TW202403235A - 資訊處理裝置、資訊處理方法、及資訊處理程式 - Google Patents

Abstract

資訊處理裝置具備：第一影像分析部，其係使用將藉由對紅外線攝像裝置所攝像之焚化爐內的紅外線攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機器學習過之第一學習完成模型，將焚化爐內之新的紅外線攝像資料作為輸入，進行在前述第一評估軸之評估；及燃燒狀態判定部，其係基於在前述第一評估軸之評估結果判定現在的燃燒狀態。

Description

資訊處理裝置、資訊處理方法、及資訊處理程式

本揭示係關於一種判定焚化爐內之燃燒狀態的資訊處理裝置、資訊處理方法、及資訊處理程式。

廢棄物焚化設施中，不只是從燃燒排放氣體有效回收熱，還為了抑制有害物（一氧化碳（CO）、戴奧辛類、NO _X等）的排出，以使廢棄物燃燒穩定為目的，而引進自動燃燒控制（ACC）。

但是，由於垃圾質顯著變動等使ACC對於焚化爐內之燃燒狀態的維持無法因應情況下，須由熟練的作業人員手動介入。此時，熟練技術人員係以從各種檢測器獲得之處理值及拍攝燃燒狀態之燃燒圖像為基礎來進行手動介入的判斷。

上述燃燒圖像資訊是非常重要的指標，各公司有提出主要藉由使用深度學習之影像辨識技術，並從燃燒圖像預測燃燒狀態之分類及處理值的技術之專利申請。例如，日本特開2021-8991號（專利文獻1）中，係提出使用分類模型，將燃燒圖像作為輸入，並將燃燒狀態例如分類成8種。此外，專利第6824859號（專利文獻2）中，係提出製作推斷模型，將燃燒圖像作為輸入，預測依燃燒狀態之推斷值（CO濃度、NO _X濃度、灰中未燃燒部分等）。

燃燒圖像中主要拍照出焚化爐內之主要燃燒區域的火焰（伴隨藉由廢棄物之熱分解及部分氧化所發生之易燃氣體燃燒而產生的火焰），並從燃燒圖像瞭解火焰之強弱等的資訊。

但是，不只是火焰的狀態，與被燃燒物有關之資訊（例如，被燃燒物之量、質、種類）也會影響燃燒狀態，例如，即使以相同火焰強度燃燒，此時燃燒之被燃燒物之量不同時，實際排放氣體濃度（CO濃度等）等數值很可能不同。此外，即使就從燃燒圖像進行燃燒狀態之分類及處理值的預測之技術，在只有只能掌握火焰狀況之燃燒圖像中，例如即使因被燃燒物之量差異而實際是不同的燃燒狀態，很可能被分類成同樣的燃燒狀態，故處理值之預測、推斷及燃燒狀態的分類、預測、推斷有無法順利進行之可能性。

專利文獻2中，係將燃燒影像與作為燃燒結果所獲得之計測值（CO濃度、NO _X濃度、灰中未燃燒部分等）相關連，而製作從燃燒影像預測上述計測值的模型。但是，由於上述計測值是作為時時刻刻轉變之燃燒狀態、狀況的結果所獲得者，故正確掌握燃燒狀態在掌握焚化設施之運轉狀態及爾後的運轉管理（燃燒控制）上是比預測上述計測值還重要之因素。

專利文獻1中，係藉由機械學習將燃燒影像資料作為學習用輸入參數，並將燃燒狀態之強弱數值化的資料、將燃燒之燃盡點的位置數值化之資料、及將未燃物之產生程度數值化的資料作為學習用輸出參數之教師資料而生成模型。但是，專利文獻1中雖記載有學習完成模型將燃燒狀態分類成複數種（例如8種），但並未明示作為輸出參數之數值化的資料間之關係及分類的詳細內容，有分類燃燒狀態無法順利進行之可能性。

期待提供將焚化爐內之燃燒狀態更精確分類、預測、推斷的技術。

本揭示一個樣態之資訊處理裝置具備： 第一影像分析部，其係使用將藉由對紅外線攝像裝置所攝像之焚化爐內的紅外線攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將焚化爐內之新的紅外線攝像資料作為輸入，進行在前述第一評估軸之評估；及 燃燒狀態判定部，其係基於在前述第一評估軸之評估結果判定現在的燃燒狀態。

本揭示另外樣態之資訊處理裝置具備： 第一影像分析部，其係使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將焚化爐內之新的第一攝像資料作為輸入，進行在前述第一評估軸之評估； 第二影像分析部，其係使用將藉由對第二攝像裝置所攝像之焚化爐內的第二攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第二評估軸中之分類標記而生成的第二教師資料機械學習之第二學習完成模型，將焚化爐內之新的第二攝像資料作為輸入，進行在前述第二評估軸之評估；及 燃燒狀態判定部，其係藉由將在前述第一評估軸及第二評估軸之各個評估結果往將前述第一評估軸及第二評估軸作為座標軸之預定的燃燒狀態判定圖上映射，來判定現在的燃燒狀態。

本揭示又另外樣態之資訊處理裝置具備： 第一影像分析部，其係使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的2個以上之各個第一評估軸中的分類標記而生成之第一教師資料機械學習過的第一學習完成模型，將焚化爐內之新的攝像資料作為輸入，進行在2個以上之前述第一評估軸的各個評估；及 燃燒狀態判定部，其係藉由將在2個以上之前述第一評估軸的各個評估結果往將2個以上之前述第一評估軸作為座標軸的預定之燃燒狀態判定圖上映射，來判定現在的燃燒狀態。

實施形態之第1樣態的資訊處理裝置具備： 第一影像分析部，其係使用將藉由對紅外線攝像裝置所攝像之焚化爐內的紅外線攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將焚化爐內之新的紅外線攝像資料作為輸入，進行在前述第一評估軸之評估；及 燃燒狀態判定部，其係基於在前述第一評估軸之評估結果判定現在的燃燒狀態。

採用此種樣態時，因為紅外線攝像裝置以適切選擇攝像波長的方式可取得包含從經消除火焰影響之焚化爐上游側至實際燃燒的被燃燒物圖像之影像，作為焚化爐內之紅外線攝像資料，故以使用焚化爐內之紅外線攝像資料，進行成為判斷燃燒狀態之要素的以至少1個第一評估軸之評估，並依據該評估結果判定燃燒狀態的方式，與只有從只能掌握火焰狀況之燃燒圖像進行燃燒狀態之分類、預測、推斷及處理值之預測、推斷時比較，可更精確分類、預測、推斷焚化爐內之燃燒狀態。

實施形態第2樣態之資訊處理裝置如第1樣態的資訊處理裝置， 其中前述第一評估軸包含被燃燒物之量、被燃燒物之質、被燃燒物之種類、被燃燒物之溫度、燃燒氣體產生量（CO等）、焚化爐爐壁之溫度中的至少1個。

實施形態第3樣態之資訊處理裝置如第1或第2樣態的資訊處理裝置， 其中前述紅外線攝像資料係60秒以內之動態影像資料。

按照本案發明人之見解，焚化爐內之燃燒狀態以5～10秒變化。因此，採用此種樣態時，以使用60秒以內之動態影像資料作為1個區分的方式作為焚化爐內之紅外線攝像資料，可更精確分類、預測、推斷焚化爐內之燃燒狀態。

實施形態第4樣態之資訊處理裝置如第1至第3樣態中任何一個樣態的資訊處理裝置， 其中前述紅外線攝像資料係5秒以上之動態影像資料。

採用此種樣態時，對於焚化爐內之燃燒狀態以5～10秒變化，而以使用5秒以上之動態影像資料作為1個區分的方式，作為焚化爐內之紅外線攝像資料，可更精確分類、預測、推斷焚化爐內之燃燒狀態。

實施形態第5樣態之資訊處理裝置如第1至第4樣態中任何一個樣態的資訊處理裝置， 其中前述分類標記係顯示在預定之分類項目中屬於哪個的標記、與在複數個紅外線攝像資料之間的相對性順序中之至少一方。

經本案發明人等實際驗證結果，確認使用將藉由對以紅外線攝像裝置所攝像之焚化爐內的紅外線攝像資料，賦予在複數個紅外線攝像資料之間的第一評估軸中之相對性順序而生成的第一教師資料機械學習（排序（Ranking）學習）過之第一學習完成模型進行第一評估軸的評估，並以基於該評估結果判定燃燒狀態的方式，可更精確分類、預測、推斷焚化爐內之燃燒狀態。因此，採用此種樣態時，可更精確分類、預測、推斷焚化爐內之燃燒狀態。

實施形態第6樣態之資訊處理裝置如第1至第5樣態中任何一個樣態的資訊處理裝置， 其中前述第一影像分析部使用將藉由對焚化爐內之紅外線攝像資料、從設置於設施內之檢測器獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合賦予前述第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將前述焚化爐內之新的紅外線攝像資料、與新的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合作為輸入，來進行在前述第一評估軸之評估。

實施形態第7樣態之資訊處理裝置如第6樣態的資訊處理裝置， 其中前述處理資料係考慮過前述紅外線攝像資料之攝像時刻與前述檢測器的回應時刻之間的時滯（Time Lag）者。時滯可基於前述檢測器之回應速度、前述檢測器在設施內之設置位置、實驗、模擬、操作員之經驗法則來適當決定。

實施形態第8樣態之資訊處理裝置如第1至第7樣態中任何一個樣態的資訊處理裝置， 其中前述第一影像分析部使用將藉由對焚化爐內之紅外線攝像資料賦予成為判斷燃燒狀態之要素的在2個以上前述第一評估軸之各個中的分類標記而生成的第一教師資料機械學習過之第一學習完成模型，並將前述焚化爐內之新的紅外線攝像資料作為輸入，進行在2個以上前述第一評估軸之各個評估， 前述燃燒狀態判定部藉由將在2個以上前述第一評估軸之各個評估結果往將2個以上前述第一評估軸作為座標軸之預定的燃燒狀態判定圖上映射，來判定現在的燃燒狀態。

採用此種樣態時，因為係使用焚化爐內之紅外線攝像資料進行成為判斷燃燒狀態之要素的2個以上第一評估軸之各個評估，並基於2個以上第一評估軸之各個評估結果來判定燃燒狀態，故與基於在1個評估軸之評估結果判定燃燒狀態比較，可精確分類、預測、推斷燃燒狀態。此外，因為係藉由將在個以上第一評估軸之各個評估結果往燃燒狀態判定圖上映射來判定燃燒狀態，故可直覺地掌握在2個以上第一評估軸之各個評估結果與作為判定結果之燃燒狀態之關連性，並可高速進行燃燒狀態之判定。

實施形態第9樣態之資訊處理裝置如第1至第7樣態中任何一個樣態的資訊處理裝置， 其中進一步具備第二影像分析部，其係使用將藉由對以可見光攝像裝置攝像之焚化爐內的可見光攝像資料賦予成為判斷燃燒狀態之要素的至少1個第二評估軸中之分類標記而生成的第二教師資料機械學習過之第二學習完成模型，將前述焚化爐內之新的可見光攝像資料作為輸入，來進行前述第二評估軸之評估， 前述燃燒狀態判定部係藉由將在前述第一評估軸及前述第二評估軸之各個評估結果往將前述第一評估軸及第二評估軸作為座標軸之預定的燃燒狀態判定圖上映射，來判定現在的燃燒狀態。

採用此種樣態時，因為加上使用焚化爐內之紅外線攝像資料進行成為判斷燃燒狀態之要素的在第一評估軸的評估，還使用焚化爐內之可見光攝像資料進行成為判斷燃燒狀態之要素的在第二評估軸之評估，並基於在第一評估軸與第二評估軸之各個評估結果判定燃燒狀態，與基於在1個評估軸之評估結果判定燃燒狀態時比較，可精確分類、預測、推斷燃燒狀態。此外，因為係藉由將在第一評估軸與第二評估軸之各個評估結果往燃燒狀態判定圖上映射來判定燃燒狀態，故可直覺地掌握在第一評估軸與第二評估軸之各個評估結果與判定結果的燃燒狀態之關連性，並可高速進行燃燒狀態之判定。

實施形態第10樣態之資訊處理裝置如第9樣態的資訊處理裝置， 其中前述第二評估軸包含火焰狀態、燃燒結束點之位置、燃燒結束點之形狀、被燃燒物之量、被燃燒物之質、被燃燒物之種類、未燃物之量、焚燒灰之量中的至少1個。

實施形態第11樣態之資訊處理裝置如第1至第10樣態中任何一個樣態的資訊處理裝置， 其中前述燃燒狀態判定部係將燃燒狀態之判定結果因應從設置於設施內之檢測器獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量而修正。

實施形態第12樣態之資訊處理裝置如第1至第11樣態中任何一個樣態的資訊處理裝置， 其中前述燃燒狀態判定部係因應燃燒狀態之判定結果進行警報的顯示或發報。

實施形態第13樣態之資訊處理裝置如第1至第12樣態中任何一個樣態的資訊處理裝置， 其中進一步具備指示部，其係基於前述燃燒狀態判定部之判定結果往吊車控制裝置及／或燃燒控制裝置傳送操作指示。

實施形態第14樣態之資訊處理裝置如第1至第13樣態中任何一個樣態的資訊處理裝置， 其中用於前述機械學習之演算法包含使用最大似然分類法、玻耳茲曼機（Boltzmann Machine）、神經網路（NN）、支援向量機（SVM；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、推升（Boosting）、強化學習、深層學習中的至少1個。

實施形態第15樣態之資訊處理裝置如第1至第14樣態中任何一個樣態的資訊處理裝置， 其中進一步具備模型建立部，其係藉由將對以紅外線攝像裝置所攝像之焚化爐內的紅外線攝像資料，藉由賦予成為判斷燃燒狀態之要素的第一評估軸中之分類標記而生成的第一教師資料機械學習，而生成前述第一學習完成模型。

實施形態第16樣態之系統具備： 第13樣態之資訊處理裝置；及 前述燃燒控制裝置，其基於從前述資訊處理裝置所傳送之操作指示，控制進行廢棄物之攪拌或搬送的吊車之前述吊車控制裝置；及／或控制焚化爐對廢棄物之燃燒。

實施形態第17樣態之資訊處理方法係電腦執行的資訊處理方法，且包含： 使用將藉由對紅外線攝像裝置所攝像之焚化爐內的紅外線攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將前述焚化爐內之新的紅外線攝像資料作為輸入，進行在前述第一評估軸之評估之步驟；及 基於在前述第一評估軸之評估結果判定現在的燃燒狀態之步驟。

實施形態第18樣態之記憶媒體係非暫時性（non-transitory）記憶以下程式，該程式使電腦執行： 使用將藉由對紅外線攝像裝置所攝像之焚化爐內的紅外線攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將前述焚化爐內之新的紅外線攝像資料作為輸入，進行在前述第一評估軸之評估之步驟；及 基於前述第一評估軸之評估結果判定現在的燃燒狀態之步驟。

實施形態第19樣態之資訊處理裝置具備： 第一影像分析部，其係使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將焚化爐內之新的第一攝像資料作為輸入，進行在前述第一評估軸之評估； 第二影像分析部，其係使用將藉由對第二攝像裝置所攝像之焚化爐內的第二攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第二評估軸中之分類標記而生成的第二教師資料機械學習過之第二學習完成模型，將焚化爐內之新的第二攝像資料作為輸入，進行在前述第二評估軸之評估；及 燃燒狀態判定部，其係藉由將在前述第一評估軸及第二評估軸之各個評估結果往將前述第一評估軸及第二評估軸作為座標軸之預定的燃燒狀態判定圖上映射，來判定現在的燃燒狀態。

採用此種樣態時，因為係使用焚化爐內之第一攝像資料進行成為判斷燃燒狀態之要素的在第一評估軸之評估，並且使用焚化爐內之第二攝像資料進行成為判斷燃燒狀態之要素的在第二評估軸之評估，並基於在第一評估軸與第二評估軸之各個評估結果判定燃燒狀態，故與基於在1個評估軸之評估結果判定燃燒狀態時比較，可更精確分類、預測、推斷燃燒狀態。此外，因為係藉由將在第一評估軸與第二評估軸之各個評估結果往燃燒狀態判定圖上映射來判定燃燒狀態，故可直覺地掌握在第一評估軸與第二評估軸之各個評估結果與判定結果的燃燒狀態之關連性，並可高速進行燃燒狀態之判定。

實施形態第20樣態之資訊處理裝置如第19樣態的資訊處理裝置， 其中前述第一攝像裝置係紅外線攝像裝置，前述第二攝像裝置係可見光攝像裝置。

採用此種樣態時，對於可見光攝像裝置可取得可掌握火焰狀況之影像作為焚化爐內的第二攝像資料（可見光攝像資料），紅外線攝像裝置藉由適切選擇攝像波長，可取得包含從消除火焰影響之焚化爐上游側至實際燃燒中被燃燒物之圖像的影像，作為焚化爐內之第一攝像資料（紅外線攝像資料）。因而，以使用焚化爐內之紅外線攝像資料進行成為判斷燃燒狀態之要素的在第一評估軸之評估，並且使用焚化爐內之可見光攝像資料進行成為判斷燃燒狀態之要素的在第二評估軸之評估，組合利用此等評估結果來判斷燃燒狀態的方式，與僅從只能掌握火焰狀況之燃燒圖像進行燃燒狀態之分類、預測、推斷及處理值之預測、推斷時比較，可更精確分類、預測、推斷焚化爐內之燃燒狀態。

實施形態第21樣態之資訊處理裝置如第20樣態的資訊處理裝置， 其中前述第一評估軸包含被燃燒物之量、被燃燒物之質、被燃燒物之種類、被燃燒物之溫度、燃燒氣體產生量（CO等）、焚化爐爐壁之溫度中的至少1個。

實施形態第22樣態之資訊處理裝置如第20或第21樣態的資訊處理裝置， 其中前述第二評估軸包含火焰狀態、燃燒結束點之位置、燃燒結束點之形狀、被燃燒物之量、被燃燒物之質、被燃燒物之種類、未燃物之量、焚燒灰之量中的至少1個。

實施形態第23樣態之資訊處理裝置如第19至第22樣態的資訊處理裝置， 其中前述第一攝像資料係60秒以內之動態影像資料；及／或 前述第二攝像資料係60秒以內之動態影像資料。

按照本案發明人之見解，焚化爐內之燃燒狀態以5～10秒變化。因此，採用此種樣態時，以使用60秒以內之動態影像資料作為1個區分的方式作為焚化爐內之紅外線攝像資料，可更精確分類、預測、推斷焚化爐內之燃燒狀態。

實施形態第24樣態之資訊處理裝置如第19至第23樣態中任何一個樣態的資訊處理裝置， 其中前述第一攝像資料係5秒以上之動態影像資料；及／或 前述第二攝像資料係5秒以上之動態影像資料。

採用此種樣態時，對於焚化爐內之燃燒狀態以5～10秒變化，以使用5秒以上之動態影像資料作為1個區分的方式作為焚化爐內之紅外線攝像資料，可更精確分類、預測、推斷焚化爐內之燃燒狀態。

實施形態第25樣態之資訊處理裝置如第19至第24樣態中任何一個樣態的資訊處理裝置， 其中前述第一教師資料中之分類標記係顯示在預定之分類項目中屬於哪個的標記、與在複數個第一攝像資料間之相對性順序中的至少一方，及／或 前述第二教師資料中之分類標記係顯示在預定之分類項目中屬於哪個的標記、與在複數個第二攝像資料間之相對性順序中的至少一方。

經本案發明人實際驗證結果，確認使用將藉由對焚化爐內之攝像資料，賦予在複數個攝像資料之間的評估軸中之相對性順序而生成的教師資料機械學習（排序學習）過之學習完成模型進行在該評估軸的評估，並以基於該評估結果判定燃燒狀態的方式，可更精確分類、預測、推斷焚化爐內之燃燒狀態。因此，採用此種樣態時，可更精確分類、預測、推斷焚化爐內之燃燒狀態。

實施形態第26樣態之資訊處理裝置如第19至第25樣態中任何一個樣態的資訊處理裝置， 其中前述第一影像分析部使用將藉由對焚化爐內之第一攝像資料、從設置於設施內之檢測器獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合賦予前述第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將焚化爐內之新的第一攝像資料、與新的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合作為輸入，來進行在前述第一評估軸之評估；及／或 前述第二影像分析部使用將藉由對焚化爐內之第二攝像資料、從設置於設施內之檢測器獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合賦予前述第二評估軸中之分類標記而生成的第二教師資料機械學習過之第二學習完成模型，將焚化爐內之新的第二攝像資料、與新的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合作為輸入，來進行在前述第二評估軸之評估。

實施形態第27樣態之資訊處理裝置如第26樣態的資訊處理裝置， 其中前述處理資料係考慮過前述第一攝像資料及／或第二攝像資料之攝像時刻與前述檢測器的回應時刻之間的時滯者。時滯可基於前述檢測器之回應速度、前述檢測器在設施內之設置位置、實驗、模擬、操作員之經驗法則中的至少1個來適當決定。

實施形態第28樣態之資訊處理裝置具備： 第一影像分析部，其係使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的2個以上第一評估軸之各個中的分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將焚化爐內之新的攝像資料作為輸入，進行在2個以上前述第一評估軸之各個評估；及 燃燒狀態判定部，其係藉由將在2個以上前述第一評估軸之各個評估結果往將2個以上前述第一評估軸作為座標軸之預定的燃燒狀態判定圖上映射，來判定現在的燃燒狀態。

採用此種樣態時，因為係使用焚化爐內之第一攝像資料進行成為判斷燃燒狀態之要素的在2個以上第一評估軸之各個評估，並基於在2個以上第一評估軸之各個評估結果判定燃燒狀態，故與基於在1個評估軸之評估結果判定燃燒狀態時比較，可更精確分類、預測、推斷燃燒狀態。此外，因為藉由將在2個以上第一評估軸之各個評估結果往燃燒狀態判定圖上映射來判定燃燒狀態，故可直覺地掌握在2個以上第一評估軸之各個評估結果與判定結果的燃燒狀態之關連性，並可高速進行燃燒狀態之判定。

實施形態第29樣態之資訊處理裝置如第28樣態的資訊處理裝置， 其中前述第一攝像裝置係紅外線攝像裝置。

採用此種樣態時，因為紅外線攝像裝置以適切選擇攝像波長的方式可取得包含從消除火焰影響之焚化爐上游側至實際燃燒的被燃燒物圖像之影像，作為焚化爐內之第一攝像裝置（紅外線攝像資料），故以使用焚化爐內之紅外線攝像資料進行成為判斷燃燒狀態之要素的在第一評估軸之評估，並利用該評估結果判定燃燒狀態的方式，與僅從只能掌握火焰狀況之燃燒圖像進行燃燒狀態之分類及處理值之預測時比較，可更精確分類、預測、推斷焚化爐內之燃燒狀態。

實施形態第30樣態之資訊處理裝置如第29樣態的資訊處理裝置， 其中前述第一攝像裝置係紅外線攝像裝置。

實施形態第31樣態之資訊處理裝置如第28樣態的資訊處理裝置， 其中前述第一攝像裝置係可見光攝像裝置。

實施形態第32樣態之資訊處理裝置如第31樣態的資訊處理裝置， 其中前述第一評估軸包含火焰狀態、燃燒結束點之位置、燃燒結束點之形狀、被燃燒物之量、被燃燒物之質、被燃燒物之種類、未燃物之量、焚燒灰之量中的至少1個。

實施形態第33樣態之資訊處理裝置如第19至第32樣態中任何一個樣態的資訊處理裝置， 其中前述燃燒狀態判定部係將燃燒狀態之判定結果因應從設置於設施內之檢測器獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量而修正。

實施形態第34樣態之資訊處理裝置如第19至第33樣態中任何一個樣態的資訊處理裝置， 其中前述燃燒狀態判定部係因應燃燒狀態之判定結果進行警報的顯示或發報。

實施形態第35樣態之資訊處理裝置如第19至第34樣態中任何一個樣態的資訊處理裝置， 其中進一步具備指示部，其係基於前述燃燒狀態判定部之判定結果往吊車控制裝置及／或燃燒控制裝置傳送操作指示。

實施形態第36樣態之資訊處理裝置如第19至第35樣態中任何一個樣態的資訊處理裝置， 其中用於前述機械學習之演算法包含使用最大似然分類法、玻耳茲曼機、神經網路（NN）、支援向量機（SVM）、貝氏網路、稀疏迴歸、決策樹、隨機森林之統計性推斷、推升、強化學習、深層學習中的至少1個。

實施形態第37樣態之資訊處理裝置如第19至第27樣態中任何一個樣態的資訊處理裝置， 其中進一步具備： 第一模型建立部，其係藉由將藉由對以第一攝像裝置所攝像之焚化爐內的第一攝像資料賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習，而生成前述第一學習完成模型；及／或 第二模型建立部，其係藉由將藉由對以第二攝像裝置所攝像之焚化爐內的第二攝像資料賦予成為判斷燃燒狀態之要素的至少1個第二評估軸中之分類標記而生成的第二教師資料機械學習，而生成前述第二學習完成模型。

實施形態第38樣態之資訊處理裝置如第28至第32樣態中任何一個樣態的資訊處理裝置， 其中進一步具備第一模型建立部，其係藉由將藉由對以第一攝像裝置所攝像之焚化爐內的第一攝像資料賦予成為判斷燃燒狀態之要素的2個以上第一評估軸之各個中的分類標記而生成的第一教師資料機械學習，而生成前述第一學習完成模型。

實施形態第39樣態之系統具備： 第35樣態之資訊處理裝置；及 基於從前述資訊處理裝置所傳送之操作指示，控制進行廢棄物之攪拌或搬送的吊車之前述吊車控制裝置；及／或控制焚化爐對廢棄物之燃燒的前述燃燒控制裝置。

實施形態第40樣態之資訊處理方法係電腦執行的資訊處理方法，且包含： 使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將焚化爐內之新的第一攝像資料作為輸入，進行在前述第一評估軸之評估之步驟； 使用將藉由對第二攝像裝置所攝像之焚化爐內的第二攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第二評估軸中之分類標記而生成的第二教師資料機械學習過之第二學習完成模型，將焚化爐內之新的第二攝像資料作為輸入，進行在前述第二評估軸之評估之步驟；及 藉由將在前述第一評估軸及第二評估軸之各個評估結果往將前述第一評估軸及前述第二評估軸作為座標軸之預定的燃燒狀態判定圖上映射，判定現在的燃燒狀態之步驟。

實施形態第41樣態之資訊處理方法係電腦執行的資訊處理方法，且包含： 使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的2個以上第一評估軸之各個中的分類標記而生成之第一教師資料機械學習過的第一學習完成模型，將焚化爐內之新的第一攝像資料作為輸入，進行在2個以上前述第一評估軸之各個評估之步驟；及 藉由將在2個以上前述第一評估軸之各個評估結果往將2個以上前述第一評估軸作為座標軸之預定的燃燒狀態判定圖上映射，判定現在的燃燒狀態之步驟。

實施形態第42樣態之記憶媒體係非暫時性（non-transitory）記憶以下資訊處理程式，該資訊處理程式使電腦執行： 使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將焚化爐內之新的第一攝像資料作為輸入，進行在前述第一評估軸之評估之步驟； 使用將藉由對第二攝像裝置所攝像之焚化爐內的第二攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第二評估軸中之分類標記而生成的第二教師資料機械學習過之第二學習完成模型，將焚化爐內之新的第二攝像資料作為輸入，進行在前述第二評估軸之評估；及 藉由將在前述第一評估軸及第二評估軸之各個評估結果往將前述第一評估軸及第二評估軸作為座標軸之預定的燃燒狀態判定圖上映射，判定現在的燃燒狀態。

實施形態第43樣態之記憶媒體係非暫時性（non-transitory）記憶以下資訊處理程式，該資訊處理程式使電腦執行： 使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的2個以上第一評估軸之各個中的分類標記而生成之第一教師資料機械學習過的第一學習完成模型，將焚化爐內之新的第一攝像資料作為輸入，進行在2個以上前述第一評估軸之各個評估之步驟；及 藉由將在2個以上前述第一評估軸之各個評估結果往將2個以上前述第一評估軸作為座標軸之預定的燃燒狀態判定圖上映射，判定現在的燃燒狀態之步驟。

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時使用之圖式中，就可相同構成之部分使用相同符號，並且省略重複之說明。

本說明書中所謂「A及／或B」，是指A及B中之一方或兩者。此外，本說明書中所謂「可見光」，是指波長為360nm～830nm之電磁波，所謂「紅外線」，是指波長為830nm～14000nm之電磁波。

（第一種實施形態） 圖1係顯示第一種實施形態之焚化設施1的構成概略圖。

如圖1所示，焚化設施1具備：供裝載廢棄物之搬送車輛（垃圾收集車）22停車的平台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6；及從在焚化爐6內產生之排放氣體回收排熱的排熱鍋爐2。焚化爐6之種類並不限於圖1所示之加煤燃燒（Stoker）爐者，亦包含流動爐（亦稱為流動床爐）。此外，垃圾坑3之構造並不限於圖1所示之1段坑者，亦包含2段坑。此外，焚化設施1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（被燃燒物）在焚化爐6內之燃燒的燃燒控制裝置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往垃圾坑3內投入，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往料斗4搬送，再經由料斗4往焚化爐6內部投入，而在焚化爐6內部焚化處理。

如圖1所示，本實施形態之焚化設施1中設有：攝像焚化爐6內之紅外線攝像裝置71及可見光攝像裝置72；與判定焚化爐6內之燃燒狀態的資訊處理裝置10。

圖示之例中，紅外線攝像裝置71係設置於焚化爐6之下游側的上方。紅外線攝像裝置71亦可於焚化爐6之下游側的上方設置複數台。另外，紅外線攝像裝置71之設置位置並不限定於焚化爐6之下游側的上方者，紅外線攝像裝置71亦可設置於焚化爐6之下游側的水平方向及上游側的上方或水平方向。紅外線攝像裝置71事先適切選擇攝像波長（例如3.7μm～4.0μm）來切掉火焰之波長（例如4.1μm～4.5μm），成為可取得包含消除火焰影響之從焚化爐6上游側至實際燃燒的被燃燒物圖像之影像，作為紅外線攝像資料（動態影像資料）。紅外線攝像裝置71除了火焰的波長之外，事先適切選擇攝像波長（例如3.7μm～4.0μm），來進一步切掉二氧化碳（CO ₂）及水蒸氣的波長（例如4.0μm～4.2μm），亦可成為可取得包含消除了火焰以及二氧化碳與水蒸氣之影響的從焚化爐6之上游側至實際燃燒的被燃燒物圖像之影像，作為紅外線攝像資料（動態影像資料）。紅外線攝像裝置71之幀速率（Frame Rate）並不需要是特別地高幀速率，為一般幀速率（30fps程度）即可，亦可係低幀速率（5～10fps程度）。

圖示之例中，可見光攝像裝置72係設置於焚化爐6之下游側的上方，成為可取得爐柵上之被燃燒物火焰狀態（燃燒狀態）的可見光攝像資料（動態影像資料）。可見光攝像裝置72亦可複數台設置於焚化爐6之下游側的上方。另外，可見光攝像裝置72之設置位置並不限定於焚化爐6之下游側的上方，可見光攝像裝置72亦可設置於焚化爐6之下游側的水平方向及上游側之上方或水平方向。可見光攝像裝置72亦可係RGB攝影機、3D攝影機、RGB-D攝影機之任何一個，亦可係此等中之2個以上的組合。可見光攝像裝置72之幀速率不需要是特別高幀速率，是一般幀速率（30fps程度）即可，亦可係低幀速率（5～10fps程度）。

其次，說明本實施形態之資訊處理裝置10的構成。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：通信部11、控制部12、與記憶部13。各部經由匯流排或網路彼此可通信地連接。

其中通信部11係紅外線攝像裝置71、可見光攝像裝置72、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11在紅外線攝像裝置71、可見光攝像裝置72、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之間收發資訊。

記憶部13例如係硬碟或快閃記憶體等非揮發性資料存儲器。記憶部13中記憶控制部12處理之各種資料。此外，記憶部13中記憶：供後述之第一模型建立部12c1於機械學習使用之第一演算法13a1；供第二模型建立部12c2於機械學習使用之第二演算法13a2；藉由第一攝像資料取得部12a1所取得之第一攝像資料13b1；藉由第二攝像資料取得部12a2所取得之第二攝像資料13b2；藉由第一教師資料生成部12b1所生成之第一教師資料13c1；藉由第二教師資料生成部12b2所生成之第二教師資料13c2；及由燃燒狀態判定部12e所使用之燃燒狀態判定圖13d。各資訊13a1～13d之詳情敘述於後。

控制部12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12具有：第一攝像資料取得部12a1、第二攝像資料取得部12a2、第一教師資料生成部12b1、第二教師資料生成部12b2、第一模型建立部12c1、第二模型建立部12c2、第一影像分析部12d1、第二影像分析部12d2、燃燒狀態判定部12e、指示部12f、與處理資料取得部12g。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，亦可以硬體來安裝。

第一攝像資料取得部12a1取得紅外線攝像裝置71所攝像之焚化爐6內的紅外線攝像資料作為第一攝像資料13b1。第一攝像資料13b1被記憶於記憶部13。

第二攝像資料取得部12a2取得可見光攝像裝置72所攝像之焚化爐6內的可見光攝像資料作為第二攝像資料13b2。第二攝像資料13b2被記憶於記憶部13。

處理資料取得部12g取得從設置於焚化設施1內之各種檢測器（無圖示）所計測之處理資料（例如，爐出口溫度及蒸發量）、及／或從該處理資料藉由演算而獲得的演算資料。處理資料及／或演算資料亦可記憶於記憶部13。演算資料亦可包含實測值PV與設定值SV之差分值（亦可係差分值之絕對值）或指定期間（例如1分鐘、10分鐘、20分鐘、1小時）中之移動平均值、最大值、最小值、中間值、積分值、微分值、標準偏差、與指定時間前之值的差分值（亦可係差分值之絕對值）中的1個或2個以上。

第一教師資料生成部12b1藉由將由操作員基於經驗法則而人為賦予之成為判斷燃燒狀態的要素之至少1個第一評估軸中的分類標記對第一攝像資料13b1相關連，而生成第一教師資料13c1。第一教師資料生成部12b1亦可將第一攝像資料13b1分割成複數個區塊（例如，燃燒處理中之乾燥區域、氣化燃燒區域、廢氣燃燒區域），並藉由將由操作員基於經驗法則而人為賦予之成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記對區塊單位之資料相關連，而生成第一教師資料13c1。第一教師資料13c1被記憶於記憶部13。此處，分類標記亦可係在第一評估軸中之絕對性分類資訊（以對於預定之絕對性基準（臨限值）的關係而定之分類），亦可係在複數個紅外線攝像資料間之第一評估軸中的相對性順序（在由複數個紅外線攝像資料構成之群組內的相對性順序關係）。第一評估軸亦可包含被燃燒物之量、被燃燒物之質、被燃燒物之種類、被燃燒物之溫度、燃燒氣體產生量（CO等）、焚化爐爐壁之溫度中的至少1個。所謂被燃燒物之量，例如係對應於被燃燒物之容積、重量、密度、截面積等之值。所謂被燃燒物之質，例如係對應於被燃燒物之易燃性、發熱量、水分、密度等之值。被燃燒物之種類，例如係垃圾袋未破損之垃圾、廢紙、修剪樹枝、被褥、污泥、粗大碎垃圾、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）、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、陶瓷器、玻璃碎片、金屬碎片、枯木類、混凝土邊角料、榻榻米、竹、稻草、活性炭。所謂被燃燒物之溫度，例如係對應於被燃燒物的溫度之值。所謂燃燒氣體產生量，例如係對應於CO、氫、碳化氫、NO _X、SO _X、HCl、戴奧辛等在燃燒處理過程產生的氣體產生量之值。所謂焚化爐爐壁之溫度，例如係對應於焚化爐之爐壁及頂部的溫度之值。

作為一例，在將被燃燒物之量作為第一評估軸時，分類標記亦可係多、正常、少（絕對性資訊）（標記種類亦可增加），亦可對複數個第一攝像資料將被燃燒物之量的大小賦予順序者（相對性資訊）。作為另外一例，在將被燃燒物之質作為評估軸時，分類標記亦可係一般垃圾、高質垃圾（亦即高熱量垃圾）、低質垃圾（亦即低熱量垃圾）（絕對性資訊）（標記種類亦可增加）；亦可對複數個第一攝像資料將被燃燒物之質的優劣賦予順序者（相對性資訊）。作為另外一例，在將被燃燒物之種類作為第一評估軸時，分類標記亦可為垃圾袋未破損垃圾、修剪樹枝、被褥（絕對性資訊）（標記種類亦可增加）。作為另外一例，在將燃燒氣體產生量（CO等）作為評估軸時，分類標記亦可係多、正常、少（絕對性資訊）（標記種類亦可增加），亦可係對複數個第一攝像資料將燃燒氣體產生量（CO等）之大小賦予順序者（相對性資訊）。作為另外一例，在將焚化爐爐壁之溫度作為第一評估軸時，分類標記亦可係高、正常、低（標記種類亦可增加），亦可係對複數個第一攝像資料將焚化爐爐壁之溫度的高低賦予順序者（相對性資訊）。

第一教師資料生成部12b1亦可藉由對第一攝像資料13b1、與從設置於焚化設施1內之各種檢測器（無圖示）獲得的處理資料及／或從該處理資料藉由演算而獲得的演算量之組合，將由操作員基於經驗法則人為地賦予之第一評估軸中的分類標記相關連，而生成第一教師資料13c1。此處，處理資料係考慮到第一攝像資料之攝像時刻與檢測器的回應時刻間之時滯的資料。時滯可基於檢測器之回應速度、檢測器在設施內之設置位置、實驗、模擬、操作員之經驗法則而適當決定。

第二教師資料生成部12b2藉由對第二攝像資料13b2，將由操作員基於經驗法則而人為賦予之成為判斷燃燒狀態的要素之至少1個第二評估軸中的分類標記相關連，而生成第二教師資料13c2。第二教師資料生成部12b2亦可將第二攝像資料13b2分割成複數個區塊（例如，燃燒處理中之乾燥區域、氣化燃燒區域、廢氣燃燒區域），並藉由對區塊單位之資料，將由操作員基於經驗法則而人為賦予之成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記相關連，而生成第二教師資料13c2。第二教師資料13c2被記憶於記憶部13。此處，分類標記亦可係在第二評估軸中之絕對性分類資訊（以對於預定之絕對性基準（臨限值）的關係而定之分類），亦可係在複數個可見光攝像資料間之第二評估軸中的相對性順序（在由複數個可見光攝像資料構成之群組內的相對性順序關係）。第二評估軸亦可包含火焰狀態、燃燒結束點之位置（燃盡點）、燃燒結束點之形狀、被燃燒物之量、被燃燒物之質、被燃燒物之種類、未燃物之量、焚燒灰之量中的至少1個。所謂火焰狀態，例如係對應於火焰強弱、火焰亮度等之值。所謂燃燒結束點之位置，例如係對應於構成焚化爐之爐柵上的位置之值。所謂燃燒結束點之形狀，例如係對應於燃燒結束點之曲率及曲率半徑等之值。所謂被燃燒物之量，例如係對應於被燃燒物之容積、重量、密度、截面積等之值。所謂被燃燒物之質，例如係對應於被燃燒物之易燃性、發熱量、水分、密度等之值。被燃燒物之種類，例如係垃圾袋未破損之垃圾、廢紙、修剪樹枝、被褥、污泥、粗大碎垃圾、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）、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、陶瓷器、玻璃碎片、金屬碎片、枯木類、混凝土邊角料、榻榻米、竹、稻草、活性炭。所謂未燃物之量，例如係對應於未燃物的容積、重量、密度、截面積、多少等之值。所謂焚燒灰之量，例如係對應於焚燒灰的容積、重量、密度、截面積等之值。

作為一例，在將火焰狀態作為第二評估軸時，分類標記亦可係良好、正常、不佳（絕對性資訊）（標記種類亦可增加），亦可對複數個（例如2個）第二攝像資料將火焰狀態之優劣賦予順序者（相對性資訊）。作為另外一例，在將燃燒結束點（燃盡點）之位置作為評估軸時，分類標記亦可係近端、稍近、正常、稍遠、遠端（標記種類亦可增加），亦可係對複數個第二攝像資料將燃燒結束點之位置的遠近賦予順序者。作為另外一例，在將燃燒結束點之形狀作為評估軸時，分類標記亦可係良好、正常、不佳（標記種類亦可增加），亦可對複數個第二攝像資料將燃燒結束點之形狀的優劣賦予順序者。作為另外一例，在將被燃燒物之量作為第二評估軸時，分類標記亦可係多、正常、少（標記種類亦可增加），亦可係對複數個第二攝像資料將被燃燒物之量的大小賦予順序者。作為另外一例，在將被燃燒物之質作為第二評估軸時，分類標記亦可係一般垃圾、高質垃圾（亦即高熱量垃圾）、低質垃圾（亦即低熱量垃圾）（標記種類亦可增加），亦可係對複數個第二攝像資料將被燃燒物之質的優劣賦予順序者。作為另外一例，在將被燃燒物之種類作為第二評估軸時，分類標記亦可為垃圾袋未破損垃圾、修剪樹枝、被褥（標記種類亦可增加）。作為另外一例，在將未燃物之量作為第二評估軸時，分類標記亦可係多、正常、少（標記種類亦可增加），亦可係對複數個第二攝像資料將未燃物之量的大小賦予順序者。作為另外一例，在將焚燒灰之量作為第二評估軸時，分類標記亦可係多、正常、少（標記種類亦可增加），亦可係對複數個第二攝像資料將焚燒灰之量的大小賦予順序者。

第二教師資料生成部12b2亦可藉由對第二攝像資料13b2、與從設置於焚化設施1內之各種檢測器（無圖示）獲得的處理資料及／或從該處理資料藉由演算而獲得的演算量之組合，將由操作員基於經驗法則人為地賦予之第二評估軸中的分類標記相關連，而生成第二教師資料13c2。此處，處理資料係考慮到第二攝像資料之攝像時刻與檢測器的回應時刻間之時滯的資料。時滯可基於檢測器之回應速度、檢測器在設施內之設置位置、實驗、模擬、操作員之經驗法則而適當決定。

第一攝像資料13b1及／或第二攝像資料13b2亦可係在60秒以內之動態影像資料者，亦可係30秒以內之動態影像資料。按照本案發明人等之見解，焚化爐6內之燃燒狀態以5～10秒變化。因此，作為第一攝像資料13b1及／或第二攝像資料13b2，例如以使用60秒以內（或30秒以內）之動態影像資料作為1個區分的方式，可更精確分類、預測、推斷焚化爐6內之燃燒狀態。

此外，第一攝像資料13b1及／或第二攝像資料13b2亦可係5秒以上之動態影像資料，亦可係7秒以上。對於焚化爐6內之燃燒狀態以5～10秒變化，作為第一攝像資料13b1及／或第二攝像資料13b2，例如以使用5秒以上（或7秒以上）之動態影像資料作為1個區分的方式，可更精確分類、預測、推斷焚化爐6內之燃燒狀態。

第一模型建立部12c1藉由使用第一演算法13a1將藉由第一教師資料生成部12b1所生成的第一教師資料13c1機械學習，生成第一學習完成模型。用於機械學習之第一演算法13a1可包含使用最大似然分類法、玻耳茲曼機、神經網路（NN）、支援向量機（SVM）、貝氏網路、稀疏迴歸、決策樹、隨機森林之統計性推斷、推升、強化學習、深層學習中的至少1個。

同樣地，第二模型建立部12c2藉由使用第二演算法13a2將藉由第二教師資料生成部12b2所生成的第二教師資料13c2機械學習，生成第二學習完成模型。用於機械學習之第二演算法13a2可包含使用最大似然分類法、玻耳茲曼機、神經網路（NN）、支援向量機（SVM）、貝氏網路、稀疏迴歸、決策樹、隨機森林之統計性推斷、推升、強化學習、深層學習中的至少1個。

第一影像分析部12d1將藉由第一攝像資料取得部12a1所取得之焚化爐6內新的第一攝像資料（紅外線攝像資料）作為輸入，並利用藉由第一模型建立部12c1所生成之第一學習完成模型，取得在第一評估軸（例如被燃燒物量）之評估結果作為輸出資料。第一影像分析部12d1亦可將在第一評估軸之評估結果例如正規化（得分化）成0～100之數值範圍，而取得該範圍內之數值（得分）作為輸出資料。

第二影像分析部12d2將藉由第二攝像資料取得部12a2所取得之焚化爐6內新的第二攝像資料（可見光攝像資料）作為輸入，並利用藉由第二模型建立部12c2所生成之第二學習完成模型，取得在第二評估軸（例如火焰狀態）之評估結果作為輸出資料。第二影像分析部12d2亦可將在第二評估軸之評估結果例如正規化（得分化）成0～100之數值範圍，而取得該範圍內之數值（得分）作為輸出資料。

燃燒狀態判定部12e依據第一影像分析部12d1獲得之在第一評估軸的評估結果（得分）及第二影像分析部12d2獲得之在第二評估軸的評估結果（得分）判定焚化爐6內的現在燃燒狀態。燃燒狀態之判定結果亦可係顯示燃燒狀態之特性的標記（過度燃燒、垃圾層厚燃燒、垃圾層薄燃燒、垃圾枯竭、低質垃圾燃燒等），亦可係將該標記變更數值者。所謂過度燃燒，例如係被燃燒物中存在大量高質（易燃）垃圾，燃燒溫度成為非常高溫等燃燒猛烈的燃燒狀態者。所謂垃圾層厚燃燒，例如係被燃燒物之量比平時多之燃燒狀態者。所謂垃圾層薄燃燒，例如係被燃燒物之量比平時少之燃燒狀態者。所謂垃圾枯竭，例如係被燃燒物之量比平時少非常多，而燃燒溫度降低的燃燒狀態者。所謂低質垃圾燃燒，例如係被燃燒物中存在大量低質（低熱量之垃圾等）垃圾，燃燒溫度為低溫等燃燒很弱的燃燒狀態者。

燃燒狀態判定部12e亦可藉由將由在第一評估軸的評估結果（X）及在第二評估軸的評估結果（Y）構成之組（X, Y）於將第一評估軸作為X座標軸及將第二評估軸作為Y座標軸之預定的燃燒狀態判定圖13d上映射，來判定焚化爐6內的現在燃燒狀態。燃燒狀態判定部12e亦可藉由將1個以上在第一評估軸的評估結果及1個以上在第二評估軸的評估結果構成之組（X, Y, Z,‧‧）於例如將第一評估軸中之1個作為X座標軸，將第一評估軸中之另外1個作為Y座標軸，及將第二評估軸中之1個作為Z座標軸的預定之N維空間（N係3以上之整數）的燃燒狀態判定圖13d上映射，來判定焚化爐6內的現在燃燒狀態。

圖4係顯示燃燒狀態判定圖13d之一例圖。圖4所示之燃燒狀態判定圖13d中，係將被燃燒物量作為X座標軸，將火焰狀態作為Y座標軸之XY座標平面分割成複數個區域（圖示之例中，係垃圾枯竭區、過度燃燒區、垃圾層薄燃燒區、燃燒良好（正常）區、垃圾層厚燃燒區、低質垃圾燃燒區之6個區域）。燃燒狀態判定部12e係將由將被燃燒物量作為第一評估軸，將火焰狀態作為第二評估軸時之在第一評估軸的評估結果（X）及在第二評估軸的評估結果（Y）所構成之組（X, Y）於該燃燒狀態判定圖13d上映射。例如，如圖4所示，當表示由在第一評估軸的評估結果（X）及在第二評估軸的評估結果（Y）構成之組（X, Y）的點P映射於燃燒良好（正常）區內情況下，燃燒狀態判定部12e判定為現在的燃燒狀態係「燃燒良好（正常）」。上述區域範圍（臨限值（邊界限位置、長度及形狀））亦可由操作員按照經驗法則決定，亦可藉由將在第一評估軸的評估結果（X）及在第二評估軸的評估結果（Y）與處理資料的對應關係，藉由使用包含最大似然分類法、玻耳茲曼機、神經網路（NN）、支援向量機（SVM）、貝氏網路、稀疏迴歸、決策樹、隨機森林之統計性推斷、卡耳曼濾波器、自迴歸、推升、強化學習、深層學習中的至少1個之演算法進行機械學習來決定。

燃燒狀態判定部12e亦可將燃燒狀態的判定結果因應從設置於設施內之各種檢測器（無圖示）獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量而修正。例如，燃燒狀態之判定結果係「低質垃圾燃燒」，此時爐出口溫度或蒸發量之差分值PV－SV滿足預定條件時，亦可將燃燒狀態之判定結果修正成「燃燒良好（正常）」。

燃燒狀態判定部12e亦可因應燃燒狀態之判定結果，將保持性能管理指標值在指定範圍內為困難等之警報顯示於無圖示的顯示器上，亦可以聲音、振動、光等發出。

指示部12f基於燃燒狀態判定部12e之判定結果，往吊車控制裝置50及／或燃燒控制裝置20傳送操作指示。例如，指示部12f基於燃燒狀態判定部12e之判定結果，將燃燒狀態判定圖上按各區預先定義之操作指示往吊車控制裝置50及／或燃燒控制裝置20傳送。具體而言，例如指示部12f將適合現在燃燒狀態之操作指示（燃燒溫度之上升或下降、燃燒時間之增加或減少、空氣量之增加或減少、垃圾輸送量之增加或減少）往燃燒控制裝置20傳送。作為一例，指示部12f於現在燃燒狀態係「過度燃燒」情況下，亦可將減少空氣量、減少垃圾輸送量等之操作指示往燃燒控制裝置20傳送。作為另外一例，指示部12f於現在燃燒狀態係「垃圾層厚燃燒」情況下，為了減薄垃圾層，亦可將減少垃圾輸送量等之操作指示往燃燒控制裝置20傳送。此外，作為另外一例，指示部12f於現在燃燒狀態係「垃圾層薄燃燒」情況下，為了增厚垃圾層，亦可將減少空氣量及減少垃圾輸送量等之操作指示往燃燒控制裝置20傳送。此外，作為另外一例，指示部12f於現在燃燒狀態係「垃圾枯竭」情況下，為了增加焚化爐內之垃圾量，亦可將減少空氣量及增加垃圾輸送量等之操作指示往燃燒控制裝置20傳送。此外，作為另外一例，指示部12f於現在燃燒狀態係「低質垃圾燃燒」情況下，為了確實燃燒現有垃圾，亦可將增加空氣量、減少垃圾輸送量等之操作指示往燃燒控制裝置20傳送。

其次，就如此構成之資訊處理裝置10實施的資訊處理方法之一例作說明。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，在焚化設施1運轉前，第一教師資料生成部12b1藉由對藉由紅外線攝像裝置71所攝像之焚化爐6內的過去紅外線攝像資料（第一攝像資料13b1），將藉由操作員基於經驗法則而人為賦予之成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記相關連，而生成第一教師資料13c1。此外。第二教師資料生成部12b2藉由對藉由可見光攝像裝置72所攝像之焚化爐6內的過去之可見光攝像資料（第二攝像資料13b2），將藉由操作員基於經驗法則而人為賦予之成為判斷燃燒狀態的要素之至少1個第二評估軸中之分類標記相關連，來生成第二教師資料13c2（步驟S11）。

其次，第一模型建立部12c1藉由使用第一演算法13a1將藉由第一教師資料生成部12b1所生成之第一教師資料13c1機械學習，而生成第一學習完成模型。此外，第二模型建立部12c2藉由使用第二演算法13a2將藉由第二教師資料生成部12b2所生成之第二教師資料13c2機械學習，而生成第二學習完成模型（步驟S12）。

其次，在焚化設施1運轉中，第一攝像資料取得部12a1取得紅外線攝像裝置71所攝像之焚化爐6內的新紅外線攝像資料作為第一攝像資料13b1，並且第二攝像資料取得部12a2取得可見光攝像裝置72所攝像之焚化爐6內的可見光攝像資料作為第二攝像資料13b2（步驟S13）。

接著，第一影像分析部12d1將藉由第一攝像資料取得部12a1所取得之焚化爐6內的新第一攝像資料（紅外線攝像資料）作為輸入，利用藉由第一模型建立部12c1所生成之第一學習完成模型取得在第一評估軸（例如被燃燒物量）的評估結果作為輸出資料。此外，第二影像分析部12d2將藉由第二攝像資料取得部12a2所取得之焚化爐6內的新第二攝像資料（可見光攝像資料）作為輸入，利用藉由第二模型建立部12c2所生成之第二學習完成模型取得在第二評估軸（例如火焰狀態）的評估結果作為輸出資料（步驟S14）。

而後，燃燒狀態判定部12e基於由第一影像分析部12d1在第一評估軸之評估結果與由第二影像分析部12d2在第二評估軸的評估結果，判定焚化爐6內之現在燃燒狀態（步驟S15）。

在步驟S15中，燃燒狀態判定部12e藉由將由在第一評估軸之評估結果（X）及在第二評估軸的評估結果（Y）構成之組（X, Y），往將第一評估軸作為X座標軸及將第二評估軸作為Y座標軸之預定的燃燒狀態判定圖13d上映射，來判定焚化爐6內之現在燃燒狀態（參照圖4）。

然後，指示部12f基於燃燒狀態判定部12e之判定結果，往吊車控制裝置50及／或燃燒控制裝置20傳送操作指示（步驟S16）。

採用如以上之本實施形態時，紅外線攝像裝置71藉由適切選擇攝像波長，因為可取得包含從消除了火焰影響之從焚化爐6上游側至實際燃燒之被燃燒物為止之圖像的影像，作為焚化爐6內之紅外線攝像資料（第一攝像資料），故以使用焚化爐6內之紅外線攝像資料，進行成為判斷燃燒狀態之要素的在至少1個第一評估軸之評估，並依據該評估結果判定燃燒狀態的方式，與僅從只能掌握火焰狀況之燃燒圖像進行燃燒狀態之分類、預測、推斷及處理值的預測、推斷時比較，可更精確分類、預測、推斷焚化爐6內之燃燒狀態。

此外，採用本實施形態時，藉由基於在第一評估軸X與第二評估軸Y之各個評估結果來判定燃燒狀態，與基於在1個評估軸之評估結果判定燃燒狀態時比較，可精確分類、預測、推斷焚化爐6內之燃燒狀態。此外，以將在第一評估軸X與第二評估軸Y之各個評估結果往燃燒狀態判定圖13d上映射來判定燃燒狀態的方式，可直覺地掌握在第一評估軸X與第二評估軸Y之各個評估結果與判定結果的燃燒狀態之關連性，並可高速進行燃燒狀態之判定。

（第二種實施形態） 其次，參照圖5～7說明第二種實施形態。圖5係顯示第二種實施形態之焚化設施1的構成之概略圖。

如圖5所示，第二種實施形態之焚化設施1中，僅在省略了在焚化爐6內攝像之可見光攝像裝置72這點與第一種實施形態不同，其他構成與第一種實施形態同樣。

圖6係顯示第二種實施形態之資訊處理裝置10的構成方塊圖。資訊處理裝置10藉由1台或複數台電腦而構成。

如圖6所示，資訊處理裝置10具有：通信部11、控制部12、與記憶部13。各部經由匯流排或網路彼此可通信地連接。

其中通信部11係紅外線攝像裝置71、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11在紅外線攝像裝置71、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之間收發資訊。

記憶部13例如係硬碟或快閃記憶體等非揮發性資料存儲器。記憶部13中記憶有供控制部12處理之各種資料。此外，記憶部13中記憶：將後述之第一模型建立部12c1用於機械學習的第一演算法13a1；藉由第一攝像資料取得部12a1所取得之第一攝像資料13b1；藉由第一教師資料生成部12b1所生成之第一教師資料13c1；及藉由燃燒狀態判定部12e使用之燃燒狀態判定圖13d。各資訊13a1～13d之詳情敘述於後。

控制部12係進行資訊處理裝置10之各種處理的控制手段。如圖6所示，控制部12具有：第一攝像資料取得部12a1、第一教師資料生成部12b1、第一模型建立部12c1、第一影像分析部12d1、燃燒狀態判定部12e、指示部12f、與處理資料取得部12g。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，亦可安裝硬體。

其中第一攝像資料取得部12a1、處理資料取得部12g、及指示部12f之構成與第一種實施形態同樣，因而省略說明。

第一教師資料生成部12b1藉由對第一攝像資料13b1，將由操作員依據經驗法則而人為賦予之成為判斷燃燒狀態的要素之至少2個以上第一評估軸各個中的分類標記相關連，而生成第一教師資料13c1。第一教師資料13c1被記憶於記憶部13。此處，分類標記亦可係在第一評估軸中之絕對性分類資訊（以對於預定之絕對性基準（臨限值）的關係而定之分類），亦可係在複數個紅外線攝像資料間之在第一評估軸中的相對性順序（在由複數個紅外線攝像資料構成之群組內的相對性順序關係）。第一評估軸亦可包含火焰狀態、被燃燒物之量、被燃燒物之質、被燃燒物之種類、被燃燒物之溫度、燃燒氣體產生量（CO等）、焚化爐爐壁之溫度中的至少2個以上。火焰狀態可從攝像於第一攝像資料13b1（紅外線攝像資料）中之氣體狀搖擺量作判斷。

作為一例，在將火焰狀態作為1個第一評估軸時，分類標記憶可為良好、正常、不佳（絕對性資訊）（標記種類亦可增加），亦可係對複數個第一攝像資料將火焰狀態的優劣賦予順序者（相對性資訊）。作為另外一例，在將被燃燒物之量作為1個第一評估軸時，分類標記亦可係多、正常、少（絕對性資訊）（標記種類亦可增加），亦可對複數個第一攝像資料將被燃燒物之量的大小賦予順序者（相對性資訊）。作為另外一例，在將被燃燒物之質作為1個評估軸時，分類標記亦可係一般垃圾、高質垃圾（亦即高熱量垃圾）、低質垃圾（亦即低熱量垃圾）（絕對性資訊）（標記種類亦可增加），亦可係對複數個第一攝像資料將被燃燒物之質的優劣賦予順序者（相對性資訊）。作為另外一例，在將被燃燒物之種類作為1個第一評估軸時，分類標記亦可為垃圾袋未破損垃圾、修剪樹枝、被褥（絕對性資訊）（標記種類亦可增加）。作為另外一例，在將燃燒氣體產生量（CO等）作為1個第一評估軸時，分類標記亦可係多、正常、少（絕對性資訊）（標記種類亦可增加），亦可係對複數個第一攝像資料將燃燒氣體產生量賦予順序（CO等）之大小者（相對性資訊）。作為另外一例，在將焚化爐爐壁之溫度作為1個第一評估軸時，分類標記亦可係高、正常、低（標記種類亦可增加），亦可係對複數個第一攝像資料將焚化爐爐壁之溫度的高低賦予順序者（相對性資訊）。

第一教師資料生成部12b1亦可藉由對第一攝像資料13b1、與從設置於焚化設施1內之各種檢測器（無圖示）獲得的處理資料及／或從該處理資料藉由演算而獲得的演算量之組合，將由操作員基於經驗法則人為地賦予之2個以上第一評估軸各個中的分類標記相關連，而生成第一教師資料13c1。此處，處理資料係考慮到第一攝像資料之攝像時刻與檢測器的回應時刻間之時滯的資料。時滯可基於檢測器之回應速度、檢測器在設施內之設置位置、實驗、模擬、操作員之經驗法則而適當決定。

第一攝像資料13b1亦可係在60秒以內之動態影像資料者，亦可係30秒以內之動態影像資料。按照本案發明人之見解，焚化爐6內之燃燒狀態以5～10秒變化。因此，作為第一攝像資料13b1，例如以使用60秒以內（或30秒以內）之動態影像資料作為1個區分的方式，可更精確分類、預測、推斷焚化爐6內之燃燒狀態。

此外，第一攝像資料13b1亦可係5秒以上之動態影像資料，亦可係7秒以上。對於焚化爐6內之燃燒狀態以5～10秒變化，第一攝像資料13b1例如藉由使用5秒以上（或7秒以上）之動態影像資料作為1個區分，可更精確分類、預測、推斷焚化爐6內之燃燒狀態。

第一模型建立部12c1藉由使用第一演算法13a1將藉由第一教師資料生成部12b1所生成的第一教師資料13c1機械學習而生成第一學習完成模型。用於機械學習之第一演算法13a1可包含使用最大似然分類法、玻耳茲曼機、神經網路（NN）、支援向量機（SVM）、貝氏網路、稀疏迴歸、決策樹、隨機森林之統計性推斷、推升、強化學習、深層學習中的至少1個。

第一影像分析部12d1將藉由第一攝像資料取得部12a1所取得之焚化爐6內新的第一攝像資料（紅外線攝像資料）作為輸入，並利用藉由第一模型建立部12c1所生成之第一學習完成模型取得在2個以上第一評估軸（例如火焰狀態與被燃燒物量）各個之評估結果作為輸出資料。第一影像分析部12d1亦可將在2個以上第一評估軸各個之評估結果例如正規化（得分化）成0～100之數值範圍，而取得該範圍內之數值（得分）作為輸出資料。

燃燒狀態判定部12e基於第一影像分析部12d1獲得之2個以上第一評估軸各個的評估結果（得分）判定焚化爐6內的現在燃燒狀態。燃燒狀態之判定結果亦可係顯示燃燒狀態之特性的標記（過度燃燒、垃圾層厚燃燒、垃圾層薄燃燒、垃圾枯竭、低質垃圾燃燒等），亦可係將該標記變更數值者。

燃燒狀態判定部12e亦可藉由將由2個以上在第一評估軸各個的評估結果構成之組往將該2個以上第一評估軸作為座標軸之預定的燃燒狀態判定圖13d上映射，來判定焚化爐6內的現在燃燒狀態。

圖4係顯示燃燒狀態判定圖13d之一例圖。圖4所示之燃燒狀態判定圖13d中，係將被燃燒物量作為X座標軸，將火焰狀態作為Y座標軸之XY座標平面分割成複數個區域（圖示之例係垃圾枯竭區、過度燃燒區、垃圾層薄燃燒區、燃燒良好（正常）區、垃圾層厚燃燒區、低質垃圾燃燒區之6個區域）。燃燒狀態判定部12e係將由將被燃燒物量與火焰狀態作為彼此不同之2個第一評估軸時在各第一評估軸的評估結果構成之組（X, Y）於該燃燒狀態判定圖13d上映射。例如，如圖4所示，在顯示由將被燃燒物量作為第一評估軸時之評估結果（X）及將火焰狀態作為第一評估軸時的評估結果（Y）所構成之組（X, Y）的點P被映射於燃燒良好（正常）區內情況下，燃燒狀態判定部12e判定為現在的燃燒狀態係「燃燒良好（正常）」。

燃燒狀態判定部12e亦可將燃燒狀態的判定結果因應從設置於設施內之各種檢測器（無圖示）獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量而修正。例如，燃燒狀態之判定結果係「低質垃圾燃燒」，此時爐出口溫度或蒸發量之差分值PV－SV滿足預定條件時，亦可將燃燒狀態之判定結果修正成「燃燒良好（正常）」。

燃燒狀態判定部12e亦可因應燃燒狀態之判定結果，將保持性能管理指標值在指定範圍內為困難等的警報顯示於無圖示的顯示器上，亦可以聲音、振動、光等發出。

其次，就如此構成之資訊處理裝置10實施的資訊處理方法之一例作說明。圖7係顯示資訊處理方法之一例的流程圖。

如圖7所示，首先，在焚化設施1運轉前，第一教師資料生成部12b1藉由對藉由紅外線攝像裝置71所攝像之焚化爐6內的過去紅外線攝像資料（第一攝像資料13b1），將藉由操作員基於經驗法則而人為賦予之成為判斷燃燒狀態之要素的2個以上第一評估軸中之分類標記相關連，而生成第一教師資料13c1。（步驟S21）。

其次，第一模型建立部12c1藉由使用第一演算法13a1將藉由第一教師資料生成部12b1所生成之第一教師資料13c1機械學習，而生成第一學習完成模型。（步驟S22）。

其次，在焚化設施1運轉中，第一攝像資料取得部12a1取得紅外線攝像裝置71所攝像之焚化爐6內的新紅外線攝像資料作為第一攝像資料13b1（步驟S23）。

接著，第一影像分析部12d1將藉由第一攝像資料取得部12a1所取得之焚化爐6內的新第一攝像資料（紅外線攝像資料）作為輸入，利用藉由第一模型建立部12c1所生成之第一學習完成模型取得在2個以上第一評估軸（例如被燃燒物量與火焰狀態）各個的評估結果作為輸出資料。（步驟S24）。

而後，燃燒狀態判定部12e基於由第一影像分析部12d1在第一評估軸之評估結果，判定焚化爐6內之現在燃燒狀態（步驟S25）。

在步驟S25中，燃燒狀態判定部12e藉由將由2個以上在第一評估軸各個之評估結果構成之組，往將2個以上第一評估軸作為座標軸之預定的燃燒狀態判定圖13d上映射，來判定焚化爐6內之現在燃燒狀態（參照圖4）。

然後，指示部12f基於燃燒狀態判定部12e之判定結果，往吊車控制裝置50及／或燃燒控制裝置20傳送操作指示（步驟S16）。

採用如以上之本實施形態時，紅外線攝像裝置71以適切選擇攝像波長的方式，因為可取得包含從消除了火焰影響之從焚化爐6上游側至實際燃燒之被燃燒物圖像為止的影像，作為焚化爐6內之紅外線攝像資料（第一攝像資料），故以使用焚化爐6內之紅外線攝像資料，進行成為判斷燃燒狀態之要素的2個以上在第一評估軸之評估，並基於該評估結果判定燃燒狀態的方式，與僅從只能掌握火焰狀況之燃燒圖像進行燃燒狀態之分類、預測、推斷及處理值的預測、推斷時比較，可更精確分類、預測、推斷焚化爐6內之燃燒狀態。

此外，採用本實施形態時，以基於2個以上在第一評估軸各個之評估結果來判定燃燒狀態的方式，與基於1個評估軸之評估結果判定燃燒狀態時比較，可精確分類、預測、推斷焚化爐6內之燃燒狀態。此外，以將2個以上在第一評估軸各個之評估結果往燃燒狀態判定圖13d上映射來判定燃燒狀態的方式，可直覺地掌握2個以上在第一評估軸各個之評估結果與判定結果的燃燒狀態之關連性，並可高速進行燃燒狀態之判定。

（第三種實施形態） 其次，參照圖8～10就第三種實施形態作說明。圖8係顯示第三種實施形態之焚化設施1的構成概略圖。

如圖8所示，第三種實施形態之焚化設施1中，僅在省略了攝像焚化爐6內之紅外線攝像裝置71這點與第一種實施形態不同，其他構成與第一種實施形態同樣。

圖9係顯示第三種實施形態之資訊處理裝置10的構成方塊圖。資訊處理裝置10係藉由1台或複數台電腦而構成。

如圖9所示，資訊處理裝置10具有：通信部11、控制部12、與記憶部13。各部經由匯流排或網路彼此可通信地連接。

其中通信部11係可見光攝像裝置72、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11在可見光攝像裝置72、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之間收發資訊。

記憶部13例如係硬碟或快閃記憶體等非揮發性資料存儲器。記憶部13中記憶供控制部12處理之各種資料。此外，記憶部13中記憶：將後述之第二模型建立部12c2用於機械學習的第二演算法13a2；藉由第二攝像資料取得部12a2所取得之第二攝像資料13b2；藉由第二教師資料生成部12b2所生成之第二教師資料13c2；及被燃燒狀態判定部12e使用之燃燒狀態判定圖13d。各資訊13a2～13d之詳情敘述於後。

控制部12係進行資訊處理裝置10之各種處理的控制手段。如圖9所示，控制部12具有：第二攝像資料取得部12a2、第二教師資料生成部12b2、第二模型建立部12c2、第二影像分析部12d2、燃燒狀態判定部12e、指示部12f、與處理資料取得部12g。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，亦可安裝硬體。

其中第二攝像資料取得部12a2、處理資料取得部12g、及指示部12f之構成與第一種實施形態同樣，因而省略說明。

第二教師資料生成部12b2藉由對第二攝像資料13b2，將由操作員基於經驗法則而人為賦予之成為判斷燃燒狀態的要素之2個以上第二評估軸各個中的分類標記相關連，而生成第二教師資料13c2。第二教師資料13c2被記憶於記憶部13。此處，分類標記亦可係在第二評估軸中之絕對性分類資訊（以對於預定之絕對性基準（臨限值）的關係而定之分類），亦可係在複數個可見光攝像資料間之第二評估軸中的相對性順序（在由複數個可見光攝像資料構成之群組內的相對性順序關係）。第二評估軸亦可包含火焰狀態、燃燒結束點之位置、燃燒結束點之形狀、被燃燒物之量、被燃燒物之質、被燃燒物之種類、未燃物之量、焚燒灰之量中的2個以上。

作為一例，在將火焰狀態作為1個第二評估軸時，分類標記亦可係良好、正常、不佳（絕對性資訊）（標記種類亦可增加），亦可對複數個第二攝像資料將火焰狀態之優劣賦予順序者（相對性資訊）。作為另外一例，在將燃燒結束點（燃盡點）之位置作為1個第二評估軸時，分類標記亦可係近端、稍近、正常、稍遠、遠端（標記種類亦可增加），亦可係對複數個第二攝像資料將燃燒結束點之位置的遠近賦予順序者。作為另外一例，在將燃燒結束點之形狀作為1個第二評估軸時，分類標記亦可係良好、正常、‧不佳（標記種類亦可增加），亦可對複數個第二攝像資料將燃燒結束點之形狀的優劣賦予順序者。作為另外一例，在將被燃燒物之量作為1個第二評估軸時，分類標記亦可係多、正常、少（絕對值資訊）（標記種類亦可增加），亦可係對複數個第二攝像資料將被燃燒物之量的大小賦予順序者（相對性資訊）。作為另外一例，在將被燃燒物之質作為1個第二評估軸時，分類標記亦可係一般垃圾、高質垃圾（亦即高熱量垃圾）、低質垃圾（亦即低熱量垃圾）（標記種類亦可增加），亦可係對複數個第二攝像資料將被燃燒物之質的優劣賦予順序者。作為另外一例，在將被燃燒物之種類作為1個第二評估軸時，分類標記亦可為垃圾袋未破損垃圾、修剪樹枝、被褥（標記種類亦可增加）。作為另外一例，在將未燃物之量作為第二評估軸時，分類標記亦可係多、正常、少（標記種類亦可增加），亦可係對複數個第二攝像資料將未燃物之量的大小賦予順序者。作為另外一例，在將焚燒灰之量作為1個第二評估軸時，分類標記亦可係多、正常、少（標記種類亦可增加），亦可係對複數個第二攝像資料將焚燒灰之量的大小賦予順序者。

第二教師資料生成部12b2亦可藉由對第二攝像資料13b2、與從設置於焚化設施1內之各種檢測器（無圖示）獲得的處理資料及／或從該處理資料藉由演算而獲得的演算量之組合，將由操作員基於經驗法則人為地賦予之2個以上第二評估軸各個中的分類標記相關連，而生成第二教師資料13c2。此處，處理資料係考慮到第二攝像資料之攝像時刻與檢測器的回應時刻間之時滯的資料。時滯可基於檢測器之回應速度、檢測器在設施內之設置位置、實驗、模擬、操作員之經驗法則而適當決定。

第二攝像資料13b2亦可係在60秒以內之動態影像資料者，亦可係30秒以內之動態影像資料。按照本案發明人等之見解，焚化爐6內之燃燒狀態以5～10秒變化。因此，第二攝像資料13b2例如以使用60秒以內（或30秒以內）之動態影像資料作為1個區分的方式，可更精確分類、預測、推斷焚化爐6內之燃燒狀態。

此外，第二攝像資料13b2亦可係5秒以上之動態影像資料，亦可係7秒以上。對於焚化爐6內之燃燒狀態以5～10秒變化，第二攝像資料13b2例如以使用5秒以上（或7秒以上）之動態影像資料作為1個區分的方式，可更精確分類、預測、推斷焚化爐6內之燃燒狀態。

第二模型建立部12c2藉由使用第二演算法13a2將藉由第二教師資料生成部12b2所生成的第二教師資料13c2機械學習而生成第二學習完成模型。用於機械學習之第二演算法13a2可包含使用最大似然分類法、玻耳茲曼機、神經網路（NN）、支援向量機（SVM）、貝氏網路、稀疏迴歸、決策樹、隨機森林之統計性推斷、推升、強化學習、深層學習中的至少1個。

第二影像分析部12d2將藉由第二攝像資料取得部12a2所取得之焚化爐6內新的第二攝像資料（可見光攝像資料）作為輸入，並利用藉由第二模型建立部12c2所生成之第二學習完成模型取得2個以上在第二評估軸（例如火焰狀態與被燃燒物量）各個之評估結果作為輸出資料。第二影像分析部12d2亦可將2個以上在第二評估軸各個之評估結果例如正規化（得分化）成0～100之數值範圍，而取得該範圍內之數值（得分）作為輸出資料。

燃燒狀態判定部12e基於由第二影像分析部12d2獲得之2個以上在第二評估軸各個的評估結果（得分），判定焚化爐6內的現在燃燒狀態。燃燒狀態之判定結果亦可係顯示燃燒狀態之特性的標記（過度燃燒、垃圾層厚燃燒、垃圾層薄燃燒、垃圾枯竭、低質垃圾燃燒等），亦可係將該標記變更數值者。

燃燒狀態判定部12e亦可藉由將由2個以上在第二評估軸各個的評估結果構成之組往將該2個以上第二評估軸作為座標軸之預定的燃燒狀態判定圖13d上映射，來判定焚化爐6內的現在燃燒狀態。

圖4係顯示燃燒狀態判定圖13d之一例圖。圖4所示之燃燒狀態判定圖13d中，係將被燃燒物量作為X座標軸，將火焰狀態作為Y座標軸之XY座標平面分割成複數個區域（圖示之例係垃圾枯竭區、過度燃燒區、垃圾層薄燃燒區、燃燒良好（正常）區、垃圾層厚燃燒區、低質垃圾燃燒區之6個區域）。燃燒狀態判定部12e係將被燃燒物量與火焰狀態作為彼此不同之2個第二評估軸時在各第二評估軸的評估結果構成之組（X, Y）於該燃燒狀態判定圖13d上映射。例如，如圖4所示，在顯示由將被燃燒物量作為第二評估軸時之評估結果（X）及將火焰狀態作為第二評估軸時之評估結果（Y）構成之組（X, Y）的點P映射於燃燒良好（正常）區內情況下，燃燒狀態判定部12e判定為現在的燃燒狀態係「燃燒良好（正常）」。

燃燒狀態判定部12e亦可將燃燒狀態的判定結果因應從設置於設施內之各種檢測器（無圖示）獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量修正。例如，燃燒狀態之判定結果係「低質垃圾燃燒」，此時爐出口溫度或蒸發量之差分值PV－SV滿足預定條件時，亦可將燃燒狀態之判定結果修正成「燃燒良好（正常）」。

燃燒狀態判定部12e亦可因應燃燒狀態之判定結果，將保持性能管理指標值在指定範圍內為困難等的警報顯示於無圖示的顯示器上，亦可以聲音、振動、光等發報。

其次，說明如此構成之資訊處理裝置10實施的資訊處理方法之一例。圖10係顯示資訊處理方法之一例的流程圖。

如圖10所示，首先，在焚化設施1運轉前，第二教師資料生成部12b2藉由對由可見光攝像裝置72所攝像之焚化爐6內的過去可見光攝像資料（第二攝像資料13b2），將藉由操作員基於經驗法則而人為賦予之成為判斷燃燒狀態的要素之2個以上第二評估軸中之分類標記相關聯，來生成第二教師資料13c2（步驟S31）。

其次，第二模型建立部12c2藉由使用第二演算法13a2將藉由第二教師資料生成部12b2所生成之第二教師資料13c2機械學習，而生成第二學習完成模型（步驟S32）。

其次，在焚化設施1運轉中，第二攝像資料取得部12a2取得可見光攝像裝置72所攝像之焚化爐6內的可見光攝像資料作為第二攝像資料13b2（步驟S33）。

接著，第二影像分析部12d2將藉由第二攝像資料取得部12a2所取得之焚化爐6內的新第二攝像資料（可見光攝像資料）作為輸入，利用藉由第二模型建立部12c2所生成之第二學習完成模型，取得2個以上在第二評估軸（例如被燃燒物量與火焰狀態）各個的評估結果作為輸出資料（步驟S34）。

而後，燃燒狀態判定部12e基於由第二影像分析部12d2在第二評估軸的評估結果，判定焚化爐6內之現在燃燒狀態（步驟S35）。

在步驟S35中，燃燒狀態判定部12e藉由將由2個以上在第二評估軸各個的評估結果構成之組往將2個以上第二評估軸作為座標軸之預定的燃燒狀態判定圖13d上映射，來判定焚化爐6內之現在燃燒狀態（參照圖4）。

然後，指示部12f基於燃燒狀態判定部12e之判定結果，往吊車控制裝置50及／或燃燒控制裝置20傳送操作指示（步驟S16）。

採用如以上之本實施形態時，以基於2個以上在第二評估軸各個之評估結果來判定燃燒狀態的方式，與基於1個評估軸之評估結果判定燃燒狀態時比較，可精確分類、預測、推斷焚化爐6內之燃燒狀態。此外，藉由將2個以上在第二評估軸各個之評估結果往燃燒狀態判定圖13d上映射來判定燃燒狀態，可直覺地掌握2個以上在第二評估軸各個之評估結果與判定結果的燃燒狀態之關連性，並可高速進行燃燒狀態之判定。

另外，上述實施形態中，控制部12之處理的一部分亦可在與資訊處理裝置10不同之雲端伺服器上進行，而不在資訊處理裝置10。記憶部13之一部分亦可並在與資訊處理裝置10不同之雲端伺服器上，而不在資訊處理裝置10。

例如，亦可在雲端伺服器上執行第一教師資料生成部12b1及／或第二教師資料生成部12b2之處理，而生成第一教師資料13c1及／或第二教師資料13c2，亦可在雲端伺服器上執行第一模型建立部12c1及／或第二模型建立部12c2之處理，來建立學習完成模型。此外，亦可在雲端伺服器上執行利用在雲端伺服器上建立之學習完成模型執行第一影像分析部12d1及／或第二影像分析部12d2之處理，亦可資訊處理裝置10從雲端伺服器下載上述學習完成模型（學習完成參數），並在資訊處理裝置10內利用此來執行第一影像分析部12d1及／或第二影像分析部12d2之處理。

以上，係藉由例示說明了實施形態及變化例，蛋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而變更、變化。此外，各種實施形態及變化例在不會使處理內容矛盾之範圍內可適當組合。

此外，實施形態之資訊處理裝置10可藉由1台或複數台電腦構成，但在1台或複數台電腦中用於使資訊處理裝置10實現之程式及非暫時性記錄有該程式之電腦可讀取的記錄媒體亦為本案之保護對象。

1:焚化設施 2:排熱鍋爐 3:垃圾坑 4:料斗 5:吊車 6:焚化爐 10:資訊處理裝置 11:通信部 12:控制部 12a1:第一攝像資料取得部 12a2:第二攝像資料取得部 12b1:第一教師資料生成部 12b2:第二教師資料生成部 12c1:第一模型建立部 12c2:第二模型建立部 12d1:第一影像分析部 12d2:第二影像分析部 12e:燃燒狀態判定部 12f:指示部 12g:處理資料取得部 13:記憶部 13a1:第一演算法 13a2:第二演算法 13b1:第一攝像資料 13b2:第二攝像資料 13c1:第一教師資料 13c2:第二教師資料 13d:燃燒狀態判定圖 20:燃燒控制裝置 21:平台 22:搬送車輛 50:吊車控制裝置 71:紅外線攝像裝置 72:可見光攝像裝置

圖1係顯示第一種實施形態之焚化設施的構成概略圖。 圖2係顯示第一種實施形態之資訊處理裝置的構成方塊圖。 圖3係顯示第一種實施形態之資訊處理裝置實施的資訊處理方法之一例的流程圖。 圖4係顯示燃燒狀態判定圖之一例圖。 圖5係顯示第二種實施形態之焚化設施的構成概略圖。 圖6係顯示第二種實施形態之資訊處理裝置的構成方塊圖。 圖7係顯示第二種實施形態之資訊處理裝置實施的資訊處理方法之一例的流程圖。 圖8係顯示第三種實施形態之焚化設施的構成概略圖。 圖9係顯示第三種實施形態之資訊處理裝置的構成方塊圖。 圖10係顯示第三種實施形態之資訊處理裝置實施的資訊處理方法之一例的流程圖。

10:資訊處理裝置

11:通信部

12:控制部

12a1:第一攝像資料取得部

12a2:第二攝像資料取得部

12b1:第一教師資料生成部

12b2:第二教師資料生成部

12c1:第一模型建立部

12c2:第二模型建立部

12d1:第一影像分析部

12d2:第二影像分析部

12e:燃燒狀態判定部

12f:指示部

12g:處理資料取得部

13:記憶部

13a1:第一演算法

13a2:第二演算法

13b1:第一攝像資料

13b2:第二攝像資料

13c1:第一教師資料

13c2:第二教師資料

13d:燃燒狀態判定圖

Claims (43)

1. 一種資訊處理裝置，其特徵為具備： 第一影像分析部，其係使用將藉由對紅外線攝像裝置所攝像之焚化爐內的紅外線攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將焚化爐內之新的紅外線攝像資料作為輸入，進行在前述第一評估軸之評估；及 燃燒狀態判定部，其係基於在前述第一評估軸之評估結果判定現在的燃燒狀態。
2. 如請求項1之資訊處理裝置， 其中前述第一評估軸包含被燃燒物之量、被燃燒物之質、被燃燒物之種類、被燃燒物之溫度、燃燒氣體產生量、焚化爐爐壁之溫度中的至少1個。
3. 如請求項1或2之資訊處理裝置， 其中前述紅外線攝像資料係60秒以內之動態影像資料。
4. 如請求項1至3中任一項之資訊處理裝置， 其中前述紅外線攝像資料係5秒以上之動態影像資料。
5. 如請求項1至4中任一項之資訊處理裝置， 其中前述分類標記係顯示在預定之複數個分類項目中屬於哪個的標記、與在複數個紅外線攝像資料之間的相對性順序中之至少一方。
6. 如請求項1至5中任一項之資訊處理裝置， 其中前述第一影像分析部使用將藉由對焚化爐內之紅外線攝像資料、從設置於設施內之檢測器獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合賦予前述第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將前述焚化爐內之新的紅外線攝像資料、與新的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合作為輸入，來進行在前述第一評估軸之評估。
7. 如請求項6之資訊處理裝置， 其中前述處理資料係考慮過前述紅外線攝像資料之攝像時刻與前述檢測器的回應時刻之間的時滯者， 前述時滯係基於前述檢測器之回應速度、前述檢測器在設施內之設置位置、實驗、模擬、操作員之經驗法則中的至少1個來決定。
8. 如請求項1至7中任一項之資訊處理裝置， 其中前述第一影像分析部使用將藉由對焚化爐內之紅外線攝像資料賦予成為判斷燃燒狀態之要素的在2個以上前述第一評估軸之各個中的分類標記而生成的第一教師資料機械學習過之第一學習完成模型，並將前述焚化爐內之新的紅外線攝像資料作為輸入，進行在2個以上前述第一評估軸之各個評估， 前述燃燒狀態判定部藉由將在2個以上前述第一評估軸之各個評估結果往將2個以上前述第一評估軸作為座標軸之預定的燃燒狀態判定圖上映射，來判定現在的燃燒狀態。
9. 如請求項1至7中任一項之資訊處理裝置， 其中進一步具備第二影像分析部，其係使用將藉由對以可見光攝像裝置攝像之焚化爐內的可見光攝像資料賦予成為判斷燃燒狀態之要素的至少1個第二評估軸中之分類標記而生成的第二教師資料機械學習過之第二學習完成模型，將前述焚化爐內之新的可見光攝像資料作為輸入，來進行前述第二評估軸之評估， 前述燃燒狀態判定部係藉由將在前述第一評估軸及前述第二評估軸之各個評估結果往將前述第一評估軸及第二評估軸作為座標軸之預定的燃燒狀態判定圖上映射，來判定現在的燃燒狀態。
10. 如請求項9之資訊處理裝置，其中前述第二評估軸包含火焰狀態、燃燒結束點之位置、燃燒結束點之形狀、被燃燒物之量、被燃燒物之質、被燃燒物之種類、未燃物之量、焚燒灰之量中的至少1個。
11. 如請求項1至10中任一項之資訊處理裝置， 其中前述燃燒狀態判定部係將燃燒狀態之判定結果因應從設置於設施內之檢測器獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量而修正。
12. 如請求項1至11中任一項之資訊處理裝置， 其中前述燃燒狀態判定部係因應燃燒狀態之判定結果進行警報的顯示或發報。
13. 如請求項1至12中任一項之資訊處理裝置， 其中進一步具備指示部，其係基於前述燃燒狀態判定部之判定結果往吊車控制裝置及／或燃燒控制裝置傳送操作指示。
14. 如請求項1至13中任一項之資訊處理裝置， 其中用於前述機械學習之演算法包含使用最大似然分類法、玻耳茲曼機、神經網路（NN）、支援向量機（SVM）、貝氏網路、稀疏迴歸、決策樹、隨機森林之統計性推斷、推升、強化學習、深層學習中的至少1個。
15. 如請求項1至14中任一項之資訊處理裝置， 其中進一步具備模型建立部，其係藉由將對以紅外線攝像裝置所攝像之焚化爐內的紅外線攝像資料，藉由賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機器學習，而生成前述第一學習完成模型。
16. 一種系統，其特徵為具備： 請求項13之資訊處理裝置；及 前述燃燒控制裝置，其基於從前述資訊處理裝置所傳送之操作指示，控制進行廢棄物之攪拌或搬送的吊車之前述吊車控制裝置；及／或控制焚化爐對廢棄物之燃燒。
17. 一種資訊處理方法，係電腦執行的資訊處理方法，其特徵為包含： 使用將藉由對紅外線攝像裝置所攝像之焚化爐內的紅外線攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機器學習過之第一學習完成模型，將前述焚化爐內之新的紅外線攝像資料作為輸入，進行在前述第一評估軸之評估之步驟；及 基於在前述第一評估軸之評估結果判定現在的燃燒狀態之步驟。
18. 一種資訊處理程式，係使電腦執行： 使用將藉由對紅外線攝像裝置所攝像之焚化爐內的紅外線攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將前述焚化爐內之新的紅外線攝像資料作為輸入，進行在前述第一評估軸之評估之步驟；及 基於在前述第一評估軸之評估結果判定現在的燃燒狀態之步驟。
19. 一種資訊處理裝置，其特徵為具備： 第一影像分析部，其係使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將焚化爐內之新的第一攝像資料作為輸入，進行在前述第一評估軸之評估； 第二影像分析部，其係使用將藉由對第二攝像裝置所攝像之焚化爐內的第二攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第二評估軸中之分類標記而生成的第二教師資料機械學習過之第二學習完成模型，將焚化爐內之新的第二攝像資料作為輸入，進行在前述第二評估軸之評估；及 燃燒狀態判定部，其係藉由將在前述第一評估軸及第二評估軸之各個評估結果往將前述第一評估軸及第二評估軸作為座標軸之預定的燃燒狀態判定圖上映射，來判定現在的燃燒狀態。
20. 如請求項19之資訊處理裝置， 其中前述第一攝像裝置係紅外線攝像裝置，前述第二攝像裝置係可見光攝像裝置。
21. 如請求項20之資訊處理裝置， 其中前述第一評估軸包含被燃燒物之量、被燃燒物之質、被燃燒物之種類、被燃燒物之溫度、燃燒氣體產生量、焚化爐爐壁之溫度中的至少1個。
22. 如請求項20或21之資訊處理裝置， 其中前述第二評估軸包含火焰狀態、燃燒結束點之位置、燃燒結束點之形狀、被燃燒物之量、被燃燒物之質、被燃燒物之種類、未燃物之量、焚燒灰之量中的至少1個。
23. 如請求項19至22中任一項之資訊處理裝置， 其中前述第一攝像資料係60秒以內之動態影像資料；及／或 前述第二攝像資料係60秒以內之動態影像資料。
24. 如請求項19至23中任一項之資訊處理裝置， 其中前述第一攝像資料係5秒以上之動態影像資料；及／或 前述第二攝像資料係5秒以上之動態影像資料。
25. 如請求項19至24中任一項之資訊處理裝置， 其中前述第一教師資料中之分類標記係顯示在預定之複數個分類項目中屬於哪個的標記、與在複數個第一攝像資料間之相對性順序中的至少一方，及／或 前述第二教師資料中之分類標記係顯示在預定之複數個分類項目中屬於哪個的標記、與在複數個第二攝像資料間之相對性順序中的至少一方。
26. 如請求項19至25中任一項之資訊處理裝置， 其中前述第一影像分析部使用將藉由對焚化爐內之第一攝像資料、從設置於設施內之檢測器獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合，賦予前述第一評估軸中之分類標記而生成的第一教師資料機器學習過之第一學習完成模型，將焚化爐內之新的第一攝像資料、與新的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合作為輸入，來進行在前述第一評估軸之評估；及／或 前述第二影像分析部使用將藉由對焚化爐內之第二攝像資料、從設置於設施內之檢測器獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合，賦予前述第二評估軸中之分類標記而生成的第二教師資料機械學習過之第二學習完成模型，將焚化爐內之新的第二攝像資料、與新的處理資料及／或從該處理資料藉由演算而獲得之演算量的組合作為輸入，來進行在前述第二評估軸之評估。
27. 如請求項26之資訊處理裝置， 其中前述處理資料係考慮過前述第一攝像資料及／或第二攝像資料之攝像時刻與前述檢測器的回應時刻之間的時滯者， 前述時滯係基於前述檢測器之回應速度、前述檢測器在設施內之設置位置、實驗、模擬、操作員之經驗法則中的至少1個來決定。
28. 一種資訊處理裝置，其特徵為具備： 第一影像分析部，其係使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的2個以上第一評估軸之各個中的分類標記而生成的第一教師資料機械學習過之第一學習完成模型，將焚化爐內之新的攝像資料作為輸入，進行在2個以上前述第一評估軸之各個評估；及 燃燒狀態判定部，其係藉由將在2個以上前述第一評估軸之各個評估結果將2個以上前述第一評估軸作為座標軸之預定的燃燒狀態判定圖上映射，來判定現在的燃燒狀態。
29. 如請求項28之資訊處理裝置， 其中前述第一攝像裝置係紅外線攝像裝置。
30. 如請求項29之資訊處理裝置， 其中前述第一評估軸包含被燃燒物之量、被燃燒物之質、被燃燒物之種類、被燃燒物之溫度、燃燒氣體產生量、焚化爐爐壁之溫度中的至少1個。
31. 如請求項28之資訊處理裝置， 其中前述第一攝像裝置係可見光攝像裝置。
32. 如請求項31之資訊處理裝置， 其中前述第一評估軸包含火焰狀態、燃燒結束點之位置、燃燒結束點之形狀、被燃燒物之量、被燃燒物之質、被燃燒物之種類、未燃物之量、焚燒灰之量中的至少1個。
33. 如請求項19至32中任一項之資訊處理裝置， 其中前述燃燒狀態判定部係將燃燒狀態之判定結果因應從設置於設施內之檢測器獲得的處理資料及／或從該處理資料藉由演算而獲得之演算量而修正。
34. 如請求項19至33中任一項之資訊處理裝置， 其中前述燃燒狀態判定部係因應燃燒狀態之判定結果進行警報的顯示或發報。
35. 如請求項19至34中任一項之資訊處理裝置， 其中進一步具備指示部，其係基於前述燃燒狀態判定部之判定結果往吊車控制裝置及／或燃燒控制裝置傳送操作指示。
36. 如請求項19至35中任一項之資訊處理裝置， 其中用於前述機械學習之演算法包含使用最大似然分類法、玻耳茲曼機、神經網路（NN）、支援向量機（SVM）、貝氏網路、稀疏迴歸、決策樹、隨機森林之統計性推斷、推升、強化學習、深層學習中的至少1個。
37. 如請求項19至27中任一項之資訊處理裝置， 其中進一步具備： 第一模型建立部，其係藉由將藉由對以第一攝像裝置所攝像之焚化爐內的第一攝像資料賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機械學習，而生成前述第一學習完成模型；及／或 第二模型建立部，其係藉由將藉由對以第二攝像裝置所攝像之焚化爐內的第二攝像資料賦予成為判斷燃燒狀態之要素的至少1個第二評估軸中之分類標記而生成的第二教師資料機械學習，而生成前述第二學習完成模型。
38. 如請求項28至32中任一項之資訊處理裝置， 其中進一步具備第一模型建立部，其係藉由將藉由對以第一攝像裝置所攝像之焚化爐內的第一攝像資料賦予成為判斷燃燒狀態之要素的2個以上第一評估軸之各個中的分類標記而生成的第一教師資料機械學習，而生成前述第一學習完成模型。
39. 一種系統，其特徵為具備： 請求項35之資訊處理裝置；及 基於從前述資訊處理裝置所傳送之操作指示，控制進行廢棄物之攪拌或搬送的吊車之前述吊車控制裝置；及／或控制焚化爐對廢棄物之燃燒的前述燃燒控制裝置。
40. 一種資訊處理方法，係電腦執行的資訊處理方法，其特徵為包含： 使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機器學習過之第一學習完成模型，將焚化爐內之新的第一攝像資料作為輸入，進行在前述第一評估軸之評估之步驟； 使用將藉由對第二攝像裝置所攝像之焚化爐內的第二攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第二評估軸中之分類標記而生成的第二教師資料機械學習過之第二學習完成模型，將焚化爐內之新的第二攝像資料作為輸入，進行在前述第二評估軸之評估之步驟；及 藉由將在前述第一評估軸及第二評估軸之各個評估結果往將前述第一評估軸及前述第二評估軸作為座標軸之預定的燃燒狀態判定圖上映射，判定現在的燃燒狀態之步驟。
41. 一種資訊處理方法，係電腦執行的資訊處理方法，其特徵為包含： 使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的2個以上第一評估軸之各個中的分類標記而生成之第一教師資料機器學習過的第一學習完成模型，將焚化爐內之新的第一攝像資料作為輸入，進行在2個以上前述第一評估軸之各個評估之步驟；及 藉由將在2個以上前述第一評估軸之各個評估結果往將2個以上前述第一評估軸作為座標軸之預定的燃燒狀態判定圖上映射，判定現在的燃燒狀態之步驟。
42. 一種資訊處理程式，係使電腦執行： 使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第一評估軸中之分類標記而生成的第一教師資料機器學習過之第一學習完成模型，將焚化爐內之新的第一攝像資料作為輸入，進行在前述第一評估軸之評估之步驟； 使用將藉由對第二攝像裝置所攝像之焚化爐內的第二攝像資料，賦予成為判斷燃燒狀態之要素的至少1個第二評估軸中之分類標記而生成的第二教師資料機械學習過之第二學習完成模型，將焚化爐內之新的第二攝像資料作為輸入，進行在前述第二評估軸之評估；及 藉由將在前述第一評估軸及第二評估軸之各個評估結果往將前述第一評估軸及第二評估軸作為座標軸之預定的燃燒狀態判定圖上映射，判定現在的燃燒狀態。
43. 一種資訊處理程式，係使電腦執行： 使用將藉由對第一攝像裝置所攝像之焚化爐內的第一攝像資料，賦予成為判斷燃燒狀態之要素的2個以上第一評估軸之各個中的分類標記而生成之第一教師資料機械學習過的第一學習完成模型，將焚化爐內之新的第一攝像資料作為輸入，進行在2個以上前述第一評估軸之各個評估之步驟；及 藉由將在2個以上前述第一評估軸之各個評估結果往將2個以上前述第一評估軸作為座標軸之預定的燃燒狀態判定圖上映射，判定現在的燃燒狀態之步驟。