TWI797402B - 資訊處理裝置、資訊處理程式、及資訊處理方法 - Google Patents

Abstract

本發明提供一種可識別垃圾坑內之廢棄物種類的資訊處理裝置。資訊處理裝置具備種類識別部，其係具有藉由學習拍攝貯存廢棄物之垃圾坑內的過去影像資料中標示了廢棄物種類之教師資料所生成的識別演算法(Algorithm)，將拍攝垃圾坑內之新的影像資料作為輸入，來識別貯存於垃圾坑內之廢棄物種類。

Description

資訊處理裝置、資訊處理程式、及資訊處理方法

本發明係關於一種識別廢棄物種類之資訊處理裝置、資訊處理程式、及資訊處理方法。

過去之廢棄物處理廠係將家庭垃圾、粗大破碎垃圾、修剪的樹枝、污泥等性質不同之各種廢棄物投入垃圾坑內。此等各種廢棄物貯存於垃圾坑內之後一起投入焚化爐，在焚化爐內進行處理。投入焚化爐之廢棄物的性質依該廢棄物中包含之各種廢棄物的比率而定，這會影響燃燒。為了使燃燒穩定化，係藉由吊車在垃圾坑內進行廢棄物的攪拌，以謀求廢棄物的性質均勻化。

但是，投入焚化爐內之廢棄物中含有一定量以上的例如粗大破碎垃圾及污泥等之廢棄物時，焚化爐內部溫度會急遽變化，產生戴奧辛等有害氣體及物質，而有可能對週邊環境造成不良影響。此外，除了會影響燃燒狀態的廢棄物之外，還有一些廢棄物會造成設於廢棄物處理廠之各種設備的故障。例如，投入焚化爐內之廢棄物中含有許多修剪的樹枝等時，會造成向焚化爐內供給廢棄物之料斗的堵塞。

另外，一般垃圾等之廢棄物基本上是以裝袋的狀態投入垃圾坑內，並藉由吊車進行攪拌，不過，袋破損率低時，亦即垃圾袋之破損程度小，而 垃圾袋中殘留許多廢棄物情況下，會影響燃燒狀態等，從經驗得知垃圾袋的狀態也決定燃燒的穩定性。

因此，例如日本特開2007-126246號公報揭示一種藉由垃圾處理工廠用自動吊車之控制裝置來運轉自動吊車的方法，係藉由色調識別投入垃圾坑內之一般垃圾與不同性質垃圾，依據識別結果，藉由控制吊車來謀求廢棄物性質之均勻化。

此外，日本特開2015-124955號公報揭示一種垃圾攪拌狀態檢測裝置及垃圾攪拌狀態檢測方法，係依據拍攝之影像的亮度值，檢測垃圾之攪拌狀態，換言之檢測垃圾袋之破損程度。

但是，日本特開2007-126246號公報之藉由垃圾處理工廠用自動吊車之控制裝置來運轉自動吊車的方法，係藉由色調區別一般垃圾與不同性質垃圾，不過，僅單純以色調識別廢棄物之種類有困難，例如，即使混入一些粗大破碎垃圾，整體仍有可能判斷為一般垃圾。因而，存在會將一定量以上之影響燃燒狀態的不同性質廢棄物及導致各設備故障之廢棄物投入焚化爐內的危險性。

此外，日本特開2015-124955號公報之垃圾攪拌狀態檢測裝置及垃圾攪拌狀態檢測方法，係藉由亮度值檢測垃圾袋之破損程度，不過該方法僅可檢測垃圾袋。實際之垃圾坑中，除了垃圾袋之外，因為有時還會投入修剪的樹枝及被褥等各種廢棄物，所以上述方法不太適用於此種實際的垃圾坑。

需要提供一種可識別垃圾坑內之廢棄物種類的資訊處理裝置、資訊處理程式及資訊處理方法。

本發明一個樣態之資訊處理裝置，係具備種類識別部，其係使用學習完成藉由拍攝貯存廢棄物之垃圾坑內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識別演算法，將前述垃圾坑內之新的影像資料作為輸入，來識別貯存於前述垃圾坑內之廢棄物的種類。

本發明一個樣態之資訊處理程式，係使電腦發揮種類識別部之功能，該種類識別部係使用學習完成藉由拍攝貯存廢棄物之垃圾坑內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識別演算法，將前述垃圾坑內之新的影像資料作為輸入，來識別貯存於前述垃圾坑內之廢棄物的種類。

本發明一個樣態之資訊處理方法，係由電腦執行，且包含識別步驟，其係使用學習完成藉由拍攝貯存廢棄物之垃圾坑內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識別演算法，將前述垃圾坑內之新的影像資料作為輸入，來識別貯存於前述垃圾坑內之廢棄物的種類。

本發明一個樣態之資訊處理裝置，係具備種類識別部，其係使用學習完成藉由拍攝貯存廢棄物之廢棄物貯存場所內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識 別演算法，將前述廢棄物貯存場所內之新的影像資料作為輸入，來識別貯存於前述廢棄物貯存場所內之廢棄物的種類。

本發明一個樣態之資訊處理程式，係使電腦發揮種類識別部之功能，該種類識別部係使用學習完成藉由拍攝貯存廢棄物之廢棄物貯存場所內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識別演算法，將前述廢棄物貯存場所內之新的影像資料作為輸入，來識別貯存於前述廢棄物貯存場所內之廢棄物的種類。

本發明一個樣態之資訊處理方法，係由電腦執行，且包含識別步驟，其係使用學習完成藉由拍攝貯存廢棄物之廢棄物貯存場所內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識別演算法，將前述廢棄物貯存場所內之新的影像資料作為輸入，來識別貯存於前述廢棄物貯存場所內之廢棄物的種類。

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

11a:識別演算法生成部

11b:影像資料取得部

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:墜落檢測部

11f:投入異物檢測部

12:記憶部

12a:識別演算法

12b:影像資料

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:廢棄物處理廠

第一圖係顯示一個實施形態之廢棄物處理廠的構成概略圖。

第二圖係顯示一個實施形態之資訊處理裝置的構成方塊圖。

第三圖係顯示藉由一個實施形態之資訊處理裝置執行資訊處理方法的一例之流程圖。

第四圖係顯示藉由拍攝垃圾坑內之圖像而獲得的影像資料之一例圖。

第五圖係顯示藉由拍攝垃圾坑內之圖像而獲得的影像資料中標示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。

第六圖係顯示在藉由拍攝垃圾坑內之圖像而獲得的影像資料上重疊種類識別部之識別結果來顯示的資料之一例圖。

第七圖係每個區域顯示垃圾坑內之廢棄物種類的比率圖表。

實施形態之第一樣態的資訊處理裝置，係具備種類識別部，其係使用學習完成藉由拍攝貯存廢棄物之垃圾坑內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識別演算法，將前述垃圾坑內之新的影像資料作為輸入，來識別貯存於前述垃圾坑內之廢棄物的種類。

實施形態之第一樣態的資訊處理裝置，亦可進一步具備識別演算法生成部，其係藉由學習拍攝貯存廢棄物之垃圾坑內的過去影像資料中標示了前述廢棄物種類之教師資料，而生成前述識別演算法。

採用此種樣態時，藉由將藉由拍攝垃圾坑內之圖像而獲得的影像資料作為輸入，利用藉由機械學習所生成之學習完成的識別演算法，來識別貯存於垃圾坑內之廢棄物種類，可識別投入一定量以上時會影響燃燒狀態之廢棄物及造成各設備故障的廢棄物。藉此，藉由防止錯誤投入一定量以上之此種特殊廢棄物，不致影響燃燒狀態及各設備而可進行穩定之處理。

實施形態之第二樣態的資訊處理裝置，如第一樣態之資訊處理裝置， 其中前述識別演算法包含使用線性回歸、波茲曼機(Boltzmann Machine)、神經網路、向量支援機(Support Vector Machine)、貝氏網路(Bayesian Network)、稀疏回歸(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。

實施形態之第三樣態的資訊處理裝置，如第一或第二樣態之資訊處理裝置，其中前述影像資料包含：藉由RGB攝影機所拍攝之廢棄物的形狀及色彩影像資料、藉由近紅外線攝影機所拍攝之廢棄物的近紅外線影像資料、3D攝影機或RGB-D攝影機所拍攝之廢棄物的立體影像資料中之1個或2個以上。

實施形態之第四樣態的資訊處理裝置，如第一至第三樣態中任何一個樣態之資訊處理裝置，其中前述廢棄物之種類包含：未破損垃圾袋之垃圾、紙垃圾、修剪的樹枝、被褥、污泥、粗大破碎垃圾、瓦楞紙、麻袋、紙袋、底部垃圾中的1個或2個以上。

實施形態之第五樣態的資訊處理裝置，如第一至第四樣態中任何一個樣態之資訊處理裝置，其中進一步具備工廠控制部，其係依據前述種類識別部之識別結果，進行廢棄物處理廠之控制。

實施形態之第六樣態的資訊處理裝置，如第五樣態之資訊處理裝置，其中前述工廠控制部包含：吊車控制部，其係傳送前述種類識別部之識別結果至控制進行前述廢棄物之攪拌或搬送的吊車之吊車控制裝置；及燃燒控制 部，其係傳送前述種類識別部之識別結果至控制前述廢棄物之燃燒的燃燒控制裝置；之中的一方或兩者。

實施形態之第七樣態的資訊處理裝置，如第一至第六樣態中任何一個樣態之資訊處理裝置，其中前述識別演算法係學習完成在藉由拍攝前述垃圾坑內之圖像而獲得的影像資料中標示前述廢棄物種類，並且依種類別標示前述廢棄物以外之識別對象物的教師資料，前述種類識別部係將前述垃圾坑內之新的影像資料作為輸入，利用前述識別演算法來識別貯存於前述垃圾坑內之廢棄物的種類並且廢棄物以外之識別對象物的種類。

經本件發明人實際驗證結果，確認藉由此種樣態可顯著提高廢棄物之識別精度。此因，依本件發明人之檢討，可抑制種類識別部例如對垃圾坑之側壁的判斷猶豫而識別為污泥等，對廢棄物以外之識別對象物的判斷猶豫而識別為某個廢棄物。

實施形態之第八樣態的資訊處理裝置，如第七樣態之資訊處理裝置，其中前述廢棄物以外之識別對象物的種類包含：廢棄物處理廠之橫樑、垃圾坑之側壁、貯存於垃圾坑內之廢棄物的山崖、進行前述廢棄物之攪拌或搬送的吊車中之1個或2個以上。

實施形態之第九樣態的資訊處理裝置，如第七樣態之資訊處理裝置， 其中前述廢棄物以外之識別對象物的種類包含：廢棄物處理廠之橫樑、垃圾坑之側壁、貯存於垃圾坑內之廢棄物的山崖、進行前述廢棄物之攪拌或搬送的吊車、廢棄物處理廠之牆壁、柱子、地板、窗戶、天花板、門、樓梯、大樑、走廊、垃圾坑之隔牆、垃圾投入料斗、搬入門、作業人員、搬入車輛中之1個或2個以上。

實施形態之第十樣態的資訊處理裝置，如第一至第九樣態中任何一個樣態之資訊處理裝置，其中進一步具備投入異物檢測部，其係依據前述種類識別部之識別結果檢測投入前述垃圾坑內之異常物。

實施形態之第十一樣態的資訊處理裝置，如第十樣態之資訊處理裝置，其中前述投入異物檢測部係將前述種類識別部之識別結果傳送至檢測投入貯存前述廢棄物之垃圾坑內的異常物之異物檢測裝置。

實施形態之第十二樣態的資訊處理裝置，如第一至第十一樣態中任何一個樣態之資訊處理裝置，其中進一步具備墜落檢測部，其係依據前述種類識別部之識別結果，檢測作業人員或搬送車輛墜落至前述垃圾坑內。

實施形態之第十三樣態的資訊處理裝置，如第十二樣態之資訊處理裝置，其中前述墜落檢測部將前述種類識別部之識別結果傳送至檢測在貯存前述廢棄物之垃圾坑內有作業人員及搬入車輛的墜落檢測裝置。

實施形態之第十四樣態的資訊處理裝置，如第一至第十三樣態中任何一個樣態之資訊處理裝置，其中前述廢棄物之種類包含：未破損垃圾袋之垃圾、紙垃圾、修剪的樹枝、被褥、污泥、粗大破碎垃圾、瓦楞紙、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、自行車、衣櫃、床、支架、桌、椅子、農業系乙烯類、塑膠瓶、發泡苯乙烯、肉骨粉、農作物、陶器、玻璃屑、金屬屑、瓦礫類、混凝土屑、榻榻米、竹、稻草、活性炭中之1個或2個以上。

實施形態之第十五樣態的資訊處理程式，係使電腦發揮種類識別部之功能，該種類識別部係使用學習完成藉由拍攝貯存廢棄物之垃圾坑內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識別演算法，將前述垃圾坑內之新的影像資料作為輸入，來識別貯存於前述垃圾坑內之廢棄物的種類。

實施形態之第十五樣態的資訊處理程式，亦可使前述電腦進一步發揮識別演算法生成部之功能，其係藉由學習拍攝貯存廢棄物之垃圾坑內的過去影像資料中標示了前述廢棄物種類之教師資料，而生成前述識別演算法。

實施形態之第十六樣態的資訊處理方法，係由電腦執行，且包含識別步驟，其係使用學習完成藉由拍攝貯存廢棄物之垃圾坑內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識別演算法，將前述垃圾坑內之新的影像資料作為輸入，來識別貯存於前述垃圾坑內之廢棄物的種類。

實施形態第十六樣態之資訊處理方法，亦可進一步包含以下步驟，即藉由學習在拍攝了貯存廢棄物之垃圾坑內的過去影像資料中標示了前述廢棄物種類之教師資料，而生成前述識別演算法。

實施形態之第十七樣態的資訊處理裝置，係具備種類識別部，其係使用學習完成藉由拍攝貯存廢棄物之廢棄物貯存場所內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識別演算法，將前述廢棄物貯存場所內之新的影像資料作為輸入，來識別貯存於前述廢棄物貯存場所內之廢棄物的種類。

實施形態之第十七樣態的資訊處理裝置，亦可進一步具備識別演算法生成部，其係藉由學習在拍攝了貯存廢棄物之廢棄物貯存場所內的過去影像資料中標示了前述廢棄物種類之教師資料，而生成前述識別演算法。

實施形態之第十八樣態的資訊處理程式，係使電腦發揮種類識別部之功能，該種類識別部係使用學習完成藉由拍攝貯存廢棄物之廢棄物貯存場所內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識別演算法，將前述廢棄物貯存場所內之新的影像資料作為輸入，來識別貯存於前述廢棄物貯存場所內之廢棄物的種類。

實施形態之第十八樣態的資訊處理程式，亦可進一步使前述電腦發揮識別演算法生成部之功能，其係藉由學習在拍攝了貯存廢棄物之廢棄物貯存場所內的過去影像資料中標示了前述廢棄物種類之教師資料，而生成前述識別演算法。

實施形態之第十九樣態的資訊處理方法，係由電腦執行， 且包含識別步驟，其係使用學習完成藉由拍攝貯存廢棄物之廢棄物貯存場所內的圖像而獲得之過去影像資料中標示了前述廢棄物種類的教師資料之識別演算法，將前述廢棄物貯存場所內之新的影像資料作為輸入，來識別貯存於前述廢棄物貯存場所內之廢棄物的種類。

實施形態之第十九樣態的資訊處理方法，亦可進一步包含以下步驟：即藉由學習在拍攝了貯存廢棄物之廢棄物貯存場所內的過去影像資料中標示了前述廢棄物種類之教師資料，而生成前述識別演算法。

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，就可相同構成之部分係使用相同符號，並且省略重複之說明。

第一圖係顯示一個實施形態之廢棄物處理廠100的構成概略圖。

如第一圖所示，廢棄物處理廠100具備：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搬送之廢棄物的料斗4；焚燒從料斗4投入之廢棄物的焚化爐1；及從焚化爐1內產生之排放氣體回收排放熱之排熱鍋爐2。焚化爐1之種類不限於第一圖所示之加煤爐(Stoker)者，亦包含流動爐(亦稱為流動床爐)。此外，垃圾坑3之構造不限於第一圖所示之一段坑者，亦包含二段坑。此外，廢棄物處理廠100中還設有：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內之燃燒的燃燒控制裝置20。

在裝載於搬送車輛22之狀態下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，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。

如第一圖所示，廢棄物處理廠100中設有：拍攝垃圾坑3內之圖像的拍攝裝置6；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的軌道上，可從垃圾坑3上方拍攝貯存於垃圾坑3內之廢棄物。第四圖係顯示藉由拍攝裝置6拍攝垃圾坑3內之圖像而獲得的影像資料之一例圖。

拍攝裝置6亦可係拍攝結果為輸出廢棄物之形狀及色彩影像資料的RGB攝影機，亦可係拍攝結果為輸出廢棄物之近紅外線影像資料的近紅外線攝影機，亦可係拍攝結果為拍攝廢棄物之立體影像資料的3D攝影機或RGB-D攝影機，亦可係此等之中的2個以上組合。

其次，說明識別垃圾坑3內之廢棄物種類的資訊處理裝置10之構成。第二圖係顯示資訊處理裝置10之構成的方塊圖。另外，資訊處理裝置10之至少一部分係藉由電腦來實現。

如第二圖所示，資訊處理裝置10具有：控制部11、記憶部12、及通信部13。各部經由匯流排可相互通信地連接。

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存儲體。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：藉由後述之識別演算法生成部 11a生成的識別演算法12a；及藉由後述之影像資料取得部11b所取得的影像資料12b。

控制部11係進行資訊處理裝置10之各種處理的控制機構。如第二圖所示，控制部11具有：識別演算法生成部11a、影像資料取得部11b、種類識別部11c、工廠控制部11d、墜落檢測部11e、投入異物檢測部11f。此等各部亦可藉由資訊處理裝置10中之處理器執行指定的程式來實現，亦可以硬體安裝。

識別演算法生成部11a係藉由學習在藉由拍攝貯存廢棄物之垃圾坑內的圖像而獲得之過去影像資料中標示廢棄物種類的教師資料，將垃圾坑內之新的影像資料作為輸入，而生成識別廢棄物種類之學習完成的識別演算法12a。

識別演算法生成部11a亦可藉由學習在垃圾坑內之過去的影像資料中標示廢棄物種類，並且依種類別標示了廢棄物以外之識別對象物的教師資料，將垃圾坑內之過去影像資料作為輸入，而生成除了廢棄物種類之外，還識別廢棄物以外之識別對象物種類的學習完成之識別演算法12a。

識別演算法12a具體而言例如包含使用線性回歸、波茲曼機、神經網路、向量支援機、貝氏網路、稀疏回歸、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。

教師資料例如進行廢棄物處理廠100之運轉的熟練運轉員，對藉由拍攝垃圾坑3內之圖像而獲得的影像資料，以目視識別廢棄物及廢棄物以外之識別對象物，藉由依種類別標示而製作。廢棄物及廢棄物以外之識別對象物的種類例如依種類別之料層(Layer)為在重疊於影像資料的狀態下標示。

標示於教師資料之廢棄物的種類亦可包含未破損垃圾袋之垃圾、紙垃圾、修剪的樹枝、被褥、污泥、粗大破碎垃圾、瓦楞紙、麻袋、紙袋、底部垃圾(存在於垃圾坑3內之底部附近，被上方廢棄物壓縮且含水量多的垃圾)中之1個或2個以上。此外，標示於教師資料之廢棄物的種類亦可包含不希望進入垃圾坑3內卻有可能進入之非預定的廢棄物(異常物)。此處之異常物例如為不能焚燒者，具體而言，例如有日光燈、混入水銀之垃圾、高壓鋼瓶及罐、油槽等爆炸物等。此外，標示於教師資料之廢棄物種類亦可包含木屑、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、支架、桌、椅子、農業系乙烯類、塑膠瓶、發泡苯乙烯、肉骨粉、農作物、陶器、玻璃屑、金屬屑、瓦礫類、混凝土屑、榻榻米、竹、稻草、活性炭中之1個或2個以上。

標示於教師資料之廢棄物以外的識別對象物種類亦可包含廢棄物處理廠100之橫樑、垃圾坑3之側壁、貯存於垃圾坑3內之廢棄物的山崖(在廢棄物之山崖附近，黑暗程度達到目視無法識別之廢棄物種類的部分)、進行前述廢棄物之攪拌或搬送的吊車5中之1個或2個以上。此外，標示於教師資料之廢棄物以外的識別對象物種類亦可包含作業人員、搬入車輛中之一方或兩者。此外，標示於教師資料之廢棄物以外的識別對象物種類亦可包含廢棄物處理廠100之牆壁、柱子、地板、窗戶、天花板、門、樓梯、大樑(懸吊吊車5而移動的構造體)、走廊、垃圾坑之隔牆、垃圾投入料斗、搬入門、作業人員、搬入車輛中之1個或2個以上。

第五圖係顯示藉由拍攝垃圾坑內之圖像而獲得的影像資料中標示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。第五圖所 示之例係在藉由拍攝垃圾坑內之圖像而獲得的影像資料中，廢棄物為袋未破損垃圾、修剪的樹枝、被褥分別依種類別進行標示，並且廢棄物以外之識別對象物為吊車5、廢棄物之山崖、垃圾坑3之側壁、工廠100之地板分別依種類別進行標示。

影像資料取得部11b從拍攝裝置6取得藉由拍攝垃圾坑3內之圖像而獲得的新之影像資料。藉由影像資料取得部11b所取得之新的影像資料記憶於記憶部12。

種類識別部11c將藉由影像資料取得部11b所取得之新的影像資料作為輸入，並利用藉由識別演算法生成部11a所生成之學習完成的識別演算法12a，來識別貯存於垃圾坑3內之廢棄物的種類。

種類識別部11c亦可將藉由影像資料取得部11b所取得之新的影像資料作為輸入，利用學習完成之識別演算法12a，來識別貯存於垃圾坑3內之廢棄物的種類以及廢棄物以外之識別對象物的種類。第六圖係顯示在藉由拍攝垃圾坑內之圖像而獲得的影像資料上重疊種類識別部11c之識別結果來顯示的資料之一例圖。第六圖所示之例係將藉由種類識別部11c所識別之廢棄物(袋未破損垃圾、修剪的樹枝)與廢棄物以外之識別對象物(吊車5、廢棄物之山崖、垃圾坑3之側壁、工廠100之地板)依種類別重疊於影像資料而顯示。

種類識別部11c如第七圖所示，亦可依據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圖。第七圖所示之例係將垃圾坑3內區分成5×4的格子狀，而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之識別結果控制廢棄物處理廠100。

第一圖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，從影像資料所識別之廢棄物種類的資訊)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，從影像資料所識別之廢棄物種類的資訊)之燃燒控制部11d2。

另外，第一圖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，不過並非限於此者，亦可僅包含吊車控制部11d1與燃燒控制部11d2之任何一方。

吊車控制部11d1例如作為種類識別部11c之識別結果，而將每個區域顯示貯存於垃圾坑3內之廢棄物種類的比率圖表(參照第七圖)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接收之圖表，以廢棄物種類之比率在整個區域相等的方式使吊車5動作來攪拌垃圾坑3內之廢棄物。

燃燒控制部11d2例如作為種類識別部11c之識別結果，而將每個區域顯示貯存於垃圾坑3內之廢棄物種類的比率圖表(參照第七圖)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接收之圖表，掌握藉由吊車5抓住並從垃圾坑3一起搬送至料斗4之廢棄物種類的比率，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的燃燒(例如，控制加煤爐之輸送速度及供給之空氣量)。

墜落檢測部11e依據種類識別部11c之識別結果(亦即，從影像資料所識別之作業人員或搬送車輛的資訊)，檢測從平台21墜落至垃圾坑3內之作 業人員或搬送車輛。墜落檢測部11e亦可將種類識別部11c之識別結果(亦即，從影像資料所識別之作業人員或搬送車輛的資訊)傳送至檢測在貯存廢棄物之垃圾坑3內存在作業人員或搬入車輛的墜落檢測裝置(無圖示)。墜落檢測裝置(無圖示)依據從墜落檢測部11e傳送之種類識別部11c的識別結果發出警報，使吊車5動作來救出作業人員。

投入異物檢測部11f依據種類識別部11c之識別結果(亦即從影像資料所識別之廢棄物種類的資訊)，檢測投入垃圾坑3內之異常物。此處所謂「異常物」，係指雖然不希望進入垃圾坑3內卻有可能進入的非預定之廢棄物，例如為不能焚燒者，具體而言，例如有日光燈、混入水銀之垃圾、高壓鋼瓶及罐、油槽等爆炸物等。投入異物檢測部11f亦可將種類識別部之識別結果(亦即，從影像資料所識別之廢棄物種類的資訊)傳送至檢測投入貯存廢棄物之垃圾坑3內的異常物之異物檢測裝置(無圖示)。異物檢測裝置(無圖示)參照與時間資訊一起記憶在垃圾坑3內投入廢棄物之業者或車輛的資料庫，依據從投入異物檢測部11f傳送之種類識別部11c的識別結果，確定在垃圾坑3內投入異物之業者或車輛。

其次，說明藉由如此構成之資訊處理裝置10實施的資訊處理方法之一例。第三圖係顯示資訊處理方法之一例的流程圖。

如第三圖所示，首先，識別演算法生成部11a藉由學習在拍攝垃圾坑3內之圖像的過去影像資料中標示了廢棄物種類之教師資料，將藉由拍攝垃圾坑3內之圖像而獲得之新的影像資料作為輸入，生成識別廢棄物種類之學習完成的識別演算法12a(步驟S11)。

識別演算法生成部11a亦可藉由學習在藉由拍攝垃圾坑3內之圖像而獲得的過去影像資料中標示廢棄物種類，並且依種類別標示廢棄物以外之 識別對象物的教師資料(例如參照第五圖)，將藉由拍攝垃圾坑3內之圖像而獲得之新的影像資料作為輸入，生成除了廢棄物的種類之外，還識別廢棄物以外之識別對象物的種類之學習完成的識別演算法12a。

其次，影像資料取得部11b從拍攝裝置6取得藉由拍攝垃圾坑3內之圖像而獲得之新的影像資料12b(例如參照第四圖)(步驟S12)。藉由影像資料取得部11b所取得之新的影像資料12b記憶於記憶部12中。

接著，種類識別部11c將藉由影像資料取得部11b所取得之新的影像資料作為輸入，利用藉由識別演算法生成部11a所生成之學習完成的識別演算法12a，來識別貯存於垃圾坑3內之廢棄物的種類(步驟S13)。

種類識別部11c亦可將藉由影像資料取得部11b所取得之新的影像資料(例如參照第四圖)作為輸入，利用藉由識別演算法生成部11a所生成之學習完成的識別演算法12a，識別貯存於垃圾坑3內之廢棄物的種類以及廢棄物以外之識別對象物的種類(例如參照第六圖)。此外，種類識別部11c亦可依據廢棄物種類之識別結果，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之圖表(例如參照第七圖)。

接著，工廠控制部11d依據種類識別部11c之識別結果，進行廢棄物處理廠之控制。

具體而言，例如，吊車控制部11d1對於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，作為種類識別部11c之識別結果而傳送每個區域顯示如第七圖所示之廢棄物種類的比率之圖表(步驟S14)。吊車控制裝置50依據從吊車控制部11d1接收之圖表，以廢棄物種類之比率在整個區域相等的方式，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，作為種類識別部11c之識別結果而傳送每個區域顯示如第七圖所示之廢棄物種類之比率的圖表(步驟S15)。燃燒控制裝置20依據從燃燒控制部11d2接收之圖表，掌握藉由吊車5抓住並從垃圾坑3一起搬送至料斗4之廢棄物種類的比率，並依經由料斗4而一起投入焚化爐1內的各廢棄物之比率來控制廢棄物的燃燒(例如，控制加煤爐之輸送速度及供給之空氣量)。

另外，藉由種類識別部11c而從垃圾坑3內之影像資料辨識出作業人員或搬送車輛情況下，墜落檢測部11e亦可依據種類識別部11c之識別結果，檢測作業人員或搬送車輛從平台21墜落至垃圾坑3內，並將種類識別部11c之識別結果傳送至墜落檢測裝置(無圖示)。

此外，藉由種類識別部11c而從垃圾坑3內之影像資料檢測出異常物情況下，投入異物檢測部11f亦可依據種類識別部11c之識別結果，檢測投入垃圾坑3內之異常物，並將種類識別部11c之識別結果傳送至異物檢測裝置(無圖示)。

再者，日本特開2007-126246號公報雖然提出有藉由色調區分一般垃圾與異質垃圾之方法，不過僅單純以色調識別廢棄物之種類有困難，例如，即使混入一些粗大破碎垃圾，整體仍有可能判斷為一般垃圾。因而，存在將一定量以上之會影響燃燒狀態的異質廢棄物及導致各設備發生故障之廢棄物投入焚化爐內的危險性。

此外，日本特開2015-124955號公報雖然提出有藉由亮度值檢測垃圾袋之破損程度的方法，不過該方法僅可檢測垃圾袋。實際之垃圾坑中，除了垃 圾袋之外，因為有時還會投入修剪的樹枝及被褥等各種廢棄物，所以上述方法不太適用於此種實際的垃圾坑。

另外，採用本實施形態時，藉由將藉由拍攝垃圾坑3內之圖像而獲得的影像資料作為輸入，利用藉由機械學習所生成之學習完成的識別演算法12a來識別貯存於垃圾坑3內之廢棄物的種類，可識別投入一定量以上時會影響燃燒狀態之廢棄物(例如袋未破損垃圾)及導致各設備故障的廢棄物(例如修剪的樹枝)。藉此，防止錯誤投入一定量以上之此種特殊廢棄物，不影響燃燒狀態及各設備而可穩定進行處理。

此外，採用本實施形態時，藉由識別演算法生成部11a學習藉由拍攝垃圾坑3內之圖像而獲得的過去影像資料中標示廢棄物種類，並且依種類別標示了廢棄物以外之識別對象物的教師資料，而生成學習完成之識別演算法12a，種類識別部11c將藉由影像資料取得部11b所取得之新的影像資料作為輸入，利用該識別演算法12a識別貯存於垃圾坑3內之廢棄物的種類以及廢棄物以外之識別對象物的種類。本件發明人經實際驗證確認藉由此種樣態可顯著提高廢棄物之識別精度。此因，依本件發明人之檢討，可抑制種類識別部11c例如對垃圾坑3之側壁的判斷猶豫而識別為污泥等，對廢棄物以外之識別對象物的判斷猶豫而識別為某個廢棄物。

另外，對上述實施形態可施加各種變更。以下，說明上述實施形態之修改例。

上述實施形態之燃燒控制部11d2，係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表(參照第七圖)，作為種類識別部11c之識別結果而傳送至燃燒控制裝置20，不過不限定於此，亦可將廢棄物種類之比率轉換成 性質資訊，例如將每個區域顯示投入OK、投入NG、卡洛里L(Low)、M(Middle)、H(High)等之圖表，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亦可將顯示影響燃燒狀態之比率大的標籤(例如，有袋未破損垃圾、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亦可將顯示影響各設備之比率大的標籤(例如，有修剪的樹枝、有粗大破碎垃圾等)，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中依據識別結果而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表時，亦可對影像資料取得部11b所取得之影像資料，僅將影像資料劃分區域來顯示廢棄物種類之比率，亦可將影像資料與垃圾坑3的分配編號相結合，各編號顯示廢棄物種類之比率。

將影像資料與吊車編號相結合的方法，係在對垃圾坑3可計測相對位置的吊車5預先註記符號，藉由拍攝裝置6拍攝註記了符號之吊車5並反映成許多影像，種類識別部11c依據註記了符號之吊車5所反映的許多影像，推斷拍攝裝置6對垃圾坑3的相對位置與方向，再從推斷之拍攝裝置6的位置與拍攝方向推斷影像資料上之像素存在於哪個編號中。或是，亦可拍攝裝置6拍攝對垃圾坑3可計測相對位置的吊車5並反映成許多影像，種類識別部11c藉由在影像中之吊車5上註記符號，依據在該吊車5上註記了符號之許多影像，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的位置與拍攝方向推斷影像資料上之像素存在於哪個編號中。

控制部11之處理的一部分亦可不在資訊處理裝置10上，而在與資訊處理裝置10以外之雲端伺服器上進行。記憶部12之一部分亦可不在資訊處理裝置10上，而在與資訊處理裝置10以外之雲端伺服器上。

例如，亦可在雲端伺服器上執行識別演算法生成部11a之處理而生成識別演算法12a。此外，亦可利用藉由上述識別演算法生成部11a在雲端伺服器上所生成的識別演算法12a，而在雲端伺服器上執行種類識別部11c之處理，亦可資訊處理裝置10從雲端伺服器下載上述識別演算法12a，將其利用在資訊處理裝置10中，來執行種類識別部11c之處理。

控制部11亦可定期監控種類識別部11c之識別結果，判斷是否需要重建或更新識別演算法12a之模型。

例如，控制部11使用邊緣伺服器進行種類識別部11c之識別結果的正常、異常判定，檢測出異常時，判斷該影像資料及識別結果在焚化爐1之運轉中有無問題。判斷為在運轉上有問題時，熟練運轉員對檢測出異常之影像資料，再度依廢棄物之種類別進行標示，並準備新的教師資料，識別演算法生成部11a學習新準備之教師資料而生成識別演算法12a。

吊車控制裝置50於焚化爐1要求投入時，亦可依據從吊車控制部11d1接收之圖表，從垃圾坑3內選擇滿足各種垃圾之比率臨限值的投入基準之垃圾，使吊車5動作而將其投入料斗4。

此外，吊車控制裝置50從垃圾坑3內選擇滿足投入基準之垃圾時，亦可以該垃圾之各種垃圾的比率與前次投入料斗4之垃圾的各種垃圾之比率的差分變小的方式來選擇垃圾。

吊車控制裝置50之上述投入基準的比率臨限值，亦可使用未破損垃圾袋之垃圾、紙垃圾、修剪的樹枝、被褥、污泥、粗大垃圾破碎物、瓦楞紙、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、農業系乙烯類、塑膠瓶、發泡苯乙烯、肉骨粉、農作物、陶器、玻璃屑、金屬屑、瓦礫類、混凝土屑、榻榻米、竹、稻草、活性炭中之1個或2個以上的比率臨限值。

此外，上述投入基準之決定方法，吊車控制裝置50亦可對藉由拍攝過去垃圾坑3內之圖像而獲得的影像資料，藉由熟練運轉員目視該影像資料所示之廢棄物的性質，從燃燒穩定性及影響設備的觀點，藉由比較將可否投入加以分類並註記標籤者；與對該影像資料使用種類識別部11c推斷各種垃圾之比率者，來決定對應於熟練運轉員判斷可否投入之各種垃圾的比率臨限值。

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表，藉由結合實際投入料斗4之垃圾的各種垃圾之比率資料、及焚化爐1的處理資料，來決定各種垃圾之比率臨限值，亦可隨時結合兩者資料來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，亦可依據天候資訊來動態變更比率臨限值。例如，吊車控制裝置50從天候資訊得知當日有雨時，則以降低未破損垃圾袋之垃圾的比率臨限值，或是，提高粗大垃圾破碎物之比率臨限值的方式來變更比率臨限值之投入基準。

此外，吊車控制裝置50亦可依據星期資訊動態變更比率臨限值。例如，吊車控制裝置50由於從星期資訊得知星期天垃圾坑3內之垃圾少，因此為 了抑制焚燒量，可以藉由提高未破損垃圾袋之垃圾的比率臨限值之方式變更比率臨限值之投入量基準。

此外，吊車控制裝置50亦可依據廢棄物處理廠100之操爐計畫值動態變更比率臨限值。例如，吊車控制裝置50以從現在蒸發量設定值降低蒸發量，或是降低未破損垃圾袋之垃圾的比率臨限值，或是提高粗大垃圾破碎物之比率臨限值的方式變更比率臨限值之投入基準。

吊車控制裝置50於焚化爐1要求投入時，在從吊車控制部11d1接收之圖表中，不存在滿足各種垃圾之比率臨限值的投入基準之垃圾時，亦可使吊車5動作而將接近投入基準之垃圾投入料斗4，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接收之圖表中，僅將滿足各種垃圾之比率臨限值的投入基準之垃圾，使吊車5動作而堆積在垃圾坑3的特定部位。藉此，可將滿足投入基準之垃圾儲備在垃圾坑3內。

吊車控制裝置50亦可在從吊車控制部11d1接收之圖表中，藉由各種垃圾之比率臨限值，檢測存在於垃圾坑3內之會影響燃燒狀態的廢棄物(例如污泥)及導致各設備故障之廢棄物(例如修剪的樹枝)，使吊車5動作而貯存於垃圾坑3之特定部位，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接收之圖表中，於不滿足各種垃圾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、及天候資訊、星期資訊、垃圾搬入業者資訊、垃圾搬入量(總量及各種垃圾搬入量)資訊、 垃圾搬入速度、垃圾坑等級(整體、特定區域)資訊、吊車運轉狀況(可兩台運轉、僅一台運轉、現在一台運轉中、現在兩台運轉中)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接收之圖表中，從各區域之垃圾種類的比率判斷整個垃圾坑3之攪拌狀況，判斷是否需要運轉兩台吊車5，並使吊車5動作，開始運轉第二台吊車或是進行第二台吊車之收納。

此外，上述之例係吊車控制裝置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，傳送動作內容指令至吊車控制裝置50，按照接收指令之吊車控制裝置50所接收的指令內容使吊車5動作。吊車操作判斷裝置在與資訊處理裝置10之間及與吊車控制裝置50之間傳送或接收資訊。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。

吊車操作判斷裝置於焚化爐1要求投入時，亦可從吊車控制裝置50接收要求投入信號，並依據從吊車控制部11d1接收之圖表，從垃圾坑3內選擇滿足各種垃圾之比率臨限值的投入基準之圖表的垃圾，並傳送指令至吊車控制裝置50指示將該垃圾投入料斗4，吊車控制裝置50按照接收之指令使吊車5動作。此外，吊車操作判斷裝置從垃圾坑內選擇滿足投入基準之垃圾時，亦可以該垃圾之各種垃圾的比率與前次投入料斗4之垃圾的各種垃圾之比率的差分變小的方式來選擇垃圾。

吊車操作判斷裝置於焚化爐1要求投入時，亦可從吊車控制裝置50接收要求投入信號，在從吊車控制部11d1接收之圖表中，不存在滿足各種垃圾 之比率臨限值的投入基準之垃圾時，傳送指令至吊車控制裝置50，指示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，來製作到達投入基準之垃圾，吊車控制裝置50使吊車5動作。

吊車操作判斷裝置亦可傳送指令至吊車控制裝置50，在從吊車控制部11d1接收之圖表中，僅將滿足各種垃圾之比率臨限值的投入基準之垃圾堆積於垃圾坑3內的特定部位，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儲備於垃圾坑3內。

吊車操作判斷裝置亦可在從吊車控制部11d1接收之圖表中，藉由各種垃圾之比率臨限值，檢測存在於垃圾坑3內之影響燃燒狀態的廢棄物(例如，污泥)及導致各設備故障之廢棄物(例如，修剪的樹枝)，傳送指令至吊車控制裝置50指示貯存於垃圾坑3內之特定部位，或是散佈於特定場所，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接收之圖表中，於不滿足各種垃圾之比率臨限值的攪拌基準之垃圾存在於垃圾坑3內時，傳送指令至吊車控制裝置50指示攪拌該垃圾，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接收之圖表中，從各區域之各種垃圾的比率判斷整個垃圾坑3之攪拌狀況，判斷是否需要運轉兩台吊車5，並傳送指令至吊車控制裝置50，吊車控制裝置50使吊車5動作，開始運轉第二台吊車，或是進行第二台吊車之收納。

另外，上述實施形態係說明在廢棄物處理廠100之垃圾坑3中使用識別廢棄物種類的資訊處理裝置10之例，不過，使用資訊處理裝置10之場所只要 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廠100之垃圾坑3，例如，亦可在回收再利用設備之接收場所使用資訊處理裝置10。

以上，係藉由例示說明實施形態及修改例，不過，本發明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、修改。此外，各實施形態及修改例在處理內容不致發生矛盾的範圍內可適切組合。

此外，上述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，不過，用於使1台或複數台電腦實現資訊處理裝置10之程式及永久性(non-transitory)記錄該程式之記錄媒介亦屬於本件的保護對象。

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

20:燃燒控制裝置

21:平台

22:搬送車輛

50:吊車控制裝置

100:廢棄物處理廠

Claims (18)

1. 一種資訊處理裝置，其特徵為：具備種類識別部，其係使用學習完成藉由拍攝貯存廢棄物之垃圾坑內的圖像而獲得之過去影像資料中標示了前述廢棄物種類，並且依種類別標示了前述廢棄物以外之識別對象物的教師資料之識別演算法，將前述垃圾坑內之新的影像資料作為輸入，來識別貯存於前述垃圾坑內之廢棄物的種類並且廢棄物以外之識別對象物的種類，其中前述廢棄物以外之識別對象物的種類包含：廢棄物處理廠之橫樑、垃圾坑之側壁、貯存於垃圾坑內之廢棄物的山崖、進行前述廢棄物之攪拌或搬送的吊車中之1個或2個以上。
2. 如請求項1之資訊處理裝置，其中前述識別演算法包含使用線性回歸、波茲曼機(Boltzmann Machine)、神經網路、向量支援機(Support Vector Machine)、貝氏網路(Bayesian Network)、稀疏回歸(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。
3. 如請求項1或2之資訊處理裝置，其中前述影像資料包含：藉由RGB攝影機所拍攝之廢棄物的形狀及色彩影像資料、藉由近紅外線攝影機所拍攝之廢棄物的近紅外線影像資料、3D攝影機或RGB-D攝影機所拍攝之廢棄物的立體影像資料中之1個或2個以上。
4. 如請求項1或2之資訊處理裝置，其中前述廢棄物之種類包含：未破損垃圾袋之垃圾、紙垃圾、修剪的樹枝、被褥、污泥、粗大破碎垃圾、瓦楞紙、麻袋、紙袋、底部垃圾中的1個或2個以上。
5. 如請求項1或2之資訊處理裝置，其中進一步具備工廠控制部，其係依據前述種類識別部之識別結果，進行廢棄物處理廠之控制。
6. 如請求項5之資訊處理裝置，其中前述工廠控制部包含：吊車控制部，其係傳送前述種類識別部之識別結果至控制進行前述廢棄物之攪拌或搬送的吊車之吊車控制裝置；及燃燒控制部，其係傳送前述種類識別部之識別結果至控制前述廢棄物之燃燒的燃燒控制裝置；之中的一方或兩者。
7. 如請求項1或2之資訊處理裝置，其中前述廢棄物以外之識別對象物的種類包含：廢棄物處理廠之橫樑、垃圾坑之側壁、貯存於垃圾坑內之廢棄物的山崖、進行前述廢棄物之攪拌或搬送的吊車、廢棄物處理廠之牆壁、柱子、地板、窗戶、天花板、門、樓梯、大樑、走廊、垃圾坑之隔牆、垃圾投入料斗、搬入門、作業人員、搬入車輛中之1個或2個以上。
8. 如請求項1或2之資訊處理裝置，其中進一步具備投入異物檢測部，其係依據前述種類識別部之識別結果檢測投入前述垃圾坑內之異常物。
9. 如請求項9之資訊處理裝置，其中前述投入異物檢測部係將前述種類識別部之識別結果傳送至檢測投入貯存前述廢棄物之垃圾坑內的異常物之異物檢測裝置。
10. 如請求項1或2之資訊處理裝置，其中進一步具備墜落檢測部，其係依據前述種類識別部之識別結果，檢測作業人員或搬送車輛墜落至前述垃圾坑內。
11. 如請求項11之資訊處理裝置，其中前述墜落檢測部將前述種類識別部之識別結果傳送至檢測在貯存前述廢棄物之垃圾坑內有作業人員及搬入車輛的墜落檢測裝置。
12. 如請求項1或2之資訊處理裝置，其中前述廢棄物之種類包含：未破損垃圾袋之垃圾、紙垃圾、修剪的樹枝、被褥、污泥、粗大破碎垃圾、瓦楞紙、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、自行車、衣櫃、床、支架、桌、椅子、農業系乙烯類、塑膠瓶、發泡苯乙烯、肉骨粉、農作物、陶器、玻璃屑、金屬屑、瓦礫類、混凝土屑、榻榻米、竹、稻草、活性炭中之1個或2個以上。
13. 一種資訊處理程式：係使電腦發揮種類識別部之功能，該種類識別部係使用學習完成藉由拍攝貯存廢棄物之垃圾坑內的圖像而獲得之過去影像資料中標示了前述廢棄物種類，並且依種類別標示了前述廢棄物以外之識別對象物的教師資料之識別演算法，將前述垃圾坑內之新的影像資料作為輸入，來識別貯存於前述垃圾坑內之廢棄物的種類並且廢棄物以外之識別對象物的種類，其中前述廢棄物以外之識別對象物的種類包含：廢棄物處理廠之橫樑、垃圾坑之側壁、貯存於垃圾坑內之廢棄物的山崖、進行前述廢棄物之攪拌或搬送的吊車中之1個或2個以上。
14. 一種資訊處理方法，其特徵為包含以下步驟：使用學習完成藉由拍攝貯存廢棄物之垃圾坑內的圖像而獲得之過去影像資料中標示了前述廢棄物種類，並且依種類別標示了前述廢棄物以外之識別對象物的教師資料之識別演算法，將前述垃圾坑內之新的影像資料作為輸入，來識別貯存於前述垃圾坑內之廢棄物的種類並且廢棄物以外之識別對象物的種類， 其中前述廢棄物以外之識別對象物的種類包含：廢棄物處理廠之橫樑、垃圾坑之側壁、貯存於垃圾坑內之廢棄物的山崖、進行前述廢棄物之攪拌或搬送的吊車中之1個或2個以上。
15. 一種資訊處理裝置，其特徵為：具備種類識別部，其係使用學習完成藉由拍攝貯存廢棄物之廢棄物貯存場所內的圖像而獲得之過去影像資料中標示了前述廢棄物種類，並且依種類別標示了前述廢棄物以外之識別對象物的教師資料之識別演算法，將前述廢棄物貯存場所內之新的影像資料作為輸入，來識別貯存於前述廢棄物貯存場所內之廢棄物的種類並且廢棄物以外之識別對象物的種類，其中前述廢棄物以外之識別對象物的種類包含：廢棄物處理廠之橫樑、垃圾坑之側壁、貯存於垃圾坑內之廢棄物的山崖、進行前述廢棄物之攪拌或搬送的吊車中之1個或2個以上。
16. 一種資訊處理程式：係使電腦發揮種類識別部之功能，該種類識別部係使用學習完成藉由拍攝貯存廢棄物之廢棄物貯存場所內的圖像而獲得之過去影像資料中標示了前述廢棄物種類，並且依種類別標示了前述廢棄物以外之識別對象物的教師資料之識別演算法，將前述廢棄物貯存場所內之新的影像資料作為輸入，來識別貯存於前述廢棄物貯存場所內之廢棄物的種類並且廢棄物以外之識別對象物的種類，其中前述廢棄物以外之識別對象物的種類包含：廢棄物處理廠之橫樑、垃圾坑之側壁、貯存於垃圾坑內之廢棄物的山崖、進行前述廢棄物之攪拌或搬送的吊車中之1個或2個以上。
17. 一種資訊處理方法，其特徵為包含以下步驟：其係使用學習完成藉由拍攝貯存廢棄物之廢棄物貯存場所內的圖像而獲得之過去影像資料中標示了前述廢棄物種類，並且依種類別標示了前述廢棄物以外之識別對象物的教師資料之識別演算法，將前述廢棄物貯存場所內之新的影像資料作為輸入，來識別貯存於前述廢棄物貯存場所內之廢棄物的種類並且廢棄物以外之識別對象物的種類，其中前述廢棄物以外之識別對象物的種類包含：廢棄物處理廠之橫樑、垃圾坑之側壁、貯存於垃圾坑內之廢棄物的山崖、進行前述廢棄物之攪拌或搬送的吊車中之1個或2個以上。
18. 如請求項1之資訊處理裝置，其中進一步具備識別演算法生成部，其係藉由學習拍攝貯存廢棄物之垃圾坑內的過去影像資料中標示前述廢棄物種類，並且依種類別標示了前述廢棄物以外之識別對象物的教師資料，而生成前述識別演算法。

Images