判別結果出力手段１０５において、判別結果が０（非越流状態）か１（越流状態）として所望の方法で出力される。このような判別結果出力手段１０５による工程を判別結果出力ステップとする。
以上が、本実施形態に係る汚水越流検知装置１００による画像認識処理の概略となる。
［汚水越流検知装置１００による画像認識処理の詳細］
次に、本発明の実施の形態に係る汚水越流検知装置１００による画像認識処理の詳細な流れについて、具体的な処理方法の例を用いて説明する。
次に、本発明の実施の形態に係る汚水越流検知装置１００による画像認識処理の詳細な流れについて、具体的な処理方法の例を用いて説明する。
まず、カメラ１０１１から、反応槽１内の仕切板７の上端の少なくとも一部とその周辺を含む対象画像をＲＧＢ輝度データの形態で一枚取得する（画像取得ステップ）。この対象画像のサイズは高さ４８０×幅６４０である。一枚の画像データは赤（Ｒｅｄ）、緑（Ｇｒｅｅｎ）、青（Ｂｌｕｅ）の三つの高さ×幅の行列式となる。
次に、取得した対象画像のトリミングを行い高さ３５０×幅４００のサイズに変更し、次いで縮小することにより画像サイズを高さ１１６×幅１３３に変更した入力画像Ｇ０を得る（画像加工ステップ）。図４に、越流状態の入力画像の例を示す。また、図５に、分断状態の入力画像の例を示す。画像データは１つの画素位置に対して、色成分の情報などの多くの情報が付与されており、そのような自由度をチャネル（channel）と言う。入力画像Ｇ０のチャネル数は赤、緑及び青の３チャネルである。
次いで、入力画像Ｇ０に対しＣＮＮ法を用いた所定の処理が施され、入力層、中間層及び出力層を持つ階層構造による演算処理を行う（特徴抽出ステップ）。図３は、ＣＮＮ法の中間層における演算処理の組み合わせを示すフローチャートである。また、図６は、ＣＮＮ法における入力層、中間層及び出力層の処理の概略を示す図である。
具体的に、画像加工ステップで得られた入力画像Ｇ０（高さ１１６×幅１３３、チャネル数３）は、特徴抽出手段１０３の入力層に２次元のデータとして入力され、次いで中間層に入力される。中間層では、図３に示すように、畳み込み演算１（ステップ１０３１）、プーリング演算（ステップ１０３２）、畳み込み演算２～７（ステップ１０３３～１０３８）、及び全結合型演算（ステップ１０３９）がこの順で実施される。
ステップ１０３１では畳み込み演算１を行う。畳み込み演算では、入力画像データに対して、カーネルＣｉという重みパラメータを用いてフィルタ処理が施され、入力画像データの局所的な特徴量が抽出される。ここでカーネルＣｉとは、ｉ段目の畳み込み演算におけるフィルタの値を表す。具体的に、入力画像データが持つ数値とフィルタの値（カーネル）とを掛け合わせることにより、入力画像データが持つ数値が畳み込まれる。畳み込み演算を数式で表すと下記の式（１）になる。
Ｇｉ＝Ｇｉ－１＊Ｃｉ ・・・（１）
（式（１）中、Ｇは特徴量を表し、Ｃはカーネルを表し、ｉは畳み込み演算の処理回数を表す。）
（式（１）中、Ｇは特徴量を表し、Ｃはカーネルを表し、ｉは畳み込み演算の処理回数を表す。）
畳み込み演算１においては、まず畳み込みのカーネルＣ１の重みパラメータの値が外部記憶装置から読み出される。この畳み込みカーネルＣ１のサイズは８～１５×８～１５の二次元行列から選択できるが、ここでは１１×１１とする。畳み込み演算１のストライド（カーネルの適用位置をシフトさせる幅）は１～４から選択できるが、ここでは２とする。カーネルのサイズやストライドは入力画像のサイズや畳み込み後の画像のサイズに応じて変更させてもよい。畳み込み後に多チャネル（Ｍチャネル）の画像を得たい場合には、Ｍ種類のカーネルを用いることができるが、畳み込み演算１では、畳み込みカーネルＣ１を３２種類用いる。赤、緑及び青の３チャネルの入力画像Ｇ０についてそれぞれフィルタ（カーネル）を掛け合わせる畳み込みを行い、その後同じ位置の画素値を全チャネルにわたり足し上げる。この処理を３２種類のカーネルについて行う。
畳み込み後のサイズをある程度大きくしたい場合には、入力画像の周りに所定の厚さの淵を加えるパディングを行ってもよい。例えば、入力画像の周りをゼロで埋めるゼロパディングを行うことができる。
このような畳み込み演算１により、特徴量Ｇ０はその特徴が保持されたまま行列が畳み込まれて小さくなり、最終的には畳み込まれた画像データに活性化関数ｆを作用させて非線形に変換する。活性化関数ｆとしては例えばシグモイド関数、双曲線関数（ｔａｎｈ）、ＲｅＬＵ関数等が用いられる。畳み込み演算１の結果、チャネル数３２×高さ５３×幅６２の特徴量Ｇ１が得られる。この得られた特徴量Ｇ１を畳み込み層１とする。畳み込み演算の詳細については、例えば、深層学習（機械学習プロフェッショナルシリーズ） 岡谷貴之(著)に記載されている。
次のステップ１０３２ではプーリング演算を行い、畳み込み演算１により得られた画像データ（特徴量Ｇ１）に対し圧縮処理を行って画素数を低減させる。プーリング処理としては、所定の領域内の最大値をとる最大プーリング処理や平均値をとる平均プーリング処理があるが、本発明では最大プーリング演算を行うのが好ましい。所定の領域の大きさは１～６×１～６から選択でき、ストライド（所定の領域をシフトさせる幅）は１～５から選択できるが、これらは圧縮後の画素数などに応じて適宜設定できる。ステップ１０３２では所定の領域を３×３とし、ストライドを３とする。また、プーリング処理後のサイズをある程度大きくしたい場合には、入力画像の周りに所定の厚さの淵を加えるパディングを行ってもよい。例えば、入力画像の周りをゼロで埋めるゼロパディングを行うことができる。このプーリング処理により、チャネル数３２×高さ１７×幅２０の画像データ（特徴量Ｇ１’）が得られる。この得られた特徴量Ｇ１’をプーリング層とする。
ステップ１０３３～ステップ１０３８は畳み込み演算を繰り返し行う処理である。図３の演算処理では畳み込み演算２～７の６回の処理を行う。畳み込み演算２～７の処理方法は、入力画像の特徴量（チャネル数×高さ×幅）、カーネルサイズ、ストライド及びカーネルの種類等のパラメータが異なること以外は、上記ステップ１０３１の畳み込み演算１の処理方法と同様である。下記表１に畳み込み演算２～７で用いることのできるパラメータを示す。
畳み込み演算２～７により、畳み込み演算１で得られた特徴量Ｇ１はその特徴が保持されたまま次々に行列が畳み込まれて小さくなり、下記表２に示すような特徴量を有する畳み込み層２～７が得られる。なお、各畳み込み層の後には、バッチ正規化（Batch Normalization）を実施してもよい。
次のステップ１０３６では全結合型演算を行う。ここでは上記の畳み込み演算７で得られた特徴量Ｇ７に対して、活性化関数θによる非線形な演算処理を行う。活性化関数θとしてはシグモイド関数、半波整流関数、区分線形凸関数及びＲｅＬＵ関数（正規化線形関数）の様々な形態を用いることができるが、本発明では下記の式（２）で表わされるシグモイド関数を用いるのが好ましい。
Ｇ８＝θ（Ｇ７（ｐ）），
θ（ｘ）＝１／（１＋ｅ－Ｘ） ・・・（２）
（式中、Ｇは特徴量を表し、θはシグモイド関数を表し、ｐはＧ７の各画素を表す。）
θ（ｘ）＝１／（１＋ｅ－Ｘ） ・・・（２）
（式中、Ｇは特徴量を表し、θはシグモイド関数を表し、ｐはＧ７の各画素を表す。）
この全結合型演算処理により、６４ノードの画像データ（特徴量Ｇ８）が得られる。ここで得られた特徴量Ｇ８を全結合層とする。全結合型演算処理では、対象となる層のノードのうちの何割かを無効にするドロップアウトを行ってもよい。ドロップアウトを行うことにより、学習時にネットワークの自由度を強制的に小さくして汎化性能を上げ、過学習を避けることができる。
全結合型演算処理により得られた特徴量Ｇ８は、次いで出力層において、活性化関数により０～１の１次元の実数に変換される。これにより最終的に０～１の間の一個の特徴量として特定の値が出力される。出力層で用いられる活性化関数としては、シグモイド関数、双曲線関数（ｔａｎｈ）、ＲｅＬＵ関数等が挙げられる。
次いで、特徴抽出ステップで最終的に算出された０～１の間の特定の値に基づいて、汚水が仕切板７を越流しているか否かが判別される（越流判別ステップ）。具体的な判別方法としては、特定の値が０．５以上であれば越流状態（１）と判定し、特定の値が０．５未満であれば分断状態（０）と判定するものとする。越流判別ステップにおいて判別された判別結果（越流状態又は分断状態）は、その後、判別結果出力ステップにおいて出力される。
以上の通り、一枚の対象画像データから汚水越流検知装置１００により越流の判別結果を出力する手順を説明した。実際の汚水越流検知方法においては、まず特徴抽出手段１０３の入力層、中間層（各演算処理層）及び出力層について、チャネル数×高さ×幅、カーネルサイズ及びストライドを設定したＣＮＮモデル（例えば、下記実施例の表３を参照）を予め作成する。次いで、汚水処理装置の運転時の写真（仕切板上端部及びその周辺）を多数枚撮影する。各写真について越流状態か分断状態かを担当者が判定しラベリングし（正解データ）、撮影した写真を学習データとテストデータに分類する。学習データにＣＮＮモデルを適用して演算させることにより順方向のデータ伝播を行う。パラメータの学習方法は後述するが、誤差逆伝搬手法などにより学習データの正解データとＣＮＮモデルによる出力データとの誤差が最小となるよう各演算処理のパラメータ（カーネルＣｉの重みパラメータ、バイアス等）が更新される。更新されたパラメータを用いてテストデータの越流判別を行うことにより、汚水の越流を高精度で検知することができる。
（カーネルＣｉの重みパラメータの学習方法）
ここで、特徴変換手段１０３で用いる畳み込みカーネルＣｉの重みパラメータの学習方法について説明する。深層学習においては、下記の式（３）で表されるクロスエントロピー（学習データによる正解データとＣＮＮモデルによる出力データとの誤差を求める誤差関数）を損失関数Ｌ＝Ｈ（ｑ，ｑ’）として用い、誤差が最小になるように重みの値を更新して重みの値を調整する方法が広く知られている。
ここで、特徴変換手段１０３で用いる畳み込みカーネルＣｉの重みパラメータの学習方法について説明する。深層学習においては、下記の式（３）で表されるクロスエントロピー（学習データによる正解データとＣＮＮモデルによる出力データとの誤差を求める誤差関数）を損失関数Ｌ＝Ｈ（ｑ，ｑ’）として用い、誤差が最小になるように重みの値を更新して重みの値を調整する方法が広く知られている。
Ｈ（ｑ，ｑ’）＝ －Σｘ ｑ（ｘ）・Ｌｏｇ ｑ’（ｘ） ・・・（３）
式（３）中、ｑ（ｘ）はカテゴリｘ（越流状態の場合）の真の確率分布であり、ｑ’（ｘ）はＣＮＮモデル（認識システム）が推定したカテゴリｘ（越流状態の場合）の分布である。ここでＣＮＮモデルはカーネルＣｉの演算を部分として含むものとする。
式（３）中、ｑ（ｘ）はカテゴリｘ（越流状態の場合）の真の確率分布であり、ｑ’（ｘ）はＣＮＮモデル（認識システム）が推定したカテゴリｘ（越流状態の場合）の分布である。ここでＣＮＮモデルはカーネルＣｉの演算を部分として含むものとする。
具体的には、まず全ての畳み込みカーネルＣｉの重みＷｉを乱数で初期化する。ここで、Ｗｉはｃｉ×ｄｉ＋１×ｄｉ個の重み変数であり、ｃｉはチャネル数であり、ｄｉとｄｉ＋１はそれぞれ畳み込み演算前と畳み込み演算後の特徴量の次元数である。次に、学習画像データを入力して得られたＣＮＮモデルの出力から、各学習画像の各画素についてカテゴリｘの推定分布ｑ’（ｘ）を計算する。そして下記の式（４）に従って、重みＷｎのｊ番目の要素ｗｎｊの値を更新する。
ｗｎｊ（ｔ＋１）＝ｗｎｊ（ｔ）－η∂Ｌ／∂ｗｎｊ（ｔ），
Ｌ＝ΣｉΣｐＬｉｐ ・・・（４）
式（４）中、Ｌｉｐは学習画像ｉの画素ｐに関する損失関数である。ηは１より小さな値をとる学習係数である。最終層以外の重みパラメータＷｉについては、ニューラルネットで一般的な手法である誤差逆伝搬手法により各層ごとに順次計算して更新すればよい。なお、上記の更新式（４）に慣性項や重みｗｎの減衰項と呼ばれる項を加えたタイプなど派生の形態も様々に存在する。ここで示した学習計算の個々の要素は、深層学習の技術として広く知られている（例えば、深層学習（機械学習プロフェッショナルシリーズ） 岡谷貴之(著)を参照）。
Ｌ＝ΣｉΣｐＬｉｐ ・・・（４）
式（４）中、Ｌｉｐは学習画像ｉの画素ｐに関する損失関数である。ηは１より小さな値をとる学習係数である。最終層以外の重みパラメータＷｉについては、ニューラルネットで一般的な手法である誤差逆伝搬手法により各層ごとに順次計算して更新すればよい。なお、上記の更新式（４）に慣性項や重みｗｎの減衰項と呼ばれる項を加えたタイプなど派生の形態も様々に存在する。ここで示した学習計算の個々の要素は、深層学習の技術として広く知られている（例えば、深層学習（機械学習プロフェッショナルシリーズ） 岡谷貴之(著)を参照）。
ここでは、教師付き学習と呼ばれる、学習データとして正解データを含むデータを入力データとして用いる学習方法の形態について説明した。しかし、中間層のみ非教師型学習を行う形態や、入力層に近い層から一段ずつ教師付き学習を行って一層ずつ追加していく形態など、本発明においては様々な形態によりパラメータを学習することができる。
（プログラム）
本発明の汚水越流検知装置１００においては、以下に説明するような、汚水が仕切板７を越流しているか否かの検知をコンピュータに実行させるプログラムを用いて汚水の越流が検知される。
本発明の汚水越流検知装置１００においては、以下に説明するような、汚水が仕切板７を越流しているか否かの検知をコンピュータに実行させるプログラムを用いて汚水の越流が検知される。
すなわち、本発明のプログラムは、
仕切板７を含む対象画像を取得する画像取得モジュールと、
取得した対象画像を入力画像に加工する画像加工モジュールと、
入力画像を構成する情報に所定の処理を施すことにより特徴量を抽出し、最終的に特定の値を算出する特徴抽出モジュールと、
特定の値に基づいて汚水が仕切板７を越流しているか否かを判別する越流判別モジュールと、を有するプログラムである。
仕切板７を含む対象画像を取得する画像取得モジュールと、
取得した対象画像を入力画像に加工する画像加工モジュールと、
入力画像を構成する情報に所定の処理を施すことにより特徴量を抽出し、最終的に特定の値を算出する特徴抽出モジュールと、
特定の値に基づいて汚水が仕切板７を越流しているか否かを判別する越流判別モジュールと、を有するプログラムである。
本発明のプログラムを構成する画像取得モジュール、画像加工モジュール、特徴抽出モジュール、及び越流判別モジュールのソースコードは、本発明の汚水越流検知装置１００を構成する画像取得手段１０１、画像加工手段１０２、特徴抽出手段１０３、及び越流判別手段１０４で用いる上述した画像処理条件を用い、公知の方法により容易に作成することができる（例えば、深層学習（機械学習プロフェッショナルシリーズ） 岡谷貴之(著)を参照）。
本発明の汚水越流検知装置１００は、汚水処理装置自体とは別個の装置として設置してもよいし、反応槽１及び仕切板７と同様に汚水処理装置の構成要素の１つとして構成されていてもよい。本発明の汚水越流検知装置１００は、反応槽１と仕切板７を備えた汚水処理装置に使用されるのであれば、直接汚水処理装置に接合されている必要はない。
以下、実施例に基づいて本発明の一例を具体的に説明するが、本発明は下記の実施例に限定されるものではない。
１．Ｂ－ＭＢＲ処理システム
図１に示す仕切板挿入型の膜分離活性汚泥処理装置（Ｂ－ＭＢＲ）において、以下の処理条件を用いて汚水の処理を連続的に行った。
（汚水処理条件）
膜反応槽の容積：３．７ｍ３
ＨＲＴ：５．９時間
ＳＲＴ：２６．６日
ＭＬＳＳ濃度：９０００～１１０００ｍｇ／Ｌ
ＰＴＦＥ製膜（膜孔径０．２μｍ）のモジュール（面積３０ｍ２）を２枚使用
膜フラックス：０．２５ｍ３／ｍ２／日
膜曝気空気量：１８ｍ３／時間（ＳＡＤｍ：０．３０ｍ３／ｍ２／時間相当）
図１に示す仕切板挿入型の膜分離活性汚泥処理装置（Ｂ－ＭＢＲ）において、以下の処理条件を用いて汚水の処理を連続的に行った。
（汚水処理条件）
膜反応槽の容積：３．７ｍ３
ＨＲＴ：５．９時間
ＳＲＴ：２６．６日
ＭＬＳＳ濃度：９０００～１１０００ｍｇ／Ｌ
ＰＴＦＥ製膜（膜孔径０．２μｍ）のモジュール（面積３０ｍ２）を２枚使用
膜フラックス：０．２５ｍ３／ｍ２／日
膜曝気空気量：１８ｍ３／時間（ＳＡＤｍ：０．３０ｍ３／ｍ２／時間相当）
２．ＣＮＮモデルの作成
下記表３に示すＣＮＮモデルを作成した。具体的には、深層学習のライブラリーであるＴｏｒｃｈを用いてＣＮＮモデルを定義し、（１）畳み込み層、（２）最大プーリング層、（３）複数の畳み込み層、及び（４）全結合層を順次構成するＣＮＮモデルを設定した。表３には各層のチャネル数×高さ×幅、カーネルサイズ及びストライドを示した。下記のＣＮＮモデルは、入力層及び出力層を含め計１１層の深層学習モデルである。
下記表３に示すＣＮＮモデルを作成した。具体的には、深層学習のライブラリーであるＴｏｒｃｈを用いてＣＮＮモデルを定義し、（１）畳み込み層、（２）最大プーリング層、（３）複数の畳み込み層、及び（４）全結合層を順次構成するＣＮＮモデルを設定した。表３には各層のチャネル数×高さ×幅、カーネルサイズ及びストライドを示した。下記のＣＮＮモデルは、入力層及び出力層を含め計１１層の深層学習モデルである。
３．学習データの作成
Ｂ－ＭＢＲにおいて、反応槽内の仕切板上端の少なくとも一部とその周辺を含む写真を撮影できる位置にカメラを固定した。次いで、Ｂ－ＭＢＲの運転時に、写真を１０秒毎に１０００枚撮影し、高さ４８０×幅６４０の対象画像をＲＧＢ輝度データの形態で取得した（画像取得ステップ）。取得した対象画像をトリミングして高さ３５０×幅４００の画素に変更し、次いで縮小することにより高さ１１６×幅１３３の入力画像を得た（画像加工ステップ）。
Ｂ－ＭＢＲにおいて、反応槽内の仕切板上端の少なくとも一部とその周辺を含む写真を撮影できる位置にカメラを固定した。次いで、Ｂ－ＭＢＲの運転時に、写真を１０秒毎に１０００枚撮影し、高さ４８０×幅６４０の対象画像をＲＧＢ輝度データの形態で取得した（画像取得ステップ）。取得した対象画像をトリミングして高さ３５０×幅４００の画素に変更し、次いで縮小することにより高さ１１６×幅１３３の入力画像を得た（画像加工ステップ）。
各写真について越流状態（１）か分断状態（０）かを担当者が判定しラベリングした（正解データ）。仕切板７の外部領域では脱窒反応が進行し窒素が発生するため汚水の表面は泡状となっている。そのため、越流状態では仕切板７の上端を明確に確認することが困難である。したがって、担当者による越流か否かの判定基準は、仕切板７の上端部分が明確に確認できる場合を分断状態とし、仕切板７の上端部分が明確に確認できない場合を越流状態とした。図４に、越流状態（１）と判定した入力画像の１つを示す。また、図５に、分断状態（０）と判定した入力画像の１つを示す。
４．学習及び越流検知
撮影した１０００枚の写真のうち、９００枚を学習データとし、残りの１００枚の写真をデストデータとした。学習データの入力画像に上記表１のＣＮＮモデルを適用して順次演算処理を行った（特徴抽出ステップ）。各畳み込み層の後には、バッチ正規化（Batch Normalization）を実施し、全結合層においては５０％のドロップアウトを行った。出力層においては、０～１の一次元の実数を出力した。出力層の出力値が０．５以上の場合を越流状態（１）とし、０．５未満の場合を分断状態（０）として越流の判別を行った（越流判別ステップ）。学習は、９００枚の写真について、それぞれの写真に付された正解データに基づき、損失関数を最小化するように各重みパラメータの更新を行う。この一連の作業を１エポックとし、５０エポックまで学習を行った。各エポック終了後に、学習に使用していないテストデータの１００枚についての正解率も求め、その遷移を図７のように確認して学習を行った。更新されたパラメータを用いてテストデータの画像の越流の判別を行った。図７に、エポック数（学習回数）に対する各データの精度（Accuracy）、すなわち正答率の推移を示した。
４．学習及び越流検知
撮影した１０００枚の写真のうち、９００枚を学習データとし、残りの１００枚の写真をデストデータとした。学習データの入力画像に上記表１のＣＮＮモデルを適用して順次演算処理を行った（特徴抽出ステップ）。各畳み込み層の後には、バッチ正規化（Batch Normalization）を実施し、全結合層においては５０％のドロップアウトを行った。出力層においては、０～１の一次元の実数を出力した。出力層の出力値が０．５以上の場合を越流状態（１）とし、０．５未満の場合を分断状態（０）として越流の判別を行った（越流判別ステップ）。学習は、９００枚の写真について、それぞれの写真に付された正解データに基づき、損失関数を最小化するように各重みパラメータの更新を行う。この一連の作業を１エポックとし、５０エポックまで学習を行った。各エポック終了後に、学習に使用していないテストデータの１００枚についての正解率も求め、その遷移を図７のように確認して学習を行った。更新されたパラメータを用いてテストデータの画像の越流の判別を行った。図７に、エポック数（学習回数）に対する各データの精度（Accuracy）、すなわち正答率の推移を示した。
５．結果
図７の結果から、学習モデルに対しては１００％の正答率であり、テストデータに対しては９５％程度の正答率であった。越流状態と分断状態の境目は必ずしも明確ではなく担当者の判断も迷うことが多い。そのため、９５％の正答率は担当者の判断を高い精度で再現するものである。したがって、本発明により、Ｂ－ＭＢＲ処理システムの窒素除去性能を表す越流時間の計測が可能となった。
図７の結果から、学習モデルに対しては１００％の正答率であり、テストデータに対しては９５％程度の正答率であった。越流状態と分断状態の境目は必ずしも明確ではなく担当者の判断も迷うことが多い。そのため、９５％の正答率は担当者の判断を高い精度で再現するものである。したがって、本発明により、Ｂ－ＭＢＲ処理システムの窒素除去性能を表す越流時間の計測が可能となった。
（その他の実施形態）
本発明は、上記実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク若しくは各種記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータ（ＣＰＵやＭＰＵ等）がプログラムを読出し実行する処理である。本発明は、複数の機器から構成されるシステムに適用してもよく、１つの機器からなる装置に適用してもよい。また、本発明は上記実施例に限定されるものではなく、本発明の趣旨に基づき種々の変形が可能であり、それらを本発明の範囲から除外するものではない。すなわち、上述した実施例及びその変形例を組み合わせた構成も全て本発明に含まれ、例えば、少なくとも汚水が仕切板７を越流しているか否かを判別するための汚水越流検知装置１００を有する構成は本発明に含まれる。
本発明は、上記実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク若しくは各種記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータ（ＣＰＵやＭＰＵ等）がプログラムを読出し実行する処理である。本発明は、複数の機器から構成されるシステムに適用してもよく、１つの機器からなる装置に適用してもよい。また、本発明は上記実施例に限定されるものではなく、本発明の趣旨に基づき種々の変形が可能であり、それらを本発明の範囲から除外するものではない。すなわち、上述した実施例及びその変形例を組み合わせた構成も全て本発明に含まれ、例えば、少なくとも汚水が仕切板７を越流しているか否かを判別するための汚水越流検知装置１００を有する構成は本発明に含まれる。
本発明は、汚水処理を安定して実行することができる汚水処理装置及び方法を提供することができる。
１ 反応槽
２ 膜分離装置
４ 散気管
７ 仕切板
９ 原水槽
１００ 汚水越流検知装置
１０１ 画像取得手段
１０２ 画像加工手段
１０３ 特徴抽出手段
１０４ 越流判別手段
１０５ 判別結果出力手段
１０１１ 撮影装置（カメラ）
１０３１ 畳み込み演算１
１０３２ プーリング演算
１０３３ 畳み込み演算２
１０３４ 畳み込み演算３
１０３５ 畳み込み演算４～７
１０３６ 全結合型演算
２ 膜分離装置
４ 散気管
７ 仕切板
９ 原水槽
１００ 汚水越流検知装置
１０１ 画像取得手段
１０２ 画像加工手段
１０３ 特徴抽出手段
１０４ 越流判別手段
１０５ 判別結果出力手段
１０１１ 撮影装置（カメラ）
１０３１ 畳み込み演算１
１０３２ プーリング演算
１０３３ 畳み込み演算２
１０３４ 畳み込み演算３
１０３５ 畳み込み演算４～７
１０３６ 全結合型演算
Claims (7)
- 膜分離装置と前記膜分離装置に気泡を供給する散気管を有する汚水処理装置において、汚水が存在する第１の領域及び前記第１の領域以外の第２の領域の間に配設される隔壁を前記汚水が越流しているか否かを検知する汚水越流検知装置であって、
前記隔壁を含む対象画像を取得する画像取得手段と、
前記取得した対象画像を入力画像に加工する画像加工手段と、
前記入力画像を構成する情報に所定の処理を施すことにより特徴量を抽出し、最終的に特定の値を算出する特徴抽出手段と、
前記特定の値に基づいて前記汚水が前記隔壁を越流しているか否かを判別する越流判別手段と、を備えることを特徴とする汚水越流検知装置。 - 前記所定の処理は畳み込み演算処理、プーリング演算処理、及び全結合型演算処理から選ばれる少なくとも１種の処理であることを特徴とする請求項１記載の汚水越流検知装置。
- 前記畳み込み演算処理及び前記プーリング演算処理が、前記入力画像を構成する情報に少なくとも１回ずつ施されることを特徴とする請求項２記載の汚水越流検知装置。
- 前記入力画像を構成する情報に、（１）前記畳み込み演算処理、（２）前記プーリング演算処理、（３）複数回の前記畳み込み演算処理、及び（４）前記全結合型演算処理をこの順で施すことを特徴とする請求項２又は３記載の汚水越流検知装置。
- 膜分離装置と前記膜分離装置に気泡を供給する散気管を有する汚水処理装置において、汚水が存在する第１の領域及び前記第１の領域以外の第２の領域の間に配設される隔壁を前記汚水が越流しているか否かを検知する汚水越流検知方法であって、
前記隔壁を含む対象画像を取得する画像取得ステップと、
前記取得した対象画像を入力画像に加工する画像加工ステップと、
前記入力画像を構成する情報に所定の処理を施すことにより特徴量を抽出し、最終的に特定の値を算出する特徴抽出ステップと、
前記特定の値に基づいて前記汚水が前記隔壁を越流しているか否かを判別する越流判別ステップと、を有することを特徴とする汚水越流検知方法。 - 膜分離装置と前記膜分離装置に気泡を供給する散気管を有する汚水処理装置において、汚水が存在する第１の領域及び前記第１の領域以外の第２の領域の間に配設される隔壁を前記汚水が越流しているか否かを検知する汚水越流検知方法をコンピュータに実行させるプログラムであって、
前記隔壁を含む対象画像を取得する画像取得モジュールと、
前記取得した対象画像を入力画像に加工する画像加工モジュールと、
前記入力画像を構成する情報に所定の処理を施すことにより特徴量を抽出し、最終的に特定の値を算出する特徴抽出モジュールと、
前記特定の値に基づいて前記汚水が前記隔壁を越流しているか否かを判別する越流判別モジュールと、を有することを特徴とするプログラム。 - 膜分離装置と、前記膜分離装置に気泡を供給する散気管と、汚水が存在する第１の領域及び前記第１の領域以外の第２の領域の間に配設される隔壁を前記汚水が越流しているか否かを検知する汚水越流検知装置と、を備える汚水処理装置であって、
前記汚水越流検知装置は、
前記隔壁を含む対象画像を取得する画像取得手段と、
前記取得した対象画像を入力画像に加工する画像加工手段と、
前記入力画像を構成する情報に所定の処理を施すことにより特徴量を抽出し、最終的に特定の値を算出する特徴抽出手段と、
前記特定の値に基づいて前記汚水が前記隔壁を越流しているか否かを判別する越流判別手段と、を備えることを特徴とする汚水処理装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018036530A JP7029981B2 (ja) | 2018-03-01 | 2018-03-01 | 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置 |
| PCT/JP2019/005371 WO2019167651A1 (ja) | 2018-03-01 | 2019-02-14 | 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018036530A JP7029981B2 (ja) | 2018-03-01 | 2018-03-01 | 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019152968A JP2019152968A (ja) | 2019-09-12 |
| JP7029981B2 true JP7029981B2 (ja) | 2022-03-04 |
Family
ID=67805306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018036530A Active JP7029981B2 (ja) | 2018-03-01 | 2018-03-01 | 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7029981B2 (ja) |
| WO (1) | WO2019167651A1 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021081764A (ja) * | 2019-11-14 | 2021-05-27 | Wota株式会社 | 情報処理装置、方法、プログラム、システム |
| JP7388249B2 (ja) * | 2020-03-06 | 2023-11-29 | 株式会社明電舎 | 汚水処理施設の運転操作量導出装置及び運転操作量導出方法 |
| JPWO2021261543A1 (ja) * | 2020-06-26 | 2021-12-30 | ||
| WO2022004642A1 (ja) * | 2020-06-29 | 2022-01-06 | 国立大学法人北海道大学 | 汚水処理装置及び汚水処理方法 |
| TWI790572B (zh) * | 2021-03-19 | 2023-01-21 | 宏碁智醫股份有限公司 | 影像相關的檢測方法及檢測裝置 |
| CN113800711B (zh) * | 2021-09-02 | 2023-04-07 | 江苏南大华兴环保科技股份公司 | 一种高浓含油香料废水的预处理方法及系统 |
| CN118005195B (zh) * | 2024-03-27 | 2024-08-06 | 广东省源天工程有限公司 | 一种河道生态环境修复系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4059790B2 (ja) | 2003-02-28 | 2008-03-12 | 義公 渡辺 | 膜分離活性汚泥処理装置及び膜分離活性汚泥処理方法 |
| JP6125137B1 (ja) | 2016-11-17 | 2017-05-10 | 三菱電機株式会社 | 水位計測装置及び水位計測方法 |
| JP6539901B2 (ja) | 2015-03-09 | 2019-07-10 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
| JP6873600B2 (ja) | 2016-03-04 | 2021-05-19 | キヤノン株式会社 | 画像認識装置、画像認識方法及びプログラム |
-
2018
- 2018-03-01 JP JP2018036530A patent/JP7029981B2/ja active Active
-
2019
- 2019-02-14 WO PCT/JP2019/005371 patent/WO2019167651A1/ja active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4059790B2 (ja) | 2003-02-28 | 2008-03-12 | 義公 渡辺 | 膜分離活性汚泥処理装置及び膜分離活性汚泥処理方法 |
| JP6539901B2 (ja) | 2015-03-09 | 2019-07-10 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
| JP6873600B2 (ja) | 2016-03-04 | 2021-05-19 | キヤノン株式会社 | 画像認識装置、画像認識方法及びプログラム |
| JP6125137B1 (ja) | 2016-11-17 | 2017-05-10 | 三菱電機株式会社 | 水位計測装置及び水位計測方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019167651A1 (ja) | 2019-09-06 |
| JP2019152968A (ja) | 2019-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7029981B2 (ja) | 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置 | |
| CN111476283A (zh) | 基于迁移学习的青光眼眼底图像识别方法 | |
| CN114998210B (zh) | 一种基于深度学习目标检测的早产儿视网膜病变检测系统 | |
| WO2018150210A1 (en) | Evaluating quality of a product such as a semiconductor substrate | |
| CN101421730A (zh) | 基于相机用户输入的图像价值指数 | |
| Raza et al. | Deconvolving convolutional neural network for cell detection | |
| CN114581456B (zh) | 一种多图像分割模型的构建方法、图像检测方法及装置 | |
| CN111027347A (zh) | 一种视频识别方法、装置和计算机设备 | |
| Nagamani et al. | Tomato leaf disease detection using deep learning techniques | |
| CN111104976B (zh) | 一种基于时间序列图像的蓝藻覆盖率计算方法 | |
| CN113237881B (zh) | 一种特定细胞的检测方法、装置和病理切片检测系统 | |
| CN112766040B (zh) | 残余饵料的探测方法、设备、装置及可读存储介质 | |
| CN117690128A (zh) | 胚胎细胞多核目标检测系统、方法和计算机可读存储介质 | |
| CN116342505A (zh) | 一种好氧颗粒污泥颗粒化程度的检测方法及检测系统 | |
| US20220284236A1 (en) | Blur classification and blur map estimation | |
| CN117457187A (zh) | 基于人工智能的骨科病变辅助诊断方法 | |
| JP2022142749A (ja) | 水処理システム | |
| CN109978029B (zh) | 一种基于卷积神经网络的无效图像样本筛选方法 | |
| CN114494176A (zh) | 镜头脏污检测方法及系统 | |
| CN112418252A (zh) | 基于图像内含社交网络平台指纹的起源社交网络识别方法 | |
| Jule et al. | Micrarray Image Segmentation Using Protracted K-Means Net Algorithm in Enhancement of Accuracy and Robustness | |
| JP2023535144A (ja) | 多相の生体画像を用いて学習されたニューラルネットワークを用いた疾患診断方法、およびそれを行う疾患診断システム | |
| JP2020185551A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
| CN113012217A (zh) | 基于图像处理的焊接焊缝定位用卷积神经网络的构建方法 | |
| US20210081784A1 (en) | Device and computer implemented method for training an artificial neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210225 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211116 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220113 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220201 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220221 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7029981 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |