JP7337583B2 - 水生生物を飼育するための水槽内の水のきれいさを判定する判定システム、および水槽内の水質を維持するための水処理システムおよび水処理方法 - Google Patents

Description

本発明は、水槽内の水のきれいさを判定する判定システムに関し、特に、餌を定期的に投入して魚類、海獣類等の水生生物を飼育するための展示用の水槽内の水質を判定する判定システムに関する。また、本発明は、そのような水槽内の水質を維持するための水処理システムおよび水処理方法に関する。

鑑賞用に飼育される魚類、海獣類等の水生生物には、定期的に給餌がなされている。そのため、水生生物の飼育に使用される水槽内の水は、残餌や飼育生物の排泄物などによって濁る。濁りが生じた水槽水を浄化するために、水槽の水を抜き出して、砂ろ過で処理し、処理した水を水槽に戻す循環方法が一般に採用されている。

例えば、特許文献１では、水槽の水を微生物付着媒体あるいは粒状ろ材を用いて、循環濾過すると共に循環濾過工程の逆洗排水を膜分離工程で分離し、分離水を再利用する水の濾過方法が開示されている。

養殖や水族館のようなアンモニア態窒素が含まれる海水を、膜ろ過を用いて浄化する方法も知られている。例えば、特許文献２には、膜ろ過を利用した水中生物の飼育水の製造装置の例が開示されている。特許文献３には、被処理水を膜モジュールに循環させてろ過処理する膜ろ過廃水処理装置の例が開示されている。

特許文献４には、水棲生物を飼育するための飼育水槽の飼育水を処理するための水処理システムにおいて、脱窒菌による生物的反応と電気化学的反応を組み合わせて脱窒反応を行わせる脱窒槽を設け、脱窒槽に隔膜を設けることによって脱窒槽を陰極室と陽極室とに区分けし、陰極室と陽極室との各々に飼育水を通水し、飼育水槽と脱窒槽との間で飼育水を循環するようにした水処理システムの例が開示されている。

特許文献５には、飼育水をろ過工程を通じて循環する方法において、砂層の上に生物付着単体層を配置した複数ろ過層を用いて飼育水をろ過することが開示されている。
特許文献６には、膜ろ過運転中に原水の水質を測定して、膜面への汚濁負荷を演算し、その汚濁負荷をパラメータとして逆洗工程に移行する膜ろ過装置の運転制御方法の例が開示されている。

特許第２５２０８０５号公報 特開２０１５－１８１９７３号公報 特開２０００－６１４６６号公報 特開２００３－１８９３８号公報 特許第６２１６１７４号公報 特開２００８－２２９５８３号公報

水族館などに設置されている展示用の水槽は、人が見てきれいと感じるような水を貯留していることが求められている。水槽内の水のきれいさを判定する要素として、濁度や色度がある。しかしながら、それらの数値が極めて低い場合には、測定装置の検出限界以下となり定量化が難しい場合があった。また、水槽の奥行きが長い場合には、低い濁度でも水が濁って見える場合がある。

実際に水槽内の水が濁った場合は、過去の知見に基づきベテランの運転員が水処理装置の運転条件を決定し、水槽内のきれいさを目視で確認しながら、運転条件の変更を行っている。しかし、これは運転員の経験と技量に依るところが大きく、運転員による判断にばらつきがあり、水槽内のきれいさが安定しない場合があった。

本発明は上記の点に鑑みてなされたものであり、その目的は、水槽内の水のきれいさ、すなわち水槽内の水質を正しく判定することができる判定システムを提供することにある。また、本発明は、水槽内の水質（きれいさ）を維持することができる水処理システムおよび水処理方法を提供することにある。

一態様では、生物飼育用の水槽内の水のきれいさを判定する判定システムであって、前記水槽を含む水循環経路内の水の画像を生成する撮像装置と、前記水の画像のデータを、機械学習アルゴリズムにより構築された画像解析モデルに入力し、前記水のきれいさの判定結果を出力する水質判定装置を備えている、判定システムが提供される。

一態様では、前記画像解析モデルは、前記水循環経路内の水の画像と、前記水循環経路内の水のきれいさを示す数値との複数の組み合わせからなる学習データを用いて、機械学習アルゴリズムに従って構築された学習済みモデルである。
一態様では、前記撮像装置は、前記水槽に隣接して配置されており、前記水槽内の水の画像を生成するように配置されている。

一態様では、生物飼育用の水槽と、前記水槽から抜き出した水を浄化する浄化装置と、前記水槽と前記浄化装置とを接続する循環ラインと、前記水槽、前記浄化装置、および前記循環ラインを含む水循環経路内の水の画像を生成する撮像装置と、前記水の画像のデータを、機械学習アルゴリズムにより構築された画像解析モデルに入力し、前記水のきれいさの判定結果を出力する水質判定装置と、前記判定結果に基づいて前記浄化装置の動作を制御する運転制御部を備えている、水処理システムが提供される。

一態様では、前記画像解析モデルは、前記水循環経路内の水の画像と、前記水循環経路内の水のきれいさを示す数値との複数の組み合わせからなる学習データを用いて、機械学習アルゴリズムに従って構築された学習済みモデルである。
一態様では、前記撮像装置は、前記水槽に隣接して配置されており、前記水槽内の水の画像を生成するように配置されている。
一態様では、前記浄化装置は、砂ろ過装置を備えている。
一態様では、前記浄化装置は、凝集剤注入装置、浮上ろ過装置、繊維ろ過装置、膜ろ過装置、泡沫分離処理装置、オゾン処理装置、ＵＶ処理装置、接触酸化処理装置のうちの少なくとも１つをさらに備えている。

一態様では、生物飼育用の水槽、前記水槽から抜き出した水を浄化する浄化装置、および前記水槽と前記浄化装置とを接続する循環ラインを含む水循環経路内の水の画像を生成し、前記水の画像のデータを、機械学習アルゴリズムにより構築された画像解析モデルに入力し、前記水のきれいさの判定結果を前記画像解析モデルから出力し、前記判定結果に基づいて前記浄化装置の動作を制御する、水処理方法が提供される。
一態様では、前記画像解析モデルは、前記水循環経路内の水の画像と、前記水循環経路内の水のきれいさを示す数値との複数の組み合わせからなる学習データを用いて、機械学習アルゴリズムに従って構築された学習済みモデルである。

ディープラーニング等の機械学習アルゴリズムにより、水質判定装置は、水のきれいさの状態を学習し、ベテランの運転員と同等、あるいは同等以上の水のきれいさの判定が可能な画像解析モデルを構築することで、水槽内の水質、具体的には水のきれいさの判定を、適切およびリアルタイムに行うことができる。また、本発明によれば、実際に水質変動が水槽内で起こった場合においても、水処理システムは、水の画像に基づいて、水のきれいさを適切に判定でき、適切な水処理が可能となり、水槽内のきれいさを安定的に保つことができる。

水処理システムの一実施形態を示す図である。 水の画像の一例を示す模式図である。 水処理システムの他の実施形態を示す図である。 水処理システムのさらに他の実施形態を示す図である。 画像解析モデルの一例を示す模式図である。 水処理システムのさらに他の実施形態を示す図である。 水質判定装置の構成の一実施形態を示す模式図である。

以下、図面を参照しながら本発明の実施形態に係る水のきれいさを判定する判定システム、およびその判定結果を活用した水処理システムの最適化運転について説明する。なお、以下に示す実施形態は、この発明の技術的思想を具体化するための装置や方法を例示するものであって、この発明は、下記の実施形態に限定されるものではない。

水のきれいさとは、人が水を目視したときに水がきれいであると感じる程度を表す心理的な評価であり、主として水質に依存する。水質を決定する要素には、濁度［FTUまたはNTU、度］、透明度［m］、透視度［cm］、微粒子量、色度、色彩（ＸＹＺ表色系で表現する色度）などが挙げられる。しかしながら、これらの要素の数値に基づいて水がきれいか否かを一意に決定することは難しい。例えば、濁度が低いと、一般に、人は水をきれいと感じるが、濁度が同じであっても、人は、青色の水を、黄色い水よりもきれいと感じる傾向がある。このように、水のきれいさは、観察者の感覚に依存して変わりうる。

水の濁度、微粒子量、色度、色彩などを測定する装置は存在する。これらの測定装置から得られた測定値と「きれいさ」との認知関係性、それぞれの測定値の影響度等に基づいて、多変量解析などの手法を用いて「きれいさ」を判定することもできるが、本発明では水の画像に基づいて水のきれいさを判断することに特徴がある。

以下に説明する実施形態は、人によって変わりうる水のきれいさの判断のばらつきをなくし、かつ人の感覚に基づいて構築された学習済みモデルを用いて水のきれいさを判定する判定システムを提供する。特に、以下に説明する判定システムは、熟練した観察者と同等、あるいは同等以上の水のきれいさの判定が可能である。

まず、水処理システムの構成の一実施形態について記載する。本実施形態に係る水処理システムは、淡水又は海水などの自然水からなる水を収容し、各種水生生物、特に魚類や海獣類を鑑賞用に飼育するための水族館等に設置可能な水槽の循環浄化システム（生命維持システム：Ｌｉｆｅ Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍ）である。本実施形態に係る水処理システムは、水槽から抜き出した水を浄化した後に水槽に戻す白濁浄化処理装置に好適に利用することができる。

図１に示すように、水処理システムは、水を貯留する水槽１と、水槽１から抜き出した水を浄化する浄化装置３と、水槽１と浄化装置３との間での水の循環の可能とする循環ライン７と、水槽１を少なくとも含む水循環経路内の水のきれいさを判定する判定システム１１と、水のきれいさの判定結果に基づいて浄化装置３の動作を制御する運転制御部２０とを備えている。

循環ライン７の一端は、水槽１の側壁または底部に接続され、循環ライン７の他端は水槽１の側壁または上部に接続されている。水は、循環ライン７を通って水槽１と浄化装置３との間を循環する。本実施形態においては、水循環経路は、水槽１と、浄化装置３と、循環ライン７を含んでいる。すなわち、水は、水槽１と、浄化装置３と、循環ライン７を通って循環する。水のきれいさを判定する判定システム１１は、水循環経路内の水の画像を生成する撮像装置１２と、水の画像に基づいて水循環経路内の水のきれいさを判定する水質判定装置１３を備えている。

水槽１としては特に限定されるものではないが、水族館の展示水槽、養殖用水槽、活魚水槽等の種々の形状及び大きさの水槽が使用できる。特に、高い澄明性が要求される水を貯留する展示用の水槽が好適に使用できる。

水槽１内には、魚介類、甲殻類、海水ほ乳類、水生植物、海草等を含む水生生物を収容することができる。水槽１の容量は特に限定されるものではないが、数ｍ^３～数万ｍ^３程度の容量の水槽１を用いることができる。例えば、容量が１ｍ^３以上、更には１０００ｍ^３以上、更には５０００ｍ^３以上の容量を持つ水槽１を用いることができる。

浄化装置３は、砂ろ過装置４と、水槽１と砂ろ過装置４との間に配置された循環ポンプ６を備えている。循環ポンプ６および砂ろ過装置４は、循環ライン７に接続されている。循環ポンプ６が作動すると、水は循環ライン７を通って水槽１と砂ろ過装置４との間を循環する。より具体的には、循環ポンプ６が作動すると、水槽１内の水は循環ライン７および循環ポンプ６を通って砂ろ過装置４に送られ、砂ろ過装置４を通過することによって浄化され、浄化された水は循環ライン７を通って水槽１に戻される。

浄化装置３に送られる水には、水槽１内の水生生物が排泄する尿素、残餌が分解されて発生したアンモニア等が含まれている。浄化装置３は、このような水を浄化処理するための装置である。

本実施形態では、浄化装置３は砂ろ過装置４を備えているが、浄化装置３の具体的構成は特に限定されない。図示しないが、一実施形態では、浄化装置３は、水槽１から砂ろ過装置４に送られる水に凝集剤を注入する凝集剤注入装置をさらに備えてもよい。凝集剤の例としては、ポリ塩化アルミニウム（ＰＡＣ）、通常のＰＡＣよりも塩基度が高い高塩基度ポリ塩化アルミニウムが挙げられる。

浄化装置３は、砂ろ過装置４に加えて、または代えて、浮上ろ過装置、繊維ろ過装置、膜ろ過装置などの種々のろ過装置、泡沫分離処理装置、オゾン処理装置、ＵＶ処理装置、接触酸化処理装置のうちの少なくとも１つを備えてもよい。特許文献５に記載されるような、砂を充填した砂層と、砂層の上部に堆積され、表面又は内部に微生物担体を付着させた微生物付着担体層の複数ろ過層からなる処理装置を本実施形態の浄化装置３として使用してもよい。

微生物の付着していないろ材のみによる物理ろ過による処理装置も、本実施形態の浄化装置３に含むことができる。例えば、浄化装置３は、砂ろ過装置４に加えて、または代えて、浮上ろ過装置、繊維ろ過装置、膜ろ過装置などの種々のろ過装置を備えてもよい。浮上ろ過装置は、ろ材が配置された容器内に被処理水を上向流に通水し、ろ材を浮上させてろ過する装置である。ろ材の種類は、特に制限なく、種々の素材、サイズ、形状のものが使用できる。例えば、ろ材としては、アンスラサイト、ウレタンフォーム、活性炭、ポリスチレン、ポリプロピレン等が挙げられる。繊維ろ過装置は、繊維ろ材を用いたろ過装置である。

浄化装置３は、砂ろ過装置４に加えて、または代えて、泡沫分離処理装置、オゾン処理装置、ＵＶ処理装置、接触酸化処理装置のうちの少なくとも１つを備えてもよい。泡沫分離処理装置は、気泡を発生させて、水に含まれる異物を気泡に吸着させることで水を浄化する装置である。オゾン処理およびＵＶ処理は、有機物の酸化分解及び微生物や細菌、ウイルスの殺菌処理等を主たる目的として行われる。オゾン処理装置は、例えば、水にオゾン含有気体を吹き込むことにより水を処理する装置である。オゾンを被処理水に含ませる方法には、公知の方法が適用できる。ＵＶ処理装置は、被処理水に３８０ｎｍ以下の光を照射することで水を処理する装置である。ＵＶ処理装置に使用される光源は、特に制限されない。例えば、光源の例として、低圧水銀ランプ、中圧水銀ランプ、ＬＥＤなどが挙げられる。

接触酸化処理装置は、石などの媒体や紐状繊維、各種プラスチックろ材に担持された微生物が水中の有機物を処理する装置である。微生物付着媒体は、好気的状態でも嫌気的状態でもよいが、少なくとも好気的に維持された充填層に保持されることが好ましい。好気、嫌気の各条件を維持する方法には、公知の方法が適用できる。

好気条件を維持する方法としては、被処理水に酸素を吹き込むことにより酸素を被処理水に含ませ、その水をろ過層に通す方法や、直接酸素をろ過層に供給する方法等が挙げられる。被処理水に酸素を含ませてろ過層に通す場合には、水槽１内の水を一旦、曝気槽に移送して曝気槽内で酸素を水中に溶解させる方法や、ろ過設備の前段に泡沫分離処理装置を設置する方法等が挙げられる。直接酸素をろ過層に供給する場合には、散気装置により直接ろ過層下部から酸素を供給する方法等が挙げられる。

次に、撮像装置１２、水質判定装置１３、および運転制御部２０について記載する。撮像装置１２は、水槽１、浄化装置３、および循環ライン７を含む水循環経路内の水の静止画像または連続画像を生成することができるイメージセンサ（例えばＣＣＤイメージセンサまたはＣＭＯＳイメージセンサ）を備えたデジタルカメラである。デジタルカメラの仕様としては、常に焦点距離を一定とさせるため、マニュアルフォーカス機能を備えたものが望ましく、画素数は５００万画素以上、望ましくは１，０００万画素以上のものが好適である。

本実施形態においては、撮像装置１２は、水槽１の側壁に隣接して配置されており、水槽１の内部を向いている。より具体的には、図１に示すように、撮像装置１２は、水槽１の側壁の透明窓１ａを通して水槽１内の水の画像を生成するように配置されている。水槽１の内部には、水槽１内の水のきれいさの判定を容易にするために、ターゲット１５が配置されている。ターゲット１５は、物体でもよく、あるいは水槽１の壁面に描かれた模様であってもよい。撮像装置１２は、ターゲット１５を向いて配置されている。

図２は、図１に示す撮像装置１２によって生成された画像の一例を示す模式図である。本実施形態においては、撮像装置１２は、ターゲット１５が画像上に現れるように配置される。一実施形態では、撮像装置１２は、水槽１の上方から水槽１内の水の画像を生成するように配置されてもよい。さらに、一実施形態では、撮像装置１２は、水槽１に流入する水、または水槽１から流出した水の画像を生成するように配置されてもよい。具体的には、図３に示すように、撮像装置１２は、浄化装置３から水槽１に延びる循環ライン７の部分を流れる水の画像を撮像するように配置されていてもよいし、または、図４に示すように、水槽１から浄化装置３に延びる循環ライン７の部分を流れる水の画像を撮像するように配置されていてもよい。

撮像装置１２によって生成された画像は、水質判定装置１３に送られる。撮像装置１２は、通信ネットワーク、有線通信、無線通信などの信号伝送装置によって水質判定装置１３に接続されている。水質判定装置１３は、水のきれいさを画像から判定する画像解析モデルが格納された記憶装置１１０と、画像解析モデルの演算アルゴリズムに従って演算を実行する演算装置１２０を備えている。水質判定装置１３は、少なくとも１台のコンピュータから構成されている。

画像解析モデルは、ニューラルネットワークから構成されている。記憶装置１１０には、画像解析モデルを機械学習アルゴリズムに従って構築するためのプログラムがさらに格納されている。演算装置１２０は、プログラムに含まれる命令に従って演算を実行することによって画像解析モデルを構築するように構成されている。機械学習アルゴリズムに従って画像解析モデルを構築することは、画像解析モデルを構成するニューラルネットワークの重みなどのパラメータを最適化する工程を含む。

機械学習アルゴリズムの例としては、ＳＶＲ法（サポートベクター回帰法）、ＰＬＳ法（部分最小二乗法：Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）、ディープラーニング法（深層学習法）、ランダムフォレスト法、または決定木法などが挙げられるが、特にディープラーニング法が好適である。ディープラーニング法は、隠れ層が多層化されたニューラルネットワークをベースとする学習法である。本明細書では、入力層と、二層以上の隠れ層と、出力層で構成されるニューラルネットワークを用いた機械学習をディープラーニングと称する。ディープラーニング法を用いることで、これまで人の目と経験を基に判定していた水のきれいさを、水の画像に基づいてコンピュータにより判定が可能となる。

画像解析モデルは、水の画像と、その水のきれいさを示す数値との複数の組み合わせからなる学習データ（訓練データまたは教師データともいう）を用いて構築された、学習済みモデルである。学習データを構成する水の画像は、撮像装置１２によって生成される。学習データを構成する、水のきれいさを示す数値は、正解データであり、熟練した人が水槽１内の水を見てその水のきれいさを３段階評価で表した数値である。本実施形態では、水のきれいさを示す数値は、１：きれい、２：ふつう、３：改善必要の３段階評価で与えられる。ただし、本発明は、３段階評価に限らず、例えば、２段階評価、または４段階評価またはそれ以上の段階評価であってもよい。

画像解析モデルのパラメータ（重みなど）を最適化するために、水の画像と、その水のきれいさを示す数値との多数の組み合わせからなる学習データが用意される。水質判定装置１３は、この学習データを用いて機械学習アルゴリズムにより画像解析モデルを構築する。画像解析モデルのパラメータには、重みの他に、バイアスが含まれることがある。このようにして構築された学習済みモデルである画像解析モデルは、記憶装置１１０内に格納される。

水質判定装置１３は、画像のデータを所定の周期で撮像装置１２から取得し、記憶装置１１０内に記憶する。水質判定装置１３は、画像のデータを画像解析モデルに入力し、水のきれいさを示す数値、すなわち判定結果を画像解析モデルから出力する。

図５は、画像解析モデルの一例を示す模式図である。画像解析モデルは、入力層１０１と、複数の隠れ層（中間層ともいう）１０２と、出力層１０３を有したニューラルネットワークである。図５に示す画像解析モデルは、４つの隠れ層１０２を有しているが、画像解析モデルの構成は図５に示す実施形態に限られない。画像解析モデルは、５つ以上の隠れ層１０２を有してもよい。

画像解析モデルの入力層１０１には水の画像のデータが入力される。より具体的には、画像のデータを構成する各ピクセルの数値が入力層１０１に入力される。画像はカラー画像であるので、各ピクセルの赤色、緑色、青色を表す数値が凝集剤判定モデルの入力層１０１の対応するノード（ニューロン）に入力される。

画像解析モデルの出力層１０３は、水のきれいさを表す数値を出力する。例えば、水のきれいさを示す数値が、１：きれい、２：ふつう、３：改善必要の３段階評価で与えられている場合は、画像解析モデルの出力層１０３は、１から３までのいずれかの数値を出力する。ただし、図５に示す画像解析モデルの構成は一例であって、本発明は、図５に示す例に限定されない。

上記のように構築された画像解析モデルに、水の画像データを入力すると、コンピュータから構成された水質判定装置１３は、ニューラルネットワークを構成する多層パーセプトロンのアルゴリズムに従って演算を実行し、画像解析モデルは、水のきれいさの判定結果を表す数値を出力する。

画像解析モデルから出力された数値（１～３のうちのいずれか）は、水質判定装置１３から運転制御部２０に送られる。運転制御部２０は、少なくとも１台のコンピュータから構成されている。運転制御部２０は、通信ネットワーク、有線通信、無線通信などの信号伝送装置によって水質判定装置１３に接続されている。運転制御部２０は、水質判定装置１３から送られた水のきれいさの判定結果、すなわち水のきれいさを示す数値に基づいて浄化装置３の運転を制御する。例えば、水のきれいさを示す数値が１：「きれい」であれば、運転制御部２０は、現状の浄化装置３の運転条件を維持するか、或いは、省エネを図るために、循環ポンプ６の回転速度を低下させてもよい。水のきれいさを示す数値が２：「ふつう」であれば、運転制御部２０は、浄化装置３の現状の運転条件を維持する。

水のきれいさを示す数値が３：「改善必要」であれば、運転制御部２０は、循環ポンプ６の回転速度を増加させ、浄化装置３に移送される水の流量を増加させる。浄化装置３が凝集剤注入装置を備えている場合は、運転制御部２０は、凝集剤注入装置に指令を発して、凝集剤の水への注入率を増加させてもよい。運転制御部２０は、循環ポンプ６の回転速度と凝集剤の注入率の両方を増加させてもよい。浄化装置３が、砂ろ過装置４に加えて、オゾン処理装置を備えている場合は、運転制御部２０は、オゾン処理装置に指令を発してオゾンの水への注入率を増加させてもよい。運転制御部２０は、循環ポンプ６の回転速度とオゾンの注入率の両方を増加させてもよい。

このように、水槽１と浄化装置３との間を循環する水のきれいさ（または水質）が、予め設定されたレベルに維持されるように、運転制御部２０は、水のきれいさの判定結果に基づいて、浄化装置３の動作を制御する。最適な判定結果は、任意に設定することができる。例えば、数値１を基準に設定してもよいし、または数値２を基準に設定してもよい。

撮像装置１２は、所定の周期で、例えば１時間毎に水の画像を生成し、画像のデータを水質判定装置１３に送る。水質判定装置１３は、画像のデータを受け取ると、画像のデータを画像解析モデルに入力し、水のきれいさの判定結果を出力する。判定結果は運転制御部２０に送られ、運転制御部２０は判定結果に基づいて浄化装置３の動作を制御する。このように、水処理システムは、水のきれいさの判定結果から、浄化装置３の動作を自動的に最適化することが可能となる。

図６は、水処理システムのさらに他の実施形態を示す図である。特に説明しない本実施形態の構成および動作は、上述した実施形態と同じであるので、その重複する説明を省略する。本実施形態の水処理システムは、水循環流路内の水の濁度を測定する濁度測定装置３０をさらに備えている。濁度測定装置３０は、運転制御部２０に電気的に接続されている。濁度測定装置３０は、水の濁度を測定し、濁度の測定値を運転制御部２０に送信するように構成されている。

図６に示す実施形態では、濁度測定装置３０は、水槽１から浄化装置３に延びる循環ライン７に接続されており、水槽１から流出した水の濁度を測定するように配置されている。一実施形態では、濁度測定装置３０は、水槽１内の水の濁度を測定するために、水槽１内に配置されてもよい。図３に示す実施形態の場合は、濁度測定装置３０は、水槽１に流入する水の濁度を測定するために、浄化装置３から水槽１に延びる循環ライン７に接続されてもよい。

図６に示すように、浄化装置３は、砂ろ過装置４に加えて、オゾン処理装置３３と、水槽１からの水を砂ろ過装置４またはオゾン処理装置３３のいずれかに選択的に導く流路切換弁３５をさらに備えている。砂ろ過装置４とオゾン処理装置３３は、並列に配列されている。流路切換弁３５は、電動モータなどのアクチュエータを備えたアクチュエータ駆動型の自動弁である。流路切換弁３５は運転制御部２０に電気的に接続されており、流路切換弁３５の動作は運転制御部２０によって制御される。

水のきれいさを決定する要素を、主として濁度と色度と仮定したとき、水質判定装置１３によって得られた水のきれいさの判定結果と、濁度測定装置３０によって得られた濁度の測定値とから、水の色度を推定することができる。具体的には、運転制御部２０は、水のきれいさの判定結果を示す数値から、濁度の測定値を減算することで、水の色度を推定することができる。

オゾン処理装置３３は、水の色を除去する機能を有する。したがって、水の色度が予め設定されたしきい値よりも高い場合には、運転制御部２０は、流路切換弁３５を操作して、水槽１からの水をオゾン処理装置３３に導く。結果として、水の色が除去される。一方、水の色度が予め設定されたしきい値よりも低い場合は、運転制御部２０は、流路切換弁３５を操作して、水槽１からの水を砂ろ過装置４に導く。このようにして、水処理システムは、色度の推定値に基づいて、水に対する適切な処理を実行することができる。一実施形態では、浄化装置３は、オゾン処理装置３３に代えて、泡沫分離処理装置を備えてもよい。泡沫分離処理装置は、オゾン処理装置３３と同様に、水の色を除去する機能を有している。

上述した各実施形態における水質判定装置１３は、少なくとも１台のコンピュータから構成されている。前記少なくとも１台のコンピュータは、１台のサーバまたは複数台のサーバであってもよい。水質判定装置１３は、撮像装置１２に通信線で接続されたエッジサーバであってもよいし、インターネットなどのネットワークによって撮像装置１２に接続されたクラウドサーバであってもよいし、あるいは撮像装置１２に接続されたネットワーク内に設置されたフォグコンピューティングデバイス（ゲートウェイ、フォグサーバ、ルーターなど）であってもよい。水質判定装置１３は、インターネットなどのネットワークにより接続された複数のサーバであってもよい。例えば、水質判定装置１３は、エッジサーバとクラウドサーバとの組み合わせであってもよい。

図７は、水質判定装置１３の構成の一実施形態を示す模式図である。水質判定装置１３は、プログラム、画像解析モデル、データなどが格納された記憶装置１１０と、記憶装置１１０に格納されているプログラムに含まれる命令、および画像解析モデルの演算アルゴリズムに従って演算を行うＣＰＵ（中央処理装置）またはＧＰＵ（グラフィックプロセッシングユニット）などの演算装置１２０と、データ、プログラム、および各種情報を記憶装置１１０に入力するための入力装置１３０と、処理結果や処理されたデータを出力するための出力装置１４０と、インターネットまたはローカルエリアネットワークなどの通信ネットワークに接続するための通信装置１５０を備えている。

記憶装置１１０は、演算装置１２０がアクセス可能な主記憶装置１１１と、プログラム、画像解析モデル、データを格納する補助記憶装置１１２を備えている。主記憶装置１１１は、例えばランダムアクセスメモリ（ＲＡＭ）であり、補助記憶装置１１２は、ハードディスクドライブ（ＨＤＤ）またはソリッドステートドライブ（ＳＳＤ）などのストレージ装置である。

入力装置１３０は、キーボード、マウスを備えており、さらに、記録媒体からプログラムおよびデータを読み取るための記録媒体読み取り装置１３２と、記録媒体が接続される記録媒体ポート１３４を備えている。記録媒体は、非一時的な有形物であるコンピュータ読み取り可能な記録媒体であり、例えば、光ディスク（例えば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ）や、半導体メモリー（例えば、ＵＳＢフラッシュドライブ、メモリーカード）である。記録媒体読み取り装置１３２の例としては、ＣＤ－ＲＯＭドライブ、ＤＶＤ－ＲＯＭドライブなどの光学ドライブや、メモリーリーダーが挙げられる。記録媒体ポート１３４の例としては、ＵＳＢポートが挙げられる。記録媒体に記憶されているプログラムおよび／またはデータは、入力装置１３０を介して水質判定装置１３に導入され、記憶装置１１０の補助記憶装置１１２に格納される。出力装置１４０は、ディスプレイ装置１４１、印刷装置１４２を備えている。

機械学習アルゴリズムにより構築された学習済みモデルは記憶装置１１０に格納されている。この学習済みモデルは、入力層と、複数の隠れ層（中間層ともいう）と、出力層を有したニューラルネットワークである（図５参照）。水質判定装置１３を構成するコンピュータは、記憶装置１１０に電気的に格納されたプログラムに従って動作する。すなわち、水質判定装置１３を構成するコンピュータは、水循環経路内の水（例えば水槽１内の水）の画像のデータを撮像装置１２から取得するステップと、画像のデータを、学習済みモデルである画像解析モデルに入力するステップと、ニューラルネットワークを構成する多層パーセプトロンのアルゴリズムに従って演算を実行することによって、画像解析モデルから、水のきれいさの判定結果を表す数値を出力するステップを実行する。さらに、水質判定装置１３を構成するコンピュータは、上記画像解析モデルを構築するステップ、および上記画像解析モデルを更新するステップを実行する。

上記ステップを水質判定装置１３に実行させるためのプログラムは、非一時的な有形物であるコンピュータ読み取り可能な記録媒体に記録され、記録媒体を介して水質判定装置１３に提供される。または、プログラムは、インターネットなどの通信ネットワークを介して通信装置１５０から水質判定装置１３に入力されてもよい。

上述した実施形態は、本発明が属する技術分野における通常の知識を有する者が本発明を実施できることを目的として記載されたものである。上記実施形態の種々の変形例は、当業者であれば当然になしうることであり、本発明の技術的思想は他の実施形態にも適用しうる。したがって、本発明は、記載された実施形態に限定されることはなく、特許請求の範囲によって定義される技術的思想に従った最も広い範囲に解釈されるものである。

１ 水槽
３ 浄化装置
４ 砂ろ過装置
６ 循環ポンプ
７ 循環ライン
１１ 判定システム
１２ 撮像装置
１３ 水質判定装置
２０ 運転制御部
３０ 濁度測定装置
３３ オゾン処理装置
３５ 流路切換弁
１１０ 記憶装置
１２０ 演算装置

Claims (10)

1. 水生生物飼育に用いられる展示用水槽内の水のきれいさを判定する判定システムであって、
   前記水槽、前記水槽から抜き出した水を浄化する浄化装置、および前記水槽と前記浄化装置との間で水を循環させる循環ラインを含む水循環経路内の水の画像を生成する撮像装置と、
   前記水の画像のデータを、機械学習アルゴリズムにより構築された画像解析モデルに入力し、前記水のきれいさの判定結果を出力する水質判定装置を備え、
   前記撮像装置は、前記水槽に隣接して配置されており、前記水槽内の水の画像を生成するように配置されていることを特徴とする水生生物を飼育するための水槽内の水のきれいさを判定する判定システム。
2. 生物飼育用の水槽内の水のきれいさを判定する判定システムであって、
   前記水槽内の壁面に配置されたターゲットと、
   前記水槽内の前記ターゲットおよび水の画像を生成する撮像装置と、
   前記ターゲットおよび前記水の画像のデータを、機械学習アルゴリズムにより構築された画像解析モデルに入力し、前記水のきれいさの判定結果を出力する水質判定装置を備えていることを特徴とする判定システム。
3. 前記画像解析モデルは、前記水の画像と、前記水のきれいさを示す数値との複数の組み合わせからなる学習データを用いて、機械学習アルゴリズムに従って構築された学習済みモデルである、請求項１または２に記載の判定システム。
4. 生物飼育用の水槽と、
   前記水槽から抜き出した水を浄化する浄化装置と、
   前記水槽と前記浄化装置とを接続する循環ラインと、
   前記水槽内の壁面に配置されたターゲットと、
   前記水槽内の前記ターゲットおよび水の画像を生成する撮像装置と、
   前記ターゲットおよび前記水の画像のデータを、機械学習アルゴリズムにより構築された画像解析モデルに入力し、前記水のきれいさの判定結果を出力する水質判定装置と、
   前記判定結果に基づいて前記浄化装置の動作を制御する運転制御部を備えていることを特徴とする水槽内の水質を維持するための水処理システム。
5. 前記画像解析モデルは、前記水の画像と、前記水のきれいさを示す数値との複数の組み合わせからなる学習データを用いて、機械学習アルゴリズムに従って構築された学習済みモデルである、請求項４に記載の水処理システム。
6. 前記撮像装置は、前記水槽に隣接して配置されており、前記水槽内の水の画像を生成するように配置されている、請求項４または５に記載の水処理システム。
7. 前記浄化装置は、砂ろ過装置を備えている、請求項４乃至６のいずれか一項に記載の水処理システム。
8. 前記浄化装置は、凝集剤注入装置、浮上ろ過装置、繊維ろ過装置、膜ろ過装置、泡沫分離処理装置、オゾン処理装置、ＵＶ処理装置、接触酸化処理装置のうちの少なくとも１つをさらに備えている、請求項７に記載の水処理システム。
9. 生物飼育用の水槽から抜き出した水を浄化装置により浄化し、
   前記水槽内の壁面に配置されたターゲットおよび前記水槽内の水の画像を生成し、
   前記ターゲットおよび前記水の画像のデータを、機械学習アルゴリズムにより構築された画像解析モデルに入力し、前記水のきれいさの判定結果を前記画像解析モデルから出力し、
   前記判定結果に基づいて前記浄化装置の動作を制御することを特徴とする水処理方法。
10. 前記画像解析モデルは、前記水の画像と、前記水のきれいさを示す数値との複数の組み合わせからなる学習データを用いて、機械学習アルゴリズムに従って構築された学習済みモデルである、請求項９に記載の水処理方法。

Images