TW202309445A - 資訊處理方法、資訊處理裝置、及資訊處理程式 - Google Patents
資訊處理方法、資訊處理裝置、及資訊處理程式 Download PDFInfo
- Publication number
- TW202309445A TW202309445A TW111126220A TW111126220A TW202309445A TW 202309445 A TW202309445 A TW 202309445A TW 111126220 A TW111126220 A TW 111126220A TW 111126220 A TW111126220 A TW 111126220A TW 202309445 A TW202309445 A TW 202309445A
- Authority
- TW
- Taiwan
- Prior art keywords
- waste
- facility
- model
- garbage
- image data
- Prior art date
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 108
- 238000003672 processing method Methods 0.000 title claims abstract description 55
- 239000002699 waste material Substances 0.000 claims abstract description 312
- 239000010813 municipal solid waste Substances 0.000 claims abstract description 279
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 88
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000003756 stirring Methods 0.000 claims description 15
- 238000002156 mixing Methods 0.000 claims description 5
- 238000003702 image correction Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 8
- 238000002485 combustion reaction Methods 0.000 description 33
- 239000000463 material Substances 0.000 description 21
- 238000001514 detection method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 230000007613 environmental effect Effects 0.000 description 13
- 238000000034 method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 9
- -1 sacks Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000009434 installation Methods 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000010802 sludge Substances 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 3
- 235000017491 Bambusa tulda Nutrition 0.000 description 3
- 241001330002 Bambuseae Species 0.000 description 3
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 3
- 235000019735 Meat-and-bone meal Nutrition 0.000 description 3
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 3
- 229920006328 Styrofoam Polymers 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000010868 animal carcass Substances 0.000 description 3
- 239000002956 ash Substances 0.000 description 3
- 239000011425 bamboo Substances 0.000 description 3
- 239000002360 explosive Substances 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 239000010806 kitchen waste Substances 0.000 description 3
- 239000002906 medical waste Substances 0.000 description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 3
- 229910052753 mercury Inorganic materials 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000000123 paper Substances 0.000 description 3
- 239000010893 paper waste Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 239000010902 straw Substances 0.000 description 3
- 239000008261 styrofoam Substances 0.000 description 3
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 3
- 229920002554 vinyl polymer Polymers 0.000 description 3
- 239000002023 wood Substances 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000013502 plastic waste Substances 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
- F23G5/50—Control or safety arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Incineration Of Waste (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明之生成識別廢棄物的種類之識別演算法的資訊處理方法包含以下步驟：藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，而生成即是廢棄物種類之識別演算法的第一模型；及藉由對所生成之第一模型，追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施之廢棄物對應的識別演算法之第二模型。
Description
本揭示係關於一種生成識別廢棄物之種類的識別演算法之資訊處理方法、資訊處理裝置、及資訊處理程式。
在廢棄物處理設施中，係將各種廢棄物搬入垃圾坑內。此等廢棄物貯存於垃圾坑內後，投入焚化爐進行焚化處理。投入焚化爐之廢棄物的質料會影響燃燒。此外，垃圾坑內也含有直接投入時會造成機器故障的廢棄物。因而過去之設施為了使燃燒穩定化，且不致發生機器故障，係由駕駛目視垃圾坑內，識別垃圾種類，藉由吊車對廢棄物進行攪拌操作、及對焚化爐進行投入操作。
本案申請人曾提出一種使用識別貯存於垃圾坑內之廢棄物種類的識別演算法（學習完成模型），自動識別廢棄物，來進行吊車操作的技術（參照日本特開2020－038058號公報）。
（發明所欲解決之問題）
本案發明人為了找出使用上述識別演算法之垃圾識別方法的改良技術而積極進行檢討。結果獲得以下之見解。另外，以下之見解僅是成為形成本技術的契機者，而並非限定本技術者。
亦即，如圖8所示，由於機械學習（有教師學習）在學習上需要成為解答之大量資料，因此使用過去之識別演算法（過去模型）的垃圾識別方法需要多量之每個廢棄物處理設施必須新準備的圖像資料及教師資料。
但是，新型建設設施中將識別演算法引進的情況下，由於從開始接受廢棄物至設施開始正式運轉為止的期間有限，因此需要在短期間進行圖像資料之收集、教師資料之製作、及此等的學習。
此外，即使在短期間進行圖像資料之收集、教師資料之製作、及此等的學習，因為新型設施中出現頻率少之廢棄物的教師資料少，所以藉由識別演算法識別其廢棄物之精度不高。
此外，廢棄物處理設施除了不同設施之垃圾坑的形狀及尺寸不同之外，各種環境條件（例如，用於取得圖像之攝影機(camera)的設置位置、角度、照明條件等）也不同，因此，即使將使用某個設施之圖像資料及教師資料而製作的識別演算法照樣使用在其他設施上，仍無法獲得充分之識別精度。
希望提供一種可減少在新型引進設施中將識別廢棄物之種類的識別演算法引進之工時，且識別精度高之資訊處理方法、資訊處理裝置、及資訊處理程式。
（解決問題之手段）
本揭示一個樣態之資訊處理方法包含以下步驟：
藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，而生成即是廢棄物種類之識別演算法的第一模型；及
藉由對所生成之第一模型，追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施之廢棄物對應的識別演算法之第二模型。
本揭示一個樣態之資訊處理裝置具備：
第一模型生成部，其係藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，而生成即是廢棄物種類之識別演算法的第一模型；及
第二模型生成部，其係藉由對所生成之第一模型，追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施之廢棄物對應的識別演算法之第二模型。
實施形態之第一樣態的資訊處理方法包含以下步驟：
藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，而生成即是廢棄物種類之識別演算法的第一模型；及
藉由對所生成之第一模型，追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施之廢棄物對應的識別演算法之第二模型。
採用此種樣態時，在對新型引進設施（第二設施）引進識別演算法前，可使用在複數個設施中不限制期間所收集、生成的多量教師資料預先學習。此外，即使對於1個設施中出現頻率少的廢棄物，仍可使用充分量的教師資料進行學習。再者，因為可使用也考慮到各設施之垃圾坑的形狀及尺寸差異、以及各種環境條件（例如，用於取得圖像之攝影機的設置位置、角度、照明條件等）之差異的各式各樣教師資料進行學習，所以可獲得具有強健性（對各式各樣資料可穩定進行精確識別的性質）之識別演算法（第一模型）。
其次，對此種第一模型追加學習在新型引進設施（第二設施）中收集、生成了的教師資料，而生成第二模型。此處，按照本案發明人之見解，用於追加學習之教師資料（在新型引進設施中所收集、生成了的教師資料）之量，對用於生成第一模型時的教師資料（在複數個設施中所收集、生成了的教師資料）之量只需少量即可。少量時，不易影響新型引進設施之環境條件（用於取得圖像之攝影機的設置位置、角度、照明條件等）、及未來環境的變化（垃圾袋之形狀及顏色的變化、坑側壁長年形成的污垢等）。不過，不存在於第一教師資料之種類的廢棄物存在於新型引進設施時，藉由事先在新型引進設施中收集、生成的教師資料中包含其廢棄物的教師資料，可生成可識別其之第二模型。藉由如此構成，可獲得相當程度保持強健性，且對應於新型引進設施之識別精度高的模型（第二模型）。此外，可減少在新型引進設施中引進識別廢棄物之種類的識別演算法之工時。
實施形態之第二樣態的資訊處理方法如第一樣態之資訊處理方法，
其中前述第二圖像資料及前述第二教師資料在其圖像中包含前述第二設施之垃圾坑的側壁及／或進行廢棄物之攪拌或搬送的吊車。
採用此種樣態時，因為可進行考慮到在新型引進設施（第二設施）中之垃圾坑的形狀及尺寸、以及吊車之形狀及尺寸的差異之追加學習，所以藉由第二模型對側壁及／或吊車的識別精度提高，與使用僅有廢棄物之資料（亦即圖像中不含垃圾坑之側壁及／或吊車的資料）時比較，亦可提高廢棄物之種類的識別精度。
實施形態之第三樣態的資訊處理方法如第一或第二樣態之資訊處理方法，
其中前述第二教師資料對前述第一教師資料之量低於或等於30％。
實施形態之第四樣態的資訊處理方法如第三樣態之資訊處理方法，
其中前述第二教師資料對前述第一教師資料之量低於或等於15％。
實施形態之第五樣態的資訊處理方法如第四樣態之資訊處理方法，
其中前述第二教師資料對前述第一教師資料之量低於或等於5％。
實施形態之第六樣態的資訊處理方法如第一至第五樣態中任何一個樣態之資訊處理方法，
其中前述識別演算法包含使用：線型迴歸、玻耳茲曼機（Boltzmann Machine）、類神經網路、支援向量機（Support Vector Machine）、貝氏網路（Bayesian Network）、稀疏迴歸（Sparse Regression）、決策樹、隨機森林（Random Forest）之統計性推斷、強化學習、深層學習中的1個或2個以上。
實施形態之第七樣態的資訊處理方法如第一至第六樣態中任何一個樣態之資訊處理方法，
其中前述第二教師資料包含對拍攝了前述第二設施之垃圾坑內的整個圖像附上了標籤者。
採用此種樣態時，因為可進行考慮到藉由設置於新型引進設施（第二設施）之拍攝裝置所獲得的在垃圾坑內之圖像的外貌（視野及視角）資訊之追加學習，所以可提高第二模型對廢棄物之種類的識別精度。
實施形態之第八樣態的資訊處理方法如第一至第六樣態中任何一個樣態之資訊處理方法，
其中前述第二教師資料包含剪下拍攝了前述第二設施之垃圾坑內的圖像之一部分，而僅該剪下部分附上了標籤者。
採用此種樣態時，與對整個圖像附上標籤時比較，可大幅削減教師資料之資料量及製作工時。
實施形態之第九樣態的資訊處理方法如第一至第八樣態中任何一個樣態之資訊處理方法，
其中前述生成第二模型之步驟使用的前述第二圖像資料係用於將拍攝了前述第二設施之垃圾坑內的圖像資料輸入前述第一模型，來識別廢棄物之種類後，從此等圖像資料中選擇識別精度比預定之基準（第一基準）低的圖像資料者。
採用此種樣態時，可在第二設施中確認第一模型無法獲得充分識別精度之廢棄物的種類，主要使用包含該種類之圖像資料及教師資料進行追加學習，藉此，可有效率進行學習資料之收集及學習。
實施形態之第十樣態的資訊處理方法如第一至第九樣態中任何一個樣態之資訊處理方法，
其中前述生成第一模型之步驟，係一併學習各設施中之攝影條件及／或攝影環境之資訊。
採用此種樣態時，即使因故障等造成攝影條件（攝影機之解像度、曝光時間、增益、焦點等）及攝影環境（不同的時間及天氣的自然光量、照明的開啟（ON）／關閉（OFF）等）改變仍可運用。
實施形態之第十一樣態的資訊處理方法如第一至第十樣態中任何一個樣態之資訊處理方法，
其中前述第一圖像資料係對拍攝了各設施之垃圾坑內的圖像資料，將拍攝了在前述複數個設施間共同之圖像修正用色標（Color Chart）的圖像作為參照，來進行色調、亮度、彩度中之至少1個修正者。
採用此種樣態時，可修正在照明、自然光條件不同之複數個設施所拍攝的圖像之色調、亮度、彩度的差異，藉此，可提高識別演算法之識別精度。
實施形態之第十二樣態的資訊處理方法如第一至第十樣態中任何一個樣態之資訊處理方法，
其中前述第一圖像資料係與在前述複數個設施間共同之圖像修正用色標一起拍攝了各設施的垃圾坑內者。
即使採用此種樣態，仍可修正在照明及自然光條件不同之複數個設施所拍攝的圖像之色調、亮度、彩度的差異，藉此，可提高識別演算法之識別精度。
實施形態之第十三樣態的資訊處理方法如第一至第十二樣態中任何一個樣態之資訊處理方法，
其中前述第二圖像資料包含對依據前述第二設施之三維設計資料所製作的垃圾坑之側壁及／或進行廢棄物之攪拌或搬送的吊車之構思圖像(rendering image)，合成拍攝了前述複數個設施之垃圾坑內的廢棄物、或與前述複數個設施及前述第二設施之任何一個皆不同的其他設施之垃圾坑內的廢棄物之圖像者。
採用此種樣態時，可在新型引進設施（第二設施）之坑施工、吊車安裝完成前，製作關於坑及吊車等外貌的圖像資料，並可使用於學習。
實施形態之第十四樣態的資訊處理方法如第一至第十三樣態中任何一個樣態之資訊處理方法，
其中在所生成之第二模型開始運用後，進一步包含以下步驟：定期監控運用時之識別精度，當識別精度比預定之基準（第二基準）低時，對前述第二模型藉由追加學習此時之廢棄物的圖像資料、與對其圖像中之廢棄物附上了種類標籤的教師資料，來更新前述第二模型。
採用此種樣態時，可對應廢棄物之種類變化及廢棄物之各種類的構成比率之變化等。
實施形態之第十五樣態的資訊處理方法如第一至第十四樣態中任何一個樣態之資訊處理方法，
其中進一步包含以下步驟：藉由對所生成之第二模型，追加學習拍攝了與前述複數個設施及前述第二設施之任何一個皆不同的第三設施之垃圾坑內的第三圖像資料、及對其圖像中之廢棄物附上了種類標籤的第三教師資料，而生成即是與前述第三設施之廢棄物對應的識別演算法之第三模型。
採用此種樣態時，因為可利用對前述第一教師資料追加學習了第二教師資料之模型（第二模型），作為進一步使用在其他設施（第三設施）中之第三教師資料的追加學習用基礎模型，所以可期待逐次提高廢棄物之種類的識別精度。
實施形態之第十六樣態的資訊處理裝置具備：
第一模型生成部，其係藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上種類標籤的第一教師資料，而生成即是廢棄物種類之識別演算法的第一模型；及
第二模型生成部，其係藉由對所生成之第一模型，追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施之廢棄物對應的識別演算法之第二模型。
實施形態之第十七樣態的電腦可讀取之記錄媒體非暫態性記錄有以下之墜落者檢測程式：資訊處理程式係
使電腦執行以下步驟：
藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，而生成即是廢棄物種類之識別演算法的第一模型；及
藉由對所生成之第一模型，追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施之廢棄物對應的識別演算法之第二模型。
實施形態之第十八樣態的資訊處理方法包含以下步驟：對藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，所生成之即是廢棄物種類的識別演算法之第一模型，藉由追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施的廢棄物對應之識別演算法的第二模型，使用該第二模型將拍攝了前述第二設施之垃圾坑內的新圖像資料作為輸入，來識別貯存於該垃圾坑內之廢棄物的種類。
實施形態之第十九樣態的資訊處理裝置係具備種類識別部，其係對藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，所生成之即是廢棄物種類的識別演算法之第一模型，藉由追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施的廢棄物對應之識別演算法的第二模型，使用該第二模型將拍攝了前述第二設施之垃圾坑內的新圖像資料作為輸入，來識別貯存於該垃圾坑內之廢棄物的種類。
實施形態之第二十樣態的電腦可讀取之記錄媒體非暫態性記錄有以下之墜落者檢測程式：資訊處理程式係
使電腦執行以下步驟：
對藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，所生成之即是廢棄物種類的識別演算法之第一模型，藉由追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成之即是與前述第二設施的廢棄物對應之識別演算法的第二模型，使用該第二模型將拍攝了前述第二設施之垃圾坑內的新圖像資料作為輸入，來識別貯存於該垃圾坑內之廢棄物的種類。
以下，參照附圖詳細說明實施形態之具體例。另外，以下之說明及以下說明所使用的圖式，就可相同構成之部分使用相同符號，並且省略重複之說明。
圖1係顯示一種實施形態之廢棄物處理設施100（以下，稱第二設施）的構成之概略圖。
如圖1所示，廢棄物處理設施100具備：裝載廢棄物之搬送車輛（垃圾收集車）22停車的平台(platform)21；貯存從平台21投入之廢棄物的垃圾坑3；攪拌及搬送貯存於垃圾坑3內之廢棄物的吊車5；投入藉由吊車5而搬送之廢棄物的料斗4；焚燒從料斗4所投入之廢棄物的焚化爐1；及從在焚化爐1內產生之排放氣體回收排熱的排熱鍋爐2。焚化爐1之種類並非限於圖1所示之爐床（Stoker）式爐者，亦包含流動爐（亦稱為流動床爐）。此外，垃圾坑3之構造並非限於圖1所示之1段坑者，亦包含將垃圾坑分割成投入部與貯存部之2段坑。此外，廢棄物處理設施100中設有：控制吊車5之動作的吊車控制裝置50；及控制廢棄物在焚化爐1內燃燒之燃燒控制裝置20。
在裝載於搬送車輛22之狀態下而搬入的廢棄物從平台21投入垃圾坑3內，並在垃圾坑3內貯存。貯存於垃圾坑3內之廢棄物藉由吊車5攪拌，並且藉由吊車5搬送至料斗4，再經由料斗4投入焚化爐1內部，並在焚化爐1內部焚燒處理。
如圖1所示，廢棄物處理設施100中設有：拍攝垃圾坑3內之影像的拍攝裝置6（以下，亦稱為攝影機）；及識別垃圾坑3內之廢棄物種類的資訊處理裝置10。
拍攝裝置6配置於垃圾坑3之上方，圖示之例係固定於吊車5之軌道，可從垃圾坑3上方拍攝貯存於垃圾坑3內之廢棄物。圖4係顯示藉由拍攝裝置6拍攝垃圾坑3內之影像而獲得的圖像資料之一例圖。
拍攝裝置6亦可係輸出廢棄物之形狀及彩色圖像資料作為拍攝結果的RGB攝影機，亦可係輸出廢棄物之近紅外線圖像資料作為拍攝結果之近紅外線攝影機，亦可係拍攝廢棄物之三維（三次元）圖像資料作為拍攝結果的3D攝影機或RGB－D攝影機，亦可係此等中之2個以上的組合。
其次，說明識別貯存於垃圾坑3內之廢棄物種類的資訊處理裝置10之構成。圖2係顯示資訊處理裝置10之構成的方塊圖。資訊處理裝置10可藉由1台或複數台電腦而構成。
如圖2所示，資訊處理裝置10具有：控制部11、記憶部12、通信部13。各部經由匯流排彼此可通信地連接。
其中，通信部13係拍攝裝置6、吊車控制裝置50及燃燒控制裝置20的各裝置與資訊處理裝置10之間的通信介面。通信部13在拍攝裝置6、吊車控制裝置50及燃燒控制裝置20的各裝置與資訊處理裝置10之間傳送、接收資訊。
記憶部12例如係硬碟等之固定型資料儲存器。記憶部12中記憶控制部11處理之各種資料。此外，記憶部12中記憶：藉由後述之第一模型生成部11a1及第二模型生成部11a2而生成的識別演算法12a；及藉由後述之圖像資料取得部11b所取得的圖像資料12b。
控制部11係進行資訊處理裝置10之各種處理的控制手段。如圖2所示，控制部11具有：第一模型生成部11a1、第二模型生成部11a2、圖像資料取得部11b、種類識別部11c、工廠控制部11d、墜落檢知部11e、及異物投入檢知部11f。此等各部亦可藉由資訊處理裝置10內之處理器執行指定的程式來實現，亦可用硬體安裝。
第一模型生成部11a1藉由機械學習拍攝了貯存廢棄物之複數個設施（與第二設施100不同之廢棄物處理設施）的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，而生成廢棄物種類之識別演算法12a（第一模型）。
第一模型生成部11a1亦可生成識別演算法12a（第一模型），該識別演算法12a（第一模型）藉由機械學習拍攝了複數個設施之垃圾坑內的第一圖像資料、及對其圖像中之廢棄物附上了種類標籤，並且亦對其圖像中之廢棄物以外的識別對象物依種類別附上了標籤之第一教師資料，從而，除了貯存於垃圾坑內之廢棄物的種類之外，還識別廢棄物以外之識別對象物的種類。
識別演算法12a具體而言，例如亦可包含使用：線型迴歸、玻耳茲曼機、類神經網路、支援向量機、貝氏網路、稀疏迴歸、決策樹、隨機森林之統計性推斷、強化學習、深層學習中的1個或2個以上。
第一教師資料例如，亦可是藉由各設施中進行操作之熟練操作員對拍攝了垃圾坑內之第一圖像資料，以目視識別廢棄物及廢棄物以外之識別對象物，並依種類別附上標籤而製作。廢棄物及廢棄物以外之識別對象物的種類，例如亦可在疊加於第一圖像資料的狀態下附上標籤作為種類別之層（Layer）。
第一教師資料中附上標籤之廢棄物的種類亦可包含：垃圾袋未破損之垃圾、廢紙、修剪下來的樹枝、被褥、污泥、粗大碎垃圾、瓦楞紙板、麻袋、紙袋、底部垃圾（存在於垃圾坑3內之底部附近，被上方的廢棄物壓縮而含水量多者）中之1個或2個以上。此外，第一教師資料中附上標籤之廢棄物的種類亦可包含雖然不希望放入垃圾坑內但是卻有可能放入之非預定的廢棄物（異常物）。此處所謂異常物，例如可舉出不得焚燒者，具體而言，例如日光燈、混入水銀的垃圾、鋼瓶、罐、油罐等爆炸物。此外，第一教師資料中附上標籤之廢棄物的種類亦可包含：木屑、纖維垃圾、衣服垃圾、塑膠垃圾、動物性殘渣、動物屍體、廚房垃圾、草木、土壤、醫療垃圾、焚燒灰燼、自行車、衣櫃、床、架子、桌、椅、農業用乙烯類、PET瓶、聚苯乙烯泡沫塑料、肉骨粉、農作物、陶器、玻璃碎片、金屬碎片、瓦礫類、混凝土邊角料、榻榻米、竹、稻草、活性炭中之1個或2個以上。
第一教師資料中附上標籤的廢棄物以外之識別對象物的種類亦可包含：各設施之橫樑、垃圾坑之側壁、貯存於垃圾坑內之廢棄物的峭壁（廢棄物峭壁附近無法目視識別廢棄物種類程度之陰暗部分）、進行廢棄物之攪拌或搬送的吊車中之1個或2個以上。此外，第一教師資料中附上標籤的廢棄物以外之識別對象物的種類亦可包含：作業人員、搬入車輛中之一者或兩者。此外，標註於教師資料的廢棄物以外之識別對象物的種類亦可包含：各設施之牆壁、支柱、地板、窗、天花板、門、樓梯、橫樑（垂掛吊車而移動之構造體）、走廊、垃圾坑之隔牆、垃圾投入料斗、搬入門、作業員、搬入車輛中之1個或2個以上。
第一模型生成部11a1機械學習第一圖像資料與第一教師資料而生成第一模型時，亦可一併學習各設施中之攝影條件（攝影機之解像度、曝光時間、增益、焦點等）及／或攝影環境（不同時間及天氣的自然光量、照明的開啟（ON）／關閉（OFF）等）之資訊。藉此，即使因故障等而攝影條件及攝影環境改變仍可運用。
第一圖像資料亦可係對拍攝了各設施之垃圾坑內的未修正之圖像資料，參照拍攝了複數個設施間共同的圖像修正用色標之圖像，進行色調、亮度、彩度中之至少1個的修正者，亦可係與在複數個設施間共同之圖像修正用色標一起拍攝了各設施的垃圾坑內者。藉此，第一模型生成部11a1機械學習第一圖像資料與第一教師資料而生成第一模型時，可修正在照明及自然光條件不同之複數個設施所拍攝的圖像之色調、亮度、彩度的差異，藉此，可提高識別演算法12a之識別精度。
第二模型生成部11a2對藉由第一模型生成部11a1所生成之識別演算法12a（第一模型），藉由追加學習拍攝了第二設施100之垃圾坑內的第二圖像資料、與對其圖像中之廢棄物附上種類標籤的第二教師資料，而生成對應於第二設施之廢棄物的識別演算法12a（第二模型）。
第二模型生成部11a2亦可對藉由第一模型生成部11a1所生成之識別演算法12a（第一模型），藉由追加學習拍攝了第二設施100之垃圾坑內的第二圖像資料；及對其圖像中之廢棄物附上種類標籤，並且亦對其圖像中的廢棄物以外之識別對象物依種類別附上標籤的第二教師資料，而生成除了貯存於第二設施100之垃圾坑內的廢棄物種類之外，還識別廢棄物以外之識別對象物的種類之識別演算法12a（第二模型）。
按照本件發明人之見解，對於製作第一模型時需要之教師資料量（第一教師資料之資料量），而用於製作第二模型的教師資料量（第二教師資料之資料量）可少量，並宜為30％以下，更宜為15％以下，進一步宜為5％以下。第二設施100之教師資料係少量時，不易受到新型引進設施之環境條件（用於取得圖像之攝影機的設置位置、角度、照明條件等）、及未來之環境變化（垃圾袋之形狀及顏色變化、坑側壁長年形成的污垢等）之影響。不過，生成第一模型時不存在之種類的廢棄物存在於新型引進設施時，藉由在新型引進設施中，於收集、生成之教師資料中含有其廢棄物的教師資料，可生成可識別其之第二模型。藉由如此構成，可獲得可相當程度保持強健性，且對應於新型引進設施之識別精度高的識別演算法12a（第二模型），並且可削減其生成所需的工時。
第二教師資料例如亦可藉由在第二設施100中進行操作之熟練操作員對拍攝了垃圾坑3內之第二圖像資料，以目視識別廢棄物及廢棄物以外之識別對象物，並依種類別附上標籤而製作。廢棄物及廢棄物以外之識別對象物的種類，例如亦可在疊加於第二圖像資料的狀態下附上標籤作為種類別之層。
第二教師資料中附上標籤之廢棄物的種類亦可包含：垃圾袋未破損之垃圾、廢紙、修剪下來的樹枝、被褥、污泥、粗大碎垃圾、瓦楞紙板、麻袋、紙袋、底部垃圾（存在於垃圾坑3內之底部附近，被上方的廢棄物壓縮而含水量多者）中之1個或2個以上。此外，第二教師資料中附上標籤之廢棄物的種類亦可包含雖然不希望放入垃圾坑3內但是卻有可能放入之非預定的廢棄物（異常物）。此處所謂異常物，例如可舉出不得焚燒者，具體而言，例如日光燈、混入水銀的垃圾、鋼瓶、罐、油罐等爆炸物。此外，第二教師資料中附上標籤之廢棄物的種類亦可包含：木屑、纖維垃圾、衣服垃圾、塑膠垃圾、動物性殘渣、動物屍體、廚房垃圾、草木、土壤、醫療垃圾、焚燒灰燼、自行車、衣櫃、床、架子、桌、椅、農業用乙烯類、PET瓶、聚苯乙烯泡沫塑料、肉骨粉、農作物、陶器、玻璃碎片、金屬碎片、瓦礫類、混凝土邊角料、榻榻米、竹、稻草、活性炭中之1個或2個以上。另外，第二教師資料中附上標籤之廢棄物的種類不需要與第一教師資料中附上標籤的廢棄物之種類相同，如前述，不存在於第一教師資料之種類的廢棄物存在於新型引進設施時，藉由預先包含其廢棄物之種類作為第二教師資料中附上標籤的廢棄物種類，可生成可識別其之第二模型。此外，存在於第一教師資料之種類的廢棄物中有不存在於新型引進設施的種類者時，亦可包含其廢棄物之種類作為在第二教師資料中附上標籤的廢棄物之種類。
第二教師資料中附上標籤的廢棄物以外之識別對象物的種類亦可包含：第二設施100之橫樑、垃圾坑3之側壁、貯存於垃圾坑3內之廢棄物的峭壁（廢棄物峭壁附近無法目視識別廢棄物種類程度之陰暗部分）、進行廢棄物之攪拌或搬送的吊車5中之1個或2個以上。此外，第二教師資料中附上標籤的廢棄物以外之識別對象物的種類亦可包含：第二設施100之牆壁、支柱、地板、窗、天花板、門、樓梯、橫樑（垂掛吊車5而移動之構造體）、走廊、垃圾坑3之隔牆、垃圾投入料斗、搬入門、作業員、搬入車輛中之1個或2個以上。另外，第二教師資料中附上標籤的廢棄物以外之識別對象物的種類不需要與第一教師資料中附上標籤的廢棄物以外之識別對象物的種類相同，不存在於第一教師資料之種類的廢棄物以外之識別對象物存在於新型引進設施時，藉由預先包含其識別對象物之種類作為第二教師資料中附上標籤的廢棄物以外之識別對象物的種類，可生成可識別其之第二模型。此外，存在於第一教師資料之種類的廢棄物以外之識別對象物中有不存在於新型引進設施的種類者時，亦可包含其識別對象物之種類作為在第二教師資料中附上標籤的廢棄物以外之識別對象物的種類。
圖5係顯示在拍攝了第二設施100之垃圾坑3內的圖像資料中附上廢棄物及廢棄物以外之識別對象物的種類標籤之第二教師資料的一例圖。圖5所示之例係在拍攝了垃圾坑3內之圖像資料中，將袋未破損的垃圾、修剪下來的樹枝、被褥分別依種類別標註作為廢棄物，並且將吊車5、廢棄物之峭壁、垃圾坑3之側壁、第二設施100之地板分別依種類別標註作為廢棄物以外之識別對象物。
第二教師資料亦可包含對拍攝了第二設施100之垃圾坑3內的整個圖像附上標籤者，亦可剪下拍攝了第二設施100之垃圾坑3內的圖像之一部分，而僅該剪下部分附上標籤者。藉由包含對整個圖像附上標籤之教師資料，因為可進行考慮到藉由設置於新型引進設施（第二設施）之拍攝裝置所獲得的在垃圾坑內之圖像的外貌（視野及視角）資訊之追加學習，所以可提高第二模型對廢棄物之種類的識別精度。此外，藉由包含局部附上標籤之教師資料，與對整個圖像附上標籤時比較，可大幅削減教師資料之資料量及製作工時。此外，第二圖像資料及前述第二教師資料亦可係在其圖像中包含第二設施100之垃圾坑3的側壁及／或吊車5者。藉由第二教師資料在其圖像中包含第二設施100之垃圾坑的側壁及／或進行廢棄物之攪拌或搬送的吊車，因為可進行考慮到在新型引進設施（第二設施）中之垃圾坑的形狀及尺寸、以及吊車之形狀及尺寸的差異之追加學習，所以藉由第二模型對側壁及／或吊車的識別精度提高，與使用僅有廢棄物之資料（亦即圖像中不含垃圾坑之側壁及／或吊車的資料）時比較，亦可提高廢棄物之識別精度。
第二圖像資料在將拍攝了第二設施100之垃圾坑3內的圖像資料輸入第一模型來識別廢棄物之種類後，亦可從此等圖像資料中選擇識別精度比預定之基準低的圖像資料來使用，亦可並非如此者（亦即，拍攝了第二設施100之垃圾坑3內的圖像資料者）。第二圖像資料係在將拍攝了第二設施100之垃圾坑3內的圖像資料輸入第一模型來識別廢棄物之種類後，從此等圖像資料中選擇識別精度低的圖像資料者時，可在第二設施100中，確認第一模型無法獲得充分識別精度的廢棄物種類，主要使用包含該種類之圖像資料及教師資料來進行追加學習，藉此，可有效率進行學習資料之收集及學習。
第二圖像資料亦可包含對於依據第二設施100之三維設計資料所製作的垃圾坑3之側壁及／或吊車5的構思圖像(rendering image)，合成拍攝了前述複數個設施之垃圾坑內的廢棄物、或與前述複數個設施及前述第二設施之任何一個皆不同的其他設施之垃圾坑內的廢棄物之圖像者。此時，可在新型引進設施（第二設施100）之坑施工、吊車安裝完成前，製作關於垃圾坑3及吊車5等之外貌的圖像資料，並可使用於學習。
圖像資料取得部11b從拍攝裝置6取得拍攝了第二設施100之垃圾坑3內的新圖像資料。藉由圖像資料取得部11b所取得之新的圖像資料記憶於記憶部12。
種類識別部11c將藉由圖像資料取得部11b所取得之新的圖像資料作為輸入，並利用藉由第二模型生成部11a2所生成之識別演算法12a（第二模型），來識別貯存於第二設施100之垃圾坑3內的廢棄物之種類。
種類識別部11c亦可將藉由圖像資料取得部11b所取得之新的圖像資料作為輸入，利用識別演算法12a（第二模型），識別貯存於第二設施100之垃圾坑3內的廢棄物之種類，以及廢棄物以外之識別對象物的種類。圖6係顯示在藉由拍攝第二設施100之垃圾坑3內的影像而獲得之圖像資料中疊加顯示種類識別部11c之識別結果的資料之一例圖。圖6所示之例係將藉由種類識別部11c所識別之廢棄物（袋未破損的垃圾、修剪下來的樹枝）與廢棄物以外之識別對象物（吊車5、廢棄物之峭壁、垃圾坑3之側壁、第二設施100之地板）依種類別疊加於圖像資料而顯示。
種類識別部11c如圖7所示，亦可依據識別結果生成每個區域顯示貯存於第二設施100之垃圾坑3內的廢棄物種類之比率的地圖。圖7所示之例係將垃圾坑3內區分成5×4的格子狀，並每個區域顯示藉由種類識別部11c所識別之廢棄物種類的比率。
工廠控制部11d依據種類識別部11c之識別結果進行廢棄物處理設施（第二設施）100的控制。
圖1所示之例係工廠控制部11d包含：對控制進行廢棄物之攪拌或搬送的吊車5之吊車控制裝置50傳送種類識別部11c之識別結果（亦即，從圖像資料所識別之廢棄物的種類資訊）之吊車控制部11d1；及對控制廢棄物之燃燒的燃燒控制裝置20傳送種類識別部11c之識別結果（亦即，從圖像資料所識別之廢棄物的種類資訊）之燃燒控制部11d2。
另外，圖1所示之例係工廠控制部11d包含吊車控制部11d1與燃燒控制部11d2兩者，不過並非限定於此者，亦可僅包含吊車控制部11d1與燃燒控制部11d2的其中之一。
吊車控制部11d1例如將每個區域顯示貯存於垃圾坑3內之廢棄物種類的比率之地圖（參照圖7），作為種類識別部11c之識別結果而傳送至吊車控制裝置50。吊車控制裝置50依據從吊車控制部11d1接收之地圖，以全部區域之廢棄物種類的比率相等之方式，使吊車5動作來攪拌垃圾坑3內之廢棄物。
燃燒控制部11d2例如將每個區域顯示貯存於垃圾坑3內之廢棄物種類的比率之地圖（參照圖7），作為種類識別部11c之識別結果而傳送至燃燒控制裝置20。燃燒控制裝置20依據從燃燒控制部11d2接收之地圖，掌握藉由吊車5抓住而從垃圾坑3與料斗4一起搬送之廢棄物之種類的比率，並依經由料斗4而一起投入焚化爐1內之廢棄物的比率控制廢棄物之燃燒（例如，控制爐床之輸送速度及供給的空氣量）。
墜落檢知部11e依據種類識別部11c之識別結果（亦即，從圖像資料所識別之作業員或搬送車輛的資訊），而從平台21檢知作業員或搬送車輛墜落到垃圾坑3內。墜落檢知部11e亦可對檢知貯存廢棄物之垃圾坑3內有作業員或搬入車輛的墜落檢知裝置（無圖示），傳送種類識別部11c之識別結果（亦即，從圖像資料所識別之作業員或搬送車輛的資訊）。墜落檢知裝置（無圖示）依據從墜落檢知部11e傳送之種類識別部11c的識別結果而發出警報，或是使吊車5或無圖示之救出用機具（例如吊籃等）動作來救出作業員。
異物投入檢知部11f依據種類識別部11c之識別結果（亦即，從圖像資料所識別之廢棄物種類的資訊）檢知向垃圾坑3內投入了異常物。此處所謂「異常物」，是指雖然不希望放入垃圾坑3內但是卻有可能放入之非預定的廢棄物，例如係不得焚燒者，具體而言，例如可舉出：日光燈、混入水銀的垃圾、鋼瓶、罐、油罐等爆炸物等。異物投入檢知部11f亦可對檢知在貯存廢棄物之垃圾坑3內投入了異常物之異物檢知裝置（無圖示）傳送種類識別部之識別結果（亦即，從圖像資料所識別之廢棄物種類的資訊）。異物檢知裝置（無圖示）參照與時間資訊一起記憶有在垃圾坑3內投入廢棄物之業者或車輛的資料庫，並依據從異物投入檢知部11f傳送之種類識別部11c的識別結果，特定在垃圾坑3內投入異物之業者或車輛。
其次，說明如此構成之資訊處理裝置10執行的資訊處理方法之一例。圖3係顯示資訊處理方法之一例的流程圖。
如圖3所示，首先，第一模型生成部11a1藉由機械學習拍攝了貯存廢棄物之複數個設施（與第二設施100不同之廢棄物處理設施）的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上種類標籤的第一教師資料，而生成廢棄物種類之識別演算法12a（第一模型）（步驟S11）。
在對第二設施100引進前，第一模型生成部11a1可使用複數個設施中不限期間所收集、生成的多量教師資料預先學習。此外，即使對於1個設施中出現頻率少的廢棄物，仍可使用充分量的教師資料進行學習。再者，因為可使用也考慮到各設施之垃圾坑的形狀及尺寸差異、以及各種環境條件（例如，用於取得圖像之攝影機的設置位置、角度、照明條件等）之差異的各式各樣教師資料進行學習，所以可獲得具有強健性之識別演算法12a（第一模型）。
其次，第二模型生成部11a2對藉由第一模型生成部11a1所生成之識別演算法12a（第一模型），藉由追加學習拍攝了第二設施100之垃圾坑內的第二圖像資料、及對其圖像中之廢棄物附上種類標籤的第二教師資料，而生成對應於第二設施之廢棄物的識別演算法12a（第二模型）（步驟S12）。
此處，追加學習使用的教師資料（第二教師資料）之量，可對生成第一模型時使用的教師資料（第一教師資料）之量為少量。少量時，不易影響新型引進設施之環境條件（用於取得圖像之攝影機的設置位置、角度、照明條件等）、及未來環境的變化（垃圾袋之形狀及顏色的變化、坑側壁長年形成的污垢等）。
不過，不存在於第一教師資料之種類的廢棄物存在於第二設施100時，為了生成可識別其之識別演算法12a（第二模型），可事先在第二教師資料中包含該廢棄物之教師資料。
藉由如此構成，可獲得相當程度保持強健性，且對應於第二設施100之識別精度高的第二模型。此外，可減少在第二設施100（新型設施）中引進識別廢棄物之種類的識別演算法之工時。
其次，圖像資料取得部11b從拍攝裝置6取得拍攝了第二設施100之垃圾坑3內的新圖像資料12b（例如參照圖4）（步驟S13）。藉由圖像資料取得部11b所取得之新的圖像資料12b記憶於記憶部12。
接著，種類識別部11c將藉由圖像資料取得部11b所取得之新的圖像資料作為輸入，利用藉由第二模型生成部11a2所生成之識別演算法12a（第二模型）識別貯存於第二設施100之垃圾坑3內的廢棄物之種類（步驟S14）。
種類識別部11c亦可將藉由圖像資料取得部11b所取得之新的圖像資料（例如參照圖4）作為輸入，利用藉由第二模型生成部11a2所生成之識別演算法12a（第二模型）識別貯存於第二設施100之垃圾坑3內的廢棄物之種類、以及廢棄物以外之識別對象物的種類（例如參照圖6）。此外，種類識別部11c亦可依據廢棄物之種類的識別結果，生成每個區域顯示貯存於垃圾坑3內之廢棄物種類的比率的地圖（例如參照圖7）。
接著，工廠控制部11d依據種類識別部11c之識別結果進行廢棄物處理工廠的控制。
具體而言，例如，吊車控制部11d1對控制進行廢棄物之攪拌或搬送的吊車5之吊車控制裝置50，傳送每個區域顯示如圖7所示之廢棄物種類的比率之地圖，作為種類識別部11c之識別結果（步驟S15）。吊車控制裝置50依據從吊車控制部11d1接收之地圖，以全部區域之廢棄物種類的比率相等之方式，使吊車5動作來攪拌垃圾坑3內之廢棄物。
此外，燃燒控制部11d2對控制廢棄物之燃燒的燃燒控制裝置20傳送每個區域顯示如圖7所示之廢棄物種類的比率之地圖，作為種類識別部11c之識別結果（步驟S16）。燃燒控制裝置20依據從燃燒控制部11d2接收之地圖掌握藉由吊車5抓住而從垃圾坑3與料斗4一起搬送之廢棄物之種類的比率，並依經由料斗4而一起投入焚化爐1內之各廢棄物的比率，控制廢棄物之燃燒（例如，控制爐床之輸送速度及供給的空氣量）。
另外，藉由種類識別部11c從垃圾坑3內之圖像資料識別出作業員或搬送車輛情況下，墜落檢知部11e亦可依據種類識別部11c之識別結果，檢知作業員或搬送車輛從平台21墜落於垃圾坑3內，並對墜落檢知裝置（無圖示）傳送種類識別部11c之識別結果。
此外，藉由種類識別部11c從垃圾坑3內之圖像資料檢知異常物情況下，異物投入檢知部11f亦可依據種類識別部11c之識別結果，檢知投入垃圾坑3內之異常物，並對異物檢知裝置（無圖示）傳送種類識別部11c之識別結果。
再者，如圖8所示，由於機械學習（有教師學習）在學習上需要成為解答之大量資料，因此使用過去之識別演算法（過去模型）的垃圾識別方法需要多量之每個廢棄物處理設施必須新準備的圖像資料及教師資料。
但是，新型建設設施中引進識別演算法情況下，由於從開始接受廢棄物至設施開始正式運轉為止的期間有限，因此需要在短期間進行圖像資料之收集、教師資料之製作、及此等的學習。
此外，即使在短期間進行圖像資料之收集、教師資料之製作、及此等的學習，因為新型設施中出現頻率少之廢棄物的教師資料少，所以藉由識別演算法識別其廢棄物之精度不高。
此外，廢棄物處理設施除了不同設施之垃圾坑的形狀及尺寸不同之外，各種環境條件（例如，用於取得圖像之攝影機的設置位置、角度、照明條件等）也不同，因此，即使將使用某個設施之圖像資料及教師資料而製作的識別演算法照樣使用在其他設施上，仍無法獲得充分之識別精度。
對於此，採用本實施形態時，如圖9所示，在對新型設施引進識別演算法前，可使用在複數個設施中不限制期間所收集、生成的多量教師資料預先學習，此外，即使對於1個設施中出現頻率少的廢棄物，仍可使用充分量的教師資料進行學習。再者，因為可使用也考慮到各設施之垃圾坑的形狀及尺寸差異、以及各種環境條件（例如，用於取得圖像之攝影機的設置位置、角度、照明條件等）之差異的各式各樣教師資料進行學習，所以可獲得具有強健性之識別演算法12a（第一模型）。其次，對此種第一模型追加學習在新型引進設施中收集、生成了的教師資料，而生成對應於新型引進設施之廢棄物的識別演算法12a（第二模型）。此處，按照本案發明人之見解，用於追加學習之教師資料（在新型引進設施中所收集、生成了的教師資料）之量，對用於生成第一模型時的教師資料（在複數個設施中所收集、生成了的教師資料）之量只需少量即可。少量時，不易影響新型引進設施之環境條件（用於取得圖像之攝影機的設置位置、角度、照明條件等）、及未來環境的變化（垃圾袋之形狀及顏色的變化、坑側壁長年形成的污垢等）。不過，不存在於第一教師資料之種類的廢棄物存在於新型引進設施時，藉由事先在新型引進設施中收集、生成的教師資料中包含其廢棄物的教師資料，可生成可識別其之第二模型。因而，可獲得相當程度保持強健性，且對應於新型引進設施之識別精度高的模型（第二模型）。此外，與使用圖8所示之過去的識別演算法（過去模型）的垃圾識別方法比較，可減少在新型引進設施中引進識別廢棄物之種類的識別演算法12a之工時。
另外，可對上述實施形態加以各種變更。以下，說明上述實施形態之修改例。
上述實施形態如圖2所示，控制部11係具有：第一模型生成部11a1、第二模型生成部11a2、圖像資料取得部11b、種類識別部11c、工廠控制部11d、墜落檢知部11e、及異物投入檢知部11f，不過不限定於此，控制部11之處理的一部分亦可並非在資訊處理裝置10，而係在資訊處理裝置10之外的資訊處理裝置或雲端伺服器上進行。此外，記憶部12之一部分亦可並非在資訊處理裝置10，而係在資訊處理裝置10之外的資訊處理裝置或雲端伺服器上。
例如，如圖10所示，第一模型生成部11a1及第二模型生成部11a2之處理亦可在外部的資訊處理裝置101（雲端伺服器）上執行，而生成識別演算法12a（第一模型及第二模型）。此外，亦可利用在外部之資訊處理裝置101（雲端伺服器）上所生成的識別演算法12a，而在外部之資訊處理裝置101（雲端伺服器）上執行種類識別部11c之處理，如圖10所示，亦可將外部之資訊處理裝置101（雲端伺服器）所生成的識別演算法12a（第二模型），由引進第二設施100之資訊處理裝置10從外部的資訊處理裝置101（雲端伺服器）下載，在資訊處理裝置10內利用其執行種類識別部11c的處理。此時，在第二設施100中之第二模型的運用中，可藉由外部之資訊處理裝置101另外進一步學習。此外，可減輕資訊處理裝置10之記憶容量。
控制部11亦可開始運用藉由第二模型生成部11a2所生成的識別演算法（第二模型）後，定期監控運用時之識別精度（亦即種類識別部11c之識別結果），判斷是否檢討及更新識別演算法12a（第二模型）的模型。例如，控制部11亦可使用邊緣伺服器進行種類識別部11c之識別結果的正常或異常判定，當檢測出異常時，判斷該圖像資料及識別結果在焚化爐1運轉中有無問題。判斷為在運轉上有問題時，熟練操作員對於檢測出異常之圖像資料再度依廢棄物之種類別進行標註，並準備新的教師資料，第二模型生成部11a2追加學習檢測出異常之圖像資料與新準備好的教師資料，來更新識別演算法12a（第二模型）。藉此，可對應於在第二設施100中之廢棄物種類的變化及廢棄物各種類之構成比率的變化等。
控制部11關於與利用於生成第一模型時之複數個設施與利用於生成第二模型時之第二設施的任何一個皆不同之第三設施，亦可將藉由第二模型生成部11a2所生成之識別演算法（第二模型）作為基礎模型，藉由追加學習拍攝了該第三設施之垃圾坑內的第三圖像資料、及對其圖像中之廢棄物附上了種類標籤的第三教師資料，而生成對應於該第三設施之廢棄物的識別演算法（第三模型）。藉此，因為可進一步利用第二模型作為使用其他設施（第三設施）中之第三教師資料的追加學習用之基礎模型，所以可期待廢棄物種類之識別精度逐次提高。
上述實施形態係燃燒控制部11d2將每個區域顯示貯存於垃圾坑3內之廢棄物種類的比率之圖（參照圖7），作為種類識別部11c之識別結果而傳送至燃燒控制裝置20，不過不限定於此，亦可將每個區域顯示廢棄物種類之比率已變換成質料資訊的標籤，例如，投入OK、投入NG、熱量L（Low）、M（Middle）、H（High）等之圖作為種類識別部11c之識別結果而傳送至燃燒控制裝置20。此外，燃燒控制部11d2亦可將顯示對燃燒狀態造成影響之比率大的標籤（例如，有袋未破損的垃圾、有底部垃圾等）作為種類識別部11c之識別結果而傳送至燃燒控制裝置20。同樣地，吊車控制部11d1亦可將顯示對各設備造成影響之比率大的標籤（例如，有修剪下來的樹枝、有粗大碎垃圾等）作為種類識別部11c之識別結果而傳送至吊車控制裝置50。
種類識別部11c中，依據識別結果生成各區域顯示貯存於垃圾坑3內之廢棄物種類的比率之圖時，對於圖像資料取得部11b所取得之圖像資料，亦可僅按區域劃分圖像資料，來顯示廢棄物種類之比率，亦可將圖像資料與垃圾坑3之編號結合，各編號顯示廢棄物種類之比率。
結合圖像資料與吊車編號之方法，可在對垃圾坑3可計測相對位置之吊車5上預先作記號，藉由拍攝裝置6拍攝作了記號之吊車5而照出多個圖像，種類識別部11c依據作了記號之吊車5所照出的多個圖像推斷拍攝裝置6對垃圾坑3之相對位置與方向，並從推斷之拍攝裝置6的位置與攝影方向推斷圖像資料上之像素存在於那個編號。或是，亦可由拍攝裝置6拍攝對垃圾坑3可計測相對位置之吊車5而照出多個圖像，種類識別部11c藉由對圖像中之吊車5作記號，並依據對該吊車5作了記號之多個圖像推斷拍攝裝置6對垃圾坑3之相對位置與方向，再從推斷之拍攝裝置6的位置與攝影方向推斷圖像資料上之像素存在於那個編號。
吊車控制裝置50在焚化爐1有要求投入時，亦可依據從吊車控制部11d1接收之圖，而從垃圾坑3內挑選滿足依垃圾種類別之比率臨限值的投入基準之垃圾，使吊車5動作並向料斗4投入。
此外，吊車控制裝置50在從垃圾坑3內挑選滿足投入基準之垃圾時，亦可以與前次投入料斗4之垃圾的垃圾種類別之比率的差分小之方式挑選垃圾。
吊車控制裝置50亦可使用垃圾袋未破損之垃圾、廢紙、修剪下來的樹枝、被褥、污泥、粗大碎垃圾、瓦楞紙板、麻袋、紙袋、底部垃圾、木屑、纖維垃圾、衣服垃圾、塑膠垃圾、動物性殘渣、動物屍體、廚房垃圾、草木、土壤、醫療垃圾、焚燒灰燼、農業用乙烯類、PET瓶、聚苯乙烯泡沫塑料、肉骨粉、農作物、陶器、玻璃碎片、金屬碎片、瓦礫類、混凝土邊角料、榻榻米、竹、稻草、活性炭中之1個或2個以上的比率臨限值，作為上述投入基準之比率臨限值。
此外，吊車控制裝置50亦可對於藉由拍攝過去之垃圾坑3內的影像而獲得之圖像資料，由熟練操作員將顯示於該圖像資料之廢棄物的質料，藉由目視比較從燃燒穩定性及對設備之影響的觀點而可否投入加以分類並附上標籤者；與對該圖像使用種類識別部11c推斷垃圾之種類別的比率者；來決定熟練操作員判斷可否投入之垃圾種類別的比率臨限值，作為上述投入基準之決定方法。
此外，吊車控制裝置50亦可從吊車控制部11d1接收之各區域顯示貯存於垃圾坑3內之垃圾種類的比率之圖，藉由將實際投入料斗4之垃圾的垃圾種類別之比率資料、與焚化爐1的處理資料相結合，來決定垃圾種類別之比率臨限值，亦可將兩者資料隨時結合，而動態變更比率臨限值。
此外，吊車控制裝置50除了上述處理資料之外，亦可按照天候資訊動態變更比率臨限值。例如，吊車控制裝置50從天候資訊得知當天會下雨時，係以降低袋未破損的垃圾袋之比率臨限值，或是，提高粗大碎垃圾之比率臨限值的方式變更比率臨限值之投入基準。
此外，吊車控制裝置50亦可按照每日資訊動態變更比率臨限值。例如，吊車控制裝置50由於從每日資訊得知週日垃圾坑3內之垃圾少，因此為了抑制垃圾焚燒量，係以提高袋未破損的垃圾袋之比率臨限值的方式變更比率臨限值的投入量基準。
此外，吊車控制裝置50亦可按照廢棄物處理設施100之操爐計畫值來動態變更比率臨限值。例如，吊車控制裝置50於蒸發量從現在的蒸發量設定值急遽下降時，係以降低袋未破損的垃圾袋之比率臨限值，或是提高粗大碎垃圾之比率臨限值的方式變更比率臨限值的投入基準。
吊車控制裝置50在焚化爐1有要求投入時，在從吊車控制部11d1接收之圖中不存在滿足垃圾種類別之比率臨限值的投入基準之垃圾時，亦可使吊車5動作向料斗4投入接近投入基準的垃圾，亦可攪拌接近投入基準之垃圾，來製作達到投入基準的垃圾。
吊車控制裝置50亦可在從吊車控制部11d1接收之圖中，使吊車5動作僅將滿足垃圾種類別之比率臨限值的投入基準之垃圾堆積在垃圾坑3的特定處所。藉此，可將滿足投入基準之垃圾蓄積在垃圾坑3內。
吊車控制裝置50亦可在從吊車控制部11d1接收之圖中，藉由垃圾種類別之比率臨限值檢知存在於垃圾坑3內會影響燃燒狀態的廢棄物（例如，污泥）及造成各設備故障原因之廢棄物（例如修剪下來的樹枝），並使吊車5動作將其貯存於垃圾坑3之特定處所，亦可散佈在特定場所。
吊車控制裝置50亦可在從吊車控制部11d1接收之圖中，當不滿足垃圾種類別之比率臨限值的攪拌基準之垃圾存在於垃圾坑3內時，使吊車5動作來攪拌該垃圾。上述攪拌基準亦可與投入基準相同，亦可不同。
此外，吊車控制裝置50亦可使用焚化爐1之處理資料、天候資訊、每日資訊、垃圾搬入業者資訊、垃圾搬入量（總量及垃圾種類別搬入量）資訊、垃圾搬入速度、垃圾坑水準（整個、特定區域）資訊、吊車工作狀況（可2台運轉、僅1台運轉、現在1台運轉中、現在2台運轉中）資訊、垃圾收集車之收集路線、收集區域資訊中的1個或2個以上，來動態變更上述攪拌基準。
吊車控制裝置50亦可在從吊車控制部11d1接收之圖中，從各區域之垃圾種類別的比率判斷整個垃圾坑3的攪拌狀況，判斷是否需要2台吊車5運轉，並使吊車5動作，開始運轉第2台吊車，或是收納第2台吊車。
此外，上述例係吊車控制裝置50使吊車5動作，不過，亦可在吊車控制裝置50之上游側設有吊車操作判斷裝置（無圖示），以吊車操作判斷裝置決定吊車5之動作內容，並向吊車控制裝置50傳送動作內容之指令，接收了指令之吊車控制裝置50按照所接收之指令內容使吊車5動作。吊車操作判斷裝置在與資訊處理裝置10之間及在與吊車控制裝置50之間傳送、接收資訊。或是，吊車操作判斷裝置亦可係資訊處理裝置10之一部分，亦即，亦可資訊處理裝置10包含吊車操作判斷裝置。
吊車操作判斷裝置亦可在焚化爐1有要求投入時，從吊車控制裝置50接收要求投入信號，並依據從吊車控制部11d1接收之圖，從垃圾坑3內挑選滿足垃圾種類別之比率臨限值的投入基準之圖的垃圾，並對吊車控制裝置50傳送指令，指示將該垃圾投入料斗4，吊車控制裝置50按照所接收之指令使吊車5動作。此外，吊車操作判斷裝置在從垃圾坑內挑選滿足投入基準之垃圾時，亦可以前次投入料斗4之垃圾與垃圾種類別之比率的差分小之方式挑選垃圾。
吊車操作判斷裝置在焚化爐1有要求投入時，從吊車控制裝置50接收要求投入信號，在從吊車控制部11d1接收之圖，不存在滿足垃圾種類別之比率臨限值的投入基準之垃圾時，亦可對吊車控制裝置50傳送指令，使接近投入基準之垃圾投入料斗4，或是攪拌接近投入基準之垃圾，而製作達到投入基準的垃圾，吊車控制裝置50使吊車5動作。
吊車操作判斷裝置亦可對吊車控制裝置50傳送指令，在從吊車控制部11d1接收之圖中，僅將滿足垃圾種類別之比率臨限值的投入基準之垃圾堆積在垃圾坑3內的特定處所，吊車控制裝置50使吊車5動作。藉此，可將滿足投入基準之垃圾蓄積在垃圾坑3內。
吊車操作判斷裝置亦可在從吊車控制部11d1接收之圖中，藉由垃圾種類別之比率臨限值檢知存在於垃圾坑3內會影響燃燒狀態的廢棄物（例如，污泥）及造成各設備故障原因之廢棄物（例如修剪下來的樹枝），對吊車控制裝置50傳送指令，將其貯存於垃圾坑3之特定處所，或是散佈在特定場所，吊車控制裝置50使吊車5動作。
吊車操作判斷裝置亦可在從吊車控制部11d1接收之圖中，當不滿足垃圾種類別之比率臨限值的攪拌基準之垃圾存在於垃圾坑3內時，對吊車控制裝置50傳送指令，來攪拌該垃圾，吊車控制裝置50使吊車5動作。上述攪拌基準亦可與投入基準相同，亦可不同。
吊車操作判斷裝置亦可在從吊車控制部11d1傳送之圖中，從各區域之垃圾種類別的比率判斷整個垃圾坑3的攪拌狀況，判斷是否需要2台吊車5運轉，並對吊車控制裝置50傳送指令，吊車控制裝置50使吊車5動作，開始運轉第2台吊車，或是收納第2台吊車。
另外，上述實施形態係說明識別廢棄物種類之資訊處理裝置10使用於廢棄物處理設施100的垃圾坑3之例，不過，資訊處理裝置10之使用場所只要是貯存廢棄物的廢棄物貯存場所即可，並非限定於廢棄物處理設施100之垃圾坑3者，例如，資訊處理裝置10亦可使用於循環設備之接受場所。
以上，係藉由例示說明實施形態及修改例，不過本技術之範圍並非限定於此等者，在請求項中記載之範圍內可依目的變更及修改。此外，各種實施形態及修改例在不使處理內容矛盾之範圍內可適切組合。
此外，本實施形態之資訊處理裝置10可藉由1台或複數台電腦而構成，而用於使1台或複數台電腦實現資訊處理裝置10之程式及非暫態性記錄有該程式之記錄媒體亦為本案之保護對象。
1:焚化爐
2:排熱鍋爐
3:垃圾坑
4:料斗
5:吊車
6:拍攝裝置
10:資訊處理裝置
11:控制部
11a1:第一模型生成部
11a2:第二模型生成部
11b:圖像資料取得部
11c:種類識別部
11d:工廠控制部
11d1:吊車控制部
11d2:燃燒控制部
11e:墜落檢知部
11f:異物投入檢知部
12:記憶部
12a:識別演算法
12b:圖像資料
13:通信部
20:燃燒控制裝置
21:平台
22:搬送車輛
50:吊車控制裝置
100:廢棄物處理設施（第二設施）
101:外部之資訊處理裝置
圖1係顯示一種實施形態之廢棄物處理設施的構成之概略圖。
圖2係顯示一種實施形態之資訊處理裝置的構成之方塊圖。
圖3係顯示一種實施形態之資訊處理裝置執行的資訊處理方法之一例的流程圖。
圖4係顯示藉由拍攝垃圾坑內之影像而獲得的圖像資料之一例圖。
圖5係顯示在藉由拍攝垃圾坑內之影像而獲得的圖像資料中標註(labeling)了廢棄物及廢棄物以外之識別對象物的種類之教師資料的一例圖。
圖6係顯示在藉由拍攝垃圾坑內之影像而獲得的圖像資料中疊加顯示種類識別部之識別結果的資料之一例圖。
圖7係每個區域顯示垃圾坑內之廢棄物種類的比率之地圖(map)。
圖8係顯示過去之識別演算法的生成方法之概念圖。
圖9係顯示一種實施形態之識別演算法的生成方法之概念圖。
圖10係顯示一種實施形態之一個修改例的資訊處理裝置之構成的方塊圖。
1:焚化爐
2:排熱鍋爐
3:垃圾坑
4:料斗
5:吊車
6:拍攝裝置
10:資訊處理裝置
20:燃燒控制裝置
21:平台
22:搬送車輛
50:吊車控制裝置
100:廢棄物處理設施(第二設施)
Claims (20)
- 一種資訊處理方法，係包含以下步驟： 藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，而生成即是廢棄物種類之識別演算法的第一模型；及 藉由對所生成之第一模型，追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上種類標籤的第二教師資料，而生成即是與前述第二設施之廢棄物對應的識別演算法之第二模型。
- 如請求項1之資訊處理方法，其中前述第二圖像資料及前述第二教師資料在其圖像中包含前述第二設施之垃圾坑的側壁及／或進行廢棄物之攪拌或搬送的吊車。
- 如請求項1或2之資訊處理方法，其中前述第二教師資料對前述第一教師資料之量低於或等於30％。
- 如請求項3之資訊處理方法，其中前述第二教師資料對前述第一教師資料之量低於或等於15％。
- 如請求項4之資訊處理方法，其中前述第二教師資料對前述第一教師資料之量低於或等於5％。
- 如請求項1至5中任一項之資訊處理方法，其中前述識別演算法包含使用：線型迴歸、玻耳茲曼機（Boltzmann Machine）、類神經網路、支援向量機（Support Vector Machine）、貝氏網路（Bayesian Network）、稀疏迴歸（Sparse Regression）、決策樹、隨機森林（Random Forest）之統計性推斷、強化學習、深層學習中的1個或2個以上。
- 如請求項1至6中任一項之資訊處理方法，其中前述第二教師資料包含對拍攝了前述第二設施之垃圾坑內的整個圖像附上標籤者。
- 如請求項1至6中任一項之資訊處理方法，其中前述第二教師資料包含剪下拍攝了前述第二設施之垃圾坑內的圖像之一部分，而僅該剪下部分附上標籤者。
- 如請求項1至8中任一項之資訊處理方法，其中前述生成第二模型之步驟使用的前述第二圖像資料係將拍攝了前述第二設施之垃圾坑內的圖像資料輸入前述第一模型，來識別廢棄物之種類後，從此等圖像資料中選擇識別精度比預定之第一基準低的圖像資料者。
- 如請求項1至9中任一項之資訊處理方法，其中前述生成第一模型之步驟，係一併學習各設施中之攝影條件及／或攝影環境之資訊。
- 如請求項1至10中任一項之資訊處理方法，其中前述第一圖像資料係對拍攝了各設施之垃圾坑內的圖像資料，將拍攝了在前述複數個設施間共同之圖像修正用色標（Color Chart）的圖像作為參照，來進行色調、亮度、彩度中之至少1個修正者。
- 如請求項1至10中任一項之資訊處理方法，其中前述第一圖像資料係與在前述複數個設施間共同之圖像修正用色標一起拍攝了各設施的垃圾坑內者。
- 如請求項1至12中任一項之資訊處理方法，其中前述第二圖像資料包含對依據前述第二設施之三維設計資料所製作的垃圾坑之側壁及／或進行廢棄物之攪拌或搬送的吊車之構思圖像(rendering image)，合成拍攝了前述複數個設施之垃圾坑內的廢棄物、或與前述複數個設施及前述第二設施之任何一個皆不同的其他設施之垃圾坑內的廢棄物之圖像者。
- 如請求項1至13中任一項之資訊處理方法，其中在所生成之第二模型開始運用後，進一步包含以下步驟：定期監控運用時之識別精度，當識別精度比預定之第二基準低時，對前述第二模型藉由追加學習此時之廢棄物的圖像資料、與對其圖像中之廢棄物附上了種類標籤的教師資料，來更新前述第二模型。
- 如請求項1至14中任一項之資訊處理方法，其中進一步包含以下步驟：藉由對所生成之第二模型，追加學習拍攝了與前述複數個設施及前述第二設施之任何一個皆不同的第三設施之垃圾坑內的第三圖像資料、及對其圖像中之廢棄物附上了種類標籤的第三教師資料，而生成即是與前述第三設施之廢棄物對應的識別演算法之第三模型。
- 一種資訊處理裝置，係具備： 第一模型生成部，其係藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，而生成即是廢棄物種類之識別演算法的第一模型；及 第二模型生成部，其係藉由對所生成之第一模型，追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施之廢棄物對應的識別演算法之第二模型。
- 一種資訊處理程式，係用於使電腦執行以下步驟： 藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，而生成即是廢棄物種類之識別演算法的第一模型；及 藉由對所生成之第一模型，追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施之廢棄物對應的識別演算法之第二模型。
- 一種資訊處理方法，係包含以下步驟：對藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，所生成之即是廢棄物種類的識別演算法之第一模型，藉由追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施的廢棄物對應之識別演算法的第二模型，使用該第二模型將拍攝了前述第二設施之垃圾坑內的新圖像資料作為輸入，來識別貯存於該垃圾坑內之廢棄物的種類。
- 一種資訊處理裝置，係具備種類識別部，其係對藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，所生成之即是廢棄物種類的識別演算法之第一模型，藉由追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施的廢棄物對應之識別演算法的第二模型，使用該第二模型將拍攝了前述第二設施之垃圾坑內的新圖像資料作為輸入，來識別貯存於該垃圾坑內之廢棄物的種類。
- 一種資訊處理程式，係用於使電腦執行以下步驟： 對藉由機械學習拍攝了貯存廢棄物之複數個設施的垃圾坑內之第一圖像資料、及對其圖像中之廢棄物附上了種類標籤的第一教師資料，所生成之即是廢棄物種類的識別演算法之第一模型，藉由追加學習拍攝了與前述複數個設施不同之第二設施的垃圾坑內之第二圖像資料、及對其圖像中之廢棄物附上了種類標籤的第二教師資料，而生成即是與前述第二設施的廢棄物對應之識別演算法的第二模型，使用該第二模型將拍攝了前述第二設施之垃圾坑內的新圖像資料作為輸入，來識別貯存於該垃圾坑內之廢棄物的種類。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021-115537 | 2021-07-13 | ||
| JP2021115537A JP2023012094A (ja) | 2021-07-13 | 2021-07-13 | 情報処理方法、情報処理装置、および情報処理プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW202309445A true TW202309445A (zh) | 2023-03-01 |
Family
ID=84919474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111126220A TW202309445A (zh) | 2021-07-13 | 2022-07-13 | 資訊處理方法、資訊處理裝置、及資訊處理程式 |
Country Status (5)
| Country | Link |
|---|---|
| EP (1) | EP4372278A1 (zh) |
| JP (1) | JP2023012094A (zh) |
| CN (1) | CN117836560A (zh) |
| TW (1) | TW202309445A (zh) |
| WO (1) | WO2023286795A1 (zh) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6718405B2 (ja) * | 2017-03-31 | 2020-07-08 | 三菱重工業株式会社 | 情報提供装置、情報提供システム、情報提供方法及びプログラム |
| WO2020040110A1 (ja) * | 2018-08-23 | 2020-02-27 | 荏原環境プラント株式会社 | 情報処理装置、情報処理プログラム、および情報処理方法 |
| JP6731680B2 (ja) | 2018-08-23 | 2020-07-29 | 荏原環境プラント株式会社 | 情報処理装置、情報処理プログラム、および情報処理方法 |
| KR102398307B1 (ko) * | 2019-03-26 | 2022-05-16 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 이상 판정 지원 장치 |
-
2021
- 2021-07-13 JP JP2021115537A patent/JP2023012094A/ja active Pending
-
2022
- 2022-07-13 WO PCT/JP2022/027504 patent/WO2023286795A1/ja active Application Filing
- 2022-07-13 TW TW111126220A patent/TW202309445A/zh unknown
- 2022-07-13 CN CN202280049403.8A patent/CN117836560A/zh active Pending
- 2022-07-13 EP EP22842137.6A patent/EP4372278A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023012094A (ja) | 2023-01-25 |
| WO2023286795A1 (ja) | 2023-01-19 |
| CN117836560A (zh) | 2024-04-05 |
| EP4372278A1 (en) | 2024-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI797402B (zh) | 資訊處理裝置、資訊處理程式、及資訊處理方法 | |
| WO2020040110A1 (ja) | 情報処理装置、情報処理プログラム、および情報処理方法 | |
| JP6554148B2 (ja) | 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造 | |
| CN111661531A (zh) | 医疗废弃物回收系统及其数据存储方法 | |
| JP7311334B2 (ja) | 廃棄物の質を推定する装置、システム、プログラム、及び方法 | |
| JP2019119545A (ja) | 情報処理装置、制御装置、情報処理方法、および情報処理プログラム | |
| TW202309445A (zh) | 資訊處理方法、資訊處理裝置、及資訊處理程式 | |
| JP6603822B2 (ja) | ごみ質の推定システムおよびそのごみ質の推定システムを用いたクレーン運転制御システム | |
| CA3022583A1 (fr) | Automatic system for reliable and efficient interactive management of waste generated by an individual or by a group of individuals, method thereof | |
| JP2024001337A (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 | |
| JP2019160153A (ja) | ごみ質の推定システムおよびそのごみ質の推定システムを用いたクレーン運転制御システム | |
| CN111094851B (zh) | 热值推定方法、热值推定装置及垃圾贮存设备 | |
| JP6879899B2 (ja) | 撹拌状態検出装置、撹拌制御装置、および撹拌状態検出方法 | |
| JP7387465B2 (ja) | 廃棄物撹拌状態評価装置および該方法 | |
| JPS60207022A (ja) | ごみピツトにおけるごみ質分布識別方法 | |
| JP7382612B1 (ja) | 三次元ごみ情報管理装置および三次元ごみ情報管理方法 | |
| KR102578920B1 (ko) | 인공지능을 기반으로 하는 pet 선별장치 | |
| TW202403235A (zh) | 資訊處理裝置、資訊處理方法、及資訊處理程式 | |
| KR102578919B1 (ko) | 재활용 pet에 대한 자동 선별 분리 시스템 | |
| JP2020203249A (ja) | 廃棄物選別貯留装置、該廃棄物選別貯留装置を備えた廃棄物処理施設 | |
| JP2002279056A (ja) | 被覆型廃棄物最終処分場における埋立て管理方法 | |
| JP2023127844A (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 | |
| JP2024021223A (ja) | ごみの攪拌方法及びごみの攪拌システム | |
| Da Costa | Community recycling awareness and participation at Massey University's Turitea campus: a thesis presented in partial fulfilment of the requirements for the degree of Master of Environmental Management at Massey University, New Zealand |