JP7385417B2 - 情報処理装置、情報処理方法、および情報処理プログラム - Google Patents
情報処理装置、情報処理方法、および情報処理プログラム Download PDFInfo
- Publication number
- JP7385417B2 JP7385417B2 JP2019188126A JP2019188126A JP7385417B2 JP 7385417 B2 JP7385417 B2 JP 7385417B2 JP 2019188126 A JP2019188126 A JP 2019188126A JP 2019188126 A JP2019188126 A JP 2019188126A JP 7385417 B2 JP7385417 B2 JP 7385417B2
- Authority
- JP
- Japan
- Prior art keywords
- detection
- unit
- information processing
- trained model
- image
- 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
- 230000010365 information processing Effects 0.000 title claims description 79
- 238000003672 processing method Methods 0.000 title claims description 8
- 238000001514 detection method Methods 0.000 claims description 579
- 238000000034 method Methods 0.000 claims description 47
- 230000010354 integration Effects 0.000 claims description 16
- 239000010813 municipal solid waste Substances 0.000 description 112
- 230000008569 process Effects 0.000 description 41
- 238000012545 processing Methods 0.000 description 34
- 238000013500 data storage Methods 0.000 description 19
- 239000000428 dust Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000000605 extraction Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012790 confirmation Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004056 waste incineration Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000002023 wood Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Description
近年、ごみ焼却施設への焼却不適物(以下、単に不適物と呼ぶ)の投入が問題となっている。不適物が焼却炉に投入されることで、焼却炉における燃焼の悪化、焼却炉の灰出し設備での閉塞などが発生したり、場合によっては、焼却炉を緊急停止させたりすることもある。従来は、ごみ焼却施設の従業員が、収集したごみをランダムに選択し、選択したごみに不適物が含まれていないかを手作業で確認しており、作業員の負担が大きかった。
本実施形態に係る不適物検出システムの構成を図2に基づいて説明する。図2は、不適物検出システム100の構成例を示すブロック図である。不適物検出システム100は、情報処理装置1、ごみ撮影装置2、車両情報収集装置3、選択表示装置4、および不適物表示装置5を含む。
図3は、ごみ焼却施設において、ごみ収集車200がごみをごみピット内に投下している様子を示す図である。図4は、ごみピット内を示す図である。ごみピットは、ごみ焼却施設に収集されたごみを一時的に格納する場所であり、ごみピット内のごみは順次焼却炉に送り込まれて焼却される。図3に示すように、ごみ焼却施設には扉300A、300Bといった複数の扉(以降、区別する必要が無い場合、扉300と総称する)が設けられている。また、図4に示すように、扉300の先にはごみピットが設けられている。つまり、扉300が開放されることで、ごみピットへごみを投下するための投下口が現れる。図3に示すように、ごみ収集車200は、投下口からごみをごみピット内に投下する。
情報処理装置1の構成を図1に基づいて説明する。図1は、情報処理装置1の制御部10の機能ブロック図の一例である。図1に示す制御部10には、第1検出部101、第2検出部102、学習部103、選択表示制御部104、搬入車両特定部105、および不適物表示制御部106が含まれている。また、図1に示す大容量記憶部12には、入力データ格納部121、検出結果格納部122、学習済みモデル格納部123、および教師データ格納部124が含まれている。
図5は、本実施形態の情報処理装置1が実行する処理の流れを説明する図である。本実施形態の情報処理装置1が実行する処理とその実行順序は、例えば、図5に示す設定ファイルF1により定義することができると共に、同図のフローチャートで表すこともできる。
図5に示す設定ファイルF1は、セクションごとに区切られたデータ構造である。1つのセクションは、セクション名から開始する。図5の例では、“[”と“]”に囲まれた文字列がセクション名であり、具体的には[EX1]と[EX2]がセクション名である。1つのセクションは、次のセクションの開始または設定ファイル終了により終了する。1つのセクションに各段階で実行する内容を定義する。
本例の<KEY>では、セクション毎に「script」、「src」、および「dst」の3つを定義している。このうち「script」は、実行するスクリプトのファイル名を示す。スクリプトファイルは、例えば不適物を検出するアルゴリズムであり、このアルゴリズムには、不適物検出以外の処理が含まれていてもよい。
図5に示すフローチャートの処理(情報処理方法)を説明する。このフローチャートは同図に示す設定ファイルF1に沿った処理の流れを示している。このフローチャートの処理が行われる前に、ごみ撮影装置2で撮影された動画ファイルが入力データ格納部121の「ex_src」に格納されているとする。なお、動画ファイルの代わりに、該動画ファイルから抽出された複数のフレーム画像またはごみ撮影装置2により時系列で撮影された複数の静止画ファイルが格納されていてもよい。
本実施形態のように、学習済みモデルに対する入力データが画像データである場合、第1検出部101は、画像データの解像度を低下させて第1の学習済みモデルに入力してもよい。あるいは、第2検出部102が、画像データの解像度を低下させて第2の学習済みモデルに入力してもよい。入力する画像データの解像度を低下させることにより、学習済みモデルを用いた物体検出処理の演算量を減らし、その所要時間を短縮することができる。
上述の第1の学習済みモデルおよび第2の学習済みモデルの構築と再学習について図6に基づいて説明する。図6は、学習済みモデルの構築と再学習を説明する図である。ここではニューラルネットワークの学習済みモデルを構築する例を説明する。ニューラルネットワークを利用する場合、中間層を複数としてもよく、この場合の機械学習は深層学習となる。無論、中間層の数は1つとしてもよいし、ニューラルネットワーク以外の機械学習アルゴリズムを適用することもできる。
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。これは後述の実施形態3も同様である。
本実施形態の情報処理装置1の制御部10の構成例を図7に基づいて説明する。図7は、実施形態2に係る情報処理装置1が備える制御部10の構成例を示すブロック図である。また、図7では、大容量記憶部12についても併せて図示している。
図8は、本実施形態の情報処理装置1が実行する処理の流れを説明する図である。本実施形態の情報処理装置1が実行する処理とその実行順序は、例えば、図8に示す設定ファイルF2により定義することができると共に、同図のフローチャートで表すこともできる。
設定ファイルF2では、[EX_all]、[EX_goza]、および[EX_tree]という3つのセクションがこの順序で定義されている。それぞれのスクリプトの詳細は省略するがSC11およびSC12と同様である。[EX_all]で用いる学習済みモデルはSC11と同じであり、全ての検出対象物(例えば、段ボール、板、木、ござ、および長尺物)を検出するセクションである。[EX_goza]は、検出対象物のうちござの検出に特化したセクションであり、[EX_tree]は、検出対象物のうち木の検出に特化したセクションである。
制御部10は、[EX_all]に定義されているファイル名が「all」であるスクリプトファイルを実行することにより、第1検出部201として機能する。また、制御部10は、上記スクリプトファイルの実行終了後に、[EX_goza]に定義されているファイル名が「goza」であるスクリプトファイルを実行することにより、第2検出部202Aとして機能する。そして、制御部10は、上記スクリプトファイルの実行終了後に、[EX_tree]に定義されているファイル名が「tree」であるスクリプトファイルを実行することにより、第2検出部202Bとして機能する。
本実施形態の情報処理装置1の制御部10の構成例を図9に基づいて説明する。図9は、実施形態3に係る情報処理装置1が備える制御部10の構成例を示すブロック図である。また、図9では、大容量記憶部12についても併せて図示している。
図10は、本実施形態の情報処理装置1が実行する処理の流れを説明する図である。本実施形態の情報処理装置1が実行する処理とその実行順序は、例えば、図10に示す設定ファイルF3により定義することができると共に、同図のフローチャートで表すこともできる。
設定ファイルF3では、[EX_trash]、[EX_all]、[EX_bag]、および[EX_final]という4つのセクションがこの順序で定義されている。[EX_all]は、図5のセクション[EX1]と同じであり、全ての検出対象物(例えば、段ボール、板、木、ござ、および長尺物)を検出するセクションである。[EX_trash]は、ごみが写っている画像と写っていない画像の中からごみが写っている画像を抽出するセクションである。また、[EX_bag]はごみ袋とスロープ600(図4参照)を検出対象とするセクションであり、[EX_final]は、[EX_all]の結果から[EX_bag]の結果を除いた結果を出力するセクションである。
制御部10は、[EX_trash]に定義されているファイル名が「trash」であるスクリプトファイルを実行することにより、ごみ画像抽出部301として機能する。また、制御部10は、上記スクリプトファイルの実行終了後に、[EX_all]に定義されているファイル名が「all」であるスクリプトファイルを実行することにより、第1検出部302として機能する。そして、制御部10は、上記スクリプトファイルの実行終了後に、[EX_bag]に定義されているファイル名が「bag」であるスクリプトファイルを実行することにより、第2検出部303として機能する。さらに、制御部10は、上記スクリプトファイルの実行終了後に、[EX_final]に定義されているファイル名が「final」であるスクリプトファイルを実行することにより、検出結果統合部304として機能する。
上述の各実施形態における物体検出や物体の分類等には、機械学習済みのニューラルネットワーク(深層学習したものを含む)以外の人工知能・機械学習アルゴリズムを用いることもできる。
101、201、302 第1検出部
102、202A、202B、303 第2検出部
304 検出結果統合部
Claims (4)
- 複数種類の第1の検出対象を検出できるように機械学習された第1の学習済みモデルに入力データを入力して上記第1の検出対象を検出する第1検出部と、
上記第1の検出対象とは異なる第3の検出対象を検出できるように機械学習された第3の学習済みモデルに上記入力データを入力して上記第3の検出対象を検出する第2検出部と、を備え、
上記第1検出部の検出結果と、上記第2検出部の検出結果とに基づいて、最終の検出結果を確定し、
上記第1検出部が第1の検出対象として検出した検出対象から、上記第2検出部が第3の検出対象として検出したものを除いた残りを、上記第1の検出対象の検出結果とする検出結果統合部を備えている、ことを特徴とする情報処理装置。 - 上記入力データは画像データであり、
上記第1検出部が、上記画像データの解像度を低下させたデータを上記第1の学習済みモデルに入力するか、または、
上記第2検出部が、上記画像データの解像度を低下させたデータを上記第3の学習済みモデルに入力する、ことを特徴とする請求項1に記載の情報処理装置。 - 1または複数の情報処理装置により実行される情報処理方法であって、
複数種類の検出対象を検出できるように機械学習された第1の学習済みモデルに入力データを入力して、該入力データから上記検出対象を検出する第1検出ステップと、
上記第1の学習済みモデルとは異なる検出対象を検出できるように機械学習された第3の学習済みモデルに上記入力データを入力して、該入力データから検出対象を検出する第2検出ステップと、
上記第1検出ステップの検出結果と、上記第2検出ステップの検出結果とに基づいて、最終の検出結果を確定する確定ステップと、を含み、
上記確定ステップでは、上記第1検出ステップで検出された検出対象から、上記第2検出ステップで検出対象として検出されたものを除いた残りを、最終の検出結果とする、ことを特徴とする情報処理方法。 - 請求項1に記載の情報処理装置としてコンピュータを機能させるための情報処理プログラムであって、上記第1検出部、上記第2検出部、および上記検出結果統合部としてコンピュータを機能させるための情報処理プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019188126A JP7385417B2 (ja) | 2019-10-11 | 2019-10-11 | 情報処理装置、情報処理方法、および情報処理プログラム |
CN202011063846.1A CN112651281A (zh) | 2019-10-11 | 2020-09-30 | 信息处理装置、信息处理方法、以及记录介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019188126A JP7385417B2 (ja) | 2019-10-11 | 2019-10-11 | 情報処理装置、情報処理方法、および情報処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021064139A JP2021064139A (ja) | 2021-04-22 |
JP7385417B2 true JP7385417B2 (ja) | 2023-11-22 |
Family
ID=75346565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019188126A Active JP7385417B2 (ja) | 2019-10-11 | 2019-10-11 | 情報処理装置、情報処理方法、および情報処理プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7385417B2 (ja) |
CN (1) | CN112651281A (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015079308A (ja) | 2013-10-15 | 2015-04-23 | 国立大学法人広島大学 | 認識システム |
JP2018081629A (ja) | 2016-11-18 | 2018-05-24 | 住友電気工業株式会社 | 判定装置、判定方法および判定プログラム |
JP2019046007A (ja) | 2017-08-31 | 2019-03-22 | 株式会社Pfu | 座標検出装置及び学習済みモデル |
JP2019061496A (ja) | 2017-09-26 | 2019-04-18 | 株式会社エクォス・リサーチ | 情報処理装置 |
JP2019106090A (ja) | 2017-12-14 | 2019-06-27 | オムロン株式会社 | 識別装置、識別方法及びプログラム |
-
2019
- 2019-10-11 JP JP2019188126A patent/JP7385417B2/ja active Active
-
2020
- 2020-09-30 CN CN202011063846.1A patent/CN112651281A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015079308A (ja) | 2013-10-15 | 2015-04-23 | 国立大学法人広島大学 | 認識システム |
JP2018081629A (ja) | 2016-11-18 | 2018-05-24 | 住友電気工業株式会社 | 判定装置、判定方法および判定プログラム |
JP2019046007A (ja) | 2017-08-31 | 2019-03-22 | 株式会社Pfu | 座標検出装置及び学習済みモデル |
JP2019061496A (ja) | 2017-09-26 | 2019-04-18 | 株式会社エクォス・リサーチ | 情報処理装置 |
JP2019106090A (ja) | 2017-12-14 | 2019-06-27 | オムロン株式会社 | 識別装置、識別方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021064139A (ja) | 2021-04-22 |
CN112651281A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102220174B1 (ko) | 머신러닝 학습 데이터 증강장치 및 증강방법 | |
Bayar et al. | Design principles of convolutional neural networks for multimedia forensics | |
US8316022B2 (en) | Information processing apparatus and information processing method | |
WO2021217775A1 (zh) | 一种基于神经网络模型融合的废钢评级方法及装置 | |
CN109508694A (zh) | 一种人脸识别方法及识别装置 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN111563557A (zh) | 一种电力电缆隧道内目标检测的方法 | |
CN105843947A (zh) | 基于大数据关联规则挖掘的异常行为检测方法和系统 | |
CN110851866A (zh) | 一种基于区块链的垃圾分类方法及系统 | |
WO2020164278A1 (zh) | 一种图像处理方法、装置、电子设备和可读存储介质 | |
EP3812937A1 (en) | System and method for protection and detection of adversarial attacks against a classifier | |
CN105791766A (zh) | 一种监控方法及监控装置 | |
CN114937179B (zh) | 垃圾图像分类方法、装置、电子设备及存储介质 | |
WO2020071558A1 (ja) | 帳票レイアウト解析装置、その解析プログラムおよびその解析方法 | |
CN110245673A (zh) | 车位检测方法及装置 | |
JP7385417B2 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
Sharma et al. | Deepfakes Classification of Faces Using Convolutional Neural Networks. | |
CN110532772A (zh) | 文件检测方法、模型、设备及计算机可读存储介质 | |
CN116189063B (zh) | 一种用于智能视频监控的关键帧优化方法及装置 | |
CN112364824A (zh) | 一种多分辨率网络结构的翻拍检测方法 | |
CN112766176A (zh) | 轻量化卷积神经网络的训练方法及人脸属性识别方法 | |
JP7414456B2 (ja) | 情報処理装置、同一性判定方法、および同一性判定プログラム | |
Gola et al. | MaskNet: Detecting different kinds of face mask for Indian ethnicity | |
Kakran et al. | Identification and Recognition of face and number Plate for Autonomous and Secure Car Parking | |
WO2019039758A1 (ko) | 개선된 뉴럴 네트워크를 생성하고 학습시키기 위한 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220901 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230710 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230718 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230914 |
|
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: 20231024 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231110 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7385417 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |